一种信用评价方法、装置、设备及可读存储介质与流程

本发明涉及大数据分析技术领域，更具体地说，涉及一种信用评价方法、装置、设备及可读存储介质。

背景技术：

随着信贷价值运动形式的不断发展，其已经成为发展经济的有力杠杆，成为社会经济发展不可或缺的一部分。其中，信贷包括：银行存款、贷款等信用活动。当用户参与贷款时，银行等资金持有方需要对用户的信用进行评估和评价，以为资金安全提供必要的保障。

在现有技术中，用于评价用户信用的算法包括：支持向量机算法(supportvectormachine，svm)和孪生支持向量机算法(twinsvm，tsvm)。其中，支持向量机算法和孪生支持向量机算法过分关注用户信息数据中的冗余数据，使算法中的损失函数带来了较高的损失值，这样在对用户信息进行分析判别时，会降低分类效果，从而导致信用判别结果存在误差，即：降低了信用评价的准确性。

因此，如何提高信用评价的准确性，是本领域技术人员需要解决的问题。

技术实现要素：

本发明的目的在于提供一种信用评价方法、装置、设备及可读存储介质，以提高信用评价的准确性。

为实现上述目的，本发明实施例提供了如下技术方案：

一种信用评价方法，包括：

获取银行用户的用户信息，并对所述用户信息进行归一化处理，获得目标用户信息；

通过第一判别函数计算所述目标用户信息的第一信用值，并通过第二判别函数计算所述目标用户信息的第二信用值；其中，所述第一判别函数和所述第二判别函数通过ctsvm算法获得；

判断所述第一信用值和所述第二信用值是否满足预设的判别条件；

若是，则利用预设的良好标识对所述银行用户进行标记，并确定所述银行用户的信用评价为良好。

其中，通过所述ctsvm算法获得所述第一判别函数和所述第二判别函数，包括：

获取用于确定所述第一判别函数和所述第二判别函数的银行用户信息集合，并对所述银行用户信息集合进行归一化处理，获得目标信息集合；

通过ctsvm算法对所述目标信息集合进行处理，以确定所述第一判别函数中的第一权重向量和第一偏差，以及所述第二判别函数中的第二权重向量和第二偏差；

利用所述第一权重向量和所述第一偏差构建所述第一判别函数，并利用所述第二权重向量和所述第二偏差构建所述第二判别函数；

其中，所述第一判别函数为：f1(x)＝x^tw1+b1，w1表示所述第一权重向量，b1表示所述第一偏差；所述第二判别函数为：f2(x)＝x^tw2+b2，w2表示所述第二权重向，b2表示所述第二偏差；x表示待评价的用户信息。

其中，所述确定所述第一判别函数中的第一权重向量和第一偏差，以及所述第二判别函数中的第二权重向量和第二偏差，包括：

按照优化公式确定所述第一权重向量和所述第一偏差，以及所述第二权重向量和所述第二偏差，所述优化公式为：

其中，σ表示自定义参数，且σ不等于0；v1和v2表示辅助变量；j＝1，2，3，4；g(vki)＝-vkilog(-vki)+vki，λj表示正则化项，且λj＞0；x1表示所述银行用户信息集合中信用良好的用户信息矩阵，x2表示所述银行用户信息集合中信用差的用户信息矩阵。

其中，所述判断所述第一信用值和所述第二信用值是否满足预设的判别条件，包括：

判断所述第一信用值的绝对值是否小于所述第二信用值的绝对值。

其中，还包括：

当所述第一信用值的绝对值不小于所述第二信用值的绝对值时，利用预设的差标识对所述银行用户进行标记，并确定所述银行用户的信用评价为差。

其中，所述通过第一判别函数计算所述目标用户信息的第一信用值，并通过第二判别函数计算所述目标用户信息的第二信用值，包括：

将所述目标用户信息输入所述第一判别函数，输出所述第一信用值；

将所述目标用户信息输入所述第二判别函数，输出所述第二信用值。

一种信用评价装置，包括：

获取模块，用于获取银行用户的用户信息，并对所述用户信息进行归一化处理，获得目标用户信息；

计算模块，用于通过第一判别函数计算所述目标用户信息的第一信用值，并通过第二判别函数计算所述目标用户信息的第二信用值；其中，所述第一判别函数和所述第二判别函数通过ctsvm算法获得；

判断模块，用于判断所述第一信用值和所述第二信用值是否满足预设的判别条件；

评价模块，用于当所述第一信用值和所述第二信用值满足预设的判别条件时，利用预设的良好标识对所述银行用户进行标记，并确定所述银行用户的信用评价为良好。

其中，所述计算模块包括：

获取单元，用于获取用于确定所述第一判别函数和所述第二判别函数的银行用户信息集合，并对所述银行用户信息集合进行归一化处理，获得目标信息集合；

处理单元，用于通过ctsvm算法对所述目标信息集合进行处理，以确定所述第一判别函数中的第一权重向量和第一偏差，以及所述第二判别函数中的第二权重向量和第二偏差；

构建单元，用于利用所述第一权重向量和所述第一偏差构建所述第一判别函数，并利用所述第二权重向量和所述第二偏差构建所述第二判别函数；

其中，所述第一判别函数为：f1(x)＝x^tw1+b1，w1表示所述第一权重向量，b1表示所述第一偏差；所述第二判别函数为：f2(x)＝x^tw2+b2，w2表示所述第二权重向，b2表示所述第二偏差；x表示待评价的用户信息。

一种信用评价设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述任意一项所述的信用评价方法的步骤。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的信用评价方法的步骤。

通过以上方案可知，本发明实施例提供的一种信用评价方法，包括：获取银行用户的用户信息，并对所述用户信息进行归一化处理，获得目标用户信息；通过第一判别函数计算所述目标用户信息的第一信用值，并通过第二判别函数计算所述目标用户信息的第二信用值；其中，所述第一判别函数和所述第二判别函数通过ctsvm算法获得；判断所述第一信用值和所述第二信用值是否满足预设的判别条件；若是，则利用预设的良好标识对所述银行用户进行标记，并确定所述银行用户的信用评价为良好。

可见，所述方法利用通过ctsvm算法获得的第一判别函数和所述第二判别函数对银行用户的用户信息进行分析和判别，可以降低损失函数对用户信息中的冗余数据的敏感度，即降低了损失函数的损失值，从而提高了分类效果和信用评价的准确性。

相应地，本发明实施例提供的一种信用评价装置、设备及可读存储介质，也同样具有上述技术效果。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种信用评价方法流程图；

图2为本发明实施例公开的一种信用评价系统框图；

图3为本发明实施例公开的一种信用评价装置示意图；

图4为本发明实施例公开的一种信用评价设备示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例公开了一种信用评价方法、装置、设备及可读存储介质，以提高信用评价的准确性。

参见图1，本发明实施例提供的一种信用评价方法，包括：

s101、获取银行用户的用户信息，并对用户信息进行归一化处理，获得目标用户信息；

具体的，用户信息至少包括：银行账户状态、居住地、年龄、存款、信用历史、就业情况、住房、担保人等信息。对这些信息形成的用户信息进行归一化处理，以使这些信息数据映射到某一个固定的区间内，便于后续步骤的分析和处理。例如，设定固定的区间为[0，1]，使这些数据映射到[0，1]区间内。

s102、通过第一判别函数计算目标用户信息的第一信用值，并通过第二判别函数计算目标用户信息的第二信用值；其中，第一判别函数和第二判别函数通过ctsvm算法获得；

其中，通过ctsvm算法获得第一判别函数和第二判别函数，包括：

获取用于确定第一判别函数和第二判别函数的银行用户信息集合，并对银行用户信息集合进行归一化处理，获得目标信息集合；

通过ctsvm算法对目标信息集合进行处理，以确定第一判别函数中的第一权重向量和第一偏差，以及第二判别函数中的第二权重向量和第二偏差；

利用第一权重向量和第一偏差构建第一判别函数，并利用第二权重向量和第二偏差构建第二判别函数；

其中，第一判别函数为：f1(x)＝x^tw1+b1，w1表示第一权重向量，b1表示第一偏差；第二判别函数为：f2(x)＝x^tw2+b2，w2表示第二权重向，b2表示第二偏差；x表示待评价的用户信息。

其中，确定第一判别函数中的第一权重向量和第一偏差，以及第二判别函数中的第二权重向量和第二偏差，包括：

按照优化公式确定第一权重向量和第一偏差，以及第二权重向量和第二偏差，优化公式为：

其中，σ表示自定义参数，且σ不等于0；v1和v2表示辅助变量；j＝1，2，3，4；g(vki)＝-vkilog(-vki)+vki，λj表示正则化项，且λj＞0；x1表示银行用户信息集合中信用良好的用户信息矩阵，x2表示银行用户信息集合中信用差的用户信息矩阵。

具体的，通过第一判别函数计算目标用户信息的第一信用值，并通过第二判别函数计算目标用户信息的第二信用值，包括：

将目标用户信息输入第一判别函数，输出第一信用值，将目标用户信息输入第二判别函数，输出第二信用值。

其中，第一信用值即为第一判别函数输出的函数值，第二信用值即为第二判别函数输出的函数值。

s103、判断第一信用值和第二信用值是否满足预设的判别条件；若是，则执行s104；若否，则执行s105；

s104、利用预设的良好标识对银行用户进行标记，并确定银行用户的信用评价为良好；

s105、利用预设的差标识对银行用户进行标记，并确定银行用户的信用评价为差。

具体的，判断第一信用值和第二信用值是否满足预设的判别条件，包括：判断第一信用值的绝对值是否小于第二信用值的绝对值。

例如：将下述判别公式作为判别条件，则有：

当第一信用值的绝对值小于第二信用值的绝对值时，利用预设的良好标识对银行用户进行标记，并确定银行用户的信用评价为良好；当第一信用值的绝对值不小于第二信用值的绝对值时，利用预设的差标识对银行用户进行标记，并确定银行用户的信用评价为差。

具体的，判别公式为：

其中，表示判别标识，“1”为良好标识，“-1”为差标识。

可见，本实施例提供了一种信用评价方法，所述方法利用通过ctsvm算法获得的第一判别函数和所述第二判别函数对银行用户的用户信息进行分析和判别，可以降低损失函数对用户信息中的冗余数据的敏感度，即降低了损失函数的损失值，从而提高了分类效果和信用评价的准确性。

本发明实施例公开了一种信用评价系统，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。

参见图2，本发明实施例提供的一种信用评价系统，包括：数据预处理模块201，数据训练模块202和数据评价模块203。其中，数据预处理模块用于对训练样本和待评价数据进行归一化处理；数据训练模块用于对训练数据进行处理，以获得第一判别函数和第二判别函数；数据评价模块用于利用数据训练模块获得的第一判别函数和第二判别函数对待评价数据进行评价，以确定待评价数据对应的用户的信用评价。

其中，数据预处理模块实现的过程包括：

获取包含1000个训练样本，每个样本包含24个特征，例如银行账户状态，居住地，年龄，财产，信用历史，就业情况，住房，担保人等。在该训练样本中，信用良好的样本有300个，将其标记为+1；信用差的样本有700个，将其标记为-1。

其中，训练样本用d表示，d＝x1∪x2；x1＝{x1i|x1i∈r^m，y1i＝1，i＝1，...，n1}，表示信用良好的用户信息集合；x2＝{x2i|x2i∈r^m，y2i＝-1，i＝1，...，n2}，表示信用差的用户信息集合，特征数m＝24。在训练样本中，随机选取800个样本作为训练集，剩余200个样本作为测试集，并对所有x1和x2进行归一化，使样本数据映射到区间[0，1]中。

数据训练模块实现的过程包括：

利用ctsvm算法处理训练集，并按照优化公式确定第一判别函数中的第一权重向量和第一偏差，以及第二判别函数中的第二权重向量和第二偏差，优化公式为：

其中，σ表示自定义参数，且σ不等于0；v1和v2表示辅助变量；j＝1，2，3，4；g(vki)＝-vkilog(-vki)+vki，λj表示正则化项，且λj＞0；x1表示银行用户信息集合中信用良好的用户信息矩阵，x2表示银行用户信息集合中信用差的用户信息矩阵；w1表示第一权重向量，b1表示第一偏差；w2表示第二权重向，b2表示第二偏差；x表示待评价的用户信息。

利用第一权重向量和第一偏差构建第一判别函数，利用第二权重向量和第二偏差构建第二判别函数，则有：第一判别函数f1(x)＝x^tw1+b1，第二判别函数f2(x)＝x^tw2+b2。

利用测试集对第一判别函数和第二判别函数进行测试，当测试结果和预期标准结果的误差不大于预设的阈值时，认为第一判别函数和第二判别函数可以用来评测用户信息。

数据评价模块实现的过程包括：

将待评价数据分别输入第一判别函数和第二判别函数，获得两个函数值f1(x)和f2(x)；并判断f1(x)的绝对值是否小于f2(x)的绝对值；当f1(x)的绝对值小于f2(x)的绝对值时，认为待评价数据对应的用户的信用良好；当f1(x)的绝对值不小于f2(x)的绝对值时，认为待评价数据对应的用户的信用差。

对同样的训练样本和待评价数据，用tsvm算法进行处理评测，其评价结果精度低于ctsvm算法，二者的评价结果精度对比请参见表1。

表1

可见，tsvm算法基于相关熵诱导损失进行分析处理，其获得的判别函数能够降低函数损失值，提高分类效果和信用评价的准确性。

下面对本发明实施例提供的一种信用评价装置进行介绍，下文描述的一种信用评价装置与上文描述的一种信用评价方法可以相互参照。

参见图3，本发明实施例提供的一种信用评价装置，包括：

获取模块301，用于获取银行用户的用户信息，并对用户信息进行归一化处理，获得目标用户信息；

计算模块302，用于通过第一判别函数计算目标用户信息的第一信用值，并通过第二判别函数计算目标用户信息的第二信用值；其中，第一判别函数和第二判别函数通过ctsvm算法获得；

判断模块303，用于判断第一信用值和第二信用值是否满足预设的判别条件；

评价模块304，用于当第一信用值和第二信用值满足预设的判别条件时，利用预设的良好标识对银行用户进行标记，并确定银行用户的信用评价为良好。

其中，计算模块包括：

获取单元，用于获取用于确定第一判别函数和第二判别函数的银行用户信息集合，并对银行用户信息集合进行归一化处理，获得目标信息集合；

处理单元，用于通过ctsvm算法对目标信息集合进行处理，以确定第一判别函数中的第一权重向量和第一偏差，以及第二判别函数中的第二权重向量和第二偏差；

构建单元，用于利用第一权重向量和第一偏差构建第一判别函数，并利用第二权重向量和第二偏差构建第二判别函数；

其中，第一判别函数为：f1(x)＝x^tw1+b1，w1表示第一权重向量，b1表示第一偏差；第二判别函数为：f2(x)＝x^tw2+b2，w2表示第二权重向，b2表示第二偏差；x表示待评价的用户信息。

其中，处理单元具体用于：

按照优化公式确定第一权重向量和第一偏差，以及第二权重向量和第二偏差，优化公式为：

其中，σ表示自定义参数，且σ不等于0；v1和v2表示辅助变量；j＝1，2，3，4；g(vki)＝-vkilog(-vki)+vki，λj表示正则化项，且λj＞0；x1表示银行用户信息集合中信用良好的用户信息矩阵，x2表示银行用户信息集合中信用差的用户信息矩阵。

其中，判断模块具体用于：

判断第一信用值的绝对值是否小于第二信用值的绝对值。

其中，还包括：

标记模块，用于当第一信用值的绝对值不小于第二信用值的绝对值时，利用预设的差标识对银行用户进行标记，并确定银行用户的信用评价为差。

其中，计算模块包括：

第一计算单元，用于将所述目标用户信息输入所述第一判别函数，输出所述第一信用值；

第二计算单元，用于将所述目标用户信息输入所述第二判别函数，输出所述第二信用值。

可见，本实施例提供了一种信用评价装置，包括：获取模块、计算模块、判断模块以及评价模块。首先由获取模块获取银行用户的用户信息，并对用户信息进行归一化处理，获得目标用户信息；然后计算模块通过第一判别函数计算目标用户信息的第一信用值，并通过第二判别函数计算目标用户信息的第二信用值；其中，第一判别函数和第二判别函数通过ctsvm算法获得；进而判断模块判断第一信用值和第二信用值是否满足预设的判别条件；当第一信用值和第二信用值满足预设的判别条件时，评价模块利用预设的良好标识对银行用户进行标记，并确定银行用户的信用评价为良好。如此各个模块之间分工合作，各司其职，从而提高了分类效果和信用评价的准确性。

下面对本发明实施例提供的一种信用评价设备进行介绍，下文描述的一种信用评价设备与上文描述的一种信用评价方法及装置可以相互参照。

参见图4，本发明实施例提供的一种信用评价设备，包括：

存储器401，用于存储计算机程序；

处理器402，用于执行所述计算机程序时实现上述任意实施例所述的信用评价方法的步骤。

下面对本发明实施例提供的一种可读存储介质进行介绍，下文描述的一种可读存储介质与上文描述的一种信用评价方法、装置及设备可以相互参照。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意实施例所述的信用评价方法的步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。