[发明专利]样本评估方法、装置、存储介质及电子装置

说明书

本发明公开了一种样本评估方法、装置、存储介质及电子装置。其中，该方法包括：确定训练样本的第一任务标签和第二任务标签，其中，第一任务标签用于预测通过概率，第二任务标签用于预测守约概率；对训练样本进行特征筛选，得到第一特征和第二特征；通过第一任务标签、第二任务标签、第一特征和第二特征训练初始多任务模型，得到目标多任务模型；通过目标多任务模型对目标样本进行评估。本发明解决了相关技术无法精准识别拒绝样本中的优质用户的技术问题。

技术领域

本发明涉及金融风险评估领域，具体而言，涉及一种样本评估方法、装置、存储介质及电子装置。

背景技术

随着获取用户的成本日益提高，各金融机构越来越重视存量客户经营，若能在被拒绝的用户中识别出风险较低的用户，将其捞回，便能够减少获客成本，提升整体收益。

目前，在被拒绝的用户中识别风险较低的用户有三类方法，分别为下探法、同生表现法和拒绝推断法，其中，拒绝推断法又包括展开法、重新加权法、打包法、迭代再分类法和两阶段法。采用下探法需要承担一定的坏账损失，导致成本较高，同生表现法又难以实现，且上述拒绝推断的方法均不能准确识别出拒绝样本中的优质用户。

发明内容

本发明实施例提供了一种样本评估方法、装置、存储介质及电子装置，以至少解决相关技术无法精准识别拒绝样本中的优质用户的技术问题。

根据本发明其中一实施例，提供了一种样本评估方法，包括：

确定训练样本的第一任务标签和第二任务标签，其中，第一任务标签用于预测通过概率，第二任务标签用于预测守约概率；对训练样本进行特征筛选，得到第一特征和第二特征；通过第一任务标签、第二任务标签、第一特征和第二特征训练初始多任务模型，得到目标多任务模型；通过目标多任务模型对目标样本进行评估。

可选地，对训练样本进行特征筛选，得到第一特征和第二特征包括：根据第一算法，通过第一模型对训练样本进行特征筛选，得到第一特征其中，第一算法用于选择出贡献度高的特征，第一特征包括有贷后表现的样本和被拒绝的样本；根据第一算法，通过第二模型对训练样本进行特征筛选，得到第二特征，其中，第二特征包括有贷后表现的样本。

可选地，还包括：根据第一损失函数和第二损失函数优化初始多任务模型，得到目标多任务模型，其中，第一损失函数为第一模型的损失函数，第二损失函数为第二模型的损失函数。

可选地，根据第一损失函数和第二损失函数优化初始多任务模型，得到目标多任务模型包括：将第一损失函数的方差和第二损失函数的方差作为权重的不确定性加权，得到目标损失函数；采用目标损失函数优化初始多任务模型，得到目标多任务模型。

可选地，目标多任务模型为渐进式分层提取PLE模型。

可选地，通过目标多任务模型对目标样本进行评估包括：将目标样本输入到目标多任务模型，得到第一概率和第二概率，其中，第一概率为目标样本的通过概率，第二概率为目标样本的守约概率；根据第一概率和第二概率对目标样本进行评估。

可选地，响应于获取到训练样本的资质信息，还包括：将目标样本输入到目标多任务模型，得到第三概率，其中，第三概率为目标样本的资质通过概率；根据第一概率、第二概率和第三概率对目标样本进行评估。

根据本发明其中一实施例，还提供了一种样本评估装置，包括：

确定模块，确定模块用于确定训练样本的第一任务标签和第二任务标签，其中，第一任务标签用于预测通过概率，第二任务标签用于预测守约概率；筛选模块，筛选模块用于对训练样本进行特征筛选，得到第一特征和第二特征；训练模块，训练模块用于通过第一任务标签、第二任务标签、第一特征和第二特征训练初始多任务模型，得到目标多任务模型；评估模块，评估模块用于通过目标多任务模型对目标样本进行评估。