基于用户画像的风险评估方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于用户画像的风险评估方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着信用社会的到来，人们越来越常见使用信用消费(贷款)来实现未来预期的购买计划，导致市场上涌现出越来越多的贷款公司或可提供贷款业务的公司，但由于人们对于信用消费的需求也越来越大，导致各公司的贷款规模也日益庞大，当贷款数额达到一定规模后，若贷款人无法及时还款，将会造成提供贷款的公司现金流出现断裂，进而导致公司存在较大的破产倒闭风险。
3.当前对于用户贷款风险的评估方法多为基于贷前用户数据分析的分线评估，即在为用户提供贷款之前，对用户的相关信息进行分析，以确定用户的贷款风险，但当用户贷款时间较长时，由于该方法的前置性，会导致预先评估出的贷款风险随着时间推移，变得越来越不精确。


技术实现要素：

4.本发明提供一种基于用户画像的风险评估方法、装置及计算机可读存储介质，其主要目的在于解决进行风险评估时的精确度较低的问题。
5.为实现上述目的，本发明提供的一种基于用户画像的风险评估方法，包括：
6.获取用户的贷前数据，根据所述贷前数据生成所述用户的基础风险画像，根据所述基础风险画像计算所述用户的初始风险值；
7.获取所述用户的贷后还款数据，根据所述贷后还款数据计算所述用户的还款意向值；
8.获取所述用户的贷后相关产品逾期数据，根据所述贷后相关产品逾期数据计算所述用户的风险调整系数；
9.查询所述用户的关联用户，获取所述关联用户的历史还款数据，根据所述历史还款数据计算所述用户的潜在风险系数；
10.利用所述还款意向值、所述风险调整系数和所述潜在风险系数对所述初始风险值进行数值调整，得到所述用户的实际风险值。
11.可选地，所述根据所述贷前数据生成所述用户的基础风险画像，包括：
12.逐个从所述贷前数据中选取其中一个数据为目标数据；
13.对所述目标数据进行语义提取，得到数据语义；
14.将每个所述目标数据的数据语义转换为语义向量；
15.将所有语义向量拼接为所述用户的基础风险画像。
16.可选地，所述对所述目标数据进行语义提取，得到数据语义，包括：
17.对所述目标数据进行卷积、池化处理，得到所述目标数据的低维特征语义；
18.将所述低维特征语义映射至预先构建的高维空间，得到高维特征语义；
19.利用预设的激活函数对所述高维特征语义进行筛选，得到数据语义。
20.可选地，所述将所有语义向量拼接为所述用户的基础风险画像，包括：
21.统计每一个所述语义向量的向量长度；
22.选取所述向量长度最大的语义向量为目标向量，确定所述目标向量的向量长度为目标长度；
23.将每个语义向量的长度延长至所述目标长度，并将每个延长后的语义向量作为行向量进行拼接，得到用户的基础风险画像。
24.可选地，所述根据所述贷后还款数据计算所述用户的还款意向值，包括：
25.获取所述用户的还款期数和贷款总额；
26.根据所述贷后还款数据统计所述用户的按时还款次数，以及根据所述贷后还款数据统计所述用户的已还款项数额；
27.利用所述已还款项数额除以所述贷款总额，得到第一意向度；
28.利用所述按时还款次数除以所述还款期数，得到第二意向度；
29.利用预设权重系数将所述第一意向度和所述第二意向度进行加权求和，得到还款意向值。
30.可选地，所述根据所述贷后相关产品逾期数据计算所述用户的风险调整系数，包括：
31.统计所述贷后相关产品逾期数据中产品总数量和逾期产品数量；
32.利用所述逾期产品数量除以所述产品总数量，得到所述用户的风险调整系数。
33.可选地，所述根据所述历史还款数据计算所述用户的潜在风险系数，包括：
34.统计所述关联用户的用户总数量，以及统计所述历史还款数据中存在逾期还款的逾期用户数量；
35.计算所述用户总数量与所述逾期用户数量的差值，利用所述差值除以所述用户总数量，并计算除法得到的结果的平方根，得到所述潜在风险系数。
36.为了解决上述问题，本发明还提供一种基于用户画像的风险评估装置，所述装置包括：
37.画像生成模块，用于获取用户的贷前数据，根据所述贷前数据生成所述用户的基础风险画像，根据所述基础风险画像计算所述用户的初始风险值；
38.意向值分析模块，用于获取所述用户的贷后还款数据，根据所述贷后还款数据计算所述用户的还款意向值；
39.调整系数计算模块，用于获取所述用户的贷后相关产品逾期数据，根据所述贷后相关产品逾期数据计算所述用户的风险调整系数；
40.潜在系数分析模块，用于查询所述用户的关联用户，获取所述关联用户的历史还款数据，根据所述历史还款数据计算所述用户的潜在风险系数；
41.风险评估模块，用于利用所述还款意向值、所述风险调整系数和所述潜在风险系数对所述初始风险值进行数值调整，得到所述用户的实际风险值。
42.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
43.至少一个处理器；以及，
44.与所述至少一个处理器通信连接的存储器；其中，
45.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于用户画像的风险评估方法。
46.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于用户画像的风险评估方法。
47.本发明实施例能够利用用户的贷前数据生成基础风险画像，并根据该画像计算用户的初始风险值，同时，根据用户贷后的多方面数据，计算还款意向值、风险调整系数和潜在风险系数等贷后风险指标，并根据计算得到的贷后风险指标对初始风险值进行数值调整，提升了对所述用户进行风险评估的精确度。因此本发明提出的基于用户画像的风险评估方法、装置、电子设备及计算机可读存储介质，可以解决进行风险评估时的精确度较低的问题。
附图说明
48.图1为本发明一实施例提供的基于用户画像的风险评估方法的流程示意图；
49.图2为本发明一实施例提供的生成用户的基础风险画像的流程示意图；
50.图3为本发明一实施例提供的计算用户的还款意向值的流程示意图；
51.图4为本发明一实施例提供的基于用户画像的风险评估装置的功能模块图；
52.图5为本发明一实施例提供的实现所述基于用户画像的风险评估方法的电子设备的结构示意图。
53.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
54.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
55.本技术实施例提供一种基于用户画像的风险评估方法。所述基于用户画像的风险评估方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于用户画像的风险评估方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
56.参照图1所示，为本发明一实施例提供的基于用户画像的风险评估方法的流程示意图。在本实施例中，所述基于用户画像的风险评估方法包括：
57.s1、获取用户的贷前数据，根据所述贷前数据生成所述用户的基础风险画像，根据所述基础风险画像计算所述用户的初始风险值。
58.本发明实施例中，所述贷前数据为贷款公司在向所述用户提供贷款之前，该用户的年龄、职业、收入状况、历史贷款次数、历史贷款金额、历史逾期次数等数据。
59.详细地，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先确定的存储区域抓取用户授权可被获取的贷前数据，其中，所述存储区域包括但不限于数据库、区块链节点、网络缓存。
60.具体地，所述贷前数据包括该用户的多方面数据，表现了该用户在贷款前的各种行为表现，因此，可利用所述贷前数据生成所述用户的基础风险画像，并根据所述基础风险画像计算所述用户的初始风险值，以便于后续对该用户的风险进行评估。
61.本发明实施例中，参图2所示，所述根据所述贷前数据生成所述用户的基础风险画像，包括：
62.s21、逐个从所述贷前数据中选取其中一个数据为目标数据；
63.s22、对所述目标数据进行语义提取，得到数据语义；
64.s23、将每个所述目标数据的数据语义转换为语义向量；
65.s24、将所有语义向量拼接为所述用户的基础风险画像。
66.本发明实施例中，可依次从所述贷前数据中选取目标数据，或者，随机且不放回地从所述贷前数据中选取目标数据。
67.本发明实施例中，可预先构建的语义分析模型对所述目标数据进行语义提取，得到数据语义。
68.详细地，所述语义分析模型包括但不限于nlp(natural language processing，自然语言处理)模型、hmm(hidden markov model，隐马尔科夫模型)。
69.例如，利用预先构建的语义分析模型对所述目标数据进行卷积、池化等操作，以提取该目标数据的低维特征表达，再将提取到的低维特征表达映射至预先构建的高维空间，得到该低维特征的高维特征表达，利用预设的激活函数对所述高维特征表达进行选择性地输出，得到数据语义。
70.本发明实施例中，所述对所述目标数据进行语义提取，得到数据语义，包括：
71.对所述目标数据进行卷积、池化处理，得到所述目标数据的低维特征语义；
72.将所述低维特征语义映射至预先构建的高维空间，得到高维特征语义；
73.利用预设的激活函数对所述高维特征语义进行筛选，得到数据语义。
74.详细地，可通过语义分析模型对所述目标数据进行卷积、池化处理，以降低所述目标数据的数据维度，进而减少对所述目标数据进行分析时计算资源的占用，提高进行语义提取的效率。
75.具体地，可利用预设的映射函数将低维特征语义映射至预先构建的高维空间，所述映射函数包括matlab库中的gaussian radial basis function函数、高斯函数等。
76.例如，所述低维特征语义为二维平面中的点，则可利用映射函数对该二维平面中的点的二维坐标进行计算，以将二维坐标转换为三维坐标，并利用计算得到的三维坐标将点映射至预先构建的三维空间，得到该低维特征语义的高维特征语义。
77.将所述低维特征语义映射至预先构建的高维空间，可提高该低维特征的可分类性，进而提高从得到的高维特征语义中对特征进行筛选，得到数据语义的精确度。
78.本发明实施例中，可利用预设的激活函数计算所述高维特征语义中每个特征语义的输出值，并选取所述输出值大于预设的输出阈值的特征语义为数据语义，所述激活函数包括但不限于sigmoid激活函数、tanh激活函数、relu激活函数。
79.例如，高维特征语义中存在特征语义a、特征语义b和特征语义c，分别利用激活函数对特征语义a、特征语义b和特征语义c进行计算，得到特征语义a的输出值为80，特征语义b的输出值为30，特征语义c的输出值为70，当输出阈值为50时，则将特征语义a与特征语义c输出为所述目标产品的数据语义。
80.本发明实施例中，可通过预设的向量转换模型对所述数据语义进行向量转换，得到语义向量，所述向量转换模型包括但不限于word2vec模型、bert模型。
81.本发明实施例中，获取所述语义向量后，可将所有的语义向量进行向量拼接，以生成基础风险画像。
82.本发明实施例中，所述将所有语义向量拼接为所述用户的基础风险画像，包括：
83.统计每一个所述语义向量的向量长度；
84.选取所述向量长度最大的语义向量为目标向量，确定所述目标向量的向量长度为目标长度；
85.将每个语义向量的长度延长至所述目标长度，并将每个延长后的语义向量作为行向量进行拼接，得到用户的基础风险画像。
86.详细地，由于每个所述语义向量的长度可能不相同，因此，为了将所述语义向量进行向量拼接，需要将所述语义向量的向量长度进行统一化。
87.本发明实施例中，统计每个所述语义向量的长度，并对向量长度较短的向量进行向量延长，以使得所有语义向量的长度相同。
88.例如，语义向量中存在第一语义向量为[11，36，22]，存在第二语义向量为[14，25，31，27]，经过统计可知，第一语义向量的第一向量长度为3，第二语义向量的第二向量长度为4，第二向量长度大于第一向量长度，则可利用预设参数(如0)对所述第一语义向量进行向量延长，直至所述第一向量长度与所述第二向量长度相等，得到延长后的第一语义向量[11，36，22，0]。
[0089]
本发明实施例中，可通过将两个向量中对应列元素相加的形式将所述两个向量进行列维度合并。
[0090]
例如，存在第一语义向量为[11，36，22，0]，存在第二语义向量为[14，25，31，27]，则可将所述第一语义向量与所述第二语义向量中对应列的元素进行相加，得到基础风险画像[25，61，53，27]。
[0091]
本发明另一实施例中，还可通过将两个向量中对应列元素进行并行展示的方式，利用两个向量生成矩阵，进而实现向量间的列维度合并。
[0092]
例如，第一语义向量为[11，36，22，0]，第二语义向量为[14，25，31，27]，则可将所述第一语义向量与所述第二语义向量中对应列的元素进行并行展示，得到矩阵并将该矩阵作为所述用户的基础风险画像。
[0093]
进一步地，所述基础风险画像是通过多个向量拼接得到的矩阵，因此可直接求取所述基础风险画像的数值，得到所述用户的初始风险值。
[0094]
s2、获取所述用户的贷后还款数据，根据所述贷后还款数据计算所述用户的还款意向值。
[0095]
本发明其中一个实际应用场景中，由于所述初始风险值是根据该用户的贷前数据
生成的，因此，该初始风险值仅可表示该用户贷前的风险，却无法精确地表示该用户贷后对款项偿还的风险，因此，可获取所述用户的贷后还款数据，以根据所述用户的还款数据，对用户的还款行为进行分析，实现对贷后风险的评估，以提升后续对用户风险值进行评估的时效性和精确度。
[0096]
本发明实施例中，所述贷后还款数据为该用户在贷款后，每个还款期限内，对款项的偿还数额、偿还时间等数据。
[0097]
详细地，所述获取所述用户的贷后还款数据的步骤，与s1中获取用户的贷前数据的步骤一致，在此不做赘述。
[0098]
进一步地，可对所述贷后还款数据进行分析，以计算出所述用户的还款意向值，其中，所述还款意向值用于标识所述用户按时进行还款的意向度大小。
[0099]
本发明实施例中，参图3所示，所述根据所述贷后还款数据计算所述用户的还款意向值，包括：
[0100]
s31、获取所述用户的还款期数和贷款总额；
[0101]
s32、根据所述贷后还款数据统计所述用户的按时还款次数，以及根据所述贷后还款数据统计所述用户的已还款项数额；
[0102]
s33、利用所述已还款项数额除以所述贷款总额，得到第一意向度；
[0103]
s34、利用所述按时还款次数除以所述还款期数，得到第二意向度；
[0104]
s35、利用预设权重系数将所述第一意向度和所述第二意向度进行加权求和，得到还款意向值。
[0105]
详细地，所述还款期数是指所述用户贷款分期还款的期数，所述贷款总额是指所述用户贷款的总金额。
[0106]
具体地，可对所述贷后还款数据进行统计，以确定该用户在已经偿还的期数内，未逾期的按时还款次数，以及所述用户已经清还的款项的总数额。
[0107]
本发明实施例中，所述根据所述还款期数、所述贷款总额、所述按时还款次数和所述已还款项数额计算所述用户的还款意向度，包括：
[0108]
利用如下权重算法计算所述还款意向度：
[0109][0110]
其中，y为所述还款意向度，a为所述已还款项数额，b为所述贷款总额，c为所述按时还款次数，d为所述还款期数，α、β为预设权重系数。
[0111]
s3、获取所述用户的贷后相关产品逾期数据，根据所述贷后相关产品逾期数据计算所述用户的风险调整系数。
[0112]
本发明实施例中，所述贷后相关产品预期数据是指所述用户在获取该贷款后，但未偿还清该贷款时，该用户持有的其他贷款产品的逾期状况数据。
[0113]
详细地，当用户持有多项贷款产品时，若其他贷款产品存在逾期情况，则该用户对本贷款也会存在较大的逾期行为。
[0114]
具体地，所述获取所述用户的贷后相关产品逾期数据的步骤，与s1中获取用户的贷前数据的步骤一致，在此不做赘述。
[0115]
本发明实施例中，所述根据所述贷后相关产品逾期数据计算所述用户的风险调整
系数，包括：
[0116]
统计所述贷后相关产品逾期数据中产品总数量和逾期产品数量；
[0117]
利用所述逾期产品数量除以所述产品总数量，得到所述用户的风险调整系数。
[0118]
详细地，所述利用所述逾期产品数量除以所述产品总数量，得到所述用户的风险调整系数，包括：
[0119]
利用如下公式利用所述逾期产品数量除以所述产品总数量，得到所述用户的风险调整系数：
[0120][0121]
其中，x为所述风险调整系数，e为所述逾期产品数量，f为所述产品总数量。
[0122]
s4、查询所述用户的关联用户，获取所述关联用户的历史还款数据，根据所述历史还款数据计算所述用户的潜在风险系数。
[0123]
本发明其中一个实际应用场景中，可认为用户所在的群体中，每个人的习惯及款项偿还能力存在一定的潜在联系，例如，当与用户存在关联关系的多个关联用户中，存在大量的关联用户有贷款逾期记录，则该用户的贷款逾期可能性可会较高。
[0124]
因此，可查询所述用户的关联用户，并获取所述关联用户的历史还款数据，进而对所述历史还款数据进行分析，以利用关联用户的历史还款数据分析得到所述用户的潜在风险系数，其中，所述历史还款数据是指与所述用户具有关联关系的关联用户中，每个关联用户的贷款记录、逾期还款记录等数据。
[0125]
本发明实施例中，可获取预先构建的关联用户表，并利用sql库中的create index函数创建所述关联用户表的索引，进而根据所述索引从所述关联用户表中查询到所述用户的关联用户，其中，所述关联用户表中包含多个用户，以及每个用户之间的关联关系。
[0126]
详细地，所述获取所述关联用户的历史还款数据的步骤，与s1中获取用户的贷前数据的步骤一致，在此不做赘述。
[0127]
本发明实施例中，所述根据所述历史还款数据计算所述用户的潜在风险系数，包括：
[0128]
统计所述关联用户的用户总数量，以及统计所述历史还款数据中存在逾期还款的逾期用户数量；
[0129]
计算所述用户总数量与所述逾期用户数量的差值，利用所述差值除以所述用户总数量，并计算除法得到的结果的平方根，得到所述潜在风险系数。
[0130]
详细地，所述计算所述用户总数量与所述逾期用户数量的差值，利用所述差值除以所述用户总数量，并计算除法得到的结果的平方根，得到所述潜在风险系数，包括：
[0131]
利用如下公式根据所述用户总数量和所述逾期用户数量计算所述用户的潜在风险系数：
[0132][0133]
其中，z为所述潜在风险系数，g为所述用户总数量，h为所述逾期用户数量。
[0134]
s5、利用所述还款意向值、所述风险调整系数和所述潜在风险系数对所述初始风
险值进行数值调整，得到所述用户的实际风险值。
[0135]
本发明实施例中，由于所述初始风险值仅可表示该用户贷前的风险，却无法精确地表示该用户贷后对款项偿还的风险，因此，为了提升对所述用户的风险值进行分析的精确度，可利用所述还款意向值、所述风险调整系数和所述潜在风险系数等贷后数据分析得到的指标，对所述初始风险值进行数值调整，以提升对所述用户进行风险评估的精确度。
[0136]
本发明实施例中，所述利用所述还款意向值、所述风险调整系数和所述潜在风险系数对所述初始风险值进行数值调整，得到所述用户的实际风险值，包括：
[0137]
利用如下数值调整算法对所述初始风险值进行数值调整，得到所述用户的实际风险值：
[0138]
s＝(x y z)*q
[0139]
其中，s为所述实际风险值，q为所述初始风险值，x为所述风险调整系数，y为所述还款意向度，z为所述潜在风险系数。
[0140]
本发明实施例能够利用用户的贷前数据生成基础风险画像，并根据该画像计算用户的初始风险值，同时，根据用户贷后的多方面数据，计算还款意向值、风险调整系数和潜在风险系数等贷后风险指标，并根据计算得到的贷后风险指标对初始风险值进行数值调整，提升了对所述用户进行风险评估的精确度。因此本发明提出的基于用户画像的风险评估方法，可以解决进行风险评估时的精确度较低的问题。
[0141]
如图4所示，是本发明一实施例提供的基于用户画像的风险评估装置的功能模块图。
[0142]
本发明所述基于用户画像的风险评估装置100可以安装于电子设备中。根据实现的功能，所述基于用户画像的风险评估装置100可以包括画像生成模块101、意向值分析模块102、调整系数计算模块103、潜在系数分析模块104及风险评估模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0143]
在本实施例中，关于各模块/单元的功能如下：
[0144]
所述画像生成模块101，用于获取用户的贷前数据，根据所述贷前数据生成所述用户的基础风险画像，根据所述基础风险画像计算所述用户的初始风险值；
[0145]
所述意向值分析模块102，用于获取所述用户的贷后还款数据，根据所述贷后还款数据计算所述用户的还款意向值；
[0146]
所述调整系数计算模块103，用于获取所述用户的贷后相关产品逾期数据，根据所述贷后相关产品逾期数据计算所述用户的风险调整系数；
[0147]
所述潜在系数分析模块104，用于查询所述用户的关联用户，获取所述关联用户的历史还款数据，根据所述历史还款数据计算所述用户的潜在风险系数；
[0148]
所述风险评估模块105，用于利用所述还款意向值、所述风险调整系数和所述潜在风险系数对所述初始风险值进行数值调整，得到所述用户的实际风险值。
[0149]
详细地，本发明实施例中所述基于用户画像的风险评估装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于用户画像的风险评估方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0150]
如图5所示，是本发明一实施例提供的实现基于用户画像的风险评估方法的电子
设备的结构示意图。
[0151]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于用户画像的风险评估程序。
[0152]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于用户画像的风险评估程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0153]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于用户画像的风险评估程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0154]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0155]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0156]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0157]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示
器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0158]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0159]
所述电子设备1中的所述存储器11存储的基于用户画像的风险评估程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0160]
获取用户的贷前数据，根据所述贷前数据生成所述用户的基础风险画像，根据所述基础风险画像计算所述用户的初始风险值；
[0161]
获取所述用户的贷后还款数据，根据所述贷后还款数据计算所述用户的还款意向值；
[0162]
获取所述用户的贷后相关产品逾期数据，根据所述贷后相关产品逾期数据计算所述用户的风险调整系数；
[0163]
查询所述用户的关联用户，获取所述关联用户的历史还款数据，根据所述历史还款数据计算所述用户的潜在风险系数；
[0164]
利用所述还款意向值、所述风险调整系数和所述潜在风险系数对所述初始风险值进行数值调整，得到所述用户的实际风险值。
[0165]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0166]
进一步地，所述电子设备1集成的模块/单元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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0167]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0168]
获取用户的贷前数据，根据所述贷前数据生成所述用户的基础风险画像，根据所述基础风险画像计算所述用户的初始风险值；
[0169]
获取所述用户的贷后还款数据，根据所述贷后还款数据计算所述用户的还款意向值；
[0170]
获取所述用户的贷后相关产品逾期数据，根据所述贷后相关产品逾期数据计算所述用户的风险调整系数；
[0171]
查询所述用户的关联用户，获取所述关联用户的历史还款数据，根据所述历史还款数据计算所述用户的潜在风险系数；
[0172]
利用所述还款意向值、所述风险调整系数和所述潜在风险系数对所述初始风险值进行数值调整，得到所述用户的实际风险值。
[0173]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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例仅仅是示意性的，例如，所述模块的划分，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。
[0174]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
[0175]
另外，在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0176]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0177]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0178]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0179]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0180]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0181]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。