一种目标对象的信用评分的确定方法、装置和设备与流程

1.本技术涉及信用评估技术领域，更具体地说，涉及一种目标对象的信用评分的确定方法、装置和设备。


背景技术：

2.现如今相对完善的征信系统，能够对大部分客户实现信用评估，能够有效遏制不良信用行为的发生，提高经济运行的效率。但是针对征信信用情况空白的对象，这类客户的个人征信报告中没有产生任何信用记录，也无不良记录，就无法利用征信报告确定信用评分，从而做出决策。
3.现有技术中，针对白户的信用评分的确定大致有两种方法。一种是通过对目标对象的历史交易记录，通过数据处理进行信用评分；另一种是针对交易记录数据严重缺失的目标对象，则根据信用评估的各项规则指标进行评分。可见，现有技术的信用评分的确定预测方法参考元素单一，无法覆盖所有白户统一进行信息用评分，标准不同，评分不够准确，影响决策效率。


技术实现要素：

4.有鉴于此，本技术提供了一种目标对象的信用评分的确定方法、装置和设备，用于解决现有针对目标对象信用评分的确定方法参考元素单一、无法覆盖所有用户统一进行信用评分，标准不同、评分不标准等问题。
5.为了实现上述目的，现提出的方案如下：
6.一种目标对象的信用评分的确定方法，包括：
7.获取目标对象的历史交易信息，所述历史交易信息包括历史交易数据和关联对象关系图；
8.基于所述历史交易数据进行数据预处理，得到历史数据特征；
9.将所述历史数据特征输入特征时序处理模型进行处理，得到时间序列特征；
10.将所述关联对象关系图输入特征变换模型进行处理，得到空间结构特征；
11.基于所述时间序列特征和所述空间结构特征，确定与所述目标对象对应的目标评分；
12.其中，所述特征时序处理模型是基于所述历史数据特征中提取的时间表示作为特征值，以所述历史数据特征的时间序列作为目标值训练得到的模型；所述特征变换模型是基于所述关联对象关系图中每个节点的属性特征作为特征值，以每个节点对临近节点的影响作为目标值训练得到的模型。
13.优选地，所述基于所述历史交易数据进行数据预处理，得到历史数据特征，包括：
14.将所述历史交易数据进行数据类型划分，得到数值型数据和非数值型数据；
15.对所述数值型数据进行数据归一化处理，得到历史交易数值特征；
16.对所述非数值型数据进行数据降维处理，得到历史交易非数值特征；
17.将所述历史交易数值特征和所述历史交易非数值特征对应组合，得到历史数据特征。
18.优选地，所述基于所述时间序列特征和所述空间结构特征，确定与所述目标对象对应的目标评分，包括：
19.将所述时间序列特征和所述空间结构特征输入评分预估模型进行处理，得到与所述目标对象对应的目标评分；
20.所述评分预估模型是基于所述时间序列特征及所述空间结构特征作为特征值，以评分指标对应的目标评分作为目标值训练得到的模型。
21.优选地，所述关联对象关系图，包括：
22.代表与目标对象有交易关系的每一个关联对象的节点和代表目标对象的目标节点；
23.其中所述每一个关联对象的节点包括与所述节点对应的关联对象的属性特征。
24.优选地，所述所述每一个关联对象的节点包括与所述节点对应的关联对象的属性特征，包括：
25.若所述关联对象为第一类对象，则获取所述关联对象对应的属性特征；
26.若所述关联对象为第二类对象，则基于所述关联对象的交易信息确定所述关联对象相匹配的属性特征。
27.一种目标对象的信用评分的确定装置，包括：
28.目标信息获取单元，用于获取目标对象的历史交易信息，所述历史交易信息包括历史交易数据和关联对象关系图；
29.信息数据处理单元，用于基于所述历史交易数据进行数据预处理，得到历史数据特征；
30.时间序列特征获取单元，用于将所述历史数据特征输入特征时序处理模型进行处理，得到时间序列特征；
31.空间结构特征获取单元，用于将所述关联对象关系图输入特征变换模型进行处理，得到空间结构特征；
32.目标评分确定单元，用于基于所述时间序列特征和所述空间结构特征，确定与所述目标对象对应的目标评分；
33.其中，所述特征时序处理模型是基于所述历史数据特征中提取的时间表示作为特征值，以所述历史数据特征的时间序列作为目标值训练得到的模型；所述特征变换模型是基于所述关联对象关系图中每个节点的属性特征作为特征值，以每个节点对临近节点的影响作为目标值训练得到的模型。
34.优选地，所述信息数据处理单元，包括：
35.数据类型划分子单元，用于将所述历史交易数据进行数据划分，得到数值型数据和非数值型数据；
36.数值型数据处理子单元，用于对所述数值型数据进行数据归一化处理，得到历史交易数值特征；
37.非数值型数据处理子单元，用于将所述非数值型数据进行数据降维处理，得到历史交易非数值特征；
38.数据特征组合子单元，用于将所述历史交易数值特征与所述历史交易非数值特征对应组合，得到历史数据特征。
39.优选地，所述目标评分确定单元，包括：
40.目标评分确定子单元，用于将所述时间序列特征和所述空间结构特征输入评分预估模型进行处理，得到与所述目标对象对应的目标评分；
41.所述评分预估模型是基于所述时间序列特征及所述空间结构特征作为特征值，以评分指标对应的目标评分作为目标值训练得到的模型。
42.优选地，所述关联对象关系图，包括：
43.代表与目标对象有交易关系的每一个关联对象的节点对应的关联对象的属性特征；
44.其中所述每一个关联对象的节点包括与所述节点对应的关联对象的属性特征。
45.一种目标对象的信用评分的确定设备，包括存储器和处理器；
46.所述存储器，用于存储程序；
47.所述处理器，用于执行所述程序，实现上述目标对象的信用评分的确定方法的各个步骤。
48.经由上述的技术方案可知，本技术公开了一种目标对象的的信用评分的确定方法、装置和设备，所述方法包括获取目标对象的历史交易信息，所述历史交易信息包括历史交易数据和关联对象关系图，分别对所述历史交易数据和关联对象关系图进行数据处理和对应模型处理，分别得到时间序列特征和空间结构特征，基于所述时间序列特征和空间结构特征确定与所述目标对象对应的目标评分。
49.上述方法能够根据目标对象的历史交易信息从时间序列和空间结构两个特征进行信用评分，在评分过程中参考元素更加丰富，能够多方面的分析目标对象，得到更加准确的与目标对象对应的信用评分，提高决策效率。
附图说明
50.为了更清楚地说明本技术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技术的实施例，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，还可以根据提供的附图获得其他的附图。
51.图1为本技术实施例提供的目标对象的信用评分的确定方法的一种优选流程图；
52.图2为本技术实施例提供的关联对象关系图的一种示意图；
53.图3为本技术实施例提供的关联对象关系图的一种示意图；
54.图4为本技术实施例提供的目标对象的信用评分的确定装置的一种优选结构示意图；
55.图5为本技术实施例提供的目标对象的信用评分的确定设备的一种优选结构示意图。
具体实施方式
56.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
57.请参见图1，其示出了本技术实施例提供的一种目标对象的信用评分的确定方法的流程图，可以包括以下步骤：
58.步骤s110、获取目标对象的历史交易信息。
59.其中，在本技术实施例中目标对象可以随着该方法应用场景的变化而变化，例如当该方法应用于银行，对银行的客户进行信用评分时，目标对象就是对应的银行客户，具体地目标对象可以是在银行征信系统的征信信用情况空白的客户。与目标对象对应的历史交易信息可以包括历史交易数据和关联对象关系图。所述关联对象关系图是基于所述历史交易信息提取的与目标对象存在直接或间接交易关系的对象，并且可以将所述对象基于与目标对象的关系生成拓扑图，可以直观地体现目标对象与所有关联对象之间的关系。
60.在本实施例中，历史交易信息是针对目标对象进行信用评分的基础信息，获取目标对象的历史交易信息可以通过多种途径，如果将该方法应用于银行，如果目标对象在银行现存系统中没有信用评分，则可以直接从银行的交易系统或者用户交易数据库中读取所述目标对象的历史交易信息，如果将该方法应用于某公司对员工的信用进行评估，则可以从该公司内部交易系统中提取目标员工负责的历史交易信息。基于此可知，在不同的信用系统，针对不同的对象，获取目标对象的历史交易信息的途径可以各不相同，在本实施例中不做进一步限制。
61.步骤s120、基于所述历史交易数据进行数据预处理，得到历史数据特征。
62.历史交易数据通常可以包括目标对象的交易金额、交易类型、交易凭证、理赔信息等等，也可以包括目标对象的账户收支状况信息、纳税额信息等等。基于此，历史交易数据包括目标对象多种数据信息，但是本实施例需要针对不同的目标对象进行信用评分，则需要对不同的目标对象对应的不同历史交易数据进行数据预处理，得到参考同一标准处理得到的规范化数据，如此就可以比较不同目标对象之间的不同个，也能使数据更加客观，使后续基于数据评估得到的评分更加准确。
63.步骤s130、将所述历史数据特征输入特征时序处理模型进行处理，得到时间序列特征。
64.所述特征时序处理模型是基于所述历史数据特征中提取的时间表示作为特征值，以所述历史数据特征的时间序列作为目标值训练得到的模型。
65.本技术实施例可以预先构建特征时序处理模型，该特征时序处理模型可以是能够对历史交易数据进行时序编码的各形式的门控循环单元网络(gru网络)。
66.可以预先收集基于训练对象对应的历史交易数据提取的多个时间表示，以所述时间表示作为训练样本中的特征值；并获取训练对象的历史数据特征的多个时间表示对应的时间序列，作为训练样本中的样本标签，即目标值。基于收集得到的训练样本的特征值及样本标签训练特征时序处理模型。为了使得目标对象对应的时间序列特征更加准确，该特征时序处理模型的个数可以是多个，模型之间可以存在自我检查系统，避免时序错乱的情况出现。
67.在本实施例中，将所述历史数据特征输入特征时序处理模型进行处理，特征时序
处理模型提取所述历史数据特征的多个时间表示，基于训练模型得到对应的时间序列，将数据特征与时间序列进行组合得到时间序列特征。
68.步骤s140、将所述关联对象关系图输入特征变换模型进行处理，得到空间结构特征。
69.所述特征变换模型是基于所述关联对象关系图中每个节点的属性特征作为特征值，以每个节点对临近点的影响作为目标值训练得到的模型。
70.本技术实施例可以预先构建特征变换模型，该特征变换模型可以是能够将关联对象关系图中每个节点特征对应变换成新的特征表示，但节点间的邻接关系不会改变的图卷积网络(gcn)。
71.可以预先收集基于训练关联对象关系图的每个关联对象的属性特征作为训练样本中的特征值，获取不同属性特征对应的对临近点的影响作为训练样本中的样本标签，即目标值。基于收集得到的训练样本的特征值和样本标签训练特征变换模型。为了获得关联对象关系在图中每个节点的影响更加全面，在本技术实施例中可以使用多个特征变换模型。多个特征变换模型中，某些特征变换模型可以用于确定关联对象的某种交易状况对应的对临近点的影响，例如个人账户收支状况、交易透支状况等。
72.参见图2，以图2的关联对象关系图为例，图中每一个节点代表一个关联对象，其中m为目标对象。该关联对象关系图是基于某时间段与目标对象交易过的交易对象集合形成，其中对象a、b、c、d均在该时间段内与目标对象存在交易数据，对象e在该时段内与对象c、d有交易数据。每个节点代表的关联对象都有对应的属性特征，将该关联对象关系图输入特征变换模型，特征变换模型根据每一个关联对象的属性特征确定对临近节点的影响，从而得到新的特征标识。其中，可以根据目标对象的之间关联对象即对象a、b、c、d的属性特征通过特征变换模型确定对象a、b、c、d对目标对象的影响，以此作为对象a、b、c、d的新的特征表示，得到图3，其中图3中对象a、b、c、d的新的特征表示为a
′
、b
′
、c
′
、d
′
，e
′
为关联对象e的新的特征表示。
73.另外，每一个节点代表对象的新的特征表示都会受临近节点对象的影响。例如对象d新的特征表示受目标对象m和对象e的影响，而目标对象也会受对象a、b、c、d的影响，如果对象e的属性特征中的信用数据较差，则对象d、c的新的特征也会收到影响，并且目标对象m的新的特征也会间接受到影响。
74.基于此，得到节点结构相同但节点特征不同的新的关联对象关系图，即空间结构特征。
75.步骤s150、基于所述时间序列特征和所述空间结构特征，确定对应的目标评分。
76.根据所述时间序列特征和所述空间结构特征进行评分，其中评分的方法有很多中，例如将目标对象对应的时间序列特征和空间结构特征按照某种特征的规则进行打分，得到不同等级的信用评分，从而确定目标对象的信用评分；又或者基于目标对象对应的时间序列特征和空间结构特征基于预设评估指标进行评估，确定目标对象的信用评分。基于此，本技术实施例不对具体地评分方法做具体地限定。
77.显然，本技术实施例提供的一种目标对象的信用评分的确定方法，通过获取目标对象的历史交易信息，并对所述历史交易信息进行数据预处理和对应模型处理，得到时间序列特征和空间结构特征，基于所述时间序列特征和空间结构特征进行评分，确定目标对
象对应的目标评分。
78.基于上述方法对目标对象进行评分，可以选择目标时间段内的历史交易信息，省去不必要的交易信息，获得对于现在更具时效性的信息，节约时间提高评分效率；并且该信用评分参考与目标对象存在交易的关联对象的属性特征，其中属性特征包括信用特征，可以通过关联对象的特征情况预估目标对象的收支情况以及信用情况等等。由此评分得到的目标对象对应的目标评分更加准确，提高决策效率。
79.接下来本技术实施例将对目标对象的信用评分的确定方法做进一步的介绍。
80.上述步骤s120基于所述历史交易数据进行数据预处理，得到历史数据特征，其中历史交易数据包括在历史交易信息中，具体地对历史交易数据进行预处理的步骤包括：
81.将所述历史交易数据进行数据类型划分，得到数值型数据和非数值型数据；
82.对所述数值型数据进行数据归一化处理，得到历史交易数值特征；
83.对所述非数值型数据进行数据降维处理，得到历史交易非数值特征；
84.将所述历史交易数值特征和所述历史交易非数值特征对应组合，得到历史数据特征。
85.由上述步骤s120对历史交易数据的说明，可知历史交易数据包括各种各样的数据，包括数值型数据和非数值型数据。通常数值型数据和非数值型数据是配对出现，例如交易信息以“交易金额-交易类型-交易人”的形式在交易数据中出现。为了使历史交易信息更具条理化，需要将数值型数据(如交易金额、账户收支金额、透支金额等等)和非数值型数据(如交易人、交易类型、收支日期、还款日期等等)进行划分并进行处理，消除因不同变量的量纲导致的评分差异等影响。
86.其中，对于历史交易数据中的数值型数据采用归一化处理，将历史交易数据中的数值型数据特征映射到[0,1]范围，将目标对象的所有数值型数据计算总和，将每个数值型数据根据在总和中的比例将每个数值型数据简化成[0,1]范围内的小数。具体地，在本技术实施例中可以采用最大最小归一化处理，利用线性函数将原始数据线性化的方法转换到[0,1]的范围。其中，所述原始数据指目标对象的数值型数据，所述线性函数就是将目标对象的所有数值型数据的最大值和最小值代入线性函数将每一个目标对象的数值型数据简化成[0,1]范围内的数值。
[0087]
对于历史交易数据中的非数值型数据采用降维处理，目标对象的历史交易数据中的非数值型数据都会被转变成一个低维向量，所述低维向量可以反映原始非数值型数据中的信息。具体地，在本技术实施例中采用embedding层(嵌入层处理)对目标对象的非数值型数据进行降维处理，其中，embedding层采用一个两层的全连接神经网络。把代表目标对象的非数值型数据的稀疏矩阵，通过全连接层的转换，变成了一个密集矩阵。该密集矩阵跟非数值型数据的稀疏矩阵的每一个元素一一对应，存在映射关系，能够反映目标对象的非数值型数据的特征信息。
[0088]
数值型数据和非数值型数据存在一定的对应关系，经过处理后的数值型数据对应的历史交易数值特征和非数值型数据对应的历史交易非数值特征一一对应组合，得到历史数据特征，保证每一组历史交易数据的完整性。
[0089]
由上述的历史交易数据经数据预处理后的历史数据特征通过特征时序处理可以得到时间序列特征，而关联对象关系图可以经过特征变换模型处理可以得到空间结构特
征。
[0090]
其中所述关联对象关系图通常采用拓扑图的形式来展现各个交易对象之间的关联关系。其中，在本技术实施例中关联对象关系图中包括与目标对象有交易关系的每一个关联对象的节点和代表目标对象的目标节点。参见图2所示的关联对象关系图，其中m节点就是代表目标对象的目标节点，节点a、b、c、d、e代表与目标对象存在交易关系的关联对象。另外其中每一个节点都包括与之对应的对象的属性特征，所述属性特征可以包括当前节点对应对象的信用评分等信用特征，通过属性特征中的各个信用特征可以参考得出该节点对应对象对临近节点对应的对象的信用影响。
[0091]
如果，目标对象的关联对象关系图中的关联对象的属性特征不包括信用特征时，则需要将关联对象关系图中的关联对象进行分类，根据对象类型来确定每个关联对象的属性特征。
[0092]
具体地，可以将关联对象分为第一类对象和第二类对象，如果节点对应关联对象为第一类对象，则获取所述关联对象对应的属性特征，即第一类对象的属性特征中包括信用特征，可以直接从信用系统获取该对象对应的信用评分以及奇特信用特征，作为对临近节点对应对象的信用影响的参考。如果节点对应关联对象为第二类对象，则基于所述关联对象的历史交易信息确定与所述关联对象相匹配的属性特征，即第二类对象在信用系统中没有信用评分记录，则需要根据该关联对象的历史交易记录来确定与所述关联对象相匹配的属性特征。
[0093]
具体地，可以将第二类对象作为新的目标对象，根据第二类对象的历史交易记录对第二类对象进行信用评分，以所述信用评分作为第二类对象类关联对象的属性特征。也可以根据第二类对象的历史交易记录中按照各项特征标准确定第二类对象的属性特征，例如属于第二类对象的关联对象a的历史交易信息中的是否存在欠款和欠款逾期未还的信息数据，则可以将上述信息数据按照欠款标准确定关联对象a的特征标签，同理还可以存在交易对象标准、交易金额标准、收支稳定状况等等来确定关联对象a的特征标签，将上述特征标签组合得到关联对象a的属性特征。基于此，针对第二类对象的关联对象的属性特征的获取方法并不唯一，在本技术实施例中不作具体限定。
[0094]
进一步地，上述目标对象的关联对象关系图通过特征变换模型的处理得到空间结构特征，与时间序列特征进行拼接、处理得到与目标对象对应的目标评分。
[0095]
具体地，在本技术实施例可以通过评分预估模型来确定目标对象的目标评分。将所述时间序列特征和所述空间结构特征输入评分预估模型进行处理，得到与所述目标对象对应的目标评分。所述评分预估模型是基于所述时间序列特征和所述空间结构特征作为特征值，以根据评分指标得到的目标评分作为目标值训练得到的模型。
[0096]
本技术实施例可以预先构建评分预估模型，该评分预估模型可以是能够依据预设的评分指标确定目标评分的全连接层。
[0097]
可以预先收集训练对象对应的时间序列特征和空间结构特征，将上述时间序列特征和空间结构特征对应拼接，得到拼接特征作为训练样本的特征值，获取以拼接特征为对照的评分指标作为训练样本的样本标签，即目标值。基于收集到的训练样本的特征值和样本标签训练得到评分预估模型。基于所述评分预估模型可以将目标对象对应的时间序列特征和空间结构特征输入到评分预估模型中，首先得到所述时间序列和空间结构特征拼接得
到的拼接特征，基于目标对象的拼接特征可以在评分预估模型中得出所述拼接特征与各项评分指标对应的评分，基于所述评分可以确定目标对象的目标评分。
[0098]
其中，所述评分指标可以包括均方根误差、准确率和决定系数等等，所述均方根误差主要用来衡量模型对信用评分的预测值和真实值的差别，值越小，则预测效果越好。所述准确率是用来检测预测的精度，当该方法确定的信用评分的精确度越高，则准确率的值也越高。所述决定系数可以用来判断该方法最终确定的目标对象的目标评分的结果代表实际数据的能力，如果决定系数的值越大，则证明该方法确定目标评分的效果越好。基于此，当需要使用目标对象的信用评分结果参与决策时，以上评分指标也可以提高决策的效率。
[0099]
具体地，本技术实施例可以实际应用的场景可以包括银行。将所述目标对象的信用评分的确定方法应用于银行系统，具体进行信用评分的目标对象可以是征信信息情况空白的白户。当该白户向银行提交某项业务的申请时，通常银行方面需要分析提交申请的用户的信用情况，根据所述信用情况来决定如何根据用户提交的申请做出适当的决策。但是白户的征信引用情况是空白的，就可以是使用该方法对该白户进行信用评分，得到准确的信用评分，供给银行方面作为决策参考，提高决策效率。
[0100]
将上述白户作为目标对象，从银行系统中获取所述目标对象在对应银行的历史交易信息，所述历史交易信息包括目标对象的历史交易数据和与目标对象存在交易历史的关联对象关系图。对所述目标对象对应的历史交易数据进行数据处理，是数据量纲更加统一更具评分参考性，进一步地将处理过后得到的历史数据特征输入特征时序处理模型得到时间序列特征；将所述目标对象对应的关联对象关系图输入特征变换模型进行处理，得到空间结构特征。基于所述目标对象对应得到的所述时间序列特征和所述空间结构特征，确定与所述目标对象对应的目标评分。基于得到的目标对象即白户对应的目标评分，银行方面可以参考所述目标评分，从而进行决策，提高决策效率。
[0101]
下面将对本技术实施例提供的目标对象的信用评分的确定装置进行描述，下文描述的目标对象的信用评分的确定装置与上文描述的目标对象的信用评分的确定方法可相互参照。
[0102]
首先，结合图4，对目标对象的信用评分的确定装置进行描述，如图3所述，该目标对象的信用评分的确定装置可以包括：
[0103]
目标信息获取单元100，用于获取目标对象的历史交易信息，所述历史交易信息包括历史交易数据和关联对象关系图；
[0104]
信息数据处理单元200，用于基于所述历史交易数据进行数据预处理，得到历史数据特征；
[0105]
时间序列特征获取单元300，用于将所述历史数据特征输入特征时序处理模型进行处理，得到时间序列特征；
[0106]
空间结构特征获取单元400，用于将所述关联对象关系图输入特征变换模型进行处理，得到空间结构特征；
[0107]
目标评分确定单元500，用于基于所述时间序列特征和所述空间结构特征，确定与所述目标对象对应的目标评分；
[0108]
其中，所述特征时序处理模型是基于所述历史数据特征中提取的时间表示作为特征值，以所述历史数据特征的时间序列作为目标值训练得到的模型；所述特征变换模型是
基于所述关联对象关系图中每个节点的属性特征作为特征值，以每个节点对临近节点的影响作为目标值训练得到的模型。
[0109]
可选地，所述信息数据处理单元200包括：
[0110]
数据类型划分子单元，用于将所述历史交易数据进行数据类型划分，得到数值型数据和非数值型数据；
[0111]
数值型数据处理子单元，用于对所述数值型数据进行数据归一化处理，得到历史交易数值特征；
[0112]
非数值型数据处理子单元，用于将所述非数值型数据进行数据降维处理，得到历史交易非数值特征；
[0113]
数据特征组合子单元，用于将所述历史交易数值特征与所述历史交易非数值特征对应组合，得到历史数据特征。
[0114]
优选地，所述目标评分确定单元500包括：
[0115]
目标评分确定子单元，用于将所述时间序列特征和所述空间结构特征输入评分预估模型进行处理，得到与所述目标对象对应的目标评分；
[0116]
所述评分预估模型是基于所述时间序列特征及所述空间结构特征作为特征值，以评分指标对应的目标评分作为目标值训练得到的模型。
[0117]
优选地，所述关联对象关系图包括：
[0118]
代表与目标对象有交易关系的每一个关联对象的节点和代表目标对象的目标节点；
[0119]
其中所述每一个关联对象的节点包括与所述节点对应的关联对象的属性特征。
[0120]
优选地，所述所述每一个关联对象的节点包括与所述节点对应的关联对象的属性特征，包括：
[0121]
若所述关联对象为第一类对象，则获取所述关联对象对应的属性特征；
[0122]
若所述关联对象为第二类对象，则基于所述关联对象的交易信息确定所述关联对象相匹配的属性特征。
[0123]
显然，本技术实施例提供了一种目标对象的信用评分的确定装置，通过目标信息获取单元获取目标对象的历史交易信息，并通过信息数据处理单元、时间序列特征获取单元和空间结构特征获取单元对所述历史交易信息尽心数据预处理和对应模型处理，得到的时间序列特征和空间结构特征通过目标评分确定单元得到与目标对象对应的目标评分。
[0124]
基于上述装置对目标对象进行评分，评分参考的元素更加丰富，包括交易数据、交易时序、交易对象等等，通过时间、空间两方面对目标对象进行综合评分，得到的目标评分更具准确性。
[0125]
本技术实施例提供的目标对象的信用评分的确定装置可应用于目标对象的信用评分的确定设备。图5示出了目标对象的信用评分的确定设备的硬件结构框图，参照图5，目标对象的信用评分的确定设备可以包括：至少一个处理器10，至少一个存储器20，至少一个通信接口40和至少一个通信总线30。
[0126]
本技术实施例中，处理器10、存储器20、通信接口40、通信总线30的数量为至少一个，且处理器10、存储器20通过哦通信总线30完成相互之间的通信。
[0127]
其中，处理器10可以是一个中央处理器cpu，或者是特定的集成电路，或者是被配
置成实施本发明实施例的一个或多个集成电路等。
[0128]
存储器20可以使报班告诉ram存储器，也可能还包括非易失性存储器等，例如至少一个磁盘存储器。
[0129]
其中，存储器存储有程序，处理器可以调用存储器存储的程序，所述程序用于：实现前述目标对象的信用评分的确定方法中的各个处理流程。
[0130]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
[0131]
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。
[0132]
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技术。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技术的精神或范围的情况下，在其它实施例中实现。因此，本技术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。