用户的信用评分的预测方法和装置、存储介质及电子设备与流程

本技术涉及人工智能，具体而言，涉及一种用户的信用评分的预测方法和装置、存储介质及电子设备。

背景技术：

1、随着时代的发展和风险管理理论的进步，依托零售条线工作人员的储备知识和经验来进行设计和决策的传统个人信用管理手段已经不能准确衡量客户的信用风险。使用不准确、不全面、不科学的个人信用风险管理体系，会造成信用风险衡量误差，增加个人贷款风险和个人贷款管理难度，影响个人贷款业务的利润，导致金融机构的资产质量下降。如何客观地评估贷款申请者的风险，尽可能地避免、减少、控制贷款的坏账损失，构建合适的个人信用评分体系是金融机构中个人信贷业务管理的核心工作，同时也是识别和衡量个人客户信用风险的重要手段。所以，个人信用评分体系的重构势在必行。

2、针对相关技术中依赖于人工经验对用户的信用进行评分，导致对用户的信用评分的准确度比较低的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本技术的主要目的在于提供一种用户的信用评分的预测方法和装置、存储介质及电子设备，以解决相关技术中依赖于人工经验对用户的信用进行评分，导致对用户的信用评分的准确度比较低的问题。

2、为了实现上述目的，根据本技术的一个方面，提供了一种用户的信用评分的预测方法。该方法包括：获取第一对象的第一数据信息，并对所述第一数据信息进行处理，得到第一特征向量，其中，所述第一数据信息中至少包括所述第一对象的属性信息和当前金融环境信息；依据所述第一特征向量和多个第二对象对应的第二特征向量进行预测，得到所述第一对象的初始信用评分；获取所述第一对象的第二数据信息，并对所述第二数据信息进行处理，得到第三特征向量，其中，所述第二数据信息中至少包括所述第二对象的交易数据信息；通过目标广义回归神经网络模型对所述初始信用评分和所述第三特征向量进行预测，得到所述第一对象的目标信用评分。

3、进一步地，依据所述第一特征向量和多个第二对象对应的第二特征向量进行预测，得到所述第一对象的初始信用评分包括：获取每个第二对象对应的第二特征向量和每个第二对象对应的信用评分；计算所述第一特征向量与每个第二对象对应的第二特征向量的相似度，得到多个目标相似度；依据所述多个目标相似度从所述多个第二对象中选取多个目标对象，并依据所述多个目标对象对应的信用评分进行预测，得到所述初始信用评分。

4、进一步地，计算所述第一特征向量与每个第二对象对应的第二特征向量的相似度，得到多个目标相似度包括：计算所述第一特征向量与每个第二对象对应的第二特征向量的皮尔逊相关系数，得到多个初始相似度；获取所述第一特征向量的第一时间戳，以及获取每个第二对象对应的第二特征向量的第二时间戳；依据所述第一时间戳和所述第二时间戳进行计算，得到多个时间权重值；依据所述多个时间权重值和所述多个初始相似度进行计算，得到所述多个目标相似度。

5、进一步地，依据所述多个目标对象对应的信用评分进行预测，得到所述初始信用评分包括：依据所述多个目标对象对应的信用评分计算平均值，得到平均信用评分；依据所述平均信用评分和每个目标对象对应的信用评分对所述第一对象的信用评分进行预测，得到所述初始信用评分。

6、进一步地，在通过目标广义回归神经网络模型对所述初始信用评分和所述第三特征向量进行预测，得到所述第一对象的目标信用评分之前，所述方法还包括：获取第一训练数据集，其中，所述训练数据集中包括多个第一训练特征向量，每个第一训练特征向量对应的初始信用评分以及每个第一训练特征向量对应的真实信用评分；依据所述第一训练数据集，确定初始广义回归神经网络模型的目标光滑因子；获取第二训练数据集，其中，所述训练数据集中包括多个第二训练特征向量，每个第二训练特征向量对应的初始信用评分以及每个第二训练特征向量对应的真实信用评分；依据所述目标光滑因子和所述第二训练数据集对所述初始广义回归神经网络模型进行训练，得到所述目标广义回归神经网络模型。

7、进一步地，依据所述第一训练数据集，确定初始广义回归神经网络模型的目标光滑因子包括：在预设范围内随机生成预设数量的随机数，并将所述随机数作为第一初始光滑因子；对于每个第一初始光滑因子，依据该第一初始光滑因子对应的初始广义回归神经网络模型对所述第一训练特征向量和每个第一训练特征向量对应的初始信用评分进行预测，得到每个第一训练特征向量对应的预测信用评分；依据所述预测信用评分和真实信用评分进行计算，得到每个第一初始光滑因子对应的分数值；依据每个第一初始光滑因子对应的分数值，确定所述初始广义回归神经网络模型的目标光滑因子。

8、进一步地，依据每个第一初始光滑因子对应的分数值，确定所述初始广义回归神经网络模型的目标光滑因子包括：依据每个第一初始光滑因子对应的分数值，选择多个第一光滑因子和多个第二光滑因子；对于每个第一光滑因子，以该第一光滑因子为中心生成多个随机数，得到每个第一光滑因子对应的优胜子种群；对于每个第二光滑因子，以该第二光滑因子为中心生成多个随机数，得到每个第二光滑因子对应的临时子种群；对每个第一光滑因子对应的优胜子种群和每个第二光滑因子对应的临时子种群执行趋同操作和异化操作，得到所述目标光滑因子。

9、进一步地，对所述第一数据信息进行处理，得到第一特征向量包括：对所述第一数据信息进行数据清洗，得到清洗后的第一数据信息；对所述清洗后的第一数据信息进行特征量化，得到量化后的第一数据信息；对所述量化后的第一数据信息进行归一化处理，得到所述第一特征向量。

10、为了实现上述目的，根据本技术的另一方面，提供了一种用户的信用评分的预测装置。该装置包括：第一获取单元，用于获取第一对象的第一数据信息，并对所述第一数据信息进行处理，得到第一特征向量，其中，所述第一数据信息中至少包括所述第一对象的属性信息和当前金融环境信息；第一预测单元，用于依据所述第一特征向量和多个第二对象对应的第二特征向量进行预测，得到所述第一对象的初始信用评分；第二获取单元，用于获取所述第一对象的第二数据信息，并对所述第二数据信息进行处理，得到第三特征向量，其中，所述第二数据信息中至少包括所述第二对象的交易数据信息；第二预测单元，用于通过目标广义回归神经网络模型对所述初始信用评分和所述第三特征向量进行预测，得到所述第一对象的目标信用评分。

11、进一步地，所述第一预测单元包括：第一获取子单元，用于获取每个第二对象对应的第二特征向量和每个第二对象对应的信用评分；第一计算子单元，用于计算所述第一特征向量与每个第二对象对应的第二特征向量的相似度，得到多个目标相似度；选取子单元，用于依据所述多个目标相似度从所述多个第二对象中选取多个目标对象，并依据所述多个目标对象对应的信用评分进行预测，得到所述初始信用评分。

12、进一步地，所述第一计算子单元包括：第一计算模块，用于计算所述第一特征向量与每个第二对象对应的第二特征向量的皮尔逊相关系数，得到多个初始相似度；获取模块，用于获取所述第一特征向量的第一时间戳，以及获取每个第二对象对应的第二特征向量的第二时间戳；第二计算模块，用于依据所述第一时间戳和所述第二时间戳进行计算，得到多个时间权重值；第三计算模块，用于依据所述多个时间权重值和所述多个初始相似度进行计算，得到所述多个目标相似度。

13、进一步地，所述选取子单元包括：第四计算模块，用于依据所述多个目标对象对应的信用评分计算平均值，得到平均信用评分；预测模块，用于依据所述平均信用评分和每个目标对象对应的信用评分对所述第一对象的信用评分进行预测，得到所述初始信用评分。

14、进一步地，所述装置还包括：第三获取单元，用于在通过目标广义回归神经网络模型对所述初始信用评分和所述第三特征向量进行预测，得到所述第一对象的目标信用评分之前，获取第一训练数据集，其中，所述训练数据集中包括多个第一训练特征向量，每个第一训练特征向量对应的初始信用评分以及每个第一训练特征向量对应的真实信用评分；确定单元，用于依据所述第一训练数据集，确定初始广义回归神经网络模型的目标光滑因子；第四获取单元，用于获取第二训练数据集，其中，所述训练数据集中包括多个第二训练特征向量，每个第二训练特征向量对应的初始信用评分以及每个第二训练特征向量对应的真实信用评分；训练单元，用于依据所述目标光滑因子和所述第二训练数据集对所述初始广义回归神经网络模型进行训练，得到所述目标广义回归神经网络模型。

15、进一步地，所述确定单元包括：生成子单元，用于在预设范围内随机生成预设数量的随机数，并将所述随机数作为第一初始光滑因子；预测子单元，用于对于每个第一初始光滑因子，依据该第一初始光滑因子对应的初始广义回归神经网络模型对所述第一训练特征向量和每个第一训练特征向量对应的初始信用评分进行预测，得到每个第一训练特征向量对应的预测信用评分；第二计算子单元，用于依据所述预测信用评分和真实信用评分进行计算，得到每个第一初始光滑因子对应的分数值；确定子单元，用于依据每个第一初始光滑因子对应的分数值，确定所述初始广义回归神经网络模型的目标光滑因子。

16、进一步地，所述确定子单元包括：选择模块，用于依据每个第一初始光滑因子对应的分数值，选择多个第一光滑因子和多个第二光滑因子；第一生成模块，用于对于每个第一光滑因子，以该第一光滑因子为中心生成多个随机数，得到每个第一光滑因子对应的优胜子种群；第二生成模块，用于对于每个第二光滑因子，以该第二光滑因子为中心生成多个随机数，得到每个第二光滑因子对应的临时子种群；操作模块，用于对每个第一光滑因子对应的优胜子种群和每个第二光滑因子对应的临时子种群执行趋同操作和异化操作，得到所述目标光滑因子。

17、进一步地，所述第一获取单元包括：清洗子单元，用于对所述第一数据信息进行数据清洗，得到清洗后的第一数据信息；量化子单元，用于对所述清洗后的第一数据信息进行特征量化，得到量化后的第一数据信息；处理子单元，用于对所述量化后的第一数据信息进行归一化处理，得到所述第一特征向量。

18、为了实现上述目的，根据本技术的另一方面，还提供了一种计算机可读存储介质，所述存储介质存储程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的用户的信用评分的预测方法。

19、为了实现上述目的，根据本技术的一个方面，提供了一种电子设备，电子设备包括一个或多个处理器和存储器，存储器用于存储一个或多个处理器实现上述任意一项所述的用户的信用评分的预测方法。

20、通过本技术，采用以下步骤：获取第一对象的第一数据信息，并对第一数据信息进行处理，得到第一特征向量，其中，第一数据信息中至少包括第一对象的属性信息和当前金融环境信息；依据第一特征向量和多个第二对象对应的第二特征向量进行预测，得到第一对象的初始信用评分；获取第一对象的第二数据信息，并对第二数据信息进行处理，得到第三特征向量，其中，第二数据信息中至少包括第二对象的交易数据信息；通过目标广义回归神经网络模型对初始信用评分和第三特征向量进行预测，得到第一对象的目标信用评分，解决了相关技术中依赖于人工经验对用户的信用进行评分，导致对用户的信用评分的准确度比较低的问题。在本方案中，通过第一对象的属性信息和当前金融环境信息等静态数据对第一对象进行第一次的信用评分，在得到初始信用评分后，再利用初始信用评分和第一对象的交易数据信息等动态数据对第一对象进行第二次的信用评分，实现了从多角度多维度特征上预测对象的信用评分，避免了过度依赖人工检验，进而达到了提高对用户的信用评分的准确度的效果。