一种评分卡模型构建方法、装置、设备、存储介质及产品.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115907955A(43)申请公布日2023.04.04(21)申请号202211148694.4(22)申请日2022.09.21(71)申请人中国建设银行股份有限公司地址100033北京市西城区金融大街25号申请人建信金融科技有限责任公司(72)发明人伏峰(74)专利代理机构北京东方亿思知识产权代理有限责任公司11258专利代理师赵秀芹(51)Int.Cl.G06Q40/03(2023.01)G06F18/22(2023.01)G06F18/21(2023.01)权利要求书2页说明书10页附图4页(54)发明名称一种评分卡模型构建方法、装置、设备、存储介质及产品(57)摘要本申请公开了一种评分卡模型构建方法、装置、设备、存储介质及产品。该评分卡模型构建方法包括：获取第一评分卡模型的输入变量集合和多个第二评分卡模型分别对应的输入变量集合；对各个输入变量集合中的变量合并去重，生成输入变量总集合；根据模型输入变量在变量总集合中的位置，将输入变量总集合中的各个元素向量化，生成模型的n维向量；基于各个模型对应的n维向量分别计算每两个不同模型之间的相似度，得到相似度矩阵；基于相似度矩阵分别计算每个模型的权重；基于每个模型的权重对第一评分卡模型和多个第二评分卡模型进行加权计算，得到目标评分卡模型。根据本申请实施例，可以解决评分卡模型结果不确定性较高和准确性较低的问题。CN115907955ACN115907955A权利要求书1/2页1.一种评分卡模型的构建方法，其特征在于，包括：获取第一评分卡模型的输入变量集合和多个第二评分卡模型分别对应的输入变量集合，所述第一评分卡模型为根据专家经验构建的评分卡模型，所述第二评分卡模型为根据训练样本数据进行模型训练得到的评分卡模型；对各个所述输入变量集合中的输入变量合并以及去重处理，生成输入变量总集合；针对每个模型分别执行以下操作：根据模型的输入变量在所述输入变量总集合中的位置，将所述输入变量总集合中的各个元素向量化，生成模型的n维向量，n为正整数；基于各个模型对应的n维向量，分别计算每两个不同模型之间的相似度，得到相似度矩阵，所述相似度矩阵的行和列均为各个模型对应的标识；基于所述相似度矩阵，分别计算每个模型的权重；基于所述每个模型的权重，对所述第一评分卡模型和所述多个第二评分卡模型进行加权计算，得到目标评分卡模型。2.根据权利要求1所述的方法，其特征在于，所述根据模型的输入变量在所述输入变量总集合中的位置，将所述输入变量总集合中的各个元素向量化，生成模型的n维向量，包括：将所述输入变量总集合中所述模型的输入变量所在位置处的元素置为第一数值，将所述输入变量总集合中所述模型的输入变量不在位置处的元素置为第二数值，得到模型的n维向量。3.根据权利要求2所述的方法，其特征在于，所述基于各个模型对应的n维向量，分别计算每两个不同模型之间的相似度，得到相似度矩阵，包括：分别计算每两个不同模型的n维向量之间的余弦距离；将各个所述余弦距离进行矩阵化，得到相似度矩阵。4.根据权利要求1所述的方法，其特征在于，所述基于所述相似度矩阵，分别计算每个模型的权重，包括：汇总每两个不同模型之间的相似度，得到相似度总和；针对第一模型分别执行以下操作：将第一模型与其他模型的相似度进行加和，得到第一模型的相似度；计算所述第一模型的相似度与所述相似度总和的比值，得到第一模型的权重；所述第一模型为所述第一评分卡模型和多个第二评分卡模型中的任一模型，所述其他模型为所述第一评分卡模型和多个第二评分卡模型中的任一模型中除所述第一模型以外的模型。5.根据权利要求1所述的方法，其特征在于，在所述得到目标评分卡模型之后，所述方法还包括：获取所述测试输入变量的测试数据集，所述测试输入变量包括所述变量总集合中的输入变量；所述测试数据集中包括输入变量的多组数据；将所述多组数据均分别输入到第一评分卡模型、第二评分卡模型和目标评分卡模型中，分别得到第一评分集、第二评分集和第三评分集。6.根据权利要求5所述的方法，其特征在于，在所述分别得到第一评分集、第二评分集和第三评分集之后，所述方法还包括：根据所述第一评分集、第二评分集、第三评分集、第一评分卡模型和第二评分卡模型，2CN115907955A权利要求书2/2页分别对所述目标评分卡模型进行KS检验，得到第一评分集、第二评分集、第三评分集、第一评分卡模型和第二评分卡模型中的各个评分累计分布曲线之间的最大垂直差；对各个所述最大垂直差，进行归一化处理，得到归一化处理后的最大垂直差；根据所述归一化处理后的最大垂直差对所述目标评分卡模型进行调整，得到最终的目标评分卡模型。7.根据权利要求6所述的方法，其特征在于，所述根据所述归一化处理后的最大垂直差对所述