授信评估模型构建和应用方法、装置及电子设备与流程

1.本技术涉及金融风险控制技术领域，具体涉及一种授信评估模型构建和应用方法、装置及电子设备。


背景技术：

2.资本密集型行业例如工程机械行业，由于产品价格高昂、销售周期长，需要大量的资金投入和信贷支持，在这样的市场环境下，银行或其他金融机构在向工程机械企业提供融资或贷款等支持时，需要对该工程机械企业进行信用风险评估(即进行授信评估)，以做出授信决策，即确定授信金额和利率等相关条件。
3.授信评分是银行、信用卡公司等金融机构进行信用风险评估的重要方法之一。传统的授信评分方法是由财务分析师基于经验进行常规的财务分析，并采用一些固定的评分标准和规则，对客户的信用记录、个人资产和职业背景等进行信用风险评估，得到用于表征客户的信用风险高低的授信评分。
4.但是，该传统的授信评分方法依赖于财务分析师的经验和判断，容易受到财务分析师的主观影响，导致评估结果出现偏差，对客户进行信用风险评估的准确性较低，做出授信决策的准确性较低。


技术实现要素：

5.基于上述现有技术的缺陷和不足，本技术提出一种授信评估模型构建和应用方法、装置及电子设备，能够基于多维度的样本用户画像与样本标签进行模型训练和评估，得到高精度稳定的目标授信评估模型，并基于该目标授信评估模型对目标客户进行信用风险评估，可以有效提高信用风险评估以及授信决策的准确性。
6.根据本技术实施例的第一方面，提供了一种授信评估模型构建方法，包括：
7.获取样本数据集；所述样本数据集包括样本用户画像和样本标签；所述样本用户画像包括目标客户的基本特征、资产特征、征信特征和行为特征；所述样本标签包括所述目标客户的综合授信评分、购买行为评分和/或授信额度；
8.基于所述样本用户画像，构建预设授信评估模型；
9.基于所述样本用户画像与所述样本标签，对所述预设授信评估模型进行训练和评估，得到目标授信评估模型；所述目标授信评估模型用于基于实时用户画像对所述目标客户进行信用风险评估，得到所述目标客户的实时综合授信评分、实时购买行为评分和/或实时授信额度。
10.根据本技术实施例的第二方面，提供了一种授信评估模型应用方法，包括：
11.获取目标客户的实时用户画像；所述实时用户画像包括基本特征、资产特征、征信特征和行为特征；
12.基于所述实时用户画像与目标授信评估模型，对所述目标客户进行信用风险评估，得到所述目标客户的实时评估结果；所述实时评估结果包括实时综合授信评分、实时购
买行为评分和/或实时授信额度。
13.根据本技术实施例的第三方面，提供了一种授信评估模型构建装置，包括：
14.获取模块，用于获取样本数据集；所述样本数据集包括样本用户画像和样本标签；所述样本用户画像包括目标客户的基本特征、资产特征、征信特征和行为特征；所述样本标签包括所述目标客户的综合授信评分、购买行为评分和/或授信额度；
15.构建模块，用于基于所述样本用户画像，构建预设授信评估模型；
16.训练和评估模块，用于基于所述样本用户画像与所述样本标签，对所述预设授信评估模型进行训练和评估，得到目标授信评估模型；所述目标授信评估模型用于基于实时用户画像对所述目标客户进行信用风险评估，得到所述目标客户的实时综合授信评分、实时购买行为评分和/或实时授信额度。
17.根据本技术实施例的第四方面，提供了一种授信评估模型应用装置，包括：
18.获取模块，用于获取目标客户的实时用户画像；所述实时用户画像包括基本特征、资产特征、征信特征和行为特征；
19.确定模块，用于基于所述实时用户画像与目标授信评估模型，对所述目标客户进行信用风险评估，得到所述目标客户的实时评估结果；所述实时评估结果包括实时综合授信评分、实时购买行为评分和/或实时授信额度。
20.根据本技术实施例的第五方面，提供了一种电子设备，包括存储器和处理器；
21.所述存储器与所述处理器连接，所述存储器用于存储计算机程序；
22.所述处理器用于通过运行所述存储器中存储的计算机程序，实现如第一方面所述的授信评估模型构建方法或第二方面所述的授信评估模型应用方法。
23.根据本技术实施例的第六方面，提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现如第一方面所述的授信评估模型构建方法或第二方面所述的授信评估模型应用方法。
24.上述授信评估模型构建和应用方法、装置及电子设备中，可以通过获取样本数据集，基于样本数据集中样本用户画像，构建预设授信评估模型，并基于样本用户画像和样本标签对预设授信评估模型进行训练和评估，得到目标授信评估模型。由于样本用户画像包括基本特征、资产特征、征信特征和行为特征等多个维度，基于该样本用户画像和样本标签进行模型构建、训练和评估，可以得到高精度和高稳定性的目标授信评估模型，基于该目标授信评估模型对目标客户进行信用风险评估，可以有效提高风险评估以及授信决策的准确性。
附图说明
25.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
26.图1为本技术实施例给出的一种授信评估模型构建方法的流程示意图；
27.图2为本技术实施例给出的一种基础授信额度的示意图；
28.图3为本技术实施例给出的一种授信评估模型应用方法的流程示意图；
29.图4为本技术实施例提出的一种授信评估模型构建装置的结构示意图；
30.图5为本技术实施例提出的一种授信评估模型应用装置的结构示意图；
31.图6为本技术实施例提出的一种电子设备的结构示意图。
具体实施方式
32.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
33.概述
34.如背景技术中所述，对客户进行信用风险评估时，传统的授信评分方法依赖于财务分析师的经验和判断，容易受到财务分析师的主观影响，导致评估结果出现偏差，对客户进行信用风险评估的准确性较低，授信决策的准确性较低。
35.在此基础上，发明人经过进一步的研究发现，基于多维度的样本用户画像，即包含基本特征、资产特征、征信特征和行为特征的样本用户画像，构建预设授信评估模型，并基于该样本用户画像以及样本标签，对该预设授信评估模型进行训练和评估，能够得到准确性和可靠性较高的目标授信评估模型，基于该目标授信评估模型对目标客户进行信用风险评估，可有效提高信用风险评估和授信决策的准确性，解决人工进行信用风险评估容易受到主观影响，导致信用风险评估的准确性以及授信决策的准确性较低的问题。
36.基于上述构思，本说明书实施例提供了一种授信评估模型构建和应用方法，下面将结合附图对所述授信评估模型构建和应用方法进行示例性描述。
37.示例性方法
38.请参阅图1，在一示例性实施例中，提供了一种授信评估模型构建方法，应用于任一设备中。如图1所示，所述授信评估模型构建方法包括步骤s101-s103：
39.s101：获取样本数据集。
40.其中，样本数据集中包括样本用户画像和样本标签。
41.具体地，样本用户画像中包括目标客户的基本特征、资产特征、征信特征和行为特征。
42.其中，基本特征中特征项的数量为至少一个，资产特征中特征项的数量为至少一个，征信特征中特征项的数量为至少一个，行为特征中特征项的数量为至少一个。
43.另外，目标客户可以为个人，也可以是公司。本技术的实施例中以目标客户为企业级客户，也就是b端客户为例，对本技术的技术方案进行介绍。
44.简单来说，b端客户就是企业或组织。示例性地，b端客户包括国有企业、股份制上市企业、股份制未上市企业、集体所有制企业、私营企业、联营企业以及个体企业等。
45.s102：基于样本用户画像，构建预设授信评估模型。
46.其中，预设授信评估模型用于基于样本用户画像对目标客户进行信用风险评估，得到目标客户的综合授信评分、购买行为评分和/或授信额度。
47.具体地，基于用户画像中具有的特征项，确定这些特征项在预设模型中的位置，将预设超参数配置到预设模型中，得到相应的预设授信评估模型。
48.其中，由于不同的数据类型和数据量适用于不同的模型，上述预设模型可以是基于样本用户画像和样本标签的数据类型和数据量选择的。
49.预设模型可以是常见模型，例如逻辑回归模型、决策树模型、支持向量机模型等。
50.s103：基于样本用户画像与样本标签，对预设授信评估模型进行训练和评估，得到目标授信评估模型。
51.其中，目标授信评估模型用于基于实时用户画像对目标客户进行信用风险评估，得到目标客户的实时综合授信评分、实时购买行为评分和/或实时授信额度。
52.基于样本用户画像以及样本标签，对预设授信评估模型进行训练和评估，若该训练后的预设授信评估模型通过评估，则将该训练后的预设授信评估模型确定为目标授信评估模型。
53.具体地，将样本数据集划分为训练数据集与测试数据集。其中，训练数据集用于训练模型，测试数据集用于验证模型的泛化能力和准确性。随后，基于训练数据集中的样本用户画像以及样本标签，对预设授信评估模型进行多次迭代训练，调整预设授信评估模型中的预设超参数，得到训练后的预设授信评估模型。再之后，基于测试数据集中的样本用户画像以及样本标签，对该训练后的预设授信评估模型的泛化能力和准确性进行评估。最后，将通过评估的训练后的预设授信评估模型确定为目标授信评估模型。
54.相应的，若训练后的预设授信评估模型未通过评估，则采用该训练数据集对该训练后的预设授信评估模型再次进行多次迭代训练，或者，重新获取样本数据集，采用重新获取到的样本数据集中的训练数据集对该授信评估模型进行多次迭代训练。
55.示例性地，通常情况下，训练数据集占样本数据集的70％-80％，测试数据集占样本数据集的20％-30％。例如，训练数据集占样本数据集的70％，时，测试数据集占样本数据集的30％。
56.更具体地，对训练后的预设授信评估模型进行评估时，先将测试数据集中的样本用户画像输入到该训练后的预设授信评估模型中，将该训练后的预设授信评估模型的输出与对应的样本标签相对比，计算该授权评估模型的精确度、召回率f1等指标，绘制该授权评估模型的roc曲线、pr曲线等图表，来对该授信评估模型的表现进行全面评估。当然，训练后的预设授信评估模型的输出即通过该模型所确定的样本用户画像对应的综合授信评分、购买行为评分和/或授信额度。
57.本实施例中，获取到的样本数据集中包括样本用户画像和样本标签，样本用户画像中包含多个维度的特征，即基本特征、资产特征、征信特征以及行为特征。这样，基于该多维度的样本用户画像，结合样本标签，可以经模型构建、训练和评估，得到具有较高准确性和稳定性的目标授信评估模型，基于该目标授信评估模型对目标客户进行信用风险评估，可以有效提高授信评估的准确性，进而提高授信决策的准确性。
58.在一些实施例中，获取样本数据集时，先获取样本原始数据，并对样本原始数据进行预处理，得到样本数据。随后，对样本数据进行特征提取，得到待选特征，并对这些待选特征进行筛选，得到目标特征。最后，基于目标特征生成样本用户画像。同时，获取与样本用户画像对应的样本标签。
59.具体地，从多个方面获取样本原始数据，这多个方面包括目标客户的基本信息数据、交易数据(包括收入情况、消费情况、交易金额、交易频次等)、社交媒体数据等。这些数
据可从各种渠道获取，例如相关的申请表、交易记录以及社交媒体平台上的动态等。这样，基于这些数据所生成的用户画像，可以较好的了解客户的需求与风险。
60.具体地，对从多个方面获取到的样本原始数据进行预处理，包括数据清洗、去重、缺失值填充(即补缺)、异常值处理等，得到样本数据。样本数据中包含目标客户的基本数据、资产数据、征信数据以及行为数据。这样，可有效确保样本数据的完整性和准确性，获取到高质量的样本数据集。
61.此外，预处理还可包括归一化、标准化等处理。这样，可使得样本数据中不同类型的数据可以进行比较和综合分析。
62.具体地，可使用机器学习和数据挖掘技术，对样本数据进行特征提取。可以理解的是，这些特征可以从多个角度反映目标客户的信用状况和偏好等。
63.示例性地，可采用多种特征提取算法，例如主成分分析pca、线性判别分析lda决策树等算法，来对样本数据进行特征提取。其中，pca算法可以将高维度的样本数据转化为低维度的特征向量，便于更好的进行分类和聚类。
64.其中，样本数据可大致划分为静态数据与动态数据，这两种数据的静态与动态是相对而言的。相对于动态数据，静态数据的变化周期更长。一般情况下，静态数据中包括资产数据、征信数据以及基本数据，可从静态数据中提取到资产特征、征信特征以及基本特征；动态数据中包括行为数据，从动态数据中可提取到行为特征。
65.具体地，提取到待选特征后，对待选特征进行分析，基于待选特征与目标客户的信用状况之间是否具有相关性以及相关性的大小，对待选特征进行筛选，保留与目标客户的信用状况之间具有相关性且相关性较大的待选特征，作为目标特征。这样，通过特征筛选，可以较好的减少生成样本用户画像的复杂度和运算时间，提高所生成的样本用户画像的准确性和稳定性。
66.示例性地，对从样本数据中提取到的资产特征、征信特征、基本特征、行为特征，进行筛选。以资产特征为例，资产特征中包括特征a-f，其中，特征a-d与目标客户的信用状况相关且相关性较大。通过特征筛选，保留资产特征中的特征a-d作为目标特征中的资产特征。
67.具体地，将目标特征结合起来生成样本用户画像。其中，该样本用户画像可从多个维度全面、准确地反映目标客户的特征和行为习惯等，为后续的基础评估提供依据。当然，该样本用户画像可以采用可视化方式呈现，这样，便于业务人员查看和分析。
68.其中，目标特征包括基本特征、资产特征、征信特征以及行为特征。
69.在本实施例中，对获取到的样本客户原始数据进行预处理，可以得到较为完整和准确的高质量样本客户数据，通过对从样本客户数据中提取到的待选特征进行筛选得到目标特征，可以在保留与客户的信用状况相关的特征的基础上，减少用于生成用户画像的目标特征的数量，从而减少用户画像生成的复杂度和运算时间，进一步减少基于该用户画像所构建的预设授信评估模型，以及最后得到的目标授信评估模型的复杂度和运算时间。
70.在一些实施例中，预设授信评估模型包括预设授信评估模型、预设购买行为评分模型和/或预设授信额度评估模型。
71.此时，基于样本用户画像，构建预设授信评估模型，包括：
72.基于样本用户画像中所包含的特征项，构建预设综合授信评分模型。和/或，基于
样本用户画像中所包含的特征项，构建预设购买行为评分模型。和/或，基于样本用户画像中所包含的特征项、预设综合授信评分模型与预设购买行为评分模型，构建所述预设授信额度评估模型。
73.其中，预设授信额度评估模型用于基于样本用户画像评估目标客户的授信额度，预设购买行为评分模型用于基于样本用户画像评估目标客户的购买行为评分，预设综合授信评分模型用于基于样本用户画像评估目标客户的所述综合授信评分。
74.相应的，目标授信评估模型中包括目标综合授信评分模型、目标购买行为评分模型和/或目标授信额度评估模型。
75.下面对该实施例中所涉及的几种情况分别进行介绍：
76.情况1：样本用户画像中，行为特征包括工作行为特征，资产特征包括固有资产特征项、设备资产特征项，征信特征包括内部征信特征项。
77.基于样本用户画像中所包含的特征项，构建预设综合授信评分模型，包括：基于样本用户画像所包含的基本特征、固有资产特征项、设备资产特征项、内部征信特征项、工作行为特征项，以及第一预设超参数，构建预设综合授信评分模型。
78.具体地，基于样本用户画像中的基本特征、固有资产特征项、设备资产特征项、内部征信特征项、工作行为特征项中的各个特征项，选择预设模型，确定这些特征项在预设模型中的位置，随后，将第一预设超参数配置到该预设模型中，得到预设综合授信评分模型。
79.相应的，基于样本数据集的样本用户画像中的基本特征、固有资产特征项、设备资产特征项、内部征信特征项、工作行为特征项，以及样本数据集中与该样本用户画像对应的样本标签中的综合授信评分，对该预设综合授信评分模型进行训练和评估，调整预设综合授信评分模型中的第一预设超参数，得到目标综合授信评分模型。
80.其中，预设综合授信评分模型所使用的分类算法可以为多种，例如逻辑回归、支持向量机(svm)、决策树等，也就是说，构建预设综合授信评分模型所使用的预设模型可以为多种，例如逻辑回归模型、支持向量机(svm)模型、决策树模型等。例如，可使用逻辑回归算法基于样本用户画像中各个维度的特征项，预测综合授信评分。
81.示例性地，逻辑回归算法的公式为
82.$$h_{\theta}(x)＝\frac{1}{1+e^{-\theta^tx}}$$
83.其中，$y$表示预测得到的综合授信评分，$\theta$表示第一预测超参数，$x$表示样本用户画像的各个维度中的特征项(或者特征向量)。
84.另外，第一预设超参数包括第一预设权重参数、不同维度的特征中各个特征项对应的分值。第一预设权重参数与不同维度的特征相对应，即第一预设权重与基本特征、资产特征、征信特征、工作行为特征之间具有对应关系。
85.第一预设权重参数可以是基于实际场景确定的，以使得构建的预设综合授信评分模型基于样本用户画像对目标客户进行信用风险评估所得到的综合授信评分，与实际情况即对应的样本标签中的综合授信评分相接近。
86.示例性地，固有资产特征项包括例如固有资产类型、固有资产价值，资产特征中设备资产特征项包括设备资产价值。一般的，固有资产的实物形态包括房屋和建筑物、办公设备、机械设备、运输设备等。
87.示例性地，内部征信特征包括逾期金额占比、平均逾期期数、货款余额占比、平均
首付比例。其中，逾期金额占比为当前逾期金额与总货款的比值，平均逾期期数为主机累计逾期期数与购买设备数量的比值，货款余额占比为应收货款与购买金额的比值。
88.示例性地，基本特征中的特征项包括纳税信用、公司类型以及注册资本。
89.示例性地，工作行为特征项包括开工、油耗、设备流动性、客户增信这四个方面的特征项。其中，在开工方面，工作行为特征项包括开工率、日均工作时长；在油耗方面，工作行为特征项包括月均油耗、累计油耗；在设备流动性方面，工作行为特征项包括设备变动次数的均值、设备所在区域内设备数的均值；在客户增信方面，工作行为特征项包括合作公司类型以及工程量级。
90.其中，开工率为第一预设时间段内每台设备的开工率的均值，针对每台设备，第一预设时间段内该设备的开工率为第一预设时间段内该设备工时不为0的天数与第一预设时间段内的总天数的比值。日均工作时长为第二预设时间段内每台设备日均工作时长的均值。月均油耗为第三预设时间段内每个月所有设备的总油耗的均值。累计油耗为第四预设时间段内所有设备的总油耗。设备变动次数为第五预设时间段内设备位置(经纬度)变动次数的均值。设备所在区域内设备数的均值为当前设备所在区域(例如县级)内设备数的均值。
91.示例性地，基本特征、资产特征(固有资产特征项与设备资产特征项)、征信特征(内部征信特征项)与行为特征(工作行为特征项)所对应的第一预设权重参数分别为10％、40％、25％与25％。在基本特征这一维度中，注册资本对应的最大分值为30，纳税信用对应的最大分值为40，公司类型对应的最大分值为30；在征信特征这一维度的内部征信特征项中，逾期余额占比对应的最大分值为30，设备平均逾期期数对应的最大分值为30，贷款余额占比对应的最大分值为20，平均首付比例对应的最大分值为20；在资产特征这一维度中，固有资产特征项对应的最大分值为20，设备资产特征项对应的最大分值为80；在行为特征这一维度的工作行为特征项中，开工方面对应的特征项的最大分值为30，油耗方面对应的特征项的最大分值为30，设备流动性方面对应的特征项的最大分值为20，客户增信方面对应的特征项的最大分值为20。可知，在本示例中，综合授信评分的最大分值为100。
92.可以理解的是，对于任一特征项，该任一特征项处于不同状况时所对应的分值不同。
93.更具体地，在上述示例中，在基本特征这一维度中，注册资本a的不同状况包括500万以下(a《500万)、500万-1000万(500万《＝a《＝1000万)、1000万-3000万(1000万《a《＝3000万)、3000万-5000万(3000万《a《＝5000万)、5000万以上(a》5000万)，对应的分值分别为0、5、10、20、30；纳税信用的不同状况包括a级纳税人、普通纳税人，对应的分值分别为40、20；公司类型的不同状况包括国有企业、股份制上市企业、股份制未上市企业、集体所有制、私营、联营、个体等，国有企业与股份制上市企业对应的分值为30，股份制未上市企业、集体所有制、私营与联营对应的分值为20，个体对应的分值为10。
94.在资产特征这一维度中，固有资产类型按照拥有的固有资产的实物形态划分出不同的状况，包括拥有房屋和建筑物、无房屋和建筑物但拥有办公设备、无房屋和建筑物也无办公设备，对应的分值分别为10、5、0；固有资产价值b的不同状况包括5亿以上(b》5亿)、1亿-5亿(1亿《＝b《＝5亿)、5000万-1亿(5000万《＝b《1亿)、5000万以下(b《5000万)，对应的分值分别为10、5、2、0；设备资产价值c的不同状况包括1亿以上(c》1亿)、5000万-1亿(1亿《
＝c《＝5000万)、1000万-5000万(1000万《＝c《5000万)、300万-1000万(300万《＝c《1000万)、300万以下(c《300万)，对应的分值分别为80、60、40、20、10。
95.在征信特征这一维度中，主机逾期金额d占比按比值分为0(d＝0)、0-5％(0《d《＝5％)、5％-10％(5％《d《＝10％)、10％以上(d》10％)这四种状况，对应的分值分别为30、20、10、0；贷款余额占比e按比值分为30％以下(e《30％)、30％-50％(30％《＝e《＝50％)、50％以上(e》50％)这三种状况，对应的分值分别为20、10、0；平均逾期期数f按比值分为0(f＝0)、0-0.5(0《f《＝0.5)、0.5-1(0.5《f《1)、1(f＝1)以上这4种状况，对应的分值分别为30、20、10、0；平均首付比例g按比值分为30％以下(g《30％)、30％-50％(30％《＝g《＝50％)、50％以上(g》50％)这三种状况，对应的分值分别为0、10、20。
96.在行为特征这一维度中，开工率h例如一个月内每台设备的开工率的均值，按比值划分出不同状况，包括20％以下(h《20％)、20％-40％(20％《＝h《＝40％)、40％-60％(40％《h《＝60％)、60％以上(h》60％)，对应的分值分别为3、6、10、15；日工作时长i例如一个月内每台设备日工作时长的均值的均值，按时长划分出不同状况，包括2h以下(i《2h)、2h-5h(2h《＝i《＝5h)、5h-8h(5h《i《＝8h)、8h以上(i》8h)，对应的分值分别为3、6、10、15；月均油耗j例如三个月内所有设备的总油耗的均值，按数值大小划分出不同状况，包括5l以下(j《5l)、5l-15l(5l《＝j《＝15l)、15l-30l(15l《j《＝30l)、30l以上(j》30l)，对应的分值分别为3、6、10、15；累计油耗k例如一个月内所有设备的总油耗，按数值大小划分出不同状况，包括5l以下(k《5l)、5l-15l(5l《＝k《＝15l)、15l-30l(15l《k《＝30l)、30l以上(k》30l)，对应的分值分别为3、6、10、15；设备位置变动次数的均值l例如一个月内单台设备的经纬度变动次数的均值，按照数值大小划分出不同状况，包括5次以下(l《5次)、5次-10次(5次《＝l《＝10次)、10次以上(l》10次)，对应的分值分别为10、5、2；当前设备所在区域内设备数的均值m按照数值大小划分出不同状况，包括10台以上(m》10台)、5台-10台(5台《m《＝10台)、1台-5台(1台《m《＝5台)、1台(m＝1台)，对应的分值分别为10、5、2、0；合作公司类型的不同状况包括国有企业、股份制上市企业、股份制未上市企业、集体所有制、私营、个体、联营，国有企业和股份制上市企业对应的分值为10，股份制未上市企业、集体所有制、私营和联营对应的分值为5，个体对应的分值为0；工程量级按照工程资金n划分为不同状况，包括500万以下(n《500万)、500万-2000万(500万《＝n《＝2000万)、2000万-5000万(2000万《n《＝5000万)、5000万-1亿(5000万《n《＝1亿)、1亿以上(n》1亿)，对应的分值分别为0、2、4、8、10。
97.当然，第一预设超参数还包括学习率、正则化参数、损失函数以及评价指标等。评价指标即上述精确度、召回率f1等指标以及roc曲线、pr曲线等图表。更多的，第一预设超参数还包括训练数据批量大小、迭代次数、优化算法等。可以理解的是，基于实际模型构建、训练和评估的需要，第一预设超参数中还可包含其他超参数，或者包含更少的超参数。
98.情况2：行为特征包括购买行为特征项。
99.基于样本用户画像中所包含的特征项，构建预设购买行为评分模型，包括：基于样本用户画像中所包含的购买行为特征项，与第二预设超参数，构建预设购买行为评分模型。
100.具体地，先基于购买行为特征项中的各个特征项选择预设模型，确定该各个特征项在该预设模型中的位置，随后，将第二预设超参数配置给该预设模型，得到预设购买行为评分模型。
101.相应的，基于样本数据集的样本用户画像中的购买行为特征项，以及样本数据集
中与该样本用户画像对应的样本标签中的购买行为评分，对预设购买行为评分模型中的第二预设超参数进行调整，即对预设购买行为评分模型进行训练和评估，调整预设购买行为评分模型中的第二预设超参数，得到目标购买行为评分模型。
102.其中，预设购买行为评分模型所使用的分类算法可以为多种，例如逻辑回归、支持向量机(svm)、决策树等，也就是说，构建预设购买行为评分模型所使用的预设模型可以为多种，例如逻辑回归模型、支持向量机(svm)模型、决策树模型等。例如，可使用逻辑回归算法基于样本用户画像的购买行为特征项，预测购买行为评分。
103.示例性地，逻辑回归算法的公式为
104.$$h_{\theta}(x)＝\frac{1}{1+e^{-\theta^tx}}$$
105.其中，$y$表示预测得到的购买行为评分，$\theta$表示第二预测超参数，$x$表示样本用户画像的购买行为特征中的特征项(或者说特征向量)。
106.另外，第二预设超参数包括第二预设权重参数、购买行为特征项中各个特征项对应的分值。
107.第二预设权重参数与购买行为特征项中各个特征项对应。示例性地，第二预设权重参数与购买行为特征项中的特征项，即采购量覆盖占比、最近一次购买时长、月均购买数量、现款现付购买数量，具有对应关系。
108.第二预设权重参数可以是基于实际场景确定的，以使得构建的预设购买行为评分模型对样本客户进行信用风险评估所得到的购买行为评分，与实际情况即对应的样本标签中的购买行为评分相接近。
109.示例性地，购买行为特征项包括采购量覆盖占比、最近一次购买时长、月均购买数量、现款现付购买数量。
110.其中，采购量覆盖占比为第六预设时间段内每个月的采购量与需求量的比值的平均值，最近一次购买时长为最近一次购买时间与当前时间之间的时长，月均购买数量为第七预设时间段内每个月的购买量的平均值。
111.示例性地，采购量覆盖占比、最近一次购买时长、月均购买数量、现款现付购买数量所对应的第二预设权重参数均为1。采购量覆盖占比例如近3个月的采购量覆盖占比，对应的最大分值为20，最近一次购买时长对应的最大分值为20，月均购买数量例如近3个月的月均购买数量，对应的最大分值为30，现款现付购买数量例如近半年的现款现付购买数量，对应的最大分值为30。
112.可以理解的是，对于任一特征项，该任一特征项处于不同状况时所对应的分值不同。
113.更具体地，在上述示例中，采购量覆盖占比o按照比值划分出不同状况，包括80％以上(o》80％)、50％-80％(50％《＝o《＝80％)、30％-50％(30％《＝o《50％)、0-30％(0《＝o《30％)，对应的分值分别为20、10、6、3；最近一次购买时长p按照时长划分出不同状况，包括3个月内(p《3个月)、3-6个月(3个月《＝p《＝6个月)、6-12个月(6个月《p《＝12个月)、12月以上(p》12个月)，对应的分值分别为20、10、6、3；月均购买数量按照箱型图分为4个区间，这4个区间对应的分值分别为5、10、20、30，月均购买数量越多则对应的分值越高；现款现付购买数量按照箱型图分为4个区间，这4个区间对应的分值分别为5、10、20、30，现款现付购买数量越多则对应的分值越高。
114.当然，与第一预设超参数相类似，第二预设超参数还包括学习率、正则化参数、损失函数以及评价指标等。评价指标即上述精确度、召回率f1等指标以及roc曲线、pr曲线等图表。更多的，第二预设超参数还包括训练数据批量大小、迭代次数、优化算法等。可以理解的是，基于实际模型构建、训练和评估的需要，第一预设超参数中还可包含其他超参数，或者包含更少的超参数。
115.情况3：资产特征中包括特殊资产特征项，该特殊资产特征项用于表征目标客户是否具有特殊资产。
116.其中，特殊资产可以为例如搅拌站设备。一般情况下，搅拌站的建立需要消耗大量资金，搅拌站的存在也会带来大量收益，因此，具有搅拌站的客户具有较为雄厚的实力，信用风险较小。
117.基于样本用户画像中所包含的特征项、预设综合授信评分模型、预设购买行为评分模型，构建预设授信评估模型时，基于样本用户画像中的特殊资产特征项、预设综合授信评分模型、预设购买行为评分模型以及第三预设超参数，构建预设授信额度评估模型。
118.在这种情况下，预设综合授信评分模型与预设购买行为评分模型并不单独存在或使用，而是作为特征项：综合授信评分和购买行为评分，用于构建预设授信额度评估模型。
119.具体地，基于上述方式确定预设综合授信评分模型和预设购买行为评分模型后，先基于样本用户画像中特殊资产特征项、预设综合授信评分模型、预设购买行为评分模型这几个特征项，选择预设模型，确定该特殊资产特征项以及综合授信评分和购买行为评分在该预设模型中的位置。随后，将第三预设超参数配置给该预设模型，得到预设授信额度评估模型。
120.其中，预设授信额度评估模型所使用的回归算法可以为多种，例如线性回归、决策树回归等。也就是说，构建预设授信额度评估模型所使用的预设模型可以为多种，例如线性回归模型、决策树回归模型等。例如，可使用线性回归算法基于样本用户画像中的特殊资产特征项，预测授信额度。
121.示例性地，线性回归算法的公式为
122.$$y＝\theta^tx$$
123.其中，$y$表示预测值即预测得到的授信额度，$\theta$表示模型参数即第三预设超参数，$x$表示特征向量即样本用户画像中的特殊资产特征项。
124.也可以是，基于样本用户画像中所包含的基本特征、固有资产特征项、设备资产特征项、内部征信特征项、工作行为特征、购买行为特征项、以及特殊资产特征项，选择预设模型，确定各个特征项在该预设模型中的位置，将第一预设超参数、第二预设超参数和第三预设超参数，直接配置给该预设模型，得到预设授信额度评估模型。
125.情况4：样本用户画像中，行为特征包括工作行为特征和购买行为特征项，资产特征包括固有资产特征项、设备资产特征项，征信特征包括内部征信特征项。
126.关于预设综合授信评分模型与预设购买行为评分模型的构建，可参见上述内容。
127.情况5：样本用户画像中，行为特征包括工作行为特征，资产特征包括固有资产特征项、设备资产特征项、特殊资产特征项，征信特征包括内部征信特征项。
128.先基于上述方式确定预设综合授信评分模型以及预设购买行为评分模型。随后，基于样本用户画像中特殊资产特征项，以及基于预设综合授信评模型得到的综合授信评
分、预设购买行为评分模型、第三预设超参数，构建预设目标授信额度评估模型。
129.在这种情况下，预设购买行为评分模型并不单独存在或使用，而是作为特征项：购买行为评分，用于构建预设授信额度评估模型。
130.具体地，基于样本用户画像中特殊资产特征项、综合授信评分、预设购买行为评分模型这几个特征项，选择预设模型，确定该特殊资产特征项、综合授信评分、预设购买行为评分模型在该预设模型中的位置。随后，将第三预设超参数配置给该预设模型，得到预设授信额度评估模型。其中，综合授信评分这一特征项是基于预设综合授信评分模型确定的。
131.也可以是，基于样本用户画像中所包含的购买行为特征项、特殊资产特征项，以及综合授信评分这一特征项，选择预设模型，确定各个特征项在该预设模型中的位置，将第二预设超参数和第三预设超参数，直接配置给该预设模型，得到预设授信额度评估模型。
132.情况6：行为特征包括购买行为特征项，资产特征中包括特殊资产特征项。
133.先基于上述方式确定预设综合授信评分模型以及预设购买行为评分模型。随后，基于样本用户画像中特殊资产特征项、预设综合授信评分模型以及基于预设购买行为评分模型得到的购买行为评分、第三预设超参数，构建预设目标授信额度评估模型。
134.在这种情况下，预设综合授信评分模型并不单独存在或使用，而是作为特征项：综合授信评分用于构建预设授信额度评估模型。
135.具体地，基于样本用户画像中特殊资产特征项、预设综合授信评分模型、购买行为评分这几个特征项，选择预设模型，确定该特殊资产特征项、预设综合授信评分模型、购买行为评分在该预设模型中的位置。随后，将第三预设超参数，配置给该预设模型，得到预设授信额度评估模型。其中，购买行为评分这一特征项是基于预设购买行为评分模型确定的。
136.也可以是，基于样本用户画像中所包含的基本特征、资产特征、征信特征、工作行为特征、特殊资产特征项这几个维度中的特征项，以及预设购买行为评分模型这一特征项，选择预设模型，确定各个特征项在该预设模型中的位置，将第一预设超参数和第三预设超参数，直接配置给该预设模型，得到预设授信额度评估模型。
137.情况7：样本用户画像中，行为特征包括工作行为特征、购买行为特征项，资产特征包括固有资产特征项、设备资产特征项、特殊资产特征项，征信特征包括内部征信特征项。
138.先基于上述方式确定预设综合授信评分模型以及预设购买行为评分模型。随后，基于样本用户画像中特殊资产特征项、基于预设综合授信评分模型得到的综合授信评分、以及基于预设购买行为评分模型得到的购买行为评分、第三预设超参数，构建预设目标授信额度评估模型。
139.在这种情况下，预设综合授信评分模型和预设购买行为评分模型均可单独存在可使用。
140.具体地，基于样本用户画像中特殊资产特征项、综合授信评分、购买行为评分这几个特征项，选择预设模型，确定该特殊资产特征项、综合授信评分、购买行为评分在该预设模型中的位置。随后，将第三预设超参数配置给该预设模型，得到预设授信额度评估模型。
141.在一种实施例中，基于特殊资产特征项、预设综合授信评分模型、预设购买行为评分模型与第三预设超参数，构建预设授信额度评估模型时，基于预设综合授信评分模型与预设购买行为评分模型，构建二维矩阵，随后，基于第三预设超参数、二维矩阵与特殊资产特征项，构建预设授信额度评估模型。
142.其中，所选择的用于构建预设授信额度评估模型的预设模型是基于矩阵运算和线性规律确定的。在该预设授信额度评估模型中，先基于二维矩阵，经过矩阵运算确定基本授信额度，再基于特殊资产特征项，确定其他授信额度，将基本授信额度与其他授信额度之和，确定为样本客户的授信额度并输出。
143.需要注意的是，在构建预设授信额度评估模型时，需遵循以下设计逻辑：优质大客户门槛低，中小客户门槛高，即综合授信评分高的目标客户即使购买行为评分低，对应的基本授信额度不为0，而综合授信评分低的目标客户需购买行为评分较高，对应的基本授信额度才不为0。
144.示例性地，在不同购买行为评分和不同综合授信评分下，基础授信额度可如图2所示。一般情况下，无论目标客户是否存在购买行为，综合授信评分较高的情况下，即可确定授信额度不为0。如图2所示，即使目标客户的购买行为评分为0，在综合授信评分较高，达到例如70时，可确定目标客户的基础授信额度为30。在图2中，购买行为评分越高，授信额度越高，另，综合授信评分越高，授信额度越高。需要注意的是，一般情况下，综合授信评分作为信用风险评估中重要的一环，综合授信评分较低的目标客户可能信用风险较高，信用较差或经营状况较差，因此，在综合授信评分较高例如高于40的情况下，才确定目标客户的授信额度不为0，这样，可以较好的降低授信风险。另，一般情况下，综合授信评分高于40时，客户拥有的设备资产较多，设备资产价值较高，且主机逾期金额占比较小。
145.示例性地，若特殊资产特征项表征样本客户具有特殊资产，则确定其他授信额度为50万，在基本授信额度例如250万的基础上，增加其他授信额度，从而得到该样本客户的授信额度为300万。
146.在上述实施例中所给出的几种情况中，可以将预设综合授信评分模型替换为基于预设综合授信评分模型得到的综合授信评分，和/或，将预设购买行为评分模型替换为基于预设购买行为评分模型得到的购买行为评分，均可按照上述方式，来构建预设授信额度评估模型。
147.即，基于预设综合授信评分模型或综合授信评分、预设购买行为评分模型或购买行为评分，构建二维矩阵，随后，基于第三预设超参数、二维矩阵以及特殊资产特征项，构建预设授信额度评估模型。
148.请参阅图3，在一示例性实施例中，提供了一种授信评估模型应用方法，应用于任一设备中。如图3所示，所述授信评估模型应用方法包括步骤s301-s302：
149.s301：获取目标客户的实时用户画像。
150.其中，该实时用户画像包括基本特征、资产特征、征信特征和行为特征这几个维度。当然，根据实际需求的不同，该用户画像中还可以包含其他维度。
151.相类似的，关于目标客户的实时用户画像的获取和介绍，可参见上述对样本用户画像的获取和介绍。
152.s302：基于实时用户画像与目标授信评估模型，对目标客户进行信用风险评估，得到目标客户的实时评估结果。
153.其中，实时评估结果包括实时综合授信评分、实时购买行为评分和/或实时授信额度。
154.将目标客户的实时用户画像中的各个特征项输入目标授信评估模型中，对目标客
户进行信用风险评估，得到目标客户的实时综合授信评分、实时购买行为评分和/或实时授信额度。
155.可以理解的是，此处的目标授信评估模型即上述授信评估模型构建方法中所得到的目标授信评估模型。
156.在本实施例中，获取包括基本特征、资产特征、征信特征和行为特征等多个维度的目标客户的实时用户画像，并基于该具有多个维度的实时用户画像和上述具有较高准确性和稳定性的目标授信评估模型，对目标客户进行信用风险进行评估，可以有效提高风险评估的准确性，进而提高授信决策的准确性。
157.在一些实施例中，目标客户的实时用户画像中还包括外部征信特征项，在应用目标授信评估模型，基于目标客户的实时用户画像对目标客户进行信用风险评估之前，基于外部征信特征项，确定目标客户是否失信，基于目标客户是否失信，确定是否向目标客户暂停授信。
158.若是，即基于外部征信特征项，确定目标客户失信，则暂停向目标客户授信，停止对目标客户进行信用风险评估。若否，即基于外部征信特征项，确定目标客户未失信，则继续向目标客户授信，继续对目标客户进行信用风险评估。
159.具体地，若外部征信特征项不满足基础授信条件，则确定目标客户失信。相应的，若外部征信特征项满足基础授信条件，则确定目标客户未失信。
160.外部征信特征项包括主机是否逾期、是否被限制消费、是否被确定为失信被执行人、是否被资产冻结、赊销是否逾期。
161.相应的，基础授信条件包括主机无逾期、未被限制消费、未被确定为失信被执行人、未被资产冻结以及赊销无逾期。
162.赊销一般是指信用销售，是企业通过分期付款、延期付款等方式向单位或个人销售商品或服务的信用交易方式。赊销无逾期，即客户在通过分期付款或延期付款等方式购买商品或服务时未发生逾期。
163.示例性地，赊销无逾期可以是指客户使用企业所提供的产品例如油品贷期间，按期还款，未发生逾期。
164.也就是说，若外部征信特征项中的多个特征项，为主机未逾期、未被限制消费、未被确定为失信被执行人、未被资产冻结以及赊销未逾期，则外部征信特征项满足基础授信条件，可确定目标客户未失信。相应的，外部征信特征项中的多个特征项，包括主机逾期、被限制消费、被确定为失信被执行人、被资产冻结以及赊销逾期中的至少一项，则外部征信特征项不满足基础授信条件，可确定目标客户失信。
165.另外，在确定目标客户失信的情况下，不会向客户提供授信服务，例如油品贷，此时，基于目标授信评估模型对目标客户进行信用风险评估是无意义的。因此，可在基于外部征信特征项，确定目标客户未失信，继续向目标客户授信时，再基于目标授信评估模型对目标客户进行信用风险评估，在基于外部征信特征项，确定目标客户失信，暂停向目标客户授信时，不继续对目标客户进行信用风险评估。这样，可减少不必要的计算资源消耗。
166.本实施例中，若目标客户的实时用户画像中的外部征信特征项表征目标客户失信，即外部征信特征项不满足基础授信条件，则表明目标客户的信用较差，此时，暂停向目标客户授信，可避免不必要的损失，降低授信风险。
167.具体地，在一些实施例中，目标授信评估模型包括目标综合授信评分模型、目标购买行为评分模型和/或目标授信额度评估模型。
168.基于实时用户画像与目标授信评估模型，对目标客户进行信用风险评估，得到所述目标客户的实时评估结果，包括：将实时用户画像中的特征项，输入目标综合授信评分模型、目标购买行为评分模型和/或目标授信额度评估模型，得到实时综合授信评分、实时购买行为评分和/或实时授信额度。
169.参考上述构建预设授信评估模型的过程：
170.将实时用户画像中的基本特征、固有资产特征项、设备资产特征项、内部征信特征项、工作行为特征项，这各个特征项输入至目标综合授信评估模型中，可得到目标客户的实时综合授信评分。
171.将实时用户画像中的购买行为特征项中的各个特征项，输入至目标购买行为评分模型中，可得到目标客户的购买行为评分。
172.将实时用户画像中的特殊资产特征项、综合授信评分、购买行为评分，输入至目标授信额度评估模型中，可得到目标客户的授信额度。或者，将实时用户画像中的基本特征、固有资产特征项、设备资产特征项、内部征信特征项、工作行为特征项、特殊资产特征项、购买行为评分，输入至目标授信额度评估模型中，可得到目标客户的授信额度。或者，将实时用户画像中的购买行为特征项中的各个特征项、特殊资产特征项，以及综合授信评分，输入至目标授信额度评估模型中，可得到目标客户的授信额度。
173.在一些实施例中，在基于目标综合授信评分模型得到实时综合授信评分后，基于实时综合授信评分，暂停或继续向目标客户授信。
174.在综合授信评分越高，信用风险越低的情况下，若实时综合授信评分低于预设综合授信评分，则暂停向目标客户授信；反之，则继续向目标客户授信。
175.当然，在综合授信评分越低，信用风险越低的情况下，若实时授信评分高于预设综合授信评分，则暂停向目标客户授信；反之，则继续向目标客户授信。
176.在本实施例中，由于目标客户的综合授信评分的高低反映该目标客户的信用风险的高低，在综合授信评分越高，信用风险越低的情况下，若实时综合授信评分低于预设综合授信评分，则暂停向目标客户授信，可以有效避免在目标客户的信用风险较高的情况下为目标客户提供授信服务的情况，降低风险。
177.在一些实施例中，周期性的获取目标客户的实时用户画像，并基于目标授信评估模型，对目标客户进行信用风险评估。
178.在目标客户的综合授信评分、购买行为评分、授信额度发生变化时，记录最新的综合授信评分、购买行为评分以及授信额度。
179.表1
[0180][0181]
示例性地，如上表1所示，采用上述实施例中给出的目标授信评估模型对对客户a-e进行信用风险评估后，得到评估结果为：a-e的购买行为评分分别为75、75、70、70、70，综合授信评分分别为85.5、79.5、87.85、78.75、61，授信额度分别为200、150、150、100、50。而采用其他方式所确定的a-e的授信额度分别为100、100、100、50、38.06。相对比来说，本实施例中能够更好的基于目标客户的信用风险的高低来确定相应的授信额度，减小授信风险。
[0182]
在一些实施例中，对目标客户进行信用风险评估，得到目标客户的综合授信评分、购买行为评分和/或授信额度后，可基于在需要时，基于目标客户的综合授信评分、购买行为评分和/或授信额度，对目标客户进行筛选，查看综合授信评分、购买行为评分和/或授信额度符合需要的目标客户的相关信息。
[0183]
可以理解的是，基于授信额度，目标客户可呈金字塔状分布，即授信额度越高，对应的目标客户的数量越少。示例性地，不予授信的目标客户的数量为296，其中24个目标客户逾期或失信被执行，授信额度为30万的目标客户的数量为48，授信额度为50万的目标客户的数量为33，授信额度为80万的目标客户的数量为19，授信额度为100万的目标客户的数量为16，授信额度为150万的目标客户的数量为10，授信额度为200万的目标客户的数量为9，授信额度为250万的目标客户的数量为2。
[0184]
在一些实施例中，确定目标综合授信评分模型与目标购买行为评分模型后，可基于该目标综合授信评分模型与目标购买行为评分模型，确定目标客户的综合授信评分与购买行为评分，并采用图表的形式，查看不同购买行为评分和不同综合授信评分下的目标客户的点状分布，或柱形图分布。采用相同方式基于测试数据集中的样本标签，采用图表的形式，查看不同购买行为评分和综合授信评分下的目标客户的点状分布或柱形图分布。通过比较这两种情况下的目标客户的点状分布或柱形图分布，即可实现对目标综合授信评分模型与目标购买行为评分模型的准确性和稳定性的评估。
[0185]
示例性装置
[0186]
相应的，本技术实施例还提供了一种授信评估模型构建装置，包括获取模块401、构建模块402以及训练和评估模块403。
[0187]
其中，
[0188]
获取模块401，用于获取样本数据集；所述样本数据集包括样本用户画像和样本标签；所述样本用户画像包括目标客户的基本特征、资产特征、征信特征和行为特征；所述样本标签包括所述目标客户的综合授信评分、购买行为评分和/或授信额度；
[0189]
构建模块402，用于基于所述样本用户画像，构建预设授信评估模型；
[0190]
训练和评估模块403，用于基于所述样本用户画像与所述样本标签，对所述预设授
信评估模型进行训练和评估，得到目标授信评估模型；所述目标授信评估模型用于基于实时用户画像对所述目标客户进行信用风险评估，得到所述目标客户的实时综合授信评分、实时购买行为评分和/或实时授信额度。
[0191]
本实施例提供的授信评估模型构建装置，与本技术上述实施例所提供的授信评估模型构建方法属于同一申请构思，可执行本技术上述任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本技术上述实施例提供的授信评估模型构建方法的具体处理内容，此处不再加以赘述。
[0192]
相应的，本技术实施例还提供了一种授信评估模型构建装置，包括获取模块501、以及评估模块502。
[0193]
其中，
[0194]
获取模块501，用于获取目标客户的实时用户画像；所述实时用户画像包括基本特征、资产特征、征信特征和行为特征；
[0195]
评估模块502，用于基于所述实时用户画像与目标授信评估模型，对所述目标客户进行信用风险评估，得到所述目标客户的实时评估结果；所述实时评估结果包括实时综合授信评分、实时购买行为评分和/或实时授信额度。
[0196]
本实施例提供的授信评估模型应用装置，与本技术上述实施例所提供的授信评估模型应用方法属于同一申请构思，可执行本技术上述任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本技术上述实施例提供的授信评估模型应用方法的具体处理内容，此处不再加以赘述。
[0197]
以上的获取模块401、构建模块402、训练和评估模块403、获取模块501和评估模块502所实现的功能可以分别由相同或不同的处理器调用软件的形式实现，本技术实施例不作限定。
[0198]
本技术实施例还提供一种授信评估系统，该系统包括授信评估模型构建装置和授信评估模型应用装置。其中，授信评估模型构建装置用于执行上述授信评估模型构建方法，并将目标授信评估模型发送至授信评估模型应用装置，授信评估模型应用装置用于执行上述授信评估模型应用方法。授信评估模型构建装置与授信评估模型应用装置可以位于相同设备，也可以位于不同设备。
[0199]
示例性电子设备
[0200]
本技术另一实施例还提出一种电子设备，参见图6所示，该电子设备包括：存储器600和处理器610。
[0201]
其中，所述存储器600与所述处理器610连接，用于存储程序；
[0202]
所述处理器610，用于通过运行所述存储器600中存储的程序，实现上述任一实施例公开的授信评估模型构建和应用方法。
[0203]
具体地，该电子设备还可以包括：总线、通信接口620、输入设备630和输出设备640。
[0204]
处理器610、存储器600、通信接口620、输入设备630和输出设备640通过总线相互连接。其中：
[0205]
总线可包括一通路，在计算机系统各个部件之间传送信息。
[0206]
处理器610可以是通用处理器，例如通用中央处理器(cpu)、微处理器等，也可以是
特定应用集成电路(application-specific integrated circuit，asic)，或一个或多个用于控制本技术方案程序执行的集成电路。还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0207]
处理器610可包括主处理器，还可包括基带芯片、调制解调器等。
[0208]
存储器600中保存有执行本技术技术方案的程序，还可以保存有操作系统和其他关键业务。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。更具体的，存储器600可以包括只读存储器(read-only memory，rom)、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory，ram)、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。
[0209]
输入设备630可包括接收用户输入的数据和信息的装置，例如键盘、鼠标、摄像头、扫描仪、光笔、语音输入装置、触摸屏、计步器或重力感应器等。
[0210]
输出设备640可包括允许输出信息给用户的装置，例如显示屏、打印机、扬声器等。
[0211]
通信接口620可包括使用任何收发器一类的装置，以便与其他设备或通信网络通信，如以太网，无线接入网(ran)，无线局域网(wlan)等。
[0212]
处理器610执行存储器600中所存放的程序，以及调用其他设备，可用于实现本技术上述实施例所提供的任意一种授信评估模型构建和应用方法的各个步骤。
[0213]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0214]
本技术实施例还提出一种芯片，该芯片包括处理器和数据接口，所述处理器通过所述数据接口读取并运行存储器上存储的程序，以执行上述任意实施例所介绍的授信评估模型构建和应用方法，具体处理过程及其有益效果可参见上述的授信评估模型构建和应用方法的实施例介绍。
[0215]
除了上述方法和设备以外，本技术的实施例提出一种计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的授信评估模型构建和应用方法中的步骤。
[0216]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0217]
此外，本技术的实施例还提出一种存储介质，其上存储有计算机程序，计算机程序被处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的授信评估模型构建和应用方法中的步骤。
[0218]
可以理解，本文中的具体的例子只是为了帮助本领域技术人员更好地理解本说明书实施方式，而非限制本说明书的范围。
[0219]
可以理解，在本说明书中的各种实施方式中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本说明书实施方式的实施过程构成任何限定。
[0220]
可以理解，本说明书中描述的各种实施方式，既可以单独实施，也可以组合实施，本说明书实施方式对此并不限定。
[0221]
除非另有说明，本说明书实施方式所使用的所有技术和科学术语与本说明书的技术领域的技术人员通常理解的含义相同。本说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在限制本说明书的范围。本说明书所使用的术语“和/或”包括一个或多个相关的所列项的任意的和所有的组合。在本说明书实施方式和所附权利要求书中所使用的单数形式的“一种”、“上述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
[0222]
可以理解，本说明书实施方式的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施方式的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施方式中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施方式所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
[0223]
可以理解，本说明书实施方式中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(eeprom)或闪存。易失性存储器可以是随机存取存储器(ram)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
[0224]
本领域普通技术人员可以意识到，结合本文中所公开的实施方式描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本说明书的范围。
[0225]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。
[0226]
在本说明书所提供的几个实施方式中，应所述理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单
元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0227]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
[0228]
另外，在本说明书各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0229]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本说明书的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom)、随机存取存储器(ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0230]
以上所述，仅为本说明书的具体实施方式，但本说明书的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本说明书揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本说明书的保护范围之内。因此，本说明书的保护范围应所述以权利要求的保护范围为准。

技术特征：
1.一种授信评估模型构建方法，其特征在于，所述方法包括：获取样本数据集；所述样本数据集包括样本用户画像和样本标签；所述样本用户画像包括目标客户的基本特征、资产特征、征信特征和行为特征；所述样本标签包括所述目标客户的综合授信评分、购买行为评分和/或授信额度；基于所述样本用户画像，构建预设授信评估模型；基于所述样本用户画像与所述样本标签，对所述预设授信评估模型进行训练和评估，得到目标授信评估模型；所述目标授信评估模型用于基于实时用户画像对所述目标客户进行信用风险评估，得到所述目标客户的实时综合授信评分、实时购买行为评分和/或实时授信额度。2.根据权利要求1所述的授信评估模型构建方法，其特征在于，所述获取样本数据集，包括：获取样本原始数据，并对所述样本原始数据进行预处理，得到样本数据；所述样本数据包括所述目标客户的基本数据、资产数据、征信数据以及行为数据；对所述样本数据进行特征提取，得到待选特征；对所述待选特征进行筛选，得到目标特征；所述目标特征包括所述基本特征、所述资产特征、所述征信特征以及所述行为特征；基于所述目标特征，生成所述样本用户画像；获取所述样本标签。3.根据权利要求1所述的授信评估模型构建方法，其特征在于，所述预设授信评估模型包括预设综合授信评分模型、预设购买行为评分模型和/或预设授信额度评估模型；所述基于所述样本用户画像，构建预设授信评估模型，包括：基于所述样本用户画像中所包含的特征项，构建所述预设综合授信评分模型；所述预设综合授信评分模型用于基于所述样本用户画像评估所述目标客户的所述综合授信评分；和/或，基于所述样本用户画像中所包含的特征项，构建所述预设购买行为评分模型；所述预设购买行为评分模型用于基于所述样本用户画像评估所述目标客户的所述购买行为评分；和/或，基于所述样本用户画像中所包含的特征项、所述预设综合授信评分模型、所述预设购买行为评分模型，构建所述预设授信额度评估模型；所述预设授信额度评估模型用于基于所述样本用户画像评估所述样本客户的授信额度。4.根据权利要求3所述的授信评估模型构建方法，其特征在于，所述行为特征包括工作行为特征项；所述资产特征包括固有资产特征项、设备资产特征项；所述征信特征包括内部征信特征项；所述基于所述样本用户画像中所包含的特征项，构建所述预设综合授信评分模型，包括：基于所述样本用户画像中的所述基本特征、所述固有资产特征项、所述设备资产特征项、所述内部征信特征项、所述工作行为特征项，以及第一预设超参数，构建所述预设综合
授信评分模型。5.根据权利要求3所述的授信评估模型构建方法，其特征在于，所述行为特征包括购买行为特征项；所述基于所述样本用户画像中所包含的特征项，构建所述预设购买行为评分模型，包括：基于所述样本用户画像中的所述购买行为特征项，以及第二预设超参数，构建所述预设购买行为评分模型。6.根据权利要求3所述的授信评估模型构建方法，其特征在于，所述资产特征包括特殊资产特征项，所述特殊资产特征项用于表征所述目标客户是否具有特殊资产；所述基于所述样本用户画像中所包含的特征项、所述预设综合授信评分模型、所述预设购买行为评分模型，构建所述预设授信额度评估模型，包括：基于所述特殊资产特征项、所述预设综合授信评分模型、所述预设购买行为评分模型与第三预设超参数，构建所述预设授信额度评估模型。7.根据权利要求6所述的授信评估模型构建方法，其特征在于，所述基于所述特殊资产特征项、所述预设综合授信评分模型、所述预设购买行为评分模型与第三预设超参数，构建所述预设授信额度评估模型，包括：基于所述预设综合授信评分模型与所述预设购买行为评分模型，构建二维矩阵；基于所述第三预设超参数、所述二维矩阵与所述特殊资产特征项，构建所述预设授信额度评估模型。8.一种授信评估模型应用方法，其特征在于，所述方法包括：获取目标客户的实时用户画像；所述实时用户画像包括基本特征、资产特征、征信特征和行为特征；基于所述实时用户画像与目标授信评估模型，对所述目标客户进行信用风险评估，得到所述目标客户的实时评估结果；所述实时评估结果包括实时综合授信评分、实时购买行为评分和/或实时授信额度。9.根据权利要求8所述的授信评估模型应用方法，其特征在于，所述征信特征包括外部征信特征项；在所述基于所述实时用户画像与目标授信评估模型，对所述目标客户进行信用风险评估之前，所述方法还包括：基于所述实时用户画像中的所述外部征信特征项，确定所述目标客户是否失信；若是，则暂停向所述目标客户授信；若否，则继续向所述目标客户授信。10.根据权利要求8所述的授信评估模型应用方法，其特征在于，所述目标授信评估模型包括目标综合授信评分模型、目标购买行为评分模型和/或目标授信额度评估模型；所述基于所述实时用户画像与目标授信评估模型，对所述目标客户进行信用风险评估，得到所述目标客户的实时评估结果，包括：将所述实时用户画像中的特征项，输入所述目标综合授信评分模型、所述目标购买行
为评分模型和/或所述目标授信额度评估模型，得到所述实时综合授信评分、所述实时购买行为评分和/或所述实时授信额度。11.根据权利要求8所述的授信评估模型应用方法，其特征在于，所述方法还包括：若所述实时综合授信评分低于预设综合授信评分，则暂停向所述目标客户授信；反之，则继续向所述目标客户授信。12.一种授信评估模型构建装置，其特征在于，所述装置包括：获取模块，用于获取样本数据集；所述样本数据集包括样本用户画像和样本标签；所述样本用户画像包括目标客户的基本特征、资产特征、征信特征和行为特征；所述样本标签包括所述目标客户的综合授信评分、购买行为评分和/或授信额度；构建模块，用于基于所述样本用户画像，构建预设授信评估模型；训练和评估模块，用于基于所述样本用户画像与所述样本标签，对所述预设授信评估模型进行训练和评估，得到目标授信评估模型；所述目标授信评估模型用于基于实时用户画像对所述目标客户进行信用风险评估，得到所述目标客户的实时综合授信评分、实时购买行为评分和/或实时授信额度。13.一种授信评估模型应用装置，其特征在于，所述装置包括：获取模块，用于获取目标客户的实时用户画像；所述实时用户画像包括基本特征、资产特征、征信特征和行为特征；确定模块，用于基于所述实时用户画像与目标授信评估模型，对所述目标客户进行信用风险评估，得到所述目标客户的实时评估结果；所述实时评估结果包括实时综合授信评分、实时购买行为评分和/或实时授信额度。14.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器与所述处理器连接，所述存储器用于存储计算机程序；所述处理器，用于通过运行所述存储器中存储的计算机程序，实现如权利要求1-7中任一项所述的授信评估模型构建方法或如权利要求8-11中任一项所述的授信评估模型应用方法。15.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现如权利要求1-7中任一项所述的授信评估模型构建方法或如权利要求8-11中任一项所述的授信评估模型应用方法。

技术总结
本申请提供了一种授信评估模型构建和应用方法、装置及电子设备，通过获取包括样本用户画像和样本标签的样本数据集，基于该样本用户画像，构建预设授信评估模型，并基于样本用户画像与样本标签，对预设授信评估模型进行训练和评估，得到目标授信评估模型。由于样本用户画像包括多个维度的特征，即基本特征、资产特征、征信特征和行为特征，基于该样本用户画像和样本标签进行模型构建、训练和评估，可以得到高精度和高稳定性的目标授信评估模型，基于该目标授信评估模型对目标客户进行信用风险评估，可以有效提高风险评估以及授信决策的准确性。准确性。准确性。


技术研发人员：王彩亮 贺红亮
受保护的技术使用者：三一集团有限公司
技术研发日：2023.06.09
技术公布日：2023/10/7