CN114529400A - 一种消费贷款预授信评估方法、设备及介质 - Google Patents

Abstract

本申请公开了一种消费贷款预授信评估方法、设备及介质，用以解决现有的消费信贷评估方法评估准确度和适应性较差的技术问题。其中，采集不同用户的信用评估信息，将信用评估信息作为信用评估样本；对信用评估样本进行风险评估，以确定对应的第一风险评分和第二风险评分；对信用评估样本进行聚类，确定聚类结果中的离群样本相对于聚类中心的离群距离；计算用户的综合风险评分；根据综合风险评分，对信用评估样本添加相应的类型标签，并根据预设的目标违约预测模型，对添加类型标签后的信用评估样本进行监督学习，以得到用户的违约概率；构建针对违约概率的授信额度分配模型，以确定相应的用户的授信额度。

Description

一种消费贷款预授信评估方法、设备及介质

技术领域

本申请涉及金融领域，具体涉及一种消费贷款预授信评估方法、设备及介质。

背景技术

随着移动互联网的发展，线上个人消费信贷因其具有额度低、审批快以及免抵押担保等特点，深受金融机构的青睐。信用风险评估为个人消费信贷中的重要环节，但是随着客户量的不断增加，传统的风险评估方法已无法适应金融机构特别是中小金融机构的需求。

一方面，传统的信用风险评估方法仍为基于规则引擎的“评分卡”模式，同质化现象严重，对客户信用的评级缺乏客观性，无法满足众多金融机构的差异化需求。

另一方面，金融机构特别是中小金融机构的数据样本量通常情况下存在不足，缺乏足够的数据支撑，难以保证评估结果的准确性。

发明内容

为了解决上述问题，本申请提出了一种消费贷款预授信评估方法，包括：采集不同用户的信用评估信息，将所述信用评估信息作为信用评估样本；

对所述信用评估样本进行风险评估，以确定对应的第一风险评分和第二风险评分；其中，所述第一风险评分由专家评分***得出，所述第二风险评分由用户画像评分***得出；

对所述信用评估样本进行聚类，得到聚类结果，并根据所述聚类结果，确定所述聚类结果中的离群样本相对于聚类中心的离群距离；

根据所述离群距离、所述第一风险评分以及所述第二风险评分，计算所述用户的综合风险评分；

根据所述综合风险评分，对所述信用评估样本添加相应的类型标签，并根据预设的目标违约预测模型，对添加类型标签后的所述信用评估样本进行监督学习，以得到所述用户的违约概率；

构建针对所述违约概率的授信额度分配模型，以根据所述授信额度分配模型，确定相应的用户的授信额度。

本申请实施例提供了一种消费贷款预授信评估设备，其特征在于，设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

采集不同用户的信用评估信息，将所述信用评估信息作为信用评估样本；

对所述信用评估样本进行风险评估，以确定对应的第一风险评分和第二风险评分；其中，所述第一风险评分由专家评分***得出，所述第二风险评分由用户画像评分***得出；

对所述信用评估样本进行聚类，得到聚类结果，并根据所述聚类结果，确定所述聚类结果中的离群样本相对于聚类中心的离群距离；

根据所述离群距离、所述第一风险评分以及所述第二风险评分，计算所述用户的综合风险评分；

根据所述综合风险评分，对所述信用评估样本添加相应的类型标签，并根据预设的目标违约预测模型，对添加类型标签后的所述信用评估样本进行监督学习，以得到所述用户的违约概率；

构建针对所述违约概率的授信额度分配模型，以根据所述授信额度分配模型，确定相应的用户的授信额度。

本申请实施例提供了一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：

采集不同用户的信用评估信息，将所述信用评估信息作为信用评估样本；

对所述信用评估样本进行风险评估，以确定对应的第一风险评分和第二风险评分；其中，所述第一风险评分由专家评分***得出，所述第二风险评分由用户画像评分***得出；

对所述信用评估样本进行聚类，得到聚类结果，并根据所述聚类结果，确定所述聚类结果中的离群样本相对于聚类中心的离群距离；

根据所述离群距离、所述第一风险评分以及所述第二风险评分，计算所述用户的综合风险评分；

根据所述综合风险评分，对所述信用评估样本添加相应的类型标签，并根据预设的目标违约预测模型，对添加类型标签后的所述信用评估样本进行监督学习，以得到所述用户的违约概率；

构建针对所述违约概率的授信额度分配模型，以根据所述授信额度分配模型，确定相应的用户的授信额度。

通过本申请提出的一种消费贷款预授信评估方法能够带来如下有益效果：

通过专家评分***和用户画像评分***，对用户的信用进行风险评估，并通过聚类分析确定离群距离，进而通过离群距离、第一风险评分和第二风险评分得到综合风险评分，这样相较于传统的单一评分模式来说，降低了评估误差，且适应性更好；综合全监督学习、半监督学习等机器学习技术，实现了无违约样本下的信用评估，提高了输出结果的稳定性；基于违约概率测度的预授信额度分配模型，可以优化用户的授信额度，在提高预授信额度精度的同时，还能使得总体期望损失最小。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的一种消费贷款预授信评估方法的流程示意图；

图2为本申请实施例提供的另一种消费贷款预授信评估方法的流程示意图；

图3为本申请实施例提供的一种消费贷款预授信评估设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

如图1所示，本申请实施例提供的一种消费贷款预授信评估方法，包括：

S101：采集不同用户的信用评估信息，将信用评估信息作为信用评估样本。

业务数据库中存有不同用户的信贷信息、消费信息等业务信息，信用评估信息包括用户基本属性、资产状况、个人信用、收入情况、消费特征、企业数据、加减分数项等。

不同用户的信用评估信息需作为信用评估样本，参与至相应评估模型的训练过程中去，在确定信用评估样本之后，服务器需对该信用评估样本进行预处理，填充样本数据中缺失的字段信息，并对填充后的完整数据进行归一化，提高数据样本的质量。

S102：对信用评估样本进行风险评估，以确定对应的第一风险评分和第二风险评分；其中，第一风险评分由专家评分***得出，第二风险评分由用户画像评分***得出。

在对信用评估样本进行数据预处理之后，服务器通过预设的风险评估模型，对信用评估样本进行风险评估，以确定对应的第一风险评分和第二风险评分。该风险评估模型可以为专家***，也可以为用户画像评分***，其中，专家评分***中包括根据专家经验或行业基础规则部署的评分规则，用户画像评分***是根据用户的历史画像数据所驱动的评分***，二者均根据用户的信用评估信息对其进行评分，第一风险评分对应专家评分***，第二风险评分对应用户画像评分***。

S103：对信用评估样本进行聚类，得到聚类结果，并根据聚类结果，确定聚类结果中的离群样本相对于聚类中心的离群距离。

在对信用评估样本进行数据预处理之后，服务器通过聚类分析算法(比如，基于空间距离的K-Means聚类方法)，对信用评估样本进行聚类，得到最终的聚类结果。聚类结果包括多个簇以及各簇对应的聚类中心，对于每个簇而言，可确定该簇的离群样本相对于聚类中心的离群距离，并对离群距离进行加和，加和所得到的离群距离之和便为该信用评估样本最终的离群距离。

需要说明的是，可以先执行S102再执行S103，也可以先执行S103再执行S102，亦或者可以S102和S103同时执行，在本申请实施例中不做限定。

S104：根据离群距离、第一风险评分以及第二风险评分，计算用户的综合风险评分。

在得到上述离群距离、第一风险评分以及第二风险评分之后，服务器需对第一风险评分、第二风险评分和离群距离进行无量纲化处理(比如，Z-Score等)。无量纲化处理也叫做数据的规范化、规格化或标准化，是为了消除不同数据之间的的单位、数量级和趋势性差异，从而做到同单位化、同值域化和同趋势化，提高数据的评估准确性。

在完成无量纲化处理之后，服务器根据离群距离、第一风险评分以及第二风险评分，计算不同用户的综合风险评分。综合风险评分越高，用户的授信风险程度就越高。

具体地，用户的综合风险评分由专家评分***和用户画像评分***共同决定，服务器需确定第一风险评分和述第二风险评分分别对应的第一权重和第二权重，然后根据第一权重和第二权重，对第一风险评分和第二风险评分进行加权求和，得到对应的加权求和结果，此时得到的加权求和结果即为用户加权后的风险评分。将该加权求和结果与离群距离相乘，最终的乘积便是用户的综合风险评分。上述计算过程可通过以下公式表示：

RiskScore_i＝(UZS_i*w₁+XCZS_i*w₂)*SDis_i

其中，RiskScore_i为第i个用户的综合风险评分，US_i为第一风险评分，XCS_i为第二风险评分，Dis_i为离群距离，其无量纲化和归一化后分别为UZS_i，XCZS_i和SDis_i，第一权重为w₁，第二权重为w₂。

相较于传统的基于规则引擎的专家评分模式来说，在通过用户的个人画像来进行风险评分的基础上，还通过离群距离来计算最终的综合风险评分，可以避免由于业务周期较短、缺乏经验积累等原因造成的评估不准确、同质化严重等问题，满足不同金融机构的个性化需求。

S105：根据综合风险评分，对信用评估样本添加相应的类型标签，并根据预设的目标违约预测模型，对添加类型标签后的信用评估样本进行监督学习，以得到用户的违约概率。

在一个实施例中，在得到综合风险评分之后，服务器根据综合风险评分可对信用评估样本添加不同的类型标签，以将信用评估样本划分为违约样本和非违约样本。

具体地，根据综合风险评分，确定信用评估样本中的违约样本、第一非违约样本、第二非违约样本和未知样本，并对其添加上相应的类型标签。其中，综合风险评分低于第一预设阈值的样本为违约样本，综合风险评分高于第一预设阈值的为第一非违约样本，综合风险评分高于第二预设阈值的样本为第二非违约样本，信用评估样本中除违约样本和第二非违约样本之外的其他样本为未知样本。需要说明的是，第二预设阈值大于第一预设阈值。

服务器可通过预先训练的目标违约预测模型(比如，全监督目标违约预测模型和半监督目标违约预测模型)，对信用评估样本进行全监督学习和半监督学习，分别得到用户的第一违约概率和第二违约概率。在得到第一违约概率和第二违约概率之后，确定全监督目标违约预测模型和半监督目标违约预测模型分别对应的第三权重和第四权重，根据第三权重和第四权重，对第一违约概率和第二违约概率进行加权求和，从而得到用户的违约概率。本申请实施例综合全监督学习和半监督学习，能够最大限度提高信用评估的准确性，实现无违约样本下的信用评估。

S106：构建针对违约概率的授信额度分配模型，以根据授信额度分配模型，确定相应的用户的授信额度。

对于违约概率高于第三预设阈值的用户，直接认定其为据贷客户，并冻结其现有的授信额度。对于违约概率小于第三预设阈值的目标用户，可通过以下约束条件，实现预授信额度的利润最大化：

其中，公式(4)为决策目标，收入情况为s_i，违约概率为p_i，贷款年利率为r_i，响应概率为re_i，决策变量x_i为用户工资倍数，工资倍数为整数L≤x_i≤U，总授信额度为T，个人贷款上限为A。

由于受到信贷规模总额T的限制，不能保证每个用户均能得到授信额度，因此，在违约概率优先的启发式原则下，可针对违约概率小于第三预设阈值的目标用户，构建授信额度分配模型：

其中，p_i为违约概率，

为决策目标，y_i为决策变量，s_i为用户收入情况，x_i为工资倍数，T_i为总授信额度，A为个人贷款上限。约束条件(1)表示违约概率优先的启发式规则，约束条件(2)表示总授信额度不超过T_i，约束条件(3)表示是否能够预授信。

至此，便完成了授信额度分配模型的构建，基于该授信额度分配模型可直接确定授信额度。在用户提交个人消费信贷申请信息后，服务器根据用户的业务需求，从业务数据库中已办理的历史业务信息中，查询该用户的信用评估信息，并根据信用评估信息和上述评估方法，通过授信额度分配模型，输出该用户的授信额度。

图2为本申请实施例提供的另一种消费贷款预授信评估方法的流程示意图。如图2所示，采集用户的信用评估信息比如企业数据、用户基本属性等，以构建对应的信用评估样本，并对上述信用评估样本进行数据预处理。在进行预处理之后，一方面，通过专家评分***和用户画像评分***，确定不同用户对应的用户风险评分。其中，用户风险评分包括第一风险评分和第二风险评分。另一方面，通过K-mean聚类分析方法，对预处理后的信用评估样本进行聚类，以得到对应的样本离群距离。通过第一风险评分对应的第一权重w1和第二风险评分对应的第二权重w2，以及第一风险评分、第二风险评分和离群距离，计算用户的综合风险评分。在得到综合风险评分后，根据综合风险评分将信用评估样本划分为不同类型并添加上对应的标签，然后通过预先训练好的目标违约预测模型，对其进行全监督学习和半监督学习，得到对应的第一违约概率和第二违约概率。根据全监督目标违约预测模型和半监督目标违约预测模型分别对应的第三权重和第四权重，对上述得到的第一违约概率和第二违约概率加权求和，所得到的结果便为最终的违约概率。在得到违约概率后，基于违约概率优先的启发式原则，构建对应的预授信额度分配模型，以通过预授信额度分配模型，确定相应的用户的授信额度。

以上为本申请提出的方法实施例。基于同样的思路，本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。

图3为本申请实施例提供的一种消费贷款预授信评估设备的结构示意图。如图3所示，包括：

至少一个处理器；以及，

至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：

采集不同用户的信用评估信息，将信用评估信息作为信用评估样本；

对信用评估样本进行风险评估，以确定对应的第一风险评分和第二风险评分；其中，第一风险评分由专家评分***得出，第二风险评分由用户画像评分***得出；

对信用评估样本进行聚类，得到聚类结果，并根据聚类结果，确定聚类结果中的离群样本相对于聚类中心的离群距离；

根据离群距离、第一风险评分以及第二风险评分，计算用户的综合风险评分；

根据综合风险评分，对信用评估样本添加相应的类型标签，并根据预设的目标违约预测模型，对添加类型标签后的信用评估样本进行监督学习，以得到用户的违约概率；

构建针对违约概率的授信额度分配模型，以根据授信额度分配模型，确定相应的用户的授信额度。

本申请实施例提供了一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：

采集不同用户的信用评估信息，将信用评估信息作为信用评估样本；

对信用评估样本进行风险评估，以确定对应的第一风险评分和第二风险评分；其中，第一风险评分由专家评分***得出，第二风险评分由用户画像评分***得出；

对信用评估样本进行聚类，得到聚类结果，并根据聚类结果，确定聚类结果中的离群样本相对于聚类中心的离群距离；

根据离群距离、第一风险评分以及第二风险评分，计算用户的综合风险评分；

根据综合风险评分，对信用评估样本添加相应的类型标签，并根据预设的目标违约预测模型，对添加类型标签后的信用评估样本进行监督学习，以得到用户的违约概率；

构建针对违约概率的授信额度分配模型，以根据授信额度分配模型，确定相应的用户的授信额度。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种消费贷款预授信评估方法，其特征在于，所述方法包括：

采集不同用户的信用评估信息，将所述信用评估信息作为信用评估样本；

对所述信用评估样本进行风险评估，以确定对应的第一风险评分和第二风险评分；其中，所述第一风险评分由专家评分***得出，所述第二风险评分由用户画像评分***得出；

对所述信用评估样本进行聚类，得到聚类结果，并根据所述聚类结果，确定所述聚类结果中的离群样本相对于聚类中心的离群距离；

根据所述离群距离、所述第一风险评分以及所述第二风险评分，计算所述用户的综合风险评分；

根据所述综合风险评分，对所述信用评估样本添加相应的类型标签，并根据预设的目标违约预测模型，对添加类型标签后的所述信用评估样本进行监督学习，以得到所述用户的违约概率；

构建针对所述违约概率的授信额度分配模型，以根据所述授信额度分配模型，确定相应的用户的授信额度。

2.根据权利要求1所述的一种消费贷款预授信评估方法，其特征在于，根据所述离群距离、所述第一风险评分以及所述第二风险评分，计算所述用户的综合风险评分，具体包括：

确定所述第一风险评分和所述第二风险评分分别对应的第一权重和第二权重；

根据所述第一权重和所述第二权重，对所述第一风险评分和所述第二风险评分进行加权求和，得到对应的加权求和结果；

将所述加权求和结果与所述离群距离之间的乘积，作为所述用户的综合风险评分。

3.根据权利要求1所述的一种消费贷款预授信评估方法，其特征在于，根据所述综合风险评分，对所述信用评估样本添加相应的类型标签，具体包括：

根据所述综合风险评分，确定所述信用评估样本中的违约样本、第一非违约样本、第二非违约样本和未知样本，并对所述违约样本、所述第一非违约样本、所述第二非违约样本和所述未知样本添加相应的类型标签；

其中，所述违约样本对应的综合风险评分低于第一预设阈值，所述第一非违约样本对应的综合风险评分高于第一预设阈值，所述第二非违约样本对应的综合风险评分高于第二预设阈值，所述未知样本为所述信用评估样本中除所述违约样本和所述第二非违约样本之外的其他样本。

4.根据权利要求1所述的一种消费贷款预授信评估方法，其特征在于，所述目标违约预测模型包括全监督目标违约预测模型和半监督目标违约预测模型；

根据预设的目标违约预测模型，对添加类型标签后的所述信用评估样本进行监督学习，以得到所述用户的违约概率，具体包括：

根据预设的所述全监督目标违约预测模型，得到所述用户的第一违约概率，以及根据预设的所述标签扩散模型，得到所述用户的第二违约概率；

确定所述全监督目标违约预测模型和所述半监督目标违约预测模型分别对应的第三权重和第四权重；

根据所述第三权重和所述第四权重，对所述第一违约概率和所述第二违约概率进行加权求和，以得到所述用户的违约概率。

5.根据权利要求1所述的一种消费贷款预授信评估方法，其特征在于，构建针对所述违约概率的授信额度分配模型之前，所述方法还包括：

将所述违约概率小于第三预设阈值的用户，作为目标用户。

6.根据权利要求5所述的一种消费贷款预授信评估方法，其特征在于，构建针对所述违约概率的授信额度分配模型之前，具体包括：

通过以下公式，针对所述目标用户，构建所述授信额度分配模型：

其中，p_i为违约概率，

为决策目标，y_i为决策变量，s_i为用户收入情况，x_i为工资倍数，T_i为总授信额度，A为贷款上限。

7.根据权利要求1所述的一种消费贷款预授信评估方法，其特征在于，信用评估信息至少包括以下任意一项或多项：用户基本属性、资产状况、个人信用、收入情况、消费特征。

8.根据权利要求1所述的一种消费贷款预授信评估方法，其特征在于，计算所述用户的综合风险评分之前，所述方法还包括：

对所述第一风险评分、所述第二风险评分和所述离群距离进行无量纲化处理。

9.一种消费贷款预授信评估设备，其特征在于，设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

采集不同用户的信用评估信息，将所述信用评估信息作为信用评估样本；

对所述信用评估样本进行风险评估，以确定对应的第一风险评分和第二风险评分；其中，所述第一风险评分由专家评分***得出，所述第二风险评分由用户画像评分***得出；

对所述信用评估样本进行聚类，得到聚类结果，并根据所述聚类结果，确定所述聚类结果中的离群样本相对于聚类中心的离群距离；

根据所述离群距离、所述第一风险评分以及所述第二风险评分，计算所述用户的综合风险评分；

根据所述综合风险评分，对所述信用评估样本添加相应的类型标签，并根据预设的目标违约预测模型，对添加类型标签后的所述信用评估样本进行监督学习，以得到所述用户的违约概率；

构建针对所述违约概率的授信额度分配模型，以根据所述授信额度分配模型，确定相应的用户的授信额度。

10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：

采集不同用户的信用评估信息，将所述信用评估信息作为信用评估样本；

对所述信用评估样本进行风险评估，以确定对应的第一风险评分和第二风险评分；其中，所述第一风险评分由专家评分***得出，所述第二风险评分由用户画像评分***得出；

对所述信用评估样本进行聚类，得到聚类结果，并根据所述聚类结果，确定所述聚类结果中的离群样本相对于聚类中心的离群距离；

根据所述离群距离、所述第一风险评分以及所述第二风险评分，计算所述用户的综合风险评分；

根据所述综合风险评分，对所述信用评估样本添加相应的类型标签，并根据预设的目标违约预测模型，对添加类型标签后的所述信用评估样本进行监督学习，以得到所述用户的违约概率；

构建针对所述违约概率的授信额度分配模型，以根据所述授信额度分配模型，确定相应的用户的授信额度。

Images