一种基于数据挖掘的信用卡资源分配方法及系统与流程

1.本发明涉及数据处理技术领域，尤其涉及一种基于数据挖掘的信用卡资源分配方法及系统。


背景技术：

2.信用卡是指记录持卡人账户相关信息，具备银行授信额度和透支功能，并为持卡人提供相关银行服务的各类介质，银行为每个信用卡用户分配可用的信用卡资源，例如、电子货币、消费券、代金券等，可利用信用卡资源进行消费，从而消费时无须支付现金，待账单日(billing date)时再进行还款。信用卡作为推动征信系统和信用交易市场的重要工具，已深入融合居民的日常生活、消费以及实体经济的运作，形成了庞大的信用卡资源授信金额。但庞大授信金额带来高额利润的同时，也考验着银行的风控能力，因此，如何对每个信用卡持卡人的信用卡资源进行合理分配成为亟待解决的问题。
3.但现有的银行信用卡资源分配方法主要是根据一些数据指标，一旦满足这些指标要求(如征信指标、职业指标、工作社保记录、指定商圈消费、合作渠道等)，就会生成相应的信用卡额度，从而为持卡人分配信用卡资源，大部分数据均为银行内部数，且数据维度较少，不能深度挖掘指标信息中的关键因素，从而导致信用卡资源分配的准确度较低。


技术实现要素：

4.本发明提供一种基于数据挖掘的信用卡资源分配方法及系统，其主要目的在于解决信用卡资源分配准确度较差的问题。
5.为实现上述目的，本发明提供的一种基于数据挖掘的信用卡资源分配方法，包括：
6.接受到信用卡资源分配请求时，根据预构建的持卡人信用评价指标提取所述信用卡资源分配请求的信息数据集；
7.从所述信息数据集中提取特征属性数据集，对所述特征属性数据集进行标准化处理，得到标准特征属性数据集；
8.计算所述标准特征属性数据集中每个标准特征属性的标准差，根据所述标准差对所述标准特征属性集进行数据筛选，得到目标特征属性数据集；
9.计算所述目标特征属性数据集中的属性数据特征，从所述属性数据特征中选取目标属性特征；
10.利用预训练完成的预测模型所述目标属性特征进行分类预测，得到所述信用卡资源分配请求的信用评分，根据所述信用评分对所述信用卡资源分配请求进行信用卡资源分配。
11.可选地，所述根据预构建的持卡人信用评价指标提取所述信用卡资源分配请求的信息数据集，包括：
12.解析所述信用卡资源分配请求对应的信用卡申请人信息，根据所述信用卡申请人信息在预设的数据库中查找所述信用卡资源分配请求的多源数据；
13.将所述多源数据与所述持卡人信用评价指标进行指标匹配，得到所述信用卡资源分配请求的信息数据集。
14.可选地，所述从所述信息数据集中提取特征属性数据集，包括：
15.获取多个预设的特征属性选择策略，根据所述特征选择策略计算所述信息数据中每个特征属性的属性重要度；
16.根据所述属性重要度计算所述信息数据集中每个特征属性的综合重要度；
17.利用如下公式计算所述信息数据集中每个特征属性的综合重要度：
[0018][0019]
其中，p(j)表示第j个特征属性的综合重要度，i表示第i个特征属性选择策略，t表示特征属性选择策略的总数，l(i,j)表示第i个特征属性选择策略计算的第j个特征属性的属性重要度；
[0020]
根据所述综合重要度确定目标特征属性，根据所述目标特征属性从所述信息数据中提取特征属性数据集。
[0021]
可选地，所述根据所述标准差对所述标准特征属性集进行数据筛选，得到目标特征属性数据集，包括：
[0022]
计算所述标准特征属性数据集中每个标准特征属性数据的数据均值，根据所述数据均值及所述标准差构建所述每个标准特征属性的数据分布函数；
[0023]
利用如下公式构建所述每个标准特征属性的的数据分布函数：
[0024][0025]
其中，f(x)表示标准特征属性的数据分布函数，x表示标准特征属性数据的第x个数据，μ表示标准特征属性数据的数据均值，σ表示标准特征属性数据的标准差；
[0026]
根据所述标准差及所述数据分布函数确定所述每个标准特征属性的干扰数据；
[0027]
剔除所述标准特征属性数据集中的所述干扰数据，得到目标特征属性数据集。
[0028]
可选地，所述计算所述目标特征属性数据集中的属性数据特征，包括：
[0029]
利用预构建的相连卷积层对所述目标属性数据集中每个目标特征属性数据进行一次卷积及二次卷积，得到第一卷积向量及第二卷积向量；
[0030]
对所述第一卷积向量及所述第二卷积向量进行残差连接，得到残差向量，对所述残差向量进行最大池化，得到池化向量；
[0031]
对所述池化向量进行反向卷积，得到所述目标特征属性数据集中的属性数据特征。
[0032]
可选地，所述对所述池化向量进行反向卷积，得到所述目标特征属性数据集中的属性数据特征，包括：
[0033]
利用如下公式对所述池化向量进行反向卷积：
[0034]
[0035]
其中，h表示属性数据特征，relu表示relu激活函数，h1表示池化向量，表示反卷积操作，w'1，b'1分别表示所述相连卷积层中第一个卷积层的参数，w'2，b'2分别表示所述相连卷积层中第二个卷积层的参数。
[0036]
可选地，所述从所述属性数据特征中选取目标属性特征，包括：
[0037]
对所述属性数据特征进行定量分析，得到所述属性数据特征的特征权重；
[0038]
根据所述特征权重对所述属性数据特征进行特征排序，得到特征重要性序列；
[0039]
根据所述特征重要性序列从所述属性数据特征中选取目标属性特征。
[0040]
可选地，所述利用预训练完成的预测模型所述目标属性特征进行分类预测，得到所述信用卡资源分配请求的信用评分，包括：
[0041]
计算所述预训练完成的预测模型中每个分类器对所述目标属性特征的分类结果，对所述分类结果进行激活运算，得到每个分类器的分类评分；
[0042]
根据所述每个分类器的分类评分计算所述信用卡资源分配请求的信用评分；
[0043]
利用如下公式计算所述信用卡资源分配请求的信用评分：
[0044][0045]
其中，f表示所述信用卡资源分配请求的信用评分，sign表示符号函数，k表示所述预测模型中第k个分类器，k表示所述预测模型中分类器的总数，ak表示第k个分类器的预设权重，hk(m)表示第k个分类器对目标属性特征m的分类评分。
[0046]
可选地，所述根据所述信用评分对所述信用卡资源分配请求进行信用卡资源分配，包括：
[0047]
根据所述信用评分与预设的信用卡资源等级进行匹配，得到所述信用卡资源分配请求的资源等级；
[0048]
将所述资源等级对应的信用卡资源作为所述信用卡资源分配请求所申请的信用卡额度。
[0049]
为了解决上述问题，本发明还提供一种基于数据挖掘的信用卡资源分配系统，所述系统包括：
[0050]
信息数据集提取模块，用于接受到信用卡资源分配请求时，根据预构建的持卡人信用评价指标提取所述信用卡资源分配请求的信息数据集；
[0051]
标准特征属性数据集计算模块，用于从所述信息数据集中提取特征属性数据集，对所述特征属性数据集进行标准化处理，得到标准特征属性数据集；
[0052]
标准特征属性集筛选模块，用于计算所述标准特征属性数据集中每个标准特征属性的标准差，根据所述标准差对所述标准特征属性集进行数据筛选，得到目标特征属性数据集；
[0053]
目标属性特征选取模块，用于计算所述目标特征属性数据集中的属性数据特征，从所述属性数据特征中选取目标属性特征；
[0054]
信用卡资源分配模块，用于利用预训练完成的预测模型所述目标属性特征进行分类预测，得到所述信用卡资源分配请求的信用评分，根据所述信用评分对所述信用卡资源分配请求进行信用卡资源分配。
[0055]
本发明实施例通过持卡人信用评价指标提取信用卡资源分配请求的信息数据集，能够获取信用卡资源分配请求的多源信息数据，进而根据信息数据对信用卡资源分配请求进行信用卡资源分配；从信息数据集中提取特征属性数据集，可以挖掘信息数据中重要的特征属性数据，进而提高后续信用卡资源分配的准确度；再对标准特征属性集进行数据筛选，能够去除干扰数据，得到计算更精确的目标特征属性数据集；挖掘目标特征属性数据集中重要的目标属性特征，从而根据目标属性特征得到更精确地信用卡资源分配请求的信用评分，利用信用评分对信用卡资源分配请求进行信用卡资源分配，进而能够提高信用卡资源分配的准确度。因此本发明提出的基于数据挖掘的信用卡资源分配方法及系统，可以解决信用卡资源分配精确度较差的问题。
附图说明
[0056]
图1为本发明一实施例提供的基于数据挖掘的信用卡资源分配方法的流程示意图；
[0057]
图2为本发明一实施例提供的提取特征属性数据集的流程示意图；
[0058]
图3为本发明一实施例提供的技术属性数据特征的流程示意图；
[0059]
图4为本发明一实施例提供的基于数据挖掘的信用卡资源分配系统的功能模块图；
[0060]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0061]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0062]
本技术实施例提供一种基于数据挖掘的信用卡资源分配方法。所述基于数据挖掘的信用卡资源分配方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于数据挖掘的信用卡资源分配方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0063]
参照图1所示，为本发明一实施例提供的基于数据挖掘的信用卡资源分配方法的流程示意图。在本实施例中，所述基于数据挖掘的信用卡资源分配方法包括：
[0064]
s1、接受到信用卡资源分配请求时，根据预构建的持卡人信用评价指标提取所述信用卡资源分配请求的信息数据集。
[0065]
本发明实施例中，所述预构建的持卡人信用评价指标可以是根据银行的信用卡持卡人的信用记录构建得到的，信用评价指标表示影响持卡人信用评分的影响因素，例如，持卡人的征信记录、消费记录、关联用户信息、收入、信用卡总数、抵押贷款数以及家庭成员的数量等信用评价指标，通过信用评价指标对信用卡资源分配请求对应的申请人进行信用评分，以根据信用评分为信用卡资源分配请求分配相应的信用卡资源。
[0066]
本发明实施例中，所述信用卡资源分配请求表示信用卡申请人发送的信用卡资源
分配请求，查找资源分配请求的申请人以信用评价指标对应的信息数据集。
[0067]
本发明实施例中，所述根据预构建的持卡人信用评价指标提取所述信用卡资源分配请求的信息数据集，包括：
[0068]
解析所述信用卡资源分配请求对应的信用卡申请人信息，根据所述信用卡申请人信息在预设的数据库中查找所述信用卡资源分配请求的多源数据；
[0069]
将所述多源数据与所述持卡人信用评价指标进行指标匹配，得到所述信用卡资源分配请求的信息数据集。
[0070]
本发明实施例中，所述预设的数据库中包括不同来源的用户数据，例如，银行的数据、企业的数据、网站的数据等，进而通过预设的数据库能够得到信用卡申请人信息的多源数据，将多源数据与持卡人信用评价指标进行指标匹配，例如，消费网站的数据表示持卡人信用指标的消费指标，根据银行数据能够确定持卡人信用指标的征信指标等，以得到信用卡资源分配请求的信息数据集。
[0071]
s2、从所述信息数据集中提取特征属性数据集，对所述特征属性数据集进行标准化处理，得到标准特征属性数据集。
[0072]
本发明实施例中，所述特征属性数据集表示信息数据集中能够体现信用卡资源分配请求对应的特征属性的数据，基于所述特征属性数据能够精确地对信用卡资源分配请求进行特征提取，进而得到信息数据集中更能反应信用评分的特征属性数据。
[0073]
本发明实施例中，参阅图2所示，所述从所述信息数据集中提取特征属性数据集，包括：
[0074]
s21、获取多个预设的特征属性选择策略，根据所述特征选择策略计算所述信息数据中每个特征属性的属性重要度；
[0075]
s22、根据所述属性重要度计算所述信息数据集中每个特征属性的综合重要度；
[0076]
s23、根据所述综合重要度确定目标特征属性，根据所述目标特征属性从所述信息数据中提取特征属性数据集。
[0077]
本发明实施例中，所述特征选取策略表示不同角度描述信息数据集中各特征属性的相对重要程度，例如，基于信息熵的特征属性选择策略，即根据信息熵的大小计算属性重要度、根据特征属性的数据离散程度计算属性重要度的特征属性选择策略、根据与其他特征属性之间的关联程度大小计算属性重要度的特征属性选择策略等，通过每个特征属性选择策略的策略特征属性综合的确定信息数据集的特征属性，从而选取更重要的特征属性数据，深度挖掘每个特征属性的重要程度，从而提取信息数据集中的特征属性数据集。
[0078]
本发明实施例中，根据所述策略属性重要度计算所述信息数据集中每个特征属性的综合重要度，包括：
[0079]
利用如下公式计算所述信息数据集中每个特征属性的综合重要度：
[0080][0081]
其中，p(j)表示第j个特征属性的综合重要度，i表示第i个特征属性选择策略，t表示特征属性选择策略的总数，l(i,j)表示第i个特征属性选择策略计算的第j个特征属性的属性重要度。
[0082]
本发明实施例中，通过从信息数据集中提取特征属性数据集，能够去除信息数据中特征属性重要程度较小的特征属性，根据综合重要度从大到小选取预设数量的目标特征属性，避免无关特征属性对信用卡资源分配的影响，提高后续信用卡资源分配的准确度。
[0083]
本发明实施例中，所述标准化处理是对特征属性数据进行数据归一化，去除特征属性数据集中的数据量纲，并将特征属性数据集中数据映射到0至1的数值区间，能够消除不同量纲的影响，进而提高后续计算的准确度。
[0084]
s3、计算所述标准特征属性数据集中每个标准特征属性的标准差，根据所述标准差对所述标准特征属性集进行数据筛选，得到目标特征属性数据集。
[0085]
本发明实施例中，标准差是标准特征属性数据集中每个标准特征属性方差的算术平方根，标准差表示标准特征属性数据集中每个特征属性的数据离散程度以及数据的集中趋势，进而能够根据标准差对离散的干扰数据进行剔除，得到目标特征属性数据集。
[0086]
本发明实施例中，所述根据所述标准差对所述标准特征属性集进行数据筛选，得到目标特征属性数据集，包括：
[0087]
计算所述标准特征属性数据集中每个标准特征属性数据的数据均值，根据所述数据均值及所述标准差构建所述每个标准特征属性的数据分布函数；
[0088]
根据所述标准差及所述数据分布函数确定所述每个标准特征属性的干扰数据；
[0089]
剔除所述标准特征属性数据集中的所述干扰数据，得到目标特征属性数据集。
[0090]
本发明实施例中，利用如下公式构建所述每个标准特征属性的的数据分布函数：
[0091][0092]
其中，f(x)表示标准特征属性的数据分布函数，x表示标准特征属性数据的第x个数据，μ表示标准特征属性数据的数据均值，σ表示标准特征属性数据的标准差。
[0093]
本发明实施例中，所述数据分布函数表示每个标准特征属性数据的数据分布，标准差越大，数据分布函数的函数曲线越扁平，标准差越小，数据分布函数的函数曲线越陡峭，根据标准差能够计算标准特征属性的数据分布概率，根据数据分布概率来确定干扰数据，例如，数据分布在4倍标准差外的数据为干扰数据，进而能够将不到0.3％的数据作为干扰数据去除，得到目标特征属性数集，提高目标特征数据的数据准确度，从而更准确地计算信用卡资源分配请求对应的信用评分。
[0094]
s4、计算所述目标特征属性数据集中的属性数据特征，从所述属性数据特征中选取目标属性特征。
[0095]
本发明实施例中，所述属性数据特征表示目标特征属性数据集中每个特征属性数据对应的数据特征，进而通过挖掘属性数据特征对信用卡资源分配请求进行信用评价，得到更精确度信用评分结果。
[0096]
本发明实施例中，参阅图3所示，所述计算所述目标特征属性数据集中的属性数据特征，包括：
[0097]
s31、利用预构建的相连卷积层对所述目标属性数据集中每个目标特征属性数据进行一次卷积及二次卷积，得到第一卷积向量及第二卷积向量；
[0098]
s32、对所述第一卷积向量及所述第二卷积向量进行残差连接，得到残差向量，对
所述残差向量进行最大池化，得到池化向量；
[0099]
s33、对所述池化向量进行反向卷积，得到所述目标特征属性数据集中的属性数据特征。
[0100]
本发明实施例中，所述预构建的相连卷积层是通过两个卷积层依次对目标属性数据集中每个目标特征属性数据进行卷积，得到第一卷积向量及第二卷积向量，能够减小计算量，进行更多的非线性映射，同时获得大卷积核的感受野，本发明实施例中，相连卷积层中可以利用一维的卷积核，便于目标特征属性数据的数据提取。
[0101]
本发明实施例中，利用如下公式对所述池化向量进行反向卷积：
[0102][0103]
其中，h表示属性数据特征，relu表示relu激活函数，h1表示池化向量，表示反卷积操作，w'1，b'1分别表示所述相连卷积层中第一个卷积层的参数，w'2，b'2分别表示所述相连卷积层中第二个卷积层的参数。
[0104]
本发明实施例中，通过残差连接及反卷积，能够更多的保留目标特征属性数据集中每个目标特征属性数据的本质数据特征，同时获取更深层次的数据特征表达，保证属性数据特征提取的准确度。
[0105]
本发明实施例中，选取目标属性特征是计算从属性属性数据特征中选取对信用评分更重要的目标属性特征，进一步地保证信用评分的准确度。
[0106]
本发明实施例中，所述从所述属性数据特征中选取目标属性特征，包括：
[0107]
对所述属性数据特征进行定量分析，得到所述属性数据特征的特征权重；
[0108]
根据所述特征权重对所述属性数据特征进行特征排序，得到特征重要性序列；
[0109]
根据所述特征重要性序列从所述属性数据特征中选取目标属性特征。
[0110]
本发明实施例中，可以利用层次分析法将特征选择问题转化为定量问题，只改变其中一个属性数据特征对应的特征值，判断特征值变化对信用评分的影响程度，进而为属性数据特征分配权重，实现属性数据特征的特征选择。
[0111]
s5、利用预训练完成的预测模型所述目标属性特征进行分类预测，得到所述信用卡资源分配请求的信用评分，根据所述信用评分对所述信用卡资源分配请求进行信用卡资源分配。
[0112]
本发明实施例中，所述预训练完成的预测模型可以为集成多个弱分类器训练得到的分类模型，通过预测模型中的多个弱分类器依次对目标属性特征进行分类预测，例如，弱分类器1将目标属性特征分类为高风险，弱分类器2将目标属性特征分类为中高风险，根据多个弱分类器预测的结果进而确定信用卡资源分配请求的最终信用评分。
[0113]
本发明实施例中，所述利用预训练完成的预测模型所述目标属性特征进行分类预测，得到所述信用卡资源分配请求的信用评分，包括：
[0114]
计算所述预训练完成的预测模型中每个分类器对所述目标属性特征的分类结果，对所述分类结果进行激活运算，得到每个分类器的分类评分；
[0115]
根据所述每个分类器的分类评分计算所述信用卡资源分配请求的信用评分。
[0116]
本发明实施例中，利用如下公式计算所述信用卡资源分配请求的信用评分：
[0117][0118]
其中，f表示所述信用卡资源分配请求的信用评分，sign表示符号函数，k表示所述预测模型中第k个分类器，k表示所述预测模型中分类器的总数，ak表示第k个分类器的预设权重，hk(m)表示第k个分类器对目标属性特征m的分类评分。
[0119]
本发明实施例中，通过信用评分对信用卡资源分配请求分配信用卡资源，能够对信用卡资源分配请求进行合理的资源分配，避免对银行以及信用卡资源分配请求对应的用户造成金融风险。
[0120]
本发明实施例中，所述根据所述信用评分对所述信用卡资源分配请求进行信用卡资源分配，包括：
[0121]
根据所述信用评分与预设的信用卡资源等级进行匹配，得到所述信用卡资源分配请求的资源等级；
[0122]
将所述资源等级对应的信用卡资源作为所述信用卡资源分配请求所申请的信用卡额度。
[0123]
本发明实施例中，所述信用卡资源等级表示能够为信用卡资源分配请求分配的资源等级，信用评分低，表示信用卡资源分配请求后续可能违约，造成金融风控风险，对应的资源等级就低，因此，根据资源等级对应的信用卡资源确定信用卡资源分配请求申请得到的信用卡额度，例如，资源等级对应的信用卡资源为3000元，则所述信用卡资源分配请求申请的信用卡额度就为3000元，实现信用卡资源分配的准确分配。
[0124]
本发明实施例通过持卡人信用评价指标提取信用卡资源分配请求的信息数据集，能够获取信用卡资源分配请求的多源信息数据，进而根据信息数据对信用卡资源分配请求进行信用卡资源分配；从信息数据集中提取特征属性数据集，可以挖掘信息数据中重要的特征属性数据，进而提高后续信用卡资源分配的准确度；再对标准特征属性集进行数据筛选，能够去除干扰数据，得到计算更精确的目标特征属性数据集；挖掘目标特征属性数据集中重要的目标属性特征，从而根据目标属性特征得到更精确地信用卡资源分配请求的信用评分，利用信用评分对信用卡资源分配请求进行信用卡资源分配，进而能够提高信用卡资源分配的准确度。因此本发明提出的基于数据挖掘的信用卡资源分配方法，可以解决信用卡资源分配精确度较差的问题。
[0125]
如图4所示，是本发明一实施例提供的基于数据挖掘的信用卡资源分配系统的功能模块图。
[0126]
本发明所述基于数据挖掘的信用卡资源分配系统400可以安装于电子设备中。根据实现的功能，所述基于数据挖掘的信用卡资源分配系统400可以包括信息数据集提取模块401、标准特征属性数据集计算模块402、标准特征属性集筛选模块403、目标属性特征选取模块404及信用卡资源分配模块405。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0127]
在本实施例中，关于各模块/单元的功能如下：
[0128]
所述信息数据集提取模块401，用于接受到信用卡资源分配请求时，根据预构建的
持卡人信用评价指标提取所述信用卡资源分配请求的信息数据集；
[0129]
所述标准特征属性数据集计算模块402，用于从所述信息数据集中提取特征属性数据集，对所述特征属性数据集进行标准化处理，得到标准特征属性数据集；
[0130]
所述标准特征属性集筛选模块403，用于计算所述标准特征属性数据集中每个标准特征属性的标准差，根据所述标准差对所述标准特征属性集进行数据筛选，得到目标特征属性数据集；
[0131]
所述目标属性特征选取模块404，用于计算所述目标特征属性数据集中的属性数据特征，从所述属性数据特征中选取目标属性特征；
[0132]
所述信用卡资源分配模块405，用于利用预训练完成的预测模型所述目标属性特征进行分类预测，得到所述信用卡资源分配请求的信用评分，根据所述信用评分对所述信用卡资源分配请求进行信用卡资源分配。
[0133]
详细地，本发明实施例中所述基于数据挖掘的信用卡资源分配系统400中所述的各模块在使用时采用与上述图1至图3中所述的基于数据挖掘的信用卡资源分配方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0134]
本发明还提供一种电子设备，所述电子设备可以包括处理器、存储器、通信总线以及通信接口，还可以包括存储在所述存储器中并可在所述处理器上运行的计算机程序，如基于数据挖掘的信用卡资源分配方法程序。
[0135]
其中，所述处理器在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器内的程序或者模块(例如执行基于数据挖掘的信用卡资源分配方法程序等)，以及调用存储在所述存储器内的数据，以执行电子设备的各种功能和处理数据。
[0136]
所述存储器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、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于数据挖掘的信用卡资源分配方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0137]
所述通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
[0138]
所述通信接口用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，
通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0139]
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0140]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器501逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0141]
具体地，所述处理器对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0142]
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0143]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，实现如上文所述的基于数据挖掘的信用卡资源分配方法及系统的步骤：
[0144]
存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。存储介质的例子可以包括但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0145]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0146]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0147]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0148]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0149]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0150]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0151]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0152]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种基于数据挖掘的信用卡资源分配方法，其特征在于，所述方法包括：接受到信用卡资源分配请求时，根据预构建的持卡人信用评价指标提取所述信用卡资源分配请求的信息数据集；从所述信息数据集中提取特征属性数据集，对所述特征属性数据集进行标准化处理，得到标准特征属性数据集；计算所述标准特征属性数据集中每个标准特征属性的标准差，根据所述标准差对所述标准特征属性集进行数据筛选，得到目标特征属性数据集；计算所述目标特征属性数据集中的属性数据特征，从所述属性数据特征中选取目标属性特征；利用预训练完成的预测模型所述目标属性特征进行分类预测，得到所述信用卡资源分配请求的信用评分，根据所述信用评分对所述信用卡资源分配请求进行信用卡资源分配。2.如权利要求1所述的基于数据挖掘的信用卡资源分配方法，其特征在于，所述根据预构建的持卡人信用评价指标提取所述信用卡资源分配请求的信息数据集，包括：解析所述信用卡资源分配请求对应的信用卡申请人信息，根据所述信用卡申请人信息在预设的数据库中查找所述信用卡资源分配请求的多源数据；将所述多源数据与所述持卡人信用评价指标进行指标匹配，得到所述信用卡资源分配请求的信息数据集。3.如权利要求1所述的基于数据挖掘的信用卡资源分配方法，其特征在于，所述从所述信息数据集中提取特征属性数据集，包括：获取多个预设的特征属性选择策略，根据所述特征选择策略计算所述信息数据中每个特征属性的属性重要度；根据所述属性重要度计算所述信息数据集中每个特征属性的综合重要度；利用如下公式计算所述信息数据集中每个特征属性的综合重要度：其中，p(j)表示第j个特征属性的综合重要度，i表示第i个特征属性选择策略，t表示特征属性选择策略的总数，l(i,j)表示第i个特征属性选择策略计算的第j个特征属性的属性重要度；根据所述综合重要度确定目标特征属性，根据所述目标特征属性从所述信息数据中提取特征属性数据集。4.如权利要求1所述的基于数据挖掘的信用卡资源分配方法，其特征在于，所述根据所述标准差对所述标准特征属性集进行数据筛选，得到目标特征属性数据集，包括：计算所述标准特征属性数据集中每个标准特征属性数据的数据均值，根据所述数据均值及所述标准差构建所述每个标准特征属性的数据分布函数；利用如下公式构建所述每个标准特征属性的的数据分布函数：
其中，f(x)表示标准特征属性的数据分布函数，x表示标准特征属性数据的第x个数据，μ表示标准特征属性数据的数据均值，σ表示标准特征属性数据的标准差；根据所述标准差及所述数据分布函数确定所述每个标准特征属性的干扰数据；剔除所述标准特征属性数据集中的所述干扰数据，得到目标特征属性数据集。5.如权利要求1所述的基于数据挖掘的信用卡资源分配方法，其特征在于，所述计算所述目标特征属性数据集中的属性数据特征，包括：利用预构建的相连卷积层对所述目标属性数据集中每个目标特征属性数据进行一次卷积及二次卷积，得到第一卷积向量及第二卷积向量；对所述第一卷积向量及所述第二卷积向量进行残差连接，得到残差向量，对所述残差向量进行最大池化，得到池化向量；对所述池化向量进行反向卷积，得到所述目标特征属性数据集中的属性数据特征。6.如权利要求5所述的基于数据挖掘的信用卡资源分配方法，其特征在于，所述对所述池化向量进行反向卷积，得到所述目标特征属性数据集中的属性数据特征，包括：利用如下公式对所述池化向量进行反向卷积：其中，h表示属性数据特征，relu表示relu激活函数，h1表示池化向量，表示反卷积操作，w'1，b'1分别表示所述相连卷积层中第一个卷积层的参数，w'2，b'2分别表示所述相连卷积层中第二个卷积层的参数。7.如权利要求1所述的基于数据挖掘的信用卡资源分配方法，其特征在于，所述从所述属性数据特征中选取目标属性特征，包括：对所述属性数据特征进行定量分析，得到所述属性数据特征的特征权重；根据所述特征权重对所述属性数据特征进行特征排序，得到特征重要性序列；根据所述特征重要性序列从所述属性数据特征中选取目标属性特征。8.如权利要求1所述的基于数据挖掘的信用卡资源分配方法，其特征在于，所述利用预训练完成的预测模型所述目标属性特征进行分类预测，得到所述信用卡资源分配请求的信用评分，包括：计算所述预训练完成的预测模型中每个分类器对所述目标属性特征的分类结果，对所述分类结果进行激活运算，得到每个分类器的分类评分；根据所述每个分类器的分类评分计算所述信用卡资源分配请求的信用评分；利用如下公式计算所述信用卡资源分配请求的信用评分：其中，f表示所述信用卡资源分配请求的信用评分，sign表示符号函数，k表示所述预测模型中第k个分类器，k表示所述预测模型中分类器的总数，a
k
表示第k个分类器的预设权重，h
k
(m)表示第k个分类器对目标属性特征m的分类评分。9.如权利要求1所述的基于数据挖掘的信用卡资源分配方法，其特征在于，所述根据所述信用评分对所述信用卡资源分配请求进行信用卡资源分配，包括：
根据所述信用评分与预设的信用卡资源等级进行匹配，得到所述信用卡资源分配请求的资源等级；将所述资源等级对应的信用卡资源作为所述信用卡资源分配请求所申请的信用卡额度。10.一种基于数据挖掘的信用卡资源分配系统，其特征在于，所述系统包括：信息数据集提取模块，用于接受到信用卡资源分配请求时，根据预构建的持卡人信用评价指标提取所述信用卡资源分配请求的信息数据集；标准特征属性数据集计算模块，用于从所述信息数据集中提取特征属性数据集，对所述特征属性数据集进行标准化处理，得到标准特征属性数据集；标准特征属性集筛选模块，用于计算所述标准特征属性数据集中每个标准特征属性的标准差，根据所述标准差对所述标准特征属性集进行数据筛选，得到目标特征属性数据集；目标属性特征选取模块，用于计算所述目标特征属性数据集中的属性数据特征，从所述属性数据特征中选取目标属性特征；信用卡资源分配模块，用于利用预训练完成的预测模型所述目标属性特征进行分类预测，得到所述信用卡资源分配请求的信用评分，根据所述信用评分对所述信用卡资源分配请求进行信用卡资源分配。

技术总结
本发明涉及数据处理技术领域，揭露了一种基于数据挖掘的信用卡资源分配方法及系统，包括：接受到信用卡资源分配请求时，根据预构建的持卡人信用评价指标提取信息数据集；从信息数据集中提取特征属性数据集，对特征属性数据集进行标准化，得到标准特征属性数据集；计算标准特征属性数据集中每个标准特征属性的标准差，根据标准差对标准特征属性集进行数据筛选，得到目标特征属性数据集；计算目标特征属性数据集中的属性数据特征，从属性数据特征中选取目标属性特征；利用预训练完成的预测模型所述目标属性特征进行分类预测，得到信用评分，根据信用评分对信用卡资源分配请求进行信用卡资源分配。本发明可以提高信用卡资源分配的准确度。的准确度。的准确度。


技术研发人员：赵奉 李聪华 余大海
受保护的技术使用者：赵奉
技术研发日：2023.04.28
技术公布日：2023/7/25