CN115221948A - 特征组合确定方法、装置、设备、存储介质及程序产品 - Google Patents
特征组合确定方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN115221948A CN115221948A CN202210728479.5A CN202210728479A CN115221948A CN 115221948 A CN115221948 A CN 115221948A CN 202210728479 A CN202210728479 A CN 202210728479A CN 115221948 A CN115221948 A CN 115221948A
- Authority
- CN
- China
- Prior art keywords
- wind control
- control rule
- user
- sample data
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种特征组合确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品,涉及风险控制、决策树、数据挖掘、机器学习、金融风控等技术领域。该方法包括:获取包含有多个用户特征和样本结果的用户样本数据集;将用户样本数据集中的用户样本数据表示为N层决策树,并确定N层决策树上坏占比阈值最高的目标叶子节点,N为正整数,N层决策树中的每层基于一个用户特征进行分裂;将目标叶子节点对应的特征组合确定为候选风控规则;基于候选风控规则确定目标风控规则。应用该方法提升了确定能够有效用于风险控制的特征组合的筛选效率。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及风险控制、决策树、数据挖掘、机器学习、金融风控等技术领域,尤其涉及一种特征组合确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
无论是在产品生产企业,还是在银行、消金等金融机构中,风控策略组需要同时对产品进行风险控制,以保障产品生成的良品率和划账比例。
在风控规则引擎中,一般部署的是拒绝规则。在几百维、上千维特征中,如何快速地挑选出两、三维特征交叉组合,构建出有效的拒绝规则是本领域技术人员亟待解决的技术问题。
发明内容
本公开实施例提出了一种特征组合确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本公开实施例提出了一种特征组合确定方法,包括:获取包含有多个用户特征和样本结果的用户样本数据集;将用户样本数据集中的用户样本数据表示为N层决策树,并确定N层决策树上坏占比阈值最高的目标叶子节点,N为正整数,N层决策树中的每层基于一个用户特征进行分裂;将目标叶子节点对应的特征组合确定为候选风控规则;基于候选风控规则确定目标风控规则。
第二方面,本公开实施例提出了一种特征组合确定装置,包括:样本数据集获取单元,被配置成获取包含有多个用户特征和样本结果的用户样本数据集;目标叶子节点确定单元,被配置成将用户样本数据集中的用户样本数据表示为N层决策树,并确定N层决策树上坏占比阈值最高的目标叶子节点,N为正整数,N层决策树中的每层基于一个用户特征进行分裂;候选风控规则确定单元,被配置成将目标叶子节点对应的特征组合确定为候选风控规则;目标风控规则确定单元,被配置成基于候选风控规则确定目标风控规则。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的特征组合确定方法。
第四方面,本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的特征组合确定方法。
第五方面,本公开实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的特征组合确定方法。
本公开所提供的特征组合确定方案,利用决策树算法将用户样本数据集中的用户样本数据表示为N层决策树,由于N层决策树中的每层基于一个用户特征进行分裂,那么就可以通过确定N层决策树上叶子节点分别对应的坏占比阈值,进而快速、准确的确定出换占比阈值最高的目标叶子节点,进而将该目标叶子节点的多个特征组合确定为候选风控规则,最终基于候选风控规则确定出目标风控规则,提升了确定特征组合的筛选效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性系统架构;
图2为本公开实施例提供的一种特征组合确定方法的流程图;
图3为本公开实施例提供的另一种特征组合确定方法的流程图;
图4为本公开实施例提供的又一种特征组合确定方法的流程图;
图5为本公开实施例提供的一种确定目标风控规则的方法的流程图;
图6为本公开实施例提供的一种特征组合确定装置的结构框图;
图7为本公开实施例提供的一种适用于执行特征组合确定方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1示出了可以应用本公开的特征组合确定方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用,例如特征组合类应用、组合特征筛选类应用、即时通讯类应用等。
终端设备101、102、103和服务器105可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等;当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中,其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
服务器105通过内置的各种应用可以提供各种服务,以可以提供筛选满足预设要求的特征组合的组合特征筛选类应用为例,服务器105在运行该组合特征筛选类应用时可实现如下效果:首先,通过网络104接收终端设备101、102、103传入的包含有多个用户特征和样本结果的用户样本数据集;然后,将用户样本数据集中的用户样本数据表示为N层决策树,并确定N层决策树上坏占比阈值最高的目标叶子节点,N为正整数,N层决策树中的每层基于一个用户特征进行分裂;接着,将目标叶子节点对应的特征组合确定为候选风控规则;最后,基于候选风控规则确定目标风控规则。
进一步的,服务器105可以基于确定出的目标风控规则更新已有的风控规则集,进而通过更新后的风控规则集来对后续用户请求进行更好的筛选和分类,进而更好的控制风险。
需要指出的是,包含有多个用户特征和样本结果的用户样本数据集除可以从终端设备101、102、103通过网络104获取到之外,也可以通过各种方式预先存储在服务器105本地。因此,当服务器105检测到本地已经存储有这些数据时(例如开始处理之前留存的待处理任务),可选择直接从本地获取这些数据,在此种情况下,示例性系统架构100也可以不包括终端设备101、102、103和网络104。
由于进行特征组合和筛选需要占用较多的运算资源和较强的运算能力,因此本公开后续各实施例所提供的特征组合确定方法一般由拥有较强运算能力、较多运算资源的服务器105来执行,相应地,特征组合确定装置一般也设置于服务器105中。但同时也需要指出的是,在终端设备101、102、103也具有满足要求的运算能力和运算资源时,终端设备101、102、103也可以通过其上安装的组合特征筛选类应用完成上述本交由服务器105做的各项运算,进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下,但组合特征筛选类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时,可以让终端设备来执行上述运算,从而适当减轻服务器105的运算压力,相应的,特征组合确定装置也可以设置于终端设备101、102、103中。在此种情况下,示例性系统架构100也可以不包括服务器105和网络104。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,图2为本公开实施例提供的一种特征组合确定方法的流程图,其中流程200包括以下步骤:
步骤201:获取包含有多个用户特征和样本结果的用户样本数据集;
本步骤旨在由特征组合确定方法的执行主体(例如图1所示的服务器105)获取到用户样本数据集,该用户样本数据集包括多个用户样本数据,且每个用户样本数据中均包含该用户的多个用户特征和对应的样本结果。
即根据实际业务场景进行样本定义和标签定义,例如在金融借贷的风险控制场景下,可以将在某段时间内申请贷款通过、且在一个月内支用成功的订单作为用户样本,同时要求这笔订单有足够的表现期(通常要求该订单具有足够的贷款还款月数,例如至少要包括超过4-6个的还款月的记录,以避免只还头几期的情况影响判断准确性)。
具体的,可以将每条授信通过记录作为一条用户样本数据,其中包含样本ID、申请时间、放款金额、待还金额、用户年龄、用户性别、用户职业、用户在职时长,以及其它参与构建规则集的特征,样本结果在此情况下则可以表示为是否最终出现了坏账。除此之外,还可以包含最低通过率、一条规则最多涉及特征数、一条规则最低命中样本数、总规则数、坏占比阈值(Bad Rate Lift)等。
步骤202:将用户样本数据集中的用户样本数据表示为N层决策树,并确定N层决策树上坏占比阈值最高的目标叶子节点;
在步骤201的基础上,本步骤旨在由上述执行主体通过决策树算法将用户样本数据集中的用户样本数据(通常数量较多)表示为N层决策树,并通过N层决策树的分类作用不断的进行特征组合的尝试,并最终找到N层决策树上坏占比阈值最高的目标叶子节点。
其中,N为正整数,且N层决策树中的每层基于一个用户特征进行分裂,例如当N等于3时,将构建出一个3层的决策树,自上而下的第一特征可以为用户性别,即在第一层根据用户性别分出男性和女性两个中间节点,而接下来的第二特征可以为用户性别(例如是否超过45岁),即在第二层根据年龄是否超过45岁又分出两个中间节点,最终的第三特征可以为用户是否在职,即在第三层根据是否在职分出两个叶子节点,最终通过上述3层得到8个对应不同特征组合情况的叶子节点。
在N等于3的情况下,本步骤就是在这8个叶子节点中,将坏占比阈值最高的叶子节点确定为目标叶子节点。其中,坏占比(Bad Rate)是一个用于评估策略效果的指标,指的是策略命中样本中“坏”样本的比例,在本公开中用于指该叶子节点对应的组合特征下命中的样本中坏账的比例,而坏占比阈值中的阈值(Lift)则是一个阈值评价指标,用于评估一个该组合特征是否有效的一个度量,它衡量的是该组合特征对目标中“响应”的预测能力优于随机选择的倍数,以1为界线,Bad Rate Lift的值大于1表示该组合特征比随机选择捕捉了更多的“响应”。即本公开采用Lift指标来衡量多特征组合策略的效果显著性,某个多特征组合策略的Lift越大则该规则效果越好,具有更强的显著性。一般情况下,Lift的值大于2时,说明规则策略具有较强的显著性。
具体的,可以在将用户样本数据集中的用户样本数据表示为N层决策树时,每次仅将部分用户样本数据表示为N层决策树,例如通过列采样(每次使用80%的列数据)来构建多个(例如M个)N层决策树,即每个N层决策树所使用的列数据不完全一样,进而可以得到M×8个叶子节点,从而从中挑选出坏占比阈值更高的目标叶子节点。
步骤203:将目标叶子节点对应的特征组合确定为候选风控规则;
在步骤202的基础上,本步骤旨在由上述执行主体将目标叶子节点对应的特征组合确定为候选风控规则。因为每个叶子节点都对应上层的中间节点直至根节点,因此实际上叶子节点不仅仅对应的是一个特征,而是包含隶属关系的多个特征的组合。
仍以上述N为3、三层特征分别为:用户性别、用户年龄是否大于45岁、用户是否在职为例,目标叶子节点可以为:用户性别为男、用户年龄大于45岁、用户不在职的三个特征的组合,即此时的候选风控规则即为这三个特征构成。也就是说,这上述这三个特征划定的用户样本占此类人群的坏占比与全量样本占未分类人群的坏占比的倍数较大。即该候选风控规则较好的筛选出了容易出现坏账的用户人群。
步骤204:基于候选风控规则确定目标风控规则。
在步骤203的基础上,本步骤旨在由上述执行主体基于候选风控规则确定目标风控规则。具体的,主要是用于判别每条候选风控规则是否满足预设要求,例如对坏账控制比例的改变程度、对坏账金额的改变程度等,或者是否与已有的风控规则集中的某条风控规则存在冲突等,进而将满足预设要求的候选风控规则确定为目标风控规则。
例如将规则增加后使实际坏账控制比例大于等于预设比例的候选风控规则,确定为目标风控规则。即将对坏账控制比例的改变程度作为预设要求,用于判定候选风控规则是否可以被确定为目标风控规则。
本公开实施例提供的特征组合确定方法,利用决策树算法将用户样本数据集中的用户样本数据表示为N层决策树,由于N层决策树中的每层基于一个用户特征进行分裂,那么就可以通过确定N层决策树上叶子节点分别对应的坏占比阈值,进而快速、准确的确定出换占比阈值最高的目标叶子节点,进而将该目标叶子节点的多个特征组合确定为候选风控规则,最终基于候选风控规则确定出目标风控规则,提升了确定特征组合的筛选效率。
请参考图3,图3为本公开实施例提供的另一种特征组合确定方法的流程图,其中流程300包括以下步骤:
步骤301:获取包含有多个用户特征和样本结果的用户样本数据集;
步骤302:将用户样本数据集中的用户样本数据表示为N层决策树,并确定N层决策树上坏占比阈值最高的目标叶子节点;
步骤303:将目标叶子节点对应的特征组合确定为候选风控规则;
步骤301-步骤303与流程200中的步骤201-步骤203一致,此时可以将步骤302生成的N层决策树作为第一决策树,而在决策树没有产生变化的情况下,在仅将坏占比阈值最高的叶子节点对应的特征组合确定为候选风控规则的情况下,相当于每个决策树仅能供选择出一条候选风控规则,即可将从第一决策树挑选出的候选风控规则命名为第一条候选风控规则(例如将其命名为规则A)。
应当明确的是,若在保持第一决策树不变的情况下,除规则A的其它叶子节点对应的规则将呈现谁与规则A越接近、其坏占比阈值越高的情况,而不会再有在坏占比阈值方面超过规则A的其它规则,因此,得到其它的坏占比阈值可能超过规则A的、特征组合不同于A的规则,就需要对决策树进行更新,以避免受规则A所涉及特征的影响。
步骤304:在用户样本数据集中,删去候选风控规则涉及的用户特征,得到第一用户样本数据集;
步骤305:将第一用户样本数据集中的用户样本数据表示为新N层决策树,并重新确定新N层决策树上坏占比阈值最高的新目标叶子节点;
步骤306:将新目标叶子节点对应的特征组合确定为下一条候选风控规则;
步骤304-步骤306提供了一种更新第一决策树以及确定出下一条候选风控规则的实现方案,即在通过第一决策树挑选出第一条候选风控规则(规则A)之后,删去候选风控规则涉及的用户特征,进而根据删去规则A涉及特征的第一用户样本数据集,重新生成新N层决策树(可将其称为第二决策树),并基于第二决策树再重新挑选出下一条候选风控规则(可将其称为第二条候选风控规则)。
可知,由于在生成第二决策树时使用的第一用户样本数据集不再包含规则A涉及的用户特征,因此可以在不包含规则A涉及的用户特征的情况下,重新找到另一个坏占比阈值较高的规则B。
需要说明的是,本实施例虽然只通过步骤304-步骤306给出了如何更新得到第二决策树、如何得到下一条的规则B的实现方案,但实际上给出了一种不断更新决策树、不断输出新的候选风控规则的实现方案,即每根据一个决策树的目标叶子节点输出了一条候选风控规则后,就通过删去之前输出的候选风控规则涉及的用户特征的方式来更新用户样本数据集,进而根据更新后的用户样本数据集来重新生成新的决策树,进而得以能够根据新的决策树输出下一条候选风控规则,以此类推,直至最终决策树的目标叶子节点的坏占比阈值已经不满足预设要求。
步骤307:基于候选风控规则确定目标风控规则。
在流程200所示实施例的基础上,本实施例通过在步骤303之后增加了步骤304-步骤306,提供了一种通过删去之前输出的候选风控规则涉及的用户特征,来更新决策树、重新输出新的候选风控规则的实现方案,得以能够不断输出使用不同特征组合出的有效候选风控规则。
请参考图4,图4为本公开实施例提供的又一种特征组合确定方法的流程图,其中流程400包括以下步骤:
步骤401:获取包含有多个用户特征和样本结果的用户样本数据集;
步骤402:将用户样本数据集中的用户样本数据表示为N层决策树,并确定N层决策树上坏占比阈值最高的目标叶子节点;
步骤403:将目标叶子节点对应的特征组合确定为候选风控规则;
步骤401-步骤403与流程200中的步骤201-步骤203一致,此时可以将步骤402生成的N层决策树作为第一决策树,而在决策树没有产生变化的情况下,在仅将坏占比阈值最高的叶子节点对应的特征组合确定为候选风控规则的情况下,相当于每个决策树仅能供选择出一条候选风控规则,即可将从第一决策树挑选出的候选风控规则命名为第一条候选风控规则(例如将其命名为规则A)。
应当明确的是,若在保持第一决策树不变的情况下,除规则A的其它叶子节点对应的规则将呈现谁与规则A越接近、其坏占比阈值越高的情况,而不会再有在坏占比阈值方面超过规则A的其它规则,因此,得到其它的坏占比阈值可能超过规则A的、特征组合不同于A的规则,就需要对决策树进行更新,以避免受规则A所涉及特征的影响。
步骤404:在用户样本数据集中,删去候选风控规则涉及的用户样本数据、保留候选风控规则涉及的用户特征,得到第二用户样本数据集;
步骤405:将第二用户样本数据集中的用户样本数据表示为新N层决策树,并重新确定新N层决策树上坏占比阈值最高的新目标叶子节点;
步骤406:将新目标叶子节点对应的特征组合确定为下一条候选风控规则;
不同于流程300中步骤304-步骤304所提供的删去之前输出的候选风控规则所涉及的用户特征的方式,本实施例步骤404-步骤406提供了另外一种处理方式,即通过第一决策树挑选出第一条候选风控规则(规则A)之后,删去候选风控规则涉及的用户样本数据、保留候选风控规则涉及的用户特征,进而根据删去规则A涉及的用户样本数据的第二用户样本数据集,重新生成新N层决策树(可将其称为第二决策树),并基于第二决策树再重新挑选出下一条候选风控规则(可将其称为第二条候选风控规则)。
可知,由于在生成第二决策树时使用的第一用户样本数据集不再包含规则A涉及的用户样本数据,因此可以在不包含规则A涉及的用户样本数据的情况下,重新找到另一个坏占比阈值较高的规则B。
需要说明的是,本实施例虽然只通过步骤404-步骤406给出了如何更新得到第二决策树、如何得到下一条的规则B的实现方案,但实际上给出了一种不断更新决策树、不断输出新的候选风控规则的实现方案,即每根据一个决策树的目标叶子节点输出了一条候选风控规则后,就通过删去之前输出的候选风控规则涉及的用户样本数据、保留所涉及的用户特征的方式来更新用户样本数据集,进而根据更新后的用户样本数据集来重新生成新的决策树,进而得以能够根据新的决策树输出下一条候选风控规则,以此类推,直至最终决策树的目标叶子节点的坏占比阈值已经不满足预设要求
步骤407:基于候选风控规则确定目标风控规则。
在流程200所示实施例的基础上,本实施例通过在步骤403之后增加了步骤404-步骤406,提供了一种通过删去之前输出的候选风控规则涉及的用户样本数据、保留用户特征,来更新决策树、重新输出新的候选风控规则的实现方案,得以能够不断输出使用不同特征组合出的有效候选风控规则。
请参考图5,图5为本公开实施例提供的一种确定目标风控规则的方法的流程图,其中流程500包括以下步骤:
步骤501:响应于存在依次得到的多条候选风控规则,将多条候选风控规则按照得到顺序依次补入已有的风控规则集;
步骤502:依次确定补入当前条候选风控规则的风控规则集的实际坏账控制比例;
步骤501旨在由上述执行主体在存在依次得到的多条候选风控规则(可以是通过图3-4所示实施例提供的多条候选风控规则的输出能力得到,也可以是在同一个决策树上同时选择得到)的情况下,将多条候选风控规则按照得到顺序依次补入已有的风控规则集。
步骤502则是在步骤501的基础上,由上述执行主体依次确定补入当前条候选风控规则的风控规则集的实际坏账控制比例,即尝试性的看补入一条候选风控规则后的最新风控规则集的实际坏账控制比例,是否有了明显改善,进而满足对坏账控制比例的预设要求。
步骤503:响应于实际坏账控制比例不小于预设比例,将补入的当前条候选风控规则确定为目标风控规则,并将还未补入的其它条候选风控规则作为备用风控规则;
步骤504:响应于实际坏账控制比例仍小于预设比例,继续将下一条候选风控规则补入当前的风控规则集,直至补入后的实际坏账控制比例不小于预设比例。
即步骤503和步骤504分别示出了两种处理分支,步骤503建立在补入当前条候选风控规则的风控规则集的实际坏账控制比例不小于预设比例的基础上,说明当前补入的这条候选风控规则在联合已有的风控规则集的情况下,已经满足了对坏账控制比例的预设要求,那么就可以认为不再需要对剩下的候选风控规则进行再次尝试,那么就可以将补入的当前条候选风控规则确定为目标风控规则,并将还未补入的其它条候选风控规则作为备用风控规则,以备后续要求再次升高后使用。
与步骤503相对,步骤504建立在补入当前条候选风控规则的风控规则集的实际坏账控制比例仍小于预设比例的基础上,说明当前补入的这条候选风控规则在联合已有的风控规则集的情况下,还未满足对坏账控制比例的预设要求,那么继续将下一条候选风控规则补入当前的风控规则集,直至补入后的实际坏账控制比例不小于预设比例。
在上述任意实施例的基础上,本实施例通过步骤501-步骤504提供了一种将多条候选风控规则按得到顺序(即等同于按坏占比阈值从高到低的顺序)依次补入已有的风控规则集,以尝试性的看补入了当前条候选风控规则的风控规则集在实际坏账控制比例上的最新表现是否满足预设要求,进而以较高的效率确定出可以作为目标风控规则的候选风控规则。
在上述任意实施例的基础上,在将目标叶子节点对应的特征组合确定为候选风控规则之后,本实施例还可以包括:
在构成候选风控规则的多个用户特征中,确定数值可调整用户特征;
调整数值可调整用户特征的数值,以增大调整后的候选风控规则的坏占比阈值。
其中,数值可调整用户特征指的是具有数值可调整属性的用户特征,例如用户年龄、用户工龄(在职时长)、用户失业时长、用户失信次数等。假定一个3层决策数下的目标叶子节点对应的候选风控规则为:男性、年龄大于35岁、未在职,其当前对应的坏占比阈值为1.3,那么其中的年龄属于数值可调整用户特征,因此可以通过将年龄大于35岁逐渐调大(例如按一定的预设调整步长,例如2岁),然后看是否在逐渐调大的过程中可以得到更高的坏占比阈值,例如将年龄大于35调整至年龄大于40岁时,对应的坏占比阈值达到最高的1.7。那么就可以将经调整后的候选风控规则:男性、年龄大于40岁、未在职作为优化后的候选风控规则。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种特征组合确定装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的特征组合确定装置600可以包括:样本数据集获取单元601、目标叶子节点确定单元602、候选风控规则确定单元603、目标风控规则确定单元604。其中,样本数据集获取单元601,被配置成获取包含有多个用户特征和样本结果的用户样本数据集;目标叶子节点确定单元602,被配置成将用户样本数据集中的用户样本数据表示为N层决策树,并确定N层决策树上坏占比阈值最高的目标叶子节点,N为正整数,N层决策树中的每层基于一个用户特征进行分裂;候选风控规则确定单元603,被配置成将目标叶子节点对应的特征组合确定为候选风控规则;目标风控规则确定单元604,被配置成基于候选风控规则确定目标风控规则。
在本实施例中,特征组合确定装置600中:样本数据集获取单元601、目标叶子节点确定单元602、候选风控规则确定单元603、目标风控规则确定单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,特征组合确定装置600中还可以包括:
用户特征删去单元,被配置成在将目标叶子节点对应的特征组合确定为候选风控规则之后,在用户样本数据集中,删去候选风控规则涉及的用户特征,得到第一用户样本数据集;
新目标叶子节点确定单元,被配置成将第一用户样本数据集中的用户样本数据表示为新N层决策树,并重新确定新N层决策树上坏占比阈值最高的新目标叶子节点;
下一条候选风控规则确定单元,被配置成将新目标叶子节点对应的特征组合确定为下一条候选风控规则。
在本实施例的一些可选的实现方式中,特征组合确定装置600中还可以包括:
用户样本数据删去单元,被配置成在将目标叶子节点对应的特征组合确定为候选风控规则之后,在用户样本数据集中,删去候选风控规则涉及的用户样本数据、保留候选风控规则涉及的用户特征,得到第二用户样本数据集;
新目标叶子节点确定单元,被配置成将第二用户样本数据集中的用户样本数据表示为新N层决策树,并重新确定新N层决策树上坏占比阈值最高的新目标叶子节点;
下一条候选风控规则确定单元,被配置成将新目标叶子节点对应的特征组合确定为下一条候选风控规则。
在本实施例的一些可选的实现方式中,目标风控规则确定单元604可以被进一步配置成:
响应于存在依次得到的多条候选风控规则,将多条候选风控规则按照得到顺序依次补入已有的风控规则集;
依次确定补入当前条候选风控规则的风控规则集的实际坏账控制比例;
响应于实际坏账控制比例不小于预设比例,将补入的当前条候选风控规则确定为目标风控规则,并将还未补入的其它条候选风控规则作为备用风控规则;
响应于实际坏账控制比例仍小于预设比例,继续将下一条候选风控规则补入当前的风控规则集,直至补入后的实际坏账控制比例不小于预设比例。
在本实施例的一些可选的实现方式中,目标风控规则确定单元604可以被进一步配置成:
将规则增加后使实际坏账控制比例大于等于预设比例的候选风控规则,确定为目标风控规则。
在本实施例的一些可选的实现方式中,特征组合确定装置600中还可以包括:
数值可调整用户特征确定单元,被配置成在将目标叶子节点对应的特征组合确定为候选风控规则之后,在构成候选风控规则的多个用户特征中,确定数值可调整用户特征;
数值调整单元,被配置成调整数值可调整用户特征的数值,以增大调整后的候选风控规则的坏占比阈值。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的特征组合确定装置,利用决策树算法将用户样本数据集中的用户样本数据表示为N层决策树,由于N层决策树中的每层基于一个用户特征进行分裂,那么就可以通过确定N层决策树上各叶子节点分别对应的坏占比阈值,进而快速、准确的确定出换占比阈值最高的目标叶子节点,进而将该目标叶子节点的多个特征组合确定为候选风控规则,最终基于候选风控规则确定出目标风控规则,提升了确定特征组合的筛选效率。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任意实施例所描述的特征组合确定方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的特征组合确定方法。
根据本公开的实施例,本公开还提供了一种计算机程序产品,该计算机程序在被处理器执行时能够实现上述任意实施例所描述的特征组合确定方法。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如特征组合确定方法。例如,在一些实施例中,特征组合确定方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的特征组合确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行特征组合确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
根据本公开实施例的技术方案,利用决策树算法将用户样本数据集中的各用户样本数据表示为N层决策树,由于N层决策树中的每层基于一个用户特征进行分裂,那么就可以通过确定N层决策树上各叶子节点分别对应的坏占比阈值,进而快速、准确的确定出换占比阈值最高的目标叶子节点,进而将该目标叶子节点的多个特征组合确定为候选风控规则,最终基于候选风控规则确定出目标风控规则,提升了确定特征组合的筛选效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种特征组合确定方法,包括:
获取包含有多个用户特征和样本结果的用户样本数据集;
将所述用户样本数据集中的用户样本数据表示为N层决策树,并确定所述N层决策树上坏占比阈值最高的目标叶子节点,N为正整数,所述N层决策树中的每层基于一个所述用户特征进行分裂;
将所述目标叶子节点对应的特征组合确定为候选风控规则;
基于所述候选风控规则确定目标风控规则。
2.根据权利要求1所述的方法,其中,在将所述目标叶子节点对应的特征组合确定为候选风控规则之后,还包括:
在所述用户样本数据集中,删去所述候选风控规则涉及的用户特征,得到第一用户样本数据集;
将所述第一用户样本数据集中的用户样本数据表示为新N层决策树,并重新确定所述新N层决策树上坏占比阈值最高的新目标叶子节点;
将所述新目标叶子节点对应的特征组合确定为下一条候选风控规则。
3.根据权利要求1所述的方法,其中,在将所述目标叶子节点对应的特征组合确定为候选风控规则之后,还包括:
在所述用户样本数据集中,删去所述候选风控规则涉及的用户样本数据、保留所述候选风控规则涉及的用户特征,得到第二用户样本数据集;
将所述第二用户样本数据集中的用户样本数据表示为新N层决策树,并重新确定所述新N层决策树上坏占比阈值最高的新目标叶子节点;
将所述新目标叶子节点对应的特征组合确定为下一条候选风控规则。
4.根据权利要求2或3所述的方法,其中,所述基于所述候选风控规则确定目标风控规则,包括:
响应于存在依次得到的多条候选风控规则,将多条所述候选风控规则按照得到顺序依次补入已有的风控规则集;
依次确定补入当前条候选风控规则的风控规则集的实际坏账控制比例;
响应于所述实际坏账控制比例不小于预设比例,将补入的当前条候选风控规则确定为所述目标风控规则,并将还未补入的其它条候选风控规则作为备用风控规则;
响应于所述实际坏账控制比例仍小于所述预设比例,继续将下一条候选风控规则补入当前的风控规则集,直至补入后的实际坏账控制比例不小于所述预设比例。
5.根据权利要求1所述的方法,其中,所述基于所述候选风控规则确定目标风控规则,包括:
将规则增加后使实际坏账控制比例大于等于预设比例的候选风控规则,确定为所述目标风控规则。
6.根据权利要求1所述的方法,其中,在将所述目标叶子节点对应的特征组合确定为候选风控规则之后,还包括:
在构成所述候选风控规则的多个用户特征中,确定数值可调整用户特征;
调整所述数值可调整用户特征的数值,以增大调整后的候选风控规则的坏占比阈值。
7.一种特征组合确定装置,包括:
样本数据集获取单元,被配置成获取包含有多个用户特征和样本结果的用户样本数据集;
目标叶子节点确定单元,被配置成将所述用户样本数据集中的用户样本数据表示为N层决策树,并确定所述N层决策树上坏占比阈值最高的目标叶子节点,N为正整数,所述N层决策树中的每层基于一个所述用户特征进行分裂;
候选风控规则确定单元,被配置成将所述目标叶子节点对应的特征组合确定为候选风控规则;
目标风控规则确定单元,被配置成基于所述候选风控规则确定目标风控规则。
8.根据权利要求7所述的装置,还包括:
用户特征删去单元,被配置成在将所述目标叶子节点对应的特征组合确定为候选风控规则之后,在所述用户样本数据集中,删去所述候选风控规则涉及的用户特征,得到第一用户样本数据集;
新目标叶子节点确定单元,被配置成将所述第一用户样本数据集中的用户样本数据表示为新N层决策树,并重新确定所述新N层决策树上坏占比阈值最高的新目标叶子节点;
下一条候选风控规则确定单元,被配置成将所述新目标叶子节点对应的特征组合确定为下一条候选风控规则。
9.根据权利要求7所述的装置,还包括:
用户样本数据删去单元,被配置成在将所述目标叶子节点对应的特征组合确定为候选风控规则之后,在所述用户样本数据集中,删去所述候选风控规则涉及的用户样本数据、保留所述候选风控规则涉及的用户特征,得到第二用户样本数据集;
新目标叶子节点确定单元,被配置成将所述第二用户样本数据集中的用户样本数据表示为新N层决策树,并重新确定所述新N层决策树上坏占比阈值最高的新目标叶子节点;
下一条候选风控规则确定单元,被配置成将所述新目标叶子节点对应的特征组合确定为下一条候选风控规则。
10.根据权利要求8或9所述的装置,其中,所述目标风控规则确定单元被进一步配置成:
响应于存在依次得到的多条候选风控规则,将多条所述候选风控规则按照得到顺序依次补入已有的风控规则集;
依次确定补入当前条候选风控规则的风控规则集的实际坏账控制比例;
响应于所述实际坏账控制比例不小于预设比例,将补入的当前条候选风控规则确定为所述目标风控规则,并将还未补入的其它条候选风控规则作为备用风控规则;
响应于所述实际坏账控制比例仍小于所述预设比例,继续将下一条候选风控规则补入当前的风控规则集,直至补入后的实际坏账控制比例不小于所述预设比例。
11.根据权利要求7所述的装置,其中,所述目标风控规则确定单元被进一步配置成:
将规则增加后使实际坏账控制比例大于等于预设比例的候选风控规则,确定为所述目标风控规则。
12.根据权利要求7所述的装置,还包括:
数值可调整用户特征确定单元,被配置成在将所述目标叶子节点对应的特征组合确定为候选风控规则之后,在构成所述候选风控规则的多个用户特征中,确定数值可调整用户特征;
数值调整单元,被配置成调整所述数值可调整用户特征的数值,以增大调整后的候选风控规则的坏占比阈值。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的特征组合确定方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的特征组合确定方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1-6中任一项所述特征组合确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210728479.5A CN115221948A (zh) | 2022-06-24 | 2022-06-24 | 特征组合确定方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210728479.5A CN115221948A (zh) | 2022-06-24 | 2022-06-24 | 特征组合确定方法、装置、设备、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115221948A true CN115221948A (zh) | 2022-10-21 |
Family
ID=83610696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210728479.5A Pending CN115221948A (zh) | 2022-06-24 | 2022-06-24 | 特征组合确定方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115221948A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695824A (zh) * | 2020-06-16 | 2020-09-22 | 深圳前海微众银行股份有限公司 | 风险尾端客户分析方法、装置、设备及计算机存储介质 |
CN112862545A (zh) * | 2021-03-22 | 2021-05-28 | 重庆度小满优扬科技有限公司 | 特征数据的处理方法以及电子设备 |
CN113837865A (zh) * | 2021-09-29 | 2021-12-24 | 重庆富民银行股份有限公司 | 多维度风险特征策略的提取方法 |
CN113961774A (zh) * | 2021-12-22 | 2022-01-21 | 四川新网银行股份有限公司 | 一种多特征组合策略的推荐方法 |
-
2022
- 2022-06-24 CN CN202210728479.5A patent/CN115221948A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695824A (zh) * | 2020-06-16 | 2020-09-22 | 深圳前海微众银行股份有限公司 | 风险尾端客户分析方法、装置、设备及计算机存储介质 |
CN112862545A (zh) * | 2021-03-22 | 2021-05-28 | 重庆度小满优扬科技有限公司 | 特征数据的处理方法以及电子设备 |
CN113837865A (zh) * | 2021-09-29 | 2021-12-24 | 重庆富民银行股份有限公司 | 多维度风险特征策略的提取方法 |
CN113961774A (zh) * | 2021-12-22 | 2022-01-21 | 四川新网银行股份有限公司 | 一种多特征组合策略的推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113537960A (zh) | 一种异常资源转移链路的确定方法、装置和设备 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN115202847A (zh) | 任务的调度方法和装置 | |
CN110633716A (zh) | 一种目标对象的检测方法和装置 | |
CN114913325A (zh) | 语义分割方法、装置及计算机程序产品 | |
CN117371508A (zh) | 模型压缩方法、装置、电子设备以及存储介质 | |
CN115412401B (zh) | 训练虚拟网络嵌入模型及虚拟网络嵌入的方法和装置 | |
CN115221948A (zh) | 特征组合确定方法、装置、设备、存储介质及程序产品 | |
US20220269659A1 (en) | Method, device and storage medium for deduplicating entity nodes in graph database | |
CN115438643A (zh) | 一种问卷模板配置方法、装置、设备、存储介质及产品 | |
CN116187310A (zh) | 一种文档级关系抽取方法、装置、设备及存储介质 | |
CN115016882A (zh) | 一种监控界面生成方法、装置、设备及存储介质 | |
CN115438007A (zh) | 一种文件合并方法、装置、电子设备及介质 | |
CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
CN115186749A (zh) | 一种数据识别方法、装置、设备以及存储介质 | |
CN114676266A (zh) | 基于多层关系图谱的冲突识别方法、装置、设备及介质 | |
CN113360672A (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
CN114238611A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN114021642A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN111429257A (zh) | 一种交易监控方法和装置 | |
CN114860405B (zh) | 多任务模型的参数更新方法、装置和存储介质 | |
CN113313195B (zh) | 标注任务处理方法、装置、设备、存储介质及程序产品 | |
CN116244413B (zh) | 新意图确定方法、设备和存储介质 | |
EP4036861A2 (en) | Method and apparatus for processing point cloud data, electronic device, storage medium, computer program product | |
CN117422544A (zh) | 信用卡用户违约概率的预测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |