CN115936727A - 群组信用评分方法、装置、设备、介质及产品 - Google Patents

群组信用评分方法、装置、设备、介质及产品 Download PDF

Info

Publication number
CN115936727A
CN115936727A CN202211579136.3A CN202211579136A CN115936727A CN 115936727 A CN115936727 A CN 115936727A CN 202211579136 A CN202211579136 A CN 202211579136A CN 115936727 A CN115936727 A CN 115936727A
Authority
CN
China
Prior art keywords
group
scoring
feature data
dimension
dimensions
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
Application number
CN202211579136.3A
Other languages
English (en)
Inventor
赵思雯
朱立韬
周辉
张帆
杨猛
赵雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Information Technology Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Information Technology Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202211579136.3A priority Critical patent/CN115936727A/zh
Publication of CN115936727A publication Critical patent/CN115936727A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种群组信用评分方法、装置、设备、介质及产品。该群组信用评分方法包括：获取目标群组中的n个成员用户分别对应的个人用户数据；根据n个成员用户分别对应的个人用户数据，从z个维度分别生成以群组为单元的特征数据，得到与目标群组对应的目标群组特征数据集；将目标群组特征数据集中与z个维度分别对应的特征数据，输入至各自对应的维度评分模型中，得到与目标群组对应的z个维度评分结果；将z个维度评分结果输入至综合评分模型中，由综合评分模型根据z个维度评分结果进行综合评分，得到与目标群组对应的信用评分结果。根据本申请实施例，可以综合考虑群组的特征，提高群组信用评分准确度。

Description

群组信用评分方法、装置、设备、介质及产品
技术领域
本申请属于计算机技术领域，尤其涉及一种群组信用评分方法、装置、设备、介质及产品。
背景技术
随着大数据及人工智能等技术的蓬勃发展，为用户信用评价体系的构建提供了新思路。同时在企业深化群组关系价值运营背景下，聚焦群组消费刚需，提升群组关系积累，引入群组类生态类服务，催生了大量面向群组服务的业务场景。如何更好的衡量群组整体信用等级，将评价结果应用于群组合约办理、群组业务担保等群组业务场景，降低群组业务办理中的风险成为关键。
现有技术中对于群组或有关联关系的群组进行信用评价的方法，主要通过在自行建立或识别群组成员后，直接利用成员的个人信用分值得出群组信用分值，没有考虑其他群组成员对群组信用评分的影响，以及群组可能引入新的群组基本特征和属性。因此缺乏针对群组的特征分析，导致了群组信用评分不准确。
发明内容
本申请实施例提供一种群组信用评分方法、装置、设备、介质及产品，能够综合考虑群组的特征，提高群组信用评分准确度。
第一方面，本申请实施例提供一种群组信用评分方法，该方法包括：
获取目标群组中的n个成员用户分别对应的个人用户数据；
根据n个成员用户分别对应的个人用户数据，从z个维度分别生成以群组为单元的特征数据，得到与目标群组对应的目标群组特征数据集，其中，n和z均为大于1的整数；
将目标群组特征数据集中与z个维度分别对应的特征数据，输入至各自对应的维度评分模型中，由维度评分模型根据对应维度的特征数据进行信用评分，得到与目标群组对应的z个维度评分结果；
将z个维度评分结果输入至综合评分模型中，由综合评分模型根据z个维度评分结果进行综合评分，得到与目标群组对应的信用评分结果。
第二方面，本申请实施例提供了一种群组信用评分装置，该装置包括：
第一获取模块，用于获取目标群组中的n个成员用户分别对应的个人用户数据；
生成模块，用于根据n个成员用户分别对应的个人用户数据，从z个维度分别生成以群组为单元的特征数据，得到与目标群组对应的目标群组特征数据集，其中，n和z均为大于1的整数；
第一输入模块，用于将目标群组特征数据集中与z个维度分别对应的特征数据，输入至各自对应的维度评分模型中，由维度评分模型根据对应维度的特征数据进行信用评分，得到与目标群组对应的z个维度评分结果；
第二输入模块，用于将z个维度评分结果输入至综合评分模型中，由综合评分模型根据z个维度评分结果进行综合评分，得到与目标群组对应的信用评分结果。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：处理器以及存储有计算机程序指令的存储器；
处理器执行所述计算机程序指令时实现如第一方面的任一项实施例中所述的群组信用评分方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面的任一项实施例中所述的群组信用评分方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如第一方面的任一项实施例中所述的群组信用评分方法的步骤。
本申请实施例中的群组信用评分方法、装置、设备、介质及产品，通过获取目标群组中n各成员用户分别对应的个人用户数据，根据个人用户数据从z各维度分别生成以群组为单元的特征数据，可以得到目标群组特征数据集。再将目标群组特征数据集中与z各维度分别对应的特征数据，分别输入至各自对应的地维度评分模型中，可以得到z个维度的评分结果。再将z个维度的评分结果输入至综合评分模型中，最终可以得到与目标群组对应的信用评分结果。由此，在对群组进行信用评价时，基于目标群组中的多个成员用户的个人用户数据，从多个维度分别生成了以群组为单元的特征数据，根据多个维多的评分结果的到最终信用评分结果，综合考虑了群组中所有成员对群组信用评分的影响，提高了群组信用评分的准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种群组信用评分方法的流程示意图；
图2是步骤S120具体实现方式的流程示意图；
图3是本申请实施例提供的获取群组特征数据集的流程示意图；
图4是本申请实施例提供的群组信用评分方法的流程示意图；
图5是本申请实施例提供的维度评分模型和综合评分模型训练的流程示意图；
图6是本申请实施例提供的一中群组信用评分装置的结构示意图；
图7是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
现有技术中对于群组或有关联关系的群组进行信用评价的方法，主要通过用户自行组建群组团队的方式构建群组，在构建群组信用分时，简单的通过对每一个群组成员的个人信用分值加权求和，计算群组整体信用分值。或是通过利用群组消费关键成员的个人信用分值，代表该群组信用分值，并辅以群组惩罚因子调整群组信用分。没有考虑其他群组成员对群组信用评分的影响，以及群组可能引入新的群组基本特征和属性。因此缺乏针对群组的特征分析，导致了群组信用评分不准确。
为了解决现有技术问题，本申请实施例提供了一种群组信用评分方法、装置、设备、介质及产品。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的群组信用评分方法进行详细地说明。
图1是本申请实施例提供的一种群组信用评分方法的流程示意图。如图1所示，该群组信用评分方法具体可以包括如下步骤：
S110、获取目标群组中的n个成员用户分别对应的个人用户数据；
S120、根据n个成员用户分别对应的个人用户数据，从z个维度分别生成以群组为单元的特征数据，得到与目标群组对应的目标群组特征数据集，其中，n和z均为大于1的整数；
S130、将目标群组特征数据集中与z个维度分别对应的特征数据，输入至各自对应的维度评分模型中，由维度评分模型根据对应维度的特征数据进行信用评分，得到与目标群组对应的z个维度评分结果；
S140、将z个维度评分结果输入至综合评分模型中，由综合评分模型根据z个维度评分结果进行综合评分，得到与目标群组对应的信用评分结果。
由此，通过获取目标群组中n各成员用户分别对应的个人用户数据，根据个人用户数据从z各维度分别生成以群组为单元的特征数据，可以得到目标群组特征数据集。再将目标群组特征数据集中与z各维度分别对应的特征数据，分别输入至各自对应的地维度评分模型中，可以得到z个维度的评分结果。再将z个维度的评分结果输入至综合评分模型中，最终可以得到与目标群组对应的信用评分结果。由此，在对群组进行信用评价时，基于目标群组中的多个成员用户的个人用户数据，从多个维度分别生成了以群组为单元的特征数据，根据多个维多的评分结果的到最终信用评分结果，综合考虑了群组中所有成员对群组信用评分的影响，提高了群组信用评分的准确度。
下面介绍上述各个步骤的具体实现方式。
在一些实施方式中，在S110中，个人用户数据可以是用户信息和群组业务信息，例如可以包括用户基础信息、业务订购信息、位置信息和通话信息等多维度信息。其中，群组可以是家庭、企业等具有关联关系的用户组成的群组，用户基础信息例如可以是用户号码、姓名等信息。不同类型的群组可对应不同的业务订购信息，例如，在群组为家庭群组的情况下，业务订购信息例如可以是亲情网、家庭V网、统一支付、话费代付、家庭会员和亲情账号等家庭订购业务。
作为一种示例，为了确定目标群组中的n个成员用户，在上述S110之前，该方法还可以包括：
获取多个用户分别对应的个人用户数据，多个用户中包括n个成员用户；
将多个用户分别对应的个人用户数据输入至群组识别模型中，由群组识别模型根据多个用户分别对应的个人用户数据识别具有群组关系的用户，并将具有群组关系的用户划分为一个群组，输出得到群组识别结果；
根据群组识别结果确定与目标群组对应的n个成员用户。
这里，群组识别模型可以基于深度学习算法根据个人用户数据识别具有群组关系的用户。群组识别结果可以包括具有群组关系的用户以及具有群组结构特点的属性特征，例如可以是老人、儿童或宠物等属性数据。
作为一种示例，为了对群组关系进行识别，例如可以使用XGBoost深度学习算法来识别具有群组关系的用户，并将具有群组关系的用户划分为一个群组，然后再根据群组识别模型识别出家有老人、儿童或宠物等具有群组结构特点的属性数据。
这样，为了构建群组关系识别模型，可以选取如下表1所示的包含用户基础信息、家庭业务订购信息、位置信息等多维数据。可以采用多个群组的业务订购信息作为正样本标注依据，基于多个群组业务订购信息构建训练样本集，使用XGBoost算法构建群组识别模型。基于群组识别模型可以输出群组识别结果。其中，该群组识别结果中可包括群组成员信息，例如：群组1：(用户A，用户B，用户C，...)，群组2:(用户D，用户E，...)。该群组识别结果中还可以输出群组结构属性，例如：群组1：(有老人，有儿童，有宠物)，群组2：(有老人)。
表1
Figure BDA0003987800050000061
Figure BDA0003987800050000071
另外，在处理多个群组业务订购信息时，由于在实际业务中，办理群组业务的主用户并不一定为群组的关键用户，如果将办理业务的主用户作为群组关键用户会存在较大偏差，因此不区分业务订购主用户。而将具有群组关系的用户划分为一个群组，需要将具有相交关系的用户划分为一个群组，因为不是每个群组都会订购每个群组类业务，可能存在群组成员中一部分订购了亲情网业务，另外一部分订购了其他群组业务，因此把各个业务中提取出来的具有关联的用户划分为一个群组。
由此，在获取多个用户分别对应的个人用户数据，将个人用户数据输入至群组识别模型中后，可以基于群组识别模型识别具有群组关系的用户，并将具有群组关系的用户划分为一个群组，以此可以根据群组识别结果来确定目标群组对应的n各成员用户，提高了群组信用评分的全面性和准确性。
在一些实施例中，在S120中，上述z个维度可以包括群组结构、群组消费能力、群组履约能力、群组亲密关系和群组行为偏好中的至少两个维度。
其中，群组结构维度可以表征群组的结构性特征，以群组为家庭为例，例如可以包括家庭成员个数，家庭是否多层结构，家庭5G成员个数，家庭是否有老人，家庭是否有儿童，家庭是否有宠物等信息。这里的家庭结构维度部分评价指标来自家庭群组关系识别模型的结果。其中家庭成员个数可以是有手机的成员用户。
群组消费能力维度，主要从一个群组整体的消费能力方面评价一个群组的信用，以群组为家庭为例，例如可以包括家庭预付费账号余额，家庭ARPU(Average Revenue PerUser，每用户平均收入)，家庭流量消费，家庭月充值次数等。
群组履约能力维度，是从履约角度出发衡量一个群组的整体履约能力，以群组为家庭为例，例如可以包括家庭成员用户月停机天数、成员用户月停机次数、家庭入网时长、家庭月欠费金额等指标。
群组亲密关系维度，以群组为家庭为例，可以通过家庭成员用户家庭业务的订购数、家庭成员用户间通话亲密度、家庭业务使用互通比例等评价指标来构造。
群组行为偏好维度，以群组为家庭为例，可以通过家庭常用出行方式、家庭通话活跃天数、家庭金融类软件使用情况、家庭购房软件使用情况、家庭拨打国际电话次数等指标。这里的家庭消费能力评价指标、家庭履约能力评价指标和家庭行为偏好评价指标通过家庭成员用户基础信息以及成员用户贡献度构造。
如此，以群组为家庭为例，根据上述构建的群组维度将群组的特征评估指标划分为，如下表2所示的基于群组维度的群组特征评估指标。
表2
Figure BDA0003987800050000081
Figure BDA0003987800050000091
基于此，作为一种示例，如图2所示，为了得到与目标群组对应的目标群组特征数据集，上述S120具体可以包括：
S121、针对n个成员用户中的每个成员用户，根据与成员用户对应的个人用户数据，从z个维度分别获取与成员用户对应的个人特征数据，得到与成员用户对应的个人特征数据集；
S122、获取与n个成员用户分别对应的贡献度；
S123、基于n个成员用户分别对应的贡献度，根据n个成员用户的个人特征数据集构建以群组为单元的特征数据，得到与目标群组对应的目标群组特征数据集。
其中，与成员用户对应的个人特征数据集可以包括z个维度与成员用户对应的个人特征数据，由于群组结构维度的部分识别结果由群组关系识别结果构建的数据集，所以个人特征数据集中可能不包括群组结构维度。贡献度可以量化成员用户对群组贡献的多少，也可以表示成员用户个体之间的差异性，可以通过对群组成员用户进行综合分析，例如可以结合评价因子和波动控制因子求得。
作为一种示例，为了获取与n个成员分别对应的贡献度，上述S122具体可以包括：
针对n个成员用户中的每个成员用户，执行如下步骤，得到与n个成员用户分别对应的贡献度：
从成员用户对应的个人用户数据中，提取与k个评价因子分别对应的评价因子值；
对k个评价因子分别对应的评价因子值进行归一化处理，得到归一化的评价因子值；
基于k个评价因子分别对应的权重，对归一化的评价因子值进行加权求和，得到与成员用户对应的个人贡献值；
根据成员用户对应的个人贡献值在贡献值总和中所占的比例，确定与成员用户对应的贡献度，其中，贡献值总和为n个成员用户分别对应的个人贡献值之和。
其中，评价因子可以是结合业务得到的，具体如下表3所示。由于评价因子单位不统一，可以将评价因子对应的评价因子值进行归一化处理，将评价因子值范围统一在0到1之间。
表3
序号 评价因子 备注
1 用户近6个月的平均语音通话时长
2 用户近6个月的平均消费流量
3 用户网龄
4 用户近6个月的平均基础套餐金额
5 用户近6个月平均消费金额
6 用户近6个月维护成本 因用户投诉行为而产生的运营成本
7 办理群组业务情况 近6个月办理群组业务个数
8 近6个月违约次数
在一些实施例中，k个评价因子分别对应的权重，可以是基于其分别对应的信息熵值确定的，基于此，该方法还可以包括：
根据n个成员用户分别对应的k个归一化的评价因子值，计算k个评价因子分别对应的信息熵值；
基于k个评价因子分别对应的信息熵值，确定与k个评价因子分别对应的权重。
其中，信息熵值可以表征评价因子的混乱程度，为了得到稳定的群组信用评分，基于信息熵值确定评价因子的权重。
作为一种示例，在某一群组有n各成员用户，通过从成员用户对应的个人数据中提取到k个评价因子分别对应的评价因子值后，以Xij表示为第i个成员用户的第j个评价因子值。由于评价因子值单位不统一，需要对各个评价因子值进行归一化处理，可以基于如下公式(1)得到归一化处理后的评价因子值Yij，如此可以消除因各个评价因子值单位不同产生的影响。
Figure BDA0003987800050000111
其中，Xi为第i个成员用户对应的k个评价因子值。
进一步地，可以根据n个成员用户分别对应的k个归一化的评价因子值，根据如下公式(2)计算k个评价因子分别对应的信息熵值。
Figure BDA0003987800050000112
其中，i＝1,…,n，j＝1,…k，
Figure BDA0003987800050000113
ej为第j个评价因子的信息熵值。这里，pij由某一归一化处理后的评价因子与n个用户的该归一化处理后的评价因子之和的比值得到。
这样，基于第j个评价因子的信息熵值，可以根据如下公式(3)确定第j个评价因子对应的权重wj。这里，信息熵值越大，代表该评价因子的权重越小，即一个用户的各个评价因子的值相较于其他用户的评价因子而言越稳定，该用户的评价因子权重就越大，如此可增强评价结果的稳定性。
Figure BDA0003987800050000114
在一些实施例中，为了得到更稳定的成员用户贡献值，上述根据成员用户对应的个人贡献值在贡献值总和中所占的比例，确定与成员用户对应的贡献度，具体可以包括：
将成员用户对应的个人贡献值在贡献值总和中所占的比例，确定为与成员用户对应的初始贡献度；
获取成员用户在目标历史时间段内对应的历史贡献度；
基于预设波动控制因子，根据初始贡献度和历史贡献度，确定与成员用户对应的个人近期贡献值；
将成员用户对应的个人近期贡献值在近期贡献值总和中所占的比例，确定为与成员用户对应的贡献度，其中，近期贡献值总和为n个成员用户分别对应的个人近期贡献值之和。
其中，预设波动控制因子可以是根据实际需要情况预设的。另外，在初始贡献度为成员用户某一个月的贡献度的情况下，在目标历史时间段内对应的历史贡献度，例如可以是上一个月成员用户的贡献度，由此，基于初始贡献度、历史贡献度和预设波动控制因子，可以得到成员用户个人近期贡献值之和，最后可以将成员用户对应的个人近期贡献值在近期贡献值总和中所占的比例，确定为与成员用户对应的贡献度。
作为一种示例，根据如下公式(4)和公式(5)，可以得到例如第i个成员用户的个人贡献值ui，以及根据成员用户对应的个人贡献值在贡献值总和中所占的比例，确定的与成员用户对应的初始贡献度Ci。其中，i＝1,2,…,n。
Figure BDA0003987800050000121
Figure BDA0003987800050000122
其中，k为评价因子的数量，n为目标群组中成员用户的数量。
这样，在第T月某个成员贡献度为Ct，第T-1月贡献度为Ct-1，波动控制因子为α的情况下，可以根据如下公式(6)得到成员用户对应的个人近期贡献值Si，最后根据如下公式(7)可以得到个人近期贡献值在近期贡献值总和中所占的比例，以此确定与成员用户对应的贡献度Ti。其中，α∈(0,1)。
Si＝α·Ct+(1-α)·Ct-1+(1-α)·α·(Ct-Ct-1) (6)
Figure BDA0003987800050000123
基于此，如图3所示，基于得到的群组成员用户贡献度、群组识别结果和用户的个人特征数据集可以构建以群组为单元的特征数据，得到与目标群组对应的目标群组特征数据集。
作为一种示例，上述S123具体可以包括：
根据n个成员用户分别对应的贡献度，确定n个成员用户分别对应的权重；
根据n个成员用户分别对应的权重，对n个成员用户的个人特征数据集中z个维度下每个成员用户的个人特征数据分别进行加权求和，得到与目标群组对应的目标群组特征数据集。
其中，成员用户对应的权重可以是其对应的贡献度，也可以是根据贡献度确定出的0至1之间的值。
在一些具体的示例中，可以基于数据转换方法将输入的成员用户个人特征数据集、群组识别结果数据集、成员用户个人对群组的贡献度数据集，输出为以群组为单元的五个维度的数据集合。例如在成员用户五个维度特征数据集合为Pi＝(Di1,Di2,…,Di5)，群组成员信息数据为Mi＝(P1,P2,…,Pm)，成员用户个人对群组的贡献度为Tf＝(Ti,T2,…Tm)的情况下，可以根据如下公式(8)输出以群组为单元的特征数据，可以得到目标群组特征数据集Fi(N1,N2,…,N5)。
Figure BDA0003987800050000131
具体的，假设某个群组F有3个群组成员，分别记作P1,P2,P3，每个成员用户五个维度特征数据集记作Pi＝(Di1,Di2,Di3,Di4,Di5)，例如：
P1＝((2,2,…,8),(2,3,…,5),(2,3,…,4),(1,2,…,4),(2,4,…,6))
P2＝((2,4,…,6),(3,5,…,7),(3,8,…,9),(5,2,…,4),(9,7,…,5))
P3＝((4,5,…,9),(2,3,…,5),(2,3,…,4),(1,2,…,4),(2,4,…,6))
群组F三个成员的贡献度为Ti＝(0.2,0.3,0.5)，则生成群组F的五个维度数据记作
Figure BDA0003987800050000132
其中，N1＝(2*0.2+2*0.3+4*0.5,…,8*0.2+6*0.3+9*0.5)
N2＝(2*0.2+3*0.3+2*0.5,…,4*0.2+9*0.3+4*0.5)
...
N5＝(2*0.2+9*0.3+4*0.5,…,6*0.2+5*0.3+6*0.5)
经过数据转换方法，输出群组F数据记录为Fi(N1,N2,…,N5)＝((3,…,8.9),(2.3,…,5.8),(2.3,…,5.7),(2.2,…,4),(4.1,…,6.7))。
在一些实施方式中，在S130中，维度评分模型可以是与z个维度分对应的，可以通过机器学习算法或深度学习算法训练得到，例如可以是逻辑回归、随机森林、决策树、XGBoost等机器学习算法，或深度残差网络(ResNet)、CNN(Convolutional NeuralNetwork，卷积神经网络)等深度学习算法。根据维度评分模型可以得到与目标群组对应的z个维度评分结果。
在一些实施方式中，在S140中，综合评分模型可以是结合各个维度的维度评分模型预测的残差信息和评分结果进行建模得到的。得到综合评分模型后，可以根据z个维度评分结果进行综合评分，得到与目标群组对应的信用评分结果。
为了得到维度评分模型和综合评分模型，本申请还提供了群组信用评分方法的另一种实施例。如图4所示，该方法还可以包括：
S410、根据多个样本群组分别对应的群组特征数据集，构建多个训练样本；
S420、根据样本群组中成员用户分别在z个维度下的风险行为，为训练样本添加样本标签，得到与训练样本对应的样本标签集合；
S430、基于多个训练样本及其对应的样本标签集合，对z个维度分别对应的维度网络模型以及综合网络模型进行联合训练，得到与z个维度分别对应的维度评分模型以及综合评分模型。
其中，风险行为的等级可以根据不同维度定义，样本标签可以是根据风险行为确定样本为正样本或负样本。这里，负样本按照风险行为的等级可以被划分为高风险、中风险和低风险三个等级，与该三个等级对应的样本标签具体可以是高风险、中风险和低风险三种标签。
作为一种示例，在群组内成员用户分别在z个维度下均不存在风险行为，或所有成员用户出现的风险行为小于设定的阈值，例如可以是出现违约行为的次数小于设定的次数阈值，或欠款金额小于设定的金额阈值，则认为该群组为正常群组用户，没有出现风险，提取此部分数据作为正样本数据；在群组内成员用户出现的风险行为不小于设定的阈值，则认为该群组为存在风险群组，提取此部分数据作为负样本数据。以此得到与训练样本对应的样本标签集合。
基于此，可以采用CNN和SVM(Support Vector Machine，支持向量机)算法构建维度网络模型，具体可以使用CNN对数据进行特征处理，使用SVM算法进行预测，每个不同维度的维度网络模型也可以选择不同的算法分别构建。最后各个维度网络模型可以输出相应的维度产生风险的概率。
作为一种示例，为了得到维度评分模型和综合评分模型，上述S430具体可以包括：
将目标训练样本对应的群组特征数据集中与z个维度分别对应的特征数据，输入至各自对应的维度网络模型中，由维度网络模型根据对应维度的特征数据进行信用评分，得到与目标训练样本对应的z个预测维度评分结果和z个残差信息，其中，目标训练样本为多个训练样本中的任一训练样本；
将z个维度评分结果和z个残差信息输入至综合网络模型中，由综合网络模型根据z个预测维度评分结果进行综合评分，得到与目标训练样本对应的预测信用评分结果；
根据z个预测维度评分结果、预测信用评分结果和目标训练样本对应的目标样本标签集合，调整维度网络模型和综合网络模型的模型参数，直至模型收敛，得到与z个维度分别对应的维度评分模型以及综合评分模型。
其中，残差信息例如可以包括未违约概率值、误差值、准确比、对数损失函数logloss值。
作为一种示例，如图5所示，多个维度网络模型基于与目标训练样本对应的群组特征数据集中，与各个维度分别对应的特征数据进行信用评分，可以得到与目标训练样本对应的多个预测维度评分结果和多个残差信息。例如，可以将目标群组特征数据集Fi(N1,N2,…,N5)基于群组维度的样本标签数据集记作L。其中，同一群组在不同维度下的样本标签可能不同。
如此，可以在五个维度评分模型中输入数据集(Di,Li)，模型输出结果为各维度预测风险概率值，记作
Figure BDA0003987800050000151
其中，i表示第i个维度。还可以输出预测的残差信息，记作
Figure BDA0003987800050000152
再通过概率转换分数模块，可以将风险概率转换为维度的信用评分，例如可以，输入为维度的预测概率，输出为维度评分，维度评分结果记为
Figure BDA0003987800050000153
其中，i表示第i个维度。可以得到群组五个子维度评分结果，记作
Figure BDA0003987800050000154
进一步地，根据多个预测维度评分结果和预测的残差信息，可以形成综合网络模型的样本标签，再基于机器学习算法或深度学习算法进行训练，可以得到综合网络模型。这样，将多个维度评分结果和多个残差信息输入至综合网络模型中，得到与目标训练样本对应的预测信用评分结果后，可以根据多个预测维度评分结果、预测信用评分结果和目标训练样本对应的目标样本标签集合，调整维度评分模型和综合评分模型的模型参数，直至模型收敛，得到与多个维度分别对应的维度评分模型以及综合评分模型。
具体的，维度网络模型构建以群组结构维度为例，设群组结构维度数据集为F＝(N1)，标签数据为集L，则群组结构维度评分模型数据输入为F(N1,L1)。
通过模型优化后，群组结构评分模型输出为群组结构维度下的风险概率，记作
Figure BDA0003987800050000161
输出残差信息集记作
Figure BDA0003987800050000162
假设某群组产生风险的概率为p，则可通过以下公式(9)将风险概率转换为信用评分。其中，A为基础分数，B为系数，可通过可接受的风险程度和评分范围得出。
Figure BDA0003987800050000163
由此，通过分维度建模和多层建模的方式实现群组信用评分，在多个子维度评分的结果基础上，结合子维度残差信息再次建模，实现群组的综合评分。通过把各模型预测的残差信息和各模型评分结果作为输入建模综合网络模型，最终得到与多个维度分别对应的维度评分模型以及综合评分模型，解决了单层模型精度较低、运行速度慢、可扩展性差的问题。
需要说明的是，上述本申请实施例描述的应用场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
基于相同的发明构思，本申请还提供了一种群组信用评分装置。具体结合图6进行详细说明。
图6是本申请实施例提供的一种群组信用评分装置的结构示意图。
如图6所示，该群组信用评分装置600可以包括：
第一获取模块601，用于获取目标群组中的n个成员用户分别对应的个人用户数据；
生成模块602，用于根据所述n个成员用户分别对应的个人用户数据，从z个维度分别生成以群组为单元的特征数据，得到与所述目标群组对应的目标群组特征数据集，其中，n和z均为大于1的整数；
第一输入模块603，用于将所述目标群组特征数据集中与所述z个维度分别对应的特征数据，输入至各自对应的维度评分模型中，由所述维度评分模型根据对应维度的特征数据进行信用评分，得到与所述目标群组对应的z个维度评分结果；
第二输入模块604，用于将所述z个维度评分结果输入至综合评分模型中，由所述综合评分模型根据所述z个维度评分结果进行综合评分，得到与所述目标群组对应的信用评分结果。
下面对上述群组信用评分装置600进行详细说明，具体如下所示：
在一些实施例中，为了得到与目标群组对应的目标群组特征数据集，上述生成模块602具体可以包括：
第一获取子模块，用于针对n个成员用户中的每个成员用户，根据与成员用户对应的个人用户数据，从z个维度分别获取与成员用户对应的个人特征数据，得到与成员用户对应的个人特征数据集；
第二获取子模块，用于获取与n个成员用户分别对应的贡献度；
构建子模块，用于基于n个成员用户分别对应的贡献度，根据n个成员用户的个人特征数据集构建以群组为单元的特征数据，得到与目标群组对应的目标群组特征数据集。
在一些实施例中，为了获取与n个成员分别对应的贡献度，上述第二获取子模块具体可以包括：
针对n个成员用户中的每个成员用户，执行如下步骤，得到与n个成员用户分别对应的贡献度：
提取单元，用于从成员用户对应的个人用户数据中，提取与k个评价因子分别对应的评价因子值；
处理单元，用于对k个评价因子分别对应的评价因子值进行归一化处理，得到归一化的评价因子值；
第一求和单元，用于基于k个评价因子分别对应的权重，对归一化的评价因子值进行加权求和，得到与成员用户对应的个人贡献值；
第一确定单元，用于根据成员用户对应的个人贡献值在贡献值总和中所占的比例，确定与成员用户对应的贡献度，其中，贡献值总和为n个成员用户分别对应的个人贡献值之和。
在一些实施例中，上述群组信用评分装置600具体可以包括：
计算模块，用于根据n个成员用户分别对应的k个归一化的评价因子值，计算k个评价因子分别对应的信息熵值；
第一确定模块，用于基于k个评价因子分别对应的信息熵值，确定与k个评价因子分别对应的权重。
在一些实施例中，为了得到更稳定的成员用户贡献值，上述根确定单元，具体可以包括：
第一确定子单元，将成员用户对应的个人贡献值在贡献值总和中所占的比例，确定为与成员用户对应的初始贡献度；
获取子单元，用于获取成员用户在目标历史时间段内对应的历史贡献度；
第二确定子单元，用于基于预设波动控制因子，根据初始贡献度和历史贡献度，确定与成员用户对应的个人近期贡献值；
第三确定子单元，用于将成员用户对应的个人近期贡献值在近期贡献值总和中所占的比例，确定为与成员用户对应的贡献度，其中，近期贡献值总和为n个成员用户分别对应的个人近期贡献值之和。
在一些实施例中，上述构建子模块具体可以包括：
第二确定单元，用于根据n个成员用户分别对应的贡献度，确定n个成员用户分别对应的权重；
第二求和单元，用于根据n个成员用户分别对应的权重，对n个成员用户的个人特征数据集中z个维度下每个成员用户的个人特征数据分别进行加权求和，得到与目标群组对应的目标群组特征数据集。
在一些实施例中，为了得到维度评分模型和综合评分模型，上述群组信用评分装置600具体可以包括：
构建模块，用于根据多个样本群组分别对应的群组特征数据集，构建多个训练样本；
添加模块，用于根据样本群组中成员用户分别在z个维度下的风险行为，为训练样本添加样本标签，得到与训练样本对应的样本标签集合；
训练模块，用于基于多个训练样本及其对应的样本标签集合，对z个维度分别对应的维度网络模型以及综合网络模型进行联合训练，得到与z个维度分别对应的维度评分模型以及综合评分模型。
在一些实施例中，为了得到维度评分模型和综合评分模型，上述训练模块具体可以包括：
第一输入子模块，用于将目标训练样本对应的群组特征数据集中与z个维度分别对应的特征数据，输入至各自对应的维度网络模型中，由维度网络模型根据对应维度的特征数据进行信用评分，得到与目标训练样本对应的z个预测维度评分结果和z个残差信息，其中，目标训练样本为多个训练样本中的任一训练样本；
第二输入子模块，用于将z个维度评分结果和z个残差信息输入至综合网络模型中，由综合网络模型根据z个预测维度评分结果进行综合评分，得到与目标训练样本对应的预测信用评分结果；
调整子模块，用于根据z个预测维度评分结果、预测信用评分结果和目标训练样本对应的目标样本标签集合，调整维度网络模型和综合网络模型的模型参数，直至模型收敛，得到与z个维度分别对应的维度评分模型以及综合评分模型。
在一些实施例中，为了确定目标群组中的n个成员用户，上述群组信用评分装置600具体可以包括：
第二获取模块，用于获取多个用户分别对应的个人用户数据，多个用户中包括n个成员用户；
第三输入模块，用于将多个用户分别对应的个人用户数据输入至群组识别模型中，由群组识别模型根据多个用户分别对应的个人用户数据识别具有群组关系的用户，并将具有群组关系的用户划分为一个群组，输出得到群组识别结果；
第二确定模块，用于根据群组识别结果确定与目标群组对应的n个成员用户。
在一些实施例中，上述z个维度可以包括群组结构、群组消费能力、群组履约能力、群组亲密关系和群组行为偏好中的至少两个维度。
由此，通过获取目标群组中n各成员用户分别对应的个人用户数据，根据个人用户数据从z各维度分别生成以群组为单元的特征数据，可以得到目标群组特征数据集。再将目标群组特征数据集中与z各维度分别对应的特征数据，分别输入至各自对应的地维度评分模型中，可以得到z个维度的评分结果。再将z个维度的评分结果输入至综合评分模型中，最终可以得到与目标群组对应的信用评分结果。由此，在对群组进行信用评价时，基于目标群组中的多个成员用户的个人用户数据，从多个维度分别生成了以群组为单元的特征数据，根据多个维多的评分结果的到最终信用评分结果，综合考虑了群组中所有成员对群组信用评分的影响，提高了群组信用评分的准确度。
图7是本申请实施例提供的一种电子设备的结构示意图。
在电子设备700可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地，上述处理器701可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器702可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器702可在综合网关容灾设备的内部或外部。在特定实施例中，存储器702是非易失性固态存储器。
在特定实施例中，存储器可包括只读存储器(ROM)，随机存取存储器(RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本申请的一方面的方法所描述的操作。
处理器701通过读取并执行存储器702中存储的计算机程序指令，以实现上述实施例中的任意一种群组信用评分方法。
在一些示例中，电子设备700还可包括通信接口703和总线710。其中，如图7所示，处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线710可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线710可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
示例性的，电子设备700可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等。
该电子设备700可以执行本申请实施例中的群组信用评分方法，从而实现结合图1和图6描述的群组信用评分方法和装置。
另外，结合上述实施例中的群组信用评分方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种群组信用评分方法。计算机可读存储介质的示例包括非暂态计算机可读存储介质，如便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件等。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。

Claims (14)

1.一种群组信用评分方法，其特征在于，包括：
获取目标群组中的n个成员用户分别对应的个人用户数据；
根据所述n个成员用户分别对应的个人用户数据，从z个维度分别生成以群组为单元的特征数据，得到与所述目标群组对应的目标群组特征数据集，其中，n和z均为大于1的整数；
将所述目标群组特征数据集中与所述z个维度分别对应的特征数据，输入至各自对应的维度评分模型中，由所述维度评分模型根据对应维度的特征数据进行信用评分，得到与所述目标群组对应的z个维度评分结果；
将所述z个维度评分结果输入至综合评分模型中，由所述综合评分模型根据所述z个维度评分结果进行综合评分，得到与所述目标群组对应的信用评分结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述n个成员用户分别对应的个人用户数据，从z个维度分别生成以群组为单元的特征数据，得到与所述目标群组对应的目标群组特征数据集，包括：
针对所述n个成员用户中的每个成员用户，根据与所述成员用户对应的个人用户数据，从所述z个维度分别获取与所述成员用户对应的个人特征数据，得到与所述成员用户对应的个人特征数据集；
获取与所述n个成员用户分别对应的贡献度；
基于所述n个成员用户分别对应的贡献度，根据所述n个成员用户的个人特征数据集构建以群组为单元的特征数据，得到与所述目标群组对应的目标群组特征数据集。
3.根据权利要求2所述的方法，其特征在于，所述获取与所述n个成员用户分别对应的贡献度，包括：
针对所述n个成员用户中的每个成员用户，执行如下步骤，得到与所述n个成员用户分别对应的贡献度：
从所述成员用户对应的个人用户数据中，提取与k个评价因子分别对应的评价因子值；
对所述k个评价因子分别对应的评价因子值进行归一化处理，得到归一化的评价因子值；
基于所述k个评价因子分别对应的权重，对所述归一化的评价因子值进行加权求和，得到与所述成员用户对应的个人贡献值；
根据所述成员用户对应的个人贡献值在贡献值总和中所占的比例，确定与所述成员用户对应的贡献度，其中，所述贡献值总和为所述n个成员用户分别对应的个人贡献值之和。
4.根据权利要求3所述的方法，其特征在于，还包括：
根据所述n个成员用户分别对应的k个归一化的评价因子值，计算所述k个评价因子分别对应的信息熵值；
基于所述k个评价因子分别对应的信息熵值，确定与所述k个评价因子分别对应的权重。
5.根据权利要求3所述的方法，其特征在于，所述根据所述成员用户对应的个人贡献值在贡献值总和中所占的比例，确定与所述成员用户对应的贡献度，包括：
将所述成员用户对应的个人贡献值在贡献值总和中所占的比例，确定为与所述成员用户对应的初始贡献度；
获取所述成员用户在目标历史时间段内对应的历史贡献度；
基于预设波动控制因子，根据所述初始贡献度和所述历史贡献度，确定与所述成员用户对应的个人近期贡献值；
将所述成员用户对应的个人近期贡献值在近期贡献值总和中所占的比例，确定为与所述成员用户对应的贡献度，其中，所述近期贡献值总和为所述n个成员用户分别对应的个人近期贡献值之和。
6.根据权利要求2所述的方法，其特征在于，所述基于所述n个成员用户分别对应的贡献度，根据所述n个成员用户的个人特征数据集构建以群组为单元的特征数据，得到与所述目标群组对应的目标群组特征数据集，包括：
根据所述n个成员用户分别对应的贡献度，确定所述n个成员用户分别对应的权重；
根据所述n个成员用户分别对应的权重，对所述n个成员用户的个人特征数据集中所述z个维度下每个成员用户的个人特征数据分别进行加权求和，得到与所述目标群组对应的目标群组特征数据集。
7.根据权利要求1所述的方法，其特征在于，还包括：
根据多个样本群组分别对应的群组特征数据集，构建多个训练样本；
根据所述样本群组中成员用户分别在z个维度下的风险行为，为所述训练样本添加样本标签，得到与所述训练样本对应的样本标签集合；
基于所述多个训练样本及其对应的样本标签集合，对所述z个维度分别对应的维度网络模型以及综合网络模型进行联合训练，得到与所述z个维度分别对应的维度评分模型以及所述综合评分模型。
8.根据权利要求7所述的方法，其特征在于，所述基于所述多个训练样本及其对应的样本标签集合，对所述z个维度分别对应的维度网络模型以及综合网络模型进行联合训练，得到与所述z个维度分别对应的维度评分模型以及所述综合评分模型，包括：
将目标训练样本对应的群组特征数据集中与所述z个维度分别对应的特征数据，输入至各自对应的维度网络模型中，由所述维度网络模型根据对应维度的特征数据进行信用评分，得到与所述目标训练样本对应的z个预测维度评分结果和z个残差信息，其中，所述目标训练样本为所述多个训练样本中的任一训练样本；
将所述z个维度评分结果和所述z个残差信息输入至所述综合网络模型中，由所述综合网络模型根据所述z个预测维度评分结果进行综合评分，得到与所述目标训练样本对应的预测信用评分结果；
根据所述z个预测维度评分结果、所述预测信用评分结果和所述目标训练样本对应的目标样本标签集合，调整所述维度网络模型和所述综合网络模型的模型参数，直至模型收敛，得到与所述z个维度分别对应的维度评分模型以及所述综合评分模型。
9.根据权利要求1所述的方法，其特征在于，在获取目标群组中的n个成员用户分别对应的个人用户数据之前，所述方法还包括：
获取多个用户分别对应的个人用户数据，所述多个用户中包括所述n个成员用户；
将多个用户分别对应的个人用户数据输入至群组识别模型中，由所述群组识别模型根据所述多个用户分别对应的个人用户数据识别具有群组关系的用户，并将具有群组关系的用户划分为一个群组，输出得到群组识别结果；
根据所述群组识别结果确定与所述目标群组对应的n个成员用户。
10.根据权利要求1-9任一项所述的方法，其特征在于，所述z个维度包括群组结构、群组消费能力、群组履约能力、群组亲密关系和群组行为偏好中的至少两个维度。
11.一种群组信用评分装置，其特征在于，包括：
第一获取模块，用于获取目标群组中的n个成员用户分别对应的个人用户数据；
生成模块，用于根据所述n个成员用户分别对应的个人用户数据，从z个维度分别生成以群组为单元的特征数据，得到与所述目标群组对应的目标群组特征数据集，其中，n和z均为大于1的整数；
第一输入模块，用于将所述目标群组特征数据集中与所述z个维度分别对应的特征数据，输入至各自对应的维度评分模型中，由所述维度评分模型根据对应维度的特征数据进行信用评分，得到与所述目标群组对应的z个维度评分结果；
第二输入模块，用于将所述z个维度评分结果输入至综合评分模型中，由所述综合评分模型根据所述z个维度评分结果进行综合评分，得到与所述目标群组对应的信用评分结果。
12.一种电子设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-10任意一项所述的群组信用评分方法的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-10任意一项所述的群组信用评分方法的步骤。
14.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-10任意一项所述的群组信用评分方法的步骤。
CN202211579136.3A 2022-12-08 2022-12-08 群组信用评分方法、装置、设备、介质及产品 Pending CN115936727A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211579136.3A CN115936727A (zh) 2022-12-08 2022-12-08 群组信用评分方法、装置、设备、介质及产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211579136.3A CN115936727A (zh) 2022-12-08 2022-12-08 群组信用评分方法、装置、设备、介质及产品

Publications (1)

Publication Number Publication Date
CN115936727A true CN115936727A (zh) 2023-04-07

Family

ID=86553416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211579136.3A Pending CN115936727A (zh) 2022-12-08 2022-12-08 群组信用评分方法、装置、设备、介质及产品

Country Status (1)

Country Link
CN (1) CN115936727A (zh)

Similar Documents

Publication Publication Date Title
CN107122369B (zh) 一种业务数据处理方法、装置和系统
CN111371767B (zh) 恶意账号识别方法、恶意账号识别装置、介质及电子设备
CN110866767A (zh) 电信用户满意度的预测方法、装置、设备及介质
CN103761254A (zh) 多领域服务主题匹配推荐方法
CN110619535A (zh) 一种数据处理方法及其装置
CN115130711A (zh) 一种数据处理方法、装置、计算机及可读存储介质
CN109993183B (zh) 网络故障评估方法、装置、计算设备及存储介质
CN111127062A (zh) 一种基于空间搜索算法的群体欺诈识别方法及装置
CN114118816B (zh) 一种风险评估方法、装置、设备及计算机存储介质
CN113630495B (zh) 涉诈订单预测模型训练方法和装置，订单预测方法和装置
CN114169439A (zh) 异常通信号码的识别方法、装置、电子设备和可读介质
CN111062422B (zh) 一种套路贷体系化识别方法及装置
CN115936727A (zh) 群组信用评分方法、装置、设备、介质及产品
CN111784357B (zh) 风险事件的处理方法及装置
CN113011503B (zh) 一种电子设备的数据取证方法、存储介质及终端
CN116205488A (zh) 风险商户识别方法、装置、设备、介质及产品
CN110570301B (zh) 风险识别方法、装置、设备及介质
CN109308565B (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备
CN114238062A (zh) 板卡烧录装置性能分析方法、装置、设备及可读存储介质
CN112214675A (zh) 用户购机的确定方法、装置、设备及计算机存储介质
CN111241280A (zh) 文本分类模型的训练方法和文本分类方法
CN118569983B (zh) 用于企业信用风险管理的资产数据处理系统及方法
CN115879959A (zh) 渠道投诉风险确定方法、装置、设备、介质及产品
CN115700684A (zh) 业务审批方法、装置、设备、介质及产品
CN113505308B (zh) 一种用户年龄的预测方法及装置、可读存储介质

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