本发明专利技术提供了一种信用风险评价方法及装置、存储介质及电子设备，可应用于金融领域或其他领域，该方法包括：响应于信用风险评价指令，确定所述信用风险评价指令对应的用户；获取所述用户的信用行为数据；通过预先构建的信用风险评价模型中的第一特征提取模块对所述用户的信用行为数据进行特征提取，获得所述信用行为数据的第一信用行为特征；通过所述信用风险评价模型中的第二特征提取模块对所述用户的信用行为数据进行特征提取，获得所述信用行为数据的第二信用行为特征；通过所述信用风险评价模型中的输出模块基于所述第一信用行为特征和所述第二信用行为特征，获得所述用户的信用风险评价结果。能够提高信用风险的评价准确性和评价效率。准确性和评价效率。准确性和评价效率。
【技术实现步骤摘要】
一种信用风险评价方法及装置、存储介质及电子设备
[0001]本专利技术涉及数据处理
，特别涉及一种信用风险评价方法及装置、存储介质及电子设备。
技术介绍
[0002]当前随着经济社会的发展，银行的互联网金融产品高速发展。银行在互联网上提供信贷服务的同时，需要对信贷客户的信息进行信用风险评价，以此来降低客户的违约风险。
[0003]现有的信用风险评价方式是通过专家设计申请者的特征进行评估，评估主观性强，无法做到经验批量复制，且模型开发工作量较大，导致信用风险评价准确性、评价效率较低。
技术实现思路
[0004]本专利技术所要解决的技术问题是提供一种信用风险评价方法，能够提高信用风险的评价准确性和评价效率。
[0005]本专利技术还提供了一种信用风险评价装置，用以保证上述方法在实际中的实现及应用。
[0006]一种信用风险评价方法，包括：
[0007]响应于信用风险评价指令，确定所述信用风险评价指令对应的用户；
[0008]获取所述用户的信用行为数据；
[0009]通过预先构建的信用风险评价模型中的第一特征提取模块对所述用户的信用行为数据进行特征提取，获得所述信用行为数据的第一信用行为特征；
[0010]通过所述信用风险评价模型中的第二特征提取模块对所述用户的信用行为数据进行特征提取，获得所述信用行为数据的第二信用行为特征；
[0011]通过所述信用风险评价模型中的输出模块基于所述第一信用行为特征和所述第二信用行为特征，获得所述用户的信用风险评价结果。
[0012]上述的方法，可选的，所述通过所述信用风险评价模型中的输出模块基于所述第一信用行为特征和所述第二信用行为特征，获得所述用户的信用风险评价结果，包括：
[0013]通过所述信用风险评价模型中的输出模块的特征融合层对所述第一信用行为特征和第二信用行为特征进行特征融合，获得融合特征；
[0014]通过所述信用风险评价模型中的输出模块的输出层基于所述融合特征，确定所述用户与每个预设的候选标签之间的概率值；将各个所述概率值中数值最大的目标概率值所属的候选标签作为所述用户的信用风险评价结果。
[0015]上述的方法，可选的，构建所述信用风险评价模型的过程，包括：
[0016]获取训练数据集以及初始信用风险评价模型；所述训练数据集包括多个训练样本，每个所述训练样本包括一个历史用户的已标注样本标签的历史信用行为数据；所述标
本标签表征所述历史用户的信用风险评价结果；
[0017]利用所述训练数据集中的各个训练样本训练所述初始信用风险评价模型，直到所述初始信用风险评价模型满足预设的训练条件；
[0018]将满足所述训练条件的初始信用风险评价模型确定为信用风险评价模型。
[0019]上述的方法，可选的，通过预先构建的信用风险评价模型中的第一特征提取模块对所述用户的信用行为数据进行特征提取，获得所述信用行为数据的第一信用行为特征，包括：
[0020]通过所述信用风险评价模型的第一特征提取模块中的卷积神经网络，对所述信用行为数据进行特征提取，获得第一信用行为初始特征；
[0021]通过所述信用风险评价模型的第一特征提取模块中的多头注意力机制层，对所述第一信用行为初始特征进行处理，获得所述信用行为数据的第一信用行为特征。
[0022]上述的方法，可选的，所述获得所述用户的信用风险评价结果之后，还包括：
[0023]在所述用户的信用风险评价结果满足预设的信用风险告警条件的情况下，输出针对所述用户的信用风险告警信息。
[0024]一种信用风险评价装置，包括：
[0025]确定单元，用于响应于信用风险评价指令，确定所述信用风险评价指令对应的用户；
[0026]获取单元，用于获取所述用户的信用行为数据；
[0027]第一特征提取单元，用于通过预先构建的信用风险评价模型中的第一特征提取模块对所述用户的信用行为数据进行特征提取，获得所述信用行为数据的第一信用行为特征；
[0028]第二特征提取单元，通过所述信用风险评价模型中的第二特征提取模块对所述用户的信用行为数据进行特征提取，获得所述信用行为数据的第二信用行为特征；
[0029]输出单元，用于通过所述信用风险评价模型中的输出模块基于所述第一信用行为特征和所述第二信用行为特征，获得所述用户的信用风险评价结果。
[0030]上述的装置，可选的，所述输出单元，包括：
[0031]特征融合子单元，用于通过所述信用风险评价模型中的输出模块的特征融合层对所述第一信用行为特征和第二信用行为特征进行特征融合，获得融合特征；
[0032]输出子单元，用于通过所述信用风险评价模型中的输出模块的输出层基于所述融合特征，确定所述用户与每个预设的候选标签之间的概率值；将各个所述概率值中数值最大的目标概率值所属的候选标签作为所述用户的信用风险评价结果。
[0033]上述的装置，可选的，还包括：模型训练单元；所述模型训练单元，用于：
[0034]获取训练数据集以及初始信用风险评价模型；所述训练数据集包括多个训练样本，每个所述训练样本包括一个历史用户的已标注样本标签的历史信用行为数据；所述标本标签表征所述历史用户的信用风险评价结果；
[0035]利用所述训练数据集中的各个训练样本依次训练所述初始信用风险评价模型，直到所述初始信用风险评价模型满足预设的训练条件；
[0036]将满足所述训练条件的初始信用风险评价模型确定为信用风险评价模型。
[0037]上述的装置，可选的，所述第一特征提取单元，被配置为：
[0038]通过所述信用风险评价模型的第一特征提取模块中的卷积神经网络，对所述信用行为数据进行特征提取，获得第一信用行为初始特征；
[0039]通过所述信用风险评价模型的第一特征提取模块中的多头注意力机制层，对所述第一信用行为初始特征进行处理，获得所述信用行为数据的第一信用行为特征。
[0040]上述的装置，可选的，所述信用风险评价装置，还包括：告警单元；
[0041]所述告警单元，用于在所述用户的信用风险评价结果满足预设的信用风险告警条件的情况下，输出针对所述用户的信用风险告警信息。
[0042]一种存储介质，所述存储介质包括存储指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如上述的信用风险评价方法。
[0043]一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如上述的信用风险评价方法。
[0044]与现有技术相比，本专利技术包括以下优点：
[0045]本专利技术提供了一种信用风险评价方法及装置、存储介质及电子设备，该方法包括：响应于信用风险评价指令，确定所述信用风险评价指令对应的用户；获取所述用户的信用行为数据；通过预先构建的信用风险评价模型中的第一特征提取模块对所述用户的信本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种信用风险评价方法，其特征在于，包括：响应于信用风险评价指令，确定所述信用风险评价指令对应的用户；获取所述用户的信用行为数据；通过预先构建的信用风险评价模型中的第一特征提取模块对所述用户的信用行为数据进行特征提取，获得所述信用行为数据的第一信用行为特征；通过所述信用风险评价模型中的第二特征提取模块对所述用户的信用行为数据进行特征提取，获得所述信用行为数据的第二信用行为特征；通过所述信用风险评价模型中的输出模块基于所述第一信用行为特征和所述第二信用行为特征，获得所述用户的信用风险评价结果。2.根据权利要求1所述的方法，其特征在于，所述通过所述信用风险评价模型中的输出模块基于所述第一信用行为特征和所述第二信用行为特征，获得所述用户的信用风险评价结果，包括：通过所述信用风险评价模型中的输出模块的特征融合层对所述第一信用行为特征和第二信用行为特征进行特征融合，获得融合特征；通过所述信用风险评价模型中的输出模块的输出层基于所述融合特征，确定所述用户与每个预设的候选标签之间的概率值；将各个所述概率值中数值最大的目标概率值所属的候选标签作为所述用户的信用风险评价结果。3.根据权利要求1所述的方法，其特征在于，构建所述信用风险评价模型的过程，包括：获取训练数据集以及初始信用风险评价模型；所述训练数据集包括多个训练样本，每个所述训练样本包括一个历史用户的已标注样本标签的历史信用行为数据；所述标本标签表征所述历史用户的信用风险评价结果；利用所述训练数据集中的各个训练样本训练所述初始信用风险评价模型，直到所述初始信用风险评价模型满足预设的训练条件；将满足所述训练条件的初始信用风险评价模型确定为信用风险评价模型。4.根据权利要求1所述的方法，其特征在于，通过预先构建的信用风险评价模型中的第一特征提取模块对所述用户的信用行为数据进行特征提取，获得所述信用行为数据的第一信用行为特征，包括：通过所述信用风险评价模型的第一特征提取模块中的卷积神经网络，对所述信用行为数据进行特征提取，获得第一信用行为初始特征；通过所述信用风险评价模型的第一特征提取模块中的多头注意力机制层，对所述第一信用行为初始特征进行处理，获得所述信用行为数据的第一信用行为特征。5.根据权利要求1所述的方法，其特征在于，所述获得所述用户的信用风险评价结果之后...
【专利技术属性】
技术研发人员：赵玲，朱志宇，方莲娣，马换新，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。