信贷风险评估方法、装置、计算机设备及存储介质与流程

本发明涉及人工智能技术领域，尤其是涉及一种信贷风险评估方法、装置、计算机设备及存储介质。

背景技术：

信贷是指以偿还和付息为条件的价值运动形式，通常包括银行存款、贷款等信用活动，贷款的产生必然伴随着风险，在还款期限届满之前，贷款人财务状况的重大变化很可能影响其履约能力，从而发生呆账、坏账等风险，因此预先对贷款人进行信贷风险评估有重要意义。

目前，通常根据贷款人的个人信息、价值数据和征信数据等，对贷款人的信贷风险进行评估，其中，个人信息包括贷款的人的性别、学历等信息，价值数据包括贷款人的月收入、固定资产等，征信数据包括贷款人的信用卡数量、信贷逾期次数等。然而，贷款人的价值数据和征信数据均为静态数据，静态数据的特点是稳定而不易变化或者变化缓慢，其无法反映贷款人未来的变化趋势，因此如果仅依据贷款人的静态数据进行信贷风险评估，无法得到准确的信贷风险评估结果，对信贷风险评估的准确率较低。

技术实现要素：

本发明提供了一种信贷风险评估方法、装置、计算机设备及存储介质，主要在于能够提高信贷风险评估的准确率，确保信贷风险评估结果的可靠性。

根据本发明的第一个方面，提供一种信贷风险评估方法，包括：

获取待评估用户对应的消费行为时序数据和属性数据；

将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量；

将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量；

根据所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果。

根据本发明的第二个方面，提供一种信贷风险评估装置，包括：

获取单元，用于获取待评估用户对应的消费行为时序数据和属性数据；

第一提取单元，用于将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量；

第二提取单元，用于将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量；

确定单元，用于根据所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果。

根据本发明的第三个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

获取待评估用户对应的消费行为时序数据和属性数据；

将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量；

将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量；

根据所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果。

根据本发明的第四个方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

获取待评估用户对应的消费行为时序数据和属性数据；

将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量；

将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量；

根据所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果。

本发明提供的一种信贷风险评估方法、装置、计算机设备及存储介质，与目前根据待评估用户的静态数据对待评估用户的信贷风险进行评估的方式相比，本发明能够获取待评估用户对应的消费行为时序数据和属性数据；并将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量；与此同时，将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量；最终根据所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果，由此通过获取待评估用户的消费行为时序数据，能够引入反映待评估用户未来变化趋势的动态数据，在对待评估用户进行风险评估时，通过提取待评估用户的消费行为特征向量和属性特征向量，并依据消费行为特征向量和属性特征向量预测待评估用户的信贷风险评估结果，能够同时考虑静态数据和动态数据对信贷风险评估的影响，从而能够保证信贷风险评估结果的可靠性，提高对信贷风险评估结果的预测精度。

附图说明

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

图1示出了本发明实施例提供的一种信贷风险评估方法流程图；

图2示出了本发明实施例提供的另一种信贷风险评估方法流程图；

图3示出了本发明实施例提供的一种信贷风险评估装置的结构示意图；

图4示出了本发明实施例提供的另一种信贷风险评估装置的结构示意图；

图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

目前，通常根据贷款人的个人信息、价值数据和征信数据等，对贷款人的信贷风险进行评估，其中，个人信息包括贷款的人的性别、学历等信息，价值数据包括贷款人的月收入、固定资产等，征信数据包括贷款人的信用卡数量、信贷逾期次数等。然而，贷款人的价值数据和征信数据均为静态数据，静态数据的特点是稳定而不易变化或者变化缓慢，其无法反映贷款人未来的变化趋势，因此如果仅依据贷款人的静态数据进行信贷风险评估，无法得到准确的信贷风险评估结果，对信贷风险评估的准确率较低。

为了解决上述问题，本发明实施例提供了一种信贷风险评估方法，如图1所示，所述方法包括：

101、获取待评估用户对应的消费行为时序数据和属性数据。

其中，待评估用户为需要进行信贷风险评估的用户，待评估用户的消费行为时序数据为根据待评估用户在一段时间内的消费记录建立的，具体包括待评估用户的历史消费频次时序数据、消费总金额时序数据、最大消费金额所属商品大类的时序数据、消费和月收入占比时序数据等，例如，获取评估用户一年内的消费记录，并确定等分时间区间为一个月，构建待评估用户的历史消费频次时序数据为(3,2,3,5,7,8,9,10,3,6,7,5)，即代表待评估用户在这一年的1-12月份的消费频次，第一月共消费3次，第二个月共消费2次，第三个月共消费3次，第四个月消费5次等，此外，待评估用户的属性数据包括：待评估用户的的个人信息、价值数据和征信数据，其中，个人信息包括待评估用户的性别、年龄、学历、地狱、婚姻状况等；价值数据主要指待评估用户的个人财务状况，具体包括：月收入、固定资产、账户余额、每月消费收入占比、还款额等；征信数据包括：待评估用户的信用卡数量、信贷总额、成功借款次数和逾期次数等。

对于本发明实施例，为了克服现有技术中仅根据待评估用户的静态数据(属性数据)对信贷风险评估，从而造成的信贷风险评估结果不准确的缺陷，本发明实施例采用人工智能领域的机器学习技术，引入了待评估用户的消费时间时序数据，即引入了能够反映待评估用户未来趋势的动态数据，并将其与静态数据相结合共同对待评估用户的信贷风险进行评估，能够提高待评估用户的信贷风险评估精度，确保信贷风险评估结果的可靠性，本发明实施例主要适用于信贷风险的评估，本发明实施例的执行主体为能够对待评估用户进行信贷风险评估的装置或者设备，可以设置于客户端或者服务器一侧。

具体地，当待评估用户申请贷款时，待评估用户会预先上传个人信息和价值数据，信贷业务人员接收到待评估用户的个人信息和价值数据进行核实后，存储至服务器中，同时信贷业务人员也会调取待评估用户的征信数据和一段时间内的消费记录进行保存，之后信贷评估业务人员会对待评估用户进行信贷风险评估，以便根据信贷风险评估结果决定是否对其放款，具体信贷业务人员可以通过点击服务器界面中的信贷风险评估按钮，触发信贷风险评估指令，服务器接收到待评估用户的信贷风险评估指令后，会调取待评估用户的在一段时间内的消费记录和属性数据，并根据待评估用户在一段时间内的消费记录，生成待评估用户对应的消费行为时序数据，以便根据该消费行为时序数据和属性数据，共同对待评估用户的信贷风险评估结果进行预测。

102、将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量。

其中，该预设消费行为特征提取模型具体可以为xgboost消费行为特征提取模型，对于本发明实施例，xgboost消费行为特征提取模型可以对时序数据进行处理，该xgboost消费行为特征提取模型主要包括输入层、隐藏层和输出层，通过该输入层输入待评估用户对应的消费行为时序数据，之后利用隐藏层对该消费行为时序数据进行特征提取，得到待评估用户对应的消费行为特征向量，进一步地，该输出层能够对待评估用户的消费行为特征向量进行预测，得到待评估用户对应的初步风险评估结果，由此能够引入待评估用户的消费行为时序数据，即动态数据，并能够利用xgboost消费行为特征提取模型提取待评估用户的消费行为特征向量，以便将其与待评估用户的静态数据相结合，共同进行信贷风险评估。

103、将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量。

其中，预设属性特征提取模型可以为预设卷积神经网络模型，对于本发明实施例，为了将待评估用户的属性数据(静态数据)和消费行为时序数据(动态数据)相结合，共同对待评估用户进行贷款风险评估，需要对待评估用户的属性数据进行特征提取，具体可以利用卷积神经网络模型对待评估用户的属性数据进行特征提取，该卷积神经网络模型主要包括输入层、隐藏层和输出层，通过该输入层输入待评估用户对应的属性数据，之后利用隐藏层对输入的属性数据进行特征提取，得到待评估用户对应的属性特征向量，并通过输出层输出该属性特征向量。

104、根据所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果。

其中，待评估用户的信贷风险评估结果包括待评估用户违约和不违约，例如，如果输出的信贷风险评估结果为0，则代表待评估用户会违约，即如果对待评估用户放贷，待评估用户很可能会违约，无法按时还贷；如果输出的信贷风险评估结果为1，则代表待评估用户不会违约，即如果对待评估用户放贷，待评估用户很可能不会违约，能够按时还贷。对于本发明实施例，为了提高对待评估用户的信贷风险评估精度，需要依据静态数据和动态数据共同对待评估用户进行风险评估。

具体地，根据消费行为特征向量，确定待评估用户对应的初步风险评估结果，该初步风险评估结果是仅依据待评估用户的消费行为时序数据得到的初步风险评估结果，还需要考虑用户的属性数据所带来的响应，因此，根据初步风险评估结果、消费行为特征向量和属性特征向量，确定待评估用户对应的最终信贷风险评估结果，具体可以将初步风险评估结果、消费行为特征向量和属性特征向量共同作为输入向量，将其其输入至预设信贷风险评估模型进行信贷风险评估，得到待评估用户对应的信贷风险评估结果，其中，该预设信贷风险评估模型可以为预设逻辑回归模型，根据预设逻辑回归模型输出的信贷风险评估结果来决定是否对待评估用户进行放贷，例如，如果预设逻辑回归模型输出的信贷风险评估结果为0，则确定待评估用户很可能会违约，因此不对其进行放贷；如果预设逻辑回归模型输出的信贷风险评估结果为1，则确定待评估用户很可能不会违约，因此对其进行放贷。

本发明实施例提供的一种信贷风险评估方法，与目前根据待评估用户的静态数据对待评估用户的信贷风险进行评估的方式相比，本发明能够获取待评估用户对应的消费行为时序数据和属性数据；并将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量；与此同时，将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量；最终根据所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果，由此通过获取待评估用户的消费行为时序数据，能够引入反映待评估用户未来变化趋势的动态数据，在对待评估用户进行风险评估时，通过提取待评估用户的消费行为特征向量和属性特征向量，并依据消费行为特征向量和属性特征向量预测待评估用户的信贷风险评估结果，能够同时考虑静态数据和动态数据对信贷风险评估的影响，从而能够保证信贷风险评估结果的可靠性，提高对信贷风险评估结果的预测精度。

进一步的，为了更好的说明上述信贷风险评估的过程，作为对上述实施例的细化和扩展，本发明实施例提供了另一种信贷风险评估方法，如图2所示，所述方法包括：

201、获取待评估用户对应的消费行为时序数据和属性数据。

对于本发明实施例，为了获取消费行为时序数据，步骤201具体包括：获取所述待评估用户在预设时间段内的消费记录及其对应的消费时间；根据所述消费记录和所述消费时间，确定所述待评估用户对应的消费行为时序数据。其中，预设时间段可以根据业务需求进行设定，需要说明的是，为了确保对待评估用户的信贷风险评估的准确性，预设时间段不宜设置过短，例如，获取待评估用户去年一年1月-12月的所有消费记录及其对应的消费时间，并按照待评估用户在一年内多笔消费记录对应的消费时间，分别统计待评估用户的历史消费频次时序数据、客户消费金额时序数据、最大消费金额所属商品大类的时序数据、消费和月收入占比时序数据，例如，统计待评估用户在去年1月-12月的消费和月收入占比时序数据为(0.5,0.3,0.8,0.2,0.5,0.9,0.7,0.9,0.8,0.6,0.7,0.5)，此外，当待评估用户申请贷款时，会填写个人信息和价值数据，信贷业务人员对待评估用户的个人信息和价值数据进行核实后会存储至服务器，同时调用与该待评用户相关的征信数据存储至服务器，以便对待评估用户进行信贷风险评估时，根据待评估用户的消费行为时序数据和属性数据共同进行风险评估，提高对待评估用户的信贷风险评估的准确率。

进一步地，获取的待评估用户的属性数据很可能包括多条属性数据，而不同数据之间很可能具有很强的相关性，为了达到特征降维和防止过拟合的目的，可以在具有相关性的属性数据中只挑选部分属性数据作为输入变量，基于此，所述方法还包括：若存在多个属性数据，则对各个属性数据之间的相关性进行验证，得到所述各个属性数据之间的相关性验证结果；根据所述相关性验证结果，从所述各个属性数据中筛选目标属性数据，进一步地，所述对各个属性数据之间的相关性进行验证，得到所述各个属性数据之间的相关性验证结果，包括：计算所述各个属性数据之间的相关性系数；根据计算的各个相关性系数，确定所述各个属性数据之间的相关性验证结果，与此同时，所述根据所述相关性验证结果，从所述各个属性数据中筛选目标属性数据，包括：根据所述相关性验证结果，确定所述各个属性数据中具有相关性的属性数据和不具有相关性的属性数据；从所述具有相关性的属性数据中筛选预设数量的属性数据，并将所述预设数量的属性数据和所述不具有相关性的属性数据，确定为目标属性数据。

具体地，可以利用预设相关性验证算法计算各个属性数据之间的相关性系数，相关性系数的具体计算公式如下：

其中，ρs为不同属性数据之间的相关性系数，di＝xi′-yi′，xi′为属性数据x的分量xi的秩次，yi′为属性数据y的分量yi的秩次，di为xi′和yi′的秩次差，n为属性数据x和y的维度，在计算出属性数据x和y的相关性系数之后，根据相关性系数的大小判断属性数据x和y之间是否具有相关性，例如，如果计算出的相关性系数大于或者等于0.829，则认为属性数据x和y之间具有相关性；如果计算出的相关性系数小于0.829，则认为属性数据x和y之间不具有相关性，由此能够确定不同属性数据之间的相关性验证结果。进一步地，根据不同属性数据之间的相关性验证结果，确定具有相关性的多个属性数据，之后从具有相关性的多个属性数据中筛选预设数量的属性数据，例如，确定具有有5个属性数据之间具有相关性，为了达到特征降维的目的，从5个具有相关性的属性数据中筛选两个属性数据，并将筛选的后的属性数据和不具有相关性的属性数据，共同作为目标属性数据，以便将所述目标属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量，由此能够达到特征降维和防止过拟合的目的。

202、将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量。

其中，该预设消费行为特征提取模型具体可以为xgboost消费行为特征提取模型，xgboost消费行为特征提取模型能够对时序数据进行处理，对于本发明实施例，在引入待评估用户的动态数据(消费行为时序数据)之后，将其输入至xgboost消费行为特征提取模型进行特征提取，得到待评估用户对应的消费行为特征向量，与此同时，根据该消费行为特征性向量能够对待评估用户的信贷风险进行初步评估。

203、将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量。

对于本发明实施例，在对待评估用户的多个属性数据进行相关性验证，确定多个属性数据中的目标属性数据之后，将确定的目标属性数据输入至预设属性特征提取模型进行特征提取，其中，该预设属性特征提取模型具体可以为卷积神经网络模型，通过该卷积神经网络模型提起待评估用户的属性特征向量。

204、根据所述消费行为特征向量，确定所述待评估用户对应的初步风险评估结果。

对于本方实施例，在利用xgboost消费行为特征提取模型提取待评估用户的消费行为特征向量之后，可以根据提取的消费行为特征向量，利用xgboost模型的输出层对待评估用户的信贷风险进行初步评估，得到待评估用户的初步风险评估结果，其中，该初步风险评估结果包括待评估用户违约或者不违约。

205、根据所述初步风险评估结果、所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果。

对于本发明实施例，为了提高对待评估用户的信贷风险评估准确率，需要同时考虑待评估用户的消费行为时序数据(动态数据)、属性数据(静态数据)和xgboost模型输出的初步风险评估结果，基于此，步骤205具体包括：对所述初步风险评估结果、所述消费行为特征向量和所述属性特征向量进行整合，得到整合后的特征向量；将所述整合后的特征向量输入至预设信贷风险评估模型进行风险评估，得到所述待评估用户对应的信贷风险评估结果。其中，预设信贷风险评估模型可以为预设逻辑回归模型。

例如，待评估用户的消费行为特征向量为(x1,x2,x3)，属性特征向量为(x4,x5,x6,x7)，利用xgboost模型得到的初步风险评估结果为u，将上述向量进行整合，得到整合后的特征向量为(x1,x2,x3,x4,x5,x6,x7,u)，并将整合后的特征向量(x1,x2,x3,y1,y2,y3,y4,u)作为预设逻辑回归模型的输入变量，对待评估用户的信贷风险进行评估，在具体对待评估用户的信贷风险进行评估时，可以对待评估用户不会违约的概率进行计算，具体计算公式如下：

其中，α,β为预设逻辑回归模型的估计参数，(x1,x2,…,xn,u)为整合后的变量，e(y)为待评估用户不会违约的概率，依据计算的概率确定待评估用户是否会违约。

对于本发明实施例，在构建预设消费行为特征提取模型、预设属性特征提取模型和预设信贷风险评估模型时，可以将其作为一个整体进行训练，搜集大量用户的消费行为时序数据和属性数据，以及对应的还款情况，确定样本数据集，对该样本数据集进行训练，构建预设消费行为特征提取模型、预设属性特征提取模型和预设信贷风评估模型，当预设信贷风险评估模型具体为逻辑回归模型，利用预设极大似然算法对逻辑回归模型的参数进行调整，由此得到最优评估参数。

本发明实施例提供的另一种信贷风险评估方法，与目前根据待评估用户的静态数据对待评估用户的信贷风险进行评估的方式相比，本发明能够获取待评估用户对应的消费行为时序数据和属性数据；并将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量；与此同时，将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量；最终根据所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果，由此通过获取待评估用户的消费行为时序数据，能够引入反映待评估用户未来变化趋势的动态数据，在对待评估用户进行风险评估时，通过提取待评估用户的消费行为特征向量和属性特征向量，并依据消费行为特征向量和属性特征向量预测待评估用户的信贷风险评估结果，能够同时考虑静态数据和动态数据对信贷风险评估的影响，从而能够保证信贷风险评估结果的可靠性，提高对信贷风险评估结果的预测精度。

进一步地，作为图1的具体实现，本发明实施例提供了一种信贷风险评估装置，如图3所示，所述装置包括：获取单元31、第一提取单元32、第二提取单元33和确定单元34。

所述获取单元31，可以用于获取待评估用户对应的消费行为时序数据和属性数据。所述获取单元31是本装置中获取待评估用户对应的消费行为时序数据和属性数据的主要功能模块。

所述第一提取单元32，可以用于将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量。所述第一提取单元32是本装置中将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量的主要功能模块，也是核心模块。

所述第二提取单元33，可以用于将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量。所述第二提取单元33是本装置中将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量的主要功能模块。

所述确定单元34，可以用于根据所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果。所述确定单元34是本装置中根据所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果的主要功能模块，也是核心模块。

进一步地，为了确定所述待评估用户对应的信贷风险评估结果，如图4所示，所述确定单元34，包括第一确定模块341和第二确定模块342。

所述第一确定模块341，可以用于根据所述消费行为特征向量，确定所述待评估用户对应的初步风险评估结果。

所述第二确定模块，可以用于根据所述初步风险评估结果、所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果。

进一步地，为了确定所述待评估用户对应的信贷风险评估结果，所述第二确定模块341，包括：整合子模块和评估子模块。

所述整合子模块，可以用于对所述初步风险评估结果、所述消费行为特征向量和所述属性特征向量进行整合，得到整合后的特征向量。

所述评估子模块，可以用于将所述整合后的特征向量输入至预设信贷风险评估模型进行风险评估，得到所述待评估用户对应的信贷风险评估结果。

进一步地，为了对对属性数据进行相关性验证，所述装置还包括：验证单元35和筛选单元36。

所述验证单元35，可以用于若存在多个属性数据，则对各个属性数据之间的相关性进行验证，得到所述各个属性数据之间的相关性验证结果。

所述筛选单元36，可以用于根据所述相关性验证结果，从所述各个属性数据中筛选目标属性数据。

所述第二提取单元33，具体可以用于将所述目标属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量。

进一步地，为了确定各个属性数据之间的相关性验证结果，所述验证单元35，包括：计算模块351和确定模块352。

所述计算模块351，可以用于计算所述各个属性数据之间的相关性系数。

所述确定模块352，可以用于根据计算的各个相关性系数，确定所述各个属性数据之间的相关性验证结果。

进一步地，为了从所述各个属性数据中筛选目标属性数据，所述筛选单元36，包括：确定模块361筛选模块362。

所述确定模块361，可以用于根据所述相关性验证结果，确定所述各个属性数据中具有相关性的属性数据和不具有相关性的属性数据。

所述筛选模块362，可以用于从所述具有相关性的属性数据中筛选预设数量的属性数据，并将所述预设数量的属性数据和所述不具有相关性的属性数据，确定为目标属性数据。

进一步地，为了获取待评估用户对应的消费行为时序数据，所述获取单元31，包括：获取模块311和确定模块312。

所述获取模块311，可以用于获取所述待评估用户在预设时间段内的消费记录及其对应的消费时间。

所述确定模块312，可以用于根据所述消费记录和所述消费时间，确定所述待评估用户对应的消费行为时序数据。

需要说明的是，本发明实施例提供的一种信贷风险评估装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。

基于上述如图1所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获取待评估用户对应的消费行为时序数据和属性数据；将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量；将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量；根据所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果。

基于上述如图1所示方法和如图3所示装置的实施例，本发明实施例还提供了一种计算机设备的实体结构图，如图5所示，该计算机设备包括：处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序，其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤：获取待评估用户对应的消费行为时序数据和属性数据；将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量；将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量；根据所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果。

通过本发明的技术方案，本发明能够获取待评估用户对应的消费行为时序数据和属性数据；并将所述消费行为时序数据输入至预设消费行为特征提取模型进行特征提取，得到所述消费行为时序数据对应的消费行为特征向量；与此同时，将所述属性数据输入至预设属性特征提取模型进行特征提取，得到所述待评估用户对应的属性特征向量；最终根据所述消费行为特征向量和所述属性特征向量，确定所述待评估用户对应的信贷风险评估结果，由此通过获取待评估用户的消费行为时序数据，能够引入反映待评估用户未来变化趋势的动态数据，在对待评估用户进行风险评估时，通过提取待评估用户的消费行为特征向量和属性特征向量，并依据消费行为特征向量和属性特征向量预测待评估用户的信贷风险评估结果，能够同时考虑静态数据和动态数据对信贷风险评估的影响，从而能够保证信贷风险评估结果的可靠性，提高对信贷风险评估结果的预测精度。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。