信用分数模型训练方法、信用分数计算方法及装置制造方法及图纸

本发明专利技术实施例公开了一种信用分数模型训练方法、信用分数计算方法及装置，属于信用评估领域。所述方法包括：获取样本用户的第i次信用分数、第i次关系信用分数和违约标注信息；将样本用户的第i次信用分数、第i次关系信用分数和违约标注信息，输入信用分数模型，计算得到样本用户的第i+1次信用分数；在满足训练结束条件时，得到训练完毕的信用分数模型；解决了当用户个人的信息存在缺失或错误时，很难准确的计算出用户的信用分数的问题；达到了通过用户的信用分数和基于用户的社交关系所计算出的关系信用分数综合计算出该用户的目标信用分数，扩大了信用分数模型的覆盖范围，提高了计算用户的信用分数的准确性的效果。

【技术实现步骤摘要】
信用分数模型训练方法、信用分数计算方法及装置
本专利技术实施例涉及信用评估领域，特别涉及一种信用分数模型训练方法、信用分数计算方法及装置。
技术介绍
信用分数是指信用评估机构利用信用分数模型对个人信用信息进行量化分析得出的分值。信用分数用于表征用户的个人信用。现有技术中，计算信用分数的模型主要为FICO(FairIsaacCompany)信用分数模型。FICO信用分数模型主要采用logistic回归的统计模型。首先将用户个人的信用、品德和支付能力作为指标，将各个指标分成不同的档次，每个档次代表不同的分数，根据每个指标的权重和分数计算用户的信用分数。在实现本专利技术实施例的过程中，专利技术人发现现有技术至少存在以下问题：FICO信用分数模型中采用的数据都是针对用户个人的信息，当用户个人的信息有所缺失或存在错误时，很难准确的计算出用户的信用分数。
技术实现思路
为了解决当用户个人的信息有所缺失或存在错误时，很难准确的计算出用户的信用分数的问题，本专利技术实施例提供了一种信用分数模型训练方法、信用分数计算方法及装置。所述技术方案如下：根据本专利技术实施例的第一方面，提供了一种信用分数模型训练方本文档来自技高网...

【技术保护点】
一种信用分数模型训练方法，其特征在于，所述方法包括：获取若干个样本用户的第i次信用分数、每个所述样本用户的第i次关系信用分数和每个所述样本用户的违约标注信息，i为正整数；对于每个所述样本用户，将所述样本用户的第i次信用分数、所述样本用户的第i次关系信用分数和所述样本用户的违约标注信息，输入预设的信用分数模型，计算得到所述样本用户的第i+1次信用分数；在各个所述样本用户的第i+1次信用分数满足训练结束条件时，得到训练完毕的所述信用分数模型；其中，所述样本用户的第i次关系信用分数是根据与所述样本用户存在社交关系的各个其他用户的第i次信用分数计算得到的；所述样本用户的违约标注信息用于对所述样本用户的...

【技术特征摘要】
1.一种信用分数模型训练方法，其特征在于，所述方法包括：获取若干个样本用户的第i次信用分数、每个所述样本用户的第i次关系信用分数和每个所述样本用户的违约标注信息，i为正整数；对于每个所述样本用户，将所述样本用户的第i次信用分数、所述样本用户的第i次关系信用分数和所述样本用户的违约标注信息，输入预设的信用分数模型，计算得到所述样本用户的第i+1次信用分数；在各个所述样本用户的第i+1次信用分数满足训练结束条件时，得到训练完毕的所述信用分数模型；其中，所述样本用户的第i次关系信用分数是根据与所述样本用户存在社交关系的各个其他用户的第i次信用分数计算得到的；所述样本用户的违约标注信息用于对所述样本用户的分类。2.根据权利要求1所述的方法，其特征在于，所述获取若干个样本用户的第i次信用分数，包括：当i＝1时，根据各个所述样本用户的个人信用信息计算得到所述样本用户的第一次信用分数；当存在根据所述个人信用信息无法计算得到所述第一次信用分数的样本用户时，将所述样本用户的第一次关系信用分数确定为所述样本用户的第一次信用分数，所述第一次关系信用分数是根据与所述样本用户存在社交关系的各个其他用户的第一次信用分数计算得到的。3.根据权利要求1所述的方法，其特征在于，所述在各个所述样本用户的第i+1次信用分数满足训练结束条件时，得到训练完毕的所述信用分数模型，包括：计算各个所述样本用户的第i+1次信用分数和各个所述样本用户的第i次信用分数之间的相关系数；检测所述相关系数是否大于第一阈值；若所述相关系数大于所述第一阈值，则得到训练完毕的所述信用分数模型。4.根据权利要求1至3任一所述的方法，其特征在于，所述获取每个所述样本用户的第i次关系信用分数，包括：获取每个所述样本用户的社交关系链，所述社交关系链是所述样本用户与所述其他用户之间存在的社交关系；根据所述社交关系链获取每个所述样本用户对应的各个所述其他用户的第i次信用分数；计算各个所述样本用户的第i次关系信用分数。5.根据权利要求4所述的方法，其特征在于，所述计算各个所述样本用户的第i次关系信用分数，包括：对于每个所述样本用户，计算与所述样本用户对应的各个所述其他用户的第i次信用分数的平均值；将所述平均值确定为所述样本用户的第i次关系信用分数。6.根据权利要求4所述的方法，其特征在于，所述计算各个所述样本用户的第i次关系信用分数，包括：对于每个所述样本用户，根据所述社交关系链获取与所述样本用户对应的各个所述其他用户的第i次信用分数和各个所述其他用户所对应的权重；根据各个所述其他用户的第i次信用分数和各个所述其他用户所对应的权重计算所述样本用户的第i次关系信用分数，具体公式如下：其中，score_fri_avg是指所述样本用户的第i次关系信用分数，friend_score_j是指与所述样本用户存在社交关系的第j个所述其他用户的第i次信用分数，op_j是指与所述样本用户存在社交关系的第j个所述其他用户所对应的权重。7.根据权利要求1至3任一所述的方法，其特征在于，所述信用分数模型包括逻辑回归分类模型或决策树分类模型。8.一种信用分数计算方法，其特征在于，应用于如权利要求1至7任一所述的信用分数模型中，所述方法包括：获取各个用户的第一次信用分数和每个所述用户的第一次关系信用分数，所述用户的第一次关系信用分数是根据与所述用户存在社交关系的各个其他用户的第一次信用分数计算得到的；将各个所述用户的第一次信用分数和每个所述用户的第一次关系信用分数输入训练完毕的所述信用分数模型，计算得到各个所述用户的目标信用分数。9.根据权利要求8所述的方法，其特征在于，所述将各个所述用户的第一次信用分数和每个所述用户的第一次关系信用分数输入所述信用分数模型，计算得到各个所述用户的目标信用分数，包括：将各个所述用户的第一次信用分数和每个所述用户的第一次关系信用分数输入训练完毕的所述信用分数模型，计算得到各个所述用户的第x次信用分数；在各个所述用户的第x次信用分数满足预设条件时，将各个所述用户的第x次信用分数确定为所述用户的目标信用分数。10.根据权利要求9所述的方法，其特征在于，所述在各个所述用户的第x次信用分数满足预设条件时，将各个所述用户的第x次信用分数确定为所述用户的目标信用分数，包括：计算各个所述用户的第x次信用分数和各个所述用户的第x-1次信用分数之间的差值；检测所述差值是否小于第二阈值；若所述差值小于所述第二阈值，则将各个所述用户的第x次信用分数确定为所述用户的目标信用分数。11.根据权利要求9所述的方法，其特征在于，所述方法还包括：在各个所述用户的第x次信用分数不满足所述预设条件时，将各个所述用户的第x次信用分数和每个所述用户的第x次关系信用分数再次输入所述信用分数模型，计算得到所述用户的第x+1次信用分数；令x＝x+1，再次执行所述计算各个所述用户的第x次信用分数和各个所述用户的第x-1次信用分数之间的差值的步骤。12.一种信用分数模型训练装置，其特...

【专利技术属性】
技术研发人员：陈培炫，陈谦，李霖，吴三平，庄伟亮，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44