线上贷款的审批方法、装置、设备及介质

本发明实施例涉及计算机技术，尤其涉及一种线上贷款的审批方法、装置、设备及介质。

近年来涌现出一些提供线上实时审批功能的零售贷款产品，其中的部分产品主要靠较高的利率弥补不良贷款带来的损失，不能实现风险的有效管控；另一部分产品依然使用传统评分卡方法，这种方法只能通过有限的数据来评估客户风险，无法实现对客户风险的精准评估。

因此，急需一种线上贷款方法，能够线上准确全面地评估用户的风险，以实现有效管控贷款的风险。

本发明提供了一种线上贷款的审批方法、装置、设备及介质，以实现有效管控贷款的风险。

第一方面，本发明实施例提供了一种线上贷款的审批方法，包括：

响应于用户的贷款申请，获取用户的数据信息；所述用户的数据信息包括：用户的属性信息，用户的交易流水信息和用户的征信信息；

根据所述用户的数据信息，确定与用户相适配的贷款模型，并将所述用户的数据信息输入至所述贷款模型，得到用户线上贷款的信用分值；其中，所述贷款模型是预先训练得到的；

根据所述信用分值，判断是否通过用户的贷款申请。

第二方面，本发明实施例还提供了一种线上贷款的审批装置，包括：

用户的数据信息获取模块，用于响应于用户的贷款申请，获取用户的数据信息；所述用户的数据信息包括：用户的属性信息，用户的交易流水信息和用户的征信信息；

贷款模型确定模块，用于根据所述用户的数据信息，确定与用户相适配的贷款模型，并将所述用户的数据信息输入至所述贷款模型，得到用户线上贷款的信用分值；其中，所述贷款模型是预先训练得到的；

判断模块，用于根据所述信用分值，判断是否通过用户的贷款申请。

第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的一种线上贷款的审批方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的一种线上贷款的审批方法。

本发明通过响应于用户的贷款申请，获取用户的数据信息；所述用户的数据信息包括：用户的属性信息，用户的交易流水信息和用户的征信信息；根据所述用户的数据信息，确定与用户相适配的贷款模型，并将所述用户的数据信息输入至所述贷款模型，得到用户线上贷款的信用分值；其中，所述贷款模型是预先训练得到的；根据所述信用分值，判断是否通过用户的贷款申请。能够线上准确全面地评估用户的风险，以实现有效管控贷款的风险。

图1是本发明实施例一中提供的一种线上贷款的审批方法的流程示意图；

图2是本发明实施例一中提供的一种线上贷款的审批方法的流程示意图；

图3是本发明实施例二中提供的一种线上贷款的审批方法的流程示意图；

图4a是本发明实施例二中提供的一种代发工资用户贡献模型的输入数据信息；

图4b是本发明实施例二中提供的一种AUM用户贡献模型的输入数据信息；

图4c是本发明实施例二中提供的一种公积金用户贡献模型的输入数据信息；

图4d是本发明实施例二中提供的一种房产用户贡献模型的输入数据信息；

图4e是本发明实施例二中提供的一种消费用户贡献模型的输入数据信息；

图5是本发明实施例三中提供的一种线上贷款的审批装置的结构示意图；

图6为本发明实施例四中提供的一种设备的结构示意图。

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1是本发明实施例一提供的一种线上贷款的审批方法的流程示意图，本实施例可适用于线上个人信用贷款业务的情况，该方法可以由一种线上贷款的审批装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于电子设备中，具体包括如下步骤：

步骤110、响应于用户的贷款申请，获取用户的数据信息；所述用户的数据信息包括：用户的属性信息，用户的交易流水信息和用户的征信信息。

本实施例中，用户的贷款申请可以通过终端进行申请，终端包括但不限于手机银行、网上银行和线下柜机。当终端获取用户的贷款申请后，获取用户的数据信息，其中，用户的数据信息包括：用户的属性信息，用户的交易流水信息和用户的征信信息。具体的，用户的属性信息包括用户的姓名、年龄、职业、家庭住址和等。用户的交易流水信息包括用户的行内资产、用户在行内的贷款明细、用户的工资流水信息、和用户日常的流水信息。用户的征信信息包括用户的贷记卡信息、用户的负债信息。

在获取用户的数据信息后，对用户的数据信息进行审批，具体可参见图2示出的一种线上贷款的审批方法的流程示意图。其具体过程如下：通过终端内部的强规则进行初步审核，内部的强规则包括：反排查、黑名单排查、个贷逾期排查、内控名单和灰名单排查。若违反内部的强规则，则直接拒绝用户的贷款申请。若不违反内部的强规则，则对用户的贷款申请进行进一步审核。根据用户的贷款申请中的贷款额度进行风险规则、行内额度扣减以及根据用户的数据信息，确定用户所属的用户体，其中，用户体包括：代发工资用户体、AUM用户体、公积金用户体、房产用户体和消费用户体。

若用户的贷款申请中的贷款额度超过了预期的风险，则拒绝用户的贷款申请。进一步判断上述申请的用户的是否处于高风险区域，若属于，则拒绝用户的贷款申请。若不属于，则执行步骤120。

步骤120、根据所述用户的数据信息，确定与用户相适配的贷款模型，并将所述用户的数据信息输入至所述贷款模型，得到用户线上贷款的信用分值；其中，所述贷款模型是预先训练得到的。

本实施例中，贷款模型包括：用户贡献模型和用户多方贷款模型。由于不同的用户相适配的贷款模型不同，具体的，可根据用户所属的用户体，对不同的用户体分配不同的用户体的贷款模型。示例性的，用户贡献模型可以包括：代发工资用户贡献模型、AUM用户贡献模型、公积金用户贡献模型、房产用户贡献模型和消费用户贡献模型。

其中，贷款模型是通过LightGBM算法进行搭建，具体的，LightGBM算法是微软提出的机器学习的一种集成算法，是对GBDT(Gradient Boosting Decision Tree，梯度提升迭代决策树)算法的高效实现，GBDT算法的主要思想是利用弱分类器(决策树)迭代训练以得到最优模型，而LightGBM算法采用损失函数的负梯度作为当前决策树的残差近似值，去拟合新的决策树，该模型具有训练效果好、不易过拟合、速度快等优点。该模型基于Boosting思想，通过迭代多棵决策树，每一次新的训练都是为了改进上一次的训练结果。进一步地，Boosting基本学习机制如下：使用初始训练集训练出一个基学习器；根据基学期的表现对训练样本分布及权重进行调整，使基学习器分类错误的样本在迭代过程中得到更多关注；基于调整后的样本分布训练下一个基学习器；重复2-3步骤，直至基学习器数目达到事先制定的值，并对基学习器的预测结果进行加权结合。

用户线上贷款的信用分值是用于衡量用户线上贷款的风险的指标，用户线上贷款的信用分值越高，用户的贷款申请越容易审批通过。

步骤130、根据所述信用分值，判断是否通过用户的贷款申请。

具体的，所述根据所述信用分值，判断是否通过用户的贷款申请，包括：

若所述信用分值小于预设第一阈值，则拒绝通过用户的贷款申请；

若所述信用分值大于预设第一阈值，且用户的征信分值大于预设第二阈值，则通过用户的贷款申请。

本实施例中，预设第一阈值可以由行内贷款的相关情况进行设置。其中，信用分值若是百分制，预设第一阈值可以是80分。用户的征信分值是用于衡量用户在历史的交易过程中的征信情况。

若用户的信用分值大于预设第一阈值，说明贷款给该用户的风险相对小一些，若同时用户的征信分值大于预设第二阈值，则说明该用户具备按时还款的能力和信用，则通过该用户的贷款申请。

本实施例中，可选的，所述用户的征信分值，采用如下方式确定：

当所述信用分值大于预设第一阈值时，将用户的征信信息，输入至征信模型，得到所述用户的征信分值。

本实施例中，征信模型可以包括：代发工资征信模型、AUM征信模型、公积金征信模型、房产征信模型和消费征信模型。

其中，征信模型也可以通过LightGBM算法进行搭建。本实施例中，在用户的信用分值大于预设第一阈值后，对用户的贷款申请进行进一步处理，可参见图2示出的一种线上贷款的审批方法的流程示意图。将用户申请贷款的金额在终端进行申请，终端通过渠道黑名单对上述用户的贷款申请进行审核，若属于渠道黑名单用户，则拒绝该用户的贷款申请。若不属于渠道黑名单，则终端调用该用户人行的征信数据，对上述征信数据进行规则和额度的计算，若均不符合预设的规则和额度，则拒绝该用户的贷款申请。若符合预设的规则和额度，则通过将用户的征信信息，输入至征信模型，征信模型对用户的征信信息进行处理，能够得到所述用户的征信分值。

本发明通过响应于用户的贷款申请，获取用户的数据信息；所述用户的数据信息包括：用户的属性信息，用户的交易流水信息和用户的征信信息；根据所述用户的数据信息，确定与用户相适配的贷款模型，并将所述用户的数据信息输入至所述贷款模型，得到用户线上贷款的信用分值；其中，所述贷款模型是预先训练得到的；根据所述信用分值，判断是否通过用户的贷款申请。能够线上准确全面地评估用户的风险，以实现有效管控贷款的风险。

实施例二

图3是本发明实施例二提供的一种线上贷款的审批方法的流程示意图，本实施例是对贷款模型详细描述，该方法可以由一种线上贷款的审批装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于电子设备中，具体包括如下步骤：

步骤310、响应于用户的贷款申请，获取用户的数据信息；所述用户的数据信息包括：用户的属性信息，用户的交易流水信息和用户的征信信息。

步骤320、根据所述用户的数据信息，确定与用户相适配的贷款模型。

步骤330、将所述用户的属性信息输入至所述用户贡献模型，得到所述用户的用户贡献值。

本实施例中，用户贡献值是用于衡量该用户对本行内业务贡献的量值指标。本实施例中可根据用户所属的用户体，对不同的用户体分配不同的用户体的用户贡献模型。具体的，不同的用户体，输入至用户贡献模型中的主要数据信息也不同，具体可参见图4a示出的是一种代发工资用户贡献模型的输入数据信息；图4b示出的是一种AUM用户贡献模型的输入数据信息；图4c示出的是一种公积金用户贡献模型的输入数据信息；图4d示出的是一种房产用户贡献模型的输入数据信息；图4e示出的是一种消费用户贡献模型的输入数据信息。

步骤340、将所述用户的交易流水信息输入至所述用户多方贷款模型，得到所述用户的多方贷款值。

本实施例中，用户的多方贷款值是用于衡量该用户贷款对象的数量的指标。

步骤350、根据所述用户的用户贡献值和所述用户的多方贷款值，确定用户线上贷款的信用分值。

本实施例中，根据用户贡献值和用户的多方贷款值确定用户线上贷款的信用分值的计算过程并不是线性的，其是通过机器模型的算法得到的。因此，该方法得到的用户线上贷款的信用分值更为准确。

具体的，所述贷款模型是预先训练得到的，包括：

获取至少一个用户的数据信息，将所述数据信息中用户的交易流水信息所包含的用户信息与所述数据信息中用户的属性信息进行相似度比对；

若相似度大于阈值，则对所述用户的数据信息进行处理，以得到所述贷款模型。

本实施例中，在获取至少一个用户的数据信息之后，对用户的数据信息中数值类型的字段，并且每一个字段只有单一条记录时，示例性的，可以是年龄，学历等。该数值类型的字段将直接输入至贷款模型中。对用户的数据信息中分类型的数据，则对上述数据进行类型合并后输入至贷款模型中，示例性的，上述分类型的数据可以是学生专业，公司类型，职业等。

进一步地，将所述数据信息中用户的交易流水信息所包含的用户信息与所述数据信息中用户的属性信息进行相似度比对，示例性的，用户的申请贷款中所填的家庭地址与用户人行家庭地址的相似度，用户公司名称与人行内该用户公司名称的相似度等。通过将多个相似度进行数值处理，其中，数值处理可以是求和、均值、分位数、最小值、最大值、标准差等。具体的是通过fuzzywuzzy库中的ratio和partial_ratio函数，利用LevenshteinDistance算法通过编辑距离计算文本相似度。

若上述数值处理的结果大于阈值，则对该用户的交易流水信息，按照不同的时间窗口计算统计变量，最终重复上述训练过程以得到所述贷款模型。

步骤360、根据所述信用分值，判断是否通过用户的贷款申请。

本发明通过用户的数据信息，确定与用户相适配的贷款模型和用户的征信模型，判断是否通过用户的贷款申请。上述贷款模型和征信模型能够使用多维度的数据，使得数据价值最大化，并且该模型能够非线性地体现用户的多方情况，可以有效规避个体风险以及体欺诈的风险。

实施例三

图5为本发明实施例三提供的一种线上贷款的审批装置的结构示意图。本发明实施例所提供的一种线上贷款的审批装置可执行本发明任意实施例所提供的一种线上贷款的审批方法，具备执行方法相应的功能模块和有益效果。如图5所示，该装置包括：

用户的数据信息获取模块501，用于响应于用户的贷款申请，获取用户的数据信息；所述用户的数据信息包括：用户的属性信息，用户的交易流水信息和用户的征信信息；

贷款模型确定模块502，用于根据所述用户的数据信息，确定与用户相适配的贷款模型，并将所述用户的数据信息输入至所述贷款模型，得到用户线上贷款的信用分值；其中，所述贷款模型是预先训练得到的；

判断模块503，用于根据所述信用分值，判断是否通过用户的贷款申请。

所述贷款模型包括：

用户贡献模型和用户多方贷款模型。

贷款模型确定模块502，用于将所述用户的属性信息输入至所述用户贡献模型，得到所述用户的用户贡献值；

将所述用户的交易流水信息输入至所述用户多方贷款模型，得到所述用户的多方贷款值；

根据所述用户的用户贡献值和所述用户的多方贷款值，确定用户线上贷款的信用分值。

判断模块503，具体用于若所述信用分值小于预设第一阈值，则拒绝通过用户的贷款申请；

若所述信用分值大于预设第一阈值，且用户的征信分值大于预设第二阈值，则通过用户的贷款申请。

所述用户的征信分值，采用如下方式确定：

当所述信用分值大于预设第一阈值时，将用户的征信信息，输入至征信模型，得到所述用户的征信分值。

本实施例中，可选的，所述贷款模型是预先训练得到的，包括：

获取至少一个用户的数据信息，将所述数据信息中用户的交易流水信息所包含的用户信息与所述数据信息中用户的属性信息进行相似度比对；

若相似度大于阈值，则对所述用户的数据信息进行处理，以得到所述贷款模型。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

实施例四

图6为本发明实施例四提供的一种设备的结构示意图，图6示出了适于用来实现本发明实施例实施方式的示例性设备的结构示意图。图6显示的设备12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6所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明实施例各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、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。程序模块42通常执行本发明实施例所描述的实施例中的功能和/或方法。

设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，设备12还可以通过网络适配器20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)通信。如图6所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12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系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种线上贷款的审批方法，包括：

响应于用户的贷款申请，获取用户的数据信息；所述用户的数据信息包括：用户的属性信息，用户的交易流水信息和用户的征信信息；

根据所述用户的数据信息，确定与用户相适配的贷款模型，并将所述用户的数据信息输入至所述贷款模型，得到用户线上贷款的信用分值；其中，所述贷款模型是预先训练得到的；

根据所述信用分值，判断是否通过用户的贷款申请。

实施例五

本发明实施例五还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时可实现上述任意实施例所述的一种线上贷款的审批方法，包括：

响应于用户的贷款申请，获取用户的数据信息；所述用户的数据信息包括：用户的属性信息，用户的交易流水信息和用户的征信信息；

根据所述用户的数据信息，确定与用户相适配的贷款模型，并将所述用户的数据信息输入至所述贷款模型，得到用户线上贷款的信用分值；其中，所述贷款模型是预先训练得到的；

根据所述信用分值，判断是否通过用户的贷款申请。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读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、电线、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言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。