CN117764709A - 一种确定用户的信用状态的方法及装置 - Google Patents
一种确定用户的信用状态的方法及装置 Download PDFInfo
- Publication number
- CN117764709A CN117764709A CN202311685088.0A CN202311685088A CN117764709A CN 117764709 A CN117764709 A CN 117764709A CN 202311685088 A CN202311685088 A CN 202311685088A CN 117764709 A CN117764709 A CN 117764709A
- Authority
- CN
- China
- Prior art keywords
- structure diagram
- user
- user nodes
- determining
- data set
- 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 37
- 238000010586 diagram Methods 0.000 claims abstract description 189
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Abstract
本发明公开了一种确定用户的信用状态的方法及装置,其中方法包括:获取第一数据集对应的第一结构图和第二数据集对应的第二结构图;其中,第一数据集包括M个用户的特征信息和M个用户的信用状态信息,第二数据集包括N个用户的特征信息;根据第一结构图和第二结构图,确定第三结构图;第三结构图和第二结构图的结构属性相同,结构属性为度分布或接近中心性分布;根据第三结构图对神经网络模型进行训练;将第二结构图输入训练后的神经网络模型,确定N个用户的信用状态信息。采用上述方法,利用与第二结构图结构属性相同的第三结构图训练神经网络模型,可以实现准确确定第二结构图中用户节点的信用状态信息。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种确定用户的信用状态的方法及装置。
背景技术
随着神经网络模型的快速发展,利用神经网络模型确定金融领域用户的信用状态逐渐成为一种主要的方式。然而不同经济周期的用户往往呈现不同的分布,用于训练神经网络模型的数据和用于确定用户信用状态的数据往往结构不同,因此,神经网络模型根据训练数据学习到的确定用户信用状态的能力,通常无法很好的应用于后续数据,导致神经网络模型在金融领域应用的鲁棒性面临重大挑战。
综上,如何确定用户的信用状态,还需进一步研究。
发明内容
本申请提供一种确定用户的信用状态的方法及装置,用于实现准确确定用户的信用状态。
第一方面,本发明实施例提供一种确定用户的信用状态的方法,该方法可以由确定用户的信用状态的装置来执行,该方法包括:获取第一数据集对应的第一结构图和第二数据集对应的第二结构图;其中,所述第一数据集包括M个用户的特征信息和所述M个用户的信用状态信息,所述第二数据集包括N个用户的特征信息;根据所述第一结构图和所述第二结构图,确定第三结构图;所述第三结构图和所述第二结构图的结构属性相同,所述结构属性为度分布或接近中心性分布;根据所述第三结构图对神经网络模型进行训练;将所述第二结构图输入训练后的神经网络模型,确定所述N个用户的信用状态信息。
本申请提出的确定用户的信用状态的方法,能够根据第一结构图和第二结构图,确定与第二结构图结构属性相同的第三结构图,从而能够消除训练数据与测试数据之间结构的不同,便于提高根据神经网络模型确定测试数据集中用户的信用状态的准确率。
在一种可能的实现方式中,根据所述第一结构图和所述第二结构图,确定第三结构图,所述方法包括:根据所述第一结构图的结构属性和所述第二结构图的结构属性,确定所述第一结构图中M个用户节点的权重;在所述第一结构图中的两个用户节点存在连边的情况下,根据所述两个用户节点的权重和所述两个用户节点的度数,确定所述连边的概率;其中,用户节点的度数用于表征所述用户节点上连边的数量;根据所述M个用户节点的权重、所述第一结构图中的各个连边的概率和采样比例L,得到所述第三结构图,所述第三结构图包括W个用户节点数,W=M*L。
在一种可能的实现方式中,根据所述M个用户节点的权重、所述第一结构图中的各个连边的概率和采样比例L,得到所述第三结构图,包括:根据所述M个用户节点的权重,从所述M个用户节点中确定第一用户节点;若所述第一用户节点与P个用户节点之间存在连边,根据所述第一用户节点和所述P个用户节点之间的连边的概率,从所述P个用户节点中确定Q个用户节点;根据所述第一用户节点和所述Q个用户节点,得到所述第三结构图,所述W个用户节点包括所述第一用户节点和所述Q个用户节点。
在一种可能的实现方式中,所述第一数据集为第一时间段内的数据集,所述第二数据集为第二时间段内的数据集;所述第一时间段在所述第二时间段之前,且所述第一时间段的结束时刻与所述第二时间段的开始时刻之间的间隔小于预设时间长度。
第二方面,本发明实施例提供一种确定用户的信用状态的装置,所述装置包括:获取模块,用于获取第一数据集对应的第一结构图和第二数据集对应的第二结构图;其中,所述第一数据集包括M个用户的特征信息和所述M个用户的信用状态信息,所述第二数据集包括N个用户的特征信息;确定模块,用于根据所述第一结构图和所述第二结构图,确定第三结构图;所述第三结构图和所述第二结构图的结构属性相同,所述结构属性为度分布或接近中心性分布;训练模块,用于根据所述第三结构图对神经网络模型进行训练;所述确定模块还用于,将所述第二结构图输入训练后的神经网络模型,确定所述N个用户的信用状态信息。
在一种可能的实现方式中,所述确定模块具体用于,根据所述第一结构图的结构属性和所述第二结构图的结构属性,确定所述第一结构图中M个用户节点的权重;在所述第一结构图中的两个用户节点存在连边的情况下,根据所述两个用户节点的权重和所述两个用户节点的度数,确定所述连边的概率;其中,用户节点的度数用于表征所述用户节点上连边的数量;根据所述M个用户节点的权重、所述第一结构图中的各个连边的概率和采样比例L,得到所述第三结构图,所述第三结构图包括W个用户节点数,W=M*L。
在一种可能的实现方式中,所述确定模块具体用于,根据所述M个用户节点的权重,从所述M个用户节点中确定第一用户节点;若所述第一用户节点与P个用户节点之间存在连边,根据所述第一用户节点和所述P个用户节点之间的连边的概率,从所述P个用户节点中确定Q个用户节点;根据所述第一用户节点和所述Q个用户节点,得到所述第三结构图,所述W个用户节点包括所述第一用户节点和所述Q个用户节点。
在一种可能的实现方式中,所述第一数据集为第一时间段内的数据集,所述第二数据集为第二时间段内的数据集;所述第一时间段在所述第二时间段之前,且所述第一时间段的结束时刻与所述第二时间段的开始时刻之间的间隔小于预设时间长度。
第三方面,本发明实施例提供一种确定用户的信用状态的装置,所述装置包括存储器和处理器,所述存储器用于存储计算机程序或指令;所述处理器,用于调用所述存储器中存储的计算机程序或指令,执行如第一方面任一种可能的实现方式中的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当计算机读取并执行所述指令时,使得所述计算机执行如第一方面任一种可能的实现方式中的方法。
第五方面,本发明实施例提供一种计算机程序产品,所述计算机程序产品中存储有指令,当计算机读取并执行所述指令时,使得所述计算机执行如第一方面任一种可能的实现方式中的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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为本发明实施例提供的一种确定用户的信用状态的方法对应的流程示意图;
图2为本发明实施例提供的一种结构图的示意图;
图3为本发明实施例提供的一种确定用户的信用状态的装置的一种内部模块示意图;
图4为本发明实施例提供的一种确定用户的信用状态的装置的一种结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在一些金融领域,比如贷款公司,保险公司,需要获取用户的信用状态来进行相应的业务,比如,对于贷款公司,若用户的信用状态为异常,则可以推断该用户无法按时偿还贷款的额度;若用户的信用状态为正常,则可以推断该用户可以按时偿还贷款的额度,因此,如何确定用户的信用状态极为重要。针对图神经网络模型无法准确确定用户的信用状态问题,现有技术通常集中在修改图神经网络模型架构或图神经网络模型的训练过程,然而在训练数据和测试数据的结构相差较大时,仍不能准确确定用户的信用状态。因此,本发明实施例提供一种确定用户的信用状态的方法,用于实现准确确定用户的信用状态。
图1为本发明实施例提供的确定用户的信用状态的方法对应的流程示意图,该流程可以由确定用户的信用状态的装置(以下简称为装置)来执行。如图1所示,该流程包括如下步骤:
步骤101,确定用户的信用状态的装置获取第一数据集对应的第一结构图和第二数据集对应的第二结构图。
示例性地,对于贷款公司来说,用户希望通过公司平台进行贷款行为,需要向公司提供用户的特征信息,包括年龄、姓名、性别、联系电话、联系地址、职业、月收入金额、借款行为、紧急联系人信息。借款行为包括借款金额和预计还款截止日期,紧急联系人是用户在生活中可以随时联系的人,用户需要向公司提供至少一个紧急联系人,紧急联系人的信息包括姓名以及联系方式,联系方式可以包括联系电话和联系地址。
进而装置存储用户的特征信息,此外,针对已经产生借款行为和还款行为的用户,工作人员可以根据用户的借款金额、预计还款截止日期和实际还款日期,标记用户的信用状态信息,并保存在装置中。信用状态信息可以为正常用户和异常用户,正常用户是在预计还款截止日期之前正常还款的用户;异常用户是在预计还款截止日期之前没有正常还款的用户。在一种可能的实现方式中,用户的状态信息还可以包括用户的信用水平,比如工作人员可以根据用户的实际还款情况和用户的收入情况,将用户的信用水平分为多个等级,根据用户的信用水平等级确定用户的最大贷款额度。
示例性地,在一段时间内,N个用户向公司申请贷款,贷款公司获取N个申请贷款的用户的特征信息,这段时间内N个申请贷款的用户的特征信息可以称为第二时间段内的数据集或第二数据集;进一步地,工作人员根据相关经验选择与第二时间段经济周期相同或相似的另一段时间(即第一时间段),第一时间段内M个用户具有信用状态信息,并获取第一时间段内M个用户的特征信息和信用状态信息,第一时间段内M个用户的特征信息和信用状态信息可以称为第一时间段内的数据集或第一数据集。其中,第一时间段在第二时间段之前,且第一时间段的结束时刻与第二时间段的开始时刻之间的间隔小于预设时间长度,预设时间长度可以为6个月,一年,本申请对预设时间长度不做具体限定。第一数据集和第二数据集均存储在装置的数据库中,数据库中存储的数据容量多于或等于预设时间长度内的数据,本申请对数据库中存储的数据容量不作具体限定,此外,对第一时间段的长度和第二时间段的长度也不做具体限定,第二时间段的长度与第一时间段的长度可以相等也可以不相等。
举例来说,11月份有N个用户申请贷款,公司在向该N个用户贷款之前,需要确定该N个用户的信用状态,因此工作人员根据自身经验或其他的方式判断11月份的经济周期与去年8月份和9月份的经济周期相同,且去年8月份和9月份的M个用户的信用状态信息已经确定。预设时间长度可以为48个月,装置的数据库中也可以保存48个月的数据,因此,从数据库中获取去年8月份和9月份M个用户的特征信息和信用状态信息。因此去年8月份和9月份的M个用户的特征信息和信用状态信息为第一数据集;11月份的N个用户的特征信息为第二数据集。
装置根据第一数据集构造第一结构图,根据第二数据集构造第二结构图,第一结构图和第二结构图包括用户节点和用户节点之间的边,用户节点是各个申请贷款的用户,第一结构图共有M个用户节点,M个用户节点的属性信息包括用户的特征信息和信用状态信息;第二结构图共有N个用户节点,N个用户节点的属性信息包括用户的特征信息。若用户节点的属性信息中,紧急联系人的联系信息是另一个用户节点的联系信息,则两个用户节点之间存在连边。举例来说,若第一结构图中有用户节点A和用户节点B,用户节点A的属性信息中,紧急联系人是用户B,则用户节点A和用户节点B之间存在连边。
步骤102,确定用户的信用状态的装置根据第一结构图和第二结构图,确定第三结构图,第三结构图和第二结构图的结构属性相同,结构属性为度分布或接近中心性分布。
(一)计算第一结构图和第二结构图的结构属性分布
具体地,衡量第一结构图和第二结构图之间结构差异的一种直接有效的方式是比较两个结构图的结构属性的差异,而结构图的结构属性可以包括度分布或接近中心性分布。度分布表示度数的分布情况,度数表示一个节点上连边的数量,图2为结构图的示意图,从图2可以看出,图2共有用户节点A、B、C、D,图2仅示意用户节点,用户节点的属性信息不做示意。从用户节点的属性信息中可以得知,用户A的紧急联系人为用户B,所以用户节点A和用户节点B之间存在连边,且由用户节点A指向用户节点B,同理,用户节点B可以指向用户节点C,用户节点C可以指向用户节点D。因此,在不考虑入度和出度的情况下,用户节点A的度数为1;用户节点B的度数为2;用户节点C的度数为2;用户节点D的度数为1,即图2中有50%的节点度数为1,有50%的节点度数为2,入度为指向用户节点的边,出度为用户节点指向其他节点的边。接近中心性是结构图的另一个结构属性,用来表示一个节点到其他节点的平均距离,可以体现结构图的连接密度,对比非连通图,接近中心性更适合表示连通图的结构属性,连通图表示结构图中任意两个节点之间是连通的;非连通图表示结构图中并不是任意两个节点都是连通的,接近中心性的计算公式如下所示:
其中,x为待计算的目标节点,y为通过连边与x相连的任意一个节点,k-1为除目标节点其余节点的个数,d(x,y)为x到y的最短距离。对于节点A来说,A节点和B节点之间的距离为1,A节点和C节点之间的距离为2,A节点和D节点之间的距离为3,因此,在不考虑节点之间连接方向的情况下,A节点的接近中心性B节点的接近中心性C节点的接近中心性/>D节点的接近中心性因此,图2中有50%的节点的接近中心性为0.5,有50%的节点的接近中心性为0.75。综上,根据第一结构图和第二结构图可以计算得到第一结构图的度分布、接近中心性分布和第二结构图的度分布、接近中心性分布。
(二)计算第一结构图中每个用户节点的权重
第一结构图和第二结构图中用户节点的初始权重为1,将第一结构图的度分布和第二结构图的度分布以及初始权重输入最优传输算法,最优传输算法可以量化两个结构图的度分布差异,并可以计算出当两个结构图的度分布差异最小时,第一结构图中每个用户节点的权重,每个用户节点的权重表示用户节点被采样的概率,最优传输算法的公式如下所示:
其中,为最优传输算法的损失函数,用于指导最优传输距离的梯度优化,P(w)为经过以w为采样权重的采样之后的结构图的结构属性分布,Q为第二结构图的结构属性分布,T为传输方案,而C为传输的开销,<T,C>为整体传输代价(即将分布P(w)转化为分布Q所需要的代价),w为第一结构图中各个用户节点的采样权重,本申请实施例中初始权重w为1。示例性地,假设图2为第一结构图,根据最优传输算法可以计算出用户节点A的权重可以为35%;用户节点B的权重可以为15%;用户节点C的权重可以为15%,用户节点D的权重可以为35%,结构图中所有用户节点的权重值之和为1,用户节点A的权重为35%,表示从用户节点A、B、C和D中选择一个用户节点,有35%的概率能选中用户节点A。
在一种可能的实现方式中,也可以将第一结构图的接近中心性分布和第二结构图的接近中心性分布和第一结构图中用户节点的初始权重,输入最优传输算法,进而确定第一结构图中用户节点的权重。根据度分布差异或者根据接近中心性分布差异都可以确定第一结构图中用户节点的权重,本申请对此不作具体限定。
(三)对第一结构图进行采样得到第三结构图
根据最优传输算法计算出的第一结构图中每个用户节点的权重,将第一结构图和第二结构图以及第一结构图中每个用户节点的权重输入优化后的梅特罗波利斯-黑斯廷斯(Metropolis-Hastings,MH)算法,优化后的MH算法可以采样第一结构图的用户节点和用户节点之间的连边,修改第一结构图的结构生成第三结构图,使第三结构图和第二结构图的结构属性相同。具体地,在第一结构图中的两个用户节点存在连边的情况下,根据两个用户节点的权重和两个用户节点的度数,计算两个用户节点之间连边的概率,连边的概率的公式如下所示:ω(n)d(m)/ω(m)d(n)。
其中,m和n为有连边的两个用户节点,w为用户节点的权重,d为用户节点的度数。此外,MH算法中还包括第一结构图的采样比例L,采样比例可以根据实际情况设定,本申请对此不作具体限定。若采样比例L为10%,第一结构图共有1000个用户节点,则生成的第三结构图中共有用户节点100个。根据第一结构图中M个用户节点的权重,从M个用户节点中确定第一用户节点,第一用户节点可能和其他节点有连边,也可能和其他节点没有连边,若第一用户节点与P个用户节点之间存在连边,根据第一用户节点和P个用户节点之间的连边的概率,从P个连边中确定需要保留的Q个连边,进而从P个用户节点中确定Q个用户节点。进一步地,根据Q个用户节点的权重,从Q个用户节点中再选择一个用户节点,重复上述步骤,直至从M个用户节点中采样出M*L个用户节点。若第一用户节点和其他节点没有连边,则保留第一用户节点,从其他节点中选择出第二用户节点,重复上述步骤,根据采样的M*L个用户节点和用户节点之间的连边,确定第三结构图。由于第一结构图中用户节点的属性信息包括用户的特征信息和信用状态信息,因此,从第一结构图采样得到的第三结构图中,用户节点的属性信息中也包括用户的特征信息和信用状态信息。
在一种可能的实现方式中,也可以先从M个用户节点中选择第一用户节点,再计算第一用户节点与第一用户节点连接的P个用户节点之间的连边的概率,根据第一用户节点与P个用户节点之间的连边的概率,从P个用户节点中确定Q个用户节点,直至采样出M*L个用户节点。
步骤103,确定用户的信用状态的装置根据第三结构图对神经网络模型进行训练。
根据S102生成的第三结构图,将第三结构图中用户节点的信用状态信息去除,保留用户节点的特征信息,输入神经网络模型进行训练,神经网络模型可以输出第三结构图中用户节点的信用状态信息。神经网络模型具有损失函数,损失函数的取值范围为(0,+∞),损失函数值较大,表示神经网络模型输出的用户节点的信用状态信息与用户节点的实际信用状态信息相差较大;损失函数值较小,表示神经网络模型输出的用户节点的信用状态信息与用户节点的实际信用状态信息相差较小。当神经网络模型的损失函数值较大时,神经网络模型会自动改变模型的参数,以使下一次训练的损失函数值降低。将去除用户信用状态信息的第三结构图重复多次输入神经网络模型训练,记录损失函数值的变化,当损失函数值小于一定阈值,且损失函数值在预设范围内变化,则表示神经网络模型训练成功。
步骤104,确定用户的信用状态的装置将第二结构图输入训练后的神经网络模型,确定N个用户的信用状态信息。
将第二结构图输入训练后的神经网络模型,由于训练后的神经网络模型已经能够准确确定第三结构图中用户节点的信用状态信息,第三结构图与第二结构图的结构属性相同,则神经网络模型也可以准确确定第二结构图中N个用户的信用状态信息。
采用上述方法,在不修改图神经网络模型架构的情况下,通过构造与第二结构图结构属性相同的第三结构图,利用第三结构图训练神经网络模型,使神经网络模型能够具备较准确地确定第三结构图中用户节点的信用状态信息的能力,进而能够准确确定第二结构图中用户节点的信用状态信息,最终公司工作人员可以根据预测出的用户的信用状态信息决定是否可以向用户贷款以及贷款的额度。
图3为本发明实施例提供的确定用户的信用状态的装置3000的一种内部模块示意图。如图3所示,该装置可以包括:获取模块301、确定模块302和训练模块303,可选地,还包括存储模块,存储模块用于存储计算机指令或程序,确定模块302可以调用存储模块中的计算机指令或程序。
其中,获取模块301,用于获取第一数据集对应的第一结构图和第二数据集对应的第二结构图;其中,所述第一数据集包括M个用户的特征信息和所述M个用户的信用状态信息,所述第二数据集包括N个用户的特征信息;确定模块302,用于根据所述第一结构图和所述第二结构图,确定第三结构图;所述第三结构图和所述第二结构图的结构属性相同;所述结构属性为度分布或接近中心性分布;训练模块303,用于根据所述第三结构图对神经网络模型进行训练;所述确定模块还用于,将所述第二结构图输入训练后的神经网络模型,确定所述N个用户的信用状态信息。
在一种可能的实现方式中,所述确定模块302具体用于,根据所述第一结构图的结构属性和所述第二结构图的结构属性,确定所述第一结构图中M个用户节点的权重;在所述第一结构图中的两个用户节点存在连边的情况下,根据所述两个用户节点的权重和所述两个用户节点的度数,确定所述连边的概率;其中,用户节点的度数用于表征所述用户节点上连边的数量;根据所述M个用户节点的权重、所述第一结构图中的各个连边的概率和采样比例L,得到所述第三结构图,所述第三结构图包括W个用户节点数,W=M*L。
在一种可能的实现方式中,所述确定模块302具体用于,根据所述M个用户节点的权重,从所述M个用户节点中确定第一用户节点;若所述第一用户节点与P个用户节点之间存在连边,根据所述第一用户节点和所述P个用户节点之间的连边的概率,从所述P个用户节点中确定Q个用户节点;根据所述第一用户节点和所述Q个用户节点,得到所述第三结构图,所述W个用户节点包括所述第一用户节点和所述Q个用户节点。
在一种可能的实现方式中,所述第一数据集为第一时间段内的数据集,所述第二数据集为第二时间段内的数据集;所述第一时间段在所述第二时间段之前,且所述第一时间段的结束时刻与所述第二时间段的开始时刻之间的间隔小于预设时间长度。
图4为本发明实施例提供的确定用户的信用状态的装置4000的一种结构示意图。如图4所示,包括至少一个处理器401,以及与至少一个处理器401连接的存储器402,本申请实施例中不限定处理器401与存储器402之间的具体连接介质,图4中处理器401和存储器402之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本发明实施例中,存储器402存储有可被至少一个处理器401执行的指令,该至少一个处理器401通过执行存储器402存储的指令,可以实现上述确定用户的信用状态的方法的步骤。
其中,处理器401是计算机设备的控制中心,可以利用各种接口和线路连接计算机设备的各个部分,通过运行或执行存储在存储器402内的指令以及调用存储在存储器402内的数据,从而进行资源设置。可选的,处理器401可包括一个或多个处理单元,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。在一些实施例中,处理器401和存储器402可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器401可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器402作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器402可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器402是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器402还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种确定用户的信用状态的方法,其特征在于,所述方法包括:
获取第一数据集对应的第一结构图和第二数据集对应的第二结构图;其中,所述第一数据集包括M个用户的特征信息和所述M个用户的信用状态信息,所述第二数据集包括N个用户的特征信息;
根据所述第一结构图和所述第二结构图,确定第三结构图;所述第三结构图和所述第二结构图的结构属性相同,所述结构属性为度分布或接近中心性分布;
根据所述第三结构图对神经网络模型进行训练;
将所述第二结构图输入训练后的神经网络模型,确定所述N个用户的信用状态信息。
2.根据权利要求1所述的方法,其特征在于,根据所述第一结构图和所述第二结构图,确定第三结构图,所述方法包括:
根据所述第一结构图的结构属性和所述第二结构图的结构属性,确定所述第一结构图中M个用户节点的权重;
在所述第一结构图中的两个用户节点存在连边的情况下,根据所述两个用户节点的权重和所述两个用户节点的度数,确定所述连边的概率;其中,用户节点的度数用于表征所述用户节点上连边的数量;
根据所述M个用户节点的权重、所述第一结构图中的各个连边的概率和采样比例L,得到所述第三结构图,所述第三结构图包括W个用户节点数,W=M*L。
3.根据权利要求2所述的方法,其特征在于,根据所述M个用户节点的权重、所述第一结构图中的各个连边的概率和采样比例L,得到所述第三结构图,包括:
根据所述M个用户节点的权重,从所述M个用户节点中确定第一用户节点;
若所述第一用户节点与P个用户节点之间存在连边,根据所述第一用户节点和所述P个用户节点之间的连边的概率,从所述P个用户节点中确定Q个用户节点;
根据所述第一用户节点和所述Q个用户节点,得到所述第三结构图,所述W个用户节点包括所述第一用户节点和所述Q个用户节点。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述第一数据集为第一时间段内的数据集,所述第二数据集为第二时间段内的数据集;所述第一时间段在所述第二时间段之前,且所述第一时间段的结束时刻与所述第二时间段的开始时刻之间的间隔小于预设时间长度。
5.一种确定用户的信用状态的装置,其特征在于,所述装置包括:
获取模块,用于获取第一数据集对应的第一结构图和第二数据集对应的第二结构图;其中,所述第一数据集包括M个用户的特征信息和所述M个用户的信用状态信息,所述第二数据集包括N个用户的特征信息;
确定模块,用于根据所述第一结构图和所述第二结构图,确定第三结构图;所述第三结构图和所述第二结构图的结构属性相同,所述结构属性为度分布或接近中心性分布;
训练模块,用于根据所述第三结构图对神经网络模型进行训练;
所述确定模块还用于,将所述第二结构图输入训练后的神经网络模型,确定所述N个用户的信用状态信息。
6.根据权利要求5所述的装置,其特征在于,所述确定模块具体用于:
根据所述第一结构图的结构属性和所述第二结构图的结构属性,确定所述第一结构图中M个用户节点的权重;
在所述第一结构图中的两个用户节点存在连边的情况下,根据所述两个用户节点的权重和所述两个用户节点的度数,确定所述连边的概率;其中,用户节点的度数用于表征所述用户节点上连边的数量;
根据所述M个用户节点的权重、所述第一结构图中的各个连边的概率和采样比例L,得到所述第三结构图,所述第三结构图包括W个用户节点数,W=M*L。
7.根据权利要求6所述的装置,其特征在于,所述确定模块具体用于:
根据所述M个用户节点的权重,从所述M个用户节点中确定第一用户节点;
若所述第一用户节点与P个用户节点之间存在连边,根据所述第一用户节点和所述P个用户节点之间的连边的概率,从所述P个用户节点中确定Q个用户节点;
根据所述第一用户节点和所述Q个用户节点,得到所述第三结构图,所述W个用户节点包括所述第一用户节点和所述Q个用户节点。
8.根据权利要求5至7中任一项所述的装置,其特征在于,所述第一数据集为第一时间段内的数据集,所述第二数据集为第二时间段内的数据集;所述第一时间段在所述第二时间段之前,且所述第一时间段的结束时刻与所述第二时间段的开始时刻之间的间隔小于预设时间长度。
9.一种确定用户的信用状态的装置,其特征在于,包括:
存储器,用于存储计算机程序或指令;
处理器,用于调用所述存储器中存储的计算机程序或指令,执行如权利要求1至4中任一项所述的方法。
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中存储有指令,当计算机读取并执行所述指令时,使得所述计算机执行如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311685088.0A CN117764709A (zh) | 2023-12-08 | 2023-12-08 | 一种确定用户的信用状态的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311685088.0A CN117764709A (zh) | 2023-12-08 | 2023-12-08 | 一种确定用户的信用状态的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117764709A true CN117764709A (zh) | 2024-03-26 |
Family
ID=90324779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311685088.0A Pending CN117764709A (zh) | 2023-12-08 | 2023-12-08 | 一种确定用户的信用状态的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117764709A (zh) |
-
2023
- 2023-12-08 CN CN202311685088.0A patent/CN117764709A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108711047B (zh) | 一种自动还款方法、系统及终端设备 | |
CN108399564B (zh) | 信用评分方法及装置 | |
US20190035015A1 (en) | Method and apparatus for obtaining a stable credit score | |
CN110009474B (zh) | 一种信用风险评估方法、装置和电子设备 | |
CN104809132A (zh) | 一种获取网络主体社交关系类型的方法及装置 | |
CN110717671B (zh) | 一种确定参与方贡献度的方法及装置 | |
CN110188990B (zh) | 一种资源请求和资金请求分流方法、装置及设备 | |
CN110705996A (zh) | 基于特征掩码的用户行为识别方法、系统、及装置 | |
CN111539811A (zh) | 风险账户的识别方法及装置 | |
CN112116245A (zh) | 信贷风险评估方法、装置、计算机设备及存储介质 | |
CN112101939A (zh) | 基于区块链的节点管理方法及系统 | |
CN110750530A (zh) | 一种业务系统及其数据核对方法 | |
CN110717822A (zh) | 一种转账中的风控方法、装置及设备 | |
CN111882323A (zh) | 基于云服务租赁的用户融资风险控制方法及装置 | |
CN117764709A (zh) | 一种确定用户的信用状态的方法及装置 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN114090204A (zh) | 一种资源预测方法及装置 | |
CN109948800B (zh) | 风险控制方法及其系统 | |
CN113129127A (zh) | 预警方法和装置 | |
CN110210856A (zh) | 区块链数据处理方法、装置、服务器及存储介质 | |
CN112200234B (zh) | 模型分类的过程中防止模型窃取的方法及装置 | |
EP4261756A1 (en) | Model gradient determining methods, apparatuses, devices, and media based on federated learning | |
CN117521780A (zh) | 一种无中心联邦学习方法、装置、设备及存储介质 | |
CN117648179A (zh) | 一种资源分配方法、装置、电子设备和存储介质 | |
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 |