业务处理方法、模型训练方法、设备及存储介质与流程

本申请涉及数据处理技术领域，尤其涉及一种业务处理方法、模型训练方法、设备及存储介质。

背景技术：

随着互联网、信息化技术的发展，各业务领域都在不断电子化，例如在保险业务领域中可以在线投保，在线理赔、保险产品在线推荐等，还可以进行在在线贷款业务。但是，在线贷款业务不能对客户进行全面了解，贷款风险较高。

技术实现要素：

本申请的多个方面提供一种业务处理方法、模型训练方法、设备及存储介质，基于历史信贷用户的面部图像进行模型训练，找到人脸特征与还款行为的潜在联系，并利用训练得到的信用风险预测模型对有贷款需求的用户进行信用风险的预测，降低放贷方的放贷风险。

本申请示例性实施例提供一种业务处理方法，适用于计算设备，所述方法包括：

采集目标用户的面部图像，所述目标用户是发起业务申请的用户；

基于人脸识别技术，从所述目标用户的面部图像中提取所述目标用户的人脸特征；

将所述目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到所述目标用户的信用风险值；

根据所述目标用户的信用风险值，对所述目标用户进行业务处理。

本申请示例性实施例还提供一种模型训练方法，适用于服务端设备，所述方法包括：

获取历史信贷用户的面部图像；

基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；

从所述人脸特征中选择与用户还款行为关联的目标特征；

对目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型。

本申请示例性实施例还提供一种计算设备，包括：视觉传感器、一个或多个处理器以及一个或多个存储计算机程序的存储器；

所述视觉传感器，用于采集目标用户的面部图像；

所述一个或多个处理器，用于执行所述计算机程序，以用于：

采集目标用户的面部图像，所述目标用户是发起业务申请的用户；

基于人脸识别技术，从所述目标用户的面部图像中提取所述目标用户的人脸特征；

将所述目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到所述目标用户的信用风险值；

根据所述目标用户的信用风险值，对所述目标用户进行业务处理。

本申请示例性实施例还提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器执行包括以下的动作：

采集目标用户的面部图像，所述目标用户是发起业务申请的用户；

基于人脸识别技术，从所述目标用户的面部图像中提取所述目标用户的人脸特征；

将所述目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到所述目标用户的信用风险值；

根据所述目标用户的信用风险值，对所述目标用户进行业务处理。

本申请示例性实施例还提供一种服务端设备，包括：一个或多个处理器以及一个或多个存储计算机程序的存储器；

所述一个或多个处理器，用于执行所述计算机程序，以用于：

获取历史信贷用户的面部图像；

基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；

从所述人脸特征中选择与用户还款行为关联的目标特征；

对目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型。

本申请示例性实施例还提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器执行包括以下的动作：

获取历史信贷用户的面部图像；

基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；

从所述人脸特征中选择与用户还款行为关联的目标特征；

对目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型。

在本申请一些示例性实施例中，服务端设备预先训练出信用风险预测模型，计算设备采集目标用户的面部图像，基于人脸识别技术，从目标用户的面部图像中提取目标用户的人脸特征；将目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到目标用户的信用风险值；根据目标用户的信用风险值，对目标用户进行业务处理，降低业务风险。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请示例性实施例提供的一种模型训练方法的方法流程图；

图2为本申请示例性实施例提供的一种业务处理方法的方法流程图；

图3为本申请示例性实施例提供的一种更加详细的业务处理方法的方法流程图；

图4为本申请示例性实施例提供的一种计算设备的结构框图；

图5为本申请示例性实施例提供的一种服务端设备的结构框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

针对目前在线贷款业务不能对客户进行全面了解，贷款风险较高的问题，在本申请一些示例性实施例中，服务端设备预先训练出信用风险预测模型，计算设备采集目标用户的面部图像，基于人脸识别技术，从目标用户的面部图像中提取目标用户的人脸特征；将目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到目标用户的信用风险值；根据目标用户的信用风险值，对目标用户进行业务处理，降低业务风险。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本申请示例性实施例提供的一种模型训练方法的方法流程图，如图1所示，该方法包括以下步骤：

s101：获取历史信贷用户的面部图像；

s102：基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；

s103：从人脸特征中选择与用户还款行为关联的目标特征；

s104：对目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型。

在本实施例中，训练信用风险预测模型的设备为模型的拥有者，可以为用户自身的设备，例如，某个企业用户想要评估办理企业相关业务的个人用户的信用风险，可以利用企业用户服务器进行训练信用风险预测模型，在本实施例中，获取历史信贷用户的面部图像的方式可以为，用户设备从自身的数据库中调取历史信贷用户的面部图像。显然，训练信用风险预测模型的设备也可以为服务提供商的服务设备，服务设备训练模型需要使用用户设备提供的用户数据，这里的用户数据往往涉及用户的隐私，因此，获取历史信贷用户的面部图像的方式可以为，用户设备可以对历史信贷用户的面部图像经过加密后发送给服务设备以进行模型训练。在本实施例中，并不限定服务器的实现形态，例如服务器可以是常规服务器云服务器、云主机、虚拟中心等服务器设备。其中，服务器设备的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类型。

服务端设备在获取历史信贷用户的面部图像后，基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征。人脸特征包括但不限于下列至少一种：眉间距，瞳间距，眼睛长度，眼睛宽度，眼睛形状，面部斑点位置，面部斑点数量，和面部表情等。

在从历史信贷用户的面部图像中提取人脸特征后，从人脸特征中选择与用户还款行为关联的目标特征。一种可实现的方式为，利用滚动率算法，对历史信贷用户的还款行为进行好坏判定；对历史信贷用户的人脸特征和历史信贷用户的还款行为的判定结果进行关联分析，得到各个人脸特征及人脸特征组合对还款行为的预测能力；选取对还款行为的预测能力满足设定阈值的人脸特征及人脸特征组合，作为与还款行为关联的目标特征。本申请利用滚动率算法，先对历史信贷用户的还款行作出好坏划分，再对各个人脸特征和还款行为进行分析，从而获得个人脸特征及人脸特征组合对还款行为的预测能力，并进一步根据设定阈值选出目标特征，选择出的目标特征对还款行为的预测能力良好。

在从人脸特征中选择与用户还款行为关联的目标特征后，先将目标特征转换为哑变量，对目标特征对应的哑变量以及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型。哑变量使得逻辑回归模型变得更复杂，但对问题的描述更加简明。

在本申请模型训练方法的实施例中，服务端设备获取历史信贷用户的面部图像；基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；从人脸特征中选择与用户还款行为关联的目标特征；目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型，通过模型训练找到人脸特征与还款行为的潜在联系，模型训练方法简单方便。

图2为本申请示例性实施例提供的一种业务处理方法的方法流程图，如图2所示，方法包括：

s201：采集目标用户的面部图像，目标用户是发起业务申请的用户；

s202：基于人脸识别技术，从目标用户的面部图像中提取目标用户的人脸特征；

s203：将目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到目标用户的信用风险值；

s204：根据目标用户的信用风险值，对目标用户进行业务处理。

在本实施例中，业务处理方法的执行主体可以为计算设备(下称计算设备)，也可以训练模型之外的其他计算设备，此时，服务端设备的只需要将训练好的信用风险预测模型发送至计算设备即可。在本实施例中，业务处理方法的执行主体可以为企业的服务器，并不限定服务器的实现形态，例如服务器可以是常规服务器云服务器、云主机、虚拟中心等服务器设备。其中，服务器设备的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类型。

在上述实施例中，计算设备利用自身设置的视觉传感器采集目标用户的面部图像。目标用户是发起业务申请的用户，业务类型包括贷款申请，信用卡申请等。其中，采集目标用户的面部图像，包括下列两种方式：

方式一，对目标用户的面部进行拍照，获取至少一张目标用户的面部图像；

方式二，对目标用户的面部进行摄像，摄制预设时间的面部图像视频。

在上述实施例中，在采集到目标用户的面部图像后，基于人脸识别技术，从目标用户的面部图像中提取目标用户的人脸特征。在本实施例中，提取的目标用户的人脸特征为信用风险预测模型的输入所需的人脸特征。

在提取到目标用户的人脸特征后，将提取到的人脸特征，输入预先训练出的信用风险预测模型，信用风险预测模型的输出为目标用户的信用风险值。根据目标用户的信用风险值，对目标用户进行业务处理，包括下列两种情形：

方式一，根据目标用户的信用风险值，确定用户所处的信用风险等级；若目标用户的信用风险等级小于设定风险等级，为目标用户生成放贷结果。

在上述方式一中，目标用户的信用风险等级可以包括风险高、风险中等、风险低三个等级，例如，设定风险等级为风险高，若目标用户的信用风险等级为风险中等或风险低时(即小于风险高)，可以对目标用户进行放贷，并生成可以对目标用户进行放贷的放贷结果。其中，本申请对设定风险等级不作限定，设定风险等级可以根据用户的实际情况作出调整。

方式二，根据目标用户的信用风险值，判断是否对目标用户进行放贷；若用户的信用风险值小于设定风险阈值，为目标用户生成放贷结果。

在上述方式二中，例如，目标用户的信用风险值可以设置为百分值，用户设定风险阈值为60分，当用户的信用风险值小于60分时，可以对目标用户进行放贷，并生成可以对目标用户进行放贷的放贷结果。其中，本申请对设定风险阈值不作限定，设定风险阈值可以根据用户的实际情况作出调整。

在本申请业务处理方法的实施例中，采集目标用户的面部图像，目标用户是发起业务申请的用户；基于人脸识别技术，从目标用户的面部图像中提取目标用户的人脸特征；将目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到目标用户的信用风险值；根据目标用户的信用风险值，对目标用户进行业务处理，降低业务风险，避免损失。

结合上述各实施例，综合模型训练阶段和模型执行阶段，图3为本申请示例性实施例提供的一种更加详细的业务处理方法的方法流程图，如图3所示，方法包括：

s301：获取历史信贷用户的面部图像；

s302：基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；

s303：从人脸特征中选择与用户还款行为关联的目标特征；

s304：对目标特征及目标特征关联的还款行为进行逻辑回归模型训练，输出训练得到信用风险预测模型；

s305：采集目标用户的面部图像，目标用户是发起业务申请的用户；

s306：基于人脸识别技术，从目标用户的面部图像中提取目标用户的人脸特征；将目标用户的人脸特征，输入步骤s304训练出的信用风险预测模型中，得到目标用户的信用风险值；

s307：根据目标用户的信用风险值，对目标用户进行业务处理。

在本申请业务处理方法的实施例中，采集目标用户的面部图像，目标用户是发起业务申请的用户；基于人脸识别技术，从目标用户的面部图像中提取目标用户的人脸特征；将目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到目标用户的信用风险值；根据目标用户的信用风险值，对目标用户进行业务处理，降低业务风险，避免损失。

图4为本申请示例性实施例提供的一种计算设备的结构框图，如图4所示，该计算设备包括：存储器402、处理器401以及视觉传感器403；计算设备还可以包括电源组件404，通信组件405等必要组件。

视觉传感器403，用于采集目标用户的面部图像；

存储器402，用于存储计算机程序；

处理器401，用于执行计算机程序，以用于：基于人脸识别技术，从目标用户的面部图像中提取目标用户的人脸特征；将目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到目标用户的信用风险值；根据目标用户的信用风险值，对目标用户进行业务处理。

可选地，处理器401在目标用户发起的业务申请是贷款业务申请，则根据目标用户的信用风险值，对目标用户进行业务处理时，具体用于：根据目标用户的信用风险值，确定用户所处的信用风险等级；若目标用户的信用风险等级小于设定风险等级，为目标用户生成放贷结果。

可选地，处理器401还可用于训练信用风险预测模型的方法，处理器401在执行训练信用风险预测模型的方法时，具有用于：获取历史信贷用户的面部图像；基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；从人脸特征中选择与用户还款行为关联的目标特征；对目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质。当计算机可读存储介质存储计算机程序，且计算机程序被一个或多个处理器执行时，致使一个或多个处理器执行图1方法实施例中的各步骤。

在本申请计算设备的实施例中，采集目标用户的面部图像，目标用户是发起业务申请的用户；基于人脸识别技术，从目标用户的面部图像中提取目标用户的人脸特征；将目标用户的人脸特征，输入预先训练出的信用风险预测模型，得到目标用户的信用风险值；根据目标用户的信用风险值，对目标用户进行业务处理，降低业务风险，避免损失。

图5为本申请示例性实施例提供的一种服务端设备的结构框图，如图5所示，该服务端设备包括：存储器502、处理器501；服务端设备还可以包括电源组件503、通信组件504等必要组件。

存储器502，用于存储计算机程序；

处理器501，用于执行计算机程序，以用于：获取历史信贷用户的面部图像；基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；从人脸特征中选择与用户还款行为关联的目标特征；对目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型。

可选地，处理器501在从人脸特征中选择与用户还款行为关联的目标特征时，具体用于：利用滚动率算法，对历史信贷用户的还款行为进行好坏判定；对历史信贷用户的人脸特征和历史信贷用户的还款行为的判定结果进行关联分析，得到各个人脸特征及人脸特征组合对还款行为的预测能力；选取对还款行为的预测能力满足设定阈值的人脸特征及人脸特征组合，作为与还款行为关联的目标特征。

可选地，处理器501在对目标特征及目标特征关联的还款行为进行逻辑回归模型训练时，具体用于：将目标特征转换为哑变量；对目标特征对应的哑变量以及目标特征关联的还款行为进行逻辑回归模型训练。

可选地，人脸特征包括但不限于下列至少一种：眉间距，瞳间距，眼睛长度，眼睛宽度，眼睛形状，面部斑点位置，面部斑点数量和面部表情。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质。当计算机可读存储介质存储计算机程序，且计算机程序被一个或多个处理器执行时，致使一个或多个处理器执行图2方法实施例中的各步骤。

在本申请服务端设备的实施例中，服务端设备获取历史信贷用户的面部图像；基于图像识别技术，从历史信贷用户的面部图像中提取人脸特征；从人脸特征中选择与用户还款行为关联的目标特征；目标特征及目标特征关联的还款行为进行逻辑回归模型训练，得到信用风险预测模型，通过模型训练找到人脸特征与还款行为的潜在联系，模型训练方法简单方便。

上述图4和图5中的通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件还包括近场通信(nfc)技术、射频识别(rfid)技术、红外数据协会(irda)技术、超宽带(uwb)技术和蓝牙(bt)技术等，以促进短程通信。

上述图4和图5中的电源组件，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。