数据处理方法、装置、设备及介质制造方法及图纸

本申请实施例提供一种数据处理方法、装置、设备及介质。该方法包括：获取目标用户的待处理数据；基于评分模型中第一网络计算的待处理数据的几何间隔，确定目标用户的第一目标评分；基于评分模型中第二网络的每一决策树的叶节点与待处理数据的对应关系，确定目标用户的第二目标评分；基于评分模型中第三网络的多个分类器对待处理数据进行分类计算的结果，确定目标用户的第三目标评分；确定第一目标评分、第二目标评分、第三目标评分，分别与第一预设评分权重的乘积之和，为目标用户的信用评分。根据本申请实施例，能够提高确定的目标用户的信用评分的准确性。信用评分的准确性。信用评分的准确性。

【技术实现步骤摘要】
数据处理方法、装置、设备及介质


[0001]本申请属于大数据领域，尤其涉及一种数据处理方法、装置、设备及介质。

技术介绍

[0002]现实生活中，人们经常使用用户评分模型对用户的优劣程度进行划分。然而现有技术中，通常使用的用户评分模型是基于单一的深度学习模型，并且输入的数据单一、数据的准确度不高，以致于通过现有的用户评分模型得到用户的信用评分不够准确。

技术实现思路

[0003]本申请实施例提供一种数据处理方法、装置、设备及介质，提高了用户的信用评分的准确度。
[0004]第一方面，本申请实施例提供一种数据处理方法，方法包括：获取目标用户的待处理数据；
[0005]基于评分模型中第一网络计算的待处理数据的几何间隔，确定目标用户的第一目标评分；
[0006]基于评分模型中第二网络的每一决策树的叶节点与待处理数据的对应关系，确定目标用户的第二目标评分；
[0007]基于评分模型中第三网络的多个分类器对待处理数据进行分类计算的结果，确定目标用户的第三目标评分；
[0008]确定第一目标评分、第二目标评分、第三目标评分，分别与第一预设评分权重的乘积之和，为目标用户的信用评分；
[0009]其中，第一目标评分、第二目标评分、第三目标评分和信用评分均用于评价目标用户的信用的优劣程度。
[0010]在第一方面的一种可选的实施方式中，基于评分模型中第一网络计算的待处理数据的几何间隔，确定目标用户的第一目标评分，包括：
[0011]将待处理数据输入至评分模型中的第一网络，通过第一网络计算待处理数据的几何间隔，并基于待处理数据的几何间隔对待处理数据进行分类计算，得到多个第一计算结果，并确定多个第一计算结果的平均值为目标用户的第一目标评分。
[0012]在第一方面的一种可选的实施方式中，基于评分模型中第二网络的每一决策树的叶节点与待处理数据的对应关系，确定目标用户的第二目标评分，包括：
[0013]将待处理数据输入至评分模型中的第二网络，通过将待处理数据中不同维度的数据映射在第二网络中每一决策树的叶节点上，基于每一叶节点对应的权重对待处理数据进行深度学习分类计算，得到多个第二计算结果，确定多个第二计算结果的平均值为目标用户的第二目标评分。
[0014]在第一方面的一种可选的实施方式中，基于评分模型中第三网络的多个分类器对待处理数据进行分类计算的结果，确定目标用户的第三目标评分，包括：
[0015]将待处理数据输入至评分模型中的第三网络，基于第三网络中多个不同的分类器，对待处理数据进行分类计算，得到多个第三计算结果，并确定多个第三计算结果的平均值为目标用户的第三目标评分。
[0016]在第一方面的一种可选的实施方式中，在基于评分模型中第一网络计算的待处理数据的几何间隔，确定目标用户的第一目标评分之前，方法还包括：
[0017]获取训练样本集，训练样本集中包括多个待处理数据样本及其每一待处理数据样本对应的标签评分；
[0018]利用训练样本集中的待处理数据样本训练预设评分模型，得到训练后的评分模型。
[0019]在第一方面的一种可选的实施方式中，评分模型包括第一评分子模型、第二评分子模型和第三评分子模型；在得到训练后的评分模型之前，方法还包括：
[0020]基于预设抽样法，将训练样本集划分成第一训练样本集，第二训练样本集和第三训练样本集；
[0021]利用第一训练样本集中的第一待处理数据样本训练预设的第一评分子模型，得到训练后的第一评分子模型；
[0022]利用第二训练样本集中的第二待处理数据样本训练预设的第二评分子模型，得到训练后的第二评分子模型；
[0023]利用第三训练样本集中的第三待处理数据样本训练预设的第三评分子模型，得到训练后的第三评分子模型。
[0024]在第一方面的一种可选的实施方式中，在得到第一评分子模型、第二评分子模型和第三评分子模型之后，利用训练样本中的待处理数据样本组训练预设评分模型，得到训练后的评分模型，包括：
[0025]基于预设评分模型中第一网络计算的待处理数据样本的几何间隔，确定第一目标参考评分；
[0026]基于预设评分模型中第二网络的每一决策树的叶节点与待处理数据样本的对应关系，确定第二目标参考评分；
[0027]基于预设评分模型中第三网络的多个分类器对待处理数据样本进行分类计算的结果，确定第三目标参考评分；
[0028]确定第一目标参考评分、第二目标参考评分、第三目标参考分别与第一预设评分权重的乘积之和为参考信用评分，其中，第一目标参考评分、第二目标参考评分、第三目标参考评分和参考信用评分均用于评价用户的信用的优劣程度；
[0029]根据目标待处理数据样本的参考信用评分和目标待处理数据样本的标签评分，确定预设评分模型的损失函数值，目标待处理数据样本是待处理数据样本中的任一个；
[0030]基于预设评分模型的损失函数值，利用待处理数据样本训练预设评分确定模型，得到训练后的评分模型。
[0031]在第一方面的一种可选的实施方式中，待处理数据样本包括用户数据样本和外部场景数据样本；基于预设评分模型中第一网络计算的待处理数据样本的几何间隔，确定第一目标参考评分，包括：
[0032]基于预设评分模型中第一网络计算的用户数据样本的几何间隔，确定第一用户参
考评分，第一用户参考评分用于评价用户的信用的优劣程度的评分；
[0033]将外部场景数据样本和第一用户参考评分输入预设评分模型中的第一网络，确定第一目标参考评分，其中，外部场景数据样本为通过预先操作选择的对用户进行信用评价的外部场景数据样本。
[0034]在第一方面的一种可选的实施方式中，用户数据样本包括经营数据样本、财务数据样本和行政数据样本；基于预设评分模型中第一网络计算的用户数据样本的几何间隔，确定第一用户参考评分，包括：
[0035]分别基于预设评分模型中第一网络计算的经营数据样本的几何间隔、财务数据样本的几何间隔和行政数据样本的几何间隔，确定经营数据样本的第一参考评分、财务数据样本的第二参考评分和行政数据样本的第三参考评分；
[0036]计算第一参考评分、第二参考评分和第三参考评分的平均值；
[0037]基于平均值、第一参考评分、第二参考评分和第三参考评分，计算第一用户参考评分；
[0038]其中，第一参考评分、第二参考评分和第三参考评分均用于评价用户的信用的优劣程度。
[0039]第二方面，本申请实施例提供了一种数据处理装置，装置包括：
[0040]获取模块，用于获取目标用户的待处理数据；
[0041]确定模块，用于基于评分模型中第一网络计算的待处理数据的几何间隔，确定目标用户的第一目标评分；
[0042]确定模块，用于基于评分模型中第二网络的每一决策树的叶节点与待处理数据的对应关系，确定目标用户的第二目标评分；
[0043]确定模块，用于基于评分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，所述方法包括：获取目标用户的待处理数据；基于评分模型中第一网络计算的所述待处理数据的几何间隔，确定所述目标用户的第一目标评分；基于评分模型中第二网络的每一决策树的叶节点与所述待处理数据的对应关系，确定所述目标用户的第二目标评分；基于评分模型中第三网络的多个分类器对所述待处理数据进行分类计算的结果，确定所述目标用户的第三目标评分；确定所述第一目标评分、所述第二目标评分、所述第三目标评分，分别与第一预设评分权重的乘积之和，为所述目标用户的信用评分；其中，所述第一目标评分、所述第二目标评分、所述第三目标评分和所述信用评分均用于评价所述目标用户的信用的优劣程度。2.根据权利要求1所述的方法，其特征在于，所述基于评分模型中第一网络计算的所述待处理数据的几何间隔，确定所述目标用户的第一目标评分，包括：将所述待处理数据输入至评分模型中的第一网络，通过所述第一网络计算所述待处理数据的几何间隔，并基于所述待处理数据的几何间隔对所述待处理数据进行分类计算，得到多个第一计算结果，并确定所述多个第一计算结果的平均值为所述目标用户的第一目标评分。3.根据权利要求1所述的方法，其特征在于，所述基于评分模型中第二网络的每一决策树的叶节点与所述待处理数据的对应关系，确定所述目标用户的第二目标评分，包括：将所述待处理数据输入至评分模型中的第二网络，通过将所述待处理数据中不同维度的数据映射在所述第二网络中每一决策树的叶节点上，基于每一叶节点对应的权重对所述待处理数据进行深度学习分类计算，得到多个第二计算结果，确定所述多个第二计算结果的平均值为所述目标用户的第二目标评分。4.根据权利要求1所述的方法，其特征在于，所述基于评分模型中第三网络的多个分类器对所述待处理数据进行分类计算的结果，确定所述目标用户的第三目标评分，包括：将所述待处理数据输入至评分模型中的第三网络，基于所述第三网络中多个不同的分类器，对所述待处理数据进行分类计算，得到多个第三计算结果，并确定所述多个第三计算结果的平均值为所述目标用户的第三目标评分。5.根据权利要求1所述的方法，其特征在于，在所述基于评分模型中第一网络计算的所述待处理数据的几何间隔，确定所述目标用户的第一目标评分之前，所述方法还包括：获取训练样本集，所述训练样本集中包括多个待处理数据样本及其每一待处理数据样本对应的标签评分；利用所述训练样本集中的待处理数据样本训练预设评分模型，得到训练后的评分模型。6.根据权利要求5所述的方法，其特征在于，所述评分模型包括第一评分子模型、第二评分子模型和第三评分子模型；在得到训练后的评分模型之前，所述方法还包括：基于预设抽样法，将所述训练样本集划分成第一训练样本集，第二训练样本集和第三训练样本集；
利用所述第一训练样本集中的第一待处理数据样本训练预设的第一评分子模型，得到训练后的第一评分子模型；利用所述第二训练样本集中的第二待处理数据样本训练预设的第二评分子模型，得到训练后的第二评分子模型；利用所述第三训练样本集中的第三待处理数据样本训练预设的第三评分子模型，得到训练后的第三评分子模型。7.根据权利要求6所述的方法，其特征在于，在得到所述第一评分子模型、第二评分子模型和第三评分子模型之后，所述利用所述训练样本集中的待处理数据样本训练预设评分模型，得到训练后的评分模型，包括：基于预设评分模型中第一网络计算的所述待处理数据样本的几何间隔，确定第一目标参考评分；基于预设评分模型中第二网络的每一决策树的叶节点与所述待处理数据样本的对应关系，确定第二目标参考评分；基于预设评分模型中第三...

【专利技术属性】
技术研发人员：张立超，
申请(专利权)人：中国建设银行股份有限公司，
类型：发明
国别省市：