本发明涉及银行数据处理，特别是一种识别客户资质的模型训练方法、装置、设备和介质。
背景技术：
1、在金融风控领域，对客户本身的资质审查是至关重要的，例如收入水平、工作情况、年龄、婚姻等，获取这些信息综合评定后才能对客户进行审核通过与否，更好的控制金融风险。但在实际业务中，衡量客户收入水平的数据是比较难获取的，即使有少数几家第三方数据厂商可以提供，但是查询费用极高。而面对互联网金融借贷业务中，大量的线上申请客户，若全部查询三方数据，无疑大大的增加了风控成本。因此，如何在成本可控的前提下，评估预测客户的收入水平，更加全面的了解客户，从何对客户有更好的判断，把控金融风险，是当下互联网金融风控一个大的难点。
2、在已有的解决方案中，大多数情况是通过客户的其他数据进行推断客户资质的方式，例如利用人行征信中的银行卡借还款细信息、公积金信息等，通过简单的系数相乘相加进行计算，或者构建简单的线性回归模型，预测客户的具体收入。此种方式虽然操作简单，但是误差极大，同时其预测结果的样本分布不符合业务认知，难以解释。因此，在最终实际业务应用中，帮助有限。
3、因此本发明提供一种的新的方案来解决此问题。
技术实现思路
1、针对现有技术存在的不足，本发明的目的是提供一种识别客户资质的模型训练方法、装置、设备和介质，有效的解决了现有的技术方案存在误差较大且样本分布存在缺陷的问题。
2、其解决的技术方案是，本技术提供了一种识别客户资质的模型训练方法，所述方法包括：
3、获取多个样本客户的收入数据，并将多个样本客户的收入数据分别进行预处理得到多个入模特征以及分级占比；所述预处理包括填充、转换和剔除；所述分级占比是通过将多个样本客户的收入划分等级后每个收入等级区间所对应的样本客户数量的占比；
4、所述得到的多个入模特征发送至预先建立的客户资质识别模型；所述客户资质识别模型是预先通过多分类神经网络和样本客户的收入数据构建，并经参数调整网络进行优化得到的；
5、所述客户资质识别模型基于接收的多个入模特征得到多个预测分值，以选取出最大预测分值；所述预测分值与所述客户资质识别模型基于样本权重算法网络为每个收入等级区间的权重值对应；
6、基于每个样本客户的最大预测分值与样本客户的分级占比评估所述客户资质识别模型，以基于评估后的客户资质识别模型识别客户资质。
7、进一步地，所述收入等级区间对应的权重值是基于样本权重算法网络得到的具体步骤为：
8、所述客户资质识别模型为每个收入等级区间赋予相同的初始权重值；
9、所述客户资质识别模型根据预先存储的样本客户的收入数据对每个收入等级区间的初始权重值进行多次调整，直至收入等级区间对应的权重值与样本客户的收入数据的分级占比对应。
10、进一步地，所述客户资质识别模型根据预先存储的样本客户的收入数据对每个收入等级区间的初始权重值进行多次调整，包括：
11、以预设步长为每个收入等级区间的初始权重值进行粗调和迭代后，判断粗调和迭代后的权重值是否与样本客户的分级占比对应；
12、若否，则循环将预设步长减半并重新粗调和迭代的方式，直至收入等级区间对应的权重值与样本客户的分级占比对应。
13、进一步地，所述通过多分类神经网络和样本客户的收入数据构建，并经参数调整网络进行优化的所述客户资质识别模型的具体步骤为：
14、以样本客户的收入数据和多分类神经网络构建初始客户资质识别模型，并以样本客户的收入数据为目标标签；
15、基于参数调整网络和目标标签对所述初始客户资质识别模型进行多次训练和优化得到所述客户资质识别模型。
16、进一步地，所述基于每个样本客户的最大预测分值与样本客户的分级占比评估所述客户资质识别模型，包括：
17、将每个样本客户的最大预测分值与样本客户的分级占比进行二维交叉得到分值表格；
18、基于分值表格计算所述客户资质识别模型的准确率，以基于准确率评估所述客户资质识别模型。
19、进一步地，所述基于分值表格计算所述客户资质识别模型的准确率，以基于准确率评估所述客户资质识别模型，包括：
20、从分值表格的对角线中选择最大预测分值的数量与样本客户的分级占比相同的第一样本客户，并确定第一样本客户的数量；
21、以第一样本客户的数量占据样本客户的占比确定所述客户资质识别模型的准确率。
22、进一步地，所述以基于准确率评估所述客户资质识别模型，包括：
23、判断所述客户资质识别模型的准确率是否达到所述客户资质识别模型预设准确率；
24、若否，则无法基于评估后的所述客户资质识别模型识别客户资质。
25、本技术还提供了一种识别客户资质的模型训练装置，所述装置包括：
26、获取模块，用于获取多个样本客户的收入数据，并将多个样本客户的收入数据分别进行预处理得到多个入模特征以及分级占比；所述预处理包括填充、转换和剔除；所述分级占比是通过将多个样本客户的收入划分等级后每个收入等级区间所对应的样本客户数量的占比；
27、发送模块，用于所述得到的多个入模特征发送至预先建立的客户资质识别模型；所述客户资质识别模型是预先通过多分类神经网络和样本客户的收入数据构建，并经参数调整网络进行优化得到的；
28、接收模块，用于所述客户资质识别模型基于接收的多个入模特征得到多个预测分值，以选取出最大预测分值；所述预测分值与所述客户资质识别模型基于样本权重算法网络为每个收入等级区间的权重值对应；
29、识别模块，用于基于每个样本客户的最大预测分值与样本客户的分级占比评估所述客户资质识别模型，以基于评估后的客户资质识别模型识别客户资质。
30、本技术还提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行任意一项所述的一种识别客户资质的模型训练方法的步骤。
31、本技术还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行任意一项所述的一种识别客户资质的模型训练方法的步骤。
32、本发明实现了如下有益效果：
33、本发明提出了一种识别客户资质的模型训练方法，所述方法首先获取多个样本客户的收入数据，并将多个样本客户的收入数据分别进行预处理得到多个入模特征以及分级占比；所述预处理包括填充、转换和剔除；所述分级占比是通过将多个样本客户的收入划分等级后每个收入等级区间所对应的样本客户数量的占比；其次所述得到的多个入模特征发送至预先建立的客户资质识别模型；所述客户资质识别模型是预先通过多分类神经网络和样本客户的收入数据构建，并经参数调整网络进行优化得到的；然后所述客户资质识别模型基于接收的多个入模特征得到多个预测分值，以选取出最大预测分值；所述预测分值与所述客户资质识别模型基于样本权重算法网络为每个收入等级区间的权重值对应；最后基于每个样本客户的最大预测分值与样本客户的分级占比评估所述客户资质识别模型，以基于评估后的客户资质识别模型识别客户资质，以样本客户的收入数据为依据，并以建造客户资质识别模型的方式，减少了误差的存在，保证了识别客户资质的准确性并且以避免了现有的技术方案存在误差较大且样本分布存在缺陷的问题。
1.一种识别客户资质的模型训练方法，其特征在于，所述方法包括：
2.如权利要求1所述的识别客户资质的模型训练方法，其特征在于，所述收入等级区间对应的权重值是基于样本权重算法网络得到的具体步骤为：
3.如权利要求2所述的识别客户资质的模型训练方法，其特征在于，所述客户资质识别模型根据预先存储的样本客户的收入数据对每个收入等级区间的初始权重值进行多次调整，包括：
4.如权利要求1所述的识别客户资质的模型训练方法，其特征在于，所述通过多分类神经网络和样本客户的收入数据构建，并经参数调整网络进行优化的所述客户资质识别模型的具体步骤为：
5.如权利要求1所述的识别客户资质的模型训练方法，其特征在于，所述基于每个样本客户的最大预测分值与样本客户的分级占比评估所述客户资质识别模型，包括：
6.如权利要求5所述的识别客户资质的模型训练方法，其特征在于，所述基于分值表格计算所述客户资质识别模型的准确率，以基于准确率评估所述客户资质识别模型，包括：
7.如权利要求5所述的识别客户资质的模型训练方法，其特征在于，所述以基于准确率评估所述客户资质识别模型，包括：
8.一种识别客户资质的模型训练装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任意一项所述的一种识别客户资质的模型训练方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任意一项所述的一种识别客户资质的模型训练方法的步骤。
