一种信贷申请分类方法、装置及电子设备

本发明涉及数据处理技术领域，具体而言，涉及一种信贷申请分类方法、装置、电子设备及计算机可读介质。

随着社会经济的快速增长，人们的消费方式也发生了很大的变化，个人信贷业务在消费者的生活中所占的比重越来越大。

目前，信贷平台为了提升业绩，通常需要通过一定的推广方式来获得更多的客户资源，常用的推广方式包括在媒体上投放广告、在线下开展推广活动等。上述推广方式在投入大量的资金后虽然也能够获得部分客户，但由于是面对大众投放，且获得的客户数量也有限，导致获得每个客户的获客成本较高。并且随着互联网的蓬勃发展，市场竞争加剧，流量端价格大幅提高，公司的获客成本也随之提高。

本发明旨在解决现有信贷平台获客成本高的技术问题。

为了解决上述技术问题，本发明第一方面提出一种信贷申请分类方法，所述方法包括：

通过流量端获取信贷申请用户信息；

对所述信贷申请用户信息进行数据转换及变量衍生处理，得到用户特征数据；

将所述用户特征数据输入预设信贷申请分类模型中；

根据所述预设信贷申请分类模型的输出结果对所述信贷申请用户分类，得到信贷申请用户分类信息。

根据本发明一种较佳的实施方式，所述将所述用户特征数据输入预设信贷申请分类模型中之前，所述方法还包括：

使用监督学习算法创建预设信贷申请分类模型；

调整并评估所述预设信贷申请分类模型，直至所述预设信贷申请分类模型的评估指标达到预设值。

根据本发明一种较佳的实施方式，采用one-hot编码、自编码器或者woe分箱中的至少一种对所述信贷申请用户信息进行数据转换及变量衍生处理。

根据本发明一种较佳的实施方式，所述对所述信贷申请用户信息进行数据转换及变量衍生处理之前，所述方法还包括：

对所述信贷申请用户信息进行数据清洗。

根据本发明一种较佳的实施方式，所述方法还包括：

创建信贷申请用户分类信息与推送信贷信息的对应关系；

根据所述对应关系向信贷申请用户推送对应的信贷信息。

根据本发明一种较佳的实施方式，所述信贷申请用户信息包括：基本信息、行为属性、外部资信属性中的至少一种。

根据本发明一种较佳的实施方式，所述评估指标包括：AUC、F-score中的至少一种。

为了解决上述技术问题，本发明第二方面提供一种信贷申请分类装置，所述装置包括：

获取模块，用于通过流量端获取信贷申请用户信息；

第一数据处理模块，用于对所述信贷申请用户信息进行数据转换及变量衍生处理，得到用户特征数据；

模型处理模块，用于将所述用户特征数据输入预设信贷申请分类模型中；

分类模块，用于根据所述预设信贷申请分类模型的输出结果对所述信贷申请用户分类，得到信贷申请用户分类信息。

根据本发明一种较佳的实施方式，所述装置还包括：

第一创建模块，用于使用监督学习算法创建预设信贷申请分类模型；

评估模块，用于调整并评估所述预设信贷申请分类模型，直至所述预设信贷申请分类模型的评估指标达到预设值。

根据本发明一种较佳的实施方式，所述第一数据处理模块采用one-hot编码、自编码器或者woe分箱中的至少一种对所述信贷申请用户信息进行数据转换及变量衍生处理。

根据本发明一种较佳的实施方式，所述装置还包括：

第二数据处理模块，用于对所述信贷申请用户信息进行数据清洗。

根据本发明一种较佳的实施方式，所述装置还包括：

第二创建模块，用于创建信贷申请用户分类信息与推送信贷信息的对应关系；

推送模块，用于根据所述对应关系向信贷申请用户推送对应的信贷信息。

根据本发明一种较佳的实施方式，所述信贷申请用户信息包括：基本信息、行为属性、外部资信属性中的至少一种。

根据本发明一种较佳的实施方式，所述评估指标包括：AUC、F-score中的至少一种。

为解决上述技术问题，本发明第三方面提供一种电子设备，包括：

处理器；以及

存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行上述的方法。

为了解决上述技术问题，本发明第四方面提出一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现上述方法。

本发明将风控策略前置，通过流量端获取信贷申请用户信息；建立预设信贷申请分类模型，将通过处理的信贷申请用户信息通过预设信贷申请分类模型得到信贷申请用户分类信息。进一步根据信贷申请用户分类信息进行精细化服务，可以提高用户申请转化率，从而降低获客成本。其中，前置到流量端的预设信贷申请分类模型，可以在流量端对信贷申请用户进行精准分类，针对信贷申请用户分类信息，为不同的信贷申请用户提供不同的服务，满足不同用户的需求，提高申请转化率，降低获客成本。

为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明的示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。

图1是本发明一种信贷申请分类方法的流程示意图；

图2是本发明另一种信贷申请分类方法的流程示意图；

图3是本发明一种信贷申请分类装置的结构框架示意图；

图4是根据本发明的一种电子设备的示例性实施例的结构框图；

图5是本发明一个计算机可读介质实施例的示意图。

现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。

在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。

附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。

附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。

请参阅图1，图1是本发明提供的一种信贷申请分类方法的流程图，如图1所示，所述方法包括：

S1、通过流量端获取信贷申请用户信息；

其中，所述信贷申请用户信息是用于对信贷申请用户进行分类的多维数据，其具体可以包括：基本信息、行为属性、外部资信属性中的至少一种。所述基本信息用于标识用户身份，其包括但不限于：身份信息、、职业信息、住址信息等，所述行为属性用于标识用户的历史消费行为，具体包括用户的服务历史、对用户的销售历史和收入等，所述外部资信属性包括年龄、婚姻、月收入状况、不动产价值、银行资产情况等。

本步骤中，当用户在流量端注册时，流量端页面引导用户填写基本信息，再根据用户填写的基本信息通过第三方平台获取用户的行为属性和外部资信属性。

S2、对所述信贷申请用户信息进行数据转换及变量衍生处理，得到用户特征数据；

原始的信贷申请用户信息一般不能直接用来进行分析，需要对原始数据进行数据转换和增加衍生变量的处理，经过适当的数据转换后，模型的效果可以有明显的提升。增加衍生变量即通过对原始数据进行简单、适当地数据公式推导，产生更有商业意义的新变量。

本发明中，采用one-hot编码、自编码器或者woe分箱中的至少一种对所述信贷申请用户信息进行数据转换及变量衍生处理。其中，One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。One-Hot编码采用N位状态寄存器来对N个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候只有一位有效。自编码器(autoencoder，AE)是一类在半监督学习和非监督学习中使用的人工神经网络，其功能是通过将输入信息作为学习目标，对输入信息进行表征学习。自编码器包含编码器(encoder)和解码器(decoder)两部分。woe分箱是对连续变量离散化；实际上就是按照属性值划分的子区间，可以简单理解为分段处理，其对特征进行分箱后，需要对分箱的每组进行woe编码进行分箱评估，才会进入模型训练。

S3、将所述用户特征数据输入预设信贷申请分类模型中；

其中，预设信贷申请分类模型可以根据需要预先建立，具体可以采用监督学习算法(如决策树算法、贝叶斯算法、逻辑回归算法等)建立预设信贷申请分类模型。

S4、根据所述预设信贷申请分类模型的输出结果对所述信贷申请用户分类，得到信贷申请用户分类信息。

示例性的，根据预设信贷申请分类模型的输出结果可以得到高价值用户和低价值用户，或者长期固定用户和短期偶然用户的信贷申请用户分类信息。

图2是本发明提供的另一种信贷申请分类方法的流程图，如图2所示，所述方法包括：

S201、通过流量端获取信贷申请用户信息；

S202、对所述信贷申请用户信息进行数据清洗。

其中，数据清洗是对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。

S203、对所述信贷申请用户信息进行数据转换及变量衍生处理，得到用户特征数据；

S204、使用监督学习算法创建预设信贷申请分类模型；

其中，监督学习算法具体可以采用决策树算法、贝叶斯算法、逻辑回归算法中的一种。

S205、调整并评估所述预设信贷申请分类模型，直至所述预设信贷申请分类模型的评估指标达到预设值。

所述评估指标包括：AUC、F-score中的至少一种。其中，AUC(area under thecurve)在机器学习领域中是一种模型评估指标，其是ROC曲线下的面积。F-score是综合考虑模型的精准率Precision和召回率Recall的调和值。

S206、将所述用户特征数据输入预设信贷申请分类模型中；

S207、根据所述预设信贷申请分类模型的输出结果对所述信贷申请用户分类，得到信贷申请用户分类信息。

S208、创建信贷申请用户分类信息与推送信贷信息的对应关系；

其中，信贷申请用户分类信息与其推送信贷信息相对应。推送信贷信息具体可以是：减息券、回馈金、新产品信息等。例如，信贷申请用户分类信息包括：长期固定用户和短期偶然用户，则长期固定用户对应的推送信贷信息可以是：减息信息，新产品信息等，短期偶然用户的推送信贷信息可以是：回馈金、减息券等。

S209、根据所述对应关系向信贷申请用户推送对应的信贷信息。

具体可以以短信、app内横幅等方式推送该信贷信息，以便为用户提供相应的信贷服务。

图3是本发明一种信贷申请分类装置的架构示意图，如图3所示，所述装置包括：

获取模块31，用于通过流量端获取信贷申请用户信息；所述信贷申请用户信息包括：基本信息、行为属性、外部资信属性中的至少一种。

第二数据处理模块32，用于对所述信贷申请用户信息进行数据清洗。

第一数据处理模块33，用于对所述信贷申请用户信息进行数据转换及变量衍生处理，得到用户特征数据；优选的，所述第一数据处理模块采用one-hot编码、自编码器或者woe分箱中的至少一种对所述信贷申请用户信息进行数据转换及变量衍生处理。

第一创建模块34，用于使用监督学习算法创建预设信贷申请分类模型；

评估模块35，用于调整并评估所述预设信贷申请分类模型，直至所述预设信贷申请分类模型的评估指标达到预设值。所述评估指标包括：AUC、F-score中的至少一种。

模型处理模块36，用于将所述用户特征数据输入预设信贷申请分类模型中；

分类模块37，用于根据所述预设信贷申请分类模型的输出结果对所述信贷申请用户分类，得到信贷申请用户分类信息。

第二创建模块38，用于创建信贷申请用户分类信息与推送信贷信息的对应关系；

推送模块39，用于根据所述对应关系向信贷申请用户推送对应的信贷信息。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图4是根据本发明的一种电子设备的示例性实施例的结构框图。图4显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，该示例性实施例的电子设备400以通用数据处理设备的形式表现。电子设备400的组件可以包括但不限于：至少一个处理单元410、至少一个存储单元420、连接不同电子设备组件(包括存储单元420和处理单元410)的总线430、显示单元440等。

其中，所述存储单元420存储有计算机可读程序，其可以是源程序或都只读程序的代码。所述程序可以被处理单元410执行，使得所述处理单元410执行本发明各种实施方式的步骤。例如，所述处理单元410可以执行如图1所示的步骤。

所述存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元(ROM)4203。所述存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204，这样的程序模块4205包括但不限于：操作电子设备、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备400也可以与一个或多个外部设备300(例如键盘、显示器、网络设备、蓝牙设备等)通信，使得用户能经由这些外部设备400与该电子设备400交互，和/或使得该电子设备400能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口450进行，还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)进行。网络适配器460可以通过总线430与电子设备400的其它模块通信。应当明白，尽管图4中未示出，电子设备400中可使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID电子设备、磁带驱动器以及数据备份存储电子设备等。

图5是本发明的一个计算机可读介质实施例的示意图。如图5所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的电子设备、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：通过流量端获取信贷申请用户信息；对所述信贷申请用户信息进行数据转换及变量衍生处理，得到用户特征数据；将所述用户特征数据输入预设信贷申请分类模型中；根据所述预设信贷申请分类模型的输出结果对所述信贷申请用户分类，得到信贷申请用户分类信息。

通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行电子设备、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语音的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语音包括面向对象的程序设计语音-诸如Java、C++等，还包括常规的过程式程序设计语音一诸如“C”语音或类似的程序设计语音。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。