TW201835789A - 評分模型的建立、用戶信用的評估方法及裝置 - Google Patents

評分模型的建立、用戶信用的評估方法及裝置 Download PDF

Info

Publication number
TW201835789A
TW201835789A TW106139138A TW106139138A TW201835789A TW 201835789 A TW201835789 A TW 201835789A TW 106139138 A TW106139138 A TW 106139138A TW 106139138 A TW106139138 A TW 106139138A TW 201835789 A TW201835789 A TW 201835789A
Authority
TW
Taiwan
Prior art keywords
sample data
feature
feature variable
trained
variable
Prior art date
Application number
TW106139138A
Other languages
English (en)
Inventor
星 趙
Original Assignee
香港商阿里巴巴集團服務有限公司
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 香港商阿里巴巴集團服務有限公司 filed Critical 香港商阿里巴巴集團服務有限公司
Publication of TW201835789A publication Critical patent/TW201835789A/zh

Links

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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • 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

Abstract

本申請係關於電腦技術領域，尤其關於一種評分模型的建立、用戶信用的評估方法及裝置，在一種評分模型的建立方法中，搜集樣本資料集合。對樣本資料集合中的樣本資料包括的每個特徵變數，獲取該特徵變數與其它特徵變數的交互指標。根據交互指標，確定各個特徵變數的聚合指標。根據各個特徵變數的聚合指標，從樣本資料包括的特徵變數中選取目標特徵變數。根據目標特徵變數及對應的特徵值，將多個樣本資料劃分為多個樣本資料分組。對每個樣本資料分組，建立相應的子評分模型。本申請透過計算各個特徵變數的聚合指標，來自動選取用於分群的目標特徵變數，這可以提高目標特徵變數的選取的效率和準確性，從而可以進一步提高評分模型建立的準確性。

Description

評分模型的建立、用戶信用的評估方法及裝置
本申請係關於電腦技術領域，尤其關於一種評分模型的建立、用戶信用的評估方法及裝置。
傳統技術中，在建立評分模型時，通常是採用邏輯回歸或者評分卡等建模方法來建立的。然而，上述建模方法通常是假設變數之間沒有交互關係的。當變數之間有交互關係時，一般會採用分群建模的方法來建立評分模型。其中，分群建模是指把總體樣本（也稱群）根據某個分群變數的值進行切分，此處的分群變數通常是根據專家經驗或者實驗來選擇的。多次切分後整個群可以切分成很多小群，針對每個小群，再建立相應的評分模型。然而，根據專家經驗選取分群變數的方法通常效率比較低。而根據實驗來選擇分群變數時，通常需要嘗試各種分群可能性進行分群建摸，然後比較效果。變數組合隨著變數增多呈指數增長，變數數量多時很難嘗試所有的可能性。當不能嘗試所有的可能性時，選取的分群變數通常是不準確的，這影響了最終建立的評分模型的準確性。
本申請描述了一種評分模型的建立、用戶信用的評估方法及裝置，可以提高建立的評分模型的準確性。 　　第一態樣，提供了一種評分模型的建立方法，包括： 　　搜集樣本資料集合，所述樣本資料集合包括多個樣本資料，每個樣本資料由至少一個特徵變數及對應的特徵值構成； 　　對每個特徵變數，獲取所述特徵變數與其它特徵變數的交互指標； 　　根據所述交互指標，確定所述特徵變數的聚合指標； 　　根據各個特徵變數的聚合指標，從所述至少一個特徵變數中選取目標特徵變數； 　　根據所述目標特徵變數及對應的特徵值，將所述多個樣本資料劃分為多個樣本資料分組； 　　對每個樣本資料分組，建立相應的子評分模型。 　　第二態樣，提供了一種用戶信用的評估方法，包括： 　　獲取用戶的信用資料資訊； 　　根據所述信用資料資訊，確定目標特徵變數以及其它特徵變數對應的特徵值，其中，所述目標特徵變數是根據樣本資料中各個特徵變數的聚合指標選取的，所述樣本資料由至少一個特徵變數及對應的特徵值構成； 　　根據所述目標特徵變數對應的特徵值，選擇對應的樣本資料分組； 　　根據所述樣本資料分組對應的子評分模型以及所述其它特徵變數對應的特徵值，確定所述用戶的信用分數； 　　根據所述用戶的信用分數，對所述用戶的信用進行評估。 　　第三態樣，提供了一種評分模型的建立裝置，包括： 　　搜集單元，用於搜集樣本資料集合，所述樣本資料集合包括多個樣本資料，每個樣本資料由至少一個特徵變數及對應的特徵值構成； 　　獲取單元，用於對每個特徵變數，獲取所述特徵變數與其它特徵變數的交互指標； 　　確定單元，用於根據所述獲取單元獲取的所述交互指標，確定所述特徵變數的聚合指標； 　　選取單元，用於根據所述確定單元確定的各個特徵變數的聚合指標，從所述至少一個特徵變數中選取目標特徵變數； 　　劃分單元，用於根據所述選取單元選取的所述目標特徵變數及對應的特徵值，將所述多個樣本資料劃分為多個樣本資料分組； 　　建立單元，用於對所述劃分單元劃分的每個樣本資料分組，建立相應的子評分模型。 　　第四態樣，提供了一種用戶信用的評估裝置，包括： 　　獲取單元，用於獲取用戶的信用資料資訊； 　　確定單元，用於根據所述獲取單元獲取的所述信用資料資訊，確定目標特徵變數以及其它特徵變數對應的特徵值，其中，所述目標特徵變數是根據樣本資料中各個特徵變數的聚合指標選取的，所述樣本資料由至少一個特徵變數及對應的特徵值構成； 　　選取單元，用於根據所述確定單元確定的所述目標特徵變數對應的特徵值，選取對應的樣本資料分組； 　　所述確定單元，還用於根據所述選取單元選取的所述樣本資料分組對應的子評分模型以及所述其它特徵變數對應的特徵值，確定所述用戶的信用分數； 　　評估單元，用於根據所述確定單元確定的所述用戶的信用分數，對所述用戶的信用進行評估。 　　本申請提供的評分模型的建立、用戶信用的評估方法及裝置，搜集樣本資料集合。對樣本資料集合中的樣本資料包括的每個特徵變數，獲取該特徵變數與其它特徵變數的交互指標。根據交互指標，確定各個特徵變數的聚合指標。根據各個特徵變數的聚合指標，從樣本資料包括的特徵變數中選取目標特徵變數。根據目標特徵變數及對應的特徵值，將多個樣本資料劃分為多個樣本資料分組。對每個樣本資料分組，建立相應的子評分模型。由此可以看出，本申請是透過計算各個特徵變數的聚合指標，來自動選取用於分群的目標特徵變數的。這可以提高目標特徵變數的選取的效率和準確性，從而可以進一步提高評分模型建立的準確性。
下面結合附圖，對本申請的實施例進行描述。 　　本申請實施例提供的評分模型的建立方法及裝置適用於分群建模的場景，分群建模的本質是把複雜函數關係分解成簡單的相加函數關係。具體地，先找到用於分群的特徵變數，之後根據特徵變數及對應的特徵值，對樣本資料進行分群。在分群之後，針對每個分群，建立相應的子評分模型。在理想的情況下，子評分模型即為簡單的相加函數關係，如，直接可以用評分卡模型來描述。因此，在分群建模的過程中，用於分群的特徵變數的選擇是比較關鍵的部分。本申請將在以下實施例中對該部分內容作出詳細介紹。 　　此外，本申請建立的評分模型可以應用於用戶信用的評估以及金融風險控制等領域。 　　圖1為本申請一種實施例提供的評分模型的建立方法流程圖。所述方法的執行主體可以為具有處理能力的設備：伺服器或者系統或者裝置，如圖1所示，所述方法具體包括： 　　步驟110，搜集樣本資料集合。 　　該樣本資料集合可以包括多個樣本資料，每個樣本資料包括至少一個特徵變數及對應的特徵值以及樣本標記。 　　需要說明的是，上述特徵變數可以由人為預先設定。舉例來說，當上述評分模型應用於用戶信用的評估時，上述樣本資料的特徵變數可以歸屬於如下三個類別：1）用戶行為資料（Activity，簡稱A）。2）用戶趨勢資料（Trend，簡稱T）。3）用戶概述資料（Profile，簡稱P）等。用戶行為資料可以包括：用戶交易行為資料、用戶理財行為資料以及用戶其它行為資料。其中，用戶交易行為資料例如可以為：a，若干天（如，90天）平均支付金額；b，若干天（如，180天）內支付天數；c，若干天（如，180天）內支付金額；d，最後一次支付距今時間等。用戶理財行為資料例如可以為：a，若干天內購買第一目標產品次數，如，90天內購買招財寶次數；b，若干天內購買第二目標產品次數，如，90天內購買餘額寶次數；c，若干天內購買第二目標產品金額，如，90天內購買餘額寶餘額。用戶其它行為資料例如可以為：a，若干天（如，180天）內用戶來電次數；b，最後一次登錄城市；c，最後一次登錄距今時間；d，若干天（如，90天）內登錄次數等。用戶趨勢資料例如可以為：a，用戶平均餘額變化趨勢（30天/30-90天）；b，登錄次數變化趨勢（30天/30-60天）；c，遠端程序呼叫（Remote Procedure Call，RPC）變化趨勢（30天/30-60天）；d，支付次數變化趨勢（30天/30-90天）等。用戶概述資料例如可以為：a，用戶是否單身；b，用戶是否裝修；c，用戶是否已婚；d，用戶年齡；e，用戶註冊時長；f，用戶學歷；g，用戶收入等。 　　需要說明的是，可以對樣本資料中各個特徵變數對應的特徵值進行預處理，如，離散化處理。舉例來說，假設特徵變數為用戶年齡，則在對用戶年齡離散化處理之後，可以得到如下四個分段（也稱分箱）：“＜20”、“[20,25）”、“[25,30）”以及“＞=30”。 　　步驟120，對每個特徵變數，獲取特徵變數與其它特徵變數的交互指標。 　　此處的其它特徵變數是指樣本資料中除該特徵變數之外剩餘的特徵變數，其個數可以為多個。舉例來說，假設樣本資料集合中的樣本資料由三個特徵變數及對應的特徵的值構成，且假設該三個特徵變數分別為：x1、x2和x3。則在特徵變數為x1時，其它特徵變數包括：x2和x3。 　　在一種實現方式中，獲取特徵變數與一個其它特徵變數的交互指標的過程可以如圖2所示。圖2中，可以包括如下步驟： 　　步驟210，根據樣本資料中特徵變數及對應的特徵值、其它特徵變數及對應的特徵值以及樣本資料的樣本標記，訓練普通評分卡模型。 　　訓練普通評分卡模型的過程具體可以為：預先設定普通評分卡模型：y=f1(x1)+f2(x2)，其中，y可以定義為評分結果，x1為一個特徵變數，x2為一個其它特徵變數。函數關係f1（x1）可以定義為特徵變數x1的不同分段對應的分數值，函數關係f2（x2）可以定義為一個其它特徵變數x2的不同分段對應的分數值。之後透過最佳化函數關係f1和f2來實現對普通評分卡模型的訓練。可以理解的是，最佳化函數關係f1即為調整特徵變數x1的不同分段對應的分數值的過程，最佳化函數關係f2即為調整一個其它特徵變數x2的不同分段對應的分數值的過程。 　　具體地，可以是透過學習樣本集合中的樣本資料，來最佳化函數關係f1和f2。如，對每個樣本資料，可以透過預設的普通評分卡模型來對其進行評分。由於預設的普通評分卡模型中包括了兩個函數關係（f1和f2），且f1與x1相關，f2與x2相關。因此，透過預設的普通評分卡模型對樣本資料進行評分的過程可以為：透過f1(x1)得到第一評分結果，透過f2(x2)得到第二評分結果。其中，獲取第一評分結果的過程即為：根據當前樣本資料包含的特徵變數x1的特徵值，從f1中選擇該特徵值所屬分段對應的分數值的過程。獲取第二評分結果的過程即為：根據當前樣本資料包含的一個其它特徵變數x2的特徵值，從f2中選擇該特徵值所屬分段對應的分數值的過程。之後，將第一評分結果與第二評分結果相加，得到最終的評分結果。在得到最終的評分結果之後，透過比對最終的評分結果與該樣本資料的樣本標記，來調整f1和f2，從而得到最佳化後的f1和f2。在一種實現方式中，當預設的普通評分卡模型對各個樣本資料的評分結果的準確率達到預設閾值時，就訓練出了普通評分卡模型。 　　在一個例子中，訓練出的普通評分卡模型可以如表1所示。需要說明的是，步驟210在設定普通評分卡模型時，假設f1與一個特徵變數（x1）相關，f2與一個特徵變數（x2）相關，即f1和f2均為一元函數，亦即上述普通評分卡模型沒有考慮特徵變數之間的交互關係。 　　還需要說明的是，由於f1只與特徵變數x1相關，f2只與特徵變數x2相關。因此，在調整f1和f2的過程中不需要大批樣本資料。此外，因為不需要大批樣本資料，所以可以快速地對普通評分卡模型進行訓練。 　　步驟220，根據樣本資料中特徵變數及對應的特徵值、其它特徵變數及對應的特徵值以及樣本資料的樣本標記，訓練交叉評分卡模型。 　　訓練交叉評分卡模型的過程具體可以為：預先設定交叉評分卡模型：y=f(x1,x2)，其中，y可以定義為評分結果，x1為一個特徵變數，x2為一個其它特徵變數。函數關係f(x1,x2)可以定義為特徵變數x1與一個其它特徵變數x2的交叉分段（也稱二元交叉分段）對應的分數值。之後透過最佳化函數關係f來實現對交叉評分卡模型的訓練。可以理解的是，最佳化函數關係f即為調整特徵變數x1與一個其它特徵變數x2的交叉分段對應的分數值的過程。 　　函數關係f的最佳化過程與f1的最佳化過程類似，在此不重複贅述。 　　以下將透過舉例的方式來說明交叉分段：假設特徵變數為用戶年齡，且用戶年齡的四個分段為：“＜20”、“[20,25）”、“[25,30）”以及“＞=30”。且假設一個其它特徵變數為用戶學歷，且用戶學歷的四個分段為：“專科及以下”、“本科”、“碩士”以及“博士及以上”。則特徵變數與其它特徵變數可以構成4*4=16個交叉分段。其中，一個交叉分段可以舉例為“＜20&專科及以下”。 　　需要說明的是，步驟220在設定交叉評分卡模型時，假設y同時與兩個引數（x1和x2）相關，即f(x1,x2)為二元函數，亦即上述交叉評分卡模型考慮了特徵變數之間的交互關係。因此，透過交叉評分卡模型通常能很好的描述特徵變數之間的交互關係。 　　步驟230，確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值，將性能差異值作為交互指標。 　　在一個例子中，在確定上述性能差異值之前，可以先確定訓練出的普通評分卡模型的性能指標值obj{ f1(x1)+ f2(x2)}以及訓練出的交叉評分卡模型的性能指標值obj{ f(x1,x2)}。其中，訓練出的普通評分卡模型的性能指標值的確定過程可以為：透過訓練出的普通評分卡模型對各個樣本資料進行評分；根據訓練出的普通評分卡模型對各個樣本資料的評分結果以及樣本標記，確定訓練出的普通評分卡模型的性能指標值。 　　訓練出的普通評分卡模型的性能指標值的確定過程具體可以為：透過訓練出的普通評分卡模型對各個樣本資料進行評分，得到各個樣本資料的評分結果。根據各個樣本資料的評分結果以及各個樣本資料的樣本標記，確定各個樣本資料的誤差值。根據各個樣本資料的誤差值，確定訓練出的普通評分卡模型的性能指標值。 　　訓練出的交叉評分卡模型的性能指標值obj{ f(x1,x2)}的確定過程可以為：透過訓練出的交叉評分卡模型對各個樣本資料進行評分；根據訓練出的交叉評分卡模型對各個樣本資料的評分結果以及樣本標記，確定訓練出的交叉評分卡模型的性能指標值。 　　上述普通評分卡模型和交叉評分卡模型的性能指標確定方式只是一個舉例，實際上，模型性能的評定還有其他的方式，這裡不再一一贅述。 　　在確定訓練出的普通評分卡模型的性能指標值以及訓練出的交叉評分卡模型的性能指標值之後，可以將兩者相減，來確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值I（x1,x2）。也即I（x1,x2）= obj{ f(x1,x2)}- obj{ f1(x1)+ f2(x2)}。可以理解的是，該性能差異值I（x1,x2）是用於描述訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異的。 　　需要說明的是，由於交叉評分卡模型考慮了特徵變數之間的交互關係，因此透過交叉評分卡模型通常能很好的描述特徵變數之間的交互關係。而普通評分卡模型通常不描述特徵變數之間的交互關係。因此，可以將性能差異值作為特徵變數之間的交互指標。具體地，當該交互指標比較小時（如，接近0），說明該兩個特徵變數之間交互關係比較弱。相反，當該交互指標比較大時，說明該兩個特徵變數之間的交互關係比較強。 　　步驟130，根據交互指標，確定特徵變數的聚合指標。 　　需要說明的是，當其它特徵變數的個數為多個時，獲取的交互指標的個數也為多個。其中，每個交互指標的獲取方法相類似，即可以如圖2所示，本申請在此不重複贅述。 　　舉例來說，假設樣本資料集合中的樣本資料由三個特徵變數及對應的特徵的值構成，且假設該三個特徵變數分別為：x1、x2和x3。則在特徵變數為x1時，其它特徵變數包括：x2和x3。相應的，計算的交互指標的個數為兩個，即為：I（x1,x2）和I（x1,x3）。在一種實現方式中，在確定多個交互指標之後，可以透過將該多個交互指標進行求和，並將求和結果作為特徵變數x1的聚合指標。也即可以根據公式1，來確定特徵變數的聚合指標。其中，xi為當前要確定聚合指標的特徵變數，其取值範圍為[1，N]，為特徵變數xi的聚合指標，N為特徵變數的個數，xj為不同於特徵變數xi的其它特徵變數，其個數為N-1個。 　　可以理解的是，當特徵變數的個數為N個時，就可以確定N個聚合指標，分別表示為：。 　　步驟140，根據各個特徵變數的聚合指標，從至少一個特徵變數中選取目標特徵變數。 　　在一種實現方式中，可以將各個特徵變數的聚合指標進行比對，將最大的聚合指標對應的特徵變數選取為目標特徵變數。需要說明的是，特徵變數的聚合指標是該特徵變數與其它特徵變數的交互指標之和，而交互指標是用於描述該特徵變數之間交互關係強弱的，所以某個特徵變數的聚合指標最大時，說明該特徵變數與所有其它特徵變數之間的交互關係都比較強。亦即本申請將選取與所有其它特徵變數之間的交互關係都比較強的特徵變數作為目標特徵變數。 　　步驟150，根據目標特徵變數及對應的特徵值，將多個樣本資料劃分為多個樣本資料分組。 　　此處，劃分樣本資料分組的過程也可以稱為分群過程。在分群建模中，根據某一特徵變數及對應的特徵值對樣本資料進行分群屬於傳統常規技術，在此不重複贅述。 　　需要說明的是，上文中提到目標特徵變數是指與所有其它特徵變數之間的交互關係都比較強的特徵變數，因此，根據該目標特徵變數及對應的特徵值對樣本資料進行分群，可以減少小群裡的交互關係。由此，來實現最理想的分群建模的目的。 　　步驟160，對每個樣本資料分組，建立相應的子評分模型。 　　如，在得到各個樣本資料分組之後，可以針對每個樣本資料分組，訓練普通評分卡模型，其可以如表1所示。 　　需要說明的是，在建立評分模型之後，就可以基於該評分模型對用戶信用進行評估或者對交易行為的風險進行預測了。以基於評分模型對用戶信用進行評估為例來說，其評估方法可以如圖3所示。圖3中，該方法可以包括如下步驟： 　　步驟310，獲取用戶的信用資料資訊。 　　此處，用戶的信用資料資訊可以是由人工或者伺服器從後台資料庫中收集的，其可以包括但不限於如下三方面的資料：1）用戶行為資料。2）用戶趨勢資料。3）用戶概述資料。 　　步驟320，根據信用資料資訊，確定目標特徵變數以及其它特徵變數對應的特徵值。 　　此處的目標特徵變數可以是指透過上述步驟120-步驟140選取的目標特徵變數，其選取過程如上所述，在此不重複贅述。 　　以信用資料資訊包含用戶年齡為20歲，用戶學歷為本科，用戶收入為0為例來說，且假設目標特徵變數為用戶年齡，其它特徵變數包括：用戶學歷和用戶收入。則目標特徵變數對應的特徵值為：20歲，其它特徵變數對應的特徵值分別為：本科和0。 　　步驟330，根據目標特徵變數對應的特徵值，選擇對應的樣本資料分組。 　　舉例來說，假設目標特徵變數為用戶年齡，且根據該目標特徵變數對應的特徵值將樣本資料集合分為四個樣本資料分組（亦即分為四個群）。其中，第一個樣本資料分組中，用戶年齡均小於20歲。第二個樣本資料分組中，用戶年齡在20至25歲之間。第三個樣本資料分組中，用戶年齡在25至30歲之間。第四個樣本資料分組中，用戶年齡均大於30歲。則在根據用戶的信用資料資訊，確定目標特徵變數對應的特徵值為：20歲時，選擇的樣本資料分組為第二個樣本資料分組。 　　步驟340，根據樣本資料分組對應的子評分模型以及其它特徵變數對應的特徵值，確定用戶的信用分數。 　　如前述例子，假設選擇的第二個樣本資料分組對應的子評分模型如表2所示。具體地，在第二個樣本資料分組對應的子評分模型如表2所示時，因為兩個其它特徵變數對應的特徵值分別為：本科和0。則用戶的信用分數=37+30=67。 　　步驟350，根據用戶的信用分數，對用戶的信用進行評估。 　　在一種實現方式中，可以設定閾值。當用戶的信用分數超過預設的閾值時，說明用戶的信用比較高。當用戶的信用分數未超過預設的閾值時，說明用戶的信用比較低。 　　本申請實施例提供的用戶信用的評估方法可以準確地對用戶的信用進行評估，且可以提高評估效率。 　　與上述評分模型的建立方法對應地，本申請實施例還提供的一種評分模型的建立裝置，如圖4所示，該裝置包括： 　　搜集單元401，用於搜集樣本資料集合，該樣本資料集合包括多個樣本資料，每個樣本資料由至少一個特徵變數及對應的特徵值構成。 　　獲取單元402，用於對每個特徵變數，獲取特徵變數與其它特徵變數的交互指標。 　　可選地，獲取單元402具體可以用於： 　　根據各個樣本資料中特徵變數及對應的特徵值、其它特徵變數及對應的特徵值以及樣本資料的樣本標記，訓練普通評分卡模型。 　　根據各個樣本資料中特徵變數及對應的特徵值、其它特徵變數及對應的特徵值以及樣本資料的樣本標記，訓練交叉評分卡模型。 　　確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值，將性能差異值作為交互指標。 　　其中，確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值，包括： 　　透過訓練出的普通評分卡模型對樣本資料進行評分；根據訓練出的普通評分卡模型對樣本資料的評分結果以及樣本標記，確定訓練出的普通評分卡模型的性能指標值。 　　透過訓練出的交叉評分卡模型對樣本資料進行評分；根據訓練出的交叉評分卡模型對樣本資料的評分結果以及樣本標記，確定訓練出的交叉評分卡模型的性能指標值。 　　根據訓練出的普通評分卡模型的性能指標值以及訓練出的交叉評分卡模型的性能指標值，確定性能差異值。 　　確定單元403，用於根據獲取單元402獲取的交互指標，確定特徵變數的聚合指標。 　　可選地，當交互指標為多個時，確定單元403具體可以用於： 　　對多個交互指標進行求和，得到求和結果。 　　將求和結果作為特徵變數的聚合指標。 　　選取單元404，用於根據確定單元403確定的各個特徵變數的聚合指標，從至少一個特徵變數中選取目標特徵變數。 　　可選地，選取單元404具體可以用於： 　　將各個特徵變數的聚合指標進行比對，將最大的聚合指標對應的特徵變數選取為目標特徵變數。 　　劃分單元405，用於根據選取單元404選取的目標特徵變數及對應的特徵值，將多個樣本資料劃分為多個樣本資料分組。 　　建立單元406，用於對劃分單元405劃分的每個樣本資料分組，建立相應的子評分模型。 　　本申請實施例裝置的各功能模組的功能，可以透過上述方法實施例的各步驟來實現，因此，本申請提供的裝置的具體工作過程，在此不重複贅述。 　　本申請實施例提供的評分模型的建立裝置，搜集單元401搜集樣本資料集合。對每個特徵變數，獲取單元402獲取特徵變數與其它特徵變數的交互指標。確定單元403根據交互指標，確定特徵變數的聚合指標。選取單元404根據各個特徵變數的聚合指標，從至少一個特徵變數中選取目標特徵變數。劃分單元405根據目標特徵變數及對應的特徵值，將多個樣本資料劃分為多個樣本資料分組。對每個樣本資料分組，建立單元406建立相應的子評分模型。由此，可以提高評分模型建立的準確性。 　　與上述用戶信用的評估方法對應地，本申請實施例還提供的一種用戶信用的評估裝置，如圖5所示，該裝置包括： 　　獲取單元501，用於獲取用戶的信用資料資訊。 　　確定單元502，用於根據獲取單元501獲取的信用資料資訊，確定目標特徵變數以及其它特徵變數對應的特徵值，其中，目標特徵變數是根據樣本資料中各個特徵變數的聚合指標選取的，樣本資料由至少一個特徵變數及對應的特徵值構成。 　　選取單元503，用於根據確定單元502確定的目標特徵變數對應的特徵值，選取對應的樣本資料分組。 　　確定單元502，還用於根據選取單元503選取的樣本資料分組對應的子評分模型以及其它特徵變數對應的特徵值，確定用戶的信用分數。 　　評估單元504，用於根據確定單元502確定的用戶的信用分數，對用戶的信用進行評估。 　　可選地，選取單元503還可以用於： 　　對樣本資料中的每個特徵變數，獲取該特徵變數與其它特徵變數的交互指標。 　　根據交互指標，確定特徵變數的聚合指標。 　　根據各個特徵變數的聚合指標，從至少一個特徵變數中選取目標特徵變數。 　　可選地，上述獲取特徵變數與其它特徵變數的交互指標可以包括： 　　根據樣本資料中特徵變數及對應的特徵值、其它特徵變數及對應的特徵值以及樣本資料的樣本標記，訓練普通評分卡模型。 　　根據樣本資料中特徵變數及對應的特徵值、其它特徵變數及對應的特徵值以及樣本資料的樣本標記，訓練交叉評分卡模型。 　　確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值，將性能差異值作為所述交互指標。 　　可選地，上述確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值可以包括： 　　透過訓練出的普通評分卡模型對樣本資料進行評分；根據訓練出的普通評分卡模型對樣本資料的評分結果以及樣本標記，確定訓練出的普通評分卡模型的性能指標值。 　　透過訓練出的交叉評分卡模型對樣本資料進行評分；根據訓練出的交叉評分卡模型對樣本資料的評分結果以及樣本標記，確定訓練出的交叉評分卡模型的性能指標值。 　　根據訓練出的普通評分卡模型的性能指標值以及訓練出的交叉評分卡模型的性能指標值，確定性能差異值。 　　本申請實施例裝置的各功能模組的功能，可以透過上述方法實施例的各步驟來實現，因此，本申請提供的裝置的具體工作過程，在此不重複贅述。 　　本申請實施例提供的用戶信用的評估裝置可以準確地對用戶信用進行評估。 　　本領域技術人員應該可以意識到，在上述一個或多個示例中，本發明所描述的功能可以用硬體、軟體、韌體或它們的任意組合來實現。當使用軟體實現時，可以將這些功能儲存在電腦可讀媒體中或者作為電腦可讀媒體上的一個或多個指令或代碼進行傳輸。 　　以上所述的具體實施方式，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發明的具體實施方式而已，並不用於限定本發明的保護範圍，凡在本發明的技術方案的基礎之上，所做的任何修改、等同替換、改進等，均應包括在本發明的保護範圍之內。
401‧‧‧搜集單元
402‧‧‧獲取單元
403‧‧‧確定單元
404‧‧‧選取單元
405‧‧‧劃分單元
406‧‧‧建立單元
501‧‧‧獲取單元
502‧‧‧確定單元
503‧‧‧選取單元
504‧‧‧評估單元
為了更清楚地說明本發明實施例的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其它的附圖。 　　圖1為本申請一種實施例提供的評分模型的建立方法流程圖； 　　圖2為本申請提供的獲取特徵變數的交互指標的方法流程圖； 　　圖3為本申請一種實施例提供的用戶信用的評估方法流程圖； 　　圖4為本申請一種實施例提供的評分模型的建立裝置示意圖； 　　圖5為本申請一種實施例提供的用戶信用的評估裝置示意圖。

Claims (18)

  1. 一種評分模型的建立方法，其特徵在於，包括： 　　搜集樣本資料集合，該樣本資料集合包括多個樣本資料，每個樣本資料由至少一個特徵變數及對應的特徵值構成； 　　對每個特徵變數，獲取該特徵變數與其它特徵變數的交互指標； 　　根據該交互指標，確定該特徵變數的聚合指標； 　　根據各個特徵變數的聚合指標，從該至少一個特徵變數中選取目標特徵變數； 　　根據該目標特徵變數及對應的特徵值，將該多個樣本資料劃分為多個樣本資料分組； 　　對每個樣本資料分組，建立相應的子評分模型。
  2. 根據請求項1所述的方法，其中，所述獲取該特徵變數與其它特徵變數的交互指標，包括： 　　根據樣本資料中該特徵變數及對應的特徵值、該其它特徵變數及對應的特徵值以及該樣本資料的樣本標記，訓練普通評分卡模型； 　　根據樣本資料中該特徵變數及對應的特徵值、該其它特徵變數及對應的特徵值以及該樣本資料的樣本標記，訓練交叉評分卡模型； 　　確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值，將該性能差異值作為該交互指標。
  3. 根據請求項2所述的方法，其中，所述確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值，包括： 　　透過訓練出的普通評分卡模型對樣本資料進行評分；根據訓練出的普通評分卡模型對樣本資料的評分結果以及該樣本標記，確定訓練出的普通評分卡模型的性能指標值； 　　透過訓練出的交叉評分卡模型對樣本資料進行評分；根據訓練出的交叉評分卡模型對樣本資料的評分結果以及該樣本標記，確定訓練出的交叉評分卡模型的性能指標值； 　　根據訓練出的普通評分卡模型的性能指標值以及訓練出的交叉評分卡模型的性能指標值，確定該性能差異值。
  4. 根據請求項1-3之任一項所述的方法，其中，當該交互指標為多個時，所述根據該交互指標，確定該特徵變數的聚合指標，包括： 　　對該多個交互指標進行求和，得到求和結果； 　　將該求和結果作為該特徵變數的聚合指標。
  5. 根據請求項1-3之任一項所述的方法，其中，所述根據各個特徵變數的聚合指標，從該至少一個特徵變數中選取目標特徵變數，包括： 　　將該各個特徵變數的聚合指標進行比對，將最大的聚合指標對應的特徵變數選取為該目標特徵變數。
  6. 一種用戶信用的評估方法，其特徵在於，包括： 　　獲取用戶的信用資料資訊； 　　根據該信用資料資訊，確定目標特徵變數以及其它特徵變數對應的特徵值，其中，該目標特徵變數是根據樣本資料中各個特徵變數的聚合指標選取的，該樣本資料由至少一個特徵變數及對應的特徵值構成； 　　根據該目標特徵變數對應的特徵值，選擇對應的樣本資料分組； 　　根據該樣本資料分組對應的子評分模型以及該其它特徵變數對應的特徵值，確定該用戶的信用分數； 　　根據該用戶的信用分數，對該用戶的信用進行評估。
  7. 根據請求項6所述的方法，其中，還包括：選取該目標特徵變數的步驟，包括： 　　對該樣本資料中的每個特徵變數，獲取該特徵變數與其它特徵變數的交互指標； 　　根據該交互指標，確定該特徵變數的聚合指標； 　　根據各個特徵變數的聚合指標，從該至少一個特徵變數中選取目標特徵變數。
  8. 根據請求項7所述的方法，其中，所述獲取該特徵變數與其它特徵變數的交互指標，包括： 　　根據該樣本資料中該特徵變數及對應的特徵值、該其它特徵變數及對應的特徵值以及該樣本資料的樣本標記，訓練普通評分卡模型； 　　根據該樣本資料中該特徵變數及對應的特徵值、該其它特徵變數及對應的特徵值以及該樣本資料的樣本標記，訓練交叉評分卡模型； 　　確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值，將該性能差異值作為該交互指標。
  9. 根據請求項8所述的方法，其中，所述確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值，包括： 　　透過訓練出的普通評分卡模型對樣本資料進行評分；根據訓練出的普通評分卡模型對樣本資料的評分結果以及該樣本標記，確定訓練出的普通評分卡模型的性能指標值； 　　透過訓練出的交叉評分卡模型對樣本資料進行評分；根據訓練出的交叉評分卡模型對樣本資料的評分結果以及該樣本標記，確定訓練出的交叉評分卡模型的性能指標值； 　　根據訓練出的普通評分卡模型的性能指標值以及訓練出的交叉評分卡模型的性能指標值，確定該性能差異值。
  10. 一種評分模型的建立裝置，其特徵在於，包括： 　　搜集單元，用於搜集樣本資料集合，該樣本資料集合包括多個樣本資料，每個樣本資料由至少一個特徵變數及對應的特徵值構成； 　　獲取單元，用於對每個特徵變數，獲取該特徵變數與其它特徵變數的交互指標； 　　確定單元，用於根據該獲取單元獲取的該交互指標，確定該特徵變數的聚合指標； 　　選取單元，用於根據該確定單元確定的各個特徵變數的聚合指標，從該至少一個特徵變數中選取目標特徵變數； 　　劃分單元，用於根據該選取單元選取的該目標特徵變數及對應的特徵值，將該多個樣本資料劃分為多個樣本資料分組； 　　建立單元，用於對該劃分單元劃分的每個樣本資料分組，建立相應的子評分模型。
  11. 根據請求項10所述的裝置，其中，該獲取單元具體用於： 　　根據樣本資料中該特徵變數及對應的特徵值、該其它特徵變數及對應的特徵值以及該樣本資料的樣本標記，訓練普通評分卡模型； 　　根據樣本資料中該特徵變數及對應的特徵值、該其它特徵變數及對應的特徵值以及該樣本資料的樣本標記，訓練交叉評分卡模型； 　　確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值，將該性能差異值作為該交互指標。
  12. 根據請求項11所述的裝置，其中，所述確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值，包括： 　　透過訓練出的普通評分卡模型對樣本資料進行評分；根據訓練出的普通評分卡模型對樣本資料的評分結果以及該樣本標記，確定訓練出的普通評分卡模型的性能指標值； 　　透過訓練出的交叉評分卡模型對樣本資料進行評分；根據訓練出的交叉評分卡模型對樣本資料的評分結果以及該樣本標記，確定訓練出的交叉評分卡模型的性能指標值； 　　根據訓練出的普通評分卡模型的性能指標值以及訓練出的交叉評分卡模型的性能指標值，確定該性能差異值。
  13. 根據請求項10-12之任一項所述的裝置，其中，當該交互指標為多個時，該確定單元具體用於： 　　對該多個交互指標進行求和，得到求和結果； 　　將該求和結果作為該特徵變數的聚合指標。
  14. 根據請求項10-12之任一項所述的裝置，其中，該選取單元具體用於： 　　將該各個特徵變數的聚合指標進行比對，將最大的聚合指標對應的特徵變數選取為該目標特徵變數。
  15. 一種用戶信用的評估裝置，其特徵在於，包括： 　　獲取單元，用於獲取用戶的信用資料資訊； 　　確定單元，用於根據該獲取單元獲取的該信用資料資訊，確定目標特徵變數以及其它特徵變數對應的特徵值，其中，該目標特徵變數是根據樣本資料中各個特徵變數的聚合指標選取的，該樣本資料由至少一個特徵變數及對應的特徵值構成； 　　選取單元，用於根據該確定單元確定的該目標特徵變數對應的特徵值，選取對應的樣本資料分組； 　　該確定單元，還用於根據該選取單元選取的該樣本資料分組對應的子評分模型以及該其它特徵變數對應的特徵值，確定該用戶的信用分數； 　　評估單元，用於根據該確定單元確定的該用戶的信用分數，對該用戶的信用進行評估。
  16. 根據請求項15所述的裝置，其中，該選取單元還用於： 　　對該樣本資料中的每個特徵變數，獲取該特徵變數與其它特徵變數的交互指標； 　　根據該交互指標，確定該特徵變數的聚合指標； 　　根據各個特徵變數的聚合指標，從該至少一個特徵變數中選取目標特徵變數。
  17. 根據請求項16所述的裝置，其中，所述獲取該特徵變數與其它特徵變數的交互指標，包括： 　　根據該樣本資料中該特徵變數及對應的特徵值、該其它特徵變數及對應的特徵值以及該樣本資料的樣本標記，訓練普通評分卡模型； 　　根據該樣本資料中該特徵變數及對應的特徵值、該其它特徵變數及對應的特徵值以及該樣本資料的樣本標記，訓練交叉評分卡模型； 　　確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值，將該性能差異值作為該交互指標。
  18. 根據請求項17所述的裝置，其中，所述確定訓練出的普通評分卡模型與訓練出的交叉評分卡模型的性能差異值，包括： 　　透過訓練出的普通評分卡模型對樣本資料進行評分；根據訓練出的普通評分卡模型對樣本資料的評分結果以及該樣本標記，確定訓練出的普通評分卡模型的性能指標值； 　　透過訓練出的交叉評分卡模型對樣本資料進行評分；根據訓練出的交叉評分卡模型對樣本資料的評分結果以及該樣本標記，確定訓練出的交叉評分卡模型的性能指標值； 　　根據訓練出的普通評分卡模型的性能指標值以及訓練出的交叉評分卡模型的性能指標值，確定該性能差異值。
TW106139138A 2017-03-27 2017-11-13 評分模型的建立、用戶信用的評估方法及裝置 TW201835789A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
??201710188752.9 2017-03-27
CN201710188752.9A CN108665120B (zh) 2017-03-27 2017-03-27 打分模型的建立、用户信用的评估方法及装置

Publications (1)

Publication Number Publication Date
TW201835789A true TW201835789A (zh) 2018-10-01

Family

ID=61966072

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106139138A TW201835789A (zh) 2017-03-27 2017-11-13 評分模型的建立、用戶信用的評估方法及裝置

Country Status (8)

Country Link
US (1) US11188565B2 (zh)
JP (1) JP6905076B2 (zh)
KR (1) KR102315497B1 (zh)
CN (1) CN108665120B (zh)
PH (1) PH12019501965A1 (zh)
SG (1) SG11201907663XA (zh)
TW (1) TW201835789A (zh)
WO (1) WO2018183069A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111164633B (zh) * 2018-05-31 2024-01-05 重庆小雨点小额贷款有限公司 一种评分卡模型的调整方法、装置、服务器及存储介质
CN109359850A (zh) * 2018-10-10 2019-02-19 大连诺道认知医学技术有限公司 一种生成风险评估量表的方法及装置
CN109598446A (zh) * 2018-12-09 2019-04-09 国网江苏省电力有限公司扬州供电分公司 一种基于机器学习算法的电费回收风险预警系统
CN109658193A (zh) * 2018-12-20 2019-04-19 拉扎斯网络科技（上海）有限公司 系统对象重要性的确定方法、装置、电子设备及存储介质
CN110033158A (zh) * 2019-02-03 2019-07-19 阿里巴巴集团控股有限公司 一种用户信用行为评估方法、装置和电子设备
CN110264038A (zh) * 2019-05-22 2019-09-20 深圳壹账通智能科技有限公司 一种产品测评模型的生成方法及设备
CN110544165B (zh) * 2019-09-02 2022-06-03 中诚信征信有限公司 一种信用风险评分卡创建方法、装置及电子设备
CN110956386A (zh) * 2019-11-27 2020-04-03 北京国腾联信科技有限公司 基于多渠道的信用数据的处理方法和装置
CN111598143B (zh) * 2020-04-27 2023-04-07 浙江工业大学 基于信用评估的面向联邦学习中毒攻击的防御方法
CN112766649B (zh) * 2020-12-31 2022-03-15 平安科技（深圳）有限公司 基于多评分卡融合的目标对象评价方法及其相关设备
CN112634033A (zh) * 2021-01-04 2021-04-09 深圳前海微众银行股份有限公司 基于域分解机的模型构建方法、装置、系统及存储介质
CN112907035B (zh) * 2021-01-27 2022-08-05 厦门卫星定位应用股份有限公司 基于K-means的交通运输主体信用评级方法及装置
CN113435746B (zh) * 2021-06-28 2022-09-27 平安银行股份有限公司 用户工作量的评分方法、装置、电子设备及存储介质
US11423680B1 (en) * 2021-11-10 2022-08-23 Sas Institute Inc. Leveraging text profiles to select and configure models for use with textual datasets
CN114462516B (zh) * 2022-01-21 2024-04-16 天元大数据信用管理有限公司 一种企业信用评分样本标注方法及装置

Family Cites Families (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002169958A (ja) * 2000-12-01 2002-06-14 Financial Technology Research Institute Inc 信用評価システム、信用評価方法及び信用評価プログラムを格納した記憶媒体
US7451065B2 (en) * 2002-03-11 2008-11-11 International Business Machines Corporation Method for constructing segmentation-based predictive models
US7813945B2 (en) 2003-04-30 2010-10-12 Genworth Financial, Inc. System and process for multivariate adaptive regression splines classification for insurance underwriting suitable for use by an automated system
US7720757B2 (en) 2003-11-12 2010-05-18 Compucredit Intellectual Property Holdings Corp. Ii System and method for providing a credit account for debt recovery
US20050234761A1 (en) 2004-04-16 2005-10-20 Pinto Stephen K Predictive model development
JP5002811B2 (ja) 2004-10-26 2012-08-15 国立大学法人横浜国立大学 多変数モデル解析システム、方法、プログラム、およびプログラム媒体
US8543499B2 (en) 2004-10-29 2013-09-24 American Express Travel Related Services Company, Inc. Reducing risks related to check verification
US7814004B2 (en) 2004-10-29 2010-10-12 American Express Travel Related Services Company, Inc. Method and apparatus for development and use of a credit score based on spend capacity
US7912770B2 (en) 2004-10-29 2011-03-22 American Express Travel Related Services Company, Inc. Method and apparatus for consumer interaction based on spend capacity
WO2007005975A2 (en) 2005-07-01 2007-01-11 Valen Technologies, Inc. Risk modeling system
US20080243569A1 (en) 2007-04-02 2008-10-02 Michael Shane Hadden Automated loan system and method
US7805395B2 (en) 2007-04-17 2010-09-28 Austin Logistics Incorporated System and method for automated population splitting to assist task management through analytics
US20090018982A1 (en) 2007-07-13 2009-01-15 Is Technologies, Llc Segmented modeling of large data sets
US8615467B2 (en) 2007-11-07 2013-12-24 International Business Machines Corporation Electronic system for selecting the best card from a collection of consumer credit, debit, and discount cards
CN101685458B (zh) 2008-09-27 2012-09-19 华为技术有限公司 一种基于协同过滤的推荐方法和系统
CN102063457A (zh) 2010-09-21 2011-05-18 合肥兆尹信息科技有限责任公司 一种数据分类方法及系统
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
US8990149B2 (en) 2011-03-15 2015-03-24 International Business Machines Corporation Generating a predictive model from multiple data sources
CN103782318A (zh) 2011-05-18 2014-05-07 信用公司 用于产生信贷反馈环的系统和方法
US20130166436A1 (en) 2011-12-22 2013-06-27 Ike O. Eze Deriving buyer purchasing power from buyer profile and social network data
CN103377296B (zh) * 2012-04-19 2016-05-18 中国科学院声学研究所 一种多指标评价信息的数据挖掘方法
US8984022B1 (en) * 2012-04-20 2015-03-17 Fair Isaac Corporation Automating growth and evaluation of segmentation trees
US9501799B2 (en) 2012-11-08 2016-11-22 Hartford Fire Insurance Company System and method for determination of insurance classification of entities
US20140156501A1 (en) 2012-12-04 2014-06-05 Mastercard International Incorporated Real-time interactive credit score improvement coach
US9367520B2 (en) 2012-12-20 2016-06-14 Fair Isaac Corporation Scorecard models with measured variable interactions
US10699335B2 (en) 2013-05-02 2020-06-30 The Dun & Bradstreet Corporation Apparatus and method for total loss prediction
US20140365356A1 (en) * 2013-06-11 2014-12-11 Fair Isaac Corporation Future Credit Score Projection
US10650446B2 (en) 2013-12-25 2020-05-12 Behalf Ltd. System and method for generating a virtual credit score and a respective virtual credit line
US20150235321A1 (en) 2014-02-18 2015-08-20 Mastercard International Incorporated Insurance risk modeling method and apparatus
US9697469B2 (en) * 2014-08-13 2017-07-04 Andrew McMahon Method and system for generating and aggregating models based on disparate data from insurance, financial services, and public industries
US20160055589A1 (en) 2014-08-20 2016-02-25 Midwest Employers Casualty Company Automated claim risk factor identification and mitigation system
US10223746B2 (en) 2014-12-29 2019-03-05 Lexisnexis Risk Solutions Fl Inc. Systems and methods for inferring the performance of rejected credit applicants
US20160225073A1 (en) * 2015-01-30 2016-08-04 Wal-Mart Stores, Inc. System, method, and non-transitory computer-readable storage media for predicting a customer's credit score
US9904916B2 (en) * 2015-07-01 2018-02-27 Klarna Ab Incremental login and authentication to user portal without username/password
CN105354210A (zh) * 2015-09-23 2016-02-24 深圳市爱贝信息技术有限公司 移动游戏支付账户行为数据处理方法和装置
US9723144B1 (en) 2016-09-20 2017-08-01 Noble Systems Corporation Utilizing predictive models to improve predictive dialer pacing capabilities

Also Published As

Publication number Publication date
KR20190113924A (ko) 2019-10-08
US11188565B2 (en) 2021-11-30
PH12019501965A1 (en) 2020-06-29
SG11201907663XA (en) 2019-09-27
KR102315497B1 (ko) 2021-10-21
CN108665120A (zh) 2018-10-16
CN108665120B (zh) 2020-10-20
WO2018183069A1 (en) 2018-10-04
JP6905076B2 (ja) 2021-07-21
US20180276291A1 (en) 2018-09-27
JP2020515965A (ja) 2020-05-28

Similar Documents

Publication Publication Date Title
TW201835789A (zh) 評分模型的建立、用戶信用的評估方法及裝置
Kan Machine learning applications in cell image analysis
US10348550B2 (en) Method and system for processing network media information
CN107766929B (zh) 模型分析方法及装置
WO2019205325A1 (zh) 确定用户风险等级的方法、终端设备及计算机可读存储介质
CN108052862B (zh) 年龄预估方法和装置
CN104809408A (zh) 一种基于差分隐私的直方图发布方法
CN110852881B (zh) 风险账户识别方法、装置、电子设备及介质
CN110210626A (zh) 数据处理方法、装置和计算机可读存储介质
CN111967971A (zh) 银行客户数据处理方法及装置
US20190080248A1 (en) System and method for facilitating model-based classification of transactions
CN111160959A (zh) 一种用户点击转化预估方法及装置
WO2020024444A1 (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备
JP2015162109A (ja) タスク割り当てサーバ、タスク割り当て方法およびプログラム
CN108268611B (zh) 一种基于MapReduce的k-means文本聚类的方法及装置
CN109145207B (zh) 一种基于分类指标预测的信息个性化推荐方法及装置
CN117194966A (zh) 对象分类模型的训练方法和相关装置
CN114268625B (zh) 特征选择方法、装置、设备及存储介质
CN113239034A (zh) 一种基于人工智能的大数据资源整合方法、系统及云平台
CN109800384B (zh) 一种基于粗糙集信息决策表的基本概率赋值计算方法
CN112861962A (zh) 样本处理方法、装置、电子设备和存储介质
CN110688371B (zh) 数据调整方法、装置、电子设备及存储介质
CN113742495B (zh) 基于预测模型的评级特征权重确定方法及装置、电子设备
CN115550259B (zh) 基于白名单的流量分配方法及相关设备
US20210042768A1 (en) Synthetic cohort decay analysis and uses thereof