一种用户信用分计算方法及系统技术方案

本发明专利技术公开的用户信用分计算方法及系统，涉及数据分析技术领域，利用分类算法模型，从用户行为数据中获取各个维度的指标数据，利用工作窃取算法，计算指标数据的加/扣分值及标准差，利用Z‑Score标准化算法，剔除大于标准差设定倍数的指标数据，利用归一化算法，将指标数据映射为0～1之间的指标数据，根据指标数据、指标数据对应的权重及指标数据的加/扣分值，计算指标数据的信用分，重复上述步骤，得到各个维度的指标数据的信用分，计算各个维度的指标数据的信用分的和，得到该用户的信用分，提高了信用评分的真实性、减少了用户违约的风险。

【技术实现步骤摘要】
一种用户信用分计算方法及系统
本专利技术数据分析
，具体涉及一种用户信用分计算方法及系统。
技术介绍
对用户的行为进行信用积分的统计是企业考核用户，是保证企业健康持续发展的一个重要指标。以首汽共享汽车公司GoFun为例，用户信用分是基于用户的用车行为数据，鼓励用户良好的开车行为和用车习惯，从而对用户进行健康地信用评分，并且通过信用分约束用户的不良行为，保障其他用户的用车安全。目前国内的信用体系暂无统一的数据来源和计算的方法，大部分平台都是利用自身数据进行粗略评估。以FICO信用评分体系及芝麻信用评估系统为例，FICO信用评分体系中所关注的主要因素包括客户的信用偿还历史、信用账户数、使用信用的年限、正在使用的信用类型、新开立的信用账户五类，芝麻信用评估系统拥有较为丰富的评估数据来源，因此其评估指标也非常多样，芝麻信用评估系统的评估指标包括基本信息、消费偏好、支付和资金、人脉关系、黑名单信息等五类。现有的信用评分体系存在以下几方面的缺陷：(1)数据采集维度不够完整，信用评分难以真实反映用户信用状况；(2)由于“刷信用分”的行为存在，导致用户违约风险增大。
技术实现思路
为解决现有技术的不足，本专利技术实施例提供了一种用户信用分计算方法及系统。第一方面，本专利技术实施例提供了一种用户信用分计算方法，该方法包括：Step1、利用分类算法模型，从用户行为数据中获取各个维度的指标数据；Step2、利用工作窃取算法，计算所述指标数据的加/扣分值及标准差，其中，加分值的计算公式为减分值的计算公式为x为指标数据，max为与所述指标数据维度相同的所有用户指标数据的最大值，min为与所述指标数据维度相同的所有用户指标数据的最小值；Step3、利用Z-Score标准化算法，剔除大于所述标准差设定倍数的指标数据，用于防止用户的刷分行为；Step4、利用归一化算法，将所述指标数据映射为0～1之间的指标数据；Step5、根据所述指标数据、所述指标数据对应的权重及所述指标数据的加/扣分值，计算所述指标数据的信用分；Step6、重复上述步骤Step2-Step5，得到各个维度的指标数据的信用分，计算各个维度的指标数据的信用分的和，得到该用户的信用分。进一步地，计算所述指标数据的信用分还包括：判断所述指标数据与用户是否匹配，若否，则剔除所述指标数据。第二方面，本专利技术实施例提供了一种用户信用分计算系统，该系统包括：获取模块，用于利用分类算法模型，从用户行为数据中获取各个维度的指标数据；计算模块，用于利用工作窃取算法，计算所述指标数据的加/扣分值及标准差，其中，加分值的计算公式为减分值的计算公式为x为指标数据，max为与所述指标数据维度相同的所有用户指标数据的最大值，min为与所述指标数据维度相同的所有用户指标数据的最小值；剔除模块，用于利用Z-Score标准化算法，剔除大于所述标准差设定倍数的指标数据；映射模块，用于利用归一化算法，将所述指标数据映射为0～1之间的指标数据；所述计算模块，还用于根据所述指标数据、所述指标数据对应的权重及所述指标数据的加/扣分值，计算所述指标数据的信用分；所述计算模块，还用于计算各个维度的指标数据的信用分，计算各个维度的指标数据的信用分的和，得到该用户的信用分。进一步地，所述计算模块包括：判断单元，用于判断所述指标数据与用户是否匹配，若否，则剔除所述指标数据。本专利技术实施例提供的用户信用分计算方法及系统具有以下有益效果：(1)实现对用户行为数据各个维度的采集，信用评分能够真实反映用户的信用状况；(2)阻止了“刷信用分”的行为，减少了用户违约的风险。附图说明图1为本专利技术实施例提供的用户信用分计算方法的流程示意图；图2为本专利技术实施例提供的用户信用分计算系统的结构示意图；图3为本专利技术实施例提供的用户信用分计算系统的另一结构示意图。具体实施方式以下结合附图和具体实施例对本专利技术作具体的介绍。如图1所示，本专利技术实施例提供的用户信用分计算方法包括以下步骤：S101、利用分类算法模型，从用户行为数据中获取各个维度的指标数据。S102、利用工作窃取算法，计算所述指标数据的加/扣分值及标准差，其中，加分值的计算公式为减分值的计算公式为x为指标数据，max为与所述指标数据维度相同的所有用户指标数据的最大值，min为与所述指标数据维度相同的所有用户指标数据的最小值。S103、利用Z-Score标准化算法，剔除大于所述标准差设定倍数的指标数据。作为一个具体的实施例，可以设定剔除大于三倍标准差的指标数据。S104、利用归一化算法，将所述指标数据映射为0～1之间的指标数据。S105、根据所述指标数据、所述指标数据对应的权重及所述指标数据的加/扣分值，计算所述指标数据的信用分。S106、重复上述步骤S102-S105，得到各个维度的指标数据的信用分，计算各个维度的指标数据的信用分的和，得到该用户的信用分。进一步地，计算所述指标数据的信用分还包括：判断所述指标数据与用户是否匹配，若否，则剔除所述指标数据。如图2所示，本专利技术实施例提供的用户信用分计算方法包括获取模块、计算模块、剔除模块及映射模块，其中：获取模块，用于利用分类算法模型，从用户行为数据中获取各个维度的指标数据；计算模块，用于利用工作窃取算法，计算所述指标数据的加/扣分值及标准差，其中，加分值的计算公式为减分值的计算公式为x为指标数据，max为与所述指标数据维度相同的所有用户指标数据的最大值，min为与所述指标数据维度相同的所有用户指标数据的最小值；剔除模块，用于利用Z-Score标准化算法，剔除大于所述标准差设定倍数的指标数据；映射模块，用于利用归一化算法，将所述指标数据映射为0～1之间的指标数据；所述计算模块，还用于根据所述指标数据、所述指标数据对应的权重及所述指标数据的加/扣分值，计算所述指标数据的信用分；所述计算模块，还用于计算各个维度的指标数据的信用分，计算各个维度的指标数据的信用分的和，得到该用户的信用分。如图3所示，所述计算模块包括：判断单元，用于判断所述指标数据与用户是否匹配，若否，则剔除所述指标数据。本专利技术实施例提供的用户信用分计算方法及系统，利用分类算法模型，从用户行为数据中获取各个维度的指标数据，利用工作窃取算法，计算指标数据的加/扣分值及标准差，利用Z-Score标准化算法，剔除大于标准差设定倍数的指标数据，利用归一化算法，将指标数据映射为0～1之间的指标数据，根据指标数据、指标数据对应的权重及指标数据的加/扣分值，计算指标数据的信用分，重复上述步骤，得到各个维度的指标数据的信用分，计算各个维度的指标数据的信用分的和，得到该用户的信用分，提高了信用评分的真实性、减少了用户违约的风险。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基本文档来自技高网...

【技术保护点】
1.一种用户信用分计算方法，其特征在于，包括：Step1、利用分类算法模型，从用户行为数据中获取各个维度的指标数据；Step2、利用工作窃取算法，计算所述指标数据的加/扣分值及标准差，其中，加分值的计算公式为

【技术特征摘要】
1.一种用户信用分计算方法，其特征在于，包括：Step1、利用分类算法模型，从用户行为数据中获取各个维度的指标数据；Step2、利用工作窃取算法，计算所述指标数据的加/扣分值及标准差，其中，加分值的计算公式为减分值的计算公式为x为指标数据，max为与所述指标数据维度相同的所有用户指标数据的最大值，min为与所述指标数据维度相同的所有用户指标数据的最小值；Step3、利用Z-Score标准化算法，剔除大于所述标准差设定倍数的指标数据；Step4、利用归一化算法，将所述指标数据映射为0～1之间的指标数据；Step5、根据所述指标数据、所述指标数据对应的权重及所述指标数据的加/扣分值，计算所述指标数据的信用分；Step6、重复上述步骤Step2-Step5，得到各个维度的指标数据的信用分，计算各个维度的指标数据的信用分的和，得到该用户的信用分。2.根据权利要求1所述的用户信用分计算方法，其特征在于，计算所述指标数据的信用分还包括：判断所述指标数据与用户是否匹配，若否，则剔除所述指标...

【专利技术属性】
技术研发人员：崔奇华，李雨涵，
申请(专利权)人：北京首汽智行科技有限公司，
类型：发明
国别省市：北京,11