[发明专利]基于深度学习的信用评分方法及装置在审
申请号: | 202110292942.1 | 申请日: | 2021-03-18 |
公开(公告)号: | CN113011966A | 公开(公告)日: | 2021-06-22 |
发明(设计)人: | 祝世虎 | 申请(专利权)人: | 中国光大银行股份有限公司 |
主分类号: | G06Q40/02 | 分类号: | G06Q40/02;G06N3/04;G06N3/08 |
代理公司: | 北京康信知识产权代理有限责任公司 11240 | 代理人: | 刘旺贵 |
地址: | 100033 北京市*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 学习 信用 评分 方法 装置 | ||
1.一种基于深度学习的信用评分方法,其特征在于,包括:
获取用户的信用相关数据,对所述信用相关数据进行数据预处理;
对经过所述数据预处理的所述信用相关数据进行特征向量提取,得到数据特征向量;
将所述数据特征向量输入门控循环单元GRU模型,得到所述用户的信用评分结果。
2.根据权利要求1所述的方法,其特征在于,在将所述数据特征向量输入门控循环单元GRU模型之前,还包括:
训练和评估所述GRU模型。
3.根据权利要求2所述的方法,其特征在于,训练和评估所述GRU模型,包括:
对训练评估数据进行划分,将所述训练评估数据划分为训练集和测试集;
对所述训练集和测试集进行特征提取,并根据经过特征提取的所述训练集与测试集对所述GRU模型进行训练和评估。
4.根据权利要求1所述的方法,其特征在于,对所述信用相关数据进行数据预处理,至少包括以下之一:
删除所述信用相关数据中的重复数据,删除所述信用相关数据中的异常数据,删除所述信用相关数据中的缺失数据,对所述信用相关数据中的缺失数据进行单值填补,对所述信用相关数据中的缺失数据进行多重填补。
5.根据权利要求1所述的方法,其特征在于,所述GRU模型为交叉熵损失函数模型或hinge-loss损失函数模型。
6.一种基于深度学习的信用评分装置,其特征在于,包括:
处理模块,用于获取用户的信用相关数据,对所述信用相关数据进行数据预处理;
提取模块,用于对经过所述数据预处理的所述信用相关数据进行特征向量提取,得到数据特征向量;
输入模块,用于将所述数据特征向量输入门控循环单元GRU模型,得到所述用户的信用评分结果。
7.根据权利要求6所述的装置,其特征在于,还包括:
训练评估模块,用于在将所述数据特征向量输入门控循环单元GRU模型之前,训练和评估所述GRU模型。
8.根据权利要求7所述的装置,其特征在于,所述训练评估模块,包括:
划分单元,用于对训练评估数据进行划分,将所述训练评估数据划分为训练集和测试集;
训练评估单元,用于对所述训练集和测试集进行特征提取,并根据经过特征提取的所述训练集与测试集对所述GRU模型进行训练和评估。
9.根据权利要求6所述的装置,其特征在于,
所述处理模块,还用于至少通过以下之一方式对所述信用相关数据进行数据预处理:删除所述信用相关数据中的重复数据,删除所述信用相关数据中的异常数据,删除所述信用相关数据中的缺失数据,对所述信用相关数据中的缺失数据进行单值填补,对所述信用相关数据中的缺失数据进行多重填补。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时实现所述权利要求1至5任一项中所述的方法的步骤。
11.一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述权利要求1至5任一项中所述的方法的步骤。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国光大银行股份有限公司,未经中国光大银行股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110292942.1/1.html,转载请声明来源钻瓜专利网。