JP6732034B2 - ユーザー・クレジット評価方法、装置及び記憶媒体 - Google Patents

ユーザー・クレジット評価方法、装置及び記憶媒体 Download PDF

Info

Publication number
JP6732034B2
JP6732034B2 JP2018543338A JP2018543338A JP6732034B2 JP 6732034 B2 JP6732034 B2 JP 6732034B2 JP 2018543338 A JP2018543338 A JP 2018543338A JP 2018543338 A JP2018543338 A JP 2018543338A JP 6732034 B2 JP6732034 B2 JP 6732034B2
Authority
JP
Japan
Prior art keywords
user
real
offline
credit
time
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.)
Active
Application number
JP2018543338A
Other languages
English (en)
Other versions
JP2019509556A (ja
Inventor
チェン，ペイシュアン
チェン，クイアン
チェン，リン
Original Assignee
テンセント・テクノロジー・（シェンジェン）・カンパニー・リミテッド
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by テンセント・テクノロジー・（シェンジェン）・カンパニー・リミテッド filed Critical テンセント・テクノロジー・（シェンジェン）・カンパニー・リミテッド
Publication of JP2019509556A publication Critical patent/JP2019509556A/ja
Application granted granted Critical
Publication of JP6732034B2 publication Critical patent/JP6732034B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

＜関連出願＞
本願は2016年6月12日付で出願された「ユーザー・クレジット評価方法及び装置」と題する中国特許出願第201610416661.1号に対する優先権を主張しており、その内容は全体的にリファレンスに組み込まれる。
＜技術分野＞
本願はインターネット技術の分野に関連し、特に、ユーザー・クレジット評価方法、装置及び記憶媒体に関連する。
＜背景技術＞
近年、インターネット技術の急速な発展により、人々は益々増えつつあるデータ・サービスをインターネット上で実行しており、ユーザー・クレジットの評価(a user credit rating)がインターネット技術の分野で注目されている。
関連する分野におけるユーザー・クレジット評価方法では、ユーザーの個人情報が収集され、その後、統計モデルにおける何らかの予測アルゴリズムを利用することにより、或いは機械学習を利用することにより、ユーザーのデフォルト・リスクが予測される(例えば、FICOクレジット・スコアリング・システム及びゼストファイナンス・クレジット・スコアリング・システム(a Zestfinace credit scoring system)等がしばしば使用される)。通常、既存のクレジット・スコアリング・メカニズムで使用される個人情報(ビッグ・データ)は所定の更新周期に従って更新され、更新周期は通常的には一月以上である。ユーザーの変化に対して参照がなされるかもしれないが、情報遅延に起因して、ユーザー・クレジット評価の精度に大きく影響する。
本願の実施形態はユーザー・クレジット評価方法を提供する。本方法は：
ターゲット・ユーザーのオフライン特徴情報を取得するステップであって、オフライン特徴情報は、所定の更新周期に従って更新されるユーザーの特徴情報である、ステップ；
ターゲット・ユーザーのオフライン特徴情報と所定のオフライン予測モデルとに従って、ターゲット・ユーザーのオフライン・クレジット・スコアを計算するステップ；
ターゲット・ユーザーのリアルタイム特徴情報を取得するステップであって、リアルタイム特徴情報は、現在時間から所定の時間範囲内で収集されるユーザーの特徴情報であり、所定の時間範囲は所定の更新周期より短い、ステップ；
ターゲット・ユーザーのリアルタイム特徴情報と所定のリアルタイム予測モデルとに従って、ターゲット・ユーザーのリアルタイム・クレジット・スコアを計算するステップ；及び
オフライン・クレジット・スコアと、リアルタイム・クレジット・スコアと、所定の総合予測モデルとに従って、ターゲット・ユーザーの総合クレジット・スコアを計算するステップを含む。
それに応じて本願の実施形態はユーザー・クレジット評価装置を更に提供する。本装置は：
ターゲット・ユーザーのオフライン特徴情報を取得するように構成されるオフライン特徴取得モジュールであって、オフライン特徴情報は、所定の更新周期に従って更新されるユーザーの特徴情報である、オフライン特徴取得モジュール；
ターゲット・ユーザーのオフライン特徴情報と所定のオフライン予測モデルとに従って、ターゲット・ユーザーのオフライン・クレジット・スコアを計算するように構成されるオフライン・スコアリング・モジュール；
ターゲット・ユーザーのリアルタイム特徴情報を取得するように構成されるリアルタイム特徴取得モジュールであって、リアルタイム特徴情報は、現在時間から所定の時間範囲内で収集されるユーザーの特徴情報であり、所定の時間範囲は所定の更新周期より短い、リアルタイム特徴取得モジュール；
ターゲット・ユーザーのリアルタイム特徴情報と所定のリアルタイム予測モデルとに従って、ターゲット・ユーザーのリアルタイム・クレジット・スコアを計算するように構成されるリアルタイム・スコアリング・モジュール；及び
オフライン・クレジット・スコアと、リアルタイム・クレジット・スコアと、所定の総合予測モデルとに従って、ターゲット・ユーザーの総合クレジット・スコアを計算するように構成される総合スコアリング・モジュールを含む。
本願の実施形態は、上記の方法を少なくとも1つのプロセッサが実行できるようにするコンピュータ読み取り可能な命令を記憶する、コンピュータ読み取り可能な記憶媒体を更に提供する。
本願で提供されるソリューションを利用することにより、ユーザー・クレジット評価の精度は改善され得る。
本願の実施形態又は関連技術における技術的ソリューションを更に明確に説明するために、以下、実施形態及び関連技術を説明するために必要とされる添付図面を簡単に説明する。明らかに、以下の説明における添付図面は本願のいくつかの実施形態を単に示しているに過ぎず、当該技術分野で通常の知識を有する者(いわゆる当業者)は、創作的な労力を伴わずにこれらの添付図面から他の図面を更に導出し得る。
図1は本願の実施形態によるユーザー・クレジット評価方法の概略的なフローチャートである。
図2は本願の実施形態によるユーザーのオフライン特徴及びリアルタイム特徴情報を取得するソース概略図である。
図3は本願の実施形態によるオフライン予測モデルをトレーニングする概略的なフローチャートである。
図4は本願の実施形態によるリアルタイム予測モデルをトレーニングする概略的なフローチャートである。
図5は本願の実施形態による総合予測モデルをトレーニングする概略的なフローチャートである。
図6は本願の実施形態によるユーザー・クレジット評価装置の概略的な構造図である。
図7は本願の実施形態によるサンプル取得モジュールの概略的な構造図である。
以下は、本願の実施形態における添付図面に関連して本願の実施形態における技術的ソリューションを明確かつ完全に説明している。明らかに、説明される実施形態は全ての実施形態ではなく本願のいくつかの実施形態である。創作的な労力無しに本願の実施形態に基づいて当業者により取得される他の全ての実施形態は、本願の保護範囲内に属する。
本願の実施形態におけるユーザー・クレジット評価方法及び装置は、パーソナル・コンピュータ、ノートブック・コンピュータ、インテリジェント・モバイル・フォン、タブレット・コンピュータ、又は電子書籍リーダーのようなコンピュータ・システムで実現されてもよく、大抵は、例えばデータ・サービス・プラットフォームのバックグランド・サーバーのような、ユーザー・クレジット評価を行うサーバーで使用されてよい。以下、本願の実施形態の実行主体として、ユーザー・クレジット評価装置を利用することにより説明を行う。
図1は本願の実施形態によるユーザー・クレジット評価方法の概略的なフローチャートである。図示されるように、この実施形態におけるユーザー・クレジット評価方法のプロセスは以下のステップを含んでよい：
S101：ターゲット・ユーザーのオフライン特徴情報を取得する：オフライン特徴情報は、所定の更新周期に従って更新されるユーザーの特徴情報である。
図2に示されるように、ユーザー・クレジット評価装置は、第三者により提供されるユーザー・データを収集することによりオフライン特徴情報を取得してもよいし、或いは、サービス・プラットフォームにより収集されるユーザー・データからオフライン特徴情報を取得してもよい。ユーザー・クレジット評価装置は、取得されたユーザー・データに関して特徴計算(feature calculation)を実行し、＜ユーザー属性、ユーザー行動、又はユーザー・データにおけるユーザー属性/行動＞を＜例えばディジタル化された特徴情報のような、統一されたフォーマットを有するオフライン特徴情報＞へ変換してもよい。所定の更新周期は、ユーザー・データを提供する外部製造業者の更新周期であってもよいし、或いは、ユーザー・クレジット評価装置により設定されるコレクション更新周期であってもよい。ビッグ・データは大きなユーザー・ベースに関わり、オフライン特徴情報はユーザーの全履歴の特徴情報を含み得るので、膨大な量のデータが存在する。従って、所定の更新周期は比較的長く、通常、少なくとも1週間ないし1月間である。選択的な実施形態において、オフライン特徴情報は、例えば性別、年齢、生まれ故郷、職業、又は収入のような属性であるユーザーの比較的安定した特徴情報であってもよく、また、全履歴の契約関連クレジット記録(all historical contract-related credit records)を含んでもよい。そのようなユーザーの比較的安定した特徴情報は、所定の更新周期に従って更新されることを要するのみである。従って、これらの特徴カテゴリの情報は、オフライン特徴情報として使用される。
選択的な実施形態において、オフライン特徴情報は、或る特徴カテゴリの選択されたオフライン特徴情報であってもよい。即ち、第三者により提供されるユーザー・データ、或いはサービス・プラットフォームにより収集されるユーザー・データは、複数の特徴カテゴリのオフライン特徴情報を含む可能性があり、ユーザー・クレジット評価装置は、複数の特徴カテゴリのオフライン特徴情報の中から、指定された特徴カテゴリのオフライン特徴情報を選択してもよい。指定された特徴カテゴリは、所定のトレーニング・サンプル・データに従ってユーザー・クレジット評価装置により取得されてもよい。トレーニング・サンプル・データは、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルとを含む。トレーニング・サンプル・データは、ユーザー・クレジット・データと言及されてもよい。ユーザー・クレジット評価装置は、ユーザー・クレジット・サンプルデータにおける、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルとに従って、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関を計算し、クレジット・スコアリング結果との相関が所定の閾値に到達する特徴カテゴリを、指定された特徴カテゴリとして決定する。
S102：ターゲット・ユーザーのオフライン特徴情報と所定のオフライン予測モデルとに従って、ターゲット・ユーザーのオフライン・クレジット・スコアを計算する。
オフライン予測モデルは、トレーニングされるロジスティック回帰分類モデル、トレーニングされる積分学習モデル、ディープ・ラーニング・モデル、ランダム・フォレスト・モデル等であってもよい。ユーザー・クレジット評価装置は、ターゲット・ユーザーのオフライン・クレジット・スコアを計算するために、ターゲット・ユーザーのオフライン特徴情報を、所定のオフライン予測モデルに代入する。
オフライン予測モデルは、所定のトレーニング・サンプル・データに従ってトレーニングを実行することで、ユーザー・クレジット評価装置により取得されてもよい。トレーニング・サンプル・データは、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーのオフライン特徴情報とを含んでもよい。オフライン予測モデルは、代替的に、外部からユーザー・クレジット評価装置により取得されるトレーニング済みオフライン予測モデルであってもよい。
S103：ターゲット・ユーザーのリアルタイム特徴情報を取得する：リアルタイム特徴情報は、現在時間から所定の時間範囲内で収集されるユーザーの特徴情報であり、所定の時間範囲は前記所定の更新周期より短い。
図2に示されるように、ユーザー・クレジット評価装置は、サービス・プラットフォームにより収集されるユーザー・データから、リアルタイム特徴情報を取得してもよい。ユーザー・クレジット評価装置は、取得したユーザー・データに関して特徴計算を実行し、＜ユーザー属性、ユーザー行動、又はユーザー・データにおけるユーザー属性/行動＞を＜例えばディジタル化された特徴情報のような、統一されたフォーマットを有するリアルタイム特徴情報＞へ変換してもよい。サービス・プラットフォームは、ユーザーの最新の特徴情報を収集してもよく、所定の時間範囲は所定の更新周期より短く、例えば、ユーザーの特徴情報は、ここ1〜2日又は最近の週に収集される。選択的な実施形態では、ユーザー・クレジット評価装置は、或る特徴カテゴリをハイリスク特徴(high-risk features)として予め設定してもよい。ユーザーの特徴情報及びハイリスク特徴に対応するものが変化した場合、ユーザーのクレジット・スコアは大幅に影響される。例えば、ユーザーは、特定のプラットフォームでローン・サービスを可能にし、或いは海外ビザに適用し、ユーザーの地理的な位置が変わり、或いは、特定の分野で多額の消費が生じる。リアルタイムで着目されることを要するこれらのハイリスク特徴に関し、ユーザー・クレジット評価装置は、対応する特徴情報を、リアルタイム・コレクション及び記録に関するユーザーのリアルタイム特徴情報として利用してもよい。所定の更新周期を更新するためにオフライン特徴情報として、他の特徴情報が使用される。
同様に、リアルタイム特徴情報は、或る特徴カテゴリの選択されたリアルタイム特徴情報であってもよい。即ち、サービス・プラットフォームにより収集されるユーザー・データは、複数の特徴カテゴリのリアルタイム特徴情報を含んでいる可能性があり、ユーザー・クレジット評価装置は、複数の特徴カテゴリのリアルタイム特徴情報の中から、指定された特徴カテゴリのリアルタイム特徴情報を選択してもよい。指定された特徴カテゴリは、所定のトレーニング・サンプル・データに従ってユーザー・クレジット評価装置により取得されてもよい。トレーニング・サンプル・データは、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルとを含む。トレーニング・サンプル・データは、ユーザー・クレジット・サンプル・データと言及される。ユーザー・クレジット評価装置は、ユーザー・クレジット・サンプル・データにおいて、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルとに従って、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関を計算し、クレジット・スコアリング結果との相関が所定の閾値に到達する特徴カテゴリを、指定された特徴カテゴリとして決定する。
S104：ターゲット・ユーザーのリアルタイム特徴情報と所定のリアルタイム予測モデルとに従って、ターゲット・ユーザーのリアルタイム・クレジット・スコアを計算する。
リアルタイム予測モデルは、トレーニングされるロジスティック回帰分類モデル、トレーニングされる積分学習モデル、ディープ・ラーニング・モデル、ランダム・フォレスト・モデル等であってもよい。ユーザー・クレジット評価装置は、ターゲット・ユーザーのリアルタイム・クレジット・スコアを計算するために、ターゲット・ユーザーのリアルタイム特徴情報を、所定のリアルタイム予測モデルに代入する。
リアルタイム予測モデルは、所定のトレーニング・サンプル・データに従ってトレーニングを実行することで、ユーザー・クレジット評価装置により取得されてもよい。トレーニング・サンプル・データは、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーのオフライン特徴情報とを含んでもよい。リアルタイム予測モデルは、代替的に、外部からユーザー・クレジット評価装置により取得されるトレーニング済みリアルタイム予測モデルであってもよい。
S105：所定の総合予測モデルとの組み合わせにおける、取得したオフライン・クレジット・スコアとターゲット・ユーザーのリアルタイム・クレジット・スコアとに従って、ターゲット・ユーザーの総合クレジット・スコアを計算する。
総合予測モデルは、トレーニングされるロジスティック回帰分類モデル、トレーニングされる積分学習モデル、ディープ・ラーニング・モデル、ランダム・フォレスト・モデル、勾配ブースティング・デシジョン・ツリー・モデル等であってもよい。ユーザー・クレジット評価装置は、ターゲット・ユーザーのリアルタイム・クレジット・スコアを計算するために、ターゲット・ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアを、所定のリアルタイム予測モデルに代入する。
総合予測モデルは、所定のトレーニング・サンプル・データに従ってトレーニングを実行することで、ユーザー・クレジット評価装置により取得されてもよい。トレーニング・サンプル・データは、複数のユーザーのクレジット・スコアリング結果のサンプル、各ユーザーのオフライン特徴情報及びリアルタイム特徴情報を含んでよい。各ユーザーのオフライン特徴情報に従ってオフライン予測モデルを利用することにより各ユーザーのオフライン・クレジット・スコアを取得し、各ユーザーのリアルタイム特徴情報に従ってリアルタイム予測モデルを利用することにより各ユーザーのリアルタイム・クレジット・スコアを取得した後で、ユーザー・クレジット評価装置は、複数のユーザーのクレジット・スコアリング結果、各ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアに従って、総合予測モデルをトレーニングする。リアルタイム予測モデルは、代替的に、外部からユーザー・クレジット評価装置により取得されるトレーニング済みリアルタイム予測モデルであってもよい。
例示的に、ターゲット・ユーザーのリアルタイム・クレジット・スコアは、以下のロジスティック回帰アルゴリズムの総合予測モデルを利用することにより計算されてもよい：
Score=1/(1+exp(-(α*Score1+β*Score2+γ)))
α、β及びγはモデルをトレーニングすることにより得られるパラメータであり、Score1及びScore2はそれぞれターゲット・ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアであり、結果のスコア(Score)はターゲット・ユーザーの総合クレジット・スコアである。
更に、選択的な実施形態では、ユーザー・クレジット評価装置は、この実施形態における上記のステップで計算されるターゲット・ユーザーの総合クレジット・スコアに従って、金融商品情報や固定資産管理商品情報のような商品情報をターゲット・ユーザーへプッシュし、或いは、ターゲット・ユーザーの総合クレジット・スコアに従ってターゲット・ユーザーのデータ・サービスをモニタリング及び管理してもよく、例えば、ターゲット・ユーザーのローン・サービスに関するリスク制御管理を実行し、或いはターゲット・ユーザーの資金を運用するマネジメント提案を提供する。
本願で提供されるユーザー・クレジット評価方法によれば、ユーザーの総合クレジット・スコアを計算するために、ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアはそれぞれユーザーのオフライン特徴情報及びリアルタイム特徴情報を取得することにより取得され、これにより、ユーザーの長期的な特徴データとリアルタイムの特徴データとの組み合わせにおいて、ユーザーのクレジット・ステータスを正確に予測し、従来技術におけるユーザー情報遅延により引き起こされていた不正確なクレジット評価の問題を解決する。
図3は本願の実施形態によりオフライン予測モデルをトレーニングする概略的なフローチャートである。図示されるように、この実施形態におけるオフライン予測モデルのトレーニング・プロセスは、以下のステップを含んでもよい：
S301：複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルとを取得する。
選択的に、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報とが、ユーザー・クレジット評価装置に入力されるトレーニング・サンプル・データから抽出されてもよい。
代替的に、複数のユーザーのクレジット・スコアリング結果のサンプルは、複数のユーザーのデフォルト記録を利用することにより計算されてもよい。即ち、複数のユーザーのクレジット・スコアリング結果のサンプルは、複数のユーザーのデフォルト・ステータス、デフォルト・イベントの個数及び重大性(the severity)等がどうであるかに応じて決定される。選択的な実施形態において、複数のユーザーのクレジット・スコアリング結果のサンプルは、代替的に、人間の採点によって取得されてもよい。更に、複数のユーザーのスコアリング結果のサンプルが取得された後に、ユーザー・クレジット評価装置は、第三者により提供されるユーザー・データを収集することにより、或いはサービス・プラットフォームにより収集されるユーザー・データから、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルを取得してもよい。
S302：複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルとに従って、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関を計算する。
ユーザー・クレジット・サンプル・データは、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルとを含む。特徴カテゴリは、例えば、年齢、所在地、性別、又は仕事であってもよい。各々の特徴カテゴリとクレジット・スコアリング結果との間の相関は、ユーザーのクレジット・スコアリング結果における年齢、性別、仕事などの影響を反映する。相関が相対的に高い場合、その特徴カテゴリはクレジット・スコアリング結果に相対的に大きく影響していることを示し；そうでない場合、その特徴カテゴリはクレジット・スコアリング結果に僅かにしか影響しないことを示す。従って、オフライン予測モデルが設定される場合、その特徴カテゴリのオフライン特徴情報は考慮されない。
具体的には、例えば、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関rは、以下の数式を利用することにより計算されてもよい：
Figure 0006732034
xは特徴カテゴリのオフライン特徴情報であり、yはユーザーのクレジット・スコアリング結果であり、下付き文字iは個々のユーザーがそれに対応していることを示す。
別の選択的な実施形態において、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関は、代替的に、IV値(IV value)、カイ二乗値(a chi-squared value：χ2値)等に基づく相関アルゴリズムを利用することにより計算されてもよい。
S303：クレジット・スコアリング結果との相関が所定の閾値に到達する特徴カテゴリを、オフライン特徴情報の特徴カテゴリとして決定し、対応する特徴カテゴリのオフライン特徴情報を、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルの中から選択する。
各々の特徴カテゴリとクレジット・スコアリング結果との間の相関が計算された後に、その相関は、対応する所定の閾値と比較され、相関が条件に合致する特徴カテゴリが、オフライン特徴情報の特徴カテゴリとして決定され、対応する特徴カテゴリのオフライン特徴情報が、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルの中から選択される。
S304：各ユーザーの対応する特徴カテゴリの選択されたオフライン特徴情報に従ってオフライン予測モデルを設定し、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの対応する特徴カテゴリのオフライン特徴情報とに従って、オフライン予測モデルをトレーニングする。
オフライン予測モデルは、トレーニングされるロジスティック回帰分類モデル、トレーニングされる積分学習モデル、ディープ・ラーニング・モデル、ランダム・フォレスト・モデル等であってもよい。オフライン予測モデルは、特定のモデル・パラメータとの組み合わせにおける、各ユーザーの対応する特徴カテゴリの選択されたオフライン特徴情報に従って、ユーザーのクレジット・スコアを計算するための、ユーザー・クレジット評価装置に関する予測数式(a prediction formula)であってもよい。トレーニングの反復は、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの対応する特徴カテゴリのオフライン特徴情報とを利用することにより、予測数式のモデル・パラメータに関して実行され、これにより、クレジット・スコアリング結果のサンプルに最も近い、予測数式におけるモデル・パラメータを取得し、トレーニングされるオフライン予測モデルを取得する。
S302及びS303は選択的なステップであることに留意すべきである。選択的な実施形態において、各ユーザーの複数の特徴カテゴリの全ての取得されたオフライン特徴情報のサンプルが、選択によらず、リアルタイム予測モデルをトレーニングするためのオフライン特徴情報として使用されてもよい。
図4は本願の実施形態に従ってリアルタイム予測モデルをトレーニングする概略的なフローチャートである。図示されているように、この実施形態におけるリアルタイム予測モデルのトレーニング・プロセスは、以下のステップを含んでよい：
S401：複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルとを取得する。
選択的に、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報とが、ユーザー・クレジット評価装置に入力されるトレーニング・サンプル・データから抽出されてもよい。
代替的に、複数のユーザーのクレジット・スコアリング結果のサンプルは、複数のユーザーのデフォルト記録を利用することにより計算されてもよい。即ち、複数のユーザーのクレジット・スコアリング結果のサンプルは、複数のユーザーのデフォルト・ステータス、デフォルト・イベントの個数及び重大性等がどうであるかに応じて決定される。選択的な実施形態において、複数のユーザーのクレジット・スコアリング結果のサンプルは、代替的に、人間の採点によって取得されてもよい。更に、複数のユーザーのスコアリング結果のサンプルが取得された後に、ユーザー・クレジット評価装置は、サービス・プラットフォームにより収集されるユーザー・データから、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルを取得してもよい。
S402：複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルとに従って、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関を計算する。
ユーザー・クレジット・サンプル・データは、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルとを含む。特徴カテゴリは、例えば、年齢、所在地、性別、又は仕事であってもよい。各々の特徴カテゴリとクレジット・スコアリング結果との間の相関は、ユーザーのクレジット・スコアリング結果における年齢、性別、仕事などの影響を反映する。相関が相対的に高い場合、その特徴カテゴリはクレジット・スコアリング結果に相対的に大きく影響していることを示し；そうでない場合、その特徴カテゴリはクレジット・スコアリング結果に僅かにしか影響しないことを示す。従って、リアルタイム予測モデルが設定される場合、その特徴カテゴリのリアルタイム特徴情報は考慮されない。
具体的には、例えば、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関sは、以下の数式を利用することにより計算されてもよい：
Figure 0006732034
zは特徴カテゴリのリアルタイム特徴情報であり、yはユーザーのクレジット・スコアリング結果であり、下付き文字iは個々のユーザーがそれに対応していることを示す。
別の選択的な実施形態において、各々の特徴カテゴリのリアルタイム特徴情報とクレジット・スコアリング結果との間の相関は、代替的に、IV値、カイ二乗値等に基づく相関アルゴリズムを利用することにより計算されてもよい。
S403：クレジット・スコアリング結果との相関が所定の閾値に到達する特徴カテゴリを、リアルタイム特徴情報の特徴カテゴリとして決定し、対応する特徴カテゴリのリアルタイム特徴情報を、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルの中から選択する。
各々の特徴カテゴリとクレジット・スコアリング結果との間の相関が計算された後に、その相関は、対応する所定の閾値と比較され、相関が条件に合致する特徴カテゴリが、リアルタイム特徴情報の特徴カテゴリとして決定され、対応する特徴カテゴリのリアルタイム特徴情報が、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルの中から選択される。
S404：各ユーザーの対応する特徴カテゴリの選択されたリアルタイム特徴情報に従ってリアルタイム予測モデルを設定し、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの対応する特徴カテゴリのリアルタイム特徴情報とに従って、リアルタイム予測モデルをトレーニングする。
リアルタイム予測モデルは、トレーニングされるロジスティック回帰分類モデル、トレーニングされる積分学習モデル、ディープ・ラーニング・モデル、ランダム・フォレスト・モデル等であってもよい。リアルタイム予測モデルは、特定のモデル・パラメータとの組み合わせにおける、各ユーザーの対応する特徴カテゴリの選択されたリアルタイム特徴情報に従って、ユーザーのクレジット・スコアを計算するための、ユーザー・クレジット評価装置に関する予測数式であってもよい。トレーニングの反復は、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの対応する特徴カテゴリのリアルタイム特徴情報とを利用することにより、予測数式のモデル・パラメータに関して実行され、これにより、クレジット・スコアリング結果のサンプルに最も近い、予測数式におけるモデル・パラメータを取得し、トレーニングされるリアルタイム予測モデルを取得する。
S402及びS403は選択的なステップであることに留意すべきである。選択的な実施形態において、各ユーザーの複数の特徴カテゴリの全ての取得されたリアルタイム特徴情報のサンプルが、選択によらず、リアルタイム予測モデルをトレーニングするためのリアルタイム特徴情報として使用されてもよい。
図5は、本願の実施形態に従って総合予測モデルをトレーニングする概略的なフローチャートである。
S501：複数のユーザーのクレジット・スコアリング結果のサンプル、各ユーザーのオフライン特徴情報及びリアルタイム特徴情報を取得する。
選択的に、複数のユーザーのクレジット・スコアリング結果のサンプル、各ユーザーのリアルタイム特徴情報及びオフライン特徴情報が、ユーザー・クレジット評価装置に入力されるトレーニング・サンプル・データから抽出されてもよい。
代替的に、複数のユーザーのクレジット・スコアリング結果のサンプルは、複数のユーザーのデフォルト記録を利用することにより計算されてもよい。即ち、複数のユーザーのクレジット・スコアリング結果のサンプルは、複数のユーザーのデフォルト・ステータス、デフォルト・イベントの個数及び重大性等がどうであるかに応じて決定される。選択的な実施形態において、複数のユーザーのクレジット・スコアリング結果のサンプルは、代替的に、人間の採点によって取得されてもよい。更に、複数のユーザーのスコアリング結果のサンプルが取得された後に、ユーザー・クレジット評価装置は、第三者により提供されるユーザー・データを収集することにより、或いはサービス・プラットフォームにより収集されるユーザー・データから、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルを取得してもよい。
S502：各ユーザーのオフライン特徴情報と所定のオフライン予測モデルとに従って、各ユーザーのオフライン・クレジット・スコアを計算する。
S503：各ユーザーのリアルタイム特徴情報と所定のリアルタイム予測モデルとに従って、各ユーザーのリアルタイム・クレジット・スコアを計算する。
S504：各ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアに従って総合予測モデルを設定し、複数のユーザーのクレジット・スコアリング結果、各ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアに従って総合予測モデルをトレーニングする。
総合予測モデルは、トレーニングされるロジスティック回帰分類モデル、トレーニングされる積分学習モデル、ディープ・ラーニング・モデル、ランダム・フォレスト・モデル、勾配ブースティング・デシジョン・ツリー・モデル等であってもよい。総合予測モデルは、特定のモデル・パラメータとの組み合わせにおける、オフライン・クレジット・スコア及びリアルタイム・クレジット・スコアに従って、ユーザーの総合クレジット・スコアを計算するための、ユーザー・クレジット評価装置に関する予測数式であってもよい。トレーニングの反復は、複数のユーザーのクレジット・スコアリング結果のサンプル、各ユーザーのリアルタイム・クレジット・スコア及びオフライン・クレジット・スコアを利用することにより、予測数式のモデル・パラメータに関して実行され、これにより、クレジット・スコアリング結果のサンプルに最も近い、予測数式におけるモデル・パラメータを取得し、トレーニングされる総合予測モデルを取得する。
例示的に、ターゲット・ユーザーのリアルタイム・クレジット・スコアは、以下のロジスティック回帰アルゴリズムの総合予測モデルを利用することにより計算されてもよい：
Score=1/(1+exp(-(α*Score1+β*Score2+γ)))
α、β及びγはモデルをトレーニングすることにより得られるパラメータであり、Score1及びScore2はそれぞれターゲット・ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアであり、結果のスコア(Score)はターゲット・ユーザーの総合クレジット・スコアである。
図6は本願によるユーザー・クレジット評価装置の概略的な構造図である。図示されるように、本願の実施形態におけるユーザー・クレジット評価装置は、オフライン特徴取得モジュール610と、オフライン・スコアリング・モジュール620と、リアルタイム特徴取得モジュール630と、リアルタイム・スコアリング・モジュール640と、総合スコアリング・モジュール650とを含んでよい。
オフライン特徴取得モジュール610は、ターゲット・ユーザーのオフライン特徴情報を取得するように構成され、オフライン特徴情報は、所定の更新周期に従って更新されるユーザーの特徴情報である。
図2に示されるように、オフライン特徴取得モジュール610は、第三者により提供されるユーザー・データを収集することにより、オフライン特徴情報を取得してもよいし、或いは、サービス・プラットフォームにより収集されるユーザー・データからオフライン特徴情報を取得してもよい。オフライン特徴取得モジュール610は、取得されたユーザー・データに関して特徴計算を実行し、＜ユーザー属性、ユーザー行動、又はユーザー・データにおけるユーザー属性/行動＞を＜例えばディジタル化された特徴情報のような、統一されたフォーマットを有するオフライン特徴情報＞へ変換してもよい。所定の更新周期は、ユーザー・データを提供する外部製造業者の更新周期であってもよいし、或いは、ユーザー・クレジット評価装置により設定されるコレクション更新周期であってもよい。ビッグ・データは大きなユーザー・ベースに関わり、オフライン特徴情報はユーザーの全履歴の特徴情報を含み得るので、膨大な量のデータが存在する。従って、所定の更新周期は比較的長く、通常、少なくとも1週間ないし1月間である。選択的な実施形態において、オフライン特徴情報は、例えば性別、年齢、生まれ故郷、職業、又は収入のような属性であるユーザーの比較的安定した特徴情報であってもよく、また、全履歴の契約関連クレジット記録を含んでもよい。そのようなユーザーの比較的安定した特徴情報は、所定の更新周期に従って更新されることを要するのみである。従って、これらの特徴カテゴリの情報は、オフライン特徴情報として使用される。
選択的な実施形態において、オフライン特徴情報は、或る特徴カテゴリの選択されたオフライン特徴情報であってもよい。即ち、第三者により提供されるユーザー・データ、或いはサービス・プラットフォームにより収集されるユーザー・データは、複数の特徴カテゴリのオフライン特徴情報を含む可能性があり、オフライン特徴取得モジュール610は、複数の特徴カテゴリのオフライン特徴情報の中から、指定された特徴カテゴリのオフライン特徴情報を選択してもよい。指定された特徴カテゴリは、所定のトレーニング・サンプル・データに従ってユーザー・クレジット評価装置により取得されてもよい。トレーニング・サンプル・データは、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルとを含む。トレーニング・サンプル・データは、ユーザー・クレジット・データと言及されてもよい。ユーザー・クレジット評価装置は、ユーザー・クレジット・サンプルデータにおける、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルとに従って、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関を計算し、クレジット・スコアリング結果との相関が所定の閾値に到達する特徴カテゴリを、指定された特徴カテゴリとして決定する。
オフライン・スコアリング・モジュール620は、ターゲット・ユーザーのオフライン特徴情報と所定のオフライン予測モデルとに従って、ターゲット・ユーザーのオフライン・クレジット・スコアを計算するように構成される。
オフライン予測モデルは、トレーニングされるロジスティック回帰分類モデル、トレーニングされる積分学習モデル、ディープ・ラーニング・モデル、ランダム・フォレスト・モデル等であってもよい。オフライン・スコアリング・モジュール620は、ターゲット・ユーザーのオフライン・クレジット・スコアを計算するために、ターゲット・ユーザーのオフライン特徴情報を、所定のオフライン予測モデルに代入する。
オフライン予測モデルは、所定のトレーニング・サンプル・データに従ってトレーニングを実行することで、ユーザー・クレジット評価装置により取得されてもよい。トレーニング・サンプル・データは、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーのオフライン特徴情報とを含んでもよい。オフライン予測モデルは、代替的に、外部からユーザー・クレジット評価装置により取得されるトレーニング済みオフライン予測モデルであってもよい。
リアルタイム特徴取得モジュール630は、ターゲット・ユーザーのリアルタイム特徴情報を取得するように構成され、リアルタイム特徴情報は、現在時間から所定の時間範囲内で収集されるユーザーの特徴情報であり、所定の時間範囲は前記所定の更新周期より短い。
図2に示されるように、リアルタイム特徴取得モジュール630は、サービス・プラットフォームにより収集されるユーザー・データから、リアルタイム特徴情報を取得してもよい。リアルタイム特徴取得モジュール630は、取得したユーザー・データに関して特徴計算を実行し、＜ユーザー属性、ユーザー行動、又はユーザー・データにおけるユーザー属性/行動＞を＜例えばディジタル化された特徴情報のような、統一されたフォーマットを有するリアルタイム特徴情報＞へ変換してもよい。サービス・プラットフォームは、ユーザーの最新の特徴情報を収集してもよく、所定の時間範囲は所定の更新周期より短く、例えば、ユーザーの特徴情報は、ここ1〜2日又は最近の週に収集される。選択的な実施形態では、ユーザー・クレジット評価装置は、或る特徴カテゴリをハイリスク特徴として予め設定してもよい。ユーザーの特徴情報及びハイリスク特徴に対応するものが変化した場合、ユーザーのクレジット・スコアは大幅に影響される。例えば、ユーザーは、特定のプラットフォームでローン・サービスを可能にし、或いは海外ビザに適用し、ユーザーの地理的な位置が変わり、或いは、特定の分野で多額の消費が生じる。リアルタイムで着目されることを要するこれらのハイリスク特徴に関し、リアルタイム特徴取得モジュール630は、対応する特徴情報を、リアルタイム・コレクション及び記録に関するユーザーのリアルタイム特徴情報として利用してもよい。所定の更新周期を更新するためにオフライン特徴情報として、他の特徴情報が使用される。
同様に、リアルタイム特徴情報は、或る特徴カテゴリの選択されたリアルタイム特徴情報であってもよい。即ち、第三者により提供されるユーザー・データ、又はサービス・プラットフォームにより収集されるユーザー・データは、複数の特徴カテゴリのリアルタイム特徴情報を含んでいる可能性があり、リアルタイム特徴取得モジュール630は、複数の特徴カテゴリのリアルタイム特徴情報の中から、指定された特徴カテゴリのリアルタイム特徴情報を選択してもよい。指定された特徴カテゴリは、所定のトレーニング・サンプル・データに従ってユーザー・クレジット評価装置により取得されてもよい。トレーニング・サンプル・データは、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルとを含む。トレーニング・サンプル・データは、ユーザー・クレジット・サンプル・データと言及される。ユーザー・クレジット評価装置は、ユーザー・クレジット・サンプル・データにおいて、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルとに従って、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関を計算し、クレジット・スコアリング結果との相関が所定の閾値に到達する特徴カテゴリを、指定された特徴カテゴリとして決定する。
リアルタイム・スコアリング・モジュール640は、ターゲット・ユーザーのリアルタイム特徴情報と所定のリアルタイム予測モデルとに従って、ターゲット・ユーザーのリアルタイム・クレジット・スコアを計算するように構成される。
リアルタイム予測モデルは、トレーニングされるジスティック回帰分類モデル、トレーニングされる積分学習モデル、ディープ・ラーニング・モデル、ランダム・フォレスト・モデル等であってもよい。ユーザー・クレジット評価装置は、ターゲット・ユーザーのリアルタイム・クレジット・スコアを計算するために、ターゲット・ユーザーのリアルタイム特徴情報を、所定のリアルタイム予測モデルに代入する。
リアルタイム予測モデルは、所定のトレーニング・サンプル・データに従ってトレーニングを実行することで、ユーザー・クレジット評価装置により取得されてもよい。トレーニング・サンプル・データは、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーのオフライン特徴情報とを含んでもよい。リアルタイム予測モデルは、代替的に、外部からユーザー・クレジット評価装置により取得されるトレーニング済みリアルタイム予測モデルであってもよい。
総合スコアリング・モジュール650は、所定の総合予測モデルとの組み合わせにおける、取得したオフライン・クレジット・スコアとターゲット・ユーザーのリアルタイム・クレジット・スコアとに従って、ターゲット・ユーザーの総合クレジット・スコアを計算するように構成される。
総合予測モデルは、トレーニングされるロジスティック回帰分類モデル、トレーニングされる積分学習モデル、ディープ・ラーニング・モデル、ランダム・フォレスト・モデル、勾配ブースティング・デシジョン・ツリー・モデル等であってもよい。総合スコアリング・モジュール650は、ターゲット・ユーザーのリアルタイム・クレジット・スコアを計算するために、ターゲット・ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアを、所定のリアルタイム予測モデルに代入する。
総合予測モデルは、所定のトレーニング・サンプル・データに従ってトレーニングを実行することで、ユーザー・クレジット評価装置により取得されてもよい。トレーニング・サンプル・データは、複数のユーザーのクレジット・スコアリング結果のサンプル、各ユーザーのオフライン特徴情報及びリアルタイム特徴情報を含んでよい。各ユーザーのオフライン特徴情報に従ってオフライン予測モデルを利用することにより各ユーザーのオフライン・クレジット・スコアを取得し、各ユーザーのリアルタイム特徴情報に従ってリアルタイム予測モデルを利用することにより各ユーザーのリアルタイム・クレジット・スコアを取得した後で、ユーザー・クレジット評価装置は、複数のユーザーのクレジット・スコアリング結果、各ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアに従って、総合予測モデルをトレーニングする。リアルタイム予測モデルは、代替的に、外部からユーザー・クレジット評価装置により取得されるトレーニング済みリアルタイム予測モデルであってもよい。
例示的に、ターゲット・ユーザーのリアルタイム・クレジット・スコアは、以下のロジスティック回帰アルゴリズムの総合予測モデルを利用することにより計算されてもよい：
Score=1/(1+exp(-(α*Score1+β*Score2+γ)))
α、β及びγはモデルをトレーニングすることにより得られるパラメータであり、Score1及びScore2はそれぞれターゲット・ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアであり、結果のスコア(Score)はターゲット・ユーザーの総合クレジット・スコアである。
本願で提供されるユーザー・クレジット評価方法によれば、ユーザーの総合クレジット・スコアを計算するために、ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアはそれぞれユーザーのオフライン特徴情報及びリアルタイム特徴情報を取得することにより取得され、これにより、ユーザーの長期的な特徴データとリアルタイムの特徴データとの組み合わせにおいて、ユーザーのクレジット・ステータスを正確に予測し、従来技術におけるユーザー情報遅延により引き起こされていた不正確なクレジット評価の問題を解決する。
選択的な実施形態において、ユーザー・クレジット評価装置はサンプル取得モジュール660及びオフライン・モデル・トレーニング・モジュール670を更に含んでいてもよい。
サンプル取得モジュール660は、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーのオフライン特徴情報とを取得するように構成される。
選択的に、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報とが、ユーザー・クレジット評価装置に入力されるトレーニング・サンプル・データから抽出されてもよい。
代替的に、複数のユーザーのクレジット・スコアリング結果のサンプルは、複数のユーザーのデフォルト記録を利用することにより計算されてもよい。即ち、複数のユーザーのクレジット・スコアリング結果のサンプルは、複数のユーザーのデフォルト・ステータス、デフォルト・イベントの個数及び重大性等がどうであるかに応じて決定される。選択的な実施形態において、複数のユーザーのクレジット・スコアリング結果のサンプルは、代替的に、人間の採点によって取得されてもよい。更に、複数のユーザーのスコアリング結果のサンプルが取得された後に、サンプル取得モジュール660は、第三者により提供されるユーザー・データを収集することにより、或いはサービス・プラットフォームにより収集されるユーザー・データから、各ユーザーのオフライン特徴情報のサンプルを取得してもよい。
オフライン・モデル・トレーニング・モジュール670は、各ユーザーのオフライン特徴情報に従ってオフライン予測モデルを設定し、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーのオフライン特徴情報とに従って、オフライン予測モデルをトレーニングするように構成される。
オフライン予測モデルは、トレーニングされるロジスティック回帰分類モデル、トレーニングされる積分学習モデル、ディープ・ラーニング・モデル、ランダム・フォレスト・モデル等であってもよい。オフライン予測モデルは、特定のモデル・パラメータとの組み合わせにおける、各ユーザーの対応する特徴カテゴリの選択されたオフライン特徴情報に従って、ユーザーのクレジット・スコアを計算するための予測数式であってもよい。オフライン・モデル・トレーニング・モジュールは、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの対応する特徴カテゴリのオフライン特徴情報とを利用することにより、予測数式のモデル・パラメータに関してトレーニング反復を実行し、これにより、クレジット・スコアリング結果のサンプルに最も近い、予測数式におけるモデル・パラメータを取得し、トレーニングされるオフライン予測モデルを取得する。
更に、選択的に、図7に示されるように、サンプル取得モジュール660は、オフライン・サンプル取得ユニット661と、相関計算ユニット663と、特徴カテゴリ選択ユニット665とを更に含んでもよい。
オフライン・サンプル取得ユニット661は、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報サンプルとを取得するように構成される。
相関計算ユニット663は、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルとに従って、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関を計算するように構成される。
特徴カテゴリは、例えば、年齢、所在地、性別、又は仕事であってもよい。各々の特徴カテゴリとクレジット・スコアリング結果との間の相関は、ユーザーのクレジット・スコアリング結果における年齢、性別、仕事などの影響を反映する。相関が相対的に高い場合、その特徴カテゴリはクレジット・スコアリング結果に相対的に大きく影響していることを示し；そうでない場合、その特徴カテゴリはクレジット・スコアリング結果に僅かにしか影響しないことを示す。従って、オフライン予測モデルが設定される場合、その特徴カテゴリのオフライン特徴情報は考慮されない。
具体的には、例えば、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関rは、以下の数式を利用することにより計算されてもよい：
Figure 0006732034
xは特徴カテゴリのオフライン特徴情報であり、yはユーザーのクレジット・スコアリング結果であり、下付き文字iは個々のユーザーがそれに対応していることを示す。
別の選択的な実施形態において、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関は、代替的に、IV値、カイ二乗値等に基づく相関アルゴリズムを利用することにより計算されてもよい。
特徴カテゴリ選択ユニット665は、クレジット・スコアリング結果との相関が所定の閾値に到達する特徴カテゴリを、オフライン特徴情報の特徴カテゴリとして決定し、対応する特徴カテゴリのオフライン特徴情報を、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルの中から選択するように構成される。
選択的な実施形態において、サンプル取得モジュール660は、複数のユーザーのクレジット・スコアリング結果のサンプルと各ユーザーのリアルタイム特徴情報とを取得するように構成される。
選択的に、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーのリアルタイム特徴情報とが、ユーザー・クレジット評価装置に入力されるトレーニング・サンプル・データから抽出されてもよい。
代替的に、複数のユーザーのクレジット・スコアリング結果のサンプルは、複数のユーザーのデフォルト記録を利用することにより計算されてもよい。即ち、複数のユーザーのクレジット・スコアリング結果のサンプルは、複数のユーザーのデフォルト・ステータス、デフォルト・イベントの個数及び重大性等がどうであるかに応じて決定される。選択的な実施形態において、複数のユーザーのクレジット・スコアリング結果のサンプルは、代替的に、人間の採点によって取得されてもよい。更に、複数のユーザーのスコアリング結果のサンプルが取得された後に、ユーザー・クレジット評価装置は、サービス・プラットフォームにより収集されるユーザー・データから、各ユーザーのリアルタイム特徴情報のサンプルを取得してもよい。
ユーザー・クレジット評価装置はリアルタイム・モデル・トレーニング・モジュール680を更に含んでもよく、そのモジュールは、各ユーザーのリアルタイム特徴情報に従ってリアルタイム予測モデルを設定し、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーのリアルタイム特徴情報とに従って、リアルタイム予測モデルをトレーニングするように構成される。
リアルタイム予測モデルは、トレーニングされるロジスティック回帰分類モデル、トレーニングされる積分学習モデル、ディープ・ラーニング・モデル、ランダム・フォレスト・モデル等であってもよい。リアルタイム予測モデルは、特定のモデル・パラメータとの組み合わせにおける、各ユーザーの対応する特徴カテゴリの選択されたリアルタイム特徴情報に従って、ユーザーのクレジット・スコアを計算するための、ユーザー・クレジット評価装置に関する予測数式であってもよい。リアルタイム・モデル・トレーニング・モジュール680は、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの対応する特徴カテゴリのリアルタイム特徴情報とを利用することにより、予測数式のモデル・パラメータに関してトレーニング反復を実行し、これにより、クレジット・スコアリング結果のサンプルに最も近い、予測数式におけるモデル・パラメータを取得し、トレーニングされるリアルタイム予測モデルを取得する。
更に、選択的に、図7に示されるように、サンプル取得モジュールは、リアルタイム・サンプル取得ユニット662と、相関計算ユニット663と、特徴カテゴリ選択ユニット665とを更に含んでもよい。
リアルタイム・サンプル取得ユニット662は、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルとを取得するように構成される。
相関計算ユニット663は、複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルとに従って、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関を計算するように構成される。
特徴カテゴリは、例えば、年齢、所在地、性別、又は仕事であってもよい。各々の特徴カテゴリとクレジット・スコアリング結果との間の相関は、ユーザーのクレジット・スコアリング結果における年齢、性別、仕事などの影響を反映する。相関が相対的に高い場合、その特徴カテゴリはクレジット・スコアリング結果に相対的に大きく影響していることを示し；そうでない場合、その特徴カテゴリはクレジット・スコアリング結果に僅かにしか影響しないことを示す。従って、リアルタイム予測モデルが設定される場合、その特徴カテゴリのリアルタイム特徴情報は考慮されない。
具体的には、例えば、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関sは、以下の数式を利用することにより計算されてもよい：
Figure 0006732034
zは特徴カテゴリのリアルタイム特徴情報であり、yはユーザーのクレジット・スコアリング結果であり、下付き文字iは個々のユーザーがそれに対応していることを示す。
別の選択的な実施形態において、各々の特徴カテゴリのリアルタイム特徴情報とクレジット・スコアリング結果との間の相関は、代替的に、IV値、カイ二乗値等に基づく相関アルゴリズムを利用することにより計算されてもよい。
特徴カテゴリ選択ユニット665は、クレジット・スコアリング結果との相関が所定の閾値に到達する特徴カテゴリを、リアルタイム特徴情報の特徴カテゴリとして決定し、対応する特徴カテゴリのリアルタイム特徴情報を、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルの中から選択するように構成される。
各々の特徴カテゴリとクレジット・スコアリング結果との間の相関が計算された後に、特徴カテゴリ選択ユニット665は、相関を、対応する所定の閾値と比較し、相関が条件に合致する特徴カテゴリを、リアルタイム特徴情報の特徴カテゴリとして決定し、対応する特徴カテゴリのリアルタイム特徴情報を、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルの中から選択してもよい。
選択的な実施形態において、サンプル取得モジュール660は、複数のユーザーのクレジット・スコアリング結果のサンプル、各ユーザーのリアルタイム特徴情報及びオフライン特徴情報を取得するように構成される。
選択的に、複数のユーザーのクレジット・スコアリング結果のサンプル、各ユーザーのリアルタイム特徴情報及びオフライン特徴情報が、ユーザー・クレジット評価装置に入力されるトレーニング・サンプル・データから抽出されてもよい。
代替的に、複数のユーザーのクレジット・スコアリング結果のサンプルは、複数のユーザーのデフォルト記録を利用することにより計算されてもよい。即ち、複数のユーザーのクレジット・スコアリング結果のサンプルは、複数のユーザーのデフォルト・ステータス、デフォルト・イベントの個数及び重大性等がどうであるかに応じて決定される。選択的な実施形態において、複数のユーザーのクレジット・スコアリング結果のサンプルは、代替的に、人間の採点によって取得されてもよい。更に、複数のユーザーのスコアリング結果のサンプルが取得された後に、サンプル取得モジュール660は、第三者により提供されるユーザー・データを収集することにより、或いはサービス・プラットフォームにより収集されるユーザー・データから、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルを取得してもよい。
オフライン・スコアリング・モジュール620は、各ユーザーのオフライン特徴情報と所定のオフライン予測モデルとに従って、各ユーザーのオフライン・クレジット・スコアを計算するように更に構成される。
リアルタイム・スコアリング・モジュール640は、各ユーザーのリアルタイム特徴情報と所定のリアルタイム予測モデルとに従って、各ユーザーのリアルタイム・クレジット・スコアを計算するように更に構成される。
ユーザー・クレジット評価装置は総合モデル・トレーニング・モジュール690を更に含んでもよく、そのモジュールは：
各ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアに従って総合予測モデルを設定し、複数のユーザーのクレジット・スコアリング結果、各ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアに従って総合予測モデルをトレーニングするように構成される。
総合予測モデルは、トレーニングされるロジスティック回帰分類モデル、トレーニングされる積分学習モデル、ディープ・ラーニング・モデル、ランダム・フォレスト・モデル、勾配ブースティング・デシジョン・ツリー・モデル等であってもよい。総合予測モデルは、特定のモデル・パラメータとの組み合わせにおける、オフライン・クレジット・スコア及びリアルタイム・クレジット・スコアに従って、ユーザーの総合クレジット・スコアを計算するための、ユーザー・クレジット評価装置に関する予測数式であってもよい。トレーニングの反復は、複数のユーザーのクレジット・スコアリング結果のサンプル、各ユーザーのリアルタイム・クレジット・スコア及びオフライン・クレジット・スコアを利用することにより、予測数式のモデル・パラメータに関して実行され、これにより、クレジット・スコアリング結果のサンプルに最も近い、予測数式におけるモデル・パラメータを取得し、トレーニングされた総合予測モデルを取得する。
例示的に、ターゲット・ユーザーのリアルタイム・クレジット・スコアは、以下のロジスティック回帰アルゴリズムの総合予測モデルを利用することにより計算されてもよい：
Score=1/(1+exp(-(α*Score1+β*Score2+γ)))
α、β及びγはモデルをトレーニングすることにより得られるパラメータであり、Score1及びScore2はそれぞれターゲット・ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアであり、結果のスコア(Score)はターゲット・ユーザーの総合クレジット・スコアである。
更に、選択的な実施形態において、ユーザー・クレジット評価装置は、情報プッシュ・モジュール6100又はサービス・モニタリング・モジュール6100を更に含んでもよい。
情報プッシュ・モジュール6100は、ターゲット・ユーザーの総合クレジット・スコアに従って商品情報をターゲット・ユーザーへプッシュするように構成され、即ち、本願のこの実施形態における総合スコアリング・モジュール650により計算されるターゲット・ユーザーの総合クレジット・スコアに従って、金融商品情報や固定資産管理商品情報のような商品情報をターゲット・ユーザーへプッシュする。
サービス・モニタリング・モジュール6110は、ターゲット・ユーザーの総合クレジット・スコアに従ってターゲット・ユーザーのデータ・サービスを監視及び管理するように構成され、例えば、ターゲット・ユーザーのローン・サービスに関するリスク・コントロール・マネジメントを実行し、或いはターゲット・ユーザーの資金を運用するマネジメント提案を提供する。
本願のこの実施形態で提供されるユーザー・クレジット評価装置によれば、ユーザーの総合クレジット・スコアを計算するために、ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアはそれぞれユーザーのオフライン特徴情報及びリアルタイム特徴情報を取得することにより取得され、これにより、ユーザーの長期的な特徴データとリアルタイムの特徴データとの組み合わせにおいて、ユーザーのクレジット・ステータスを正確に予測し、従来技術におけるユーザー情報遅延により引き起こされていた不正確なクレジット評価の問題を解決する。
実施形態における方法プロセスの全部又は一部が、関連するハードウェアを指図するコンピュータ・プログラムにより実現されてよいことを、当業者は理解するであろう。プログラムは、コンピュータ読み取り可能な記憶媒体に保存されてもよい。プログラムが動作している場合に、実施形態における方法のプロセスが実行される。上記の記憶媒体は、磁気的なディスク、光学的なディスク、リードオンリ・メモリ(ROM)、ランダム・アクセス・メモリ(RAM)等であってもよい。
上記の説明は本願の好ましい実施形態であるに過ぎず、本願を限定するようには意図されていない。従って、本願の特許請求の範囲に従ってなされる均等な変形は依然として本願の範囲内に属する。

Claims (17)

  1. ユーザー・クレジット評価方法であって：
    オフライン特徴取得モジュールが、ターゲット・ユーザーのオフライン特徴情報を取得するステップであって、前記オフライン特徴情報は、所定の更新周期に従って更新されるユーザーの特徴情報である、ステップ；
    オフライン・スコアリング・モジュールが、前記ターゲット・ユーザーの前記オフライン特徴情報と所定のオフライン予測モデルとに従って、前記ターゲット・ユーザーのオフライン・クレジット・スコアを計算するステップ；
    リアルタイム特徴取得モジュールが、前記ターゲット・ユーザーのリアルタイム特徴情報を取得するステップであって、前記リアルタイム特徴情報は、現在時間から所定の時間範囲内で収集されるユーザーの特徴情報であり、前記所定の時間範囲は前記所定の更新周期より短い、ステップ；
    リアルタイム・スコアリング・モジュールが、前記ターゲット・ユーザーのリアルタイム特徴情報と所定のリアルタイム予測モデルとに従って、前記ターゲット・ユーザーのリアルタイム・クレジット・スコアを計算するステップ；及び
    総合スコアリング・モジュールが、前記オフライン・クレジット・スコアと、前記リアルタイム・クレジット・スコアと、所定の総合予測モデルとに従って、前記ターゲット・ユーザーの総合クレジット・スコアを計算するステップ；
    を有し、前記ターゲット・ユーザーの総合クレジット・スコアを計算するステップの前に、総合モデル・トレーニング・モジュールが、複数のユーザーのクレジット・スコアリング結果、各ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアに従って前記総合予測モデルをトレーニングし、前記総合予測モデルのモデル・パラメータを取得するステップを有する、ユーザー・クレジット評価方法。
  2. 前記ターゲット・ユーザーのオフライン特徴情報を取得するステップの前に、前記方法は：
    サンプル取得モジュールが、複数のユーザーのクレジット・スコアリング結果のサンプルと各ユーザーのオフライン特徴情報とを取得するステップ；及び
    オフライン・モデル・トレーニング・モジュールが、前記オフライン予測モデルを設定し、前記複数のユーザーのクレジット・スコアリング結果のサンプルと各ユーザーのオフライン特徴情報とに従って前記オフライン予測モデルをトレーニングし、前記オフライン予測モデルのモデル・パラメータを取得するステップ；
    を更に有する請求項１に記載のユーザー・クレジット評価方法。
  3. 前記複数のユーザーのクレジット・スコアリング結果のサンプルと各ユーザーのオフライン特徴情報とを取得するステップが：
    オフライン・サンプル取得ユニットが、前記複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルとを取得するステップ；
    相関計算ユニットが、前記複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルとに従って、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関を計算するステップ；及び
    特徴カテゴリ選択ユニットが、前記クレジット・スコアリング結果との相関が所定の閾値に到達する特徴カテゴリを、前記オフライン特徴情報の特徴カテゴリとして決定し、決定された特徴カテゴリのオフライン特徴情報を、各ユーザーの複数の特徴カテゴリの前記オフライン特徴情報のサンプルの中から選択するステップ；
    を有する、請求項２に記載のユーザー・クレジット評価方法。
  4. 前記ターゲット・ユーザーのリアルタイム特徴情報を取得するステップの前に、前記方法は：
    サンプル取得モジュールが、複数のユーザーのクレジット・スコアリング結果のサンプルと各ユーザーのリアルタイム特徴情報とを取得するステップ；及び
    リアルタイム・モデル・トレーニング・モジュールが、前記リアルタイム予測モデルを設定し、前記複数のユーザーのクレジット・スコアリング結果のサンプルと各ユーザーのリアルタイム特徴情報とに従って前記リアルタイム予測モデルをトレーニングし、前記リアルタイム予測モデルのモデル・パラメータを取得するステップ；
    を更に有する請求項１に記載のユーザー・クレジット評価方法。
  5. 前記複数のユーザーのクレジット・スコアリング結果のサンプルと各ユーザーのリアルタイム特徴情報とを取得するステップが：
    リアルタイム・サンプル取得ユニットが、前記複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルとを取得するステップ；
    相関計算ユニットが、前記複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルとに従って、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関を計算するステップ；及び
    特徴カテゴリ選択ユニットが、前記クレジット・スコアリング結果との相関が所定の閾値に到達する特徴カテゴリを、前記リアルタイム特徴情報の特徴カテゴリとして決定し、決定された特徴カテゴリのリアルタイム特徴情報を、各ユーザーの複数の特徴カテゴリの前記リアルタイム特徴情報のサンプルの中から選択するステップ；
    を有する、請求項４に記載のユーザー・クレジット評価方法。
  6. 所定の総合予測モデルとの組み合わせにおける、取得されたオフライン・クレジット・スコアと、前記ターゲット・ユーザーのリアルタイム・クレジット・スコアとに従って、前記ターゲット・ユーザーの総合クレジット・スコアを計算するステップの前に、前記方法は：
    サンプル取得モジュールが、前記複数のユーザーのクレジット・スコアリング結果のサンプル、各ユーザーのオフライン特徴情報及びリアルタイム特徴情報を取得するステップ；
    オフライン・スコアリング・モジュールが、各ユーザーのオフライン特徴情報と前記所定のオフライン予測モデルとに従って、各ユーザーのオフライン・クレジット・スコアを計算するステップ；及び
    リアルタイム・スコアリング・モジュールが、各ユーザーのリアルタイム特徴情報と前記所定のリアルタイム予測モデルとに従って、各ユーザーのリアルタイム・クレジット・スコアを計算するステップ；
    を更に有する請求項１に記載のユーザー・クレジット評価方法。
  7. 前記リアルタイム特徴情報はサービス・プラットフォームにより収集されるユーザー・データを含み；及び
    前記オフライン特徴情報は、第三者により提供されるユーザー・データ、又は前記サービス・プラットフォームにより収集されるユーザー・データを含む；
    請求項１に記載のユーザー・クレジット評価方法。
  8. 情報プッシュ・モジュールが、前記ターゲット・ユーザーの前記総合クレジット・スコアに従って前記ターゲット・ユーザーに商品情報をプッシュするステップ；又は
    サービス・モニタリング・モジュールが、前記ターゲット・ユーザーの前記総合クレジット・スコアに従って前記ターゲット・ユーザーのデータ・サービスをモニタリング及び管理するステップであって、前記ターゲット・ユーザーのローン・サービスに関するリスク制御管理、又は前記ターゲット・ユーザーの資金を運用するためのマネジメント提案を行う、ステップ；
    を更に有する請求項１ないし７のうち何れか一項に記載のユーザー・クレジット評価方法。
  9. ユーザー・クレジット評価装置であって：
    ターゲット・ユーザーのオフライン特徴情報を取得するように構成されるオフライン特徴取得モジュールであって、前記オフライン特徴情報は、所定の更新周期に従って更新されるユーザーの特徴情報である、オフライン特徴取得モジュール；
    前記ターゲット・ユーザーの前記オフライン特徴情報と所定のオフライン予測モデルとに従って、前記ターゲット・ユーザーのオフライン・クレジット・スコアを計算するように構成されるオフライン・スコアリング・モジュール；
    前記ターゲット・ユーザーのリアルタイム特徴情報を取得するように構成されるリアルタイム特徴取得モジュールであって、前記リアルタイム特徴情報は、現在時間から所定の時間範囲内で収集されるユーザーの特徴情報であり、前記所定の時間範囲は前記所定の更新周期より短い、リアルタイム特徴取得モジュール；
    前記ターゲット・ユーザーのリアルタイム特徴情報と所定のリアルタイム予測モデルとに従って、前記ターゲット・ユーザーのリアルタイム・クレジット・スコアを計算するように構成されるリアルタイム・スコアリング・モジュール；及び
    前記オフライン・クレジット・スコアと、前記リアルタイム・クレジット・スコアと、所定の総合予測モデルとに従って、前記ターゲット・ユーザーの総合クレジット・スコアを計算するように構成される総合スコアリング・モジュール；及び
    複数のユーザーのクレジット・スコアリング結果、各ユーザーのオフライン・クレジット・スコア及びリアルタイム・クレジット・スコアに従って前記総合予測モデルをトレーニングし、前記総合予測モデルのモデル・パラメータを取得するように構成される総合モデル・トレーニング・モジュール；
    を有するユーザー・クレジット評価装置。
  10. 複数のユーザーのクレジット・スコアリング結果のサンプルと各ユーザーのオフライン特徴情報とを取得するように構成されるサンプル取得モジュール；及び
    前記オフライン予測モデルを設定し、前記複数のユーザーのクレジット・スコアリング結果のサンプルと各ユーザーのオフライン特徴情報とに従って前記オフライン予測モデルをトレーニングし、前記オフライン予測モデルのモデル・パラメータを取得するように構成されるオフライン・モデル・トレーニング・モジュール；
    を更に有する請求項９に記載のユーザー・クレジット評価装置。
  11. 前記サンプル取得モジュールが：
    前記複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルとを取得するように構成されるオフライン・サンプル取得ユニット；
    前記複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのオフライン特徴情報のサンプルとに従って、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関を計算するように構成される相関計算ユニット；及び
    前記クレジット・スコアリング結果との相関が所定の閾値に到達する特徴カテゴリを、前記オフライン特徴情報の特徴カテゴリとして決定し、決定された特徴カテゴリのオフライン特徴情報を、各ユーザーの複数の特徴カテゴリの前記オフライン特徴情報のサンプルの中から選択するように構成される特徴カテゴリ選択ユニット；
    を有する、請求項１０に記載のユーザー・クレジット評価装置。
  12. 複数のユーザーのクレジット・スコアリング結果のサンプルと各ユーザーのリアルタイム特徴情報とを取得するように構成されるサンプル取得モジュール；及び
    前記リアルタイム予測モデルを設定し、前記複数のユーザーのクレジット・スコアリング結果のサンプルと各ユーザーのリアルタイム特徴情報とに従って前記リアルタイム予測モデルをトレーニングし、前記リアルタイム予測モデルのモデル・パラメータを取得するように構成されるリアルタイム・モデル・トレーニング・モジュール；
    を更に有する請求項９に記載のユーザー・クレジット評価装置。
  13. 前記サンプル取得モジュールは：
    前記複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルとを取得するように構成されるリアルタイム・サンプル取得モジュール；
    前記複数のユーザーのクレジット・スコアリング結果のサンプルと、各ユーザーの複数の特徴カテゴリのリアルタイム特徴情報のサンプルとに従って、各々の特徴カテゴリとクレジット・スコアリング結果との間の相関を計算するように構成される相関計算ユニット；及び
    前記クレジット・スコアリング結果との相関が所定の閾値に到達する特徴カテゴリを、前記リアルタイム特徴情報の特徴カテゴリとして決定し、決定された特徴カテゴリのリアルタイム特徴情報を、各ユーザーの複数の特徴カテゴリの前記リアルタイム特徴情報のサンプルの中から選択するように構成される特徴カテゴリ選択ユニット；
    を有する、請求項１２に記載のユーザー・クレジット評価装置。
  14. 前記ユーザー・クレジット評価装置は、前記複数のユーザーのクレジット・スコアリング結果のサンプル、各ユーザーのオフライン特徴情報及びリアルタイム特徴情報を取得するように構成されるサンプル取得モジュールを更に有し；
    前記オフライン・スコアリング・モジュールは、各ユーザーのオフライン特徴情報と前記所定のオフライン予測モデルとに従って、各ユーザーのオフライン・クレジット・スコアを計算するように更に構成され；
    前記リアルタイム・スコアリング・モジュールは、各ユーザーのリアルタイム特徴情報と前記所定のリアルタイム予測モデルとに従って、各ユーザーのリアルタイム・クレジット・スコアを計算するように更に構成される；
    請求項９に記載のユーザー・クレジット評価装置。
  15. 前記リアルタイム特徴情報はサービス・プラットフォームにより収集されるユーザー・データを含み；及び
    前記オフライン特徴情報は、第三者により提供されるユーザー・データ、又は前記サービス・プラットフォームにより収集されるユーザー・データを含む；
    請求項９に記載のユーザー・クレジット評価装置。
  16. 前記ターゲット・ユーザーの前記総合クレジット・スコアに従って前記ターゲット・ユーザーに商品情報をプッシュするように構成される情報プッシュ・モジュール；又は
    前記ターゲット・ユーザーの前記総合クレジット・スコアに従って前記ターゲット・ユーザーのデータ・サービスをモニタリング及び管理するように構成されるサービス・モニタリング・モジュールであって、前記ターゲット・ユーザーのローン・サービスに関するリスク制御管理、又は前記ターゲット・ユーザーの資金を運用するためのマネジメント提案を行うように構成されるサービス・モニタリング・モジュール；
    を更に有する請求項９ないし１５のうち何れか一項に記載のユーザー・クレジット評価装置。
  17. 請求項１ないし８のうち何れか一項に記載のユーザー・クレジット評価方法を少なくとも１つのプロセッサに実行させるコンピュータ読み取り可能な命令を保存するコンピュータ読み取り可能な記憶媒体。
JP2018543338A 2016-06-12 2017-05-19 ユーザー・クレジット評価方法、装置及び記憶媒体 Active JP6732034B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201610416661.1A CN106127363B (zh) 2016-06-12 2016-06-12 一种用户信用评估方法和装置
CN201610416661.1 2016-06-12
PCT/CN2017/085049 WO2017215403A1 (zh) 2016-06-12 2017-05-19 一种用户信用评估方法、装置及存储介质

Publications (2)

Publication Number Publication Date
JP2019509556A JP2019509556A (ja) 2019-04-04
JP6732034B2 true JP6732034B2 (ja) 2020-07-29

Family

ID=57269931

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018543338A Active JP6732034B2 (ja) 2016-06-12 2017-05-19 ユーザー・クレジット評価方法、装置及び記憶媒体

Country Status (6)

Country Link
US (1) US20180232805A1 (ja)
EP (1) EP3471046A1 (ja)
JP (1) JP6732034B2 (ja)
KR (1) KR102178633B1 (ja)
CN (1) CN106127363B (ja)
WO (1) WO2017215403A1 (ja)

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127363B (zh) * 2016-06-12 2022-04-15 腾讯科技（深圳）有限公司 一种用户信用评估方法和装置
CN108074122A (zh) * 2016-11-18 2018-05-25 腾讯科技（深圳）有限公司 产品试用推荐方法、装置及服务器
CN108416662B (zh) * 2017-02-10 2021-09-21 腾讯科技（深圳）有限公司 一种数据验证方法及装置
CN107330445B (zh) * 2017-05-31 2020-06-05 北京京东尚科信息技术有限公司 用户属性的预测方法和装置
CN107766418A (zh) * 2017-09-08 2018-03-06 广州汪汪信息技术有限公司 一种基于融合模型的信用评估方法、电子设备和存储介质
CN109559214A (zh) * 2017-09-27 2019-04-02 阿里巴巴集团控股有限公司 虚拟资源分配、模型建立、数据预测方法及装置
US11823258B2 (en) * 2017-10-11 2023-11-21 Mx Technologies, Inc. Aggregation based credit decision
CN107993140A (zh) * 2017-11-22 2018-05-04 深圳市耐飞科技有限公司 一种个人信贷风险评估方法及系统
CN107944738A (zh) * 2017-12-07 2018-04-20 税友软件集团股份有限公司 一种税务信用积分计算方法及装置
CN110322334A (zh) * 2018-03-29 2019-10-11 上海麦子资产管理集团有限公司 信用评级方法及装置、计算机可读存储介质、终端
CN108846687A (zh) * 2018-04-02 2018-11-20 平安科技（深圳）有限公司 客户分类方法、装置及存储介质
CN110634060A (zh) * 2018-06-21 2019-12-31 马上消费金融股份有限公司 一种用户信用风险的评估方法、系统、装置及存储介质
CN109191096A (zh) * 2018-08-22 2019-01-11 阿里巴巴集团控股有限公司 一种签约风险量化方法、代扣风险量化方法、装置及设备
CN109461016B (zh) * 2018-09-10 2023-05-05 平安科技（深圳）有限公司 数据评分方法、装置、计算机设备及存储介质
CN111340265A (zh) * 2018-12-19 2020-06-26 北京嘀嘀无限科技发展有限公司 司机下线干预方法、装置、电子设备和计算机存储介质
CA3134043A1 (en) * 2019-03-18 2020-09-24 Sean Javad Kamkar Systems and methods for model fairness
CN110060144B (zh) * 2019-03-18 2024-01-30 平安科技（深圳）有限公司 额度模型训练方法、额度评估方法、装置、设备及介质
CN110135972A (zh) * 2019-04-23 2019-08-16 上海淇玥信息技术有限公司 一种提高用户动支率的方法、装置、系统和记录介质
CN110222894A (zh) * 2019-06-06 2019-09-10 阿里巴巴集团控股有限公司 广告投放方法、装置及设备
CN110322343A (zh) * 2019-07-02 2019-10-11 上海上湖信息技术有限公司 一种用户全生命周期信用预测方法、装置和计算机设备
KR102156757B1 (ko) * 2019-09-27 2020-09-16 (주)데이터리퍼블릭 기계 학습을 이용한 신용 평가를 위한 시스템, 방법, 및 컴퓨터 프로그램
CN110889759A (zh) * 2019-11-21 2020-03-17 北京三快在线科技有限公司 信用数据的确定方法、装置及存储介质
CN111027935A (zh) * 2019-12-10 2020-04-17 支付宝(杭州)信息技术有限公司 基于信用的电子签证申请方法以及装置
CN111339134B (zh) * 2020-02-11 2024-03-08 广州拉卡拉信息技术有限公司 一种数据查询方法及装置
CN111598275B (zh) * 2020-04-03 2022-11-11 福建星云电子股份有限公司 一种电动汽车信用分评测方法、装置、设备和介质
CN111738549A (zh) * 2020-05-21 2020-10-02 平安国际智慧城市科技股份有限公司 食品安全风险评估方法、装置、设备及存储介质
KR102385054B1 (ko) 2020-05-26 2022-04-08 주식회사 다날 인공지능 기반의 신용등급 변동 예측 처리 장치 및 그 동작 방법
CN111666191B (zh) * 2020-06-09 2023-09-29 贝壳技术有限公司 数据质量监控方法、装置、电子设备及存储介质
CN111860299B (zh) * 2020-07-17 2023-09-08 北京奇艺世纪科技有限公司 目标对象的等级确定方法、装置、电子设备及存储介质
US12105778B2 (en) * 2020-10-02 2024-10-01 T-Mobile Usa, Inc. Real-time viable user determination
CN112419050B (zh) * 2020-12-24 2022-05-24 浙江工商大学 基于电话通讯网络和社交行为的信用评估方法及装置
CN112749980B (zh) * 2021-01-13 2021-12-07 深圳市恒鑫科技服务有限公司 一种基于区块链的信用资产处理方法及系统
CN112862593B (zh) * 2021-01-28 2024-05-03 深圳前海微众银行股份有限公司 信用评分卡模型训练方法、装置、系统及计算机存储介质
CN112906772A (zh) * 2021-02-04 2021-06-04 深圳前海微众银行股份有限公司 样本处理方法、装置、设备及计算机可读存储介质
CN113011966A (zh) * 2021-03-18 2021-06-22 中国光大银行股份有限公司 基于深度学习的信用评分方法及装置
CN113159924A (zh) * 2021-04-30 2021-07-23 中国银行股份有限公司 授信客户对象的确定方法及装置
CN113435764B (zh) * 2021-07-05 2023-01-31 深圳前海微众银行股份有限公司 风险因素追踪方法、装置、设备及计算机可读存储介质
KR102368010B1 (ko) * 2021-07-20 2022-02-25 리포츠 주식회사 운동 생활정보에 기초한 인공지능 기반의 대안적 신용평가정보 제공 방법 및 시스템
KR20240066782A (ko) 2022-11-08 2024-05-16 디티에쓰아이 주식회사 빅데이터와 기계학습을 이용한 대출 연체 정보 예측 시스템 및 그 방법
CN116205376B (zh) * 2023-04-27 2023-10-17 北京阿帕科蓝科技有限公司 行为预测方法、行为预测模型的训练方法和装置
CN117541318B (zh) * 2024-01-09 2024-04-02 前海超级前台(深圳)信息技术有限公司 一种离线消费智能评估监管方法、系统和介质
CN117808578B (zh) * 2024-03-01 2024-07-26 杭银消费金融股份有限公司 一种智能化人行征信数据解析方法及系统

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6088686A (en) * 1995-12-12 2000-07-11 Citibank, N.A. System and method to performing on-line credit reviews and approvals
JP2001229264A (ja) * 2000-02-18 2001-08-24 Dainippon Printing Co Ltd スマートカードによる与信・認証ビジネスシステムとそれに使用するスマートカード
US20040030667A1 (en) * 2002-08-02 2004-02-12 Capital One Financial Corporation Automated systems and methods for generating statistical models
CN1598831A (zh) * 2004-08-06 2005-03-23 武燕华 个人信用数据管理系统及方法
US8036979B1 (en) * 2006-10-05 2011-10-11 Experian Information Solutions, Inc. System and method for generating a finance attribute from tradeline data
US20090327120A1 (en) * 2008-06-27 2009-12-31 Eze Ike O Tagged Credit Profile System for Credit Applicants
CN101937541A (zh) * 2009-06-30 2011-01-05 商文彬 一种用于评价客户信用度的方法及设备
CN101996381A (zh) * 2009-08-14 2011-03-30 中国工商银行股份有限公司 一种零售资产风险的计算方法及系统
KR101253676B1 (ko) * 2011-04-08 2013-04-11 나이스신용평가정보주식회사 대출 진단 시뮬레이션 서비스 시스템 및 방법
KR20130008130A (ko) * 2011-07-11 2013-01-22 최원국 스마트 기기의 푸시 알림 기능을 이용한 대출 중개 서비스 제공 방법
CN102346901A (zh) * 2011-11-22 2012-02-08 北京信城通数码科技有限公司 一种互联网药品交易主体信用评估系统及其方法
CN112036952A (zh) * 2012-03-31 2020-12-04 环联公司 用于基于离线、在线及信用相关数据的目标因特网营销的系统及方法
US20140074688A1 (en) * 2012-09-13 2014-03-13 Rawllin International Inc. Behavioral based score
JP2014071532A (ja) * 2012-09-27 2014-04-21 Mycredit Kk 個人信用情報提供装置
TWM488068U (zh) * 2013-12-13 2014-10-11 Global Opto Technology Corp 借貸媒合平臺系統
KR101524971B1 (ko) * 2014-02-11 2015-06-02 숭실대학교산학협력단 개인 성향 예측 방법 및 그 장치
JP5852218B1 (ja) * 2014-12-19 2016-02-03 ヤフー株式会社 生成装置、生成方法及び生成プログラム
CN104636447B (zh) * 2015-01-21 2017-12-29 上海天呈医流科技股份有限公司 一种面向医疗器械b2b网站用户的智能评价方法和系统
CN104866969A (zh) * 2015-05-25 2015-08-26 百度在线网络技术（北京）有限公司 个人信用数据处理方法和装置
CN105069683A (zh) * 2015-07-24 2015-11-18 广州时韵信息科技有限公司 一种纳税风险评估系统
US10387939B2 (en) * 2015-08-21 2019-08-20 Q2 Software, Inc. Method, medium, and system for surfacing recommendations
CN105260471B (zh) * 2015-10-19 2019-03-26 广州品唯软件有限公司 商品个性化排序模型训练方法及系统
CN105512815A (zh) * 2015-11-30 2016-04-20 安徽融信金模信息技术有限公司 一种用于企业风险评估的系统
CN105447752A (zh) * 2015-12-08 2016-03-30 安徽融信金模信息技术有限公司 一种基于信息共用的企业信用评估系统
CN106097043B (zh) * 2016-06-01 2018-03-20 腾讯科技（深圳）有限公司 一种信用数据的处理方法及服务器
CN106127363B (zh) * 2016-06-12 2022-04-15 腾讯科技（深圳）有限公司 一种用户信用评估方法和装置

Also Published As

Publication number Publication date
CN106127363A (zh) 2016-11-16
KR102178633B1 (ko) 2020-11-13
EP3471046A4 (en) 2019-04-17
KR20180119674A (ko) 2018-11-02
EP3471046A1 (en) 2019-04-17
US20180232805A1 (en) 2018-08-16
CN106127363B (zh) 2022-04-15
WO2017215403A1 (zh) 2017-12-21
JP2019509556A (ja) 2019-04-04

Similar Documents

Publication Publication Date Title
JP6732034B2 (ja) ユーザー・クレジット評価方法、装置及び記憶媒体
CN107851462B (zh) 使用循环神经网络分析健康事件
JP6588572B2 (ja) 情報推薦方法および情報推薦装置
US20180150783A1 (en) Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models
JP5946073B2 (ja) 推定方法、推定システム、コンピュータ・システムおよびプログラム
JP6109037B2 (ja) 時系列データ予測装置、時系列データ予測方法、及びプログラム
CN111611478B (zh) 信息推荐方法、装置和电子设备
CN111625516B (zh) 检测数据状态的方法、装置、计算机设备和存储介质
CN110971659A (zh) 推荐消息的推送方法、装置及存储介质
CN110415036B (zh) 用户等级的确定方法、装置、计算机设备和存储介质
KR101385562B1 (ko) 소셜정보를 이용한 자살수 예측 방법 및 장치
WO2021139255A1 (zh) 基于模型的预测数据变化频率的方法、装置和计算机设备
CN113902260A (zh) 信息预测方法、装置、电子设备和介质
CN117540336A (zh) 时间序列预测方法、装置及电子设备
CN117472511A (zh) 容器资源监控方法、装置、计算机设备和存储介质
US20230083899A1 (en) System and method for determining a driver score using machine learning
JP6436855B2 (ja) 分析システム、及び、分析方法
KR101613397B1 (ko) 시계열 텍스트 데이터 및 시계열 수치 데이터의 연관 방법 및 그 장치
CN111158812B (zh) 基于界面预测模型的界面展示方法、装置和计算机设备
JP2020071523A (ja) 見積方法、課金方法、コンピュータ、及びプログラム
CN112950392A (zh) 信息展示方法、后验信息确定方法及装置及相关设备
JP2017227942A (ja) 情報処理装置及び方法、並びにプログラム
JP5826893B1 (ja) 変化点予測装置、変化点予測方法、及びコンピュータプログラム
US20240095577A1 (en) Machine-derived insights from time series data
US20230306329A1 (en) System and method for monitoring and analysis of electronic resource utilization

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180816

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190626

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190723

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20191021

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20191218

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200106

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200616

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200707

R150 Certificate of patent or registration of utility model

Ref document number: 6732034

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250