CN116091209A - 信贷业务处理方法、装置、计算机设备和存储介质 - Google Patents
信贷业务处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116091209A CN116091209A CN202310075822.5A CN202310075822A CN116091209A CN 116091209 A CN116091209 A CN 116091209A CN 202310075822 A CN202310075822 A CN 202310075822A CN 116091209 A CN116091209 A CN 116091209A
- Authority
- CN
- China
- Prior art keywords
- target
- credit
- data
- model
- models
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种信贷业务处理方法、装置、计算机设备和存储介质，涉及人工智能技术领域，可应用于金融科技领域或其他相关领域。所述方法包括：响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据，基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息，根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务。采用本方法精准预测用户的违约信息，进而降低金融机构信贷风险。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种信贷业务处理方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的发展，针对层出不穷的信贷产品，在为用户办理相应的信贷业务之前，需要先预测用户违约信息，以降低金融机构的信贷风险。
目前，主要依赖于人工来预测用户的违约信息，或者依赖现有数据建立模型来预测用户的违约信息等。
然而，通过人工预测用户违约信息，会存在一定的偏向性，降低违约信息预测的准确性；信贷产品在上线初期的现有数据较小，因此建立的模型不够准确，进而使得违约信息的预测也不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种信贷业务处理方法、装置、计算机设备和存储介质，以精准预测用户的违约信息，进而降低金融机构信贷风险。
第一方面，本申请提供了一种信贷业务处理方法。所述方法包括：
响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据；
基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息；
根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务；
其中，目标区域的至少两个不同信贷预测模型是根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练得到。
在其中一个实施例中，根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练，包括：
获取目标模型指标；根据目标模型指标，对目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据进行处理，得到参考区域对应的源域数据，以及目标区域对应的目标域数据；采用源域数据和目标域数据，对至少两个相同基模型进行训练，得到目标区域的至少两个不同信贷预测模型。
在其中一个实施例中，获取目标模型指标，包括：
根据参考区域对应的信贷预测模型的第一模型指标，以及目标区域的第二模型指标，确定目标模型指标。
在其中一个实施例中，采用源域数据和目标域数据，对至少两个相同基模型进行训练，得到目标区域的至少两个不同信贷预测模型，包括：
根据目标域数据，为各基模型构建数据集；采用各基模型对应的数据集，对各基模型进行训练，得到各基模型对应的初始模型；采用源域数据和目标域数据，对各初始模型进行优化，得到目标区域的至少两个不同信贷预测模型。
在其中一个实施例中，采用源域数据和所述目标域数据，对各初始模型进行优化，包括：
针对本轮次待优化的每一初始模型，将该初始模型作为目标模型，以及将除目标模型之外的初始模型，作为其他模型；确定本轮次其他模型在目标域数据上的本轮预测误差率；若本轮预测误差率小于上一轮预测误差率，则采用其他模型，对源域数据进行预测，并根据预测结果，从源域数据中提取满足筛选条件的数据，作为本轮备用数据；根据本轮备用数据的数据量和上轮备用数据的数据量，确定是否对目标模型进行优化。
在其中一个实施例中，根据本轮备用数据的数据量和上轮备用数据的数据量，确定是否对目标模型进行优化，包括：
若本轮备用数据的数据量大于上轮备用数据的数据量，则从本轮备用数据中提取本轮目标数据；采用本轮目标数据和目标域数据，对目标模型进行优化。
在其中一个实施例中，基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息，包括：
将目标信用数据分别输入至目标区域的各信贷预测模型中，得到目标区域的各信贷预测模型的输出信息；根据目标区域的各信贷预测模型的输出信息，以及目标区域的信贷预测模型数量，确定目标用户的违约信息。
第二方面，本申请还提供了一种信贷业务处理装置。所述装置包括：
数据获取模块，用于响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据；
信息确定模块，用于基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息；
业务确定模块，用于根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务；
其中，目标区域的至少两个不同信贷预测模型是根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练得到。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据；
基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息；
根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务；
其中，目标区域的至少两个不同信贷预测模型是根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练得到。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据；
基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息；
根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务；
其中，目标区域的至少两个不同信贷预测模型是根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练得到。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据；
基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息；
根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务；
其中，目标区域的至少两个不同信贷预测模型是根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练得到。
上述信贷业务处理方法、装置、计算机设备和存储介质，通过响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据，并基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息，进而根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务。上述方案，通过结合参考区域的第一样本用户信用数据和目标区域的第二样本用户信用数据，来训练目标区域的信贷预测模型，能够提高目标区域信贷预测模型的精度，尤其是在信贷产品推广初期目标区域用户信用数据较少的情况，也能保证目标区域信贷预测模型的精度；进一步的，通过引入多个信贷预测模型，能够提高预测到的目标用户的违约信息的准确性，进而能够精准确定是否执行信贷业务处理请求对应的目标信贷业务，从而降低金融机构信贷风险。
附图说明
图1为一个实施例中信贷业务处理方法的应用环境图；
图2为一个实施例中信贷业务处理方法的流程示意图；
图3为一个实施例中对基模型进行训练的流程示意图；
图4为一个实施例中对初始模型进行优化的流程示意图；
图5为另一个实施例中信贷业务处理方法的流程示意图；
图6为一个实施例中信贷业务处理装置的结构框图；
图7为另一个实施例中信贷业务处理装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的信贷业务处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。例如，目标区域的用户信用数据等数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。例如，服务器104响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据，随后基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息，根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务；进一步的，服务器104将违约信息传送到终端102进行展示。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种信贷业务处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S201，响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据。
其中，所谓信贷业务处理请求即为向服务器所发送的有关信贷业务处理的指令；可选的，信贷业务处理请求中可以包括但不限于用户基本信息、信贷业务标识(比如信贷业务名称)等数据；目标信用数据指的是从目标用户的相关信息中提取出的可以直接输入到信贷预测模型的数据。
可选的，可以通过所持终端中嵌入的能够请求服务器进行信贷业务处理的工具，输入想要进行信贷业务处理的相关信息，并点击提交，进而触发针对目标用户的信贷业务处理请求。其中，工具可以是APP、可视化界面和小程序等。
进一步的，在服务器获取到目标用户的信贷业务处理请求后，可以从信贷业务处理请求中提取到目标用户的基本信息，根据目标用户的基本信息，从服务器中提取到目标用户的相关信息，比如目标用户的历史信贷业务的信用记录信息等；随后，基于目标用户所属区域的信贷预测模型对应的相关指标对提取到的目标用户的相关信息进行整合，得到目标用户的目标信用数据。
S202，基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息。
其中，目标区域的至少两个不同信贷预测模型是根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练得到。目标信贷业务即为根据信贷业务处理请求中的信贷业务标识所确定的信贷业务。可选的，一个信贷业务处理请求对应一个目标信贷业务，即信贷业务处理请求与目标信贷业务具有一一对应的关系。
目标区域内的目标信贷业务处于推广初期，所谓参考区域为推广目标信贷业务早于目标区域推广目标信贷业务，且目标信贷业务已成熟的任一区域。可选的，在已推广目标信贷业务的区域数量为至少两个的情况下，可以选择目标信贷业务已成熟，且与目标区域相似度较高的区域作为参考区域。
第一样本用户信用数据指的是在参考区域内推广目标信贷业务后产生的可以用作模型训练样本的用户信用数据；第二样本用户信用数据指的是在目标区域内推广目标信贷业务后产生的可以用作模型训练样本的用户信用数据。
由于目标区域内的目标信贷业务处于推广初期，为降低目标区域的信贷风险，本实施例可以选择与目标区域相识度高，且目标信贷业务已成熟的任一区域作为参考区域，并从参考区域中提取第一样本用户信用数据，将第一样本用户信用数据以及第二样本用户信用数据进行整合，得到用于对基模型进行训练的备用数据集；进一步的，可以根据基模型的数量，从备用数据集中提取出部分数据，形成与每一基模型相对应的训练集，并根据训练集内的数据对基模型进行训练，得到信贷预测模型。可以理解的是，每一基模型经过训练都会得到一个信贷预测模型，即基模型与信贷预测模型是一一对应的关系。其中，所谓基模型指的是未经过训练，具有完整功能的模型，例如可以是Xgboost分类器。
目标用户的违约信息包括但不限于目标用户是否违约，以及目标用户的违约概率等信息。可以理解的是，在本实施例中，由于信贷预测模型之间不相同，所以每一信贷预测模型，针对同一目标用户的目标信用数据，输出的输出信息可以相同，也可以不同。
具体的，将获取到的目标用户的目标信用数据输入到至少两个经过训练的不同信贷预测模型中，每一信贷预测模型均可以基于输入的目标信用数据以及模型本身参数，对目标用户在目标信贷业务上是否会违约进行预测，并输出相应的输出信息，进而基于目标区域的各信贷预测模型的输出信息，可确定目标用户的违约信息。
例如，可以统计目标区域的各信贷预测模型中输出目标用户为违约的模型数量，以及输出目标用户为不违约的模型数量，比较二者的数量；若输出目标用户为违约的模型数量大于输出目标用户为不违约的模型数量，则目标用户为违约；若输出目标用户为违约的模型数量小于输出目标用户为不违约的模型数量，则目标用户为不违约；若输出目标用户为违约的模型数量等于输出目标用户为不违约的模型数量，则可以通过比较二者的违约概率，确定目标用户是否违约。
进一步的，可以统计目标区域的各信贷预测模型输出的违约概率，并求取平均违约概率，作为目标用户的违约信息中的违约概率。
S203，根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务。
具体的，在确定目标用户的违约信息后，若基于目标用户的违约信息，确定目标用户违约，则不执行目标用户信贷业务处理请求对应的目标信贷业务；若确定目标用户不违约，则执行目标用户信贷业务处理请求对应的目标信贷业务。其中，基于目标用户的违约信息，确定目标用户违约可以是，违约信息中包括用户违约，且违约信息中的违约概率大于设定阈值，则确定目标用户违约。或者，违约信息中包括用户不违约，且违约信息中的违约概率大于设定阈值，则也可以确定目标用户违约。或者，违约信息中包括用户违约，且违约信息中的违约概率小于设定阈值，则也可以确定目标用户违约。
上述信贷业务处理方法中，通过响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据，并基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息，进而根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务。上述方案，通过结合参考区域的第一样本用户信用数据和目标区域的第二样本用户信用数据，来训练目标区域的信贷预测模型，能够提高目标区域信贷预测模型的精度，尤其是在信贷产品推广初期目标区域用户信用数据较少的情况，也能保证目标区域信贷预测模型的精度；进一步的，通过引入多个信贷预测模型，能够提高预测到的目标用户的违约信息的准确性，进而能够精准确定是否执行信贷业务处理请求对应的目标信贷业务，从而降低金融机构信贷风险。
在上述实施例的基础上，在本实施例中，提供了一种确定目标用户的违约信息的可选方式，具体包括以下步骤：
第一步骤，将目标信用数据分别输入至目标区域的各信贷预测模型中，得到目标区域的各信贷预测模型的输出信息。
具体的，将目标信用数据分别输入至目标区域的各信贷预测模型中，每一信贷预测模型都会输出对应的输出信息。其中，输出信息可以包括目标用户是否违约，以及违约概率等信息。
第二步骤，根据目标区域的各信贷预测模型的输出信息，以及目标区域的信贷预测模型数量，确定目标用户的违约信息。
可选的，可以先基于目标区域的信贷预测模型数量预设一个违约阈值，随后统计目标区域的各信贷预测模型中输出目标用户为违约的信贷预测模型数量；进一步的，将输出目标用户为违约的信贷预测模型数量占所有信贷预测模型数量的比重，与违约阈值相比较，若输出的比重不小于违约阈值，则确定目标用户为违约。例如，目标区域的信贷预测模型数量为5个，则可以将3/5作为违约阈值，若目标区域内输出目标用户为违约的信贷预测模型数量为3个，则确定目标用户为违约。
在本实施例中，通过引入根据目标区域的各信贷预测模型的输出信息，以及目标区域的信贷预测模型数量，确定目标用户的违约信息，能够提高目标用户的违约信息的准确性。
在上述实施例的基础上，在本实施例中，提供了一种对至少两个相同基模型进行训练，得到信贷预测模型的方法，如图3所示，具体包括以下步骤：
S301，获取目标模型指标。
其中，目标模型指标指的是基于目标区域的信贷预测模型进行预测时所需要的数据类型形成的，用于限定信贷预测模型输入数据的指标。
可选的，可以基于目标区域的数据特征，直接预设目标模型指标；或者可以参考区域对应的信贷预测模型的第一模型指标，以及目标区域的第二模型指标，确定目标模型指标。
其中，第一模型指标指的是参考区域对应的信贷预测模型中的相关指标；第二模型指标指的是目标区域内数据包含的相关指标，相关指标可以包括但不限于基本信息指标、信用记录指标等。
具体的，可以将参考区域对应的信贷预测模型的第一模型指标，以及目标区域的第二模型指标进行对比，将二者重合的模型指标作为目标模型指标。
S302，根据目标模型指标，对目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据进行处理，得到参考区域对应的源域数据，以及目标区域对应的目标域数据。
具体的，将目标信贷业务在参考区域的第一样本用户信用数据中，与目标模型指标相关的数据提取出来，得到参考区域对应的源域数据；同时将目标信贷业务在目标区域的第二样本用户信用数据中，与目标模型指标相关的数据提取出来，得到目标区域对应的目标域数据。
需要说明的是，第一样本用户信用数据中包含了参考区域内大量用户的用户信用数据，与之对应的，从第一样本用户信用数据中提取出的源域数据包含了参考区域内符合条件的，可用于信贷预测模型训练的大量样本数据；第二样本用户信用数据中包含了目标区域内少量用户的用户信用数据，与之对应的，从第二样本用户信用数据中提取出的目标域数据包含了目标区域内符合条件的，可用于信贷预测模型训练的少量样本数据。
S303，采用源域数据和目标域数据，对至少两个相同基模型进行训练，得到目标区域的至少两个不同信贷预测模型。
可选的，可以将目标域数据先分别输入到每一基模型中进行训练，随后依次从源域数据中抽取部分数据输入到经过训练的基模型中进行训练，得到目标区域的至少两个不同信贷预测模型。
或者，可以采用以下步骤来得到目标区域的至少两个不同信贷预测模型：
第一步骤，根据目标域数据，为各基模型构建数据集。
可选的，可以通过有放回的采样方法，针对每一基模型分别从目标域数据中获取一部分数据，构建与各基模型对应的数据集。
第二步骤，采用各基模型对应的数据集，对各基模型进行训练，得到各基模型对应的初始模型。
具体的，对于每一基模型，将该基模型对应的数据集中的样本数据输入到该基模型中进行训练，该基模型能够基于输入的数据集中样本数据的监督数据(或者称为标注数据)，以及基模型输出的预测结果对自身参数进行优化，得到该基模型对应的初始模型。
第三步骤，采用源域数据和目标域数据，对各初始模型进行优化，得到目标区域的至少两个不同信贷预测模型。
可选的，可以从源域数据中选择出符合目标域数据特征的数据，随后将选择出的源域数据以及目标域数据输入到各初始模型，对各初始模型进行优化，最后得到目标区域的至少两个不同信贷预测模型。
需要说明的是，最终所得到的目标区域的至少两个不同信贷预测模型的模型指标相同。
可以理解的是，由于不同区域用户的信贷偏好不同，导致所获取的参考区域的第一样本用户信用数据，与目标区域的第二样本用户信用数据之间存在差异，如果直接使用第一样本用户信用数据和第二样本用户信用数据来训练基模型，可能会引入大量的噪声数据，导致最终所得到的目标区域的信贷预测模型的预测效果不佳。因此，为提高最终所得到的目标区域的信贷预测模型的预测精度，本实施例引入目标模型指标分别对第一样本用户信用数据和第二样本用户信用数据进行处理，并基于处理得到的目标域数据和源域数据来训练目标区域的信贷预测模型，能够提高目标区域信贷预测模型的精度，尤其是在信贷产品推广初期目标区域用户信用数据较少的情况，也能保证目标区域信贷预测模型的精度，进而提高预测到的目标用户的违约信息的准确性。
在上述实施例的基础上，在本实施例中，提供了一种对初始模型进行优化的可选方法，如图4所示，具体包括以下步骤：
S401，针对本轮次待优化的每一初始模型，将该初始模型作为目标模型，以及将除目标模型之外的初始模型，作为其他模型。
在本实施例中，可以对各初始模型进行多轮迭代优化，以得到目标区域的各信贷预测模型。可选的，按照预先设定的优化顺序，依次对各初始模型优化一次，称为一个轮次。本轮次可以为任一轮次，比如可以是第一轮次、第二轮次、第三轮次，或者第n轮次等。
具体的，在本轮次优化初始模型的操作中，按照预先设定的优化顺序，依次将待优化的初始模型作为目标模型，与此同时将除目标模型之外的初始模型，作为其他模型。例如，初始模型包括M1、M2和M3，在对M3进行优化时，将M3作为目标模型，M1和M2即为其他模型。同理，在对M1进行优化时，将M1作为目标模型，M3和M2即为其他模型；在M2进行优化时，将M2作为目标模型，M1和M3即为其他模型。
S402，确定本轮次其他模型在目标域数据上的本轮预测误差率。
其中，所谓预测误差率即为模型输出的预测结果，与样本数据的监督数据之间的误差率。在本实施例中，从目标域数据中随机抽取一部分样本数据分别输入到每一其他模型中进行预测；随后将所抽取的每一样本数据的预测结果，与所抽取的每一样本数据的监督数据作比较，即可确定本轮次其他模型在目标域数据上的本轮预测误差率。
S403，若本轮预测误差率小于上一轮预测误差率，则采用其他模型，对源域数据进行预测，并根据预测结果，从源域数据中提取满足筛选条件的数据，作为本轮备用数据。
在本实施例中，上一轮预测误差率即为上一轮次其他模型在目标域数据上的预测误差率；若本轮次为第一轮次，则上一轮预测误差率为设定的初始误差率。筛选条件可以包括各其他模型输出的预测结果相同，还可以包括各其他模型输出的预测违约概率均大于最大阈值，或者均小于最小阈值等。
具体的，将本轮预测误差率与上一轮预测误差率进行比较，若本轮预测误差率大于上一轮预测误差率，则目标模型停止优化，将现有的目标模型和其他模型作为最终的信贷预测模型；若本轮预测误差率小于上一轮预测误差率，则继续对目标模型进行优化。
进一步的，在继续对目标模型进行优化时，采用各其他模型，分别对源域数据进行预测，得到各其他模型输出的源域数据中每一样本数据对应的预测结果和预测违约概率；根据各其他模型输出的源域数据中每一样本数据对应的预测结果和预测违约概率，从源域数据中提取满足筛选条件的数据，即为提取符合目标区域数据特征的不违约用户的相关数据，以及符合目标区域数据特征的违约用户的相关数据，作为本轮备用数据。
例如，将本轮次M1和M2之间的预测误差率与上一轮次M1和M2之间的预测误差率进行比较，若本轮次M1和M2之间的预测误差率小于上一轮次M1和M2之间的预测误差率，则采用M1和M2分别对源域数据中每一样本数据进行预测，得到M1输出的源域数据中每一样本数据对应的预测结果和预测违约概率，以及M2输出的源域数据中每一样本数据对应的预测结果和预测违约概率；进一步的，针对源域数据中的每一样本数据，若M1输出的该样本数据的预测结果，与M2输出的该样本数据的预测结果相同，且M1输出的该样本数据的预测违约概率和M2输出的该样本数据的预测违约概率均大于最大阈值，或者均小于最小阈值，则将该样本数据作为本轮备用数据。
S404，根据本轮备用数据的数据量和上轮备用数据的数据量，确定是否对目标模型进行优化。
在本实施例中，上轮备用数据是上一轮次即为采用其他模型对源域数据进行预测，并根据预测结果，从源域数据中所提取的满足筛选条件的数据。若本轮次为第一轮次，则上轮备用数据的数据量为设定的初始数据量。
可选的，可以采用以下步骤确定是否对目标模型进行优化，具体包括以下步骤：
第一步骤，若本轮备用数据的数据量大于上轮备用数据的数据量，则从本轮备用数据中提取本轮目标数据。
具体的，将本轮备用数据的数据量与上一轮次备用数据的数据量进行比较，若本轮备用数据的数据量小于上轮备用数据的数据量，则目标模型停止优化，将现有的目标模型和其他模型作为最终的信贷预测模型；若本轮备用数据的数据量大于上轮备用数据的数据量，则从本轮备用数据中提取本轮目标数据。
例如，将本轮次M1和M2选取的本轮备用数据的数据量Sn和上一轮次备用数据的数据量Sn-1进行比较，若Sn大于Sn-1，则从本轮备用数据中提取本轮目标数据。
第二步骤，采用本轮目标数据和目标域数据，对目标模型进行优化。
具体的，将本轮目标数据和目标域数据作为样本数据输入到目标模型进行训练，目标模型能够基于输入的样本数据的监督数据，以及目标模型输出的预测结果对自身参数进行优化，进而对目标模型进行优化。
可以理解的是，在对目标模型进行优化后，可以从其他模型中选取一个目标模型继续进行优化，例如，目标模型为M3，其他模型为M1和M2，在对M3进行优化后，可以将M2作为目标模型，将M1和优化后的M3作为其他模型，继续优化操作。
在本实施例中，在模型训练过程中，通过引入预测误差率和备用数据量这两个维度数据，提高了信贷预测模型的准确性，进而提高预测到的目标用户的违约信息的准确性。
图5为另一个实施例中信贷业务处理方法的流程示意图，在上述实施例的基础上，本实施例提供了一种信贷业务处理方法的可选实例。结合图5，具体实现过程如下：
S501，根据参考区域对应的信贷预测模型的第一模型指标，以及目标区域的第二模型指标，确定目标模型指标。
S502，根据目标模型指标，对目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据进行处理，得到参考区域对应的源域数据，以及目标区域对应的目标域数据。
S503，根据目标域数据，为各基模型构建数据集。
S504，采用各基模型对应的数据集，对各基模型进行训练，得到各基模型对应的初始模型。
S505，采用源域数据和目标域数据，对各初始模型进行优化，得到目标区域的至少两个不同信贷预测模型。
其中，对于任一轮次(比如本轮次)中任一初始模型的优化过程如下：
针对本轮次待优化的每一初始模型，将该初始模型作为目标模型，以及将除目标模型之外的初始模型，作为其他模型；确定本轮次其他模型在目标域数据上的本轮预测误差率，判断本轮预测误差率是否大于上一轮预测误差率，若是，则停止对初始模型进行优化；若否，则采用其他模型，对源域数据进行预测，并根据预测结果，从源域数据中提取满足筛选条件的数据，作为本轮备用数据；将本轮备用数据的数据量与上轮备用数据的数据量进行比较，判断本轮备用数据的数据量是否小于上轮备用数据的数据量，若是，则停止对初始模型进行优化；若否，则从本轮备用数据中提取本轮目标数据，采用本轮目标数据和目标域数据，对目标模型进行优化。
S506，响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据。
S507，将目标信用数据分别输入至目标区域的各信贷预测模型中，得到目标区域的各信贷预测模型的输出信息。
S508，根据目标区域的各信贷预测模型的输出信息，以及目标区域的信贷预测模型数量，确定目标用户的违约信息。
上述S501-S508的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的信贷业务处理方法的信贷业务处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个信贷业务处理装置实施例中的具体限定可以参见上文中对于信贷业务处理方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种信贷业务处理装置1，包括：数据获取模块10、信息确定模块20和业务确定模块30，其中：
数据获取模块10，用于响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据；
信息确定模块20，用于基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息；
业务确定模块30，用于根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务；
其中，目标区域的至少两个不同信贷预测模型是根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练得到。
在一个实施例中，如图7所示，信贷业务处理装置1还包括：
指标获取模块40，用于获取目标模型指标；
数据处理模块50，用于根据目标模型指标，对目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据进行处理，得到参考区域对应的源域数据，以及目标区域对应的目标域数据；
模型训练模块60，用于采用源域数据和目标域数据，对至少两个相同基模型进行训练，得到目标区域的至少两个不同信贷预测模型。
在一个实施例中，指标获取模型40，具体用于：
根据参考区域对应的信贷预测模型的第一模型指标，以及目标区域的第二模型指标，确定目标模型指标。
在一个实施例中，模型训练模块60，具体包括：
第一训练单元，用于根据目标域数据，为各基模型构建数据集；
第二训练单元，用于采用各基模型对应的数据集，对各基模型进行训练，得到各基模型对应的初始模型；
第三训练单元，用于采用源域数据和目标域数据，对各初始模型进行优化，得到目标区域的至少两个不同信贷预测模型。
在一个实施例中，第三训练单元，具体用于：
针对本轮次待优化的每一初始模型，将该初始模型作为目标模型，以及将除目标模型之外的初始模型，作为其他模型；确定本轮次其他模型在目标域数据上的本轮预测误差率；若本轮预测误差率小于上一轮预测误差率，则采用其他模型，对源域数据进行预测，并根据预测结果，从源域数据中提取满足筛选条件的数据，作为本轮备用数据；根据本轮备用数据的数据量和上轮备用数据的数据量，确定是否对目标模型进行优化。
在一个实施例中，第三训练单元，还具体用于：
若本轮备用数据的数据量大于上轮备用数据的数据量，则从本轮备用数据中提取本轮目标数据；采用本轮目标数据和目标域数据，对目标模型进行优化。
在一个实施例中，信息确定模块20，还具体用于：
将目标信用数据分别输入至目标区域的各信贷预测模型中，得到目标区域的各信贷预测模型的输出信息；根据目标区域的各信贷预测模型的输出信息，以及目标区域的信贷预测模型数量，确定目标用户的违约信息。
上述信贷业务处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储源域数据和目标域数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种信贷业务处理方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据；
基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息；
根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务；
其中，目标区域的至少两个不同信贷预测模型是根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练得到。
在一个实施例中，处理器执行计算机程序中根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练的逻辑时，具体实现以下步骤：
获取目标模型指标；根据目标模型指标，对目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据进行处理，得到参考区域对应的源域数据，以及目标区域对应的目标域数据；采用源域数据和目标域数据，对至少两个相同基模型进行训练，得到目标区域的至少两个不同信贷预测模型。
在一个实施例中，处理器执行计算机程序中获取目标模型指标的逻辑时，具体实现以下步骤：
根据参考区域对应的信贷预测模型的第一模型指标，以及目标区域的第二模型指标，确定目标模型指标。
在一个实施例中，处理器执行计算机程序中采用源域数据和目标域数据，对至少两个相同基模型进行训练，得到目标区域的至少两个不同信贷预测模型的逻辑时，具体实现以下步骤：
根据目标域数据，为各基模型构建数据集；采用各基模型对应的数据集，对各基模型进行训练，得到各基模型对应的初始模型；采用源域数据和目标域数据，对各初始模型进行优化，得到目标区域的至少两个不同信贷预测模型。
在一个实施例中，处理器执行计算机程序中采用源域数据和目标域数据，对各初始模型进行优化的逻辑时，具体实现以下步骤：
针对本轮次待优化的每一初始模型，将该初始模型作为目标模型，以及将除目标模型之外的初始模型，作为其他模型；确定本轮次其他模型在目标域数据上的本轮预测误差率；若本轮预测误差率小于上一轮预测误差率，则采用其他模型，对源域数据进行预测，并根据预测结果，从源域数据中提取满足筛选条件的数据，作为本轮备用数据；根据本轮备用数据的数据量和上轮备用数据的数据量，确定是否对目标模型进行优化。
在一个实施例中，处理器执行计算机程序中根据本轮备用数据的数据量和上轮备用数据的数据量，确定是否对目标模型进行优化的逻辑时，具体实现以下步骤：
若本轮备用数据的数据量大于上轮备用数据的数据量，则从本轮备用数据中提取本轮目标数据；采用本轮目标数据和目标域数据，对目标模型进行优化。
在一个实施例中，处理器执行计算机程序中基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息的逻辑时，具体实现以下步骤：
将目标信用数据分别输入至目标区域的各信贷预测模型中，得到目标区域的各信贷预测模型的输出信息；根据目标区域的各信贷预测模型的输出信息，以及目标区域的信贷预测模型数量，确定目标用户的违约信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据；
基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息；
根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务；
其中，目标区域的至少两个不同信贷预测模型是根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练得到。
在一个实施例中，计算机程序中根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练的这一代码逻辑被处理器执行时，具体实现以下步骤：
获取目标模型指标；根据目标模型指标，对目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据进行处理，得到参考区域对应的源域数据，以及目标区域对应的目标域数据；采用源域数据和目标域数据，对至少两个相同基模型进行训练，得到目标区域的至少两个不同信贷预测模型。
在一个实施例中，计算机程序中获取目标模型指标的这一代码逻辑被处理器执行时，具体实现以下步骤：
根据参考区域对应的信贷预测模型的第一模型指标，以及目标区域的第二模型指标，确定目标模型指标。
在一个实施例中，计算机程序中采用源域数据和目标域数据，对至少两个相同基模型进行训练，得到目标区域的至少两个不同信贷预测模型的这一代码逻辑被处理器执行时，具体实现以下步骤：
根据目标域数据，为各基模型构建数据集；采用各基模型对应的数据集，对各基模型进行训练，得到各基模型对应的初始模型；采用源域数据和目标域数据，对各初始模型进行优化，得到目标区域的至少两个不同信贷预测模型。
在一个实施例中，计算机程序中对采用源域数据和目标域数据，对各初始模型进行优化的这一代码逻辑被处理器执行时，具体实现以下步骤：
针对本轮次待优化的每一初始模型，将该初始模型作为目标模型，以及将除目标模型之外的初始模型，作为其他模型；确定本轮次其他模型在目标域数据上的本轮预测误差率；若本轮预测误差率小于上一轮预测误差率，则采用其他模型，对源域数据进行预测，并根据预测结果，从源域数据中提取满足筛选条件的数据，作为本轮备用数据；根据本轮备用数据的数据量和上轮备用数据的数据量，确定是否对目标模型进行优化。
在一个实施例中，计算机程序中根据本轮备用数据的数据量和上轮备用数据的数据量，确定是否对目标模型进行优化的这一代码逻辑被处理器执行时，具体实现以下步骤：
若本轮备用数据的数据量大于上轮备用数据的数据量，则从本轮备用数据中提取本轮目标数据；采用本轮目标数据和目标域数据，对目标模型进行优化。
在一个实施例中，计算机程序中基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息的这一代码逻辑被处理器执行时，具体实现以下步骤：
将目标信用数据分别输入至目标区域的各信贷预测模型中，得到目标区域的各信贷预测模型的输出信息；根据目标区域的各信贷预测模型的输出信息，以及目标区域的信贷预测模型数量，确定目标用户的违约信息。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
响应于目标用户的信贷业务处理请求，获取目标用户的目标信用数据；
基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息；
根据违约信息，确定是否执行信贷业务处理请求对应的目标信贷业务；
其中，目标区域的至少两个不同信贷预测模型是根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练得到。
在一个实施例中，计算机程序被处理器执行根据目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练的操作时，具体实现以下步骤：
获取目标模型指标；根据目标模型指标，对目标信贷业务在参考区域的第一样本用户信用数据，以及目标信贷业务在目标区域的第二样本用户信用数据进行处理，得到参考区域对应的源域数据，以及目标区域对应的目标域数据；采用源域数据和目标域数据，对至少两个相同基模型进行训练，得到目标区域的至少两个不同信贷预测模型。
在一个实施例中，计算机程序被处理器执行获取目标模型指标的操作时，具体实现以下步骤：
根据参考区域对应的信贷预测模型的第一模型指标，以及目标区域的第二模型指标，确定目标模型指标。
在一个实施例中，计算机程序被处理器执行采用源域数据和目标域数据，对至少两个相同基模型进行训练，得到目标区域的至少两个不同信贷预测模型的操作时，具体实现以下步骤：
根据目标域数据，为各基模型构建数据集；采用各基模型对应的数据集，对各基模型进行训练，得到各基模型对应的初始模型；采用源域数据和目标域数据，对各初始模型进行优化，得到目标区域的至少两个不同信贷预测模型。
在一个实施例中，计算机程序被处理器执行采用源域数据和目标域数据，对各初始模型进行优化的操作时，具体实现以下步骤：
针对本轮次待优化的每一初始模型，将该初始模型作为目标模型，以及将除目标模型之外的初始模型，作为其他模型；确定本轮次其他模型在目标域数据上的本轮预测误差率；若本轮预测误差率小于上一轮预测误差率，则采用其他模型，对源域数据进行预测，并根据预测结果，从源域数据中提取满足筛选条件的数据，作为本轮备用数据；根据本轮备用数据的数据量和上轮备用数据的数据量，确定是否对目标模型进行优化。
在一个实施例中，计算机程序被处理器执行根据本轮备用数据的数据量和上轮备用数据的数据量，确定是否对目标模型进行优化的操作时，具体实现以下步骤：
若本轮备用数据的数据量大于上轮备用数据的数据量，则从本轮备用数据中提取本轮目标数据；采用本轮目标数据和目标域数据，对目标模型进行优化。
在一个实施例中，计算机程序被处理器执行基于目标用户所属目标区域的至少两个不同信贷预测模型，根据目标信用数据，确定目标用户的违约信息的操作时，具体实现以下步骤：
将目标信用数据分别输入至目标区域的各信贷预测模型中，得到目标区域的各信贷预测模型的输出信息；根据目标区域的各信贷预测模型的输出信息，以及目标区域的信贷预测模型数量，确定目标用户的违约信息。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户基本信息等)和数据(包括但不限于用于目标域数据和源域数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种信贷业务处理方法，其特征在于，所述方法包括：
响应于目标用户的信贷业务处理请求，获取所述目标用户的目标信用数据；
基于所述目标用户所属目标区域的至少两个不同信贷预测模型，根据所述目标信用数据，确定所述目标用户的违约信息；
根据所述违约信息，确定是否执行所述信贷业务处理请求对应的目标信贷业务；
其中，所述目标区域的至少两个不同信贷预测模型是根据所述目标信贷业务在参考区域的第一样本用户信用数据，以及所述目标信贷业务在所述目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练得到。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标信贷业务在参考区域的第一样本用户信用数据，以及所述目标信贷业务在所述目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练，包括：
获取目标模型指标；
根据所述目标模型指标，对所述目标信贷业务在参考区域的第一样本用户信用数据，以及所述目标信贷业务在所述目标区域的第二样本用户信用数据进行处理，得到所述参考区域对应的源域数据，以及所述目标区域对应的目标域数据；
采用所述源域数据和所述目标域数据，对至少两个相同基模型进行训练，得到所述目标区域的至少两个不同信贷预测模型。
3.根据权利要求2所述的方法，其特征在于，所述获取目标模型指标，包括：
根据所述参考区域对应的信贷预测模型的第一模型指标，以及所述目标区域的第二模型指标，确定目标模型指标。
4.根据权利要求2所述的方法，其特征在于，所述采用所述源域数据和所述目标域数据，对至少两个相同基模型进行训练，得到所述目标区域的至少两个不同信贷预测模型，包括：
根据所述目标域数据，为各基模型构建数据集；
采用各基模型对应的数据集，对各基模型进行训练，得到各基模型对应的初始模型；
采用所述源域数据和所述目标域数据，对各初始模型进行优化，得到所述目标区域的至少两个不同信贷预测模型。
5.根据权利要求4所述的方法，其特征在于，所述采用所述源域数据和所述目标域数据，对各初始模型进行优化，包括：
针对本轮次待优化的每一初始模型，将该初始模型作为目标模型，以及将除所述目标模型之外的初始模型，作为其他模型；
确定本轮次所述其他模型在所述目标域数据上的本轮预测误差率；
若所述本轮预测误差率小于上一轮预测误差率，则采用所述其他模型，对所述源域数据进行预测，并根据预测结果，从所述源域数据中提取满足筛选条件的数据，作为本轮备用数据；
根据所述本轮备用数据的数据量和上轮备用数据的数据量，确定是否对所述目标模型进行优化。
6.根据权利要求5所述的方法，其特征在于，所述根据所述本轮备用数据的数据量和上轮备用数据的数据量，确定是否对所述目标模型进行优化，包括：
若所述本轮备用数据的数据量大于上轮备用数据的数据量，则从所述本轮备用数据中提取本轮目标数据；
采用所述本轮目标数据和所述目标域数据，对所述目标模型进行优化。
7.根据权利要求1所述的方法，其特征在于，所述基于所述目标用户所属目标区域的至少两个不同信贷预测模型，根据所述目标信用数据，确定所述目标用户的违约信息，包括：
将所述目标信用数据分别输入至所述目标区域的各信贷预测模型中，得到所述目标区域的各信贷预测模型的输出信息；
根据所述目标区域的各信贷预测模型的输出信息，以及所述目标区域的信贷预测模型数量，确定所述目标用户的违约信息。
8.一种信贷业务处理装置，其特征在于，所述装置包括：
数据获取模块，用于响应于目标用户的信贷业务处理请求，获取所述目标用户的目标信用数据；
信息确定模块，用于基于所述目标用户所属目标区域的至少两个不同信贷预测模型，根据所述目标信用数据，确定所述目标用户的违约信息；
业务确定模块，用于根据所述违约信息，确定是否执行所述信贷业务处理请求对应的目标信贷业务；
其中，所述目标区域的至少两个不同信贷预测模型是根据所述目标信贷业务在参考区域的第一样本用户信用数据，以及所述目标信贷业务在所述目标区域的第二样本用户信用数据，对至少两个相同基模型进行训练得到。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310075822.5A CN116091209A (zh) | 2023-01-16 | 2023-01-16 | 信贷业务处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310075822.5A CN116091209A (zh) | 2023-01-16 | 2023-01-16 | 信贷业务处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116091209A true CN116091209A (zh) | 2023-05-09 |
Family
ID=86198931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310075822.5A Pending CN116091209A (zh) | 2023-01-16 | 2023-01-16 | 信贷业务处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116091209A (zh) |
-
2023
- 2023-01-16 CN CN202310075822.5A patent/CN116091209A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11416268B2 (en) | Aggregate features for machine learning | |
| US20180253657A1 (en) | Real-time credit risk management system | |
| CN114298417A (zh) | 反欺诈风险评估方法、训练方法、装置及可读存储介质 | |
| CN107622326B (zh) | 用户分类、可用资源预测方法、装置及设备 | |
| US20230004979A1 (en) | Abnormal behavior detection method and apparatus, electronic device, and computer-readable storage medium | |
| US20190220924A1 (en) | Method and device for determining key variable in model | |
| CN113538154A (zh) | 风险对象的识别方法、装置、存储介质和电子设备 | |
| CN114495137B (zh) | 票据异常检测模型生成方法与票据异常检测方法 | |
| CN115759742A (zh) | 企业风险评估方法、装置、计算机设备和存储介质 | |
| CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
| CN116091209A (zh) | 信贷业务处理方法、装置、计算机设备和存储介质 | |
| CN116882408B (zh) | 变压器图模型的构建方法、装置、计算机设备和存储介质 | |
| US11934384B1 (en) | Systems and methods for providing a nearest neighbors classification pipeline with automated dimensionality reduction | |
| CN117459577A (zh) | 虚拟物品信息推送方法、装置、计算机设备和存储介质 | |
| CN117853217A (zh) | 数据隐私保护的金融违约率预测方法、装置以及设备 | |
| CN116467521A (zh) | 账户推荐模型的训练方法、账户推荐方法、装置和设备 | |
| CN117312892A (zh) | 用户聚类方法、装置、计算机设备和存储介质 | |
| CN116881543A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 | |
| CN117522138A (zh) | 金融业务系统的测试风险识别方法、装置、设备和介质 | |
| CN117312660A (zh) | 项目推送方法、装置、计算机设备和存储介质 | |
| CN118229296A (zh) | 账户的异常行为识别方法、装置、计算机设备和存储介质 | |
| CN117575607A (zh) | 交易风险识别方法、装置、计算机设备和存储介质 | |
| CN116401323A (zh) | 指标数据处理方法、装置及计算机设备 | |
| CN116866419A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
| CN117575363A (zh) | 资源数据监测方法、装置、计算机设备和存储介质 |
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 |