CN115713140B - 基于问卷对用户的违约风险进行预测的方法、装置、介质及设备 - Google Patents
基于问卷对用户的违约风险进行预测的方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN115713140B CN115713140B CN202211275515.3A CN202211275515A CN115713140B CN 115713140 B CN115713140 B CN 115713140B CN 202211275515 A CN202211275515 A CN 202211275515A CN 115713140 B CN115713140 B CN 115713140B
- Authority
- CN
- China
- Prior art keywords
- user
- question
- users
- new user
- default
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种基于问卷对用户的违约风险进行预测的方法、装置、介质及设备,提高了违约风险预测结果的可靠性。包括:向新用户展示问题库中的部分问题供新用户答题,根据新用户对部分问题的答题情况,开始循环执行以下操作,直到满足答题停止条件:根据新用户的已答问题的答题情况从已有用户中确定与新用户相似的用户群;根据用户群中的各已有用户历史进行的问卷答题情况和实际违约情况确定问题库的剩余问题的有效性,问题的有效性是指该问题对区分用户群中发生过实际违约情况的用户的贡献程度;将有效性最高的问题展示给新用户供新用户继续答题;循环操作停止后,至少根据最终确定的与新用户相似的用户群的实际违约情况预测新用户的违约情况。
Description
技术领域
本公开涉及租赁风险预测技术领域,具体地,涉及一种基于问卷对用户的违约风险进行预测的方法、装置、介质及设备。
背景技术
租赁行业中人工审核环节是对用户风险审核的重要一环,该环节一般包括通过电话或问卷形式对用户进行风险审核,而电话或问卷形式均需基于调查问卷问题库来实现,因此调查问卷问题库设置是风险策略的体现所在。
传统的调查问卷主要依赖于已有业务经验和调查员的经验,根据已有业务经验和调查员的经验总结得到一个固定或小部分不固定的问题模板,以根据该问题模板进行问卷调查,从而导致对每个用户进行调查(如身份验证或者风险调查等)的问题比较单一,且调查结果受限于主观意识和业务经验总结。
发明内容
本公开的目的是提供一种基于问卷对用户的违约风险进行预测的方法、装置、介质及设备,得到的违约风险预测结果不受限于主观意识和业务经验总结,提高了违约风险预测结果的可靠性。
为了实现上述目的,第一方面,本公开提供一种基于问卷对用户的违约风险进行预测的方法,所述方法包括:
向新用户展示问题库中的部分问题供所述新用户答题,并根据所述新用户对所述部分问题的答题情况,开始循环执行以下操作,直到满足答题停止条件:
根据所述新用户的已答问题的答题情况从已有用户中确定与所述新用户相似的用户群;
根据所述用户群中的各已有用户历史进行的问卷答题情况以及实际违约情况,确定所述问题库的剩余问题的有效性,其中,问题的有效性是指该问题对区分所述用户群中发生过实际违约情况的用户的贡献程度;
将有效性最高的问题展示给所述新用户供所述新用户继续答题;
在循环操作停止后,至少根据最终确定的与所述新用户相似的用户群的实际违约情况,预测所述新用户的违约情况。
可选地,所述向新用户展示问题库中的部分问题供所述新用户答题,并根据所述新用户对所述部分问题的答题情况,所述方法还包括:
获取新用户的业务申请评分;
根据所述业务申请评分确定所述新用户所属的目标用户分组,所述目标用户分组为多个已有用户分组中的任一者,所述多个已有用户分组至少是根据每一已有用户的业务申请评分划分的;
确定所述目标用户分组对应的问题库,不同问题库中的问题是根据对应的已有分组中,各已有用户历史进行的问卷答题情况以及实际违约情况确定的;
根据向所述新用户展示所述问题库中的部分问题供所述新用户填写。
可选地,所述问题库是通过如下方式构建的:
获取预先设置的初始问题库;
基于所述初始问题库生成待填写问卷供用户进行答题,并根据用户的答题情况以及用户后续的实际违约情况,确定所述初始问题库中各个问题针对区分已完成答题的用户中发生实际违约的用户的有效性;
根据所述各个问题的有效性,对所述初始问题库中的问题进行调整,得到新的问题库。
可选地,与所述多个已有用户分组一一对应的问题库是通过如下方式构建的:
获取预先设置的初始问题库;
基于所述初始问题库生成待填写问卷供用户进行答题;
在预设数量的用户填写问卷完成,以及获取到所述预设数量的用户的实际违约情况后,将所述预设数量的用户作为已有用户,根据所述预设数量的用户的实际违约情况以及业务申请评分进行分组,得到所述多个已有用户分组,其中,每一所述已有用户分组对应的违约水平不同,所述违约水平为该用户分组内具有实际违约情况的用户占该用户分组总用户数的比例;
针对每一所述已有用户分组,从所述初始问题库中,根据所述已有用户分组中各个用户的答题情况以及实际违约情况,确定出各个问题的有效性;
根据所述各个问题的有效性,从所述初始问题库中选择问题构建对应所述已有用户分组的问题库。
可选地,所述确定所述问题库中的剩余问题的有效性,包括:
针对所述剩余问题中的每一问题,根据所述用户群中各用户的历史答题情况,确定所述用户群中回答过该问题的第一人数、回答正确该问题的用户中未发生违约情况的第二人数以及发生过实际违约情况的第三人数,以及答错该问题的用户中未发生违约情况的第四人数以及发生过实际违约情况的第五人数;
根据所述第一人数、所述第二人数、所述第三人数、所述第四人数以及所述第五人数,计算该问题对应的信息量IV值、证据权重WOE值、违约险算比ODDS值中的至少一者作为该问题的有效性。
可选地,所述至少根据最终确定的与所述新用户相似的用户群的实际违约情况,预测所述新用户的违约情况,包括:
从最终确定的与所述新用户相似的用户群中,确定发生实际违约的用户占比;
将所述用户占比作为所述新用户的违约概率。
可选地,所述最终确定的与所述新用户相似的用户群为所述目标用户分组的组内用户群,所述至少根据最终确定的与所述新用户相似的用户群的实际违约情况,预测所述新用户的违约情况,包括:
根据所述新用户最终的答题路径以及答题数据,从所述目标用户分组以外的其他已有用户中,确定是否存在与所述新用户的相似度满足预设条件的组外用户群;
在存在所述组外用户群的情况下,根据所述组外用户群以及所述组内用户群两者中各个已有用户的历史答题情况以及实际违约情况,通过评分卡模型确定所述新用户的违约概率。
第二方面,本公开提供一种基于问卷对用户的违约风险进行预测的装置,所述装置包括:
展示模块,被配置成用于向新用户展示问题库中的部分问题供所述新用户答题;
循环模块,被配置成根据所述新用户对所述部分问题的答题情况,开始循环执行以下操作,直到满足答题停止条件:
根据所述新用户的已答问题的答题情况从已有用户中确定与所述新用户相似的用户群;
根据所述用户群中的各已有用户历史进行问卷答题情况以及实际违约情况,确定所述问题库的剩余问题的有效性,其中,问题的有效性是指该问题对区分所述用户群中发生过实际违约情况的用户的贡献程度;
将有效性最高的问题展示给所述新用户供所述新用户继续答题;
判断模块,被配置成用于在循环操作停止后,至少根据最终确定的与所述新用户相似的用户群的实际违约情况,预测所述新用户的违约情况。
第三方面,本公开提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现第一方面所述方法的步骤。
通过上述技术方案,本公开向新用户展示构建好的问题库中的部分问题供新用户答题,并根据新用户对部分问题的答题情况将有效性最高的问题展示给新用户供新用户继续答题,在新用户答题结束后至少根据最终确定的与新用户相似的用户群的实际违约情况,预测新用户的违约情况,该预测结果不受限主观意识和业务经验总结,提高了预测结果的可靠性,并且,能够减少用户答题的数量,避免网络资源浪费。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种基于问卷对用户的违约风险进行预测的方法的流程图;
图2是根据一示例性实施例示出的向新用户展示问题库中的部分问题供新用户答题的流程图;
图3是根据一示例性实施例示出的构建问题库的流程图;
图4是根据一示例性实施例示出的构建与已有用户分组一一对应的问题库的流程图;
图5是根据一示例性实施例示出的一种基于问卷对用户的违约风险进行预测的装置的框图;
图6是根据一示例性实施例示出的循环模块的框图;
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。
以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是,在本公开中,说明书和权利要求书以及附图中的术语“S101”、“S102”等用于区别步骤,而不必理解为按照特定的顺序或先后次序执行方法步骤。
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
需要说明的是,本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
正如背景技术所言,租赁行业中人工审核环节一般包括通过电话或问卷形式对用户进行风险审核,这两种方式均是基于调查问卷问题库来实现的。
风险调查问卷是指包含有调查目标、调查问题、调查问题类型及问题参***等一系列内容,用于在审核调查过程中对用户进行身份验证或风险调查提问的一种调查方式。其中调查问题及对应的问题参***是调查问卷的重要组成部分,通过对用户信息的收集及处理,可以生成数以百计的调查问题,其中用户信息包括用户性别、年龄、学历等个人信息,用户的借款时间、借款金额、借款分期情况等贷款信息,用户的车贷、房贷、***等征信信息等,其中,对用户进行的调查包括在调查过程中涉及的对用户进行的所有验证,如身份验证,或者风险调查,本公开实施例对此不作限定。
现有的问卷调查技术一般是已有业务经验和调查员的经验总结对用户信息的收集及处理生成调查问题,得到一个固定或小部分不固定的问题模板,根据该问题模板进行对用户调查。从而导致每个用户的调查问题比较单一,且调查结果受限于主观意识和业务经验总结。
有鉴于此,在本公开的申请人研发使用的“越租分”智能风控体系中,即是为了解决上述问题,提供了一种基于问卷对用户的违约风险进行预测的方法、装置、介质及设备,使得基于问卷预测的用户违约风险不受限于主观意识以及业务经验总结,提升了违约风险预测的可靠性。
图1是根据一示例性实施例示出的一种基于问卷对用户的违约风险进行预测的方法的流程图,以该方法应用于租赁行业为例,参照图1,该方法包括:
在步骤S101中,向新用户展示问题库中的部分问题供新用户答题,并根据新用户对部分问题的答题情况,开始循环执行步骤S102到步骤S105的操作,直到满足答题停止条件。
在一种可能的实现方式中,问题库包括固定问题以及动态问题,上述部分问题可以为该固定问题。新用户回答该部分问题后,后续的问题可以基于步骤S102至步骤S104从该动态问题中产生。
在步骤S102中,根据新用户的已答问题的答题情况从已有用户中确定与新用户相似的用户群。
具体的,可通过现有相似度算法根据新用户的已答问题的答题情况从已有用户中确定出与新用户相似的用户群,其中相关算法包括协同过滤算法、欧几里德距离、皮尔逊相关系数、Jaccard系数等计算相似度。
例如,将新用户回答该部分问题的答题情况转换为向量表示,基于该向量表示与已有用户回答该部分问题的答题情况的向量表示,通过欧几里德距离算法计算相似度,从而从所有已有用户中确定出与新用户相似的用户群(例如欧几里德距离小于预设阈值的已有用户组成的用户群)。
在步骤S103中,根据用户群中的各已有用户历史进行的问卷答题情况以及实际违约情况,确定问题库的剩余问题的有效性,其中,问题的有效性是指问题对区分用户群中发生过实际违约情况的用户的贡献程度。
具体的,该用户群中包括一定数量的用户的历史答题情况,因此针对问题库中的各剩余问题可以依次执行下述操作,从而确定出各问题的有效性:
根据该用户群中各已有用户的历史答题情况以及实际违约情况确定出对应该问题回答正确的用户数量、及其中的好用户数量和坏用户的数量,及对应该问题回答错误的用户数量、及其中的好用户数量和坏用户的数量;
根据对应该问题回答正确的用户数量、及其中的好用户数量和坏用户的数量,及对应该问题回答错误的用户数量、及其中的好用户数量和坏用户的数量,对该问题进行定量评估,该评估算法具体可以是信息量IV值算法,证据权重WOE算法、违约险算比ODDS算法中的至少一者。
例如,针对问题库中除该部分问题外的任一问题,用户群中包括160个已有用户回答该问题历史答题情况,其中,回答正确的用户数量80人、及其中的好用户数量60人和坏用户的数量20人,及对应该问题回答错误的用户数量80人、及其中的好用户数量30人和坏用户的数量50人;
根据对应该问题回答正确的用户数量80人、及其中的好用户数量60人和坏用户的数量20人,及回答错误的用户数量80人、及其中的好用户数量30人和坏用户的数量50人,评估该问题用于从该160个人中区分出好用户以及坏用户的有效性。
值得说明的是,好用户跟坏用户的定义可以根据实际需求设定,例如好用户可以是指未发生过实际违约的已有用户,坏用户可以是发生过实际违约的已有用户。
在步骤S104中,将有效性最高的问题展示给新用户供新用户继续答题。
举例说明,若问题库的剩余问题中各问题的有效性评估结果表示问题1的有效性最高,则将该问题1展示给新用户供新用户继续答题。
在步骤S105中,判断是否满足答题停止条件。
该答题停止条件可以根据实际需求设定,例如该答题停止条件可以结合业务逻辑及量化指标进行动态管理设定。其中,业务逻辑如:答题错误数量超上限、连续答题错误超上限等。量化指标如:从已有用户中确定的与新用户相似的用户群中,各问题的有效性已低于标准值(即所有问题均已无法有效区分用户风险程度)。而当新用户的答题情况触发上述任一逻辑时,即可停止答题。
在步骤S106中,在循环操作停止后,至少根据最终确定的与新用户相似的用户群的实际违约情况,预测新用户的违约情况。
举例说明,最终确定的与新用户相似的用户群为用户群1,根据用户群1中各已有用户的实际违约情况,预测新用户的违约情况。
本公开根据新用户对部分问题的答题情况从已有用户中确定与新用户相似的用户群,根据该用户群中各已有历史进行问卷答题情况以及实际违约情况,将问题库的剩余问题中有效性最高的问题展示给新用户供新用户继续答题,直到满足答题停止条件,至少根据最终确定的与新用户相似的用户群的实际违约情况,预测新用户的违约情况。避免了预测结果受限于主观意识和业务经验总结,提高了预测结果的可靠性,并且相比现有技术中从问题库中一次性生成问卷的所有问题的方案,本公开根据新用户已完成答题的答题情况动态生成问卷,能够减少新用户答题的数量,避免网络资源浪费。
为了使本领域基数人员更加理解本公开提供的基于问卷对用户的违约风险进行预测的方法,下面对上述方法的步骤进行举例说明。
在一可行的实施例中,参照图2,所述向新用户展示问题库中的部分问题供所述新用户答题,并根据所述新用户对所述部分问题的答题情况,所述方法还包括:
在步骤S1011中,获取新用户的业务申请评分。
具体的,该业务申请评分可以是对单一维度进行的单一评分,也可以是对多个维度分别进行的评分,还可以是对多个维度进行的组合评分。评分维度包括用户的基本个人信息、申请信息、申请行为、外部评分、外部负面信息、外部标签以及反欺诈规则等多方面的维度。其中,基本个人信息包括用户的申请地区、学历以及收入,申请信息包括申请的金额、期限、首付、渠道等,申请行为包括申请的次数、时间段、申请填写信息时间等,外部标签包括用户的消费行为、收入水平、多头标签等。具体的评分方式可以使用评分决策树进行评分,本公开实施例不作限定。
在步骤S1012中,根据业务申请评分确定新用户所属的目标用户分组,目标用户分组为多个已有用户分组中的任一者,多个已有用户分组至少是根据每一已有用户的业务申请评分划分的。
具体的,该多个已有用户分组可以是根据各已有用户的业务申请评分建立的业务分组评分,将具有相同风险表现得用户分为同一组,或通过决策树对已有用户进行分组,将具有相同风险表现得用户分为同一组。
需要说明的是,已有用户中属于同一分组的用户的违约风险的水平范围是一致的,但具有相同答题轨迹的用户的违约风险的水平依然存在较大差异,因此本公开实施例并非仅仅根据用户的答题轨迹来确定用户的违约风险。而是从目标用户分组中更进一步地确定出与新用户相似的用户群,并基于该用户群的实际违约情况,预测新用户的违约情况。
在步骤S1013中,确定目标用户分组对应的问题库,不同该问题库中的问题是根据对应的已有分组中,各已有用户历史进行的问卷答题情况以及实际违约情况确定的。
具体的,在将具有相同风险表现的用户分为同一组后得到多个分组,根据分组结果以及每一分组中各已有用户进行的问卷答题情况以及实际违约情况,从初始的问题库中选择对应该分组的问题组成问题库。
例如,共得到5个分组,根据各已有用户的问卷答题情况以及实际违约情况,将对应每组用户的初始问题库中各个问题进行对应该分组内的已有用户的有效性划分,得到5个新的问题库,各新的问题库可以均包括固定问题库和动态问题库。
在步骤S1014中,根据向新用户展示问题库中的部分问题供新用户填写。
在一可行的实施例中,参照图3,问题库是同过如下方式构建的:
在步骤S201中,获取预先设置的初始问题库。
该初始问题库可以有多个,例如根据业务经验总结和/或业务申请评分划分出多个风险区域,分别为高风险、中风险以及低风险,并设定出对应高风险、中风险以及低风险得三套难易不一的初始问题库,各初始问题库中均可以包括固定问题库和动态问题库。
在步骤S202中,基于初始问题库生成待填写问卷供用户进行答题,并根据用户的答题情况以及用户后续的实际违约情况,确定初始问题库中各个问题针对区分已完成答题的用户中发生实际违约的用户的有效性。
在初始问题库为多个的情况下,可以基于用户的业务申请评分从多个初始问题库中选择一个问题库生成问卷。
具体的,基于初始问题库生成的问卷对用户的违约风险进行预测,获取一定数量的用户的答题情况以及用户后续的实际违约情况作为业务样本,根据该业务样本对各问题进行定量评估,得到各问题的有效性,定量包括该问题对应的信息量IV值、证据权重WOE值及违约险算比ODDS值。
在步骤S203中,根据各个问题的有效性,对初始问题库中的问题进行调整,得到新的问题库。
具体的,根据各初始问题库中的各个问题的有效性,剔除有效性最低的单一问题或增加具有有效性的单一问题,得到新的问题库。
在一可行的实施例中,参照图4,与多个已有用户分组一一对应的问题库是通过如下方式构建的:
在步骤S301中,获取预先设置的初始问题库。
在步骤S302中,基于初始问题库生成待填写问卷供用户进行答题。
具体的,基于该多个初始问题库生成得问卷对用户的违约风险进行预测。
在步骤S303中,在预设数量的用户填写问卷完成,以及获取到预设数量的用户的实际违约情况后,将预设数量的用户作为已有用户,根据预设数量的用户的实际违约情况以及业务申请评分进行分组,得到多个已有用户分组,其中,每一已有用户分组对应的违约水平不同,违约水平为该用户分组内具有实际违约情况的用户占该用户分组用户数的比例。
具体的,可以在预设数量的用户填写问卷完成后,将预设数量的用户作为已有用户,根据各已有用户的业务申请评分以及欺诈评分建立业务分组评分,将具有相同风险表现得用户分为同一组,或通过决策树对已有用户进行分组,将具有相同风险表现得用户分为同一组,得到多个已有用户分组。其中欺诈评分是根据已有用户的实际违约情况确定的。
在步骤S304中,针对每一已有用户分组,从初始问题库中,根据已有用户分组中各个用户的答题情况以及实际违约情况,确定出各个问题的有效性。
具体的,在将具有相同风险表现的用户分为同一组后得到多个分组,针对每一已有用户分组,根据已有的答题情况和实际违约情况确定初始问题库中各个问题的有效性。
例如,将所有已有用户中具有相同风险表现的用户分为一组,共得到5个分组,根据各已有用户的问卷答题情况以及实际违约情况,确定初始问题库中对应各已有用户分组的各个问题的有效性。
在步骤S305中,根据各个问题的有效性,从初始问题库中选择问题构建对应已有分组的问题库。
例如,根据初始问题库中对应各已有用户分组的各个问题的有效性,对应每组用户的初始问题库中各个问题进行有效性划分,得到5个新的问题库,各新的问题库同样包括固定问题库和动态问题库。
在一可行的实施例中,在步骤S103中,确定问题库中剩余问题的有效性,包括:
针对剩余问题中的每一问题,根据用户群中各用户的历史答题情况,确定用户群中回答过该问题的第一人数、回答正确该问题的用户中未发生违约情况的第二人数以及发生过实际违约情况的第三人数,以及答错该问题的用户中未发生违约情况的第四人数以及发生过实际违约情况的第五人数;
根据第一人数、第二人数、第三人数、第四人数以及第五人数,计算该问题对应的信息量IV值、证据权重WOE值、违约险算比ODDS值中的至少一者作为该问题的有效性。
其中,信息量IV值、证据权重WOE值、违约险算比ODDS值均是基于已知好坏样本情况,单独就各问题库中的每条问题计算已回答人数、回答正确和错误两种情况中好用户和坏用户的情况,在计算其占比、自然对数占比等计算出信息量IV值、证据权重WOE值、违约险算比ODDS值,根据信息量IV值、证据权重WOE值、违约险算比ODDS值中的一者确定单条问题的回答正确与否是否能有效区分好坏用户。
以违约险算比ODDS值为例,针对剩余问题中的动态问题4:
根据各用户的历史答题情况以及实际违约情况确定出对应动态问题4回答正确的用户数量80人、及其中的好用户数量60人和坏用户的数量20人,及对应动态问题4回答错误的用户数量80人、及其中的好用户数量30人和坏用户的数量50人;
根据对应动态问题4回答正确的用户数量80人、及其中的好用户数量60人和坏用户的数量20人,及回答错误的用户数量80人、及其中的好用户数量30人和坏用户的数量50人。
具体可参见下表1:
动态问题4 | 好用户 | 坏用户 | 人数合计 |
回答正确 | 60 | 30 | 90 |
回答错误 | 20 | 50 | 70 |
人数合计 | 80 | 80 | 160 |
表1
动态问题4的优势比θ的计算式:
θ=ODDS1/ODDS2,ODDS=π/(1-π),
其中,ODDS1为好用户的违约险算比,ODDS2为坏用户的违约险算比,π表示概率。
ODDS1=π1/(1-π1)=60/80(1-60/80)=3,
ODDS1=π1/(1-π2)=30/80(1-30/80)=0.6,
θ=ODDS1/ODDS2=3/0.6=5。
根据优势比θ=5可得到,针对动态问题4,好用户回答正确的可能性为坏用户回答错误的4倍。
在一可行的实施例中,在步骤S106中,至少根据最终确定的与新用户相似的用户群的实际违约情况,预测新用户的违约情况,包括:
从最终确定的与新用户相似的用户群中,确定发生实际违约的用户占比;
将用户占比作为新用户的违约概率。
举例说明,在最终确定的与新用户相似的用户群中,发生实际违约的用户为30%,则新用户的违约概率为30%。
在一可行的实施例中,最终确定的与新用户相似的用户群为目标用户分组的组内用户群,在步骤S106中,至少根据最终确定的与新用户相似的用户群的实际违约情况,预测新用户的违约情况,包括:
根据新用户最终的答题路径以及答题数据,从目标用户分组以外的其他已有用户中,确定是否存在与新用户的答题路径及答题情况的相似度满足预设条件的组外用户群,其中,预设条件可以包括预设相似的阈值;
在存在组外用户群的情况下,根据组外用户群以及组内用户群两者中各个已有用户的历史答题情况以及实际违约情况,通过评分卡模型确定新用户的违约概率。
其中,评分卡模型式现有技术中最常用的金融风控模型,主要是根据用户的各种属性和行为数据利用信用评分模型确定是否投放、投放的额度、利率、以及用户违约的概率等等信息,从而减少在交易当中存在的风险。而本公开中是用于投放中进行决策的,称为行为评分卡(Behavior score card),一般简写为B卡,可根据用户在投放过程中的行为,如是否拖欠投放金额,是否分期归还等等去调整用户的信用评级,投放额度,去预测用户未来的表现,如违约概率等。
具体的,评分卡模型建模流程包括:
数据导入:变样选取,业务定义以及数据探索性分析。
数据清洗:数据集合并,缺失/异常值处理以及衍生新变量。
特征工程:选取变量进入模型,计算变量相关性,证据权重WOE值\数据分箱以及数据降维。
建模:模型选择,模型拟合以及模型调优。
模型评估:ROC曲线(受试者工作特征曲线,Receiver Operating CharacteristicCurve)/AUC值(Area Under Curve,ROC曲线下与坐标轴围成的面积)。
计算PSI(群体稳定性指标,Population Stability Index)。
KS(模型中用于区分预测正负样本分隔程度的评价指标)检验。
其具体执行原理均为现有技术,本公开在此不再阐述。
以初始问题库中包括100道问题,由90个不同申请评分的用户来进行答题为例,在所有用户完成答题之后,基于90个用户的申请评分划进行第一次分组,分为分别对应高风险、中风险以及低风险的三个组,每组30人,每一组不同的违约水平,例如,低风险5%为30个人里面1.5个人违约,中风险10%为30个人里面3个人违约,高风险20%为30个人里面6个人违约,将这90个人作为已有用户,将这90个人进行划分得到的分组为已有用户分组。
同时,根据已有用户的答题情况以及用户后续的实际违约情况对初始问题库中的100道题进行定量评估,得到各问题的有效性,根据各问题的有效性剔除有效性最低的单一问题或增加具有有效性的单一问题,得到包括50道题的问题库。
然后,如30个人里面筛选出1.5个人违约,3个人违约,6个人违约,将所有已有用户中具有相同风险表现的用户分为一组,即根据已有用户的风向表现进行第二次分组,得到5个分组,针对每一已有用户分组,根据已有的答题情况和实际违约情况确定问题库中各个问题的有效性,根据各个问题的有效性,对应每组用户的问题库中50道问题进行有效性划分,得到5个新的问题库,初始问题库、问题库以及新的问题库均包括固定问题库和动态问题库。
最后向新用户展示新的问题库中的基础问题供新用户答题,然后根据新用户对基础问题的答题情况进入循环答题,直到满足答题停止条件,循环答题包括:新用户每回答一个问题后,根据新用户对该问题的答题情况,从已有用户中确定与新用户相似的用户群,根据用户群中各已有历史进行的问卷答题情况以及实际违约情况,从新的问题库中确定出有效性最高的问题并展示给新用户供新用户答题。
在结束循环答题后,基于最终确定的与新用户相似的用户群的实际违约情况预测新用户的违约情况,或者,根据新用户最终的答题路径以及答题数据,从目标用户分组以外的其他已有用户中,确定存在于新用户的相似度满足预设条件的组外用户群的情况下,根据组外用户群以及组内用户群,实现对新用户的违约风险预测。
本公开通过对问题库的不断更新以及在预测过程中根据新用户的答题情况不断优化待展示给新用户供新用户答题的问题,来确定出与新用户相似的用户群,最后可根据该用户群的实际违约情况预测新用户的违约情况或根据组外用户群以及组内用户群两者中各个已有用户的历史答题情况以及实际违约情况,通过评分卡模型确定新用户的违约概率,以实现对新用户的违约风险预测。本公开可高效、灵活、快速的实现对新用户的违约风险预测,且预测结果不受限于主观意识以及业务经验总结,提高了预测结果的可靠性与准确性。
基于同样发明构思,参照图5,本公开还提供一种基于问卷对用户的违约风险进行预测的装置400,该装置400包括:展示模块401,循环模块402,判断模块403。
展示模块401,被配置成用于向新用户展示问题库中的部分问题供新用户答题。
循环模块402,被配置成用于根据新用户对部分问题的答题情况,开始循环执行以下操作,直到满足答题停止条件,参照图6,循环模块402包括确定模块4021,控制模块4022以及执行模块4023:
循环模块402,被配置成用于根据新用户的已答问题的答题情况从已有用户中确定与新用户相似的用户群;
控制模块4022,被配置成用于根据用户群中的各已有用户历史进行问卷答题情况以及实际违约情况,确定问题库的剩余问题的有效性,其中,问题的有效性是指该问题对区分用户群中发生过实际违约情况的用户的贡献程度;
执行模块4023,被配置成用于将有效性最高的问题展示给新用户供新用户继续答题;
判断模块403,被配置成用于在循环操作停止后,至少根据最终确定的与新用户相似的用户群的实际违约情况,预测新用户的违约情况。
本公开向新用户展示构建好的问题库中的部分问题供新用户答题,并根据新用户对部分问题的答题情况将有效性最高的问题展示给新用户供新用户继续答题,在新用户答题结束后至少根据最终确定的与新用户相似的用户群的实际违约情况,预测新用户的违约情况,该预测结果不受限主观意识和业务经验总结,提高了预测结果的可靠性。
进一步的,展示模块401,被配置成用于获取新用户的业务申请评分;
根据业务申请评分确定新用户所属的目标用户分组,目标用户分组为多个已有用户分组中的任一者,多个已有用户分组至少是根据每一已有用户的业务申请评分划分的;
确定目标用户分组对应的问题库,不同问题库中的问题是根据对应的已有分组中,各已有用户历史进行的问卷答题情况以及实际违约情况确定的;
根据向新用户展示问题库中的部分问题供新用户填写。
进一步的,该装置400还包括构建模块,构建模块被配置成用于获取预先设置的初始问题库;
基于初始问题库生成待填写问卷供用户进行答题,并根据用户的答题情况以及用户后续的实际违约情况,确定初始问题库中各个问题针对区分已完成答题的用户中发生实际违约的用户的有效性;
根据各个问题的有效性,对初始问题库中的问题进行调整,得到新的问题库。
进一步的,构建模块还被配置成用于获取预先设置的初始问题库;
基于初始问题库生成待填写问卷供用户进行答题;
在预设数量的用户填写问卷完成,以及获取到预设数量的用户的实际违约情况后,将预设数量的用户作为已有用户,根据预设数量的用户的实际违约情况以及业务申请评分进行分组,得到多个已有用户分组,其中,每一已有用户分组对应的违约水平不同,违约水平为该用户分组内具有实际违约情况的用户占该用户分组总用户数的比例;
针对每一已有用户分组,从初始问题库中,根据已有用户分组中各个用户的答题情况以及实际违约情况,确定出各个问题的有效性;
根据各个问题的有效性,从初始问题库中选择问题构建对应已有用户分组的问题库。
进一步的,控制模块4022,被配置成用于针对剩余问题中的每一问题,根据用户群中各用户的历史答题情况,确定用户群中回答过该问题的第一人数、回答正确该问题的用户中未发生违约情况的第二人数以及发生过实际违约情况的第三人数,以及答错该问题的用户中未发生违约情况的第四人数以及发生过实际违约情况的第五人数;
根据第一人数、第二人数、第三人数、第四人数以及第五人数,计算该问题对应的信息量IV值、证据权重WOE值、违约险算比ODDS值中的至少一者作为该问题的有效性。
进一步的,判断模块403被配置成还用于从最终确定的与新用户相似的用户群中,确定发生实际违约的用户占比;
将用户占比作为新用户的违约概率。
进一步的,判断模块403被配置成还用于根据新用户最终的答题路径以及答题数据,从目标用户分组以外的其他已有用户中,确定是否存在与新用户的相似度满足预设条件的组外用户群;
在存在组外用户群的情况下,根据组外用户群以及组内用户群两者中各个已有用户的历史答题情况以及实际违约情况,通过评分卡模型确定新用户的违约概率。
此外值得说明的是,为描述的方便和简洁,说明书中所描述的实施例均属于优选实施例,其所涉及的部分并不一定是本发明所必须的,例如,第一获取模块和第一显示模块,在具体实施时可以是相互独立的装置也可以是同一个装置,本公开对此不作限定。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
基于同一发明构思,本公开还提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行存储器中的计算机程序,以实现第一方面方法的步骤。
本公开向新用户展示构建好的问题库中的部分问题供新用户答题,并根据新用户对部分问题的答题情况将有效性最高的问题展示给新用户供新用户继续答题,在新用户答题结束后至少根据最终确定的与新用户相似的用户群的实际违约情况,预测新用户的违约情况,该预测结果不受限主观意识和业务经验总结,提高了预测结果的可靠性。
图7是根据一示例性实施例示出的一种电子设备700的框图。如图7所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的基于问卷对用户的违约风险进行预测的方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如问题库中的问题,各问题的有效性,已有用户历史进行的问卷答题情况以及实际违约情况等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的基于问卷对用户的违约风险进行预测的方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的基于问卷对用户的违约风险进行预测的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的基于问卷对用户的违约风险进行预测的方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的基于问卷对用户的违约风险进行预测的方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (8)
1.一种基于问卷对用户的违约风险进行预测的方法,其特征在于,所述方法包括:
向新用户展示问题库中的部分问题供所述新用户答题,并根据所述新用户对所述部分问题的答题情况,开始循环执行以下操作,直到满足答题停止条件:
根据所述新用户的已答问题的答题情况从已有用户中确定与所述新用户相似的用户群;
根据所述用户群中的各已有用户历史进行的问卷答题情况以及实际违约情况,确定所述问题库的剩余问题的有效性,其中,问题的有效性是指该问题对区分所述用户群中发生过实际违约情况的用户的贡献程度;
将有效性最高的问题展示给所述新用户供所述新用户继续答题;
在循环操作停止后,至少根据最终确定的与所述新用户相似的用户群的实际违约情况,预测所述新用户的违约情况;
所述确定所述问题库中的剩余问题的有效性,包括:
针对所述剩余问题中的每一问题,根据所述用户群中各用户的历史答题情况,确定所述用户群中回答过该问题的第一人数、回答正确该问题的用户中未发生违约情况的第二人数以及发生过实际违约情况的第三人数,以及答错该问题的用户中未发生违约情况的第四人数以及发生过实际违约情况的第五人数;
根据所述第一人数、所述第二人数、所述第三人数、所述第四人数以及所述第五人数,计算该问题对应的信息量IV值、证据权重WOE值、违约险算比ODDS值中的至少一者作为该问题的有效性;
所述至少根据最终确定的与所述新用户相似的用户群的实际违约情况,预测所述新用户的违约情况,包括:
从最终确定的与所述新用户相似的用户群中,确定发生实际违约的用户占比;
将所述用户占比作为所述新用户的违约概率。
2.根据权利要求1所述的方法,其特征在于,所述向新用户展示问题库中的部分问题供所述新用户答题,并根据所述新用户对所述部分问题的答题情况,所述方法还包括:
获取新用户的业务申请评分;
根据所述业务申请评分确定所述新用户所属的目标用户分组,所述目标用户分组为多个已有用户分组中的任一者,所述多个已有用户分组至少是根据每一已有用户的业务申请评分划分的;
确定所述目标用户分组对应的问题库,不同问题库中的问题是根据对应的已有分组中,各已有用户历史进行的问卷答题情况以及实际违约情况确定的;
根据向所述新用户展示所述问题库中的部分问题供所述新用户填写。
3.根据权利要求1所述的方法,其特征在于,所述问题库是通过如下方式构建的:
获取预先设置的初始问题库;
基于所述初始问题库生成待填写问卷供用户进行答题,并根据用户的答题情况以及用户后续的实际违约情况,确定所述初始问题库中各个问题针对区分已完成答题的用户中发生实际违约的用户的有效性;
根据所述各个问题的有效性,对所述初始问题库中的问题进行调整,得到新的问题库。
4.根据权利要求2所述的方法,其特征在于,与所述多个已有用户分组一一对应的问题库是通过如下方式构建的:
获取预先设置的初始问题库;
基于所述初始问题库生成待填写问卷供用户进行答题;
在预设数量的用户填写问卷完成,以及获取到所述预设数量的用户的实际违约情况后,将所述预设数量的用户作为已有用户,根据所述预设数量的用户的实际违约情况以及业务申请评分进行分组,得到所述多个已有用户分组,其中,每一所述已有用户分组对应的违约水平不同,所述违约水平为该用户分组内具有实际违约情况的用户占该用户分组总用户数的比例;
针对每一所述已有用户分组,从所述初始问题库中,根据所述已有用户分组中各个用户的答题情况以及实际违约情况,确定出各个问题的有效性;
根据所述各个问题的有效性,从所述初始问题库中选择问题构建对应所述已有用户分组的问题库。
5.根据权利要求2所述的方法,其特征在于,所述最终确定的与所述新用户相似的用户群为所述目标用户分组的组内用户群,所述至少根据最终确定的与所述新用户相似的用户群的实际违约情况,预测所述新用户的违约情况,包括:
根据所述新用户最终的答题路径以及答题数据,从所述目标用户分组以外的其他已有用户中,确定是否存在与所述新用户的相似度满足预设条件的组外用户群;
在存在所述组外用户群的情况下,根据所述组外用户群以及所述组内用户群两者中各个已有用户的历史答题情况以及实际违约情况,通过评分卡模型确定所述新用户的违约概率。
6.一种基于问卷对用户的违约风险进行预测的装置,其特征在于,所述装置包括:
展示模块,被配置成用于向新用户展示问题库中的部分问题供所述新用户答题;
循环模块,被配置成根据所述新用户对所述部分问题的答题情况,开始循环执行以下操作,直到满足答题停止条件:
根据所述新用户的已答问题的答题情况从已有用户中确定与所述新用户相似的用户群;
根据所述用户群中的各已有用户历史进行问卷答题情况以及实际违约情况,确定所述问题库的剩余问题的有效性,其中,问题的有效性是指该问题对区分所述用户群中发生过实际违约情况的用户的贡献程度;
将有效性最高的问题展示给所述新用户供所述新用户继续答题;
判断模块,被配置成用于在循环操作停止后,至少根据最终确定的与所述新用户相似的用户群的实际违约情况,预测所述新用户的违约情况;
所述循环模块包括控制模块,所述控制模块被配置成用于针对所述剩余问题中的每一问题,根据所述用户群中各用户的历史答题情况,确定所述用户群中回答过该问题的第一人数、回答正确该问题的用户中未发生违约情况的第二人数以及发生过实际违约情况的第三人数,以及答错该问题的用户中未发生违约情况的第四人数以及发生过实际违约情况的第五人数;
根据所述第一人数、所述第二人数、所述第三人数、所述第四人数以及所述第五人数,计算该问题对应的信息量IV值、证据权重WOE值、违约险算比ODDS值中的至少一者作为该问题的有效性;
所述判断模块,被配置成还用于从最终确定的与所述新用户相似的用户群中,确定发生实际违约的用户占比;
将所述用户占比作为所述新用户的违约概率。
7.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
8.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211275515.3A CN115713140B (zh) | 2022-10-18 | 2022-10-18 | 基于问卷对用户的违约风险进行预测的方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211275515.3A CN115713140B (zh) | 2022-10-18 | 2022-10-18 | 基于问卷对用户的违约风险进行预测的方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115713140A CN115713140A (zh) | 2023-02-24 |
CN115713140B true CN115713140B (zh) | 2023-08-01 |
Family
ID=85231181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211275515.3A Active CN115713140B (zh) | 2022-10-18 | 2022-10-18 | 基于问卷对用户的违约风险进行预测的方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713140B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030126049A1 (en) * | 2001-12-31 | 2003-07-03 | Nagan Douglas A. | Programmed assessment of technological, legal and management risks |
JP2007172340A (ja) * | 2005-12-22 | 2007-07-05 | Mazda Motor Corp | アンケート調査方法 |
CN110349009B (zh) * | 2019-07-02 | 2024-01-26 | 北京淇瑀信息科技有限公司 | 一种多头借贷违约预测方法、装置和电子设备 |
KR102226018B1 (ko) * | 2020-02-11 | 2021-03-09 | 조재성 | 집단 지성을 활용한 인공지능 예측 시스템 및 방법 |
CN114493822A (zh) * | 2020-10-27 | 2022-05-13 | 华中科技大学 | 一种基于迁移学习的用户违约预测定价方法和*** |
CN114722266A (zh) * | 2021-01-04 | 2022-07-08 | ***通信有限公司研究院 | 问卷推送方法、装置、电子设备及可读存储介质 |
CN115114415A (zh) * | 2021-03-23 | 2022-09-27 | 广州视源电子科技股份有限公司 | 问答知识库更新方法、装置、计算机设备和存储介质 |
CN113971243A (zh) * | 2021-10-12 | 2022-01-25 | 上海众言网络科技有限公司 | 应用于问卷调查的数据处理方法、***、设备及存储介质 |
CN115034886A (zh) * | 2022-06-14 | 2022-09-09 | 中国银行股份有限公司 | 一种违约风险预测方法及装置 |
-
2022
- 2022-10-18 CN CN202211275515.3A patent/CN115713140B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115713140A (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11263550B2 (en) | Audit machine learning models against bias | |
US8326760B2 (en) | Computer-based collective intelligence recommendations for transaction review | |
US8762180B2 (en) | Claims analytics engine | |
US20160162794A1 (en) | Decision tree data structures generated to determine metrics for child nodes | |
CN109035003A (zh) | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 | |
CN110442516B (zh) | 信息处理方法、设备及计算机可读存储介质 | |
US20130103597A1 (en) | Evaluating appraisals by comparing their comparable sales with comparable sales selected by a model | |
US10489861B1 (en) | Methods and systems for improving the underwriting process | |
CN112561685B (zh) | 客户的分类方法和装置 | |
CN109615504A (zh) | 产品推荐方法、装置、电子设备和计算机可读存储介质 | |
CN111178656A (zh) | 信用模型训练方法、信用评分方法、装置及电子设备 | |
CN112232944B (zh) | 一种评分卡创建方法、装置和电子设备 | |
Kelley et al. | Antidiscrimination laws, artificial intelligence, and gender bias: A case study in nonmortgage fintech lending | |
CN113742492A (zh) | 保险方案生成方法、装置、电子设备及存储介质 | |
CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
Thi Hoa | The effects of corruption on the human capital accumulation process: Evidence from Vietnam | |
CN111275338A (zh) | 一种企业欺诈行为的判定方法、装置、设备及存储介质 | |
CN113934851A (zh) | 用于文本分类的数据增强方法、装置及电子设备 | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
US20130132287A1 (en) | Model-based scoring of comparable properties based upon their appropriateness for use as comparables for a subject property | |
CN113919432A (zh) | 一种分类模型构建方法、数据分类方法及装置 | |
CN109727116A (zh) | 信贷分析方法、装置、设备及计算机可读存储介质 | |
CN115713140B (zh) | 基于问卷对用户的违约风险进行预测的方法、装置、介质及设备 | |
CN115423600B (zh) | 数据筛选方法、装置、介质及电子设备 | |
JP2005222445A (ja) | データマイニングにおける情報処理方法及び解析装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |