[发明专利]信用的评估方法、信用评估模型的训练方法以及设备

权利要求书

1.一种信用的评估方法，其特征在于，包括：

从用户的征信报告中提取所述用户的征信特征，所述征信特征包括所述用户在n个征信维度上的时序特征和所述用户的非时序特征，n≥1；

将所述n个特征维度上的时序特征和所述非时序特征输入信用评估模型，得到信用评估结果，所述信用评估结果用于表征所述用户的信用是否符合要求；

其中，所述信用评估模型为基于深度学习模型训练得到的

基于合并后的特征预测向量，对所述用户的信用进行预测，得到信用预测结果，包括：

通过丢弃Dropout算法，对所述合并后的特征预测向量进行防止过拟合处理；

基于处理后的特征预测向量对所述用户的信用进行打分，得到所述用户的信用得分；

对所述用户的信用得分进行二分类，得到信用预测结果，

其中，时序特征是一个T×M的向量，其中T是时序特征的长度，用于表征时序特征中特征类别的数量，M是时序特征中每一个特征类别的维度，用于表征每个特征类别的内容，对时序特征进行离散化和/或归一化处理，时序特征的维度变成T×V，M不等于V，

通过Embed层将输入T×V的向量转化成T×E大小的向量，E不等于V，

将T×E的向量输入到循环神经网络和转换算法的结构中，并在输出端进行加权求和，得到1×H的向量，

将1×H的向量输入深度神经网络和批标准化层的结构中，得到1×D的输出向量，

进一步地，因存在n个时序特征和一个非时序特征，因而得到n+1个1×D的向量，并将n+1个1×D的向量进行合并，得到(n+1)×D维的向量，(n+1)×D维的向量通过深度神经网络和丢弃算法Dropout模型转变为1×F的输出向量，最后该输出向量通过一个简单线性映射到二分类预测层。

2.根据权利要求1所述的方法，其特征在于，所述将所述n个特征维度上的时序特征和所述非时序特征输入信用评估模型，得到所述信用评估结果，包括：

将所述n个特征维度上的时序特征和所述非时序特征分别输入所述信用评估模型的n+1个特征识别模块，得到所述n+1个特征识别模块分别输出的特征向量；

将所述n+1个特征识别模块分别输出的特征向量进行合并；

基于合并后的特征向量，对所述用户进行评估，得到所述信用评估结果。

3.根据权利要求2所述的方法，其特征在于，所述n+1个特征识别模块包括n个时序特征识别模块和1个非时序特征识别模块。

4.一种信用评估模型的训练方法，其特征在于，包括：

获取训练样本集合，所述训练样本集合包括多个训练样本，所述训练样本包括用户的征信特征和对应的标签，所述征信特征包括所述用户在n个征信维度上的时序特征和所述用户的非时序特征，n≥1，所述标签用于表征所述用户的信用是否符合要求；

针对所述训练样本集合中的每个训练样本，基于所述训练样本的标签、n个特征维度上的时序特征和非时序特征对初始模型进行训练，得到信用评估模型，

基于合并后的特征预测向量，对所述用户的信用进行预测，得到信用预测结果，包括：

通过丢弃Dropout算法，对所述合并后的特征预测向量进行防止过拟合处理；

基于处理后的特征预测向量对所述用户的信用进行打分，得到所述用户的信用得分；

对所述用户的信用得分进行二分类，得到信用预测结果，

其中，时序特征是一个T×M的向量，其中T是时序特征的长度，用于表征时序特征中特征类别的数量，M是时序特征中每一个特征类别的维度，用于表征每个特征类别的内容，对时序特征进行离散化和/或归一化处理，时序特征的维度变成T×V，M不等于V，

通过Embed层将输入T×V的向量转化成T×E大小的向量，E不等于V，

将T×E的向量输入到循环神经网络和转换算法的结构中，并在输出端进行加权求和，得到1×H的向量，

将1×H的向量输入深度神经网络和批标准化层的结构中，得到1×D的输出向量，

进一步地，因存在n个时序特征和一个非时序特征，因而得到n+1个1×D的向量，并将n+1个1×D的向量进行合并，得到(n+1)×D维的向量，(n+1)×D维的向量通过深度神经网络和丢弃算法Dropout模型转变为1×F的输出向量，最后该输出向量通过一个简单线性映射到二分类预测层。