CN113065950A - ***额度评估方法及装置 - Google Patents
***额度评估方法及装置 Download PDFInfo
- Publication number
- CN113065950A CN113065950A CN202110434456.9A CN202110434456A CN113065950A CN 113065950 A CN113065950 A CN 113065950A CN 202110434456 A CN202110434456 A CN 202110434456A CN 113065950 A CN113065950 A CN 113065950A
- Authority
- CN
- China
- Prior art keywords
- credit
- quota
- information
- credit card
- evaluation
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 230000006399 behavior Effects 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Technology Law (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种***额度评估方法及装置，涉及数据分析领域，可应用于金融领域和其他领域，所述方法包含：获取用户的行为特征信息和预设关系类型的关系信息，根据所述关系信息和所述行为特征信息构建异构网络；根据所述异构网络的拓扑结构对预设图卷积神经网络模型训练获得额度预测模型；通过所述额度预测模型分析待测用户的行为数据和关系信息获得额度评估值。以此，为负责对信用额度做评估和调整的业务人员，快速、可靠地提供与客户各方面情况相符合的信用额度评估结果，以减少业务人员的时间和人力成本投入，同时，也能提升客户的用卡满意度以及降低金融风险。
Description
技术领域
本发明涉及数据分析领域，可应用于金融领域和其他领域，尤指一种***额度评估方法及装置。
背景技术
***作为商业银行或者***公司对信用合格的消费者发行的信用证明，随着当今社会的金融业务不断发展，已经被越来越多的人所认可以及使用。相比于传统储蓄卡，其最大的特色就是可以允许持卡人在一定的信用额度内先消费后还款。基于这种信用机制，处于金融风险防控的考虑，发卡机构不仅会在发卡时通过参考客户的多方面资料以及经济情况，给予其一个合理的信用额度区间，也会不断跟踪客户后续的使用情况对额度进行调整。
传统采用人工的方法对客户额度进行评估的方法，需要结合大量的专家知识，随着发卡数量的不断提升，人力投入以及时间成本日益扩大，导致不能准确和快速做出额度的评估。这样，不仅会降低客户的用卡满意度和使用粘性，也会增加金融风险。随着机器学习方法在金融领域的一些成功尝试，这些技术也开始被使用在***的额度评估中。
但是，这些机器学习的算法，普遍假设客户之间的特征之间是相互独立的。而在现实生活中，每个人都不是独立地存在的，并且也在相互影响着彼此。因此，这些算法不能够很好地分析和学习出客户较为准确的信息。基于这个考虑，有些***额度评估方法也开始利用客户的社交关系或者工作关系信息，但是它们使用的关系信息均比较单一，而在现实社会中，每个人都扮演着很多的角色，因此会与其它人产生不同类型的关联。所以这类方法不能充分考虑客户的多种复杂关系，导致评估出的客户信用额度可能具有一定的偏差。
发明内容
本发明目的在于提供一种***额度评估方法及装置，为负责对信用额度做评估和调整的业务人员，快速、可靠地提供与客户各方面情况相符合的信用额度评估结果，以减少业务人员的时间和人力成本投入，同时，也能提升客户的用卡满意度以及降低金融风险。
为达上述目的，本发明所提供的一种***额度评估方法，所述方法包含：获取用户的行为特征信息和预设关系类型的关系信息，根据所述关系信息和所述行为特征信息构建异构网络；根据所述异构网络的拓扑结构对预设图卷积神经网络模型训练获得额度预测模型；通过所述额度预测模型分析待测用户的行为数据和关系信息获得额度评估值。
在上述***额度评估方法中，优选的，通过所述额度预测模型分析待测用户的行为数据和关系信息获得额度评估值还包含：将所述额度评估值与待测用户当前的额度值比较获得推荐参考信息；根据所述推荐参考信息向待测用户提供额度变更提示。
在上述***额度评估方法中，优选的，根据所述关系信息和所述行为特征信息构建异构网络包含：根据各用户的所述行为特征信息构建多个对应的节点，以所述关系信息对应的关系类型作为连接边，连接所述节点构建异构网络。
在上述***额度评估方法中，优选的，根据所述异构网络的拓扑结构对预设图卷积神经网络模型训练获得额度预测模型还包含：获取***额度评估类别，根据所述***额度评估类别定义所述预设图卷积神经网络模型的初始化学习率。
在上述***额度评估方法中，优选的，根据所述***额度评估类别定义所述预设图卷积神经网络模型的初始化学习率包含：当所述***额度评估类别为连续信用评估时，通过均方误差损失函数定义所述预设图卷积神经网络模型的初始化学习率；当所述***额度评估类别为非连续固定信用额度评估时，通过交叉熵损失函数定义所述预设图卷积神经网络模型的初始化学习率。
在上述***额度评估方法中，优选的，根据所述异构网络的拓扑结构对预设图卷积神经网络模型训练获得额度预测模型包含：通过Adam的梯度下降方法训练预设图卷积神经网络模型的模型参数获得额度预测模型。
在上述***额度评估方法中，优选的，所述预设关系类型包含居住关系、工作关系和消费关系。
在上述***额度评估方法中，优选的，所述行为特征信息包含累积支付次数、累积消费金额和最大消费金额。
本发明还提供一种***额度评估装置，所述装置包含生成模块、训练模块和分析模块；所述生成模块用于获取用户的行为特征信息和预设关系类型的关系信息，根据所述关系信息和所述行为特征信息构建异构网络；所述训练模块用于根据所述异构网络的拓扑结构对预设图卷积神经网络模型训练获得额度预测模型；所述分析模块用于通过所述额度预测模型分析待测用户的行为数据和关系信息获得额度评估值。
在上述***额度评估装置中，优选的，所述装置还包含提示模块，所述提示模块用于将所述额度评估值与待测用户当前的额度值比较获得推荐参考信息；根据所述推荐参考信息向待测用户提供额度变更提示。
在上述***额度评估装置中，优选的，所述生成模块包含：根据各用户的所述行为特征信息构建多个对应的节点，以所述关系信息对应的关系类型作为连接边，连接所述节点构建异构网络。
在上述***额度评估装置中，优选的，所述训练模块还包含定义调整单元，所述定义调整单元用于获取***额度评估类别，根据所述***额度评估类别定义所述预设图卷积神经网络模型的初始化学习率。
在上述***额度评估装置中，优选的，所述定义调整单元包含：当所述***额度评估类别为连续信用评估时，通过均方误差损失函数定义所述预设图卷积神经网络模型的初始化学习率；当所述***额度评估类别为非连续固定信用额度评估时，通过交叉熵损失函数定义所述预设图卷积神经网络模型的初始化学习率。
在上述***额度评估装置中，优选的，所述训练模块包含：通过Adam的梯度下降方法训练预设图卷积神经网络模型的模型参数获得额度预测模型。
本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
本发明的有益技术效果在于：对***额度需求较大的客户，推送给业务人员其需要提升的额度信息，提升客户用卡满意度；对***额度需求不大或者信用度不高的客户，推送给业务人员其需要降低的额度信息，减少金融风险；减少业务人员主动搜索需要对额度进行调整的客户的人力成本投入。再者，在考虑客户的行为特征信息之外，在模型中加入了对客户关联性数据的学习，可以得到更为准确合理的评估结果；除了单一的客户关系，通过构造异构网络，能够很好地对客户之间多种复杂的社会关系做分析，更加符合实际情况。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1为本发明一实施例所提供的***额度评估方法的流程示意图；
图2为本发明一实施例所提供的额度变更提示的流程示意图；
图3为本发明一实施例所提供的初始化学习率的计算流程示意图；
图4为本发明一实施例所提供的***额度评估装置的结构示意图；
图5为本发明一实施例所提供的***额度评估装置的结构示意图；
图6为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
请参考图1所示，本发明所提供的一种***额度评估方法，所述方法包含：
S101获取用户的行为特征信息和预设关系类型的关系信息，根据所述关系信息和所述行为特征信息构建异构网络；
S102根据所述异构网络的拓扑结构对预设图卷积神经网络模型训练获得额度预测模型；
S103通过所述额度预测模型分析待测用户的行为数据和关系信息获得额度评估值。
整体上，本发明所提供的上述实施例可分为三步完成，具体包含：1、构造以客户为主体的异构网络；2、用异构网络以及客户的行为特征训练图卷积神经网络算法模型；3、用训练后的模型对客户的***额度进行预测。在上述实施例中，所述预设关系类型包含居住关系、工作关系和消费关系；所述行为特征信息包含累积支付次数、累积消费金额和最大消费金额。具体的，根据所述关系信息和所述行为特征信息构建异构网络包含：根据各用户的所述行为特征信息构建多个对应的节点，以所述关系信息对应的关系类型作为连接边，连接所述节点构建异构网络。在实际工作中可使用客户的居住、工作以及消费关系构造包含这三种关系类型的客户异构网络。该网络的拓扑结构可以由节点和边表示，每个客户看成是一个节点，而节点之间的边则表示客户之间的关联关系。前两种类型的关系构造比较显然：即两个客户的居住住址或者工作地址相同，则表示这两个客户的节点之间存在连边。而第三种关系的表示，则需要通过两个客户之间共同消费的商户进行关联：即两个客户在同一个商户进行过消费，则表示这两个客户的节点之间存在连边。进一步的，按照消费的类型(日常开销、节假日等)可以划分出更多类型的连边。待这个异构网络的拓扑结构(节点和边)构造完成后，还可以为每个节点添加用卡行为特征信息(如累计支付次数、累计消费金额以及最大消费金额等)。其中每个人像代表一个***用卡客户，客户之间不同颜色的连边即代表它们不同的关系，而人像旁边的中括号内即为每个客户的用卡行为特征。
请参考图2所示，在本发明一实施例中，通过所述额度预测模型分析待测用户的行为数据和关系信息获得额度评估值还包含：
S201将所述额度评估值与待测用户当前的额度值比较获得推荐参考信息；
S202根据所述推荐参考信息向待测用户提供额度变更提示。
在该实施例中主要是对前述图卷积神经网络模型训练结束后，即可对全量客户进行额度的预测。计对某个客户的预测值为B，并结合客户的当前额度A，辅助额度审批业务人员做决策：若B＞A，则向业务人员输出提额提示，并附带模型输出预测值作为提额参考值；若B＜A，则向业务人员输出降额提示以及附带预测值作为降额参考值；至此，即完成了对客户额度千人千面的评估；该过程可通过现有的比较算法或人工比对实现，在此就不再详细举例。
请参考图3所示，在本发明一实施例中，根据所述异构网络的拓扑结构对预设图卷积神经网络模型训练获得额度预测模型还包含：获取***额度评估类别，根据所述***额度评估类别定义所述预设图卷积神经网络模型的初始化学习率。具体的，根据所述***额度评估类别定义所述预设图卷积神经网络模型的初始化学习率包含：当所述***额度评估类别为连续信用评估时，通过均方误差损失函数定义所述预设图卷积神经网络模型的初始化学习率；当所述***额度评估类别为非连续固定信用额度评估时，通过交叉熵损失函数定义所述预设图卷积神经网络模型的初始化学习率。在该基础上，在本发明另一实施例中，根据所述异构网络的拓扑结构对预设图卷积神经网络模型训练获得额度预测模型包含：通过Adam的梯度下降方法训练预设图卷积神经网络模型的模型参数获得额度预测模型。
为更清楚的说明额度预测模型的训练过程，以下从实际工作原理出发，对上述实施例做详细举例说明。
在步骤S101构造出异构网络后，即可以利用这个异构网络的拓扑结构以及客户的一些行为特征数据对图卷积神经网络模型进行训练。
该模型分为输入层、隐藏层和输出层。其中，每一个输入层/隐藏层的计算可以分为三步，第一步是做如下式的聚合操作：
其中，
代表当前隐藏层前一层中节点u的隐特征向量。特别地，当k＝1(第一个隐藏层)时，
等于节点u对应客户的行为特征组成的向量。N(v)代表节点v在异构网络中的邻居节点(与节点v存在连边)。AVG表示对向量中各元素求平均值的操作。
第二步则为池化降维操作，计算方法如下式：
其中，σ(·)代表非线性的激活函数，用来增加模型的学习能力，一般选择ReLu函数。Wk代表一个线性的映射矩阵，用来做降维处理。CONCAT(a,b)表示将a与b两个向量做级联操作。
第二步计算隐特征向量：
该环节中还需要对每个节点在当前层计算得到的隐特征向量，做如下的正则化操作，保证模型的鲁棒性：
其中，||·||代表向量的二范数。
而输出层则根据不同的信用额度评估场景需要(连续信用额度评估和非连续固定信用额度评估)，可以有两种设计方案。其中，对于连续信用额度评估的场景，输出层可以定义如下：
yv＝σ(Woutput·hv+b)；
其中，σ(·)代表非线性的激活函数，用来增加模型的学习能力，一般选择ReLu函数。hv代表最后一个隐藏层输出的隐特征向量，Woutput代表一个线性的映射矩阵，将隐藏层输出的隐特征向量维度降到1维，b是一个偏置变量，增加模型的学习能力。
为了能够训练模型，在这个业务场景下，考虑使用均方误差损失函数，定义如下：
其中，y'v代表客户v近期被业务人员通过人工审批的方式调整后的***额度。对于非连续固定额度评估的业务场景，则可以定义如下的输出层：
yv＝SOFTMAX(Woutput·hv+b)；
其中，Woutput代表一个线性的映射矩阵，将隐藏层输出的隐特征向量维度降到指定的维度D(D等于业务上指定的固定额度数量)。SOFTMAX则是一个对向量中元素做归一化的操作，定义如下：
其中，si代表向量s中的第i个元素。
为了训练模型，使用如下的交叉熵损失函数：
其中，yv与y'v均是向量形式，维度等于前文所定义的D。y'v代表客户v的真实向量形式的标签，若该客户在近期被业务人员将信用额度调整为第i档定义的固定额度，则y'v的第i个元素等于1，其余元素均为0。
上述两种损失函数在定义一个初始化学习率后，均采用Adam的梯度下降方法训练模型参数。
请参考图4所示，本发明还提供一种***额度评估装置，所述装置包含生成模块、训练模块和分析模块；所述生成模块用于获取用户的行为特征信息和预设关系类型的关系信息，根据所述关系信息和所述行为特征信息构建异构网络；所述训练模块用于根据所述异构网络的拓扑结构对预设图卷积神经网络模型训练获得额度预测模型；所述分析模块用于通过所述额度预测模型分析待测用户的行为数据和关系信息获得额度评估值。
在上述实施例中，所述生成模块包含：根据各用户的所述行为特征信息构建多个对应的节点，以所述关系信息对应的关系类型作为连接边，连接所述节点构建异构网络；具体构建方式可参考关系图谱的构建方法，在前述实施例中已详细举例的基础上，在此就不再详细说明。
在本发明一实施例中，所述训练模块还包含定义调整单元，所述定义调整单元用于获取***额度评估类别，根据所述***额度评估类别定义所述预设图卷积神经网络模型的初始化学习率。其中，所述定义调整单元包含：当所述***额度评估类别为连续信用评估时，通过均方误差损失函数定义所述预设图卷积神经网络模型的初始化学习率；当所述***额度评估类别为非连续固定信用额度评估时，通过交叉熵损失函数定义所述预设图卷积神经网络模型的初始化学习率。进一步的，所述训练模块包含：通过Adam的梯度下降方法训练预设图卷积神经网络模型的模型参数获得额度预测模型，具体可参考前述实施例，在此就不再赘述。
如图5所示，在本发明一实施例中，所述装置还可包含提示模块，所述提示模块用于将所述额度评估值与待测用户当前的额度值比较获得推荐参考信息；根据所述推荐参考信息向待测用户提供额度变更提示。在该实施例中所述额度变更提示可提供给待测用户也可提供给与相关审查的工作人员，由工作人员根据比对结果确定是否调整用户的信用额度。
本发明的有益技术效果在于：对***额度需求较大的客户，推送给业务人员其需要提升的额度信息，提升客户用卡满意度；对***额度需求不大或者信用度不高的客户，推送给业务人员其需要降低的额度信息，减少金融风险；减少业务人员主动搜索需要对额度进行调整的客户的人力成本投入。再者，在考虑客户的行为特征信息之外，在模型中加入了对客户关联性数据的学习，可以得到更为准确合理的评估结果；除了单一的客户关系，通过构造异构网络，能够很好地对客户之间多种复杂的社会关系做分析，更加符合实际情况。
本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
如图6所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图6中所示的所有部件；此外，电子设备600还可以包括图6中没有示出的部件，可以参考现有技术。
如图6所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (16)
1.一种***额度评估方法，其特征在于，所述方法包含：
获取用户的行为特征信息和预设关系类型的关系信息，根据所述关系信息和所述行为特征信息构建异构网络；
根据所述异构网络的拓扑结构对预设图卷积神经网络模型训练获得额度预测模型；
通过所述额度预测模型分析待测用户的行为数据和关系信息获得额度评估值。
2.根据权利要求1所述的***额度评估方法，其特征在于，通过所述额度预测模型分析待测用户的行为数据和关系信息获得额度评估值还包含：
将所述额度评估值与待测用户当前的额度值比较获得推荐参考信息；
根据所述推荐参考信息向待测用户提供额度变更提示。
3.根据权利要求1所述的***额度评估方法，其特征在于，根据所述关系信息和所述行为特征信息构建异构网络包含：
根据各用户的所述行为特征信息构建多个对应的节点，以所述关系信息对应的关系类型作为连接边，连接所述节点构建异构网络。
4.根据权利要求1所述的***额度评估方法，其特征在于，根据所述异构网络的拓扑结构对预设图卷积神经网络模型训练获得额度预测模型还包含：
获取***额度评估类别，根据所述***额度评估类别定义所述预设图卷积神经网络模型的初始化学习率。
5.根据权利要求4所述的***额度评估方法，其特征在于，根据所述***额度评估类别定义所述预设图卷积神经网络模型的初始化学习率包含：
当所述***额度评估类别为连续信用评估时，通过均方误差损失函数定义所述预设图卷积神经网络模型的初始化学习率；
当所述***额度评估类别为非连续固定信用额度评估时，通过交叉熵损失函数定义所述预设图卷积神经网络模型的初始化学习率。
6.根据权利要求5所述的***额度评估方法，其特征在于，根据所述异构网络的拓扑结构对预设图卷积神经网络模型训练获得额度预测模型包含：
通过Adam的梯度下降方法训练预设图卷积神经网络模型的模型参数获得额度预测模型。
7.根据权利要求1至6中任一项所述的***额度评估方法，其特征在于，所述预设关系类型包含居住关系、工作关系和消费关系。
8.根据权利要求1至6中任一项所述的***额度评估方法，其特征在于，所述行为特征信息包含累积支付次数、累积消费金额和最大消费金额。
9.一种***额度评估装置，其特征在于，所述装置包含生成模块、训练模块和分析模块；
所述生成模块用于获取用户的行为特征信息和预设关系类型的关系信息，根据所述关系信息和所述行为特征信息构建异构网络；
所述训练模块用于根据所述异构网络的拓扑结构对预设图卷积神经网络模型训练获得额度预测模型；
所述分析模块用于通过所述额度预测模型分析待测用户的行为数据和关系信息获得额度评估值。
10.根据权利要求9所述的***额度评估装置，其特征在于，所述装置还包含提示模块，所述提示模块用于将所述额度评估值与待测用户当前的额度值比较获得推荐参考信息；根据所述推荐参考信息向待测用户提供额度变更提示。
11.根据权利要求9所述的***额度评估装置，其特征在于，所述生成模块包含：
根据各用户的所述行为特征信息构建多个对应的节点，以所述关系信息对应的关系类型作为连接边，连接所述节点构建异构网络。
12.根据权利要求9所述的***额度评估装置，其特征在于，所述训练模块还包含定义调整单元，所述定义调整单元用于获取***额度评估类别，根据所述***额度评估类别定义所述预设图卷积神经网络模型的初始化学习率。
13.根据权利要求12所述的***额度评估装置，其特征在于，所述定义调整单元包含：当所述***额度评估类别为连续信用评估时，通过均方误差损失函数定义所述预设图卷积神经网络模型的初始化学习率；当所述***额度评估类别为非连续固定信用额度评估时，通过交叉熵损失函数定义所述预设图卷积神经网络模型的初始化学习率。
14.根据权利要求13所述的***额度评估装置，其特征在于，所述训练模块包含：通过Adam的梯度下降方法训练预设图卷积神经网络模型的模型参数获得额度预测模型。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一所述方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有由计算机执行权利要求1至8任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110434456.9A CN113065950A (zh) | 2021-04-22 | 2021-04-22 | ***额度评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110434456.9A CN113065950A (zh) | 2021-04-22 | 2021-04-22 | ***额度评估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113065950A true CN113065950A (zh) | 2021-07-02 |
Family
ID=76567403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110434456.9A Pending CN113065950A (zh) | 2021-04-22 | 2021-04-22 | ***额度评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113065950A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056426A (zh) * | 2016-05-24 | 2016-10-26 | 中国联合网络通信集团有限公司 | 一种移动用户信用额度的评估方法和评估*** |
| WO2017167071A1 (zh) * | 2016-03-30 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 一种对应用程序进行项目评估的方法及*** |
| WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的***用户违约的预测方法及*** |
| CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐*** |
| CN109978230A (zh) * | 2019-02-15 | 2019-07-05 | 杭州博钊科技有限公司 | 一种基于深度卷积神经网络的电力销售金额智能预测方法 |
| CN111062808A (zh) * | 2019-12-24 | 2020-04-24 | 深圳市信联征信有限公司 | ***额度评估方法、装置、计算机设备及存储介质 |
| CN111143702A (zh) * | 2019-12-16 | 2020-05-12 | 中国科学技术大学 | 基于图卷积神经网络的信息推荐方法、***、设备和介质 |
| CN111161054A (zh) * | 2020-01-02 | 2020-05-15 | 中国银行股份有限公司 | 作业风险监测方法及*** |
| CN111400560A (zh) * | 2020-03-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
| CN111476369A (zh) * | 2020-05-11 | 2020-07-31 | 哈尔滨工程大学 | 一种神经网络模型的训练方法 |
-
2021
- 2021-04-22 CN CN202110434456.9A patent/CN113065950A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017167071A1 (zh) * | 2016-03-30 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 一种对应用程序进行项目评估的方法及*** |
| CN106056426A (zh) * | 2016-05-24 | 2016-10-26 | 中国联合网络通信集团有限公司 | 一种移动用户信用额度的评估方法和评估*** |
| WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的***用户违约的预测方法及*** |
| CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐*** |
| CN109978230A (zh) * | 2019-02-15 | 2019-07-05 | 杭州博钊科技有限公司 | 一种基于深度卷积神经网络的电力销售金额智能预测方法 |
| CN111143702A (zh) * | 2019-12-16 | 2020-05-12 | 中国科学技术大学 | 基于图卷积神经网络的信息推荐方法、***、设备和介质 |
| CN111062808A (zh) * | 2019-12-24 | 2020-04-24 | 深圳市信联征信有限公司 | ***额度评估方法、装置、计算机设备及存储介质 |
| CN111161054A (zh) * | 2020-01-02 | 2020-05-15 | 中国银行股份有限公司 | 作业风险监测方法及*** |
| CN111400560A (zh) * | 2020-03-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
| CN111476369A (zh) * | 2020-05-11 | 2020-07-31 | 哈尔滨工程大学 | 一种神经网络模型的训练方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190035015A1 (en) | Method and apparatus for obtaining a stable credit score | |
| CN111783873B (zh) | 基于增量朴素贝叶斯模型的用户画像方法及装置 | |
| CN110472798A (zh) | 时间序列数据的预测方法、装置及计算机可读存储介质 | |
| CN112068962B (zh) | 一种基于深度学习的云渲染资源兑换方法 | |
| CN110349012A (zh) | 数据预测方法及计算机可读存储介质 | |
| US20190362354A1 (en) | Real-time updating of predictive analytics engine | |
| CN112232947A (zh) | 贷中风险预测方法及装置 | |
| CN115269997A (zh) | 一种金融产品推荐方法及装置 | |
| CN114782169A (zh) | 一种客户流失率预警方法及装置 | |
| CN113191880A (zh) | 银行柜员终端加钞建议确定方法及装置 | |
| CN112734565A (zh) | 流动性覆盖率预测方法及装置 | |
| US20140344020A1 (en) | Competitor pricing strategy determination | |
| US20230197068A1 (en) | Systems and methods for dynamically updating machine learning models that provide conversational responses | |
| US11720847B1 (en) | Cognitive and heuristics-based emergent financial management | |
| CN113065950A (zh) | ***额度评估方法及装置 | |
| CN116485527A (zh) | 一种金融信用风险分析方法及装置 | |
| Carmona et al. | High frequency market making | |
| CN113393320B (zh) | 企业金融服务风险预测方法及装置 | |
| CN114971017A (zh) | 银行交易数据的处理方法及装置 | |
| US20140344022A1 (en) | Competitor response model based pricing tool | |
| CN114118635A (zh) | 基于区块链的碳中和管理方法、装置、设备及存储介质 | |
| CN111932018B (zh) | 银行业务绩效贡献信息预测方法及装置 | |
| Fan et al. | Commuting service platform: Concept and analysis | |
| US11763330B1 (en) | System and method of recommending a payment option | |
| Dabbs et al. | How Well Does the Australian Aged Pension Provide Social Insurance? |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |