CN108805689A - 一种贷款风险评估控制方法及装置 - Google Patents

Abstract

本发明涉及计算机技术领域，尤其涉及一种贷款风险评估控制方法及装置，该方法为，接收用户在用户终端上，通过社交应用发送的贷款申请请求；获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列；对所述行为数据序列进行分析，确定所述用户当前的情感状态，根据所述用户当前的情感状态，获得所述贷款申请的合理分值；以及根据所述合理分值，对所述贷款申请进行风险评估控制，这样，根据用户在社交应用上的行为数据序列，能够判断出贷款申请是否合理理性，进而可以有效控制贷款风险，贷款风险控制更加准确。

Description

一种贷款风险评估控制方法及装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种贷款风险评估控制方法及装置。

背景技术

目前，有很多可以互联网贷款的平台，用户在电脑或手机上就可以提交申请获得贷款。例如，互联网社交应用，用户不仅可以在社交应用上与好友进行交流或互动，很多社交应用本身也提供贷款功能，例如，微信提供微粒贷功能，用户可以在微信上使用微粒贷直接申请贷款。

互联网贷款给用户带来方便的同时，也给放贷方带来了更多风险挑战。用户冲动非理性借贷往往会带来坏账，造成放贷方的损失。现有技术中，对于社交应用上的贷款的风险评估，通常是根据用户第三方的征信分进行评估，进而决定是否同意该用户的贷款申请。

根据用户的征信分进行贷款风险评估控制，由于征信分反映的是用户相对长期的、稳定的信用状态，而不能有效判断用户冲动非理性的贷款行为，这样会导致，尽管可能该用户的征信分比较高，但其冲动非理性的贷款行为仍然会造成放贷方的损失，提高了贷款风险。

发明内容

本发明实施例提供一种贷款风险评估控制方法及装置，以解决现有技术中针对社交应用上的贷款的风险评估不准确，不能有效控制贷款风险的问题。

本发明实施例提供的具体技术方案如下：

一种贷款风险评估控制方法，包括：

接收用户在用户终端上，通过社交应用发送的贷款申请请求；

获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列；

对所述行为数据序列进行分析，确定所述用户当前的情感状态，根据所述用户当前的情感状态，获得所述贷款申请的合理分值；以及

根据所述合理分值，对所述贷款申请进行风险评估控制。

较佳的，获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列，具体包括：

按照设定的时间间隔，分别获取在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据；

将获取到的各个时间间隔中的行为数据，按照时间顺序排列，得到所述用户的行为数据序列。

较佳的，所述行为数据，包括以下一种或任意组合：用户付款信息、用户收款信息、用户收红包信息、用户发红包信息、用户单聊信息、用户群聊信息、用户加群数、用户退群数、用户主动加好友数、用户接受好友邀请数、用户拉黑好友数、用户被拉黑数、用户发朋友圈数和用户朋友圈与好友互动次数。

较佳的，对所述行为数据序列进行分析，具体包括：

采用预先训练的机器学习模型，对所述行为数据序列进行分析；

所述机器学习模型的训练方式为：

根据获取的用户的历史贷款申请数据，确定贷款申请的样本集，其中，所述历史贷款申请数据至少包括贷款申请对应的回款数据；

分别获取每一个样本对应的用户在预设的时间段中的行为数据序列；

根据所述样本集，和所述样本集对应的行为数据序列，训练所述机器学习模型，确定用户当前的情感状态，并根据用户当前的情感状态，确定用户的贷款申请预测的合理分值。

较佳的，进一步包括：

采用预设周期，对所述贷款申请的样本集进行更新，并根据更新的样本集，更新对应的行为数据序列；

根据更新的样本集和对应的行为数据序列，重新训练所述机器学习模型。

较佳的，进一步包括：

获取所述用户的征信分；

根据所述合理分值，对所述贷款申请进行风险评估，具体包括：

根据所述贷款申请的合理分值和所述用户的征信分，确定所述贷款申请的风险等级；

根据所述贷款申请的风险等级，采用预设的方式，对所述贷款申请进行风险评估控制。

一种贷款风险评估控制装置，包括：

接收模块，用于接收用户在用户终端上，通过社交应用发送的贷款申请请求；

第一获取模块，用于获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列；

分析模块，用于对所述行为数据序列进行分析，确定所述用户当前的情感状态，根据所述用户当前的情感状态，获得所述贷款申请的合理分值；以及

控制模块，用于根据所述合理分值，对所述贷款申请进行风险评估控制。

较佳的，获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列，第一获取模块具体用于：

按照设定的时间间隔，分别获取在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据；

将获取到的各个时间间隔中的行为数据，按照时间顺序排列，得到所述用户的行为数据序列。

较佳的，所述行为数据，包括以下一种或任意组合：用户付款信息、用户收款信息、用户收红包信息、用户发红包信息、用户单聊信息、用户群聊信息、用户加群数、用户退群数、用户主动加好友数、用户接受好友邀请数、用户拉黑好友数、用户被拉黑数、用户发朋友圈数和用户朋友圈与好友互动次数。

较佳的，对所述行为数据序列进行分析，分析模块具体用于：

采用预先训练的机器学习模型，对所述行为数据序列进行分析；

所述机器学习模型的训练方式为：

确定模块，用于根据获取的用户的历史贷款申请数据，确定贷款申请的样本集，其中，所述历史贷款申请数据至少包括贷款申请对应的回款数据；

第二获取模块，用于分别获取每一个样本对应的用户在预设的时间段中的行为数据序列；

训练模块，用于根据所述样本集，和所述样本集对应的行为数据序列，训练所述机器学习模型，确定用户当前的情感状态，并根据用户当前的情感状态，确定用户的贷款申请预测的合理分值。

较佳的，进一步包括，更新模块用于：

采用预设周期，对所述贷款申请的样本集进行更新，并根据更新的样本集，更新对应的行为数据序列；

根据更新的样本集和对应的行为数据序列，重新训练所述机器学习模型。

较佳的，进一步包括：

第三获取模块，用于获取所述用户的征信分；

根据所述合理分值，对所述贷款申请进行风险评估，控制单元具体用于：

根据所述贷款申请的合理分值和所述用户的征信分，确定所述贷款申请的风险等级；

根据所述贷款申请的风险等级，采用预设的方式，对所述贷款申请进行风险评估控制。

一种服务器，包括：

至少一个存储器，用于存储程序指令；

至少一个处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行本发明实施例中的贷款风险评估控制方法。

本发明实施例中，接收用户在用户终端上，通过社交应用发送的贷款申请请求；获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列；对所述行为数据序列进行分析，确定所述用户当前的情感状态，根据所述用户当前的情感状态，获得所述贷款申请的合理分值；以及根据所述合理分值，对所述贷款申请进行风险评估控制，这样，由于用户的行为数据序列可以反映用户的情感状态，进而反映用户的贷款申请是否是理性的，因此，接收到贷款申请请求时，获取用户发送贷款申请请求之前一时间段中、至少部分基于社交应用产生的行为数据序列，进行分析，获得贷款申请的合理分值，从而能够判断贷款申请的合理性，进而可以更加准确、有效地控制贷款风险。

附图说明

图1为本发明实施例一提供的贷款风险评估控制方法的流程图；

图2为本发明实施例二提供的贷款风险评估控制方法的执行过程流程图；

图3为本发明实施例三提供的服务器架构环境示意图；

图4为本发明实施例五提供的贷款风险评估控制装置结构示意图；

图5为本发明实施例六提供的服务器结构示意图；

图6为本发明实施例七提供的贷款申请过程的界面示意图；

图7为本发明实施例八提供的用户终端结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

如图1所示，本发明实施例一提供的贷款风险评估控制方法，具体包括以下步骤：

步骤100：接收用户在用户终端上，通过社交应用发送的贷款申请请求。

其中，社交应用本质上为一种社交平台，例如，各种聊天应用程序(Application，APP)。

实际中，对于在社交应用上的贷款申请，由于会涉及到更多实时的社交行为并且具有更加方便、简单和快速等特点，因此，与传统的贷款申请存在很大不同，带来了更多的风险挑战。而用户申请贷款前在社交应用上的行为通常能反映用户本次申请贷款行为是否理性合理，这也直接决定了这笔贷款的质量和后期的回款成功率。例如，如果用户申请贷款前频繁在多个群内活跃，并且又有很多收发红包或转账行为，则该用户本次的贷款申请很可能是非理性、不合理的。

本发明实施例中，考虑用户在社交应用上的实时行为数据序列，更加准确合理地评估贷款的风险，进而采取相应的措施，从而有效地控制贷款风险。

例如，用户在手机登录QQ，当用户需要申请贷款时，打开QQ钱包，找到微粒贷功能，点击借款按钮，填写相应的信息，然后提交，用户就通过手机上的QQ发送了贷款申请请求。

步骤110：获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列。

执行步骤110时，具体包括：

首先，按照设定的时间间隔，分别获取用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据。

其中，在发送贷款申请请求之前一时间段，例如为贷款申请请求对应的申请时间之前的24小时，本发明实施例中，并不进行限制，可以根据实际需求进行设置。

其中，设定的时间间隔，例如为每隔一个小时，同样地，对于时间间隔的设定也不进行限制，可以根据实际需求进行设置。

其中，所述行为数据，为用户在社交应用上的各种能够表征用户情感的行为，例如，社交行为、用户付款行为(例如，还***、线下支付等)、用户阅读行为等，本发明实施例中并不进行限制。

具体包括以下一种或任意组合：

a)用户付款信息，例如，包括付款次数、转账金额；

b)用户收款信息，例如，包括收款次数，收款金额；

c)用户收红包信息，例如，包括收红包个数，收红包金额；

d)用户发红包信息，例如，包括发红包个数，发红包金额；

e)用户单聊信息，例如，包括单聊人数、收发消息数；

f)用户群聊信息，例如，包括参与聊天的群数，收发消息数；

g)用户加群数；

h)用户退群数；

i)用户主动加好友数；

j)用户接受好友邀请数；

k)用户拉黑好友数；

l)用户被拉黑数；

m)用户发朋友圈数；

n)用户朋友圈与好友互动次数。

当然，本发明实例中，对于用户的行为数据并不仅限于上述几种，可以根据实际请情况，获取相应的行为数据。

最后，将获取到的各个时间间隔中的行为数据，按照时间顺序排列，得到所述用户的行为数据序列。

例如，贷款申请对应的申请时间为2017年2月5日8:00，则以小时为单位，分别获取在该时间之前过去24小时中，即在2017年2月4日8:00-2017年2月5日8:00时间段之间，每个小时内该用户的行为数据，每一个小时内的行为数据可以组成一个向量，并按照时间顺序进行排列，就可以得到24个有时间先后顺序的向量组成的向量序列。其中，每个向量的维度等于获取的行为数据的种类。

值得说明的是，本发明实例中，将行为数据排序获得行为数据序列，这个行为数据序列是有时间先后顺序的，而不是仅仅获取行为数据，将每一个行为数据整理成特征向量，这是因为，仅根据行为数据这会丢失所有的时间先后关系信息，而这些信息也是至关重要的，例如，一个用户转账次数或金额越来越大和越来越小，可能是完全相反的两个倾向(越来越大说明风险很高，越来越小说明用户就算有冲动也是逐渐回归理性了)，如果仅仅使用次数或金额，这种倾向信息就完全丢失了。

这样，本发明实施例中，接收到一个贷款申请请求后，需要先从后台数据库中拉取该用户在过去一时间段中的所有行为数据序列，即获得用户在社交应用上实时的有时间序列的行为数据，对于贷款的风险评估控制更加准确和可靠。

步骤120：对所述行为数据序列进行分析，确定所述用户当前的情感状态，根据所述用户当前的情感状态，获得所述贷款申请的合理分值。

执行步骤120时，具体包括：

首先，基于预先训练的机器学习模型，对所述行为数据序列进行分析。

其中，预先训练的机器学习模型，例如为支持时间序列预测分析的深度神经网络模型，例如长时记忆网络(Long Short Term Memory Network，LSTM)模型。

本发明实施例中，对于使用的机器学习模型，并不进行限制，可以采用现有技术中支持时间序列预测分析的任意模型。

然后，确定所述用户当前的情感状态，根据所述用户当前的情感状态，获得所述贷款申请的合理分值。

具体地，获取到用户的行为数据序列后，将用户的行为数据序列整理成特征向量，输入到预先训练好的机器学习模型中，机器学习模型根据预先学习到的模式信息，对此次的行为数据序列进行分析，判断用户当前的情感状态，确定是否为理性的状态，进而确定此次贷款申请是否为理性合理的，输出此次贷款申请的合理分值。

其中，根据预先训练的机器学习模型，对用户的行为数据序列进行分析的过程的算法实现，本发明实施例中就不进行详细介绍了。

步骤130：根据所述合理分值，对所述贷款申请进行风险评估控制。

执行步骤130时，可以分为以下几种方式：

第一种方式：若确定合理分值小于预设阈值，则拒绝所述贷款申请。

第二种方式：若确定合理分值小于预设阈值，则发出告警信息，提示放贷方对所述贷款申请进行人工审核。

当然，本发明实施例中，并不进行限于上述两种方式，也可以采用其它的风险评估控制策略。

这样，对于合理分值较小，即风险性较高的贷款申请，采用相应的风险评估控制策略，例如进行严格审核或拒绝，减少放贷方的损失，有效控制了贷款风险。

较佳的，还可以进一步获取用户的征信分。

则具体为：根据所述贷款申请的合理分值和所述用户的征信分，确定所述贷款申请的风险等级；并根据所述贷款申请的风险等级，采用预设的方式，对所述贷款申请进行风险评估控制。

其中，根据所述贷款申请的合理分值和所述用户的征信分，确定所述贷款申请的风险等级的方式为：

若合理分值越低，则确定贷款申请的风险等级越高。

若用户的征信分越高，则确定贷款申请的风险等级越高。

例如，贷款申请的合理分值小于预设阈值，判定该贷款申请的风险等级较高，则可以直接拒绝该贷款申请，或进行告警，提示放贷方进行严格的人工审核。

又例如，预先设置合理分值与风险等级的对应关系，可以将合理分值分成三段，分别对应高风险等级、中风险等级和低风险等级，并对不同的风险等级设置相应的对贷款申请的处理方式，进而对贷款申请进行风险控制。

这样，本发明实施例中，根据用户的行为数据序列和预先训练的机器学习模型，获取贷款申请的合理分值，反映的是本次贷款申请对应的用户当前的状态，而用户的征信分反映的是用户相对长期稳定的信用状态，两者结合，对于贷款申请的合理性和风险评估更加准确，可以有效控制贷款风险。

下面对机器学习模型的训练方式进行简单说明，机器学习模型的训练方式为：

首先，根据获取的用户的历史贷款申请数据，确定贷款申请的样本集，其中，所述历史贷款申请数据至少包括贷款申请对应的回款数据。

本发明实施例中，可以从数据库中获取多个用户贷款申请相应的历史数据，获得多个贷款申请的样本，用户申请贷款在获得款项后按时还款的视为一个好的贷款申请样本，反之，如果用申请贷款获得款项后出现违约情况视为一次坏的贷款申请样本，当然样本越多，对于机器学习模型训练更准确。其中，好的贷款申请样本表示该贷款申请是合理理性的，风险性较低，坏的贷款申请样本表示该贷款申请是不合理的，风险性较高。

然后，分别获取每一个样本对应的用户在预设的时间段中的行为数据序列。

其中，具体的获取行为数据序列的方式，和上述步骤110的执行过程相同，这里就不再进行赘述了。

最后，根据所述样本集，和所述样本集对应的行为数据序列，训练所述机器学习模型，确定用户当前的情感状态，并根据用户当前的情感状态，确定用户的贷款申请预测的合理分值。

具体地，将样本集和行为数据序列量化，然后导入到预设的机器学习模型，例如为LSTM模型中，进行训练，行为数据序列作为输入序列，根据贷款申请对应的回款数据，对行为数据序列进行分析，确定用户当前的情感状态，并确定贷款申请的对应的预测的合理分值，刻画用户此次贷款申请的是否为理性合理的。

例如，采用LSTM模型，输入的是时间序列相关的一系列特征向量(本发明实施例中，对应的就是用户的行为数据序列向量)，输出是这些向量对应的目标预测(本发明实施例中，对应的就是对贷款申请是否为理性合理的正常贷款的判断)，机器学习模型可以学习到这些行为数据序列里的模式信息，从而做出更准确的判断。

进一步地，还需要对机器学习模型进行更新，具体为：

首先，采用预设周期，对所述贷款申请的样本集进行更新，并根据更新的样本集，更新对应的行为数据序列。

实际中，由于贷款的周期都相对较长，因此，上述预设周期，例如为每半年或一年，具体地，本发明实施例中并不进行限制。更新样本集时，可以获取该预设周期新增的贷款相关数据，替换掉最老的贷款相关数据。

然后，根据更新的样本集和对应的行为数据序列，重新训练所述机器学习模型。

具体地，更新样本集合和对应的行为数据序列，可以得到新的训练样本，进而可以采用上述机器学习模型的训练方式，重新对机器学习模型进行训练，重新训练好的机器学习模型，就可以直接在实际场景中使用了。

这样，定期更新机器学习模型，可以提高基于该机器学习模型对贷款申请是否理性合理的判断更加准确。

实施例二：

下面采用一个具体的应用场景对上述实施例作出进一步详细说明。具体参阅图2所示，本发明实施例二中，贷款风险评估控制方法的执行过程具体如下：

步骤200：获取历史贷款申请数据。

其中，历史贷款申请数据，至少包括贷款申请对应的回款数据。

步骤201：确定样本集。

具体地，根据贷款申请对应的回款数据，若判断贷款申请无违约，则确定该贷款申请为好的贷款申请样本；若判断贷款申请有违约，则确定该贷款申请为坏的贷款申请样本。

步骤202：获取贷款申请对应的用户在贷款申请时间之前一时间段中的行为数据序列。

例如，以小时为单位，获取贷款申请对应的申请时间前24小时这个时间段中的行为数据序列，每一个小时中用户的行为数据为一个向量，则可以获取到24个有时间顺序的向量。

步骤203：训练支持时间序列预测分析的深度神经网络模型。

其中，本发明实施例中，是以机器学习模型为支持时间序列预测分析的深度神经网络模型为例，进行说明。

具体地，以这24个有时间顺序的向量为输入，输出这些向量对应的目标预测，即对贷款申请合理性的判断。

步骤204：实际场景应用，接收到贷款申请请求时，根据训练的支持时间序列预测分析的深度神经网络模型，对该贷款申请进行风险评估控制。

这样，可以准确有效地判断出贷款申请是否理性合理，辅助放贷方作出决策，有效控制贷款风险。

步骤205：将新贷款申请数据加入历史贷款申请数据中，并定期更新支持时间序列预测分析的深度神经网络模型。

其中，步骤204中的贷款申请请求对应的贷款数据，后续就可以作为新贷款申请数据，用于更新该支持时间序列预测分析的深度神经网络模型。

本发明实施例中，获取用户贷款申请前在社交应用上的实时的行为数据序列，根据行为数据序列来训练机器学习模型，提高机器学习模型判断的准确性和效果，进而在接收到贷款申请请求时，使用预先训练的机器学习模型，对接收到的贷款申请进行判断，确定该贷款申请是否理性合理，对该贷款申请的风险进行评估，能够帮助放贷方有效控制贷款风险。

实施例三：

本发明实施例中，参阅图3所示，本发明实施例三中，服务器架构环境示意图。

实际应用中，服务器与用户终端连接，用户在用户终端上，通过社交应用发送贷款申请请求。服务器接收贷款申请请求，并基于本发明实施例中的贷款风险评估控制方法，对该贷款申请进行风险评估控制，以及向用户终端返回反馈结果。

其中，用户终端可以为手机、电脑、ipad等任何智能设备。

社交应用也不进行限制，可以为任何支持贷款功能的社交应用，例如微信、QQ、微博等。

实施例四：

基于上述实施例，本发明实施例四中，采用一个具体应用场景，对上述实施例进行简单介绍。以用户通过手机上的微信申请贷款为例。

首先，用户通过手机登录微信，点击“钱包”，找到“微粒贷借钱”，用户点击“微粒贷借钱”，获取自己的额度，根据自己的额度，输入贷款金额，点击“借钱”。

然后，等待服务器侧审核反馈。

具体地，服务器接收到贷款申请后，获取该用户在微信上，在发送贷款申请之前一时间段中的行为数据序列，并根据预先训练的机器学习模型，得到该贷款申请的合理分值，对该贷款申请进行风险评估，例如，设置一个阈值，确定该合理分值小于阈值时，判定该贷款申请风险等级高，则直接拒绝该贷款申请，并反馈给该用户。

最后，手机微信端接收到针对该贷款申请的反馈结果。

例如，接收到拒绝贷款或贷款失败的消息，或者贷款成功的消息。

实施例五：

基于上述实施例，参阅图4所示，本发明实施例五中，贷款风险评估控制装置，具体包括：

接收模块40，用于接收用户在用户终端上，通过社交应用发送的贷款申请请求；

第一获取模块41，用于获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列；

分析模块42，用于对所述行为数据序列进行分析，确定所述用户当前的情感状态，根据所述用户当前的情感状态，获得所述贷款申请的合理分值；以及

控制模块43，用于根据所述合理分值，对所述贷款申请进行风险评估控制。

较佳的，获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列，第一获取模块41具体用于：

按照设定的时间间隔，分别获取在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据；

将获取到的各个时间间隔中的行为数据，按照时间顺序排列，得到所述用户的行为数据序列。

较佳的，所述行为数据，包括以下一种或任意组合：用户付款信息、用户收款信息、用户收红包信息、用户发红包信息、用户单聊信息、用户群聊信息、用户加群数、用户退群数、用户主动加好友数、用户接受好友邀请数、用户拉黑好友数、用户被拉黑数、用户发朋友圈数和用户朋友圈与好友互动次数。

较佳的，对所述行为数据序列进行分析，分析模块42具体用于：

采用预先训练的机器学习模型，对所述行为数据序列进行分析；

所述机器学习模型的训练方式为：

确定模块44，用于根据获取的用户的历史贷款申请数据，确定贷款申请的样本集，其中，所述历史贷款申请数据至少包括贷款申请对应的回款数据；

第二获取模块45，用于分别获取每一个样本对应的用户在预设的时间段中的行为数据序列；

训练模块46，用于根据所述样本集，和所述样本集对应的行为数据序列，训练所述机器学习模型，确定用户当前的情感状态，并根据用户当前的情感状态，确定用户的贷款申请预测的合理分值。

较佳的，更新模块47用于：

采用预设周期，对所述贷款申请的样本集进行更新，并根据更新的样本集，更新对应的行为数据序列；

根据更新的样本集和对应的行为数据序列，重新训练所述机器学习模型。

较佳的，进一步包括：

第三获取模块48，用于获取所述用户的征信分；

根据所述合理分值，对所述贷款申请进行风险评估，控制模块43具体用于：

根据所述贷款申请的合理分值和所述用户的征信分，确定所述贷款申请的风险等级；

根据所述贷款申请的风险等级，采用预设的方式，对所述贷款申请进行风险评估控制。

本发明实施例中，根据用户的行为数据序列，训练机器学习模型，使得该机器学习模型能够准确判断贷款申请是否是合理的和理性的，进而在接收到贷款申请请求时，根据该机器学习模型和用户的行为数据序列，确定贷款申请的合理分值，可以有效控制贷款风险。

实施例六：

基于上述实施例，参阅图5所示，本发明实施例六中，一种服务器的结构示意图。

本发明实施例六提供了一种服务器，该服务器可以包括处理器510(CenterProcessing Unit，CPU)、存储器520、输入设备530和输出设备540等，输入设备530可以包括键盘、鼠标、触摸屏等，输出设备540可以包括显示设备，如液晶显示器(Liquid CrystalDisplay，LCD)、阴极射线管(Cathode Ray Tube，CRT)等。

存储器520可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器510提供存储器520中存储的程序指令和数据。在本发明实施例中，存储器520可以用于存储贷款风险评估控制方法的程序。

处理器510通过调用存储器520存储的程序指令，处理器510用于按照获得的程序指令执行：

接收用户在用户终端上，通过社交应用发送的贷款申请请求；

获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列；

对所述行为数据序列进行分析，确定所述用户当前的情感状态，根据所述用户当前的情感状态，获得所述贷款申请的合理分值；以及

根据所述合理分值，对所述贷款申请进行风险评估控制。

较佳的，获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列，处理器510具体用于：

按照设定的时间间隔，分别获取在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据；

将获取到的各个时间间隔中的行为数据，按照时间顺序排列，得到所述用户的行为数据序列。

较佳的，所述行为数据，包括以下一种或任意组合：用户付款信息、用户收款信息、用户收红包信息、用户发红包信息、用户单聊信息、用户群聊信息、用户加群数、用户退群数、用户主动加好友数、用户接受好友邀请数、用户拉黑好友数、用户被拉黑数、用户发朋友圈数和用户朋友圈与好友互动次数。

较佳的，对所述行为数据序列进行分析，处理器510具体用于：

采用预先训练的机器学习模型，对所述行为数据序列进行分析；

所述机器学习模型的训练方式为，处理器510用于：

根据获取的用户的历史贷款申请数据，确定贷款申请的样本集，其中，所述历史贷款申请数据至少包括贷款申请对应的回款数据；

分别获取每一个样本对应的用户在预设的时间段中的行为数据序列；

根据所述样本集，和所述样本集对应的行为数据序列，训练所述机器学习模型，确定用户当前的情感状态，并根据用户当前的情感状态，确定用户的贷款申请预测的合理分值。

较佳的，处理器510进一步用于：

采用预设周期，对所述贷款申请的样本集进行更新，并根据更新的样本集，更新对应的行为数据序列；

根据更新的样本集和对应的行为数据序列，重新训练所述机器学习模型。

较佳的，处理器510进一步用于：获取所述用户的征信分；

根据所述合理分值，对所述贷款申请进行风险评估，处理器510具体用于：

根据所述贷款申请的合理分值和所述用户的征信分，确定所述贷款申请的风险等级；

根据所述贷款申请的风险等级，采用预设的方式，对所述贷款申请进行风险评估控制。

本发明实施例中，接收到用户在用户终端上，通过社交应用发送的贷款申请请求，获取用户在发送贷款申请请求之前一时间段中、至少部分基于该社交应用产生的行为数据序列，对用户的行为数据序列进行分析，从而能够判断出该贷款申请是否是合理理性的，更加准确可靠，可以有效控制贷款风险。

实施例七：

基于上述实施例，本发明实施例七中，采用一个具体应用场景，对上述实施例进行简单介绍。以用户通过手机上的微博申请贷款为例，参阅图6所示，为用户通过手机上的微博申请贷款的过程示意图。

首先，用户打开微博应用并登陆后，点击“我”，找到“微博钱包”，并点击“微博钱包”后，找到“借钱”，参阅图6中(1)图。

然后，点击“借钱”，完成手机号码注册后，输入借款金额，提交申请，参阅图6中(2)图，例如，用户输入的借款金额为2000。

然后，等待***服务器侧审核，服务器收到贷款审核后，基于上述本发明实施例中的贷款风险评估控制方法，若确定该贷款申请的合理分值较小，即判定该贷款申请的风险等级较高，则可以直接拒绝该贷款申请，这样，手机微博端可以接收到贷款失败的消息，例如，参阅图6中(3)所示，用户收到“您的贷款申请为非理性贷款，贷款失败”的消息。当然，如果用户绑定了手机号码，也可以通过短信向用户发送贷款申请结果。

值得说明的是，图6仅仅是一种可以实现的示例，对于功能按钮或界面的设置等并不进行限制。

实施例八：

参阅图7所示，本发明实施例八中，一种用户终端的结构示意图。

本发明实施例八提供了一种用户终端，用户终端可以为但不限于手机、平板电脑等。该用户终端可以包括：存储器710、输入模块720、发送模块730、接收模块740、输出模块750、无线通信模块760和处理器770等。具体为：

存储器710可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器770提供存储器710中存储的程序指令和数据，还可以存储用户终端的操作***、应用程序(Application，APP)(例如，社交应用的APP)、模块和用户终端所使用的各种数据等。

输入模块720可以包括键盘、鼠标、触摸屏等，用于接收用户输入的数字、字符信息或触摸操作，以及产生与用户终端的用户设置以及功能控制有关的键信号的输入等，例如，本发明实施例中，输入模块720可以接收用户在用户终端的社交应用上执行的点击操作、输入的贷款金额等。

发送模块730可以提供用户终端与服务器之间的接口，例如，本发明实施例中，用于向服务器发送用户的贷款申请请求。

接收模块740同样提供用户终端与服务器之间的接口，例如，本发明实施例中，用于接收服务器返回的贷款申请请求的审核结果和贷款申请进度等。

输出模块750可以包括显示模块，如液晶显示器(Liquid Crystal Display，LCD)、阴极射线管(Cathode Ray Tube，CRT)等，其中，显示模块可以用于显示由用户输入的信息或提供给用户的信息，或各种用户终端或社交应用的菜单、用户界面等。例如，本发明实施例中，可以用于向用户展示贷款申请的反馈结果。

无线通信模块760包括但不限于无线保真(wireless fidelity，WiFi)模块、蓝牙模块、红外通信模块等。例如，本发明实施例中，用户终端中接收模块740与发送模块730，向服务器发送贷款申请请求并接收服务器返回的贷款申请审核结果，是通过wifi模块实现了与服务器之间的通信。

处理器770是用户终端的控制中心，利用各种接口和线路连接整个用户终端的各个部分，通过运行或执行存储在存储器710内的软件程序和/或模块，以及调用存储在存储器710内的数据，执行用户终端的各种功能和处理数据，从而对用户终端进行整体监控。

当然，图7中所示的用户终端的结构，仅仅是其中一种示例，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (11)

1.一种贷款风险评估控制方法，其特征在于，包括：

接收用户在用户终端上，通过社交应用发送的贷款申请请求；

获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列；

对所述行为数据序列进行分析，确定所述用户当前的情感状态，根据所述用户当前的情感状态，获得所述贷款申请的合理分值；以及

根据所述合理分值，对所述贷款申请进行风险评估控制。

2.如权利要求1所述的方法，其特征在于，获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列，具体包括：

按照设定的时间间隔，分别获取在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据；

将获取到的各个时间间隔中的行为数据，按照时间顺序排列，得到所述用户的行为数据序列。

3.如权利要求1或2所述的方法，其特征在于，对所述行为数据序列进行分析，具体包括：

采用预先训练的机器学习模型，对所述行为数据序列进行分析；

所述机器学习模型的训练方式为：

根据获取的用户的历史贷款申请数据，确定贷款申请的样本集，其中，所述历史贷款申请数据至少包括贷款申请对应的回款数据；

分别获取每一个样本对应的用户在预设的时间段中的行为数据序列；

根据所述样本集，和所述样本集对应的行为数据序列，训练所述机器学习模型，确定用户当前的情感状态，并根据用户当前的情感状态，确定用户的贷款申请预测的合理分值。

4.如权利要求3所述的方法，其特征在于，进一步包括：

采用预设周期，对所述贷款申请的样本集进行更新，并根据更新的样本集，更新对应的行为数据序列；

根据更新的样本集和对应的行为数据序列，重新训练所述机器学习模型。

5.如权利要求1所述的方法，其特征在于，进一步包括：

获取所述用户的征信分；

根据所述合理分值，对所述贷款申请进行风险评估，具体包括：

根据所述贷款申请的合理分值和所述用户的征信分，确定所述贷款申请的风险等级；

根据所述贷款申请的风险等级，采用预设的方式，对所述贷款申请进行风险评估控制。

6.一种贷款风险评估控制装置，其特征在于，包括：

接收模块，用于接收用户在用户终端上，通过社交应用发送的贷款申请请求；

第一获取模块，用于获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列；

分析模块，用于对所述行为数据序列进行分析，确定所述用户当前的情感状态，根据所述用户当前的情感状态，获得所述贷款申请的合理分值；以及

控制模块，用于根据所述合理分值，对所述贷款申请进行风险评估控制。

7.如权利要求6所述的装置，其特征在于，获取所述用户在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据序列，第一获取模块具体用于：

按照设定的时间间隔，分别获取在发送所述贷款申请请求之前一时间段中、至少部分基于所述社交应用产生的行为数据；

将获取到的各个时间间隔中的行为数据，按照时间顺序排列，得到所述用户的行为数据序列。

8.如权利要求6或7所述的装置，其特征在于，对所述行为数据序列进行分析，分析模块具体用于：

采用预先训练的机器学习模型，对所述行为数据序列进行分析；

所述机器学习模型的训练方式为：

确定模块，用于根据获取的用户的历史贷款申请数据，确定贷款申请的样本集，其中，所述历史贷款申请数据至少包括贷款申请对应的回款数据；

第二获取模块，用于分别获取每一个样本对应的用户在预设的时间段中的行为数据序列；

训练模块，用于根据所述样本集，和所述样本集对应的行为数据序列，训练所述机器学习模型，确定用户当前的情感状态，并根据用户当前的情感状态，确定用户的贷款申请预测的合理分值。

9.如权利要求8所述的装置，其特征在于，进一步包括，更新模块用于：

采用预设周期，对所述贷款申请的样本集进行更新，并根据更新的样本集，更新对应的行为数据序列；

根据更新的样本集和对应的行为数据序列，重新训练所述机器学习模型。

10.如权利要求6所述的装置，其特征在于，进一步包括：

第三获取模块，用于获取所述用户的征信分；

根据所述合理分值，对所述贷款申请进行风险评估，控制单元具体用于：

根据所述贷款申请的合理分值和所述用户的征信分，确定所述贷款申请的风险等级；

根据所述贷款申请的风险等级，采用预设的方式，对所述贷款申请进行风险评估控制。

11.一种服务器，其特征在于，包括：

至少一个存储器，用于存储程序指令；

至少一个处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行上述权利要求1-5任一项所述的方法。