(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 202111628038.X (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 用于模型构建的数据处 理方法和装置 (57)摘要 本申请公开了一种用于模型构建的数据处 理方法和装置。 该方法包括： 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 进行违约分类处理， 获得违约分类标签数据， 根 据临界被拒用户基本数据、 用户借贷行为数据及 临界被拒用户对应的风险分类数据训练深度学 习模型获得捞回风险评估模型， 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， 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 114298823 A 2022.04.08 CN 114298823 A 1.一种用于模型构建的数据处 理方法， 其特 征在于， 包括： 获取第一训练数据， 其中， 所述第一训练数据包括训练授信被拒用户数据和训练授信 通过用户数据； 基于所述第一训练数据， 对预先建立的分类模型进行训练处理， 获得违约风险分类模 型； 基于所述违约风险分类模型， 对所述训练授信被拒用户数据进行风险分类预测， 获得 风险分类数据； 基于所述训练授信 被拒用户数据和所述风险分类数据， 对预先建立的深度学习 模型进 行训练， 获得捞回风险评估 模型， 以实现对授信被拒用户的捞回风险评估。 2.根据权利要求1所述的数据处理方法， 其特征在于， 基于所述第一训练数据， 对预先 建立的分类模型进行训练 处理， 获得违约风险分类模型， 包括： 对所述第一训练数据进行识别， 获得用户设备 数据和用户风险违约数据； 基于预设标签生成规则， 对所述用户风险违约数据进行标签化处理， 获得风险违约标 签数据； 基于所述用户设备数据和所述风险违约标签数据， 对所述预先建立的分类模型进行训 练处理， 获得所述违约分类模型。 3.根据权利要求1所述的数据处理方法， 其特征在于， 基于所述训练授信被拒用户数据 和所述风险分类数据， 对预先建立的深度学习模型进行训练， 获得捞回风险评估模型， 包 括： 对所述被拒用户数据进行识别， 获得用户基本数据和用户借贷行为数据， 用户基本数 据为用户进行授信评估时所提供的数据， 用户借贷行为数据为用户发生借贷 行为时产生的 数据； 基于所述用户基本数据和用户借贷行为数据及所述风险分类数据， 对预先建立的深度 学习模型进行训练， 获得 过程捞回风险评估 模型； 基于预设条件对所述过程捞回风险评估模型进行校验迭代， 获得所述捞回风险评估模 型。 4.根据权利要求1所述的数据处理方法， 其特征在于， 基于所述违约风险分类模型， 对 所述训练授信被拒用户数据进行风险分类预测， 获得风险分类数据， 包括： 对所述训练授信被拒用户数据进行识别， 获得用户设备 数据； 基于所述违约风险分类模型， 对所述用户设备数据进行风险分类预测， 获得所述风险 分类数据。 5.根据权利要求1所述的数据处理方法， 其特征在于， 在获得捞回风险评估模型之后， 还包括： 获取预设时间内待评估用户数据， 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； 基于所述捞回风险模型， 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。权　利　要　求　书 1/2 页 2 CN 114298823 A 26.根据权利要求5所述的数据处理方法， 其特征在于， 基于所述捞回风险模型， 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的用户基本数据和用户借贷行 为数据； 对所述用户基本数据和用户借贷行为数据进行 特征化处理， 获得输入特 征数据； 基于所述捞回风险模型， 对所述输入特征数据进行捞回风险评估， 获得所述风险评估 数据。 7.一种用于模型构建的数据处 理装置， 其特 征在于， 包括： 数据获取模块， 用于获取第 一训练数据， 其中， 所述第 一训练数据包括训练授信被拒用 户数据和训练授信通过用户数据； 第一模型训练模块， 基于所述第 一训练数据， 对预先建立的分类模型进行训练处理， 获 得违约风险分类模型； 第二模型训练模块， 基于所述违约风险分类模型， 对所述训练授信被拒用户数据进行 风险分类预测， 获得风险分类数据； 基于所述训练授信 被拒用户数据和所述风险分类数据， 对预先建立的深度学习 模型进 行训练， 获得捞回风险评估 模型， 以实现对授信被拒用户的捞回风险评估。 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： 数据获取模块， 获取预设时间内待评估用户数据， 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； 捞回评估模块， 基于所述捞回风险评估模型， 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， 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。 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 所述的用于模型构建 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 意一项所述的用于模型构建的数据处 理方法。权　利　要　求　书 2/2 页 3 CN 114298823 A 3