[发明专利]一种用户信用自动评级方法、装置、电子设备及介质

权利要求书

1.一种用户信用自动评级方法，其特征在于，所述用户信用自动评级方法包括：

获取用户的基本身份信息及授权信息；

基于所述基本身份信息及所述授权信息，确定用户的信贷信息；所述信贷信息包括基础信贷申请信息、行为表现信息和金融产品相关信息；

提取所述信贷信息中的N个原始特征；其中，N为正整数；

采用K-S值最大的分箱算法对N个原始特征进行分箱处理，得到分箱结果特征；

采用交叉特征衍生算法对所述分箱结果特征进行交叉衍生处理，得到衍生出的交叉特征；

将所述交叉特征、所述分箱结果特征和N个原始特征结合，并剔除无效特征，得到重要特征；

将所述重要特征输入预设的信用评分等级模型，得到所述用户的信用等级。

2.根据权利要求1所述的用户信用自动评级方法，其特征在于，采用以下公式对N个原始特征进行分箱处理：

其中，{f₁,f₂,f₃,...,f_i,...,f_N}为N个原始特征的集合，f_i为N个原始特征中的第i个原始特征，0＜i≤N，为分箱结果特征的集合，为对应于原始特征f_i的分箱结果，F_{cut_bin}为K-S值最大的分箱算法。

3.根据权利要求1或2所述的用户信用自动评级方法，其特征在于，采用以下公式对所述分箱结果特征进行交叉衍生处理：

其中，为分箱结果特征的集合，为衍生出的交叉特征的集合，T为正整数，P_gen为交叉特征衍生算法。

4.根据权利要求1或2所述的用户信用自动评级方法，其特征在于，将所述交叉特征、所述分箱结果特征和N个原始特征结合，并剔除无效特征，得到重要特征，具体包括：

将所述交叉特征、所述分箱结果特征和N个原始特征进行结合，得到结合后特征；

采用卡方验证算法、信息增益算法、IV值算法、梯度提升树算法、特征PSI指数算法、特征方差值算法、皮尔逊相关系数算法和最大信息系数算法中的任一种算法或者任意种算法的组合对所述结合后特征的重要性进行评估，得到重要性评估结果；

基于所述重要性评估结果，剔除无效特征，得到重要特征。

5.根据权利要求1或2所述的用户信用自动评级方法，其特征在于，所述信用评分等级模型为基于LightGBM算法的分析模型；

将所述重要特征输入预设的信用评分等级模型，得到所述用户的信用等级，具体包括：

将所述重要特征输入基于LightGBM算法的分析模型，输出所述用户为易贷后逾期违约的概率p以及所述用户为不易贷后逾期违约的概率1-p；其中，基于LightGBM算法的分析模型是预先基于10折交叉验证方法进行训练得到的，训练完成后得到10个基本分析模型组成基于LightGBM算法的分析模型，概率p是10个基本分析模型输出的10个基本用户为易贷后逾期违约的概率的平均值；

采用公式Odds＝p/(1-p)确定贷后逾期违约比例指数Odds；

基于预设特定贷后逾期违约比例指数、对应预设特定贷后逾期违约比例指数的信用评分数值以及预设特定贷后逾期违约比例指数翻番对应的信用评分降低数值，确定补偿常数及刻度常数；

根据所述补偿常数、所述刻度常数及所述贷后逾期违约比例指数，采用公式Score＝A-Blog(Odds)确定所述用户的信用评分Score；其中，A为补偿常数，B为刻度常数；

基于所述用户的信用评分以及信用等级对应评分的划分区间，确定所述用户的信用等级。

6.根据权利要求5所述的用户信用自动评级方法，其特征在于，采用以下公式确定补偿常数和刻度常数：

A＝P₀+Blog(θ₀)；

其中，θ₀为预设特定贷后逾期违约比例指数，P_d为θ₀翻番对应的信用评分降低数值，P₀为对应于θ₀的信用评分数值。