[发明专利]用户信用评估方法及装置

说明书

本发明公开了一种用户信用评估方法及装置，属于信息安全领域。所述方法包括：获取用户的第一行为序列和至少一个关联用户的第二行为序列；将用户的第一行为序列输入第一循环神经网络，得到用户的第一序列特征表示；将关联用户的第二行为序列输入第二循环神经网络，得到关联用户的第二序列特征表示；将第一序列特征表示和第二序列特征表示输入栈式自编码器，得到用户的组合特征衍生表示；将用户的组合特征衍生表示输入分类器，得到用户的信用评估数据。本发明自动进行特征抽取和特征组合衍生，解决了人工抽取特征和人工设计组合衍生特征考虑不全面、效率低、计算成本高的问题，达到了特征覆盖全面、提高效率、降低计算成本的效果。

技术领域

本发明实施例涉及信息安全领域，特别涉及一种用户信用评估方法及装置。

背景技术

征信模型是用于根据用户的行为数据计算用户的信用评分的数据模型。征信模型广泛应用于互联网金融中的信用评估。

构建一个征信模型主要经历四个阶段：(1)基础特征抽取；(2)特征组合衍生；(3)征信模型构建；(4)模型效果验证。基础特征抽取用于从用户的行为数据中抽取与信用评估有关的特征；特征组合衍生用于将基础特征抽取阶段抽取到的特征进行组合，得到组合特征衍生表示；征信模型构建用于根据特征组合衍生阶段得到的组合特征衍生表示构建征信模型；模型效果验证用于对构建的征信模型进行使用效果的验证。其中，基础特征抽取和特征组合衍生被称为特征工程，特征工程通常需要人工参与完成。基础特征抽取通常是通过人工从用户的行为数据中抽取与信用评估有关的特征，比如：抽取用户某种行为发生的天数、次数、频率等。在特征组合衍生阶段，由于现有的征信模型所使用的分类器大多属于线性分类器，线性分类器不能自动地捕捉特征之间的交互关系，因此输入到分类器中的特征需要通过人工进行组合。

由于用户的行为数据中存在无法确切测量的特征，这类特征被称为隐含特征，隐含特征之间可能存在关联关系；而基于人工的基础特征抽取无法抽取隐含特征，并且也无法利用隐含特征之间的关联关系，从而产生基础特征抽取不全面的问题。另外，由于人工设计组合衍生特征通常是依赖人的先验知识，也可能产生考虑不全面的问题。并且随着基础特征数量的增加，特征组合的规模也会快速增长，靠人工进行基础特征抽取和特征组合衍生效率低、计算成本高。

发明内容

为了解决现有技术中通过人工抽取特征和人工设计组合衍生特征导致的考虑不全面、效率低、计算成本高的问题，本发明实施例提供了一种用户信用评估方法及装置。所述技术方案如下：

第一方面，提供了一种用户信用评估方法，所述方法包括：

获取用户的第一行为序列和至少一个关联用户的第二行为序列，所述关联用户是在社交网络与所述用户存在关联的其他用户；

将所述用户的第一行为序列输入第一循环神经网络，得到所述用户的第一序列特征表示；

将所述关联用户的第二行为序列输入第二循环神经网络，得到所述关联用户的第二序列特征表示；

将所述第一序列特征表示和所述第二序列特征表示输入栈式自编码器，得到所述用户的组合特征衍生表示；

将所述用户的组合特征衍生表示输入分类器，得到所述用户的信用评估数据；

其中，所述第一循环神经网络、所述第二循环神经网络和所述栈式自编码器中的模型参数是利用样本序列数据进行训练后确定的，所述第一循环神经网络和所述第二循环神经网络中的模型参数相同。

第二方面，提供了一种用户信用评估装置，所述装置包括：

第一获取模块，用于获取用户的第一行为序列和至少一个关联用户的第二行为序列，所述关联用户是在社交网络与所述用户存在关联的其他用户；

第一计算模块，用于将所述第一获取模块获取的所述用户的第一行为序列输入第一循环神经网络，得到所述用户的第一序列特征表示；