信用评分方法、装置以及计算机可读存储介质制造方法及图纸

本发明专利技术涉及数据处理技术领域，具体提供一种信用评分方法、装置以及计算机可读存储介质，旨在解决如何通过模型对信用数据进行有效且准确地的信用评分的问题。为此目的，本发明专利技术的方法包括采用多方安全计算方法控制多个计算节点联合使用不同数据提供方提供的信用数据样本对同一违约概率模型进行协同训练，从而在不同数据提供方不泄露各自信用数据样本的情况下，共同完成违约概率模型的训练。进而再采用多方安全计算方法控制多个计算节点使用违约概率模型确定由不同数据提供方提供的待评分信用数据的信用分。无论是在违约概率模型的训练过程中还是使用违约概率模型确定信用分的过程中都不会泄露任意一个数据提供方的数据，极大地提到了数据的安全性。极大地提到了数据的安全性。极大地提到了数据的安全性。

【技术实现步骤摘要】
信用评分方法、装置以及计算机可读存储介质


[0001]本专利技术涉及数据处理
，具体提供一种信用评分方法、装置以及计算机可读存储介质。

技术介绍

[0002]在金融
中通常采用评分卡模型对用户提供的信用数据进行评分，以确定用户是否存在较高的违约风险。为了提高评分卡模型的准确性，需要采用不同用户的信用数据对评分卡模型进行训练，但是由于信用数据往往包含用户的隐私数据，为了防止隐私数据泄露，这些用户不会向其他用户以及独立于所有用户以外的第三方机构分享信用数据。在这种情况下，将无法联合使用不同用户的信用数据训练评分卡模型，进而无法对用户的信用数据进行有效且准确地的信用评分。

技术实现思路

[0003]为了克服上述缺陷，提出了本专利技术，以提供解决或至少部分地解决如何在保护不同用户的信用数据的情况下联合使用不同用户的信用数据训练模型以及如何通过模型对用户的信用数据进行有效且准确地的信用评分的技术问题的信用评分方法、装置以及计算机可读存储介质。
[0004]在第一方面，本专利技术提供一种信用评分方法，所述方法包括：
[0005]采用多方安全计算方法控制多个计算节点根据各自持有的信用数据样本中至少一部分数据对同一违约概率模型进行协同训练，以确定违约概率模型的模型参数；其中，所述违约概率模型的违约概率计算函数是以信用数据样本的WOE值为自变量，以所述模型参数为所述自变量的权重，以违约概率为因变量构建的LR逻辑回归函数；
[0006]采用多方安全计算方法控制多个计算节点根据各自持有的模型参数中至少一部分参数对所述违约概率计算函数进行协同转换，以将所述违约概率计算函数由所述LR逻辑回归函数转换成多元线性回归函数并根据所述多元线性回归函数确定不同类型信用数据样本对应的回归系数；
[0007]控制多个计算节点根据所述回归系数以及各自持有的待评分信用数据中至少一部分数据对同一评分映射函数进行协同计算，得到所述待评分信用数据的信用分；其中，所述评分映射函数是以不同类型信用数据样本的WOE值为自变量，以所述回归系数为所述自变量的权重，以所述信用数据样本的信用分为因变量构建的函数。
[0008]在上述信用评分方法的一个技术方案中，“对违约概率模型进行协同训练”的步骤具体包括：
[0009]获取所述违约概率模型的模型训练函数，所述模型训练函数包括根据所述违约概率计算函数的函数值构建的模型损失函数以及根据违约概率计算函数的函数值与模型损失函数的函数值构建的模型参数优化函数；
[0010]采用多方安全计算方法控制每个计算节点根据各自持有的模型参数中至少一部
分参数分别加载违约概率模型，并通过所述违约概率模型与各自持有的信用数据样本中至少一部分数据，协同计算所述模型训练函数的函数值，以根据所述函数值对所述违约概率模型进行迭代协同训练。
[0011]在上述信用评分方法的一个技术方案中，“协同计算所述模型训练函数的函数值”的步骤具体包括：
[0012]根据所述模型训练函数的运算逻辑，确定通过相互组合能够实现所述运算逻辑的运算算子，所述运算算子至少包括乘法算子、加法算子、减法算子、数乘算子和多项式分段算子；
[0013]控制每个计算节点根据各自持有的信用数据样本中至少一部分数据分别计算每个运算算子的算子结果，并通过数据交换获取其他计算节点计算得到的算子结果；
[0014]控制每个计算节点根据各自计算得到的算子结果与通过数据交换获取到的算子结果，确定所述模型训练函数的函数值。
[0015]在上述信用评分方法的一个技术方案中，“对评分映射函数进行协同计算”的步骤具体包括：
[0016]根据所述评分映射函数的运算逻辑，确定通过相互组合能够实现所述运算逻辑的运算算子，所述运算算子至少包括乘法算子、加法算子和减法算子；
[0017]控制多个计算节点根据所述回归系数以及各自持有的待评分信用数据中至少一部分数据分别计算每个运算算子的算子结果，并通过数据交换获取其他计算节点计算得到的算子结果；
[0018]控制每个计算节点根据各自计算得到的算子结果与通过数据交换获取到的算子结果，确定所述评分映射函数的函数值，以得到所述待评分信用数据的信用分。
[0019]在上述信用评分方法的一个技术方案中，所述方法还包括：
[0020]将所述信用数据样本以秘密分享的方式分别分发至每个计算节点，以确定每个计算节点各自持有的信用数据样本；
[0021]和/或，将所述待评分信用数据以秘密分享的方式分别分发至每个计算节点，以确定每个计算节点各自持有的待评分信用数据；
[0022]和/或，将所述模型参数以秘密分享的方式分别分发至每个计算节点，以确定每个计算节点各自持有的模型参数。
[0023]第二方面，提供一种信用评分装置，所述装置包括：
[0024]模型训练模块，其被配置成采用多方安全计算方法控制多个计算节点根据各自持有的信用数据样本中至少一部分数据对同一违约概率模型进行协同训练，以确定违约概率模型的模型参数；其中，所述违约概率模型的违约概率计算函数是以信用数据样本的WOE值为自变量，以所述模型参数为所述自变量的权重，以违约概率为因变量构建的LR逻辑回归函数；
[0025]信用评分模块，其被配置成执行下列操作：
[0026]采用多方安全计算方法控制多个计算节点根据各自持有的模型参数中至少一部分参数对所述违约概率计算函数进行协同转换，以将所述违约概率计算函数由所述LR逻辑回归函数转换成多元线性回归函数并根据所述多元线性回归函数确定不同类型信用数据样本对应的回归系数；
[0027]控制多个计算节点根据所述回归系数以及各自持有的待评分信用数据中至少一部分数据对同一评分映射函数进行协同计算，得到所述待评分信用数据的信用分；其中，所述评分映射函数是以不同类型信用数据样本的WOE值为自变量，以所述回归系数为所述自变量的权重，以所述信用数据样本的信用分为因变量构建的函数。
[0028]在上述信用评分装置的一个技术方案中，所述模型训练模块被进一步配置成执行下列操作：
[0029]获取所述违约概率模型的模型训练函数，所述模型训练函数包括根据所述违约概率计算函数的函数值构建的模型损失函数以及根据违约概率计算函数的函数值与模型损失函数的函数值构建的模型参数优化函数；
[0030]采用多方安全计算方法控制每个计算节点根据各自持有的模型参数中至少一部分参数分别加载违约概率模型，并通过所述违约概率模型与各自持有的信用数据样本中至少一部分数据，协同计算所述模型训练函数的函数值，以根据所述函数值对所述违约概率模型进行迭代协同训练。
[0031]在上述信用评分装置的一个技术方案中，所述模型训练模块被进一步配置成执行下列操作：
[0032]根据所述模型训练函数的运算逻辑，确定通过相互组合能够实现所述运算逻辑的运算算子，所述运算算子至少包括乘法算子、加法算子、减法算子、数乘算子和多项式分段算子；
[0033]控本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信用评分方法，其特征在于，所述方法包括：采用多方安全计算方法控制多个计算节点根据各自持有的信用数据样本中至少一部分数据对同一违约概率模型进行协同训练，以确定违约概率模型的模型参数；其中，所述违约概率模型的违约概率计算函数是以信用数据样本的WOE值为自变量，以所述模型参数为所述自变量的权重，以违约概率为因变量构建的LR逻辑回归函数；采用多方安全计算方法控制多个计算节点根据各自持有的模型参数中至少一部分参数对所述违约概率计算函数进行协同转换，以将所述违约概率计算函数由所述LR逻辑回归函数转换成多元线性回归函数并根据所述多元线性回归函数确定不同类型信用数据样本对应的回归系数；控制多个计算节点根据所述回归系数以及各自持有的待评分信用数据中至少一部分数据对同一评分映射函数进行协同计算，得到所述待评分信用数据的信用分；其中，所述评分映射函数是以不同类型信用数据样本的WOE值为自变量，以所述回归系数为所述自变量的权重，以所述信用数据样本的信用分为因变量构建的函数。2.根据权利要求1所述的信用评分方法，其特征在于，“对同一违约概率模型进行协同训练”的步骤具体包括：获取所述违约概率模型的模型训练函数，所述模型训练函数包括根据所述违约概率计算函数的函数值构建的模型损失函数以及根据违约概率计算函数的函数值与模型损失函数的函数值构建的模型参数优化函数；采用多方安全计算方法控制每个计算节点根据各自持有的模型参数中至少一部分参数分别加载违约概率模型，并通过所述违约概率模型与各自持有的信用数据样本中至少一部分数据，协同计算所述模型训练函数的函数值，以根据所述函数值对所述违约概率模型进行迭代协同训练。3.根据权利要求2所述的信用评分方法，其特征在于，“协同计算所述模型训练函数的函数值”的步骤具体包括：根据所述模型训练函数的运算逻辑，确定通过相互组合能够实现所述运算逻辑的运算算子，所述运算算子至少包括乘法算子、加法算子、减法算子、数乘算子和多项式分段算子；控制每个计算节点根据各自持有的信用数据样本中至少一部分数据分别计算每个运算算子的算子结果，并通过数据交换获取其他计算节点计算得到的算子结果；控制每个计算节点根据各自计算得到的算子结果与通过数据交换获取到的算子结果，确定所述模型训练函数的函数值。4.根据权利要求1所述的信用评分方法，其特征在于，“对同一评分映射函数进行协同计算”的步骤具体包括：根据所述评分映射函数的运算逻辑，确定通过相互组合能够实现所述运算逻辑的运算算子，所述运算算子至少包括乘法算子、加法算子和减法算子；控制多个计算节点根据所述回归系数以及各自持有的待评分信用数据中至少一部分数据分别计算每个运算算子的算子结果，并通过数据交换获取其他计算节点计算得到的算子结果；控制每个计算节点根据各自计算得到的算子结果与通过数据交换获取到的算子结果，确定所述评分映射函数的函数值，以得到所述待评分信用数据的信用分。
5.根据权利要求1所述的信用评分方法，其特征在于，所述方法还包括：将所述信用数据样本以秘密分享的方式分别分发至每个计算节点，以确定每个计算节点各自持有的信用数据样本；和/或，将所述待评分信用数据以秘密分享的方式分别分发至每个计算节点，以确定每个计算节点各自持有的待评分信用数据；和/或，将所述模型参数以秘密分享的方式分别分发至每个计算节点，以确定每个计算节点各自持有的模型参数。6.一种信用评分装置，其特征在于，所述装置包括：模型训练模块，其被配置成采用多方安全计算方法控制多个计算节点根据各自持有的信用数据样本中至少一部分数据对同一违约概率模型进行协同训练，以确定违约概率模型的模型参数；其中，所述违约概率模型的违约概率计算函数是以信用数据...

【专利技术属性】
技术研发人员：张晓武，翁谦，张豪，
申请(专利权)人：云从科技集团股份有限公司，
类型：发明
国别省市：