本说明书涉及数据处理
技术领域：
，特别涉及一种个人用户的信用评分方法和装置。
背景技术：
个人用户的信用评分的获得，可以是通过对个人用户的信息进行量化计算得出信用分值，能够用于定量评估个人用户的信用风险。个人用户的信用评分是现代社会信用消费的保障和基础，可以被广泛地应用于个人信贷、信用卡、保险理赔等金融业务中，为信用政策的制定、分析、评估、优化提供量化支持。通常个人用户的信用评分可以依据银行征信资料，而根据世界银行2014年发布的报告可知，全世界人口中有近1/3的人没有银行账户，很多人没有传统的信贷信用记录，银行征信资料缺失，甚至任何资金的记录都是空白的。探索一种利用其它信息进行个人用户信用评分的方式，对于发展普惠金融意义重大。技术实现要素：有鉴于此，本说明书一个或多个实施例提供一种个人用户的信用评分方法和装置，以实现基于电信运营商数据的信用评分。具体地，本说明书一个或多个实施例是通过如下技术方案实现的：第一方面，提供一种个人用户的信用评分方法，所述方法包括：采集待评分的目标用户的电信运营商数据，所述电信运营商数据包括：与所述目标用户的信用风险相关联的多个维度的数据；根据所述多个维度的数据，统计得到所述多个维度中各个维度的特征变量；将所述多个维度中各个维度的特征变量，分别输入所述维度对应的维度分值模型，得到所述维度对应的维度分值；所述维度分值模型是根据所述维度的样本电信运营商数据和信贷黑白样本数据预先训练得到；将所述各个维度的维度分值和所述各个维度的特征变量，输入预先训练的信用分模型，得到所述目标用户的用户信用评分。第二方面，提供一种个人用户的信用评分装置，所述装置包括：数据采集模块，用于采集待评分的目标用户的电信运营商数据，所述电信运营商数据包括：与所述目标用户的信用风险相关联的多个维度的数据；数据处理模块，用于根据所述多个维度的数据，统计得到所述多个维度中各个维度的特征变量；维度处理模块，用于将所述多个维度中各个维度的特征变量，分别输入所述维度对应的维度分值模型，得到所述维度对应的维度分值；所述维度分值模型是根据所述维度的样本电信运营商数据和信贷黑白样本数据预先训练得到；分值获得模块，用于将所述各个维度的维度分值和所述各个维度的特征变量，输入预先训练的信用分模型，得到所述目标用户的用户信用评分。第三方面，提供一种个人用户的信用评分设备，所述设备包括存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行指令时实现以下步骤：采集待评分的目标用户的电信运营商数据，所述电信运营商数据包括：与所述目标用户的信用风险相关联的多个维度的数据；根据所述多个维度的数据，统计得到所述多个维度中各个维度的特征变量；将所述多个维度中各个维度的特征变量，分别输入所述维度对应的维度分值模型，得到所述维度对应的维度分值；所述维度分值模型是根据所述维度的样本电信运营商数据和信贷黑白样本数据预先训练得到；将所述各个维度的维度分值和所述各个维度的特征变量，输入预先训练的信用分模型，得到所述目标用户的用户信用评分。本说明书一个或多个实施例的个人用户的信用评分方法和装置，通过获取刻画电信运营商用户的多种维度的变量指标，并根据这些变量指标得到各个维度的分值和用户信用评分，使得基于电信运营商数据即可得到用户的信用评分，而且还给出了用户画像，方便对用户的信用风险进行解释。该方法对电信运营商数据进行了深度挖掘，从很多维度发现用户的稳定性描述，用于关联用户的信用风险，对用户的刻画更准确。附图说明为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本说明书一个或多个实施例提供的用户信用评分的各个维度以及维度依据数据；图2为本说明书一个或多个实施例提供的用于刻画用户的用户画像的图示结构示意；图3为本说明书一个或多个实施例提供的个人用户的信用评分方法；图4为本说明书一个或多个实施例提供的个人用户的信用评分装置；图5为本说明书一个或多个实施例提供的个人用户的信用评分装置。具体实施方式为了使本
技术领域：
的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。尽管有很多人没有银行账户，银行征信资料缺失，甚至任何资金的记录都是空白的，但是，拥有手机的人口很多，比如，国内手机用户已经超过13亿户，互联网的网民规模已经达到了6.5亿户，普及率达到47.8％，加强电信运营商数据的应用对于发展普惠金融意义重大。电信付费数据是和金融征信强相关的数据源，并且，电信运营商掌握了大量的业务运营、基站位置、通话行为、上网行为等用户数据，这些数据具有海量、连续、稳定的特征，成为除传统信贷数据之外进行信用评估的重要替代数据，针对消费者几个月的手机数据便能提供足够的样本量进行风险建模。基于此，本说明书至少一个实施例提供了一种个人用户的信用评分方法，该方法利用电信运营商的数据，深入挖掘电信运营商内部日常源源不断产生的用户数据，构建一个通信运营商可以通用的信用评分系统，得到个人用户的用户信用评分，为广大用户的各种金融服务场景提供便利。采集数据首先，可以采集用于依据进行信用评分的电信运营商数据，所采集的电信运营商数据可以包括与待评分的目标用户的信用风险相关联的多个维度的数据。其中，假设要利用该信用评分方法为用户u1进行评分，那么可以将u1称为目标用户。目标用户的信用风险可以指的是，目标用户具有很大的违约风险，或者目标用户是一个信用较好的用户，违约风险较小。而所述的与目标用户的信用风险相关联的数据，可以是能够由这些数据或者数据的统计结果反映出用户的信用风险。所述的信用风险相关联的数据可以包括多个维度，有多个维度的数据都可以揭示信用风险，该多个维度可以是不同的类型，反映了目标用户不同方面的特征。例如，采集的电信运营商数据的多个维度可以包括如下至少一项：反映目标用户的人脉关系的数据；反映目标用户的消费能力的数据；反映目标用户的信用记录的数据；反映目标用户的行为偏好的数据；反映目标用户的背景身份的数据。上述的人脉关系、消费能力、信用记录、行为偏好和背景身份的反映依据数据，也可以包括多种类型。例如，人脉关系可以通过用户的通信关系网络或通信关系双实体来反映。又例如，信用记录可以通过金融机构信用记录或者运营商信用记录来反映。再例如，消费能力可以通过用户的终端消费水平来反映。再者，在采集了用于依据反映用户的人脉关系等多维度的数据后，可以根据所述多个维度的数据，进行进一步的统计，得到各个维度的特征变量。例如，在人脉关系维度的确定中，可以根据采集的用户与用户之间的通信行为，统计用户群体之间的关系网络图。图1示例了至少一个实施例中的用户信用评分的各个维度以及维度依据数据，并且，如下结合图1，举例了各个维度的维度依据数据，实际实施中包括但不限于下述数据。其中，维度依据数据即用于依据来确定用户的人脉关系等各个维度特征的数据。在对目标用户评分时，依据的目标用户的数据可以包括：维度一：背景身份1)直接数据：用户注册留下的身份信息，例如，身份证、手机号码、性别、年龄等。2)间接数据：围绕运营商通信业务特点形成的，例如，入网时长、所属集团、用户星级，是否实名、终端品牌、是否黑灰名单、是否加入亲情网、家庭网等。3)模型数据：基于用户行为数据挖掘出来的数据，例如，可以是基于用户的位置等行为数据，推断出是否有稳定工作，是否大学生，职业等。维度二：人脉关系1)通信关系单实体：用户通信关系中黑/灰人数占比、高价值用户占比、交往圈人数、主动联系人数、强关系人数等。其中，高价值用户占比等数据可以是根据采集的数据统计得到的特征变量。2)通信关系双实体：用户与用户之间的通话次数、短信次数、频次、通话时长，并可分主叫被叫，通话时间段进行更细粒度的切分等。3)通信关系网络：通过用户与用户之间的通信行为，构建电信运营商用户群体的关系网络图，比如，可以参考pagerank算法，得到一个人的相对影响力值。其中，在人脉关系维度，用户的人脉关系在一定程度上可以体现一个人的社会价值，所处的社会阶层。如果一个人所处的人脉关系网中，大部分都是高价值用户，他有更大概率是高价值用户，所述的高价值用户可以是从未信用违约并且收入和生活较为稳定。如果一个人跟很多信用违约的人都有紧密联系，这个人也很可能也会产生信用违约。维度三：消费能力1)通信消费：例如，月总费用、语音、短信、流量及一些增值业务的消费汇总，趋势比率；还可以进一步关于通信消费的类型做拆分细化，比如按市内、省内、国内、国际，消费城市、消费省份、消费国家、消费时段做细化的拆分。2)终端消费：终端价格、终端品牌、换机频率、终端品牌稳定性、终端价格稳定性等。3)常驻区域消费档次：基于用户的地理位置信息，可用模型推断用户常驻区域，得到如常驻社区消费档次、常驻商圈消费档次、常驻办公区域消费档次等信息，高档小区/商圈/cbd访问次数、访问频率、停留时长等。其中，上述的访问频率、换机频率等数据可以统计得到的特征变量。当然，多个维度中各个维度的特征变量，可以是直接采集的原始数据，比如，终端价格，或者也可以是统计得到的数据，比如上述的访问频率。其次，用户的消费能力也与用户的信用风险具有很强的关联性，通常来说，消费能力较高的用户，其信用风险也较低。维度四：信用记录1)运营商信用记录：停机/欠费/坏账次数、金额、异常手机号码数、同证件号码数，分期服务按期支付次数/金额，分期服务连续按期支付次数/时长，延迟支付的次数/金额/频率，延迟支付的天数、平均天数等。2)金融机构信用记录：第三方数据合作，如fico体系采用的信用偿还历史、信用账户数、使用信用的年限、新开立的信用账户及正在使用的信用类型等数据等。维度五：行为偏好1)通话行为：通话次数、时长、通话次数和时长的平均、方差、等，按属性继续细分如省内、国内、国际、主叫被叫，以及属性组合的细分如国内被叫、国际主叫等。2)短信行为：短信次数、短信次数趋势、平均、方差等、可继续按国内短信、国际短信分，短信内容分类统计等。例如，可以结合短信文本内容，涉及到其他金融机构催收短信的，信用风险就不一样了。3)上网行为：可按流量使用总量，使用率，链接次数，流量使用趋势、平均、方差去统计。若进一步对用户访问的资源进行分类，统计各分类流量使用的情况，统计的指标如访问次数、流量总量、次数平均、流量平均、按日次数方差、按日流量方差，按月次数趋势、按月流量趋势等。具体特征举例如下：成人网站/app近三个月流量趋势，赌博网站/app最近一个月流量总量，游戏网站/app近三个月流量趋势，视频网站/app近三个月流量趋势等。其中，在上网行为方面，可以统计用户使用电信运营商的网络进行上网的流量特征。例如，该流量特征可以是视频网站近三个月的流量趋势，或者可以是游戏网站近三个月的流量趋势，或者可以是上述的次数平均等。此外，用户对手机上的多媒体内容(新闻、游戏、视频、成人内容等)的消费行为模式，也能够揭示用户的信用风险。例如，在统计玩游戏的流量特征时，大多数情况下，如果一个人每天主要都是在玩游戏，说明他可能没有稳定工作，无稳定工作信用风险较高；有稳定工作的大概率会在固定时间段玩游戏。又例如，在统计看新闻的流量特征时，一个人每天固定一些时间段看新闻，偏好看特定类别的新闻，如关注时事政治/法制类可能会更低的信用风险。4)地理位置：访问基站的数量、平均数量、趋势、方差等；访问基站之间的距离、平均距离、最大距离、按日距离方差、距离趋势等；访问基站位置次数、平均次数、次数趋势、次数方差等。这里可以根据用户的移动终端对电信运营商基站的基站访问参数，统计得到所述目标用户的地理位置行为特征。例如，基站访问参数可以是移动终端访问基站的时间和基站所在位置等，可以根据这些参数统计到：访问基站的平均次数、次数趋势等地理位置行为特征，还可以统计到不同的时间访问不同位置的基站的地理位置行为特征等数据。按属性可继续细分，举例如按工作日和周末分：工作日/周末访问基站数量，每月工作日/周末访问基站平均数量，每月工作日/周末访问基站数量趋势，工作日/周末按日访问基站数量方差，工作日/周末访问基站最大距离，每月工作日/周末访问基站平均距离，工作日/周末访问基站距离趋势，每日基站访问最大距离，每月基站访问最大距离等；按每日时间段分：早上/中午/下午/晚上/凌晨访问基站数量、访问基站平均数量、访问基站数量趋势、访问基站数量方差等等，按地区划分来分：每月高端小区、商圈、cbd、大学、机场、红灯区、犯罪高危区、贫民区访问次数、访问基站数量，访问基站平均数量，访问基站数量趋势，访问次数趋势，按日访问基站数量方差等；还可以做属性组合，得到更多维度。如上所述的各个维度，可以通过这些维度数据的深入挖掘，从各个维度考察一个用户，可以从这些维度的数据中得到一个用户是否具有行为上的稳定性。所述多个维度的数据，包括：能够反映用户的行为稳定性的数据。如下示例性说明如何根据电信运营商数据得到一个用户的稳定性，包括但不限于如下数据。比如，可以通过用户移动终端对基站的访问，得到用户日常行为的位置信息，进而知晓用户具有工作的稳定性，工作日出行三点一线。如果用户日常的行动轨迹说明了具有稳定工作，那么该用户的信用风险一般较低。又比如，还可以根据用户的上网购买流量，或者用户的通信消费的地域等，得到用户每月有固定的坐飞机时间。或者，通过统计用户不同类型流量的流量特征，得到用户每月有稳定的打游戏时间，或者每月有固定的看成人内容的时间等。或者，还可以根据用户的移动终端对基站的访问，得到用户每月有稳定的逛街玩耍的时间。一个用户行为的稳定性也能够反映该用户的信用风险，一般来说，一个有稳定表现的人，更不容易出现突然的变故，信用违约的风险也较低。当然，能够反映用户的行为稳定性的数据也不局限于上述的行为偏好数据，上面的统计流量特征或者地理位置行为特征等数据可以反映用户在日常行动或者上网方面的行为稳定性，也可以采用其他数据来反映用户在其他方面的稳定性。上述各个维度的数据，具体的数据内容可以根据各个电信运营商拥有的数据源以及各个国家的文化差异有一些不一样。根据电信运营商数据进行维度评分：在得到上述的电信运营商数据的基础上，可以根据各个维度的数据，获得所述维度对应的维度分值。其中，可以采用有监督的方法，预先训练各个维度的维度分值模型。该维度分值模型可以是根据所述维度的样本电信运营商数据和信贷黑白样本数据预先训练得到。例如，以其中一个维度行为偏好为例，在模型训练时，选择信贷黑白样本。黑样本可以是历史上与传统金融机构(如银行等)发生过信贷行为并违约的用户，白样本可以是与传统金融机构(如银行等)发生过信贷行为并正常履约的用户，也可以是电信运营商内部较成熟且无任何严重拖欠费用行为的用户，或者还可以是既没有与传统金融机构发生过信贷违约又没有与电信运营商发生过信贷违约的用户。样本电信运营商数据可以是这些黑白样本的行为偏好维度对应的数据，例如前述的上网行为、地理位置、短信行为等数据。此外，在维度分值模型开始使用以后，例如，该模型开始为金融机构服务后，还可以收集金融机构的反馈，将金融机构反馈的黑白样本作为补充，继续优化维度分值模型。实际实施中，根据维度分值模型服务的机构不同，机构反馈的黑白样本也可能不同。维度分值模型的训练，所使用的模型可以有多种，举例如下：例如，可以采用评分卡模型、随机森林、gbm(gradientboostingmachine)类集成树、深度学习的序列模型，等。对于上述的每一个维度，可以将该维度的特征变量，输入所述维度对应的维度分值模型，得到所述维度对应的维度分值。每一个维度都有对应的维度分值模型，模型的训练方法同上述。多个维度的维度分值从不同的侧面考察目标用户，比如，对于一个目标用户，可以通过维度分值看出该用户在人脉关系、消费能力、信用记录、行为偏好和背景身份等各个维度的评分。此外，各个维度的维度分值还可以继续进行分值标准化，将在后续详述。此外，还需要说明的是，在实际实施中，对于前面列举的各个维度可以采集或统计的数据，可以获取其中的部分数据，并不一定是全部的数据，只要能反映出这个用户在所述维度的特点即可。并且，在输入模型时，比如，在确定维度分值模型的输入时，输入的数据也可以并不是前述列举的全部数据，而选择其中的部分数据即可。前期的数据采集时，数据可以尽量采集的全一些，但是最终会用到哪些信息，可以在建立模型的时候综合考虑。比如，对于每个用户，可以采集和统计了多个维度的很多数据，但是在建立模型时，根据模型训练的性能考虑，决定采取其中部分数据来计算这个用户的信用评分即可。而且，模型也不是一成不变的，随着时间的推移，模型也需要更新，也可能隔一段时间后，发现模型采用其他的信息性能更优，那也可能作为模型输入的数据包括了一些之前没有采用的数据，而已采用的部分数据也可能会不再使用。最终的用户信用评分：在得到了各个维度分值的基础上，可以将所述各个维度的维度分值和所述各个维度的特征变量，输入预先训练的信用分模型，得到所述目标用户的用户信用评分。其中，各个维度的特征变量可以不是全部的前述变量，可以是前述各个维度的部分变量，这些部分变量可以根据预先设置的选择算法自动筛选。比如，可以将各个维度中对维度分值影响较为重要的一些变量选择出来，作为信用分模型的输入。其中，信用分模型的训练方法与维度分值模型的训练类似，不再详述。信用分模型输出的分值即为最终要得到的目标用户的信用评分。在得到用户信用评分后，可以继续对该分值进行标准化。分值标准化可以是根据使用所述用户信用评分的业务系统的业务分区间划分标准，将所述用户信用评分的分数值标准化到对应的业务分区间。如下举例来说明分值标准化，结合如下的表1来描述：表1分值标准化示例模型打分人数百分比累计百分比违约率标准化分值0.75-12％2％87％300～4990.55-0.755％7％71％500～5490.42-0.558％15％51％550～5990.31-0.4212％27％31％600～6490.21-0.3115％42％15％650～6990.14-0.2118％60％5％700～7490.06-0.1427％87％2％750～7990-0.0613％100％1％800～850例如，假如对一百万个目标用户进行打分，打分得到的信用评分从大到小排序(信用评分的分值越接近1越容易违约)，这里面打分最高的前2％即2万人，他们这个群体的人，总体统计来看违约率是87％，即1.74万人最后都违约了，他们属于信用最差的人群。我们可以按照模型打分得到的信用评分的分值大小把他们的评分分值标准化到300～499这个区间。又例如，这一百万人中，模型打分最低(接近于0)的13％的人，即13万人，他们这群人，总体统计来看违约率是1％，即1300人最后违约了，他们属于信用最好的人群，我们可以按照模型打分大小把他们的分数标准化到800～850这个区间。上述的例子中，300～499区间、800～850区间等都属于业务系统的业务分区间划分标准，例如，业务系统可以设置业务分的分值在800～850区间时，可以免押金骑租房。因此，分值标准化可以是在得到用户的信用评分后为了方便业务系统使用而进行的分值转换。前述的维度分值的分值标准化的方式与信用评分的分值标准化的方式可以类似，不再详述。此外，在对目标用户进行信用评分时，可以得到最终的分值标准化后的信用评分，而其中的维度分值是作为信用分模型的输入，用以输出信用评分，可以不保留该维度分值。或者，也可以保留即输出维度分值，并将所述各维度的维度分值标准化到对应的业务分区间。各个维度的维度分值的输出，有助于建立刻画用户的用户画像。例如，可以参见图2所示，图2是一个用于刻画用户的用户画像的图示结构示意，用户画像包括用户在各个维度的维度分值，例如，该用户在人脉关系维度的维度分值是280，在身份背景维度的维度分值是600，在行为偏好维度的维度分值是720，在消费能力维度的维度分值是320，在信用记录维度的维度分值是700。那么，由每个维度的分值区间都在0～800区间来说，该用户的信用记录较好，可能基本未发生过金融机构的信用违约或者电信运营商的信用违约，但是该用户的人脉关系的维度分值较低，消费能力分值一般，那可能该用户通信关系网络中包含一些曾有过信用违约记录的人，或者用户的朋友中存在信用黑名单的人，对该用户的信用风险造成了一定的影响。如上来看，通过输出各个维度的维度分值，可以从多个侧面更细致的考察一个用户的信用风险，并且，也有助于解释用户最终的信用评分。比如，假设通过信用分模型输出的一个用户的信用评分较低，那么结合上该用户的画像，也许就能知道在人脉关系、身份背景、行为偏好等各个维度上，哪个维度的维度分值较低，哪个维度上对该用户整体的信用分造成了拉低影响。进一步的，还可以获取各个维度上对维度分值较为重要的影响变量，得到用户每个侧面更加深入和具体的画像分析。而可以通过多种方法获得所述较为重要的影响变量，例如，可以对单个变量做分析，通过iv(informationvalue)等指标找到该变量。或者，还可以通过模型来整体分析特征重要性，看最重要的变量是哪些。通过上述的信用评分方法的描述，可以得到图3所示的个人用户的信用评分方法，该方法可以包括如下处理，简单描述，详细可以参见上面的描述：在步骤300中，采集待评分的目标用户的电信运营商数据，所述电信运营商数据包括：与所述目标用户的信用风险相关联的多个维度的数据。在步骤302中，根据所述多个维度的数据，统计得到所述多个维度中各个维度的特征变量。本步骤中，可以是根据采集的数据进行一些统计处理，例如，根据用户的移动终端访问基站的各次记录，统计基站的访问频率，访问次数等。在步骤304中，将所述多个维度中各个维度的特征变量，分别输入所述维度对应的维度分值模型，得到所述维度对应的维度分值。本步骤中输入维度分值模型中的特征变量，不仅可以包括未经统计处理的原始采集数据，例如，用户的年龄，月消费总费用，通话时长等，也可以包括经过统计处理过的数据，例如，用户的通信关系网络得到的影响力值。在步骤306中，将所述各个维度的维度分值和所述各个维度的特征变量，输入预先训练的信用分模型，得到所述目标用户的用户信用评分。本步骤中，对于信用分模型输出的用户信用评分，还可以进行分值标准化，以更加方便业务系统的使用。本说明书至少一个实施例的信用评分方法，提供了一种得到用户信用评分的具体方式，通过获取刻画电信运营商用户的多种维度的变量指标，并根据这些变量指标得到各个维度的分值和用户信用评分，使得基于电信运营商数据即可得到用户的信用评分，而且还给出了用户画像，方便对用户的信用风险进行解释。需要说明的是，该方法对电信运营商数据进行了深度挖掘，从很多维度发现用户的稳定性描述，用于关联用户的信用风险，对用户的刻画更准确。为了实现上述的个人用户的信用评分方法，本说明书至少一个实施例还提供了一种个人用户的信用评分装置。如图4所示，该装置可以包括：数据采集模块41、数据处理模块42、维度处理模块43和分值获得模块44。数据采集模块41，用于采集待评分的目标用户的电信运营商数据，所述电信运营商数据包括：与所述目标用户的信用风险相关联的多个维度的数据；数据处理模块42，用于根据所述多个维度的数据，统计得到所述多个维度中各个维度的特征变量；维度处理模块43，用于将所述多个维度中各个维度的特征变量，分别输入所述维度对应的维度分值模型，得到所述维度对应的维度分值；所述维度分值模型是根据所述维度的样本电信运营商数据和信贷黑白样本数据预先训练得到；分值获得模块44，用于将所述各个维度的维度分值和所述各个维度的特征变量，输入预先训练的信用分模型，得到所述目标用户的用户信用评分。在一个例子中，如图5所示，该装置还可以包括：标准化模块45，用于在所述分值获得模块得到用户信用评分之后，根据使用所述用户信用评分的业务系统的业务分区间划分标准，将所述用户信用评分的分数值标准化到对应的业务分区间。上述实施例阐明的装置或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。上述图中所示流程中的各个步骤，其执行顺序不限制于流程图中的顺序。此外，各个步骤的描述，可以实现为软件、硬件或者其结合的形式，例如，本领域技术人员可以将其实现为软件代码的形式，可以为能够实现所述步骤对应的逻辑功能的计算机可执行指令。当其以软件的方式实现时，所述的可执行指令可以存储在存储器中，并被设备中的处理器执行。例如，对应于上述方法，本说明书一个或多个实施例同时提供一种个人用户的信用评分设备，该设备可以包括处理器、存储器、以及存储在存储器上并可在处理器上运行的计算机指令，所述处理器通过执行所述指令，用于实现如下步骤：采集待评分的目标用户的电信运营商数据，所述电信运营商数据包括：与所述目标用户的信用风险相关联的多个维度的数据；根据所述多个维度的数据，统计得到所述多个维度中各个维度的特征变量；将所述多个维度中各个维度的特征变量，分别输入所述维度对应的维度分值模型，得到所述维度对应的维度分值；所述维度分值模型是根据所述维度的样本电信运营商数据和信贷黑白样本数据预先训练得到；将所述各个维度的维度分值和所述各个维度的特征变量，输入预先训练的信用分模型，得到所述目标用户的用户信用评分。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。本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于数据处理设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。当前第1页12