[發明專利]用戶信用風險評估方法及裝置、計算機可讀存儲介質

在審

• 申請號: 201910574796.4
• 申請日: 2019-06-28
• 公開（公告）號: CN110415102A
• 公開（公告）日: 2019-11-05
• 發明（設計）人: 嚴銳;張俊
• 申請（專利權）人: 上海上湖信息技術有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N3/08;G06N3/04
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 周書敏;李笑笑

1.一種用戶信用風險評估方法，其特征在于，包括：

獲取用戶在預設的應用軟件中的操作數據；

將所述用戶的操作數據輸入至信用風險評估模型中進行風險評估，得到所述用戶的逾期概率；

輸出所述用戶的逾期概率。

2.根據權利要求1所述的用戶信用風險評估方法，其特征在于，所述操作數據包括：每項操作的操作內容及對應的操作時間點；將所述用戶的操作數據輸入至信用風險評估模型中進行風險評估，包括：

根據每項操作的操作時間點，將所述用戶的操作數據按照時序進行排列，得到所述用戶的操作行為集合，所述操作行為集合包括每項操作的操作內容及對應的時間點；

將所述用戶的操作行為集合輸入至信用風險評估模型中進行風險評估。

3.根據權利要求2所述的用戶信用風險評估方法，其特征在于，所述操作內容包括以下至少一種：

所述用戶在所述預設的應用軟件中觸發的操作類型、所述用戶在瀏覽頁面的停留時長。

4.根據權利要求1所述的用戶信用風險評估方法，其特征在于，所述獲取用戶在設定的應用軟件中的操作數據，包括：

基于所述用戶在所述應用軟件中的行為埋點數據，獲取所述操作數據。

5.根據權利要求1～4任一項所述的用戶信用風險評估方法，其特征在于，采用如下方式構建所述信用風險評估模型：

獲取訓練樣本中所有用戶的操作數據；

將所述所有用戶的操作數據按照時序進行排序及分類，得到所述所有用戶的操作行為集合；

將所述所有用戶的操作行為集合輸入至時序類深度學習算法中，并基于每個用戶的信用標簽，訓練得到所述信用風險評估模型。

6.根據權利要求5所述的用戶信用風險評估方法，其特征在于，所述時序類深度學習算法包括以下至少一種：

循環神經網絡、長短期記憶網絡。

7.一種用戶信用風險評估裝置，其特征在于，包括：

獲取單元，適于獲取用戶在預設的應用軟件中的操作數據；

評估單元，適于將所述用戶的操作數據輸入至信用風險評估模型中進行風險評估，得到所述用戶的逾期概率；

輸出單元，適于輸出所述用戶的逾期概率。

8.根據權利要求7所述的用戶信用風險評估裝置，其特征在于，所述操作數據包括：每項操作的操作內容及對應的操作時間點；所述評估單元，適于根據每項操作的操作時間點，將所述用戶的操作數據按照時序進行排列，得到所述用戶的操作行為集合，所述操作行為集合包括每項操作的操作內容及對應的時間點；將所述用戶的操作行為集合輸入至信用風險評估模型中進行風險評估。

9.根據權利要求8所述的用戶信用風險評估裝置，其特征在于，所述操作內容包括以下至少一種：所述用戶在所述預設的應用軟件中觸發的操作類型、所述用戶在瀏覽頁面的停留時長。

10.根據權利要求7所述的用戶信用風險評估裝置，其特征在于，所述獲取單元，適于基于所述用戶在所述應用軟件中的行為埋點數據，獲取所述操作數據。

11.根據權利要求7～10任一項所述的用戶信用風險評估裝置，其特征在于，還包括：模型構建單元，適于采用如下方式構建所述信用風險評估模型：獲取訓練樣本中所有用戶的操作數據；將所述所有用戶的操作數據按照時序進行排序及分類，得到所述所有用戶的操作行為集合；將所述所有用戶的操作行為集合輸入至時序類深度學習算法中，并基于每個用戶的信用標簽，訓練得到所述信用風險評估模型。

12.根據權利要求11所述的用戶信用風險評估裝置，其特征在于，所述時序類深度學習算法包括以下至少一種：循環神經網絡、長短期記憶網絡。