信用风险检测方法、模型训练方法、装置和设备与流程

1.本说明书涉及人工智能技术领域，特别涉及一种信用风险检测方法、模型训练方法、装置和设备。


背景技术：

2.金融机构的稳定运营对金融市场来说具有非常重要的意义，在金融机构运营的多种风险中，信用风险是最重要的风险之一，无法有效控制信用风险会直接导致金融机构的不良贷款增加，甚至造成金融机构破产，在金融市场引起恐慌。
3.因此如何准确高效地对客户进行信用风险检测，是当前亟需解决的技术问题。


技术实现要素：

4.本说明书实施例提供一种信用风险检测方法、模型训练方法、装置和设备，以准确高效地对客户进行信用风险检测。本说明书实施例的技术方案如下。
5.本说明书实施例的第一方面，提供了一种信用风险检测方法，包括：
6.根据客户的信用数据，通过信用风险模型确定客户的信用风险检测结果；
7.其中，所述信用风险模型通过以下方式得到：
8.确定粒子群中粒子的适应度，所述粒子具有位置和速度，所述位置表示信用风险模型的参数，所述速度表示参数的变化程度，所述适应度表示参数的优劣程度；
9.根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置；
10.根据个体最优位置和全局最优位置，更新粒子的位置和速度；
11.通过样本客户的信用数据以及样本客户的标签，对根据全局最优位置所构建的信用风险模型的参数进行更新，所述标签用于表示样本客户是否具有信用风险。
12.本说明书实施例的第二方面，提供了一种信用风险模型的训练方法，包括：
13.确定粒子群中粒子的适应度，所述粒子具有位置和速度，所述位置表示信用风险模型的参数，所述速度表示参数的变化程度，所述适应度表示参数的优劣程度；
14.根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置；
15.根据个体最优位置和全局最优位置，更新粒子的位置和速度；
16.通过样本客户的信用数据以及样本客户的标签，对根据全局最优位置所构建的信用风险模型的参数进行更新，所述标签用于表示样本客户是否具有信用风险。
17.本说明书实施例的第三方面，提供了一种信用风险检测装置，包括：
18.检测单元，用于根据客户的信用数据，通过信用风险模型确定客户的信用风险检测结果；
19.其中，所述信用风险模型通过以下方式得到：
20.确定粒子群中粒子的适应度，所述粒子具有位置和速度，所述位置表示信用风险模型的参数，所述速度表示参数的变化程度，所述适应度表示参数的优劣程度；
21.根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置；
22.根据个体最优位置和全局最优位置，更新粒子的位置和速度；
23.通过样本客户的信用数据以及样本客户的标签，对根据全局最优位置所构建的信用风险模型的参数进行更新，所述标签用于表示样本客户是否具有信用风险。
24.本说明书实施例的第四方面，提供了一种信用风险模型的训练装置，包括：
25.确定单元，用于确定粒子群中粒子的适应度，所述粒子具有位置和速度，所述位置表示信用风险模型的参数，所述速度表示参数的变化程度，所述适应度表示参数的优劣程度；
26.第一更新单元，用于根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置；
27.第二更新单元，用于根据个体最优位置和全局最优位置，更新粒子的位置和速度；
28.第三更新单元，用于通过样本客户的信用数据以及样本客户的标签，对根据全局最优位置所构建的信用风险模型的参数进行更新，所述标签用于表示样本客户是否具有信用风险。
29.本说明书实施例的第五方面，提供了一种计算机设备，包括：
30.处理器；
31.用于存储处理器可执行指令的存储器；
32.所述处理器通过执行所述指令以实现如第一方面或者第二方面所述的方法。
33.本说明书实施例在信用风险模型的训练过程中，可以确定粒子群中粒子的适应度，所述粒子具有位置和速度，所述位置表示信用风险模型的参数，所述速度表示参数的变化程度，所述适应度表示参数的优劣程度；可以根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置；可以根据个体最优位置和全局最优位置，更新粒子的位置和速度；可以通过样本客户的信用数据以及样本客户的标签，对根据全局最优位置所构建的信用风险模型的参数进行更新，所述标签用于表示样本客户是否具有信用风险。这样可以采用粒子群优化算法来改善信用风险模型的训练过程。客户的信用数据往往具有高维度、高噪声、非线性等特点。通过将粒子群优化算法与信用风险模型的训练过程相结合，扩大了训练过程中信用风险模型的参数的搜索范围，可以避免训练过程中由于高纬度、高噪声、非线性的影响使得参数陷入局部极小值，有利于获得信用风险模型的最优参数，提高信用风险模型对于高纬度、高噪声、非线性的信用数据的拟合能力。另外，训练后的信用风险模型对于高纬度、高噪声、非线性的信用数据具有较强的适应能力。这样通过训练后的信用风险模型，能够根据客户的信用数据对客户进行信用风险检测，提高信用风险检测的准确性。
附图说明
34.为了更清楚地说明本说明书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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
35.图1为本说明书实施例中信用风险模型的训练方法的流程示意图；
36.图2为本说明书实施例中信用风险模型的训练方法的流程示意图；
37.图3为本说明书实施例中信用风险模型的训练方法的流程示意图；
38.图4为本说明书实施例中信用风险检测方法的流程示意图；
39.图5为本说明书实施例中信用风险模型的训练装置的结构示意图；
40.图6为本说明书实施例中信用风险检测装置的结构示意图。
具体实施方式
41.下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开，而非对本公开的限定。基于所描述的本公开的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本公开保护的范围。另外，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
42.信用风险检测场景所涉及的数据往往为客户的信用数据。客户的信用数据具有高维度、高噪声、非线性等特点。可以采用bp神经网络模型、卷积神经网络模型等信用风险模型对客户的信用风险进行检测。在相关技术中，可以采用梯度下降方法对信用风险模型进行训练，通过训练后的信用风险模型对客户的信用风险进行检测。然而由于高维度、高噪声、非线性的影响，导致在训练过程中信用风险模型的参数容易陷入局部极小值，使得信用风险模型对于高纬度、高噪声、非线性的信用数据的拟合能力较差。并且训练过程收敛速度慢，可能导致震荡或者发散。若能够将粒子群优化算法(pso)与信用风险模型的训练过程相结合，则可以扩大训练过程中信用风险模型的参数的搜索范围，避免训练过程中由于高纬度、高噪声、非线性的影响使得参数陷入局部极小值，提高信用风险模型对于高纬度、高噪声、非线性的信用数据的拟合能力。从而改善信用风险模型的训练过程，避免上述训练过程中的问题。
43.请参阅图1。本说明书实施例提供一种信用风险模型的训练方法，所述方法可以应用于服务器、服务器集群或个人计算机等计算机设备。所述方法可以包括以下步骤。
44.步骤s10：确定粒子群中粒子的适应度，所述粒子具有位置和速度，所述位置表示信用风险模型的参数，所述速度表示参数的变化程度，所述适应度表示参数的优劣程度。
45.在一些实施例中，所述信用风险模型用于对客户的信用风险进行检测。所述客户可以包括企业用户、个人用户等。所述信用风险模型可以包括神经网络模型、支持向量机模型等。所述神经网络模型可以包括bp神经网络模型、卷积神经网络模型等。
46.在一些实施例中，所述信用风险模型用于根据客户的信用数据进行风险检测。所述信用数据可以包括至少一种信贷数据，所述至少一种信贷数据用于从至少一种维度表示客户的信用。在一些场景示例中，所述信用数据可以包括如下表1所示的多种信贷指标数据。
47.表1
[0048][0049][0050]
在一些实施例中，所述信用风险模型可以具有多个参数。所述参数可以包括用于对信用数据进行处理的参数。例如，所述参数可以包括用于对信用数据进行处理的权重和阈值等。
[0051]
在一些实施例中，所述粒子群中可以包括多个粒子。粒子数量可以根据需要灵活设定。例如，若需要信用风险模型的参数具有更广的取值搜索范围，可以将粒子数量设置的大一些，但训练效率较慢。若需要更快的训练效率，可以将粒子数量设置的小一些，但信用风险模型参数的取值搜索范围较小。在实际中可以根据取值搜索范围和训练效率综合确定粒子数量。
[0052]
所述粒子群中的每个粒子可以具有位置。所述位置用于表示信用风险模型的参数。例如，所述位置可以包括位置向量，所述位置向量中数据元素的数量可以等于信用风险模型的参数数量，所述位置向量中的每个数据元素可以对应一个参数，具体可以为该参数的取值。从而，每个粒子的位置可以理解为信用风险模型多个参数的一种取值组合，多个粒子的位置可以理解为信用风险模型多个参数的多种取值组合。所述粒子群中的每个粒子还可以具有速度。所述速度用于表示参数的变化程度，所述变成程度可以包括参数取值的变
化快慢程度。例如，所述速度可以包括速度向量，所述速度向量中数据元素的数量可以等于信用风险模型的参数数量，所述速度向量中的每个数据元素可以对应一个参数，可以用于表示该参数的某一取值的变化快慢程度。所述取值可以包括粒子的位置向量中与该参数相对应的数据元素。
[0053]
例如，所述信用风险模型可以具有20个参数。所述粒子群中可以包括100个粒子。所述粒子群中的第i个粒子可以具有位置向量xi和速度向量vi。位置向量xi和速度向量vi可以分别具有20个数据元素。位置向量xi中的第j个数据元素x
ij
表示信用风险模型第j个参数的一种取值，速度向量vi中的第j个数据元素v
ij
表示信用风险模型第j个参数的取值x
ij
的变化程度。
[0054]
在一些实施例中，所述适应度用于表示参数的优劣程度。所述适应度用于表示位置向量所表示的一种取值组合的优劣程度，优劣程度可以包括信用风险模型对于信用风险的检测准确程度。适应度的大小可以与优劣程度正相关。
[0055]
适应度可以根据粒子的位置确定得到。可以根据粒子的位置通过目标函数确定适应度。例如，可以将粒子的位置代入目标函数，得到目标函数的取值作为适应度。或者，还可以根据粒子的位置构建信用风险模型；可以确定所构建信用风险模型的性能指标作为适应度。所述性能指标可以包括精度(accuracy)、召回率(recall)、精确率(precision)、f1分数(f1-score)等。例如，可以获取测试客户的信用数据，可以将测试客户的信用数据输入构建的信用风险模型，得到信用风险检测结果；可以根据测试客户的标签和信用风险检测结果，确定所构建信用风险模型的性能指标。所述标签用于表示测试客户是否具有信用风险。
[0056]
步骤s12：根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置。
[0057]
在一些实施例中，所述信用风险模型的训练方法可以包括一次或者多次迭代过程。每次迭代过程可以记录粒子的个体最优位置和粒子群的全局最优位置。每个粒子在当前迭代过程之前具有至少一个历史位置。粒子的个体最优位置包括该粒子在当前迭代过程之前具有最优适应度的历史位置。粒子群的全局最优位置包括粒子群中具有最优适应度的个体最优位置。
[0058]
值得说明的是，在首次迭代过程中，粒子的位置和速度可以预先设定。例如，粒子的位置和速度可以随机设定。另外，在信用风险模型的训练过程中，各个粒子的位置可以位于设定位置范围内。例如，粒子的位置可以小于或等于x
max
，大于或等于-x
max
。各个粒子的速度可以为位于设定速度范围内。例如，粒子的速度可以小于或等于v
max
，大于或等于-v
max
。
[0059]
在一些实施例中，在当前迭代过程中，粒子群中的每个粒子可以具有位置以及个体最优位置。所述个体最优位置包括该粒子在当前迭代过程之前具有最优适应度的历史位置。粒子群可以具有全局最优位置。所述全局最优位置包括粒子群中具有最优适应度的个体最优位置。
[0060]
可以根据适应度，对每个粒子的个体最优位置进行更新。具体的，对于粒子群中的每个粒子，可以将该粒子的适应度与个体最优位置的适应度进行比对；若该粒子的适应度优于个体最优位置的适应度，则可以将该粒子的位置作为新的个体最优位置；若该粒子的适应度劣于个体最优位置的适应度，则可以保持个体最优位置不变。在对粒子群中各粒子的个体最优位置更新后；可以根据各粒子更新后的个体最优适应度，对粒子群的全局最优位置进行更新。具体的，可以从各粒子的个体最优适应度中选择具有最优适应度的个体最
优位置；可以将所选择个体最优位置的适应度与全局最优位置的适应度进行比对；若所选择个体最优位置的适应度优于全局最优位置的适应度，则可以将所选择个体最优位置作为新的全局最优位置；若所选择个体最优位置的适应度劣于全局最优位置的适应度，则可以保持全局最优位置不变。
[0061]
步骤s14：根据个体最优位置和全局最优位置，更新粒子的位置和速度。
[0062]
在一些实施例中，可以根据更新后的个体最优位置和更新后的全局最优位置，进一步更新粒子群中各粒子的位置和速度。例如，可以根据更新后的个体最优位置和更新后的全局最优位置，通过以下公式更新每个粒子的速度：k表示当前迭代次数，k+1表示下一次迭代次数，表示第i个粒子更新后的速度，表示第i个粒子的速度，w表示惯性因子，表示个体最优位置，gbestk表示全局最优位置，c1和c2表示学习因子，和表示随机数。可以根据更新后的速度，通过以下公式更新每个粒子的位置：k表示当前迭代次数，k+1表示下一次迭代次数，表示第i个粒子更新后的速度，表示第i个粒子的位置，表示第i个粒子更新后的位置。
[0063]
步骤s16：通过样本客户的信用数据以及样本客户的标签，对根据全局最优位置所构建的信用风险模型的参数进行更新，所述标签用于表示样本客户是否具有信用风险。
[0064]
在一些实施例中，可以根据全局最优位置构建信用风险模型；可以根据样本客户的信用数据以及样本客户的标签，对所构建信用风险模型进行训练。所述标签用于表示样本客户是否具有信用风险。具体的，可以将样本客户的信用数据输入所构建信用风险模型，得到信用风险检测结果；可以根据信用风险检测结果和样本客户的标签计算损失信息；可以根据损失信息通过梯度下降法对所构建的信用风险模型的参数进行更新。其中，信用风险模型输出的风险检测结果可以为具有风险或者不具有风险。当然，信用风险模型输出的风险检测结果也可以为多个信用等级中的某个信用等级。或者，信用风险模型输出的风险检测结果还可以为多个概率值。每个概率值可以对应一个风险等级，用于表示样本客户具有该风险等级的概率。
[0065]
在一些实施例中，可以根据更新后的全局最优位置，检测粒子群是否具有集聚倾向；若是，可以对粒子的更新后的个体最优位置进行变异。相应地，在下一次迭代过程中的步骤s10，可以根据变异后的个体最优位置，确定粒子群中粒子的适应度；在下一次迭代过程中的步骤s12，可以根据适应度，对粒子变异后的个体最优位置进行更新。
[0066]
可以计算步骤s12中更新后的全局最优位置与更新前的全局最优位置的距离，可以将距离与设定阈值进行比较；若距离小于或等于设定阈值，表示粒子群具有聚集倾向；若距离大于设定阈值，表示粒子群不具有聚集倾向。所述距离可以包括欧式距离、曼哈顿距离、切比雪夫距离等。具有集聚倾向的粒子群，各个粒子的差异性较小，会造成参数的取值搜索范围变小。因此若粒子群具有集聚倾向，可以对粒子群中每个粒子的个体最优位置进行变异。
[0067]
可以根据全局最优位置所对应极值的变异概率，对粒子的个体最优位置进行变异。
[0068]
例如，可以根据公式进行变异。k表示当前迭代次数，k
+1表示下一次迭代次数，表示第i个粒子更新后的个体最优位置，表示第i个粒子变异后的个体最优位置，rand()表示随机数，例如0～1之间的随机数，pk表示更新后的全局最优位置所对应极值的变异概率。全局最优位置所对应极值的变异概率。表示粒子群中各个粒子的适应度的方差，n表示粒子群的粒子数量，p
max
表示最大变异概率，p
min
表示最小变异概率，p
max-p
min
表示全局最优位置所对应的极值。
[0069]
在下一次迭代过程中的步骤s10，可以根据变异后的个体最优位置，确定粒子群中粒子的适应度。在下一次迭代过程中的步骤s12，可以根据适应度，对粒子变异后的个体最优位置进行更新。在对粒子群中各粒子的个体最优位置进行更新后；可以根据各粒子更新后的个体最优适应度，对粒子群的全局最优位置进行更新。具体过程这里不再赘述
[0070]
这样通过检测粒子群是否具有集聚倾向，并在具有集聚倾向后对个体最优位置进行变异。实现了对粒子群优化算法(pso)的改进，从而改善粒子群优化算法在搜索过程中可能出现的多样性丢失的情况，使粒子群中的各个粒子能够保持个体差异性，防止发生早熟收敛。进一步扩大了训练过程中信用风险模型的参数的搜索范围，避免训练过程中由于高纬度、高噪声、非线性的影响使得参数陷入局部极小值，进一步提高用风险模型对于高纬度、高噪声、非线性的信用数据的拟合能力。另外，通过对整个粒子群引入变异概率因子pk，可以扩大对解空间的搜索范围，方便有效地进行全局搜索，从而提高粒子群收敛到全局最优解的概率。
[0071]
在一些实施例中，请参阅图2。可以迭代执行步骤s10-步骤s14，直至满足第一设定条件。所述第一设定条件可以包括迭代次数达到设定次数。在满足第一设定条件后，可以执行步骤s16。其中，步骤s16可以进一步包括多次迭代过程，从而方便利用多个样本客户的信用数据进行训练。这样所述训练过程可以包括2个独立的多次迭代过程。
[0072]
在一些实施例中，请参阅图3。所述训练方法可以包括步骤s18：确定粒子群新的全局最优位置，所述新的全局最优位置可以包括信用风险模型更新后的参数。所述新的全局最优位置可以包括信用风险模型更新后的参数。使得，信用风险模型更新后的参数可以作为新的全局最优位置。可以迭代执行步骤s10-步骤s18，直至满足第二设定条件。所述第二设定条件可以包括迭代次数达到设定次数。这样所述训练过程可以包括1个独立的多次迭代过程。
[0073]
本说明书实施例的信用风险模型的训练方法，可以确定粒子群中粒子的适应度，所述粒子具有位置和速度，所述位置表示信用风险模型的参数，所述速度表示参数的变化程度，所述适应度表示参数的优劣程度；可以根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置；可以根据个体最优位置和全局最优位置，更新粒子的位置和速度；可以通过样本客户的信用数据以及样本客户的标签，对根据全局最优位置所构建的信用风险模型的参数进行更新，所述标签用于表示样本客户是否具有信用风险。这样可以采用粒子群优化算法(pso)来改善信用风险模型的训练过程。客户的信用数据往往具有高维度、高噪声、非线性等特点。通过将粒子群优化算法与信用风险模型的训练过程相结合，扩大了训练过程中信用风险模型的参数的搜索范围，可以避免训练过程中由于高纬度、高噪声、非线性的影响使得参数陷入局部极小值等问题，有利于获得信用风险模型的最优参数，提高信用风险模型对于高纬度、高噪声、非线性的信用数据的拟合能力。
[0074]
请参阅图4。本说明书实施例还提供一种信用风险检测方法。所述方法可以应用于服务器、服务器集群或个人计算机等计算机设备。所述方法可以包括以下步骤。
[0075]
步骤s40：根据客户的信用数据，通过信用风险模型确定客户的信用风险检测结果。
[0076]
在一些实施例中，所述信用数据可以包括至少一种信贷数据，所述至少一种信贷数据用于从至少一种维度表示客户的信用。所述信用风险模型可以通过以下方式得到：
[0077]
确定粒子群中粒子的适应度，所述粒子具有位置和速度，所述位置表示信用风险模型的参数，所述速度表示参数的变化程度，所述适应度表示参数的优劣程度；
[0078]
根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置；
[0079]
根据个体最优位置和全局最优位置，更新粒子的位置和速度；
[0080]
通过样本客户的信用数据以及样本客户的标签，对根据全局最优位置所构建的信用风险模型的参数进行更新，所述标签用于表示样本客户是否具有信用风险。
[0081]
在一些实施例中，所述信用风险检测结果可以为具有风险或者不具有风险。当然，所述信用风险检测结果还可以为多个信用等级中的某个信用等级。或者，所述风险检测结果可以为多个概率值。每个概率值可以对应一个风险等级，用于表示客户具有该风险等级的概率。
[0082]
本说明书实施例的信用风险检测方法，可以根据客户的信用数据，通过信用风险模型确定客户的信用风险检测结果。由于训练后的信用风险模型对于高纬度、高噪声、非线性的信用数据具有较强的适应能力。通过训练后的信用风险模型，能提高信用风险检测的准确性。
[0083]
在一些场景示例中，随着市场经济不断快速的发展，目前信贷业务快速的发展，已经成为现代市场经济的重要组成部分，并持续保持高速发展态势，但也暴露了很多问题：
[0084]
第一，缺乏一套对企业信用评价行之有效的统一标准和规范。目前多采用经验法则，利用专家评审的机制，需要经过各个环节的审核流程，人力成本高而且效率低下。
[0085]
第二，信用指标体系不健全。目前信用评价的内容过于泛化，无法做到定量地对各个方面进行综合考量并真实有效的对企业贷款做到信用评价。
[0086]
第三，随着大数据时代的来临,近些年信贷数据呈现结构复杂、特征维数多、噪声高的特点,导致目前金融机构所采用的传统机器学习模型预测精度低。
[0087]
本说明书实施例分类准确率有了明显提高并且具有计算方便、适应性强、软件易于实现等特点。因此该方法在商业银行信用风险评估中具有较好的应用前景，对实际经济活动决策有很好的辅助作用，可以为各利益相关者做出正确的决策提供客观依据，并且能够为商业银行提供有效的预警信号，有利于防范市场风险。
[0088]
请参阅图5。本说明书实施例还提供一种信用风险模型的训练装置，包括以下模块。
[0089]
确定单元50，用于确定粒子群中粒子的适应度，所述粒子具有位置和速度，所述位置表示信用风险模型的参数，所述速度表示参数的变化程度，所述适应度表示参数的优劣程度；
[0090]
第一更新单元52，用于根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置；
array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
[0113]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。计算机可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0114]
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0115]
本领域的技术人员能够理解，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。另外，可以理解的是，本领域技术人员在阅读本说明书文件之后，可以无需创造性劳动想到将本说明书列举的部分或全部实施例进行任意组合，这些组合也在本说明书公开和保护的范围内。
[0116]
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。

技术特征：
1.一种信用风险检测方法，其特征在于，包括：根据客户的信用数据，通过信用风险模型确定客户的信用风险检测结果；其中，所述信用风险模型通过以下方式得到：确定粒子群中粒子的适应度，所述粒子具有位置和速度，所述位置表示信用风险模型的参数，所述速度表示参数的变化程度，所述适应度表示参数的优劣程度；根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置；根据个体最优位置和全局最优位置，更新粒子的位置和速度；通过样本客户的信用数据以及样本客户的标签，对根据全局最优位置所构建的信用风险模型的参数进行更新，所述标签用于表示样本客户是否具有信用风险。2.根据权利要求1所述的方法，其特征在于，所述信用数据包括至少一种信贷数据，所述至少一种信贷数据用于从至少一种维度表示客户的信用。3.一种信用风险模型的训练方法，其特征在于，包括：确定粒子群中粒子的适应度，所述粒子具有位置和速度，所述位置表示信用风险模型的参数，所述速度表示参数的变化程度，所述适应度表示参数的优劣程度；根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置；根据个体最优位置和全局最优位置，更新粒子的位置和速度；通过样本客户的信用数据以及样本客户的标签，对根据全局最优位置所构建的信用风险模型的参数进行更新，所述标签用于表示样本客户是否具有信用风险。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：迭代执行确定适应度的步骤、更新个体最优位置和全局最优位置的步骤、更新位置和速度的步骤，直至满足第一设定条件；所述对根据全局最优位置所构建的信用风险模型的参数进行更新，包括：在迭代结束后，对根据全局最优位置所构建的信用风险模型的参数进行更新。5.根据权利要求3所述的方法，其特征在于，所述方法还包括：确定粒子群新的全局最优位置，所述新的全局最优位置包括信用风险模型更新后的参数；迭代执行确定适应度的步骤、更新个体最优位置和全局最优位置的步骤、更新位置和速度的步骤、对信用风险模型的参数进行更新的步骤，直至满足第二设定条件。6.根据权利要求3、4或5所述的方法，其特征在于，所述方法还包括：根据更新后的全局最优位置，检测粒子群是否具有集聚倾向；若是，对粒子更新后的个体最优位置进行变异；所述确定粒子群中粒子的适应度，包括：根据变异后的个体最优位置，确定粒子群中粒子的适应度。7.根据权利要求6所述的方法，所述对粒子更新后的个体最优位置进行变异，包括：根据全局最优位置所对应极值的变异概率，对粒子更新后的个体最优位置进行变异。8.一种信用风险检测装置，其特征在于，包括：检测单元，用于根据客户的信用数据，通过信用风险模型确定客户的信用风险检测结果；其中，所述信用风险模型通过以下方式得到：
确定粒子群中粒子的适应度，所述粒子具有位置和速度，所述位置表示信用风险模型的参数，所述速度表示参数的变化程度，所述适应度表示参数的优劣程度；根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置；根据个体最优位置和全局最优位置，更新粒子的位置和速度；通过样本客户的信用数据以及样本客户的标签，对根据全局最优位置所构建的信用风险模型的参数进行更新，所述标签用于表示样本客户是否具有信用风险。9.一种信用风险模型的训练装置，其特征在于，包括：确定单元，用于确定粒子群中粒子的适应度，所述粒子具有位置和速度，所述位置表示信用风险模型的参数，所述速度表示参数的变化程度，所述适应度表示参数的优劣程度；第一更新单元，用于根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置；第二更新单元，用于根据个体最优位置和全局最优位置，更新粒子的位置和速度；第三更新单元，用于通过样本客户的信用数据以及样本客户的标签，对根据全局最优位置所构建的信用风险模型的参数进行更新，所述标签用于表示样本客户是否具有信用风险。10.一种计算机设备，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；所述处理器通过执行所述指令以实现如权利要求1-7中任一项所述的方法。

技术总结
本说明书涉及人工智能技术领域，特别涉及一种信用风险检测方法、模型训练方法、装置和设备。所述方法包括：根据信用数据，通过信用风险模型确定信用风险检测结果；所述信用风险模型通过以下方式得到：确定粒子群中粒子的适应度，粒子具有位置和速度，位置表示信用风险模型的参数，速度表示参数的变化程度，适应度表示参数的优劣程度；根据适应度，更新粒子的个体最优位置和粒子群的全局最优位置；根据个体最优位置和全局最优位置，更新粒子的位置和速度；通过样本客户的信用数据以及样本客户的标签，对根据全局最优位置所构建的信用风险模型的参数进行更新，所述标签用于表示样本客户是否具有信用风险。本说明书能准确地对客户进行信用风险检测。信用风险检测。信用风险检测。


技术研发人员：任恺琦 刘亚如 胡文博 卓浩
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.05.15
技术公布日：2023/8/9