信用及贷款额度评估方法、装置、设备和存储介质与流程

1.本发明涉及数据处理领域，具体涉及一种信用及贷款额度评估方法、装置、设备和存储介质。


背景技术：

2.为了满足市场需求，越来越多的大型企业开始发展网贷业务。在发展此类业务时，往往需要借助第三方平台，基于双方的数据共同评估用户的信用风险，从而为用户提供相应的贷款额度的信贷产品服务。随着大数据安全条规越来越严格，要求企业禁止将用户敏感数据输出机房，多行业的业务合作和联合建模也遇到较大困难。
3.现有合作技术方案以单方自有数据评分为主，合作方基于评分数据进行客户筛选，这种合作机制的特点是完全串联，缺乏深层次的数据融合，不能充分挖掘多行业联合的数据价值。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种信用及贷款额度评估方法、装置、设备和存储介质，旨在实现基于多行业数据评估用户信用风险。
5.本发明实施例的技术方案是这样实现的：
6.本发明实施例提供了一种信用评估模型训练方法，包括：
7.获取第一平台的多个用户对应的第一用户数据集，所述第一用户数据集包括：各用户的用户身份标识id及相应的第一平台属性数据，所述第一平台属性数据为移动通信运营商收集的用户属性数据；
8.对所述第一用户数据集中的用户id基于第一平台和第二平台的交叉加密算法进行加密，得到各用户的加密用户id；
9.获取第二平台的多个用户对应的第二用户数据集，所述第二用户数据集包括：各用户的非敏感数据；所述非敏感数据包括：对用户的用户id基于第一平台和第二平台的交叉加密算法加密生成的加密用户id、用于标识用户是否金融违约的标记数据；
10.对所述第一用户数据集和所述第二用户数据集基于加密用户id进行匹配，基于匹配用户的第一平台属性数据和标记数据生成第三用户数据集；
11.对所述第三用户数据集进行分类训练，得到对用户进行信用风险评估的模型。
12.本发明实施例又提供了一种信用评估方法，包括：
13.获取待评估用户的第一平台属性数据；
14.基于所述待评估用户的第一平台属性数据和本发明实施例所述的信用评估模型训练方法生成的对用户进行信用风险评估的模型，评估所述待评估用户的信用风险结果。
15.本发明实施例还提供了一种贷款额度评估模型训练方法，包括：
16.获取第二平台的多个用户对应的第四用户数据集，所述第四用户数据集包括：各用户的用户id、相应的第二平台属性数据及用于标识用户是否金融违约的标记数据，所述
第二平台属性数据为金融机构收集的用户属性数据；
17.对所述第四用户数据集中的用户id基于第一平台和第二平台的交叉加密算法进行加密，得到各用户的加密用户id；
18.获取第一平台的多个用户对应的第五用户数据集，所述第五用户数据集包括：各用户的非敏感数据；所述非敏感数据包括：对用户的用户id基于第一平台和第二平台的交叉加密算法加密生成的加密用户id、对用户的第一平台属性数据进行评估得到的违约风险概率和信用评分；
19.对所述第四用户数据集和所述第五用户数据集基于加密用户id进行匹配，基于匹配用户的第二平台属性数据、标记数据、违约风险概率和信用评分生成第六用户数据集；
20.基于第六用户数据集生成用于评估用户的贷款额度的模型。
21.本发明实施例又提供了一种贷款额度评估方法，包括：
22.获取待评估用户的第二平台属性数据及所述待评估用户对应的违约风险概率和信用评分；
23.利用本发明实施例所述的贷款额度评估模型训练方法生成的用于评估用户的贷款额度的模型对所述待评估用户进行评估，得到贷款额度评估结果。
24.本发明实施例还提供了一种信用评估模型训练装置，包括：
25.第一获取模块，用于获取第一平台的多个用户对应的第一用户数据集，所述第一用户数据集包括：各用户的用户id及相应的第一平台属性数据，所述第一平台属性数据为移动通信运营商收集的用户属性数据；
26.第一加密模块，用于对所述第一用户数据集中的用户id基于第一平台和第二平台的交叉加密算法进行加密，得到各用户的加密用户id；
27.第二获取模块，用于获取第二平台的多个用户对应的第二用户数据集，所述第二用户数据集包括：各用户的非敏感数据；所述非敏感数据包括：对用户的用户id基于第一平台和第二平台的交叉加密算法加密生成的加密用户id、用于标识用户是否金融违约的标记数据；
28.第一匹配模块，用于对所述第一用户数据集和所述第二用户数据集基于加密用户id进行匹配，基于匹配用户的第一平台属性数据和标记数据生成第三用户数据集；
29.第一模型生成模块，用于对所述第三用户数据集进行分类训练，得到对用户进行信用风险评估的模型。
30.本发明实施例又提供了一种信用评估装置，包括：
31.第三获取模块，用于获取待评估用户的第一平台属性数据；
32.第一评估模块，用于基于本发明实施例所述的信用评估模型训练装置生成的对用户进行信用风险评估的模型，评估所述待评估用户的信用风险结果。
33.本发明实施例还提供了一种贷款额度评估模型训练装置，包括：
34.第四获取模块，用于获取第二平台的多个用户对应的第四用户数据集，所述第四用户数据集包括：各用户的用户id、相应的第二平台属性数据及用于标识用户是否金融违约的标记数据，所述第二平台属性数据为金融机构收集的用户属性数据；
35.第二加密模块，用于对所述第四用户数据集中的用户id基于第一平台和第二平台的交叉加密算法进行加密，得到各用户的加密用户id；
36.第五获取模块，用于获取第一平台的多个用户对应的第五用户数据集，所述第五用户数据集包括：各用户的非敏感数据；所述非敏感数据包括：对用户的用户id基于第一平台和第二平台的交叉加密算法加密生成的加密用户id、对用户的第一平台属性数据进行评估得到的违约风险概率和信用评分；
37.第二匹配模块，用于对所述第四用户数据集和所述第五用户数据集基于加密用户id进行匹配，基于匹配用户的第二平台属性数据、标记数据、违约风险概率和信用评分生成第六用户数据集；
38.第二模型生成模块，用于基于第六用户数据集生成用于评估用户的贷款额度的模型。
39.本发明实施例又提供了一种贷款额度评估装置，包括：
40.第六获取模块，用于获取待评估用户的第二平台属性数据及所述待评估用户对应的违约风险概率和信用评分；
41.第二评估模块，用于利用本发明实施例所述的贷款额度评估模型训练装置生成的用于评估用户的贷款额度的模型对所述待评估用户进行评估，得到贷款额度评估结果。
42.本发明实施例还提供了一种信用评估模型训练设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本发明实施例所述信用评估模型训练方法的步骤。
43.本发明实施例又提供了一种信用评估设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本发明实施例所述信用评估方法的步骤。
44.本发明实施例还提供了一种贷款额度评估模型训练设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本发明实施例所述贷款额度评估模型训练方法的步骤。
45.本发明实施例又提供了一种贷款额度评估设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本发明实施例所述贷款额度评估方法的步骤。
46.本发明实施例还提供了一种信用贷款系统，包括：本发明实施例所述的信用评估设备和本发明实施例所述的贷款额度评估设备，所述信用评估设备和所述贷款额度评估设备通信连接。
47.本发明实施例又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执行时，实现本发明任一实施例所述方法的步骤。
48.本发明实施例提供的技术方案，基于第一平台和第二平台的交叉加密算法对第一平台侧的用户id、第二平台侧的用户id进行加密，对第一平台的第一用户数据集和第二平台的第二用户数据集基于加密用户id进行匹配，从而生成跨平台的用户数据的融合后的第三用户数据集，并基于第三用户数据集进行分类训练，得到对用户进行信用风险评估的模型，可以实现对用户信用风险进行联合评估；此外，对第二平台的第四用户数据集和第一平台的第五用户数据集基于加密用户id进行匹配，从而生成跨平台的用户数据的融合后的第六用户数据集，并基于第六用户数据集生成用于评估用户的贷款额度的模型，可以实现对用户贷款额度进行联合评估，进而提供相应的信用贷款产品和服务。
附图说明
49.图1为本发明实施例信用评估模型训练方法的流程示意图；
50.图2为本发明实施例风险识别分类器训练的原理示意图；
51.图3为本发明实施例基于筛选的分类模型进行违约风险概率评估的原理示意图；
52.图4为本发明实施例信用评估方法的流程示意图；
53.图5为本发明实施例贷款额度评估模型训练方法的流程示意图；
54.图6为本发明实施例贷款额度评估方法的流程示意图；
55.图7为本发明应用实施例信用风险与贷款额度的评估模型训练方法的流程示意图；
56.图8为本发明实施例中第一平台侧用户数据集ua的构成示意图；
57.图9为本发明实施例中第二平台侧用户数据集ub的构成示意图；
58.图10为本发明实施例中双方用户匹配融合的流程示意图；
59.图11为本发明实施例中匹配用户集uab的构成示意图；
60.图12为本发明实施例rn-ry双曲线的构成示意图；
61.图13为本发明实施例信用评估模型训练装置的结构示意图；
62.图14为本发明实施例信用评估装置的结构示意图；
63.图15为本发明实施例贷款额度评估模型训练装置的结构示意图；
64.图16为本发明实施例贷款额度评估装置的结构示意图；
65.图17为本发明实施例信用评估模型训练设备的结构示意图；
66.图18为本发明实施例信用评估设备的结构示意图；
67.图19为本发明实施例贷款额度评估模型训练设备的结构示意图；
68.图20为本发明实施例贷款额度评估设备的结构示意图；
69.图21为本发明实施例信用贷款系统的结构示意图。
具体实施方式
70.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，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它实施例，都属于本发明保护的范围。
71.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
72.相关技术中，不同平台之间由于受限于大数据安全条规，禁止将各自的敏感数据输出，导致不同行业的业务合作和联合建模遇到较大的困难。各平台往往以单方自有用户数据进行评分，合作方基于第三方平台的评分数据进行客户筛选，这种合作机制的特点是完全串联，缺乏深层次的数据融合，不能充分挖掘多行业联合的数据价值。
73.基于此，本发明各种实施例中，对不同行业之间的用户数据进行安全合规的融合，从而实现基于多行业的用户数据进行用户的信用风险及贷款额度的联合评估，进而可以基于联合评估结果为用户提供相应的信贷产品和服务。
74.本发明实施例提供了一种信用评估模型训练方法，应用于第一平台，如图1所示，
该信用评估模型训练方法包括：
75.步骤101，获取第一平台的多个用户对应的第一用户数据集，所述第一用户数据集包括：各用户的用户id及相应的第一平台属性数据，所述第一平台属性数据为移动通信运营商收集的用户属性数据；
76.这里，第一平台可以为移动通信运营商平台(又称为电信运营商平台)，该第一平台获取平台内不同存储节点上用户数据，构成第一用户数据集。比如，可以基于id-mapping(用户画像)技术将第一平台下不同存储节点的原始用户数据融合成具有唯一标识用户身份的统一用户id及相应的第一平台属性数据。该第一平台属性数据可以包括：身份数据、通信数据、消费数据、位置数据、上网行为数据等指标，以xa表示以上指标集合。第一平台属性数据为移动通信运营商收集的用户属性数据，用于反映用户信用行为与风险，例如，身份数据中的手机号、身份证号认证真实性等特征；通信数据中包含的放款、逾期、催收等特征；消费数据反映用户的消费能力；位置数据中的常驻地变化反应的用户稳定性等特征；上网行为数据中包含的搜索关键词、金融app的使用行为等特征。第一用户数据集ua表示为ua:[id,xa]。
[0077]
需要说明的是，第一用户数据集中用户的数量可以根据需求进行合理选择。
[0078]
步骤102，对所述第一用户数据集中的用户id基于第一平台和第二平台的交叉加密算法进行加密，得到各用户的加密用户id；
[0079]
这里，第二平台可以为金融机构平台。第一平台和第二平台均有各自的加密算法，对所述第一用户数据集中的用户id基于第一平台和第二平台的交叉加密算法进行加密，得到各用户的加密用户id，包括：
[0080]
第一平台采用自身的加密算法对第一用户数据集中各用户的用户id进行第一加密处理；
[0081]
第一平台采用第二平台的加密算法对第一加密处理后的用户id进行第二加密处理，得到各用户的加密用户id。
[0082]
采用上述交叉加密算法加密，可以实现对用户id进行串联加密，确保用户id不会被泄露。需要说明的是，第一平台及第二平台侧的用户id采用统一的格式，比如，采用用户的手机号码或者身份证号码。第一平台和第二平台的加密算法选取满足唯一映射、不可逆推原则的方法，比如，md5加密算法。
[0083]
如此，第一用户数据集可以转换为ua:[id’,xa]。
[0084]
步骤103，获取第二平台的多个用户对应的第二用户数据集，所述第二用户数据集包括：各用户的非敏感数据；所述非敏感数据包括：对用户的用户id基于第一平台和第二平台的交叉加密算法加密生成的加密用户id、用于标识用户是否金融违约的标记数据；
[0085]
这里，第二用户数据集可以表示为[id’,yb]，其中，id’为第二平台对用户id基于第一平台和第二平台的交叉加密算法加密生成的加密用户id，yb为用于标识用户是否金融违约的标记数据，yb包括以下至少之一：是否逾期、是否拖欠、是否流失等标签数据，各标签数据由第二平台进行标记。由于第二用户数据集中的id’、yb均为非敏感数据，即第一平台获取的是第二平台传输的非敏感数据，从而使得数据传输满足大数据安全条规的要求，做到敏感数据不出机房。
[0086]
需要说明的是，第二用户数据集中用户的数量可以根据需求进行合理选择。
[0087]
步骤104，对所述第一用户数据集和所述第二用户数据集基于加密用户id进行匹配，基于匹配用户的第一平台属性数据和标记数据生成第三用户数据集；
[0088]
这里，可以对[id’,xa]与[id’,yb]基于id’进行匹配，从而筛选出共用拥有的用户集，并对用户集的xa与yb关联，生成第三用户数据集，第三用户数据集可以表示为[id’,xa,yb]。所述匹配是指确定第一用户数据集与第二用户数据集中共用拥有的用户。
[0089]
步骤105，对所述第三用户数据集进行分类训练，得到对用户进行信用风险评估的模型。
[0090]
这里，以第三用户数据集作为建模样本集，通过分类训练，得到对用户进行信用风险评估的模型，从而实现了基于第一平台和第二平台的用户数据进行联合建模的目的。
[0091]
在一些实施例中，所述对所述第三用户数据集进行分类训练，得到对用户进行信用风险评估的模型，包括：
[0092]
对所述第三用户数据集以第一平台属性数据为自变量、标记数据为因变量，基于多个分类器分别进行分类训练，得到分类模型；
[0093]
基于分类评估指标选取分类模型；
[0094]
基于选取的分类模型生成用于违约风险概率评估的第一模型。
[0095]
实际应用中，还包括对第三用户数据集[id’,xa,yb]进行数据预处理的步骤。预处理包括：数据清洗、样本均衡、特征离散化、特征选择、特征降维等步骤，获得预处理后的数据集uab:[id’,xa’,yb’]。
[0096]
实际应用中，分类器包括但不限于逻辑回归、支持向量机、贝叶斯分类器、决策树、随机森林、gbdt、神经网络等。将xa’作为自变量、yb’作为因变量，分别输入到各分类器中进行训练，通过训练得到各分类器对应的分类模型(也可以称为分类器)，比如，如图2所示的分类器m1-m7。
[0097]
在得到分类器m1-m7之后，基于各分类模型进行分类效果评估指标的评估，得到分类效果评估指标c1-c7，并基于各分类模型的分类效果评估指标选取分类模型，再基于选取的分类模型生成用于违约风险概率评估的第一模型。
[0098]
这里，分类效果评估指标包括但不限于：准确率、精确率、召回率、特异度、f1分数、g-means。
[0099]
各分类效果评估指标的计算方法如下表1所示。
[0100][0101]
表1
[0102]
其中，tp、tn、fp、fn的定义如下：tp是实际为“违约”且预测为“违约”的用户数，tn是实际为“不违约”且预测为“不违约”的用户数，fp是实际为“不违约”但预测为“违约”的用户数，fn是实际为“违约”且预测为“不违约”的用户数。
[0103]
对各分类模型的分类效果评估指标(如c1-c7)进行对比，从各分类模型中筛选出效果表现较好的分类模型。例如在c1-c7指标集中，c1、c5、c6各指标值均较高，则筛选出m1、m5、m6三个分类器。
[0104]
本发明实施例中，生成用于违约风险概率评估的第一模型，包括：
[0105]
基于筛选出来的分类模型，构建分类器集成模型，得到用于违约风险概率评估的第一模型。
[0106]
这里，可以通过平均值、加权平均、最大值等方法进行融合，得到并联融合后的第一模型。
[0107]
如图3所示，可以将预处理后的数据集[id’,xa’]输入到第一模型，得到各用户对应的违约风险概率pa。
[0108]
如图3所示，分类器m1对应的识别结果(违约风险概率py1、不违约风险概率pn1)、分类器m5对应的识别结果(违约风险概率py5、不违约风险概率pn5)、分类器m6对应的识别结果(违约风险概率py6、不违约风险概率pn6)输入到“多分类器集成结果融合器”中，融合器可通过平均值、加权平均、最大值等方法进行融合，获得用户最终的违约风险概率pa。
[0109]
在一些实施例中，信用评估模型训练方法还包括：
[0110]
构建用于将违约风险概率转换为信用评分的第二模型。
[0111]
实际应用中，若信用风险评估结果是违约风险概率pa，则用户不容易理解。为了便于向用户解释、更直观的展现用户的信用状况，可以将违约风险概率pa经过第二模型(即概率分数转换器)转换为信用评分sa。第二模型可选如下方法：
[0112]
sa＝ln((1-pa)/pa)*f c
[0113]
其中，1-pa是其为优质用户的概率，pa是其为风险用户的概率，f线性变换的因子系数，c是将分数映射到特定区间的偏移常数。
[0114]
如此，第一平台可以基于第一平台侧的第一用户数据集，并联合第二平台的非敏感数据的第二用户数据集，生成匹配融合的第三用户数据集，并对第三用户数据集进行分类训练，得到对用户进行信用风险评估的模型，由于融合了第一平台和第二平台的用户数据，使得信用风险评估的更为科学、准确。
[0115]
本发明实施例还提供了一种信用评估方法，应用于第一平台，如图4所示，该信用评估方法包括：
[0116]
步骤401，获取待评估用户的第一平台属性数据；
[0117]
步骤402，基于所述待评估用户的第一平台属性数据和信用评估模型训练方法生成的对用户进行信用风险评估的模型，评估所述待评估用户的信用风险结果。
[0118]
这里，用于进行信用风险评估的模型是由前述实施例信用评估模型训练方法生成。
[0119]
本发明实施例中，所述评估所述待评估用户的信用风险结果，包括以下至少之一：
[0120]
评估所述待评估用户的违约风险概率；
[0121]
评估所述待评估用户的信用评分。
[0122]
具体地，可以将待评估用户的第一平台属性数据输入到前述的第一模型中，得到待评估用户的违约风险概率pa。进一步地，还可以基于前述的第二模型将违约风险概率pa转换为信用评分sa。
[0123]
由于本发明实施例的信用评估模型训练方法生成的对用户进行信用风险评估的模型，融合了第一平台和第二平台的用户数据，充分挖掘了不同各平台的用户数据的价值，本发明实施例的信用评估方法得到评估结果更为科学、准确。
[0124]
为了实现对用户的贷款额度进行评估，本发明实施例还提供了一种贷款额度评估模型训练方法，应用于第二平台，如图5所示，该贷款额度评估模型训练方法包括：
[0125]
步骤501，获取第二平台的多个用户对应的第四用户数据集，所述第四用户数据集包括：各用户的用户id、相应的第二平台属性数据及用于标识用户是否金融违约的标记数据，所述第二平台属性数据为金融机构收集的用户属性数据；
[0126]
这里，第二平台可以为金融机构平台，该第二平台获取平台内不同存储节点上用户数据，构成第四用户数据集。比如，可以基于id-mapping技术将第二平台下不同存储节点的原始用户数据融合成具有唯一标识用户身份的统一用户id及相应的第二平台属性数据。第二平台属性数据可以包括：身份数据、存贷款数据、银行流水数据、理财数据等，以xb表示以上指标集；用于标识用户是否金融违约的标记数据是指是否逾期、是否拖欠、是否流失等标签数据，以yb表示以上指标集。第四数据集ub表示为ub:[id,xb,yb]。
[0127]
步骤502，对所述第四用户数据集中的用户id基于第一平台和第二平台的交叉加密算法进行加密，得到各用户的加密用户id；
[0128]
这里，第一平台可以为移动通信运营商平台。第一平台和第二平台均有各自的加密算法，对所述第四用户数据集中的用户id基于第一平台和第二平台的交叉加密算法进行加密，得到各用户的加密用户id，包括：
[0129]
第二平台采用自身的加密算法对第四用户数据集中各用户的用户id进行第一加密处理；
[0130]
第二平台采用第一平台的加密算法对第一加密处理后的用户id进行第二加密处理，得到各用户的加密用户id。
[0131]
采用上述交叉加密算法加密，可以实现对用户id进行串联加密，确保用户id不会被泄露。需要说明的是，第一平台及第二平台侧的用户id采用统一的格式，比如，采用用户的手机号码或者身份证号码。第一平台和第二平台的加密算法选取满足唯一映射、不可逆推原则的方法，比如，md5加密算法。
[0132]
如此，第四用户数据集可以转换为ub:[id’,xb,yb]。
[0133]
步骤503，获取第一平台的多个用户对应的第五用户数据集，所述第五用户数据集包括：各用户的非敏感数据；所述非敏感数据包括：对用户的用户id基于第一平台和第二平台的交叉加密算法加密生成的加密用户id、对用户的第一平台属性数据进行评估得到的违约风险概率和信用评分；
[0134]
这里，第五用户数据集可以表示为[id’,pa,sa]。由于id’为加密用户id，pa为第一平台评估的用户的违约风险概率，sa为第一平台评估的用户的信用评分，因此，第五用户数据集均为第一平台侧的非敏感数据，该第五用户数据集满足敏感数据传输安全要求，从而使得数据传输满足大数据安全条规的要求，做到敏感数据不出机房。
[0135]
步骤504，对所述第四用户数据集和所述第五用户数据集基于加密用户id进行匹配，基于匹配用户的第二平台属性数据、标记数据、违约风险概率和信用评分生成第六用户数据集；
[0136]
这里，可以对第四用户数据集[id’,xb,yb]与第五用户数据集[id’,pa,sa]进行匹配，从而筛选出共用拥有的用户集，并对用户集的xb、yb、pa、sa关联，生成第六用户数据集，第六用户数据集可以表示为uab:[id’,xb,yb,pa,sa]。
[0137]
步骤505，基于第六用户数据集生成用于评估用户的贷款额度的模型。
[0138]
这里，基于第六用户数据集生成用于评估用户的贷款额度的模型，实现了基于第一平台和第二平台的用户数据进行联合建模的目的。
[0139]
在一些实施例中，所述基于第六用户数据集生成用于评估用户的贷款额度的模型，包括：
[0140]
基于所述第六用户数据集统计不同信用评分对应的金融违约和非金融违约的用户占比；
[0141]
基于金融违约的用户占比和非金融违约的用户占比的差值和信用评分的映射关系，确定贷款准入门槛对应的信用评分阈值。
[0142]
实际应用中，基于第六用户数据集uab:[id’,xb,yb,pa,sa]，进行优质与风险用户分布值的统计与曲线绘制，比如，统计每个信用评分sa下所对应的优质用户(yb＝0的用户)累计占比rn、风险用户(yb＝1的用户)累计占比ry，rn与ry形成两条曲线。
[0143]
基于rn-ry双曲线选取准入门槛，一般情况下，选取两条曲线最大距离所对应的阈值作为准入门槛，金融机构也可根据自身业务发展需求，对门槛做相应调整。
[0144]
在一些实施例中，所述基于第六用户数据集生成用于评估用户的贷款额度的模型，还包括：
[0145]
对所述第六用户数据集基于所述信用评分阈值提取具有贷款准入门槛的第七用户数据集；
[0146]
对所述第七用户数据集基于用户的第二平台属性数据、违约风险概率和信用评分生成用于评估用户的贷款额度的额度评估模型。
[0147]
这里，额度评估模型可以表示为：
[0148]
db＝f(xb,pa,sa)
[0149]
其中，db为贷款额度，xb为第二平台属性数据，pa为第一平台输出的违约风险概率、sa为第一平台输出的信用评分，f为额度评估模型对应的函数。
[0150]
实际应用中，贷款额度评估通常考虑的因素包括个人收入情况、消费情况、消费贷款物价格区间等因素。评估方法以金融机构为主，具体方法不做限定，例如可选线性计算、专家打分、机器学习等方法。经过金融机构结合第一平台和第二平台的用户数据的联合评估，确定额度评估模型。
[0151]
如此，第二平台可以基于第二平台侧的第四用户数据集，并联合第一平台的非敏感数据的第五用户数据集，生成匹配融合的第六用户数据集，并对第六用户数据集进行联合建模，得到对用户进行贷款额度评估的模型，由于融合了第一平台和第二平台的用户数据，使得贷款额度评估的更为科学、准确。
[0152]
本发明实施例还提供了一种贷款额度评估方法，应用于第二平台，如图6所示，该
贷款额度评估方法包括：
[0153]
步骤601，获取待评估用户的第二平台属性数据及所述待评估用户对应的违约风险概率和信用评分；
[0154]
步骤602，利用贷款额度评估模型训练方法生成的用于评估用户的贷款额度的模型对所述待评估用户进行评估，得到贷款额度评估结果。
[0155]
这里，用于评估用户的贷款额度的模型是由前述实施例所述的贷款额度评估模型训练方法生成。待评估用户对应的违约风险概率和信用评分是由前述实施例所述的信用评估方法生成的，即由第一平台基于训练好的进行信用风险评估的模型评估得到。
[0156]
在一些实施例中，所述对所述待评估用户进行评估，得到贷款额度评估结果，包括：
[0157]
确定所述待评估用户的信用评分小于信用评分阈值，则判定所述待评估用户不具备贷款资格；或者，
[0158]
确定所述待评估用户的信用评分大于或等于信用评分阈值，基于额度评估模型和待评估用户的第二平台属性数据、违约风险概率和信用评分，评估待评估用户的贷款额度。
[0159]
由于本发明实施例的贷款额度评估模型训练方法生成的对用户进行贷款额度评估的模型，融合了第一平台和第二平台的用户数据，充分挖掘了不同各平台的用户数据的价值，本发明实施例的贷款额度评估方法得到评估结果更为科学、准确。
[0160]
下面结合应用实施例对本发明再作进一步详细的描述。
[0161]
如图7所示，本应用实施例中，第一平台为电信运营商平台，第二平台为金融机构平台，用户的信用风险与贷款额度的评估模型的训练方法由第一平台和第二平台联合完成，该信用风险与贷款额度的评估模型的训练方法包括：
[0162]
步骤701，用户数据提取；
[0163]
步骤702，双方用户匹配融合；
[0164]
步骤703，用户的信用风险评估模型的构建；
[0165]
步骤704，用户的贷款额度评估模型的构建；
[0166]
步骤705，闭环反馈与迭代优化。
[0167]
下面结合各步骤，进行具体说明。
[0168]
步骤701，用户数据提取
[0169]
第一平台提取的用户数据集以ua表示，用户数据集ua包含电信运营商采集的用户属性，例如身份数据、通信数据、消费数据、位置数据、上网行为数据等，以xa表示以上指标集合。以上电信运营商数据中可提取出反应用户信用行为与风险的数据：例如身份数据中的手机号、身份证号认证真实性等特征；通信数据中包含的放款、逾期、催收等特征；消费数据反映用户的消费能力；位置数据中的常驻地变化反应的用户稳定性等特征；上网行为数据中包含的搜索关键词、金融app的使用行为等特征。ua表示为ua:[id,xa]，如图8所示。
[0170]
第二平台提取的用户数据集以ub表示，用户数据集ub包含金融机构采集的用户属性、金融业务履约与违约标签。以xb和yb表示以上指标集合。金融机构用户属性包括身份数据、存贷款数据、银行流水数据、理财数据等，以xb表示以上指标集；金融履约与违约标签指是否逾期、是否拖欠、是否流失等标签数据，以yb表示以上指标集。ub表示为ub:[id,xb,yb]，如图9所示。
[0171]
步骤702，双方用户匹配融合
[0172]
如图10所示，步骤702包括：
[0173]
1)、id交叉加密处理
[0174]
第一平台、第二平台分别对用户集ua和ub中的用户id基于交叉加密算法进行加密，从而实现“交叉加密”以确保用户数据隐私不泄漏。第一平台、第二平台的加密算法应选取满足唯一映射、不可逆推原则的方法。
[0175]
比如，第一平台采用采用自身的加密算法(加密算法a)对用户集ua中各用户的用户id进行第一加密处理，再采用第二平台的加密算法(加密算法b)对第一加密处理后的用户id进行第二加密处理，得到各用户的加密用户id，即id’，用户集ua转换为ua:[id’,xa]。
[0176]
比如，第二平台采用采用自身的加密算法(加密算法b)对用户集ub中各用户的用户id进行第一加密处理，再采用第一平台的加密算法(加密算法a)对第一加密处理后的用户id进行第二加密处理，得到各用户的加密用户id，即id’，用户集ub转换为ub:[id’,xb,yb]。
[0177]
2)、非敏感字段传输
[0178]
第二平台将交叉加密处理后的用户集中“非敏感字段”传输给第一平台：第二平台侧交叉加密后的用户集ub包含[id’,xb,yb]，其中，原id经过加密后转换为id’满足传输要求、xb包含用户隐私数据不进行传输、yb是非敏感标签数据，因此，第二平台将非敏感数据[id’,yb]传输给第一平台。经过以上交叉加密处理、非敏感数据传输，可使双方均满足用户数据安全保障要求，做到敏感数据不出机房。
[0179]
3)、用户id匹配与数据融合
[0180]
第一平台获取第二平台传输的非敏感数据集后，对双方用户交叉加密后的id’进行匹配，从而筛选出共同拥有的用户集作为建模样本集。例如第一平台的用户集ua拥有2000万用户，第二平台的用户集ub拥有100万用户，经过匹配后获得共有用户集uab如60万用户。输出结果匹配用户集uab，包含用户id’、电信运营商属性xa、金融机构履约与违约标签yb，如图11所示。
[0181]
步骤703，用户的信用风险评估模型的构建
[0182]
步骤703针对双方交叉匹配用户集uab：[id’,xa,yb]，基于统计与机器学习等方法进行用户信用风险识别模型训练、分类器效果评估与筛选、识别模型集成构建。其中，输入数据中的自变量是电信运营商属性xa，因变量是金融机构履约违约标签数据yb，风险识别模型是基于多分类器集成模型。该步骤的模型训练、评估与集成主要由电信运营商基于双方融合数据完成。具体包括：
[0183]
1)、数据预处理；
[0184]
2)、风险识别分类器训练；
[0185]
3)、分类模型效果评估与筛选；
[0186]
4)、分类模型集成；
[0187]
5)、概率分数转换器构建。
[0188]
步骤703的具体实现过程，可以参照前述步骤105的描述，在此不做赘述。
[0189]
步骤704，用户的贷款额度评估模型的构建
[0190]
这里，步骤704具体包括：
[0191]
1)、双方用户匹配融合
[0192]
第二平台接收第一平台传输的非敏感数据(即前述的第五用户数据集)，第一平台传输的非敏感数据可以包括：加密用户id、违约风险概率pa、信用评分sa。
[0193]
第二平台将用户数据集[id’,xb,yb]与用户数据集[id’,pa,sa]进行匹配，得到融合后的数据集uab:[id’,xb,yb,pa,sa]。
[0194]
2)、一级风控模型构建
[0195]
一级风控模型的目标是评估信用贷款的准入门槛，高于门槛的用户具有贷款资格，低于门槛的用户不具备贷款资格。
[0196]
基于uab:[id’,xb,yb,pa,sa]用户集，进行优质与风险用户分布值的统计与曲线绘制：统计每个信用评分值sa下所对应的优质用户(yb＝0的用户)累计占比rn、风险用户(yb＝1的用户)累计占比ry，rn与ry形成两条曲线。
[0197]
基于rn-ry双曲线选取准入门槛，一般情况下，选取两条曲线最大距离所对应的阈值作为准入门槛，如图12所示，最大差值0.64所对应的阈值600分，即600分以上的用户具有申请贷款的资格。金融机构也可根据自身业务发展需求，对门槛做相应调整。
[0198]
3)、二级风控模型构建
[0199]
这里，对具有准入资格的用户进行贷款额度评估。额度评估基于双方融合数据进行模型构建，包含金融机构自有数据xb、电信运营商风险评估概率pa和信用评分sa。贷款额度评估过程中，通常考虑的因素包括个人收入情况、消费情况、消费贷款物价格区间等因素。评估方法以金融机构为主，具体方法不做限定，例如可选线性计算、专家打分、机器学习等方法。经过金融机构结合双方数据的评估，输出用户的贷款额度db，db＝f(xb,pa,sa)。
[0200]
步骤705，闭环反馈与迭代优化。
[0201]
基于以上步骤701-704评估获得信用风险识别模型、信用贷款准入门槛、用户贷款额度评估模型，可为待评估用户进行信用风险与贷款额度评估，从而为满足条件的用户提供“号码贷”等信贷服务。用户申请并使用信贷服务后，产生新的履约与违约行为数据，将该履约与违约行为数据分别反馈至电信运营商、金融机构，从而进行信用风险评估模型的迭代与优化、贷款额度评估模型的迭代与优化。
[0202]
为了实现本发明实施例信用评估模型训练方法，本发明实施例还提供了一种信用评估模型训练装置，该信用评估模型训练装置与上述信用评估模型训练方法对应，上述信用评估模型训练方法实施例中的各步骤也完全适用于本信用评估模型训练装置实施例。
[0203]
如图13所示，该信用评估模型训练装置包括：第一获取模块1301、第一加密模块1302、第二获取模块1303、第一匹配模块1304及第一模型生成模块1305。
[0204]
第一获取模块1301用于获取第一平台的多个用户对应的第一用户数据集，所述第一用户数据集包括：各用户的用户id及相应的第一平台属性数据，所述第一平台属性数据为移动通信运营商收集的用户属性数据；第一加密模块1302用于对所述第一用户数据集中的用户id基于第一平台和第二平台的交叉加密算法进行加密，得到各用户的加密用户id；第二获取模块1303用于获取第二平台的多个用户对应的第二用户数据集，所述第二用户数据集包括：各用户的非敏感数据；所述非敏感数据包括：对用户的用户id基于第一平台和第二平台的交叉加密算法加密生成的加密用户id、用于标识用户是否金融违约的标记数据；第一匹配模块1304用于对所述第一用户数据集和所述第二用户数据集基于加密用户id进
行匹配，基于匹配用户的第一平台属性数据和标记数据生成第三用户数据集；第一模型生成模块1305用于对所述第三用户数据集进行分类训练，得到对用户进行信用风险评估的模型。
[0205]
在一些实施例中，第一模型生成模块1305具体用于：
[0206]
对所述第三用户数据集以第一平台属性数据为自变量、标记数据为因变量，基于多个分类器分别进行分类训练，得到分类模型；
[0207]
基于分类评估指标选取分类模型；
[0208]
基于选取的分类模型生成用于违约风险概率评估的第一模型。
[0209]
在一些实施例中，第一模型生成模块1305具体用于：
[0210]
构建用于将违约风险概率转换为信用评分的第二模型。
[0211]
实际应用时，第一获取模块1301、第一加密模块1302、第二获取模块1303、第一匹配模块1304及第一模型生成模块1305，可以由信用评估模型训练装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
[0212]
需要说明的是：上述实施例提供的信用评估模型训练装置在进行信用评估模型训练时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的信用评估模型训练装置与信用评估模型训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0213]
为了实现本发明实施例的信用评估方法，本发明实施例还提供一种信用评估装置，该信用评估装置与上述信用评估方法对应，上述信用评估方法实施例中的各步骤也完全适用于本信用评估装置实施例。
[0214]
如图14所示，该信用评估装置包括：第三获取模块1401及第一评估模块1402，其中，第三获取模块1401用于获取待评估用户的第一平台属性数据；第一评估模块1402用于本发明实施例所述的信用评估模型训练装置生成的对用户进行信用风险评估的模型，评估所述待评估用户的信用风险结果。
[0215]
在一些实施例中，第一评估模块1402具体用于以下至少之一：
[0216]
评估所述待评估用户的违约风险概率；
[0217]
评估所述待评估用户的信用评分。
[0218]
实际应用时，第三获取模块1401及第一评估模块1402，可以由信用评估装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
[0219]
为了实现本发明实施例的贷款额度评估模型训练方法，本发明实施例还提供了一种贷款额度评估模型训练装置，该贷款额度评估模型训练装置与上述贷款额度评估模型训练方法对应，上述贷款额度评估模型训练方法实施例中的各步骤也完全适用于本贷款额度评估模型训练装置实施例。
[0220]
如图15所示，该贷款额度评估模型训练装置包括：第四获取模块1501、第二加密模块1502、第五获取模块1503、第二匹配模块1504及第二模型生成模块1505。
[0221]
第四获取模块1501用于获取第二平台的多个用户对应的第四用户数据集，所述第四用户数据集包括：各用户的用户id、相应的第二平台属性数据及用于标识用户是否金融违约的标记数据，所述第二平台属性数据为金融机构收集的用户属性数据；第二加密模块
1502用于对所述第四用户数据集中的用户id基于第一平台和第二平台的交叉加密算法进行加密，得到各用户的加密用户id；第五获取模块1503用于获取第一平台的多个用户对应的第五用户数据集，所述第五用户数据集包括：各用户的非敏感数据；所述非敏感数据包括：对用户的用户id基于第一平台和第二平台的交叉加密算法加密生成的加密用户id、对用户的第一平台属性数据进行评估得到的违约风险概率和信用评分；第二匹配模块1504用于对所述第四用户数据集和所述第五用户数据集基于加密用户id进行匹配，基于匹配用户的第二平台属性数据、标记数据、违约风险概率和信用评分生成第六用户数据集；第二模型生成模块1505用于基于第六用户数据集生成用于评估用户的贷款额度的模型。
[0222]
在一些实施例中，第二模型生成模块1505具体用于：
[0223]
基于所述第六用户数据集统计不同信用评分对应的金融违约和非金融违约的用户占比；
[0224]
基于金融违约的用户占比和非金融违约的用户占比的差值和信用评分的映射关系，确定贷款准入门槛对应的信用评分阈值。
[0225]
在一些实施例中，第二模型生成模块1505具体用于：
[0226]
对所述第六用户数据集基于所述信用评分阈值提取具有贷款准入门槛的第七用户数据集；
[0227]
对所述第七用户数据集基于用户的第二平台属性数据、违约风险概率和信用评分生成用于评估用户的贷款额度的额度评估模型。
[0228]
实际应用时，第四获取模块1501、第二加密模块1502、第五获取模块1503、第二匹配模块1504及第二模型生成模块1505，可以由贷款额度评估模型训练装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
[0229]
需要说明的是：上述实施例提供的贷款额度评估模型训练装置在进行贷款额度评估模型训练时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的贷款额度评估模型训练装置与贷款额度评估模型训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0230]
为了实现本发明实施例贷款额度评估方法，本发明实施例还提供一种贷款额度评估装置，该贷款额度评估装置与上述贷款额度评估方法对应，上述贷款额度评估方法实施例中的各步骤也完全适用于本发明贷款额度评估实施例。
[0231]
如图16所示，该贷款额度评估装置包括：第六获取模块1601及第二评估模块1602，其中，第六获取模块1601用于获取待评估用户的第二平台属性数据及所述待评估用户对应的违约风险概率和信用评分；第二评估模块1602用于利用本发明实施例所述的贷款额度评估模型训练装置生成的用于评估用户的贷款额度的模型对所述待评估用户进行评估，得到贷款额度评估结果。
[0232]
在在一些实施例中，第二评估模块1602具体用于：
[0233]
确定所述待评估用户的信用评分小于信用评分阈值，则判定所述待评估用户不具备贷款资格；或者，
[0234]
确定所述待评估用户的信用评分大于或等于信用评分阈值，基于额度评估模型和
待评估用户的第二平台属性数据、违约风险概率和信用评分，评估待评估用户的贷款额度。
[0235]
实际应用时，第六获取模块1601及第二评估模块1602，可以由贷款额度评估装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
[0236]
基于上述程序模块的硬件实现，且为了实现本发明实施例信用评估模型训练方法，本发明实施例还提供一种信用评估模型训练设备。图17仅仅示出了该信用评估模型训练设备的示例性结构而非全部结构，根据需要可以实施图17示出的部分结构或全部结构。
[0237]
如图17所示，本发明实施例提供的信用评估模型训练设备1700包括：至少一个处理器1701、存储器1702、用户接口1703和至少一个网络接口1704。信用评估模型训练设备1700中的各个组件通过总线系统1705耦合在一起。可以理解，总线系统1705用于实现这些组件之间的连接通信。总线系统1705除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图17中将各种总线都标为总线系统1705。
[0238]
其中，用户接口1703可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
[0239]
本发明实施例中的存储器1702用于存储各种类型的数据以支持信用评估模型训练设备的操作。这些数据的示例包括：用于在信用评估模型训练设备上操作的任何计算机程序。
[0240]
本发明实施例揭示的信用评估模型训练方法可以应用于处理器1701中，或者由处理器1701实现。处理器1701可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，信用评估模型训练方法的各步骤可以通过处理器1701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1701可以是通用处理器、数字信号处理器(dsp，digital signal processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器1701可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例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。软件模块可以位于存储介质中，该存储介质位于存储器1702，处理器1701读取存储器1702中的信息，结合其硬件完成本发明实施例提供的信用评估模型训练方法的步骤。
[0241]
在示例性实施例中，信用评估模型训练设备1700可以被一个或多个应用专用集成电路(asic，application specific integrated circuit)、dsp、可编程逻辑器件(pld，programmable logic device)、复杂可编程逻辑器件(cpld，complex programmable logic device)、fpga、通用处理器、控制器、微控制器(mcu，micro controller unit)、微处理器(microprocessor)、或者其他电子元件实现，用于执行前述方法。
[0242]
基于上述程序模块的硬件实现，且为了实现本发明实施例信用评估方法，本发明实施例还提供一种信用评估设备。图18仅仅示出了该信用评估设备的示例性结构而非全部结构，根据需要可以实施图18示出的部分结构或全部结构。
[0243]
如图18所示，本发明实施例提供的信用评估设备1800包括：至少一个处理器1801、存储器1802、用户接口1803和至少一个网络接口1804。信用评估设备1800中的各个组件通过总线系统1805耦合在一起。可以理解，总线系统1805用于实现这些组件之间的连接通信。总线系统1805除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了
清楚说明起见，在图18中将各种总线都标为总线系统1805。
[0244]
其中，用户接口1803可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
[0245]
本发明实施例中的存储器1802用于存储各种类型的数据以支持信用评估设备的操作。这些数据的示例包括：用于在信用评估设备上操作的任何计算机程序。
[0246]
本发明实施例揭示的信用评估方法可以应用于处理器1801中，或者由处理器1801实现。处理器1801可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，信用评估方法的各步骤可以通过处理器1801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1801可以是通用处理器、数字信号处理器，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器1801可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例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。软件模块可以位于存储介质中，该存储介质位于存储器1802，处理器1801读取存储器1802中的信息，结合其硬件完成本发明实施例提供的信用评估方法的步骤。
[0247]
在示例性实施例中，信用评估设备1800可以被一个或多个asic、dsp、pld、cpld、fpga、通用处理器、控制器、mcu、microprocessor、或其他电子元件实现，用于执行前述方法。
[0248]
基于上述程序模块的硬件实现，且为了实现本发明实施例贷款额度评估模型训练方法，本发明实施例还提供一种贷款额度评估模型训练设备。图19仅仅示出了该贷款额度评估模型训练设备的示例性结构而非全部结构，根据需要可以实施图19示出的部分结构或全部结构。
[0249]
如图19所示，本发明实施例提供的贷款额度评估模型训练设备1900包括：至少一个处理器1901、存储器1902、用户接口1903和至少一个网络接口1904。贷款额度评估模型训练设备1900中的各个组件通过总线系统1905耦合在一起。可以理解，总线系统1905用于实现这些组件之间的连接通信。总线系统1905除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图19中将各种总线都标为总线系统1905。
[0250]
其中，用户接口1903可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
[0251]
本发明实施例中的存储器1902用于存储各种类型的数据以支持贷款额度评估模型训练设备的操作。这些数据的示例包括：用于在贷款额度评估模型训练设备上操作的任何计算机程序。
[0252]
本发明实施例揭示的贷款额度评估模型训练方法可以应用于处理器1901中，或者由处理器1901实现。处理器1901可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，贷款额度评估模型训练方法的各步骤可以通过处理器1901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1901可以是通用处理器、数字信号处理器，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器1901可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例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。软件模块可以位于存储介质中，该存储介质位于存储器1902，处理器1901读取存储器1902中的信息，结合其硬件完成本发明实施例提供的贷款额度评估模型训练方法的步骤。
[0253]
在示例性实施例中，贷款额度评估模型训练设备1900可以被一个或多个asic、dsp、pld、cpld、fpga、通用处理器、控制器、mcu、microprocessor、或其他电子元件实现，用于执行前述方法。
[0254]
基于上述程序模块的硬件实现，且为了实现本发明实施例贷款额度评估方法，本发明实施例还提供一种贷款额度评估设备。图20仅仅示出了该贷款额度评估设备的示例性结构而非全部结构，根据需要可以实施图20示出的部分结构或全部结构。
[0255]
如图20所示，本发明实施例提供的贷款额度评估设备2000包括：至少一个处理器2001、存储器2002、用户接口2003和至少一个网络接口2004。贷款额度评估设备2000中的各个组件通过总线系统2005耦合在一起。可以理解，总线系统2005用于实现这些组件之间的连接通信。总线系统2005除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图20中将各种总线都标为总线系统2005。
[0256]
其中，用户接口2003可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
[0257]
本发明实施例中的存储器2002用于存储各种类型的数据以支持贷款额度评估设备的操作。这些数据的示例包括：用于在贷款额度评估设备上操作的任何计算机程序。
[0258]
本发明实施例揭示的贷款额度评估方法可以应用于处理器2001中，或者由处理器2001实现。处理器2001可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，贷款额度评估方法的各步骤可以通过处理器2001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2001可以是通用处理器、数字信号处理器，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器2001可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例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。软件模块可以位于存储介质中，该存储介质位于存储器2002，处理器2001读取存储器2002中的信息，结合其硬件完成本发明实施例提供的贷款额度评估方法的步骤。
[0259]
在示例性实施例中，贷款额度评估设备2000可以被一个或多个asic、dsp、pld、cpld、fpga、通用处理器、控制器、mcu、microprocessor、或其他电子元件实现，用于执行前述方法。
[0260]
可以理解，存储器1702、1802、1902、2002可以是易失性存储器或非易失性存储器，也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，read only memory)、可编程只读存储器(prom，programmable read-only memory)、可擦除可编程只读存储器(eprom，erasable programmable read-only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read-only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd-rom，compact disc read-only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，
random access memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronous dynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，synclink dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本发明实施例描述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。
[0261]
本发明实施例还提供一种信用贷款系统，如图21所示，该信用贷款系统包括：前述实施例的信用评估设备1800和前述实施例所述的贷款额度评估设备2000，所述信用评估设备1800和所述贷款额度评估设备2000通信连接，其中，信用评估设备1800进行信用评估的方法和贷款额度评估设备2000进行贷款额度评估的方法参照前述方法实施例，在此不再赘述。
[0262]
在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体可以是计算机可读存储介质，例如，存储计算机程序的存储器1702，上述计算机程序可由信用评估模型训练设备1700的处理器1701执行，以完成本发明实施例信用评估模型训练方法所述的步骤；又如，存储计算机程序的存储器1802，上述计算机程序可由信用评估设备1800的处理器1801执行，以完成本发明实施例信用评估方法所述的步骤；再如，存储计算机程序的存储器1902，上述计算机程序可由贷款额度评估模型训练设备1900的处理器1901执行，以完成本发明实施例贷款额度评估模型训练方法所述的步骤；另如，存储计算机程序的存储器2002，上述计算机程序可由贷款额度评估设备2000的处理器2001执行，以完成本发明实施例贷款额度评估方法所述的步骤；计算机可读存储介质可以是rom、prom、eprom、eeprom、flash memory、磁表面存储器、光盘、或cd-rom等存储器。
[0263]
需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0264]
另外，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
[0265]
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。