JP6905076B2 - スコアリング・モデルを構築し、ユーザ・クレジットを評価するための方法及びデバイス - Google Patents

Description

関連出願への相互参照
本出願は、参照により内容全体が本明細書に組み込まれる、２０１７年３月２７日に出願された中国出願第２０１７１０１８８７５２．９号に基づき、かつその優先権を主張するものである。

本出願は、コンピュータ技術の分野に関し、詳細には、スコアリング・モデルを構築し、ユーザ・クレジットを評価するための方法及びデバイスに関する。

既存の技術では、通常、論理回帰又はスコアリング・カードなどのモデル化法が、スコアリング・モデルを構築するために使用される。しかしながら、上記のモデル化法については、通常、変数同士の相互作用関係は存在しないものとされる。いくつかの変数間に相互作用関係があるときには、通常、クラスタ化及びモデル化の方法が、スコアリング・モデルを構築するために使用され、この場合、クラスタ化及びモデル化は、サンプル全体（グループとも称される）が、グループ化変数の値に従って分割されることを指し、グループ化変数は、通常、専門家の経験又は実験に従って選択される。複数回の分割の後、グループ全体は、多くのサブグループへと分割されてもよく、次いで、対応するスコアリング・モデルが、各サブグループについて構築される。しかしながら、専門家の経験に従ってグループ化変数を選択することから、効率性は通常低くなる。実験に従ってグループ化変数を選択するとき、通常、様々なグループ化の可能性が、クラスタ化及びモデル化のために試される必要があり、その後、結果が比較される。変数の数が増えると、変数組み合わせは、指数関数的に増える。変数の数が大きいとき、すべての可能性を試すことは非常に難しい。すべての可能性を試すことができないとき、通常、選択されたグループ変数は不正確であり、これが、最終的に構築されるスコアリング・モデルの精度に影響を及ぼす。

本開示は、構築されたスコアリング・モデルの精度を向上させることができる、スコアリング・モデルを構築し、ユーザ・クレジットを評価するための方法及びデバイスについて説明する。

第１の態様は、スコアリング・モデルを構築するための方法を提供し、本方法は、各々が少なくとも１つの特徴変数及び対応する特徴値を含む複数のサンプル・データセットを収集することと、各特徴変数について、特徴変数の、１つ又は複数の他の特徴変数の各々との相互作用インデックスを獲得し、相互作用インデックスに従って特徴変数のクラスタ化インデックスを決定することと、特徴変数のクラスタ化インデックスに従って、少なくとも１つの特徴変数からターゲット特徴変数を選択することと、ターゲット特徴変数及び対応する特徴値に従って、複数のサンプル・データセットを複数のサンプル・データセット・サブグループへと分割することと、サンプル・データセット・サブグループの各々について、対応するサブ・スコアリング・モデルを構築することとを含む。

第２の態様は、ユーザ・クレジットを評価するための方法を提供し、本方法は、ユーザのクレジット・データ情報を獲得することと、クレジット・データ情報に従って、ターゲット特徴変数及び１つ又は複数の他の特徴変数にそれぞれ対応する特徴値を決定し、ターゲット特徴変数が、複数の特徴変数のクラスタ化インデックスと、サブグループ内に分類され、複数の特徴変数及び特徴変数の各々についての対応する特徴値を含む複数のサンプル・データセットと、に従って選択されることと、ターゲット特徴変数に対応する特徴値に従って、対応するサンプル・データセット・サブグループを選択することと、サンプル・データセット・サブグループに対応するサブ・スコアリング・モデル及び他の特徴変数に対応する特徴値に従って、ユーザのクレジット・スコアを決定することと、ユーザのクレジット・スコアに従って、ユーザのクレジットを評価することとを含む。

第３の態様は、スコアリング・モデルを構築するためのデバイスを提供し、本デバイスは、各々が少なくとも１つの特徴変数及び対応する特徴値を含む複数のサンプル・データセットを収集するように構成される収集ユニットと、各特徴変数について、その特徴変数の、１つ又は複数の他の特徴変数の各々との相互作用インデックスを獲得するように構成される獲得ユニットと、獲得ユニットによって獲得された相互作用インデックスに従って、特徴変数のクラスタ化インデックスを決定するように構成される決定ユニットと、決定ユニットによって決定されたすべての特徴変数のクラスタ化インデックスに従って、少なくとも１つの特徴変数からターゲット特徴変数を選択するように構成される選択ユニットと、選択ユニットによって選択されたターゲット特徴変数及び対応する特徴値に従って、複数のサンプル・データセットを複数のサンプル・データセット・サブグループへと分割するように構成される分割ユニットと、分割ユニットによって分割されたサンプル・データセット・サブグループの各々について、対応するサブ・スコアリング・モデルを構築するように構成される構築ユニットとを備える。

第４の態様は、ユーザ・クレジットを評価するためのデバイスを提供し、本デバイスは、ユーザのクレジット・データ情報を獲得するように構成される獲得ユニットと、獲得ユニットによって獲得されたクレジット・データ情報に従って、ターゲット特徴変数及び１つ又は複数の他の特徴変数にそれぞれ対応する特徴値を決定するように構成される決定ユニットであって、ターゲット特徴変数が、サンプル・データセット内のすべての特徴変数のクラスタ化インデックスに従って選択され、サンプル・データセットが、少なくとも１つの特徴変数及び対応する特徴値を含む、決定ユニットと、決定ユニットによって決定されたターゲット特徴変数に対応する特徴値に従って、対応するサンプル・データセット・サブグループを選択するように構成される選択ユニットと、選択ユニットによって選択されたサンプル・データセット・サブグループに対応するサブ・スコアリング・モデル、及び他の特徴変数に対応する特徴値に従って、ユーザのクレジット・スコアを決定するようにさらに構成される決定ユニットと、決定ユニットによって決定されたユーザのクレジット・スコアに従って、ユーザのクレジットを評価するように構成される評価ユニットとを備える。

第５の態様は、スコアリング・モデルを構築するためのデバイスを提供し、本デバイスは、プロセッサと、命令を記憶する非一時的なコンピュータ可読記憶媒体とを備え、本命令は、プロセッサによって実行されるとき、デバイスに方法を実施させる。本方法は、各々が少なくとも１つの特徴変数及び対応する特徴値を含む複数のサンプル・データセットを収集することと、各特徴変数について、その特徴変数の、１つ又は複数の他の特徴変数の各々との相互作用インデックスを獲得し、相互作用インデックスに従って特徴変数のクラスタ化インデックスを決定することと、特徴変数のクラスタ化インデックスに従って、少なくとも１つの特徴変数からターゲット特徴変数を選択することと、ターゲット特徴変数及び対応する特徴値に従って、複数のサンプル・データセットを複数のサンプル・データセット・サブグループへと分割することと、サンプル・データセット・サブグループの各々について、対応するサブ・スコアリング・モデルを構築することとを含むことができる。

第６の態様は、ユーザ・クレジットを評価するためのデバイスを提供し、本デバイスは、プロセッサと、命令を記憶する非一時的なコンピュータ可読記憶媒体とを備え、本命令は、プロセッサによって実行されるとき、デバイスに方法を実施させる。本方法は、ユーザのクレジット・データ情報を獲得することと、クレジット・データ情報に従って、ターゲット特徴変数及び１つ又は複数の他の特徴変数にそれぞれ対応する特徴値を決定し、ターゲット特徴変数が、複数の特徴変数のクラスタ化インデックスと、サブグループ内に分類され、複数の特徴変数及び特徴変数の各々についての対応する特徴値を含む複数のサンプル・データセットと、に従って選択されることと、ターゲット特徴変数に対応する特徴値に従って、対応するサンプル・データセット・サブグループを選択することと、サンプル・データセット・サブグループに対応するサブ・スコアリング・モデル及び他の特徴変数に対応する特徴値に従って、ユーザのクレジット・スコアを決定することと、を含むことができる。

本開示に従う、スコアリング・モデルを構築し、ユーザ・クレジットを評価するための方法及びデバイスを用いて、複数のサンプル・データセットを含むサンプル・データが収集されてもよい。各サンプル・データセット内に含まれる各特徴変数について、その特徴変数の、１つ又は複数の他の特徴変数の各々との相互作用インデックスが獲得されてもよい。相互作用インデックスに従って、各特徴変数のクラスタ化インデックスが決定されてもよい。すべての特徴変数のクラスタ化インデックスに従って、ターゲット特徴変数が、サンプル・データセット内に含まれる特徴変数から選択されてもよい。ターゲット特徴変数及び対応する特徴値に従って、複数のサンプル・データセットが、複数のサンプル・データセット・サブグループへと分割されてもよい。対応するサブ・スコアリング・モデルは、各サンプル・データセット・サブグループについて構築されてもよい。このようにして、各特徴変数のクラスタ化インデックスを計算することによって、本開示は、グループ化のためのターゲット特徴変数の自動的な選択を開示し、これにより、ターゲット特徴変数選択の効率性及び精度を向上させることができ、また、スコアリング・モデル構築の精度をさらに向上させることができる。

本開示の実施形態において技術的解決策をより明白に説明するため、実施形態の説明に使用されることになる添付の図面が、以下に簡単に説明される。当然ながら、以下の説明における添付の図面は、単に本開示のいくつかの実施形態にすぎない。当業者にとって、他の図面は、発明的苦労なしにこれらの図面に準じてさらに得られてもよい。

本開示の実施形態に従うスコアリング・モデルを構築するための方法のフロー・チャートである。 本開示に従う特徴変数の相互作用インデックスを獲得するための方法のフロー・チャートである。 本開示の実施形態に従うユーザ・クレジットを評価するための方法のフロー・チャートである。 本開示の実施形態に従うスコアリング・モデルを構築するためのデバイスの概略図である。 本開示の実施形態に従うユーザ・クレジットを評価するためのデバイスの概略図である。

本開示の実施形態は、添付の図面を参照して以下に説明される。

本開示の実施形態に従うスコアリング・モデルを構築するための方法及びデバイスは、クラスタ化及びモデル化の状況に適用可能である。クラスタ化及びモデル化の本質は、複雑な関数関係を単純な加法関数関係へと分解することである。例えば、クラスタ化を実施するために使用される特徴変数がまず決定され、次いでサンプル・データが特徴変数及び対応する特徴値に従ってクラスタ化される。クラスタ化の後、対応するサブ・スコアリング・モデルが、各サブグループについて構築される。１つの状況において、サブ・スコアリング・モデルは、例えば、スコアリング・カード・モデルを使用して直接説明されてもよい、単純な加法関数関係を含むことができる。したがって、クラスタ化及びモデル化のプロセスは、クラスタ化のための特徴変数の選択を伴う。本開示は、以下の実施形態においてこの部分の詳細な説明を提供する。

さらには、本開示において構築されるスコアリング・モデルは、ユーザ・クレジット評価及び金融リスク制御などの分野に適用されてもよい。

図１は、本開示の実施形態に従うスコアリング・モデルを構築するための方法のフロー・チャートである。本方法を実行するための主要部は、処理能力を有するデバイス：サーバ、システム、又はデバイスであることができる。図１に示されるように、本方法は、以下を含む。

ステップ１１０、複数のサンプル・データセットを含むサンプル・データを収集すること。

収集されたサンプル・データは、各々が少なくとも１つの特徴変数及び対応する特徴値を含む複数のサンプル・データセットを含むことができる。

いくつかの実施形態において、上記の特徴変数は、手動で事前に構成されてもよい。例えば、上記のスコアリング・モデルがユーザ・クレジット評価に適用されるとき、上記のサンプル・データセットの特徴変数は、以下の３つのタイプ：１）ユーザ・アクティビティ・データ（「Ａ」）、２）ユーザ傾向データ（「Ｔ」）、３）ユーザ・プロフィール・データ（「Ｐ」）に分類されてもよい。ユーザ・アクティビティ・データは、ユーザ取引アクティビティ・データ、ユーザ金融管理アクティビティ・データ、及び他のユーザ・アクティビティ・データを含むことができる。ここでは、ユーザ取引アクティビティ・データは、例えば、ａ．ある日数（例えば９０日）の間の平均支払金額、ｂ．ある日数（例えば１８０日）内における支払アクティビティ日の数、ｃ．ある日数（例えば１８０日）内における支払金額、ｄ．最終支払から現在までの時間、を含むことができる。ユーザ金融管理アクティビティ・データは、例えば、ａ．ある日数以内において第１のターゲット製品が購入される回数、例えば、Ｚｈａｏ Ｃａｉ Ｂａｏ（商標）などの金融サービス・プラットフォームによって提供される金融サービス製品が９０日以内において購入される回数、ｂ．ある日数以内において第２のターゲット製品が購入される回数、例えば、Ｙｕ Ｅ Ｂａｏ（商標）などの金融サービス・プラットフォームによって提供される金融サービス製品が９０日以内において購入される回数、ｃ．ある日数以内に第２のターゲット製品を購入するために使用される金額、例えば、９０日以内においてＹｕ Ｅ Ｂａｏ（商標）を購入するために使用される残高、を含むことができる。他のユーザ・アクティビティ・データは、例えば、ａ．ある日数（例えば１８０日）以内におけるユーザからのコールの回数、ｂ．最終ログオンが発生した都市、ｃ．最終ログオンから現在までの時間、ｄ．ある日数（例えば９０日）以内におけるログオン行動の回数、を含むことができる。ユーザ傾向データは、例えば、ａ．ユーザの平均残高の変動傾向（３０日／３０〜９０日）、ｂ．ログオン行動の回数の変動傾向（３０日／３０〜６０日）、ｃ．リモート・プロシージャ・コール（ＲＰＣ：Ｒｅｍｏｔｅ Ｐｒｏｃｅｄｕｒｅ Ｃａｌｌ）の変動傾向（３０日／３０〜６０日）、ｄ．支払の回数の変動傾向（３０日／３０〜９０日）、を含むことができる。ユーザ・プロフィール・データは、例えば、ａ．ユーザが独身であるかどうか、ｂ．ユーザが家の修繕などの特定の活動を行ったことがあるかどうか、ｃ．ユーザが結婚しているかどうか、ｄ．ユーザの年齢、ｅ．ユーザの登録から経過した時間、ｆ．ユーザの教育レベル、ｇ．ユーザの収入などを含むことができる。

いくつかの実施形態において、サンプル・データセット内のすべての特徴変数に対応する特徴値は、例えば、離散化によって、事前に処理されてもよい。例えば、特徴変数がユーザの年齢であると仮定すると、ユーザの年齢は、以下の４つのセグメント（サブ・ボックスとも称される）：「＜２０」、「［２０、２５）」、「［２５、３０）」、及び「＞＝３０」を得るために離散化される。

ステップ１２０、各特徴変数について、その特徴変数の、１つ又は複数の他の特徴変数の各々との相互作用インデックスを獲得すること。

他の特徴変数は、本明細書では、各サンプル・データセット内の特徴変数以外の残りの特徴変数を指し、複数の他の特徴変数が存在することができる。例えば、サンプル・データセットが３つの特徴変数及び対応する特徴値を含み、これら３つの特徴変数が、それぞれｘ１、ｘ２、及びｘ３であると仮定する。特徴変数がｘ１であるとき、他の特徴変数は、ｘ２及びｘ３を含む。

１つの実装形態において、特徴変数の他の特徴変数との相互作用インデックスを獲得するプロセスは、図２に示されるようなものであることができる。本プロセスは、以下のステップを含むことができる。

ステップ２１０、少なくとも１つの特徴変数及び対応する特徴値、並びにサンプル・データセット内の他の特徴変数及び対応する特徴値、並びにサンプル・データセットのサンプル・ラベルに従って、標準のスコアリング・カード・モデルを訓練すること。

標準のスコアリング・カード・モデルを訓練するプロセスは、標準のスコアリング・カード・モデル：ｙ＝ｆ１（ｘ１）＋ｆ２（ｘ２）を事前設定することを含むことができ、式中、ｙは、スコアリング結果として規定されてもよく、ｘ１は特徴変数であり、ｘ２は１つの他の特徴変数である。関数関係ｆ１（ｘ１）は、特徴変数ｘ１の様々なセグメントに対応するスコア値として規定されてもよく、関数関係ｆ２（ｘ２）は、他の特徴変数ｘ２の様々なセグメントに対応するスコア値として規定されてもよい。続いて、標準のスコアリング・カード・モデルの訓練が、関数関係ｆ１及びｆ２を最適化することによって達成される。いくつかの実施形態において、関数関係ｆ１を最適化することは、特徴変数ｘ１の様々なセグメントに対応するスコア値を調整するプロセスであり、関数関係ｆ２を最適化することは、他の特徴変数ｘ２の様々なセグメントに対応するスコア値を調整するプロセスである。

１つの例において、関数関係ｆ１及びｆ２は、複数のサンプル・データセット内のサンプル・データを学習することによって最適化されてもよい。例えば、各サンプル・データセットは、事前設定された標準のスコアリング・カード・モデルによってスコアリングされてもよい。事前設定された標準のスコアリング・カード・モデルは、２つの関数関係（ｆ１及びｆ２）を含み、ｆ１はｘ１に関連し、ｆ２はｘ２に関連する。したがって、事前設定された標準のスコアリング・カード・モデルを通じてサンプル・データをスコアリングするプロセスは、ｆ１（ｘ１）により第１のスコアリング結果を得ること、及びｆ２（ｘ２）により第２のスコアリング結果を得ることを含むことができる。ここでは、第１のスコアリング結果を得るプロセスは、現在のサンプル・データセット内に含まれる特徴変数ｘ１の特徴値に従って、ｆ１から、特徴値が属するセグメントに対応するスコア値を選択するプロセスである。第２のスコアリング結果を得るプロセスは、現在のサンプル・データセット内に含まれる１つの他の特徴変数ｘ２の特徴値に従って、ｆ２から、特徴値が属するセグメントに対応するスコア値を選択するプロセスである。続いて、最終的なスコアリング結果が、第１のスコアリング結果及び第２のスコアリング結果を加算することによって得られる。最終的なスコアリング結果が得られると、ｆ１及びｆ２は、最終的なスコアリング結果をサンプル・データセットのサンプル・ラベル（例えば、ラベル付けされたスコアリング結果ｙ’、またラベル付けは、手動で実施されてもよいか、又は別のやり方で予め定められてもよい）と比較することによって調整され、それにより最適化されたｆ１及びｆ２を得る。１つの実装形態において、事前設定された標準のスコアリング・カード・モデルによる各サンプル・データセットのスコアリング結果の精度が、事前設定されたしきい値に達するとき、事前設定された標準のスコアリング・カード・モデルはすでに訓練されている。

例において、訓練された標準のスコアリング・カード・モデルは、表１に示される。

いくつかの実施形態において、標準のスコアリング・カード・モデルがステップ２１０において構成されるとき、ｆ１は特徴変数（ｘ１）に関し、ｆ２は特徴変数（ｘ２）に関すると仮定される。すなわち、ｆ１及びｆ２は共に、単変量関数であり、すなわち、上記の標準のスコアリング・カード・モデルは、特徴変数間の相互作用を考慮しなくてもよい。

いくつかの実施形態において、ｆ１は、特徴変数ｘ１のみに関連し、ｆ２は、特徴変数ｘ２のみに関連する。その結果、ｆ１及びｆ２を調整するプロセスにおいて大量のサンプル・データセットを必要としない。大量のサンプル・データセットの必要性がないため、標準のスコアリング・カード・モデルは、迅速に訓練されてもよい。

ステップ２２０、少なくとも１つの特徴変数及び対応する特徴値、並びにサンプル・データセット内の他の特徴変数及び対応する特徴値、並びにサンプル・データセットのサンプル・ラベルに従って、クロス・スコアリング・カード・モデルを訓練すること。

クロス・スコアリング・カード・モデルを訓練するプロセスは、クロス・スコアリング・カード・モデル：ｙ＝ｆ（ｘ１、ｘ２）を事前設定することを含むことができ、式中、ｙは、スコアリング結果として規定されてもよく、ｘ１は特徴変数であり、ｘ２は１つの他の特徴変数である。関数関係ｆ（ｘ１、ｘ２）は、特徴変数ｘ１の１つの他の特徴変数ｘ２とのクロス・セグメント（バイナリ・クロス・セグメントとも称される）に対応するスコア値として規定されてもよい。続いて、標準のスコアリング・カード・モデルの訓練は、関数関係ｆを最適化することによって達成される。いくつかの実施形態において、関数関係ｆを最適化することは、特徴変数ｘ１の１つの他の特徴変数ｘ２とのクロス・セグメントに対応するスコア値を調整するプロセスである。

関数関係ｆを最適化するプロセスは、ｆ１を最適化するプロセスに類似しており、本明細書では繰り返されない。

クロス・セグメントは、例を通じて以下に説明され、ここでは、特徴変数は、「ユーザの年齢」であり、ユーザの年齢の４つのセグメントは、「＜２０」、「［２０、２５）」、「［２５、３０）」、及び「＞＝３０」であると仮定する。１つの他の特徴変数がユーザの教育レベルであり、ユーザの教育レベルの４つのセグメントが、「準学士又はそれ以下」、「学士」、「修士」、及び「博士又はそれ以上」であると仮定すると、特徴変数及び他の特徴変数は、４×４＝１６クロス・セグメントを形成することができ、そのうちの１つのクロス・セグメントは、例えば、「＜２０＆準学士及びそれ以下」であることができる。

いくつかの実施形態において、クロス・スコアリング・カード・モデルがステップ２２０において構成されるとき、ｙは、２つの独立した特徴変数（ｘ１及びｘ２）に同時に関連すると仮定される。すなわち、ｆ（ｘ１、ｘ２）は、バイナリ関数であり、すなわち、上記のクロス・スコアリング・カード・モデルは、特徴変数間の相互作用を考慮する。したがって、特徴変数間の相互作用は、クロス・スコアリング・カード・モデルにより十分に説明されてもよい。

ステップ２３０、訓練された標準のスコアリング・カード・モデルと訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値を決定し、パフォーマンス差異値を相互作用インデックスとして使用すること。

１つの例において、上記のパフォーマンス差異値を決定する前に、訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値ｏｂｊ｛ｆ１（ｘ１）＋ｆ２（ｘ２）｝、及び訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値ｏｂｊ｛ｆ（ｘ１、ｘ２）｝がまず決定されてもよい。ここでは、訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値を決定するプロセスは、訓練された標準のスコアリング・カード・モデルを通じてサンプル・データセット（例えば、収集されたサンプル・データ内のすべてのサンプル・データセット）をスコアリングすることと、訓練された標準のスコアリング・カード・モデルによるサンプル・データセット・スコアリング結果及びサンプル・ラベルに従って、訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、を含むことができる。

訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値を決定するプロセスは、各サンプル・データセットについてスコアリング結果を得るために、訓練された標準のスコアリング・カード・モデルを用いて各サンプル・データセットをスコアリングすることと、各サンプル・データセットのスコアリング結果及び各サンプル・データセットのサンプル・ラベルに従って、各サンプル・データセットの誤差を決定することと、すべてのサンプル・データセットの誤差に従って、訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、を含むことができる。

訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値ｏｂｊ｛ｆ（ｘ１、ｘ２）｝を決定するプロセスは、訓練されたクロス・スコアリング・カード・モデルを用いて各サンプル・データセットをスコアリングすることと、訓練されたクロス・スコアリング・カード・モデルによるスコアリング結果及び各サンプル・データセットのサンプル・ラベルに従って、訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、を含むことができる。

標準のスコアリング・カード・モデル及びクロス・スコアリング・カード・モデルのパフォーマンス・インデックスを決定するための上記の方法は、単に例示にすぎない。実際には、モデル・パフォーマンスを評価するための他の方法が存在し、それらは１つ１つ繰り返されない。

訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値及び訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値が決定された後、訓練された標準のスコアリング・カード・モデルと訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値Ｉ（ｘ１、ｘ２）を決定するために、減算が２つの値に対して実施されてもよい。すなわち、Ｉ（ｘ１、ｘ２）＝ｏｂｊ｛ｆ（ｘ１、ｘ２）｝−ｏｂｊ｛ｆ１（ｘ１）＋ｆ２（ｘ２）｝。いくつかの実施形態において、パフォーマンス差異値Ｉ（ｘ１、ｘ２）は、訓練された標準のスコアリング・カード・モデルと訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異を説明するために使用される。

いくつかの実施形態において、クロス・スコアリング・カード・モデルは、特徴変数間の相互作用を考慮するため、特徴変数間の相互作用は、クロス・スコアリング・カード・モデルにより十分に説明されてもよい。しかし、標準のスコアリング・カード・モデルは、通常、特徴変数間の相互作用を説明しない。したがって、パフォーマンス差異値は、特徴変数間の相互作用インデックスとして使用されてもよい。例えば、相互作用インデックスが比較的小さい（例えば、０に近い）とき、それは、２つの特徴変数間の相互作用が比較的弱いことを示す。対照的に、相互作用インデックスが比較的高いとき、それは、２つの特徴変数間の相互作用が比較的強いことを示す。

ステップ１３０、相互作用インデックスに従って特徴変数のクラスタ化インデックスを決定すること。

いくつかの実施形態において、複数の他の特徴変数が存在するとき、複数の相互作用インデックスが得られ、相互作用インデックスの各々を得るための方法は、図２に示されるように、類似しており、ここでは繰り返されない。

例えば、サンプル・データセットが３つの特徴変数及び対応する特徴値を含み、これら３つの特徴変数が、それぞれｘ１、ｘ２、及びｘ３であると仮定する。特徴変数がｘ１であるとき、他の特徴変数は、ｘ２及びｘ３を含む。それに応じて、Ｉ（ｘ１、ｘ２）及びＩ（ｘ１、ｘ３）の２つの相互作用インデックスが計算されることになる。１つの実装形態において、複数の相互作用インデックスが決定された後、複数の相互作用インデックスは、加算されてもよく、加算結果は、特徴変数ｘ１のクラスタ化インデックスとして使用される。すなわち、等式１は、特徴変数のクラスタ化インデックスを決定するために使用されてもよい。
Ａｇｇ（ｘｉ）＝ｓｕｍ（Ｉ（ｘｉ、ｘｊ）） ｊ＝１、…、Ｎ Ｊ≠ｉ （等式１）

式中、ｘｉは、特徴変数であり、そのクラスタ化インデックスが現在決定される必要があり、［１、Ｎ］の値範囲を有し、Ａｇｇ（ｘｉ）は、特徴変数ｘｉのクラスタ化インデックスであり、Ｎは、特徴変数の数であり、ｘｊは、特徴変数ｘｉとは異なる他のＮ−１個の特徴変数である。

いくつかの実施形態において、Ｎ個のクラスタ化インデックスは、Ｎ個の特徴変数が存在するときに決定されてもよく、Ｎ個の特徴変数は、それぞれＡｇｇ（ｘ１）、Ａｇｇ（ｘ２）、…、Ａｇｇ（ｘＮ）によって表される。

ステップ１４０、（例えば、すべての）特徴変数のクラスタ化インデックスに従って、少なくとも１つの特徴変数からターゲット特徴変数を選択すること。

１つの実装形態において、すべての特徴変数のクラスタ化インデックスが比較されてもよく、最大クラスタ化インデックスに対応する特徴変数が、ターゲット特徴変数として選択される。いくつかの実施形態において、特徴変数のクラスタ化インデックスは、特徴変数及び他の特徴変数の相互作用インデックスの合計である一方、相互作用インデックスは、特徴変数との相互作用の強さを説明するために使用される。したがって、特徴変数が最大クラスタ化インデックスを有するとき、それは、特徴変数がすべての他の特徴変数と比較的強い相互作用を有することを示す。すなわち、すべての他の特徴変数と比較的強い相互作用を有する特徴変数が、ターゲット特徴変数として選択されてもよい。

ステップ１５０、ターゲット特徴変数及び対応する特徴値に従って、複数のサンプル・データセットを複数のサンプル・データセット・サブグループへと分割すること。

ここでは、サンプル・データセットをサブグループへと分割するプロセスは、クラスタ化プロセスとも称されてもよい。それは、クラスタ化及びモデル化において特徴変数及び対応する特徴値に従ってサンプル・データセットをクラスタ化するための従来の技術であってもよく、本明細書では繰り返されない。

いくつかの実施形態において、上で述べたように、ターゲット特徴変数は、すべて他の特徴変数と比較的強い相互作用を有する特徴変数を指すことができる。したがって、ターゲット特徴変数及び対応する特徴値に従ったサンプル・データセットのクラスタ化は、最も理想的なクラスタ化及びモデル化の目標を達成するために、クラスタ内の相互作用を低減することができる。

ステップ１６０、サンプル・データセット・サブグループの各々について、対応するサブ・スコアリング・モデルを構築すること。

例えば、すべてのサンプル・データセット・サブグループが得られた後、標準のスコアリング・カード・モデルは、表１に示される各サンプル・データセット・サブグループについて訓練されてもよい。

いくつかの実施形態において、スコアリング・モデルが構築された後、スコアリング・モデルに基づいて、ユーザ・クレジットが評価されてもよいか、又は取引アクティビティ・リスクが予測されてもよい。例としてスコアリング・モデルに基づいたユーザ・クレジット評価では、評価方法は、図３に示されるようなものであることができる。図３に示されるように、本方法は以下のステップを含むことができる。

ステップ３１０、ユーザのクレジット・データ情報を獲得すること。

ここでは、ユーザのクレジット・データ情報が、バックエンド・データベースから、手動で、又はサーバによって、収集されてもよく、これは、限定されるものではないが、以下の３つの側面：１）ユーザ・アクティビティ・データ、２）ユーザ傾向データ、３）ユーザ・プロフィール・データにおいてデータを含むことができる。

ステップ３２０、クレジット・データ情報に従って、ターゲット特徴変数及び１つ又は複数の他の特徴変数にそれぞれ対応する特徴値を決定すること。いくつかの実施形態において、ターゲット特徴変数は、複数の特徴変数のクラスタ化インデックスと、サブグループ内に分類され、複数の特徴変数及び特徴変数の各々についての対応する特徴値を含む複数のサンプル・データセットと、に従って選択される。

ターゲット特徴変数は、本明細書では、上記ステップ１２０〜ステップ１４０を通じて選択されるターゲット特徴変数を指す。その選択プロセスは、上に説明されるものと同じであり、本明細書では繰り返されない。

クレジット・データ情報が、２０歳というユーザの年齢、学士というユーザの教育レベル、及び０というユーザの収入を含む例において、ターゲット特徴変数がユーザの年齢であると仮定すると、他の特徴変数は、ユーザの教育レベル及びユーザの収入である。ターゲット特徴変数に対応する特徴値は、２０歳であり、他のターゲット特徴変数に対応する特徴値は、それぞれ学士及び０である。

ステップ３３０、ターゲット特徴変数に対応する特徴値に従って、対応するサンプル・データセット・サブグループを選択すること。

例えば、ターゲット特徴変数がユーザの年齢であり、複数のサンプル・データセットを含むサンプル・データが、ターゲット特徴変数に対応する特徴値に従って、４つのサンプル・データセット・サブグループへと分割される（例えば、４つのクラスタへと分割される）と仮定し、第１のサンプル・データセット・サブグループ内のユーザの年齢は、２０歳未満であり、第２のサンプル・データセット・サブグループ内のユーザの年齢は、２０〜２５歳であり、第３のサンプル・データセット・サブグループ内のユーザの年齢は、２５〜３０歳であり、第４のサンプル・データセット・サブグループ内のユーザの年齢は、３０歳超である。ユーザのクレジット・データ情報に従って、ターゲット特徴変数に対応して決定される特徴値は、２０歳について選択された第２のサンプル・データセット・サブグループである。

ステップ３４０、サンプル・データセット・サブグループに対応するサブ・スコアリング・モデル及び他の特徴変数に対応する特徴値に従って、ユーザのクレジット・スコアを決定すること。

上の例にあるように、第２のサンプル・データセット・サブグループに対応する選択されたサブ・スコアリング・モデルは表２に示されるようなものであると仮定される。

例えば、第２のサンプル・データセット・サブグループに対応するサブ・スコアリング・モデルが表２に示されるようなものであるとき、２つの他の特徴変数に対応する特徴値は、学士及び０であり、そして、ユーザのクレジット・スコア＝３７＋３０＝６７である。

ステップ３５０、ユーザのクレジット・スコアに従ってユーザのクレジットを評価すること。

１つの実装形態において、しきい値が構成されてもよい。ユーザのクレジット・スコアが事前設定されたしきい値を超える場合、それは、ユーザが比較的高いクレジットを有することを示す。ユーザのクレジット・スコアが事前設定されたしきい値を超えない場合、それは、ユーザが比較的低いクレジットを有することを示す。

本開示の実施形態に従ってユーザ・クレジットを評価するための方法は、ユーザのクレジットを正確に評価することができ、評価効率を向上させることができる。

スコアリング・モデルを構築するための上記の方法に対応して、本開示の実施形態は、図４に示されるようなスコアリング・モデルを構築するためのデバイス（例えば、サーバ端末）をさらに提供し、本デバイスは、連結されたプロセッサ４１１及びメモリ４１２を備えることができる。メモリ４１２は、非一時的かつコンピュータ可読であってもよく、プロセッサ４１１によって実行されるとき、本明細書に説明される様々なステップ及び方法をデバイスに実施させる命令を記憶することができる。命令は、以下に説明される様々なユニットとして実装されてもよい。用語「非一時的な媒体」、及び同様の用語は、本明細書で使用される場合、データ、及び／又はマシンを特定の様式で動作させる命令を記憶する任意の媒体を指す。そのような非一時的な媒体は、不揮発性媒体及び／又は揮発性媒体を含むことができる。不揮発性媒体は、例えば、ストレージ・デバイス４１０などの光学又は磁気ディスクを含む。揮発性媒体は、メイン・メモリ４０６などのダイナミック・メモリを含む。非一時的な媒体の一般的な形態としては、例えば、フロッピ・ディスク、フレキシブル・ディスク、ハード・ディスク、ソリッド・ステート・ドライブ、磁気テープ、又は任意の他の磁気データ記憶媒体、ＣＤ−ＲＯＭ、任意の他の光学データ記憶媒体、孔のパターンを有する任意の物理的な媒体、ＲＡＭ、ＰＲＯＭ、及びＥＰＲＯＭ、ＦＬＡＳＨ−ＥＰＲＯＭ、ＮＶＲＡＭ、任意の他のメモリ・チップ又はカートリッジ、並びに同様のもののネットワーク化バージョンが挙げられる。

いくつかの実施形態において、そのようなユニットは、各々が少なくとも１つの特徴変数及び対応する特徴値を含む複数のサンプル・データセットを収集するように構成される収集ユニット４０１と、各特徴変数について、特徴変数の他の特徴変数との相互作用インデックスを獲得するように構成される獲得ユニット４０２とを備えることができる。

任意選択的に、獲得ユニット４０２は、特徴変数及び対応する特徴値、並びにサンプル・データセット内の他の特徴変数及び対応する特徴値、並びにサンプル・データセットのサンプル・ラベルに従って、標準のスコアリング・カード・モデルを訓練し、特徴変数及び対応する特徴値、並びにサンプル・データセット内の他の特徴変数及び対応する特徴値、ならびサンプル・データセットのサンプル・ラベルに従って、クロス・スコアリング・カード・モデルを訓練し、また、訓練された標準のスコアリング・カード・モデルと訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値を決定して、パフォーマンス差異値を相互作用インデックスとして使用するように構成されてもよい。

ここでは、訓練された標準のスコアリング・カード・モデルと訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値を決定することは、訓練された標準のスコアリング・カード・モデルを用いてサンプル・データセットをスコアリングすることと、訓練された標準のスコアリング・カード・モデルによるサンプル・データセット・スコアリング結果及びサンプル・ラベルに従って、訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、訓練されたクロス・スコアリング・カード・モデルを用いてサンプル・データセットをスコアリングすることと、訓練されたクロス・スコアリング・カード・モデルによるサンプル・データセット・スコアリング結果及びサンプル・ラベルに従って、訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値及び訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値に従って、パフォーマンス差異値を決定することと、を含むことができる。

様々なユニットは、獲得ユニット４０２によって獲得された相互作用インデックスに従って、特徴変数のクラスタ化インデックスを決定するように構成される決定ユニット４０３をさらに備えることができる。

任意選択的に、複数の相互作用インデックスが存在するとき、決定ユニット４０３は、複数の相互作用インデックスに対して加法演算を実施して合計結果を得て、加算結果を特徴変数のクラスタ化インデックスとして使用するように構成されてもよい。

様々なユニットは、決定ユニット４０３によって決定されたすべての特徴変数のクラスタ化インデックスに従って、少なくとも１つの特徴変数からターゲット特徴変数を選択するように構成される選択ユニット４０４をさらに備えることができる。

任意選択的に、選択ユニット４０４は、すべての特徴変数のクラスタ化インデックスを比較し、最大クラスタ化インデックスに対応する特徴変数をターゲット特徴変数として選択するように特に構成されてもよい。

様々なユニットは、選択ユニット４０４によって選択されたターゲット特徴変数及び対応する特徴値に従って、複数のサンプル・データセットを複数のサンプル・データセット・サブグループへと分割するように構成される分割ユニット４０５をさらに備えることができる。

様々なユニットは、分割ユニット４０５によって分割された各サンプル・データセット・サブグループについて、対応するサブ・スコアリング・モデルを構築するように構成される構築ユニット４０６をさらに備えることができる。

本開示の実施形態に従うデバイスの機能モジュール（例えば、ユニット）の機能は、上記の方法実施形態のステップを通じて実施されてもよい。したがって、本開示に従うデバイスの特定の作動プロセスは、本明細書では繰り返されない。

本開示のいくつかの実施形態に従うスコアリング・モデルを構築するためのデバイスでは、収集ユニット４０１は、複数のサンプル・データセットを含むサンプル・データを収集する。各特徴変数について、獲得ユニット４０２は、特徴変数の他の特徴変数との相互作用インデックスを獲得する。決定ユニット４０３は、相互作用インデックスに従って、特徴変数のクラスタ化インデックスを決定する。選択ユニット４０４は、すべての特徴変数のクラスタ化インデックスに従って、少なくとも１つの特徴変数からターゲット特徴変数を選択する。分割ユニット４０５は、ターゲット特徴変数及び対応する特徴値に従って、複数のサンプル・データセットを複数のサンプル・データセット・サブグループへと分割する。各サンプル・データセット・サブグループについて、構築ユニット４０６は、対応するサブ・スコアリング・モデルを構築する。したがって、スコアリング・モデル構築の精度は向上されてもよい。

本開示の１つの態様によると、図４に示されるように、ユニット４０１〜４０６は、メモリ内に記憶された命令を含むソフトウェア機能ユニットである。他の態様によると、ユニット４０１〜４０６は、ハードウェア、例えば、上に説明されるような機能性を実施するようにプログラムされた回路によって、実装されてもよい。

ユーザ・クレジットを評価するための上に説明された方法に対応して、本開示の実施形態は、図５に示されるようなユーザ・クレジットを評価するためのデバイス（例えば、サーバ端末）をさらに提供し、本デバイスは、連結されたプロセッサ５１１及びメモリ５１２を備えることができる。メモリ５１２は、非一時的かつコンピュータ可読であってもよく、プロセッサ５１１によって実行されるとき、本明細書に説明される様々なステップ及び方法をデバイスに実施させる命令を記憶することができる。命令は、以下に説明される様々なユニットとして実装されてもよい。

いくつかの実施形態において、そのようなユニットは、ユーザのクレジット・データ情報を獲得するように構成される獲得ユニット５０１と、獲得ユニット５０１によって獲得されたクレジット・データ情報に従って、ターゲット特徴変数及び他の特徴変数に対応する特徴値を決定するように構成される決定ユニット５０２であって、ターゲット特徴変数が、サンプル・データセット内のすべての特徴変数のクラスタ化インデックスに従って選択され、サンプル・データセットが少なくとも１つの特徴変数及び対応する特徴値を含む、決定ユニット５０２と、決定ユニット５０２によって決定されたターゲット特徴変数に対応する特徴値に従って、対応するサンプル・データセット・サブグループを選択するように構成される選択ユニット５０３とを備えることができる。

いくつかの実施形態において、決定ユニット５０２は、選択ユニット５０３によって選択されたサンプル・データセット・サブグループに対応するサブ・スコアリング・モデル及び他の特徴変数に対応する特徴値に従って、ユーザのクレジット・スコアを決定するようにさらに構成されてもよい。

いくつかの実施形態において、様々なユニットは、決定ユニット５０２によって決定されたユーザのクレジット・スコアに従って、ユーザのクレジットを評価するように構成される評価ユニット５０４をさらに備えることができる。

任意選択的に、選択ユニット５０３は、サンプル・データセット内の各特徴変数について、特徴変数の他の特徴変数との相互作用インデックスを獲得し、相互作用インデックスに従って、特徴変数のクラスタ化インデックスを決定し、また、すべての特徴変数のクラスタ化インデックスに従って、少なくとも１つの特徴変数からターゲット特徴変数を選択するようにさらに構成される。

任意選択的に、上記の特徴変数の他の特徴変数との相互作用インデックスを獲得することは、特徴変数及び対応する特徴値、並びにサンプル・データセット内の他の特徴変数及び対応する特徴値、並びにサンプル・データセットのサンプル・ラベルに従って、標準のスコアリング・カード・モデルを訓練することと、特徴変数及び対応する特徴値、並びにサンプル・データセット内の他の特徴変数及び対応する特徴値、並びにサンプル・データセットのサンプル・ラベルに従って、クロス・スコアリング・カード・モデルを訓練することと、訓練された標準のスコアリング・カード・モデルと訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値を決定して、パフォーマンス差異値を相互作用インデックスとして使用することと、を含むことができる。

任意選択的に、上記の訓練された標準のスコアリング・カード・モデルと訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値を決定することは、訓練された標準のスコアリング・カード・モデルを用いてサンプル・データセットをスコアリングすることと、訓練された標準のスコアリング・カード・モデルによるサンプル・データセット・スコアリング結果及びサンプル・ラベルに従って、訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、訓練されたクロス・スコアリング・カード・モデルを用いてサンプル・データセットをスコアリングすることと、訓練されたクロス・スコアリング・カード・モデルによるサンプル・データセット・スコアリング結果及びサンプル・ラベルに従って、訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値及び訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値に従って、パフォーマンス差異値を決定することと、を含む。

本開示の実施形態に従うデバイスの機能モジュールの機能は、上記の方法実施形態のステップを通じて実施されてもよい。したがって、本開示に従うデバイスの特定の作動プロセスは、本明細書では繰り返されない。

本開示の１つの態様によると、図５に示されるように、ユニット５０１〜５０４は、メモリ内に記憶された命令を含むソフトウェア機能ユニットである。他の態様によると、ユニット５０１〜５０４は、ハードウェア、例えば、上に説明されるような機能性を実施するようにプログラムされた回路によって、実装されてもよい。

本開示の実施形態に従ってユーザ・クレジットを評価するためのデバイスは、ユーザ・クレジットを正確に評価することができる。

当業者は、上記の１つ又は複数の例において本開示によって説明される機能が、ハードウェア、ソフトウェア、ファームウェア、又はそれらの任意の組み合わせにより実装されてもよいことを認識するものとする。ソフトウェアにより実装されるとき、これらの機能は、コンピュータ可読媒体に記憶されてもよいか、又はコンピュータ可読媒体上の１つもしくは複数の命令もしくはコードとして伝送されてもよい。

上に記載される実装形態は、本開示の目的、技術的解決策、及び有益な効果を詳細にさらに説明する。上の説明は単に例示にすぎず、本開示の範囲を制限するために使用されないということを理解されたい。本出願の技術的解決策に基づいてなされるいかなる修正形態、等価の置き換え、又は改善も、本開示の範囲に含まれるものとする。

Claims (8)

1. スコアリング・モデルを構築するための方法であって、
   デバイスによって、各々が少なくとも１つの特徴変数及び対応する特徴値を含む複数のサンプル・データセットを収集することと、
   前記少なくとも１つの特徴変数及び前記対応する特徴値、前記サンプル・データセット内の他の特徴変数及び対応する特徴値、並びに前記サンプル・データセットのサンプル・ラベルに従って、前記デバイスによって、標準のスコアリング・カード・モデルを訓練することと、
   前記少なくとも１つの特徴変数及び前記対応する特徴値、前記サンプル・データセット内の前記他の特徴変数及び対応する特徴値、並びに前記サンプル・データセットの前記サンプル・ラベルに従って、前記デバイスによって、クロス・スコアリング・カード・モデルを訓練することと、
   前記デバイスによって、前記訓練された標準のスコアリング・カード・モデルと前記訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値を、等式Ｉ（ｘｉ、ｘｊ）＝ｏｂｊ｛ｆ（ｘｉ、ｘｊ）｝−ｏｂｊ｛ｆｉ（ｘｉ）＋ｆｊ（ｘｊ）｝を用いて決定し、ｊ＝１、…、Ｎであり、Ｎが前記特徴変数の数であり、ｊ≠ｉであり、ｘｉが、前記特徴変数であり、ｘｊが、特徴変数ｘｉとは異なる他のＮ−１個の特徴変数であり、ｏｂｊ｛ｆｉ（ｘｉ）＋ｆｊ（ｘｊ）｝が、前記訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値であり、ｏｂｊ｛ｆ（ｘｉ、ｘｊ）｝が、前記訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値であり、前記訓練された標準のスコアリング・カード・モデルと前記訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値が、Ｉ（ｘｉ、ｘｊ）であることと、
   前記デバイスによって、クラスタ化インデックスを、等式Ａｇｇ（ｘｉ）＝ｓｕｍ（Ｉ（ｘｉ、ｘｊ））を用いて決定し、Ａｇｇ（ｘｉ）が、特徴変数ｘｉのクラスタ化インデックスであることと、
   前記デバイスによって、全ての前記クラスタ化インデックスを比較することと、
   前記デバイスによって、最大クラスタ化インデックスに対応する前記特徴変数のうちの１つをターゲット特徴変数として選択することと、
   前記デバイスによって、前記ターゲット特徴変数及び前記対応する特徴値に従って、前記複数のサンプル・データセットを複数のサンプル・データセット・サブグループへと分割することと、
   前記デバイスによって、前記サンプル・データセット・サブグループの各々について、対応するサブ・スコアリング・モデルを構築することと、を含む方法。
2. 前記デバイスによって、前記訓練された標準のスコアリング・カード・モデルと前記訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値を前記決定することが、
   前記デバイスによって、前記訓練された標準のスコアリング・カード・モデルを用いて前記サンプル・データセットをスコアリングすることと、
   前記訓練された標準のスコアリング・カード・モデルによってスコアリングされたサンプル・データセット・スコアリング結果及び前記サンプル・ラベルに従って、前記デバイスによって、前記訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、
   前記デバイスによって、前記訓練されたクロス・スコアリング・カード・モデルを用いて前記サンプル・データセットをスコアリングすることと、
   前記訓練されたクロス・スコアリング・カード・モデルによってスコアリングされたサンプル・データセット・スコアリング結果及び前記サンプル・ラベルに従って、前記デバイスによって、前記訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、
   前記訓練された標準のスコアリング・カード・モデルの前記パフォーマンス・インデックス値及び前記訓練されたクロス・スコアリング・カード・モデルの前記パフォーマンス・インデックス値に従って、前記デバイスによって、前記パフォーマンス差異値を決定することと、を含む、請求項１に記載の方法。
3. ユーザ・クレジットを評価するための方法であって、
   デバイスによって、ユーザのクレジット・データ情報を獲得することと、
   前記デバイスによって、前記クレジット・データ情報に従って、ターゲット特徴変数及び１つ又は複数の他の特徴変数にそれぞれ対応する特徴値を決定することと、
   サブグループ内に分類され、複数の特徴変数及び前記複数の特徴変数の各々についての対応する特徴値を含む複数のサンプル・データセットの前記複数の特徴変数及び前記対応する特徴値、前記サンプル・データセット内の前記他の特徴変数及び対応する特徴値、並びに前記サンプル・データセットのサンプル・ラベルに従って、前記デバイスによって、標準のスコアリング・カード・モデルを訓練することと、
   前記複数の特徴変数及び前記対応する特徴値、前記サンプル・データセット内の前記他の特徴変数及び対応する特徴値、並びに前記サンプル・データセットのサンプル・ラベルに従って、前記デバイスによって、クロス・スコアリング・カード・モデルを訓練することと、
   前記デバイスによって、前記訓練された標準のスコアリング・カード・モデルと前記訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値を、等式Ｉ（ｘｉ、ｘｊ）＝ｏｂｊ｛ｆ（ｘｉ、ｘｊ）｝−ｏｂｊ｛ｆｉ（ｘｉ）＋ｆｊ（ｘｊ）｝を用いて決定し、ｊ＝１、…、Ｎであり、Ｎが前記特徴変数の数であり、ｊ≠ｉであり、ｘｉが、前記特徴変数であり、ｘｊが、特徴変数ｘｉとは異なる他のＮ−１個の特徴変数であり、ｏｂｊ｛ｆｉ（ｘｉ）＋ｆｊ（ｘｊ）｝が、前記訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値であり、ｏｂｊ｛ｆ（ｘｉ、ｘｊ）｝が、前記訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値であり、前記訓練された標準のスコアリング・カード・モデルと前記訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値が、Ｉ（ｘｉ、ｘｊ）であることと、
   前記デバイスによって、前記特徴変数のクラスタ化インデックスを、等式Ａｇｇ（ｘｉ）＝ｓｕｍ（Ｉ（ｘｉ、ｘｊ））を用いて決定し、Ａｇｇ（ｘｉ）が、特徴変数ｘｉのクラスタ化インデックスであることと、
   前記デバイスによって、全ての前記クラスタ化インデックスを比較することと、
   前記デバイスによって、最大クラスタ化インデックスに対応する前記特徴変数のうちの１つを前記ターゲット特徴変数として選択することと、
   前記デバイスによって、前記ターゲット特徴変数に対応する前記特徴値に従って、対応するサンプル・データセット・サブグループを選択することと、
   前記デバイスによって、前記サンプル・データセット・サブグループに対応するサブ・スコアリング・モデル及び前記他の特徴変数に対応する特徴値に従って、前記ユーザのクレジット・スコアを決定することと、を含む方法。
4. 前記デバイスによって、前記訓練された標準のスコアリング・カード・モデルと前記訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値を前記決定することが、
   前記デバイスによって、前記訓練された標準のスコアリング・カード・モデルを用いて前記サンプル・データセットをスコアリングすることと、
   前記訓練された標準のスコアリング・カード・モデルによってスコアリングされたサンプル・データセット・スコアリング結果及び前記サンプル・ラベルに従って、前記デバイスによって、前記訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、
   前記デバイスによって、前記訓練されたクロス・スコアリング・カード・モデルを用いて前記サンプル・データセットをスコアリングすることと、
   前記訓練されたクロス・スコアリング・カード・モデルによってスコアリングされたサンプル・データセット・スコアリング結果及び前記サンプル・ラベルに従って、前記デバイスによって、前記訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、
   前記訓練された標準のスコアリング・カード・モデルの前記パフォーマンス・インデックス値及び前記訓練されたクロス・スコアリング・カード・モデルの前記パフォーマンス・インデックス値に従って、前記デバイスによって、前記パフォーマンス差異値を決定することと、を含む、請求項３に記載の方法。
5. スコアリング・モデルを構築するためのデバイスであって、プロセッサと、命令を記憶する非一時的なコンピュータ可読記憶媒体とを備え、前記命令は、前記プロセッサによって実行されるとき、前記デバイスに方法を実施させ、前記方法が、
   各々が少なくとも１つの特徴変数及び対応する特徴値を含む複数のサンプル・データセットを収集することと、
   前記少なくとも１つの特徴変数及び前記対応する特徴値、前記サンプル・データセット内の他の特徴変数及び対応する特徴値、並びに前記サンプル・データセットのサンプル・ラベルに従って、標準のスコアリング・カード・モデルを訓練することと、
   前記少なくとも１つの特徴変数及び前記対応する特徴値、前記サンプル・データセット内の前記他の特徴変数及び対応する特徴値、並びに前記サンプル・データセットの前記サンプル・ラベルに従って、クロス・スコアリング・カード・モデルを訓練することと、
   前記訓練された標準のスコアリング・カード・モデルと前記訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値を、等式Ｉ（ｘｉ、ｘｊ）＝ｏｂｊ｛ｆ（ｘｉ、ｘｊ）｝−ｏｂｊ｛ｆｉ（ｘｉ）＋ｆｊ（ｘｊ）｝を用いて決定し、ｊ＝１、…、Ｎであり、Ｎが前記特徴変数の数であり、ｊ≠ｉであり、ｘｉが、前記特徴変数であり、ｘｊが、特徴変数ｘｉとは異なる他のＮ−１個の特徴変数であり、前記訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値がｏｂｊ｛ｆｉ（ｘｉ）＋ｆｊ（ｘｊ）｝であり、前記訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値がｏｂｊ｛ｆ（ｘｉ、ｘｊ）｝であり、前記訓練された標準のスコアリング・カード・モデルと前記訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値がＩ（ｘｉ、ｘｊ）であることと、
   クラスタ化インデックスを、等式Ａｇｇ（ｘｉ）＝ｓｕｍ（Ｉ（ｘｉ、ｘｊ））を用いて決定し、Ａｇｇ（ｘｉ）が、特徴変数ｘｉのクラスタ化インデックスであることと、
   全ての前記クラスタ化インデックスを比較することと、
   最大クラスタ化インデックスに対応する前記特徴変数のうちの１つをターゲット特徴変数として選択することと、
   前記ターゲット特徴変数及び前記対応する特徴値に従って、前記複数のサンプル・データセットを複数のサンプル・データセット・サブグループへと分割することと、
   前記サンプル・データセット・サブグループの各々について、対応するサブ・スコアリング・モデルを構築することと、を含むデバイス。
6. 前記訓練された標準のスコアリング・カード・モデルと前記訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値を前記決定することが、
   前記訓練された標準のスコアリング・カード・モデルを用いて前記サンプル・データセットをスコアリングすることと、
   前記訓練された標準のスコアリング・カード・モデルによってスコアリングされたサンプル・データセット・スコアリング結果及び前記サンプル・ラベルに従って、前記訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、
   前記訓練されたクロス・スコアリング・カード・モデルを用いて前記サンプル・データセットをスコアリングすることと、
   前記訓練されたクロス・スコアリング・カード・モデルによってスコアリングされたサンプル・データセット・スコアリング結果及び前記サンプル・ラベルに従って、前記訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、
   前記訓練された標準のスコアリング・カード・モデルの前記パフォーマンス・インデックス値及び前記訓練されたクロス・スコアリング・カード・モデルの前記パフォーマンス・インデックス値に従って、前記パフォーマンス差異値を決定することと、を含む、請求項５に記載のデバイス。
7. ユーザ・クレジットを評価するためのデバイスであって、プロセッサと、命令を記憶する非一時的なコンピュータ可読記憶媒体とを備え、前記命令は、前記プロセッサによって実行されるとき、前記デバイスに方法を実施させ、前記方法が、
   ユーザのクレジット・データ情報を獲得することと、
   前記クレジット・データ情報に従って、ターゲット特徴変数及び１つ又は複数の他の特徴変数にそれぞれ対応する特徴値を決定することと、
   サブグループ内に分類され、複数の特徴変数及び前記複数の特徴変数の各々についての対応する特徴値を含む複数のサンプル・データセットの前記複数の特徴変数及び前記対応する特徴値、前記サンプル・データセット内の前記他の特徴変数及び対応する特徴値、並びに前記サンプル・データセットのサンプル・ラベルに従って、標準のスコアリング・カード・モデルを訓練することと、
   前記複数の特徴変数及び前記対応する特徴値、前記サンプル・データセット内の前記他の特徴変数及び対応する特徴値、並びに前記サンプル・データセットのサンプル・ラベルに従って、クロス・スコアリング・カード・モデルを訓練することと、
   前記訓練された標準のスコアリング・カード・モデルと前記訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値を、等式Ｉ（ｘｉ、ｘｊ）＝ｏｂｊ｛ｆ（ｘｉ、ｘｊ）｝−ｏｂｊ｛ｆｉ（ｘｉ）＋ｆｊ（ｘｊ）｝を用いて決定し、ｊ＝１、…、Ｎであり、Ｎが前記特徴変数の数であり、ｊ≠ｉであり、ｘｉが、前記特徴変数であり、ｘｊが、特徴変数ｘｉとは異なる他のＮ−１個の特徴変数であり、前記訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値がｏｂｊ｛ｆｉ（ｘｉ）＋ｆｊ（ｘｊ）｝であり、前記訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値がｏｂｊ｛ｆ（ｘｉ、ｘｊ）｝であり、前記訓練された標準のスコアリング・カード・モデルと前記訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値がＩ（ｘｉ、ｘｊ）であることと、
   クラスタ化インデックスを、等式Ａｇｇ（ｘｉ）＝ｓｕｍ（Ｉ（ｘｉ、ｘｊ））を用いて決定し、Ａｇｇ（ｘｉ）が、特徴変数ｘｉのクラスタ化インデックスであることと、
   全ての前記クラスタ化インデックスを比較することと、
   最大クラスタ化インデックスに対応する前記特徴変数のうちの１つを前記ターゲット特徴変数として選択することと、
   前記ターゲット特徴変数に対応する前記特徴値に従って、対応するサンプル・データセット・サブグループを選択することと、
   前記サンプル・データセット・サブグループに対応するサブ・スコアリング・モデル及び前記他の特徴変数に対応する特徴値に従って、前記ユーザのクレジット・スコアを決定することと、を含む、デバイス。
8. 前記訓練された標準のスコアリング・カード・モデルと前記訓練されたクロス・スコアリング・カード・モデルとの間のパフォーマンス差異値を前記決定することが、
   前記訓練された標準のスコアリング・カード・モデルを用いて前記サンプル・データセットをスコアリングすることと、
   前記訓練された標準のスコアリング・カード・モデルによってスコアリングされたサンプル・データセット・スコアリング結果及び前記サンプル・ラベルに従って、前記訓練された標準のスコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、
   前記訓練されたクロス・スコアリング・カード・モデルを用いて前記サンプル・データセットをスコアリングすることと、
   前記訓練されたクロス・スコアリング・カード・モデルによってスコアリングされたサンプル・データセット・スコアリング結果及び前記サンプル・ラベルに従って、前記訓練されたクロス・スコアリング・カード・モデルのパフォーマンス・インデックス値を決定することと、
   前記訓練された標準のスコアリング・カード・モデルの前記パフォーマンス・インデックス値及び前記訓練されたクロス・スコアリング・カード・モデルの前記パフォーマンス・インデックス値に従って、前記パフォーマンス差異値を決定することと、を含む、請求項７に記載のデバイス。

Images