用户信用风险评估方法及装置、计算机可读存储介质与流程

本发明实施例涉及信用风险评估技术领域，尤其涉及一种用户信用风险评估方法及装置、计算机可读存储介质。

背景技术：

贷款通常包括抵押贷款和无抵押信用贷款两种类型。对于抵押贷款要求申请人具有相应的抵押物，对于无押信用贷款通常根据用户的征信报告等数据判断用户的信用风险情况，以确定是否能够给申请人授信贷款额度。在个人信贷场景中，如何准确的识别申请人的信用风险情况时信贷过程中一个非常重要的环节。

然而，对于没有征信报告或者征信报告中数据较少的人群，难以进行信用风险评估。

技术实现要素：

本发明实施例解决的技术问题是对没有征信报告或者征信报告中数据非常少的人群难以进行信用风险评估。

为解决上述技术问题，本发明实施例提供一种用户信用风险评估方法，包括：获取用户在预设的应用软件中的操作数据；将所述用户的操作数据输入至信用风险评估模型中进行风险评估，得到所述用户的逾期概率；输出所述用户的逾期概率。

可选的，所述操作数据包括：每项操作的操作内容及对应的操作时间点；将所述用户的操作数据输入至信用风险评估模型中进行风险评估，包括：根据每项操作的操作时间点，将所述用户的操作数据按照时序进行排列，得到所述用户的操作行为集合，所述操作行为集合包括每项操作的操作内容及对应的时间点；将所述用户的操作行为集合输入至信用风险评估模型中进行风险评估。

可选的，所述操作内容包括以下至少一种：所述用户在所述预设的应用软件中触发的操作类型、所述用户在浏览页面的停留时长。

可选的，所述获取用户在设定的应用软件中的操作数据，包括：基于所述用户在所述应用软件中的行为埋点数据，获取所述操作数据。

可选的，采用如下方式构建所述信用风险评估模型：获取训练样本中所有用户的操作数据；将所述所有用户的操作数据按照时序进行排序及分类，得到所述所有用户的操作行为集合；将所述所有用户的操作行为集合输入至时序类深度学习算法中，并基于每个用户的信用标签，训练得到所述信用风险评估模型。

可选的，所述时序类深度学习算法包括以下至少一种：循环神经网络、长短期记忆网络。

本发明实施例还提供一种用户信用风险评估装置，包括：获取单元，适于获取用户在预设的应用软件中的操作数据；评估单元，适于将所述用户的操作数据输入至信用风险评估模型中进行风险评估，得到所述用户的逾期概率；输出单元，适于输出所述用户的逾期概率。

可选的，所述操作数据包括：每项操作的操作内容及对应的操作时间点；所述评估单元，适于根据每项操作的操作时间点，将所述用户的操作数据按照时序进行排列，得到所述用户的操作行为集合，所述操作行为集合包括每项操作的操作内容及对应的时间点；将所述用户的操作行为集合输入至信用风险评估模型中进行风险评估。

可选的，所述操作内容包括以下至少一种：所述用户在所述预设的应用软件中触发的操作类型、所述用户在浏览页面的停留时长。

可选的，所述获取单元，适于基于所述用户在所述应用软件中的行为埋点数据，获取所述操作数据。

可选的，所述用户信用风险评估装置还包括：模型构建单元，适于采用如下方式构建所述信用风险评估模型：获取训练样本中所有用户的操作数据；将所述所有用户的操作数据按照时序进行排序及分类，得到所述所有用户的操作行为集合；将所述所有用户的操作行为集合输入至时序类深度学习算法中，并基于每个用户的信用标签，训练得到所述信用风险评估模型。

可选的，所述时序类深度学习算法包括以下至少一种：循环神经网络、长短期记忆网络。

本发明实施例还提供一种用户信用风险评估装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种用户信用风险评估方法的步骤。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种用户信用风险评估方法的步骤。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

基于用户在预设的应用软件中的操作数据采用信用风险评估模型对用户进行风险评估，得到用户的逾期概率，从而可以在没有征信数据或者征信数据较少的人群进行信用风险评估。

附图说明

图1是本发明实施例中的一种用户信用风险评估方法的流程图；

图2是本发明实施例中的一种信用风险评估模型的训练流程图；

图3是本发明实施例中的一种用户信用风险评估装置的结构示意图。

具体实施方式

现有技术中，对于无押信用贷款通常根据用户的征信报告等数据判断用户的信用风险情况，以确定是否能够给申请人授信贷款额度。然而，对于没有征信报告或者征信报告中数据较少的人群，难以进行信用风险评估。

本发明实施例中，基于用户在预设的应用软件中的操作数据采用信用风险评估模型对用户进行风险评估，得到用户的逾期概率，从而可以对没有征信数据或者征信数据较少的人群进行信用风险评估。

为使本发明实施例的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

参照图1，给出了本发明实施例中的一种用户信用风险评估方法的流程图。具体以包括如下步骤：

步骤11，获取用户在预设的应用软件中的操作数据。

在具体实施中，可以根据实际应用场景的需求，安装相应的应用软件并进行相应的操作。例如，在贷款业务场景中，应用软件为贷款或者金融等类型的应用软件。可以理解的是，也可以为其他具有涉及借还款的应用软件。

在具体实施中，用户在预设的应用软件中的操作数据可以包括：每项操作的操作内容及对应的操作时间点。

在本发明实施例中，操作内容可以包括以下至少一种：用户在预设的应用软件中触发的操作类型、用户在浏览页面的停留时长。可以理解的是，根据实际应用场景需要，操作内容还可以包括其他的操作。

例如，用户在2018年6月10日10:00:53打开贷款应用软件；用户在2018年6月10日10:02:21点击贷款“帮助”按键，进入帮助页面，用户在2018年6月10日10:06:57关闭帮助页面，在帮助页面停留6分钟4秒；用户在2018年6月10日10:08:03点开“产品”按键，进入贷款产品页面，并在贷款产品页面停留8分钟20秒。

当用户在帮助页面的贷还款规则或者贷款产品页面停留的时间越长，或者对应用软件中的相应内容了解的越详细则表明用户对产品了解的充分度、关注度及重视度越高，对应的用户的信用可能较好，逾期概率可能较低。当用户在帮助页面的贷还款规则或者贷款产品页面停留的时间越短，则用户对贷还款规则以及产品的了解越简单，充分度越低，对应用户的信用可能较差，逾期概率可能较高。

在具体实施中，可以在预设的应用软件中进行数据埋点，以获取用户在操作应用软件时留下的行为埋点数据。基于所获取到的用户在应用软件中的行为埋点数据，可以得到所述用户的操作数据。

步骤12，将所述用户的操作数据输入至信用风险评估模型中进行风险评估，得到所述用户的逾期概率。

在具体实施中，在获取到用户的操作数据之后，可以将获取到的操作数据输入至信用风险评估模型中进行风险评估，得到用户的逾期概率。

为了提高所得到的用户逾期概率的准确度，在本发明实施例中，可以根据每项操作的操作时间点，将用户的操作数据按照时序进行排序，得到用户的操作行为集合。用户的操作行为集合包括每项操作的操作内容及每项操作对应的操作时间点。将按照时序排列得到的用户的操作行为集合输入至信用风险评估模型中进行风险评估，得到用户的逾期概率。随着时间推移，用户的信用情况也会发生变化，在对用户的逾期概率进行评估时，可以考虑到用户在不同时间段的变化轨迹，从而可以充分考虑并综合近期的操作数据对应的表现来确定用户的逾期概率，因此，可以提高所得到的用户的逾期概率的准确度。

在具体实施中，可以采用如下方式训练得到信用风险评估模型，参照图2，给出了本发明实施例中的一种信用风险评估模型的训练流程图，具体可以包括如下步骤：

步骤21，获取训练样本中所有用户的操作数据。

在具体实施中，所获取到的训练样本中可以包括若干个用户对应的操作数据。每个用户的操作可以记为c＝[c1，c2，c3，…，cn]；每个用户的操作的时间点可以记为t＝[t1，t2，t3，…，tn]，n是用户操作的总个数，不同用户的操作的总个数可能不相同，也即不同用户对应的n的取值可能不同。按照每项操作的时间点对各项操作进行排序，如表1所示：

表1

步骤22，将所述所有用户的操作数据按照时序进行排序及分类，得到所述所有用户的操作行为集合。

在具体实施中，可以将所有用户的操作数据按照时序进行排序及按照操作的类别进行分类，将训练样本中所有的操作汇总在一起，得到所有用户的所有操作按照类别划分的操作行为集合，记为x＝[x1，x2，x3，…，xm]，其中，m为所有不同操作的总个数，xm为第m种操作。

步骤23，将所述所有用户的操作行为集合输入至时序类深度学习算法中，并基于每个用户的信用标签，训练得到所述信用风险评估模型。

在具体实施中，获取训练样本中已标注的用于甄别用户优劣的信用标签。将所有用户的操作行为集合输入至是时序类深度学习算法中，并根据每个用户的信用标签，训练得到所述信用风险评估模型。

在具体实施中，时序类深度学习算法可以包括以下至少一种：循环神经网络(recurrentneuralnetwork，rnn)、长短期记忆网络(longshorttermmemory，lstm)。

例如，可以统计某一操作的次数、某一操作的时长、点击帮助按钮的次数、是否查看详细介绍的按钮等用户的操作行为，统计好变量后，可以输入至lstm模型中，训练学习lstm模型的系数，信用风险评估模型的训练过程也即是lstm模型的系数的调整确定过程，当lstm模型的输出结果满足预期要求时，lstm模型的系数训练完成，得到所述信用风险评估模型。

步骤13，输出所述用户的逾期概率。

在具体实施中，得到用户的逾期概率之后，可以输出所得到的用户的逾期概率。

在具体实施中，在得到用户的逾期概率后，可以基于用户的逾期概率进行辅助决策。例如，对于逾期概率超过预设阈值的用户，可以拒绝用户的申请。又如，对于逾期概率较小的用户，可以给予较高额度的授信等。

由上可知，基于用户在预设的应用软件中的操作数据采用信用风险评估模型对用户进行风险评估，得到用户的逾期概率，从而可以对没有征信数据或者征信数据较少的人群进行信用风险评估。

为了便于本领域技术人员更好的理解和实现本发明实施例，本发明实施例还提供一种用户信用风险评估装置。

参照图3，给出了本发明实施例中的一种用户信用风险评估装置的结构示意图。用户信用风险评估装置30可以包括：获取单元31、评估单元32以及输出单元33，其中：

获取单元31，适于获取用户在预设的应用软件中的操作数据；

评估单元32，适于将所述用户的操作数据输入至信用风险评估模型中进行风险评估，得到所述用户的逾期概率；

输出单元33，适于输出所述用户的逾期概率。

在具体实施中，所述操作数据可以包括：每项操作的操作内容及对应的操作时间点；所述评估单元32，适于根据每项操作的操作时间点，将所述用户的操作数据按照时序进行排列，得到所述用户的操作行为集合，所述操作行为集合包括每项操作的操作内容及对应的时间点；将所述用户的操作行为集合输入至信用风险评估模型中进行风险评估。

在具体实施中，所述操作内容可以包括以下至少一种：所述用户在所述预设的应用软件中触发的操作类型、所述用户在浏览页面的停留时长。

在具体实施中，所述获取单元31，可以适于基于所述用户在所述应用软件中的行为埋点数据，获取所述操作数据。

在具体实施中，用户信用风险评估装置30还可以包括：模型构建单元(图3未示出)，适于采用如下方式构建所述信用风险评估模型：获取训练样本中所有用户的操作数据；将所述所有用户的操作数据按照时序进行排序及分类，得到所述所有用户的操作行为集合；将所述所有用户的操作行为集合输入至时序类深度学习算法中，并基于每个用户的信用标签，训练得到所述信用风险评估模型。

在具体实施中，所述时序类深度学习算法包括以下至少一种：循环神经网络、长短期记忆网络。

在具体实施中，用户信用风险评估装置30的工作原理及工作流程可以参考本发明上述任一实施例提供的用户信用风险评估方法中的描述，此处不再赘述。

本发明实施例还提供一种用户信用风险评估装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行本发明上述任一实施例提供的用户信用风险评估方法的步骤。

本发明实施例一种计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行本发明上述任一实施例提供的用户信用风险评估方法的步骤。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于任一计算机可读存储介质中，存储介质可以包括：rom、ram、磁盘或光盘等。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。