信贷客户的评估方法、装置、电子设备及计算机存储介质与流程

1.本技术涉及计算机技术领域，特别涉及一种信贷客户的评估方法、装置、电子设备及计算机存储介质。


背景技术：

2.支持向量机是一种分类算法，它以结构风险最小化和统计学习理论为基础，在分类任务中表现出优秀的泛化能力。其按照训练数据集是否线性可分，一般分为以下几种：硬间隔(训练数据集线性可分)、软间隔(训练数据集线性不可分)和非线性支持向量机(训练数据集非线性)。支持向量机的优点在预测精度高，尤其在处理解决高纬度、非线性和小样本等方面的模式识别中优势较为明显，并推广应用到函数拟合等其他自主学习的问题中。
3.但是，支持向量机在解决非线性问题中所运用的核函数和核参数的选择具有不确定性。


技术实现要素：

4.有鉴于此，本技术提供一种信贷客户的评估方法、装置、电子设备及计算机存储介质，通过无核函数的改进型支持向量机模型解决支持向量机在解决非线性问题中所运用的核函数和核参数的选择具有不确定性的问题，从而精准的对信贷客户进行评估。
5.本技术第一方面提供了一种信贷客户的评估方法，包括：
6.接收目标信贷客户的申请请求；
7.获取所述目标信贷客户的客户信息；
8.对所述客户信息进行预处理，得到目标特征；
9.将所述目标特征输入至分类模型中，输出得到所述目标信贷客户的分类标签；其中，所述分类标签分为是否为好客户；所述分类模型由训练样本数据对基于无核函数的改进型支持向量机模型进行训练得到；所述训练样本数据包括训练样本客户的目标特征以及所述训练样本客户对应的真实标签；
10.若所述目标信贷客户的分类标签表明所述目标信贷客户为好客户，则对所述目标信贷客户审核通过；
11.若所述目标信贷客户的分类标签表明所述目标信贷客户为非好客户，则对所述目标信贷客户审核不通过。
12.可选的，所述对所述客户信息进行预处理，得到目标特征，包括：
13.采用证据权重法对所述目标信贷客户的客户信息中的类别变量进行数字化转换，得到转换后的客户信息；
14.采用信息价值指标来对所述转换后的客户信息进行筛选和降维，得到目标特征。
15.可选的，所述分类模型的构建方法，包括：
16.根据银行真实客户电子交易数据，构建训练样本集；其中，所述训练样本集中包括至少一个训练样本数据；所述训练样本数据包括训练样本客户的目标特征以及所述训练样
本客户对应的真实标签；所述真实标签分为通过信贷审核以及未通过信贷审核；
17.将所述训练样本客户的目标特征输入至基于无核函数的改进型支持向量机模型中，输出得到所述训练样本客户的预测标签；
18.利用混淆矩阵，将所述训练样本客户的预测标签和所述训练样本客户的真实标签进行比对，得到比对结果；其中，所述比对结果分为真正例、假正例、真负例、假负例；
19.根据所有训练样本数据的比对结果，确定模型准确率；
20.若模型准确率不大于目标准确率，对所述基于无核函数的改进型支持向量机模型中的参数进行调整，直至模型准确率大于目标准确率，将模型准确率大于目标准确率的基于无核函数的改进型支持向量机模型作为分类模型。
21.可选的，所述信贷客户的评估方法，还包括：
22.采用k折交叉验证法将训练样本集分成k份，每次进行实验时选取其中一份训练样本集测试，另外k-1份训练样本集训练。
23.可选的，所述对所述目标信贷客户审核通过之前，还包括：
24.若所述目标信贷客户的分类标签表明所述目标信贷客户为好客户，则触发人工复核机制；
25.接收人工反馈结果；
26.若人工反馈结果表明人工复核通过，则执行所述对所述目标信贷客户审核通过步骤；
27.若人工反馈结果表明人工复核不通过，则执行所述对所述目标信贷客户审核不通过步骤。
28.本技术第二方面提供了一种信贷客户的评估装置，包括：
29.第一接收单元，用于接收目标信贷客户的申请请求；
30.获取单元，用于获取所述目标信贷客户的客户信息；
31.预处理单元，用于对所述客户信息进行预处理，得到目标特征；
32.第一输入单元，用于将所述目标特征输入至分类模型中，输出得到所述目标信贷客户的分类标签；其中，所述分类标签分为是否为好客户；所述分类模型由训练样本数据对基于无核函数的改进型支持向量机模型进行训练得到；所述训练样本数据包括训练样本客户的目标特征以及所述训练样本客户对应的真实标签；
33.确认单元，用于若所述目标信贷客户的分类标签表明所述目标信贷客户为好客户，则对所述目标信贷客户审核通过；
34.所述确认单元，还用于若所述目标信贷客户的分类标签表明所述目标信贷客户为非好客户，则对所述目标信贷客户审核不通过。
35.可选的，所述预处理单元，包括：
36.转换单元，用于采用证据权重法对所述目标信贷客户的客户信息中的类别变量进行数字化转换，得到转换后的客户信息；
37.筛选单元，用于采用信息价值指标来对所述转换后的客户信息进行筛选和降维，得到目标特征。
38.可选的，所述分类模型的构建单元，包括：
39.训练样本集构建单元，用于根据银行真实客户电子交易数据，构建训练样本集；其
中，所述训练样本集中包括至少一个训练样本数据；所述训练样本数据包括训练样本客户的目标特征以及所述训练样本客户对应的真实标签；所述真实标签分为通过信贷审核以及未通过信贷审核；
40.第二输入单元，用于将所述训练样本客户的目标特征输入至基于无核函数的改进型支持向量机模型中，输出得到所述训练样本客户的预测标签；
41.比对单元，用于利用混淆矩阵，将所述训练样本客户的预测标签和所述训练样本客户的真实标签进行比对，得到比对结果；其中，所述比对结果分为真正例、假正例、真负例、假负例；
42.确定单元，用于根据所有训练样本数据的比对结果，确定模型准确率；
43.调整单元，用于若模型准确率不大于目标准确率，对所述基于无核函数的改进型支持向量机模型中的参数进行调整，直至模型准确率大于目标准确率，将模型准确率大于目标准确率的基于无核函数的改进型支持向量机模型作为分类模型。
44.可选的，所述信贷客户的评估装置，还包括：
45.划分单元，用于采用k折交叉验证法将训练样本集分成k份，每次进行实验时选取其中一份训练样本集测试，另外k-1份训练样本集训练。
46.可选的，所述信贷客户的评估装置，还包括：
47.触发单元，用于若所述目标信贷客户的分类标签表明所述目标信贷客户为好客户，则触发人工复核机制；
48.第二接收单元，用于接收人工反馈结果；
49.激活单元，用于若人工反馈结果表明人工复核通过，则激活确认单元执行所述对所述目标信贷客户审核通过；
50.所述激活单元，还用于若人工反馈结果表明人工复核不通过，则激活确认单元执行所述对所述目标信贷客户审核不通过。
51.本技术第三方面提供了一种电子设备，包括：
52.一个或多个处理器；
53.存储装置，其上存储有一个或多个程序；
54.当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面任意一项所述的信贷客户的评估方法。
55.本技术第四方面提供了一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面任意一项所述的信贷客户的评估方法。
56.由以上方案可知，本技术提供一种信贷客户的评估方法、装置、电子设备及计算机存储介质，所述信贷客户的评估方法包括：在接收目标信贷客户的申请请求后；获取所述目标信贷客户的客户信息；然后，对所述客户信息进行预处理，得到目标特征；将所述目标特征输入至分类模型中，输出得到所述目标信贷客户的分类标签；其中，所述分类标签分为是否为好客户；所述分类模型由训练样本数据对基于无核函数的改进型支持向量机模型进行训练得到；所述训练样本数据包括训练样本客户的目标特征以及所述训练样本客户对应的真实标签；若所述目标信贷客户的分类标签表明所述目标信贷客户为好客户，则对所述目标信贷客户审核通过；若所述目标信贷客户的分类标签表明所述目标信贷客户为非好客户，则对所述目标信贷客户审核不通过。从而达到精准的对信贷客户进行评估的目的。
附图说明
57.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
58.图1为本技术实施例提供的一种信贷客户的评估方法的具体流程图；
59.图2为本技术另一实施例提供的一种数据预处理方法的流程图；
60.图3为本技术另一实施例提供的一种分类模型构建方法的流程图；
61.图4为本技术另一实施例提供的一种二次曲面的示意图；
62.图5为本技术另一实施例提供的一种信贷客户的评估方法的流程图；
63.图6为本技术另一实施例提供的一种信贷客户的评估装置的示意图；
64.图7为本技术另一实施例提供的一种实现信贷客户的评估方法的电子设备的示意图。
具体实施方式
65.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
66.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
67.需要注意，本技术中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
68.需要注意，本技术中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
69.本技术实施例提供了一种信贷客户的评估方法，如图1所示，具体包括以下步骤：
70.s101、接收目标信贷客户的申请请求。
71.在本技术的具体实现过程中，目标信贷客户可以通过但不限于个人电脑、手机、ipad等，在网页、app等进行线上申请，此处不做限定。
72.s102、获取目标信贷客户的客户信息。
73.在接收到目标信贷客户的申请请求后，可以但不限于直接在银行系统中获取得到这个目标信贷客户的客户信息，此处不做限定。
74.s103、对客户信息进行预处理，得到目标特征。
75.需要说明的是，客户信息既可以有数字化的信息，也有属性、类别等特征变量信息。
76.可选的，在本技术的另一实施例中，步骤s103的一种实施方式，如图2所示，包括：
77.s201、采用证据权重法对目标信贷客户的客户信息中的类别变量进行数字化转
换，得到转换后的客户信息。
78.s202、采用信息价值指标来对转换后的客户信息进行筛选和降维，得到目标特征。
79.从而找出与目标变量关联度比较大、预测能力强的变量，减少冗余变量，降低特征维度。
80.s104、将目标特征输入至分类模型中，输出得到目标信贷客户的分类标签。
81.其中，分类标签分为是否为好客户；分类模型由训练样本数据对基于无核函数的改进型支持向量机模型进行训练得到；训练样本数据包括训练样本客户的目标特征以及训练样本客户对应的真实标签。
82.可选的，在本技术的另一实施例中，分类模型的构建方法的一种实施方式，如图3所示，包括：
83.s301、根据银行真实客户电子交易数据，构建训练样本集。
84.其中，训练样本集中包括至少一个训练样本数据；训练样本数据包括训练样本客户的目标特征以及训练样本客户对应的真实标签；真实标签分为通过信贷审核以及未通过信贷审核。
85.需要说明的是，通过信贷审核以及未通过信贷审核的客户的比例，由专家、技术人员等预先进行设置、更改，此处不做限定。
86.s302、将训练样本客户的目标特征输入至基于无核函数的改进型支持向量机模型中，输出得到训练样本客户的预测标签。
87.其中，基于无核函数的改进型支持向量机模型是指无需选择核函数和核参数的改进型支持向量机模型。
88.需要说明的是，要将该非线性训练集的正负样本正确分离开，需要找到最优的分离超平面，而基于无核函数的改进型支持向量机模型在原理上解决了非线性数据集样本在选择核函数方法较困难的问题，该模型最终目标就是找到这样一个二次曲面(如图4所示)，使得正负样本在该曲面得以分离，从而得到一个分类决策函数。
89.s303、利用混淆矩阵，将训练样本客户的预测标签和训练样本客户的真实标签进行比对，得到比对结果。
90.其中，比对结果分为真正例、假正例、真负例、假负例。
91.s304、根据所有训练样本数据的比对结果，确定模型准确率。
92.s305、若模型准确率不大于目标准确率，对基于无核函数的改进型支持向量机模型中的参数进行调整，直至模型准确率大于目标准确率，将模型准确率大于目标准确率的基于无核函数的改进型支持向量机模型作为分类模型。
93.其中，目标准确率由专家、技术人员等预先进行设置、更改，此处不做限定。
94.具体的，模型准确率不大于目标准确率，对基于无核函数的改进型支持向量机模型中的参数进行调整后，再次将训练样本客户的目标特征输入至调整后的基于无核函数的改进型支持向量机模型，直至模型准确率大于目标准确率，将模型准确率大于目标准确率的基于无核函数的改进型支持向量机模型作为分类模型。
95.可选的，在本技术的另一实施例中，信贷客户的评估方法的一种实施方式，还包括：
96.采用k折交叉验证法将训练样本集分成k份，每次进行实验时选取其中一份训练样
本集测试，另外k-1份训练样本集训练。
97.需要说明的是，按照k折交叉验证法将训练样本集分成k份，每次进行实验时选取其中一份训练样本集测试，另外k-1份训练样本集训练，有利于充分利用数据，会产生k个模型。使用训练集中的训练数据建立客户甄选识别模型，使用测试集检验模型效果。
98.s105、若目标信贷客户的分类标签表明目标信贷客户为好客户，则对目标信贷客户审核通过。
99.可选的，在本技术的另一实施例中，为安全起见，在判定分类标签表明目标信贷客户为好客户之后，如图5所示，还包括：
100.s501、若目标信贷客户的分类标签表明目标信贷客户为好客户，则触发人工复核机制。
101.s502、接收人工反馈结果。
102.s503、若人工反馈结果表明人工复核通过，则执行对目标信贷客户审核通过步骤。
103.s504、若人工反馈结果表明人工复核不通过，则执行对目标信贷客户审核不通过步骤。
104.s106、若目标信贷客户的分类标签表明目标信贷客户为非好客户，则对目标信贷客户审核不通过。
105.由以上方案可知，本技术提供一种信贷客户的评估方法：在接收目标信贷客户的申请请求后；获取目标信贷客户的客户信息；然后，对客户信息进行预处理，得到目标特征；将目标特征输入至分类模型中，输出得到目标信贷客户的分类标签；其中，分类标签分为是否为好客户；分类模型由训练样本数据对基于无核函数的改进型支持向量机模型进行训练得到；训练样本数据包括训练样本客户的目标特征以及训练样本客户对应的真实标签；若目标信贷客户的分类标签表明目标信贷客户为好客户，则对目标信贷客户审核通过；若目标信贷客户的分类标签表明目标信贷客户为非好客户，则对目标信贷客户审核不通过。从而达到精准的对信贷客户进行评估的目的。
106.本技术另一实施例提供了一种信贷客户的评估装置，如图6所示，具体包括：
107.第一接收单元601，用于接收目标信贷客户的申请请求。
108.获取单元602，用于获取目标信贷客户的客户信息。
109.预处理单元603，用于对客户信息进行预处理，得到目标特征。
110.可选的，在本技术的另一实施例中，预处理单元603的一种实施方式，包括：
111.转换单元，用于采用证据权重法对目标信贷客户的客户信息中的类别变量进行数字化转换，得到转换后的客户信息。
112.筛选单元，用于采用信息价值指标来对转换后的客户信息进行筛选和降维，得到目标特征。
113.本技术上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图2所示，此处不再赘述。
114.第一输入单元604，用于将目标特征输入至分类模型中，输出得到目标信贷客户的分类标签。
115.其中，分类标签分为是否为好客户；分类模型由训练样本数据对基于无核函数的改进型支持向量机模型进行训练得到；训练样本数据包括训练样本客户的目标特征以及训
练样本客户对应的真实标签。
116.可选的在本技术的另一实施例中，分类模型的构建单元的一种实施方式，包括：
117.训练样本集构建单元，用于根据银行真实客户电子交易数据，构建训练样本集。
118.其中，训练样本集中包括至少一个训练样本数据；训练样本数据包括训练样本客户的目标特征以及训练样本客户对应的真实标签；真实标签分为通过信贷审核以及未通过信贷审核。
119.第二输入单元，用于将训练样本客户的目标特征输入至基于无核函数的改进型支持向量机模型中，输出得到训练样本客户的预测标签。
120.比对单元，用于利用混淆矩阵，将训练样本客户的预测标签和训练样本客户的真实标签进行比对，得到比对结果。
121.其中，比对结果分为真正例、假正例、真负例、假负例。
122.确定单元，用于根据所有训练样本数据的比对结果，确定模型准确率。
123.调整单元，用于若模型准确率不大于目标准确率，对基于无核函数的改进型支持向量机模型中的参数进行调整，直至模型准确率大于目标准确率，将模型准确率大于目标准确率的基于无核函数的改进型支持向量机模型作为分类模型。
124.本技术上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图3所示，此处不再赘述。
125.可选的，在本技术的另一实施例中，分类模型的构建单元的一种实施方式，还包括：
126.划分单元，用于采用k折交叉验证法将训练样本集分成k份，每次进行实验时选取其中一份训练样本集测试，另外k-1份训练样本集训练。
127.本技术上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。
128.确认单元605，用于若目标信贷客户的分类标签表明目标信贷客户为好客户，则对目标信贷客户审核通过。
129.可选的，在本技术的另一实施例中，信贷客户的评估装置的一种实施方式，还包括：
130.触发单元，用于若目标信贷客户的分类标签表明目标信贷客户为好客户，则触发人工复核机制；
131.第二接收单元，用于接收人工反馈结果；
132.激活单元，用于若人工反馈结果表明人工复核通过，则激活确认单元执行对目标信贷客户审核通过；
133.激活单元，还用于若人工反馈结果表明人工复核不通过，则激活确认单元执行对目标信贷客户审核不通过。
134.本技术上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图5所示，此处不再赘述。
135.确认单元605，还用于若目标信贷客户的分类标签表明目标信贷客户为非好客户，则对目标信贷客户审核不通过。
136.本技术上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，
如图1所示，此处不再赘述。
137.由以上方案可知，本技术提供一种信贷客户的评估装置：在第一接收单元601接收目标信贷客户的申请请求后；获取单元602获取目标信贷客户的客户信息；然后，预处理单元603对客户信息进行预处理，得到目标特征；第一输入单元604将目标特征输入至分类模型中，输出得到目标信贷客户的分类标签；其中，分类标签分为是否为好客户；分类模型由训练样本数据对基于无核函数的改进型支持向量机模型进行训练得到；训练样本数据包括训练样本客户的目标特征以及训练样本客户对应的真实标签；若目标信贷客户的分类标签表明目标信贷客户为好客户，则确认单元605对目标信贷客户审核通过；若确认单元605目标信贷客户的分类标签表明目标信贷客户为非好客户，则对目标信贷客户审核不通过。从而达到精准的对信贷客户进行评估的目的。
138.本技术另一实施例提供了一种电子设备，如图7所示，包括：
139.一个或多个处理器701。
140.存储装置702，其上存储有一个或多个程序。
141.当所述一个或多个程序被所述一个或多个处理器701执行时，使得所述一个或多个处理器701实现如上述实施例中任意一项所述的信贷客户的评估方法。
142.本技术另一实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述实施例中任意一项所述的信贷客户的评估方法。
143.在本技术的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
144.需要说明的是，本技术上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。在本技术中，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。而在本技术中，计算机可读信号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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机可读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：电线、光缆、rf(射频)等等，或者上述的任意合适
的组合。
145.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
146.本技术另一实施例提供了一种计算机程序产品，当该计算机程序产品被执行时，其用于执行上述任一项的交易信息的处理方法。
147.特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，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。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从rom被安装。在该计算机程序被处理装置执行时，执行本技术实施例的方法中限定的上述功能。
148.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
149.虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本技术的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
150.以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。