(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 (43)申请公布日 (21)申请 号 202111628735.5 (22)申请日 2021.12.28 (71)申请人 上海数禾信息科技有限公司 地址 200135 上海市浦东 新区中国 （上海） 自由贸易试验区金科路2889弄1号2层 201室 (72)发明人 乾春涛　 (74)专利代理 机构 北京知果之信知识产权代理 有限公司 1 1541 代理人 高科 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 用于授信评估的数据处 理方法和装置 (57)摘要 本申请公开了一种用于授信评估的数据处 理方法和装置。 该方法包括： 通过捞回风险评估 模型对临界被拒的用户数据进行捞回风险评估， 对临界被拒用户的捞回风险进行量化， 匹配合适 的授信策略， 其中首先通过训练临界被拒用户和 通过用户的相关数据， 获得违约分类模型， 通过 违约分类模型对临界被拒用户相关数据进行处 理获得违约分类标签数据， 根据临界被拒用户的 相关数据及其对应的违约分类标签数据训练深 度学习模型获得捞回风险评估模 型， 以便实现对 临界被拒用户的捞回风险评估， 解决了现有技术 金融机构中临界用户风险难以量化评估的技术 问题， 实现了提高对临界用户授信的准确率和效 率的技术效果。 权利要求书2页 说明书7页 附图2页 CN 114298829 A 2022.04.08 CN 114298829 A 1.一种用于授信评估的数据处 理方法， 其特 征在于， 包括： 获取待评估用户数据， 其中， 所述待评估用户数据为授信临界被拒用户的相关数据， 授 信临界被拒用户为满足授信大盘预设风险阈值的被拒用户； 基于预设捞回风险评估模型， 对所述待评估用户数据进行捞回风险评估， 获得风险评 估数据； 在预设策略数据库中匹配与 所述风险评估数据对应的授信策略数据， 输出授信 评估结 果数据， 其中， 所述授信评估结果数据包括所述 风险评估数据与所述授信策略数据。 2.根据权利要求1所述的数据处理方法， 其特征在于， 基于预设捞回风险评估模型， 对 所述待评估用户数据进行捞回风险评估， 获得风险评估数据， 包括： 对所述待评估用户数据进行识别， 获得所述待评估用户数据的基本属性数据与行为数 据， 其中， 所述基本属性数据为用户进 行授信评估时所提供的数据， 所述行为数据为用户发 生借贷行为时产生的数据； 对所述基本属性数据与所述行为数据进行 特征化处理， 获得输入特 征数据； 基于所述预设捞回风险评估模型， 对所述输入特征数据进行捞回风险评估处理， 获得 所述风险评估数据。 3.根据权利要求1所述的数据处理方法， 其特征在于， 在获取待评估的用户数据之前， 还包括： 获取训练数据， 其中， 所述训练数据为进行预设捞回风险评估模型训练的用户相关数 据； 基于所述训练数据， 对预先建立的深度学习模型进行训练， 获得所述预设捞回风险评 估模型。 4.根据权利要求3所述的数据处理方法， 其特征在于， 基于所述训练数据， 对预先建立 的深度学习模型进行训练， 获得 所述预设捞回风险评估 模型， 包括： 获取第一训练数据， 其中， 所述第一训练数据包括授信临界被拒和通过用户的相关数 据； 基于所述第一训练数据， 对第一预先建立的深度学习模型进行训练， 获得违约分类模 型； 基于所述违约分类模型数据， 对所述临界被拒用户的相关数据进行违约分类处理， 获 得第二训练数据， 其中， 所述第二训练数据包括临界被拒用户的相关数据和所述临界被拒 用户对应的违约分类标签数据； 基于所述第二训练数据， 对第二预先建立的深度学习模型进行训练， 获得所述预设捞 回风险评估 模型。 5.根据权利要求4所述的数据处理方法， 其特征在于， 基于所述第一训练数据， 对第一 预先建立的深度学习模型进行训练， 获得违约分类模型， 包括： 对所述第 一训练数据进行预处理， 获得第一过程训练数据， 其中， 所述第 一过程训练数 据包括所述第一训练数据和所述第一训练数据对应的分类标签数据； 基于所述第一过程训练数据， 对所述第一预先建立的深度学习模型进行训练， 获得所 述违约分类模型。 6.根据权利要求4所述的数据处理方法， 其特征在于， 基于所述第二训练数据， 对第二权　利　要　求　书 1/2 页 2 CN 114298829 A 2预先建立的深度学习模型进行训练， 获得 所述预设捞回风险评估 模型， 包括： 对所述第二训练数据进行识别， 获得训练基本属性数据与训练行为数据； 对所述训练基本属性数据与 所述训练行为数据进行特征化处理， 获得训练输入特征数 据； 根据所述训练输入特征数据与所述临界被拒用户对应的违约分类标签数据， 对所述第 二预先建立的深度学习模型进行训练， 获得 所述预设捞回风险评估 模型。 7.一种用于授信评估的数据处 理装置， 其特 征在于， 包括： 数据获取模块， 用于获取待评估用户数据， 其中， 所述待评估用户数据为授信临界被拒 用户的相关数据； 捞回评估模块， 基于预设捞回风险评估模型， 对所述待评估用户数据进行捞回风险评 估， 获得风险评估数据； 结果输出模块， 用于在预设策略数据库中匹配与 所述风险评估数据对应的授信策略数 据， 输出授信评估结果数据， 其中， 所述授信评估 结果数据包括所述风险评估数据与所述授 信策略数据。 8.根据权利要求7 所述的数据处 理装置， 其特 征在于， 还 包括： 模型训练模块， 包括： 训练数据获取模块， 用于获取第 一训练数据， 其中， 所述第 一训练数据包括授信临界被 拒和通过用户的相关数据； 违约分类模型训练模块， 基于所述第一训练数据， 对第一预先建立的深度学习模型进 行训练， 获得违约分类模型； 捞回风险评估模型训练模块， 基于所述违约分类模型数据， 对所述临界被拒用户的相 关数据进 行违约分类处理， 获得第二训练数据， 其中， 所述第二训练数据包括临界被拒用户 的相关数据和所述临界被拒用户对应的违约分类标签数据； 基于所述第二训练数据， 对第二预先建立的深度学习模型进行训练， 获得所述预设捞 回风险评估 模型。 9.一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存储有计算机指 令， 所述计算机指 令用于使 所述计算机执行权利要求 1至6中任意一项 所述的用于授信评估 的数据处 理方法。 10.一种电子设备， 其特征在于， 包括： 至少一个处理器； 以及与 所述至少一个处理器通 信连接的存储器； 其中， 所述存储器存储有 可被所述至少一个处理器执行的计算机程序， 所 述计算机程序被所述至少一个处理器执行， 以使 所述至少一个处理器执行权利要求 1至6任 意一项所述的用于授信评估的数据处 理方法。权　利　要　求　书 2/2 页 3 CN 114298829 A 3