CN116563007A - 授信信用风险预测方法、电子设备及可读存储介质 - Google Patents
授信信用风险预测方法、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116563007A CN116563007A CN202310507446.2A CN202310507446A CN116563007A CN 116563007 A CN116563007 A CN 116563007A CN 202310507446 A CN202310507446 A CN 202310507446A CN 116563007 A CN116563007 A CN 116563007A
- Authority
- CN
- China
- Prior art keywords
- credit
- user
- risk prediction
- data set
- user information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013058 risk prediction model Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004590 computer program Methods 0.000 description 13
- 238000013475 authorization Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012552 review Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种授信信用风险预测方法、电子设备及可读存储介质，应用于金融科技技术领域，所述授信信用风险预测方法包括：获取目标用户的授信数据集和用户信息，其中，所述授信数据集包括所述目标用户在各个时间的授信数据；根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征；根据所述用户授信特征和预设的风险预测模型，对所述目标用户进行授信信用风险预测，得到授信风险预测结果。本申请解决了用户授信信用风险的预测准确性的技术问题。
Description
技术领域
本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种授信信用风险预测方法、电子设备及可读存储介质。
背景技术
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对用户的信用水平也有更高的要求。当用户多次进行借款时，也即，用户的授信数据集较丰富时，可能存在用户没有还清借款的能力的情况，所以，需要对用户的授信信用水平进行评估。
目前，为了评估用户的授信信用水平，通常通过风控人员根据用户的授信数据集，对用户的授信信用风险进行判断，而此方法依赖于风控人员的经验，且授信数据集提供的评估依据较为单一化，因此，导致用户授信信用风险的预测准确性较低。
发明内容
本申请的主要目的在于提供一种授信信用风险预测方法、电子设备及可读存储介质，旨在解决现有技术中用户授信信用风险的预测准确性的技术问题。
为实现上述目的，本申请提供一种授信信用风险预测方法，所述授信信用风险预测方法包括：
获取目标用户的授信数据集和用户信息，其中，所述授信数据集包括所述目标用户在各个时间的授信数据；
根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征；
根据所述用户授信特征和预设的风险预测模型，对所述目标用户进行授信信用风险预测，得到授信风险预测结果。
为实现上述目的，本申请还提供一种授信信用风险预测装置，所述授信信用风险预测装置包括：
获取模块，用于获取目标用户的授信数据集和用户信息，其中，所述授信数据集包括所述目标用户在各个时间的授信数据；
构建模块，用于根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征；
预测模块，用于根据所述用户授信特征和预设的风险预测模型，对所述目标用户进行授信信用风险预测，得到授信风险预测结果。
本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述授信信用风险预测方法的程序，所述授信信用风险预测方法的程序被处理器执行时可实现如上述的授信信用风险预测方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现授信信用风险预测方法的程序，所述授信信用风险预测方法的程序被处理器执行时实现如上述的授信信用风险预测方法的步骤。
本申请还提供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如上述的授信信用风险预测方法的步骤。
本申请提供了一种授信信用风险预测方法、电子设备及可读存储介质，相比于通过风控人员根据用户的授信数据集，对用户的信用风险进行判断的方法，本申请通过获取目标用户的授信数据集和用户信息，其中，所述授信数据集包括所述目标用户在各个时间的授信数据；根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征；根据所述用户授信特征和预设的风险预测模型，对所述目标用户进行授信信用风险预测，得到授信风险预测结果，将用户的授信数据集和用户信息共同作为风险预测模型的决策依据，避免了授信信用风险评估的依据单一化的技术缺陷，从而提高了用户授信信用风险的预测准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请授信信用风险预测方法第一实施例的流程示意图；
图2为本申请授信信用风险预测方法涉及的一场景下的授信数据集和用户信息的可视化展示示意图；
图3为本申请授信信用风险预测方法涉及的装置结构示意图；
图4为本申请实施例中授信信用风险预测方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本申请保护的范围。
实施例一
本申请实施例提供一种授信信用风险预测方法，在本申请授信信用风险预测方法的第一实施例中，参照图1，所述授信信用风险预测方法包括：
步骤S10，获取目标用户的授信数据集和用户信息，其中，所述授信数据集包括所述目标用户在各个时间的授信数据；
在本实施例中，需要说明的是，所述目标用户的数量可以为一个，也可以为多个，所述授信数据集为所述用户申请授信过程中产生的数据，所述授信数据集可以来源于多个数据源，所述数据源可以为银行来源，也可以为授信机构来源等其他来源。所述授信数据包括授信审批状态、授信类别、授信金额、授信逾期金额、授信逾期时长、用信交易信息和征信查询次数中的至少一种。所述用户信息为表征用户身份和/或描述用户画像的信息，所述用户信息包括身份信息和职业信息中的至少一种，所述身份信息包括身份证、设备号和手机号中的至少一种。
示例性地，步骤S10包括：从数据源中获取目标用户在各个时间点和/或各个时间段的授信数据和用户信息。
其中，在步骤S10中，所述授信数据包括授信审批状态、授信类别、授信金额、授信逾期金额、授信逾期时长、用信交易信息和征信查询次数中的至少一种。
在本实施例中，需要说明的是，所述授信审批状态包括预审状态、复审状态、复审退回状态、申请状态、借款状态和放款状态中的至少一种；所述授信类别包括短期授信和/或中长期授信；所述用信交易信息包括用信交易产品金额和用信交易产品性质中的至少一种，所述用信交易产品性质包括奢侈品性质和/或生活必需品性质，所述用信交易产品性质可以由用信交易产品对应的需求价格弹性确定。
可以理解的是，当用户的授信逾期日期较长和/或授信逾期金额较大时，用户的信用风险越高，当用户的授信逾期日期较短和/或授信逾期金额较小时，用户的信用风险越低，将授信逾期日期和/或授信逾期金额作为用户的授信数据集，为风险预测模型对用户进行授信信用风险预测提供决策依据，提高了授信信用风险预测的准确性。
可以理解的是，当用信交易产品性质为奢侈品时，此时用户的信用风险可能较高，当用信交易产品性质为生活必需品时，此时用户的信用风险可能较低，例如，当用户的用信交易产品性质为房子时，此时虽然用信交易产品金额较高，但是，用户的信用风险可能较低，将用信交易产品性质作为用户的授信数据集，为风险预测模型对用户进行授信信用风险预测提供决策依据，提高了授信信用风险预测的准确性。
可选地，在所述获取目标用户的授信数据集和用户信息的步骤之后，还包括：
若所述授信数据包括所述授信审批状态，则清除所述授信数据中同一授信交易的复审退回状态。
可以理解的是，对于同一授信交易可能存在多次复审申请，也即，存在多次复审退回情况，而授信审批状态仅代表用户的授信申请的实时审批情况，多个重复的复审退回状态并无法影响用户的授信信用风险预测，所以清除同一授信交易的复审退回状态，在一定程度上简化了授信数据集，也即，简化了风险预测模型的输入特征，所以，提高了授信信用风险预测的效率。
步骤S20，根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征；
示例性地，对所述授信数据集进行特征提取，得到授信特征；对所述用户信息进行特征提取，得到用户特征；将所述授信特征和所述用户特征拼接为所述用户对应的用户授信特征。
作为一种示例，所述授信特征可以为所述授信数据集进行特征提取得到，也可以为所述授信数据集中部分所述授信数据进行特征提取得到。
其中，在步骤S20中，所述根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征的步骤包括：
步骤S21，根据所述授信数据集，在所述各个时间中选取至少一个目标时间，将各所述目标时间作为所述用户对应的时间窗口，其中，所述目标时间对应的授信数据表征所述用户的授信信用；
可以理解的是，授信数据集中可能存在某个时间点无法表征用户的授信信用的授信数据的情况，例如，授信金额较低或者授信申请失败次数较多的授信数据，或者对于风险预测模型进行授信信用风险预测的贡献度较低的数据，又或者用户设置的无法表征用户的授信信用的数据，如直接通过授信数据集和用户信息构建得到的用户授信特征进行用户的授信信用风险预测，则容易出现由于授信数据集中存在无法表征用户的授信信用的授信数据，使得无用的模型计算较多导致用户授信信用预测效率较低。
其中，在步骤S21中，所述根据所述授信数据集，在所述各个时间中选取至少一个目标时间的步骤包括：
步骤A10，若所述授信数据包括授信额度，则在所述各个时间中选取使得对应的所述授信额度大于预设额度阈值的目标时间；和/或，
可以理解的是，用户的授信金额越高，对于用户的授信信用风险预测的参考价值越大，当用户的授信金额过低时，此时并不能对用户的授信信用风险预测提供贡献度，反而可能会对预测过程造成反效果，所以，导致授信信用风险预测效率较低。
在本实施例中，需要说明的是，所述授信金额为所述用户向授信机构申请借用的金额。所述预设金额阈值为预先设置的将时间选取为目标时间对应的授信金额临界值。
示例性地，若所述授信数据集包括所述用户在各个时间的授信金额，则在所述各个时间中选取使得对应的所述授信金额大于预设金额阈值的目标时间，例如，当天8点-9点，用户申请一家授信机构的授信金额为200元，当天9点-10点，用户申请又一家授信机构的授信金额为1200元，当天15点-16点，用户申请另一家授信机构的授信金额为20000元，预设金额阈值为1000元，则将当天9点-10点以及15点-16点选取为用户对应的目标时间。
根据授信金额对授信数据进行筛选，剔除了部分授信金额过低的对应用户的授信信用风险预测贡献度较低的授信数据，使得选取的时间窗口对应的授信数据对于用户的授信信用风险预测贡献度较高，简化了风险预测模型的输入特征，从而提高了授信信用风险预测效率。
步骤A20，若所述授信数据包括授信申请失败次数，则在所述各个时间中选取使得对应的所述授信申请失败次数大于预设授信申请次数阈值的目标时间。
可以理解的是，用户的授信申请失败次数越高，也即，授信机构对于用户的授信信用评级较低，对于用户的授信信用风险预测的参考价值越大，而用户的授信申请失败次数较少时，可能是由于信息填写错误等其他原因导致申请失败，因此，授信申请失败次数过少的授信数据对于信用风险的评估贡献度可能存在较低的情况，从而导致授信信用风险预测效率较低。
在本实施例中，需要说明的是，所述预设授信申请次数阈值为预先设置的将时间划分为用户对应的时间窗口对应的授信申请失败次数临界值。
示例性地，若所述授信数据集还包括所述用户在各个时间的授信申请失败次数，则在所述各个时间中划分使得对应的所述授信申请失败次数大于预设授信申请次数阈值的时间窗口，例如，当天8点-9点，用户授信申请失败次数为2，当天9点-10点，用户授信申请失败次数为1，当天15点-16点，用户授信申请失败次数为4，预设授信申请次数阈值为1，则将当天8点-9点以及15点-16点选取为用户对应的目标时间。
根据授信申请失败次数对授信数据进行筛选，剔除了部分授信申请失败次数较低的对应用户的授信信用风险预测贡献度较低的授信数据，使得选取的时间窗口对应的授信数据对于用户的授信信用风险预测贡献度较高，简化了风险预测模型的输入特征，从而提高了授信信用风险预测效率。
步骤S22，根据所述时间窗口对应的授信数据和所述用户信息，构建所述目标用户对应的用户授信特征。
可以理解的是，由于授信数据集包括所有时间的授信数据，因此授信数据集中可能会包括较多对于授信信用风险预测没有贡献或者贡献度较低的授信数据，直接根据由授信数据集和用户信息构建得到的用户授信特征和风险预测模型，对用户进行授信信用风险预测，则容易出现模型调度算法较复杂，导致授信信用风险预测的效率较低的情况。
示例性地，在所述各个时间的授信数据中选取各个所述时间窗口对应的授信数据；将所述时间窗口对应的授信数据和所述用户信息拼接为所述用户对应的用户授信特征。
本申请实施例通过根据所述授信数据集和/或用户信息，在所述各个时间中划分所述用户对应的时间窗口；在所述授信数据集中选取所述时间窗口对应的授信数据；根据所述时间窗口对应的授信数据和所述用户信息，构建所述目标用户对应的用户授信特征，对授信数据集的授信数据进行选取，使得选取得到的授信数据可以对用户的授信信用风险预测提供较高的贡献度，所以，简化了风险预测模型的输入特征，也即，简化了模型调度算法的复杂度，进而提高了授信信用风险预测的效率。
步骤S30，根据所述用户授信特征和预设的风险预测模型，对所述目标用户进行授信信用风险预测，得到授信风险预测结果。
在本实施例中，需要说明的是，所述风险预测结果用于表征所述用户的授信信用预测风险。所述风险预测模型由多条训练样本迭代训练得到，所述一条所述训练样本包括一条输入特征和所述输入特征对应的训练标签，所述输入特征由一种授信数据集和一种用户信息构建得到，所述训练标签包括由所述授信数据集和所述用户信息限定的用户授信场景下，用户的真实信用风险。
示例性地，通过风险预测模型将所述用户授信特征映射为所述用户授信信用风险的预测概率，得到授信风险预测结果。
本申请实施例提供了一种授信信用风险预测方法，相比于通过风控人员根据用户的授信数据集，对用户的信用风险进行判断的方法，本申请实施例通过获取目标用户的授信数据集和用户信息，其中，所述授信数据集包括所述目标用户在各个时间的授信数据；根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征；根据所述用户授信特征和预设的风险预测模型，对所述目标用户进行授信信用风险预测，得到授信风险预测结果，将用户的授信数据集和用户信息共同作为风险预测模型的决策依据，避免了授信信用风险评估的依据单一化的技术缺陷，从而提高了用户授信信用风险的预测准确性。
实施例二
进一步地，基于本申请第一实施例，在本申请另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，其中，在步骤S20中，所述根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征的步骤包括：
步骤B10，获取预设时间和/或预设授信事件发生的时间；
在本实施例中，需要说明的是，所述预设时间为预先设置的时间段和/或时间点；所述预设授信事件为预先设置的用户申请的授信事件，所述周期时间为授信事件的账单生成周期。
步骤B20，根据所述预设时间和/或所述预设授信事件发生的时间对应的授信数据和所述用户信息，构建所述目标用户对应的用户授信特征。
示例性地，在所述授信数据集中选取所述预设时间和/或预设授信事件发生的时间对应的授信数据，将所述预设时间和/或所述预设授信事件发生的时间对应的授信数据和所述用户信息拼接为所述用户对应的用户授信特征。
可以理解的是，由于用户的授信行为具有不定性，通过将预设时间和/或预设授信事件发生的周期时间选取的授信数据和用户信息作为用户授信特征，可实现用户授信信用风险的针对性预测。
其中，在步骤S20中，所述根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征的步骤包括：
步骤S01，将所述授信数据集和所述用户信息输出，以供风控人员对所述授信数据中的各项数据和所述用户信息中的各项信息进行选取；
作为一种示例，分别将授信数据集中的各项授信数据和所述用户信息对应的用户数据项通过页面显示进行可视化展示，以供风控人员进行授信数据和用户数据的选取。
作为一种示例，获取多个用户的用户信息，分别将所述授信数据的多项数据和所述用户信息的多项信息通过页面显示进行可视化展示，以供风控人员对所述授信数据中的各项数据和所述用户信息中的各项信息进行选取。
可以理解的是，所述授信数据的多项数据是指多项不同类别的授信数据，所述用户信息的多项信息是指多项不同类别的用户信息。
可选地，所述根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征的步骤包括：
将所述授信数据集对应的多项时间窗口输出，以供风控人员对所述多项时间窗口进行选取；根据所述风控人员选取的所述时间窗口对应的授信数据和所述用户信息，构建所述目标用户对应的用户授信特征。
其中，在步骤S20中，所述根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征的步骤还包括：
步骤S02，根据所述风控人员选取的所述授信数据中的至少一项数据和所述用户信息中的至少一项信息，构建所述目标用户对应的用户授信特征。
示例性地，将所述风控人员选取的所述授信数据中的至少一项数据和所述用户信息中的至少一项信息，拼接为所述目标用户对应的用户授信特征。
作为一种示例，将所述风控人员选取的所述授信数据和选取的所述用户信息拼接为所述风控人员选取的用户对应的用户授信特征。
通过将不同类别的授信数据和用户信息进行可视化展示，以供风控人员进行针对性的选取，从而使得根据选取得到的各项数据和各项信息构建得到的用户授信特征，预测得到的授信风险预测结果更具有指向性。
作为一种示例，参照图2，图2为本申请授信信用风险预测方法涉及的一场景下的授信数据集和用户信息的可视化展示示意图，图2包括：数据源、用户信息(图示的统计纬度)、授信数据(图示的交易环节、交易状态、统计对象和交易环节)和授信风险预测结果(图示的生成指标命名)。风控人员可通过各个数据源、用户信息、授信数据和时间窗口分别进行选取，从而根据选取得到的数据源、选取得到的用户信息中的至少一项信息、选取得到的授信数据中的至少一项数据和选取得到的时间窗口，对用户进行授信信用风险预测，输出授信风险预测结果。
将所述授信数据集和所述用户信息输出，以供风控人员对所述授信数据中的各项数据和所述用户信息中的各项信息进行选取；根据所述风控人员选取的所述授信数据中的至少一项数据和所述用户信息中的至少一项信息，构建所述目标用户对应的用户授信特征，实现授信数据集和用户信息的可视化展示，从而可对根据风控人员选取的授信数据和用户信息进行用户授信信用风险的预测，实现了授信信用风险预测的可视化展示和可视化数据选取。
其中，在步骤S30中，在所述根据所述用户授信特征和预设的风险预测模型，对所述目标用户进行授信信用风险预测，得到授信风险预测结果的步骤之前，还包括：
步骤C10，获取多条训练样本，其中，一条所述训练样本包括一条输入特征和所述输入特征对应的训练标签，所述输入特征由一种授信数据集和一种用户信息构建得到，所述训练标签包括由所述授信数据集和所述用户信息限定的用户授信场景下，用户的真实信用风险；
步骤C20，根据所述多条训练样本对待训练风险预测模型进行迭代优化得到所述风险预测模型。
示例性地，通过所述待训练风险预测模型将所述输入特征映射为预测标签，获取所述预测标签和所述训练标签之间的差异度，根据所述差异度，构建所述风险预测模型对应的模型损失；判断所述模型损失是否收敛，若收敛，则将所述待训练风险预测模型作为风险预测模型，若未收敛，则根据所述模型损失计算的梯度，更新所述待训练风险预测模型，并返回执行步骤：获取多条训练样本，直至计算得到的模型损失收敛。
本申请实施例通过获取多条训练样本，其中，一条所述训练样本包括一条输入特征和所述输入特征对应的训练标签，所述输入特征由一种授信数据集和一种用户信息构建得到，所述训练标签包括由所述授信数据集和所述用户信息限定的用户授信场景下，用户的真实信用风险；根据所述多条训练样本对待训练风险预测模型进行迭代优化得到所述风险预测模型，通过多条训练样本进行模型训练，使得训练得到的风险预测模型由用户的授信数据集和用户信息提供授信信用风险预测的决策依据，从而提高了用户授信信用风险的预测准确性。
实施例三
本申请实施例还提供一种授信信用风险预测装置，参照图3，所述授信信用风险预测装置包括：
获取模块，用于获取目标用户的授信数据集和用户信息，其中，所述授信数据集包括所述目标用户在各个时间的授信数据；
构建模块，用于根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征；
预测模块，用于根据所述用户授信特征和预设的风险预测模型，对所述目标用户进行授信信用风险预测，得到授信风险预测结果。
可选地，所述构建模块还用于：
根据所述授信数据集，在所述各个时间中选取至少一个目标时间，将各所述目标时间作为所述用户对应的时间窗口，其中，所述目标时间对应的授信数据表征所述用户的授信信用；
根据所述时间窗口对应的授信数据和所述用户信息，构建所述目标用户对应的用户授信特征。
可选地，所述构建模块还用于：
若所述授信数据包括授信金额，则在所述各个时间中选取使得对应的所述授信金额大于预设金额阈值的目标时间；和/或，
若所述授信数据集包括授信申请失败次数，则在所述各个时间中选取使得对应的所述授信申请失败次数大于预设授信申请次数阈值的目标时间。
可选地，所述构建模块还用于：
获取预设时间和/或预设授信事件发生的时间；
根据所述预设时间和/或所述预设授信事件发生的时间对应的授信数据和所述用户信息，构建所述目标用户对应的用户授信特征。
可选地，所述构建模块还用于：
将所述授信数据集和所述用户信息输出，以供风控人员对所述授信数据中的各项数据和所述用户信息中的各项信息进行选取；
根据所述风控人员选取的所述授信数据中的至少一项数据和所述用户信息中的至少一项信息，构建所述目标用户对应的用户授信特征。
可选地，在所述根据所述用户授信特征和预设的风险预测模型，对所述目标用户进行授信信用风险预测，得到授信风险预测结果的步骤之前，所述授信信用风险预测装置还用于：
获取多条训练样本，其中，一条所述训练样本包括一条输入特征和所述输入特征对应的训练标签，所述输入特征由一种授信数据集和一种用户信息构建得到，所述训练标签包括由所述授信数据集和所述用户信息限定的用户授信场景下，用户的真实信用风险；
根据所述多条训练样本对待训练风险预测模型进行迭代优化得到所述风险预测模型。
可选地，在所述获取目标用户的授信数据集和用户信息的步骤之前，所述授信信用风险预测装置还用于：
获取多个用户的用户信息，并将所述多个用户的用户信息输出，以供风控人员进行所述多个用户的用户信息的选取；
将所述风控人员选取的用户信息作为所述目标用户的用户信息。
本申请提供的授信信用风险预测装置，采用上述实施例中的授信信用风险预测方法，解决了用户授信信用风险的预测准确性的技术问题。与现有技术相比，本申请实施例提供的授信信用风险预测装置的有益效果与上述实施例提供的授信信用风险预测方法的有益效果相同，且该授信信用风险预测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
实施例四
本申请实施例提供一种电子设备，所述电子设备包括：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，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例中的授信信用风险预测方法。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(Personal Digital Assistant，个人数字助理)、PAD(平板电脑)、PMP(Portable MediaPlayer，便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)，其可以根据存储在ROM(Read-Only Memory，只读存储器)中的程序或者从存储装置加载到RAM(Random Access Memory，随机访问存储器)中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
通常，以下系统可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备，采用上述实施例中的授信信用风险预测方法，解决了用户授信信用风险的预测准确性的技术问题。与现有技术相比，本申请实施例提供的电子设备的有益效果与上述实施例提供的授信信用风险预测方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本申请的具体实施方式，但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，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
实施例五
本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例中的授信信用风险预测方法的方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、RAM、ROM、EPROM(Erasable Programmable Read Only Memory，可擦式可编程只读存储器)或闪存、光纤、CD-ROM(compact disc read-only memory，便携式紧凑磁盘只读存储器)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Radio Frequency，射频)等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：获取目标用户的授信数据集和用户信息，其中，所述授信数据集包括所述目标用户在各个时间的授信数据；根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征；根据所述用户授信特征和预设的风险预测模型，对所述目标用户进行授信信用风险预测，得到授信风险预测结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括LAN(LocalArea Network，局域网)或WAN(Wide Area Network,广域网)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，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，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质，存储有用于执行上述授信信用风险预测方法的计算机可读程序指令，解决了用户授信信用风险的预测准确性的技术问题。与现有技术相比，本申请实施例提供的计算机可读存储介质的有益效果与上述实施提供的授信信用风险预测方法的有益效果相同，在此不做赘述。
实施例六
本申请还提供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如上述的授信信用风险预测方法的步骤。
本申请提供的计算机程序产品解决了用户授信信用风险的预测准确性的技术问题。与现有技术相比，本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的授信信用风险预测方法的有益效果相同，在此不做赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种授信信用风险预测方法，其特征在于，所述授信信用风险预测方法包括：
获取目标用户的授信数据集和用户信息，其中，所述授信数据集包括所述目标用户在各个时间的授信数据；
根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征；
根据所述用户授信特征和预设的风险预测模型，对所述目标用户进行授信信用风险预测，得到授信风险预测结果。
2.如权利要求1所述授信信用风险预测方法，其特征在于，所述根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征的步骤包括：
根据所述授信数据集，在所述各个时间中选取至少一个目标时间，将各所述目标时间作为所述用户对应的时间窗口，其中，所述目标时间对应的授信数据表征所述用户的授信信用；
根据所述时间窗口对应的授信数据和所述用户信息，构建所述目标用户对应的用户授信特征。
3.如权利要求2所述授信信用风险预测方法，其特征在于，所述根据所述授信数据集，在所述各个时间中选取至少一个目标时间的步骤包括：
若所述授信数据包括授信金额，则在所述各个时间中选取使得对应的所述授信金额大于预设金额阈值的目标时间；和/或，
若所述授信数据包括授信申请失败次数，则在所述各个时间中选取使得对应的所述授信申请失败次数大于预设授信申请次数阈值的目标时间。
4.如权利要求1所述授信信用风险预测方法，其特征在于，所述根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征的步骤包括：
获取预设时间和/或预设授信事件发生的时间；
根据所述预设时间和/或所述预设授信事件发生的时间对应的授信数据和所述用户信息，构建所述目标用户对应的用户授信特征。
5.如权利要求1所述授信信用风险预测方法，其特征在于，所述根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征的步骤包括：
将所述授信数据集和所述用户信息输出，以供风控人员对所述授信数据中的各项数据和所述用户信息中的各项信息进行选取；
根据所述风控人员选取的所述授信数据中的至少一项数据和所述用户信息中的至少一项信息，构建所述目标用户对应的用户授信特征。
6.如权利要求1所述授信信用风险预测方法，其特征在于，在所述获取目标用户的授信数据集和用户信息的步骤之前，还包括：
获取多个用户的用户信息，并将所述多个用户的用户信息输出，以供风控人员进行所述多个用户的用户信息的选取；
将所述风控人员选取的用户信息作为所述目标用户的用户信息。
7.如权利要求1至6中任一项所述授信信用风险预测方法，其特征在于，在所述根据所述用户授信特征和预设的风险预测模型，对所述目标用户进行授信信用风险预测，得到授信风险预测结果的步骤之前，还包括：
获取多条训练样本，其中，一条所述训练样本包括一条输入特征和所述输入特征对应的训练标签，所述输入特征由一种授信数据集和一种用户信息构建得到，所述训练标签包括由所述授信数据集和所述用户信息限定的用户授信场景下，用户的真实信用风险；
根据所述多条训练样本对待训练风险预测模型进行迭代优化得到所述风险预测模型。
8.一种授信信用风险预测装置，其特征在于，所述授信信用风险预测装置包括：
获取模块，用于获取目标用户的授信数据集和用户信息，其中，所述授信数据集包括所述目标用户在各个时间的授信数据；
构建模块，用于根据所述授信数据集和所述用户信息，构建所述目标用户对应的用户授信特征；
预测模块，用于根据所述用户授信特征和预设的风险预测模型，对所述目标用户进行授信信用风险预测，得到授信风险预测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
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至7中任一项所述的授信信用风险预测方法的步骤。
10.一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实现授信信用风险预测方法的程序，所述实现授信信用风险预测方法的程序被处理器执行以实现如权利要求1至7中任一项所述授信信用风险预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310507446.2A CN116563007A (zh) | 2023-05-05 | 2023-05-05 | 授信信用风险预测方法、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310507446.2A CN116563007A (zh) | 2023-05-05 | 2023-05-05 | 授信信用风险预测方法、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116563007A true CN116563007A (zh) | 2023-08-08 |
Family
ID=87485541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310507446.2A Pending CN116563007A (zh) | 2023-05-05 | 2023-05-05 | 授信信用风险预测方法、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116563007A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116797357A (zh) * | 2023-08-24 | 2023-09-22 | 杭银消费金融股份有限公司 | 一种基于金融终端的授信处理方法与设备 |
-
2023
- 2023-05-05 CN CN202310507446.2A patent/CN116563007A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116797357A (zh) * | 2023-08-24 | 2023-09-22 | 杭银消费金融股份有限公司 | 一种基于金融终端的授信处理方法与设备 |
| CN116797357B (zh) * | 2023-08-24 | 2023-11-21 | 杭银消费金融股份有限公司 | 一种基于金融终端的授信处理方法与设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992169A (zh) | 一种风险评估方法、装置、服务器及存储介质 | |
| US10430320B2 (en) | Prioritization of test cases | |
| CN116563007A (zh) | 授信信用风险预测方法、电子设备及可读存储介质 | |
| CN110765596A (zh) | 审核过程仿真模型建模方法、装置及电子设备 | |
| CN110348999B (zh) | 金融风险敏感用户识别方法、装置及电子设备 | |
| CN115034596A (zh) | 一种风险传导预测方法、装置、设备和介质 | |
| CN113392018B (zh) | 流量分发方法、装置、存储介质及电子设备 | |
| CN117032573A (zh) | 微服务执行方法、电子设备及可读存储介质 | |
| CN115543638B (zh) | 基于不确定性的边缘计算数据收集分析方法、系统及设备 | |
| CN116720946A (zh) | 基于循环神经网络的信贷风险预测方法、装置和存储介质 | |
| CN110457318A (zh) | 区块链中数据字段的更新方法、装置、介质、电子设备 | |
| CN114116431B (zh) | 系统运行健康检测方法、装置、电子设备及可读存储介质 | |
| CN114842303A (zh) | 自训练优化方法、装置、电子设备及计算机可读存储介质 | |
| CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
| US20220083897A1 (en) | Explanation for time series forecasting models | |
| US20220351633A1 (en) | Learner engagement engine | |
| CN111767290B (zh) | 用于更新用户画像的方法和装置 | |
| CN113516398A (zh) | 基于分层抽样的风险设备识别方法、装置及电子设备 | |
| CN113255819A (zh) | 用于识别信息的方法和装置 | |
| CN115470292B (zh) | 区块链共识方法、装置、电子设备及可读存储介质 | |
| CN111049988A (zh) | 移动设备的亲密度预测方法、系统、设备及存储介质 | |
| CN112416989A (zh) | 互联网演艺经纪人平台的管理方法、装置及电子设备 | |
| KR102669800B1 (ko) | 수학 문제에 대한 풀이를 단계별로 제공하기 위한 방법 및 장치 | |
| CN111694755B (zh) | 应用程序测试方法、装置、电子设备及介质 | |
| CN114647721B (zh) | 教育智能机器人控制方法、设备及介质 |
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 |