还款能力评估模型的训练方法、装置、电子设备及介质制造方法及图纸

本申请涉及数据处理技术领域，公开了一种还款能力评估模型的训练方法、装置、电子设备及介质，其方法包括：构建训练样本集，训练样本集包括多个借贷样本；对各训练样本进行数据预处理，得到各训练样本的特征数据，其中，数据预处理包括：异常样本处理、特征初筛、特征数值化、特征量纲化、以及特征精筛中的至少一种；将训练样本的特征数据输入到预构建的还款能力评估初始模型中进行训练，得到还款能力评估模型。本申请提供的方法利用相较于债务人的其他基本信息更具有真实性的还款行为数据，构建还款能力评估模型，达到在催收前利用构建的还款能力评估模型准确评估债务人的还款能力的目的。的。的。

【技术实现步骤摘要】
还款能力评估模型的训练方法、装置、电子设备及介质


[0001]本公开涉及数据处理
，具体而言，涉及一种还款能力评估模型的训练方法、装置、电子设备及介质。

技术介绍

[0002]在金融信贷领域中，借款人不能按期、足额归还本息的贷款为不良资产。在个人不良资产评估处置的初始阶段，没有有效的数据支撑以对短时间内的催收方案做出预判，故催收人在催收阶段往往直接进行催收作业，或者对债务人进行简单划分后就开始进行催收作业，例如，根据债务人在申请借贷时自行填写的职业及收入情况等信息挑选还款能力较强的“优质”的债务人先进行催收。然而，这部分人群本就是“不良”债务人，所填写的信息的真实性无法保证，很难具有参考性，故此方法无法对债务人的还款能力进行有效判断。
[0003]因此，亟需一种可以在催收作业前对债务人的还款能力做出初始评分的方法，以便准确地制定催收方案，指导前期的催收作业。

技术实现思路

[0004]针对上述情况，本申请实施例提供了一种还款能力评估模型的训练方法、装置、电子设备及介质，旨在解决无法根据债务人自行填写的职业及收入情况等信息对债务人的还款能力进行有效判断，从而准确地制定催收方案的问题。
[0005]第一方面，本申请实施例提供了一种还款能力评估模型的训练方法，包括：
[0006]构建训练样本集，所述训练样本集包括多个借贷样本，各所述借贷样本包括观察期特征、样本标签；其中，所述样本标签是根据各所述借贷样本的表现期特征以及所述观察期特征确定的；
[0007]对各所述训练样本进行数据预处理，得到各所述训练样本的特征数据，其中，所述数据预处理包括：异常样本处理、特征初筛、特征数值化、特征量纲化、以及特征精筛中的至少一种；
[0008]将各所述训练样本的特征数据输入到预构建的还款能力评估初始模型中进行训练，得到还款能力评估模型。
[0009]第二方面，本申请实施例还提供了一种还款能力评估方法，包括：
[0010]获取待评估债务人的特征数据；
[0011]利用采用第一方面所述的训练方法得到的还款能力评估模型，对所述待评估债务人的特征数据进行评估，得到所述待评估债务人的特征数据对应的还款能力评估结果。
[0012]第三方面，本申请实施例还提供了一种还款能力评估模型的训练装置，包括：
[0013]构建模块，用于构建训练样本集，所述训练样本集包括多个借贷样本，各所述借贷样本包括观察期特征、样本标签；其中，所述样本标签是根据各所述借贷样本的表现期特征以及所述观察期特征确定的；
[0014]数据预处理模块，用于对各所述训练样本进行数据预处理，得到各所述训练样本
的特征数据，其中，所述数据预处理包括：异常样本处理、特征初筛、特征数值化、特征量纲化、以及特征精筛中的至少一种；
[0015]训练模块，用于将各所述训练样本的特征数据输入到预构建的还款能力评估初始模型中进行训练，得到还款能力评估模型。
[0016]第四方面，本申请实施例还提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行上述训练方法的处理。
[0017]第五方面，本申请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一个或多个程序，一个或多个程序当被包括多个应用程序的电子设备执行时，使得电子设备执行上述训练方法的处理。
[0018]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例提供的还款能力评估模型的训练方法在构建的训练样本集中，各借贷样本的样本标签为根据观察期特征中的借贷次数、表现期特征中的借贷次数和还款次数确定的债务人的还款能力评分，由于上述与还款行为相关的数据相较于债务人的其他基本信息，更具有客观性、真实性和参考性，故通过对训练样本集的学习，还款能力评估模型可以快速根据多维度特征数据对债务人的还款能力做出较准确的评估，从而在催收前即可制定相应的催收方案，指导催收人的催收作业。
附图说明
[0019]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：
[0020]图1为本申请提供的一个实施例的还款能力评估模型的训练方法的流程示意图；
[0021]图2为本申请提供的一个实施例的还款能力评估方法的流程示意图；
[0022]图3为本申请提供的另一个实施例的还款能力评估模型的训练方法的流程示意图；
[0023]图4为本申请提供的一个实施例的还款能力评估模型的训练装置的结构示意图；
[0024]图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0025]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。
[0026]以下结合附图，详细说明本申请各实施例提供的技术方案。
[0027]在金融信贷领域中，借款人不能按期、足额归还本息的贷款为不良资产。在个人不良资产评估处置的初始阶段，没有有效的数据支撑以对短时间内的催收方案做出预判，故催收人在催收阶段往往直接进行催收作业，或者对债务人进行简单划分后就开始进行催收作业，例如，根据债务人在申请借贷时自行填写的职业及收入情况等信息挑选还款能力较强的“优质”的债务人先进行催收。然而，这部分人群本就是“不良”债务人，所填写的信息的
真实性无法保证，很难具有参考性，故此方法无法对债务人的还款能力进行有效判断。因此，亟需一种可以在催收作业前对债务人的还款能力做出初始评分的方法，以便准确地制定催收方案，指导前期的催收作业。
[0028]针对上述问题，本申请提出了一种还款能力评估模型的训练方法，通过利用债务人的还款行为数据，构建还款能力评估模型，由于还款行为数据相较于债务人的其他基本信息，更具有真实性，故能够达到利用构建的还款能力评估模型准确评估债务人的还款能力的目的。图1为本申请提供的一个实施例的还款能力评估模型的训练方法的流程示意图，从图1可以看出，本申请至少包括步骤S101
‑
步骤S103：
[0029]步骤S101：构建训练样本集，训练样本集包括多个借贷样本，各借贷样本包括观察期特征、样本标签；其中，样本标签是根据各借贷样本的表现期特征以及观察期特征确定的。首先，构建训练样本集。该训练样本集包括多个借贷样本，各借贷样本包括观察期特征、样本标签。其中，样本标签是根据各借贷样本的表现期特征以及观察期特征确定的。
[0030]实施时，可以先分析各借贷样本的时间分布情况，寻找合适的时间切分点，比如时间切分点1。如将时间切分点1前1年设定为观察期，将时间切分点1后1年设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种还款能力评估模型的训练方法，其特征在于，包括：构建训练样本集，所述训练样本集包括多个借贷样本，各所述借贷样本包括观察期特征、样本标签；其中，所述样本标签是根据各所述借贷样本的表现期特征以及所述观察期特征确定的；对各所述训练样本进行数据预处理，得到各所述训练样本的特征数据，其中，所述数据预处理包括：异常样本处理、特征初筛、特征数值化、特征量纲化、以及特征精筛中的至少一种；将各所述训练样本的特征数据输入到预构建的还款能力评估初始模型中进行训练，得到还款能力评估模型。2.根据权利要求1所述的方法，其特征在于，所述观察期特征包括第一借贷次数，所述表现期特征包括第二借贷次数，和还款次数；所述样本标签可根据下述方法确定：根据所述第一借贷次数、所述第二借贷次数，以及所述还款次数，确定各所述借贷样本的还款能力评分，并将所述还款能力评分作为对应借贷样本的样本标签；其中，若所述第一借贷次数与所述第二借贷次数满足第一预设条件，则所述还款能力评分为第一预设值；若所述第一借贷次数与所述第二借贷次数满足第二预设条件，则所述还款能力评分是根据所述还款次数与还款因子的比值确定的，其中所述还款因子为预设还款次数与所述第一借贷次数、所述第二借贷次数以及预设常数的和的乘积。3.根据权利要求1所述的方法，其特征在于，所述数据预处理包括异常样本处理；所述对各所述训练样本进行数据预处理，包括：若一个所述借贷样本的样本标签为第一预设值，则删除所述借贷样本；若一个所述借贷样本的样本标签大于第二预设值，则将所述借贷样本的样本标签置为所述第二预设值；其中，所述第二预设值大于所述第一预设值。4.根据权利要求1所述的方法，其特征在于，所述数据预处理包括特征初筛；所述对各所述训练样本进行数据预处理，包括：基于空值率，对各所述训练样本的特征数据进行过滤，以对所述训练样本进行初筛，得到初筛特征数据；和/或，所述数据预处理包括特征数值化，所述对各所述训练样本进行数据预处理，包括：对各所述训练样本的特征数据或初筛特征数据中的类别特征数据进行独热编码处理，得到所述类别特征数据对应的数值类特征数据；并将所述类别特征数据替换为所述数值类特征数据；和/或，所述数据预处理包括特征量纲化，所述对各所述训练样本进行数据预处理，包括：基于模型类型，对各所述训练样本的特征数据或所述初筛特征数据中的数值类特征数据进行量纲化...

【专利技术属性】
技术研发人员：王冰玉，
申请(专利权)人：大箴杭州科技有限公司，
类型：发明
国别省市：