[發明專利]基于多維特征的評分方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202011500910.8
• 申請日: 2020-12-18
• 公開（公告）號: CN112529319A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 王雅婷
• 申請（專利權）人: 平安銀行股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q40/02;G06K9/62
• 代理公司: 北京英特普羅知識產權代理有限公司 11015
• 代理人: 程超

1.一種基于多維特征的評分方法，其特征在于，包括：

獲取歷史客戶的數據集，其中，所述數據集包括每個歷史客戶的基礎屬性和特征屬性；

根據所述數據集中基礎屬性的類別將所述歷史客戶劃分為多個客戶集合；

采用初始XGBoost模型樹對各個所述客戶集合中客戶的特征屬性進行分析，獲取目標特征屬性；

根據所述目標特征屬性構建XGBoost模型樹；

將所述數據集輸入所述XGBoost模型樹中進行計算，采用等頻分箱的方式對計算結果進行分析以確定貶損閾值；

接收目標客戶的數據信息，提取所述數據信息的目標特征屬性，采用所述XGBoost模型樹根據所述數據信息中的基礎屬性和目標特征屬性進行處理，以獲取所述目標客戶的貶損概率值，將所述貶損概率值與所述貶損閾值進行比較，根據所述比較結果確定所述目標客戶的評分信息。

2.根據權利要求1所述的基于多維特征的評分方法，其特征在于，獲取歷史客戶的數據集之前，包括：

獲取所述歷史客戶的數據信息，所述數據信息包括基礎屬性和初始特征屬性；

依據所述歷史客戶的信用卡的使用階段及特征屬性，從所述初始特征屬性中提取與所述特征屬性對應的所述初始特征屬性作為特征屬性，所有所述歷史客戶的所述基礎屬性和特征屬性構成所述數據集。

3.根據權利要求1所述的基于多維特征的評分方法，其特征在于，采用初始XGBoost模型樹對各個所述客戶集合中客戶的特征屬性進行分析，獲取目標特征屬性，包括：

采用初始XGBoost模型樹對各個所述客戶集合中客戶的特征屬性進行增益值計算，獲取各個所述特征屬性的增益值；

將符合預設條件的增益值對應的特征屬性作為目標特征屬性。

4.根據權利要求3所述的基于多維特征的評分方法，其特征在于，所述預設條件為將增益值由大至小進行排序，將位于排序前N位的特征屬性作為目標特征屬性，其中，N為大于或等于2的正整數；或

所述預設條件為將大于增益閾值的所述增益值對應的特征屬性作為目標特征屬性。

5.根據權利要求1所述的基于多維特征的評分方法，其特征在于，根據所述目標特征屬性構建XGBoost模型樹，包括：

將所述目標特征屬性輸入所述初始XGBoost模型樹進行訓練獲取所述XGBoost模型樹。

6.根據權利要求1所述的基于多維特征的評分方法，其特征在于，將所述數據集輸入所述XGBoost模型樹中進行計算，采用等頻分箱的方式對計算結果進行分析以確定貶損閾值，包括：

將所述數據集輸入所述XGBoost模型樹，計算每個歷史客戶的貶損概率值；

采用等頻分箱的方式對所有的所述歷史客戶的貶損概率值進行劃分，計算每一箱的平均貶損值，將所述平均貶損值與相應的實際貶損值進行比較，選擇與所述實際貶損值的差值最小的所述平均貶損值作為所述貶損閾值。

7.一種基于多維特征的評分裝置，其特征在于，包括：

獲取單元，用于獲取歷史客戶的數據集，其中，所述數據集包括每個歷史客戶的基礎屬性和特征屬性；

劃分單元，用于根據所述數據集中基礎屬性的類別將所述歷史客戶劃分為多個客戶集合；

分析單元，用于采用初始XGBoost模型樹對各個所述客戶集合中客戶的特征屬性進行分析，獲取目標特征屬性；

構建單元，用于根據所述目標特征屬性構建XGBoost模型樹；

處理單元，用于將所述數據集輸入所述XGBoost模型樹中進行計算，采用等頻分箱的方式對計算結果進行分析以確定貶損閾值；

評分單元，用于接收目標客戶的數據信息，提取所述數據信息的目標特征屬性，采用所述XGBoost模型樹根據所述數據信息中的基礎屬性和目標特征屬性進行處理，以獲取所述目標客戶的貶損概率值，將所述貶損概率值與所述貶損閾值進行比較，根據所述比較結果確定所述目標客戶的評分信息。