[发明专利]基于深度学习的信用评分方法及装置

说明书

本发明实施例提供了一种基于深度学习的信用评分方法及装置，该方法包括：获取用户的信用相关数据，对该信用相关数据进行数据预处理；对经过该数据预处理的该信用相关数据进行特征向量提取，得到数据特征向量；将该数据特征向量输入GRU模型，得到该用户的信用评分结果。通过本发明的上述实施例，可以解决相关技术中的信用评分模型预测准确率低以及难以高效利用用户的信用数据的问题，达到快速对用户的信用进行评分、快速授信、改善用户体验、高效利用用户的信用数据的效果。

技术领域

本发明实施例涉及计算机领域，具体而言，涉及一种基于深度学习的信用评分方法及装置。

背景技术

个人信用评分又叫“消费者信用评分”，是评估申贷人或借款人违约风险的一种统计方法。该方法通过利用数据挖掘技术对发卡行积累的大量客户历史数据进行分析，寻找出有关客户信用风险的特征值和规律，建立相应的数学模型，为新的申请者或已有的客户进行风险评估。

目前，常用的信用评分模型包括决策树模型、logistic回归模型、K最邻近模型、贝叶斯网络、支持向量机等。在进行个人信用评分的预测过程中，这些评分模型均直接采用原始特征建立信用风险评估模型，没有考虑特征的非线性特点，难以精准判断信用状态带，评估结果有待提升。

针对相关技术中的信用评分模型预测准确率低以及难以高效利用用户的信用数据的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于深度学习的信用评分方法及装置，以至少解决相关技术中的信用评分模型预测准确率低以及难以高效利用用户的信用数据的问题。

根据本发明的一个实施例，提供了一种基于深度学习的信用评分方法，包括：获取用户的信用相关数据，对所述信用相关数据进行数据预处理；对经过所述数据预处理的所述信用相关数据进行特征向量提取，得到数据特征向量；将所述数据特征向量输入门控循环单元(Gated Recurrent Unit，简称为GRU)模型，得到所述用户的信用评分结果。

在一个示例性实施例中，在将所述数据特征向量输入门控循环单元GRU模型之前，还可以包括：训练和评估所述GRU模型。

在一个示例性实施例中，训练和评估所述GRU模型，可以包括：对训练评估数据进行划分，将所述训练评估数据划分为训练集和测试集；对所述训练集和测试集进行特征提取，并根据经过特征提取的所述训练集与测试集对所述GRU模型进行训练和评估。

在一个示例性实施例中，对所述信用相关数据进行数据预处理，至少可以包括以下之一：删除所述信用相关数据中的重复数据，删除所述信用相关数据中的异常数据，删除所述信用相关数据中的缺失数据，对所述信用相关数据中的缺失数据进行单值填补，对所述信用相关数据中的缺失数据进行多重填补。

在一个示例性实施例中，所述GRU模型可以为交叉熵损失函数模型或hinge-loss损失函数模型。

根据本发明的另一个实施例，提供了一种基于深度学习的信用评分装置，包括：处理模块，用于获取用户的信用相关数据，对所述信用相关数据进行数据预处理；提取模块，用于对经过所述数据预处理的所述信用相关数据进行特征向量提取，得到数据特征向量；输入模块，用于将所述数据特征向量输入门控循环单元GRU模型，得到所述用户的信用评分结果。

在一个示例性实施例中，还可以包括：训练评估模块，用于在将所述数据特征向量输入门控循环单元GRU模型之前，训练和评估所述GRU模型。

在一个示例性实施例中，所述训练评估模块，可以包括：划分单元，用于对训练评估数据进行划分，将所述训练评估数据划分为训练集和测试集；训练评估单元，用于对所述训练集和测试集进行特征提取，并根据经过特征提取的所述训练集与测试集对所述GRU模型进行训练和评估。