1.本发明涉及信用评估技术领域，具体涉及一种基于用户评价的信用评估方法及系统。
背景技术：2.随着互联网技术的发展，虚拟经济规模越来越大。在虚拟经济活动中，信用发挥着越来越重要的作用：不仅可以降低交易成本，还可以提高交易效率，可以说信用推动的经济发展是现代经济的高级形态。信用作为无形资产，在现代经济活动中价值不容忽视，它是推动共享经济业态发展的重要基础。
3.然而，在诸如共享单车、共享汽车、共享充电宝以及互联金融等多种信用驱动的商业模式中，更多的是在消耗信用，未能形成多场景下共同提升信用的模式，不断提升信用价值。在现有的信用经济形态中，更多的是在本体业态中对信用进行单向评估，且更为关注单个场景下的信用评估。比如共享单车、滴滴、支付宝等商业形态中，都是对体系内用户信用评分，不同信用评分之间如何映射、打通，以及如何外延到其他产品和服务中，目前没有得到合理的解决。
4.目前传统的信用评估多采用静态数据或者单一的数据进行评估，并没有考虑到用户交易行为的动态变化，这样的评估无法反映用户的真实信用情况看及变化的。
技术实现要素：5.针对现有技术中的缺陷，本发明提供一种基于用户评价的信用评估方法及系统。
6.一方面，一种基于用户评价的信用评估方法，包括以下内容：
7.获取用户连续两个时间段的用户数据，所述用户数据包括访问次数、交易失败次数和交易成功次数；
8.根据两个时间段的用户数据分别构建用户特征序列，所述用户特征序列包括第一购买行为特征序列、第一售卖行为特征序列、第二购买行为特征序列和第二售卖行为特征序列；
9.根据所述用户特征序列计算信用评估参数，其中，所述信用评估参数包括综合特征相似度、平均行为比；
10.将所述信用评估参数输入信用评估模型，得到用户信用值。
11.优选的，根据两个时间段的用户数据分别构建第一用户特征序列和第二用户特征序列之前还包括：
12.对所述用户数据进行预处理，对预处理后的数据进行归一化处理；
13.预处理的方法包括：
14.对访问页面进行相关性评估，删除相关性低于要求的访问次数；
15.对交易失败次数和交易成功次数进行可靠性进行评估，删除可靠性低于要求的交易失败次数和交易成功次数。
16.优选的，根据两个时间段的用户数据分别构建第一用户特征序列和第二用户特征序列包括：
17.按照交易时用户所代表的角色对连续两个时间段的所述用户数据进行分类，得到第一买方数据、第一卖方数据、第二买方数据和第二卖方数据；
18.根据聚类算法按照交易商品类型对第一买方数据、第一卖方数据、第二买方数据和第二卖方数据进行聚类，得到每一类商品对应的行为比，按照预设的商品排列顺序对所述行为比进行排序，得到第一购买行为特征序列、第一售卖行为特征序列、第二购买行为特征序列和第二售卖行为特征序列。
19.优选的，根据所述用户特征序列计算信用评估参数包括：
20.计算第一购买行为特征序列和第二购买行为特征序列的相似度，得到第一特征相似度；计算第一售卖行为特征序列和第二售卖行为特征序列的相似度，得到第二特征相似度；根据所述第一特征相似度和第二特征相似度输入第一参数计算模型综合特征相似度；
21.将所述第一购买行为特征序列、第一售卖行为特征序列、第二购买行为特征序列和第二售卖行为特征序列输入第二参数计算模型，得到平均行为比，其中，所述平均行为比包括第一购买行为值、第一售卖行为值、第二购买行为值和第二售卖行为值。
22.优选的，所述第一参数计算模型为：
23.θ＝λ1θ1+λ2θ224.其中，θ为综合相似度，θ1为第一特征相似度，θ2为第二特征相似度，λ1、λ2均为权重系数；
25.优选的，所述第二参数计算模型为：
[0026][0027]
其中，xi表示i商品类型的行为比。
[0028]
优选的，当θ大于预设值时，
[0029][0030]
当θ小于或者等于预设值时，
[0031][0032]
其中，m1表示第一购买行为值，m2表示第二购买行为值，m0表示上一历史时间段的购买行为值，n1表示第一售卖行为值，n2表示第二售卖行为值，n0表示上一历史时间段的售卖行为值，y0表示历史信用值，a1、a2、a3均为权重系数。
[0033]
第二方面，一种基于用户评价的信用评估系统，包括：
[0034]
数据获取模块，用于获取用户连续两个时间段的用户数据，所述用户数据包括访问次数、交易失败次数和交易成功次数；
[0035]
预处理模块，用于根据两个时间段的用户数据分别构建第一用户特征序列和第二用户特征序列，其中，所述第一用户特征序列包括第一购买行为特征序列和第一售卖行为，所述第二用户特征序列包括第二购买行为特征序列和第二售卖行为特征序列；
[0036]
参数计算模块，用于根据所述第一用户特征序列和第二用户特征序列计算信用评
估参数，其中，所述信用评估参数包括综合特征相似度和第一购买信用值、第一售卖信用值、第二购买信用值和第二售卖信用值；
[0037]
信用评估模块，将所述信用评估参数输入信用评估模型，得到用户信用值。
[0038]
本发明的有益效果体现在：本发明在传统信用评估系统的基础上，考虑了动态变化的交易数据，从用户角色、交易次数、访问次数以及交易周期的综合相似度出发对用户进行评价，构建了多维信用评估模型，该方法有效克服了传统信用评估方法针对个体仅进行静态评估缺陷，具有覆盖范围广、多维度综合评估等优点；在传统信用评估对个体进行静态信用评估所得静态数据的基础上，还可实时获取对信用评估有影响的动态的交易数据，并根据交易数据对相应用户的信用值进行更新，得出的信用值是动态变化的，及时反映用户的真实信用情况及变化趋势。
附图说明
[0039]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0040]
图1为本发明实施例所提供的一种基于用户评价的信用评估方法的流程图；
[0041]
图2为本发明实施例所提供的一种基于用户评价的信用评估系统的结构示意图。
具体实施方式
[0042]
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
[0043]
需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
[0044]
实施例一
[0045]
如图1所示，本发明实施例提供了一种基于用户评价的信用评估方法，包括以下步骤：
[0046]
步骤一：获取用户连续两个时间段的用户数据，所述用户数据包括访问次数、交易失败次数和交易成功次数；
[0047]
具体的，所述连续时间段可以一星期、一个月、一个季度等，在本实施例中，所述连续时间段为一个星期。
[0048]
具体的，还需要对用户数据进行对所述用户数据进行预处理，对预处理后的数据进行归一化处理；
[0049]
需要说明的是，预处理的方法包括：
[0050]
对访问页面进行相关性评估，删除相关性低于要求的访问次数；
[0051]
具体的，通过计算访问页面出现的关键词的个数来评估访问页面的相关性，相关性低于预设相关性阈值时删除该访问次数；
[0052]
对交易失败次数和交易成功次数进行可靠性进行评估，删除可靠性低于要求的交易失败次数和交易成功次数；
[0068]
其中，θ为综合相似度，θ1为第一特征相似度，θ2为第二特征相似度，λ1、λ2均为权重系数。
[0069]
需要说明的，所述第二参数计算模型为：
[0070][0071]
其中，xi表示i商品类型的行为比。
[0072]
步骤四：将所述信用评估参数输入信用评估模型，得到用户信用值。
[0073]
需要说明的，信用评估模型具体为，当θ大于预设值时，
[0074][0075]
当θ小于或者等于预设值时，
[0076][0077]
其中，m1表示第一购买行为值，m2表示第二购买行为值，m0表示上一历史时间段的购买行为值，n1表示第一售卖行为值，n2表示第二售卖行为值，n0表示上一历史时间段的售卖行为值，y0表示历史信用值，a1、a2、a3均为权重系数。
[0078]
由于用户的交易行为将直接影响用户的信用值，本技术通过行为比描述了交易成功次数、交易失败次数与访问次数之间的关系，该行为比越大，用户信用度越高，又通过平均行为比描述了交易成功次数、交易失败次数、访问次数与商品之间的关系，该平均行为比越大，表明用户信用度越高；同时，根据用户在交易中的角色，对其交易行为进行分类，通过计算购买行为平均转化率值(第一购买行为值)与售卖行为平均转化值(第二购买行为值)之间的差值，进一步描述用户购买行为和售卖行为之间的关系，该差值越大，表明用户行为差异越大，用户的信用值越低。另外，由于短时间的采集无法快速准确判断用户交易行为的变化，因此，本技术采集了两段时间用户的交易数据，通过比较两段时间的综合相似度，通过两段时间综合相似度来判断用户信用值如何更新，若两段时间用户的综合相似度小于预设值，则按照两段时间的数据进行用户信用值更新，若两段时间的综合相似度较高，则按照第一段时间的数据进行用户信用值更新。
[0079]
综上，本技术提供了一种基于用户评价的信用评估方法，所述方法包括获取用户连续两个时间段的用户数据，所述用户数据包括访问次数、交易失败次数和交易成功次数；根据两个时间段的用户数据分别构建用户特征序列，所述用户特征序列包括第一购买行为特征序列、第一售卖行为特征序列、第二购买行为特征序列和第二售卖行为特征序列；根据所述用户特征序列计算信用评估参数，其中，所述信用评估参数包括综合特征相似度、平均行为比；将所述信用评估参数输入信用评估模型，得到用户信用值。本技术在传统信用评估系统的基础上，考虑了动态变化的交易数据，从用户角色、交易次数、访问次数以及交易周期的综合相似度出发，构建了多维信用评估模型，该方法有效克服了传统信用评估方法针对个体仅进行静态评估缺陷，具有覆盖范围广、多维度综合评估等优点；在传统信用评估对个体进行静态信用评估所得静态数据的基础上，还可实时获取对信用评估有影响的动态的交易数据，并根据交易数据对相应用户的信用值进行更新，得出的信用评估是动态变化的，及时反映用户的真实信用情况及变化趋势。
[0080]
实施例二
[0081]
如图2所示，本发明实施例提供了一种基于用户评价的信用评估系统，包括：
[0082]
数据获取模块，用于获取用户连续两个时间段的用户数据，所述用户数据包括访问次数、交易失败次数和交易成功次数；
[0083]
预处理模块，用于根据两个时间段的用户数据分别构建第一用户特征序列和第二用户特征序列，其中，所述第一用户特征序列包括第一购买行为特征序列和第一售卖行为，所述第二用户特征序列包括第二购买行为特征序列和第二售卖行为特征序列；
[0084]
参数计算模块，用于根据所述第一用户特征序列和第二用户特征序列计算信用评估参数，其中，所述信用评估参数包括综合特征相似度和第一购买信用值、第一售卖信用值、第二购买信用值和第二售卖信用值；
[0085]
信用评估模块，将所述信用评估参数输入信用评估模型，得到用户信用值。
[0086]
本发明实施例所提供的一种基于用户评价的信用评估系统与上述实施例所提供的一种基于用户评价的信用评估方法出于相同的发明构思，关于本发明实施例中各个模块更加具体的工作原理参考上述实施例，在此不做赘述。
[0087]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
技术特征：1.一种基于用户评价的信用评估方法，其特征在于，包括以下内容：获取用户连续两个时间段的用户数据，所述用户数据包括访问次数、交易失败次数和交易成功次数；根据两个时间段的用户数据分别构建用户特征序列，所述用户特征序列包括第一购买行为特征序列、第一售卖行为特征序列、第二购买行为特征序列和第二售卖行为特征序列；根据所述用户特征序列计算信用评估参数，其中，所述信用评估参数包括综合特征相似度、平均行为比；将所述信用评估参数输入信用评估模型，得到用户信用值。2.根据权利要求1所述的一种基于用户评价的信用评估方法，其特征在于，根据两个时间段的用户数据分别构建第一用户特征序列和第二用户特征序列之前还包括：对所述用户数据进行预处理，对预处理后的数据进行归一化处理；预处理的方法包括：对访问页面进行相关性评估，删除相关性低于要求的访问次数；对交易失败次数和交易成功次数进行可靠性进行评估，删除可靠性低于要求的交易失败次数和交易成功次数。3.根据权利要求1所述的一种基于用户评价的信用评估方法，其特征在于根据两个时间段的用户数据分别构建第一用户特征序列和第二用户特征序列包括：按照交易时用户所代表的角色对连续两个时间段的所述用户数据进行分类，得到第一买方数据、第一卖方数据、第二买方数据和第二卖方数据；根据聚类算法按照交易商品类型对第一买方数据、第一卖方数据、第二买方数据和第二卖方数据进行聚类，获取每一类商品对应的行为比，按照预设的商品排列顺序对所述行为比进行排序，得到第一购买行为特征序列、第一售卖行为特征序列、第二购买行为特征序列和第二售卖行为特征序列。4.根据权利要求1所述的一种基于用户评价的信用评估方法，其特征在于，根据所述用户特征序列计算信用评估参数包括：计算第一购买行为特征序列和第二购买行为特征序列的相似度，得到第一特征相似度；计算第一售卖行为特征序列和第二售卖行为特征序列的相似度，得到第二特征相似度；根据所述第一特征相似度和第二特征相似度输入第一参数计算模型综合特征相似度；将所述第一购买行为特征序列、第一售卖行为特征序列、第二购买行为特征序列和第二售卖行为特征序列输入第二参数计算模型，得到平均行为比，其中，所述平均行为比包括第一购买行为值、第一售卖行为值、第二购买行为值和第二售卖行为值。5.根据权利要求4所述的一种基于用户评价的信用评估方法，其特征在于，所述第一参数计算模型为：θ＝λ1θ1+λ2θ2其中，θ为综合相似度，θ1为第一特征相似度，θ2为第二特征相似度，λ1、λ2均为权重系数。6.根据权利要求5所述的一种基于用户评价的信用评估方法，其特征在于，所述第二参数计算模型为：
其中，x
i
表示i商品类型的行为比。7.根据权利要求6所述的一种基于用户评价的信用评估方法，其特征在于，当θ大于预设值时，当θ小于或者等于预设值时，其中，m1表示第一购买行为值，m2表示第二购买行为值，m0表示上一历史时间段的购买行为值，n1表示第一售卖行为值，n2表示第二售卖行为值，n0表示上一历史时间段的售卖行为值，y0表示历史信用值，a1、a2、a3均为权重系数。8.一种基于用户评价的信用评估系统，其特征在于，包括：数据获取模块，用于获取用户连续两个时间段的用户数据，所述用户数据包括访问次数、交易失败次数和交易成功次数；预处理模块，用于根据两个时间段的用户数据分别构建第一用户特征序列和第二用户特征序列，其中，所述第一用户特征序列包括第一购买行为特征序列和第一售卖行为，所述第二用户特征序列包括第二购买行为特征序列和第二售卖行为特征序列；参数计算模块，用于根据所述第一用户特征序列和第二用户特征序列计算信用评估参数，其中，所述信用评估参数包括综合特征相似度和第一购买信用值、第一售卖信用值、第二购买信用值和第二售卖信用值；信用评估模块，将所述信用评估参数输入信用评估模型，得到用户信用值。
技术总结本发明公开了一种基于用户评价的信用评估方法，涉及信用评估技术领域，所述方法包括获取用户连续两个时间段的用户数据，根据两个时间段的用户数据分别构建用户特征序列，根据所述用户特征序列计算信用评估参数，将所述信用评估参数输入信用评估模型，得到用户信用值。本申请考虑了动态变化的交易数据，从用户角色、交易次数、访问次数以及交易周期的综合相似度出发对用户进行评价并构建了多维信用评估模型，根据该模型对用户信用值进行更新，得出的信用值是动态变化的，及时反映用户的真实信用情况及变化趋势。该方法有效克服了传统信用评估方法针对个体仅进行静态评估缺陷，具有覆盖范围广、多维度综合评估等优点。多维度综合评估等优点。多维度综合评估等优点。
技术研发人员：王中亚 何超奇 陈浩
受保护的技术使用者：深圳市未来之光发展有限公司
技术研发日：2022.06.30
技术公布日：2022/11/1
