双轨模型的创建、征信方法、装置、设备、介质和产品与流程

1.本公开涉及金融领域，具体地涉及人工智能与大数据技术领域，更具体地涉及一种双轨模型创建、征信方法、装置、设备、介质和产品。


背景技术：

2.随着国家征信系统的逐步完善，越来越多的人纳入到征信系统中，使得二代征信信息在银行信贷风控中愈发重要。相对于一代征信，最新上线的二代征信更完善，其拥有指标更细化，信息更全面，参考时间范围更大的优势。因此，将二代征信引入征信模型十分必要。


技术实现要素：

3.本公开的第一方面提供了一种双轨模型的创建方法，所述双轨模型包括第一模型和第二模型，所述方法包括：获取训练数据并作预处理，分别得到针对所述第一模型的第一模型变量集与针对所述第二模型的第二模型变量集，其中，所述预处理包括数据衍生和数据筛选；筛选所述第二模型变量集中可解释性强的模型变量补充至所述第一模型变量集，以协助所述第一模型变量集找回预处理的数据筛选阶段丢失的模型变量；以及根据所述第二模型变量集训练所述第二模型，根据补充模型变量后的第一模型变量集训练所述第一模型。
4.根据本公开的一些实施例，还包括：获取第一模型评估值与第二模型评估值，以表征目标用户风险区分粒度，其中，所述第一模型评估值用以评估所述第一模型，所述第二模型评估值用以评估所述第二模型；以及将所述第二模型评估值作为所述第一模型评估值的参考上限，以指导所述第一模型完成自身训练的迭代。
5.根据本公开的一些实施例，还包括：检验补充模型变量后的第一模型与所述第二模型的评分在各分数段分布是否一致；当补充模型变量后的第一模型与所述第二模型的评分在各分数段分布一致时，对于低还款风险人群使用迭代后的第一模型进行评分，对于高还款风险人群使用所述第二模型辅助迭代后的第一模型评分。
6.根据本公开的一些实施例，所述数据衍生包括：将所述训练数据在信息维度、时间维度和统计指标三个方面进行衍生，其中，所述信息维度包括不同业务中的基础指标，所述时间维度包括所述基础指标观察范围，所述统计指标包括统计粒度上的规定。
7.根据本公开的一些实施例，所述数据筛选包括：通过单变量分析、双变量分析以及多变量分析三个角度进行数据筛选。
8.本公开第的二方面提供了一种征信方法包括：获取目标用户的征信信息以及第一特色信息，所述第一特色信息包括针对具体业务场景的多个维度指标；判断所述第一特色信息是否满足准入条件；以及当所述第一特色信息满足准入条件时，根据双轨模型通过对所述征信信息打分得到征信评分，其中，所述双轨模型是根据上述第一方面中任一项所述的方法创建的。
9.根据本公开的一些实施例还包括：结合所述征信评分以及所述第一特色信息共同测算风险评分，以筛选出风险评分大于最低风险标准的目标用户；以及对风险评分大于最低风险标准的目标用户进行基础授信额度测算。
10.根据本公开的一些实施例，还包括：还包括：获取第二特色信息，所述第二特色信息包括针对具体业务场景的多个维度系数；以及结合所述第二特色信息与所述征信评分得到调整系数。
11.根据本公开的一些实施例，还包括：根据所述第一特色信息通过已有的营收测算模型测算所述目标用户的还款能力，以获取初始额度，其中，所述对风险评分大于最低风险标准的目标用户进行基础授信额度测算具体包括：通过所述初始额度与所述调整系数计算出所述基础授信额度。
12.本公开的第三方面提供一种双轨模型的创建的装置，所述双轨模型包括第一模型和第二模型，所述装置包括：数据预处理模块：用于获取训练数据并作预处理，分别得到针对所述第一模型的第一模型变量集与针对所述第二模型的第二模型变量集，其中，所述预处理包括数据衍生和数据筛选；模型变量补充模块：用于筛选所述第二模型变量集中可解释性强的模型变量补充至所述第一模型变量集，以协助所述第一模型变量集找回预处理的数据筛选阶段丢失的模型变量；以及训练模块：用于根据所述第二模型变量集训练所述第二模型，根据补充模型变量后的第一模型变量集训练所述第一模型。
13.本公开的第四方面提供了一种征信装置，包括：信息获取模块：用于获取目标用户的征信信息以及第一特色信息，所述第一特色信息包括针对具体业务场景的多个维度指标；预筛选模块：用于判断所述第一特色信息是否满足准入条件；以及实时征信模块：用于当所述第一特色信息满足准入条件时，根据双轨模型通过对所述征信信息打分得到征信评分。
14.根据本公开的一些实施例，还包括：风险评分模块：结合所述征信评分以及所述第一特色信息共同测算风险评分，以筛选出风险评分大于最低风险标准的目标用户；以及额度测算模块：用于对风险评分大于最低风险标准的目标用户进行基础授信额度测算。
15.本公开的第五方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述双轨模型的创建、征信方法。
16.本公开的第六方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述双轨模型的创建、征信方法。
附图说明
17.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
18.图1示意性示出了根据本公开实施例的双轨模型创建、征信方法和装置的应用场景图。
19.图2示意性示出了根据本公开实施例的双轨模型创建方法的流程图。
20.图3示意性示出了根据本公开实施例的双轨模型创建的另一种方法的流程图。
21.图4示意性示出了根据本公开实施例的双轨模型创建的训练数据预处理流程图。
22.图5示意性示出了根据本公开实施例的征信方法的客户准入阶段流程图。
23.图6示意性示出了根据本公开实施例的征信方法的授信测算阶段流程图。
24.图7示意性示出了根据本公开实施例的一种双轨模型创建的装置。
25.图8示意性示出了根据本公开实施例的一种征信装置。
26.图9示意性示出了根据本公开实施例的适于实现基于征信模型的征信方法的电子设备的方框图。
具体实施方式
27.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
28.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
29.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
30.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(根据本公开的实施例，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
31.鉴于现有技术中对模型变量的挖掘能力有所欠缺，在愈发增多的相关征信因素的影响下，现有的征信模型不能满足相关的业务需求。本公开的实施例提供了一种双轨模型的创建、征信方法、装置、设备、介质和产品，以高效准确处理征信业务，降低征信风险。
32.图1示意性示出了根据本公开实施例的双轨模型创建、征信方法和装置的应用场景图。
33.如图1所示，如图1所示，该系统架构100包括终端(图中示出了多个，如终端101、102、103)和服务器(如服务器104)，服务器与应用端之间通信连接。服务器104可以是银行征信平台中执行在线征信的服务器，也可以是独立于银行征信平台的用于执行征信任务的第三方服务器，值得注意的是，其他可进行双轨模型的创建、征信的服务器或处理器均在本技术保护范围之内。
34.服务器104从终端(如终端101、102、103)获取训练数据并作预处理，分别得到针对所述第一模型的第一模型变量集与针对所述第二模型的第二模型变量集，其中，所述预处理包括数据衍生和数据筛选；并在服务器104筛选所述第二模型变量集中可解释性强的模型变量补充至所述第一模型变量集，以协助所述第一模型变量集找回预处理的数据筛选阶段丢失的模型变量；以及根据所述第二模型变量集训练所述第二模型，根据补充模型变量后的第一模型变量集训练所述第一模型。
35.服务器104获取来自征信请求对象的终端(如终端101、102、103)的获取目标用户的征信信息以及第一特色信息，然后，服务器104判断所述第一特色信息是否满足准入条件，当所述第一特色信息满足准入条件时，根据双轨模型通过对所述征信信息打分得到征信评分。服务器104结合所述征信评分以及所述第一特色信息共同测算风险评分，以筛选出风险评分大于最低风险标准的目标用户；以及服务器104对风险评分大于最低风险标准的目标用户进行基础授信额度测算。
36.需要说明的是，本公开实施例的双轨模型创建、征信方法、装置、设备、介质和产品可用于金融领域，也可用于除金融领域之外的任意领域。以下将结合附图和具体实施例详细阐述本公开。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
37.在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
38.以下将基于图1描述的场景，通过图2～图6对公开实施例双轨模型创建、征信方法进行详细描述。
39.图2示意性示出了根据本公开实施例的双轨模型创建方法的流程图。
40.如图2所示，该方法包括操作s210～操作s230。
41.在操作s210中，获取训练数据并作预处理，分别得到针对所述第一模型的第一模型变量集与针对所述第二模型的第二模型变量集，其中，所述预处理包括数据衍生和数据筛选；
42.在操作s220中，筛选所述第二模型变量集中可解释性强的模型变量补充至所述第一模型变量集，以协助所述第一模型变量集找回预处理的数据筛选阶段丢失的模型变量；以及
43.在操作s230中，根据所述第二模型变量集训练所述第二模型，根据补充模型变量后的第一模型变量集训练所述第一模型。
44.根据本公开的实施例，训练数据包括：贷款、信用卡等基本的征信信息，上述训练数据相较于一代征信模型所使用的训练数据，其信息更新模式、细化指标以及数据量都进行了改变。例如：为避免在夫妻双方均负债的情况下通过假离婚进行贷款买房后再结婚这样的欺诈行为；信息更新采用“t+1”模式的同时还加入分期时间与分期金额等细化指标。所以本实施例在对训练数据作预处理时考虑基于历史风险表现、当前融资情况、借贷行为、历史借贷表现的四大类作为征信模型的入模指标。以此对训练数据进行相关性分析，寻找相关模型变量。
45.根据本公开的实施例，第一模型可采用逻辑回归模型，第二模型可采用机器学习模型中的xgboost模型。
46.逻辑回归模型存在易于实现、稳定性好、模型变量解释性好以及容易拓展等优点，被广泛应用于金融预测领域。同时其也存在仅依靠人为业务经验筛选的模型变量虽然可解释性好，有利于对模型变量进行调整，但数据挖掘深度较差的特点。
47.而xgboost模型属于boost算法，其根本思想在于通过多个简单的弱分类器，构建出准确率很高的强分类器。也就是说每一步都将产生一个弱预测模型，然后加权累加到总模型中。由此可知xgboost模型相较于逻辑回归模型具有数据挖掘有深度与考察大量数据
的特点，所以对xgboost模型进行训练的第二模型变量集中的模型变量的数量远远大于对逻辑回归模型进行训练的第一模型变量集的模型变量的数量。
48.根据本公开的实施例，虽然逻辑回归模型相较于xgboost模型有一定劣势，但在金融预测领域中首要保证的是模型的稳定性，而逻辑回归模型相较于xgboost模型也存在稳定性强与可解释性强的优点，所以在实际进行预测时以逻辑回归模型作为主模型，进而选取第二模型变量集中的某些可解释性强的模型变量添加至第一模型变量集进行第一模型变量集的迭代优化以完成对逻辑回归模型的训练。
49.图3示意性示出了根据本公开实施例的双轨模型创建的另一种方法的流程图。
50.如图3所示，该双轨模型创建的方法除了可以包括上文参考图2所对应的实施例中描述的操作s210～s230之外，在根据所述第二模型变量集训练所述第二模型，根据补充模型变量后的第一模型变量集训练所述第一模型之后，还包括操作s311～s311以及操作s321～s322，在为了描述的简洁起见，这里省略对操作s210～s240的描述。如图3所示，其中：
51.在操作s311中，获取第一模型评估值与第二模型评估值，以表征目标用户风险区分粒度，其中，所述第一模型评估值用以评估所述第一模型，所述第二模型评估值用以评估所述第二模型；以及
52.在操作s312中，将所述第二模型评估值作为所述第一模型评估值的参考上限，以指导所述第一模型完成自身训练的迭代。
53.根据本公开的实施例，采用ks(kolmogorov
‑
smirnov)值作为模型评估值，第一模型评估值为逻辑回归模型的ks值，第二模型评估值为xgboost模型的ks值。ks值用以模型风险区分能力的评估，ks值衡量的好坏模型变量累计分部之间的差值。好坏模型变量累计差异越大，ks值越大，那么模型的风险区分能力越强。进而用以区分目标用户风险分布情况并进行打分，对齐上述两模型对同一目标群体风险的评分分布情况。当然，模型评估值还可包括roc值、auc值、lift值等，在此不一一举例。
54.由上述的xgboost模型与逻辑回归模型对比可知，xgboost模型的第二模型变量集中的模型变量更丰富，进而xgboost模型对于风险区分的能力也就越强，从而导致xgboost模型的ks值高于未添加第二模型变量集中模型变量的逻辑回归模型的ks值。
55.根据本公开的实施例，以xgboost模型的ks值作为迭代过程中的逻辑回归模型ks值的上限值用以指导逻辑回归模型进行自我迭代，增加逻辑回归模型这一主预测模型对风险的区分度。
56.优选地，当xgboost模型的ks值小于逻辑回归模型的ks值时，则表明xgboost模型的模型变量出现明显错误，检测其模型变量集。
57.在操作s321中，检验补充模型变量后的第一模型与所述xgboost模型的评分在各分数段分布是否一致；
58.在操作s322中，当补充模型变量后的第一模型与所述第二模型的评分在各分数段分布一致时，对于低还款风险人群使用迭代后的第一模型进行评分，对于高还款风险人群使用所述第二模型辅助迭代后的第一模型评分。
59.根据本公开的实施例，区分高还款风险人群与低还款风险人群通过设置评分阈值的方式，在双轨模型中评分大于评分阈值的客群记为低还款风险人群，在双轨模型中评分小于评分阈值的客群记为高还款风险人群。由于通常情况下xgboost模型与逻辑回归模型
对客群评分差异不大，且xgboost模型的稳定性低于逻辑回归模型，所以可以首要采用补充过模型变量的逻辑回归模型对所有客群打分，再挑选高还款风险的人进一步通过xgboost模型辅助评分。
60.根据本公开的实施例，由于逻辑回归模型的稳定性好与数据可解释性强的原因，在低还款风险人群中使用添加模型变量后的逻辑回归较为稳妥。
61.根据本公开的实施例，在xgboost模型辅助逻辑回归模型评分可以基于不同方式，例如：基于对各个模型的可靠性分析，通过各自预测评分加权求和和\或矩阵的方式。在此不做赘述。
62.图4示意性示出了根据本公开实施例的双轨模型创建的训练数据预处理流程图。
63.如图4所示，该方法包括操作s410～s420。
64.在操作s410中，将所述训练数据在信息维度、时间维度和统计指标三个方面进行衍生；
65.在操作s420中，通过单变量分析、双变量分析以及多变量分析三个角度进行数据筛选。
66.根据本公开的实施例，对于上述训练数据，考虑基于历史风险表现、当前融资情况、借贷行为、历史借贷表现的四大类作为征信模型的入模指标。以此对训练数据进行相关性分析，寻找相关模型变量。
67.根据本公开的实施例，训练数据中历史风险表现大类可以是“近2年内贷款逾期月份数”，训练数据中历史借贷表现大类可以是“近12月已结清经营性贷款笔数”。
68.根据本公开的实施例，在数据衍生方面，借鉴rfm模型，结合业务经验及统计学维度共衍生6000余个特征变量。具体衍生策略为将所述训练数据在信息维度、时间维度和统计指标三个方面进行衍生。在上述历史风险表现大类中，“近2年内”是时间维度，“贷款预期月份”是信息维度，“数”是统计指标。在上述历史借贷表现大类中，“近12月”是时间维度，“已结清经营性贷款”是信息维度，“笔数”则是统计指标。
69.进一步地，通过单变量分析、双变量分析以及多变量分析三个角度进行数据筛选。
70.根据本公开的实施例，单变量分析研究数据加工是否有错、分布是否合理，主要包括但不限于数据类型是否正确、是否存在缺失的离群值、百分位分布是否合理，以及是否大致符合正太分布。对离群数据则采用盖帽方法，而缺失值则使用线性回归差值、中位数差值等方式补缺。
71.根据本公开的实施例，双变量分析主要通过woe变换进行。除了处理缺失值和异常值，提升稳定性外，woe变换还通过将x变量与y变量间的非线性关系变化为线性关系，起到提高解释性的效果。
72.根据本公开的实施例，多变量分析用于去除多重共线性和冗余特征降维，探索变量间潜在联系。本方案中主要采用两种降维方法。一是pearson变量降维，通过计算每个自变量间的相关性，依据设定的阈值剔除相关性高的变量。二是变量层次聚类，将数据变量分组，使组件相似性越大，组件差距越大，并选取组内有代表性的变量代替劝阻，实现剔除冗余。
73.在本公开的实施例中，通过训练数据构建双轨模型对目标用户进行征信处理，将xgboost模型的模型变量选择性添加至逻辑回归模型并以逻辑回归模型以主预测模型，这
样，既改进了逻辑回归模型中模型变量纳入较少的缺陷，又结合了xgboost模型预测能力强与逻辑回归稳定性的优势，。
74.对目标用户进行征信通常包括客户准入与授信测算。相较于以往的征信方法，本公开采用双轨模型与具体场景数据相结合的方法，共同完成对客户的征信。
75.图5示意性示出了根据本公开实施例的征信方法的客户准入阶段流程图。
76.如图5所示，该客户准入的方法包括操作s510～s550。客户准入又分为预筛选阶段和实施审批阶段，其中，操作s510～s520为预筛选阶段，操作s530～s550为实施审批阶段。
77.在操作s510中，获取目标用户的征信信息以及第一特色信息，所述第一特色信息包括针对具体业务场景的多个维度指标；
78.在操作s520中，判断所述第一特色信息是否满足准入条件；以及
79.在操作s530中，当所述第一特色信息满足准入条件时，根据双轨模型通过对所述征信信息打分得到征信评分；
80.在操作s540中，结合所述征信评分以及所述第一特色信息共同测算风险评分，以筛选出风险评分大于最低风险标准的目标用户；以及
81.在操作s550中，对风险评分大于最低风险标准的目标用户进行基础授信额度测算。
82.根据本公开的实施例，获取上述第一特色信息的目的是用以评判目标用户资金流转是否正常。以企业为例，在税务场景下，第一特色数据主要是借款人是否在本行开立企业结算账户、工商登记情况是否正常、近几年行内结算流水、连续纳税记录等指标；上述指标可以反映出企业缴税的连续性、波动性，进而反映企业的生产经营情况，最终落实到企业是否具有还款能力。银行的准入条件主要也是向客户能否还款看齐，准入条件包括银行在具体场景的具体业务策略，在此不多做赘述。
83.预筛选阶段的目的在于初步判定企业具有还款能力，之后便进入实时审批阶段。在实施审批阶段，主要通过双轨模型对目标用户进行打分后再进一步结合第一特色信息进行风险评分。
84.根据本公开的实施例，双轨模型在对征信信息在进行打分之前，需要提取征信信息的特征以使处理后的征信信息分别适应于逻辑回归模型和适应于xgboost模型，进而完成征信评分。
85.根据本公开的实施例，还是以税务场景为例，在实时审批阶段主要依靠征信评分评估还款风险。在该阶段，第一特色还包括缴税、流水等信息，这类信息属于商务信息，能够进一步反映企业的还款能力。实施审批阶段系统受权采集目标用户的征信信息，通过双轨模型计算征信评分后，再通过征信评分与缴税、流水等第一特色信息共同测算风险评分。其中，风险评分的共同测算方法的策略取决于具体场景，在此不做过多赘述。
86.根据本公开的实施例，得到的风险评分可以是具体分值，也可以是具体分值对应等级区间的等级。在通过最低风险标准后即可进行授信额度测算阶段。例如，针对小微企业时，最低风险标准必须是bbb以上。
87.图6示意性示出了根据本公开实施例的征信方法的授信测算阶段流程图。
88.如图6所示，该授信测算的方法包括操作s610～s640。
89.在操作s610中，获取第二特色信息，所述第二特色信息包括针对具体业务场景的
多个维度系数；以及
90.在操作s620中，结合所述第二特色信息与所述征信评分得到调整系数；
91.在操作s630中，根据所述第一特色信息通过已有的营收测算模型测算所述目标用户的还款能力，以获取初始额度；
92.在操作s640中，通过所述初始额度与所述调整系数计算出所述基础授信额度。
93.根据本公开的实施例，第二特色信息用于辅助征信评分以测算用户还款能力，还是以目标用户为企业为例，在税务场景中，第二特色信息包括模型系数、行业系数、综合贡献系数、地区系数和政策系数等。调整系数由征信评分与第二特色信息决定，主要由征信评分决定，不同的征信评分对应不同的分数等级浮动区间，再由第二特色信息这样的具体业务场景的维度系数确定最后的调整系数。例如：地区系数由某地经济发展情况决定，经济发达地区相较于经济欠发达地区所获得到的地区系数更高，进而在其他已知条件不变的情况下，经济发达地区的企业所能得到的调整系数更高。又例如：在热门的产业政策下，该企业所能得到的政策系数也会更高。值得一提的是，上述第二特色信息所包含的系数的维度颇多，在结合征信评分对调整系数进行测算时，这些系数可以是单独的某一项系数和\或组合多项系数，在此不一一赘述。
94.根据本公开的实施例，在为非白户的企业服务时，本行主要通过已有的营收测算模型计算经营流水、商户收单等第一特色信息，估计目标用户的还款能力并以此得出初始额度。
95.在本公开的实施例中，以征信评分为基础，结合具体场景数据，实现不同特色场景下风控的快速落地，并制定差异化准入和授信策略。
96.图7示意性示出了根据本公开实施例的一种双轨模型创建的装置。
97.如图7所示，该装置包括数据预处理模块710、模型变量补充模块720、训练模块730。
98.数据预处理模块710：用于获取训练数据并作预处理，分别得到针对所述第一模型的第一模型变量集与针对所述第二模型的第二模型变量集，其中，所述预处理包括数据衍生和数据筛选；
99.模型变量补充模块720：用于筛选所述第二模型变量集中可解释性强的模型变量补充至所述第一模型变量集，以协助所述第一模型变量集找回预处理的数据筛选阶段丢失的模型变量；
100.训练模块730：用于根据所述第二模型变量集训练所述第二模型，根据补充模型变量后的第一模型变量集训练所述第一模型。
101.根据本公开的实施例，数据预处理模块710、模型变量补充模块720、训练模块730中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，数据预处理模块710、模型变量补充模块720、训练模块730中的至少一个可以至少被部分地实现为硬件电路，根据本公开的实施例现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几
种的适当组合来实现。或者，数据预处理模块710、模型变量补充模块620、训练模块730中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
102.图8示意性示出了根据本公开实施例的一种征信装置。
103.如图8所示，该装置不仅包括信息获取模块810、预筛选模块820、实时征信模块830，还包括风险评分模块840和额度测算模块850.
104.信息获取模块810：用于获取目标用户的征信信息以及第一特色信息，所述第一特色信息包括针对具体业务场景的多个维度指标；
105.预筛选模块820：用于判断所述第一特色信息是否满足准入条件；以及
106.实时征信模块830：用于当所述第一特色信息满足准入条件时，根据双轨模型通过对所述征信信息打分得到征信评分；
107.风险评分模块840：结合所述征信评分以及所述第一特色信息共同测算风险评分，以筛选出风险评分大于最低风险标准的目标用户；以及
108.额度测算模块850：用于对风险评分大于最低风险标准的目标用户进行基础授信额度测算。
109.根据本公开的实施例，获取模块810、预筛选模块820、实时征信模块830、风险评分模块840和额度测算模块850中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块810、预筛选模块820、实时征信模块830、风险评分模块840和额度测算模块850中的至少一个可以至少被部分地实现为硬件电路，根据本公开的实施例现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块810、预筛选模块820、实时征信模块830、风险评分模块840和额度测算模块850中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
110.图9示意性示出了根据本公开实施例的适于实现基于征信模型的征信方法的电子设备的方框图。
111.如图9所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(rom)902中的程序或者从存储部分908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。处理器901根据本公开的实施例可以包括通用微处理器(根据本公开的实施例cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(根据本公开的实施例，专用集成电路(asic))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
112.在ram 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、rom 902以及ram 903通过总线904彼此相连。处理器901通过执行rom 902和/或ram 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除
rom 902和ram 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
113.根据本公开的实施例，电子设备900还可以包括输入/输出(i/o)接口905，输入/输出(i/o)接口905也连接至总线904。电子设备900还可以包括连接至i/o接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分909；包括硬盘等的存储部分908；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至i/o接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
114.本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。
115.根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，根据本公开的实施例可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。根据本公开的实施例，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 902和/或ram 903和/或rom 902和ram 903以外的一个或多个存储器。
116.本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。
117.在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
118.在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
119.在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
120.根据本公开的实施例，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实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象
的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“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、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(根据本公开的实施例利用因特网服务提供商来通过因特网连接)。
121.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。根据本公开的实施例，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
122.本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
123.以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。