[發(fā)明專利]信用評(píng)分值的確定方法及其裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210017882.7
• 申請(qǐng)日: 2022-01-07
• 公開（公告）號(hào): CN114372871A
• 公開（公告）日: 2022-04-19
• 發(fā)明（設(shè)計(jì)）人: 相妹
• 申請(qǐng)（專利權(quán)）人: 中國工商銀行股份有限公司
• 主分類號(hào): G06Q40/02
• 分類號(hào): G06Q40/02;G06Q10/06;G06N3/08
• 代理公司: 北京康信知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11240
• 代理人: 周春枚

本發(fā)明公開了一種信用評(píng)分值的確定方法及其裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，涉及機(jī)器學(xué)習(xí)領(lǐng)域，其中，該確定方法包括：基于目標(biāo)賬戶的賬戶標(biāo)識(shí)，獲取目標(biāo)賬戶的多個(gè)賬戶特征，得到特征集合，將特征集合輸入至預(yù)先訓(xùn)練的聯(lián)邦學(xué)習(xí)模型，得到每個(gè)賬戶特征的參數(shù)值，對(duì)每個(gè)賬戶特征進(jìn)行權(quán)重編碼，得到賬戶特征所屬的特征分箱的證據(jù)權(quán)重值，基于每個(gè)賬戶特征的參數(shù)值以及賬戶特征所屬的特征分箱的證據(jù)權(quán)重值,確定目標(biāo)賬戶在當(dāng)前評(píng)分機(jī)構(gòu)的信用評(píng)分值。本發(fā)明解決了相關(guān)技術(shù)中通過獲取多個(gè)機(jī)構(gòu)的數(shù)據(jù)來共同訓(xùn)練客戶信用評(píng)分模型，提升評(píng)分準(zhǔn)確率的方式，無法保證客戶數(shù)據(jù)隱私的安全的技術(shù)問題。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)器學(xué)習(xí)領(lǐng)域，具體而言，涉及一種信用評(píng)分值的確定方法及其裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

在金融業(yè)務(wù)場(chǎng)景中，評(píng)分卡是一種以分值的方式來衡量一個(gè)客戶的信用風(fēng)險(xiǎn)大小的手段，為業(yè)務(wù)申請(qǐng)審批提供決策依據(jù)。一般來說，客戶的評(píng)分卡的分?jǐn)?shù)越高，表示該客戶的信用越好，風(fēng)險(xiǎn)也就越小。

相關(guān)技術(shù)中，評(píng)分卡模型通常基于邏輯回歸(Logistic Regression，LR)算法，該算法具備良好的可解釋性和魯棒性，并且易于監(jiān)測(cè)和部署。然而，僅僅采用基于邏輯回歸算法搭建的模型進(jìn)行客戶的信用評(píng)分計(jì)算，其模型準(zhǔn)確率很難提高。在實(shí)際應(yīng)用中，如果想要進(jìn)一步提升模型準(zhǔn)確率，可以采用以下兩種方式實(shí)現(xiàn)：(1)選擇比LR算法更加復(fù)雜的決策樹或者神經(jīng)網(wǎng)絡(luò)等算法，但由于復(fù)雜算法的可解釋性不佳，很難在實(shí)際場(chǎng)景中落地應(yīng)用；(2)通過補(bǔ)充更豐富的數(shù)據(jù)源來訓(xùn)練模型，例如，銀行數(shù)據(jù)、互聯(lián)網(wǎng)類數(shù)據(jù)、運(yùn)營商類數(shù)據(jù)或者政務(wù)類數(shù)據(jù)等共同使用，但是，通過補(bǔ)充數(shù)據(jù)源來提高模型準(zhǔn)確率，需要采用多個(gè)機(jī)構(gòu)的數(shù)據(jù)共同訓(xùn)練，涉及到隱私數(shù)據(jù)安全問題，無法保證客戶數(shù)據(jù)隱私的安全。

針對(duì)上述的問題，目前尚未提出有效的解決方案。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種信用評(píng)分值的確定方法及其裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，以至少解決相關(guān)技術(shù)中通過獲取多個(gè)機(jī)構(gòu)的數(shù)據(jù)來共同訓(xùn)練客戶信用評(píng)分模型，提升評(píng)分準(zhǔn)確率的方式，無法保證客戶數(shù)據(jù)隱私的安全的技術(shù)問題。

根據(jù)本發(fā)明實(shí)施例的一個(gè)方面，提供了一種信用評(píng)分值的確定方法，包括：基于目標(biāo)賬戶的賬戶標(biāo)識(shí)，獲取所述目標(biāo)賬戶的多個(gè)賬戶特征，得到特征集合，其中，每個(gè)所述賬戶特征對(duì)應(yīng)一個(gè)特征值，對(duì)多個(gè)所述特征值進(jìn)行分箱處理，得到多個(gè)特征分箱；將所述特征集合輸入至預(yù)先訓(xùn)練的聯(lián)邦學(xué)習(xí)模型，得到每個(gè)所述賬戶特征的參數(shù)值；對(duì)每個(gè)所述賬戶特征進(jìn)行權(quán)重編碼，得到所述賬戶特征所屬的特征分箱的證據(jù)權(quán)重值；基于每個(gè)所述賬戶特征的參數(shù)值以及所述賬戶特征所屬的特征分箱的證據(jù)權(quán)重值,確定所述目標(biāo)賬戶在當(dāng)前評(píng)分機(jī)構(gòu)的信用評(píng)分值。

可選地，在基于目標(biāo)賬戶的賬戶標(biāo)識(shí)，獲取所述目標(biāo)賬戶的多個(gè)賬戶特征之前，所述確定方法包括：獲取多個(gè)評(píng)分機(jī)構(gòu)的樣本數(shù)據(jù)集，其中，每個(gè)所述樣本數(shù)據(jù)集至少包括：賬戶特征，至少一個(gè)樣本數(shù)據(jù)集還包括：樣本標(biāo)簽；對(duì)所述樣本數(shù)據(jù)集進(jìn)行預(yù)處理，并將預(yù)處理后的所述樣本數(shù)據(jù)集中的賬戶特征進(jìn)行分箱處理，得到多個(gè)特征分箱；基于所述多個(gè)特征分箱，計(jì)算每個(gè)所述特征分箱的證據(jù)權(quán)重值WOE，并基于所述證據(jù)權(quán)重值，計(jì)算每個(gè)所述賬戶特征的信息值IV；基于所述信息值，篩選大于等于預(yù)設(shè)價(jià)值閾值的信息值所對(duì)應(yīng)的賬戶特征，得到篩選出的賬戶特征集合；基于預(yù)設(shè)邏輯回歸模型，擬合所述賬戶特征集合中每個(gè)賬戶特征的特征參數(shù)，以完成對(duì)所述聯(lián)邦學(xué)習(xí)模型的訓(xùn)練任務(wù)。

可選地，在所述樣本數(shù)據(jù)集包括樣本標(biāo)簽的情況下，將預(yù)處理后的所述樣本數(shù)據(jù)集中的賬戶特征進(jìn)行分箱處理，得到多個(gè)特征分箱的步驟，包括：獲取每個(gè)所述賬戶特征的特征值，并對(duì)所述特征值進(jìn)行排序處理，得到排序結(jié)果；基于預(yù)設(shè)分箱策略，對(duì)所述排序結(jié)果中所述特征值進(jìn)行分箱處理，得到多個(gè)特征分箱。

可選地，在將預(yù)處理后的所述樣本數(shù)據(jù)集中的賬戶特征進(jìn)行分箱處理，得到多個(gè)特征分箱之后，所述確定方法還包括：計(jì)算每兩個(gè)相鄰的特征分箱的卡方值；將最小卡方值所指示的相鄰特征分箱合并為一個(gè)特征分箱；返回計(jì)算每兩個(gè)相鄰的特征分箱的卡方值的步驟，直至所述卡方值大于預(yù)設(shè)閾值或者分箱數(shù)量等于分析數(shù)量閾值。