信用评估方法及装置制造方法及图纸

本发明专利技术提供了一种信用评估方法及装置，方法包括：获取用户的业务数据和属性数据；对所述的属性数据和业务数据分别进行特征工程处理确定属性特征表现数据及预设时序时段的业务特征表现数据；根据所述属性特征表现数据和预设时序时段的业务特征表现数据利用预先建立的深度学习模型进行信用评估。采用深度学习算法自动化的对客户进行信用风险评估，有效降低了人力，不需要筛选特征，在模型数据使用方面，充分考虑的数据特征的时序性，可快速加入新的数据，多一种业务只需要多一个时序模块，可以全面观察客户表现。

【技术实现步骤摘要】
信用评估方法及装置
本专利技术涉及数据处理
，具体的讲是一种信用评估方法及装置。
技术介绍
个人信用风险评估是指在银行个人信贷业务过程中，通过对客户相关信息维度，包括个人基本信息、经济能力、信用历史记录、交易记录等经济和行为数据的整合、关联，利用分析统计技术进行分析计算，建立对应的信用风险模型以得到相应的信用评分，从而实现对客户的信用风险评估，预测贷款申请人的违约可能性。在时下大力发展线上信贷业务的背景下，商业银行面临着拓展下沉客群信贷业务，因而寻找能够对个人客户进行全面、有效的信用评估，成为支撑个人信贷业务健康发展的一种重要方向。现有技术中，个人信贷业务需要综合考虑客户的综合表现，其中包括但不限于信用卡业务，金融产品业务，用户行为，资产属性等，从而量化性地给出客户的信用风险评估。但是在已有的建模过程中都是将所需的数据抽取出后人工进行特征衍生，然后汇总一起共同筛选找出与该客户信用风险相关性较高的特征，进而采用合适稳定的模型算法单一逻辑回归或机器模型(xgb)进行评分，该方法的缺点是特征的衍生过程中同类型业务下得到的本文档来自技高网...

【技术保护点】
1.一种信用评估方法，其特征在于，所述的方法包括：/n获取用户的业务数据和属性数据；/n对所述的属性数据和业务数据分别进行特征工程处理确定属性特征表现数据及预设时序时段的业务特征表现数据；/n根据所述属性特征表现数据和预设时序时段的业务特征表现数据利用预先建立的深度学习模型进行信用评估。/n

【技术特征摘要】
1.一种信用评估方法，其特征在于，所述的方法包括：
获取用户的业务数据和属性数据；
对所述的属性数据和业务数据分别进行特征工程处理确定属性特征表现数据及预设时序时段的业务特征表现数据；
根据所述属性特征表现数据和预设时序时段的业务特征表现数据利用预先建立的深度学习模型进行信用评估。


2.如权利要求1所述的信用评估方法，其特征在于，所述的业务数据包括：用户个人信用卡，专项贷款，人行征信数据、多头借贷、社保公积金业务数据；
属性数据包括：用户学历，婚姻状况，所属地，出生地信息数据。


3.如权利要求1所述的信用评估方法，其特征在于，所述的对所述的属性数据和业务数据分别进行特征工程处理确定属性特征表现数据及预设时序时段的业务特征表现数据包括：
根据预设的业务字段对所述的业务数据进行特征提取确定预设时序时段的业务特征表现数据；
对所述的属性数据进行独热编码特征提取确定属性特征表现数据。


4.如权利要求3所述的信用评估方法，其特征在于，所述的根据预设的业务字段对所述的业务数据进行特征提取确定预设时序时段的业务特征表现数据包括：
根据预设的业务字段对所述的业务数据进行特征提取生成特征字段；
按预设时序时段对所述的特征字段进行衍生处理，生成预设时序时段的业务特征表现数据。


5.如权利要求1所述的信用评估方法，其特征在于，所述的预先建立的深度学习模型包括：LSTM模型。


6.如权利要求5所述的信用评估方法，其特征在于，所述的方法还包括：预先建立深度学习模型；其包括：
提取业务数据的特征表现数据与时序的关系确定有效的业务特征表现数据；
根据属性特征表现数据、确定的有效的业务特征表现数据作为输入数据；
构造多层LSTM模型抽取业务数据和属性数据的关联，利用所述的输入数据并加入全链接层建立深度学习模型。


7.如权利要求1所述的信用评估方法，其特征在于，所述的方法还包括：
建立基线校验模型以监测所述预先建立的深度学习模型是否失效；
确定预先建立的深度学习模型失效则对所述深度学习模型进行训练更新。


8.一种信用评估装置，其特征在于，所述的装置包括：
数据获取模块，用于获取用户的业务数据和属性数据；
特征工程模块，用于对所述的属性数据和业务数据分别进行特征工程处理确定属性特征表...

【专利技术属性】
技术研发人员：覃春钰，
申请(专利权)人：中国建设银行股份有限公司，
类型：发明
国别省市：北京;11