[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

说明书

本申请实施例提供了一种信用的评估方法、信用评估模型的训练方法以及设备。该方法包括：从用户的征信报告中提取用户的征信特征，征信特征包括用户在n个征信维度上的时序特征和用户的非时序特征，n≥1，并将n个特征维度上的时序特征和非时序特征输入信用评估模型，得到信用评估结果，信用评估结果用于表征用户的信用是否符合要求，其中，信用评估模型为基于深度学习模型训练得到的，能够通过时序特征对该用户在时间维度上的信用进行准确的评估，使得对用户信用的评估更加准，避免因不区分征信特征的时序特征和非时序特征，导致最终的评估结果不准确。

技术领域

本申请实施例涉及人工智能技术领域，并且更具体地，涉及信用的评估方法、信用评估模型的训练方法以及设备。

背景技术

在互联网金融风险控制领域，常通过征信报告来对用户的信用信息进行记录。进而，基于每个用户的的征信报告分析确定该用户的信用是否满足要求。

现有技术中，能够通过机器学习算法来对用户的信用进行评估，但是，在评估的过程中，不能结合征信报告中信用信息的时序特征，导致评估的准确性较差。

发明内容

本申请实施例提供了一种信用的评估方法、信用评估模型的训练方法以及设备。

第一方面，提供一种信用的评估方法，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。

第二方面，提供一种信用评估模型的训练方法，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。

第三方面，提供一种电子设备，包括：特征提取单元，用于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；评估单元，用于将所述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。

第四方面，提供一种电子设备，包括：样本获取单元，用于获取训练样本集合，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；模型训练单元，用于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。

第五方面，提供一种电子设备，包括：处理器和存储器，该存储器用于存储计算机程序，处理器用于调用并运行存储器中存储的计算机程序，执行如第一方面或其各实现方式中的方法。

第六方面，提供一种电子设备，包括：处理器和存储器，该存储器用于存储计算机程序，处理器用于调用并运行存储器中存储的计算机程序，执行如第二方面或其各实现方式中的方法。

第七方面，提供一种计算机可读存储介质，用于存储计算机程序，计算机程序使得计算机执行如第一方面、第二方面或其各实现方式中的方法。

本申请实施例，通过从征信报告中提取用户在n个征信维度上的时序特征和该用户的非时序特征，能够通过时序特征能够对该用户在时间维度上的信用进行准确的评估，使得对用户信用的评估更加准，避免因输入模型的征信特征不区分时序特征和非时序特征，导致最终的评估结果不准确。