一種用戶信用自動評級方法、裝置、電子設(shè)備及介質(zhì)制造方法及圖紙

本發(fā)明專利技術(shù)提供一種用戶信用自動評級方法、裝置、電子設(shè)備及介質(zhì)，屬于信貸技術(shù)領(lǐng)域，該方法包括獲取用戶的基本身份信息及授權(quán)信息；基于基本身份信息及授權(quán)信息，確定用戶的信貸信息；其中，信貸信息包括基礎(chǔ)信貸申請信息、行為表現(xiàn)信息和金融產(chǎn)品相關(guān)信息；提取信貸信息中的N個原始特征，對N個原始特征采用K

【技術(shù)實現(xiàn)步驟摘要】
一種用戶信用自動評級方法、裝置、電子設(shè)備及介質(zhì)
[0001]本申請是名為《信貸風(fēng)險自動評估方法和裝置》的專利申請的分案申請，原申請的申請日為2020年05月29日，申請?zhí)枮?02010474118.3。


[0002]本專利技術(shù)涉及信貸
，尤其涉及一種用戶信用自動評級方法、裝置、電子設(shè)備及介質(zhì)。

技術(shù)介紹

[0003]傳統(tǒng)信貸審批嚴(yán)重依賴于人工審核，一方面銀行等出借方要耗費大量的人力物力進行資料審查、電調(diào)走訪等，成本極高，另一方面?zhèn)€人用戶/法人用戶等借貸方從提交信貸申請到獲得審批結(jié)果往往要耗費數(shù)周，體驗極差。現(xiàn)代審批的過程需要對用戶的信用進行評估，而目前一般通過人工根據(jù)用戶的基礎(chǔ)屬性數(shù)據(jù)、歷史信貸行為數(shù)據(jù)、社交行為數(shù)據(jù)、消費行為數(shù)據(jù)、出行數(shù)據(jù)、運營商數(shù)據(jù)等等大致判斷用戶的信用，準(zhǔn)確度不夠，且效率極低。
[0004]因此，如何提高用戶信用評估的準(zhǔn)確度及效率，仍然是本領(lǐng)域技術(shù)人員亟待解決的問題。

技術(shù)實現(xiàn)思路

[0005]本專利技術(shù)實施例提供一種用戶信用自動評級方法、裝置、電子設(shè)備及介質(zhì)，用以解決現(xiàn)有的信用評估方法的準(zhǔn)確度和效率低的問題。
[0006]第一方面，本專利技術(shù)實施例提供一種用戶信用自動評級，包括：
[0007]獲取用戶的基本身份信息及授權(quán)信息；
[0008]基于所述基本身份信息及所述授權(quán)信息，確定用戶的信貸信息；所述信貸信息包括基礎(chǔ)信貸申請信息、行為表現(xiàn)信息和金融產(chǎn)品相關(guān)信息；
[0009]提取所述信貸信息中的N個原始特征；其中，N為正整數(shù)；
[0010]采用K
?
S值最大的分箱算法對N個原始特征進行分箱處理，得到分箱結(jié)果特征；
[0011]采用交叉特征衍生算法對所述分箱結(jié)果特征進行交叉衍生處理，得到衍生出的交叉特征；
[0012]將所述交叉特征、所述分箱結(jié)果特征和N個原始特征結(jié)合，并剔除無效特征，得到重要特征；
[0013]將所述重要特征輸入預(yù)設(shè)的信用評分等級模型，得到所述用戶的信用等級。
[0014]優(yōu)選地，該方法中，采用以下公式對N個原始特征進行分箱處理：
[0015][0016]其中，{f1,f2,f3,...,f
i
,...,f
N
}為N個原始特征的集合，f
i
為N個原始特征中的第i個原始特征，0＜i≤N，為分箱結(jié)果特征的集合，為對應(yīng)于原始特征f
i
的分箱結(jié)果，F(xiàn)
cut_bin
為K
?
S值最大的分箱算法。
[0017]優(yōu)選地，該方法中，采用以下公式對所述分箱結(jié)果特征進行交叉衍生處理：
[0018][0019]其中，為分箱結(jié)果特征的集合，為衍生出的交叉特征的集合，T為正整數(shù)，P
gen
為交叉特征衍生算法。
[0020]優(yōu)選地，該方法中，將所述交叉特征、所述分箱結(jié)果特征和N個原始特征進行結(jié)合，并剔除無效特征，得到重要特征，具體包括：
[0021]將所述交叉特征、所述分箱結(jié)果特征和N個原始特征進行結(jié)合，得到結(jié)合后特征；
[0022]采用卡方驗證算法、信息增益算法、IV值算法、梯度提升樹算法、特征PSI指數(shù)算法、特征方差值算法、皮爾遜相關(guān)系數(shù)算法和最大信息系數(shù)算法中的任一種算法或者任意種算法的組合對所述結(jié)合后特征的重要性進行評估，得到重要性評估結(jié)果；
[0023]基于所述重要性評估結(jié)果，剔除無效特征，得到重要特征。
[0024]優(yōu)選地，該方法中，所述信用評分等級模型為基于LightGBM算法的分析模型；
[0025]將所述重要特征輸入預(yù)設(shè)的信用評分等級模型，得到所述用戶的信用等級，具體包括：
[0026]將所述重要特征輸入基于LightGBM算法的分析模型，輸出所述用戶為易貸后逾期違約的概率p以及所述用戶為不易貸后逾期違約的概率1
?
p；其中，基于LightGBM算法的分析模型是預(yù)先基于10折交叉驗證方法進行訓(xùn)練得到的，訓(xùn)練完成后得到10個基本分析模型組成基于LightGBM算法的分析模型，概率p是10個基本分析模型輸出的10個基本用戶為易貸后逾期違約的概率的平均值；
[0027]采用公式Odds＝p/(1
?
p)確定貸后逾期違約比例指數(shù)Odds；
[0028]基于預(yù)設(shè)特定貸后逾期違約比例指數(shù)、對應(yīng)預(yù)設(shè)特定貸后逾期違約比例指數(shù)的信用評分?jǐn)?shù)值以及預(yù)設(shè)特定貸后逾期違約比例指數(shù)翻番對應(yīng)的信用評分降低數(shù)值，確定補償常數(shù)及刻度常數(shù)；
[0029]根據(jù)所述補償常數(shù)、所述刻度常數(shù)及所述貸后逾期違約比例指數(shù)，采用公式Score＝A
?
Blog(Odds)確定所述用戶的信用評分Score；其中，A為補償常數(shù)，B為刻度常數(shù)；
[0030]基于所述用戶的信用評分以及信用等級對應(yīng)評分的劃分區(qū)間，確定所述用戶的信用等級。
[0031]優(yōu)選地，該方法中，采用以下公式確定補償常數(shù)和刻度常數(shù)：
[0032][0033]A＝P0+Blog(θ0)；
[0034]其中，θ0為預(yù)設(shè)特定貸后逾期違約比例指數(shù)，P
d
為θ0翻番對應(yīng)的信用評分降低數(shù)值，P0為對應(yīng)于θ0的信用評分?jǐn)?shù)值。
[0035]優(yōu)選地，該方法中，所述信用等級包括第一風(fēng)險等級、第二風(fēng)險等級、第三風(fēng)險等級、第四風(fēng)險等級及第五風(fēng)險等級；
[0036]第一風(fēng)險等級對應(yīng)的信用評分的區(qū)間為[0,430)；
[0037]第二風(fēng)險等級對應(yīng)的信用評分的區(qū)間為[430,630)；
[0038]第三風(fēng)險等級對應(yīng)的信用評分的區(qū)間為[630,690)；
[0039]第四風(fēng)險等級對應(yīng)的信用評分的區(qū)間為[690,710)；
[0040]第五風(fēng)險等級對應(yīng)的信用評分的區(qū)間為[710,∞)。
[0041]第二方面，本專利技術(shù)實施例提供一種用戶信用自動評級裝置，包括：
[0042]獲取單元，用于獲取用戶的基本身份信息及授權(quán)信息，并基于基本身份信息及所述授權(quán)信息，確定用戶的信貸信息；所述信貸信息包括基礎(chǔ)信貸申請信息、行為表現(xiàn)信息和金融產(chǎn)品相關(guān)信息；
[0043]特征單元，用于提取所述信貸信息中的N個原始特征，采用K
?
S值最大的分箱算法對N個原始特征進行分箱處理，得到分箱結(jié)果特征；其中，N為正整數(shù)；
[0044]衍生單元，用于采用交叉特征衍生算法對所述分箱結(jié)果特征進行交叉衍生處理，得到衍生出的交叉特征；
[0045]結(jié)合單元，用于將所述交叉特征、所述分箱結(jié)果特征和N個原始特征進行結(jié)合，并剔除無效特征，得到重要特征；
[0046]評級單元，用于將所述重要特征輸入預(yù)設(shè)的信用評分等級模型，得到所述用戶的信用等級。
[0047]第三方面，本專利技術(shù)實施例提供一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如第一方面所提供的用戶信用自動評級方法的步驟本文檔來自技高網(wǎng)...

【技術(shù)保護點】

【技術(shù)特征摘要】
1.一種用戶信用自動評級方法，其特征在于，所述用戶信用自動評級方法包括：獲取用戶的基本身份信息及授權(quán)信息；基于所述基本身份信息及所述授權(quán)信息，確定用戶的信貸信息；所述信貸信息包括基礎(chǔ)信貸申請信息、行為表現(xiàn)信息和金融產(chǎn)品相關(guān)信息；提取所述信貸信息中的N個原始特征；其中，N為正整數(shù)；采用K
?
S值最大的分箱算法對N個原始特征進行分箱處理，得到分箱結(jié)果特征；采用交叉特征衍生算法對所述分箱結(jié)果特征進行交叉衍生處理，得到衍生出的交叉特征；將所述交叉特征、所述分箱結(jié)果特征和N個原始特征結(jié)合，并剔除無效特征，得到重要特征；將所述重要特征輸入預(yù)設(shè)的信用評分等級模型，得到所述用戶的信用等級。2.根據(jù)權(quán)利要求1所述的用戶信用自動評級方法，其特征在于，采用以下公式對N個原始特征進行分箱處理：其中，{f1,f2,f3,...,f
i
,...,f
N
}為N個原始特征的集合，f
i
為N個原始特征中的第i個原始特征，0＜i≤N，為分箱結(jié)果特征的集合，為對應(yīng)于原始特征f
i
的分箱結(jié)果，F(xiàn)
cut_bin
為K
?
S值最大的分箱算法。3.根據(jù)權(quán)利要求1或2所述的用戶信用自動評級方法，其特征在于，采用以下公式對所述分箱結(jié)果特征進行交叉衍生處理：其中，為分箱結(jié)果特征的集合，為衍生出的交叉特征的集合，T為正整數(shù)，P
gen
為交叉特征衍生算法。4.根據(jù)權(quán)利要求1或2所述的用戶信用自動評級方法，其特征在于，將所述交叉特征、所述分箱結(jié)果特征和N個原始特征結(jié)合，并剔除無效特征，得到重要特征，具體包括：將所述交叉特征、所述分箱結(jié)果特征和N個原始特征進行結(jié)合，得到結(jié)合后特征；采用卡方驗證算法、信息增益算法、IV值算法、梯度提升樹算法、特征PSI指數(shù)算法、特征方差值算法、皮爾遜相關(guān)系數(shù)算法和最大信息系數(shù)算法中的任一種算法或者任意種算法的組合對所述結(jié)合后特征的重要性進行評估，得到重要性評估結(jié)果；基于所述重要性評估結(jié)果，剔除無效特征，得到重要特征。5.根據(jù)權(quán)利要求1或2所述的用戶信用自動評級方法，其特征在于，所述信用評分等級模型為基于LightGBM算法的分析模型；將所述重要特征輸入預(yù)設(shè)的信用評分等級模型，得到所述用戶的信用等級，具體包括：將所述重要特征輸入基于LightGBM算法的分析模型，輸出所述用戶為易貸后逾期違約的概率p以及所述用戶為不易貸后逾期違約的概率1
?
p；其中，基于LightGBM算法的分析模型是預(yù)先基于10折交叉驗證方法進行訓(xùn)練得到的，訓(xùn)練完成后得到10個基本分析模型組成基于LightGBM算法的分析模型，概率p是10個基本分析...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李少帥，張博，張勝慶，曹家楷，張帆，
申請(專利權(quán))人：長安汽車金融有限公司，
類型：發(fā)明
國別省市：