用户信用评分模型的训练方法及用户信用评分方法技术

本申请提供一种用户信用评分模型的训练方法及用户信用评分方法，将用户信用评分模型的训练分为两个阶段的训练，上一个阶段的训练得到训练后的神经网络编码器，在下一阶段利用训练后的神经网络编码器输出的特征向量和根据原始数据衍生的衍生特征，进行元模型的训练（例如GBDT或广义线性回归的训练）。如此，分布训练得到的用户信用评分模型，能够充分利用图像，文字，视频等高维度非结构化数据，提高用户信用评分的准确性，从而降低风险。从而降低风险。从而降低风险。

【技术实现步骤摘要】
用户信用评分模型的训练方法及用户信用评分方法


[0001]本申请涉及信用评估领域，具体而言，涉及一种用户信用评分模型的训练方法及用户信用评分方法。

技术介绍

[0002]零售信贷是指向消费者提供的小额、短期的信贷，通常用于购买消费品或服务。零售信贷具有便利、快捷的特点，但同时也存在较高的风险。传统的零售信贷风险预测方法通常基于单一的数据源，如信用评分或历史还款记录。这些方法存在一些局限性，难以准确预测零售信贷风险。
[0003]目前，关于零售信用贷款的风险控制，由于其业务形式属于数量巨大，但平均单笔额度较小，且风险形式多样，复杂多变，难以通过业务经验全面覆盖的情况，该领域的风险控制绝大部分都是通过风险模型和策略进行控制，人工介入程度相对较低。其中，风险模型是应对复杂多变的风险的必要和核心工具，常见的风险模型例如信用评估模型和反欺诈模型等。
[0004]现有的信用评估模型，使用的算法以逻辑回归和集成决策树为主。逻辑回归为建立评分卡模型的传统算法，历史悠久，方案成熟，其特点为模型参数量小，稳定性高，算法简单，可解释性强。集成决策树算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户信用评分模型的训练方法，其特征在于，所述用户信用评分模型包括神经网络编码器和元模型，所述训练方法包括：将高维度数据输入训练后的神经网络编码器，得到特征向量；其中，所述高维度数据包括图像数据、视频数据和文本数据的至少一项；根据原始数据，进行基于业务经验的规则衍生，得到衍生特征；其中，所述原始数据包括个人信息、设备信息、信用历史和财务数据的至少一项；根据所有的所述特征向量和衍生特征，进行特征筛选，得到筛选后特征；根据所述筛选后特征以及对应的标签，训练元模型，得到训练后的元模型。2.如权利要求1所述的方法，其特征在于，所述将高维度数据输入训练后的神经网络编码器之前，还包括：训练神经网络编码器。3.如权利要求2所述的方法，其特征在于，所述训练神经网络编码器，包括：建立高维度数据对应的神经网络结构；其中，所述神经网络结构包括神经网络编码器和神经网络预测头，所述神经网络编码器用于根据高维度数据生成并输出对应的特征向量，所述神经网络预测头用于根据特征向量生成并输出对应的预测值；根据高维度数据以及对应的标签，训练神经网络结构，得到训练后的神经网络编码器。4.如权利要求3所述的方法，其特征在于，所述建立高维度数据对应的神经网络结构，包括：对每一类高维度数据，建立对应的神经网络结构；所述根据高维度数据以及对应的标签，训练神经网络结构，得到训练后的神经网络编码器，包括：根据每一类高维度数据以及对应的标签，分别训练对应的神经网络结构，得到每一类高...

【专利技术属性】
技术研发人员：刘洪江，甘元笛，任晓东，陈昱任，吕文勇，周智杰，
申请(专利权)人：成都新希望金融信息有限公司，
类型：发明
国别省市：