[發明專利]打分模型的建立、用戶信用的評估方法及裝置

有效

• 申請號: 201710188752.9
• 申請日: 2017-03-27
• 公開（公告）號: CN108665120B
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 趙星
• 申請（專利權）人: 創新先進技術有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q40/00
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳霽

本申請涉及計算機技術領域，尤其涉及一種打分模型的建立、用戶信用的評估方法及裝置，在一種打分模型的建立方法中，搜集樣本數據集合。對樣本數據集合中的樣本數據包括的每個特征變量，獲取該特征變量與其它特征變量的交互指標。根據交互指標，確定各個特征變量的聚合指標。根據各個特征變量的聚合指標，從樣本數據包括的特征變量中選取目標特征變量。根據目標特征變量及對應的特征值，將多個樣本數據劃分為多個樣本數據分組。對每個樣本數據分組，建立相應的子打分模型。本申請通過計算各個特征變量的聚合指標，來自動選取用于分群的目標特征變量，這可以提高目標特征變量的選取的效率和準確性，從而可以進一步提高打分模型建立的準確性。

技術領域

本申請涉及計算機技術領域，尤其涉及一種打分模型的建立、用戶信用的評估方法及裝置。

背景技術

傳統技術中，在建立打分模型時，通常是采用邏輯回歸或者評分卡等建模方法來建立的。然而，上述建模方法通常是假設變量之間沒有交互關系的。當變量之間有交互關系時，一般會采用分群建模的方法來建立打分模型。其中，分群建模是指把總體樣本(也稱群)根據某個分群變量的值進行切分，此處的分群變量通常是根據專家經驗或者實驗來選擇的。多次切分后整個群可以切分成很多小群，針對每個小群，再建立相應的打分模型。然而，根據專家經驗選取分群變量的方法通常效率比較低。而根據實驗來選擇分群變量時，通常需要嘗試各種分群可能性進行分群建摸，然后比較效果。變量組合隨著變量增多呈指數增長，變量數量多時很難嘗試所有的可能性。當不能嘗試所有的可能性時，選取的分群變量通常是不準確的，這影響了最終建立的打分模型的準確性。

發明內容

本申請描述了一種打分模型的建立、用戶信用的評估方法及裝置，可以提高建立的打分模型的準確性。

第一方面，提供了一種打分模型的建立方法，包括：

搜集樣本數據集合，所述樣本數據集合包括多個樣本數據，每個樣本數據由至少一個特征變量及對應的特征值構成；

對每個特征變量，獲取所述特征變量與其它特征變量的交互指標；

根據所述交互指標，確定所述特征變量的聚合指標；

根據各個特征變量的聚合指標，從所述至少一個特征變量中選取目標特征變量；

根據所述目標特征變量及對應的特征值，將所述多個樣本數據劃分為多個樣本數據分組；

對每個樣本數據分組，建立相應的子打分模型。

第二方面，提供了一種用戶信用的評估方法，包括：

獲取用戶的信用數據信息；

根據所述信用數據信息，確定目標特征變量以及其它特征變量對應的特征值，其中，所述目標特征變量是根據樣本數據中各個特征變量的聚合指標選取的，所述樣本數據由至少一個特征變量及對應的特征值構成；

根據所述目標特征變量對應的特征值，選擇對應的樣本數據分組；

根據所述樣本數據分組對應的子打分模型以及所述其它特征變量對應的特征值，確定所述用戶的信用分數；

根據所述用戶的信用分數，對所述用戶的信用進行評估。

第三方面，提供了一種打分模型的建立裝置，包括：

搜集單元，用于搜集樣本數據集合，所述樣本數據集合包括多個樣本數據，每個樣本數據由至少一個特征變量及對應的特征值構成；

獲取單元，用于對每個特征變量，獲取所述特征變量與其它特征變量的交互指標；

確定單元，用于根據所述獲取單元獲取的所述交互指標，確定所述特征變量的聚合指標；