KR102038237B1 - 신용점수 모델 훈련 방법，신용 점수 계산 방법，장치 및 서버 - Google Patents
신용점수 모델 훈련 방법，신용 점수 계산 방법，장치 및 서버 Download PDFInfo
- Publication number
- KR102038237B1 KR102038237B1 KR1020187007645A KR20187007645A KR102038237B1 KR 102038237 B1 KR102038237 B1 KR 102038237B1 KR 1020187007645 A KR1020187007645 A KR 1020187007645A KR 20187007645 A KR20187007645 A KR 20187007645A KR 102038237 B1 KR102038237 B1 KR 102038237B1
- Authority
- KR
- South Korea
- Prior art keywords
- credit score
- user
- sample
- credit
- relationship
- Prior art date
Links
Images
Classifications
-
- G06Q40/025—
-
- 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
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
본 발명은 신용평가 분야에 관한 것으로, 신용점수 모델 훈련 방법，신용 점수 계산 방법，장치 및 서버에 있어서, 상기 방법은 샘플 사용자의 제 i 차 신용점수, 제 i 차 관계신용점수와 디폴트 라벨링 정보를 획득하는 단계(101)와; 샘플 사용자의 제 i 차 신용점수, 제 i 차 관계신용점수, 디폴트 라벨링 정보에 의해 신용점수 모델을 훈련하여 샘플 사용자의 제 i+1 차 신용점수를 계산하는 단계(102)와; 훈련 종료 조건을 충족하면 훈련이 종료되는 신용점수 모델을 얻는 단계(103)를 포함하고, 이방법은 사용자의 개인정보가 부족하거나 틀리는 경우 사용자의 신용점수를 정확하게 계산하기 어렵다는 문제를 해결하며, 사용자의 신용점수와, 사용자의 사회관계를 기초하여 계산되는 관계신용점수에 의해 이 사용자의 목표신용점수에 대해 종합적으로 계산함으로써 신용점수 모델의 커버리지 범위를 넓히고 사용자의 신용점수를 계산하는 정확성을 높이는 효과를 이룬다.
Description
본 출원은 2016년 3월 15일에 중국특허청에 출원번호가 201610145843X이고 발명명칭이 "신용점수 모델 훈련 방법，신용 점수 계산 방법，장치 및 서버"인 중국특허출원의 우선권을 제출하는 것을 요구하고 그의 전부내용은 인용을 통해 본 출원에 결합된다.
본 발명의 실시예는 신용평가 분야에 관한 것으로, 특히 신용점수 모델 훈련 방법，신용 점수 계산 방법，장치 및 서버에 관한 것이다.
신용점수는 신용평가기관이 신용점수 모델을 이용하여 개인신용정보에 대한 수량화 분석을 수해하여 점수를 얻는 것이다. 신용점수는 사용자의 개인신용을 나타내기 위한 것이다.
관련 기술에서 신용점수를 계산하기 위한 모델은 주로 FICO(Fair Isaac Company) 란 신용점수 모델이다. FICO 신용점수 모델은 우선 사용자의 개인신용, 성품과 지불능력을 지표로 하며; 각 지표의 등급에 따라 각 지표의 점수를 얻으며; 다른 등급은 다른 점수에 대응하며; 각 지표의 가중치와 점수에 따라 사용자의 신용점수를 계산한다.
본 발명에 따른 실시예를 구현하기 위한 과정에서 발명자는 것을 예로 하여에 대한 문제를 적어도 하기와 같이 발현한다.
FICO 신용점수 모델에 적용된 데이터는 사용자의 개인정보에 대한 것이며, 사용자의 개인정보가 부족하거나 틀리는 경우 사용자의 신용점수를 정확하게 계산하기 어렵다.
사용자의 개인정보가 부족하거나 틀리는 경우 사용자의 신용점수를 정확하게 계산하기 어렵다는 문제를 해결하기 위해 본 발명에 따른 실시예는 신용점수 모델 훈련 방법，신용 점수 계산 방법，장치 및 서버를 하고자 한다. 상기 기술방안은 하기와 같다.
본 발명에 따른 실시예의 첫번째 방면에 있어서, 신용점수 모델 훈련 방법은 제공되고, 상기 방법은,
여러 개의 샘플 사용자의 제 i 차 신용점수, 각각의 상기 샘플 사용자의 제 i 차 관계신용점수, 각각의 상기 샘플 사용자의 디폴트 라벨링 정보를 획득하며, i는 초기값이 1인 양의 정수이며;
각각의 상기 샘플 사용자에 대하여 상기 샘플 사용자의 제 i 차 신용점수, 상기 샘플 사용자의 제 i 차 관계신용점수, 상기 샘플 사용자의 디폴트 라벨링 정보에 의해 신용점수 모델을 훈련하여 상기 샘플 사용자의 제 i+1 차 신용점수를 계산하며;
각각의 상기 샘플 사용자의 제 i+1 차 신용점수가 훈련 종료 조건을 충족하면 훈련이 종료되는 상기 신용점수 모델을 얻는 단계를 포함하고,
그 중, 상기 샘플 사용자의 제 i 차 관계신용점수는 상기 샘플 사용자과 사회관계를 맺은 각각 다른 사용자의 제 i 차 신용점수에 의해 계산되며; 상기 샘플 사용자의 디폴트 라벨링 정보는 상기 샘플 사용자를 분류하기 위한 것이다.
본 발명에 따른 실시예의 두 번째 방면에 있어서, 신용점수 계산 방법은 제공되고, 첫번째 방면에 따른 신용점수 모델에 적용하고 상기 방법은,
각각의 사용자의 제 1 차 신용점수, 각각의 상기 사용자의 제 1 차 관계신용점수를 획득하고, 상기 사용자의 제 1 차 관계신용점수는 상기 사용자과 사회관계를 맺은 각각 다른 사용자의 제 1 차 신용점수에 의해 계산되는 단계;
각각 사용자에 대하여, 상기 사용자의 제 1 차 신용점수와 상기 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 상기 신용점수 모델에 입력하여 상기 사용자의 목표신용점수를 계산하는 단계를 포함한다.
본 발명에 따른 실시예의 셋번째 방면에 있어서, 신용점수 모델 훈련 장치는 제공되고, 상기 장치는,
여러 개의 샘플 사용자의 디폴트 라벨링 정보를 획득하고 각각 상기 샘플 사용자의 제 i 차 신용점수 및 각가 상기 샘플 사용자의 제 i 차 관계신용점수를 획득하기 위하며 i는 초기값이 1인 양의 정수인 정보획득모듈과;
각각의 상기 샘플 사용자에 대하여 상기 샘플 사용자의 제 i 차 신용점수, 상기 샘플 사용자의 제 i 차 관계신용점수, 상기 샘플 사용자의 디폴트 라벨링 정보에 의해 신용점수 모델을 훈련하여 상기 샘플 사용자의 제 i+1 차 신용점수를 계산하는 정보입력모듈과;
각각의 상기 샘플 사용자의 제 i+1 차 신용점수가 훈련 종료 조건을 충족하면 훈련이 종료되는 상기 신용점수 모델을 얻는 모델훈련모듈을 포함하고,
그 중, 상기 샘플 사용자의 제 i 차 관계신용점수는 상기 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 i 차 신용점수에 의해 계산되며; 상기 샘플 사용자의 디폴트 라벨링 정보는 상기 샘플 사용자를 분류하기 위한 것이다.
본 발명에 따른 실시예의 넷번째 방면에 있어서, 신용점수 모델 계산 장치는 제공되고, 셋번째 방면에 따른 신용점수 모델에 적용하고 상기 장치는,
각각 사용자의 제 1 차 신용점수와 각각 상기 사용자의 제 1 차 관계신용점수를 획득하고 상기 사용자의 제 1 차 관계신용점수는 상기 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산되는 신용획득모듈과;
각각 사용자에 대하여, 상기 사용자의 제 1 차 신용점수와 상기 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 상기 신용점수 모델에 입력하여 상기 사용자의 목표신용점수를 계산하는 목표계산모듈을 포함한다.
다섯번째 방면에 있어서, 신용점수 모델 훈련 서버는 제공되고, 상기 서버는,
한 개 또는 다수 개의 처리 장치와;
메모리를 포함하고,
상기 메모리는 한 개 또는 다수 개의 프로그램이 저장되고, 상기 한 개 또는 다수 개의 프로그램은 상기 한 개 또는 다수 개의 처리 장치에 의해 수행되도록 배치되고, 상기 한 개 또는 다수 개의 프로그램은,
여러 개의 샘플 사용자의 제 i 차 신용점수 각가 상기 샘플 사용자의 제 i 차 관계신용점수, 각가 상기 샘플 사용자의 디폴트 라벨링 정보를 획득하는 조작을 수행하기 위한 명령과, i는 초기값이 1인 양의 정수이고;
각각의 상기 샘플 사용자에 대하여 상기 샘플 사용자의 제 i 차 신용점수, 상기 샘플 사용자의 제 i 차 관계신용점수, 상기 샘플 사용자의 디폴트 라벨링 정보를 신용점수 모델을 훈련하여 상기 샘플 사용자의 제 i+1 차 신용점수를 계산하는 조작을 수행하기 위한 명령과;
각각의 상기 샘플 사용자의 제 i+1 차 신용점수가 훈련 종료 조건을 충족하면 훈련이 종료되는 상기 신용점수 모델을 얻은 조작을 수행하기 위한 명령을 포함하고,
그 중, 상기 샘플 사용자의 제 i 차 관계신용점수는 상기 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 i 차 신용점수에 의해 계산되며; 상기 샘플 사용자의 디폴트 라벨링 정보는 상기 샘플 사용자를 분류하기 위한 것이다.
여섯번째 방면에 있어서, 신용점수 모델 계산 서버는 제공되고, 다섯번째 방면에 따른 신용점수 모델에 적용하고 상기 서버는,
한 개 또는 다수 개의 처리 장치와;
메모리를 포함하고,
상기 메모리는 한 개 또는 다수 개의 프로그램이 저장되고, 상기 한 개 또는 다수 개의 프로그램은 상기 한 개 또는 다수 개의 처리 장치에 의해 수행되도록 배치되고, 상기 한 개 또는 다수 개의 프로그램은,
각각 사용자의 제 1 차 신용점수와 각각 상기 사용자의 제 1 차 관계신용점수를 획득하고 상기 사용자의 제 1 차 관계신용점수는 상기 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산되는 조작을 수행하기 위한 명령과;
각각 사용자에 대하여, 상기 사용자의 제 1 차 신용점수와 상기 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 상기 신용점수 모델에 입력하여 상기 사용자의 목표신용점수를 계산하는 조작을 수행하기 위한 명령을 포함한다.
본 발명의 실시예에 따른 기술방안은,
여러 개 샘플 사용자의 제 i 차 신용점수, 각각 샘플 사용자의 제 i 차 관계신용점수, 각각 샘플 사용자의 디폴트 라벨링 정보를 획득하며; 각각 샘플 사용자에 대하여, 샘플 사용자의 제 i 차 신용점수, 샘플 사용자의 제 i 차 관계신용점수, 샘플 사용자의 디폴트 라벨링 정보에 의해 신용점수 모델을 훈련하여 샘플 사용자의 제 i+1 차 신용점수를 계산하며; 각각 샘플 사용자의 제 i+1 차 신용점수가 훈련조건을 충족하면 훈련이 종료되는 신용점수 모델을 얻으며, 사용자의 개인정보가 부족하거나 틀리는 경우 사용자의 신용점수를 정확하게 계산하기 어렵다는 문제를 해결하며; 사용자 개인의 신용점수와, 사용자와 사회관계를 맺은 다른 사용자의 신용점수를 모두 통계하여 사용자의 목표신용점수에 대해 종합적으로 계산함으로써 신용점수 모델의 커버리지 범위를 넓히고 사용자의 신용점수를 계산하는 정확성을 높이는 효과를 이룬다.
본 발명에 따른 실시예의 기술방안에 대해 더욱 명확하게 설명하기 위해 실시예를 설명하기 위한 도면을 하기와 같이 간단하게 설명하기로 하며, 하기 도면이 본 발명에 따른 실시예의 일부일 뿐인 것은 자명하고, 본 기술분야의 당업자에게 있어서, 진보성 노동을 하지 않은 전제 아래서 이 도면들에 근거하여 다른 도면을 얻는다.
도1은 본 발명의 일 예시적인 실시예에 따른 신용점수 모델 훈련 방법의 흐름 차트 도면이다.
도2a는 본 발명의 다른 예시적인 실시예에 따른 신용점수 모델 훈련 방법의 흐름 차트 도면이다.
도2b는 본 발명의 일 예시적인 실시예에 따른 관계신용점수 계산방법의 흐름 차트 도면이다.
도2c는 본 발명의 일 예시적인 실시예에 따른 신용점수 모델 훈련에 대한 도면이다.
도3은 본 발명의 일 예시적인 실시예에 따른 신용점수 계산방법의 흐름 차트 도면이다.
도4a는 본 발명의 다른 예시적인 실시예에 따른 신용점수 계산방법의 흐름 차트 도면이다.
도4b는 본 발명의 일 예시적인 실시예에 따른 사이클계산에 대한 종료조건의 흐름 차트 도면이다.
도5는 본 발명의 일 실시예에 따른 신용점수 모델 훈련 장치의 구조에 대한 블록도이다.
도6은 본 발명의 다른 실시예에 따른 신용점수 모델 훈련 장치의 구조에 대한 블록도이다.
도7은 본 발명의 일 실시예에 따른 신용점수 계산 장치의 구조에 대한 블록도이다.
도8은 본 발명의 다른 실시예에 따른 신용점수 계산 장치의 구조에 대한 블록도이다.
도9는 본 발명의 일 실시예에 따른 서버의 구조에 대한 블록도이다.
도1은 본 발명의 일 예시적인 실시예에 따른 신용점수 모델 훈련 방법의 흐름 차트 도면이다.
도2a는 본 발명의 다른 예시적인 실시예에 따른 신용점수 모델 훈련 방법의 흐름 차트 도면이다.
도2b는 본 발명의 일 예시적인 실시예에 따른 관계신용점수 계산방법의 흐름 차트 도면이다.
도2c는 본 발명의 일 예시적인 실시예에 따른 신용점수 모델 훈련에 대한 도면이다.
도3은 본 발명의 일 예시적인 실시예에 따른 신용점수 계산방법의 흐름 차트 도면이다.
도4a는 본 발명의 다른 예시적인 실시예에 따른 신용점수 계산방법의 흐름 차트 도면이다.
도4b는 본 발명의 일 예시적인 실시예에 따른 사이클계산에 대한 종료조건의 흐름 차트 도면이다.
도5는 본 발명의 일 실시예에 따른 신용점수 모델 훈련 장치의 구조에 대한 블록도이다.
도6은 본 발명의 다른 실시예에 따른 신용점수 모델 훈련 장치의 구조에 대한 블록도이다.
도7은 본 발명의 일 실시예에 따른 신용점수 계산 장치의 구조에 대한 블록도이다.
도8은 본 발명의 다른 실시예에 따른 신용점수 계산 장치의 구조에 대한 블록도이다.
도9는 본 발명의 일 실시예에 따른 서버의 구조에 대한 블록도이다.
본 발명의 목적, 기술방안 및 장점을 더욱 명확하게 나타내기 위해 도면을 참조하여 본 발명의 실시방식에 대해 하기와 같이 진일보로 설명하기로 한다.
신용점수는 수학모델을 이용하여 개인의 신용정보에 대한 모델링을 수행하여 얻는 점수이다. 이 점수는 금융분야에서 대출업무에 대한 위험평가를 위한 것이다. 개인신용정보는 사용자 개인에 대한 신용과 관계가 있는 정보아이템이다.
본 발명의 실시예에 따른 신용점수 모델은 주로 사용자의 신용점수와 사용자의 사교관계에 기초하여 계산된 관계신용점수를 이용하여 이 사용자의 목표 신용점수에 대해 종합적으로 계산함으로써 사용자의 개인정보가 부족하거나 틀리는 경우 사용자의 사교관계에 기초하여 계산된 관계신용점수를 이용하여 여전히 이 사용자의 목표 신용점수을 계산할 수 있는 효과를 이룬다. 본 발명의 실시예는 신용점수 모델 훈련 방법의 실시예와 신용점수 모델에 기초하여 사용자 신용점수를 계산하는 시실예를 포함한다. 그 중 신용점수 모델 훈련 방법은 도1과 도2a에 도시된 시실예를 참조하고 신용점수 계산방법은 도3과 도4a에 도시된 시실예를 참조한다.
도1을 참조하여 본 발명의 일 예시적인 실시예에 따른 신용점수 모델 훈련 방법의 흐름 차트 도면을 도시한다. 이 방법은 하기와 같은 단계를 포함한다.
단계101, 여러 개의 샘플 사용자의 제 i 차 신용점수, 각각의 샘플 사용자의 제 i 차 관계신용점수, 각각의 샘플 사용자의 디폴트 라벨링 정보를 획득하고, i는 초기값이 1인 양의 정수이다.
신용점수 모델을 훈련하기 전에, 우선 신용점수 모델을 훈련하기 위한 샘플세트를 획득한다.
그 중 샘플세트는 여러 개의 샘플 사용자의 제 1 차 신용점수, 각각의 샘플 사용자에 대응하는 제 1 차 관계신용점수, 각각의 샘플 사용자의 디폴트 라벨링 정보를 포함한다.
샘플 사용자의 관계신용점수는 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자의 신용점수에 의해 계산된다. 선택적으로는, 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자는 샘플세트 내에 포함된 샘플 사용자일 수도 있고 샘플세트 외에 포함된 사용자일 수도 있다.
샘플 사용자의 디폴트 라벨링 정보는 샘플 사용자의 디폴트 상황를 표시하기 위한 것이다.
단계102, 각각의 샘플 사용자에 대하여 샘플 사용자의 제 i 차 신용점수, 샘플 사용자의 제 i 차 관계신용점수, 샘플 사용자의 디폴트 라벨링 정보에 의해 신용점수 모델을 훈련하여 샘플 사용자의 제 i+1 차 신용점수를 계산한다.
선택적으로는, 샘플 사용자의 제 i+1 차 신용점수를 계산하는 단계는 하기와 같다. i≥2 경우 각각의 샘플 사용자에 대하여 샘플 사용자의 제 i 차 신용점수, 샘플 사용자의 제 i 차 관계신용점수를 미리 설정된 신용점수 모델에 입력하여 샘플 사용자의 제 i+1 차 신용점수를 계산한다.
단계103, 각각의 샘플 사용자의 제 i+1 차 신용점수가 훈련 종료 조건을 충족하면 훈련이 종료되는 신용점수 모델을 얻는다.
결론적으로, 본 실시예에 따른 신용점수 모델 훈련방법은 여러 개의 샘플 사용자의 제 i 차 신용점수, 각각의 샘플 사용자의 제 i 차 관계신용점수, 각각의 샘플 사용자의 디폴트 라벨링 정보를 획득하며; 샘플 사용자의 제 i 차 신용점수, 샘플 사용자의 제 i 차 관계신용점수, 샘플 사용자의 디폴트 라벨링 정보에 의해 신용점수 모델을 훈련하여 샘플 사용자의 제 i+1 차 신용점수를 계산하며; 각각의 샘플 사용자의 제 i+1 차 신용점수가 훈련 종료 조건을 충족하면 훈련이 종료되는 신용점수 모델을 얻으며; 사용자의 개인정보가 부족하거나 틀리는 경우 사용자의 신용점수를 정확하게 계산하기 어렵다는 문제를 해결하며; 사용자 개인의 신용점수와, 사용자와 사회관계를 맺은 다른 사용자의 신용점수를 모두 통계하여 이 사용자의 목표신용점수에 대해 종합적으로 계산함으로써 신용점수 모델의 커버리지 범위를 넓히고 사용자의 신용점수를 계산하는 정확성을 높이는 효과를 이룬다.
도2a를 참조하여 본 발명의 다른 예시적인 실시예에 따른 신용점수 모델 훈련 방법의 흐름 차트 도면을 도시한다. 이 방법은 하기와 같은 단계를 포함한다.
단계201, 샘플세트를 획득한다.
그 중 샘플세트는 여러 개 샘플 사용자의 표지와 각각 샘플 사용자의 디폴트 라벨링 정보를 포함한다.
샘플 사용자의 표지는 샘플 사용자를 구분하기 위한 것으로 예를 들면, 샘플세트는 100개의 샘플 사용자를 포함한 경우 각각 샘플 사용자의 표지는 user1, user2, user3, ......user100이다.
샘플 사용자의 디폴트 라벨링 정보는 사용자의 디폴트 상황을 표시하기 위한 것으로 예를 들면, 샘플세트에 포함된 샘플 사용자의 디폴트 라벨링 정보는 user1(1), user2(0), user3(0), ......user100(1)이고, 그 중 괄호에 포함된 1은 샘플 사용자가 디폴트 상황이 존재하는 것을 표시하고, 디폴트 류에 속하며; 괄호에 포함된 0은 샘플 사용자가 디폴트 상황이 존재하지 않은 것을 표시하고, 비-디폴트 류에 속한다. user1(1)은 샘플 사용자 user1이 디폴트 류에 속하고 user2(0)는 샘플 사용자 user2가 비-디폴트 류에 속하고 user3(0)은 샘플 사용자 user3이 비-디폴트 류에 속하고 user100(1)은 샘플 사용자 user100이 디폴트 류에 속한다.
선택적으로는, 샘플 사용자의 디폴트 라벨링 정보는 샘플 사용자의 신용점수에 따라 샘플 사용자의 디폴트 상황에 대해 라벨링을 할 수도 있고 샘플 사용자의 실제적인 디폴트 상황에 따라 라벨링을 할 수도 있는 것으로 본 실시예는 이에 대해 한정하지 않는다.
예시적으로, 샘플 사용자의 신용점수에 따라 샘플 사용자의 디폴트 상황에 대해 라벨링을 하는 것을 예로 하여 설명하기로 한다. 예를 들면, 관련 기술 중 FICO 신용점수 모델을 이용하여 각각 샘플 사용자의 신용점수를 계산하고, 계산된 샘플 사용자의 신용점수에 따라 샘플 사용자의 디폴트 상황에 대해 라벨링을 한다. FICO 신용점수 모델은 채점범위가 300-800점이고, 신용점수가 550점 이상인 샘플 사용자에 대해 비-디폴트 라벨링을 하고 신용점수가 550점 미만인 샘플 사용자에 대해 디폴트 라벨링을 한다. 샘플 사용자1의 신용점수가 580이고 샘플 사용자2의 신용점수가 450이고, 샘플 사용자3의 신용점수가 480이고, 샘플 사용자4의 신용점수가 600이고, 샘플 사용자5의 신용점수가 700인 경우, 샘플 사용자1에 대해 비-디폴트 라벨링을 하고, 샘플 사용자2에 대해 디폴트 라벨링을 하고, 샘플 사용자3에 대해 디폴트 라벨링을 하고, 샘플 사용자4에 대해 비-디폴트 라벨링을 하고, 샘플 사용자5에 대해 비-디폴트 라벨링을 한다. 따라서, 샘플 사용자1, 샘플 사용자4, 샘플 사용자5를 한 종류, 즉 비-디폴트 류로 나누고 샘플 사용자2, 샘플 사용자3을 다른 종류, 즉 디폴트 류로 나눌 수 있다.
단계202, 여러 개 샘플 사용자의 제 i 차 신용점수를 획득하고, i는 초기값이 1인 양의 정수이다.
i=1인 경우, 이 단계는 하기와 같다. 각각 샘플 사용자의 개인정보에 따라 각각 샘플 사용자의 제 1 차 신용점수를 계산하며; 예를 들면, 샘플 사용자의 신용, 성품, 지불능력에 따라 샘플 사용자의 제 1 차 신용점수를 계산하고, FICO 신용점수 모델의 계산과정과 같다. 선택적으로는, 개인신용에 따라 제 1 차 신용점수를 계산할 수 없는 샘플 사용자가 존재하는 경우, 샘플 사용자의 제 1 차 관계신용점수를 샘플 사용자의 제 1 차 신용점수로 결정한다. 그 중 제 1 차 관계신용점수는 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산된 것이다.
i≥2인 경우, 단계208에서 계산된 각각 샘플 사용자의 제 i 차 신용점수를 획득한다.
단계203, 각각 샘플 사용자의 제 i 차 관계신용점수를 획득한다.
샘플 사용자의 제 1 차 관계신용점수는 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산된 것이다.
선택적으로는, 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자가 샘플세트 내에 포함된 다른 샘플 사용자일 수도 있고 샘플세트 외에 포함된 사용자일 수도 있다.
선택적으로는, 각각 샘플 사용자에 대하여, 각각 샘플 사용자와 사회관계를 맺은 다른 사용자의 개수가 같을 수도 있고 다를 수도 있다. 예를 들면, 샘플 사용자 A와 사회관계를 맺은 다른 사용자가 50개이고, 50개 사용자가 샘플세트 내에 포함되며; 샘플 사용자 B와 사회관계를 맺은 다른 사용자가 60개이고, 그 중 20개 사용자가 샘플세트 내에 포함되고 40개 사용자가 샘플세트 외에 포함되며; 샘플 사용자 C와 사회관계를 맺은 다른 사용자가 60개이고, 40개 사용자가 샘플세트 내에 포함되고 20개 사용자가 샘플세트 외에 포함된다. 각각 샘플 사용자와 사회관계를 맺은 다른 사용자의 개수를 구체적으로 한정하지 않는다.
도2b에 도시된 바와 같이, 선택적으로는, 단계203에서 획득된 각각 샘플 사용자의 제 i 차 관계신용점수는 하기와 같은 단계를 통해 얻을 수 있다.
단계203a, 각각 샘플 사용자의 사회연결망을 획득한다.
사회연결망은 샘플 사용자가 다른 사용자와 맺은 사회관계를 뜻한다. 그 중 사회관계는 현실 사회에서 맺은 사회관계, 예를 들면, 가족관계, 동료관계, 동창관계 등을 포함할 수도 있고, 소셜 툴에서 맺은 일촌 관계 또는 팔로우 관계, 예를 들면, 위챗의 친구관계, QQ의 친구관계, 웨이보의 친구관계, 같은 그룹의 친구관계, 웨이보의 팔로우 관계 등을 포함할 수도 있다.
샘플세트 내에 포함된 샘플 사용자의 표지를 따라 각각 샘플 사용자에 대응하는 사회연결망을 획득한다. 즉, 각각 샘플 사용자가 다른 사용자와 맺은 사회관계를 획득한다.
단계203b, 사회연결망에 따라 각각 샘플 사용자에 대응하는 각각 다른 사용자의 제 i 차 신용점수를 획득한다.
각각 샘플 사용자에 대하여, 샘플 사용자의 사회연결망에 따라 샘플 사용자에 대응하는 각각 다른 사용자의 제 i 차 신용점수를 획득한다.
단계203c, 획득된 각각 다른 사용자의 제 i 차 신용점수에 따라 각각 샘플 사용자의 제 i 차 관계신용점수를 계산한다.
일반적으로, 각각 샘플 사용자의 관계신용점수를 계산하는 것은 하기와 같이 두 가지의 실현방식을 포함한다.
한 가지의 가능한 실현방식으로, 이 단계는 하기와 같다. 각각 샘플 사용자에 대하여, 획득된 각각 다른 사용자의 제 i 차 신용점수에 따라 샘플 사용자에 대응하는 각각 다른 사용자의 제 i 차 신용점수의 평균값을 계산하며, 계산된 평균값을 샘플 사용자의 제 i 차 관계신용점수로 결정한다.
예를 들면, 샘플 사용자1의 제 1 차 신용점수는 350이고, 샘플 사용자1과 사회관계를 맺은 각각 다른 사용자는 대응된 제 1 차 신용점수이 400인 다른 사용자1과, 대응된 제 1 차 신용점수이 400인 다른 사용자2와, 대응된 제 1 차 신용점수이 500인 다른 사용자3과, 대응된 제 1 차 신용점수이 600인 다른 사용자4를 포함하면, 샘플 사용자1의 제 1 차 관계신용점수는 475이고, 구체적인 계산수식은 (400+400+500+600)/4＝1900/4＝475이다. 이에 따라, 샘플 사용자1의 제 i 차 관계신용점수는 샘플 사용자1과 사회관계를 맺은 각각 다른 사용자의 제 i 차 신용점수에 의해 계산된다. 마찬가지로, 각각 샘플 사용자1의 제 i 차 관계신용점수를 계산할 수 있다.
다른 한 가지의 가능한 실현방식으로, 샘플 사용자에 대응하는 각각 다른 사용자의 제 i 차 신용점수와 각각 다른 사용자에 대응하는 가중치에 의해 각각 샘플 사용자의 관계신용점수를 계산하며 구체적으로 하기와 같은 단계를 포함한다.
제 1 하위 단계는 각각 샘플 사용자에 대하여, 사회연결망에 따라 각각 다른 사용자에 대응하는 가중치를 획득한다. 그 중 각각 다른 사용자에 대응하는 가중치는 각각 다른 사용자의 제 1 차 신용점수가 샘플 사용자의 관계신용점수를 계산할 때 차지하는 비중을 뜻한다. 각각 다른 사용자에 대응하는 가중치는 사교관계유형에 따라 결정될 수 있고, 예를 들면, 샘플 사용자와 가족관계를 맺은 다른 사용자에 대응하는 가중치가 동창관계를 맺은 다른 사용자에 대응하는 가중치보다 크며; 친밀도에 의해 결정될 수도 있고, 예를 들면, 샘플 사용자와의 통신빈도가 높은 다른 사용자에 대응하는 가중치가 통신빈도가 낮은 다른 사용자에 대응하는 가중치보다 크며; 사회관계를 유지하는 시간 길이에 의해 결정될 수도 있고, 예를 들면, 샘플 사용자와의 사회관계를 길게 유지하는 다른 사용자에 대응하는 가중치가 사회관계를 짧게 유지하는 다른 사용자에 대응하는 가중치보다 큰다. 본 실시예에서 샘플 사용자와 사회관계를 맺은 다른 사용자에 대응하는 가중치를 결정하는 방식에 대해 구체적인 한정을 하지 않는다.
제 2 하위 단계는 각각 다른 사용자의 제 i 차 신용점수와 각각 다른 사용자에 대응하는 가중치에 의해 샘플 사용자의 제 i 차 관계신용점수를 계산한다. 구체적인 계산수식은 하기와 같다.
그 중, score_fri_avg는 샘플 사용자의 제 i 차 관계신용점수이고, friend_score_j는 샘플 사용자와 사회관계를 맺은 j번쩨 다른 사용자의 제 i 차 신용점수이고, op_j는 샘플 사용자와 사회관계를 맺은 j번쩨 다른 사용자에 대응하는 가중치이다.
예를 들면, 샘플 사용자1의 제 1 차 신용점수는 350이고, 샘플 사용자1과 사회관계를 맺은 각각 다른 사용자는 대응된 제 1 차 신용점수이 400이고 대응된 가중치가 0.2인 다른 사용자1과, 대응된 제 1 차 신용점수이 400이고 대응된 가중치가 0.4인 다른 사용자2과, 대응된 제 1 차 신용점수이 500이고 대응된 가중치가 0.3인 다른 사용자3과, 대응된 제 1 차 신용점수이 600이고 대응된 가중치가 0.3인 다른 사용자4를 포함하면, 샘플 사용자1의 제 1 차 신용점수는 475이고, 구체적인 계산수식은 (400*0.2+400*0.4+500*0.3+600*0.3)/(0.2+0.4+0.3+0.3)＝570/1.2＝475이다. 이에 따라, 샘플 사용자1의 제 i 차 관계신용점수는 샘플 사용자1과 사회관계를 맺은 각각 다른 사용자의 제 i 차 신용점수와 각각 다른 사용자에 대응하는 가중치에 의해 계산된다. 마찬가지로, 각각 샘플 사용자1의 제 i 차 관계신용점수를 계산할 수 있다.
단계204, 각각 샘플 사용자에 대하여, 샘플 사용자의 제 i 차 신용점수, 샘플 사용자의 제 i 차 관계신용점수, 샘플 사용자의 디폴트 라벨링 정보에 의해 신용점수 모델을 훈련하여 샘플 사용자의 제 i+1 차 신용점수를 계산한다.
i＝1인 경우, 각가 샘플 사용자에 대하여, 샘플 사용자의 제 1 차 신용점수, 샘플 사용자의 제 1 차 관계신용점수, 샘플 사용자의 디폴트 라벨링 정보에 의해 신용점수 모델을 훈련하여 샘플 사용자의 제 2 차 신용점수를 계산한다.
제 1 반복을 수행할 때, 단계202에서 획득된 각각 샘플 사용자의 제 1 차 신용점수와 단계202에서 획득된 각각 샘플 사용자의 제 1 차 관계신용점수를 특징변수로 하여 각각 샘플 사용자의 디폴트 라벨링 정보를 목표변수로 하여 신용점수 모델을 훈련한다. 그 중 로지스틱 회귀, 신경 네트워크 또는 결정 트리 등 방법을 통해 신용점수 모델을 훈련할 수 있고 본 실시예는 이를 한정하지 않은다. 신용점수 모델을 훈련하여 얻은 후 신용점수 모델을 통해 각각 샘플 사용자의 제 2 차 신용점수를 계산할 수 있다.
i≥2인 경우, 각각 샘플 사용자에 대하여, 샘플 사용자의 제 i 차 신용점수와 샘플 사용자의 제 i 차 관계신용점수에 의해 신용점수 모델을 훈련하여 샘플 사용자의 제 i+1 차 신용점수를 계산한다.
선택적으로는, 제 i 차 반복을 수행할 때, 획득된 각각 샘플 사용자의 제 i 차 신용점수와 각각 샘플 사용자의 제 i 차 관계신용점수를 특징변수로 하여 신용점수 모델을 훈련하고 신용점수 모델에서 알고리즘을 통해 각각 샘플 사용자의 제 i+1 차 신용점수를 계산하며 다시 각각 샘플 사용자의 디폴트 라벨링 정보를 입력할 필요가 없다.
선택적으로는, 샘플 사용자의 제 i 차 신용점수와 제 i 차 관계신용점수에 의해 이 샘플 사용자의 제 i+1 차 신용점수를 계산하는 수식은 하기와 같다.
new_score＝f(score,score_fri_avg)
그 중, new_score은 샘플 사용자의 제 i+1 차 신용점수이고, score은 샘플 사용자의 제 i 차 신용점수이고, score_fri_avg는 샘플 사용자의 제 i 차 관계신용점수이고, f함수는 훈련을 통해 얻는 신용점수 모델이다.
선택적으로는, 계산을 통해 얻은 각각 샘플 사용자의 제 i+1 차 신용점수에 의해 샘플 사용자를 분류할 수 있다. 각각 샘플 사용자의 디폴트 라벨링 정보와 계산을 통해 얻은 각각 샘플 사용자의 제 i+1 차 신용점수에 의해 각각 샘플 사용자의 신용점수와 디폴트 라벨링 정보가 연결을 갖게 되어 신용점수 모델을 이용할 때 사용자를 정확히 분류할 수 있다.
단계205, 각각 샘플 사용자의 제 i+1 차 신용점수와 각각 샘플 사용자의 제 i 차 신용점수 사이의 상관 계수를 계산한다.
단계204에서 각각 샘플 사용자의 제 i+1 차 신용점수를 계산된 후, 각각 샘플 사용자의 제 i+1 차 신용점수와 각각 샘플 사용자의 제 i 차 신용점수 사이의 상관 계수를 계산한다.
선택적으로는, 샘플 사용자의 제 i+1 차 신용점수와 샘플 사용자의 제 i 차 신용점수 사이의 상관 계수를 계산하는 수식은 하기와 같다.
cor＝correlation_coefficient(score,new_score)
그 중, cor은 샘플 사용자의 제 i+1 차 신용점수와 샘플 사용자의 제 i 차 신용점수 사이의 상관 계수이고, score은 각각 샘플 사용자의 제 i 차 신용점수이고, new_score은 각각 샘플 사용자의 제 i+1 차 신용점수이다.
예를 들면, 신용점수 모델 훈련에 참가하는 샘플 사용자는 100개가 있고, 모든 샘플 사용자의 제 i+1 차 신용점수의 집합은 X이고 모든 샘플 사용자의 제 i 차 신용점수의 집합은 Y이고, 각각 샘플 사용자의 제 i+1 차 신용점수와 각각 샘플 사용자의 제 i 차 신용점수 사이의 상관 계수는 상관 계수 계산 수식을 통해 집합X와 집합Y 사이의 상관 계수를 계산한다.
단계206, 상관 계수가 제 1 임계치보다 크는지 여부를 검사한다.
각각 샘플 사용자의 제 i+1 차 신용점수와 각각 샘플 사용자의 제 i 차 신용점수 사이의 상관 계수를 계산한 후, 이 상관 계수와 제 1 임계치를 비교하여 각각 샘플 사용자의 제 i+1 차 신용점수와 각각 샘플 사용자의 제 i 차 신용점수 사이의 상관성을 계산한다.
단계207, 상관 계수가 제 1 임계치보다 크면 훈련이 종료되는 신용점수 모델을 얻는다.
각각 샘플 사용자의 제 i+1 차 신용점수와 각각 샘플 사용자의 제 i 차 신용점수 사이의 상관 계수가 제 1 임계치보다 크면 각각 샘플 사용자의 제 i 차 신용점수와 제 i+1 차 신용점수는 같은 경향이 있고 모델 훈련 과정을 종료하며, 현재의 신용점수 모델은 훈련을 종료한 신용점수 모델이고 각각 샘플 사용자의 제 i+1 차 신용점수는 신용점수 모델으로 계산된 목표 신용점수이다.
단계208, 상관 계수가 제 1 임계치보다 작으면 i=i+1을 시키고 다시 단계202를 수행한다.
선택적으로는, 상관 계수가 제 1 임계치보다 작으면 각각 샘플 사용자의 제 i+1 차 신용점수를 입력하고 다시 사회연결망에 따라 각각 샘플 사용자에 대응하는 각각 다른 사용자의 제 i+1 차 신용점수를 획득한다. 그러나, 수행과정을 순환하는 과정에서 단계204에 대하여 각각 샘플 사용자의 제 i+1 차 신용점수와 각각 샘플 사용자의 제 i+1 차 관계신용점수를 입력하기만 하면 되고 각각 샘플 사용자의 디폴트 라벨링 정보를 입력하지 않다.
이해를 돕기 위해, 도2c는 도2의 실시예에 따른 단계201 내지 단계208에 도시된 신용점수 모델 훈련에 대한 구조도이다.
결론적으로, 본 실시예에 따른 신용점수 모델 훈련 방법은 여러 개 샘플 사용자의 제 i 차 신용점수, 각각 샘플 사용자의 제 i 차 관계신용점수, 각각 샘플 사용자의 디폴트 라벨링 정보를 획득하며; 샘플 사용자의 제 i 차 신용점수, 샘플 사용자의 제 i 차 관계신용점수, 샘플 사용자의 디폴트 라벨링 정보에 의해 신용점수 모델을 훈련하여 샘플 사용자의 제 i+1 차 신용점수를 계산하며; 각각 샘플 사용자의 제 i+1 차 신용점수가 훈련조건을 충족하면 훈련이 종료되는 신용점수 모델을 얻으며, 사용자의 개인정보가 부족하거나 틀리는 경우 사용자의 신용점수를 정확하게 계산하기 어렵다는 문제를 해결하며; 사용자 개인의 신용점수와, 사용자와 사회관계를 맺은 다른 사용자의 신용점수를 모두 통계하여 사용자의 목표신용점수에 대해 종합적으로 계산함으로써 신용점수 모델의 커버리지 범위를 넓히고 사용자의 신용점수를 계산하는 정확성을 높이는 효과를 이룬다.
또한, 개인신용정보에 의해 제 1 차 신용점수를 계산할 수 없는 샘플 사용자가 존재하는 경우, 샘플 사용자의 제 1 차 관계신용점수를 상기 샘플 사용자의 제 1 차 신용점수로 결정하며, 사용자의 개인정보가 부족하는 경우에도 사용자의 관계신용점수에 의해 사용자의 신용점수를 얻는 효과를 이룬다.
보충 설명은 아래와 같다. 단계203b에서 사회연결망에 따라 각각 샘플 사용자에 대응하는 각각 다른 사용자의 제 i 차 신용점수를 획득하고 하기와 같이 설명한다.
i＝1인 경우, 사회연결망에 따라 각각 샘플 사용자의 각각 다른 사용자의 제 1 차 신용점수를 획득한다.
선택적으로는, 각각 다른 사용자의 제 1 차 신용점수는 본 실시예에 따른 신용점수 모델을 훈련하기 전에 개인정보의 신용점수 모델에 기초하여 계산되는 각각 다른 사용자의 신용점수이다. 몰론, 다른 기존 신용점수 모델로 계산된 신용점수가 존재하면 다른 사용자의 제 1 차 신용점수로 할 수도 있고, 본 실시예는 이에 대해 한정하지 않는다.
i≥2인 경우, 사회연결망에 따라 각각 샘플 사용자에 대응하는 각각 다른 사용자의 제 i 차 신용점수를 획득한다.
신용점수를 훈련하는 과정에서, 샘플 사용자와 사회관계를 맺은 다른 사용자가 샘플세트에 포함된 다른 샘플 사용자일 수 있으모로 제 i 반복 과정에서 다른 사용자의 제 i 차 신용점수가 변화할 가능성이 있어 제 i 반복을 수행할 때 사회연결망에 따라 각각 샘플 사용자에 대응하는 각각 다른 사용자의 제 i 차 신용점수를 획득할 필요가 있다. 샘플 사용자와 사회관계를 맺은 다른 사용자가 샘플세트에 포함된 다른 샘플 사용자가 아니면 제 i 반복 과정에서 다른 사용자의 제 i 차 신용점수가 변화하지 않으므로 제 i 반복을 수행할 때 사회연결망에 따라 이 샘플 사용자에 대응하는 각각 다른 사용자의 제 i 차 신용점수를 획득할 필요가 없고 사회연결망에 따라 획득된 각각 다른 사용자의 제 1 차 신용점수를 이용하면 된다.
예를 들면, 신용점수 모델을 훈련하는 과정에서 얻어진 샘플 사용자 A와 사회관계를 맺은 다른 사용자1과 다른 사용자2가 모두 샘플세트에 포함된 다른 샘플 사용자이며; 다른 사용자1의 제 1 차 신용점수는 350이고, 다른 사용자2의 제 1 차 신용점수는 400이며; 제 i 반복을 거친후 다른 사용자1의 제 2 차 신용점수는 380이고, 다른 사용자2의 제 2 차 신용점수는 390이고, 즉, 다른 사용자1과 다른 사용자2가 샘플세트에 포함된 다른 샘플 사용자이므로 제 1 반복 과정에서 다른 사용자1과 다른 사용자2의 제 2 차 신용점수가 변화한다. 제 2 반복을 수행할 때 사회연결망에 따라 샘플 사용자A에 대응하는 각각 다른 사용자의 제 2 차 신용점수를 획득할 필요가 있다. 이에 따라 제 i 반복을 수행할 때 사회연결망에 따라 샘플 사용자A에 대응하는 각각 다른 사용자의 제 i 차 신용점수를 획득할 필요가 있다.
구체적인 예중에서, 100개 대출자를 샘플 사용자로 하는 것을 가정한다.
우선 각각 대출자의 표지, 각각 대출자의 표지에 대응하는 제 1 차 신용점수, 각각 대출자의 디폴트 라벨링 정보를 획득한다. 예를 들면, 대출자1에 대응하는 신용점수가 350이고 디폴트 라벨링을 하고, 대출자2에 대응하는 신용점수가 400이고 디폴트 라벨링을 하고, 대출자3에 대응하는 신용점수가 600이고 비-디폴트 라벨링을 하고, 대출자4에 대응하는 신용점수가 650이고 비-디폴트 라벨링을 하고; …；대출자100에 대응하는 신용점수가 440이고 디폴트 라벨링을 한다.
다시 각각 대출자의 표지에 대응하는 각각 친구의 신용점수를 획득한다. 예를 들면, 대출자1에 대응하는 각각 친구는 친구1, 친구2, 친구3 및 친구4를 포함하고, 친구1은 대응된 신용점수가 600이고 가중치가 0.4이고, 친구2은 대응된 신용점수가 400이고 가중치가 0.4이고, 친구3은 대응된 신용점수가 500이고 가중치가 0.2이고, 친구4은 대응된 신용점수가 700이고 가중치가 0.5이며; 그 중 친구1은 샘플 사용자 중의 대출자3이고 친구2는 샘플 사용자 중의 대출자2이다. 마찬가지로, 각각 대출자에 대응하는 각각 친구의 신용점수와 각각 친구의 가중치를 획득할 수 있다.
각각 대출자에 대응하는 각각 친구의 신용점수에 의해 각각 대출자에 대응하는 제 1 차 관계신용점수를 계산한다. 예를 들면, 대출자1에 대응하는 제 1 차 관계신용점수는 대출자에 대응하는 각각 친구의 신용점수와 각각 친구에 대응하는 가중치에 의해 획득될 수 있고, 구체적인 계산수식은 (600*0.4+400*0.4+500*0.2+700*0.5)/(0.4+0.4+0.2+0.5)＝567이다. 따라서, 대출자1에 대응하는 제 1 차 관계신용점수는 567이다. 마찬가지로, 각각 대출자에 대응하는 제 1 차 관계신용점수를 계산할 수 있다.
100개의 대출자의 제 1 차 신용점수, 100개의 대출자에 대응하는 제 1 차 관계신용점수, 100개의 대출자에 대응하는 디폴트 라벨링 정보를 미리 설정된 신용점수 모델에 입력하며 신용점수 모델은 내부 알고리즘에 의해 각각 대출자에 대응하는 제 2 차 신용점수를 계산한다. 예를 들면, 대출자1의 제 1 차 신용점수, 제 1 차 관계신용점수 및 디폴트 라벨링 정보, 대출자2의 제 1 차 신용점수, 제 1 차 관계신용점수 및 디폴트 라벨링 정보, ... , 대출자100의 제 1 차 신용점수, 제 1 차 관계신용점수 및 디폴트 라벨링 정보를 동시에 미리 설정된 신용점수 모델에 입력하여 신용점수 모델에 의해 각각 대출자1 내지 대출자100에 대응하는 제 2 차 신용점수를 계산한다.
100개의 대출자에 대응하는 제 2 차 신용점수와 100개의 대출자에 대응하는 제 1 차 신용점수 사이의 상관 계수를 계산한다. 예를 들면, 단계206에서 보이는 수식에 의해 각각 대출자1 내지 대출자100에 대응하는 제 2 차 신용점수와 각각 대응하는 제 1 차 신용점수 사이의 상관 계수를 계산한다.
상관 계수가 제 1 임계치보다 크면 훈련이 종료되는 신용점수 모델을 얻으며, 상관 계수가 제 1 임계치보다 작으면 계산을 통해 얻은 대출자1 내지 대출자100 각각에 대응하는 제 2 차 신용점수와 다시 계산을 통해 얻은 각각에 대응하는 제 2 차 관계신용점수를 계속적으로 미리 설정된 신용점수 모델에 입력하며 계속적으로 대출자1 내지 대출자100 각각에 대응하는 제 3 차 신용점수를 계산한다. 계산을 통해 얻은 각각 대출자에 대응하는 제 i+1 차 신용점수와 제 i 차 신용점수 사이의 상관 계수가 제 1 임계치보다 클 때까지 훈련이 종료되는 신용점수 모델을 얻는다.
도2a에 도시된 실시예에 기초하여 훈련이 종료되는 신용점수 모델을 얻은 후, 신용점수 모델에 사용자의 신용점수와 사용자의 관계신용점수를 입력함으로써 사용자의 목표신용점수를 계산할 수 있다. 구체적인 단계는 도3의 실시예를 참조한다.
도3을 참조하여, 본 발명의 일 예시적인 실시예에 따른 신용점수 계산방법의 흐름 차트 도면을 도시한다. 이 방법은 하기와 같은 단계를 포함한다.
단계301, 각각 사용자의 제 1 차 신용점수와 각각 사용자의 제 1 차 관계신용점수를 획득한다.
사용자의 제 1 차 관계신용점수는 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산된다. 사용자의 제 1 차 관계신용점수의 상세한 계산과정은 도2a 실시예에서의 단계203에 보이는 바와 같다.
신용점수 모델을 이용하여 사용자의 목표신용점수를 계산할 때, 우선 목표신용점수를 계산할 필요가 있는 각각 사용자의 제 1 차 신용점수와 각각 사용자의 제 1 차 관계신용점수를 획득한다.
단계302, 각각 사용자에 대하여, 이 사용자의 제 1 차 신용점수와 이 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 신용점수 모델에 입력하여 이 사용자의 목표신용점수를 계산한다.
결론적으로, 본 실시예에 따른 신용점수 계산방법은 각각 사용자의 제 1 차 신용점수와 각각 사용자의 제 1 차 관계신용점수를 획득하며; 각각 사용자의 제 1 차 신용점수와 제 1 차 관계신용점수를 신용점수 모델에 입력하여 이 사용자의 목표신용점수를 계산하며; 사용자의 개인정보가 부족하거나 틀리는 경우 사용자의 신용점수를 정확하게 계산하기 어렵다는 문제를 해결하며; 사용자 개인의 신용점수와, 사용자와 사회관계를 맺은 다른 사용자의 신용점수를 모두 통계하여 이 사용자의 목표신용점수에 대해 종합적으로 계산함으로써 신용점수 모델의 커버리지 범위를 넓히고 사용자의 신용점수를 계산하는 정확성을 높이는 효과를 이룬다.
도4a를 참조하여, 본 발명의 다른 예시적인 실시예에 따른 신용점수 계산방법의 흐름 차트 도면을 도시한다. 이 방법은 하기와 같은 단계를 포함한다.
단계401, 각각 사용자의 제 1 차 신용점수와 각각 사용자의 제 1 차 관계신용점수를 획득한다.
사용자의 제 1 차 관계신용점수는 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산된다. 사용자의 제 1 차 관계신용점수의 상세한 계산과정은 도2a 실시예에서의 단계203에 보이는 바와 같다.
신용점수 모델을 이용하여 사용자의 목표신용점수를 계산할 때, 우선 목표신용점수를 계산할 필요가 있는 각각 사용자의 제 1 차 신용점수와 각각 사용자의 제 1 차 관계신용점수를 획득한다.
본 실시예에서 사용자의 개수를 한정하지 않는다.
단계402, 각각 사용자에 대하여, 이 사용자의 제 1 차 신용점수와 이 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 신용점수 모델에 입력하여 이 사용자의 제 x 차 신용점수를 계산한다.
각각 사용자에 대하여, 이 사용자의 제 1 차 신용점수와 이 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 신용점수 모델에 입력하며 신용점수 모델의 알고리즘에 따라 이 사용자의 제 1 차 신용점수와 제 1 차 관계신용점수를 분석하여 계산하여 이 사용자의 제 x 차 신용점수를 얻고 x는 양의 정수이다.
선택적으로는, 각각 사용자의 제 1 차 신용점수와 각각 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 신용점수 모델에 입력하여 계산을 통해 얻은 각각 사용자의 제 x 차 신용점수는 신용점수 모델에서 거친 같은 횟수의 반복을 거친 후 계산을 통해 얻은 신용점수이다.
예를 들면, 도2a에 도시된 신용점수 모델 훈련 방법에서 100회의 반복을 거쳐 훈련이 종료되는 신용점수 모델을 얻고, 각각 사용자의 제 1 차 신용점수와 각각 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 신용점수 모델에 입력하면, 계산을 통해 얻은 각각 사용자의 제 x 차 신용점수는 100회의 반복을 거쳐 계산을 통해 얻은 각각 사용자의 신용점수이다.
단계403, 각각 사용자에 대하여, 이 사용자의 제 x 차 신용점수가 미리 설정된 조건을 충족하면 이 사용자의 제 x 차 신용점수를 이 사용자의 목표신용점수로 결정한다.
각각 사용자에 대하여, 계산을 통해 얻은 이 사용자의 제 x 차 신용점수가 미리 설정된 조건을 충족하면 직접적으로 계산을 통해 얻은 사용자의 제 x 차 신용점수를 사용자의 목표신용점수로 결정한다.
선택적으로는, 도4b를 참조하여, 어느 사용자의 제 x 차 신용점수가 미리 설정된 조건을 충족하는지 여부를 확정하는 단계는 하기와 같은 하위 단계를 포함한다.
단계403a, 이 사용자의 제 x 차 신용점수와 이 사용자의 제 x-1 차 신용점수 사이의 차이값을 계산한다.
신용점수 모델을 통해 사용자의 제 x 차 신용점수를 계산한 후 사용자의 제 x 차 신용점수와 제 x-1 차 신용점수 사이의 차이값을 계산한다.
선택적으로는, 사용자의 제 x 차 신용점수와 제 x-1 차 신용점수 사이의 차이값을 계산함으로써 사용자의 제 x 차 신용점수와 제 x-1 차 신용점수 사이의 상관성을 검사하기 위한 것이다. 선택적으로는, 사용자의 개수가 적은 경우, 각각 사용자의 제 x 차 신용점수와 각각 사용자의 제 x-1 차 신용점수 사이의 상관 계수를 계산함으로써 양자의 상관성을 확정한다.
본 실시예는 사용자의 제 x 차 신용점수와 제 x-1 차 신용점수 사이의 차이값을 계산하는 것을 예시적으로 설명하며, 선택적으로는, 사용자의 제 x 차 신용점수와 제 x-1 차 신용점수 사이의 상관 계수를 계산함으로써 확정할 수도 있다.
단계403b, 차이값이 제 2 임계치보다 작은지 여부를 검사한다.
각각 사용자의 제 x 차 신용점수와 제 x-1 차 신용점수 사이의 차이값을 계산한 후, 각각 차이값과 제 2 임계치를 비교하여 각각 사용자의 제 x 차 신용점수와 각각 사용자의 제 x-1 차 신용점수 사이의 상관성을 검사한다.
단계403c, 차이값이 제 2 임계치보다 작으면 이 사용자의 제 x 차 신용점수를 이 사용자의 목표신용점수로 결정한다.
이 사용자의 제 x 차 신용점수와 제 x-1 차 신용점수의 차이값이 제 2 임계치보다 작으면 제 x 차 신용점수가 미리 설정된 조건을 충족하는 것을 확정하며, 이 때 직접적으로 이 사용자의 제 x 차 신용점수를 사용자의 목표신용점수로 결정한다.
이 사용자의 제 x 차 신용점수와 제 x-1 차 신용점수의 차이값이 제 2 임계치보다 작지 않으면 제 x 차 신용점수가 미리 설정된 조건을 충족하지 않는 것을 확정한다. x＝x+1을 시키고 계속적으로 단계402를 수행한다.
즉, 차이값이 제 2 임계치보다 크면 각각 사용자의 제 x 차 신용점수와 각각 사용자의 제 x 차 관계신용점수를 다시 신용점수 모델에 입력하여 계속적으로 각각 사용자의 제 x+1 차 신용점수를 계산한다.
단계404, 각가 사용자에 대하여, 이 사용자의 제 x 차 신용점수가 미리 설정된 조건을 충족하지 않을 때 사용자의 제 x 차 신용점수와 제 x 차 관계신용점수를 신용점수 모델에 입력하여 사용자의 제 x+1 차 신용점수를 계산한다.
사용자의 제 x 차 신용점수가 미리 설정된 조건을 충족하지 않는 것을 때, 다시 사용자의 제 x 차 관계신용점수를 획득하며, 사용자의 제 x 차 신용점수와 사용자의 제 x 차 관계신용점수를 다시 신용점수 모델에 입력하여 계속적으로 사용자의 제 x+1 차 신용점수를 계산한다. 즉, x＝x+1을 시키고 다시 각각 사용자의 제 x 차 신용점수와 각각 사용자의 제 x-1 차 신용점수 사이의 차이값을 계산하는 단계를 수행한다.
결론적으로, 본 실시예에 따른 신용점수 계산방법은 각각 사용자의 제 1 차 신용점수와 각각 사용자의 제 1 차 관계신용점수를 획득하며; 각각 사용자의 제 1 차 신용점수와 제 1 차 관계신용점수를 신용점수 모델에 입력하여 이 사용자의 목표신용점수를 계산하며; 사용자의 개인정보가 부족하거나 틀리는 경우 사용자의 신용점수를 정확하게 계산하기 어렵다는 문제를 해결하며; 사용자 개인의 신용점수와, 사용자와 사회관계를 맺은 다른 사용자의 신용점수를 모두 통계하여 신용점수 모델의 커버리지 범위를 넓히고 사용자의 신용점수를 계산하는 정확성을 높이는 효과를 이룬다.
도5를 참조하여, 본 발명의 일 실시예에 따른 신용점수 모델 훈련 장치의 구조도를 도시한다. 이 신용점수 모델 훈련 장치는 소프트웨어, 하드웨어 또는 양자의 결합으로 구현될 수 있다. 이 신용점수 모델 훈련 장치는
여러 개의 샘플 사용자의 디폴트 라벨링 정보를 획득하고 각각 샘플 사용자의 제 i 차 신용점수 및 각가 샘플 사용자의 제 i 차 관계신용점수를 획득하기 위한 정보획득모듈(520)과,
각각 샘플 사용자에 대하여, 샘플 사용자의 제 i 차 신용점수, 샘플 사용자의 제 i 차 관계신용점수, 샘플 사용자의 디폴트 라벨링 정보에 의해 신용점수 모델을 훈련하여 샘플 사용자의 제 i+1 차 신용점수를 계산하는 정보입력모듈(540)과,
각각 샘플 사용자의 제 i+1 차 신용점수가 훈련 종료 조건을 충족하면 훈련이 종료되는 신용점수 모델을 얻는 모델훈령모듈(560)를 포함한다.
그 중, 샘플 사용자의 제 i 차 관계신용점수는 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 i 차 신용점수에 의해 계산되며; 샘플 사용자의 디폴트 라벨링 정보는 샘플 사용자를 분류하기 위한 것이다.
결론적으로, 본 실시예에 따른 신용점수 모델 훈련장치는 여러 개의 샘플 사용자의 제 i 차 신용점수, 각각의 샘플 사용자의 제 i 차 관계신용점수, 각각의 샘플 사용자의 디폴트 라벨링 정보를 획득하며; 샘플 사용자의 제 i 차 신용점수, 샘플 사용자의 제 i 차 관계신용점수, 샘플 사용자의 디폴트 라벨링 정보에 의해 신용점수 모델을 훈련하여 샘플 사용자의 제 i+1 차 신용점수를 계산하며; 각각의 샘플 사용자의 제 i+1 차 신용점수가 훈련 종료 조건을 충족하면 훈련이 종료되는 신용점수 모델을 얻으며; 사용자의 개인정보가 부족하거나 틀리는 경우 사용자의 신용점수를 정확하게 계산하기 어렵다는 문제를 해결하며; 사용자 개인의 신용점수와, 사용자와 사회관계를 맺은 다른 사용자의 신용점수를 모두 통계하여 사용자의 목표신용점수에 대해 계산함으로써 신용점수 모델의 커버리지 범위를 넓히고 사용자의 신용점수를 계산하는 정확성을 높이는 효과를 이룬다.
도6을 참조하여, 본 발명의 다른 실시예에 따른 신용점수 모델 훈련 장치의 구조 블록도를 도시한다. 이 신용점수 훈련 장치는 소프트웨어, 하드웨어 또는 양자의 결합으로 구현될 수 있다. 이 신용점수 모델 훈련 장치는 하기와 같이 포함한다.
정보획득모듈(610), 여러 개의 샘플 사용자의 디폴트 라벨링 정보를 획득하고 각각 샘플 사용자의 제 i 차 신용점수 및 각가 샘플 사용자의 제 i 차 관계신용점수를 획득하기 위한 것이다.
선택적으로는, i＝1인 경우, 정보획득모듈(610)은 제1계산유닛(611) 또는 제2계산유닛(612)를 포함할 수 있다.
제1계산유닛(611)은 각각 샘플 사용자에 대하여, 이 샘플 사용자의 개인신용정보에 의해 샘플 사용자의 제 1 차 신용점수를 계산한다.
제2계산유닛(612)은 개인신용정보에 의해 제 1 차 신용점수를 계산할 수 없는 샘플 사용자가 존재하는 경우, 샘플 사용자의 제 1 차 관계신용점수를 샘플 사용자의 제 1 차 신용점수로 결정하며, 제 1 차 관계신용점수는 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산된 것이다.
선택적으로는, 정보획득모듈(610)은 사회관계획득유닛(613), 점수획득유닛(614), 관계계산유닛(615)을 포함한다.
사회관계획득유닛(613)은 각각 샘플 사용자의 사회연결망을 획득하기 위한 것이며, 사회연결망은 샘플 사용자가 다른 사용자와 맺은 사회관계를 뜻한다.
점수획득유닛(614)은 사회연결망에 따라 각각 샘플 사용자에 대응하는 각각 다른 사용자의 제 i 차 신용점수를 획득한다.
관계계산유닛(615)은 획득된 각각 다른 사용자의 제 i 차 신용점수에 따라 각각 샘플 사용자의 제 i 차 관계신용점수를 계산한다.
선택적으로는, 관계계산유닛(615)은 제3계산유닛(615a)과 점수결정유닛(615b)을 포함할 수 있다.
제3계산유닛(615a)은 각각 샘플 사용자에 대하여, 샘플 사용자에 대응하는 각각 다른 사용자의 제 i 차 신용점수의 평균값을 계산한다.
점수결정유닛(615b)은 평균값을 샘플 사용자의 제 i 차 관계신용점수로 결정한다.
선택적으로는, 관계계산유닛(615)은 가중치획득유닛(615c)과 제4계산유닛(615d)을 포함할 수 있다.
가중치획득유닛(615c)은 각각 샘플 사용자에 대하여, 사회연결망에 따라 각각 다른 사용자에 대응하는 가중치를 획득한다.
제4계산유닛(615d)은 각각 다른 사용자의 제 i 차 신용점수와 각각 다른 사용자에 대응하는 가중치에 의해 샘플 사용자의 제 i 차 관계신용점수를 계산한다. 구체적인 계산수식은 하기와 같다.
그 중, score_fri_avg는 샘플 사용자의 제 i 차 관계신용점수이고, friend_score_j는 샘플 사용자와 사회관계를 맺은 j번쩨 다른 사용자의 제 i 차 신용점수이고, op_j는 샘플 사용자와 사회관계를 맺은 j번쩨 다른 사용자에 대응하는 가중치이다.
정보입력모듈(620), 각각의 샘플 사용자에 대하여 샘플 사용자의 제 i 차 신용점수, 샘플 사용자의 제 i 차 관계신용점수, 샘플 사용자의 디폴트 라벨링 정보를 미리 설정된 신용점수 모델에 입력하여 샘플 사용자의 제 i+1 차 신용점수를 계산한다.
모델훈련모듈(630), 각각의 샘플 사용자의 제 i+1 차 신용점수가 훈련 종료 조건을 충족하면 훈련이 종료되는 신용점수 모델을 얻는다.
그 중, 샘플 사용자의 제 i 차 관계신용점수는 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 i 차 신용점수에 의해 계산되며; 샘플 사용자의 디폴트 라벨링 정보는 샘플 사용자를 분류하기 위한 것이다.
선택적으로는, 모델훈련모듈(630)은 계수계산유닛(631), 계수검사유닛(632), 훈련종료유닛(633)을 포함할 수 있다.
계수계산유닛(631)은 각각 샘플 사용자의 제 i+1 차 신용점수와 각각 샘플 사용자의 제 i 차 신용점수 사이의 상관 계수를 계산한다.
계수검사유닛(632)은 상관 계수가 제 1 임계치보다 크는지 여부를 검사한다.
훈련종료유닛(633)은 상관 계수가 제 1 임계치보다 크면 훈련이 종료되는 신용점수 모델을 얻는다.
선택적으로는, 신용점수 모델은 로지스틱 회귀 분류 모델 또는 결정 트리 분류 모델 등을 포함한다.
결론적으로, 본 실시예에 따른 신용점수 모델 훈련장치는 여러 개의 샘플 사용자의 제 i 차 신용점수, 각각의 샘플 사용자의 제 i 차 관계신용점수, 각각의 샘플 사용자의 디폴트 라벨링 정보를 획득하며; 샘플 사용자의 제 i 차 신용점수, 샘플 사용자의 제 i 차 관계신용점수, 샘플 사용자의 디폴트 라벨링 정보에 의해 신용점수 모델을 훈련하여 샘플 사용자의 제 i+1 차 신용점수를 계산하며; 각각의 샘플 사용자의 제 i+1 차 신용점수가 훈련 종료 조건을 충족하면 훈련이 종료되는 신용점수 모델을 얻으며; 사용자의 개인정보가 부족하거나 틀리는 경우 사용자의 신용점수를 정확하게 계산하기 어렵다는 문제를 해결하며; 사용자 개인의 신용점수와, 사용자와 사회관계를 맺은 다른 사용자의 신용점수를 모두 통계하여 사용자의 목표신용점수에 대해 계산함으로써 신용점수 모델의 커버리지 범위를 넓히고 사용자의 신용점수를 계산하는 정확성을 높이는 효과를 이룬다.
또한, 개인신용정보에 의해 제 1 차 신용점수를 계산할 수 없는 샘플 사용자가 존재하는 경우, 샘플 사용자의 제 1 차 관계신용점수를 상기 샘플 사용자의 제 1 차 신용점수로 결정하며, 사용자의 개인정보가 부족하는 경우에도 사용자의 관계신용점수에 의해 사용자의 신용점수를 얻는 효과를 이룬다.
도7을 참조하여 본 발명의 일 실시예에 따른 신용점수 계산 장치의 구조블록도를 도시한다. 이 신용점수 계산 장치는 소프트웨어, 하드웨어 또는 양자의 결합으로 구현될 수 있다. 이 신용점수 계산 장치는 하기와 같이 포함한다.
신용획득모듈(720), 각각 사용자의 제 1 차 신용점수와 각각 사용자의 제 1 차 관계신용점수를 획득하고 사용자의 제 1 차 관계신용점수는 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산된다.
목표계산모듈(740), 각각 사용자에 대하여, 사용자의 제 1 차 신용점수와 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 신용점수 모델에 입력하여 사용자의 목표신용점수를 계산한다.
결론적으로, 본 실시예에 따른 신용점수 모델 훈련장치는 각각 사용자의 제 1 차 신용점수, 각각 사용자의 제 1 차 관계신용점수를 획득하며; 각각 사용자의 제 1 차 신용점수, 제 1 차 관계신용점수를 신용점수 모델에 입력하여 이 사용자의 목표신용점수를 계산하며; 사용자의 개인정보가 부족하거나 틀리는 경우 사용자의 신용점수를 정확하게 계산하기 어렵다는 문제를 해결하며; 사용자 개인의 신용점수와, 사용자와 사회관계를 맺은 다른 사용자의 신용점수를 모두 통계하여 사용자의 목표신용점수를 계산함으로써 신용점수 모델의 커버리지 범위를 넓히고 사용자의 신용점수를 계산하는 정확성을 높이는 효과를 이룬다.
도8를 참조하여, 본 발명의 다른 실시예에 따른 신용점수 계산 장치의 구조 블록도를 도시한다. 이 신용점수 계산 장치는 소프트웨어, 하드웨어 또는 양자의 결합으로 구현될 수 있다. 이 신용점수 계산 장치는 하기와 같이 포함한다.
신용획득모듈(820), 각각 사용자의 제 1 차 신용점수와 각각 사용자의 제 1 차 관계신용점수를 획득하고 사용자의 제 1 차 관계신용점수는 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산된다.
목표계산모듈(840), 각각 사용자에 대하여, 사용자의 제 1 차 신용점수와 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 신용점수 모델에 입력하여 사용자의 목표신용점수를 계산한다.
선택적으로는, 목표계산모듈(840)은 미정계산유닛(841)과 목표결정유닛(842)을 포함할 수 있다.
미정계산유닛(841)은 사용자의 제 1 차 신용점수와 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 신용점수 모델에 입력하여 사용자의 제 x 차 신용점수를 계산한다.
목표결정유닛(842)은 사용자의 제 x 차 신용점수가 미리 설정된 조건을 충족하면 사용자의 제 x 차 신용점수를 사용자의 목표신용점수로 결정한다.
선택적으로는, 목표결정유닛(842)은 차이값계산유닛(843), 차이값검사유닛(844), 신용결정유닛(845)을 포함할 수 있다.
차이값계산유닛(843)은 사용자의 제 x 차 신용점수와 사용자의 제 x-1 차 신용점수 사이의 차이값을 계산한다.
차이값검사유닛(844)은 차이값이 제 2 임계치보다 작은지 여부를 검사한다.
신용결정유닛(845)은 차이값이 제 2 임계치보다 작으면 사용자의 제 x 차 신용점수를 사용자의 목표신용점수로 결정한다.
선택적으로는, 이 장치는 사이클입력모듈(860)을 포함할 수도 있다.
사이클입력모듈(860)은 사용자의 제 x 차 신용점수가 미리 설정된 조건을 충족하지 않을 때 사용자의 제 x 차 신용점수와 제 x 차 관계신용점수를 신용점수 모델에 입력하여 사용자의 제 x+1 차 신용점수를 계산한다.
x＝x+1을 시키고 다시 각각 사용자의 제 x 차 신용점수와 각각 사용자의 제 x-1 차 신용점수 사이의 차이값을 계산하는 단계를 수행한다.
결론적으로, 본 실시예에 따른 신용점수 계산 장치는 각각 사용자의 제 1 차 신용점수, 각각 사용자의 제 1 차 관계신용점수를 획득하며; 각각 사용자의 제 1 차 신용점수와 제 1 차 관계신용점수를 신용점수 모델에 입력하여 이 사용자의 목표신용점수를 계산하며; 사용자의 개인정보가 부족하거나 틀리는 경우 사용자의 신용점수를 정확하게 계산하기 어렵다는 문제를 해결하며; 사용자 개인의 신용점수와, 사용자와 사회관계를 맺은 다른 사용자의 신용점수를 모두 통계하여 사용자의 목표신용점수를 계산함으로써 신용점수 모델의 커버리지 범위를 넓히고 사용자의 신용점수를 계산하는 정확성을 높이는 효과를 이룬다.
도9를 참조하여, 본 발명의 일 실시예에 따른 서버의 구조 블록도를 도시한다. 상기 서버(900)는 중앙 처리 장치(CPU)(901), 랜덤 액세스 메모리(RAM)(902)와 판독 전용 메모리(ROM)(903)를 포함하는 시스템 메모리(904), 시스템 메모리(904)과 중앙 처리 장치(901)를 연결하는 시스템 버스(905)를 포함한다. 상기 서버(900)는 컴퓨터 내에 포함된 각각 부품 간의 정보전송을 위한 기본 입출력 시스템(I/O Systems)(906)과, 운영 시스템(913), 응용 프로그램(914), 다른 프로그램 모듈(915)을 저장하기 위한 대용량 저장장치(907)를 더 포함한다.
기본 입출력 시스템(I/O Systems)(906)은 정보를 디스플레이하기 위한 디스플레이 장치(908), 사용자의 정보를 입력하기 위한 마우스, 키보드와 같은 입력장치(909)를 포함한다. 그 중, 상기 디스플레이 장치(908)와 입력장치(907)는 모두 시스템 버스(905)에 연결된 입출력 제어기(910)에 의해 중앙 처리 장치(901)에 연결된다. 기본 입출력 시스템(I/O Systems)(906)은 입출력 제어기(910)를 더 포함할 수 있어 키보드, 마우스 또는 전자식 터치 펜 등의 여러 다른 장치에 의해 입력된 것을 접수하여 처리한다. 마찬가지로, 입출력 제어기(910)는 모니터，프린터 또는 다른 유형의 출력장치를 더 제공한다.
상기 대용량 저장장치(907)는 시스템 버스(905)에 연결된 대용량 저장제어장치(미도시)를 통해 중앙 처리 장치(901)에 연결된다. 상기 대용량 저장장치(907)와 이에 관련된 컴퓨터 판독가능 매체는 서버(900)에 비휘발성 메모리를 제공한다. 즉, 상기 대용량 저장장치(907)는 하드 디스크 또는 CD-ROM 디스크 드라이버와 같은 컴퓨터 판독가능 매체를 포함할 수 있다(미도시).
통상적으로, 상기 컴퓨터 판독가능 매체는 컴퓨터 저장매체와 통신매체를 포함할 수 있다. 컴퓨터 저장매체는 컴퓨터 판독가능 명령, 데이터 구조, 프로그램 모듈 또는 다른 데이터 등의 정보를 저장하기 위한 임의 방법이나 기술으로 구현되는 휘발성 및 비휘발성, 착탈식 및 비착탈식 매체를 포함한다. 컴퓨터 저장매체는 RAM, ROM, EPROM, EEPROM, 플래시 메모리 또는 다른 고체 저장 기술, CD-ROM、DVD 또는 광학 저장, 자기 테이프 카트리지, 자기 테이프, 자기 디스크 저장 또는 다른 자기 저장 장치를 포함한다. 몰론, 본 분야의 기술자는 상기 컴퓨터 저장매체가 상기 몇 가지에 한정되지 않은 것을 알 수 있다. 상기 시스템 메모리(904)와 대용량 저장장치(907)는 저장장치로 통칭할 수 있다.
본발명의 다양한 실시예에 따르면, 상기 서버(900)는 인터넷 등의 네트워크를 통해 인터넷의 원격 컴퓨터에 연결 가능한다. 즉, 서버(900)는 시스템 버스(905)에 연결된 네트워크 인터페이스부(911)를 통해 네트워크(912)에 연결된다. 즉 네트워크 인터페이스부(911)를 이용하여 다른 유형의 네트워크 또는 원격 컴퓨터 시스템(미도시)에 연결될 수 도 있다.
상기 메모리는 한 개 또는 한 개 이상의 프로그램을 포함하고, 상기 한 개 또는 한 개 이상의 프로그램은 메모리에 저장되어, 상기 한 개 또는 한 개 이상의 프로그램은 상기 실시예에 따른 신용점수 모델 훈련 방법 또는 신용점수 계산 방법을 수행하기 위한 것이다.
예시적인 실시예는 명령을 포함하는 비일시적 컴퓨터 판독가능 매체를 더 제공하고, 예를 들면, 명령을 포함하는 메모리를 제공하고, 상기 명령은 모바일 단말기의 프로세서에 의해 수행하여 상기 신용점수 모델 훈련 방법 또는 신용점수 계산 방법을 종료한다. 예를 들면, 상기 비일시적 컴퓨터 판독가능 저장매체는 ROM, 랜덤 액세스 메모리(RAM), CD-ROM, 자기 테이프, 플로피 디스켓, 광학 데이터 저장 장치 등일 수 있다.
설명할 필요가 있는 것으로 상기 시실예에 따른 신용점수 모델 훈련 장치는 신용점수 모델을 훈련할 때, 상기와 같이 상기 각각 기능 모델로 구획되는 것을 예시적으로 설명하였으나 실제로 필요에 따라 상기 기능을 할당하여 서로 다른 기능 모델에 의해 완성될 수 있다. 즉, 장치의 내부구조가 서로 다른 기능 모델로 할당되어 상기와 같이 전부 또는 일부 기능을 완성한다. 또한, 상기 시실예에 따른 신용점수 모델 훈련 장치와 신용점수 모델 훈련 방법 실시예는 같은 사상에 속하고 이의 구체적인 구현 과정은 방법실시예를 상세히 참조하고 여기서 생략하기로 한다.
설명할 필요가 있는 것으로 상기 시실예에 따른 신용점수 모델 계산 장치는 신용점수 모델을 계산할 때, 상기와 같이 상기 각각 기능 모델로 구획되는 것을 예시적으로 설명하였으나 실제로 필요에 따라 상기 기능을 할당하여 서로 다른 기능 모델에 의해 완성될 수 있다. 즉, 장치의 내부구조가 서로 다른 기능 모델로 할당되어 상기와 같이 전부 또는 일부 기능을 완성한다. 또한, 상기 시실예에 따른 신용점수 모델 계산 장치와신용점수 계산 방법 실시예는 같은 사상에 속하고 이의 구체적인 구현 과정은 방법실시예를 상세히 참조하고 여기서 생략하기로 한다.
상기 본 발명의 실시예에서 사용되는 순번은 설명하기 위한 것으로 실시예의 우열을 구분한기 위한 것이 아니다.
본 분야의 통상적인 기술자는 상기 실시예를 구현하기 위한 전부 또는 일부 단계가 하드웨어로 이룰 수도 있고 프로그램 명령을 이용하여 관련된 하드웨어로 이룰 수도 있으며, 상기 프로그램이 컴퓨터 판독가능 저장 매체에 저장될 수 있고 상기 저장 매체가 판독 전용 메모리, 자기 디스크 또는 시디롬일 수 있다.
본 발명의 바람직한 실시예는 상기와 같이 설명되었으나 본 발명에 대해 한정하지 않는다. 본 발명의 기술사상과 원칙의 범위를 이탈하지 않는 범위 내에서 모든 수정, 균등물의 치환, 개진 등은 본 발명의 보호범위 내에 포함된다.
Claims (36)
- 신용점수 모델 훈련 방법에 있어서,
여러 개의 샘플 사용자의 디폴트 라벨링 정보를 획득하는 단계;
각각의 상기 샘플 사용자의 제 i 차 신용점수, 각각의 상기 샘플 사용자의 제 i 차 관계신용점수를 획득하는 단계, i는 초기값이 1인 양의 정수이고;
각각의 상기 샘플 사용자에 대하여 상기 샘플 사용자의 제 i 차 신용점수, 상기 샘플 사용자의 제 i 차 관계신용점수, 상기 샘플 사용자의 디폴트 라벨링 정보에 의해 신용점수 모델을 훈련하여 상기 샘플 사용자의 제 i+1 차 신용점수를 계산하는 단계;
각각의 상기 샘플 사용자의 제 i+1 차 신용점수가 훈련 종료 조건을 충족하면 훈련이 종료되는 신용점수 모델을 얻는 단계를 포함하고,
그 중, 상기 샘플 사용자의 제 i 차 관계신용점수는 상기 샘플 사용자과 사회관계를 맺은 각각 다른 사용자의 제 i 차 신용점수에 의해 계산되며; 상기 샘플 사용자의 디폴트 라벨링 정보는 상기 샘플 사용자를 분류하기 위해 사용되고,
상기 각각 상기 샘플 사용자의 제 i 차 관계신용점수를 획득되는 단계는
각각 상기 샘플 사용자의 사회연결망을 획득하고, 사회연결망은 상기 샘플 사용자가 상기 다른 사용자와 맺은 사회관계를 뜻하며;
상기 사회연결망에 따라 각각 상기 샘플 사용자에 대응하는 각각 상기 다른 사용자의 제 i 차 신용점수를 획득하며;
획득된 각각 상기 다른 사용자의 제 i 차 신용점수에 따라 각각 상기 샘플 사용자의 제 i 차 관계신용점수를 계산하는 것을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 방법. - 청구항 1에 있어서,
i＝1인 경우, 상기 여러 개의 샘플 사용자의 제 i 차 신용점수는,
각각 상기 샘플 사용자에 대하여, 상기 샘플 사용자의 개인신용정보에 의해 계산된 상기 샘플 사용자의 제 1 차 신용점수; 또는,
개인신용정보에 의해 상기 제 1 차 신용점수를 계산할 수 없는 샘플 사용자가 존재할 때, 상기 샘플 사용자의 제 1 차 관계신용점수를 상기 샘플 사용자의 제 1 차 신용점수로 결정하며, 상기 제 1 차 관계신용점수는 상기 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산되는 것을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 방법. - 청구항 1에 있어서,
상기 각각의 상기 샘플 사용자의 제 i+1 차 신용점수가 훈련 종료 조건을 충족할 때 훈련이 종료되는 신용점수 모델을 얻은 단계는,
각각 상기 샘플 사용자의 제 i+1 차 신용점수와 각각 상기 샘플 사용자의 제 i 차 신용점수 사이의 상관 계수를 계산하는 단계;
상기 상관 계수가 제 1 임계치보다 큰지 여부를 검사하는 단계;
상기 상관 계수가 상기 제 1 임계치보다 크면 훈련이 종료되는 신용점수 모델을 얻는 단계를 포함하는 것을 특징으로 하는 신용점수 모델 훈련 방법. - 청구항 1에 있어서,
상기 획득된 각각 상기 다른 사용자의 제 i 차 신용점수에 따라 각각 상기 샘플 사용자의 제 i 차 관계신용점수를 계산하는 단계는,
각각 상기 샘플 사용자에 대하여, 상기 샘플 사용자에 대응하는 각각 상기 다른 사용자의 제 i 차 신용점수의 평균값을 계산하는 단계와;
상기 평균값을 상기 샘플 사용자의 제 i 차 관계신용점수로 결정하는 단계를 포함하는 것을 특징으로 하는 신용점수 모델 훈련 방법. - 청구항 1에 있어서,
상기 획득된 각각 상기 다른 사용자의 제 i 차 신용점수에 따라 각각 상기 샘플 사용자의 제 i 차 관계신용점수를 계산하는 단계는,
각각 상기 샘플 사용자에 대하여, 상기 사회연결망에 따라 각각 상기 다른 사용자에 대응하는 가중치를 획득하는 단계와;
각각 상기 다른 사용자의 제 i 차 신용점수와 각각 상기 다른 사용자에 대응하는 가중치에 의해 상기 샘플 사용자의 제 i 차 관계신용점수를 계산하는 단계를 포함하고, 구체적인 계산수식은
이고,
그 중, score_fri_avg는 상기 샘플 사용자의 제 i 차 관계신용점수이고, friend_score_j는 상기 샘플 사용자와 사회관계를 맺은 j번쩨 상기 다른 사용자의 제 i 차 신용점수이고, op_j는 상기 샘플 사용자와 사회관계를 맺은 j번쩨 상기 다른 사용자에 대응하는 가중치인 것을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 방법. - 청구항 1 내지 청구항 3중 어느 한 항에 있어서,
각각의 상기 샘플 사용자의 제 i+1 차 신용점수가 상기 훈련 조건을 충족하지 않을 때, i＝i+1을 시키고 다시 상기 각각의 상기 샘플 사용자의 제 i차 신용점수 및 각각의 상기 샘플 사용자의 제 i차 관계신용점수를 획득하는 단계를 수행하는 것을 특징으로 하는 신용점수 모델 훈련 방법. - 청구항 1 내지 청구항 3중 어느 한 항에 있어서,
상기 신용점수 모델은 로지스틱 회귀 분류 모델 또는 결정 트리 분류 모델을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 방법. - 신용점수 계산 방법으로서,
청구항 1 내지 청구항 3중 어느 한 항에 따른 신용점수 모델에 적용되며, 상기 신용점수 계산 방법은,
각각의 사용자의 제 1 차 신용점수, 각각의 상기 사용자의 제 1 차 관계신용점수를 획득하는 단계와, 상기 사용자의 제 1 차 관계신용점수는 상기 사용자과 사회관계를 맺은 각각 다른 사용자의 제 1 차 신용점수에 의해 계산되고;
각각 사용자에 대하여, 상기 사용자의 제 1 차 신용점수와 상기 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 상기 신용점수 모델에 입력하여 상기 사용자의 목표신용점수를 계산하는 단계를 포함하는 것을 특징으로 하는 신용점수 계산 방법. - 청구항 8에 있어서,
상기 사용자의 제 1 차 신용점수와 상기 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 상기 신용점수 모델에 입력하여 상기 사용자의 목표신용점수를 계산하는 단계는,
상기 사용자의 제 1 차 신용점수, 상기 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 상기 신용점수 모델에 입력하여 상기 사용자의 제 x 차 신용점수를 계산하는 단계와;
상기 사용자의 제 x 차 신용점수가 미리 설정된 조건을 충족하면 상기 사용자의 제 x 차 신용점수를 상기 사용자의 목표신용점수로 결정하는 단계를 포함하는 것을 특징으로 하는 신용점수 계산 방법. - 청구항 9에 있어서,
상기 사용자의 제 x 차 신용점수가 미리 설정된 조건을 충족하면 상기 사용자의 제 x 차 신용점수를 상기 사용자의 목표신용점수로 결정하는 단계는,
상기 사용자의 제 x 차 신용점수와 상기 사용자의 제 x-1 차 신용점수 사이의 차이값을 계산하는 단계와;
상기 차이값이 제 2 임계치보다 작은지 여부를 검사하는 단계와;
상기 차이값이 상기 제 2 임계치보다 작으면 상기 사용자의 제 x 차 신용점수를 상기 사용자의 목표신용점수로 결정하는 단계를 포함하는 것을 특징으로 하는 신용점수 계산 방법. - 청구항 10에 있어서,
상기 사용자의 제 x 차 신용점수가 상기 미리 설정된 조건을 충족하지 않을 때 상기 사용자의 제 x 차 신용점수와 상기 사용자의 제 x 차 관계신용점수를 다시 신용점수 모델에 입력하여 상기 사용자의 제 x+1 차 신용점수를 계산하는 단계와;
x＝x+1을 시키고 상기 사용자의 제 x 차 신용점수와 상기 사용자의 제 x-1 차 신용점수 사이의 차이값을 계산하는 단계를 더 포함하는 것을 특징으로 하는 신용점수 계산 방법. - 신용점수 모델 훈련 장치에 있어서,
여러 개의 샘플 사용자의 디폴트 라벨링 정보를 획득하는 정보획득모듈과, 상기 정보획득모듈은 각각 상기 샘플 사용자의 제 i 차 신용점수 및 각가 상기 샘플 사용자의 제 i 차 관계신용점수를 더 획득하기 위하며 i는 초기값이 1인 양의 정수이고;
각각의 상기 샘플 사용자에 대하여 상기 샘플 사용자의 제 i 차 신용점수, 상기 샘플 사용자의 제 i 차 관계신용점수, 상기 샘플 사용자의 디폴트 라벨링 정보에 따라 신용점수 모델을 훈련하며 상기 샘플 사용자의 제 i+1 차 신용점수를 계산하는 정보입력모듈과;
각각의 상기 샘플 사용자의 제 i+1 차 신용점수가 훈련 종료 조건을 충족하면 훈련이 종료되는 상기 신용점수 모델을 얻는 모델훈련모듈을 포함하고,
상기 샘플 사용자의 제 i 차 관계신용점수는 상기 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 i 차 신용점수에 의해 계산되며; 상기 샘플 사용자의 디폴트 라벨링 정보는 상기 샘플 사용자를 분류하기 위해 사용되고,
상기 정보획득모듈은,
각각 상기 샘플 사용자의 사회연결망을 획득하기 위하며, 상기 사회연결망은 상기 샘플 사용자가 상기 다른 사용자와 맺은 사회관계를 뜻한 사회관계획득유닛과;
상기 사회연결망에 따라 각각 상기 샘플 사용자에 대응하는 각각 상기 다른 사용자의 제 i 차 신용점수를 획득하는 점수획득유닛과;
획득된 각각 상기 다른 사용자의 제 i 차 신용점수에 따라 각각 상기 샘플 사용자의 제 i 차 관계신용점수를 계산하는 관계계산유닛을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 장치. - 청구항 12에 있어서,
i＝1인 경우, 상기 정보획득모듈은,
각각 상기 샘플 사용자에 대하여, 상기 샘플 사용자의 개인신용정보에 의해 상기 샘플 사용자의 제 1 차 신용점수를 계산하는 제1계산유닛과; 또는,
개인신용정보에 의해 상기 제 1 차 신용점수를 계산할 수 없는 상기 제 1 차 신용점수의 샘플 사용자가 존재하는 경우, 상기 샘플 사용자의 제 1 차 관계신용점수를 상기 샘플 사용자의 제 1 차 신용점수로 결정하며, 상기 제 1 차 관계신용점수는 상기 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산된 것인 제2계산유닛을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 장치. - 청구항 13에 있어서,
상기 모델훈련모듈은,
각각 상기 샘플 사용자의 제 i+1 차 신용점수와 각각 상기 샘플 사용자의 제 i 차 신용점수 사이의 상관 계수를 계산하는 계수계산유닛과;
상기 상관 계수가 제 1 임계치보다 큰지 여부를 검사하는 계수검사유닛과;
상기 상관 계수가 상기 제 1 임계치보다 크면 훈련이 종료되는 상기 신용점수 모델을 얻는 훈련종료유닛을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 장치. - 청구항 12에 있어서,
상기 관계계산유닛은,
각각 상기 샘플 사용자에 대하여, 상기 샘플 사용자에 대응하는 각각 상기 다른 사용자의 제 i 차 신용점수의 평균값을 계산하는 제3계산유닛과;
상기 평균값을 상기 샘플 사용자의 제 i 차 관계신용점수로 결정하는 점수결정유닛을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 장치. - 청구항 12에 있어서,
상기 관계계산유닛은,
각각 상기 샘플 사용자에 대하여, 상기 사회연결망에 따라 각각 상기 다른 사용자에 대응하는 가중치를 획득하는 가중치획득유닛과;
각각 상기 다른 사용자의 제 i 차 신용점수와 각각 상기 다른 사용자에 대응하는 가중치에 의해 상기 샘플 사용자의 제 i 차 관계신용점수를 계산하는 제4계산유닛을 포함하며, 구체적인 계산수식은와 같고,
그 중, score_fri_avg는 상기 샘플 사용자의 제 i 차 관계신용점수이고, friend_score_j는 상기 샘플 사용자와 사회관계를 맺은 j번쩨 상기 다른 사용자의 제 i 차 신용점수이고, op_j는 상기 샘플 사용자와 사회관계를 맺은 j번쩨 상기 다른 사용자에 대응하는 가중치인 것을 특징으로 하는 신용점수 모델 훈련 장치. - 청구항 12 내지 청구항 14중 어느 한 항에 있어서,
각각의 상기 샘플 사용자의 제 i+1 차 신용점수가 상기 훈련 종료 조건을 충족하지 않을 때, i＝i+1을 시키고 다시 상기 각각의 상기 샘플 사용자의 제 i차 신용점수 및 각각의 상기 샘플 사용자의 제 i 차 관계신용점수를 획득하는 단계를 수행하는 모델을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 장치. - 청구항 12 내지 청구항 14중 어느 한 항에 있어서,
상기 신용점수 모델은 로지스틱 회귀 분류 모델 또는 결정 트리 분류 모델을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 장치. - 신용점수 계산장치로서,
청구항 12 내지 청구항 14중 어느 한 항에 따른 신용점수 모델에 적용되며, 상기 장치는,
각각 사용자의 제 1 차 신용점수와 각각 상기 사용자의 제 1 차 관계신용점수를 획득하고 상기 사용자의 제 1 차 관계신용점수는 상기 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산되는 신용획득모듈과;
각각 사용자에 대하여, 상기 사용자의 제 1 차 신용점수와 상기 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 상기 신용점수 모델에 입력하여 상기 사용자의 목표신용점수를 계산하는 목표계산모듈을 포함하는 것을 특징으로 하는 신용점수 계산장치. - 청구항 19에 있어서,
상기 목표계산모듈은 상기 사용자의 제 1 차 신용점수와 상기 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 상기 신용점수 모델에 입력하여 상기 사용자의 제 x 차 신용점수를 계산하는 미정계산유닛과;
상기 사용자의 제 x 차 신용점수가 미리 설정된 조건을 충족하면 상기 사용자의 제 x 차 신용점수를 상기 사용자의 목표신용점수로 결정하는 목표결정유닛을 포함하는 것을 특징으로 하는 신용점수 계산장치. - 청구항 20에 있어서,
상기 목표결정유닛은,
상기 사용자의 제 x 차 신용점수와 상기 사용자의 제 x-1 차 신용점수 사이의 차이값을 계산하는 차이값계산유닛과;
상기 차이값이 제 2 임계치보다 작은지 여부를 검사하는 차이값검사유닛과;
상기 차이값이 상기 제 2 임계치보다 작으면 상기 사용자의 제 x 차 신용점수를 상기 사용자의 목표신용점수로 결정하는 신용결정유닛을 포함하는 것을 특징으로 하는 신용점수 계산장치. - 청구항 21에 있어서,
상기 사용자의 제 x 차 신용점수가 상기 미리 설정된 조건을 충족하지 않을 때 상기 사용자의 제 x 차 신용점수와 상기 사용자의 제 x 차 관계신용점수를 상기 신용점수 모델에 입력하여 상기 사용자의 제 x+1 차 신용점수를 계산하는 사이클입력모듈을 더 포함하고,
x＝x+1을 시키고 다시 상기 사용자의 제 x 차 신용점수와 상기 사용자의 제 x-1 차 신용점수 사이의 차이값을 계산하는 단계를 수행하는 것을 특징으로 하는 신용점수 계산장치. - 신용점수 모델 훈련 서버에 있어서,
한 개 또는 다수 개의 처리 장치와;
메모리를 포함하고,
상기 메모리는 한 개 또는 다수 개의 프로그램이 저장되고, 상기 한 개 또는 다수 개의 프로그램은 상기 한 개 또는 다수 개의 처리 장치에 의해 수행되도록 배치되고, 상기 한 개 또는 다수 개의 프로그램은
여러 개의 샘플 사용자의 디폴트 라벨링 정보를 획득하는 조작을 수행하기 위한 명령과;
각각 상기 샘플 사용자의 제 i 차 신용점수 및 각각 상기 샘플 사용자의 제 i 차 관계신용점수를 획득하는 조작을 수행하기 위한 명령과, i는 초기값이 1인 양의 정수이고;
각각의 상기 샘플 사용자에 대하여 상기 샘플 사용자의 제 i 차 신용점수, 상기 샘플 사용자의 제 i 차 관계신용점수, 상기 샘플 사용자의 디폴트 라벨링 정보에 따라 신용점수 모델을 훈련하며 상기 샘플 사용자의 제 i+1 차 신용점수를 계산하는 조작을 수행하기 위한 명령과;
각각의 상기 샘플 사용자의 제 i+1 차 신용점수가 훈련 종료 조건을 충족하면 훈련이 종료되는 상기 신용점수 모델을 얻은 조작을 수행하기 위한 명령을 포함하고,
그 중, 상기 샘플 사용자의 제 i 차 관계신용점수는 상기 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 i 차 신용점수에 의해 계산되며; 상기 샘플 사용자의 디폴트 라벨링 정보는 상기 샘플 사용자를 분류하기 위해 사용되고,
상기 한 개 또는 다수 개의 프로그램은
각각 상기 샘플 사용자의 사회연결망을 획득하는 조작을 수행하기 위한 명령과, 상기 사회연결망은 상기 샘플 사용자가 상기 다른 사용자와 맺은 사회관계를 뜻하며;
상기 사회연결망에 따라 각각 상기 샘플 사용자에 대응하는 각각 상기 다른 사용자의 제 i 차 신용점수를 획득하는 조작을 수행하기 위한 명령과;
획득된 각각 상기 다른 사용자의 제 i 차 신용점수에 따라 각각 상기 샘플 사용자의 제 i 차 신용점수를 계산하는 조작을 수행하기 위한 명령을 더 포함하는 것을 특징으로 하는 신용점수 모델 훈련 서버. - 청구항 23에 있어서,
i＝1인 경우, 상기 한 개 또는 다수 개의 프로그램은
각각 상기 샘플 사용자에 대하여, 상기 샘플 사용자의 개인신용정보에 의해 상기 샘플 사용자의 제 1 차 신용점수를 계산하는 조작을 수행하기 위한 명령과; 또는,
개인신용정보에 의해 상기 제 1 차 신용점수를 계산할 수 없는 상기 제 1 차 신용점수의 샘플 사용자가 존재할 때, 상기 샘플 사용자의 제 1 차 관계신용점수를 상기 샘플 사용자의 제 1 차 신용점수로 결정하는 조작을 수행하기 위한 명령을 포함하며, 상기 제 1 차 관계신용점수는 상기 샘플 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산되는 것을 특징으로 하는 신용점수 모델 훈련 서버. - 청구항 23에 있어서,
상기 한 개 또는 다수 개의 프로그램은
각각 상기 샘플 사용자의 제 i+1 차 신용점수와 각각 상기 샘플 사용자의 제 i 차 신용점수 사이의 상관 계수를 계산하는 조작을 수행하기 위한 명령과;
상기 상관 계수가 제 1 임계치보다 큰지 여부를 검사하는 조작을 수행하기 위한 명령과;
상기 상관 계수가 상기 제 1 임계치보다 크면 훈련이 종료되는 상기 신용점수 모델을 얻는 조작을 수행하기 위한 명령을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 서버. - 청구항 23에 있어서,
상기 한 개 또는 다수 개의 프로그램은,
각각 상기 샘플 사용자에 대하여, 상기 샘플 사용자에 대응하는 각각 상기 다른 사용자의 제 i 차 신용점수의 평균값을 계산하는 조작을 수행하기 위한 명령과;
상기 평균값을 상기 샘플 사용자의 제 i 차 관계신용점수로 결정하는 조작을 수행하기 위한 명령을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 서버. - 청구항 23에 있어서,
상기 한 개 또는 다수 개의 프로그램은,
각각 상기 샘플 사용자에 대하여, 상기 사회연결망에 따라 각각 상기 다른 사용자에 대응하는 가중치를 획득하는 조작을 수행하기 위한 명령과;
각각 상기 다른 사용자의 제 i 차 신용점수와 각각 상기 다른 사용자에 대응하는 가중치에 의해 상기 샘플 사용자의 제 i 차 관계신용점수를 계산하는 조작을 수행하기 위한 명령을 포함하며, 구체적인 계산수식은이고
그 중, score_fri_avg는 상기 샘플 사용자의 제 i 차 관계신용점수이고, friend_score_j는 상기 샘플 사용자와 사회관계를 맺은 j번쩨 상기 다른 사용자의 제 i 차 신용점수이고, op_j는 상기 샘플 사용자와 사회관계를 맺은 j번쩨 상기 다른 사용자에 대응하는 가중치인 것을 특징으로 하는 신용점수 모델 훈련 서버. - 청구항 23 내지 청구항 25중 어느 한 항에 있어서,
상기 한 개 또는 다수 개의 프로그램은,
각각의 상기 샘플 사용자의 제 i+1 차 신용점수가 상기 훈련 종료 조건을 충족하지 않을 때, i＝i+1을 시키고 다시 상기 각각의 상기 샘플 사용자의 제 i차 신용점수 및 각각의 상기 샘플 사용자의 제 i차 관계신용점수를 획득하는 단계를 수행하는 조작을 수행하기 위한 명령을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 서버. - 청구항 23 내지 청구항 25중 어느 한 항에 있어서,
상기 신용점수 모델은 로지스틱 회귀 분류 모델 또는 결정 트리 분류 모델을 포함하는 것을 특징으로 하는 신용점수 모델 훈련 서버. - 신용점수 계산서버로서,
청구항 23 내지 청구항 25중 어느 한 항에 따른 신용점수 모델에 적용되며, 상기 서버는,
한 개 또는 다수 개의 처리 장치와;
메모리를 포함하고,
상기 메모리는 한 개 또는 다수 개의 프로그램을 포함하고, 상기 한 개 또는 다수 개의 프로그램은 상기 한 개 또는 다수 개의 처리 장치에 의해 수행되도록 배치되고, 상기 한 개 또는 다수 개의 프로그램은,
각각 사용자의 제 1 차 신용점수와 각각 상기 사용자의 제 1 차 관계신용점수를 획득하고 상기 사용자의 제 1 차 관계신용점수는 상기 사용자와 사회관계를 맺은 각각의 다른 사용자의 제 1 차 신용점수에 의해 계산되는 조작을 수행하기 위한 명령과;
각각 사용자에 대하여, 상기 사용자의 제 1 차 신용점수와 상기 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 상기 신용점수 모델에 입력하여 상기 사용자의 목표신용점수를 계산하는 조작을 수행하기 위한 명령을 포함하는 것을 특징으로 하는 신용점수 계산서버. - 청구항 30에 있어서,
상기 한 개 또는 다수 개의 프로그램은,
상기 사용자의 제 1 차 신용점수, 상기 사용자의 제 1 차 관계신용점수를 훈련이 종료되는 상기 신용점수 모델에 입력하여 상기 사용자의 제 x 차 신용점수를 계산하는 조작을 수행하기 위한 명령과;
상기 사용자의 제 x 차 신용점수가 미리 설정된 조건을 충족하면 상기 사용자의 제 x 차 신용점수를 상기 사용자의 목표신용점수로 결정하는 조작을 수행하기 위한 명령을 더 포함하는 것을 특징으로 하는 신용점수 계산서버. - 청구항 31에 있어서,
상기 한 개 또는 다수 개의 프로그램은,
상기 사용자의 제 x 차 신용점수와 상기 사용자의 제 x-1 차 신용점수 사이의 차이값을 계산하는 조작을 수행하기 위한 명령과;
상기 차이값이 제 2 임계치보다 작은지 여부를 검사하는 조작을 수행하기 위한 명령과;
상기 차이값이 제 2 임계치보다 작으면 상기 사용자의 제 x 차 신용점수를 상기 사용자의 목표신용점수로 결정하는 조작을 수행하기 위한 명령을 더 포함하는 것을 특징으로 하는 신용점수 계산서버. - 청구항 32에 있어서,
상기 한 개 또는 다수 개의 프로그램은,
상기 사용자의 제 x 차 신용점수가 미리 설정된 조건을 충족하지 않을 때 상기 사용자의 제 x 차 신용점수와 상기 사용자의 제 x 차 관계신용점수를 상기 신용점수 모델에 입력하여 상기 사용자의 제 x+1 차 신용점수를 계산하는 조작을 수행하기 위한 명령과;
x＝x+1을 시키고 다시 상기 사용자의 제 x 차 신용점수와 상기 사용자의 제 x-1 차 신용점수 사이의 차이값을 계산하는 조작을 수행하기 위한 명령을 더 포함하는 것을 특징으로 하는 신용점수 계산서버.
- 삭제
- 삭제
- 삭제
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610145843.X | 2016-03-15 | ||
| CN201610145843.XA CN107194795A (zh) | 2016-03-15 | 2016-03-15 | 信用分数模型训练方法、信用分数计算方法及装置 |
| PCT/CN2017/075131 WO2017157165A1 (zh) | 2016-03-15 | 2017-02-28 | 信用分数模型训练方法、信用分数计算方法、装置及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180041727A KR20180041727A (ko) | 2018-04-24 |
| KR102038237B1 true KR102038237B1 (ko) | 2019-10-29 |
Family
ID=59851922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020187007645A KR102038237B1 (ko) | 2016-03-15 | 2017-02-28 | 신용점수 모델 훈련 방법，신용 점수 계산 방법，장치 및 서버 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US11915311B2 (ko) |
| EP (1) | EP3349171A4 (ko) |
| JP (1) | JP6595718B2 (ko) |
| KR (1) | KR102038237B1 (ko) |
| CN (1) | CN107194795A (ko) |
| WO (1) | WO2017157165A1 (ko) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11823258B2 (en) * | 2017-10-11 | 2023-11-21 | Mx Technologies, Inc. | Aggregation based credit decision |
| CN107862339B (zh) * | 2017-11-15 | 2022-04-29 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法和装置 |
| CN108898476A (zh) * | 2018-06-14 | 2018-11-27 | 中国银行股份有限公司 | 一种贷款客户信用评分方法和装置 |
| CN109461043A (zh) * | 2018-09-18 | 2019-03-12 | 深圳壹账通智能科技有限公司 | 产品推送方法、装置、计算机设备和存储介质 |
| KR102400804B1 (ko) * | 2019-09-05 | 2022-05-24 | 고려대학교 산학협력단 | 기계학습 기반 신용평가 분류 모델의 평가 이유를 설명하는 장치 및 방법 |
| CN110599329A (zh) * | 2019-09-09 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 信用评估方法、信用评估装置及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002109208A (ja) * | 2000-09-29 | 2002-04-12 | Acom Co Ltd | 信用リスク管理方法、分析モデル決定方法、分析サーバ及び分析モデル決定装置 |
| JP2002123649A (ja) * | 2000-10-13 | 2002-04-26 | Nippon Telegr & Teleph Corp <Ntt> | 信用調査装置、信用調査方法及び信用調査装置における信用調査プログラムを記録した記録媒体 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020138333A1 (en) * | 2001-03-22 | 2002-09-26 | Decotiis Allen R. | System, method and article of manufacture for a weighted model to conduct propensity studies |
| US8302164B2 (en) * | 2004-07-22 | 2012-10-30 | Facebook, Inc. | Authorization and authentication based on an individual's social network |
| JP5071475B2 (ja) * | 2007-03-27 | 2012-11-14 | 富士通株式会社 | 重回帰分析による予測モデルの作成方法、作成装置、作成プログラム |
| US8694401B2 (en) * | 2011-01-13 | 2014-04-08 | Lenddo, Limited | Systems and methods for using online social footprint for affecting lending performance and credit scoring |
| US20140081832A1 (en) * | 2012-09-18 | 2014-03-20 | Douglas Merrill | System and method for building and validating a credit scoring function |
| KR20130065778A (ko) * | 2011-11-29 | 2013-06-20 | 코리아크레딧뷰로 (주) | 신용정보 관리 방법 및 시스템 |
| WO2013126713A1 (en) * | 2012-02-22 | 2013-08-29 | Pave, Inc. | Apparatuses, methods and systems for facilitating communities of social based investment |
| JP2014071532A (ja) * | 2012-09-27 | 2014-04-21 | Mycredit Kk | 個人信用情報提供装置 |
| CN103514566A (zh) * | 2013-10-15 | 2014-01-15 | 国家电网公司 | 一种风险控制系统及方法 |
| CN104463603B (zh) * | 2014-12-05 | 2018-02-02 | 中国联合网络通信集团有限公司 | 一种信用评估方法及系统 |
| CN104574110B (zh) * | 2014-12-29 | 2018-04-27 | 上海正信方晟资信评估有限公司 | 一种信用数字认证方法 |
| US20160267587A1 (en) * | 2015-03-12 | 2016-09-15 | Backed Inc. | Systems and methods for online guarantorship of loans |
| US10387939B2 (en) * | 2015-08-21 | 2019-08-20 | Q2 Software, Inc. | Method, medium, and system for surfacing recommendations |
-
2016
- 2016-03-15 CN CN201610145843.XA patent/CN107194795A/zh active Pending
-
2017
- 2017-02-28 EP EP17765707.9A patent/EP3349171A4/en not_active Ceased
- 2017-02-28 JP JP2018535228A patent/JP6595718B2/ja active Active
- 2017-02-28 WO PCT/CN2017/075131 patent/WO2017157165A1/zh active Application Filing
- 2017-02-28 KR KR1020187007645A patent/KR102038237B1/ko active IP Right Grant
-
2018
- 2018-04-16 US US15/954,378 patent/US11915311B2/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002109208A (ja) * | 2000-09-29 | 2002-04-12 | Acom Co Ltd | 信用リスク管理方法、分析モデル決定方法、分析サーバ及び分析モデル決定装置 |
| JP2002123649A (ja) * | 2000-10-13 | 2002-04-26 | Nippon Telegr & Teleph Corp <Ntt> | 信用調査装置、信用調査方法及び信用調査装置における信用調査プログラムを記録した記録媒体 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3349171A4 (en) | 2018-10-17 |
| JP2018530093A (ja) | 2018-10-11 |
| KR20180041727A (ko) | 2018-04-24 |
| EP3349171A1 (en) | 2018-07-18 |
| CN107194795A (zh) | 2017-09-22 |
| US11915311B2 (en) | 2024-02-27 |
| US20180232665A1 (en) | 2018-08-16 |
| WO2017157165A1 (zh) | 2017-09-21 |
| JP6595718B2 (ja) | 2019-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102038237B1 (ko) | 신용점수 모델 훈련 방법，신용 점수 계산 방법，장치 및 서버 | |
| US11568480B2 (en) | Artificial intelligence derived anonymous marketplace | |
| TWI712981B (zh) | 風險辨識模型訓練方法、裝置及伺服器 | |
| US10943186B2 (en) | Machine learning model training method and device, and electronic device | |
| WO2017143921A1 (zh) | 一种多重抽样模型训练方法及装置 | |
| US20170018030A1 (en) | System and Method for Determining Credit Worthiness of a User | |
| EP3678072A1 (en) | Model integration method and device | |
| CN110246031A (zh) | 企业信用的评估方法、系统、设备及存储介质 | |
| US20190180379A1 (en) | Life insurance system with fully automated underwriting process for real-time underwriting and risk adjustment, and corresponding method thereof | |
| CN106611375A (zh) | 一种基于文本分析的信用风险评估方法及装置 | |
| WO2020082734A1 (zh) | 文本情感识别方法、装置、电子设备及计算机非易失性可读存储介质 | |
| WO2018192348A1 (zh) | 数据处理方法、装置及服务器 | |
| US20160275147A1 (en) | Document classification system, document classification method, and document classification program | |
| US20210201402A1 (en) | Using psychometric analysis for determining credit risk | |
| TWI524199B (zh) | 用以找出複雜二元或多重交易方關係之多維遞迴學習方法和系統 | |
| US20190220924A1 (en) | Method and device for determining key variable in model | |
| CN106776757A (zh) | 用户完成网银操作的指示方法及装置 | |
| CN113011748A (zh) | 推荐效果的评估方法、装置、电子设备及可读存储介质 | |
| TWI626550B (zh) | 用於預測系統障礙熱區之處理系統與方法 | |
| CN113408564A (zh) | 图处理方法、网络训练方法、装置、设备以及存储介质 | |
| US8694340B2 (en) | Systems and methods to evaluate application data | |
| US20220261666A1 (en) | Leveraging big data, statistical computation and artificial intelligence to determine a likelihood of object renunciation prior to a resource event | |
| CN109064308B (zh) | 信用分类的方法、装置、计算机设备和存储介质 | |
| Kraus et al. | Credit scoring optimization using the area under the curve | |
| CN113822739A (zh) | 产品推荐方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| AMND | Amendment | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |