[發明專利]信用評價模型的生成方法、裝置及信用評價方法、裝置

在審

• 申請號: 202010096594.6
• 申請日: 2020-02-17
• 公開（公告）號: CN111325620A
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 于皓;張杰;李犇;羅華剛;袁杰;鄧禮志
• 申請（專利權）人: 北京明略軟件系統有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N20/00;G06N3/08
• 代理公司: 北京安信方達知識產權代理有限公司 11262
• 代理人: 王康;龍洪

1.一種信用評價模型的生成方法，其特征在于，包括：

獲取樣本客戶的與目標衍生變量對應的屬性數據以及所述樣本客戶的信用評價；其中，所述樣本客戶為已投放市場的樣本金融產品所面向的客戶；

將所述樣本客戶的與目標衍生變量對應的屬性數據以及所述樣本客戶的信用評價作為訓練樣本集迭代訓練預先構建的機器學習模型，得到用于評價客戶信用的信用評價模型。

2.根據權利要求1所述的方法，其特征在于，所述將樣本客戶的與目標衍生變量對應的屬性數據以及樣本客戶的信用評價作為訓練樣本集迭代訓練預先構建的機器學習模型，得到用于評價客戶信用的信用評價模型，包括：

將所述樣本客戶的與目標衍生變量對應的屬性數據作為輸入，將所述樣本客戶的信用評價作為輸出，根據預先設定的損失函數，利用梯隊下降算法對所述機器學習模型進行迭代訓練、調整所述機器學習模型中目標衍生變量的權重，直到所述損失函數的損失值收斂，得到所述信用評價模型。

3.根據權利要求1所述的方法，其特征在于，所述獲取樣本客戶的與目標衍生變量對應的屬性數據以及樣本客戶的信用評價之前，還包括：

獲取所述樣本客戶的與預設衍生變量對應的屬性數據；

對獲得的屬性數據進行分箱，并基于分箱后的屬性數據計算所述預設衍生變量的信息價值IV值；

獲取所述預設衍生變量中IV值大于預設閾值、線性變化且穩定的衍生變量，作為目標衍生變量。

4.一種信用評價方法，其特征在于，包括：

獲取目標客戶的與目標衍生變量對應的屬性數據；其中，所述目標客戶為待投放市場的目標金融產品所面向的客戶；

將獲得的屬性數據輸入至如權利要求1-3任一項所述的信用評價模型的生成方法生成的信用評價模型中，得到所述目標客戶的信用評價。

5.根據權利要求4所述的方法，所述得到目標客戶的信用評價之后，還包括：

當所述目標金融產品投入市場，獲取所述目標客戶產生的業務數據；

根據獲得的業務數據獲取所述目標客戶的信用評價；

將根據業務數據獲得的目標客戶的信用評價以及所述目標客戶的與目標衍生變量對應的屬性數據作為訓練樣本集迭代訓練所述信用評價模型，得到更新后的信用評價模型。

6.根據權利要求5所述的方法，其特征在于，所述將根據業務數據獲得的目標客戶的信用評價以及目標客戶的與目標衍生變量對應的屬性數據作為訓練樣本集迭代訓練信用評價模型，得到更新后的信用評價模型，包括：

將所述目標客戶的與目標衍生變量對應的屬性數據作為輸入，將所述根據業務數據獲得的目標客戶的信用評價作為輸出，根據預先設定的損失函數，利用反向傳播算法對所述信用評價模型進行迭代訓練、調整所述信用評價模型中目標衍生變量的權重，直到所述損失函數的損失值收斂，得到所述更新后的信用評價模型。

7.根據權利要求5或6所述的方法，其特征在于，所述得到更新后的信用評價模型之后，還包括：

每隔預設時間執行以下操作：

將更新后的信用評價模型作為待更新信用評價模型，并獲取所述目標客戶最新產生的業務數據；

根據所述目標客戶最新產生的業務數據和所述目標客戶的與目標衍生變量對應的屬性數據迭代訓練所述待更新信用評價模型，得到更新后的信用評價模型。

8.一種信用評價模型的生成裝置，其特征在于，包括：

第一獲取模塊，用于獲取樣本客戶的與目標衍生變量對應的屬性數據以及所述樣本客戶的信用評價；其中，所述樣本客戶為已投放市場的樣本金融產品所面向的客戶；

第一處理模塊，用于將所述樣本客戶的與目標衍生變量對應的屬性數據以及所述樣本客戶的信用評價作為訓練樣本集迭代訓練預先構建的機器學習模型，得到用于評價客戶信用的信用評價模型。