CN109816234A - 服务准入方法、服务准入装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种服务准入方法、服务准入装置、电子设备及计算机可读存储介质，属于计算机技术领域。该方法包括：获取待服务对象的特征数据；基于所述特征数据对所述待服务对象进行信用评估，得到所述待服务对象的信用评估结果；基于所述特征数据对所述待服务对象进行响应评估，得到所述待服务对象的响应评估结果；根据所述待服务对象的信用评估结果与响应评估结果确定是否准入所述待服务对象。本公开可以提高待服务对象准入结果的准确性，降低服务风险，并减少准入审核过程对于外部数据的依赖。

Description

服务准入方法、服务准入装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种服务准入方法、服务准入装置、电子设备及计算机可读存储介质。

背景技术

随着计算机技术的迅速发展，为了适应经济新需求，互联网在各个领域也得到越来越广泛的应用。其中，通过互联网购买金融产品、申请贷款、办理***或接受其他服务的用户越来越多，为了保障各个机构的利益，有必要对服务对象的准入进行审核。

现有的服务准入方法，通常采用人工审核的方式判断服务对象是否能够准入，但是这种方法具有较高的人力成本，而且不能保证审核结果的客观性与准确性，对服务机构造成风险；另外，在审核服务对象时，往往还需要通过外部数据对待服务对象进行评估，从而增加了审核所需的时间，降低了审核效率，影响用户接受服务的积极性。

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

本公开提供了一种服务准入方法、服务准入装置、电子设备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服务准入方法具有风险性以及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，提供一种服务准入方法，包括：获取待服务对象的特征数据；基于所述特征数据对所述待服务对象进行信用评估，得到所述待服务对象的信用评估结果；基于所述特征数据对所述待服务对象进行响应评估，得到所述待服务对象的响应评估结果；根据所述待服务对象的信用评估结果与响应评估结果确定是否准入所述待服务对象。

在本公开的一种示例性实施例中，所述基于所述特征数据对所述待服务对象进行信用评估，得到所述待服务对象的信用评估结果，包括：分别通过风险分析模型及负债分析模型对所述特征数据进行处理，得到所述待服务对象的风险分析结果以及负债分析结果；根据所述待服务对象的风险分析结果与负债分析结果得到所述待服务对象的信用评估结果。

在本公开的一种示例性实施例中，所述方法还包括：获取多个样本对象以及各所述样本对象的样本特征数据；获取所述样本对象的第一分类标签和第二分类标签；利用所述样本特征数据以及所述第一分类标签，训练第一机器学习模型，得到所述风险分析模型；利用所述样本特征数据以及所述第二分类标签，训练第二机器学习模型，得到所述负债分析模型；其中，所述第一分类标签包括高风险对象或非高风险对象，所述第二分类标签包括高负债对象或非高负债对象。

在本公开的一种示例性实施例中，所述第一机器学习模型与第二机器学习模型为梯度提升决策树模型，所述风险分析结果包括高风险概率，所述负债分析结果包括高负债概率；所述分别通过风险分析模型及负债分析模型对所述特征数据进行处理，得到所述待服务对象的风险分析结果以及负债分析结果包括：通过所述风险分析模型的N棵风险决策树对所述特征数据进行处理，得到N个1或0的高风险分类值，其中1表示预测所述待服务对象为高风险对象，0表示预测所述待服务对象为非高风险对象；通过公式计算所述高风险概率，其中P_r为所述高风险概率，W_ri为第i棵风险决策树的权重系数，T_ri为第i棵风险决策树输出的高风险分类值；通过所述负债分析模型的M棵负债决策树对所述特征数据进行处理，得到M个1或0的高负债分类值，其中1表示预测所述待服务对象为高负债对象，0表示预测所述待服务对象为非高负债对象；通过公式计算所述高负债概率，其中P_d为所述高负债概率，W_dj为第j棵负债决策树的权重系数，T_dj为第j棵负债决策树输出的高负债分类值。

在本公开的一种示例性实施例中，所述信用评估结果包括信用评价值，所述响应评估结果包括响应率；所述根据所述待服务对象的信用评估结果与响应评估结果确定是否准入所述待服务对象包括：根据所述信用评价值与所述响应率计算所述待服务对象的违约预测概率；如果所述待服务对象的违约预测概率达到一概率阈值，则拒绝准入所述待服务对象；如果所述待服务对象的违约预测概率未达到所述概率阈值，则准入所述待服务对象。

在本公开的一种示例性实施例中，所述根据所述信用评价值与所述响应率计算所述待服务对象的违约预测概率包括：通过以下公式计算所述待服务对象的违约预测概率：P_q＝P_m ^a·P_n ^b，其中，P_q为所述违约预测概率，P_m为所述信用评价值，P_n为所述响应率，a与b均为大于0的常数参数。

在本公开的一种示例性实施例中，所述基于所述特征数据对所述待服务对象进行响应评估，得到所述待服务对象的响应评估结果包括：通过响应预测模型预测所述待服务对象，得到所述待服务对象的响应评估结果；其中，所述响应评估结果包括高响应对象与非高响应对象。

根据本公开的一个方面，提供一种服务准入装置，包括：数据获取模块，用于获取待服务对象的特征数据；第一评估模块，用于基于所述特征数据对所述待服务对象进行信用评估，得到所述待服务对象的信用评估结果；第二评估模块，用于基于所述特征数据对所述待服务对象进行响应评估，得到所述待服务对象的响应评估结果；准入判断模块，用于根据所述待服务对象的信用评估结果与响应评估结果确定是否准入所述待服务对象。

在本公开的一种示例性实施例中，第一评估模块包括：模型分析单元，用于分别通过风险分析模型及负债分析模型对所述特征数据进行处理，得到所述待服务对象的风险分析结果以及负债分析结果；结果获取单元，用于根据所述待服务对象的风险分析结果与负债分析结果得到所述待服务对象的信用评估结果。

在本公开的一种示例性实施例中，服务准入装置还包括：样本对象获取模块，用于获取多个样本对象以及各所述样本对象的样本特征数据；标签获取模块，用于获取所述样本对象的第一分类标签和第二分类标签；第一训练模块，用于利用所述样本特征数据以及所述第一分类标签，训练第一机器学习模型，得到所述风险分析模型；第二训练模块，用于利用所述样本特征数据以及所述第二分类标签，训练第二机器学习模型，得到所述负债分析模型；其中所述第一分类标签包括高风险对象或非高风险对象，所述第二分类标签包括高负债对象或非高负债对象。

在本公开的一种示例性实施例中，所述第一机器学习模型与第二机器学习模型为梯度提升决策树模型，所述风险分析结果包括高风险概率，所述负债分析结果包括高负债概率；模型分析单元包括：第一处理子单元，用于通过所述风险分析模型的N棵风险决策树对所述特征数据进行处理，得到N个1或0的高风险分类值，其中1表示预测所述待服务对象为高风险对象，0表示预测所述待服务对象为非高风险对象；第一计算子单元，用于通过公式计算所述高风险概率，其中P_r为所述高风险概率，W_ri为第i棵风险决策树的权重系数，T_ri为第i棵风险决策树输出的高风险分类值；第二处理子单元，用于通过所述负债分析模型的M棵负债决策树对所述特征数据进行处理，得到M个1或0的高负债分类值，其中1表示预测所述待服务对象为高负债对象，0表示预测所述待服务对象为非高负债对象；第二计算子单元，用于通过公式计算所述高负债概率，其中P_d为所述高负债概率，W_dj为第j棵负债决策树的权重系数，T_dj为第j棵负债决策树输出的高负债分类值。

在本公开的一种示例性实施例中，所述信用评估结果包括信用评价值，所述响应评估结果包括响应率；准入判断模块包括：概率计算单元，用于根据所述信用评价值与所述响应率计算所述待服务对象的违约预测概率；阈值判断单元，用于如果所述待服务对象的违约预测概率达到一概率阈值，则拒绝准入所述待服务对象；如果所述待服务对象的违约预测概率未达到所述概率阈值，则准入所述待服务对象。

在本公开的一种示例性实施例中，概率计算单元用于通过以下公式计算所述待服务对象的违约预测概率：P_q＝P_m ^a·P_n ^b，其中，P_q为所述违约预测概率，P_m为所述信用评价值，P_n为所述响应率，a与b均为大于0的常数参数。

在本公开的一种示例性实施例中，第二评估模块用于通过响应预测模型预测所述待服务对象，得到所述待服务对象的响应评估结果；其中，所述响应评估结果包括高响应对象与非高响应对象。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。

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：

本公开提供的实例性实施例中，通过使用信用评估及响应评估对待服务对象的特征数据进行处理，得到待服务对象的信用评估结果与响应评估结果，并据此确定是否准入待服务对象。一方面，通过分析待服务对象的信用状况与响应状况，可以将信用状况或响应状况较差的对象移除目标服务的对象范围，从而提高了审核结果的准确性，降低了服务风险，保障了服务机构的利益。另一方面，基于待服务对象在本服务机构的网站或App内的行为日志统计特征数据，并进行信用及响应分析，可以降低审核过程对于外部数据的依赖，并缩短审核流程，提升用户体验。

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中一种服务准入方法的流程图；

图2示意性示出本示例性实施例中一种服务准入方法的子流程图；

图3示意性示出本示例性实施例中另一种服务准入方法的流程图；

图4示意性示出本示例性实施例中一种服务准入装置的结构框图；

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服务准入方法，其中，服务可以是各服务机构通过互联网提供具有一定违约风险的服务，例如电子理财、网上钱包、借贷服务、***申请等；相应的，上述服务所面向的个人用户或企业用户可以是本实施例的服务对象。本实施例可以应用于对申请上述服务的对象进行准入审核的场景中，也可以应用于为上述服务筛选潜在对象的场景中。本实施例的执行主体可以是服务机构的服务器。

下面结合附图1对本示例性实施例做进一步说明，如图1所示，该服务准入方法可以包括以下步骤S110～S140：

步骤S110，获取待服务对象的特征数据。

其中，待服务对象可以是申请了目标服务的用户，也可以是由其他已准入的用户所推荐的用户等；特征数据是指反映待服务对象行为习惯、消费习惯、资产变动等多个方面特征的数据，通常具有多个指标，例如：根据待服务对象每天的登录时间、下线时间统计其登录属性，根据待服务对象的历史消费记录统计其产品偏好、消费频度、消费额度等。在本示例性实施例中，可以根据待服务对象的行为日志进行特征数据的统计，其中，行为日志是指待服务对象在本服务机构的网站或App(应用程序)中全部或部分行为的原始记录，例如：待服务对象每天的登录时间、下线时间、历史消费记录等等。

步骤S120，基于特征数据对待服务对象进行信用评估，得到待服务对象的信用评估结果。

信用评估可以是对待服务对象的信用记录、经济状况、偿债能力、合约履行能力等与信用相关的多个方面进行评估，通过信用评估可以得到表现待服务对象信用水平与信用状况的结果，即信用评估结果。在本示例性实施例中，基于待服务对象的特征数据，可以通过特定的数学公式或函数模型计算得到信用评估结果，也可以通过机器学***值，再将各水平值加权计算得到信用评估结果。信用评估结果可以表示为数值形式，例如信用值、违约概率等，也可以表示为分类结果的形式，例如是否为高信用对象，信用状况为优/良/中/差等等，本实施对此不做特别限定。

步骤S130，基于特征数据对待服务对象进行响应评估，得到待服务对象的响应评估结果；

响应评估可以是对待服务对象响应状况与活跃状况等信息的评估，在一定程度上反映待服务对象对于服务机构的黏度，可以基于与响应相关的特征数据进行评估，例如浏览服务机构相关推送信息的频次、使用服务App的使用时长或者在服务App内的互动频率等。在本示例性实施例中，可以通过特定的数学公式、函数模型或机器学习模型等进行响应评估。响应评估结果可以表示为数值形式，例如响应率、活跃度等，也可以表示为分类结果的形式，例如是否为高响应对象，响应状况为活跃/一般/不活跃等等，本实施对此不做特别限定。

步骤S140，根据待服务对象的信用评估结果与响应评估结果确定是否准入待服务对象。

在本示例性实施例中，可以综合信用评估结果与响应评估结果以确定是否准入待服务对象。举例说明，如果信用评估结果与响应结果为二分类结果，则可以得出至少四种分类结果：高信用对象加高响应对象，高信用对象加非高响应对象，非高信用对象加高响应对象，非高信用对象加非高响应对象。可以设定仅当待服务对象为高信用对象加高响应对象时，允许服务准入，也可以设定当待服务对象属于上述后三种分类时，得到相应的服务准入结果。实际应用中，根据服务机构的具体情况选择不同的判断标准，例如当服务涉及的风险较低时，可以允许高信用对象加高响应对象与高信用对象加非高响应对象的待服务对象准入，以提高服务的适用率。如果信用评估结果与响应评估结果为数值，则判断标准可以是关于数值的标准，例如待服务对象的信用评估结果及响应评估结果都高于一定的阈值时，确定准入待服务对象。

需要补充的是，信用评估结果与响应评估结果可以是不同形式的结果，例如信用评估结果为数值型结果，响应评估结果为分类结果，则可以分别采用两种形式的判断标准分别进行判断，当信用评估结果与响应评估结果都符合判断标准时，可以判断准入待服务对象。

在本示例性实施例中，由于信用评估与响应评估为两种不同的评估体系，信用评估结果与响应评估结果互相不受影响，因此，可以先进行步骤S120中的信用评估，再进行步骤S130中的响应评估，也可以先进行步骤S130中的响应评估，再进行步骤S120中的信用评估，还可以同时进行步骤S120与步骤S130，最后根据信用评估结果及响应评估结果得到是否准入待服务对象的结果。步骤S120与步骤S130的顺序在此不做具体限定。

基于上述说明，在本示例性实施例通过信用评估及响应评估对待服务对象的特征数据进行处理，得到待服务对象的信用评估结果与响应评估结果，并据此确定是否准入待服务对象准入。一方面，通过分析待服务对象的信用状况与响应状况，可以从信用与响应两个角度进行评估审核，根据实际需求，将信用状况或响应状况较差的对象排除服务对象范围，从而提高了准入结果的准确性，降低了服务风险，保障了服务机构的利益。另一方面，特征数据通常为服务机构内部管理的待服务对象的数据，例如可以从网站或App内的行为日志统计得到特征数据，本示例性实施例基于特征数据进行准入审核，可以降低对于外部数据的依赖，并缩短准入的审核流程，提升用户体验。

在一示例性实施例中，步骤S120可以包括以下步骤：

分别通过风险分析模型及负债分析模型对特征数据进行处理，得到待服务对象的风险分析结果以及负债分析结果；

根据待服务对象的风险分析结果与负债分析结果得到待服务对象的信用评估结果。

其中，风险分析模型可以对特征数据进行处理，得出待服务对象的风险状况，即风险分析结果。例如：风险分析模型可以从特征数据中筛选出与风险相关的指标，并对这些指标的数据进行计算，得到风险分析结果；也可以基于特征数据的变化趋势，预测待服务对象未来的行为，并根据行为得到风险分析结果；负债分析模型也可以对特征数据进行处理，得到待服务对象的负债状况，即负债分析结果，其处理方式可以与风险分析模型类似。本实施例对于上述模型的具体处理方式不做限定。风险分析结果可以是分类结果，例如分析待服务对象为高风险或者非高风险，也可以是特定数值，例如分析待服务对象的风险指数、高风险概率等。负债分析结果同风险分析结果类似，可以是分类结果，例如分析待服务对象为高负债或者非高负债等，或者可以是特定数值，例如分析待服务对象的负债指数、高负债概率等。

在本示例性实施例中，对待服务对象的特征数据使用风险分析模型和负债分析模型进行处理，如果得到的风险分析结果与负债分析结果为分类结果，则可以得出至少四种分类结果：高风险对象加高负债对象，高风险对象加非高负债对象，非高风险对象加高负债对象，非高风险对象加非高负债对象，此外，风险分析结果与负债分析结果也可以是特定数值。

需要补充的是，风险分析结果与负债分析结果可以是不同形式的结果，例如风险分析结果为风险指数，负债分析结果为高负债对象或非高负债对象的分类结果，可以分别采用两种形式的标准得到信用评估结果。

在一示例性实施例中，参考图2所示，服务准入方法还可以包括步骤S210～S240：

步骤S210，获取多个样本对象以及各样本对象的样本特征数据。

步骤S220，获取样本对象的第一分类标签和第二分类标签。

步骤S230，利用样本特征数据以及第一分类标签，训练第一机器学习模型，得到风险分析模型。

步骤S240，利用样本特征数据以及第二分类标签，训练第二机器学习模型，得到负债分析模型。

其中，第一分类标签包括高风险对象或非高风险对象，第二分类标签包括高负债对象或非高负债对象。

在本实施例中，样本对象可以是具备反映风险状况与负债状况的外部数据的用户，例如已提供人行征信数据的用户、已授权使用其他App数据的用户、已提交资产证明的用户、已进行过风险问卷调查的用户等。样本对象的行为日志是指上述用户在本服务机构的网站或App中的行为原始记录，可以通过与步骤S110相同的方式从中统计出相同指标的样本特征数据。

在步骤S220中，可以根据外部数据为样本对象人工标注第一分类标签和第二分类标签。其中，第一分类标签可以包括高风险对象或非高风险对象。高风险对象可以是给付能力或信用较差，导致对服务机构的利益创设较高风险的用户，例如人行征信数据中有过不良记录的用户，被其他服务机构评价信用较差的用户，风险偏好非常偏低或偏高的用户，失业、无正当职业或收入来源不稳定的用户等等。第二分类标签可以包括高负债对象或非高负债对象，高负债对象可以是当前或在短期内负债状况较严重的用户，例如背负高额房贷、车贷的用户，短期内有贷款计划的用户，财产被冻结的用户，名下资产归属存在争议的用户等等。在通过外部数据对样本对象标注第一分类标签与第二分类标签时，还可以事先对外部数据进行一定的清洗、映射与统计，也可以通过不同于上述第一机器学习模型或第二机器学习模型的另外的模型对外部数据进行分析处理，得到样本对象的第一分类标签与第二分类标签等等，本实施例对此不做特别限定。

根据样本对象的样本特征数据和第一分类标签，可以训练第一机器学习模型，训练过程可以包括：第一机器学习模型以样本特征数据为输入，输出样本对象为高风险对象或非高风险对象的分类结果，通过调整模型参数，可以使输出的分类结果越来越接近分类标签，直到模型的准确率达到一定的标准，可以认为训练完成。第二机器学习模型的训练过程与第一机器学习模型的训练过程类似。从而获得了第一机器学习模型与第二机器学习模型，可以在服务准入过程中直接调用。

在一示例性实施例中，第一机器学习模型与第二机器学习模型可以包括梯度提升决策树模型、随机森林模型或逻辑回归模型。

其中，第一机器学习模型与第二机器学习模型可以是同一类型的机器学习模型，也可以是不同类型的机器学习模型。上述三类机器学习模型可以对多变量的特征数据进行处理，得到连续的输出数值或者离散的分类结果

进一步的，在一示例性实施例中，第一机器学习模型与第二机器学习模型可以是梯度提升决策树模型，风险分析结果可以是高风险概率，负债分析结果可以是高负债概率；步骤S120中待服务对象的风险分析结果以及负债分析结果可通过以下步骤得到：

通过风险分析模型的N棵风险决策树对特征数据进行处理，得到N个1或0的高风险分类值，其中1表示预测待服务对象为高风险对象，0表示预测待服务对象为非高风险对象；

通过公式计算高风险概率，其中P_r为高风险概率，W_ri为第i棵风险决策树的权重系数，T_ri为第i棵风险决策树输出的高风险分类值；

通过负债分析模型的M棵负债决策树对特征数据进行处理，得到M个1或0的高负债分类值，其中1表示预测待服务对象为高负债对象，0表示预测待服务对象为非高负债对象；

通过公式计算高负债概率，其中P_d为高负债概率，W_dj为第j棵负债决策树的权重系数，T_dj为第j棵负债决策树输出的高负债分类值。

其中，高风险概率及高负债概率可以是反映待服务对象出现高风险或高负债情况的可能性的大小量度。梯度提升决策树模型通常包含多棵决策树，例如本实施例中，风险分析模型包含N棵风险决策树为例，可以根据公式计算待服务对象的高风险概率。各风险决策树的权重系数W_ri可以通过多种方法进行具体计算，以下举两例说明：

(1)、W_ri＝1/N，其中W_ri为权重，N为风险决策树的总数量，即各风险决策树可以等权重；

(2)、其中W_ri为第i棵风险决策树的权重，R(i)与R(k)分别为第i棵风险决策树与第k棵风险决策树的准确率，N为风险决策树的总数量，i,k∈[1,N]；

本实施例对于计算各风险决策树权重系数的方法不做特别限定。

通过公式可以计算得到高负债概率，与上述高风险概率计算类似，因此不再赘述。

在一示例性实施例中，信用评估结果可以包括信用评价值，响应评估结果可以包括响应率；步骤S140可以包括以下步骤：

根据信用评价值与响应率计算待服务对象的违约预测概率；

如果待服务对象的违约预测概率达到一概率阈值，则拒绝准入待服务对象；

如果待服务对象的违约预测概率未达到概率阈值，则准入待服务对象。

其中，信用评价值用于反映待服务对象的信用水平与信用状况，可以以评分或百分比等数值形式表现。响应率用于反映待服务对象的响应状况或活跃状况，通常以百分数形式体现。通常认为信用评价值与响应率为彼此独立的指标，可以分别基于两个指标对待服务对象进行评估，但是在某些情况下，这种方式可能无法做出有效的判断，例如设定信用评价值与响应率均高于80％的对象准入，则信用评价值为90％、响应率为70％的用户不能准入，尽管后一种用户的综合情况可能优于信用评价值与响应率均为80％的用户。因此，可以综合信用评价值与响应率，通过计算违约预测概率，来判断待服务对象是否准入。另外，可以在违约预测概率判断机制中设置作为判断标准的违约概率阈值，例如若设置违约概率阈值为80％，当计算所得的违约预测概率未达到80％时，可以准入待服务对象。违约概率阈值可以根据经验设定初值，并在使用过程中根据结果反馈情况进行优化调节，使其可以准确的预测待服务对象是否会违约，从而得到准确的准入结果。

通过信用评价值与响应率计算违约预测概率的具体方法有很多，例如可以将高风险概率与高负债概率相乘，也可以对两个概率求平均值等。在一示例性实施例中，根据信用评价值与响应率计算待服务对象的违约预测概率还可以包括：

通过以下公式计算待服务对象的违约预测概率：

P_q＝P_m ^a·P_n ^b，其中，P_q为违约预测概率，P_m为信用评价值，P_n为响应率，a与b均为大于0的常数参数。

在待服务对象的违约预测中，信用评价值与响应率的不同，可能会影响待服务对象是否通过审核的判断结果，由于信用评价值与待服务对象当前的经济状况及风险状况有关，而响应率是对待服务对象的是否活跃的一种判断，因此，信用评价值相较于响应率更具有参考价值。例如信用评价值为80％、响应率为50％的对象与信用评价值为50％、响应率为80％相比，后者违约的概率可能较大。根据上述分析，可以利用公式P_q＝P_m ^a·P_n ^b计算违约预测概率，为信用评价值P_m与响应率P_n分别设置指数形式的常数参数a和b，其中a和b需要大于0，通常二者的数值在0.5左右，为了控制信用评价值在违约预测概率计算中的重要性，可以设置a＜b。在实际应用中，还可以根据结果反馈情况优化调节a和b的数值。

在一示例性实施例中，在获得信用评价值与响应率后，可以对两项数值分别进行归一化处理，使其处于同等数值水平上，有利于后续计算违约预测概率。

在一示例性实施例中，步骤S130可以包括：

通过响应预测模型预测待服务对象，得到待服务对象的响应评估结果；

其中，响应评估结果包括高响应对象与非高响应对象。

响应预测模型是通过待服务对象的特征数据分析其响应率的模型，例如可以是神经网络模型、逻辑回归模型、随机森林模型等机器学习模型，也可以是多元函数模型等，本实施例对此不做特别限定。与上述风险分析模型或负债分析模型类似的，可以通过样本数据训练响应预测模型或计算响应预测模型的参数，也可以直接使用已有的响应预测模型等，在此不做赘述。

高响应对象可以是在服务机构中活跃度比较高的用户，例如经常浏览服务机构相关推送信息的用户、使用服务App时间较长的用户或者在服务App内互动频率较高的用户等。考虑到高响应对象在一定程度上表示该对象对服务机构的黏度较高，在本示例性实施例中，可以在通过信用评估的情况下，再通过响应预测模型对待服务对象进行进一步判断，即最终通过的对象具备信用状况较好且响应状况较好的条件，能够进一步提高审核结果的准确率。

在一示例性实施例中，也可以是先利用响应预测模型对待服务对象进行响应评估，筛选出高响应对象后，再进行信用评估，通过信用评估后，可以得到响应状况良好，且信用状况良好的待服务对象，由于良好的响应状况相比于良好的信用状况更易达到，因此先筛选高响应用户，为准入更多符合要求的对象提供了可能性。

图3示出了本示例性实施例中一种服务准入方法的流程图，步骤S310，基于获取从待服务对象的特征数据，进行步骤S320以及步骤S330可以分别使用风险分析模型及负债分析模型进行计算，得到步骤S321以及步骤S331中待服务对象的高风险概率及高负债概率，在步骤S340中通过获得的高风险概率及高负债概率计算待服务对象的信用评价值，步骤S350中，再判断信用评价值是否达到一预设阈值。如果信用评价值未达到预设阈值，则可以进行步骤S380，拒绝准入待服务对象；如果信用评价值达到预设阈值，则可以进行步骤S360将待服务对象的特征数据输入响应预测模型，在步骤S361中预测待服务对象是否为高响应对象。如果预测结果为否，则拒绝准入待服务对象；如果预测结果为是，则进行步骤S370，准入待服务对象，从而完成了审核的全过程。

本公开的实例性实施例还提供了一种服务准入装置。参照图4，该审核装置400可以包括数据获取模块410、第一评估模块420、第二评估模块430及准入判断模块440。其中，数据获取模块410，用于获取待服务对象的特征数据；第一评估模块420，用于基于特征数据对待服务对象进行信用评估，得到待服务对象的信用评估结果；第二评估模块430，用于基于特征数据对待服务对象进行响应评估，得到待服务对象的响应评估结果；准入判断模块440，用于根据待服务对象的信用评估结果与响应评估结果确定是否准入待服务对象。

在一示例性实施例中，第一评估模块可以包括：模型分析单元，用于分别通过风险分析模型及负债分析模型对特征数据进行处理，得到待服务对象的风险分析结果以及负债分析结果；结果获取单元，用于根据待服务对象的风险分析结果与负债分析结果得到待服务对象的信用评估结果。

在一示例性实施例中，服务准入装置还可以包括：样本对象获取模块，用于获取多个样本对象以及各样本对象的样本特征数据；标签获取模块，用于获取样本对象的第一分类标签和第二分类标签；第一训练模块，用于利用样本特征数据以及第一分类标签，训练第一机器学习模型，得到风险分析模型；第二训练模块，用于利用样本特征数据以及第二分类标签，训练第二机器学习模型，得到负债分析模型；其中第一分类标签包括高风险对象或非高风险对象，第二分类标签包括高负债对象或非高负债对象。

在一示例性实施例中，第一机器学习模型与第二机器学习模型为梯度提升决策树模型，风险分析结果包括高风险概率，负债分析结果包括高负债概率；模型分析单元可以包括：第一处理子单元，用于通过风险分析模型的N棵风险决策树对特征数据进行处理，得到N个1或0的高风险分类值，其中1表示预测待服务对象为高风险对象，0表示预测待服务对象为非高风险对象；第一计算子单元，用于通过公式计算高风险概率，其中P_r为高风险概率，W_ri为第i棵风险决策树的权重系数，T_ri为第i棵风险决策树输出的高风险分类值；第二处理子单元，用于通过负债分析模型的M棵负债决策树对特征数据进行处理，得到M个1或0的高负债分类值，其中1表示预测待服务对象为高负债对象，0表示预测待服务对象为非高负债对象；第二计算子单元，用于通过公式计算高负债概率，其中P_d为高负债概率，W_dj为第j棵负债决策树的权重系数，T_dj为第j棵负债决策树输出的高负债分类值。

在一示例性实施例中，信用评估结果可以包括信用评价值，响应评估结果包括响应率；准入判断模块包括：概率计算单元，用于根据信用评价值与响应率计算待服务对象的违约预测概率；阈值判断单元，用于如果待服务对象的违约预测概率达到一概率阈值，则拒绝准入待服务对象；如果待服务对象的违约预测概率未达到概率阈值，则准入待服务对象。

在一示例性实施例中，概率计算单元可以用于通过以下公式计算待服务对象的违约预测概率：P_q＝P_m ^a·P_n ^b，其中，P_q为违约预测概率，P_m为信用评价值，P_n为响应率，a与b均为大于0的常数参数。

在一示例性实施例中，第二评估模块可以用于通过响应预测模型预测待服务对象，得到待服务对象的响应评估结果；其中，响应评估结果包括高响应对象与非高响应对象。

上述各模块/单元的具体细节在方法部分的实施例中已经详细说明，因此不再赘述。

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1所示的步骤S110～S140，也可以执行图2所示的步骤S210～S240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5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)

1.一种服务准入方法，其特征在于，包括：

获取待服务对象的特征数据；

基于所述特征数据对所述待服务对象进行信用评估，得到所述待服务对象的信用评估结果；

基于所述特征数据对所述待服务对象进行响应评估，得到所述待服务对象的响应评估结果；

根据所述待服务对象的信用评估结果与响应评估结果确定是否准入所述待服务对象。

2.根据权利要求1所述的方法，其特征在于，所述基于所述特征数据对所述待服务对象进行信用评估，得到所述待服务对象的信用评估结果，包括：

分别通过风险分析模型及负债分析模型对所述特征数据进行处理，得到所述待服务对象的风险分析结果以及负债分析结果；

根据所述待服务对象的风险分析结果与负债分析结果得到所述待服务对象的信用评估结果。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获取多个样本对象以及各所述样本对象的样本特征数据；

获取所述样本对象的第一分类标签和第二分类标签；

利用所述样本特征数据以及所述第一分类标签，训练第一机器学习模型，得到所述风险分析模型；

利用所述样本特征数据以及所述第二分类标签，训练第二机器学习模型，得到所述负债分析模型；

其中，所述第一分类标签包括高风险对象或非高风险对象，所述第二分类标签包括高负债对象或非高负债对象。

4.根据权利要求3所述的方法，其特征在于，所述第一机器学习模型与第二机器学习模型为梯度提升决策树模型，所述风险分析结果包括高风险概率，所述负债分析结果包括高负债概率；

所述分别通过风险分析模型及负债分析模型对所述特征数据进行处理，得到所述待服务对象的风险分析结果以及负债分析结果包括：

通过所述风险分析模型的N棵风险决策树对所述特征数据进行处理，得到N个1或0的高风险分类值，其中1表示预测所述待服务对象为高风险对象，0表示预测所述待服务对象为非高风险对象；

通过公式计算所述高风险概率，其中P_r为所述高风险概率，W_ri为第i棵风险决策树的权重系数，T_ri为第i棵风险决策树输出的高风险分类值；

通过所述负债分析模型的M棵负债决策树对所述特征数据进行处理，得到M个1或0的高负债分类值，其中1表示预测所述待服务对象为高负债对象，0表示预测所述待服务对象为非高负债对象；

通过公式计算所述高负债概率，其中P_d为所述高负债概率，W_dj为第j棵负债决策树的权重系数，T_dj为第j棵负债决策树输出的高负债分类值。

5.根据权利要求1所述的方法，其特征在于，所述信用评估结果包括信用评价值，所述响应评估结果包括响应率；

所述根据所述待服务对象的信用评估结果与响应评估结果确定是否允许所述待服务对象准入包括：

根据所述信用评价值与所述响应率计算所述待服务对象的违约预测概率；

如果所述待服务对象的违约预测概率达到一概率阈值，则拒绝准入所述待服务对象；

如果所述待服务对象的违约预测概率未达到所述概率阈值，则准入所述待服务对象。

6.根据权利要求5所述的方法，其特征在于，所述根据所述信用评价值与所述响应率计算所述待服务对象的违约预测概率包括：

通过以下公式计算所述待服务对象的违约预测概率：

P_q＝P_m ^a·P_n ^b，其中，P_q为所述违约预测概率，P_m为所述信用评价值，P_n为所述响应率，a与b均为大于0的常数参数。

7.根据权利要求1所述的方法，其特征在于，所述基于所述特征数据对所述待服务对象进行响应评估，得到所述待服务对象的响应评估结果包括：

通过响应预测模型预测所述待服务对象，得到所述待服务对象的响应评估结果；

其中，所述响应评估结果包括高响应对象与非高响应对象。

8.一种服务准入装置，其特征在于，包括：

数据获取模块，用于获取待服务对象的特征数据；

第一评估模块，用于基于所述特征数据对所述待服务对象进行信用评估，得到所述待服务对象的信用评估结果；

第二评估模块，用于基于所述特征数据对所述待服务对象进行响应评估，得到所述待服务对象的响应评估结果；

准入判断模块，用于根据所述待服务对象的信用评估结果与响应评估结果确定是否准入所述待服务对象。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。

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1-7任一项所述的方法。