一种用户信用评估方法及装置与流程

本申请涉及互联网金融
技术领域：
，尤其涉及一种用户信用评估方法及装置。
背景技术：
：信用评估是信贷业务中的重要环节，通过对用户进行信用评估，可在一定程度上规避用户拖欠还款的风险。目前，在对用户进行信用评估时，除了根据用户自身的行为(如，逾期还款次数等)外，还可结合与该用户相关联的各其他用户的信用情况，确定该用户的信用评分。其中，在基于相关联的各其他用户的信用情况，对该用户进行信用评估时，还需确定该用户与相关联的各其他用户的紧密程度，紧密程度越高，该其他用户的信用情况对该用户的信用影响越大。现有技术在确定该用户与相关联的各其他用户之间的紧密程度时，通常根据该用户与其他用户之间的关联关系，以及各关联关系对应的关系权重，确定该用户与其他用户的关系权重，以基于该关系权重确定该用户与其他用户的紧密程度。但是，各关联关系对应的关系权重通常是基于专家经验人为设定的，基于人为设定的关系权重确定出的用户之间的紧密程度不够准确，导致对用户进行信用评估的准确度较低。技术实现要素：本说明书实施例提供一种用户信用评估方法及装置，用于部分解决现有技术中存在的问题。本说明书实施例采用下述技术方案：本说明书提供的一种用户信用评估方法，包括：确定业务平台中的至少部分用户，并针对确定出的每个用户，确定该用户相关联的各其他用户；针对确定出的该用户相关联的每个其他用户，根据该其他用户与该用户的关联关系，以及各关联关系对应的权重值，确定该其他用户与该用户的关系权重，其中，各关联关系对应的权重值是根据历史上守信用户和失信用户的关联关系确定的；根据该其他用户与该用户的关系权重、该其他用户以及该用户在所述业务平台中的行为信息，确定该其他用户与该用户之间的关系指数，以基于所述至少部分用户之间的关系指数，确定图网络模型，并通过所述图网络模型进行信用评估；其中，所述关系指数用于表征用户之间的关系紧密程度。可选地，各关联关系对应的权重值采用以下方法确定：获取所述业务平台中的若干守信用户以及若干失信用户，并根据获取到的各守信用户以及各失信用户，确定若干训练样本对，以及对各训练样本对进行标注；针对每个训练样本对，将该训练样本对中各用户之间的关联关系作为输入，输入待训练的决策树模型中，确定所述待训练的决策树模型输出的分类结果，以最小化各分类结果与各训练样本对的标注之间的差异为目标，调整所述待训练的决策树模型中的模型参数，并根据各关联关系对输出的分类结果的信息增益，确定各关联关系对应的权重值。可选地，根据该其他用户与该用户的关系权重、该其他用户以及该用户在所述业务平台中的行为信息，确定该其他用户与该用户之间的关系指数，具体包括：根据该其他用户以及该用户在所述业务平台中的行为信息，确定该其他用户以及该用户之间的行为相似度；根据该其他用户与该用户的关系权重，以及该其他用户以及该用户之间的行为相似度，确定该其他用户与该用户之间的关系指数。可选地，根据该其他用户与该用户的关系权重、该其他用户以及该用户在所述业务平台中的行为信息，确定该其他用户与该用户之间的关系指数，具体包括：将该其他用户与该用户的关系权重、该其他用户以及该用户在所述业务平台中的行为信息作为输入，输入预先训练的关系预测模型中，确定所述关系预测模型输出的该其他用户与该用户之间的关系指数。可选地，所述关系预测模型采用以下方法训练：针对每个训练样本对，根据该训练样本对中用户之间的关联关系，以及各关联关系的权重值，确定该训练样本对中用户的关系权重；将该训练样本对中用户的关系权重以及该训练样本对中各用户的行为信息作为输入，输入待训练的关系预测模型中，确定所述待训练的关系预测模型输出的关系指数；以最小化所述关系指数与该训练样本对的标注之间的差异为目标，调整所述待训练的关系预测模型中的模型参数。可选地，根据获取到的各守信用户以及各失信用户，确定若干训练样本对，具体包括：从获取到的各失信用户中，确定任意相关联的两个失信用户，作为训练样本对；从获取到的各守信用户以及各失信用户中，确定任意相关联的一个守信用户以及一个失信用户，作为训练样本对。可选地，所述方法还包括：当所述待训练的决策树模型为多个时，针对每个关联关系，根据该关联关系对各决策树模型输出的分类结果的信息增益，确定该关联关系的平均信息增益，作为该关联关系的权重值。可选地，确定各关联关系对应的权重值，具体包括：根据历史上所述业务平台中若干守信用户和若干失信用户的关联关系，确定各关联关系对应的权重值；或者根据历史上其他平台中若干守信用户和若干失信用户的关联关系，确定各关联关系对应的权重值。可选地，所述图网络模型中各用户节点之间的边权重为所述用户之间的关系指数。本说明书提供一种用户信用评估装置，包括：第一确定模块，确定业务平台中的至少部分用户，并针对确定出的每个用户，确定该用户相关联的各其他用户；第二确定模块，针对确定出的该用户相关联的每个其他用户，根据该其他用户与该用户的关联关系，以及各关联关系对应的权重值，确定该其他用户与该用户的关系权重，其中，各关联关系对应的权重值是根据历史上守信用户和失信用户的关联关系确定的；第三确定模块，根据该其他用户与该用户的关系权重、该其他用户以及该用户在所述业务平台中的行为信息，确定该其他用户与该用户之间的关系指数，以基于所述至少部分用户之间的关系指数，确定图网络模型，并通过所述图网络模型进行信用评估，其中，所述关系指数用于表征用户之间的关系紧密程度。本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述用户信用评估方法。本说明书提供的一种电子设备，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上述用户信用评估方法。本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：在本说明书中，可先根据业务平台中至少部分用户之间的关联关系，以及各关联关系对应的权重值，确定各用户之间的关系权重，其中，各关联关系对应的权重值是基于历史上守信用户与失信用户之间的关联关系确定的。之后，根据各用户之间的关系权重、各用户在该业务平台中的行为信息，确定各用户之间的关系指数，以基于至少部分用户之间的关系指数，确定图网络模型，并通过该图网络模型进行信用评估。通过历史上守信用户与失信用户之间的关联关系确定各关联关系对应的关系权重，使得确定出的各关系权重更准确，并且结合用户的关系权重以及行为信息，更好的反映用户之间的紧密程度，进而更准确的评估用户信用。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本说明书实施例提供的一种用户信用评估流程示意图；图2为本说明书实施例提供的一种预测用户关系指数的示意图；图3为本说明书实施例提供的一种用户关系网的图结构示意图；图4为本说明书实施例提供的一种用户信用评估装置的结构示意图；图5为本说明书实施例提供的实现用户信用评估方法的电子设备示意图。具体实施方式为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，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，都属于本申请保护的范围。以下结合附图，详细说明本申请各实施例提供的技术方案。图1为本说明书实施例提供的一种用户信用评估方法的流程示意图，具体可包括以下步骤：s100：确定业务平台中的至少部分用户，并针对确定出的每个用户，确定该用户相关联的各其他用户。本说明书提供的用户信用评估方法，通过确定业务平台中各相关联的用户之间的关系紧密程度，并基于各相关联的用户之间的关系紧密程度，对各用户进行信用评估。因此在本说明书中，可先确定该业务平台中至少部分相关联的用户。并且，在本说明书中，该用户信用评估方法可由服务器作为执行主体执行，该服务器用于对业务平台中的用户进行信用评估，可以是一个单独的服务器，也可以是多个服务器组成的集群，如，分布式服务器系统等，可以是物理服务器设备，也可以是云服务器，本说明书对此不做限制，具体可根据需要设置。具体的，在对业务平台中的用户进行信用评估时，该服务器可先确定该业务平台中的至少部分用户，并针对该至少部分用户中的每个用户，根据各用户的历史行为信息以及用户好友信息，确定该用户相关联的各其他用户。其中，历史行为信息至少包含用户历史上使用的网络信息、历史出行信息以及历史信息分享等信息中的一种，用户好友信息至少包含用户添加的好友、用户的紧密联系人或者用户的特别关注等好友信息中的一种。该历史行为信息以及用户好友信息可以是用户在同一业务平台中，也可以是用户在不同业务平台中的，具体可根据需要设置，本说明书对此不做限制。进一步的，在确定该用户相关联的各其他用户时，当该用户与其他用户的历史行为相关，或者存在好友关系时，可确定该用户与该其他用户之间相关联。如，当该用户历史上与其他用户使用过相同的网络时，可确定该用户与该其他用户之间相关联，且存在共享网络的关联关系。当该用户历史上与其他用户共同订票出行时，可确定该用户与该其他用户之间相关联，且存在共同出行的关联关系。s102：针对确定出的该用户相关联的每个其他用户，根据该其他用户与该用户的关联关系，以及各关联关系对应的权重值，确定该其他用户与该用户的关系权重。在本说明书一种或多种实施例中，当确定出相关联的各用户后，可根据各用户之间存在的关联关系，确定相关联用户的关系权重，后续可根据相关联用户的关系权重，确定相关联用户之间的关系紧密程度。具体的，针对该用户相关联的每个其他用户，该服务器可先确定该其他用户与该用户之间的关联关系。其中，该关联关系可包含共享网络、共同出行、信息分享、好友、紧急联系人、特别关注等用户关系中的至少一种，本说明书对该关联关系不再一一列举，只要能够表征用户之间关系即可。之后，该服务器可根据该其他用户与该用户的关联关系，以及各关联关系对应的权重值，确定该其他用户与该用户的关系权重。其中，各关联关系对应的权重值可根据历史上若干守信用户和若干失信用户之间的关联关系确定。示例性的如表1所示，确定出各关联关系分别对应的权重值为：共享网络对应的权重值为0.3，共同出行对应的权重值为0.5，紧急联系人对应的权重值为0.8。权重值越高，表示关联关系越紧密。关联关系关联关系对应的权重值共享网络0.3共同出行0.5紧急联系人0.8表1进一步的，当该用户与该其他用户之间存在多种关联关系时，则根据该用户与该其他用户之间存在的各种关联关系，以及各关联关系对应的权重值，确定各种关联关系对应的权重值之和，作为该用户与该其他用户的关系权重。s104：根据该其他用户与该用户的关系权重、该其他用户以及该用户在所述业务平台中的行为信息，确定该其他用户与该用户之间的关系指数，以基于所述至少部分用户之间的关系指数，确定图网络模型，并通过所述图网络模型进行信用评估。在本说明书一种或多种实施例中，当确定出该用户与该其他用户的关系权重后，还可结合该用户与该其他用户的行为相似度，确定两个用户之间的关系紧密程度。具体的，如图2所示，该服务器可将该其他用户与该用户之间的关系权重、该其他用户以及该用户在该业务平台中的行为信息作为输入，输入到预先训练的关系预测模型中，确定该关系预测模型输出的该其他用户与该用户之间的关系指数。其中，该关系指数用于表征用户之间的关系紧密程度。该关系预测模型可以是常规的神经网络模型，如，神经网络模型，也可以是树模型，本说明书对此不做限制，可根据需要设置。进一步的，在输入该关系预测模型中之前，该服务器还可根据该其他用户以及该用户在该业务平台中的行为信息，分别确定该其他用户以及该用户的行为特征，并将该其他用户与该用户之间的关系权重、该其他用户以及该用户的行为特征作为该关系预测模型的输入。在本说明书中，该关系预测模型可采用以下方式进行训练：首先，可通过上述步骤a0确定出各训练样本对，并确定各训练样本对的标注。之后，针对每个训练样本对，根据该训练样本对中用户之间的关联关系，以及各关联关系的权重值，确定该训练样本对中用户的关系权重。然后，将该训练样本对中用户的关系权重以及该训练样本对中各用户的行为信息作为输入，输入待训练的关系预测模型中，确定该待训练的关系预测模型输出的关系指数。最后，以最小化该关系指数与该训练样本对的标注之间的差异为目标，调整该待训练的关系预测模型中的模型参数。在本说明书另一种实施例中，该服务器也可根据该其他用户以及该用户在该业务平台中的行为信息，确定该其他用户以及该用户之间的行为相似度，如，基于用户行为特征的余弦相似性，确定用户之间的行为相似度。之后，根据该其他用户与该用户的关系权重，以及该其他用户以及该用户之间的行为相似度，确定该其他用户与该用户之间的关系指数。如，将两个用户的关系权重与两个用户之间的行为相似度之和(或者加权求和)，作为两个用户的关系指数。当确定出各相关联用户的关系指数后，便可基于该业务平台中的至少部分用户的关系指数，确定图神经网络模型(graphneuralnetworks，gnn)，以通过该gnn模型确定各用户的信用评分。其中，该gnn模型中的图结构包含各用户节点以及各节点之间连接的边，且各用户节点之间的边权重为连接的两个用户之间的关系指数。如图3所示，图3中包含a、b、c三个用户节点，其中，用户a与用户b之间的关系指数为0.6，用户b与用户c之间的关系指数为0.5，用户a与用户c之间的关系指数为0.8。于是，可确定对应的边ab的权重为0.6，边bc的权重为0.6，边ac的权重为0.8。另外，由于通过gnn模型进行信用评估是较为常见的现有技术，本说明书对此并无改进，因此对此不做赘述。基于图1所示的用户信用评估方法，可先确定业务平台中的至少部分用户，并针对确定出的每个用户，确定该用户相关联的各其他用户。之后，针对确定出的该用户相关联的每个其他用户，根据该其他用户与该用户的关联关系，以及各关联关系对应的权重值，确定该其他用户与该用户的关系权重，其中，各关联关系对应的权重值是基于历史上守信用户与失信用户之间的关联关系确定的。然后，根据该其他用户与该用户的关系权重、该其他用户以及该用户在该业务平台中的行为信息，确定该其他用户与该用户之间的关系指数，以基于至少部分用户之间的关系指数，确定图网络模型，并通过该图网络模型进行信用评估。通过历史上守信用户与失信用户之间的关联关系确定各关联关系对应的关系权重，使得确定出的各用户的关系权重更准确，进而更准确的评估用户信用。并且在本说明书中，通过结合用户的关系权重以及行为信息这两种数据，确定出的用户之间的关系紧密程度也更准确。在本说明书步骤s102中，可采用以下步骤确定各关联关系对应的权重值：a0：获取所述业务平台中的若干守信用户以及若干失信用户，并根据获取到的各守信用户以及各失信用户，确定若干训练样本对，以及对各训练样本对进行标注。具体的，可先获取该业务平台历史上的若干守信用户以及若干失信用户，并从获取到的各失信用户中，确定任意相关联的两个失信用户，作为训练样本对，以及从获取到的各守信用户以及各失信用户中，确定任意相关联的一个守信用户以及一个失信用户，作为训练样本对。其中，对于两个相关联的失信用户，可认为两个用户之间的关系紧密，即，一个用户的信用对另一个用户的信用影响较大。对于相关联的一个失信用户以及一个守信用户，可认为两个用户之间的关系疏远，即，一个用户的信用对另一个用户的信用影响较小。于是，可根据各训练样本对中各用户之间的关系是否紧密，对各训练样本对进行标注。例如，关系紧密标注为1，关系疏远标注为0。a2：针对每个训练样本对，将该训练样本对中各用户之间的关联关系作为输入，输入待训练的决策树模型中，确定所述待训练的决策树模型输出的分类结果，以最小化各分类结果与各训练样本对的标注之间的差异为目标，调整所述待训练的决策树模型中的模型参数，并根据各关联关系对输出的分类结果的信息增益，确定各关联关系对应的权重值。当获取到若干训练样本对，并对各训练样本对进行标注后，该服务器可针对每个训练样本对，确定该训练样本对中各用户之间的关联关系。其中，假设预设的各关联关系分别有共享网络、共同出行以及紧急联系人三种关系，当训练样本对中各用户之间的关联关系只存在共享网络一种时，可将该训练样本对的关联关系表示为(1，0，0)，当训练样本对中各用户之间的关联关系有共享网络和紧急联系人两种时，可将该训练样本对的关联关系表示为(1，0，1)。之后，该服务器可将该训练样本对中各用户之间的关联关系作为输入，输入待训练的决策树模型中，确定该决策树模型输出的分类结果，并以最小化各分类结果与各训练样本对的标注之间的差异为目标，调整该待训练的决策树模型中的模型参数。最后，针对每种关联关系，该服务器可根据该关联关系对该决策树模型输出的分类结果的信息增益，确定该关联关系对应的权重值。进一步的，在上述步骤a0中，由于是从业务平台中获取的各守信用户以及各失信用户，并基于获取到的各守信用户以及各失信用户，确定各训练样本对，对决策树模型进行训练的。因此确定出的各关联关系对应的权重值，是基于历史上该业务平台中若干守信用户和若干失信用户的关联关系确定的。但是，当该业务平台为轻信用平台时，即，在该业务平台中无需对用户进行较高的信用评估，则用户可能在该业务平台中产生较繁杂的用户关系，如，用户可能与不相熟的人互加好友，也就是说，用户之间的信用关联不大。若直接根据该业务平台中守信用户以及失信用户，对决策树模型进行训练，则导致训练得到的决策树模型分类并不准确，进而导致确定出的各关联关系对应的权重值也不十分准确。而通常用户在一些重信用平台(如，借贷类平台)中，用户之间产生的关系往往为较为紧密的关系，使得用户之间的信用关联度较大。于是，为了更准确的确定各关联关系对应的权重值，也可获取在其他平台中的若干守信用户以及若干失信用户，并基于其他平台中的守信用户以及失信用户，确定各训练样本对，以训练决策树模型以及确定各关联关系对应的权重值。其中，该其他平台比该业务平台更关注用户的信用情况。更进一步的，在步骤a2中训练决策树模型时，由于决策树模型中是随机选取若干有效的内部节点进行分类的，并非所有的关联关系均作为内部节点，也就是说，存在部分关联关系未对决策树模型输出的结果产生信息增益，以致无法确定出各关联关系的权重值。在本说明书一种实施例中，为了全面确定各关联关系对应的权重值，可通过限制决策树模型的分支深度、设置较精确的学习目标等方式，使得决策树模型中可采用较多的关联关系作为内部节点进行分类。在本说明书另一种实施例中，由于各决策树模型在选取分裂的内部节点时是随机的，因此也可训练多个决策树模型，通过增多决策树模型的方式，使得较多的关联关系，在各决策树模型中作为内部节点。当训练多个决策树模型时，则针对每个关联关系，可根据该关联关系对各决策树模型输出的分类结果的信息增益，确定该关联关系的平均信息增益，作为该关联关系的权重值。在本说明书其他实施例中，也可仅保留确定出信息增益的各关联关系，并根据确定出的各关联关系的信息增益，确定各关联关系的权重值。或者，也可根据确定出的各关联关系的信息增益，从中选取信息增益较大的各关联关系，后续可根据各信息增益较大的关联关系，评估各用户之间的关系紧密程度。在本说明书步骤s102中，也可采用以下方法确定各关联关系对应的权重值。当通过步骤a0确定训练样本对，并对各训练样本对进行标注后，可根据各训练样本对中各用户之间存在的关联关系以及各训练样本对的标注，确定各关联关系的信息增益，作为各关联关系对应的关系权重。示例性的，以基于共享网络以及紧密联系人这两种关联关系，对用户之间的关系是否紧密进行判定为例进行说明。如下表2所示，在第一个训练样本对中包含有失信用户1、2，两个用户之间仅存在紧急联系人的关联关系，且基于双方用户信用情况相同，判定两个用户的关系紧密。在第二个训练样本对中包含有失信用户3和守信用户4，两个用户之间仅存在共享网络以及紧急联系人的关联关系，且基于双方用户信用情况不同，判定两个用户的关系疏远。在第三个训练样本对中包含有失信用户5和守信用户6，两个用户之间仅存在共享网络的关联关系，且基于双方用户信用情况不同，判定两个用户的关系疏远。表2则根据表2中的数据，可确定表2中训练样本对的信息熵为：而通过紧急联系人这一关联关系对各训练样本对进行分割后的信息熵为：由此可确定该紧急联系人这一关联关系的信息增益为δh＝h-h1。基于图1所示的用户信用评估方法，本说明书实施例还对应提供一种用户信用评估装置的结构示意图，如图4所示。图4为本说明书实施例提供的一种用户信用评估装置的结构示意图，所述装置包括：第一确定模块200，确定业务平台中的至少部分用户，并针对确定出的每个用户，确定该用户相关联的各其他用户；第二确定模块202，针对确定出的该用户相关联的每个其他用户，根据该其他用户与该用户的关联关系，以及各关联关系对应的权重值，确定该其他用户与该用户的关系权重，其中，各关联关系对应的权重值是根据历史上守信用户和失信用户的关联关系确定的；第三确定模块204，根据该其他用户与该用户的关系权重、该其他用户以及该用户在所述业务平台中的行为信息，确定该其他用户与该用户之间的关系指数，以基于所述至少部分用户之间的关系指数，确定图网络模型，并通过所述图网络模型进行信用评估，其中，所述关系指数用于表征用户之间的关系紧密程度。可选地，所述用户评估装置还包括第四确定模块206，所述第四确定模块206具体用于，获取所述业务平台中的若干守信用户以及若干失信用户，并根据获取到的各守信用户以及各失信用户，确定若干训练样本对，以及对各训练样本对进行标注，针对每个训练样本对，将该训练样本对中各用户之间的关联关系作为输入，输入待训练的决策树模型中，确定所述待训练的决策树模型输出的分类结果，以最小化各分类结果与各训练样本对的标注之间的差异为目标，调整所述待训练的决策树模型中的模型参数，并根据各关联关系对输出的分类结果的信息增益，确定各关联关系对应的权重值。可选地，所述第三确定模块204具体用于，根据该其他用户以及该用户在所述业务平台中的行为信息，确定该其他用户以及该用户之间的行为相似度，根据该其他用户与该用户的关系权重，以及该其他用户以及该用户之间的行为相似度，确定该其他用户与该用户之间的关系指数。可选地，所述第三确定模块204具体用于，将该其他用户与该用户的关系权重、该其他用户以及该用户在所述业务平台中的行为信息作为输入，输入预先训练的关系预测模型中，确定所述关系预测模型输出的该其他用户与该用户之间的关系指数。可选地，所述用户评估装置还包括模型训练模块208，所述模型训练模块08具体用于，针对每个训练样本对，根据该训练样本对中用户之间的关联关系，以及各关联关系的权重值，确定该训练样本对中用户的关系权重，将该训练样本对中用户的关系权重以及该训练样本对中各用户的行为信息作为输入，输入待训练的关系预测模型中，确定所述待训练的关系预测模型输出的关系指数，以最小化所述关系指数与该训练样本对的标注之间的差异为目标，调整所述待训练的关系预测模型中的模型参数。可选地，所述第四确定模块206具体用于，从获取到的各失信用户中，确定任意相关联的两个失信用户，作为训练样本对，从获取到的各守信用户以及各失信用户中，确定任意相关联的一个守信用户以及一个失信用户，作为训练样本对。可选地，所述第四确定模块206还用于，当所述待训练的决策树模型为多个时，针对每个关联关系，根据该关联关系对各决策树模型输出的分类结果的信息增益，确定该关联关系的平均信息增益，作为该关联关系的权重值。可选地，所述第四确定模块206具体用于，根据历史上所述业务平台中若干守信用户和若干失信用户的关联关系，确定各关联关系对应的权重值，或者根据历史上其他平台中若干守信用户和若干失信用户的关联关系，确定各关联关系对应的权重值。可选地，所述图网络模型中各用户节点之间的边权重为所述用户之间的关系指数。本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的用户信用评估方法。基于图1所示的用户信用评估方法，本说明书实施例还提出了图5所示的电子设备的示意结构图。如图5，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所示的用户信用评估方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。上述实施例阐明的系统、装置、模块或单元，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。具体的，计算机例如可以为个人计算机、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何设备的组合。为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。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，本说明书的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，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，对于系统实施例而言，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。以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。当前第1页12