用户信用预测方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种用户信用预测方法、装置、电子设备及计算机可读存储介质，属于人工智能技术领域。该方法包括：获取目标用户的原始特征数据，所述原始特征数据包括人脸特征数据、表情特征数据与动作特征数据中的至少一种；将所述目标用户的原始特征数据转换为目标特征向量；分别利用多个信用区间的信用预测模型对所述目标特征向量进行处理，得到所述目标用户在所述多个信用区间的初始预测值；基于各所述初始预测值，确定所述目标用户的最终预测值。本公开无需依赖于外部信用数据，可以实现用户信用的快速预测，提高效率，且预测结果具有较高的准确度。

User Credit Prediction Method, Device, Electronic Equipment and Storage Media

The present disclosure provides a user credit prediction method, device, electronic equipment and computer readable storage medium, belonging to the field of artificial intelligence technology. The method includes: acquiring the original feature data of the target user, which includes at least one of the face feature data, facial expression feature data and action feature data; converting the original feature data of the target user into the target feature vector; and processing the target feature vector by using the credit prediction model of multiple credit intervals, respectively, to obtain the said target feature vector. The initial prediction value of the target user in the plurality of credit intervals is determined, and the final prediction value of the target user is determined based on the initial prediction value of each credit interval. This disclosure does not need to rely on external credit data, and can realize the rapid prediction of user credit, improve efficiency, and the prediction results have high accuracy.

【技术实现步骤摘要】
用户信用预测方法、装置、电子设备及存储介质
本公开涉及人工智能
，特别涉及一种用户信用预测方法、用户信用预测装置、电子设备及计算机可读存储介质。
技术介绍
随着计算机技术的发展，互联网在金融领域也得到越来越广泛的应用。其中，参与互联网金融消费、融资租赁、接受信用卡服务或其他金融服务的用户越来越多，为了保障金融服务企业的利益，降低金融风险，有必要采取有效的用户信用评价方法。现有的用户信用评价方法通常需要用户提交一系列外部数据，例如人行征信数据、第三方征信数据、资产证明等，通过外部数据评价用户的信用状况。可见，该方法对于外部数据有较强的依赖性，并且一般还需要对外部数据进行审核，从而增加了信用评价所需的时间，降低了效率。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本公开提供了一种用户信用预测方法、用户信用预测装置、电子设备及计算机可读存储介质，进而至少在一定程度上克服现有的用户信用评价方法所需时间过长的问题。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。根据本公开的一个方面，提供一种用户信用预测方法，包括：获取目标用户的原始特征数据，所述原始特征数据包括人脸特征数据、表情特征数据与动作特征数据中的至少一种；将所述目标用户的原始特征数据转换为目标特征向量；分别利用多个信用区间的信用预测模型对所述目标特征向量进行处理，得到所述目标用户在所述多个信用区间的初始预测值；基于各所述初始预测值，确定所述目标用户的最终预测值。在本公开的一种示例性实施例中，所述方法还包括：获取多个历史用户的原始特征数据与信用评价值；将所述历史用户的原始特征数据转换为样本特征向量；根据所述历史用户的信用评价值将所述历史用户划分到所述多个信用区间；对于每个所述信用区间，利用所述信用区间内历史用户的样本特征向量与信用评价值训练机器学习模型，得到所述信用区间的信用预测模型。在本公开的一种示例性实施例中，所述方法还包括：获取所述目标用户的信用评价值；如果所述目标用户的信用评价值与最终预测值未处于同一信用区间内，则将所述目标用户添加到所述历史用户中，并重新训练所述目标用户所属的信用区间的信用预测模型。在本公开的一种示例性实施例中，所述基于各所述初始预测值，确定所述目标用户的最终预测值包括：基于各所述初始预测值在对应的所述信用区间内的偏离程度，确定所述目标用户的最终预测值。在本公开的一种示例性实施例中，所述基于各所述初始预测值在对应的信用区间内的偏离程度，确定所述目标用户的最终预测值包括：分别计算各所述初始预测值与所述初始预测值对应的信用区间的中间值的偏离程度；将所述偏离程度最小的初始预测值确定为所述最终预测值。在本公开的一种示例性实施例中，所述基于各所述初始预测值在对应的信用区间内的偏离程度，确定所述目标用户的最终预测值包括：分别计算各所述初始预测值与所述初始预测值对应的信用区间的中间值的偏离程度；根据所述偏离程度确定所述初始预测值的权重；对各所述初始预测值进行加权计算，得到所述最终预测值。在本公开的一种示例性实施例中，所述原始特征数据包括多个指标的原始特征数据；所述将所述目标用户的原始特征数据转换为目标特征向量包括：分别将各所述指标的原始特征数据转换到[0,1]的范围内；以每个所述指标作为一个维度，生成多维度的目标特征向量。根据本公开的一个方面，提供一种用户信用预测装置，包括：数据获取模块，用于获取目标用户的原始特征数据，所述原始特征数据包括人脸特征数据、表情特征数据与动作特征数据中的至少一种；向量转换模块，用于将所述目标用户的原始特征数据转换为目标特征向量；初始预测模块，用于分别利用多个信用区间的信用预测模型对所述目标特征向量进行处理，得到所述目标用户在所述多个信用区间的初始预测值；最终预测模块，用于基于各所述初始预测值，确定所述目标用户的最终预测值。在本公开的一种示例性实施例中，所述数据获取模块还用于获取多个历史用户的原始特征数据与信用评价值；所述向量转换模块还用于将所述历史用户的原始特征数据转换为样本特征向量；所述装置还包括：模型训练模块，用于根据所述历史用户的信用评价值将所述历史用户划分到所述多个信用区间，以及对于每个所述信用区间，利用所述信用区间内历史用户的样本特征向量与信用评价值训练机器学习模型，得到所述信用区间的信用预测模型。在本公开的一种示例性实施例中，所述数据获取模块还用于获取所述目标用户的信用评价值；所述模型训练模块还用于如果所述目标用户的信用评价值与最终预测值未处于同一信用区间内，则将所述目标用户添加到所述历史用户中，并重新训练所述目标用户所属的信用区间的信用预测模型。在本公开的一种示例性实施例中，所述最终预测模块还用于基于各所述初始预测值在对应的所述信用区间内的偏离程度，确定所述目标用户的最终预测值。在本公开的一种示例性实施例中，所述最终预测模块还用于分别计算各所述初始预测值与所述初始预测值对应的信用区间的中间值的偏离程度，并将所述偏离程度最小的初始预测值确定为所述最终预测值。在本公开的一种示例性实施例中，所述最终预测模块还用于分别计算各所述初始预测值与所述初始预测值对应的信用区间的中间值的偏离程度，根据所述偏离程度确定所述初始预测值的权重，以及对各所述初始预测值进行加权计算，得到所述最终预测值。在本公开的一种示例性实施例中，所述原始特征数据包括多个指标的原始特征数据；所述向量转换模块还用于分别将各所述指标的原始特征数据转换到[0,1]的范围内，并以每个所述指标作为一个维度，生成多维度的目标特征向量。根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。本公开的示例性实施例具有以下有益效果：根据目标用户的原始特征数据生成其目标特征向量，再分别输入多个信用区间的信用预测模型，得到多个关于目标用户信用的初始预测值，最后根据初始预测值在对应的信用区间内的偏离程度确定目标用户信用的最终预测值。一方面，提出了一种根据用户的脸部特征、表情或动作数据进行信用预测的方法，无需依赖于外部信用数据，且在用户进行面部动作认证后即可实现信用预测，缩短了用户信用评价的流程，提高了效率。另一方面，设置多个信用区间，分别利用每个信用区间的模型进行初始预测，并基于初始预测结果，得到优化的最终预测结果，从而细化了信用预测的过程，提高了预测结果的准确性。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1示出本示例性实施例的一种用户信用预测方法的流程图；图2示出本示例性本文档来自技高网...

【技术保护点】
1.一种用户信用预测方法，其特征在于，包括：获取目标用户的原始特征数据，所述原始特征数据包括人脸特征数据、表情特征数据与动作特征数据中的至少一种；将所述目标用户的原始特征数据转换为目标特征向量；分别利用多个信用区间的信用预测模型对所述目标特征向量进行处理，得到所述目标用户在所述多个信用区间的初始预测值；基于各所述初始预测值，确定所述目标用户的最终预测值。

【技术特征摘要】
1.一种用户信用预测方法，其特征在于，包括：获取目标用户的原始特征数据，所述原始特征数据包括人脸特征数据、表情特征数据与动作特征数据中的至少一种；将所述目标用户的原始特征数据转换为目标特征向量；分别利用多个信用区间的信用预测模型对所述目标特征向量进行处理，得到所述目标用户在所述多个信用区间的初始预测值；基于各所述初始预测值，确定所述目标用户的最终预测值。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取多个历史用户的原始特征数据与信用评价值；将所述历史用户的原始特征数据转换为样本特征向量；根据所述历史用户的信用评价值将所述历史用户划分到所述多个信用区间；对于每个所述信用区间，利用所述信用区间内历史用户的样本特征向量与信用评价值训练机器学习模型，得到所述信用区间的信用预测模型。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：获取所述目标用户的信用评价值；如果所述目标用户的信用评价值与最终预测值未处于同一信用区间内，则将所述目标用户添加到所述历史用户中，并重新训练所述目标用户所属的信用区间的信用预测模型。4.根据权利要求1所述的方法，其特征在于，所述基于各所述初始预测值，确定所述目标用户的最终预测值包括：基于各所述初始预测值在对应的所述信用区间内的偏离程度，确定所述目标用户的最终预测值。5.根据权利要求4所述的方法，其特征在于，所述基于各所述初始预测值在对应的信用区间内的偏离程度，确定所述目标用户的最终预测值包括：分别计算各所述初始预测值与所述初始预测值对应的信用区间的中间值的偏离程度；...

【专利技术属性】
技术研发人员：周熠，李一山，程侠宽，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京,11