CN107767259A - 贷款风险控制方法、电子装置及可读存储介质 - Google Patents

Abstract

本发明涉及一种贷款风险控制方法、电子装置及可读存储介质，该方法包括：将预设的不同贷款风险等级的种子用户与预先建立的用户画像进行关联，得到不同贷款风险等级的用户画像数据；基于不同贷款风险等级的用户画像数据训练得到贷款风险等级的分级模型，并利用所述分级模型对预设应用程序上的用户进行分级，分为不同贷款风险等级；根据预设应用程序上用户对应的不同贷款风险等级，并按预设评分规则对预设应用程序上的用户进行风险评分，只向评分达到预设要求的用户展现预设贷款入口。本发明降低了贷款公司的风险，提升贷款用户的转化率。

Description

贷款风险控制方法、电子装置及可读存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种贷款风险控制方法、电子装置及可读存储介质。

背景技术

当前各贷款公司在导流APP上推广贷款业务时，主要是采用广撒网的方式，即针对所有用户展现贷款入口，并没有考虑到用户贷款的风险控制问题，劣质客户也能随意通过贷款入口办理贷款，加大了贷款风险，降低了贷款成功率。

发明内容

本发明的目的在于提供一种贷款风险控制方法、电子装置及可读存储介质，旨在降低贷款风险。

为实现上述目的，本发明提供一种电子装置，所述电子装置包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的贷款风险控制系统，所述贷款风险控制系统被所述处理器执行时实现如下步骤：

A、将预设的不同贷款风险等级的种子用户与预先建立的用户画像进行关联，得到不同贷款风险等级的用户画像数据；

B、基于不同贷款风险等级的用户画像数据训练得到贷款风险等级的分级模型，并利用所述分级模型对预设应用程序上的用户进行分级，分为不同贷款风险等级；

C、根据预设应用程序上用户对应的不同贷款风险等级，并按预设评分规则对预设应用程序上的用户进行风险评分，只向评分达到预设要求的用户展现预设贷款入口。

优选地，贷款风险等级包括四个等级a、b、c、d，所述分级模型的训练过程如下：

利用多类划分法对不同贷款风险等级的用户画像数据进行训练，在抽取训练集的时候分别抽取贷款风险等级a所对应的用户画像数据向量作为正集，贷款风险等级b、c、d所对应的用户画像数据向量作为负集，以得到第一训练集；抽取贷款风险等级b所对应的用户画像数据向量作为正集，抽取贷款风险等级a、c、d所对应的用户画像数据向量作为负集，以得到第二训练集；抽取贷款风险等级c所对应的用户画像数据向量作为正集，贷款风险等级a、b、d所对应的用户画像数据向量作为负集，以得到第三训练集；抽取贷款风险等级d所对应的用户画像数据向量作为正集，贷款风险等级a、b、c所对应的用户画像数据向量作为负集，以得到第四训练集；对这四个训练集分别进行训练，得到四个支持向量机SVM，作为贷款风险等级的分级模型。

优选地，所述利用所述分级模型对预设应用程序上的用户进行分级包括：

在利用所述分级模型对预设应用程序上用户的贷款风险等级进行分级时，将预设应用程序上用户的用户数据向量分别利用所述分级模型中的四个支持向量机SVM进行测试，得到预设应用程序上用户的用户数据向量在每个支持向量机SVM上的分类函数值，将具有最大分类函数值的支持向量机SVM对应的贷款风险等级作为该用户的贷款风险等级。

优选地，所述根据预设应用程序上用户对应的不同贷款风险等级，并按预设评分规则对预设应用程序上的用户进行风险评分包括：

获取用户在预设应用程序上的行为数据，根据所述行为数据将预设应用程序上的用户进行聚类为不同行为类别，则计算预设应用程序上用户的风险评分M的公式为：

M＝x1*M1+y1*M2

其中，M1为预设的不同贷款风险等级对应的评分基数，x1为贷款风险等级对应的权重系数；M2为预设的不同行为类别对应的评分基数，y1为行为类别对应的权重系数。

此外，为实现上述目的，本发明还提供一种贷款风险控制方法，所述贷款风险控制方法包括：

步骤一、将预设的不同贷款风险等级的种子用户与预先建立的用户画像进行关联，得到不同贷款风险等级的用户画像数据；

步骤二、基于不同贷款风险等级的用户画像数据训练得到贷款风险等级的分级模型，并利用所述分级模型对预设应用程序上的用户进行分级，分为不同贷款风险等级；

步骤三、根据预设应用程序上用户对应的不同贷款风险等级，并按预设评分规则对预设应用程序上的用户进行风险评分，只向评分达到预设要求的用户展现预设贷款入口。

优选地，贷款风险等级包括四个等级a、b、c、d，所述分级模型的训练过程如下：

利用多类划分法对不同贷款风险等级的用户画像数据进行训练，在抽取训练集的时候分别抽取贷款风险等级a所对应的用户画像数据向量作为正集，贷款风险等级b、c、d所对应的用户画像数据向量作为负集，以得到第一训练集；抽取贷款风险等级b所对应的用户画像数据向量作为正集，抽取贷款风险等级a、c、d所对应的用户画像数据向量作为负集，以得到第二训练集；抽取贷款风险等级c所对应的用户画像数据向量作为正集，贷款风险等级a、b、d所对应的用户画像数据向量作为负集，以得到第三训练集；抽取贷款风险等级d所对应的用户画像数据向量作为正集，贷款风险等级a、b、c所对应的用户画像数据向量作为负集，以得到第四训练集；对这四个训练集分别进行训练，得到四个支持向量机SVM，作为贷款风险等级的分级模型。

优选地，所述利用所述分级模型对预设应用程序上的用户进行分级包括：

在利用所述分级模型对预设应用程序上用户的贷款风险等级进行分级时，将预设应用程序上用户的用户数据向量分别利用所述分级模型中的四个支持向量机SVM进行测试，得到预设应用程序上用户的用户数据向量在每个支持向量机SVM上的分类函数值，将具有最大分类函数值的支持向量机SVM对应的贷款风险等级作为该用户的贷款风险等级。

优选地，所述根据预设应用程序上用户对应的不同贷款风险等级，并按预设评分规则对预设应用程序上的用户进行风险评分包括：

获取用户在预设应用程序上的行为数据，根据所述行为数据将预设应用程序上的用户进行聚类为不同行为类别，则计算预设应用程序上用户的风险评分M的公式为：

M＝x1*M1+y1*M2

其中，M1为预设的不同贷款风险等级对应的评分基数，x1为贷款风险等级对应的权重系数；M2为预设的不同行为类别对应的评分基数，y1为行为类别对应的权重系数。

优选地，所述根据预设应用程序上用户对应的不同贷款风险等级，并按预设评分规则对预设应用程序上的用户进行风险评分包括：

获取用户在预设应用程序上的定位数据，并根据所述定位数据及该用户的贷款风险等级对应的用户画像数据为该用户设置对应的预设标签，则计算预设应用程序上用户的风险评分M的公式为：

M＝x3*M3+y4*M4

其中，M3为预设的不同贷款风险等级对应的评分基数，x3为贷款风险等级对应的权重系数；M4为预设的不同标签对应的评分基数，y4为标签对应的权重系数。

进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有贷款风险控制系统，所述贷款风险控制系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述的贷款风险控制方法的步骤。

本发明提出的贷款风险控制方法、系统及可读存储介质，通过将不同贷款风险等级的种子用户与用户画像进行关联，得到不同贷款风险等级的用户画像数据，并基于不同贷款风险等级的用户画像数据训练得到贷款风险等级的分级模型，利用所述分级模型将预设应用程序上的用户分为不同贷款风险等级；根据用户对应的不同贷款风险等级进行风险评分，只向评分达到预设要求的用户展现预设贷款入口。由于能对预设应用程序上的用户进行贷款风险评分，仅对评分符合要求的用户展现预设应用程序上的贷款入口，提高了在导流的预设应用程序上推广贷款业务的贷款成功率，避免评分不符合要求的用户即劣质客户也能随意通过贷款入口办理贷款，降低了贷款公司的风险，提升贷款用户的转化率。

附图说明

图1为本发明各个实施例一可选的应用环境示意图；

图2是图1中电子装置一实施例的硬件架构的示意图；

图3为本发明贷款风险控制方法一实施例的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

参阅图1，是本发明各个实施例一可选的应用环境示意图。

在本实施例中，本发明可应用于包括，但不仅限于，电子装置1、终端设备2、网络3的应用环境中。其中，电子装置1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。电子装置1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。

终端设备2包括，但不限于，任何一种可与用户通过键盘、鼠标、遥控器、触摸板或者声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)，游戏机、交互式网络电视(InternetProtocol Television,IPTV)、智能式穿戴式设备等。

所述网络3可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global S贷款风险控制stem of Mobile communication，GSM)、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。其中，所述电子装置1通过所述网络3分别与一个或多个所述终端设备2通信连接。

参阅图2，是图1中电子装置1一可选的硬件架构的示意图，本实施例中，电子装置1可包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13。需要指出的是，图2仅示出了具有组件11-13的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述电子装置1的外部存储设备，例如该电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述电子装置1的内部存储单元也包括其外部存储设备。本实施例中，所述存储器11通常用于存储安装于所述电子装置1的操作系统和各类应用软件，例如所述贷款风险控制系统10的程序代码等。此外，所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子装置1的总体操作，例如执行与所述终端设备2进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行所述贷款风险控制系统10等。

所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述电子装置1与其他电子设备之间建立通信连接。本实施例中，所述网络接口13主要用于通过所述网络3将所述电子装置1与一个或多个所述终端设备2相连，在所述电子装置1与一个或多个所述终端设备2之间建立数据传输通道和通信连接。

贷款风险控制系统10包括至少一个存储在所述存储器11中的计算机可读指令，该至少一个计算机可读指令可被所述处理器12执行，以实现本申请各实施例。

其中，上述贷款风险控制系统10被所述处理器12执行时实现如下步骤：

步骤S1，将预设的不同贷款风险等级的种子用户与预先建立的用户画像进行关联，得到不同贷款风险等级的用户画像数据。

本实施例中，首先获取一批种子用户，并对种子用户进行贷款风险等级的分级。例如，可由专家从用户数据库中挑选出一批具有代表性、普遍性的种子用户，并根据经验给种子用户进行贷款风险等级的分级，如可分成高风险、中风险、低风险等贷款风险等级。

获取预先建立的用户画像，并将挑选的不同贷款风险等级的种子用户与预先建立的用户画像进行关联，以得到不同贷款风险等级的用户画像数据。其中，用户画像是建立在一系列真实数据之上的目标用户模型，是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识。本实施例中的预设用户画像可以是直接调用已建立好的与贷款人员相关的用户画像，也可以是通过各种数据源(如贷款网站数据库、QQ、微博、微信、雪球、东方财富社交软件等)来建立用户画像，建立的用户画像中包括各种属性标签，如用户的社会属性标签和金融属性标签，如年龄、家庭状况、收入、职业、消费习惯、是否有过贷款记录、是否办过信用卡等等。

将不同贷款风险等级的种子用户与对应的包含属性标签的用户画像进行关联，即将种子用户数据中的各项属性如年龄、性别、喜好、收入等与用户画像中对应的各种属性标签进行匹配，将匹配度较高的种子用户数据与用户画像进行关联，将用户画像中的所有属性标签赋予与之相关联的种子用户数据，形成关联后的用户画像数据。这样，使得本来仅有基本属性的种子用户数据也具有了用户画像中的各种属性标签如各种社会属性标签和金融属性标签等，以便于后续建立模型及更加准确地对推广贷款业务的导流应用程序上用户进行贷款风险等级的分级。

步骤S2，基于不同贷款风险等级的用户画像数据训练得到贷款风险等级的分级模型，并利用所述分级模型对预设应用程序上的用户进行分级，分为不同贷款风险等级。

本实施例中，获取到关联后的不同贷款风险等级的用户画像数据，可基于不同贷款风险等级的用户画像数据训练得到贷款风险等级的分级模型。在一种可选的实施方式中，可采用一对多法(one-versus-rest，简称OVR SVMs)来训练得到分级模型，训练时依次把某个类别的样本即某一个贷款风险等级的用户画像数据归为一类,其他剩余的样本归为另一类，这样k个类别的样本就构造出了k个支持向量机SVM，分类时将未知样本分类为具有最大分类函数值的那类。在另一种可选的实施方式中，还可采用一对一法(one-versus-one,简称OVO SVMs或者pairwise)来训练得到分级模型，其做法是在任意两类样本即两种贷款风险等级的用户画像数据之间设计一个SVM，因此k个类别的样本就需要设计k(k-1)/2个SVM，当对一个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。

在一种具体实施方式中，在采用一对多法即多类划分法(one vs rest)对不同贷款风险等级的用户画像数据进行训练得到分级模型时，可假定贷款风险等级包括四个等级a、b、c、d，则所述分级模型的训练过程如下：

在抽取训练集的时候分别抽取贷款风险等级a所对应的用户画像数据向量作为正集，贷款风险等级b、c、d所对应的用户画像数据向量作为负集，以得到第一训练集；抽取贷款风险等级b所对应的用户画像数据向量作为正集，抽取贷款风险等级a、c、d所对应的用户画像数据向量作为负集，以得到第二训练集；抽取贷款风险等级c所对应的用户画像数据向量作为正集，贷款风险等级a、b、d所对应的用户画像数据向量作为负集，以得到第三训练集；抽取贷款风险等级d所对应的用户画像数据向量作为正集，贷款风险等级a、b、c所对应的用户画像数据向量作为负集，以得到第四训练集；对这四个训练集分别进行训练，得到四个支持向量机SVM，作为贷款风险等级的分级模型。

在利用所述分级模型对预设应用程序上用户的贷款风险等级进行分级时，提取出预设应用程序上用户的用户数据(如用户在应用程序上注册时填写的姓名、性别、年龄、职业等基本属性数据，或用户在使用应用程序过程中产生的该用户感兴趣的内容、消费习惯等等)，并将用户数据向量化，得到对应的用户数据向量。分别利用所述分级模型中的四个支持向量机SVM对用户数据向量进行测试，得到预设应用程序上用户的用户数据向量在每个支持向量机SVM上的分类函数值，将具有最大分类函数值的支持向量机SVM对应的用户画像数据向量的贷款风险等级作为该用户的贷款风险等级。即将第一训练集、第二训练集、第三训练集、第四训练集这四个训练集分别进行训练，然后得到四个支持向量机SVM的训练结果文件，在后续测试的时候，把对应的测试向量分别利用这四个训练结果文件进行测试，最后每个测试都有一个结果，最终的结果便是这四个值中最大的一个。

步骤S3，根据预设应用程序上用户对应的不同贷款风险等级，并按预设评分规则对预设应用程序上的用户进行风险评分，只向评分达到预设要求的用户展现预设贷款入口。

本实施例中，利用所述分级模型将预设应用程序上各个用户分为对应的不同贷款风险等级后，可对各个用户进行风险评分。例如，预先设定不同的贷款风险等级包括高、中等偏上、中等偏下、低四个级别，则在各个用户中，可设定高、中等偏上、中等偏下贷款风险等级的用户其风险评分低，则只向风险评分低的用户展现预设贷款入口。在进行风险评分时，还可在用户的贷款风险等级基础上，结合预先设定好的业务规则、用户类别、用户标签、用户的当前定位地址等因素综合对其进行贷款风险评分，只向评分达到预设要求的用户展现预设贷款入口，对评分达不到预设要求的高风险用户则不展现预设贷款入口，以阻止高风险用户通过预设贷款入口办理贷款业务。在展现预设贷款入口时，可根据设备号在评分达到预设要求的用户的终端设备显示该预设应用程序界面时在预设位置如底部、顶端等APP界面关键位置展示预设的贷款入口，以方便引导评分达到预设要求的用户进行贷款。

与现有技术相比，本实施例通过将不同贷款风险等级的种子用户与用户画像进行关联，得到不同贷款风险等级的用户画像数据，并基于不同贷款风险等级的用户画像数据训练得到贷款风险等级的分级模型，利用所述分级模型将预设应用程序上的用户分为不同贷款风险等级；根据用户对应的不同贷款风险等级进行风险评分，只向评分达到预设要求的用户展现预设贷款入口。由于能对预设应用程序上的用户进行贷款风险评分，仅对评分符合要求的用户展现预设应用程序上的贷款入口，提高了在导流的预设应用程序上推广贷款业务的贷款成功率，避免评分不符合要求的用户即劣质客户也能随意通过贷款入口办理贷款，降低了贷款公司的风险，提升贷款用户的转化率。

在一可选的实施例中，在上述图2的实施例的基础上，所述贷款风险控制系统10被所述处理器12执行实现所述步骤S3时，还包括：

获取用户在预设应用程序上的行为数据，根据所述行为数据将预设应用程序上的用户进行聚类为不同行为类别，则计算预设应用程序上用户的风险评分M的公式为：

M＝x1*M1+y1*M2

其中，M1为预设的不同贷款风险等级对应的评分基数，x1为贷款风险等级对应的权重系数；M2为预设的不同行为类别对应的评分基数，y1为行为类别对应的权重系数。

本实施例中还可综合考虑用户在预设应用程序上的行为数据，并根据所述行为数据将预设应用程序上的用户进行聚类为不同行为类别，例如，可根据不同用户在预设应用程序上的消费行为数据将聚类为经常消费、偶尔消费、基本不消费等类别，或习惯大额消费、习惯小额消费等类别。根据实际应用的需要预先设定不同贷款风险等级对应的评分基数M1及其对应的权重系数x1，以及不同行为类别对应的评分基数M2及其对应的权重系数y1，综合计算得到用户的风险评分M。例如，可预设不同贷款风险等级如高、中等偏上、中等偏下、低对应的评分基数分别为1、0.8、0.6、0.4，贷款风险等级对应的权重系数x1为0.4。预设不同行为类别如经常消费、偶尔消费、基本不消费类别的评分基数分别为0.5、0.7、0.9，行为类别对应的权重系数为0.6。若预设应用程序上一用户确定其为高贷款风险等级，且根据该用户在预设应用程序上的行为数据该用户确定其为偶尔消费类别，则可计算得到该用户的风险评分M＝0.4*1+0.6*0.7＝0.82。依次计算得到预设应用程序上各个用户的风险评分，评分越高说明贷款的风险越高，因此，仅对评分达到预设要求如低于某一预设阈值的用户展现预设贷款入口。

本实施例中，在计算用户的风险评分时，可综合考虑用户的贷款风险等级以及用户在预设应用程序上的行为数据，能更准确全面的评价用户的贷款风险，以更加精准地进行贷款风险控制。

在一可选的实施例中，所述贷款风险控制系统10被所述处理器12执行实现所述步骤S3时，还包括：

获取用户在预设应用程序上的定位数据，并根据所述定位数据及该用户的贷款风险等级对应的用户画像数据为该用户设置对应的预设标签，则计算预设应用程序上用户的风险评分M的公式为：

M＝x3*M3+y4*M4

其中，M3为预设的不同贷款风险等级对应的评分基数，x3为贷款风险等级对应的权重系数；M4为预设的不同标签对应的评分基数，y4为标签对应的权重系数。

本实施例中还可综合考虑用户在预设应用程序上的定位数据，并根据所述定位数据及该用户的贷款风险等级对应的用户画像数据为该用户设置对应的预设标签。例如，可根据用户的定位数据中经常出现的定位地址为奢侈品商场，且该用户对应的用户画像数据中的收入属性标签为高收入人群，则可为该用户设置对应的预设标签为“高消费人群”；若定位地址为普通商场，且该用户对应的用户画像数据中的收入属性标签为中等收入人群，则可为该用户设置对应的预设标签为“中等消费人群”，等等。根据实际应用的需要预先设定不同贷款风险等级对应的评分基数M3及其对应的权重系数x3，以及不同标签对应的评分基数M4及其对应的权重系数y4，综合计算得到用户的风险评分M。例如，可预设不同贷款风险等级如高、中等偏上、中等偏下、低对应的评分基数分别为1、0.8、0.6、0.4，贷款风险等级对应的权重系数x1为0.3。预设不同标签如高消费人群、中等消费人群、低消费人群的评分基数分别为0.3、0.5、0.9，行为类别对应的权重系数为0.7。若预设应用程序上一用户确定其为高贷款风险等级，且根据该用户在预设应用程序上的定位数据确定该用户的标签为“中等消费人群”，则可计算得到该用户的风险评分M＝0.3*1+0.5*0.7＝0.65。依次计算得到预设应用程序上各个用户的风险评分，评分越高说明贷款的风险越高，因此，仅对评分达到预设要求如低于某一预设阈值的用户展现预设贷款入口。

本实施例中，在计算用户的风险评分时，可综合考虑用户的贷款风险等级以及用户在预设应用程序上的定位数据，能更准确全面的评价用户的贷款风险，以更加精准地进行贷款风险控制。

如图3所示，图3为本发明贷款风险控制方法一实施例的流程示意图，该贷款风险控制方法包括以下步骤：

步骤S10，将预设的不同贷款风险等级的种子用户与预先建立的用户画像进行关联，得到不同贷款风险等级的用户画像数据。

本实施例中，首先获取一批种子用户，并对种子用户进行贷款风险等级的分级。例如，可由专家从用户数据库中挑选出一批具有代表性、普遍性的种子用户，并根据经验给种子用户进行贷款风险等级的分级，如可分成高风险、中风险、低风险等贷款风险等级。

获取预先建立的用户画像，并将挑选的不同贷款风险等级的种子用户与预先建立的用户画像进行关联，以得到不同贷款风险等级的用户画像数据。其中，用户画像是建立在一系列真实数据之上的目标用户模型，是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识。本实施例中的预设用户画像可以是直接调用已建立好的与贷款人员相关的用户画像，也可以是通过各种数据源(如贷款网站数据库、QQ、微博、微信、雪球、东方财富社交软件等)来建立用户画像，建立的用户画像中包括各种属性标签，如用户的社会属性标签和金融属性标签，如年龄、家庭状况、收入、职业、消费习惯、是否有过贷款记录、是否办过信用卡等等。

将不同贷款风险等级的种子用户与对应的包含属性标签的用户画像进行关联，即将种子用户数据中的各项属性如年龄、性别、喜好、收入等与用户画像中对应的各种属性标签进行匹配，将匹配度较高的种子用户数据与用户画像进行关联，将用户画像中的所有属性标签赋予与之相关联的种子用户数据，形成关联后的用户画像数据。这样，使得本来仅有基本属性的种子用户数据也具有了用户画像中的各种属性标签如各种社会属性标签和金融属性标签等，以便于后续建立模型及更加准确地对推广贷款业务的导流应用程序上用户进行贷款风险等级的分级。

步骤S20，基于不同贷款风险等级的用户画像数据训练得到贷款风险等级的分级模型，并利用所述分级模型对预设应用程序上的用户进行分级，分为不同贷款风险等级。

本实施例中，获取到关联后的不同贷款风险等级的用户画像数据，可基于不同贷款风险等级的用户画像数据训练得到贷款风险等级的分级模型。在一种可选的实施方式中，可采用一对多法(one-versus-rest，简称OVR SVMs)来训练得到分级模型，训练时依次把某个类别的样本即某一个贷款风险等级的用户画像数据归为一类,其他剩余的样本归为另一类，这样k个类别的样本就构造出了k个支持向量机SVM，分类时将未知样本分类为具有最大分类函数值的那类。在另一种可选的实施方式中，还可采用一对一法(one-versus-one,简称OVO SVMs或者pairwise)来训练得到分级模型，其做法是在任意两类样本即两种贷款风险等级的用户画像数据之间设计一个SVM，因此k个类别的样本就需要设计k(k-1)/2个SVM，当对一个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。

在一种具体实施方式中，在采用一对多法即多类划分法(one vs rest)对不同贷款风险等级的用户画像数据进行训练得到分级模型时，可假定贷款风险等级包括四个等级a、b、c、d，则所述分级模型的训练过程如下：

在抽取训练集的时候分别抽取贷款风险等级a所对应的用户画像数据向量作为正集，贷款风险等级b、c、d所对应的用户画像数据向量作为负集，以得到第一训练集；抽取贷款风险等级b所对应的用户画像数据向量作为正集，抽取贷款风险等级a、c、d所对应的用户画像数据向量作为负集，以得到第二训练集；抽取贷款风险等级c所对应的用户画像数据向量作为正集，贷款风险等级a、b、d所对应的用户画像数据向量作为负集，以得到第三训练集；抽取贷款风险等级d所对应的用户画像数据向量作为正集，贷款风险等级a、b、c所对应的用户画像数据向量作为负集，以得到第四训练集；对这四个训练集分别进行训练，得到四个支持向量机SVM，作为贷款风险等级的分级模型。

在利用所述分级模型对预设应用程序上用户的贷款风险等级进行分级时，提取出预设应用程序上用户的用户数据(如用户在应用程序上注册时填写的姓名、性别、年龄、职业等基本属性数据，或用户在使用应用程序过程中产生的该用户感兴趣的内容、消费习惯等等)，并将用户数据向量化，得到对应的用户数据向量。分别利用所述分级模型中的四个支持向量机SVM对用户数据向量进行测试，得到预设应用程序上用户的用户数据向量在每个支持向量机SVM上的分类函数值，将具有最大分类函数值的支持向量机SVM对应的用户画像数据向量的贷款风险等级作为该用户的贷款风险等级。即将第一训练集、第二训练集、第三训练集、第四训练集这四个训练集分别进行训练，然后得到四个支持向量机SVM的训练结果文件，在后续测试的时候，把对应的测试向量分别利用这四个训练结果文件进行测试，最后每个测试都有一个结果，最终的结果便是这四个值中最大的一个。

步骤S30，根据预设应用程序上用户对应的不同贷款风险等级，并按预设评分规则对预设应用程序上的用户进行风险评分，只向评分达到预设要求的用户展现预设贷款入口。

本实施例中，利用所述分级模型将预设应用程序上各个用户分为对应的不同贷款风险等级后，可对各个用户进行风险评分。例如，预先设定不同的贷款风险等级包括高、中等偏上、中等偏下、低四个级别，则在各个用户中，可设定高、中等偏上、中等偏下贷款风险等级的用户其风险评分低，则只向风险评分低的用户展现预设贷款入口。在进行风险评分时，还可在用户的贷款风险等级基础上，结合预先设定好的业务规则、用户类别、用户标签、用户的当前定位地址等因素综合对其进行贷款风险评分，只向评分达到预设要求的用户展现预设贷款入口，对评分达不到预设要求的高风险用户则不展现预设贷款入口，以阻止高风险用户通过预设贷款入口办理贷款业务。在展现预设贷款入口时，可根据设备号在评分达到预设要求的用户的终端设备显示该预设应用程序界面时在预设位置如底部、顶端等APP界面关键位置展示预设的贷款入口，以方便引导评分达到预设要求的用户进行贷款。

与现有技术相比，本实施例通过将不同贷款风险等级的种子用户与用户画像进行关联，得到不同贷款风险等级的用户画像数据，并基于不同贷款风险等级的用户画像数据训练得到贷款风险等级的分级模型，利用所述分级模型将预设应用程序上的用户分为不同贷款风险等级；根据用户对应的不同贷款风险等级进行风险评分，只向评分达到预设要求的用户展现预设贷款入口。由于能对预设应用程序上的用户进行贷款风险评分，仅对评分符合要求的用户展现预设应用程序上的贷款入口，提高了在导流的预设应用程序上推广贷款业务的贷款成功率，避免评分不符合要求的用户即劣质客户也能随意通过贷款入口办理贷款，降低了贷款公司的风险，提升贷款用户的转化率。

在一可选的实施例中，在上述实施例的基础上，所述步骤S30还包括：

获取用户在预设应用程序上的行为数据，根据所述行为数据将预设应用程序上的用户进行聚类为不同行为类别，则计算预设应用程序上用户的风险评分M的公式为：

M＝x1*M1+y1*M2

其中，M1为预设的不同贷款风险等级对应的评分基数，x1为贷款风险等级对应的权重系数；M2为预设的不同行为类别对应的评分基数，y1为行为类别对应的权重系数。

本实施例中还可综合考虑用户在预设应用程序上的行为数据，并根据所述行为数据将预设应用程序上的用户进行聚类为不同行为类别，例如，可根据不同用户在预设应用程序上的消费行为数据将聚类为经常消费、偶尔消费、基本不消费等类别，或习惯大额消费、习惯小额消费等类别。根据实际应用的需要预先设定不同贷款风险等级对应的评分基数M1及其对应的权重系数x1，以及不同行为类别对应的评分基数M2及其对应的权重系数y1，综合计算得到用户的风险评分M。例如，可预设不同贷款风险等级如高、中等偏上、中等偏下、低对应的评分基数分别为1、0.8、0.6、0.4，贷款风险等级对应的权重系数x1为0.4。预设不同行为类别如经常消费、偶尔消费、基本不消费类别的评分基数分别为0.5、0.7、0.9，行为类别对应的权重系数为0.6。若预设应用程序上一用户确定其为高贷款风险等级，且根据该用户在预设应用程序上的行为数据该用户确定其为偶尔消费类别，则可计算得到该用户的风险评分M＝0.4*1+0.6*0.7＝0.82。依次计算得到预设应用程序上各个用户的风险评分，评分越高说明贷款的风险越高，因此，仅对评分达到预设要求如低于某一预设阈值的用户展现预设贷款入口。

本实施例中，在计算用户的风险评分时，可综合考虑用户的贷款风险等级以及用户在预设应用程序上的行为数据，能更准确全面的评价用户的贷款风险，以更加精准地进行贷款风险控制。

在一可选的实施例中，所述步骤S3还包括：

获取用户在预设应用程序上的定位数据，并根据所述定位数据及该用户的贷款风险等级对应的用户画像数据为该用户设置对应的预设标签，则计算预设应用程序上用户的风险评分M的公式为：

M＝x3*M3+y4*M4

其中，M3为预设的不同贷款风险等级对应的评分基数，x3为贷款风险等级对应的权重系数；M4为预设的不同标签对应的评分基数，y4为标签对应的权重系数。

本实施例中还可综合考虑用户在预设应用程序上的定位数据，并根据所述定位数据及该用户的贷款风险等级对应的用户画像数据为该用户设置对应的预设标签。例如，可根据用户的定位数据中经常出现的定位地址为奢侈品商场，且该用户对应的用户画像数据中的收入属性标签为高收入人群，则可为该用户设置对应的预设标签为“高消费人群”；若定位地址为普通商场，且该用户对应的用户画像数据中的收入属性标签为中等收入人群，则可为该用户设置对应的预设标签为“中等消费人群”，等等。根据实际应用的需要预先设定不同贷款风险等级对应的评分基数M3及其对应的权重系数x3，以及不同标签对应的评分基数M4及其对应的权重系数y4，综合计算得到用户的风险评分M。例如，可预设不同贷款风险等级如高、中等偏上、中等偏下、低对应的评分基数分别为1、0.8、0.6、0.4，贷款风险等级对应的权重系数x1为0.3。预设不同标签如高消费人群、中等消费人群、低消费人群的评分基数分别为0.3、0.5、0.9，行为类别对应的权重系数为0.7。若预设应用程序上一用户确定其为高贷款风险等级，且根据该用户在预设应用程序上的定位数据确定该用户的标签为“中等消费人群”，则可计算得到该用户的风险评分M＝0.3*1+0.5*0.7＝0.65。依次计算得到预设应用程序上各个用户的风险评分，评分越高说明贷款的风险越高，因此，仅对评分达到预设要求如低于某一预设阈值的用户展现预设贷款入口。

本实施例中，在计算用户的风险评分时，可综合考虑用户的贷款风险等级以及用户在预设应用程序上的定位数据，能更准确全面的评价用户的贷款风险，以更加精准地进行贷款风险控制。

此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有贷款风险控制系统，所述贷款风险控制系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述实施例中的贷款风险控制方法的步骤，该贷款风险控制方法的步骤S10、S20、S30等具体实施过程如上文所述，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (10)

1.一种电子装置，其特征在于，所述电子装置包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的贷款风险控制系统，所述贷款风险控制系统被所述处理器执行时实现如下步骤：

A、将预设的不同贷款风险等级的种子用户与预先建立的用户画像进行关联，得到不同贷款风险等级的用户画像数据；

B、基于不同贷款风险等级的用户画像数据训练得到贷款风险等级的分级模型，并利用所述分级模型对预设应用程序上的用户进行分级，分为不同贷款风险等级；

C、根据预设应用程序上用户对应的不同贷款风险等级，并按预设评分规则对预设应用程序上的用户进行风险评分，只向评分达到预设要求的用户展现预设贷款入口。

2.如权利要求1所述的电子装置，其特征在于，贷款风险等级包括四个等级a、b、c、d，所述分级模型的训练过程如下：

利用多类划分法对不同贷款风险等级的用户画像数据进行训练，在抽取训练集的时候分别抽取贷款风险等级a所对应的用户画像数据向量作为正集，贷款风险等级b、c、d所对应的用户画像数据向量作为负集，以得到第一训练集；抽取贷款风险等级b所对应的用户画像数据向量作为正集，抽取贷款风险等级a、c、d所对应的用户画像数据向量作为负集，以得到第二训练集；抽取贷款风险等级c所对应的用户画像数据向量作为正集，贷款风险等级a、b、d所对应的用户画像数据向量作为负集，以得到第三训练集；抽取贷款风险等级d所对应的用户画像数据向量作为正集，贷款风险等级a、b、c所对应的用户画像数据向量作为负集，以得到第四训练集；对这四个训练集分别进行训练，得到四个支持向量机SVM，作为贷款风险等级的分级模型。

3.如权利要求2所述的电子装置，其特征在于，所述利用所述分级模型对预设应用程序上的用户进行分级包括：

在利用所述分级模型对预设应用程序上用户的贷款风险等级进行分级时，将预设应用程序上用户的用户数据向量分别利用所述分级模型中的四个支持向量机SVM进行测试，得到预设应用程序上用户的用户数据向量在每个支持向量机SVM上的分类函数值，将具有最大分类函数值的支持向量机SVM对应的贷款风险等级作为该用户的贷款风险等级。

4.如权利要求1所述的电子装置，其特征在于，所述根据预设应用程序上用户对应的不同贷款风险等级，并按预设评分规则对预设应用程序上的用户进行风险评分包括：

获取用户在预设应用程序上的行为数据，根据所述行为数据将预设应用程序上的用户进行聚类为不同行为类别，则计算预设应用程序上用户的风险评分M的公式为：

M＝x1*M1+y1*M2

其中，M1为预设的不同贷款风险等级对应的评分基数，x1为贷款风险等级对应的权重系数；M2为预设的不同行为类别对应的评分基数，y1为行为类别对应的权重系数。

5.一种贷款风险控制方法，其特征在于，所述贷款风险控制方法包括：

步骤一、将预设的不同贷款风险等级的种子用户与预先建立的用户画像进行关联，得到不同贷款风险等级的用户画像数据；

步骤二、基于不同贷款风险等级的用户画像数据训练得到贷款风险等级的分级模型，并利用所述分级模型对预设应用程序上的用户进行分级，分为不同贷款风险等级；

步骤三、根据预设应用程序上用户对应的不同贷款风险等级，并按预设评分规则对预设应用程序上的用户进行风险评分，只向评分达到预设要求的用户展现预设贷款入口。

6.如权利要求5所述的贷款风险控制方法，其特征在于，贷款风险等级包括四个等级a、b、c、d，所述分级模型的训练过程如下：

利用多类划分法对不同贷款风险等级的用户画像数据进行训练，在抽取训练集的时候分别抽取贷款风险等级a所对应的用户画像数据向量作为正集，贷款风险等级b、c、d所对应的用户画像数据向量作为负集，以得到第一训练集；抽取贷款风险等级b所对应的用户画像数据向量作为正集，抽取贷款风险等级a、c、d所对应的用户画像数据向量作为负集，以得到第二训练集；抽取贷款风险等级c所对应的用户画像数据向量作为正集，贷款风险等级a、b、d所对应的用户画像数据向量作为负集，以得到第三训练集；抽取贷款风险等级d所对应的用户画像数据向量作为正集，贷款风险等级a、b、c所对应的用户画像数据向量作为负集，以得到第四训练集；对这四个训练集分别进行训练，得到四个支持向量机SVM，作为贷款风险等级的分级模型。

7.如权利要求6所述的贷款风险控制方法，其特征在于，所述利用所述分级模型对预设应用程序上的用户进行分级包括：

在利用所述分级模型对预设应用程序上用户的贷款风险等级进行分级时，将预设应用程序上用户的用户数据向量分别利用所述分级模型中的四个支持向量机SVM进行测试，得到预设应用程序上用户的用户数据向量在每个支持向量机SVM上的分类函数值，将具有最大分类函数值的支持向量机SVM对应的贷款风险等级作为该用户的贷款风险等级。

8.如权利要求5所述的贷款风险控制方法，其特征在于，所述根据预设应用程序上用户对应的不同贷款风险等级，并按预设评分规则对预设应用程序上的用户进行风险评分包括：

获取用户在预设应用程序上的行为数据，根据所述行为数据将预设应用程序上的用户进行聚类为不同行为类别，则计算预设应用程序上用户的风险评分M的公式为：

M＝x1*M1+y1*M2

其中，M1为预设的不同贷款风险等级对应的评分基数，x1为贷款风险等级对应的权重系数；M2为预设的不同行为类别对应的评分基数，y1为行为类别对应的权重系数。

9.如权利要求5所述的贷款风险控制方法，其特征在于，所述根据预设应用程序上用户对应的不同贷款风险等级，并按预设评分规则对预设应用程序上的用户进行风险评分包括：

获取用户在预设应用程序上的定位数据，并根据所述定位数据及该用户的贷款风险等级对应的用户画像数据为该用户设置对应的预设标签，则计算预设应用程序上用户的风险评分M的公式为：

M＝x3*M3+y4*M4

其中，M3为预设的不同贷款风险等级对应的评分基数，x3为贷款风险等级对应的权重系数；M4为预设的不同标签对应的评分基数，y4为标签对应的权重系数。

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上存储有贷款风险控制系统，所述贷款风险控制系统被处理器执行时实现如权利要求6至9中任一项所述的贷款风险控制方法的步骤。