CN109685645A - 用户信用风险评估方法及装置、存储介质 - Google Patents

Abstract

本公开提供了一种用户信用风险评估方法及装置、计算机可读存储介质，属于大数据技术领域。该方法包括：获取与待评估用户关联的目标终端以及所述目标终端的App安装信息；获取App分数列表，所述App分数列表包括多个App的分数；基于所述多个App的分数，根据所述目标终端的App安装信息确定所述目标终端的App总分；根据所述目标终端的App总分得到所述待评估用户的信用风险评估结果。本公开可以减少用户信用风险评估方法对于外部数据的依赖，并提高评估结果的准确性，降低风险。

Description

用户信用风险评估方法及装置、存储介质

技术领域

本公开涉及大数据技术领域，尤其涉及一种用户信用风险评估方法、用户信用风险评估装置及计算机可读存储介质。

背景技术

随着计算机技术的发展，互联网在金融领域也得到越来越广泛的应用。其中，参与互联网金融消费、融资租赁、接收***服务或其他金融服务的用户越来越多，为了保障金融服务企业的利益，降低金融风险，有必要采取有效的信用风险评估方法。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供了一种用户信用风险评估方法、用户信用风险评估装置及计算机可读存储介质，进而至少在一定程度上克服现有的用户信用风险评估方法对外部数据依赖性强的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种用户信用风险评估方法，包括：获取与待评估用户关联的目标终端以及所述目标终端的App(Application，应用程序)安装信息；获取App分数列表，所述App分数列表包括多个App的分数；基于所述多个App的分数，根据所述目标终端的App安装信息确定所述目标终端的App总分；根据所述目标终端的App总分得到所述待评估用户的信用风险评估结果。

在本公开的一种示例性实施例中，所述方法还包括：获取样本用户的App安装信息以及所述样本用户的额度信息；根据所述样本用户的App安装信息从所述样本用户中分别确定安装各App的样本用户子集；根据各样本用户子集中的样本用户的额度信息计算各App的分数，得到所述App分数列表。

在本公开的一种示例性实施例中，所述根据各样本用户子集中的样本用户的额度信息计算各App的分数，得到所述App分数列表包括：通过公式S_i＝Med(P_i)-Med(P_r)计算各所述App的分数，得到所述App分数列表；其中，S_i为第i个App的分数，P_i为所述第i个App的样本用户子集，P_r为所述样本用户的参考子集，Med(P_i)为P_i中的样本用户的额度中位数，Med(P_r)为P_r中的样本用户的额度中位数。

在本公开的一种示例性实施例中，所述多个App包括多个非常用App，其中，所述非常用App为安装用户比例低于预设比例阈值的App。

在本公开的一种示例性实施例中，所述多个App包括多个非常用App；所述获取多个样本用户的App安装信息以及所述样本用户的额度信息之后，所述方法还包括：将所述样本用户安装的全部App分类为常用App与非常用App；所述根据所述样本用户的App安装信息从所述样本用户中分别统计安装各App的样本用户子集包括：根据所述样本用户的App安装信息从所述样本用户中分别统计安装各所述非常用App的样本用户子集；所述根据各样本用户子集中的样本用户的额度信息计算各App的分数，得到所述App分数列表包括：根据各样本用户子集中的样本用户的额度信息计算各非常用App的分数，得到所述App分数列表。

在本公开的一种示例性实施例中，所述将所述样本用户安装的全部App分类为常用App与非常用App包括：通过TF-IDF(Term Frequency–Inverse Document Frequency，词频-逆文本频率)算法对所述样本用户安装的全部App进行计算，TF-IDF值低于预设TF-IDF阈值的App为非常用App，否则为常用App。

在本公开的一种示例性实施例中，所述目标终端包括所述待评估用户的常用终端、最近使用终端、最久未使用终端与常用交易终端；所述根据所述目标终端的App总分得到所述待评估用户的信用风险评估结果包括：将所述常用终端的App总分、所述最近使用终端的App总分、所述最久未使用终端的App总分与所述常用交易终端的App总分转换为所述待评估用户的目标特征向量；利用信用风险评估模型对所述目标特征向量进行分析，得到所述待评估用户的信用风险评估结果。

在本公开的一种示例性实施例中，所述根据所述目标终端的App安装信息确定所述目标终端的App总分包括：将所述目标终端上安装的App的分数进行加权求和，得到所述目标终端的App总分。

根据本公开的一个方面，提供一种用户信用风险评估装置，包括：App信息获取模块，用于获取与待评估用户关联的目标终端以及所述目标终端的App安装信息；分数列表获取模块，用于获取App分数列表，所述App分数列表至少包括多个App的分数；第一分析模块，用于基于所述多个App的分数，根据所述目标终端的App安装信息确定所述目标终端的App总分；第二分析模块，用于根据所述目标终端的App总分得到所述待评估用户的信用风险评估结果。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。

本公开的示例性实施例具有以下有益效果：

在获取与待评估用户关联的目标终端的App安装信息后，根据App分数列表计算目标终端的App总分，并通过App总分得到待评估用户的信用风险评估结果。一方面，基于从目标终端获取的App安装信息，即可计算得到待评估用户的信用风险评估结果，从而降低了用户信用风险评估方法对于外部数据的依赖，缩短了评估所需的时间，提高了评估效率；另一方面，由于手机等终端设备与人们日常生活的联系越来越紧密，目标终端的App安装信息可以较为准确的反映待评估用户的包括信用风险状况在内的各方面信息，因此，通过App安装信息评估其信用风险状况，评估结果具有较高的准确性，可以有效降低金融风险，保障金融服务企业的利益。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出本示例性实施例运行环境的一种***架构示意图；

图2示意性示出本示例性实施例中一种用户信用风险评估方法的流程图；

图3示意性示出本示例性实施例中一种用户信用风险评估方法的子流程图；

图4示意性示出本示例性实施例中一种用户信用风险评估装置的结构框图；

图5示意性示出本示例性实施例中一种用于实现上述方法的电子设备；

图6示意性示出本示例性实施例中一种用于实现上述方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

本公开的示例性实施例首先提供了一种用户信用风险评估方法。图1示出了本示例性实施例的运行环境的一种***架构示意图。参考图1，该***110可以包括用户终端111及服务器112。其中用户终端111可以是手机、平板电脑、计算机等，用户终端111上安装有App，例如图1所示的App1、App2、App3等，服务器112可以从用户终端111处获取其App安装信息，通过计算用户终端111的App总分，实现对用户终端111所属用户的信用风险评估。

应当理解，图1所示各装置的数目仅为示例性的，根据实际需要，可以设置任意数目的用户终端，服务器也可以是由多个服务器组成的集群。

基于上述说明，本示例性实施例中的方法可以应用于图1所示的服务器112上。

下面结合附图2对本示例性实施例做进一步说明，如图2所示，用户信用风险评估方法可以包括以下步骤S210～S240：

步骤S210，获取与待评估用户关联的目标终端以及目标终端的App安装信息。

举例而言，服务器可以获取待评估用户的手机号，将该手机号对应的手机识别为与该用户关联的目标终端，也可以获取待评估用户的账号，将该账号登录的终端识别为目标终端等。目标终端可以是手机、平板电脑、计算机等，上述App可以是移动终端的App，也可以是计算机的应用程序。App安装信息可以是目标终端上安装了哪些App；在获取App安装信息时，通常可以由服务器向目标终端发送授权申请，在获得授权后检测目标终端上安装的所有App以生成App安装信息，也可以仅检测一部分App，例如检测***App以外的App等。此外，App安装信息也可以包括每个App的安装时间、更新记录、使用频度等信息，本实施例对此不做特别限定。

需要说明的是，上述App安装信息生成过程可以由本实施例的执行主体服务器执行，也可以由用户终端或其他服务器执行后将App安装信息发送到本实施例的执行主体服务器。

步骤S220，获取App分数列表，App分数列表至少包括多个App的分数。

其中，App分数是指App所反映的用户信用风险状况的度量，例如待评估用户在其目标终端上安装的网购App、股票App、银行App、车主服务App、房产服务App、支付App、职业相关App等，都可以在一定程度上反映该用户的信用风险状况。通过对海量用户数据的统计分析，可以得到多个App的分数，汇总为上述App分数列表。本实施例对于App分数列表的具体形式不做限定，其可以是每个App对应于一个分数的列表形式，也可以是每个分数下的App集合的分类形式等。App分数列表所包含的App可以是App商店内的所有App，也可以是其中的一部分App，还可以是统计出的一定范围内的所有用户安装过的App等，本实施例对此不做特别限定。

需要补充的是，在统计分析每个App的分数时，还可以统计每个App的安装用户数(或安装比例)、使用强度等信息，则App分数列表中还可以包括这些信息。

步骤S230，基于多个App的分数，根据目标终端的App安装信息确定目标终端的App总分。

从App分数列表中可以查找出目标终端上安装的每个App的分数，从而通过一般求和或加权求和等方式计算出目标终端的App总分。

需要说明的是，在步骤S230中，App总分是根据多个App的分数以及安装信息确定，而App的分数与目标终端的App安装信息的可以分别获取。因此，步骤S210与步骤S220的顺序是可以调换的，即也可以先进行步骤S220，获取App分数列表，再进行步骤S210获取App安装信息，本实施例在此不做具体限定。

步骤S240，根据目标终端的App总分得到待评估用户的信用风险评估结果。

其中，信用风险评估结果可以是待评估用户的信用风险评估值，例如待评估用户的信用风险指数、信用风险概率等，可以通过特定函数对目标终端的App总分进行计算得到信用风险评估值，也可以直接将目标终端的App总分作为信用风险评估值。信用风险评估结果也可以是待评估用户的信用分险评估分类，例如可以将待评估用户分类为高风险用户或非高风险用户、也可以分类为高信任度用户或非高信任度用户等。可以通过设置信用风险评估阈值以得到分类结果，例如可以设置信用风险评估阈值为800，当目标终端的App总分达到800时，可以认为待评估用户为非高风险用户。

基于上述说明，本示例性实施例中，在获取与待评估用户关联的目标终端的App安装信息后，根据App分数列表计算目标终端的App总分，并通过App总分得到待评估用户的信用风险评估结果。一方面，基于从目标终端获取的App安装信息，即可计算得到待评估用户的信用风险评估结果，从而降低了用户信用风险评估方法对于外部数据的依赖，缩短了评估所需的时间，提高了评估效率；另一方面，由于手机等终端设备与人们日常生活的联系越来越紧密，目标终端的App安装信息可以较为准确的反映待评估用户的包括信用风险状况在内的各方面信息，因此，通过App安装信息评估其信用风险状况，评估结果具有较高的准确性，可以有效降低金融风险，保障金融服务企业的利益。

在一示例性实施例中，参考图3所述，用户信用风险评估方法还可以包括以下步骤：

步骤S310，获取样本用户的App安装信息以及样本用户的额度信息。

步骤S320，根据样本用户的App安装信息从样本用户中分别确定安装各App的样本用户子集。

步骤S330，根据各样本用户子集中的样本用户的额度信息计算各App的分数，得到App分数列表。

其中，样本用户可以是已提供人行征信数据或第三方征信数据的用户，征信数据中通常包含额度信息，额度信息可以是银行授权用户可用的信用额度金额，例如***透支额度、信贷额度等；App安装信息可以是样本用户使用的终端上安装的App清单，获取方法可以与步骤S210中获取目标终端的App安装信息的方法相同。

在本示例性实施例中，样本用户可以通过用户终端或服务器根据特定的个人信息数据库进行统计，例如可以统计某地区提供人行征信数据的用户，或者在某一平台注册了个人信息的用户等等。统计得到的所有的样本用户可以形成样本用户集，其中，以每个App为标签，可以将安装有该App的样本用户统计为相应的样本用户子集，例如可以统计得到样本用户子集1，其中的样本用户都安装了App1，样本用户子集2中的样本用户都安装了App2等。一个样本用户可以属于一个样本用户子集，也可以同时属于多个样本用户子集。

对于每个App，获得了对应的一个样本用户子集，对其中的样本用户的额度信息进行统计计算，可以得到该App的分数。例如App分数可以是样本用户子集中的样本用户的额度平均值、额度中位数等；也可以在额度平均值或额度中位数的基础上，减去预设的额度阈值，得到App的分数，其中额度阈值是作为参考的一个基线数值；还可以基于样本用户子集中每个样本用户使用App的强度，确定每个样本用户的权重，对样本用户的额度进行加权平均计算，得到App的分数。本实施例对于计算方法不做特别限定。

在一示例性实施例中，步骤S330可以具体通过以下步骤实现：

通过公式S_i＝Med(P_i)-Med(P_r)计算各App的分数，得到App分数列表；

其中，S_i为第i个App的分数，P_i为第i个App的样本用户子集，P_r为样本用户的参考子集，Med(P_i)为P_i中的样本用户的额度中位数，Med(P_r)为P_r中的样本用户的额度中位数。

参考子集是指样本用户中个性化较弱的用户所形成的集合，例如可以将安装的App数量高于一定数值的样本用户组成参考子集，也可以将安装的App数量低于一定数值的样本用户组成参考子集，还可以直接将样本用户集作为参考子集等等，本实施例对此不做特别限定。参考子集中样本用户安装App的情况可视为一种基线标准，则将每个App的样本用户子集与参考子集做对比，可以反映每个App的差异化特征，在本实施例中，可以通过两个子集的额度中位数之差反映该差异化特征。

额度中位数的计算方法可以举例说明如下：

设样本用户子集Pi中样本用户额度从小到大排序为X₁、X₂、X₃……X_N，则当N为奇数时，中位数当N为偶数时，中位数

基于样本用户子集与参考子集的额度中位数之差，App的分数可以通过公式S_i＝Med(P_i)-Med(P_r)计算。在其他实施例中，也可以通过公式或公式等计算，其中Count(P_i)为样本用户子集P_i的样本用户数量，P为样本用户集，Count(P)为全部样本用户的数量。此外，上述额度中位数之差也可以替换为样本用户子集与参考子集的额度平均值之差、额度最大值之差等，本领域技术人员容易想到的其他额度值统计指标也应当包含在本公开的保护范围内。

在一示例性实施例中，步骤S220中的多个App可以是多个非常用App，其中，非常用App为安装用户比例低于预设比例阈值的App。安装用户比例是指在一定的用户范围内，安装某个App的用户数量占用户总数的比例，可以根据App商店或App市场内全部用户安装App的情况计算每个App的安装用户比例，也可以基于所能获取到的用户安装App的数据信息(例如企业内部数据库中的用户信息)统计每个App的安装用户比例，还可以设置一定时间范围，例如统计当月内的用户安装App情况以计算App的用户安装比例等，总之，安装用户比例的计算结果与所选取的用户范围及时间范围等相关，本实施例对此不做特别限定。

安装用户比例较高的App为常用App，较低的为非常用App，在本实施例中，可以设置用于区分常用App与非常用App的预设比例阈值，当安装用户比例达到该阈值时为常用App，可以根据经验设置该阈值，例如设置预设比例阈值为40％、50％等，也可以按照各App的安装用户比例的统计情况计算该阈值，例如将安装用户比例在前30％的App确定为常用App，其他的App为非常用App，则预设比例阈值可以设置在处于30％的App的安装用户比例值附近等。考虑到App性质的不同，可能对待评估用户的信用风险状况反映程度不同，例如安装社交、新闻App等常用App的用户数量较高，且用户覆盖面较大，不具备代表性特征。因此常用App可能较难反映安装该App的用户的信用风险状况，在本实施例中，可以构建只包含非常用App的App分数列表，用于App分数的计算，常用App不参与App分数的计算。在步骤S230中，可以只对待评估用户的目标终端上的非常用App进行统计计算，得到App总分。在获取目标终端的App安装信息时，也可以仅统计目标终端上安装了哪些非常用App，也可以统计其安装的全部App，后续筛选出其中的非常用App用于计算分数。通过非常用App的计算方式，可以进一步提高用户信用风险评估结果的准确性，并减少整个过程的计算量。

在一示例性实施例中，基于上述多个App为多个非常用App，在步骤S310后，用户信用风险评估方法还可以包括以下步骤：

将样本用户安装的全部App分类为常用App与非常用App。

相应的，步骤S320可以包括：根据样本用户的App安装信息从样本用户中分别统计安装各非常用App的样本用户子集。

步骤S330可以包括：根据各样本用户子集中的样本用户的额度信息计算各非常用App的分数，得到App分数列表。

其中，在将App划分常用App与非常用App时，可以通过统计App商店中的App下载排行榜来确定分类，例如排行榜前50名的App为常用App、排行榜50名之后的App为非常用App；也可以统计样本用户中的App安装情况，将安装人数比例高于一定阈值的App确定为常用App等。

在一示例性实施例中，还可以通过以下步骤实现App的分类：

通过TF-IDF算法对样本用户安装的全部App进行计算，TF-IDF值低于预设TF-IDF阈值的App为非常用App，否则为常用App。

举例而言，对于以中文为主要语言的App，可以在搜索引擎中搜索App的类别名，例如App“xx棋牌”属于游戏类App，可以首先搜索关键词“游戏”，得到的搜索结果数量为K1；然后搜索类别名+App名，例如搜索关键词“游戏”+“xx棋牌”，得到的搜索结果数量为K2，则TF＝K2/K1。再搜索关键词“的”，得到的搜索结果数量为K0，搜索App名，例如搜索关键词“xx棋牌”，得到的搜索结果数量为K3，则最终得到该App的将TF-IDF值较低的App确定为非常用App，可以预设统一的TF-IDF阈值，TF-IDF值低于该阈值的App为非常用App，也可以在每个App类别中分别预设TF-IDF阈值，例如游戏类App、社交类App、银行类App中分别预设不同的TF-IDF阈值，在每个类别中将TF-IDF值低于阈值的App确定为非常用App等等。

在一示例性实施例中，可以通过上述公式S_i＝Med(P_i)-Med(P_r)计算非常用App的分数，其中样本用户的参考子集P_r可以是仅安装了常用App的样本用户所组成的集合。

在实际应用中，与待评估用户关联的目标终端可以不止一个，例如一个用户账号可以绑定多个终端设备，或者在多个终端设备上有登录记录等。根据待评估用户对目标终端的使用情况，在一示例性实施例中，目标终端可以包括待评估用户的常用终端、最近使用终端、最久未使用终端与常用交易终端。

相应的，根据目标终端的App总分得到待评估用户的信用风险评估结果可以包括以下步骤：

将常用终端的App总分、最近使用终端的App总分、最久未使用终端的App总分与常用交易终端的App总分转换为待评估用户的目标特征向量。

利用信用风险评估模型对目标特征向量进行分析，得到待评估用户的信用风险评估结果。

其中，按照待评估用户对目标终端的使用时间长短(例如待评估用户的账号登录时长)排序，常用终端可以是使用时间最长的目标终端，反映待评估用户的综合使用情况；按照待评估用户对目标终端的最后使用时间排序，最近使用终端可以是最后使用时间距离当前最近的目标终端，反映待评估用户近期的使用情况；最久未使用终端可以是最后使用时间距离当前最远的目标终端，反映待评估用户的历史使用情况；常用交易终端可以是待评估用户进行过交易次数最多的目标终端，反映待评估用户的交易行为习惯。此外，目标终端还可以包括待评估用户首次使用的终端、常用的IOS(一种操作***)终端、常用的Android(安卓操作***)终端等具有其他用户使用特征的终端。在一些情况下，上述各种目标终端中可以有两个或多个为同一终端，例如常用终端与常用交易终端为同一终端。由上可知，多个目标终端可以从不同的方面反映用户使用App的特征，从而不同程度的体现出用户的信用风险状况，通过从多个目标终端上收集用户的App安装信息，可以更加全面的评估用户的信用风险状况，进一步提高后续评估结果的准确性。

在计算目标终端的App总分时，可以分别计算上述每个终端的App总分，根据上述目标终端的APP总分可以得到待评估用户的目标特征向量，目标特征向量可以是各目标终端的App总分的序列。例如计算得到待评估用户的常用终端的App总分为70、最近使用终端的App总分为70、最久未使用终端的App总分60、常用交易终端的App总分为80，则目标特征向量可以是(70，70，60，80)，其中各维度的顺序也可以调换。

信用风险评估模型可以是以目标特征向量为输入，以信用风险评估结果为输出的机器学习模型，例如神经网络模型、逻辑回归模型、线性回归模型或支持向量机模型等。通过上述样本用户的数据可以训练并得到信用风险评估模型。在对待评估用户进行评估时，可以直接调用训练完成的模型对待评估用户的目标特征向量进行分析，输出信用风险评估结果。

在一示例性实施例中，根据目标终端的App安装信息确定目标终端的App总分可以包括：

将目标终端上安装的App的分数进行加权求和，得到目标终端的App总分。

其中，加权求和中各App的权重可以根据各App反映用户特征的程度加以计算，具体计算方法可以有多种，以下进行示例性说明：

(1)、在样本用户中，假设一共统计出有M个App，其中第i个App的样本用户子集为Pi，则第i个App的权重为：

相当于统计出每个App的安装用户数，然后对安装用户数的倒数进行归一化计算，计算结果即每个App的权重。

(2)、对于待评估用户的目标终端上安装的N个App，统计出待评估用户使用每个App的时长，则每个App的使用时长占总时长的比例即每个App的权重。

以上仅是示例性说明，本实施例对于各App权重的计算方法不做具体限定。

通过对各App的分数加权求和，以得到目标终端的App总分，可以更加准确的反映待评估用户的信用风险状况，进一步提高评估结果的准确性。

本公开的示例性实施例还提供了一种用户信用风险评估装置。参照图4，该装置400可以包括：App信息获取模块410，用于获取与待评估用户关联的目标终端以及目标终端的App安装信息；分数列表获取模块420，用于获取App分数列表，App分数列表包括多个App的分数；第一分析模块430，用于基于上述多个App的分数，根据目标终端的App安装信息确定目标终端的App总分；第二分析模块440，用于根据目标终端的App总分得到待评估用户的信用风险评估结果。

在一示例性实施例中，用户信用风险评估装置还可以包括分数列表统计模块，分数列表统计模块又可以包括：样本用户信息获取单元，用于获取样本用户的App安装信息以及样本用户的额度信息；样本用户子集统计单元，用于根据样本用户的App安装信息从样本用户中分别确定安装各App的样本用户子集；App分数计算单元，用于根据各样本用户子集中的样本用户的额度信息计算各App的分数，得到App分数列表。

在一示例性实施例中，App分数计算单元还可以用于通过公式S_i＝Med(P_i)-Med(P_r)计算各App的分数，得到App分数列表；其中，S_i为第i个App的分数，P_i为第i个App的样本用户子集，P_r为样本用户的参考子集，Med(P_i)为P_i中的样本用户的额度中位数，Med(P_r)为P_r中的样本用户的额度中位数。

在一示例性实施例中，上述多个App可以是多个非常用App，其中，非常用App指安装用户比例低于预设比例阈值的App。

在一示例性实施例中，上述多个App可以是多个非常用App；用户信用风险评估装置还可以包括：App分类模块，用于将样本用户安装的全部App分类为常用App与非常用App；上述样本用户子集统计单元还可以用于根据样本用户的App安装信息从样本用户中分别统计安装各非常用App的样本用户子集；上述App分数计算单元还可以用于根据各样本用户子集中的样本用户的额度信息计算各非常用App的分数，得到App分数列表。

在一示例性实施例中，App分类模块还可以用于通过TF-IDF算法对样本用户安装的全部App进行计算，TF-IDF值低于预设TF-IDF阈值的App为非常用App，否则为常用App。

在一示例性实施例中，目标终端可以包括待评估用户的常用终端、最近使用终端、最久未使用终端与常用交易终端；第二分析模块可以包括：特征向量转换单元，用于将常用终端的App总分、最近使用终端的App总分、最久未使用终端的App总分与常用交易终端的App总分转换为待评估用户的目标特征向量；评估模型分析单元，用于利用信用风险评估模型对目标特征向量进行分析，得到待评估用户的信用风险评估结果。

在一示例性实施例中，第一分析模块还可以用于将目标终端上安装的App的分数进行加权求和，得到目标终端的App总分。

上述各模块/单元的具体细节已经在对应的方法部分实施例中进行了详细的描述，因此此处不再赘述。

本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为***、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“***”。

下面参照图5来描述根据本公开的这种示例性实施例的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同***组件(包括存储单元520和处理单元510)的总线530、显示单元540。

其中，存储单元存储有程序代码，程序代码可以被处理单元510执行，使得处理单元510执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元510可以执行图2所示的步骤S210～S240，也可以执行图3所示的步骤S310～S330等。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)521和/或高速缓存存储单元522，还可以进一步包括只读存储单元(ROM)523。

存储单元520还可以包括具有一组(至少一个)程序模块525的程序/实用工具524，这样的程序模块525包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。

本公开的示例性实施例还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图6所示，描述了根据本公开的示例性实施例的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种用户信用风险评估方法，其特征在于，包括：

获取与待评估用户关联的目标终端以及所述目标终端的应用程序App安装信息；

获取App分数列表，所述App分数列表包括多个App的分数；

基于所述多个App的分数，根据所述目标终端的App安装信息确定所述目标终端的App总分；

根据所述目标终端的App总分得到所述待评估用户的信用风险评估结果。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取样本用户的App安装信息以及所述样本用户的额度信息；

根据所述样本用户的App安装信息从所述样本用户中分别确定安装各App的样本用户子集；

根据各样本用户子集中的样本用户的额度信息计算各App的分数，得到所述App分数列表。

3.根据权利要求2所述的方法，其特征在于，所述根据各样本用户子集中的样本用户的额度信息计算各App的分数，得到所述App分数列表包括：

通过公式S_i＝Med(P_i)-Med(P_r)计算各所述App的分数，得到所述App分数列表；

其中，S_i为第i个App的分数，P_i为所述第i个App的样本用户子集，P_r为所述样本用户的参考子集，Med(P_i)为P_i中的样本用户的额度中位数，Med(P_r)为P_r中的样本用户的额度中位数。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述多个App包括多个非常用App，其中，所述非常用App为安装用户比例低于预设比例阈值的App。

5.根据权利要求2所述的方法，其特征在于，所述多个App包括多个非常用App；

所述获取多个样本用户的App安装信息以及所述样本用户的额度信息之后，所述方法还包括：

将所述样本用户安装的全部App分类为常用App与非常用App；

所述根据所述样本用户的App安装信息从所述样本用户中分别统计安装各App的样本用户子集包括：

根据所述样本用户的App安装信息从所述样本用户中分别统计安装各所述非常用App的样本用户子集；

所述根据各样本用户子集中的样本用户的额度信息计算各App的分数，得到所述App分数列表包括：

根据各样本用户子集中的样本用户的额度信息计算各非常用App的分数，得到所述App分数列表。

6.根据权利要求5所述的方法，其特征在于，所述将所述样本用户安装的全部App分类为常用App与非常用App包括：

通过词频-逆文本频率TF-IDF算法对所述样本用户安装的全部App进行计算，TF-IDF值低于预设TF-IDF阈值的App为非常用App，否则为常用App。

7.根据权利要求1所述的方法，其特征在于，所述目标终端包括所述待评估用户的常用终端、最近使用终端、最久未使用终端与常用交易终端；

所述根据所述目标终端的App总分得到所述待评估用户的信用风险评估结果包括：

将所述常用终端的App总分、所述最近使用终端的App总分、所述最久未使用终端的App总分与所述常用交易终端的App总分转换为所述待评估用户的目标特征向量；

利用信用风险评估模型对所述目标特征向量进行分析，得到所述待评估用户的信用风险评估结果。

8.根据权利要求1所述的方法，其特征在于，所述根据所述目标终端的App安装信息确定所述目标终端的App总分包括：

将所述目标终端上安装的App的分数进行加权求和，得到所述目标终端的App总分。

9.一种用户信用风险评估装置，其特征在于，包括：

App信息获取模块，用于获取与待评估用户关联的目标终端以及所述目标终端的App安装信息；

分数列表获取模块，用于获取App分数列表，所述App分数列表包括多个App的分数；

第一分析模块，用于基于所述多个App的分数，根据所述目标终端的App安装信息确定所述目标终端的App总分；

第二分析模块，用于根据所述目标终端的App总分得到所述待评估用户的信用风险评估结果。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的方法。