一种用户授信额度的确定方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113674076A(43)申请公布日2021.11.19(21)申请号202010410915.5(22)申请日2020.05.15(71)申请人马上消费金融股份有限公司地址404100重庆市渝北区黄山大道中段52号渝兴广场B2栋4至8楼(72)发明人王子源刘镇萍李谦(74)专利代理机构北京银龙知识产权代理有限公司11243代理人许静张博(51)Int.Cl.G06Q40/02(2012.01)G06K9/62(2006.01)权利要求书3页说明书14页附图3页(54)发明名称一种用户授信额度的确定方法及装置(57)摘要一种用户授信额度的确定方法及装置，该方法包括：将目标用户的负债的预测变量输入用户负债模型得到所述目标用户的负债预测值；将目标用户的收入的预测变量输入用户收入模型得到所述目标用户的收入预测值；根据所述目标用户的负债预测值和收入预测值，计算得到所述目标用户的负债收入比；根据所述目标用户的负债收入比，确定所述目标用户的授信额度。本发明实施例的用户收入和负债模型易于部署，可以大大提高授信流程的处理效率，减少人力成本。另外，本发明实施例利用较为准确的收入和负债信息作为模型目标变量，对所有客户构建机器学习模型，预测结果更加准确，授信过程更加科学。CN113674076ACN113674076A权利要求书1/3页1.一种用户授信额度的确定方法，其特征在于，包括：将目标用户的负债的预测变量输入用户负债模型得到所述目标用户的负债预测值；将目标用户的收入的预测变量输入用户收入模型得到所述目标用户的收入预测值；根据所述目标用户的负债预测值和收入预测值，计算得到所述目标用户的负债收入比；根据所述目标用户的负债收入比，确定所述目标用户的授信额度。2.如权利要求1所述的方法，其特征在于，根据所述目标用户的负债预测值和收入预测值，计算得到所述目标用户的负债收入比的步骤，包括：计算所述目标用户的负债预测值和收入预测值的比值，得到所述目标用户的负债收入比。3.如权利要求1或2所述的方法，其特征在于，所述用户收入模型利用用户收入样本数据训练得到，具体包括：根据存量用户的公积金记录、社保缴纳记录、税收缴纳记录中的任一项或多项，计算所述存量用户的收入值，作为用户收入的第一目标变量；从用户信息数据库中提取所述存量用户的用户属性信息，或从用户信息数据库中提取所述存量用户的用户属性信息和用户行为信息，生成对应的特征变量，作为用户收入的第一预测变量；根据所述第一目标变量和所述第一预测变量构成的第一样本数据，对预先构建的用户收入模型进行训练，其中，所述预先构建的用户收入模型为基于回归预测算法的回归预测模型、决策树模型、xgboost模型或神经网络模型中的一种或多种融合的模型；其中，所述用户属性信息包括类别变量和数值变量，所述类别变量对应的特征变量是对类别变量进行数值化处理后得到的连续型特征变量。4.如权利要求1所述的方法，其特征在于，所述用户负债模型利用用户负债样本数据训练得到，具体包括：基于存量用户的征信报告中所包含的存量用户的负债数据，生成所述存量用户的用户负债的第二目标变量；根据所述存量用户的借贷交易的历史数据，生成包括借贷金额类、借贷时间类和借贷次数类的特征变量，或根据所述存量用户的借贷交易的历史数据，生成包括借贷金额类、借贷时间类和借贷次数类的特征变量和从用户信息数据库中提取所述存量用户的用户属性信息所对应的特征变量，或根据所述存量用户的借贷交易的历史数据，生成包括借贷金额类、借贷时间类和借贷次数类的特征变量和从用户信息数据库中提取所述存量用户的用户属性信息和用户行为信息所对应的特征变量，作为所述存量用户的用户负债的第二预测变量；根据所述第二目标变量和所述第二预测变量构成的第二样本数据，对预先构建的用户负债模型进行训练，其中，所述预先构建的用户负债模型为回归预测模型、决策树回归模型、xgboost模型或神经网络模型中的一种或多种融合的模型。5.如权利要求1所述的方法，其特征在于，所述根据所述目标用户的负债收入比，确定所述目标用户的授信额度的步骤，包括：确定所述目标用户的负债收入比所在的目标数值区间，根据预先设定的数值区间与风2CN113674076A权利要求书2/3页险等级的对应关系，将所述目标数值区间对应的目标风险等级，作为所述目标用户的风险等级；根据所述目标用户的风险等级，确定所述目标用户的授信额度，其中，高风险等级对应于低授信额度。6.如权利要求1所述的方法，其特征在于，所述目标用户的负债的预测变量包括：根据所述目标用户的借贷交易的历史数据生成包括借贷金额类、借贷时间类和借贷次数类的特征变量，或根据所述目标用户的借贷交易的历史数据生成包括借贷金额类、借贷时间类和借贷