TW202016860A - 確定用戶金融違約風險的方法及裝置 - Google Patents

Abstract

本說明書的實施例提供一種確定用戶金融違約風險的方法和裝置，根據該方法的一個實施方式，分別利用基於循環神經網路的不同模型處理用戶的短期操作序列、長期行為資料集序列，來對用戶進行風險評估，並至少將兩種不同的處理結果進行綜合處理，以得到用戶金融違約風險結果。這樣，一方面，利用更加深度的時序資料，另一方面，藉由多個模型的輸出結果進行綜合確定最終結果。該實施方式可以提高確定用戶金融違約風險的有效性。

Description

確定用戶金融違約風險的方法及裝置

本說明書的一個或多個實施例涉及電腦技術領域，尤其涉及藉由電腦確定用戶金融違約風險的方法和裝置。

隨著電腦和互聯網技術的發展，越來越多的業務透過計算平臺來實現，例如商品交易、錢款支付、金融借貸、保險理賠等等。然而，在許多業務的執行和處理中，有一些用戶操作行為對金融平臺或其他用戶而言有一定的金融風險，例如請求先享後付類服務，採用花唄、白條等透支服務，申請借貸等。這就需要對用戶的金融違約風險預先進行評估和判斷。 常規技術中，為了防止和降低上述風險，往往透過用戶的身份、歷史交易行為等資訊對用戶的信用進行評估。然而，這些資訊通常是靜態資訊，無法體現用戶行為等資訊之間的關聯關係，並且對於新用戶，可能無法獲取相應資訊，從而無法確定信用風險。因此，需要更有效的方式，利用更多的網路資料以及更有效的評測方式，對用戶進行全面分析，提高對用戶金融違約風險評估的有效性。

本說明書的一個或多個實施例描述了一種確定用戶金融違約風險的方法和裝置，可以更有效地對用戶的信用風險進行分析和評估。 根據第一方面，提供了一種確定用戶金融違約風險的方法，包括：獲取待評測用戶在第一時間段內的短期操作序列，以及第二時間段內的長期行為資料集序列，所述第二時間段大於所述第一時間段，所述短期操作序列包括按照時間順序排列之與所述待評測用戶的操作行為相關的多條操作資訊，所述長期行為資料集序列包括按照時間順序排列的多個行為資料集，各行為資料集分別對應預設的第三時間段，所述行為資料集包括與所述待評測用戶的交易行為相關的行為資訊；利用基於循環神經網路的第一模型來處理所述短期操作序列，以獲得第一輸出結果；利用基於循環神經網路的第二模型來處理所述長期行為資料集序列，以獲得第二輸出結果；至少對所述第一輸出結果和所述第二輸出結果進行預定處理，並根據處理結果來確定所述待評測用戶的金融違約風險。 在一些實施例中，所述操作資訊包括以下至少一項：瀏覽資訊、點擊資訊、登入的應用程式、登入的設備、地理位置資訊。 在一些實施例中，所述交易行為資訊包括以下至少一項：交易時間、交易對象、交易金額。 在一些實施例中，所述方法還包括：獲取所述待評測用戶的屬性資訊；利用預測模型來處理所述屬性資訊，以得到第三輸出結果；以及 所述至少對所述第一輸出結果和所述第二輸出結果進行預定處理，並根據處理結果來確定所述待評測用戶的金融違約風險包括：對所述第一輸出結果、所述第二輸出結果和所述第三輸出結果進行所述預定處理，並根據處理結果來確定所述待評測用戶的金融違約風險。 在一些實施例中，所述預定處理包括以下至少一項：求平均值；取最大值；作為特徵輸入預設的邏輯回歸模型，以得到邏輯回歸結果。 在一些實施例中，所述第一模型/所述第二模型包括多層疊加的長短期記憶模型LSTM。 在一些實施例中，所述第一模型/所述第二模型的訓練樣本包括多個標注用戶，所述標注用戶至少具有預先標注的信用標籤。 在一些實施例中，所述多個標注用戶包括第一標注用戶，所述第一標注用戶對應的第一信用標籤藉由以下方式確定：獲取所述第一標注用戶在預定時間段內的信用記錄；基於所述信用記錄來確定所述第一信用標籤。 在一些實施例中，所述基於所述信用記錄來確定所述第一信用標籤包括：從所述信用記錄中確定所述第一標注用戶的守信次數和失信次數；在所述失信次數和所述守信次數的比例超過預設比例閾值的情況下，確定所述第一信用標籤為失信用戶。 在一些實施例中，所述基於所述信用記錄來確定所述第一信用標籤包括：檢測所述第一標注用戶的失信次數是否為零；在所述失信次數非零的情況下，確定所述第一信用標籤為失信用戶。 根據第二方面，提供一種確定用戶金融違約風險的裝置，包括：獲取單元，其被配置為獲取待評測用戶在第一時間段內的短期操作序列，以及第二時間段內的長期行為資料集序列，所述第二時間段大於所述第一時間段，所述短期操作序列包括按照時間順序排列之與所述待評測用戶的操作行為相關的多條操作資訊，所述長期行為資料集序列包括按照時間順序排列的多個行為資料集，各行為資料集分別對應預設的第三時間段，所述行為資料集包括與所述待評測用戶的交易行為相關的行為資訊；第一處理單元，其被配置為利用基於循環神經網路的第一模型來處理所述短期操作序列，以獲得第一輸出結果；第二處理單元，其被配置為利用基於循環神經網路的第二模型來處理所述長期行為資料集序列，以獲得第二輸出結果；確定單元，其被配置為至少對所述第一輸出結果和所述第二輸出結果進行預定處理，並根據處理結果來確定所述待評測用戶的金融違約風險。 根據第三方面，提供了一種電腦可讀儲存媒介，其上儲存有電腦程式，當所述電腦程式在電腦中執行時，令電腦執行第一方面的方法。 根據第四方面，提供了一種計算設備，包括記憶體和處理器，其特徵在於，所述記憶體中儲存有可執行的程式碼，所述處理器執行所述可執行的程式碼時，實現第一方面的方法。 透過本說明書的實施例提供的確定用戶的金融違約風險的方法和裝置，分別利用基於循環神經網路的不同模型來處理用戶的短期操作序列、長期行為資料集序列，對用戶進行風險評估，並至少將兩種不同的處理結果進行綜合處理，以得到用戶金融違約風險結果。這樣，一方面，利用更加深度的時序資料，另一方面，透過多個模型的輸出結果進行綜合來確定最終結果。因而，可以提高確定用戶金融違約風險的有效性。

下面結合附圖，對本說明書提供的方案進行描述。 圖1為本說明書揭露的一個實施例的實施場景示意圖。如圖1所示，用戶可以透過終端機(terminal)進行各種操作，例如瀏覽網頁，點擊頁面上的超連結等，還有可能透過網路，與後臺伺服器進行各種交流互動，例如進行多種與借貸相關的行為，如申請借款、還款、申請延期還款等。相應地，終端機可以透過日誌等來記錄用戶的操作資訊，後臺伺服器也可以記錄用戶進行的與後臺伺服器提供的服務相關的行為。例如，用戶透過支付寶下的“螞蟻花唄”申請了一筆借款，然後每月還款，這時網路平臺即為支付寶平臺，後臺伺服器就可以是支付寶平臺伺服器。可以理解的是，後臺伺服器可以是集中的伺服器，也可以分散式伺服器，還可以是互相完全獨立的多個伺服器，在此不做限定。 為了對用戶的信用風險進行評估，計算平臺可以從各個借貸平臺或終端機獲取相應的用戶資料，由計算平臺進行綜合分析，確定出用戶的金融違約風險。在說明書揭露的實施例中，計算平臺獲取相關用戶資料之後，可以利用機器學習和循環神經網路，採用多個神經網路模型相結合的構架，對這些資料進行全面分析，進而對金融風險進行評估。上述計算平臺可以是任何具有計算、處理能力的裝置、設備和系統，例如可以是伺服器，它既可以作為獨立的計算平臺，也可以集成到為某些服務(如借貸)提供支援的後臺伺服器中。 更具體地，計算平臺一方面可以獲取用戶短期(如24個小時)內的各種操作形成的操作序列，透過基於循環神經網路的第一模型來進行處理，以挖掘用戶短期操作行為對用戶信用的影響，得到第一輸出結果。另一方面，計算平臺還可以獲取用戶在若干個週期(例如1天)內的行為資料集，每個行為資料集可以包括用戶在相應週期內的行為統計結果，計算平臺可以利用基於循環神經網路的第二模型對這些行為資料集按照時間順序排列成的長期行為資料集序列進行處理，得到第二輸出結果。進一步地，計算平臺還可以至少對第一輸出結果和第二輸出結果進行綜合處理，從而進行最終的金融風險評估。下面描述計算平臺評估金融違約風險的具體過程。 圖2示出根據一個實施例的確定用戶金融違約風險的方法流程圖。該方法的執行主體可以是任何具有計算、處理能力的系統、設備、裝置、平臺或伺服器，例如圖1所示的計算平臺等。更具體地，例如可以是為借貸服務提供支援的借貸伺服器等。 如圖2示，該方法包括以下步驟：步驟21，獲取待評測用戶在第一時間段內的短期操作序列，以及第二時間段內的長期行為資料集序列，其中，第二時間段大於第一時間段，短期操作序列包括按照時間順序排列之與待評測用戶的操作行為相關的多條操作資訊，長期行為資料集序列包括按照時間順序排列的多個行為資料集，各行為資料集分別對應預設的第三時間段，每個行為資料集包括與待評測用戶的交易行為相關的行為資訊；步驟22，利用基於循環神經網路的第一模型來處理短期操作序列，以獲得第一輸出結果；步驟23，利用基於循環神經網路的第二模型來處理長期行為資料集序列，以獲得第二輸出結果；步驟24，至少對第一輸出結果和第二輸出結果進行預定處理，並根據處理結果來確定待評測用戶的金融違約風險。 首先，在步驟21，獲取待評測用戶在第一時間段內的短期操作序列，以及第二時間段內的長期行為資料集序列。這裡，第一時間段可以是相對較短的一個時間段，例如1天(24小時)、12個小時等。第二時間段可以是相對較長的一個時間段，例如1個月、3個月、1年等等。第二時間段可以遠大於第一時間段。如此，為了描述方便，可以將第一時間段對應短期，第二時間段對應長期。 短期操作序列可以包括按照時間順序排列之與待評測用戶的操作行為相關的多條操作資訊。操作資訊可以包括但不限於瀏覽資訊、點擊資訊、登入的應用程式、登入的設備、地理位置資訊、交易資訊等等中的一項或多項。瀏覽資訊例如可以包括瀏覽的頁面、頁面網址、網站功能變數名稱等。點擊資訊例如可以包括點擊的超連結、所點擊超連結對應的頁面、提交表單所點擊的按鈕等等。登入的設備例如可以是桌上型電腦、筆記型電腦、平板電腦、智慧手機等等。地理位置資訊可以根據登入的設備的定位資訊確定。例如，設備的定位資訊可以根據智慧手機上的SIM卡當前距離最近的通信基站、電腦接入網路的IP位址、設備上的軟/硬體定位裝置(如GPS定位系統)等等來確定。在一個實施中，上述操作資訊可以從用戶當前登入的設備的操作日誌中獲取。在另一個實施中，上述操作資訊還可以透過相同用戶ID登入的不同設備，在用戶ID登入期間的操作日誌獲取。在有一些實施中，上述操作資訊還可以透過根據大數據確定的相似用戶(或同一用戶)在不同平臺的用戶ID，在登入相應平臺期間的操作日誌獲取。在此不做限定。 短期操作序列可以將第一時間段內的各條操作資訊按照發生的時間順序排列。請參考表1，假設從操作日誌中獲取了如下操作資訊： 表1 操作日誌示意

在表1示出的操作日誌示意表格中，每一行代表一條操作資訊。相應的短期操作序列可以表示為[瀏覽商品頁面；點擊購物車頁面；……]，還可以添加時間資訊，表示為[10點01：瀏覽商品頁面:10點20：點擊購物車頁面；……]。在一些實施例中，操作序列還可以用向量表示，例如[

，

，

……]，其中

可以表示瀏覽商品頁面的操作向量，如[1，0，0，1……]，

可以表示點擊購物車頁面，如[0，1，0，0……]，等等。在一個實施例中，還可以透過詞向量模型(如word2vec)將各條操作資訊藉由詞向量表示，在此不再贅述。如此，可以獲取到用戶在短期內的各種操作相關的具有時序特徵的資訊。 上述的長期行為資料集序列可以包括，按照時間順序排列的多個行為資料集。在第二時間段內，可以將預設的第三時間段(例如1天)作為一個週期。通常，第二時間段可以是第三時間段的整數倍。對於這樣的週期，可以獲取每個週期內與用戶的交易行為有關的各種資訊，將這樣的資訊整理為一個資料集。具體地，在一個實施例中，可以對用戶在上述週期內的交易行為資訊進行統計，形成資料集。 在一個實施例中，與用戶的交易行為相關的行為資訊可以包括，在購物平臺瀏覽商品、下單、所購買商品類型、商品價格、是否支付、付款金額等行為。 在另一個實施例中，與用戶的交易行為相關的行為資訊可以包括，是否透過金融借貸平臺進行借款、借款額度、是否還款等等。 在另一個實施例中，與用戶的交易行為相關的行為資訊可以包括，與其他用戶之間的轉帳行為、轉帳金額等等。 在更多實施例中，與用戶的交易行為相關的行為資訊還可以包括更多資訊，在此不再贅述。 進一步地，可以對每個週期內的用戶交易行為資訊進行統計，形成相應週期內的行為資料集。例如，{瀏覽商品頁面：5次；支付：1次……}。其中，5次、1次等還可以替換成與次數正相關的權重值。瀏覽商品頁面、支付等還可以替換成字元或詞向量。如此，對於多個週期的行為資料集，可以構成具有時序特徵的長期行為資料集序列。藉由長期行為資料集序列，可以體現用戶長期的交易行為習慣等。例如每個月從固定日期(如工資到賬的日期)購買行為較多，交易金額相對較大，逐漸衰減到無購買行為、或較少購買行為、交易金額相對較小等，直到下個月的上述固定日期再重複這樣的過程。 可以理解的是，在一些實現中，上述第一時間段、第二時間段都可以是，從當前時間開始向前回溯的時間段。 藉由以上描述可知，上述短期操作序列和長期行為資料集序列都是具有時序特徵的資料序列。對於這樣的序列，可以藉由循環神經網路模型來處理，進而從時序的角度對用戶的行為進行預測。 可以理解的是，循環神經網路(RNN，Recurrent Neural Networks)是一種時間遞迴神經網路，可用於處理序列資料。在RNN中，一個序列當前的輸出與其前面的輸出相關聯。具體地，RNN會對前面的資訊進行記憶並應用於當前輸出的計算中，即隱藏層之間的節點是有連接的，並且隱藏層的輸入不僅包括輸入層的輸出還包括上一時刻隱藏層的輸出。如圖3示出的循環神經網路時序示意圖中，第t次的隱含層狀態可以表示為：S_t =f(U*X_t +W*S_t-1 )； 其中，X_t 為第t次輸入層的狀態，S_t-1 為第t-1次隱含層狀態，f為計算函數，W、U為權重。如此，RNN將之前的狀態循環回當前輸入，考慮了歷史輸入的影響，因而適合於具有時序的資料序列。 更進一步地，在一個實施例中，在RNN架構下，可以採用長短期記憶模型(LSTM，Long Short Term Memory)進行上述序列資料的處理。 如前所述，在RNN中當前隱含層狀態依賴於之前的狀態輸出，因此在處理時，需要將當前的隱含態的計算與前n次的計算關聯，即S_t = f(U*X_t + W₁ *S_t-1 + W₂ *S_t-2 + … + W_n *S_t-n )。隨著n的增大，計算量呈指數式增長，導致模型訓練的時間大幅增加。為此，提出LSTM模型來解決長期依賴的問題。 在LSTM模型中，藉由設置讓資訊選擇性透過的“遺忘門”來丟棄某些不再需要的資訊，如此對輸入的不必要的干擾資訊進行判斷和遮罩，進而更好地對資料序列進行分析處理。 請參考圖3，對於LSTM中的某個神經元，用X_t-1 、X_t 、X_t+1 分別表示t-1時刻、t時刻和t+1時刻的輸入，S_t-1 、S_t 、S_t+1 分別表示t-1時刻、t時刻和t+1時刻該神經元的狀態，而C_t-1 、C_t 、C_t+1 分別表示t-1時刻、t時刻和t+1時刻的輸出，其中： S_t =g(U*X_t +W*C_t-1 +b_s )； C_t =f(V*S_t-1 +b_c )； S_t+1 =g(U*X_t +W*C_t +b_s )； C_t+1 =f(V*S_t +b_c )； 其中，U、W、V為權重。 可以看出的是，在LSTM模型中，每個神經元的當前狀態由當前時刻的輸入和前一時刻的輸出共同決定，每個神經元的當前輸出和前一時刻的狀態相關。透過LSTM模型對資料序列進行分析，可以有選擇地記憶資訊，挖掘出長距離的資料依賴。 在一個實施例中，還可以採用多層疊加的LSTM模型來處理多條資料按照時序構成的序列。 在圖2示出的實施例中，藉由步驟22和步驟23分別對上述短期操作序列和長期行為資料集序列進行處理。可以理解的是，步驟22和步驟23可以並存執行，也可以調換循序執行，本說明書實施例對此不做限定。 具體地，在步驟22中，利用第一循環神經網路來處理上述短期操作序列，獲得第一輸出結果。對於短期操作序列的各條資料，依次輸入LSTM模型。對每條資料而言，各個元素分別對應輸入層的各個神經元，每個神經元的當前輸出影響下一條資料登入該神經元後的輸出。 圖4示出根據一個實施例的利用循環神經網路的處理短期操作序列的示意圖。如圖4所示，用序號1、2、3、4、5、6、7……表示短期操作序列的各條資料，例如序號1對應第1條操作資訊：瀏覽購物頁面a，序號2對應第2條操作資訊：付款30元，等等。在圖4的示例中，循環神經網路包括多層疊加的LSTM模型。作為示意，圖4僅示出了多層疊加的LSTM模型在t-1、t、t+1時刻的時序。在圖4中，t-1時刻，多層疊加的LSTM模型接受序號為3的一條操作資訊。該條操作資訊經過LSTM模型的處理，每層的輸出被記錄。在t時刻，LSTM模型接受序號為4的一條操作資訊。LSTM模型處理該條操作資訊時，同時考慮各層中t-1時刻的輸出記錄。以此類推，直至上述短期操作序列被完全處理。 經過多層循環神經網路的處理，可以獲得第一輸出結果。該第一輸出結果是與短期操作序列中的各條操作資訊及其產生順序相關的一個中間結果。在一個實施例中，該第一輸出結果可以是一個用戶信用/風險分數。 此時，用於處理上述短期操作序列的循環神經網路可以以多個標注用戶作為樣本進行訓練。這多個標注用戶分別對應有歷史短期操作序列和預先標注的信用標籤。 其中，標注用戶的歷史短期操作序列和上述短期操作序列可以具有一致的時間切入點。這裡的時間切入點，可以理解為藉由本實施例的確定用戶的金融違約風險的時機。例如，對於某個借貸平臺(如“花唄”)，上述短期操作序列是用戶在該平臺開通服務前24小時內的操作資訊按照時序排列得到的序列，則標注用戶可以是在該平臺已經開通服務的用戶，標注用戶的歷史短期操作序列是相應用戶在該平臺開通服務前24小時內的操作資訊按照時序排列得到的序列。該例子中的時間切入點是用戶在該平臺開通服務。 而標注用戶對應的信用標籤，可以是根據用戶在該平臺或其他平臺的信用情況標注的。可以獲取相應用戶在預定時間段內的信用記錄，並基於信用記錄確定相應的信用標籤。這裡的預定時間段例如可以是在相應平臺開通服務後的3個月、6個月、1年等。 可以理解的是，對用戶的標注資訊可以包括諸如“失信用戶”、“守信用戶”之類的標籤，該標籤也可以透過數值(如1、0)進行表示。用戶的標注資訊可以透人工確定，也可以透過電腦進行。 在一個實施例中，可以從用戶的信用記錄中確定該用戶的守信次數和失信次數，並在失信次數和守信次數的比例超過預設比例閾值(如1:1)的情況下，確定相應用戶的信用標籤為“失信用戶”。否則，確定相應用戶的信用標籤為“守信用戶”。 在另一個實施例中，可以檢測用戶的失信次數是否為零，在失信次數非零的情況下，確定相應用戶的信用標籤為“失信用戶”。否則，確定相應用戶的信用標籤為“守信用戶”。 值得說明的是，在本說明書實施例中，雖然可以透過電腦確定作為樣本的用戶的標注資訊，但卻不能直接利用該標注方法對用戶金融違約風險進行評測。這是因為，確定用戶標注資訊的方法簡單、粗略，往往對應兩個結果中的一個，來表示用戶的金融違約風險偏向，而本說明書實施例旨在提供一種確定用戶金融違約風險的方案，這種方案，具有普適性，可以較準確地進行風險評估，對於沒有信用記錄的新用戶、信用記錄較少的老用戶等，都可以給出較準確的風險度估計，而這是上述確定用戶標注資訊的方法不能實現的。 為了區分，將以上訓練的循環神經網路稱為第一循環神經網路。透過該步驟，可以挖掘出待評估用戶的短期操作資訊對用戶風險的影響。除了利用第一循環神經網路來處理待評測用戶的短期操作序列之外，另一方面，還透過步驟23，利用第二循環神經網路來處理長期行為資料集序列，獲得第二輸出結果。對於長期行為資料集序列中的各個行為資料集，可以依次輸入LSTM模型。對一個行為資料集而言，各個元素分別對應輸入層的各個神經元，每個神經元的當前輸出影響下一條資料登入該神經元後的輸出。 圖5示出根據一個實施例的利用第二循環神經網路來處理長期行為資料集序列的示意圖。如圖5所示，用序號按照日期3號、4號……表示各個短週期內的行為資料集，例如3號對應3號這天的行為資料集，4號對應4號這天的行為資料集，等等。作為示意，圖5僅示出了多層疊加的LSTM模型在t-1、t、t+1時刻的時序。在圖5中，t-1時刻，多層疊加的LSTM模型接受3號這天的行為資料集。該行為資料集經過LSTM模型的處理，每層的輸出被記錄。在t時刻，LSTM模型接受4號這天的行為資料集。LSTM模型處理該行為資料集時，同時考慮各層中t-1時刻的輸出記錄。以此類推，直至上述長期行為資料集序列被完全處理。 經過第二循環神經網路的處理，可以獲得第二輸出結果。該第二輸出結果是與長期行為資料集序列的各個行為資料集的時序相關的一個中間結果。在一個實施例中，該第二輸出結果可以是另一個用戶信用/風險分數。 可以理解的是，處理上述長期行為資料集序列的循環神經網路也可以用多個標注用戶來作為樣本進行訓練。這多個標注用戶分別對應有歷史長期行為資料集序列和預先標注的信用標籤。其中，標注用戶的歷史長期行為資料集序列和待評估用戶的長期行為資料集序列，也具有一致的時間切入點。例如，對於某個借貸平臺(如“花唄”)，上述長期行為資料集序列是用戶在該平臺開通服務前1個月內的行為資訊，按照時序排列得到的序列，則標注用戶可以是在該平臺已經開通服務的用戶，標注用戶的歷史長期行為資料集序列是相應用戶在該平臺開通服務前1個月內的行為資訊按照時序排列得到的序列。這裡的時間切入點是用戶在該平臺開通服務。標注用戶對應的信用標籤的標注方法和步驟22中的標注方法一致，在此不再贅述。 藉由該步驟，可以挖掘出待評估用戶的長期行為資訊對用戶風險的影響。 進一步地，在步驟22、步驟23的基礎上，藉由步驟24，至少基於對第一輸出結果和第二輸出結果的預定處理，以根據處理結果確定待評測用戶的金融違約風險。可以理解的是，預定處理是預先儲存的處理方法。如圖6所示。金融違約風險可以透過分數、小數、類別、偏向等來表示，在此不做限定。 在一個實施例中，該處理方法可以是簡單規則，例如求和、求平均值、求最大值，等等。以求平均值為例，可以將第一輸出結果和第二輸出結果的平均值作為待評測用戶的金融違約風險的量值。可選地，還可以先判斷進行處理的結果(如第一輸出結果和第二輸出結果)是否包括異常值(如超出預定範圍，或者為空等)，如果包括異常值，則排除異常值，取另一個值。如此，在待評測用戶的短期操作序列或者長期行為序列中的一個無法獲取等情況下，仍然可以得到待評測用戶的金融違約風險。 在一個實施例中，該處理方法還可以包括將上述輸出結果作為特徵輸入邏輯回歸模型(如LR模型)，藉由該邏輯回歸模型在對第一輸出結果、第二輸出結果進行線性回歸的基礎上，進行一個邏輯運算，使得模型的輸出值落入預設區間(如0-1之間)。該邏輯回歸模型可以是預先訓練的模型，也可以是預先設定的模型，在此不做限定。其中，預先設定的模型可以是認為確定計算方法和參數的模型。 可以理解的是，短期操作資訊和長期行為資訊都是用戶獨特的縱向特徵，透過這種獨特的縱向特徵，對用戶金融違約風險的評價更加精准。同時，由於透過多個模型分別處理多種時序資料，對多個評估結果進行綜合，可避免單面評估，或一種資料無效對評估結果的影響。 根據一個可能的設計，上述方法還可以包括：獲取待評測用戶的屬性資訊，利用預先訓練的預測模型來處理該屬性資訊，得到第三輸出結果。這裡，屬性資訊可以是用於表示用戶屬性的資訊，例如性別、年齡、職業、收入、財產狀況等等。預測模型的訓練樣本可以包括多個標注用戶。這些標注用戶分別對應有屬性資訊資料集，以及信用標籤，在此不再贅述。其中，信用標籤的確定方法同前，在此不再贅述。該預測模型可以是透過梯度提升決策樹(GBDT)、全連接神經網路等等訓練的模型。以該預測模型是透過全連接神經網路訓練的模型為例，請參考圖7。利用全連接神經網路來處理該屬性資訊的過程如圖7所示，將一個待評測用戶的屬性資訊輸入全連接神經網路，全連接神經網路的每個隱含層的輸出與前一層的各個神經元的輸出有關。 此時，在步驟24，還可以對第一輸出結果、第二輸出結果和第三輸出結果一起進行上述預定處理，以根據處理結果確定待評測用戶的金融違約風險。由於用戶的屬性資訊具有比較泛化的特徵，可以對橫向評估用戶的信用度，評價角度更廣。 回顧以上過程，在對用戶進行金融違約風險評估時，針對用戶的縱向資料，分別利用不同的循環神經網路來處理用戶的短期操作序列，以及長期行為資料集序列，對用戶進行風險評估，並至少將兩種不同的處理結果進行綜合處理。這樣，一方面，利用更加深度的資料，另一方面，即使一個結果異常，也能透過另一個結果確定最終結果。因而，可以提高確定用戶金融違約風險的有效性。此外，還可以透過用戶的屬性資訊作為橫向資訊，對用戶的風險度進行評估，利用更多資料，進行全面分析，提高評估結果的準確度。 根據另一方面的實施例，還提供一種確定用戶的金融違約風險的裝置。圖8示出根據一個實施例的確定用戶的金融違約風險的裝置的示意性方塊圖。如圖8所示，針對確定用戶的金融違約風險的裝置800包括：獲取單元81，其被配置為獲取待評測用戶在第一時間段內的短期操作序列，以及第二時間段內的長期行為資料集序列，第二時間段大於所述第一時間段，短期操作序列包括按照時間順序排列之與待評測用戶的操作行為相關的多條操作資訊，長期行為資料集序列包括按照時間順序排列的多個行為資料集，各行為資料集分別對應預設的第三時間段，行為資料集包括與待評測用戶的交易行為相關的行為資訊；第一處理單元82，其被配置為利用基於循環神經網路的第一模型來處理短期操作序列，以獲得第一輸出結果；第二處理單元83，其被配置為利用基於循環神經網路的第二模型來處理長期行為資料集序列，以獲得第二輸出結果；確定單元84，其被配置為至少對第一輸出結果和第二輸出結果進行預定處理，並根據處理結果確定待評測用戶的金融違約風險。 在一個實施例中，上述操作資訊包括以下至少一項：瀏覽資訊、點擊資訊、登入的應用程式、登入的設備、地理位置資訊。 在一個實施例中，上述行為資訊包括以下至少一項：交易時間、交易對象、交易金額。 根據一個可能的設計，裝置800還可以包括第三處理單元(未示出)，其被配置為： 獲取待評測用戶的屬性資訊； 利用預測模型來處理上述屬性資訊，以得到第三輸出結果。 此時，確定單元84進一步還可以被配置為： 對第一輸出結果、第二輸出結果和第三輸出結果進行上述預定處理，並根據處理結果來確定待評測用戶的金融違約風險。 在一個實施例中，上述預定處理可以包括以下至少一項： 求平均值； 取最大值； 作為特徵輸入預設的邏輯回歸模型，以得到邏輯回歸結果。 根據一種實施方式，第一模型/第二模型包括多層疊加的長短期記憶模型LSTM。 在一個實施例中，第一模型/第二模型的訓練樣本包括多個標注用戶，標注用戶至少具有預先標注的信用標籤。該信用標籤可以透過人工確定，也可以透過裝置800確定。 該信用標籤透過裝置800確定時，裝置800還可以包括標注單元(未示出)。為了描述方便，將多個標注用戶中的任一個標注用戶稱為第一標注用戶，標注單元可以透過以下方式確定第一標注用戶對應的第一信用標籤： 獲取第一標注用戶在預定時間段內的信用記錄； 基於信用記錄確定第一信用標籤。 在一個進一步的實施例中，標注單元可以從上述信用記錄中確定第一標注用戶的守信次數和失信次數；在失信次數和守信次數的比例超過預設比例閾值的情況下，確定第一信用標籤為失信用戶。 在另一個進一步的實施例中，標注單元可以檢測第一標注用戶的失信次數是否為零； 在失信次數非零的情況下，確定第一信用標籤為失信用戶。 值得說明的是，圖8所示的裝置800是與圖2示出的方法實施例相對應的裝置實施例，圖2示出的方法實施例中的相應描述同樣適用於裝置800，在此不再贅述。 藉由以上裝置，充分利用用戶短期和長期操作的時序資料，藉由多個模型的輸出結果進行綜合確定最終結果。因而，可以提高確定用戶金融違約風險的有效性。 根據另一方面的實施例，還提供一種電腦可讀儲存媒介，其上儲存有電腦程式，當所述電腦程式在電腦中執行時，令電腦執行結合圖2所描述的方法。 根據再一方面的實施例，還提供一種計算設備，包括記憶體和處理器，所述記憶體中儲存有可執行的程式碼，所述處理器執行所述可執行的程式碼時，實現結合圖2所述的方法。 本領域技術人員應該可以意識到的是，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、固件或它們的任意組合來實施。當使用軟體實施時，可以將這些功能儲存在電腦可讀媒介中或者作為電腦可讀媒介上的一個或多個指令或程式碼進行傳輸。 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、等效替換、改進等，均應包括在本發明的保護範圍之內。

800:確定用戶的金融違約風險的裝置 81:獲取單元 82:第一處理單元 83:第二處理單元 84:確定單元

為了更清楚地說明本發明的實施例的技術方案，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示出本說明書揭露的一個實施例的實施場景示意圖； 圖2示出根據一個實施例的確定用戶的金融違約風險的方法流程圖； 圖3示出循環神經網路的一個神經元的時序狀態示意圖； 圖4示出利用基於循環神經網路的第一模型來處理短期操作序列的示意圖； 圖5示出利用基於循環神經網路的第二模型來處理長期行為資料集序列的示意圖； 圖6示出對第一輸出結果和第二輸出結果進行預定處理的示意圖； 圖7示出利用基於全連接神經網路的預測模型來處理屬性資訊的示意圖； 圖8示出根據一個實施例的確定用戶的金融違約風險的裝置的示意性方塊圖。

Claims (22)

1. 一種確定用戶金融違約風險的方法，所述方法包含： 獲取待評測用戶在第一時間段內的短期操作序列，以及第二時間段內的長期行為資料集序列，所述第二時間段大於所述第一時間段，所述短期操作序列包括按照時間順序排列之與所述待評測用戶的操作行為相關的多條操作資訊，所述長期行為資料集序列包括按照時間順序排列的多個行為資料集，各行為資料集分別對應預設的第三時間段，所述行為資料集包括與所述待評測用戶的交易行為相關的行為資訊； 利用基於循環神經網路的第一模型來處理所述短期操作序列，以獲得第一輸出結果； 利用基於循環神經網路的第二模型來處理所述長期行為資料集序列，以獲得第二輸出結果； 至少對所述第一輸出結果和所述第二輸出結果進行預定處理，並根據處理結果來確定所述待評測用戶的金融違約風險。
2. 如申請專利範圍第1項所述的方法，其中，所述操作資訊包括以下至少一項：瀏覽資訊、點擊資訊、登入的應用程式、登入的設備、地理位置資訊。
3. 如申請專利範圍第1項所述的方法，其中，所述行為資訊包括以下至少一項：交易時間、交易對象、交易金額。
4. 如申請專利範圍第1項所述的方法，其中，所述方法還包含： 獲取所述待評測用戶的屬性資訊； 利用預測模型來處理所述屬性資訊，以得到第三輸出結果； 所述至少對所述第一輸出結果和所述第二輸出結果進行預定處理，並根據處理結果來確定所述待評測用戶的金融違約風險包括： 對所述第一輸出結果、所述第二輸出結果和所述第三輸出結果進行所述預定處理，並根據處理結果來確定所述待評測用戶的金融違約風險。
5. 如申請專利範圍第1或4項所述的方法，其中，所述預定處理包括以下至少一項： 求平均值； 取最大值； 作為特徵輸入預設的邏輯回歸模型，得到邏輯回歸結果。
6. 如申請專利範圍第1項所述的方法，其中，所述第一模型/所述第二模型包括多層疊加的長短期記憶模型LSTM。
7. 如申請專利範圍第1項所述的方法，其中，所述第一模型/所述第二模型的訓練樣本包括多個標注用戶，所述標注用戶至少具有預先標注的信用標籤。
8. 如申請專利範圍第7項所述的方法，其中，所述多個標注用戶包括第一標注用戶，所述第一標注用戶對應的第一信用標籤藉由以下方式確定： 獲取所述第一標注用戶在預定時間段內的信用記錄； 基於所述信用記錄來確定所述第一信用標籤。
9. 如申請專利範圍第8項所述的方法，其中，所述基於所述信用記錄來確定所述第一信用標籤包括： 從所述信用記錄中確定所述第一標注用戶的守信次數和失信次數； 在所述失信次數和所述守信次數的比例超過預設比例閾值的情況下，確定所述第一信用標籤為失信用戶。
10. 如申請專利範圍第8項所述的方法，其中，所述基於所述信用記錄來確定所述第一信用標籤包括： 檢測所述第一標注用戶的失信次數是否為零； 在所述失信次數非零的情況下，確定所述第一信用標籤為失信用戶。
11. 一種確定用戶金融違約風險的裝置，所述裝置包含： 獲取單元，其被配置為獲取待評測用戶在第一時間段內的短期操作序列，以及第二時間段內的長期行為資料集序列，所述第二時間段大於所述第一時間段，所述短期操作序列包括按照時間順序排列之與所述待評測用戶的操作行為相關的多條操作資訊，所述長期行為資料集序列包括按照時間順序排列的多個行為資料集，各行為資料集分別對應預設的第三時間段，所述行為資料集包括與所述待評測用戶的交易行為相關的行為資訊； 第一處理單元，其被配置為利用基於循環神經網路的第一模型來處理所述短期操作序列，以獲得第一輸出結果； 第二處理單元，其被配置為利用基於循環神經網路的第二模型來處理所述長期行為資料集序列，以獲得第二輸出結果； 確定單元，其被配置為至少對所述第一輸出結果和所述第二輸出結果進行預定處理，並根據處理結果來確定所述待評測用戶的金融違約風險。
12. 如申請專利範圍第11項所述的裝置，其中，所述操作資訊包括以下至少一項：瀏覽資訊、點擊資訊、登入的應用程式、登入的設備、地理位置資訊。
13. 如申請專利範圍第11項所述的裝置，其中，所述行為資訊包括以下至少一項：交易時間、交易對象、交易金額。
14. 如申請專利範圍第11項所述的裝置，其中，所述裝置還包括第三處理單元，其被配置為： 獲取所述待評測用戶的屬性資訊； 利用預測模型來處理所述屬性資訊，以得到第三輸出結果； 所述確定單元進一步被配置為： 對所述第一輸出結果、所述第二輸出結果和所述第三輸出結果進行所述預定處理，並根據處理結果來確定所述待評測用戶的金融違約風險。
15. 如申請專利範圍第11或14項所述的裝置，其中，所述預定處理包括以下至少一項： 求平均值； 取最大值； 作為特徵輸入預設的邏輯回歸模型，得到邏輯回歸結果。
16. 如申請專利範圍第11項所述的裝置，其中，所述第一模型/所述第二模型包括多層疊加的長短期記憶模型LSTM。
17. 如申請專利範圍第11項所述的裝置，其中，所述第一模型/所述第二模型的訓練樣本包括多個標注用戶，所述標注用戶至少具有預先標注的信用標籤。
18. 如申請專利範圍第17項所述的裝置，其中，所述多個標注用戶包括第一標注用戶，所述裝置還包括標注單元，其被配置為藉由以下方式確定所述第一標注用戶對應的第一信用標籤： 獲取所述第一標注用戶在預定時間段內的信用記錄； 基於所述信用記錄來確定所述第一信用標籤。
19. 如申請專利範圍第18項所述的裝置，其中，所述標注單元進一步被配置為： 從所述信用記錄中確定所述第一標注用戶的守信次數和失信次數； 在所述失信次數和所述守信次數的比例超過預設比例閾值的情況下，確定所述第一信用標籤為失信用戶。
20. 如申請專利範圍第18項所述的裝置，其中，所述標注單元進一步被配置為： 檢測所述第一標注用戶的失信次數是否為零； 在所述失信次數非零的情況下，確定所述第一信用標籤為失信用戶。
21. 一種電腦可讀儲存媒介，其上儲存有電腦程式，當所述電腦程式在電腦中執行時，令電腦執行申請專利範圍第1-10項中任一項的所述的方法。
22. 一種計算設備，包含記憶體和處理器，其特徵在於，所述記憶體中儲存有可執行的程式碼，所述處理器執行所述可執行的程式碼時，實施申請專利範圍第1-10項中任一項所述的方法。

Images