1.一种基于拒绝推断方法的模型构建方法，其特征在于，包括：
获取全量样本数据，对接受样本定义正、负样本，以建立训练数据集，所述训练数据集包括用户特征数据和金融表现数据，该金融表现数据包括违约概率和/或逾期概率；
构建初始风险评估模型，使用所述训练数据集训练该初始风险评估模型；
使用训练好的初始风险评估模型，为拒绝样本打分，得到每个拒绝样本的变坏概率；
采用拒绝推断方法，对拒绝样本进行加权扩展，还对所有接受样本进行加权处理；
整合加权处理后的接受样本和拒绝样本，建立新训练数据集；
使用新训练数据集，重新训练所述初始风险评估模型，以得到最终风险评估模型。
2.根据权利要求1所述的模型构建方法，其特征在于，所述采用拒绝推断方法，对拒绝样本进行加权扩展，还对所有接受样本进行加权处理包括：
根据所计算的每个拒绝变坏概率，采用外推法将每一个拒绝样本扩展成一个正样本和一个负样本，为所述一个负样本给定权重系数p，为所述一个正样本给定权重系数1-p，为每一个接受样本给定权重系数1。
3.根据权利要求1所述的模型构建方法，其特征在于，
使用聚类分析方法，将具有标签值的接受样本分为两类，分别计算每一类的中心点；
对每一个拒绝样本，分别计算该拒绝样本到各中心点的欧式距离，并基于所计算的欧式距离进行分类，以确定每一个拒绝样本的标签值。
4.根据权利要求2或3所述的模型构建方法，其特征在于，所述整合加权处理后的接受样本和拒绝样本包括：
将计算加权处理后的接受样本和拒绝样本的总量，并判断正样本与负样本的比例是否在阈值范围内。
5.根据权利要求4所述的模型构建方法，其特征在于，
在判断为不在阈值范围内的情况下，进行过采样或欠采样，以使正样本与负样本的数量相等。
6.根据权利要求4所述的模型构建方法，其特征在于，
使用接受样本和加权处理且打标后的拒绝样本，建立新训练数据集，并使用所述新训练数据集构建最终风险评估模型。
7.根据权利要求6所述的模型构建方法，其特征在于，
获取目标用户的用户特征数据，使用所述最终风险评估模型，计算所述目标用户的风险评估值。
8.一种基于拒绝推断方法的模型构建装置，其特征在于，包括：
数据获取模块，用于获取全量样本数据，对接受样本定义正、负样本，以建立训练数据集，所述训练数据集包括用户特征数据和金融表现数据，该金融表现数据包括违约概率和/或逾期概率；
第一构建模块，用于构建初始风险评估模型，使用所述训练数据集训练该初始风险评估模型；
打分估算模块，用于使用训练好的初始风险评估模型，为拒绝样本打分，得到每个拒绝样本的变坏概率；
第一处理模块，用于采用拒绝推断方法，对拒绝样本进行加权扩展，还对所有接受样本进行加权处理；
第二处理模块，用于整合加权处理后的接受样本和拒绝样本，建立新训练数据集；
第二构建模块，用于使用新训练数据集，重新训练所述初始风险评估模型，以得到最终风险评估模型。
9.一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的基于拒绝推断方法的模型构建方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的基于拒绝推断方法的模型构建方法。