用户金融风险识别模型生成方法、装置及电子设备与流程

本公开涉及计算机信息处理领域，具体而言，涉及一种用户金融风险识别模型生成方法、装置、电子设备及计算机可读介质。

背景技术：

对于机器学习模型的一般应用来说，用户首先确定某一个类别或者算法的机器学习模型，然后根据用户想解决的特定问题，用户输入特定的数据，机器学习模型建立特定的任务，然后通过特定的数据来对机器学习进行训练，在训练结束后，得到适用于某一个特定任务的机器学习模型。通常情况下，即使用同一个机器学习模型的算法，但是用不同的数据训练得到的机器学习模型是完全不同的。通常情况下机器学习模型需要对正样本和负样本进行学习，正样本是正确分类出的类别所对应的样本，负样本原则上可以选取任何不是正确类别的其他样本。但是对于金融领域的模型而言，特别是对于评价用户行为的用户金融风险类的机器模型而言，常常出现正样本数量远远小于负样本的数量的情况(例如1:99)，正负样本的数量极不平衡。

在现有技术中，训练机器学习模型时候，一般遇到此情况可以通过降采样或过采样的数据处理手段，人为调整正负样本比例，但是存在降采样会导致信息丢失、过采样会增加无用信息等弊端。而如果直接用原始比例样本进行训练，二分类模型会将数量较少的正样本当做噪音处理，从而生成的模型效果较差。

因此，需要一种新的用户金融风险识别模型生成方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

有鉴于此，本公开提供一种用户金融风险识别模型生成方法、装置、电子设备及计算机可读介质，能够适应于样本数量不均衡的时候的机器学习模型训练过程，还能够利用不均衡的样本数据生成准确高效的用户金融风险识别模型。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种用户金融风险识别模型生成方法，该方法包括：获取多个历史用户的金融数据，所述金融数据中包括违约状态；根据所述违约状态由所述多个历史用户中筛选出多个正样本用户；通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组；求取所述超球体方程以获取其最优解；以及基于所述最优解生成用户金融风险识别模型，所述用户金融风险识别模型用于确定用户的金融违约风险概率。

可选地，通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组包括：通过所述多个正样本用户的金融数据和预设的多维度特征向量基准值生成所述多个正样本用户的多维度金融数据特征值；基于所述多个正样本用户的多维度金融数据特征值与所述初始超球体方程生成所述超球体方程组。

可选地，通过所述多个正样本用户的金融数据和预设的多维度特征向量基准值生成所述多个正样本用户的多维度金融数据特征值包括：将所述多个正样本用户的金融数据按照预设的维度进行分类，生成多个多维度金融数据；以及将所述多个多维度金融数据和预设的多维度特征向量基准值进行比对以生成所述多个正样本用户的多维度金融数据特征值。

可选地，还包括：确定所述历史用户的金融数据的特征维度；以及基于所述特征维度与所述维度对应的多个历史用户的金融数据的数值确定所述多维度特征向量基准值。

可选地，基于所述多个正样本用户的多维度金融数据特征值与所述初始超球体方程生成所述超球体方程组包括：基于所述多个正样本用户的多维度金融数据特征值在多维度坐标系中确定其对应的多个位置坐标；以及将所述多个位置坐标分别代入所述初始超球体方程以生成所述超球体方程组。

可选地，求取所述超球体方程以获取其最优解包括：确定目标松弛变量阈值和优化目标；以及基于所述目标松弛变量阈值、所述优化目标通过优化算法求解所述初始超球体方程，获取所述初始超球体方程的最优解；其中，优化目标为所有正样本用户均在超球体内。

可选地，基于所述最优解生成用户金融风险识别模型包括：基于所述最优解生成目标超球体方程；以及基于所述目标超球体方程生成所述用户金融风险识别模型。

可选地，还包括：将当前用户的金融数据输入所述金融风险识别模型的目标超球体方程中；获取当前用户与所述目标超球体方程的球心距离；以及根据所述球心距离确定所述用户的金融违约风险概率。

可选地，获取当前用户与所述目标超球体方程的球心距离包括：采用拉格朗日对偶方法求解所述目标超球体方程以获取所述用户的球心距离。

可选地，根据所述球心距离确定所述用户的金融违约风险概率包括：在所述球心距离大于目标超球体半径时，确定所述用户为违约低风险用户；以及在所述球心距离小于等于目标超球体半径时，确定所述用户为违约高风险用户。

根据本公开的一方面，提出一种用户金融风险识别模型生成装置，该装置包括：数据模块，用于获取多个历史用户的金融数据，所述金融数据中包括违约状态；筛选模块，用于根据所述违约状态由所述多个历史用户中筛选出多个正样本用户；方程模块，用于通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组；求解模块，用于求取所述超球体方程以获取其最优解；以及模型模块，用于基于所述最优解生成用户金融风险识别模型，所述用户金融风险识别模型用于确定用户的金融违约风险概率。

可选地，所述方程模块包括：特征单元，用于通过所述多个正样本用户的金融数据和预设的多维度特征向量基准值生成所述多个正样本用户的多维度金融数据特征值；方程组单元，用于基于所述多个正样本用户的多维度金融数据特征值与所述初始超球体方程生成所述超球体方程组。

可选地，所述特征单元包括：分类子单元，用于将所述多个正样本用户的金融数据按照预设的维度进行分类，生成多个多维度金融数据；以及比对子单元，用于将所述多个多维度金融数据和预设的多维度特征向量基准值进行比对以生成所述多个正样本用户的多维度金融数据特征值。

可选地，所述特征单元还包括：维度子单元，用于确定所述历史用户的金融数据的特征维度；以及基准子单元，用于基于所述特征维度与所述维度对应的多个历史用户的金融数据的数值确定所述多维度特征向量基准值。

可选地，所述方程组单元包括：坐标子单元，用于基于所述多个正样本用户的多维度金融数据特征值在多维度坐标系中确定其对应的多个位置坐标；以及代入子单元，用于将所述多个位置坐标分别代入所述初始超球体方程以生成所述超球体方程组。

可选地，所述求解模块包括：参数单元，用于确定目标松弛变量阈值和优化目标；以及计算单元，用于基于所述目标松弛变量阈值、所述优化目标通过优化算法求解所述初始超球体方程，获取所述初始超球体方程的最优解；其中，优化目标为所有正样本用户均在超球体内。

可选地，所述模型模块包括：目标单元，用于基于所述最优解生成目标超球体方程；以及模型单元，用于基于所述目标超球体方程生成所述用户金融风险识别模型。

可选地，还包括：输入模块，用于将当前用户的金融数据输入所述金融风险识别模型的目标超球体方程中；距离模块，用于获取当前用户与所述目标超球体方程的球心距离；以及风险模块，用于根据所述球心距离确定所述用户的金融违约风险概率。

可选地，所述输入模块，还用于采用拉格朗日对偶方法求解所述目标超球体方程以获取所述用户的球心距离。

可选地，所述风险模块，还用于在所述球心距离大于目标超球体半径时，确定所述用户为违约低风险用户；以及在所述球心距离小于等于目标超球体半径时，确定所述用户为违约高风险用户。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的用户金融风险识别模型生成方法、装置、电子设备及计算机可读介质，根据违约状态由所述多个历史用户中筛选出多个正样本用户；通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组；求取所述超球体方程以获取其最优解；以及基于所述最优解生成用户金融风险识别模型，所述用户金融风险识别模型用于确定用户的金融违约风险概率的方式，能够适应于样本数量不均衡的时候的机器学习模型训练过程，还能够利用不均衡的样本数据生成准确高效的用户金融风险识别模型。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据一示例性实施例示出的一种用户金融风险识别模型生成方法的流程图。

图2是根据另一示例性实施例示出的一种用户金融风险识别模型生成方法的流程图。

图3是根据另一示例性实施例示出的一种用户金融风险识别模型生成方法的示意图。

图4是根据另一示例性实施例示出的一种用户金融风险识别模型生成方法的流程图。

图5是根据一示例性实施例示出的一种用户金融风险识别模型生成装置的框图。

图6是根据一示例性实施例示出的一种用户金融风险识别模型生成装置的框图。

图7是根据一示例性实施例示出的一种电子设备的框图。

图8是根据一示例性实施例示出的一种计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

图1是根据一示例性实施例示出的一种用户金融风险识别模型生成方法的流程图。用户金融风险识别模型生成方法10至少包括步骤s102至s108。

如图1所示，在s102中，获取多个历史用户的金融数据，所述金融数据中包括违约状态。其中，历史用户的金融数据可为某金融服务公司的用户金融数据。违约状态可标识用户欠款违约情况，违约状态可包括违约用户和为违约用户。

违约状态还可标识用户其他金融信用的违约情况，比如未按时缴纳某些费用，未按时处理某些罚款单据等等。

在s104中，根据所述违约状态由所述多个历史用户中筛选出多个正样本用户。其中，正样本集合中可包含的是有过违约记录的用户的金融数据。

在s106中，通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组。目前业界常用的异常值检测方法来处理正负样本不均衡现象，解决方案要么是基于统计的，要么是无监督的。基于统计的方法效果一般，而无监督的又没有充分利用正样本标签信息。而oneclasssvm算法作为一种有监督的异常值检测算法，相较于传统异常值处理方式，更加适合上述场景。

在一个实施例中，通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组包括：通过所述多个正样本用户的金融数据和预设的多维度特征向量基准值生成所述多个正样本用户的多维度金融数据特征值；基于所述多个正样本用户的多维度金融数据特征值与所述初始超球体方程生成所述超球体方程组。

其中，超球体，也称超球面，或n维球面，是普通的球面在任意维度的推广。它是(n+1)维空间内的n维流形。特别地，0维球面就是直线上的两个点，1维球面是平面上的圆，2维球面是三维空间内的普通球面。高于2维的球面称为超球体。

更具体的，超球体的参数可定义如下，中心位于原点且半径为单位长度的n维球面称为单位n维球面，记为sn。用符号来表示，就是：

sn＝{x∈irn+1：||x||＝1}；

超球面是n维球体的表面或边界，是n维流形的一种。

对于任何自然数n，半径为r的n维球面定义为(n+1)维欧几里得空间中到某个定点的距离等于常数r的所有点的集合，其中r可以是任何正的实数。它是(n+1)维空间内的n维流形。

“通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组”的详细内容将在图2对应的实施例中进行具体描述。

在s108中，求取所述超球体方程以获取其最优解。包括：确定目标松弛变量阈值和优化目标；以及基于所述目标松弛变量阈值、所述优化目标通过优化算法求解所述初始超球体方程，获取所述初始超球体方程的最优解；其中，优化目标为所有正样本用户均在超球体内。

其中，松弛变量的引入常常是为了便于在更大的可行域内求解。若为0，则收敛到原有状态，若大于零，则约束松弛。

对线性规划问题的研究是基于标准型进行的。因此对于给定的非标准型线性规划问题的数学模型，则需要将其化为标准型。一般地，对于不同形式的线性规划模型，可以采用一些方法将其化为标准型。其中，

当约束条件为“≤”(“≥”)类型的线性规划问题，可在不等式左边加上(或者减去)一个非负的新变量，即可化为等式。这个新增的非负变量称为松弛变量(或剩余变量)，也可统称为松弛变量。在目标函数中一般认为新增的松弛变量的系数为零。

在s110中，基于所述最优解生成用户金融风险识别模型，所述用户金融风险识别模型用于确定用户的金融违约风险概率。包括：基于所述最优解生成目标超球体方程；以及基于所述目标超球体方程生成所述用户金融风险识别模型。

如上文中的超球体公式，可基于所述超球体方程与所述正样本集合中的多个用户的多维度金融数据特征值构建初始超球体方程，确定优化目标，通过松弛变量的阈值不断求解所述超球体方法，直至获得能满足与优化目标的最优解。进而通过所述最优解对应的超球体方程的参数生成所述目标超球体方程。

根据本公开的用户金融风险识别模型生成方法，根据违约状态由所述多个历史用户中筛选出多个正样本用户；通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组；求取所述超球体方程以获取其最优解；以及基于所述最优解生成用户金融风险识别模型，所述用户金融风险识别模型用于确定用户的金融违约风险概率的方式，能够适应于样本数量不均衡的时候的机器学习模型训练过程，还能够利用不均衡的样本数据生成准确高效的用户金融风险识别模型。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图2是根据另一示例性实施例示出的一种用户金融风险识别模型生成方法的流程图。图2所示的流程是对图1所示的流程中s106“通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组”的详细描述.

如图2所示，在s202中，将所述多个正样本用户的金融数据按照预设的维度进行分类，生成多个多维度金融数据。其中，可例如，将用户的金融特征，比如收入，年龄，性别，工作类别等等分别作为一个特征维度。

在s204中，将所述多个多维度金融数据和预设的多维度特征向量基准值进行比对以生成所述多个正样本用户的多维度金融数据特征值。

还包括：确定所述历史用户的金融数据的特征维度；以及基于所述特征维度与所述维度对应的多个历史用户的金融数据的数值确定所述多维度特征向量基准值。

更具体的，可将正样本的用户收入平均值进行比较，通过方差或者标准差等数值确定该维度的金融数据的特征值。

在一个实施例中，对年龄这类的特征可使用one-hot的方式表示，分成0-10，10-20...，>100这几个分段，可为每个分段确定其代表值，可例如0-10的代表值为1,10-20的代表值为2等等。

在一个实施例中，对收入这类的特征，可使用平均值的方法，比如通过大量的正样本集合中的用户金融数据，确定正样本集合中用户收入的平均值。

还可例如，将正样本中的用户年龄与标准年龄范围做对比，以确定年龄维度的特征值。

在s206中，基于所述多个正样本用户的多维度金融数据特征值在多维度坐标系中确定其对应的多个位置坐标。将多维度金融数据特征值在多维度坐标系中进行投影，确定其位置。

在s208中，将所述多个位置坐标分别代入所述初始超球体方程以生成所述超球体方程组。

图3是根据另一示例性实施例示出的一种用户金融风险识别模型生成方法的示意图。

如图3所示，简单地说，可理解为就是寻找一个超平面将样本中的正例圈出来，(目标超球体)，预测就是用这个超平面做决策，在目标超球体内的样本就认为是正样本。

假设产生的超球体参数为中心o和对应的超球体半径r>0，超球体体积v(r)被最小化，中心o是支持行了的线性组合；可以要求所有未分类样本集合中代表用户特征的数据点xi到中心的距离严格小于r。同时构造一个惩罚系数为c的松弛变量ζi,优化问题入下所示：

minv(r)+c∑ζi；

||xi-o||≤r+ζi，i＝1,2,3，…m；

ζi≥0，i＝1,2,3，…m。

采用拉格朗日对偶求解之后，求取z到中心的距离。

基本原理：oneclasssvm方法在训练正样本数据的时候寻找最优超球面，该超球面可以尽量将所有正样包起来，超球面内的是正样本，超球面外的为非正样本。在实际应用的时候，落在该超球面内的则是正样本，落在超球面外的为非正样本。

图4是根据另一示例性实施例示出的一种用户金融风险识别模型生成方法的流程图。图4所示的流程是对用户金融风险识别模型生成方法的更进一步描述。

如图4所示，在s402中，将当前用户的金融数据输入所述金融风险识别模型的目标超球体方程中。可首先将用户的金融数据进行多维度的数据处理，更具体的，可参照预设的用户特征维度，将当前用户的金融数据进行处理，生成当前用户的多维度特征值。

在s404中，获取当前用户与所述目标超球体方程的球心距离。可采用拉格朗日对偶方法求解所述目标超球体方程以获取所述用户的球心距离。其中，拉格朗日对偶方法(是一种寻找变量受一个或多个条件所限制的多元函数的极值的方法。这种方法将一个有n个变量与k个约束条件的最优化问题转换为一个有n+k个变量的方程组的极值问题，其变量不受任何约束。这种方法引入了一种新的标量未知数，即拉格朗日乘数：约束方程的梯度(gradient)的线性组合里每个向量的系数。此方法的证明牵涉到偏微分，全微分或链法，从而找到能让设出的隐函数的微分为零的未知数的值。

更具体的，求用户多维度特征值f(x,y,z)在超球体φ(x,y,z)＝0下的球心距离，具体过程可如下：

1.做拉格朗日函数l＝f(x,y,z)+λφ(x,y,z),λ称拉格朗日乘数；

2.求l分别对x,y,z,λ求偏导，得方程组,求出驻点p(x,y,z)；

如果这个实际问题的最大或最小值存在，一般说来驻点只有一个，于是最值可求。

用户多维度特征值f(x,y,z)的球心距离即为上述公式的最小值，通过拉格朗日可快速的求取此值。

在s406中，在所述球心距离大于目标超球体半径时，确定所述用户为违约低风险用户。

在s408中，在所述球心距离小于等于目标超球体半径时，确定所述用户为违约高风险用户。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由cpu执行的计算机程序。在该计算机程序被cpu执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图5是根据一示例性实施例示出的一种用户金融风险识别模型生成装置的框图。如图5所示，用户金融风险识别模型生成装置50包括：数据模块502，筛选模块504，方程模块506，求解模块508，以及模型模块510。

数据模块502用于获取多个历史用户的金融数据，所述金融数据中包括违约状态；

筛选模块504用于根据所述违约状态由所述多个历史用户中筛选出多个正样本用户；

方程模块506用于通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组；

所述方程模块506包括：特征单元，用于通过所述多个正样本用户的金融数据和预设的多维度特征向量基准值生成所述多个正样本用户的多维度金融数据特征值；所述特征单元包括：分类子单元，用于将所述多个正样本用户的金融数据按照预设的维度进行分类，生成多个多维度金融数据；以及比对子单元，用于将所述多个多维度金融数据和预设的多维度特征向量基准值进行比对以生成所述多个正样本用户的多维度金融数据特征值。

所述特征单元还包括：维度子单元，用于确定所述历史用户的金融数据的特征维度；以及基准子单元，用于基于所述特征维度与所述维度对应的多个历史用户的金融数据的数值确定所述多维度特征向量基准值。方程组单元，用于基于所述多个正样本用户的多维度金融数据特征值与所述初始超球体方程生成所述超球体方程组。

所述方程组单元包括：坐标子单元，用于基于所述多个正样本用户的多维度金融数据特征值在多维度坐标系中确定其对应的多个位置坐标；以及代入子单元，用于将所述多个位置坐标分别代入所述初始超球体方程以生成所述超球体方程组。

求解模块508用于求取所述超球体方程以获取其最优解；所述求解模块508包括：参数单元，用于确定目标松弛变量阈值和优化目标；以及计算单元，用于基于所述目标松弛变量阈值、所述优化目标通过优化算法求解所述初始超球体方程，获取所述初始超球体方程的最优解；其中，优化目标为所有正样本用户均在超球体内。

模型模块510用于基于所述最优解生成用户金融风险识别模型，所述用户金融风险识别模型用于确定用户的金融违约风险概率。

所述模型模块510包括：目标单元，用于基于所述最优解生成目标超球体方程；以及模型单元，用于基于所述目标超球体方程生成所述用户金融风险识别模型。

图6是根据另一示例性实施例示出的一种用户金融风险识别模型生成装置的框图。如图6所示，用户金融风险识别模型生成装置60在用户金融风险识别模型生成装置50还包括：输入模块602，距离模块604，以及风险模块606。

输入模块602用于将当前用户的金融数据输入所述金融风险识别模型的目标超球体方程中；所述输入模块602还用于采用拉格朗日对偶方法求解所述目标超球体方程以获取所述用户的球心距离。

距离模块604用于获取当前用户与所述目标超球体方程的球心距离；以及

风险模块606用于根据所述球心距离确定所述用户的金融违约风险概率。所述风险模块606还用于在所述球心距离大于目标超球体半径时，确定所述用户为违约低风险用户；以及在所述球心距离小于等于目标超球体半径时，确定所述用户为违约高风险用户。

根据本公开的用户金融风险识别模型生成装置，根据违约状态由所述多个历史用户中筛选出多个正样本用户；通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组；求取所述超球体方程以获取其最优解；以及基于所述最优解生成用户金融风险识别模型，所述用户金融风险识别模型用于确定用户的金融违约风险概率的方式，能够适应于样本数量不均衡的时候的机器学习模型训练过程，还能够利用不均衡的样本数据生成准确高效的用户金融风险识别模型。

图7是根据一示例性实施例示出的一种电子设备的框图。

下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图1，图2，图4中所示的步骤。

所述存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(rom)7203。

所述存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备700也可以与一个或多个外部设备700’(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图8所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。

所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取多个历史用户的金融数据，所述金融数据中包括违约状态；根据所述违约状态由所述多个历史用户中筛选出多个正样本用户；通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组；求取所述超球体方程以获取其最优解；以及基于所述最优解生成用户金融风险识别模型，所述用户金融风险识别模型用于确定用户的金融违约风险概率。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。