【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种用户信用评估模型训练方法、用户信用评估方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
1、随着人工智能技术的发展，出现了一种利用人工智能技术对用户信用进行评估的技术，该技术可以通过预先训练一个用于评估用户信用的神经网络模型，之后则可以将用于用户信用评估相关的用户特征，例如用户的虚拟资源量以及虚拟资源的转移行为等特征输入至训练完成的神经网络模型，从而评估用户信用。
2、目前，用于评估用户信用的神经网络模型通常是利用样本用户的用户特征来预测样本用户的用户信用，之后利用预测得到的用户信用以及样本用户的实际用户信用之间的差异，来训练神经网络模型，然而这种训练方法训练出的模型针对用户特征的可解释性较差，因此用户信用评估分类的精度较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高用户信用评估分类精度的用户信用评估模型训练方法、用户信用评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本申请提供了一种用户信用评估模型训练方法，包括：
3、获取第一样本金融用户关联的样本用户信用特征，以及所述第一样本金融用户对应的样本用户信用评级；
4、利用学生t分布和laplace分布构建用于表征用户信用特征与用户信用评级之间映射关系的先验分布，得到待训练的用户信用评估模型；
5、将所述样本用户信用特征与所述样本用户信用评级输入所述待训练的用户信用评估模
6、利用所述先验分布与所述后验分布之间的差异，训练所述用户信用特征与用户信用评级之间的映射关系参数，以得到训练完成的用户信用评估模型。
7、在其中一个实施例中，所述利用所述先验分布与所述后验分布之间的差异，训练所述用户信用特征与用户信用评级之间的映射关系参数，包括：构建携带有先验分布变量以及后验分布变量的相对熵损失函数；将所述先验分布代入所述先验分布变量，以及将所述后验分布代入所述后验分布变量，得到所述先验分布与所述后验分布的相对熵损失；利用所述相对熵损失训练所述映射关系参数，以最小化所述相对熵损失。
8、在其中一个实施例中，所述利用学生t分布和laplace分布构建用于表征用户信用特征与用户信用评级之间映射关系的先验分布，包括：利用学生t分布构造第一先验分布，以及利用laplace分布构建第二先验分布；获取第一先验分布对应的第一分布权重，以及所述第二先验分布对应的第二分布权重；利用所述第一分布权重以及所述第二分布权重，对所述第一先验分布以及所述第二先验分布进行加权处理，得到所述用于表征用户信用特征与用户信用评级之间映射关系的先验分布。
9、在其中一个实施例中，所述得到训练完成的用户信用评估模型之后，还包括：获取第二样本金融用户关联的测试用户信用特征，以及所述第二样本金融用户对应的测试用户信用评级；将所述测试用户信用特征输入所述训练完成的用户信用评估模型，通过所述训练完成的用户信用评估模型，得到所述第二样本金融用户的预测用户信用评级；基于所述测试用户信用评级与所述预测用户信用评级之间的差异，对所述用户信用评估模型进行测试，得到所述用户信用评估模型的性能测试结果。
10、在其中一个实施例中，所述将所述测试用户信用特征输入所述训练完成的用户信用评估模型，通过所述训练完成的用户信用评估模型，得到所述第二样本金融用户的预测用户信用评级，包括：将所述测试用户信用特征多次输入所述训练完成的用户信用评估模型，得到所述第二样本金融用户的多个候选用户信用评级；将所述多个候选用户信用评级的均值，作为所述预测用户信用评级。
11、在其中一个实施例中，所述基于所述测试用户信用评级与所述预测用户信用评级之间的差异，对所述用户信用评估模型进行测试，得到所述用户信用评估模型的性能测试结果，包括：根据所述测试用户信用评级与所述预测用户信用评级之间的差异，得到所述用户信用评估模型的参数准确性测试结果；获取所述多个候选用户信用评级的方差，得到所述用户信用评估模型的认知不确定性量化测试结果；基于所述参数准确性测试结果，以及所述认知不确定性量化测试结果，得到所述性能测试结果。
12、在其中一个实施例中，所述获取第一样本金融用户关联的样本用户信用特征，包括：获取所述第一样本金融用户关联的样本信用数据，并对所述样本信用数据中的缺失数据进行数据填补；获取数据填补后的各所述样本信用数据的数据类型，并在所述数据类型表征字符类型的情况下，对所述样本信用数据进行赋值处理；根据赋值处理后的所述样本信用数据，得到所述第一样本金融用户的初始用户信用特征，并对所述初始用户信用特征进行归一化处理，得到所述样本用户信用特征。
13、第二方面，本申请还提供了一种用户信用评估方法，包括：
14、获取待评估金融用户的待评估用户信用特征；
15、将所述待评估用户信用特征输入预先训练的用户信用评估模型，通过所述用户信用评估模型得到所述待评估金融用户的信用评级；所述用户信用评估模型通过如第一方面任一项实施例所述的用户信用评估模型训练方法训练得到。
16、第三方面，本申请还提供了一种用户信用评估模型训练装置，包括：
17、样本数据获取模块，用于获取第一样本金融用户关联的样本用户信用特征，以及所述第一样本金融用户对应的样本用户信用评级；
18、先验分布构造模块，用于利用学生t分布和laplace分布构建用于表征用户信用特征与用户信用评级之间映射关系的先验分布，得到待训练的用户信用评估模型；
19、后验分布获取模块，用于将所述样本用户信用特征与所述样本用户信用评级输入所述待训练的用户信用评估模型，利用所述用户信用评估模型对应的先验分布，得到用于表征所述样本用户信用特征与所述样本用户信用评级之间映射关系的后验分布；
20、评估模型训练模块，用于利用所述先验分布与所述后验分布之间的差异，训练所述用户信用特征与用户信用评级之间的映射关系参数，以得到训练完成的用户信用评估模型。
21、第四方面，本申请还提供了一种用户信用评估装置，包括：
22、待评估用户获取模块，用于获取待评估金融用户的待评估用户信用特征；
23、信用评级评估模块，用于将所述待评估用户信用特征输入预先训练的用户信用评估模型，通过所述用户信用评估模型得到所述待评估金融用户的信用评级；所述用户信用评估模型通过如第一方面任一项实施例所述的用户信用评估模型训练方法训练得到。
24、第五方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项实施例所述的用户信用评估模型训练方法，或者如第二方面任一项实施例所述的用户信用评估方法。
2本文档来自技高网...
【技术保护点】
1.一种用户信用评估模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述利用所述先验分布与所述后验分布之间的差异，训练所述用户信用特征与用户信用评级之间的映射关系参数，包括：
3.根据权利要求2所述的方法，其特征在于，所述利用学生T分布和Laplace分布构建用于表征用户信用特征与用户信用评级之间映射关系的先验分布，包括：
4.根据权利要求1所述的方法，其特征在于，所述得到训练完成的用户信用评估模型之后，还包括：
5.根据权利要求4所述的方法，其特征在于，所述将所述测试用户信用特征输入所述训练完成的用户信用评估模型，通过所述训练完成的用户信用评估模型，得到所述第二样本金融用户的预测用户信用评级，包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述测试用户信用评级与所述预测用户信用评级之间的差异，对所述用户信用评估模型进行测试，得到所述用户信用评估模型的性能测试结果，包括：
7.根据权利要求1至6任一项所述的方法，其特征在于，所述获取第一样本金融用户关联的样本用户信
8.一种用户信用评估方法，其特征在于，所述方法包括：
9.一种用户信用评估模型训练装置，其特征在于，所述装置包括：
10.一种用户信用评估装置，其特征在于，所述装置包括：
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
13.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种用户信用评估模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述利用所述先验分布与所述后验分布之间的差异，训练所述用户信用特征与用户信用评级之间的映射关系参数，包括：
3.根据权利要求2所述的方法，其特征在于，所述利用学生t分布和laplace分布构建用于表征用户信用特征与用户信用评级之间映射关系的先验分布，包括：
4.根据权利要求1所述的方法，其特征在于，所述得到训练完成的用户信用评估模型之后，还包括：
5.根据权利要求4所述的方法，其特征在于，所述将所述测试用户信用特征输入所述训练完成的用户信用评估模型，通过所述训练完成的用户信用评估模型，得到所述第二样本金融用户的预测用户信用评级，包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述测试用户信用评级与所述预测用户信用评级之间的差异，对所述用户信用评估模型进行测...
【专利技术属性】
技术研发人员：孙婷，钱江，刘若愚，王冠奇，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。