一种信用等级确定方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种信用等级确定方法、装置、设备及存储介质。该方法包括：获取待确定客户信息；将待确定客户信息输入至预先构建的用户相似性度量模型，根据输出结果确定相似历史客户；根据相似历史客户确定待确定客户信息对应客户的信用等级；其中，预先构建的用户相似性度量模型中包括至少两个并行的独立特征抽取子模型和特征关系确定子模型。本发明专利技术实施例的技术方案，解决了传统信用等级确定过程中仅能对同一信用等级的同类样本归类抽取共同特征，而忽略可能对相似度造成影响的差异化特征，降低不同客户及信用等级间相似度确定准确性的问题，提升了待确定客户信息对应客户的信用等级确定的准确度。用等级确定的准确度。用等级确定的准确度。

A method, device, equipment and storage medium for determining credit rating

【技术实现步骤摘要】
一种信用等级确定方法、装置、设备及存储介质


[0001]本专利技术涉及数据分析
，尤其涉及一种信用等级确定方法、装置、设备及存储介质。

技术介绍

[0002]为满足国家经济社会建设的健康发展，建设社会信用体系是完善我国市场经济体制的客观需要。而随着互联网金融的迅猛发展，个人征信的确定直接影响金融领域的风险控制。近年来国内个人信贷市场迅速发展，传统金融机构、电商、小额贷款公司等纷纷将目光投向个人消费领域，由于信息的不对称和不透明，给个人信贷市场带来了大量的多头负债风险和欺诈风险，因此利用大数据征信对新增客户进行信用等级确定以提高风控能力成为信用体系建设的重要议题。
[0003]目前国内大部分金融机构困于人员和资金不足，还在使用传统的线下收集资料方式，即使通过互联网进行信息收集，所收集客户信息的描述也多不是以表格等结构化形式出现，而是以若干段文字表示的非结构化文本，难以直接依据结构化信息进行比对确定客户所对应的信用等级，同时，无法充分考虑客户信息中不同特征与信用等级间的关联关系，降低了用户信用等级确定的准确性。

技术实现思路

[0004]本专利技术提供了一种信用等级确定方法、装置、设备及存储介质，以充分考虑新增客户所对应非结构化客户信息中不同特征与已有历史客户特征间的关联关系，进而依据历史客户的信用等级对新增用户信用等级进行确定，提高了信用等级确定考虑的全面性，进而提升了新增用户信用等级确定的准确性。
[0005]第一方面，本专利技术实施例提供了一种信用等级确定方法，包括：
[0006]获取待确定客户信息；
[0007]将待确定客户信息输入至预先构建的用户相似性度量模型，根据输出结果确定相似历史客户；
[0008]根据相似历史客户确定待确定客户信息对应客户的信用等级；
[0009]其中，预先构建的用户相似性度量模型中包括至少两个并行的独立特征抽取子模型和特征关系确定子模型。
[0010]进一步地，用户相似性度量模型的训练步骤包括：
[0011]对客户信息训练样本集中的客户信息集进行全局特征提取，确定全局特征样本集；其中，客户信息训练样本集包括客户信息集以及与客户信息集对应的标定信息集，标定信息集中包括与客户信息集对应的信用等级信息；
[0012]根据全局特征样本集中的特征类型个数确定第一数量；
[0013]通过全局特征样本集对初始独立特征抽取子模型进行训练，确定第一数量个独立特征抽取子模型，并根据各独立特征抽取子模型的输出确定独立特征集合；
[0014]通过独立特征集合与标定信息集对初始特征关系确定子模型进行训练，确定特征关系确定子模型；
[0015]将并行的各独立特征抽取子模型与特征关系确定子模型进行融合，构成用户相似性度量模型。
[0016]进一步地，通过全局特征样本集对初始独立特征抽取子模型进行训练，确定第一数量个独立特征抽取子模型，包括：
[0017]通过最小化重构损失将全局特征样本集划分为第一数量个独立特征样本子集；
[0018]针对每一个初始独立特征抽取子模型，由第一数量个独立特征样本子集中提取一个未被训练的独立特征样本子集确定为目标独立特征样本子集；
[0019]将目标独立特征样本子集输入至初始独立特征抽取子模型中，提取第一中间结果集；
[0020]将第一中间结果集、目标独立特征样本子集与给定的损失函数表达式相结合，确定对应的第一损失函数；
[0021]基于第一损失函数对初始独立特征抽取子模型进行训练，直到满足预设收敛条件获得独立特征抽取子模型。
[0022]进一步地，通过独立特征集合与标定信息集对初始特征关系确定子模型进行训练，确定特征关系确定子模型，包括：
[0023]将独立特征集合输入至初始特征关系确定子模型中，提取第二中间结果集；
[0024]将第二中间结果集、标定信息集与给定的损失函数表达式相结合，确定对应的第二损失函数；
[0025]基于第二损失函数对初始特征关系确定子模型进行训练，直到满足预设收敛条件获得特征关系确定子模型。
[0026]进一步地，特征关系确定子模型为关系图卷积网络模型。
[0027]进一步地，将待确定客户信息输入至预先构建的用户相似性度量模型，根据输出结果确定相似历史客户，包括：
[0028]将待确定客户信息输入至用户相似性度量模型中进行全局特征提取，确定待确定客户全局特征；
[0029]将待确定客户全局特征输入用户相似性度量模型中的各独立特征抽取子模型中，确定第一生成结果；
[0030]将第一生成结果输入用户相似性度量模型中的特征关系确定子模型中，确定第二生成结果；
[0031]根据第二生成结果确定客户信息训练样本集中与待确定客户信息相似度最高的相似历史客户。
[0032]进一步地，根据相似历史客户确定待确定客户信息对应客户的信用等级，包括：
[0033]将相似历史客户的信用等级确定为相似信用等级；
[0034]将相似信用等级确定为待确定客户信息对应客户的信用等级。
[0035]第二方面，本专利技术实施例还提供了一种信用等级确定装置，包括：
[0036]信息获取模块，用于获取待确定客户信息；
[0037]相似客户确定模块，用于将待确定客户信息输入至预先构建的用户相似性度量模
型，根据输出结果确定相似历史客户；
[0038]信用等级确定模块，用于根据相似历史客户确定待确定客户信息对应客户的信用等级；
[0039]其中，预先构建的用户相似性度量模型中包括至少两个并行的独立特征抽取子模型和特征关系确定子模型。
[0040]第三方面，本专利技术实施例还提供了一种信用等级确定设备，该信用等级确定设备包括：
[0041]至少一个处理器；以及
[0042]与至少一个处理器通信连接的存储器；其中，
[0043]存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，使得至少一个处理器能够实现本专利技术任一实施例的信用等级确定方法。
[0044]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本专利技术任一实施例的信用等级确定方法。
[0045]本专利技术实施例提供的一种信用等级确定方法、装置、设备及存储介质，通过获取待确定客户信息；将待确定客户信息输入至预先构建的用户相似性度量模型，根据输出结果确定相似历史客户；根据相似历史客户确定待确定客户信息对应客户的信用等级；其中，预先构建的用户相似性度量模型中包括至少两个并行的独立特征抽取子模型和特征关系确定子模型。通过采用上述技术方案，将需要进行信用等级确定客户的待确定客户信息输入至预先构建的，包含至少两个并行的独立特征抽取子模型和特征关系确定子模型的用户相似性度量模型中，以确定出与该客户相似性较高的相似历史客户，进而依据相似历史客户的信用等级对于待确定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信用等级确定方法，其特征在于，包括：获取待确定客户信息；将所述待确定客户信息输入至预先构建的用户相似性度量模型，根据输出结果确定相似历史客户；根据所述相似历史客户确定所述待确定客户信息对应客户的信用等级；其中，所述预先构建的用户相似性度量模型中包括至少两个并行的独立特征抽取子模型和特征关系确定子模型。2.根据权利要求1所述的方法，其特征在于，所述用户相似性度量模型的训练步骤包括：对客户信息训练样本集中的客户信息集进行全局特征提取，确定全局特征样本集；其中，所述客户信息训练样本集包括客户信息集以及与客户信息集对应的标定信息集，所述标定信息集中包括与所述客户信息集对应的信用等级信息；根据所述全局特征样本集中的特征类型个数确定第一数量；通过所述全局特征样本集对初始独立特征抽取子模型进行训练，确定第一数量个独立特征抽取子模型，并根据各所述独立特征抽取子模型的输出确定独立特征集合；通过所述独立特征集合与所述标定信息集对初始特征关系确定子模型进行训练，确定特征关系确定子模型；将并行的各所述独立特征抽取子模型与所述特征关系确定子模型进行融合，构成用户相似性度量模型。3.根据权利要求2所述的方法，其特征在于，所述通过所述全局特征样本集对初始独立特征抽取子模型进行训练，确定第一数量个独立特征抽取子模型，包括：通过最小化重构损失将所述全局特征样本集划分为第一数量个独立特征样本子集；针对每一个所述初始独立特征抽取子模型，由所述第一数量个独立特征样本子集中提取一个未被训练的独立特征样本子集确定为目标独立特征样本子集；将所述目标独立特征样本子集输入至所述初始独立特征抽取子模型中，提取第一中间结果集；将所述第一中间结果集、所述目标独立特征样本子集与给定的损失函数表达式相结合，确定对应的第一损失函数；基于所述第一损失函数对所述初始独立特征抽取子模型进行训练，直到满足预设收敛条件获得独立特征抽取子模型。4.根据权利要求2所述的方法，其特征在于，所述通过所述独立特征集合与所述标定信息集对初始特征关系确定子模型进行训练，确定特征关系确定子模型，包括：将所述独立特征集合输入至所述初始特征关系确定子模型中，提取第二中间结果集；将所述第二中间结果集、所述标定信息集与给定的损失函数表...

【专利技术属性】
技术研发人员：韦南，
申请(专利权)人：上海硕恩网络科技股份有限公司，
类型：发明
国别省市：