CN112446777B - 一种信用评估方法、装置、设备及存储介质 - Google Patents
一种信用评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112446777B CN112446777B CN201910827666.7A CN201910827666A CN112446777B CN 112446777 B CN112446777 B CN 112446777B CN 201910827666 A CN201910827666 A CN 201910827666A CN 112446777 B CN112446777 B CN 112446777B
- Authority
- CN
- China
- Prior art keywords
- user
- payment
- evaluated
- relation
- order
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000013210 evaluation model Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 37
- 238000010276 construction Methods 0.000 claims description 11
- 238000005315 distribution function Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 abstract description 19
- 230000003993 interaction Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 108010015046 cell aggregation factors Proteins 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种信用评估方法、装置、设备及存储介质。该方法包括:获取待评估用户的待评分记录;基于待评分记录构建与待评估用户相关的结构图;基于结构图提取与待评估用户相关的嵌入特征向量,嵌入特征向量用于反映与待评估用户相关的邻居节点之间的连接特性;将嵌入特征向量输入到预先训练得到的评估模型,以输出待评估用户的评估值。根据本申请实施例提供的技术方案,该方法提高了用户评估的准确性。
Description
技术领域
本申请一般涉及数据处理领域,尤其涉及一种信用评估方法、装置、设备及存储介质。
背景技术
在***申请时,需要对申请用户的评分进行统计评估。目前的评估依据过于单一,导致用户的评估结果不准确。
发明内容
鉴于现有技术用户评估结果不准确的问题,本申请提出了一种信用评估方法、装置、设备及存储介质,能够提高用户评估结果的准确性。
第一方面,本申请实施例提供了一种信用评估方法,该方法包括:
获取待评估用户的支付历史记录;
基于支付历史记录构建与待评估用户相关的支付关系网络;
基于支付关系网络提取与待评估用户相关的特征属性,特征属性至少包括嵌入特征向量,嵌入特征向量用于反映与待评估用户相关的邻居节点之间的连接特性;
将特征属性输入到预先训练得到的信用评估模型,以输出待评估用户的信用评估值。
第二方面,本申请实施例提供了一种信用评估装置,该装置包括:
获取模块,用于获取待评估用户的支付历史记录;
构建模块,用于基于支付历史记录构建与待评估用户相关的支付关系网络;
提取模块,用于基于支付关系网络提取与待评估用户相关的特征属性,特征属性至少包括嵌入特征向量,嵌入特征向量用于反映与待评估用户相关的邻居节点之间的连接特性;
输入模块,用于将特征属性输入到预先训练得到的信用评估模型,以输出待评估用户的信用评估值。
第三方面,本申请实施例提供了一种计算机设备,包括:
一个或者多个处理器;
存储器,用于存储一个或者多个程序;
当一个或者多个程序被一个或者多个处理器执行时,使得一个或者多个处理器执行实现上述第一方面的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序用于实现上述第一方面的方法。
综上所述,本申请实施例提供的信用评估方法,根据待评估对象之间的支付历史记录构建支付关系网络,基于支付关系网络提取至少一个用于反映在支付关系网络中待评估对象的一阶邻居节点和二阶邻居节点的连接特性的特征属性,以评估对象的评分状况;相较于现有技术只使用单一的评估依据进行对象评分评估,本申请实施例将待评估对象之间的支付关系网络的一阶邻居节点和二阶邻居节点的连接特性作为评估对象评分的依据之一,不仅丰富了待评估对象的属性,而且加强了待评估对象的数据交互网络属性,因此能够更全面的反映对象的评分状况,从而提高对象评分评估的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,附图仅用于示出优选实施方法的目的,而并不认为是对本发明的限制。另外还需要说明的是,为了便于描述,附图中仅示出了本发明相关的部分而非全部。
图1是根据本申请实施例示出的一种信用评估方法的流程图;
图2是根据本申请实施例示出的一种构建数据交互方法的流程图;
图3是根据本申请实施例示出的一种数据交互示意图;
图4是根据本申请实施例示出的另一种数据交互示意图;
图5是根据本申请实施例示出的另一种构建数据交互方法的流程图;
图6是根据本申请实施例示出的再一种数据交互示意图;
图7是根据本申请实施例示出的又一种数据交互示意图;
图8是根据本申请实施例示出的一种基于数据交互提取待评估用户的嵌入特征向量方法的流程图;
图9是根据本申请实施例示出的一种信用评估装置框图;
图10是根据本申请实施例示出的一种构建数据交互的装置框图;
图11是根据本申请实施例示出的另一种构建数据交互的装置框图;
图12是根据本申请实施例示出的一种通过构建模块确定数据交互的权重的装置框图;。
图13是根据本申请实施例示出的另一种通过构建模块确定数据交互的权重的装置框图;
图14是根据本申请实施例示出的一种提取嵌入特征向量的装置框图;
图15是根据本申请实施例示出的一种计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
在对本申请实施例进行详细地解释说明之前,先对本申请实施例涉及到的一些名词进行解释说明。
网页级别(英文名称:Pagerank):用于评估互联网网页的重要性,以对网页搜索结果进行排序。在本申请中将此方法用于计算网络节点的中心性。该值越大表示该节点在其所在网络中的中心性越高。
节点的核数(英文名称:Kcore):在网络中,用来反映节点与其它节点连接的紧密度,节点的核数越大,表示该节点与其它节点的连接越紧密。
节点的局部集聚系数(英文名称:Local cluster coefficient):在网络中,用来描述一个节点的邻居节点之间连接的紧密度。值越大表示该节点的邻居节点之间的连接越紧密。
嵌入特征向量(英文名称:Network embedding):旨在将复杂网络中的节点表示成低维稠密的向量形式,使得特征能够映射到向量空间方便地进行数学运算,并依然能够体现网络中节点的特征。能够在抽象的数学层面体现出节点的一阶邻居节点和二阶邻居节点的网络连接特性。对在网络中相似度较高的节点,提取的嵌入特征在向量空间仍然保持数学上较高的相似度;而对在网络中相似度较低的节点,也能在向量空间较明显地区分开来。
分类器:用来进行分类任务预测的机器学习模型。
一阶邻居节点:在网络中,与当前节点直接相连的节点。
二阶邻居节点:在网络中,与当前节点没有直接相连,但与其一阶邻居节点直接相连的节点。
图1是根据本申请实施例示出的一种信用信用评估方法的流程图。如图1所示,该方法包括以下步骤:
步骤101,获取待评估用户的支付历史记录。
当待评估用户与其他用户产生支付关系时,会生成支付历史记录。
进一步地,当待评估用户与其他用户产生支付关系时,可能是待评估用户与其他用户直接产生支付关系,也可能是待评估用户与其他用户间接产生支付关系。比如,待评估用户为A,与A产生支付关系的用户包括B、C、D和E,产生的支付关系包括:A转账给B、A转账给C、B转账给C、B转账给D、D转账E,则认为待评估用户A与B和C直接产生支付关系,待评估用户A与D和E间接产生支付关系。
可选地,可以根据与待评估用户产生支付关系的方式,将与待评估用户存在直接支付关系的用户称为待评估用户的一阶邻居用户,与待评估用户存在间接支付关系的用户称为待评估用户的其它阶邻居用户。示例性的,仍以上述例子为例,则用户B和C为待评估用户A的一阶邻居用户,D为待评估用户A的二阶邻居用户,E为待评估用户A的三阶邻居用户。
可选地,支付历史记录包括在所有支付关系中,存在直接支付关系的用户对。也即,用户对包括存在直接支付关系的两个用户。例如,根据支付关系,如果待评估用户,待评估用户的一阶邻居用户之间存在直接支付关系的,则该两个用户构成用户对;如果待评估用户的一阶邻居用户,待评估用户的二阶邻居用户之间存在直接支付关系,则该两个用户构成用户对;同理,遍历整个支付关系确定所有的用户对。例如,以上述待评估用户为A为例,从其产生的支付关系中,可以获取支付历史记录包括5条支付历史记录,每条支付历史记录表征1个用户对的支付关系,如AB、AC、BC、BD和DE。
可选地,支付历史记录还包括用户对之间的支付类型、支付金额、支付次数或支付方向等。其中,支付类型可以包括转账、红包、收款、付款、结账、消费和退款等。其中,支付方向用于表征用户是支出方还是收入方。
示例性地,上述5条支付历史记录,例如分别为:用户A转账给用户B,金额500元、1次;用户A发红包给用户C,金额100元2次;用户B付款给用户C,金额200元、3次,用户B发红包给用户D,金额200元、2次;用户D转账给用户E,金额300元、1次。“用户A转账给用户B,金额500元、1次”,可以理解为支付类型为转账、支付金额为500元、支付次数为1、支付方向为A是支出方,B是收入方。
步骤102,基于支付历史记录构建与待评估用户相关的支付关系网络。
可选地,参见图2,步骤102可以通过以下步骤实现:
步骤1021,查找支付历史记录中存在直接支付关系的第一用户关系对。
示例性地,仍以上述5条支付历史记录为例,则第一用户关系对为:AB、AC、BC、BD和DE。
步骤1022,根据第一用户关系对的连接关系构建与待评估用户相关的支付关系网络,得到第一支付关系网络。
可选地,将第一用户关系对中各关系对作为一对节点,每对节点之间连接有一条边,从而构成第一支付关系网络。
示例性地,当步骤1021查找到的第一用户关系对为AB、AC、BC、BD和DE时,构建的第一支付关系网络如图3所示。
另外,图3直观地示出了待评估用户A的一阶邻居用户为B和C,二阶间邻居用户为D,三阶间邻居用户为E。
可选地,在确定第一支付关系网络后,还可以为第一支付关系网络的边确定权重,进一步地,可以通过如下方法为第一支付关系网络的边(每个用户关系对)确定权重:
获取第一用户关系对的支付类型;
根据预先设置的支付类型与权重的对应关系,确定第一用户关系对构成的边的权重。
或者,
确定第一用户关系对之间的支付次数,将支付次数作为第一用户关系对构成的边的权重。
或者,
确定第一用户关系对之间的支付金额,将支付金额作为第一用户关系对构成的边的权重。
示例性地,仍以上述包括支付次数的5条支付历史记录为例,则图3为对应的第一关系网络,当以支付次数为权重时,则确定权重后的第一支付关系网络如图4所示。
可选地,参见图5,步骤102还可以通过以下步骤实现:
步骤1023,查找支付历史记录中存在共同支付对象的第二用户关系对。
示例性地,仍以上述5条支付历史记录为例,则B和C存在共同支付对象A,A和C存在共同支付对象B,A和D存在共同支付对象B,C和D存在共同支付对象B,A和B存在共同支付对象C,B和E存在共同支付对象D,则第二用户关系对为:BC、AC、AD、CD、AB和BE。
步骤1024,根据第二用户关系对的连接关系构建与待评估用户相关的支付关系网络,得到第二支付关系网络。
可选地,将第二用户关系对中各关系对作为一对节点,每对节点之间连接有一条边,从而构成第二支付关系网络。
示例性地,当步骤1023查找的第二用户关系对为BC、AC、AD、CD、AB和BE时,构建的第二支付关系网络如图6所示。
相较于直接使用支付历史记录中的用户关系对构建网络,第二支付关系网络使用存在共同支付对象的第二用户关系对构建网络,加强了待评估用户的社交关系网络,从而提高用户信用评估的准确性。
可选地,在确定第二支付关系网络后,还可以为第二支付关系网络的边确定权重,进一步地,可以通过如下方法为第二支付关系网络的边确定权重:
获取第二用户关系对的共同支付对象的数量;
确定数量为第二用户关系对构成的边的权重。
示例性地,仍以上述5条支付历史记录为例,则图6为第二关系网络,则确定权重后的第二支付关系网络为图7所示的网络。
另外,需要说明的是,还可以使用其它方法查找用户关系对,以构建支付关系网络,及为支付关系网络的边确定权重。比如,当支付历史记录还包括用户间的支付类型,支付金额。从历史支付记录中查找支付记录中具有相同支付类型,支付金额或支付次数的用户关系对;使用第一用户关系对的共同支付对象的数量作为第一支付关系网络边的权重,使用第二用户关系对之间的支付次数作为第二支付关系网络边的权重等,或者,还可以把上述几种确定权重的方法相互结合以确定权重。示例性地,确定第一用户关系对的支付类型的权重和第一用户关系对的支付次数的权重;将支付类型的权重与支付次数的权重之和作为第一用户关系对构成的边的权重。其它相关内容在此不做详述。
步骤103,基于支付关系网络提取与待评估用户相关的特征属性,特征属性至少包括嵌入特征向量,嵌入特征向量用于反映与待评估用户相关的邻居节点之间的连接特性。
可选地,特征属性包括用户的社交特征属性,社交特征属性用于表征用户在社交网络中的特征,比如,中心性、重要性、一阶邻居节点和二阶邻居节点之间的网络连接特性等,以通过这些特征反映用户的信用情况。
可选地,特征属性可以至少包括嵌入特征向量,进一步包括中心性系数、核数和局部集聚系数等。
其中,中心性系数、核数、局部集聚系数能反映用户在社交网络中的中心性和重要性。其中,中心性系数用于反映在支付关系网络中待评估用户的中心性程度,中心性系数越大表示中心性程度越高。核数用于反映在支付关系网络中待评估用户与其它用户节点连接的紧密度,核数越大,表示与其它节点的连接越紧密。局部集聚系数用于反映在支付关系网络中待评估用户的邻居节点之间连接的紧密度,局部集聚系数越大表示该节点的邻居节点之间的连接越紧密。
其中,嵌入特征向量还包括一阶嵌入特征向量和二阶嵌入向量,通过一阶嵌入特征向量和二阶嵌入向量体现一阶邻居节点和二阶邻居节点之间的网络连接特性,进而通过一阶邻居节点和二阶邻居节点之间的网络连接特性体现支付关系网中各节点的网络结构的相似性,也即在构建的整个支付关系网络中,各节点之间的两两相似性。
当提取的用户特征属性为社交特征属性时,能够很好的反映用户在其社交关系中的特征,丰富用于信用评估的特征属性,以提高用户信用评估的准确性。
可选地,特征属性还包括能够反应用户在支付关系网络中信用情况的其它属性,比如,特征属性还包括待评估用户的性别、年龄、收入、支出等,在此不做限制。
另外,本申请实施例提取的特征属性是根据用户的支付历史记录构建的支付关系网络提取得到的,因为支付历史记录中记录了包括与用户存在支付关系的其它用户的支付记录,相较于只使用待评估用户自身的资产状况特征,本申请实施例提取的特征属性丰富了用户的社交属性,提高了用户信用评估的准确性。
可选地,待评估用户的中心性系数可以通过pagerank值提取。进一步地,pagerank值可以通过如下公式确定:
其中,PR(A)指支付关系网络中用户A的pagerank值,d为阻尼系数,N为支付关系网络中用户(也即节点)的总数,PR(Tn)为用户A一阶邻居节点Tn的pagerank值,C(Tn)为节点Tn与除节点A以外的其他节点之间的边数。
进一步地,提取中心性系数的过程可以为:设置每个节点的初始pagerank值为同一预设值,比如为1;然后使用上述公式(1)进行预设次数次迭代,比如,10次;将预设次数次迭代后得到的值确定为各节点的中心性系数。或者,设置当各节点的pagerank值变化小于某一个阈值时停止迭代,确定此时各节点的pagerank值为中心性系数。从中选择待评估用户对应的节点的中心性系数即可。
因此,在提取待评估用户的中心性系数时,需要确定与待评估用户相关的支付关系网络,迭代次数(或精度),阻尼系数和各节点的初始pagerank值,就可以根据上述公式(1)计算得到待评估用户的中心性系数。
可选地,待评估用户的核数可以通过如下方法提取:
确定支付关系网络中每个节点的度数;设置支付关系网络中每个节点的初始核数为预设值,比如为1;然后从支付关系网络中删除所有度数小于等于初始核数的节点和与该节点相连的边,该节点被删除时,对应的核数即为该节点的核数;不断递增核数,重复上述删除的步骤,直至支付关系网络中的节点全部被删除,得到支付关系网络中每个节点的核数,从中选择待评估用户的核数即可。
当然,在不断删除节点的过程中得到了待评估用户节点的核数时,也可停止删除操作,获取该核数即可。
可选地,待评估用户的局部集聚系数可以通过如下方法提取:
统计支付关系网络中所有三角形的数量,得到第一数量;
统计待评估用户对应节点在支付关系网络中闭合三角形的数量,得到第二数量;
计算第二数量与第一数量的比值。
其中,闭合三角形指的是与同一个节点有连接的两个节点之间也互相连接;非闭合的三角形指的是与同一个节点连接的两个节点之间没有互相连接。这里写到的所有三角形包括闭合三角形和非闭合三角形。
示例性的,当支付关系网络为图6所示的网络时,当待评估用户为用户A时,则该网络中的第一数量为6,节点A的第二数量为2,则该比值为1/3,也即节点A的局部集聚系数为1/3。
可选地,参见图8,待评估用户的嵌入特征向量可以通过如下步骤提取:
步骤1031,构建待评估用户的一阶相似度目标函数和二阶相似度目标函数,一阶相似度目标函数由支付关系网络中每个节点和与其关联的一阶邻居节点之间的权重和一阶联合概率分布函数来确定,二阶相似度目标函数由支付关系网络中每个节点和与其二阶邻居节点之间的权重和二阶联合概率分布函数来确定;
步骤1032,基于一阶相似度目标函数求解一阶嵌入特征向量;
步骤1033,基于二阶相似度目标函数求解二阶嵌入特征向量;
步骤1034,将一阶嵌入特征向量和二阶嵌入特征向量确定为待评估用户的嵌入特征向量。
可选地,构建的一阶相似度目标函数为如下公式:
O1=-∑i,jwijlogp1(vi,vj) (2)
其中,wij指的是两条边(i,j)的权重;
其中,为网络中的每一条边(i,j)和其对应的节点vi,vj的一阶联合概率分布函数;
其中,指的是对应节点vi在一阶相似度意义上的嵌入特征向量,即一阶嵌入特征向量。
通过不断最小化一阶相似度目标函数,最终能够得到每个节点的一阶嵌入特征向量。进一步地,最小化一阶相似度目标函数的过程可以通过梯度下降的方法来实现,具体地,可以为如下过程:首先随机初始化节点的一阶嵌入特征向量,如对节点vi,随机初始化该节点的一阶嵌入特征向量(默认向量每个维度取值范围为0到1之间)为设学习率(即梯度下降的速率)为μ,则根据梯度下降法,该节点的一阶嵌入特征向量更新公式为:
不断迭代公式(3),直到一阶相似度目标函数结果收敛到某个精度范围为止。
可选地,构建的二阶相似度目标函数为如下公式:
O2=-∑i,jwijlogp2(vi,vj) (4)
其中,wij指的是两条边(i,j)的权重;
其中,为网络中的每一条边(i,j)和其对应的节点vi,vj的二阶联合概率分布函数。
其中,指的是对应节点vi的二阶嵌入特征向量。其中V指的是该节点的一阶邻居节点的数目。
当不断最小化该二阶相似度目标函数时,即可得到每个节点的二阶嵌入特征向量。最小化目标函数的过程同样通过梯度下降法实现,方法与求解一阶嵌入特征向量相同,在此不做赘述。
另外,在计算p2(vi,j)时,由于分母需要遍历的节点可能会很多,从而导致计算非常低效,因此可以不完全遍历该节点的全部一阶邻居节点,而是设置负采样的节点,采集负样本即可。
步骤104,将特征属性输入到预先训练得到的信用评估模型,以输出待评估用户的信用评估值。
可选地,如果特征属性包括多个特征,可以组合特征属性,输入到信用评估模型。其中,组合特征属性可以包括将提取的特征属性拼接到一起作为一个新的特征属性;或者,当提取的特征属性相互之间存在可进行数学运算的情况时,对提取的特征属性进行数学运算后得到新特征属性。
可选地,信用评估模型可以基于分类器进行训练。
可选地,信用评估模型可以通过如下方法进行训练:
样本的选取:正样本,选取一年内有两次还款逾期在60天以上,或一次还款逾期在90天以上的用户。负样本,选择按时全额还清的用户。
或者,样本还可以为:正样本,选取历史最大借款逾期天数在90天以上的用户。负样本,选取按时全额还清借款的用户。
另外,由于大部分用户为负样本,这样会出现正负样本不均衡的情况,这时在模型训练的时,可以通过提高正样本的权重来调节。
选取正负样本后,对于正样本的每一个用户,执行如下操作进行训练:
获取支付历史记录;
基于支付历史记录构建与所述用户相关的支付关系网络;
基于支付关系网络提取与用户相关的特征属性;
判断各特征属性的特征。
比如,当其为正样本时,各特征属性的值收敛在第一范围内,等于第一个值,或是特征属性之间存在第一种关系等,或其为负样本时,各特征属性的值收敛在第二范围内,等于第二个值,或是特征属性之间存在第二种关系等。
示例性地,当特征属性包括嵌入特征向量、中心性系数、核数和局部集聚系数时,确定各特征属性的值收敛在某个范围内时,确定待评估用户的信用评估值为1,代表用户的信用较差。相反,当确定各特征属性的值没有收敛在某个范围内时,确定待评估用户的信用评估值为0,即该用户信用较好。
可选地,在训练时,还可以包括多个信用评估值。比如,信用评估值为[0,1]之间的任意数值。数值越大代表信用越好,或者数值越大代表信用越差等。
综上所述,本申请实施例提供的信用信用评估方法,根据支付历史记录构建支付关系网络,基于支付关系网络提取至少一个用于反映在支付关系网络中待评估用户的一阶邻居节点和二阶邻居节点的连接特性的特征属性,以评估用户的信用;相较于现有技术只使用简单的主被叫关系这一特征属性进行信用评估,本申请实施例将待评估用户的一阶邻居节点和二阶邻居节点的连接特性这一社会特征属性也作为评估用户信用的依据之一,不仅丰富了用户的特征属性,而且加强了待评估用户的社交特征属性,因此能够更全面的反映用户的信用状况,从而提高信用评估的准确性。
本说明书中的实施例均采用递进的方式描述,各个实施例子之间的相似部分相互参见。每个步骤下的实施例侧重于该步骤下的具体方法。以上的所描述的实施方案仅仅是示意性的,具体实施例仅是对本发明做举例说明,本发明所属技术领域的技术人员在不脱离本发明实施例所述原理的前提,还可以做出若干改进和润色,这些改进也应视为本发明的保护范围。
图9是根据本申请实施例示出的一种信用信用评估装置框图。如图9所示,该装置包括:
获取模块201,用于获取待评估用户的支付历史记录;
构建模块202,用于基于支付历史记录构建与待评估用户相关的支付关系网络;
提取模块203,用于基于支付关系网络提取与待评估用户相关的特征属性,特征属性至少包括嵌入特征向量,嵌入特征向量用于反映与待评估用户相关的邻居节点之间的连接特性;
输入模块204,用于将特征属性输入到预先训练得到的信用评估模型,以输出待评估用户的信用评估值。
可选地,参见图10,构建模块202包括:
第一查找单元2021,用于查找支付历史记录中存在直接支付关系的第一用户关系对;
第一构建单元2022,用于根据第一用户关系对的连接关系构建与待评估用户相关的支付关系网络,得到第一支付关系网络。
可选地,参见图11,构建模块202包括:
第二查找单元2023,用于查找支付历史记录中存在共同支付对象的第二用户关系对;
第二构建单元2024,用于根据第二用户关系对的连接关系构建与待评估用户相关的支付关系网络,得到第二支付关系网络。
可选地,参见图12,构建模块202还包括:
第二获取单元2025,用于获取第一用户关系对的支付类型;
第二确定单元2026,用于根据预先设置的支付类型与权重的对应关系,确定第一用户关系对的权重;
或者,
第三确定单元2027,用于确定第一用户关系对之间的支付次数,将支付次数作为第一用户关系对的权重;
或者,
第四确定单元2028,用于确定第一用户关系对之间的支付金额,将支付金额确定为第一用户关系对的权重。
可选地,参见图13,构建模块202还包括:
第一获取单元202a,用于获取第二用户关系对的共同支付对象的数量;
第一确定单元202b,用于确定数量为第二用户关系对的权重。
可选地,特征属性还包括:中心性系数、核数和局部集聚系数,其中,中心性系数用于反映在支付关系网络中待评估用户的中心性程度,核数用于反映在支付关系网络中待评估用户与其它用户节点连接的紧密度,局部集聚系数用于反映在支付关系网络中待评估用户的邻居节点之间连接的紧密度。
可选地,邻居节点包括一阶邻居节点和二阶邻居节点,则参见图14,提取模块203包括:
第三构建单元2031,用于构建待评估用户的一阶相似度目标函数和二阶相似度目标函数,一阶相似度目标函数由支付关系网络中每个节点和与其关联的一阶邻居节点之间的权重和一阶联合概率分布函数来确定,二阶相似度目标函数由支付关系网络中每个节点和与其二阶邻居节点之间的权重和二阶联合概率分布函数来确定;
第一求解单元2032,用于基于一阶相似度目标函数求解一阶嵌入特征向量;
第二求解单元2033,用于基于二阶相似度目标函数求解二阶嵌入特征向量;
第五确定单元2034,用于将一阶嵌入特征向量和二阶嵌入特征向量确定为待评估用户的嵌入特征向量。
另外,需要说明的是,装置实施例中的相关内容,请参照方法实施例,在此不做赘述。
综上所述,本申请实施例提供的信用信用评估装置,根据支付历史记录构建支付关系网络,基于支付关系网络提取至少一个用于反映在支付关系网络中待评估用户的一阶邻居节点和二阶邻居节点的连接特性的特征属性,以评估用户的信用;相较于现有技术只使用简单的主被叫关系这一特征属性进行信用评估,本申请实施例将待评估用户的一阶邻居节点和二阶邻居节点的连接特性这一社会特征属性也作为评估用户信用的依据之一,不仅丰富了用户的特征属性,而且加强了待评估用户的社交特征属性,因此能够更全面的反映用户的信用状况,从而提高信用评估的准确性。
图15是根据本申请实施例示出的一种计算机***的结构示意图,计算机***包括中央处理单元(CPU)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM303中,还存储有***操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口305。可拆卸介质311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器310上,以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地,根据本发明的实施例,上文参考流程图1、2、5和8描述的过程可以被实现为计算机软件程序。例如,本发明的各实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)301执行时,执行本申请的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机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。而在本发明中,计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块201,构建模块202,提取模块203,输入模块204。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中所述的信用信用评估方法。
例如,所述电子设备可以实现如图1中所示的:步骤101,获取待评估用户的支付历史记录;步骤102,基于支付历史记录构建与待评估用户相关的支付关系网络;步骤103,基于支付关系网络提取与待评估用户相关的特征属性,特征属性至少包括嵌入特征向量,嵌入特征向量用于反映与待评估用户相关的邻居节点之间的连接特性;步骤104,将特征属性输入到预先训练得到的信用评估模型,以输出待评估用户的信用评估值。又如,所述电子设备可以实现如图1、2、5和8中所示的各个步骤。
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,根据本公开的实施方式,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。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
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。
综上所述,本申请实施例提供的信用评估计算机结构,根据支付历史记录构建支付关系网络,基于支付关系网络提取至少一个用于反映在支付关系网络中待评估用户的一阶邻居节点和二阶邻居节点的连接特性的特征属性,以评估用户的信用;相较于现有技术只使用简单的主被叫关系这一特征属性进行信用评估,本申请实施例将待评估用户的一阶邻居节点和二阶邻居节点的连接特性这一社会特征属性也作为评估用户信用的依据之一,不仅丰富了用户的特征属性,而且加强了待评估用户的社交特征属性,因此能够更全面的反映用户的信用状况,从而提高信用评估的准确性。
上述仅为本申请较佳实施例及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种信用评估方法,其特征在于,所述方法包括:
获取待评估用户的支付历史记录;
基于所述支付历史记录构建与所述待评估用户相关的支付关系网络;
基于所述支付关系网络提取与所述待评估用户相关的特征属性,所述特征属性至少包括嵌入特征向量,所述嵌入特征向量用于反映与所述待评估用户相关的邻居节点之间的连接特性;
将所述特征属性输入到预先训练得到的信用评估模型,以输出所述待评估用户的信用评估值;
所述基于所述支付历史记录构建与所述待评估用户相关的支付关系网络,包括:
查找所述支付历史记录中存在共同支付对象的第二用户关系对;
将所述第二用户关系对中各关系对作为一对节点,将每对节点之间用一条边连接,得到第二支付关系网络;所述支付关系网络的边权重根据所述第二用户关系对的共同支付对象的数量或者所述第二用户关系对之间的支付次数确定。
2.根据权利要求1所述的信用评估方法,其特征在于,所述基于所述支付历史记录构建与所述待评估用户相关的支付关系网络,包括以下步骤:
查找所述支付历史记录中存在直接支付关系的第一用户关系对;
根据所述第一用户关系对的连接关系构建与所述待评估用户相关的所述支付关系网络,得到第一支付关系网络。
3.根据权利要求2所述的信用评估方法,其特征在于,所述方法还包括:
获取所述第一用户关系对的支付类型;
根据预先设置的支付类型与权重的对应关系,确定所述第一用户关系对构成的边的权重;
或者,
确定所述第一用户关系对之间的支付次数,将所述支付次数作为所述第一用户关系对构成的边的权重;
或者,
确定所述第一用户关系对的支付金额,将所述支付金额确定为所述第一用户关系对构成的边的权重。
4.根据权利要求1所述的信用评估方法,其特征在于,所述方法还包括:
获取所述第二用户关系对的共同支付对象的数量;
确定所述数量为所述第二用户关系对构成的边的权重。
5.根据权利要求1所述的信用评估方法,其特征在于,所述特征属性还包括:中心性系数、核数和局部集聚系数,其中所述中心性系数用于反映在所述支付关系网络中所述待评估用户的中心性程度,所述核数用于反映在所述支付关系网络中所述待评估用户与其它用户节点连接的紧密度,所述局部集聚系数用于反映在所述支付关系网络中所述待评估用户的邻居节点之间连接的紧密度。
6.根据权利要求1所述的信用评估方法,其特征在于,所述邻居节点包括一阶邻居节点和二阶邻居节点,则所述基于所述支付关系网络提取所述待评估用户的嵌入特征向量,包括以下步骤:
构建所述待评估用户的一阶相似度目标函数和二阶相似度目标函数,所述一阶相似度目标函数由所述支付关系网络中每个节点和与其关联的一阶邻居节点之间的权重和一阶联合概率分布函数来确定,所述二阶相似度目标函数由所述支付关系网络中每个节点和与其二阶邻居节点之间的权重和二阶联合概率分布函数来确定;
基于所述一阶相似度目标函数求解一阶嵌入特征向量;
基于所述二阶相似度目标函数求解二阶嵌入特征向量;
将所述一阶嵌入特征向量和所述二阶嵌入特征向量确定为所述待评估用户的嵌入特征向量。
7.一种信用评估装置,其特征在于,所述装置包括:
获取模块,用于获取待评估用户的支付历史记录;
构建模块,用于基于所述支付历史记录构建与所述待评估用户相关的支付关系网络;
提取模块,用于基于所述支付关系网络提取与所述待评估用户相关的特征属性,所述特征属性至少包括嵌入特征向量,所述嵌入特征向量用于反映与所述待评估用户相关的邻居节点之间的连接特性;
输入模块,用于将所述特征属性输入到预先训练得到的信用评估模型,以输出所述待评估用户的信用评估值;
所述基于所述支付历史记录构建与所述待评估用户相关的支付关系网络,包括:
查找所述支付历史记录中存在共同支付对象的第二用户关系对;
将所述第二用户关系对中各关系对作为一对节点,将每对节点之间用一条边连接,得到第二支付关系网络;所述支付关系网络的边权重根据所述第二用户关系对的共同支付对象的数量或者所述第二用户关系对之间的支付次数确定。
8.根据权利要求7所述的信用评估装置,其特征在于,所述构建模块包括:
第一查找单元,用于查找所述支付历史记录中存在直接支付关系的第一用户关系对;
第一构建单元,用于根据所述第一用户关系对的连接关系构建与所述待评估用户相关的所述支付关系网络,得到第一支付关系网络。
9.根据权利要求7所述的信用评估装置,其特征在于,所述构建模块包括:
第二查找单元,用于查找所述支付历史记录中存在共同支付对象的第二用户关系对;
第二构建单元,用于根据所述第二用户关系对的连接关系构建与所述待评估用户相关的所述支付关系网络,得到第二支付关系网络。
10.根据权利要求9所述的信用评估装置,其特征在于,所述构建模块还包括:
第一获取单元,用于获取所述第二用户关系对的共同支付对象的数量;
第一确定单元,用于确定所述数量为所述第二用户关系对构成的边的权重。
11.根据权利要求7所述的信用评估装置,其特征在于,所述特征属性还包括:中心性系数、核数和局部集聚系数,其中所述中心性系数用于反映在所述支付关系网络中所述待评估用户的中心性程度,所述核数用于反映在所述支付关系网络中所述待评估用户与其它用户节点连接的紧密度,所述局部集聚系数用于反映在所述支付关系网络中所述待评估用户的邻居节点之间连接的紧密度。
12.根据权利要求7所述的信用评估装置,其特征在于,所述邻居节点包括一阶邻居节点和二阶邻居节点,则所述提取模块包括:
第三构建单元,用于构建所述待评估用户的一阶相似度目标函数和二阶相似度目标函数,所述一阶相似度目标函数由所述支付关系网络中每个节点和与其关联的一阶邻居节点之间的权重和一阶联合概率分布函数来确定,所述二阶相似度目标函数由所述支付关系网络中每个节点和与其二阶邻居节点之间的权重和二阶联合概率分布函数来确定;
第一求解单元,用于基于所述一阶相似度目标函数求解一阶嵌入特征向量;
第二求解单元,用于基于所述二阶相似度目标函数求解二阶嵌入特征向量;
第五确定单元,用于将所述一阶嵌入特征向量和所述二阶嵌入特征向量确定为所述待评估用户的嵌入特征向量。
13.一种计算机设备,其特征在于,所述设备包括:
一个或者多个处理器;
存储器,用于存储一条或者多条指令;
当所述一条或者多条指令被所述一个或者多个处理器执行时,使得所述一个或者多个处理器实现如权利要求1-6任一所述的方法。
14.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,所述计算机指令用于:
所述计算机指令被处理器执行时,实现如权利要求1-6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910827666.7A CN112446777B (zh) | 2019-09-03 | 2019-09-03 | 一种信用评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910827666.7A CN112446777B (zh) | 2019-09-03 | 2019-09-03 | 一种信用评估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446777A CN112446777A (zh) | 2021-03-05 |
CN112446777B true CN112446777B (zh) | 2023-11-17 |
Family
ID=74735437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910827666.7A Active CN112446777B (zh) | 2019-09-03 | 2019-09-03 | 一种信用评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446777B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689285B (zh) * | 2021-08-18 | 2024-04-26 | 深圳前海微众银行股份有限公司 | 一种检测用户特征的方法、装置、设备及存储介质 |
CN115150437B (zh) * | 2022-09-01 | 2022-11-29 | 国汽智控(北京)科技有限公司 | 应用于车辆的自动驾驶***的节点部署方法、装置及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8386377B1 (en) * | 2003-05-12 | 2013-02-26 | Id Analytics, Inc. | System and method for credit scoring using an identity network connectivity |
JP2016184394A (ja) * | 2015-03-25 | 2016-10-20 | 株式会社オービック | 与信判断装置、与信判断方法及び与信判断プログラム |
CN106528643A (zh) * | 2016-10-13 | 2017-03-22 | 上海师范大学 | 一种基于社交网络的多维度综合推荐方法 |
CN109087163A (zh) * | 2018-07-06 | 2018-12-25 | 阿里巴巴集团控股有限公司 | 信用评估的方法及装置 |
CN109522317A (zh) * | 2018-09-05 | 2019-03-26 | 深圳市佰仟金融服务有限公司 | 一种反欺诈预警方法及*** |
WO2019080407A1 (zh) * | 2017-10-25 | 2019-05-02 | 深圳壹账通智能科技有限公司 | 信贷评估方法、装置、设备及计算机可读存储介质 |
CN109947865A (zh) * | 2018-09-05 | 2019-06-28 | ***股份有限公司 | 商户分类方法及商户分类*** |
CN110046981A (zh) * | 2018-01-15 | 2019-07-23 | 腾讯科技(深圳)有限公司 | 一种信用评估方法、装置及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010056399A1 (en) * | 2000-06-27 | 2001-12-27 | Eric Saylors | Web dependent consumer financing and virtual reselling method |
CA2685758A1 (en) * | 2009-11-10 | 2011-05-10 | Neobanx Technologies Inc. | System and method for assessing credit risk in an on-line lending environment |
CA2924889A1 (en) * | 2015-03-24 | 2016-09-24 | Mxm Nation Inc. | System an method for facilitating credit redemptions |
US20170091861A1 (en) * | 2015-09-24 | 2017-03-30 | International Business Machines Corporation | System and Method for Credit Score Based on Informal Financial Transactions Information |
US10083379B2 (en) * | 2016-09-27 | 2018-09-25 | Facebook, Inc. | Training image-recognition systems based on search queries on online social networks |
-
2019
- 2019-09-03 CN CN201910827666.7A patent/CN112446777B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8386377B1 (en) * | 2003-05-12 | 2013-02-26 | Id Analytics, Inc. | System and method for credit scoring using an identity network connectivity |
JP2016184394A (ja) * | 2015-03-25 | 2016-10-20 | 株式会社オービック | 与信判断装置、与信判断方法及び与信判断プログラム |
CN106528643A (zh) * | 2016-10-13 | 2017-03-22 | 上海师范大学 | 一种基于社交网络的多维度综合推荐方法 |
WO2019080407A1 (zh) * | 2017-10-25 | 2019-05-02 | 深圳壹账通智能科技有限公司 | 信贷评估方法、装置、设备及计算机可读存储介质 |
CN110046981A (zh) * | 2018-01-15 | 2019-07-23 | 腾讯科技(深圳)有限公司 | 一种信用评估方法、装置及存储介质 |
CN109087163A (zh) * | 2018-07-06 | 2018-12-25 | 阿里巴巴集团控股有限公司 | 信用评估的方法及装置 |
CN109522317A (zh) * | 2018-09-05 | 2019-03-26 | 深圳市佰仟金融服务有限公司 | 一种反欺诈预警方法及*** |
CN109947865A (zh) * | 2018-09-05 | 2019-06-28 | ***股份有限公司 | 商户分类方法及商户分类*** |
Also Published As
Publication number | Publication date |
---|---|
CN112446777A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9355370B2 (en) | System and method for generating legal documents | |
CN111199474B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN111222976B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
CN110349000A (zh) | 基于用户分群的提额策略确定方法、装置和电子设备 | |
CN111191825A (zh) | 用户违约预测方法、装置及电子设备 | |
CN112446777B (zh) | 一种信用评估方法、装置、设备及存储介质 | |
CN110415103A (zh) | 基于变量影响度指标进行用户分群提额的方法、装置和电子设备 | |
CN110349007A (zh) | 基于变量区分度指标进行用户分群提额的方法、装置和电子设备 | |
CN112669143A (zh) | 基于关联网络的风险评估方法、装置、设备以及存储介质 | |
CN111798304A (zh) | 一种风险贷款确定方法、装置、电子设备及存储介质 | |
CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机*** | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN112990443B (zh) | 神经网络评价方法及装置、电子设备、存储介质 | |
CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
CN113887214A (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
JP7288062B2 (ja) | 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
WO2023185125A1 (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN111695988A (zh) | 信息处理方法、装置、电子设备和介质 | |
CN110008282A (zh) | 交易数据同步对接方法、装置、计算机设备及存储介质 | |
CN114266653A (zh) | 集成学习的客户贷款风险预估方法 | |
CN113935820A (zh) | 逾期概率计算方法、装置、电子设备及计算机存储介质 | |
CN112307334A (zh) | 信息推荐方法、信息推荐装置、存储介质与电子设备 | |
CN110895564A (zh) | 一种潜在客户数据处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40041059 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |