用户信用额度的评估方法、系统、设备和存储介质技术方案

本发明专利技术实施例公开了一种用户信用额度的评估方法、系统、设备和存储介质。该方法包括：获取目标用户的第一用户信息和用户信用评分；将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；根据所述第一预测收入设置每月还款额度；根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度。本发明专利技术实施例实现了简单准确的对用户信用额度进行评估。

【技术实现步骤摘要】
用户信用额度的评估方法、系统、设备和存储介质
本专利技术实施例涉及金融技术，尤其涉及一种用户信用额度的评估方法、系统、设备和存储介质。
技术介绍
随着人们消费意识的增强，越来越多的人们会申请信用贷款，以使用在房贷、车贷、或信用卡等场景中，为了确保用户能够准时还款，需要对用户做一个准确的信用额度评估。长期以来，传统的信用额度的评估方法主要依赖于用户主动提供工资流水，金融机构会结合用户的收入水平和风险情况给出信用额度，但用户往往不愿意主动提供工资流水。随着互联网技术的发展，越来越多的用户会选择在互联网进行线上信用贷款，但现有方案也没有主动获取用户的收入水平，仅仅依靠用户的还款意愿评估来计信用算额度，缺乏科学的信用额度评估方法。综上所述，对于信用额度的评估，普遍存在收入证明获取成本大、用户体验差和还款能力评估不准确等问题。
技术实现思路
本专利技术实施例提供一种用户信用额度的评估方法、系统、设备和存储介质，以实现简单准确的对用户信用额度进行评估。为达此目的，本专利技术实施例提供了一种用户信用额度的评估方法，该方法包括：获取目标用户的第一用户信息和用户信用评分；将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；根据所述第一预测收入设置每月还款额度；根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度。进一步的，所述神经网络回归预测模型的训练包括：获取预设数据库中样本用户的第二用户信息和第一收入信息；使用所述第二用户信息和第一收入信息训练预设神经网络回归预测模型。进一步的，所述获取预设数据库中样本用户的第二用户信息和第一收入信息包括：获取预设数据库中样本用户的第三用户信息和第二收入信息；对所述第三用户信息进行特征挖掘以得到第二用户信息；对所述第二收入信息进行加工和筛选以得到第一收入信息。进一步的，所述第二用户信息包括样本用户的基本身份信息、学历信息、资金短信信息、非资金短信信息、设备应用信息和宏观指标信息。进一步的，所述对所述第三用户信息进行特征挖掘以得到第二用户信息包括：对所述第三用户信息进行特征挖掘以得到所述样本用户的第四用户信息，所述第四用户信息包括缺失用户信息；从所述预设数据库中获取与所述缺失用户信息对应的补全用户信息；将所述补全用户信息添加至所述第四用户信息以得到第二用户信息。进一步的，所述对所述第二收入信息进行加工和筛选以得到第一收入信息包括：获取所述第二收入信息的每月收入金额、所述每月收入金额的相对标准偏差、获取收入月份数和平均每月收入短信条数；根据所述每月收入金额和相对标准偏差确定所述样本用户的第三收入信息；根据所述获取收入月份数和标准偏差确定所述样本用户的收入稳定性；根据所述获取收入月份数、平均每月收入短信条数和相对标准偏差确定所述样本用户的收入可信度；根据所述收入稳定性和收入可信度对所述第三收入信息进行筛选以得到第一收入信息。进一步的，所述神经网络回归预测模型的验证包括：将所述第二用户信息输入至所述神经网络回归预测模型以得到所述样本用户的第二预测收入；根据所述每月收入金额的最大收入金额和最小收入金额确定所述第二预测收入的基准区间；根据预设的偏离比例获取所述第二预测收入落入所述基准区间的第一比例；获取所述第二预测收入相对于所述第二收入信息的平均绝对误差；根据所述第一比例和平均绝对误差验证所述神经网络回归预测模型。一方面，本专利技术实施例还提供了一种用户信用额度的评估系统，该系统包括：信息获取模块，用于获取目标用户的第一用户信息和用户信用评分；收入获取模块，用于将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；额度设置模块，用于根据所述第一预测收入设置每月还款额度；额度生成模块，用于根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度。另一方面，本专利技术实施例还提供了一种用户信用额度的评估设备，该设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术任一实施例提供的方法。又一方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任一实施例提供的方法。本专利技术实施例通过获取目标用户的第一用户信息和用户信用评分；将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；根据所述第一预测收入设置每月还款额度；根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度，解决了现有的信用额度的评估方法存在收入证明获取成本大、用户体验差和还款能力评估不准确的问题，实现了简单准确的对用户信用额度进行评估的效果。附图说明图1是本专利技术实施例一提供的一种用户信用额度的评估方法的流程示意图；图2是本专利技术实施例二提供的神经网络回归预测模型的训练的流程示意图；图3是本专利技术实施例二提供的神经网络回归预测模型的训练中步骤S220的流程示意图；图4是本专利技术实施例二提供的神经网络回归预测模型的训练中步骤S230的流程示意图；图5是本专利技术实施例二提供的神经网络回归预测模型的验证的流程示意图；图6是本专利技术实施例三提供的一种用户信用额度的评估系统的结构示意图；图7为本专利技术实施例四提供的一种用户信用额度的评估设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一模块称为第二模块，且类似地，可将第二模块称为第一模块。第一模块和第二模块两者都是模块，但其不是同一模块。术语“第一”、“第二”等不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发本文档来自技高网...

【技术保护点】
1.一种用户信用额度的评估方法，其特征在于，包括：/n获取目标用户的第一用户信息和用户信用评分；/n将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；/n根据所述第一预测收入设置每月还款额度；/n根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度。/n

【技术特征摘要】
1.一种用户信用额度的评估方法，其特征在于，包括：
获取目标用户的第一用户信息和用户信用评分；
将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；
根据所述第一预测收入设置每月还款额度；
根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度。


2.根据权利要求1所述的方法，其特征在于，所述神经网络回归预测模型的训练包括：
获取预设数据库中样本用户的第二用户信息和第一收入信息；
使用所述第二用户信息和第一收入信息训练预设神经网络回归预测模型。


3.根据权利要求2所述的方法，其特征在于，所述获取预设数据库中样本用户的第二用户信息和第一收入信息包括：
获取预设数据库中样本用户的第三用户信息和第二收入信息；
对所述第三用户信息进行特征挖掘以得到第二用户信息；
对所述第二收入信息进行加工和筛选以得到第一收入信息。


4.根据权利要求3所述的方法，其特征在于，所述第二用户信息包括样本用户的基本身份信息、学历信息、资金短信信息、非资金短信信息、设备应用信息和宏观指标信息。


5.根据权利要求3所述的方法，其特征在于，所述对所述第三用户信息进行特征挖掘以得到第二用户信息包括：
对所述第三用户信息进行特征挖掘以得到所述样本用户的第四用户信息，所述第四用户信息包括缺失用户信息；
从所述预设数据库中获取与所述缺失用户信息对应的补全用户信息；
将所述补全用户信息添加至所述第四用户信息以得到第二用户信息。


6.根据权利要求3所述的方法，其特征在于，所述对所述第二收入信息进行加工和筛选以得到第一收入信息包括：
获取所述第二收入信息的每月收入金额、所述每月收入金额的相对标准偏差、获取收入月份数和平均每月收入短...

【专利技术属性】
技术研发人员：黎相麟，
申请(专利权)人：深圳市卡牛科技有限公司，
类型：发明
国别省市：广东;44