[发明专利]一种利用关系图谱技术生成征信评分卡的方法

说明书

本发明提供了一种利用关系图谱技术生成征信评分卡的方法，包括客户信息采集模块以及信用评分模型建立模块，客户信息采集模块用于采集客户的信用历史、行为偏好、履约能力、身份特质以及人脉关系。本发明所述的一种利用关系图谱技术生成征信评分卡的方法通过对关系图谱规模、风险等级、组成特点的描述来提供有效的风控规则和特征，大大提升传统风控能力。

技术领域

本发明属于数据处理技术领域，尤其是涉及一种利用关系图谱技术生成征信评分卡的方法。

背景技术

目前绝大多数公司仍然将传统的风控方法作为公司的核心风控能力，主要是使用专家规则、评分卡这些具有较好解释性的方法。这些方式限制了通过技术发展带来的风控效果的提升，比如较复杂的机器学习模型、深度学习方法等，在专家规则及评分卡方式下，对风控效果的改善十分有限。因此基于传统的方法，提高风控能力需要依赖于数据维度和特征变量的增加，以丰富专家规则和评分卡模型的特征，但这肯定会导致规则和模型复杂度的大大增加。

发明内容

有鉴于此，本发明旨在提出一种利用关系图谱技术生成征信评分卡的方法，通过对关系图谱规模、风险等级、组成特点的描述来提供有效的风控规则和特征，大大提升传统风控能力。

为达到上述目的，本发明的技术方案是这样实现的：

一种利用关系图谱技术生成征信评分卡的方法，包括客户信息采集模块以及信用评分模型建立模块，客户信息采集模块用于采集客户的信用历史、行为偏好、履约能力、身份特质以及人脉关系。

进一步的，客户信息采集模块包括搜索引擎以及存储单元，用于根据借款人提交的年龄、收入、职业、学历、资产、负债信息，并查询系统里的相关征信数据，并记录到存储单元内；

进一步的，客户信息采集模块包括爬虫引擎，爬虫引擎用于根据借款人的信息到互联网上实时、不间断抓取社交、电商、通信、出行等互联网数据，经过处理后存并记录到存储单元内。

进一步的，信用评分模型建立模块通过基于深度学习，组合多种算法，构建出十几个风控模型，发现有区分用户风险的特性，进而建立模型，对用户进行打分，计算平均违约率。

进一步的，平均违约率用于对用户进行风险分级，从而评估风险议价。

进一步的，客户信息采集模块还通过在网站或者移动端嵌入设备识别脚本，获取客户手机的位置信息以及社交活动轨迹，用于识别出用户是否存在经常换手机卡、刻意隐藏个人信息、短期内故意暴露个人信息等情况。

进一步的，还包括黑名单模块，用于对不良信用记录的失信者，建立失信名单。

相对于现有技术，本发明所述的一种利用关系图谱技术生成征信评分卡的方法具有以下优势：

(1)本发明所述的一种利用关系图谱技术生成征信评分卡的方法通过对关系图谱规模、风险等级、组成特点的描述来提供有效的风控规则和特征，大大提升传统风控能力。

(2)本发明所述的一种利用关系图谱技术生成征信评分卡的方法利用关系图谱技术对存量数据的撞库及关联衍生分析生成征信评分卡，提供有效的风控规则和特征，大大提升传统风控能力。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的一种利用关系图谱技术生成征信评分卡的方法示意图；

图2为本发明实施例所述的一种利用关系图谱技术生成征信评分卡的方法客户信息采集模块示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。