信用评估模型训练方法、信用评估方法、装置及电子设备与流程

本发明涉及人工智能，尤其是涉及一种信用评估模型训练方法、信用评估方法、装置及电子设备。

背景技术：

1、目前，传统征信系统主要采用评分卡来构建用户的信用模型，评分卡是一种二分类模型，通常采用逻辑回归算法来实现。在通过评分卡获取用户的信用分后再将信用分应用到例如个贷审批等应用场景中。

2、相关技术并不能将上游所获取的信用分直接应用到下游场景中，而是需要对信用分进行一系列处理，并且进行处理后的信用分也并非能够适用于下游场景，从而出现信用分无法有效赋能有关场景的缺陷。目前关于信用分评价的相关技术均为基于信用本身进行设计，尚无以应用场景为目标的信用评估方法。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种改善信用分实际应用价值、应用效率较高的信用评估模型训练方法、信用评估方法、装置及电子设备。

2、本发明的目的可以通过以下技术方案来实现：

3、根据本发明的第一方面，提供了一种信用评估模型训练方法，该方法包括：在第一训练数据集中提取信用评分特征；在带有标签的第二训练数据集中提取应用场景特征；基于信用评估模型和应用场景模型，构建组合模型；以所述信用评分特征和所述应用场景模型为输入，以所述第二训练数据集带有的所述标签为输出，对所述组合模型进行训练；在训练好的所述组合模型中拆分出训练好的所述信用评估模型。

4、作为优选的技术方案，所述在第一训练数据集中提取信用评分特征，包括：采用特征工程方法在第一训练数据集中提取初始评分特征；对所述初始评分特征进行预处理，获取信用评分特征。

5、作为更加优选的技术方案，所述采用特征工程方法在第一训练数据集中提取初始评分特征，包括：采用方差分析法、相关系数法、卡方检验法以及互信息法中至少一项特征工程方法在第一训练数据集中提取初始评分特征。

6、作为更加优选的技术方案，所述对所述初始评分特征进行预处理，获取信用评分特征，包括：对所述初始评分特征进行归一化处理和标准化处理中至少一项预处理，获取信用评分特征。

7、作为优选的技术方案，所述基于信用评估模型和应用场景模型，构建组合模型，包括：在每个所述应用场景模型的输入层中增加一个链接神经元，所述链接神经元与下一层神经元全连接，所述链接神经元的输入为所述信用评估模型所输出的信用评分。

8、作为优选的技术方案，所述以所述信用评分特征和所述应用场景模型为输入，以所述第二训练数据集带有的所述标签为输出，对所述组合模型进行训练，包括：以所述信用评分特征为所述组合模型中所述信用评估模型的输入，以所述信用评估模型的输出以及所述应用场景特征为所述组合模型中所述应用场景模型的输入，根据所述第二训练数据集所带有的所述标签与所述应用场景模型的输出计算损失函数，以所述损失函数最小为训练目标，对所述组合模型中所述信用评估模型和所述应用场景模型进行共同训练。

9、作为更加优选的技术方案，所述根据所述第二训练数据集所带有的所述标签与所述应用场景模型的输出计算损失函数，包括：将每个所述应用场景模型的输出共同构建为输出向量；根据所述应用场景模型的输出在所述输出向量中的顺序，对所述第二训练数据集中每个第二训练数据子集所带有的标签按序构建标签向量；根据所述输出向量和所述标签向量，计算损失函数。

10、作为更加优选的技术方案，所述根据所述输出向量和所述标签向量，计算损失函数，包括：根据所述输出向量和所述标签向量，计算用以表征所述输出向量与所述标签向量之间差距的损失函数。

11、作为优选的技术方案，在所述以所述信用评分特征和所述应用场景模型为输入，以所述第二训练数据集带有的所述标签为输出，对所述组合模型进行训练之前，所述方法还包括：采用参数初始化算法对所述组合模型中的权重矩阵和偏置进行初始化处理。

12、根据本发明的第二方面，提供了一种信用评估方法，该方法包括：在待评估主体的行为数据提取主体评分特征；将所述主体评分特征输入信用评估模型，获取所述信用评估模型所输出的主体信用评分；其中，所述信用评估模型为根据上述第一方面或第一方面的任意一种可能得实现方式中提供的方法所训练得到的。

13、作为优选地技术方案，所述将所述主体评分特征输入信用评估模型，获取所述信用评估模型所输出的主体信用评分之后，所述方法还包括：对所述主体信用评分进行归一化处理。

14、根据本发明的第三方面，提供了一种信用评估模型训练装置，该装置包括：

15、信用评分特征获取模块，用于在第一训练数据集中提取信用评分特征；

16、应用场景特征获取模块，用于在带有标签的第二训练数据集中提取应用场景特征；

17、组合模型构建模块，用于基于信用评估模型和应用场景模型，构建组合模型；

18、模型训练模块，用于以所述信用评分特征和所述应用场景模型为输入，以所述第二训练数据集带有的所述标签为输出，对所述组合模型进行训练；

19、模型拆分模块，用于在训练好的所述组合模型中拆分出训练好的所述信用评估模型。

20、根据本发明的第四方面，提供了一种信用评估装置，该装置包括：

21、主体评分特征获取模块，用于在待评估主体的行为数据提取主体评分特征；

22、主体信用评分获取模块，用于将所述主体评分特征输入信用评估模型，获取所述信用评估模型所输出的主体信用评分；

23、其中，所述信用评估模型为根据上述第一方面或第一方面的任意一种可能得实现方式中提供的方法所训练得到的。

24、根据本发明的第五方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现第一方面或第一方面的任意一种可能的实现方式或第二方面或第二方面的任意一种可能得实现方式提供的方法。

25、根据本发明的第六方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面或第一方面的任意一种可能的实现方式或第二方面或第二方面的任意一种可能得实现方式提供的方法。

26、与现有技术相比，本发明具有以下有益效果：

27、一、改善信用分实际应用价值：本发明中的信用评估模型训练方法对信用评估模型和应用场景模型进行共同训练，通过训练好的信用评估模型所获取的信用分能够适用于对应的应用场景模型，从而使得信用分能够在多个场景中获得较优的应用效果，大大提高了信用分的实际应用价值。

28、二、应用效率较高：本发明中的信用评估模型训练方法对信用评估模型和应用场景模型进行共同训练，通过训练好的信用评估模型所获取的信用分能够直接应用于各个应用场景模型中，大大提高了信用分的应用效率。

技术特征：

1.一种信用评估模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种信用评估模型训练方法，其特征在于，所述在第一训练数据集中提取信用评分特征，包括：

3.根据权利要求2所述的一种信用评估模型训练方法，其特征在于，所述采用特征工程方法在第一训练数据集中提取初始评分特征，包括：

4.根据权利要求2所述的一种信用评估模型训练方法，其特征在于，所述对所述初始评分特征进行预处理，获取信用评分特征，包括：

5.根据权利要求1所述的一种信用评估模型训练方法，其特征在于，所述基于信用评估模型和应用场景模型，构建组合模型，包括：

6.根据权利要求1所述的一种信用评估模型训练方法，其特征在于，所述以所述信用评分特征和所述应用场景模型为输入，以所述第二训练数据集带有的所述标签为输出，对所述组合模型进行训练，包括：

7.根据权利要求6所述的一种信用评估模型训练方法，其特征在于，所述根据所述第二训练数据集所带有的所述标签与所述应用场景模型的输出计算损失函数，包括：

8.根据权利要求7所述的一种信用评估模型训练方法，其特征在于，所述根据所述输出向量和所述标签向量，计算损失函数，包括：

9.根据权利要求1所述的一种信用评估模型训练方法，其特征在于，在所述以所述信用评分特征和所述应用场景模型为输入，以所述第二训练数据集带有的所述标签为输出，对所述组合模型进行训练之前，所述方法还包括：

10.一种信用评估方法，其特征在于，所述方法包括：

11.根据权利要求10所述的一种信用评估方法，其特征在于，在所述将所述主体评分特征输入信用评估模型，获取所述信用评估模型所输出的主体信用评分之后，所述方法还包括：

12.一种信用评估模型训练装置，其特征在于，所述装置包括：

13.一种信用评估装置，其特征在于，所述装置包括：

14.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～9或权利要求10～11中任一项所述的方法。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上储存有计算机程序，所述计算机程序被处理器执行如权利要求1～9或权利要求10～11中任一项所述的方法。

技术总结
本发明涉及一种信用评估模型训练方法、信用评估方法、装置及电子设备，其中，信用评估模型训练方法包括：在第一训练数据集中提取信用评分特征；在带有标签的第二训练数据集中提取应用场景特征；基于信用评估模型和应用场景模型，构建组合模型；以所述信用评分特征和所述应用场景模型为输入，以所述第二训练数据集带有的所述标签为输出，对所述组合模型进行训练；在训练好的所述组合模型中拆分出训练好的所述信用评估模型。与现有技术相比，本发明具有改善信用分实际应用价值、应用效率较高等优点。

技术研发人员：葛俊,聂元清,柏洁明,陈怡桐,覃缘琪,董波
受保护的技术使用者：之江实验室
技术研发日：
技术公布日：2024/3/21