[發明專利]用戶信用的評估方法及裝置

在審

• 申請號: 202010547946.5
• 申請日: 2020-06-16
• 公開（公告）號: CN111709833A
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 董亞東
• 申請（專利權）人: 中國銀行股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06K9/62
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 李慧引

1.一種用戶信用的評估方法，其特征在于，包括：

獲取使用不停車收費系統ETC卡扣款失敗的用戶信息；其中，所述用戶信息包括：用戶當前的銀行信用屬性信息以及所述用戶當前的ETC卡信用屬性信息；

將所述用戶當前的銀行信用屬性信息和所述用戶當前的ETC卡信用屬性信息進行預處理，得到所述用戶信息的特征向量；

將所述用戶信息的特征向量輸入至用戶信用的評估模型中，得到所述用戶是否應加入高速通行黑名單的判斷結果；其中，所述用戶信用的評估模型由多個訓練樣本用戶各自對應的銀行信用屬性信息和ETC卡信用屬性信息對K近鄰算法模型進行訓練得到；所述多個訓練樣本用戶包括多個高速通行黑名單樣本用戶和多個高速通行白名單樣本用戶；

若所述用戶信用的評估模型判斷出所述用戶應加入高速通行黑名單，則將所述用戶加入高速通行黑名單。

2.根據權利要求1所述的評估方法，其特征在于，所述用戶信用的評估模型的構建方法，包括：

根據預設的初始樣本參數，建立初始K近鄰算法模型，并將所述初始用戶信用的評估模型確定為當前K近鄰算法模型；

將訓練樣本集中的數據輸入至所述當前K近鄰算法模型中，得到當前用戶的判斷結果參數值；其中，所述訓練樣本集包括多個訓練樣本；所述訓練樣本為用戶各自對應的銀行信用屬性信息和ETC卡信用屬性信息進行預處理后得到的特征向量；所述多個訓練樣本用戶包括多個高速通行黑名單樣本用戶和多個高速通行白名單樣本用戶；

比較所述當前K近鄰算法模型輸出的當前用戶的判斷結果參數值和所述訓練樣本集中對應的真實結果參數值，得到比較結果；

根據所述比較結果，判斷所述當前K近鄰算法模型的預測準確率是否滿足準確率要求；

若判斷出所述當前K近鄰算法模型的準確率不能滿足所述準確率要求，則更新當前K近鄰算法模型中的樣本參數，得到更新后的K近鄰算法模型；

將所述更新后的K近鄰算法模型作為當前K近鄰算法模型，返回執行所述將所述訓練樣本集中的數據輸入至所述當前K近鄰算法模型中，得到當前用戶的判斷結果參數值；

若判斷出所述當前K近鄰算法模型的準確率滿足所述準確率要求，則將所述當前K近鄰算法模型確定為所述用戶信用的評估模型。

3.根據權利要求2所述的評估方法，其特征在于，所述將訓練樣本集中的數據輸入至所述當前K近鄰算法模型中，得到當前用戶的判斷結果參數值，包括：

針對每一個所述訓練樣本中的用戶，將所述訓練樣本中的用戶的銀行信用屬性信息對應特征值和ETC卡信用屬性信息進行預處理后得到的特征向量輸入至K近鄰算法模型的公式中，得到所述訓練樣本用戶的判斷結果參數值；

其中，所述K近鄰算法模型的公式為：

其中，Y為訓練樣本用戶的判斷結果參數值；X為訓練樣本用戶的銀行信用屬性信息對應特征值和ETC卡信用屬性信息進行預處理后得到的特征向量；所述b為樣本參數；所述Cj為特征類型集合；所述di為第i類特征類型的中心向量；函數

函數M為向量的特征維數；是向量d_i的第e維；

若所述判斷結果參數值為0，則得到所述訓練樣本用戶不應加入高速通行黑名單的判斷結果；

若所述判斷結果參數值為1，則得到所述訓練樣本用戶應加入高速通行黑名單的判斷結果。

4.根據權利要求1所述的評估方法，其特征在于，所述獲取使用不停車收費系統ETC卡扣款失敗的用戶信息之前，還包括：

若檢測到用戶的電子不停車收費系統ETC卡扣款失敗，則判斷所述用戶是否已加入高速通行黑名單；

若判斷出所述用戶沒有加入高速通行黑名單，則執行所述獲取使用不停車收費系統ETC卡扣款失敗的用戶信息。

5.根據權利要求1所述的評估方法，其特征在于，所述若所述用戶信用的評估模型判斷出所述用戶應加入高速通行黑名單之后，還包括：

將所述用戶應加入高速通行黑名單的判斷結果發送至所述用戶對應的ETC卡發行公司。