CN116167846A - 校准方法、装置、电子设备及计算机可读存储介质 - Google Patents
校准方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116167846A CN116167846A CN202310147468.2A CN202310147468A CN116167846A CN 116167846 A CN116167846 A CN 116167846A CN 202310147468 A CN202310147468 A CN 202310147468A CN 116167846 A CN116167846 A CN 116167846A
- Authority
- CN
- China
- Prior art keywords
- probability
- growth
- risk probability
- data
- current
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种校准方法、装置、电子设备及计算机可读存储介质,涉及终端技术领域。该方法包括:根据当前特征数据和历史特征数据,通过行为评分卡模型输出当前风险概率和历史风险概率;根据当前特征数据,通过成长模型输出成长概率;根据历史风险概率和当前风险概率,结合成长概率,对当前风险概率进行校准。本申请提供的技术方案,通过行为评分卡模型对当前特征数据和历史特征数据进行分析,分别输出当前风险概率和历史风险概率,再通过成长模型对当前特征数据进行分析,输出成长概率,最后基于成长概率,对当前风险概率进行校准,从而对行为评分卡模型输出的当前风险概率进行了进一步修正,可以提高行为评分卡模型输出的准确度和可靠性。
Description
技术领域
本申请涉及终端技术领域,尤其涉及一种校准方法、装置、电子设备及计算机可读存储介质。
背景技术
行为评分卡模型(Behavior Scoring)是一种根据金融用户在账户使用期间所产生的各种行为,动态预测金融用户贷中风险的评分模型。随着科学技术的不断发展,可以将机器学习算法应用在贷中风险预测,以提高行为评分卡模型的准确性及风险敏感性。
相关技术中,可以构建包含有贷中行为评分卡模型和机器学习模型的多个模型,并选取具有长周期属性的特征对各个模型进行训练,从而形成新的综合性模型,再通过该综合性模型,结合金融用户的数据,对金融用户的贷中风险进行预测。
但是,通过具有长周期属性的特征对模型进行训练,则舍弃了能够及时捕捉到短期风险的短周期特征,使得贷中风险进行预测存在一定的滞后性,从而导致模型对整体客群的风险排序会较差。
发明内容
本申请提供一种校准方法、装置、电子设备及计算机可读存储介质,解决了现有技术中行为评分卡模型输出的风险排序存在一定的问题。
为达到上述目的,本申请采用如下技术方案:
第一方面,提供一种校准方法,包括:
根据当前特征数据和历史特征数据,通过行为评分卡模型输出当前风险概率和历史风险概率;
根据所述当前特征数据,通过成长模型输出成长概率;
根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准。
可选的,所述根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准,包括:
比较所述成长概率和预先设置的成长概率阈值之间的大小关系;
若所述成长概率大于或等于所述成长概率阈值,则保持所述当前风险概率;
若所述成长概率小于所述成长概率阈值,则根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准。
可选的,所述若所述当前风险概率小于所述成长概率阈值,则根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准,包括:
若所述当前风险概率小于所述成长概率阈值,则根据所述历史风险概率和所述当前风险概率,确定风险波动参数;
通过预先设置的成长概率映射函数,根据所述风险波动参数、所述成长概率和预先设置的校准系数进行计算,得到概率校准参数;
根据所述概率校准参数,对所述当前风险概率进行调整。
可选的,所述方法还包括:
获取行为样本数据和行为标签数据;
根据所述行为样本数据和所述行为标签数据,对预先设置的初始行为评分卡模型进行训练,得到所述行为评分卡模型;
其中,所述样本数据包括:账龄数据、逾期数据、余额数据和交易数据,所述行为标签数据为根据用户在表现期内的所述逾期数据确定的。
可选的,所述方法还包括:
获取成长样本数据和成长标签数据;
根据所述成长样本数据和所述成长标签数据,对预先设置的初始成长模型进行训练,得到所述成长模型;
其中,所述成长样本数据包括:账龄数据、逾期数据、余额数据和交易数据,所述成长标签数据为当前风险概率。
可选的,在所述根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准之后,所述方法还包括:
针对校准后的当前风险概率所对应的分数段,获取所述分数段中每个所述校准后的当前风险概率与预先设置的波动阈值之间的大小关系;
确定小于所述波动阈值的所述校准后的当前风险概率的波动数目;
根据所述波动数据和所述校准后的当前风险概率的总数目,确定所述分数段对应的波动稳定性。
第二方面,提供一种校准装置,包括:
第一输出模块,用于根据当前特征数据,通过行为评分卡模型输出历史风险概率和当前风险概率;
第二输出模块,用于根据所述当前特征数据,通过成长模型输出成长概率;
校准模块,用于根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准。
可选的,所述校准模块,具体用于比较所述当前风险概率和预先设置的成长概率阈值之间的大小关系;若所述当前风险概率大于或等于所述成长概率阈值,则保持所述当前风险概率;若所述当前风险概率小于所述成长概率阈值,则根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准。
可选的,所述校准模块,还具体用于若所述当前风险概率小于所述成长概率阈值,则根据所述历史风险概率和所述当前风险概率,确定风险波动参数;通过预先设置的成长概率映射函数,根据所述风险波动参数、所述成长概率和预先设置的校准系数进行计算,得到概率校准参数;根据所述概率校准参数,对所述当前风险概率进行调整。
可选的,所述装置还包括:
第一获取模块,用于获取行为样本数据和行为标签数据;
第一训练模块,用于根据所述行为样本数据和所述行为标签数据,对预先设置的初始行为评分卡模型进行训练,得到所述行为评分卡模型;
其中,所述样本数据包括:账龄数据、逾期数据、余额数据和交易数据,所述行为标签数据为根据用户在表现期内的所述逾期数据确定的。
可选的,所述装置还包括:
第二获取模块,用于获取成长样本数据和成长标签数据;
第二训练模块,用于根据所述成长样本数据和所述成长标签数据,对预先设置的初始成长模型进行训练,得到所述成长模型;
其中,所述成长样本数据包括:账龄数据、逾期数据、余额数据和交易数据,所述成长标签数据为当前风险概率。
可选的,所述装置还包括:
第三获取模块,用于针对校准后的当前风险概率所对应的分数段,获取所述分数段中每个所述校准后的当前风险概率与预先设置的波动阈值之间的大小关系;
数目确定模块,用于确定小于所述波动阈值的所述校准后的当前风险概率的波动数目;
稳定性确定模块,用于根据所述波动数据和所述校准后的当前风险概率的总数目,确定所述分数段对应的波动稳定性。
第三方面,提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面中任一项所述的校准方法。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如第一方面中任一项所述的校准方法。
本申请提供的一种校准方法、装置、电子设备及计算机可读存储介质,通过行为评分卡模型对当前特征数据和历史特征数据进行分析,分别输出当前风险概率和历史风险概率,再通过成长模型对当前特征数据进行分析,输出成长概率,最后基于成长概率,对当前风险概率进行校准,从而对行为评分卡模型输出的当前风险概率进行了进一步修正,可以提高行为评分卡模型输出的准确度和可靠性。
附图说明
图1为本申请实施例提供的一种校准方法的示意性流程图;
图2为本申请实施例提供的一种校准装置的结构框图;
图3示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的方法,以及电子设备的详细说明,以免不必要的细节妨碍本申请的描述。
以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“所述”、“上述”和“该”旨在也包括例如“一个或多个”这种表达形式,除非其上下文中明确地有相反指示。
图1为本申请实施例提供的一种校准方法的示意性流程图,作为示例而非限定,该方法可以应用于电子设备中,参见图1,该方法包括:
步骤101、构建行为评分卡模型。
其中,该行为评分卡模型用于评估金融用户(下述简称为用户)在借贷过程中的风险。
由于用户在借贷过程(下述简称为表现期)中的行为是持续变化的,则需要不间断地对用户的风险进行确认,以降低用户在表现期内逾期的概率。因此,可以根据用户的行为和逾期情况,构建行为评分卡模型,从而可以通过行为评分卡模型对用户在表现期内的风险进行评估。
可选的,电子设备可以先获取用户的行为样本数据和行为标签数据,并根据该行为样本数据和该行为标签数据,对预先设置的初始行为评分卡模型进行训练,得到行为评分卡模型。
其中,行为标签数据为根据用户在表现期内的逾期数据确定的。
而且,用户的行为样本数据可以包括:用户对应的账龄数据、用户的逾期数据、用户的余额数据、以及用户在预设时间段内的交易数据等,例如,可以选取账龄数据大于账龄阈值的用户,并确定该用户在表现期内是否存在逾期情况、用户当前的账户内是否存在余额、以及该用户在最近三个月、半年或一年的时间内是否发生过交易,本申请实施例对行为样本数据不做限定。
具体地,电子设备可以根据行为样本数据中的至少一项数据,从数据库中选取满足该项数据所对应的选取条件的样本用户,再获取样本用户的行为标签数据和其他各项行为样本数据。
之后,电子设备可以将各个用户的行为样本数据输入预先设置的初始行为评分卡模型进行训练,并结合获取的行为标签数据对初始行为评分卡模型进行调整,也即是修正初始行为评分卡模型所输出的风险概率,直至初始行为评分卡模型输出的风险概率与行为标签数据相匹配,或者对初始行为评分卡模型进行训练的次数达到预先设定的训练次数阈值,则停止对初始行为评分卡模型进行训练,得到训练完毕的行为评分卡模型。
步骤102、构建成长模型。
与步骤101类似的,电子设备不但可以训练得到行为评分卡模型,还可以训练成长模型,从而可以通过成长模型对用户在表现期内的行为进行评估,进而根据评估结果对用户的风险进行更新。
类似的,电子设备可以先获取用户的成长样本数据和成长标签数据,并根据成长样本数据和成长标签数据,采用逻辑回归、树模型或DNN模型的方式,对预先设置的初始成长模型进行训练,得到成长模型。其中,成长样本数据可以包括:账龄数据、逾期数据、余额数据和交易数据,成长标签数据可以为当前风险概率。
具体地,电子设备可以根据行为样本数据中的至少一项数据,从数据库中选取满足该项数据所对应的选取条件的样本用户,再获取样本用户的行为标签数据和其他各项行为样本数据。
之后,电子设备可以将各个用户的成长样本数据输入预先设置的初始成长模型进行训练,并结合获取的成长标签数据对初始成长模型进行调整,也即是修正成长模型所输出的成长概率,直至初始成长模型输出的成长概率与成长标签数据相匹配,或者对初始成长模型进行训练的次数达到预先设定的训练次数阈值,则停止对初始成长模型进行训练,得到训练完毕的成长模型。
例如,电子设备可以先根据各个用户的行为评分卡分数,选取小于第一分数阈值的用户,也即是确定风险较高的各个用户。之后,电子设备可以获取确定的各个用户的特征数据,再将获取的各个用户的特征数据输入初始成长模型,并根据输出的成长概率对初始成长模型进行调整,得到训练完毕的成长模型。
其中,用户的特征数据可以与步骤101中构建行为评分卡模型的行为样本数据相同,也可以与行为样本数据不同,本申请实施例对用于训练成长模型的样本数据不做具体限定。
需要说明的是,本申请实施例以先执行步骤101、后执行步骤102为例进行说明。而在实际应用中,电子设备也可以先执行步骤102、后执行步骤101,还可以同时执行步骤101和步骤102,本申请实施例对执行步骤101和步骤102的顺序不做具体限定。
步骤103、根据当前特征数据和历史特征数据,通过行为评分卡模型输出当前风险概率和历史风险概率。
其中,历史风险概率用于表示用户在预设时间之前的某个时刻所对应的风险,当前风险概率用于表示用户在当前时刻所对应的风险。例如,历史风险概率可以为用户在1个月之前的表现期所对应的风险概率的参数,当前风险概率可以为用户在当前时刻所对应的风险概率的参数。
具体地,电子设备可以先确定需要评估的用户,并获取该用户的用户标识。之后,电子设备可以根据用户标识获取该用户在当前时刻所对应的各项当前特征数据,并向行为评分卡模型输入各项当前特征数据,从而可以通过行为评分卡模型对各项当前特征数据进行分析,确定用户对应的当前风险概率。
而且,电子设备还可以采用类似的方式,获取该用户的历史特征数据,并向行为评分卡模型输入获取的历史特征数据,得到历史风险概率,本申请实施例对获取历史风险概率的过程不再赘述。
步骤104、根据当前特征数据,通过成长模型输出成长概率。
在得到当前风险概率后,电子设备可以进一步根据用户的当前特征数据进行计算,确定用户的成长概率,也即是确定该用户的当前风险概率下降的概率,以便在后续步骤中,电子设备可以根据成长概率对当前风险概率进行修正。
具体地,电子设备可以将当前特征数据输入训练完毕的成长模型,通过成长模型预估该用户是否具有成长潜力,从而可以输出该用户的成长概率,以便电子设备可以根据该成长概率,确定该用户的当前风险概率可能降低的概率。
例如,电子设备可以获取用户的当前特征数据,并将获取的当前特征数据输入成长模型,通过成长模型预估该用户在未来1个月内的行为评分卡分数是否大于第二分数阈值。
若用户在未来1个月内的行为评分卡分数大于第二分数阈值,则说明该用户具有成长潜力,可以输出较高的成长概率。但是,若用户在未来1个月内的行为评分卡分数小于第二分数阈值,则说明该用户不具备成长潜力,可以输出较低的成长概率。
步骤105、根据历史风险概率和当前风险概率,结合成长概率,对当前风险概率进行校准。
电子设备在计算得到成长概率后,可以通过成长概率对用户的当前风险概率进行调整,以提高行为评分卡模型输出的准确性。而在对当前风险概率进行调整之前,电子设备可以根据成长概率确定是否需要对当前风险概率进行调整。
可选的,电子设备可以先比较成长概率和预先设置的成长概率阈值之间的大小关系。若成长概率大于或等于成长概率阈值,则可以保持当前风险概率,无需对当前风险概率进行调整。
但是,若成长概率小于成长概率阈值,则电子设备可以根据历史风险概率和当前风险概率,结合成长概率,对当前风险概率进行校准。
具体地,若当前风险概率小于成长概率阈值,则电子设备可以根据历史风险概率和当前风险概率,确定风险波动参数。之后,电子设备可以通过预先设置的成长概率映射函数,根据风险波动参数、成长概率和预先设置的校准系数进行计算,得到概率校准参数。最后,电子设备可以根据概率校准参数,对当前风险概率进行调整。
例如,用户的历史风险概率为Prisk1、当前风险概率为Prisk2、且成长概率为Pgrow=P(Y_grow/X_grow)。若Pgrow大于或等于预先设置的成长概率阈值cutoff,则Prisk2保持不变。
但是,若Pgrow小于cutoff,则电子设备可以先将Pgrow带入预先设置的成长概率映射函数得到F(Pgrow),再获取预先设置的校准系数α、以及Prisk1与Prisk2之间的差值Pdiff=(Prisk1-Prisk2),再对三者相乘,得到α*F(Pgrow)*Pdiff。最后,再对Prisk2、与计算得到的三者的乘积相减,得到调整后的当前风险概率Pnew=Prisk2-α*F(Pgrow)*Pdiff。
需要说明的是,在实际应用中,为了确定行为评分卡模型输出的准确性,可以获取当前风险概率在各个分数段所对应的波动稳定性,从而可以将波动稳定性作为一项评估指标。
可选的,电子设备可以针对校准后的当前风险概率所对应的分数段,获取分数段中每个校准后的当前风险概率与预先设置的波动阈值之间的大小关系,再确定小于波动阈值的校准后的当前风险概率的波动数目,最后可以根据波动数据和校准后的当前风险概率的总数目,确定分数段对应的波动稳定性。
例如,波动稳定性S=Nseg/N,其中,Nseg为当前分数段中当前风险概率小于预先设置的波动阈值的用户的数目,N为各个分数段所包括的用户的总数目。
综上所述,本申请实施例提供的一种校准方法,通过行为评分卡模型对当前特征数据和历史特征数据进行分析,分别输出当前风险概率和历史风险概率,再通过成长模型对当前特征数据进行分析,输出成长概率,最后基于成长概率,对当前风险概率进行校准,从而对行为评分卡模型输出的当前风险概率进行了进一步修正,可以提高行为评分卡模型输出的准确度和可靠性。
对应于上文实施例所述的校准方法,图2为本申请实施例提供的一种校准装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图2,该装置包括:
第一输出模块201,用于根据当前特征数据,通过行为评分卡模型输出历史风险概率和当前风险概率;
第二输出模块202,用于根据该当前特征数据,通过成长模型输出成长概率;
校准模块203,用于根据该历史风险概率和该当前风险概率,结合该成长概率,对该当前风险概率进行校准。
可选的,该校准模块203,具体用于比较该当前风险概率和预先设置的成长概率阈值之间的大小关系;若该当前风险概率大于或等于该成长概率阈值,则保持该当前风险概率;若该当前风险概率小于该成长概率阈值,则根据该历史风险概率和该当前风险概率,结合该成长概率,对该当前风险概率进行校准。
可选的,该校准模块203,还具体用于若该当前风险概率小于该成长概率阈值,则根据该历史风险概率和该当前风险概率,确定风险波动参数;通过预先设置的成长概率映射函数,根据该风险波动参数、该成长概率和预先设置的校准系数进行计算,得到概率校准参数;根据该概率校准参数,对该当前风险概率进行调整。
可选的,该装置还包括:
第一获取模块204,用于获取行为样本数据和行为标签数据;
第一训练模块205,用于根据该行为样本数据和该行为标签数据,对预先设置的初始行为评分卡模型进行训练,得到该行为评分卡模型;
其中,该样本数据包括:账龄数据、逾期数据、余额数据和交易数据,该行为标签数据为根据用户在表现期内的该逾期数据确定的。
可选的,该装置还包括:
第二获取模块206,用于获取成长样本数据和成长标签数据;
第二训练模块207,用于根据该成长样本数据和该成长标签数据,对预先设置的初始成长模型进行训练,得到该成长模型;
其中,该成长样本数据包括:账龄数据、逾期数据、余额数据和交易数据,该成长标签数据为当前风险概率。
可选的,该装置还包括:
第三获取模块208,用于针对校准后的当前风险概率所对应的分数段,获取该分数段中每个该校准后的当前风险概率与预先设置的波动阈值之间的大小关系;
数目确定模块209,用于确定小于该波动阈值的该校准后的当前风险概率的波动数目;
稳定性确定模块210,用于根据该波动数据和该校准后的当前风险概率的总数目,确定该分数段对应的波动稳定性。
综上所述,本申请实施例提供的一种校准装置,通过行为评分卡模型对当前特征数据和历史特征数据进行分析,分别输出当前风险概率和历史风险概率,再通过成长模型对当前特征数据进行分析,输出成长概率,最后基于成长概率,对当前风险概率进行校准,从而对行为评分卡模型输出的当前风险概率进行了进一步修正,可以提高行为评分卡模型输出的准确度和可靠性。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图3示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。
电子设备旨在表示各种形式的具有计算能力的设备,诸如,个人计算机、膝上型计算机、平板电脑、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3所示,电子设备300包括计算单元301,其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序,来执行各种适当的动作和处理。在RAM 303中,还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305,包括:输入单元306,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300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301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301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301执行上文所描述的各个方法和处理,例如页面渲染方法。例如,在一些实施例中,页面渲染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305。在一些实施例中,计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时,可以执行上文描述的页面渲染方法的一个或多个步骤。备选地,在其他实施例中,计算单元301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行校准方法。
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、现场可编程门阵列(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。
示例性实施例中,可读存储介质可以是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根据以上实施例中提供的方法。
示例性实施例中,计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时实现根据以上实施例中提供的方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
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 (10)
1.一种校准方法,其特征在于,包括:
根据当前特征数据和历史特征数据,通过行为评分卡模型输出当前风险概率和历史风险概率;
根据所述当前特征数据,通过成长模型输出成长概率;
根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准,包括:
比较所述当前风险概率和预先设置的成长概率阈值之间的大小关系;
若所述当前风险概率大于或等于所述成长概率阈值,则保持所述当前风险概率;
若所述当前风险概率小于所述成长概率阈值,则根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准。
3.根据权利要求2所述的方法,其特征在于,所述若所述当前风险概率小于所述成长概率阈值,则根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准,包括:
若所述当前风险概率小于所述成长概率阈值,则根据所述历史风险概率和所述当前风险概率,确定风险波动参数;
通过预先设置的成长概率映射函数,根据所述风险波动参数、所述成长概率和预先设置的校准系数进行计算,得到概率校准参数;
根据所述概率校准参数,对所述当前风险概率进行调整。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取行为样本数据和行为标签数据;
根据所述行为样本数据和所述行为标签数据,对预先设置的初始行为评分卡模型进行训练,得到所述行为评分卡模型;
其中,所述样本数据包括:账龄数据、逾期数据、余额数据和交易数据,所述行为标签数据为根据用户在表现期内的所述逾期数据确定的。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取成长样本数据和成长标签数据;
根据所述成长样本数据和所述成长标签数据,对预先设置的初始成长模型进行训练,得到所述成长模型;
其中,所述成长样本数据包括:账龄数据、逾期数据、余额数据和交易数据,所述成长标签数据为当前风险概率。
6.根据权利要求1至5任一所述的方法,其特征在于,在所述根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准之后,所述方法还包括:
针对校准后的当前风险概率所对应的分数段,获取所述分数段中每个所述校准后的当前风险概率与预先设置的波动阈值之间的大小关系;
确定小于所述波动阈值的所述校准后的当前风险概率的波动数目;
根据所述波动数据和所述校准后的当前风险概率的总数目,确定所述分数段对应的波动稳定性。
7.一种校准装置,其特征在于,包括:
第一输出模块,用于根据当前特征数据,通过行为评分卡模型输出历史风险概率和当前风险概率;
第二输出模块,用于根据所述当前特征数据,通过成长模型输出成长概率;
校准模块,用于根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准。
8.根据权利要求7所述的装置,其特征在于,所述校准模块,具体用于比较所述当前风险概率和预先设置的成长概率阈值之间的大小关系;若所述当前风险概率大于或等于所述成长概率阈值,则保持所述当前风险概率;若所述当前风险概率小于所述成长概率阈值,则根据所述历史风险概率和所述当前风险概率,结合所述成长概率,对所述当前风险概率进行校准。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的校准方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的校准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310147468.2A CN116167846A (zh) | 2023-02-09 | 2023-02-09 | 校准方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310147468.2A CN116167846A (zh) | 2023-02-09 | 2023-02-09 | 校准方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167846A true CN116167846A (zh) | 2023-05-26 |
Family
ID=86414449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310147468.2A Pending CN116167846A (zh) | 2023-02-09 | 2023-02-09 | 校准方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167846A (zh) |
-
2023
- 2023-02-09 CN CN202310147468.2A patent/CN116167846A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112527598B (zh) | 监控数据的方法、装置、设备、存储介质和程序产品 | |
CN112907128A (zh) | 基于ab测试结果的数据分析方法、装置、设备及介质 | |
CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
CN112580733A (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN115222444A (zh) | 用于输出模型信息的方法、装置、设备、介质和产品 | |
CN113052063A (zh) | 置信度阈值选择方法、装置、设备以及存储介质 | |
CN115482116A (zh) | 资产投资策略信息的推荐方法、装置、设备及介质 | |
CN113761379B (zh) | 商品推荐方法及装置、电子设备和介质 | |
CN116167846A (zh) | 校准方法、装置、电子设备及计算机可读存储介质 | |
CN113642654B (zh) | 图像特征的融合方法、装置、电子设备和存储介质 | |
CN114021642A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN113112311A (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
CN112632384A (zh) | 针对应用程序的数据处理方法、装置、电子设备和介质 | |
CN112651453A (zh) | 损失函数的自适应方法、装置、设备和存储介质 | |
CN115100461B (zh) | 图像分类模型训练方法、装置、电子设备、介质 | |
CN114398558B (zh) | 信息推荐方法、装置、电子设备和存储介质 | |
CN114742263B (zh) | 负荷预测方法、装置、电子设备及存储介质 | |
CN117236995A (zh) | 付费率预估方法、装置、设备及存储介质 | |
CN115421696A (zh) | 问题代码确定方法及装置 | |
CN114186842A (zh) | 资源估值方法、装置、设备以及存储介质 | |
CN115168369A (zh) | 信息更新方法、装置、电子设备和计算机存储介质 | |
CN117635317A (zh) | 物品迁移信息的确定方法、装置、电子设备及存储介质 |
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 |