[发明专利]一种基于动态扩展模型的实时信用分析方法及系统

说明书

本发明公开了一种基于动态扩展模型的实时信用分析方法及系统，包括采集用户基础信用信息，根据用户基础信用信息建立信用扩展分析模型，通过机器学习算法确定信用扩展分析模型的相关参数，进而确定最终的信用扩展分析模型，将最终的信用扩展分析模型加载在Flink流式信用计算平台上，根据输入的用户基础信用信息通过最终的信用扩展分析模型得到信用评估。本发明能够方便增加信用评估维度，得到的信用结果是基于更全维度、更接近事实的模型、对历史信用行为时效性评估，在实时计算平台的支持下，可以快速得到信用评估结果。

技术领域

本发明涉及计算机网络技术领域，尤其涉及一种基于动态扩展模型的实时信用分析方法及系统。

背景技术

现在有一些对目标用户信用的评估方法和模型，很多是停留在人为设定评估模型，是根据经验和主观认知设定的模型，这种信用评估模型较为准确，也具有代表性，但是不能全面、精确的反映目标用户的综合信用级别，定制化模型也存在一些问题，即出现一些新的信用行为时，这种评估模型更新起来非常的麻烦。现在有一些信用评估系统，基本属于收集多维数据，然后根据给定模型进行计算得出一个信用评级，需要离线对大量数据进行计算得出一个结果，往往需要很久，才能拿到信用评级报告。传统的信用评估方式是根据一定的经验等设定各个维度的权重，进行计算，这个计算过程往往需要很长一段时间。随着互联网的发展，现在有许多电商平台及在线支付方式以及各种互联网金融服务机构，一个准确的信用评估首先要的就是数据的更全面、更有时效。

目前存在一些信用评估方法或者应用，但是局限性太大，仅仅根据部分既定信用行为对目标用户信用进行分析，得出评估结果也必然是存在局限性的，也就是数据的局限性、评估模型的单一性导致了分析结果的局限性。分析计算方式的传统性导致了分析时间长，不能做到快速响应对目标用的分析结果。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明构建一个能支持信用分析模型动态拓展、在线式实时分析信用行为，提供高一个信用分析更准确、全面，具有时效性的基于动态扩展模型的实时信用分析方法及系统。

技术方案：为实现上述目的，本发明采用的技术方案为：

本发明主要从两个大的方向进行实施，一：动态可拓展的信用分析模型；二：信用行为实时分析。以机器学习训练动态拓展模型、流式计算提供实时信用行为数据分析为基础，达到平台提供模型可拓展、数据实时分析的特征。

一种基于动态扩展模型的实时信用分析方法，包括以下步骤：

步骤1)，动态扩展模型构建

采集用户基础信用信息，根据用户基础信用信息建立信用扩展分析模型：

其中，s(g,p,q)表示信用评估，z为基础信用权重；g为基础信用系数，设定当非信用白户时，g＝1，当设定为信用白户时，g＝0；n为信用数据采集维度数，i为自然数，且1≤ i≤n；c_i为维度权重，cosθ_i是维度相似度，d(x_j,y_j)为，(x_j,y_j)为；p为维度内具体信用记录系数，a_j为维度内具体信用记录权重；q为信用时效系数，b_j为时效权重，且1≤j≤m；m为；

步骤2)，机器学习建模

采集数据样本建立训练数据集，通过机器学习算法确定信用扩展分析模型的基础信用权重z、维度权重c_i、维度内具体信用记录权重a_j和时效权重b_j，进而确定最终的信用扩展分析模型。