业务处理方法、模型训练方法、设备及存储介质技术

本申请实施例提供一种业务处理方法、模型训练方法、设备及存储介质。在本申请一些示例性实施例中，服务端设备预先训练出信用风险预测模型，计算设备采集目标用户的面部图像，基于人脸识别技术，从目标用户的面部图像中提取目标用户的人脸特征；将目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到目标用户的信用风险值；根据目标用户的信用风险值，对目标用户进行业务处理，降低业务风险。

Business Processing Method, Model Training Method, Equipment and Storage Media

【技术实现步骤摘要】
业务处理方法、模型训练方法、设备及存储介质
本申请涉及数据处理
，尤其涉及一种业务处理方法、模型训练方法、设备及存储介质。
技术介绍
随着互联网、信息化技术的发展，各业务领域都在不断电子化，例如在保险业务领域中可以在线投保，在线理赔、保险产品在线推荐等，还可以进行在在线贷款业务。但是，在线贷款业务不能对客户进行全面了解，贷款风险较高。
技术实现思路
本申请的多个方面提供一种业务处理方法、模型训练方法、设备及存储介质，基于历史信贷用户的面部图像进行模型训练，找到人脸特征与还款行为的潜在联系，并利用训练得到的信用风险预测模型对有贷款需求的用户进行信用风险的预测，降低放贷方的放贷风险。本申请示例性实施例提供一种业务处理方法，适用于计算设备，所述方法包括：采集目标用户的面部图像，所述目标用户是发起业务申请的用户；基于人脸识别技术，从所述目标用户的面部图像中提取所述目标用户的人脸特征；将所述目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到所述目标用户的信用风险值；根据所述目标用户的信用风险值，对所述目标用户进行业务处理。本申请示例性实施例还提供一种模型训练方法，适用于服务端设备，所述方法包括：获取历史信贷用户的面部图像；基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；从所述人脸特征中选择与用户还款行为关联的目标特征；对目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型。本申请示例性实施例还提供一种计算设备，包括：视觉传感器、一个或多个处理器以及一个或多个存储计算机程序的存储器；所述视觉传感器，用于采集目标用户的面部图像；所述一个或多个处理器，用于执行所述计算机程序，以用于：采集目标用户的面部图像，所述目标用户是发起业务申请的用户；基于人脸识别技术，从所述目标用户的面部图像中提取所述目标用户的人脸特征；将所述目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到所述目标用户的信用风险值；根据所述目标用户的信用风险值，对所述目标用户进行业务处理。本申请示例性实施例还提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器执行包括以下的动作：采集目标用户的面部图像，所述目标用户是发起业务申请的用户；基于人脸识别技术，从所述目标用户的面部图像中提取所述目标用户的人脸特征；将所述目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到所述目标用户的信用风险值；根据所述目标用户的信用风险值，对所述目标用户进行业务处理。本申请示例性实施例还提供一种服务端设备，包括：一个或多个处理器以及一个或多个存储计算机程序的存储器；所述一个或多个处理器，用于执行所述计算机程序，以用于：获取历史信贷用户的面部图像；基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；从所述人脸特征中选择与用户还款行为关联的目标特征；对目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型。本申请示例性实施例还提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器执行包括以下的动作：获取历史信贷用户的面部图像；基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；从所述人脸特征中选择与用户还款行为关联的目标特征；对目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型。在本申请一些示例性实施例中，服务端设备预先训练出信用风险预测模型，计算设备采集目标用户的面部图像，基于人脸识别技术，从目标用户的面部图像中提取目标用户的人脸特征；将目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到目标用户的信用风险值；根据目标用户的信用风险值，对目标用户进行业务处理，降低业务风险。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本申请示例性实施例提供的一种模型训练方法的方法流程图；图2为本申请示例性实施例提供的一种业务处理方法的方法流程图；图3为本申请示例性实施例提供的一种更加详细的业务处理方法的方法流程图；图4为本申请示例性实施例提供的一种计算设备的结构框图；图5为本申请示例性实施例提供的一种服务端设备的结构框图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。针对目前在线贷款业务不能对客户进行全面了解，贷款风险较高的问题，在本申请一些示例性实施例中，服务端设备预先训练出信用风险预测模型，计算设备采集目标用户的面部图像，基于人脸识别技术，从目标用户的面部图像中提取目标用户的人脸特征；将目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到目标用户的信用风险值；根据目标用户的信用风险值，对目标用户进行业务处理，降低业务风险。以下结合附图，详细说明本申请各实施例提供的技术方案。图1为本申请示例性实施例提供的一种模型训练方法的方法流程图，如图1所示，该方法包括以下步骤：S101：获取历史信贷用户的面部图像；S102：基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；S103：从人脸特征中选择与用户还款行为关联的目标特征；S104：对目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型。在本实施例中，训练信用风险预测模型的设备为模型的拥有者，可以为用户自身的设备，例如，某个企业用户想要评估办理企业相关业务的个人用户的信用风险，可以利用企业用户服务器进行训练信用风险预测模型，在本实施例中，获取历史信贷用户的面部图像的方式可以为，用户设备从自身的数据库中调取历史信贷用户的面部图像。显然，训练信用风险预测模型的设备也可以为服务提供商的服务设备，服务设备训练模型需要使用用户设备提供的用户数据，这里的用户数据往往涉及用户的隐私，因此，获取历史信贷用户的面部图像的方式可以为，用户设备可以对历史信贷用户的面部图像经过加密后发送给服务设备以进行模型训练。在本实施例中，并不限定服务器的实现形态，例如服务器可以是常规服务器云服务器、云主机、虚拟中心等服务器设备。其中，服务器设备的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类型。服务端设备在获取历史信贷用户的面部图像后，基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征。人脸特征包括但不限于下列至少一种：眉间距，瞳间距，眼睛长度，眼睛宽度，眼睛形状，面部斑点位置，面部斑点数量，和面部表情等。在从历史信贷用户的面部图像中提取人脸特征后，从人脸特征中选择与用户还款行为关联的目标特征。一种可实现的方式为，利用滚动率算法，对历史信贷用户的还款行为进行好坏判定；对历史信贷用户的人脸特征和历史信贷用户的还款行为的判定结果进行关联分析，得到各个人脸特征及人脸特征组合对还款行为的预测能力；选取对还款行为的预测能力本文档来自技高网...

【技术保护点】
1.一种业务处理方法，适用于计算设备，其特征在于，所述方法包括：采集目标用户的面部图像，所述目标用户是发起业务申请的用户；基于人脸识别技术，从所述目标用户的面部图像中提取所述目标用户的人脸特征；将所述目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到所述目标用户的信用风险值；根据所述目标用户的信用风险值，对所述目标用户进行业务处理。

【技术特征摘要】
1.一种业务处理方法，适用于计算设备，其特征在于，所述方法包括：采集目标用户的面部图像，所述目标用户是发起业务申请的用户；基于人脸识别技术，从所述目标用户的面部图像中提取所述目标用户的人脸特征；将所述目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到所述目标用户的信用风险值；根据所述目标用户的信用风险值，对所述目标用户进行业务处理。2.根据权利要求1所述的方法，其特征在于，所述目标用户发起的业务申请是贷款业务申请，则根据所述目标用户的信用风险值，对所述目标用户进行业务处理，包括：根据所述目标用户的信用风险值，确定所述用户所处的信用风险等级；若所述目标用户的信用风险等级小于设定风险等级，为所述目标用户生成放贷结果。3.根据权利要求1所述的方法，还包括训练信用风险预测模型的方法，其特征在于，所述训练信用风险预测模型的方法包括：获取历史信贷用户的面部图像；基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；从所述人脸特征中选择与用户还款行为关联的目标特征；对目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型。4.一种模型训练方法，适用于服务端设备，其特征在于，所述方法包括：获取历史信贷用户的面部图像；基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；从所述人脸特征中选择与用户还款行为关联的目标特征；对目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型。5.根据权利要求4所述的方法，其特征在于，从所述人脸特征中选择与用户还款行为关联的目标特征，包括：利用滚动率算法，对历史信贷用户的还款行为进行好坏判定；对所述历史信贷用户的人脸特征和所述历史信贷用户的还款行为的判定结果进行关联分析，得到各个人脸特征及人脸特征组合对还款行为的预测能力；选取对还款行为的预测能力满足设定阈值的人脸特...

【专利技术属性】
技术研发人员：谭建斌，邵利铎，奎志钢，帅玉廷，杨亚刚，张楠，
申请(专利权)人：中国人民财产保险股份有限公司，
类型：发明
国别省市：北京,11