TWI827910B

TWI827910B - 信用評價方法與系統

Info

Publication number: TWI827910B
Application number: TW110105547A
Authority: TW
Inventors: 謝博瑜; 張祐瑄
Original assignee: 合作金庫商業銀行股份有限公司
Priority date: 2021-02-18
Filing date: 2021-02-18
Publication date: 2024-01-01
Also published as: TW202234328A

Abstract

一種信用評價方法與系統。此信用評價系統包含伺服器。此伺服器包含記憶體以及處理器。記憶體係用以儲存複數個指令。處理器係電性連接至記憶體，以執行上述指令而進行前述之信用評價方法。信用評價方法包含心理行為信用模型建立階段、面相分類信用模型建立階段以及線上信用評估階段。心理行為信用模型建立階段以及面相分類信用模型建立階段係利用機器學習方式來獲得心理行為信用模型和面相分類信用模型。線上信用評估階段係接收使用者之臉部影像以及線上心理測驗結果，以根據上述心理行為信用模型和面相分類信用模型來決定使用者信用分數。

Description

信用評價方法與系統

本發明是有關於一種信用評價方法與系統。

現行在銀行進行授信業務時，大多以申請人的書面資料(包含職業、年收入、過去的金融紀錄)來做為信用評等依據。然而，這樣的信用評等機制仍有不足之處。再者，若申請人過去並沒有與銀行往來的紀錄，也沒有與其他可供參考的金融紀錄，現行的信用評等機制也難以正確地對申請人進行信用評等。

本發明之實施例提出一種信用評價方法與系統，其可針對申請授信的使用者性格進行評估，以根據使用者性格來決定信用分數。

根據本發明之一實施例，在上述之信用評價方法中首先進行心理行為信用模型建立階段。心理行為信用模型建立階段包含：提供複數筆歷史心理行為信用資料，其中每一歷史心理行為信用資料包含一歷史心理測驗結果以及對應之一第一歷史信用分數；以及利用歷史心理行為信用資料來進行機器學習(Machine learning)，以獲得一心理行為信用模型。接著，進行一面相分類信用模型建立階段。面相分類信用模型建立階段包含：提供複數筆歷史面相信用資料，其中每一歷史面相信用資料包含一歷史面相分析結果以及對應之一第二歷史信用分數；以及利用歷史面相信用資料來進行機器學習，以獲得一面相分類信用模型。然後，進行線上信用評估階段，以評估一線上使用者之一線上使用者信用分數。線上信用評估階段包含：提供一心理測驗表單供線上使用者填寫，以獲得一線上心理測驗資料；根線上心理測驗資料來進行一心理測驗分析，以獲得線上使用者之一線上心理測驗結果；接收線上使用者之一臉部影像；擷取臉部影像之複數個影像特徵；根據影像特徵來進行一面相分析，以獲得一線上面相分析結果；將線上心理測驗結果輸入至心理行為信用模型，以獲得相應之一第一線上信用分數；將該線上面相分析結果輸入至面相分類信用模型，以獲得相應之一第二線上信用分數；以及根據第一線上信用分數和第二線上信用分數來決定線上使用者信用分數。

在一些實施例中，上述之心理行為信用模型為一人工神經網路(Artificial Neural Network；ANN)模型。

在一些實施例中，上述之面相分類信用模型為一人工神經網路模型。

在一些實施例中，上述之線上心理測驗結果包含五大人格(Big five)特質。

在一些實施例中，上述之線上心理測驗結果為邁爾斯-布里格斯性格分類指標(Myers-Briggs Type Indicator；MBTI)的16種人格特質。

根據本發明之一實施例，上述之信用評價系統包含：伺服器。此伺服器包含記憶體以及處理器。處理器係電性連接至記憶體，其中此處理器用以執行前述之指令以進行：心理行為信用模型建立階段、面相分類信用模型建立階段以及線上信用評估階段。心理行為信用模型建立階段包含：提供複數筆歷史心理行為信用資料，其中每一歷史心理行為信用資料包含一歷史心理測驗結果以及對應之一第一歷史信用分數；以及利用歷史心理行為信用資料來進行機器學習(Machine learning)，以獲得一心理行為信用模型。面相分類信用模型建立階段包含：提供複數筆歷史面相信用資料，其中每一歷史面相信用資料包含一歷史面相分析結果以及對應之一第二歷史信用分數；以及利用歷史面相信用資料來進行機器學習，以獲得一面相分類信用模型。線上信用評估階段係進行以評估一線上使用者之一線上使用者信用分數。線上信用評估階段包含：提供一心理測驗表單供線上使用者填寫，以獲得一線上心理測驗資料；根線上心理測驗資料來進行一心理測驗分析，以獲得線上使用者之一線上心理測驗結果；接收線上使用者之一臉部影像；擷取臉部影像之複數個影像特徵；根據影像特徵來進行一面相分析，以獲得一線上面相分析結果；將線上心理測驗結果輸入至心理行為信用模型，以獲得相應之一第一線上信用分數；將該線上面相分析結果輸入至面相分類信用模型，以獲得相應之一第二線上信用分數；以及根據第一線上信用分數和第二線上信用分數來決定線上使用者信用分數。

在一些實施例中，上述之伺服器係用以從一行動電腦裝置接收線上使用者之臉部影像，以及利用行動電腦裝置顯示心理測驗表單來供線上使用者填寫。

在一些實施例中，上述之伺服器係用以提供線上使用者信用分數至一徵授信系統，以使徵授信系統根據線上使用者信用分數來決定是否進行授信業務。

關於本文中所使用之『第一』、『第二』、…等，並非特別指次序或順位的意思，其僅為了區別以相同技術用語描述的元件或操作。

請參照圖1，其係繪示根據本發明實施例之信用評價系統110的作業示意圖。信用評價系統110係用以評估一線上使用者之信用分數，並將線上使用者信用分數傳送至銀行的徵授信系統120，以便徵授信系統120據此來決定是否進行授信業務。使用者可透過電腦裝置，例如智慧型手機132或桌上型電腦134來連接至信用評價系統110。例如，智慧型手機132已安裝對應的應用程式(APP)，使用者可利用此APP連接至信用評價系統110。又例如，桌上型電腦134安裝有瀏覽器程式，使用者可利用瀏覽器程式進入銀行服務的網址，以連接至信用評價系統110。

徵授信系統120包含伺服器與網路連接介面。伺服器包含記憶體以及處理器。記憶體用以儲存複數個指令，以供處理器將其載入並執行來進行信用評價方法200，如圖2所示。信用評價方法200包含心理行為信用模型建立階段210、面相分類信用模型建立階段220以及線上信用評估階段230。在心理行為信用模型建立階段210中，首先進行步驟212，以提供複數筆歷史心理行為信用資料。在步驟212中，信用評價系統110可從銀行內部的伺服器接收複數筆歷史心理行為信用資料，這些歷史心理行為信用資料係一對一地對應至複數個不同的歷史使用者。每一筆歷史心理行為信用資料包含歷史使用者的歷史心理測驗結果以及相應的第一歷史信用分數。例如，根據歷史使用者的書面資料(包含職業、年收入、過去的金融紀錄)來得到此歷史使用者的歷史信用分數。然後，對歷史使用者進行心理測驗，以得到歷史使用者的歷史心理測驗結果，並將歷史心理測驗結果與上述之歷史使用者的歷史信用分數結合，以作為此歷史使用者的歷史心理行為信用資料。在一些實施例中，歷史心理測驗結果可例如為五大人格(Big five)特質，及/或是邁爾斯-布里格斯性格分類指標(Myers-Briggs Type Indicator；MBTI)的16種人格特質。

以為五大人格特質為例，歷史心理測驗結果包含經驗開放性（Openness to experience）、盡責性（Conscientiousness）、外向性（Extroversion）、親和性（Agreeableness）、情緒不穩定性（Neuroticism）等五個人格特質的分數。如此，每一筆歷史心理行為信用資料為一歷史使用者之五大人格特質分數與其對應的的歷史信用分數。

然後，進行步驟214，以利用歷史心理行為信用資料來進行機器學習(Machine learning)，以獲得心理行為信用模型。例如，以歷史使用者的歷史心理測驗結果為輸入，對應的歷史信用分數為輸出，而進行機器學習，以得到訓練完成的模型，即心理行為信用模型。在一實施例中，步驟214可利用人工神經網路(Artificial Neural Network；ANN)模型來實現，但本發明之實施例並不受限於此。

在面相分類信用模型建立階段220中，首先進行步驟222，以提供複數筆歷史面相信用資料。在步驟222中，信用評價系統110可從銀行內部的伺服器接收複數筆歷史面相信用資料，這些歷史面相信用資料係一對一地對應至複數個不同的歷史使用者。每一筆歷史面相信用資料包含歷史使用者的歷史面相分析結果以及相應的第二歷史信用分數。在一實施例中，根據歷史使用者的書面資料(包含職業、年收入、過去的金融紀錄)來得到此歷史使用者的歷史信用分數。然後，對歷史使用者的臉部影像(例如照片)進行特徵萃取，以萃取出歷史使用者的臉部特徵。接著，針對歷史使用者的臉部特徵進行分析，以根據面相學理以及分群演算法來將歷史使用者的臉部影像分群，以得到複數個臉部影像群組(例如，以群組碼表示不同的群組)。分群的群組碼即為歷史使用者的歷史面相分析結果。接著，將歷史面相分析結果與上述之歷史使用者的歷史信用分數結合，以作為此歷史使用者的歷史面相信用資料。例如，一筆歷史面相信用資料包含一歷史使用者之臉部影像分群的群組碼以及相應的歷史信用分數。在一實施例中，臉部特徵可包含耳、眉、眼、鼻、口、額、鼻、下巴、兩顴、紋、痕、痣、斑等特徵。在一實施例中，臉部影像分群可應用K-means演算法，但本發明之實施例並不受限於此。

然後，進行步驟224，以利用歷史面相信用資料來進行機器學習，以獲得面相分類信用模型。例如，以歷史使用者之臉部影像分群的群組碼為輸入，以相應的歷史信用分數作為輸出，來進行機器學習，以得到訓練完成的模型，即面相分類信用模型。在一實施例中，步驟224可利用人工神經網路模型來實現。

線上信用評估階段230係評估一線上使用者的信用分數，以方便徵授信系統120決定是否對線上使用者進行授信業務。首先考慮步驟231，其係提供一心理測驗表單供線上使用者填寫。在本實施例中，心理測驗表單可透過前述之智慧型手機132或桌上型電腦134來提供給線上使用者，以便線上使用者填寫。線上使用者完成心理測驗表單後，信用評價系統110便可獲得線上使用者的線上心理測驗資料。在步驟231之後，接著進行步驟232，以針對線上使用者填寫的線上心理測驗資料進行分析，以獲得線上使用者的線上心理測驗結果。在本實施例中，線上心理測驗結果可例如為五大人格特質，及/或是邁爾斯-布里格斯性格分類指標的16種人格特質。

在步驟232之後，接著進行步驟233，以將線上使用者之線上心理測驗結果輸入至前述心理行為信用模型建立階段210所建立之心理行為信用模型，以獲得相應之一第一線上信用分數。例如，將線上使用者之經驗開放性、盡責性、外向性、親和性、情緒不穩定性等五個人格特質的分數輸入至心理行為信用模型，以獲得相應之一第一線上信用分數。在本發明之實施例中，心理行為信用模型可利用歷史使用者(即銀行現有客群)的不同性格族群特質來推測出線上使用者的往來信用軌跡，以給出與線上使用者之心理性格相關的第一線上信用分數。

接著考慮步驟234，其係接收線上使用者所提供之臉部影像(例如照片)，並擷取臉部影像之複數個影像特徵。在本實施例中，影像特徵即為前述之臉部特徵，其包含耳、眉、眼、鼻、口、額、鼻、下巴、兩顴、紋、痕、痣、斑等特徵。

在步驟234之後，接著進行步驟235，以針對影像特徵來進行面相分析，以獲得一線上面相分析結果。在本實施例中，面相分析係判斷線上使用者之臉部特徵是屬於步驟222中臉部影像分群中的哪一個群組，以給出相應的群組碼。例如，使用步驟222中的臉部影像分群演算法(K-means演算法)來判斷線上使用者之臉部特徵屬於哪一個群組，以獲得相應的群組碼(即線上面相分析結果)。

在步驟235之後，接著進行步驟236，以將線上使用者之線上面相分析結果輸入至前述面相分類信用模型建立階段220所建立之面相分類信用模型，以獲得相應之第二線上信用分數。例如，將線上使用者之臉部影像分群的群組碼輸入至面相分類信用模型，以獲得相應之一第二線上信用分數。在本發明之實施例中，面相分類信用模型可利用歷史使用者(即銀行現有客群)的不同面相特質來推測線上使用者的往來信用軌跡，以給出面相性格相關的第二線上信用分數。

在獲得第一線上信用分數和第二線上信用分數後，接著進行步驟237，以根據第一線上信用分數和第二線上信用分數來決定線上使用者之信用分數。在一實施例中，當第一線上信用分數和第二線上信用分數都為高信用評分時，信用評價系統110會給出高信用評分的建議給銀行的徵授信系統120。在一實施例中，當第一線上信用分數和第二線上信用分數都為低信用評分時，信用評價系統110會給出低信用評分的建議給銀行的徵授信系統120。在一實施例中，當第一線上信用分數和第二線上信用分數之一者為低信用評分而另一者為高信用評分時，則會給出中等信用評分的建議給銀行的徵授信系統120，而銀行人員則會再以人工方式針對信用評價系統110給出的中等信用評分重新評估，以決定最後的信用評分。

由以上說明可知，本發明實施例之信用評價系統110與信用評價方法200係利用使用者之面相以及性格特性來提供信用度評價給銀行的徵授信系統，以使銀行的徵授信系統能有更多的授信參考依據，補強現有的信用評等機制。再者，如果線上使用者過去並沒有與銀行往來的紀錄，本發明實施例之信用評價系統110與信用評價方法200也可以提出具有信度的信用評價。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

110:信用評價系統 120:徵授信系統 132:智慧型手機 134:桌上型電腦 200:信用評價方法 210:心理行為信用模型建立階段 212~214:步驟 220:面相分類信用模型建立階段 222~224:步驟 230:線上信用評估階段 231~237:步驟

圖1係繪示根據本發明實施例之信用評價系統的作業示意圖。圖2係繪示根據本發明實施例之信用評價方法的流程示意圖。

無

110:信用評價系統

120:徵授信系統

132:智慧型手機

134:桌上型電腦

Claims

一種信用評價方法，適用於一信用評價系統，其中該信用評價方法係透過該信用評價系統來進行，且包含：進行一心理行為信用模型建立階段，包含：提供複數筆歷史心理行為信用資料，其中每一該些歷史心理行為信用資料包含一歷史心理測驗結果以及對應之一第一歷史信用分數；以及利用該些歷史心理行為信用資料來進行機器學習(Machine learning)，以獲得一心理行為信用模型，其中該心理行為信用模型係以每一該些歷史心理行為信用資料之該歷史心理測驗結果為輸入以及相應之該第一歷史信用分數為輸出來進行機器學習所獲得；進行一面相分類信用模型建立階段，包含：提供複數筆歷史面相信用資料，其中每一該些歷史面相信用資料包含一歷史面相分析結果以及對應之一第二歷史信用分數；以及利用該些歷史面相信用資料來進行機器學習，以獲得一面相分類信用模型，其中該面相分類信用模型係以每一該些歷史面相信用資料之該歷史面相分析結果為輸入以及相應之該第二歷史信用分數為輸出來進行機器學習所獲得；以及進行一線上信用評估階段，以評估一線上使用者之一線上使用者信用分數，該線上信用評估階段包含：提供一心理測驗表單供該線上使用者填寫，以獲得一線上心理測驗資料；根據該線上心理測驗資料來進行一心理測驗分析，以獲得該線上使用者之一線上心理測驗結果；接收該線上使用者之一臉部影像；擷取該臉部影像之複數個影像特徵；根據該些影像特徵來進行一面相分析，以獲得一線上面相分析結果；將該線上心理測驗結果輸入至該心理行為信用模型，以獲得相應之一第一線上信用分數；將該線上面相分析結果輸入至該面相分類信用模型，以獲得相應之一第二線上信用分數；以及根據該第一線上信用分數和該第二線上信用分數來決定該線上使用者信用分數。
如請求項1所述之信用評價方法，其中該心理行為信用模型為一人工神經網路(Artificial Neural Network；ANN)模型。
如請求項1所述之信用評價方法，其中該面相分類信用模型為一人工神經網路模型。
如請求項1所述之信用評價方法，其中該線上心理測驗結果包含五大人格(Big five)特質。
如請求項1所述之信用評價方法，其中該線上心理測驗結果為邁爾斯-布里格斯性格分類指標(Myers-Briggs Type Indicator；MBTI)的16種人格特質。
一種信用評價系統，包含：一伺服器，包含：一記憶體，用以儲存複數個指令；以及一處理器，電性連接至該記憶體，其中該處理器用以執行該些指令以進行：一心理行為信用模型建立階段，包含：提供複數筆歷史心理行為信用資料，其中每一該些歷史心理行為信用資料包含一歷史心理測驗結果以及對應之一第一歷史信用分數；以及利用該些歷史心理行為信用資料來進行機器學習(Machine learning)，以獲得一心理行為信用模型，其中該心理行為信用模型係以每一該些歷史心理行為信用資料之該歷史心理測驗結果為輸入以及相應之該第一歷史信用分數為輸出來進行機器學習所獲得；一面相分類信用模型建立階段，包含：提供複數筆歷史面相信用資料，其中每一該些歷史面相信用資料包含一歷史面相分析結果以及對應之一第二歷史信用分數；以及利用該些歷史面相信用資料來進行機器學習，以獲得一面相分類信用模型，其中該面相分類信用模型係以每一該些歷史面相信用資料之該歷史面相分析結果為輸入以及相應之該第二歷史信用分數為輸出來進行機器學習所獲得；以及一線上信用評估階段，以評估一線上使用者之一線上使用者信用分數，該線上信用評估階段包含：提供一心理測驗表單供該線上使用者填寫，以獲得一線上心理測驗資料；根據該線上心理測驗資料來進行一心理測驗分析，以獲得該線上使用者之一線上心理測驗結果；接收該線上使用者之一臉部影像；擷取該臉部影像之複數個影像特徵；根據該些影像特徵來進行一面相分析，以獲得一線上面相分析結果；將該線上心理測驗結果輸入至該心理行為信用模型，以獲得相應之一第一線上信用分數；將該線上面相分析結果輸入至該面相分類信用模型，以獲得相應之一第二線上信用分數；以及根據該第一線上信用分數和該第二線上信用分數來決定該線上使用者信用分數。
如請求項6所述之信用評價系統，其中該心理行為信用模型為一人工神經網路(Artificial Neural Network；ANN)模型。
如請求項6所述之信用評價系統，其中該面相分類信用模型為一人工神經網路模型。
如請求項6所述之信用評價系統，其中該伺服器係用以從一行動電腦裝置接收該線上使用者之該臉部影像，以及利用該行動電腦裝置顯示該心理測驗表單來供該線上使用者填寫。
如請求項6所述之信用評價系統，其中該伺服器係用以提供該線上使用者信用分數至一徵授信系統，以使該徵授信系統根據該線上使用者信用分數來決定是否進行授信業務。