CN117372155A - 信用风险处理方法、装置、计算机设备和存储介质 - Google Patents
信用风险处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117372155A CN117372155A CN202311515599.8A CN202311515599A CN117372155A CN 117372155 A CN117372155 A CN 117372155A CN 202311515599 A CN202311515599 A CN 202311515599A CN 117372155 A CN117372155 A CN 117372155A
- Authority
- CN
- China
- Prior art keywords
- credit risk
- user
- user information
- information
- credit
- 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
- 238000003672 processing method Methods 0.000 title abstract description 15
- 238000012502 risk assessment Methods 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000008451 emotion Effects 0.000 claims description 60
- 230000006399 behavior Effects 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 21
- 238000007477 logistic regression Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种信用风险处理方法、装置、计算机设备和存储介质。该方法包括:获取用户的多个维度的第一用户信息;所述多个维度对应于所述用户办理业务的多个种类的申请条件维度;将所述多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过所述信用风险评估模型输出所述用户的信用风险等级;根据所述信用风险等级和所述用户的第二用户信息,得到所述用户的信用风险标签;所述第二用户信息与所述第一用户信息不同;根据所述信用风险标签和所述信用风险等级,得到所述用户的信用风险决策,以使业务方基于所述信用风险决策执行与所述用户的信用风险相适应的业务行为。采用本方法能够提升信用风险评估的准确性,并制定相应的决策处理。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种信用风险处理方法、装置、计算机设备和存储介质。
背景技术
在用户申请使用信贷、投资等相关业务时,需要对用户进行相应的信用风险评估,从而帮助平台规避风险。目前对用户进行信用风险评估的方式通常是进行人为评估,或者平台基于简单规则进行评估。
然而,人为评估的主观性较强,评估结果易偏差、易出错。通过简单规则评估的方式又无法针对不同客户进行个性化评估,使得两种信用风险评估方式均存在评估结果准确性低,且均无法针对信用风险等级给出相应的决策处理。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升信用风险评估的准确性,并制定相应的决策处理的信用风险处理方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种信用风险处理方法,包括:
获取用户的多个维度的第一用户信息;所述多个维度对应于所述用户办理业务的多个种类的申请条件维度;
将所述多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过所述信用风险评估模型输出所述用户的信用风险等级;
根据所述信用风险等级和所述用户的第二用户信息,得到所述用户的信用风险标签;所述第二用户信息与所述第一用户信息不同;
根据所述信用风险标签和所述信用风险等级,得到所述用户的信用风险决策,以使业务方基于所述信用风险决策执行与所述用户的信用风险相适应的业务行为。
在其中一个实施例中,所述通过所述信用风险评估模型输出所述用户的信用风险等级,包括:
将所述多个维度的第一用户信息通过第一函数进行线性处理,得到所述多个维度的第一用户信息对应的线性组合信息;
将所述线性组合信息通过第二函数进行逻辑回归处理,得到目标预测值;所述目标预测值表征属于目标信用风险等级的概率;
根据所述目标预测值,确定所述用户对应的信用风险等级。
在其中一个实施例中,在所述将所述多个维度的第一用户信息通过第一函数进行线性处理之前,还包括:
对所述多个维度的第一用户信息进行预处理,将所述多个维度的第一用户信息转换为多个维度的数值用户信息。
在其中一个实施例中,所述将所述多个维度的第一用户信息通过第一函数进行线性处理,得到所述多个维度的第一用户信息对应的线性组合信息,包括:
获取所述多个维度的第一用户信息对应的多个权重,并将所述多个权重作为所述信用风险评估模型的模型参数;
根据所述多个权重,对所述多个维度的第一用户信息进行加权求和,得到所述线性组合信息。
在其中一个实施例中,所述信用风险评估模型通过如下方式训练得到:
获取多个样本第一用户信息,并将所述多个样本第一用户信息分割为训练集以及测试集;所述样本第一用户信息包括所述多个维度的第一用户信息的多个样本第一用户信息,以及所述用户对应的真实信用风险等级;
将所述多个样本第一用户信息输入待训练的初始信用风险评估模型,通过所述初始信用风险评估模型输出样本预测值,以训练所述初始信用风险评估模型;
循环执行所述将所述多个样本第一用户信息输入所述初始信用风险评估模型的步骤,以迭代更新所述初始信用风险评估模型的模型参数,直到检测到所述样本预测值对应的信用风险等级与所述真实信用风险等级一致时,得到训练完成的所述信用风险评估模型。
在其中一个实施例中,所述根据所述信用风险标签和所述信用风险等级,得到所述用户的信用风险决策,包括:
根据所述信用风险标签,确定出所述用户的初始信用风险决策;
根据所述信用风险等级,对所述初始信用风险决策进行调整,得到所述信用风险决策。
在其中一个实施例中,还包括:
获取所述用户办理所述业务产生的文本信息和情感信息;
根据所述文本信息、所述情感信息和所述信用风险标签,对所述信用风险决策进行调整,得到调整后的信用风险决策。
在其中一个实施例中,所述根据所述文本信息、所述情感信息和所述信用风险标签,对所述信用风险决策进行调整,包括:
对所述文本信息和所述情感信息进行分类处理,分别得到所述用户的财务状况分类和情感分类;所述财务状况分类包括财务稳定和财务波动,所述情感分类包括积极情感和消极情感;
当所述用户的财务状况分类为财务稳定且情感分类为积极情感,则将所述信用风险决策的当前业务行为调整为与降低后的风险信用等级相适应的第一业务行为;
当所述用户的财务状况分类为财务波动且情感分类为消极情感,则将所述当前业务行为调整为与提升后的风险信用等级相适应的第二业务行为。
第二方面,本申请还提供了一种信用风险处理装置,所述装置包括:
信息获取模块,用于获取用户的多个维度的第一用户信息;所述多个维度对应于所述用户办理业务的多个种类的申请条件维度;
等级确定模块,用于将所述多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过所述信用风险评估模型输出所述用户的信用风险等级;
标签确定模块,用于根据所述信用风险等级和所述用户的第二用户信息,得到所述用户的信用风险标签;所述第二用户信息与所述第一用户信息不同;
决策确定模块,用于根据所述信用风险标签和所述信用风险等级,得到所述用户的信用风险决策,以使业务方基于所述信用风险决策执行与所述用户的信用风险相适应的业务行为。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取用户的多个维度的第一用户信息;所述多个维度对应于所述用户办理业务的多个种类的申请条件维度;
将所述多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过所述信用风险评估模型输出所述用户的信用风险等级;
根据所述信用风险等级和所述用户的第二用户信息,得到所述用户的信用风险标签;所述第二用户信息与所述第一用户信息不同;
根据所述信用风险标签和所述信用风险等级,得到所述用户的信用风险决策,以使业务方基于所述信用风险决策执行与所述用户的信用风险相适应的业务行为。
第四方面,本申请还提供了一种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:
获取用户的多个维度的第一用户信息;所述多个维度对应于所述用户办理业务的多个种类的申请条件维度;
将所述多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过所述信用风险评估模型输出所述用户的信用风险等级;
根据所述信用风险等级和所述用户的第二用户信息,得到所述用户的信用风险标签;所述第二用户信息与所述第一用户信息不同;
根据所述信用风险标签和所述信用风险等级,得到所述用户的信用风险决策,以使业务方基于所述信用风险决策执行与所述用户的信用风险相适应的业务行为。
第五方面,本申请还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:
获取用户的多个维度的第一用户信息;所述多个维度对应于所述用户办理业务的多个种类的申请条件维度;
将所述多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过所述信用风险评估模型输出所述用户的信用风险等级;
根据所述信用风险等级和所述用户的第二用户信息,得到所述用户的信用风险标签;所述第二用户信息与所述第一用户信息不同;
根据所述信用风险标签和所述信用风险等级,得到所述用户的信用风险决策,以使业务方基于所述信用风险决策执行与所述用户的信用风险相适应的业务行为。
上述信用风险处理方法、装置、计算机设备和存储介质,通过获取用户的多个维度的第一用户信息,多个维度对应于用户办理业务的多个种类的申请条件维度,将多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过信用风险评估模型输出用户的信用风险等级,从而能够基于丰富的用户信息对用户的信用风险等级进行个准确和个性化的评估。并且还根据信用风险等级和用户的第二用户信息,得到用户的信用风险标签,第二用户信息与第一用户信息不同,从而能够获取业务申请条件维度之外的用户信息,并根据进一步丰富的用户信息识别用户的信用风险标签。最后,根据信用风险标签和信用风险等级,得到用户的信用风险决策,以使业务方基于信用风险决策执行与用户的信用风险相适应的业务行为,从而能够将用户的信用风险等级和信用风险标签进行组合,对用户进行全面的信用风险评估操作,并为用户制定相应的信用风险决策,从而能够提升对信用风险评估及决策制定的准确性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为一个实施例中信用风险处理方法的应用环境图;
图2为一个实施例中信用风险处理方法的流程示意图;
图3为一个实施例中确定信用风险等级步骤的流程示意图;
图4为一个实施例中信用风险处理装置的结构框图;
图5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。
传统技术中,在用户申请信贷、投资等相关业务时,进行信用风险评估是确保平台安全运营的关键环节。目前的评估方法主要有两种:一是通过人工评估,二是平台基于简单规则进行评估。人为评估存在的问题主要表现在主观性较强,容易受到个体经验和判断的影响,从而导致评估结果存在偏差和误差。另一方面,平台基于简单规则的评估方式虽然提供了一定的自动化,但无法根据不同客户的个性化情况进行灵活调整,导致评估的准确性相对较低。而且,这两种方式都未能提供明确的决策处理流程,缺乏针对不同信用风险等级的具体应对策略。
因此,当前的信用风险评估方法存在以下明显的问题:人工评估容易出现主观判断的偏差,而基于简单规则的评估方式缺乏个性化调整,导致评估结果的准确性和针对性不足。为了提高信用风险评估的效果,通过本申请的信用风险处理方法能够更科学、客观且个性化地对用户进行信用风险评估,以确保对不同客户的信用风险能够做出更为准确和合理的判断,并能够在评估结果的基础上提供相应的决策处理方案。
本申请实施例提供的信用风险处理方法,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。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。终端102获取用户的多个维度的第一用户信息;多个维度对应于用户办理业务的多个种类的申请条件维度;将多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过信用风险评估模型输出用户的信用风险等级;根据信用风险等级和用户的第二用户信息,得到用户的信用风险标签;第二用户信息与第一用户信息不同;根据信用风险标签和信用风险等级,得到用户的信用风险决策,以使业务方基于信用风险决策执行与用户的信用风险相适应的业务行为。
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、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。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。
在一个示例性的实施例中,如图2所示,提供了一种信用风险处理方法,以该方法应用于图1中的融合定位平台104为例进行说明,包括以下步骤S202至步骤S208,其中:
步骤S202,获取用户的多个维度的第一用户信息。
其中,多个维度对应于用户办理业务的多个种类的申请条件维度。可以理解,业务的多个种类的申请条件维度是指用户在办理一种或多种业务时所需要满足的申请条件,每个维度可以对应于一种特定的业务类型,且包含了业务的申请条件。在一些实施例中,申请条件维度可以包括用户的个人基本信息、职业、收入、财务状况、历史信用记录、居住稳定性、家庭背景、行为消费模式、联系人、推荐人、资产状况等。
仅作为示例,用户办理信用卡申请、贷款申请和房屋抵押等业务时,对应的多个维度的第一用户信息可以为该用户的信用分数、负债比例、收入水平等多个方面的信息。可以理解,以上第一用户信息与用户在申请信用卡时的申请条件、在申请贷款时的申请条件、在申请房屋抵押时的申请条件等多个种类的申请条件维度相对应。
综上所述,通过收集并考虑用户在不同业务类型下的各种特征,可以建立一个更全面的用户信息视图,为后续的风险等级预测和业务决策提供更多的信息和维度。
步骤S204,将多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过信用风险评估模型输出用户的信用风险等级。
在一些实施例中,信用风险评估模型可以是一种SVM((support vectormachines,支持向量机)预测模型,SVM模型是一种按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面。可以预先构建待训练的支持向量机预测模型,并通过多个维度的样本用户信息对待训练的支持向量机预测模型进行训练。
在一些实施例中,将多个维度的第一用户信息输入至该信用风险评估模型后,该信用风险评估模型可以采用相关机器学习算法,例如逻辑回归,来学习并建立第一用户信息与信用风险之间的关系。模型的训练过程通过大量的历史数据,使其能够辨识并学习各种不同维度的第一用户信息对信用风险等级的影响。
其中,信用风险等级是通过对第一用户信息进行综合分析而得出的,反映了用户在信用方面的风险程度,信用风险等级越高则用户的信用存在风险的程度越高,例如信用风险等级可以为高、中、低,或者由高至低排列的第一等级、第二等级、第三等级等。
综上,通过以上方式能够有效地避免人工评估用户信用风险存在主观性强,以及平台基于简单规则评估不足以应对个性化情况的问题。通过信用风险模型基于丰富的第一用户信息来确定信用风险等级实现了对用户信用风险的客观、科学评估,为平台提供了更准确、个性化的信用风险等级,为后续的决策和处置提供了重要的参考依据。
步骤S206,根据信用风险等级和用户的第二用户信息,得到用户的信用风险标签。
其中,第二用户信息与第一用户信息不同。可以理解,第二用户信息是与第一用户信息来自不同维度的不同数据,也即,第二用户信息是业务的申请条件维度以外维度的数据,例如第二用户信息可以包括该用户最近连续缴纳公积金的月数、是否有住房贷款、是否涉赌涉诈、是否代发工资用户等。
在一些实施例中,可以根据用户的信用风险等级和第二用户信息对该用户进行分类,确定该用户的信用风险标签。例如,用户A的信用风险等级为高,并且该用户A的第二用户信息表明其在过去的交易中存在异常行为,则可以确定该用户A的信用风险标签为高风险异常用户或黑名单用户等。
步骤S208,根据信用风险标签和信用风险等级,得到用户的信用风险决策,以使业务方基于信用风险决策执行与用户的信用风险相适应的业务行为。
可以理解,通过信用风险标签和信用风险等级这两个关键要素来制定用户的信用风险决策,能够确保业务方执行的业务行为与用户的信用风险相适应。例如,业务用房执行的业务行为可以是催收、调整额度、批准或拒绝业务申请等行为。
还可以理解的是,信用风险等级是通过预先训练的信用风险评估模型得出的,反映了用户在信用方面的整体风险水平,其提供了一个综合性的评估,为业务方提供了一个基础的信用风险参考点。相应的,信用风险标签是基于用户的第二用户信息和其他维度得出的,信用风险标签提供了更为具体和详细的用户信用情况,例如用户的特定行为、偏好或其他特征,从而对用户的信用状况有更深入的理解。综合这两个因素,业务方可以根据设定的规则,制定相应的信用风险决策并执行对应的业务行为。例如,对于高信用风险等级的用户,业务方可以选择拒绝某些高风险的业务申请,降低授信额度,或者采取其他风险管理措施。而对于低信用风险等级的用户,则可以提供更灵活的产品或服务,批准更高额度的信贷申请,或者给予其他优惠条件。
通过以上方式,将信用风险等级和信用风险标签结合起来,能够更全面、准确地了解用户的信用状况,从而使业务方的决策更具有针对性和适应性,以降低潜在风险,提高业务执行效果。并有效地将信用风险评估与业务行为相结合,使得决策更具科学性和客观性。
综上所述,本申请实施例通过获取用户的多个维度的第一用户信息,多个维度对应于用户办理业务的多个种类的申请条件维度,将多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过信用风险评估模型输出用户的信用风险等级,从而能够基于丰富的用户信息对用户的信用风险等级进行个准确和个性化的评估。并且还根据信用风险等级和用户的第二用户信息,得到用户的信用风险标签,第二用户信息与第一用户信息不同,从而能够获取业务申请条件维度之外的用户信息,并根据进一步丰富的用户信息识别用户的信用风险标签。最后,根据信用风险标签和信用风险等级,得到用户的信用风险决策,以使业务方基于信用风险决策执行与用户的信用风险相适应的业务行为,从而能够将用户的信用风险等级和信用风险标签进行组合,对用户进行全面的信用风险评估操作,并为用户制定相应的信用风险决策,从而能够提升对信用风险评估及决策制定的准确性。
在一个示例性的实施例中,如图3所示,为一个实施例中得到融合指纹定位特征步骤的流程示意图,步骤S204包括以下步骤:
步骤S302,将多个维度的第一用户信息通过第一函数进行线性处理,得到多个维度的第一用户信息对应的线性组合信息。
在一些实施例中,通过第一函数计算线性组合信息的公式可以表示为:
z=β0+(β1·x1)+(β2·x2)+(β3·x3)+…(βn·xn)(1)
其中,公式(1)的计算函数为第一函数,z为线性组合信息,β1至βn为第一用户信息对应的n个权重,x1至xn为n个维度的第一用户信息,β0为偏置项。
可以理解,该线性组合信息z是对多个维度的第一用户信息进行加权求和的结果。每个维度的信息通过相应的权重进行加权然后全部相加,形成了一个对原始信息的线性组合。该线性组合信息z在逻辑回归中经常用于构建模型的输入。通过对这个线性组合信息应用逻辑函数(如sigmoid函数),可以得到对应的概率值p,用于后续的风险等级预测。这个线性组合的生成过程是模型训练中的关键步骤,通过调整权重β,我们能够更好地拟合数据,使模型对风险等级的预测更为准确。
在一个示例性的实施例中,在步骤S302之前,包括:
对所述多个维度的第一用户信息进行预处理,将所述多个维度的第一用户信息转换为多个维度的数值用户信息。
具体实现中,可以对第一用户信息进行清洗和去噪来处理缺失值、异常值或噪声,确保数据的质量和准确性。进一步地,可以将不同维度的用户信息进行归一化,使它们处于相似的数值范围,防止某些维度的数值范围较大对模型产生过大影响。进一步地,可以根据模型的需求,选择对预测目标最具有信息量的维度,剔除对模型影响较小的维度。进一步地,可以对非数值型的信息进行编码,将其转换为数值形式,以便模型能够处理。最终,将经过上述处理的多个维度的第一用户信息整合为数值型的用户信息,形成一个包含多个数值维度的用户信息向量。
通过以上预处理过程可以为信用风险评估模型提供高质量的输入数据,使信用风险评估模型能够更好地理解和学习用户信息的特征,从而提高模型对信用风险的准确性。
在一个示例性的实施例中,步骤S302包括:
获取所述多个维度的第一用户信息对应的多个权重,并将所述多个权重作为所述信用风险评估模型的模型参数;
根据所述多个权重,对所述多个维度的第一用户信息进行加权求和,得到所述线性组合信息。
在一些实施例中,可以通过实验模拟、模型训练或设置模型参数等方式,得到每个维度的第一用户信息对应的权重,用于衡量每个维度对信用风险的相对重要性。可以将获取的这些权重作为信用风险评估模型的模型参数,在逻辑回归等线性模型或模块中,可以将以上权重用于计算对应的线性组合信息。
根据对公式(1)的描述可知,可以将每个维度的第一用户信息与相应的权重进行加权求和,得到线性组合信息,以将多个维度的第一用户信息映射到低维度,形成一个综合的数值用户信息。
步骤S304,将线性组合信息通过第二函数进行逻辑回归处理,得到目标预测值。
其中,目标预测值表征属于目标信用风险等级的概率。在一些实施例中,通过第二函数计算目标预测值可以表示为:
其中,p为目标预测值,z为线性组合信息,该公式(2)对应的第二函数是一种sigmoid函数,以逻辑回归的方式将线性组合信息映射到一个介于0和1之间的概率范围内,最终输出一个大小为0至1之间的概率值,例如98%,假设目标信用风险等级为高风险,则可以根据该目标预测值确定出该用户为高风险的信用风险等级的概率为98%。
具体实现中,假设多个维度的第一用户信息包括用户的信用分数、负债比例和收入水平,x1、x2、x3的值分别为700、0.2和50000,对应的权重β1、β2、β3的值分别为0.01、1和-0.05,β0为-2,则根据公式(1)计算z值:z=-2+0.01×700+1×0.2+(-0.05)×50000=-2494.8,再根据公式(2)计算p值: 计算得到的p非常接近于零,表示该用户被划分到目标风险等级的概率极低。
通过以上方式,建立第二函数的逻辑回归,可以将多个维度的第一用户信息的线性组合信息映射到一个介于0和1之间的概率范围内,从而得到用户属于目标信用风险等级(例如高风险、低风险等)的概率的目标预测值,并将这个目标预测值用于后续阶段用于决策和用户分类,以提升评估用户信用风险的准确性。
步骤S306,根据目标预测值,确定用户对应的信用风险等级。
在一些实施例中,可以设定一个阈值t,例如t为0.98或98%,根据p与t之间的大小关系来确定用户的信用风险等级。具体实现中,例如当p≥t,可以将用户划分为目标信用风险等级,例如高风险的信用风险等级。当p<t,可以将用户划分为其他信用风险等级,例如低风险的信用风险等级。
可以理解,阈值t的选择可以根据具体业务需求和模型性能进行调整,不同的阈值选择会影响模型的准确率、召回率等性能指标,因此需要在实际应用中进行合理的调整和优化。通过以上方式,可以将连续的目标预测值转化为离散的信用风险等级,以便后续的业务决策和处置。
在一个示例性的实施例中,本申请的信用风险评估模型可以通过如下方式训练得到:
获取多个样本第一用户信息,并将所述多个样本第一用户信息分割为训练集以及测试集;所述样本第一用户信息包括所述多个维度的第一用户信息的多个样本第一用户信息,以及所述用户对应的真实信用风险等级;
将所述多个样本第一用户信息输入待训练的初始信用风险评估模型,通过所述初始信用风险评估模型输出样本预测值,以训练所述初始信用风险评估模型;
循环执行所述将所述多个样本第一用户信息输入所述初始信用风险评估模型的步骤,以迭代更新所述初始信用风险评估模型的模型参数,直到检测到所述样本预测值对应的信用风险等级与所述真实信用风险等级一致时,得到训练完成的所述信用风险评估模型。
在一些实施例中,假设多个维度的样本第一用户信息包括x1、x2、x3,对应的权重为β1、β2、β3,使用梯度下降算法以上模型参数β1、β2、β3进行优化,使用交叉熵损失函数来衡量预测值与实际值之间的差异,具体的损失函数表示如下:
J(β)=-(1/n)·Σ(y·log(p)+(1-y)·log(1-p)) (3)
其中,公式(3)中的J(β)为损失函数,y为标签,即真实信用风险等级,p为模型输出的样本预测值,n为样本用户信息的数量。
在一些实施例中,为了优化公式(3)的损失函数,在每次迭代中,可以根据损失函数对参数的偏导数来更新参数,梯度下降算法的迭代公式如下:
其中,α是学习率,决定了每次参数更新的步长;βjnew是更新后的参数值;是损失函数对参数βj的偏导数。
在一些实施例中,偏导数的计算公式为:
其中,xj为样本第一用户信息中的第j个特征。
可以理解,在每次迭代中可以根据当前参数值、实际标签和预测概率,计算偏导数值,然后用梯度下降算法更新参数值。并不断重复该训练,直到满足停止条件(如达到最大迭代次数或损失函数变化较小),得到优化后的参数值。这个迭代更新的过程可以优化信用风险评估模型的模型参数,使其能够更准确地预测用户的信用风险等级,通过不断学习和调整,模型逐渐提高对真实情况的拟合能力。
在一个示例性的实施例中,步骤S208包括:
根据所述信用风险标签,确定出所述用户的初始信用风险决策;
根据所述信用风险等级,对所述初始信用风险决策进行调整,得到所述信用风险决策。
在一些实施例中,可以根据用户的信用风险标签,确定用户的初始信用风险决策,例如对于信用风险标签为“有房贷用户”的用户B,且该用户B存在预期还款,则可以确定初始信用风险决策为提醒或催收。
在一些实施例中,可以根据用户的信用风险等级对初始信用风险决策进行调整。例如可以是基于事先设定的规则,对于高风险等级的用户,在初始信用风险决策的基础上采取更为保守的决策;而对于低风险等级的用户,则可能采取更灵活的决策。在调整后得到最终的信用风险决策后,这个决策可以用于指导业务行为,例如批准或拒绝业务申请,进行额度调整,提高催收频率,或者推荐特定产品。
通过以上方式,可以根据用户的信用风险标签和等级,动态调整初始信用风险决策,以更准确地反映用户的风险水平,并采取相应的业务行为,以提升对用户进行信用风险评估和制定相应决策的准确性。
在一个示例性的实施例中,本申请还包括:
获取所述用户办理所述业务产生的文本信息和情感信息;
根据所述文本信息、所述情感信息和所述信用风险标签,对所述信用风险决策进行调整,得到调整后的信用风险决策。
在一些实施例中,可以获取用户在业务办理过程中产生的文本信息和情感信息,例如用户的文字描述、反馈、评论等。通过对这些文本信息进行分析,可以了解用户的情感倾向以及对业务的态度。
在一些实施例中,可以将文本信息、情感信息和已有的信用风险标签结合起来,进行进一步的调整,可以考虑用户的言辞情感对信用风险的影响。例如,如果用户在文本中表达了强烈的信用责任感和承诺,可以认为对信用风险评估有积极影响,放宽信用风险决策中所涉及到的条件和限制,例如提升用户的额度、延后用户的还款日等;相反,若用户表达负面情感则可以加强原信用风险决策中的限制,例如降低用户的额度。
综上,经过文本信息和情感信息的调整,得到的信用风险决策将更具个性化,更充分考虑用户在业务办理过程中表达的态度和情感。这样的调整有助于提高信用风险评估的准确性和个性化程度。
在一个示例性的实施例中,步骤根据所述文本信息、所述情感信息和所述信用风险标签,对所述信用风险决策进行调整,包括:
对所述文本信息和所述情感信息进行分类处理,分别得到所述用户的财务状况分类和情感分类;所述财务状况分类包括财务稳定和财务波动,所述情感分类包括积极情感和消极情感;
当所述用户的财务状况分类为财务稳定且情感分类为积极情感,则将所述信用风险决策的当前业务行为调整为与降低后的风险信用等级相适应的第一业务行为;
当所述用户的财务状况分类为财务波动且情感分类为消极情感,则将所述当前业务行为调整为与提升后的风险信用等级相适应的第二业务行为。
在一些实施例中,可以对用户的文本信息和情感信息进行分类处理,得到两个关键分类,即财务状况分类和情感分类。这两个分类分别反映了用户的财务状况的稳定性,以及用户对业务和业务方的情感倾向处于积极或消极。
在一些实施例中,如果用户的财务状况分类为财务稳定且情感分类为积极情感,则可以将当前信用风险决策的业务行为调整为与降低后的风险信用等级相适应的第一业务行为。例如可以会采取更宽松的信用政策,以更好地满足其积极情感和财务状况的稳定性。
与之对应,如果用户的财务状况分类为财务波动且情感分类为消极情感,则可以将当前业务行为调整为与提升后的风险信用等级相适应的第二业务行为,表明对于这类用户,可以采取更谨慎的信用政策,以减少潜在的风险。
在一些实施例中,本申请的方法还可以通过记录用户提交的关键信息,包括个人资料、财务数据等,形成客户的风险信息档案,并利用记录的客户信息形成客户的风险画像,使业务人员能够更全面地了解客户的信用状况。在整个决策过程中,系统可以记录每一步的决策过程,包括使用的模型、算法,以及每个阶段的决策结果。对于业务方采取的决策,系统可以记录执行的进度和结果,例如记录用户的反应、还款状况、催收效果等信息,以便后续的决策和调整,并基于记录的信息,生成决策及处置报表。这些报表提供了对整体决策效果的概览,包括风险管理的绩效指标、处置结果和客户反馈,业务人员根据决策效果对模型进行调优。最终可以通过分析决策报表、客户反馈等信息,可以识别模型的强项和改进点,进而进行模型参数的优化,以提高决策的准确性和效率。
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用风险处理方法的信用风险处理装置。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用风险处理装置实施例中的具体限定可以参见上文中对于信用风险处理方法的限定,在此不再赘述。
在一个示例性的实施例中,如图4所示,提供了一种信用风险处理装置,包括:信息获取模块410、等级确定模块420、标签确定模块430和决策确定模块440,其中:
信息获取模块410,用于获取用户的多个维度的第一用户信息;多个维度对应于用户办理业务的多个种类的申请条件维度;
等级确定模块420,用于将多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过信用风险评估模型输出用户的信用风险等级;
标签确定模块430,用于根据信用风险等级和用户的第二用户信息,得到用户的信用风险标签;第二用户信息与第一用户信息不同;
决策确定模块440,用于根据信用风险标签和信用风险等级,得到用户的信用风险决策,以使业务方基于信用风险决策执行与用户的信用风险相适应的业务行为。
在一些实施例中,等级确定模块420,包括:
线性处理子模块,用于将多个维度的第一用户信息通过第一函数进行线性处理,得到多个维度的第一用户信息对应的线性组合信息;
逻辑回归子模块,用于将线性组合信息通过第二函数进行逻辑回归处理,得到目标预测值;目标预测值表征属于目标信用风险等级的概率;
信用风险等级确定子模块,用于根据目标预测值,确定用户对应的信用风险等级。
在一些实施例中,该装置还包括:
信息转换模块,用于对多个维度的第一用户信息进行预处理,将多个维度的第一用户信息转换为多个维度的数值用户信息。
在一些实施例中,线性处理子模块具体用于:
获取多个维度的第一用户信息对应的多个权重,并将多个权重作为信用风险评估模型的模型参数;
根据多个权重,对多个维度的第一用户信息进行加权求和,得到线性组合信息。
在一些实施例中,该装置还包括:
样本获取模块,用于获取多个样本第一用户信息,并将多个样本第一用户信息分割为训练集以及测试集;样本第一用户信息包括多个维度的第一用户信息的多个样本第一用户信息,以及用户对应的真实信用风险等级;
模型训练模块,用于将多个样本第一用户信息输入待训练的初始信用风险评估模型,通过初始信用风险评估模型输出样本预测值,以训练初始信用风险评估模型;
模型生成模块,用于循环执行将多个样本第一用户信息输入初始信用风险评估模型的步骤,以迭代更新初始信用风险评估模型的模型参数,直到检测到样本预测值对应的信用风险等级与真实信用风险等级一致时,得到训练完成的信用风险评估模型。
在一些实施例中,决策确定模块440还具体用于:
根据信用风险标签,确定出用户的初始信用风险决策;
根据信用风险等级,对初始信用风险决策进行调整,得到信用风险决策。
在一些实施例中,该装置还包括:
附加信息获取模块,用于获取用户办理业务产生的文本信息和情感信息;
决策调整模块,用于根据文本信息、情感信息和信用风险标签,对信用风险决策进行调整,得到调整后的信用风险决策。
在一些实施例中,决策调整模块具体用于:
对文本信息和情感信息进行分类处理,分别得到用户的财务状况分类和情感分类;财务状况分类包括财务稳定和财务波动,情感分类包括积极情感和消极情感;
当用户的财务状况分类为财务稳定且情感分类为积极情感,则将信用风险决策的当前业务行为调整为与降低后的风险信用等级相适应的第一业务行为;
当用户的财务状况分类为财务波动且情感分类为消极情感,则将当前业务行为调整为与提升后的风险信用等级相适应的第二业务行为。
本申请实施例提供的信用风险处理方法,可以通过获取用户的多个维度的第一用户信息,多个维度对应于用户办理业务的多个种类的申请条件维度,将多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过信用风险评估模型输出用户的信用风险等级,从而能够基于丰富的用户信息对用户的信用风险等级进行个准确和个性化的评估。并且还根据信用风险等级和用户的第二用户信息,得到用户的信用风险标签,第二用户信息与第一用户信息不同,从而能够获取业务申请条件维度之外的用户信息,并根据进一步丰富的用户信息识别用户的信用风险标签。最后,根据信用风险标签和信用风险等级,得到用户的信用风险决策,以使业务方基于信用风险决策执行与用户的信用风险相适应的业务行为,从而能够将用户的信用风险等级和信用风险标签进行组合,对用户进行全面的信用风险评估操作,并为用户制定相应的信用风险决策,从而能够提升对信用风险评估及决策制定的准确性。
上述信用风险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。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。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和计算机程序。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种信用风险处理方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5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。
在一个示例性的实施例中,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上述各方法实施例中的步骤。
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上述各方法实施例中的步骤。
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上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
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(ReRA M)、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 Cha nge 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 (12)
1.一种信用风险处理方法,其特征在于,所述方法包括:
获取用户的多个维度的第一用户信息;所述多个维度对应于所述用户办理业务的多个种类的申请条件维度;
将所述多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过所述信用风险评估模型输出所述用户的信用风险等级;
根据所述信用风险等级和所述用户的第二用户信息,得到所述用户的信用风险标签;所述第二用户信息与所述第一用户信息不同;
根据所述信用风险标签和所述信用风险等级,得到所述用户的信用风险决策,以使业务方基于所述信用风险决策执行与所述用户的信用风险相适应的业务行为。
2.根据权利要求1所述的方法,其特征在于,所述通过所述信用风险评估模型输出所述用户的信用风险等级,包括:
将所述多个维度的第一用户信息通过第一函数进行线性处理,得到所述多个维度的第一用户信息对应的线性组合信息;
将所述线性组合信息通过第二函数进行逻辑回归处理,得到目标预测值;所述目标预测值表征属于目标信用风险等级的概率;
根据所述目标预测值,确定所述用户对应的信用风险等级。
3.根据权利要求2所述的方法,其特征在于,在所述将所述多个维度的第一用户信息通过第一函数进行线性处理之前,还包括:
对所述多个维度的第一用户信息进行预处理,将所述多个维度的第一用户信息转换为多个维度的数值用户信息。
4.根据权利要求2所述的方法,其特征在于,所述将所述多个维度的第一用户信息通过第一函数进行线性处理,得到所述多个维度的第一用户信息对应的线性组合信息,包括:
获取所述多个维度的第一用户信息对应的多个权重,并将所述多个权重作为所述信用风险评估模型的模型参数;
根据所述多个权重,对所述多个维度的第一用户信息进行加权求和,得到所述线性组合信息。
5.根据权利要求4所述的方法,其特征在于,所述信用风险评估模型通过如下方式训练得到:
获取多个样本第一用户信息,并将所述多个样本第一用户信息分割为训练集以及测试集;所述样本第一用户信息包括所述多个维度的第一用户信息的多个样本第一用户信息,以及所述用户对应的真实信用风险等级;
将所述多个样本第一用户信息输入待训练的初始信用风险评估模型,通过所述初始信用风险评估模型输出样本预测值,以训练所述初始信用风险评估模型;
循环执行所述将所述多个样本第一用户信息输入所述初始信用风险评估模型的步骤,以迭代更新所述初始信用风险评估模型的模型参数,直到检测到所述样本预测值对应的信用风险等级与所述真实信用风险等级一致时,得到训练完成的所述信用风险评估模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述信用风险标签和所述信用风险等级,得到所述用户的信用风险决策,包括:
根据所述信用风险标签,确定出所述用户的初始信用风险决策;
根据所述信用风险等级,对所述初始信用风险决策进行调整,得到所述信用风险决策。
7.根据权利要求1-6中任一项所述的方法,其特征在于,还包括:
获取所述用户办理所述业务产生的文本信息和情感信息;
根据所述文本信息、所述情感信息和所述信用风险标签,对所述信用风险决策进行调整,得到调整后的信用风险决策。
8.根据权利要求7所述的方法,其特征在于,所述根据所述文本信息、所述情感信息和所述信用风险标签,对所述信用风险决策进行调整,包括:
对所述文本信息和所述情感信息进行分类处理,分别得到所述用户的财务状况分类和情感分类;所述财务状况分类包括财务稳定和财务波动,所述情感分类包括积极情感和消极情感;
当所述用户的财务状况分类为财务稳定且情感分类为积极情感,则将所述信用风险决策的当前业务行为调整为与降低后的风险信用等级相适应的第一业务行为;
当所述用户的财务状况分类为财务波动且情感分类为消极情感,则将所述当前业务行为调整为与提升后的风险信用等级相适应的第二业务行为。
9.一种信用风险处理装置,其特征在于,所述装置包括:
信息获取模块,用于获取用户的多个维度的第一用户信息;所述多个维度对应于所述用户办理业务的多个种类的申请条件维度;
等级确定模块,用于将所述多个维度的第一用户信息输入至预先训练的信用风险评估模型,通过所述信用风险评估模型输出所述用户的信用风险等级;
标签确定模块,用于根据所述信用风险等级和所述用户的第二用户信息,得到所述用户的信用风险标签;所述第二用户信息与所述第一用户信息不同;
决策确定模块,用于根据所述信用风险标签和所述信用风险等级,得到所述用户的信用风险决策,以使业务方基于所述信用风险决策执行与所述用户的信用风险相适应的业务行为。
10.一种计算机设备,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8中任一项所述的方法的步骤。
11.一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8中任一项所述的方法的步骤。
12.一种计算机程序产品,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8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515599.8A CN117372155A (zh) | 2023-11-14 | 2023-11-14 | 信用风险处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515599.8A CN117372155A (zh) | 2023-11-14 | 2023-11-14 | 信用风险处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372155A true CN117372155A (zh) | 2024-01-09 |
Family
ID=89391069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311515599.8A Pending CN117372155A (zh) | 2023-11-14 | 2023-11-14 | 信用风险处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372155A (zh) |
-
2023
- 2023-11-14 CN CN202311515599.8A patent/CN117372155A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977151B (zh) | 一种数据分析方法及系统 | |
US11257041B2 (en) | Detecting disability and ensuring fairness in automated scoring of video interviews | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
WO2019236997A1 (en) | Systems and methods for decomposition of non-differentiable and differentiable models | |
CN110599336B (zh) | 一种金融产品购买预测方法及系统 | |
JP2019519021A (ja) | パフォーマンスモデル悪影響補正 | |
US20210303970A1 (en) | Processing data using multiple neural networks | |
WO2022155740A1 (en) | Systems and methods for outlier detection of transactions | |
CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
Eddy et al. | Credit scoring models: Techniques and issues | |
US11769210B1 (en) | Computer-based management methods and systems | |
CN115983900A (zh) | 用户营销策略的构建方法、装置、设备、介质和程序产品 | |
Luo et al. | Influence of the enterprise’s intelligent performance evaluation model using neural network and genetic algorithm on the performance compensation of the merger and acquisition parties in the commitment period | |
US20140344020A1 (en) | Competitor pricing strategy determination | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
US20140344021A1 (en) | Reactive competitor price determination using a competitor response model | |
US20140344022A1 (en) | Competitor response model based pricing tool | |
CN117372155A (zh) | 信用风险处理方法、装置、计算机设备和存储介质 | |
CN113256404A (zh) | 数据处理方法及装置 | |
US11004156B2 (en) | Method and system for predicting and indexing probability of financial stress | |
Zhao et al. | Data-driven approach to identify obsolete functions of products for design improvements | |
Chiong et al. | Estimation of graphical models using the L 1, 2 norm | |
Preeti et al. | Application of hybrid approach in banking system: An undesirable operational performance modelling | |
CN117372132B (zh) | 用户信用评分的生成方法、装置、计算机设备和存储介质 | |
KR102519878B1 (ko) | 금융기관 신용공여 사업에서의 인공지능 기반 리스크 관리 솔루션을 제공하기 위한 장치, 방법 및 명령을 기록한 기록 매체 |
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 |