用户信用预测方法、装置、电子设备及存储介质与流程

本公开涉及人工智能技术领域，特别涉及一种用户信用预测方法、用户信用预测装置、电子设备及计算机可读存储介质。

背景技术：

随着计算机技术的发展，互联网在金融领域也得到越来越广泛的应用。其中，参与互联网金融消费、融资租赁、接受信用卡服务或其他金融服务的用户越来越多，为了保障金融服务企业的利益，降低金融风险，有必要采取有效的用户信用评价方法。

现有的用户信用评价方法通常需要用户提交一系列外部数据，例如人行征信数据、第三方征信数据、资产证明等，通过外部数据评价用户的信用状况。可见，该方法对于外部数据有较强的依赖性，并且一般还需要对外部数据进行审核，从而增加了信用评价所需的时间，降低了效率。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本公开提供了一种用户信用预测方法、用户信用预测装置、电子设备及计算机可读存储介质，进而至少在一定程度上克服现有的用户信用评价方法所需时间过长的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种用户信用预测方法，包括：获取目标用户的原始特征数据，所述原始特征数据包括人脸特征数据、表情特征数据与动作特征数据中的至少一种；将所述目标用户的原始特征数据转换为目标特征向量；分别利用多个信用区间的信用预测模型对所述目标特征向量进行处理，得到所述目标用户在所述多个信用区间的初始预测值；基于各所述初始预测值，确定所述目标用户的最终预测值。

在本公开的一种示例性实施例中，所述方法还包括：获取多个历史用户的原始特征数据与信用评价值；将所述历史用户的原始特征数据转换为样本特征向量；根据所述历史用户的信用评价值将所述历史用户划分到所述多个信用区间；对于每个所述信用区间，利用所述信用区间内历史用户的样本特征向量与信用评价值训练机器学习模型，得到所述信用区间的信用预测模型。

在本公开的一种示例性实施例中，所述方法还包括：获取所述目标用户的信用评价值；如果所述目标用户的信用评价值与最终预测值未处于同一信用区间内，则将所述目标用户添加到所述历史用户中，并重新训练所述目标用户所属的信用区间的信用预测模型。

在本公开的一种示例性实施例中，所述基于各所述初始预测值，确定所述目标用户的最终预测值包括：基于各所述初始预测值在对应的所述信用区间内的偏离程度，确定所述目标用户的最终预测值。

在本公开的一种示例性实施例中，所述基于各所述初始预测值在对应的信用区间内的偏离程度，确定所述目标用户的最终预测值包括：分别计算各所述初始预测值与所述初始预测值对应的信用区间的中间值的偏离程度；将所述偏离程度最小的初始预测值确定为所述最终预测值。

在本公开的一种示例性实施例中，所述基于各所述初始预测值在对应的信用区间内的偏离程度，确定所述目标用户的最终预测值包括：分别计算各所述初始预测值与所述初始预测值对应的信用区间的中间值的偏离程度；根据所述偏离程度确定所述初始预测值的权重；对各所述初始预测值进行加权计算，得到所述最终预测值。

在本公开的一种示例性实施例中，所述原始特征数据包括多个指标的原始特征数据；所述将所述目标用户的原始特征数据转换为目标特征向量包括：分别将各所述指标的原始特征数据转换到[0,1]的范围内；以每个所述指标作为一个维度，生成多维度的目标特征向量。

根据本公开的一个方面，提供一种用户信用预测装置，包括：数据获取模块，用于获取目标用户的原始特征数据，所述原始特征数据包括人脸特征数据、表情特征数据与动作特征数据中的至少一种；向量转换模块，用于将所述目标用户的原始特征数据转换为目标特征向量；初始预测模块，用于分别利用多个信用区间的信用预测模型对所述目标特征向量进行处理，得到所述目标用户在所述多个信用区间的初始预测值；最终预测模块，用于基于各所述初始预测值，确定所述目标用户的最终预测值。

在本公开的一种示例性实施例中，所述数据获取模块还用于获取多个历史用户的原始特征数据与信用评价值；所述向量转换模块还用于将所述历史用户的原始特征数据转换为样本特征向量；所述装置还包括：模型训练模块，用于根据所述历史用户的信用评价值将所述历史用户划分到所述多个信用区间，以及对于每个所述信用区间，利用所述信用区间内历史用户的样本特征向量与信用评价值训练机器学习模型，得到所述信用区间的信用预测模型。

在本公开的一种示例性实施例中，所述数据获取模块还用于获取所述目标用户的信用评价值；所述模型训练模块还用于如果所述目标用户的信用评价值与最终预测值未处于同一信用区间内，则将所述目标用户添加到所述历史用户中，并重新训练所述目标用户所属的信用区间的信用预测模型。

在本公开的一种示例性实施例中，所述最终预测模块还用于基于各所述初始预测值在对应的所述信用区间内的偏离程度，确定所述目标用户的最终预测值。

在本公开的一种示例性实施例中，所述最终预测模块还用于分别计算各所述初始预测值与所述初始预测值对应的信用区间的中间值的偏离程度，并将所述偏离程度最小的初始预测值确定为所述最终预测值。

在本公开的一种示例性实施例中，所述最终预测模块还用于分别计算各所述初始预测值与所述初始预测值对应的信用区间的中间值的偏离程度，根据所述偏离程度确定所述初始预测值的权重，以及对各所述初始预测值进行加权计算，得到所述最终预测值。

在本公开的一种示例性实施例中，所述原始特征数据包括多个指标的原始特征数据；所述向量转换模块还用于分别将各所述指标的原始特征数据转换到[0,1]的范围内，并以每个所述指标作为一个维度，生成多维度的目标特征向量。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其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方法。

本公开的示例性实施例具有以下有益效果：

根据目标用户的原始特征数据生成其目标特征向量，再分别输入多个信用区间的信用预测模型，得到多个关于目标用户信用的初始预测值，最后根据初始预测值在对应的信用区间内的偏离程度确定目标用户信用的最终预测值。一方面，提出了一种根据用户的脸部特征、表情或动作数据进行信用预测的方法，无需依赖于外部信用数据，且在用户进行面部动作认证后即可实现信用预测，缩短了用户信用评价的流程，提高了效率。另一方面，设置多个信用区间，分别利用每个信用区间的模型进行初始预测，并基于初始预测结果，得到优化的最终预测结果，从而细化了信用预测的过程，提高了预测结果的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本示例性实施例的一种用户信用预测方法的流程图；

图2示出本示例性实施例中一种用户信用预测方法的子流程图；

图3示出本示例性实施例中另一种用户信用预测方法的流程图；

图4示出本示例性实施例中一种用户信用预测装置的结构框图；

图5示出本示例性实施例中一种用于实现上述方法的电子设备；

图6示出本示例性实施例中一种用于实现上述方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

本公开的示例性实施例首先提供了一种用户信用预测方法，可以应用于以下场景中：终端用户在注册账号(例如银行开户、股票开户等)或进行敏感操作(例如大额付款、申请贷款、变更手机号绑定等)时，需要根据程序的引导完成指定面部动作，服务器可以采集动作过程中的用户数据，根据数据对其进行信用预测。因此，本示例性实施例的执行主体可以是服务器。参考图1所示，该用户信用预测方法可以包括以下步骤s110～s140：

步骤s110，获取目标用户的原始特征数据。

其中，目标用户即需要进行信用预测的用户；原始特征数据可以是人脸特征数据、表情特征数据与动作特征数据中任意一种或多种，用于表征目标用户在进行面部动作认证时的特征信息，具体的，人脸特征数据可以是脸型、双眼距离、眼睛尺寸等表征面部外观特征的数据，表情特征数据可以是嘴部形状改变数值、眼部尺寸改变数值等表征面部表情特征的数据，动作特征数据可以是头部摇动方向、摇动时间、摇动幅度等表征头部或面部动作特征的数据；在实际应用中，由于人脸表情也可视为脸部的微动作，因此可以将表情特征数据与动作特征数据合并为一类数据进行处理。

本实施例中，可以由终端的摄像模块采集目标用户的原始特征数据，并发送至服务器。举例而言，用户在认证过程中，根据程序的引导做出左右摇头、点头、微笑等指定动作或表情，终端收集该过程中的原始特征数据，将其发送至服务器。

步骤s120，将目标用户的原始特征数据转换为目标特征向量。

服务器在获取原始特征数据后，可以对其进行一定的预处理，例如筛除其中的无用数据或不可信数据等，也可以对其进行一定的统计加工，然后将其转换为向量的形式，以便于后续处理。通常原始特征数据包含多个数据，可以按照特定的顺序进行排列，然后转换为目标特征向量。目标特征向量中每个维度的数值可以表示目标用户在认证过程中的某一方面的动作特征，因此目标特征向量包含了全部的动作特征信息。

需要说明的是，如果原始特征数据中包含非数值型数据，则在向量转换中，上述预处理过程包括对非数值型数据进行数值化处理，例如：脸型的原始特征数据通常是脸型的近似形状，预先设定各形状所映射的数值，可以实现数值化处理，如脸型为椭圆形，则转换为数值[1]、圆形为[2]、方形为[3]、三角形为[4]、倒三角形为[5]、菱形为[6]、长方形为[7]等等。此外，在预处理中，对于原始特征数据中的数值型数据，特别是数值分布范围较大、连续性较强的数据，也可以通过划分数值范围对其进行离散化处理，以将原始特征数据转换为目标特征向量中的向量值。通常可以预先列举大量的原始特征数据，进行范围划分，然后规定每个范围到向量值之间的映射关系，以双眼距离的原始特征数据举例说明，可以设置3个数值范围：39％～41％、41％～43％、43％～45％，位于39％～41％范围之间的原始特征数据转化为向量值[0]，位于41％～43％范围之间的转化为向量值[2]，位于43％～45％范围之间的转化为向量值[4]等等。

步骤s130，分别利用多个信用区间的信用预测模型对目标特征向量进行处理，得到目标用户在多个信用区间的初始预测值。

本实施例中，可以通过数值的形式对用户进行信用预测与评价，例如设置0～100的信用数值范围，数值越大表示信用越好，在此基础上，可以将整个信用数值范围划分为多个信用区间，例如在0～100的数值范围内，可以划定0～25为第一信用区间，25～50为第二信用区间，50～75为第三信用区间，75～100为第四信用区间等等。当然，本实施例对于信用区间的数量及每个信用区间的数值范围不做特别限定。

每个信用区间具有各自对应的信用预测模型，通常为完成训练的机器学习模型。信用预测模型的输入为表征用户动作数据的特征向量，输出为各自信用区间内的信用数值。将目标特征向量分别输入每个信用预测模型中，每个信用预测模型输出一个初始预测值。初始预测值即对目标用户的信用进行初步预测所得到的信用数值，每个信用区间的信用预测模型输出的初始预测值应当处于该信用区间内。

在一示例性实施例中，多个信用区间中相邻的信用区间之间可以具有重叠的部分，例如上述信用数值范围为0～100的情况，可以设置0～40的第一信用区间，30～70的第二信用区间，60～100的第三信用区间，则第一信用区间与第二信用区间之间具有30～40的重叠部分，第二信用区间与第三信用区间之间具有60～70的重叠部分。设置重叠形式的信用区间有利于减少在信用区间边界处出现数据稀疏的情况，增加信用预测方法的鲁棒性，提高结果的准确性。

步骤s140，基于各初始预测值，确定目标用户的最终预测值。

其中，最终预测值是目标用户信用预测的最终结果。可以在各初始预测值中确定最优的一个，作为最终预测值，例如可以根据各信用预测模型得到的各初始预测值的预测概率，确定各初始预测值与对应的信用区间的匹配度，将匹配度最高的初始预测值确定为最终预测值，也可以对各初始预测值进行平均或加权平均的计算，将结果作为最终预测值等等，本实施例对此不做特别限定。

基于上述说明，在本示例性实施例中，根据目标用户的原始特征数据生成其目标特征向量，再分别输入多个信用区间的信用预测模型，得到多个关于目标用户信用的初始预测值，最后根据初始预测值在对应的信用区间内的偏离程度确定目标用户信用的最终预测值。一方面，提出了一种根据用户的脸部特征、表情或动作数据进行信用预测的方法，无需依赖于外部信用数据，且在用户进行面部动作认证后即可实现信用预测，缩短了用户信用评价的流程，提高了效率。另一方面，设置多个信用区间，分别利用每个信用区间的模型进行初始预测，并基于初始预测结果，得到优化的最终预测结果，从而细化了信用预测的过程，提高了预测结果的准确性。

在一示例性实施例中，参考图2所示，用户信用预测方法还可以包括用于获取信用预测模型的步骤s210～s240：

步骤s210，获取多个历史用户的原始特征数据与信用评价值；

步骤s220，将历史用户的原始特征数据转换为样本特征向量；

步骤s230，根据历史用户的信用评价值将历史用户划分到多个信用区间；

步骤s240，对于每个信用区间，利用该信用区间内历史用户的样本特征向量与信用评价值训练机器学习模型，得到该信用区间的信用预测模型。

其中，信用评价值为根据用户的实际信用行为或外部信用数据所得到的信用数值，区别于上述信用的初始预测值与最终预测值，可视为用户信用的实际值，其生成时间一般晚于用户进行面部动作认证的时间，即晚于信用预测的时间。本实施例中，已获得信用评价值的用户可视为历史用户，历史用户在获得信用评价值之前，通常也进行过面部动作认证，因此也产生过原始特征数据，将历史用户的原始特征数据-信用评价值作为样本数据组，可以训练信用预测模型。通过采集大量历史用户的原始特征数据与信用评价值，可以获得大量的样本数据组。

在训练模型前，需要进行一定的预处理，即步骤s220与s230的过程。历史用户的原始特征数据需要转换为样本特征向量，转换的具体方式可以与步骤s120相一致，保证样本特征向量与目标特征向量的形式一致性。历史用户需要按照信用区间进行分类，使每个信用区间的历史用户的数据只用于训练该信用区间的信用预测模型，可以提高信用预测模型的针对性与准确性。

在步骤s240的训练过程中，将样本特征向量输入到信用预测模型中，通过迭代调整模型的参数，使输出的数值越来越接近于信用评价值，最终在验证时达到一定的准确率。各信用预测模型为相互独立的模型，训练过程可以相互独立，也可以将一个训练完成的信用预测模型作为另一信用预测模型的初始模型，以解决模型的冷启动问题，还可以在各信用预测模型之间共享一分部参数等，本实施例对此不做特别限定。

在一示例性实施例中，上述机器学习模型可以包括支持向量机模型、逻辑回归模型或神经网络模型。这三类模型都适合于以向量作为输入、以连续性的数值作为输出、挖掘各特征之间的非线性关系。各信用区间的信用预测模型可以是同一类模型，也可以是不同类模型。

在一示例性实施例中，用户信用预测方法还可以包括以下步骤：

获取目标用户的信用评价值；

如果目标用户的信用评价值与最终预测值未处于同一信用区间内，则将目标用户添加到历史用户中，并重新训练目标用户所属的信用区间的信用预测模型。

根据前述内容，目标用户在进行面部动作认证后，服务器可以对其进行信用预测，预测结果即上述最终预测值；此后在目标用户接受服务的过程中，如果产生了实际信用行为或提交了外部信用数据等，服务器可以再对其进行实际的信用评价，或者由于目标用户发生特殊事件(如违规、失信等)，人工对目标用户做出信用评价，评价结果即信用评价值。因此信用评价值与最终预测值之间可能具有一定的差别，如果差别过大，使得两个数值未处于同一信用区间内，说明预测结果不准确，可以重新训练信用预测模型。

在重新训练时，可以将目标用户添加到上述历史用户中，将目标用户的原始特征数据-信用评价值作为新的样本数据组，添加到原先的样本数据集中。需要说明的是，目标用户所属的信用区间是指目标用户的信用评价值所在的信用区间，而非其最终预测值所在的信用区间，重新训练时，目标用户产生的新的样本数据组只能用于训练其所属的信用区间的信用预测模型，而对其他信用预测模型不进行重新训练。重新训练可以修正或优化模型中参数，进一步提高其准确率。

通过信用预测模型的重新训练，可以实现信用预测模型指导服务策略——服务策略产生服务数据——服务数据反馈回信用预测模型的闭环机制，使得信用预测模型可以不断更新与完善，提高信用预测的准确性。

在一示例性实施例中，多个信用区间中相邻的信用区间之间可以具有重叠的部分。相应的，在步骤s230中，一个历史用户可能划分到两个甚至更多的信用区间内，增加了样本数据的复用性，并且在步骤s140中，更易于表征各初始预测值与其对应的信用区间的偏离程度，使得整个信用预测算法具有更好的鲁棒性。此外，目标用户的信用评价值可能属于两个甚至多个信用区间，则如果最终预测值未处于这些信用区间内的任一个时，可以对这些信用区间的信用预测模型都进行重新训练。

图3示出了本示例性实施例中一种用户信用预测方法的完整流程。参考图3所示，首先获取目标用户的原始特征数据，可以是脸部特征数据、表情特征数据、动作特征数据等，将其转换为目标特征向量，并分别输入多个信用预测模型；各信用预测模型输出初始预测值，再从初始预测值中确定最优值，作为最终预测值；可以将最终预测值作为预测结果，也可以将最终预测值映射到对应的信用区间上，将预测目标用户属于哪个信用区间作为预测结果。其中，信用预测模型是基于历史用户数据训练得到的，在训练时，首先将历史用户划分到各信用区间内，再在各信用区间内，将历史用户数据转换为样本特征向量-信用评价值的数据组，以对模型进行训练，得到图3中的信用预测模型a、信用预测模型b与信用预测模型c等等。此外，如果在后续过程中，目标用户获得的实际的信用评价值与预测的信用区间不同，则可以将目标用户的数据作为训练数据，重新训练信用预测模型，以进行更准确的信用预测。从而实现用户信用预测以及预测算法更新的全流程。

在一示例性实施例中，步骤s140可以通过以下步骤实现：

基于各初始预测值在对应的信用区间内的偏离程度，确定目标用户的最终预测值。

本实施例中，目标用户的实际信用数值应当处于某一个或多个信用区间内，可以称其为目标信用区间，则通过目标信用区间以外的信用区间的信用预测模型处理目标特征向量时，输出的初始预测值与该信用区间的匹配度较差，通常表现为初始预测值偏离该信用区间的中间值，或者位于该信用区间的上限或下限处。因此可以根据各初始预测值在对应的信用区间内的偏离程度计算目标用户与各信用区间的匹配度，进而确定目标用户信用的最终预测值。具体处理方法可以他通过以下示例进行说明：

在一示例性实施例中，基于各初始预测值在对应的信用区间内的偏离程度，确定目标用户的最终预测值，可以具体包括以下步骤：

分别计算各初始预测值与对应的信用区间的中间值的偏离程度；

将偏离程度最小的初始预测值确定为最终预测值。

即对于n个信用区间q1～qn，分别利用其对应的信用预测模型model(1)～model(n)对目标特征向量a进行处理，得到初始预测值集合p＝{p1，p2…pn}；对于任意pi∈p，可以计算其偏离程度：

bi＝|pi-med(qi)|；

其中，bi表示第i个初始预测值与其信用区间的偏离程度，med(qi)为信用区间qi的中间值，通常为qi的上限数值与下限数值的平均值。按照该方法计算各初始预测值的偏离程度b1～bn，若其中bj最小，则将其对应的初始预测值pj确定为最终预测值f。简而言之，可以认为偏离程度最小的初始预测值为最优值，将其作为最终预测值。

在一示例性实施例中，基于各初始预测值在对应的信用区间内的偏离程度，确定目标用户的最终预测值，也可以具体包括以下步骤：

分别计算各初始预测值与对应的信用区间的中间值的偏离程度；

根据偏离程度确定初始预测值的权重；

对各初始预测值进行加权计算，得到最终预测值。

具体地，计算出各初始预测值p1～pn与其对应的信用区间的中间值的偏离程度b1～bn后，一种示例性的计算最终预测值f的方法如下：

即可以将偏离程度的倒数方根作为各初始预测值的权重系数。此外，也可以采用其他具体形式的权重系数，以体现出偏离程度越大，权重越小的计算原理即可，本实施例对此不做特别限定。

需要补充的是，在初始预测值中，可能有一部分与其对应的信用区间匹配度很低，表现为初始预测值处于信用区间的上限或下限处，则在通过加权平均的方法计算最终预测值时，可以事先删除这一部分初始预测值，再进行加权计算。

在一示例性实施例中，在得到最终预测值后，可以将其映射到对应的信用区间上，将预测目标用户属于该信用区间作为最终的预测结果。

进一步的，在得到关于目标用户的信用预测结果后，可以根据该结果采取后续的服务策略，例如决定是否审批贷款、审批贷款的金额、是否核发信用卡、所核发信用卡的额度等。

在一示例性实施例中，原始特征数据可以包括多个指标的原始特征数据；相应的，步骤s120可以通过以下步骤实现：

分别将各指标的原始特征数据转换到[0,1]的范围内；

以每个指标作为一个维度，生成多维度的目标特征向量。

其中，原始特征数据的指标可以是数据的属性，例如上述脸型、双眼距离、眼睛尺寸、嘴部形状改变数值、眼部尺寸改变数值、头部摇动方向、摇动时间、摇动幅度等。将原始特征数据转换到[0,1]的范围内，可以采取归一化的方式，例如计算各指标的原始特征数据相对于极大值的比例，或者利用归一化函数对各指标的原始特征数据进行归一化计算等。

在转换到[0,1]范围内的数值后，可以将每个指标的数据转换为目标特征向量中特定的一个维度的数值。可以设定目标特征向量的维度数以及每个维度所对应的指标，如果原始特征数据未包含某个指标的数据，则可以将对应维度的数值设为0。

对上述过程做进一步举例说明：假设获取了多个目标用户在认证过程中的原始特征数据，包括进行指定动作的数量、动作幅度、反应时间等，可以将原始特征数据记录并处理如下：

$data＝array(

array(2＝>0.43，3＝>0.12，1284＝>0.2，…)，

array(1＝>0.22，5＝>0.02，394＝>0.11，…)，

)；

即对各指标的数据进行数值范围的转换，并按照一定的顺序排列，然后可以将每个目标用户的原始特征数据转换为目标特征向量：

a1＝[0.43，0.12，0.2，…]；

a2＝[0.22，0.02，0.11，…]。

通过上述将原始特征数据归一化处理的方式，可以平衡各指标的数值分布，有利于后续进行统一的处理，降低运算量，进一步提高效率。

本公开的示例性实施例还提供了一种用户信用预测装置，参考图4所示，该装置400可以包括：数据获取模块410，用于获取目标用户的原始特征数据，原始特征数据包括人脸特征数据、表情特征数据与动作特征数据中的至少一种；向量转换模块420，用于将目标用户的原始特征数据转换为目标特征向量；初始预测模块430，用于分别利用多个信用区间的信用预测模型对目标特征向量进行处理，得到目标用户在多个信用区间的初始预测值；最终预测模块440，用于基于各初始预测值在对应的信用区间内的偏离程度，确定目标用户的最终预测值。

在一示例性实施例中，数据获取模块还可以用于获取多个历史用户的原始特征数据与信用评价值；向量转换模块还可以用于将历史用户的原始特征数据转换为样本特征向量；用户信用预测装置还可以包括：模型训练模块，用于根据历史用户的信用评价值将历史用户划分到多个信用区间，以及对于每个信用区间，利用信用区间内历史用户的样本特征向量与信用评价值训练机器学习模型，得到信用区间的信用预测模型。

在一示例性实施例中，数据获取模块还可以用于获取目标用户的信用评价值；模型训练模块还可以用于如果目标用户的信用评价值与最终预测值未处于同一信用区间内，则将目标用户添加到历史用户中，并重新训练目标用户所属的信用区间的信用预测模型。

在一示例性实施例中，最终预测模块还可以用于基于各初始预测值在对应的信用区间内的偏离程度，确定目标用户的最终预测值。

在一示例性实施例中，最终预测模块还可以用于分别计算各初始预测值与初始预测值对应的信用区间的中间值的偏离程度，并将偏离程度最小的初始预测值确定为最终预测值。

在一示例性实施例中，最终预测模块还可以用于分别计算各初始预测值与初始预测值对应的信用区间的中间值的偏离程度，根据偏离程度确定初始预测值的权重，以及对各初始预测值进行加权计算，得到最终预测值。

在一示例性实施例中，原始特征数据可以包括多个指标的原始特征数据；向量转换模块还可以用于分别将各指标的原始特征数据转换到[0,1]的范围内，并以每个指标作为一个维度，生成多维度的目标特征向量。

上述装置中的各模块的具体细节已经在对应的方法部分实施例中进行了详细的说明，因此不再赘述。

本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图5来描述根据本公开的这种示例性实施例的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540。

其中，存储单元存储有程序代码，程序代码可以被处理单元510执行，使得处理单元510执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元510可以执行图1所示的步骤s110～s140，也可以执行图2所示的步骤s210～s240等。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)521和/或高速缓存存储单元522，还可以进一步包括只读存储单元(rom)523。

存储单元520还可以包括具有一组(至少一个)程序模块525的程序/实用工具524，这样的程序模块525包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。

本公开的示例性实施例还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图6所示，描述了根据本公开的示例性实施例的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。