[发明专利]一种多模型融合的客户风险评级方法

说明书

本申请公开了一种多模型融合的客户风险评级方法。其首先将待评估用户的授权查询的外采三方数据通过第一上下文编码器以得到外采三方数据理解特征向量，以及，将待评估用户的历史贷款信息通过第二上下文编码器以得到历史贷款数据理解特征向量，接着，对所述外采三方数据理解特征向量和所述历史贷款数据理解特征向量进行关联编码得到的关联特征矩阵通过卷积神经网络模型以得到深度关联模式理解特征矩阵，最后，对所述深度关联模式理解特征矩阵进行类中心偏移校正后通过分类器以得到用于表示待评估用户的信用等级标签的分类结果。通过这样的方式，可以在统一维度下监控客户质量，解决不同渠道产品模型无法横向比较的问题。

技术领域

本申请涉及风险评级技术领域，且更为具体地，涉及一种多模型融合的客户风险评级方法。

背景技术

客户信用风险评级是指商业银行或其他金融机构为了有效地控制及检测客户信用风险，保证信贷资金的安全性、收益性和流动性，分别从客户的还款能力、还款意愿、发展能力以及客户素质和信用状况等多方面对客户进行综合评价和信用等级的确定。客户信用评级是目前商业银行及其他金融机构较为通行的风险控制评价方法，贯穿于信贷管理的全过程。

但是，客户信用风险评估涉及用户的多个维度数据，现有的做法是通过人工审核的方式来进行信用风险评估，不仅信审过程复杂，而且还会出现审查人员个体偏差的弊端。因此，强调一种优化的客户风险评级方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种多模型融合的客户风险评级方法。其首先将待评估用户的授权查询的外采三方数据通过第一上下文编码器以得到外采三方数据理解特征向量，以及，将待评估用户的历史贷款信息通过第二上下文编码器以得到历史贷款数据理解特征向量，接着，对所述外采三方数据理解特征向量和所述历史贷款数据理解特征向量进行关联编码得到的关联特征矩阵通过卷积神经网络模型以得到深度关联模式理解特征矩阵，最后，对所述深度关联模式理解特征矩阵进行类中心偏移校正后通过分类器以得到用于表示待评估用户的信用等级标签的分类结果。通过这样的方式，可以在统一维度下监控客户质量，解决不同渠道产品模型无法横向比较的问题。

根据本申请的一个方面，提供了一种多模型融合的客户风险评级方法，其包括：

获取待评估用户的授权查询的外采三方数据和所述待评估用户的历史贷款信息；

将所述待评估用户的授权查询的外采三方数据通过包含嵌入层的第一上下文编码器以得到外采三方数据理解特征向量；

将所述待评估用户的历史贷款信息通过包含嵌入层的第二上下文编码器以得到历史贷款数据理解特征向量；

对所述外采三方数据理解特征向量和所述历史贷款数据理解特征向量进行关联编码以得到关联特征矩阵；

将所述关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到深度关联模式理解特征矩阵；

基于所述外采三方数据理解特征向量和所述历史贷款数据理解特征向量，对所述深度关联模式理解特征矩阵进行类中心偏移校正以得到分类特征矩阵；以及

将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待评估用户的信用等级标签。

在上述的多模型融合的客户风险评级方法中，所述将所述待评估用户的授权查询的外采三方数据通过包含嵌入层的第一上下文编码器以得到外采三方数据理解特征向量，包括：

对所述待评估用户的授权查询的外采三方数据进行分词处理以将所述待评估用户的授权查询的外采三方数据转化为由多个词组成的第一词序列；

使用所述包含嵌入层的第一上下文编码器的词嵌入层将所述第一词序列中各个词映射为词嵌入向量以获得第一词嵌入向量的序列；

使用所述包含嵌入层的第一上下文编码器对所述第一词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个第一上下文词特征向量；以及

将所述多个第一上下文词特征向量进行级联以得到所述外采三方数据理解特征向量。