[发明专利]训练信用评分模型的方法、装置及设备

权利要求书

1.一种训练信用评分模型的方法，包括：

获取用户的描述信息以及用户的履约行为信息；

根据所述用户的履约行为信息，确定所述用户在各预定时期发生违约的概率；

至少将所述用户的描述信息作为样本特征，将所述用户在各预定时期发生违约的概率作为多个样本标签；将所述样本特征和所述多个样本标签作为一个训练样本，添加到训练样本集合中；所述训练样本集合用于训练信用评分模型；所述信用评分模型用于根据新用户的描述信息预测所述新用户在所述各预定时期发生违约的概率。

2.根据权利要求1所述的方法，所述根据所述用户的履约行为信息，确定所述用户在各预定时期发生违约的概率，包括：

根据所述用户的履约行为信息，确定所述用户的用户类别；所述用户类别包括：正常用户和违约用户；

若所述用户类别为正常用户，则将所述用户在各预定时期发生违约的概率均确定为第一数值；

若所述用户类别为违约用户，则确定所述用户的违约行为的发生时期，并基于所述违约行为的发生时期，确定所述用户在各预定时期发生违约的概率。

3.根据权利要求2所述的方法，所述基于所述违约行为的发生时期，确定所述用户在各预定时期发生违约的概率，包括：

对于所述各预定时期中任意的第一时期，判断所述第一时期是否在所述违约行为的发生时期之前，若是，则将所述用户在所述第一时期发生违约的概率确定为所述第一数值；否则，将所述用户在所述第一时期发生违约的概率确定为第二数值。

4.根据权利要求1所述的方法，所述用户的履约行为信息为所述用户在当前信贷机构的履约行为信息；所述用户的描述信息包括以下一种或多种：用户属性、用户设备属性、地理属性、银行卡信息、借贷多头信息以及用户在其它信贷机构的履约行为信息。

5.根据权利要求1-4任一项所述的方法，所述信用评分模型包括以下任一种：循环神经网络RNN、长短期记忆网络LSTM、门控循环单元GRU以及双向RNN。

6.根据权利要求1所述的方法，所述信用评分模型为循环神经网络RNN，所述RNN的架构为一个输入对应多个输出或者多个输入对应多个输出。

7.根据权利要求6所述的方法，若所述RNN的架构为多个输入对应多个输出，则所述样本特征还包括所述用户在所述各预定时期中的部分时期发生违约的概率。

8.一种训练信用评分模型的装置，包括：

获取单元，用于获取用户的描述信息以及用户的履约行为信息；

确定单元，用于根据所述获取单元获取的所述用户的履约行为信息，确定所述用户在各预定时期发生违约的概率；

添加单元，用于至少将所述获取单元获取的所述用户的描述信息作为样本特征，将所述确定单元确定的所述用户在各预定时期发生违约的概率作为多个样本标签；将所述样本特征和所述多个样本标签作为一个训练样本，添加到训练样本集合中；所述训练样本集合用于训练信用评分模型；所述信用评分模型用于根据新用户的描述信息预测所述新用户在所述各预定时期发生违约的概率。

9.根据权利要求8所述的装置，所述确定单元具体用于：

根据所述用户的履约行为信息，确定所述用户的用户类别；所述用户类别包括：正常用户和违约用户；

若所述用户类别为正常用户，则将所述用户在各预定时期发生违约的概率均确定为第一数值；

若所述用户类别为违约用户，则确定所述用户的违约行为的发生时期，并基于所述违约行为的发生时期，确定所述用户在各预定时期发生违约的概率。

10.根据权利要求9所述的装置，所述确定单元还具体用于：

对于所述各预定时期中任意的第一时期，判断所述第一时期是否在所述违约行为的发生时期之前，若是，则将所述用户在所述第一时期发生违约的概率确定为所述第一数值；否则，将所述用户在所述第一时期发生违约的概率确定为第二数值。