信用等级识别方法、装置、设备、可读存储介质及产品

技术领域

本申请涉及人工智能技术领域，尤其涉及一种信用等级识别方法、装置、设备、可读存储介质及产品。

背景技术

在互联网时代，便捷的业务办理模式给各金融机构带来了业务量的剧增，同时业务模式也随之改变。用户信用等级是衡量一个人是否可靠的一种重要指标，为了实现对不同业务的办理，首先需要确定用户对应的信用等级。

实际应用中，一般都是通过工作人员查看用户各种信用相关的指标，然后综合分析，确定该用户的信用等级。

但是，采用上述方法进行信用等级的计算一般较为耗费人力资源，且信用等级确定的耗时较长。此外，人工进行信用等级的确定往往较为依赖工作人员的个人经验，不同的工作人员确定的信用等级可能有所不同，导致最终确定的信用等级的准确性不高。

发明内容

本申请提供一种信用等级识别方法、装置、设备、可读存储介质及产品，用以解决现有的信用等级确定方法准确率不高，且效率较低的技术问题。

第一方面，本申请提供一种信用等级识别方法，包括：

获取信用等级识别请求，其中，所述信用等级识别请求中包括目标用户对应的待识别用户数据；

根据所述信用等级识别请求，计算所述待识别用户数据对应的目标信息价值；

根据所述目标信息价值对所述待识别用户数据进行筛选操作，获得目标用户数据，所述目标用户数据中包括多个与信用等级相关的多个指标对应的用户数据；

将所述目标用户数据输入至预设的信用等级识别模型中，将所述信用等级识别模型的输出数据确定为所述目标用户对应的信用等级；

其中，所述信用等级识别模型为采用优化后的粒子群算法进行连接权重优化的深度信念网络模型。

第二方面，本申请提供一种信用等级识别装置，包括：

获取模块，用于获取信用等级识别请求，其中，所述信用等级识别请求中包括目标用户对应的待识别用户数据；

计算模块，用于根据所述信用等级识别请求，计算所述待识别用户数据对应的目标信息价值；

筛选模块，用于根据所述目标信息价值对所述待识别用户数据进行筛选操作，获得目标用户数据，所述目标用户数据中包括多个与信用等级相关的多个指标对应的用户数据；

处理模块，用于将所述目标用户数据输入至预设的信用等级识别模型中，将所述信用等级识别模型的输出数据确定为所述目标用户对应的信用等级；

其中，所述信用等级识别模型为采用优化后的粒子群算法进行连接权重优化的深度信念网络模型。

第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现第一方面所述的方法。

第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。

第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面所述的方法。

本申请提供的信用等级识别方法、装置、设备、可读存储介质及产品，通过预先训练采用优化后的粒子群算法进行连接权重优化的深度信念网络模型，获得能够进行信用等级识别的信用等级识别模型。在获取到待识别用户数据之后，可以对待识别用户数据进行预处理，确定待识别用户数据对应的目标信息价值，根据目标信息价值对所述待识别用户数据进行筛选操作，获得目标用户数据，将目标用户数据价值输入至该信用等级识别模型中，从而能够快速、准确地实现对目标用户的信用等级的计算，提高了信用等级确定的效率以及准确性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请基于的系统架构示意图；

图2为本申请实施例提供的信用等级识别方法的流程示意图；

图3为本申请又一实施例提供的信用等级识别方法的流程示意图；

图4为本申请实施例提供的信用等级识别装置的结构示意图；

图5为本申请实施例提供的电子设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

首先对本申请所涉及的名词进行解释：

深度信念网络(Deep Belief Network，简称DBN)：是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布，DBN由若干层神经元组成，组成元件是受限泊尔兹曼机。

证据权重((weight of evidence，简称WoE)：是对原始自变量的一种编码形式，公式是

信息价值(Information Value，简称IV)：衡量各变量对y的预测能力，用于筛选变量。

Relief算法:是一种特征权重算法，根据各个特征和列别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被移除。

需要说明的是，本申请提供的信用等级识别方法、装置、设备、可读存储介质及产品可用于人工智能技术领域。也可用于除人工智能技术领域以外的任意领域。本申请提供的信用等级识别方法、装置、设备、可读存储介质及产品对应用领域不作限定。

现有的信用等级确定方法一般都是由工作人员查阅目标用户的信用数据，结合自身的经验进行确定。但是，上述方法往往较为依赖工作人员的个人经验，且效率较低。

在解决上述技术问题的过程中，发明人通过研究发现，为了快速、准确地实现对目标用户信用等级的确定，可以预先训练采用优化后的粒子群算法进行连接权重优化的深度信念网络模型，获得能够进行信用等级识别的信用等级识别模型。在获取到待识别用户数据之后，可以对待识别用户数据进行预处理，将与处理后的目标信息价值输入至该信用等级识别模型中，将信用等级识别模型输出的数据作为目标用户的信用等级。

本申请提供的数据传输的方法，旨在解决现有技术的如上技术问题。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图1为本申请基于的系统架构示意图，如图1所示，本申请基于的系统架构至少包括：终端设备11以及服务器12，其中，服务器12中设置有信用等级识别装置，该信用等级识别装置可采用C/C++、Java、Shell或Python等语言编写；终端设备11则可例如台式电脑、平板电脑等。

基于上述系统架构，服务器12可以获取终端设备11发送的信用等级识别请求，根据该信用等级识别请求计算待识别用户数据13对应的目标信息价值14，将该目标信息价值14输入至预设的信用等级识别模型15中，获得目标用户对应的信用等级16。

图2为本申请实施例提供的信用等级识别方法的流程示意图，如图2所示，该方法包括：

步骤201、获取信用等级识别请求，其中，所述信用等级识别请求中包括目标用户对应的待识别用户数据。

本实施例的执行主体为信用等级识别装置，该信用等级识别装置可耦合于服务器中。该服务器能够与终端设备通信连接，从而能够与终端设备进行信息交互。可以获取终端设备发送的信用等级识别请求，并根据该信用等级识别请求采用预设的信用等级识别模型实现对目标用户的信用等级的计算。

在本实施方式中，当目标用户在进行信息办理时，为了能够使得给目标用户提供的服务能够更加贴合目标用户的实际情况，可以对该目标用户的信用等级进行确定。

具体地，用户可以在前端用于业务办理的终端设备上输入待识别用户数据，该待识别用户数据为在获取到用户的授权之后获取的。终端设备在获取到待识别用户数据之后，可以根据用户的触发操作以及该待识别用户数据向信用等级识别装置发送信用等级识别请求。相应地，该信用等级识别装置可以获取终端设备发送的信用等级识别请求，其中，该信用等级识别请求中包括目标用户对应的待识别用户数据。

以实际应用举例来说，该待识别用户数据包括但不限于目标用户年龄、学历、是否成家、是否有小孩、是否有超过90天逾期、近两年30-59天逾期的次数、近两年60-89天逾期的次数、大于等于90天逾期的次数、收入、家庭欠款、每月支出、信用卡和个人信用额度的总余额与信用额度之和的比值等。

步骤202、根据所述信用等级识别请求，计算所述待识别用户数据对应的目标信息价值。

在本实施方式中，在获取到信用等级识别请求之后，为了提高信用等级识别的准确性，并提高信用等级识别的效率，可以根据该信用等级识别请求计算待识别用户数据对应的目标信息价值。

在计算获得目标信息价值之后，能够基于该目标信息价值获取价值更高的待识别用户数据，进而能够提高信用等级识别的准确性。

步骤203、根据所述目标信息价值对所述待识别用户数据进行筛选操作，获得目标用户数据，所述目标用户数据中包括多个与信用等级相关的多个指标对应的用户数据。

在本实施方式之后，在计算得到目标信息价值之后，可以根据该目标信息价值对待识别用户数据进行筛选操作，以得到满足预设的筛选条件的目标用户数据，其中，目标用户数据中包括多个与信用等级相关的多个指标对应的用户数据。

从而能够基于该目标用户数据实现对信用等级的计算。

步骤204、将所述目标用户数据输入至预设的信用等级识别模型中，将所述信用等级识别模型的输出数据确定为所述目标用户对应的信用等级。其中，所述信用等级识别模型为采用优化后的粒子群算法进行连接权重优化的深度信念网络模型。

在本实施方式中，为了实现对信用等级的识别，预先可以构建信用等级识别模型。其中，该信用等级识别模型具体可以为深度信念网络模型。为了提高该信用等级识别模型的识别精度，可以预先对该信用等级识别模型所使用的粒子群算法进行优化操作，使用优化后的粒子群算法进行连接权重优化操作。

进一步地，在根据目标信息价值对待识别用户数据进行筛选操作，获得满足预设的筛选条件的目标用户数据之后，可以将该目标用户数据输入至该信用等级识别模型中。获取信用等级识别模型的输出数据，将该信用等级识别模型的输出数据确定为所述目标用户对应的信用等级。

进一步地，在上述任一实施例的基础上，步骤203包括：

根据所述待识别用户数据对应的目标信息价值以及预设的信息价值区间对所述待识别用户数据进行筛选操作，获得目标用户数据。

在本实施例中，为了实现对待识别用户数据的筛选操作，可以预先设置信息价值区间。举例来说，该信息价值区间可以为大于0.2的区间。在计算得到待识别用户数据对应的目标信息价值之后，可以根据该目标信息价值以及预设的信息价值区间，对与该信息价值区间不匹配的待识别用户数据进行删除操作，得到目标用户数据。

本实施例提供的信用等级识别方法，通过预先训练采用优化后的粒子群算法进行连接权重优化的深度信念网络模型，获得能够进行信用等级识别的信用等级识别模型。在获取到待识别用户数据之后，可以对待识别用户数据进行预处理，确定待识别用户数据对应的目标信息价值，根据目标信息价值对所述待识别用户数据进行筛选操作，获得目标用户数据，将目标用户数据价值输入至该信用等级识别模型中，从而能够快速、准确地实现对目标用户的信用等级的计算，提高了信用等级确定的效率以及准确性。

进一步地，在上述任一实施例的基础上，步骤201包括：

对所述待识别用户数据中与信用等级关联的指标进行筛选操作，获得多个目标指标。

针对各目标指标，计算所述目标指标对应的证据权重，根据所述证据权重计算所述目标指标以及预设的信息价值算法计算所述目标指标对应的信息价值。

将所述多个目标指标对应的信息价值确定为所述目标信息价值。

在本实施例中，待识别用户数据可以为脱敏后的用户数据，其具体包括但不限于目标用户年龄、学历、是否成家、是否有小孩、是否有超过90天逾期、近两年30-59天逾期的次数、近两年60-89天逾期的次数、大于等于90天逾期的次数、收入、家庭欠款、每月支出、信用卡和个人信用额度的总余额与信用额度之和的比值等。由于待识别用户数据中存在部分与信用价值计算不相关的指标，因此，为了便于后续信用等级的计算，提高计算的效率，降低计算的数据量，可以采用与信用等级关联的指标对待识别用户数据进行筛选操作，得到多个与信用等级关联的目标指标。

进一步地，针对各目标指标，可以通过预设的信息价值算法实现对目标指标证据权重的计算。其中，该预设的信息价值算法如公式1所示：

其中，pyi表示第i目标指标中坏标签的样本，pni表示第i目标指标中好标签的样本。

确定各目标指标对应的证据权重之后，可以根据该目标指标对应的证据权重计算目标指标对应的信息价值。将多个目标指标对应的信息价值确定为所述目标信息价值。

本实施例提供的信用等级识别方法，通过在获取到待识别用户数据之后，对待识别用户数据进行筛选，从而能够提高待识别用户数据的数据质量。进一步地，通过计算目标指标对应的证据权重以及根据证据权重计算目标指标对应的信息价值，从而能够准确地确定目标指标对应的信息价值，进而后续能够根据该信息价值准确地实现对信用等级的识别，降低了计算量，提高了信用等级识别的效率。

进一步地，在上述任一实施例的基础上，所述对所述待识别用户数据中与信用等级关联的指标进行筛选操作，获得多个目标指标，包括：

根据预设的与信用等级关联的指标列表对所述待识别用户数据进行初步筛选操作，获得初步筛选结果。

针对初步筛选结果中的各指标，采用relief算法确定各指标对应的权重，并据所述各指标对应的权重以及预设的权重区间对所述初步筛选结果进行筛选操作，获得所述多个目标指标，其中，所述权重用于表征所述指标的重要性。

在本实施例中，可以预先建立与信用等级关联的指标列表，其中，该指标列表中包括多个与信用等级关联的指标。根据该指标列表对待识别用户数据进行初步筛选操作，以获得包括与信用等级关联的指标的初步筛选结果。

针对初步筛选结果中的各指标，采用relief算法确定各指标对应的权重，并据所述各指标对应的权重以及预设的权重区间对所述初步筛选结果进行筛选操作，获得所述多个目标指标，其中，所述权重用于表征所述指标的重要性。从而能够根据结果导向，来反推每种指标的重要性，将不重要的指标去除，这样可以减少过拟合现象，所有用户指标是相同的。

本实施例提供的信用等级识别方法，通过识别出待识别用户数据中与信用等级关联的初步筛选结果，并基于该初步筛选结果确定各指标对应的权重，根据该权重进行进一步地筛选，从而能够有效地降低待识别用户数据的数据量，降低后续识别过程中的计算量，提高信用等级识别的效率。此外，可以提高待识别用户数据的数据质量，提高信用等级识别的准确度。

图3为本申请又一实施例提供的信用等级识别方法的流程示意图，在上述任一实施例的基础上，如图3所示，步骤203之前，还包括：

步骤301、获取训练数据集，其中，所述训练数据集中包括多个用户对应的用户数据以及各用户对应的信息价值的信用等级。

步骤302、采用所述训练数据集对预设的深度信念网络模型进行迭代训练，直至所述深度信念网络模型收敛，获得所述信用等级识别模型。

在本实施例中，为了实现对信用等级的识别，预先可以构建信用等级识别模型。其中，该信用等级识别模型具体可以为深度信念网络模型。

具体地，可以获取训练数据集，该训练数据集中包括多个用户对应的用户数据以及各用户对应的信息价值的信用等级。其中，各用户对应的信息价值的信用等级具体可以为经验丰富的专家对每个用户数据进行评价获得的。

采用该训练数据集对预设的深度信念网络模型进行迭代训练，直至所述深度信念网络模型收敛，获得信用等级识别模型。可选地，当深度信念网络模型训练过程中损失值满足预设的收敛条件，这可以判定深度信念网络模型收敛。

本实施例提供的信用等级识别方法，通过获取包括多个用户对应的信息价值以及各用户对应的信息价值的信用等级的训练数据集，并采用该训练数据集对预设的深度信念网络模型进行迭代训练，从而能够使得训练获得的信用等级识别模型具有准确地信用等级识别能力，进而后续能够基于该信用等级识别模型实现对目标用户的信用等级的计算，避免人工计算带来的资源浪费。

进一步地，在上述任一实施例的基础上，所述信用等级识别模型采用优化后的粒子群算法进行连接权重优化。所述方法还包括：

通过预设的优化算法对所述粒子群算法中用于对粒子的速度与位置进行更新的惯性因子进行优化操作，获得所述优化后的粒子群算法。

在本实施例中，该深度信念网络模型可采用粒子群算法进行最优位置迭代优化。为了进一步地提高模型的识别精度，可以对该粒子群算法中用于对粒子的速度与位置进行更新的惯性因子进行优化操作，获得该优化后的粒子群算法。

具体地，优化后的惯性因子ω如公式2所示：

其中ω

本实施例提供的信用等级识别方法，通过对粒子群算法中用于对粒子的速度与位置进行更新的惯性因子进行优化操作，从而后续在使用过程中，能够使得粒子群筛选的参数更加精确，进而能够提高信用等级识别模型识别的信用等级的准确性。

进一步地，在上述任一实施例的基础上，步骤302包括：

将所述训练数据集中的用户数据输入至所述深度信念网络模型中，获得所述深度信念网络模型输出的预测结果。

根据所述预测等级以及所述训练数据集中用户数据对应的信用等级计算所述深度信念网络模型对应的损失值。

检测所述损失值是否满足预设的收敛条件。

若满足，则判定所述深度信念网络模型收敛，获得所述信用等级识别模型。

若不满足，则返回执行所述将所述训练数据集中的用户数据输入至所述深度信念网络模型中，的步骤，直至所述损失值满足预设的收敛条件，获得所述信用等级识别模型。

在本实施例中，在训练过程中，可以将训练数据集中的用户数据输入至所述深度信念网络模型中，获得所述深度信念网络模型输出的预测结果。将该预测结果与训练数据集中用户数据对应的信用等级进行比对操作，根据预测结果与训练数据集中用户数据对应的信用等级确定深度信念网络模型对应的损失值。

检测该损失值是否满足预设的收敛条件。其中，该收敛条件可以为损失值小于预设的阈值。或者，收敛条件可以为两次训练的损失值之差小于预设的差值阈值等。本申请对此不做限制。

若满足预设的收敛条件，则表征该深度信念网络模型已收敛，获得信用等级识别模型。反之，则可以返回执行将所述训练数据集中的用户数据输入至所述深度信念网络模型中的步骤，直至深度信念网络模型已收敛，获得信用等级识别模型。

本实施例提供的信用等级识别方法，通过根据预测等级以及训练数据集中用户数据对应的信用等级之间的差值计算深度信念网络模型对应的损失值，基于该损失值对深度信念网络模型进行迭代训练，从而能够使得深度信念网络模型能够识别并输出更加准确的信用等级，提高信用等级识别模型识别的准确性。

进一步地，在上述任一实施例的基础上，步骤301包括：

获取多个用户的用户数据；

针对各用户数据，计算各用户数据对应的信息价值；

根据所述各用户数据对应的信息价值以及预设的信息价值区间，对所述多个用户的用户数据进行筛选操作，以及获取预存的所述用户数据对应的信用等级；

根据筛选后的各用户数据以及所述信用等级，生成所述训练数据集。

在本实施例中，可以获取多个用户的用户数据。其中，该用户数据可以为脱敏后的数据，其包括但不限于目标用户年龄、学历、是否成家、是否有小孩、是否有超过90天逾期、近两年30-59天逾期的次数、近两年60-89天逾期的次数、大于等于90天逾期的次数、收入、家庭欠款、每月支出、信用卡和个人信用额度的总余额与信用额度之和的比值等。

针对各用户数据，计算各用户数据对应的信息价值。可以根据各用户数据对应的信息价值以及预设的信息价值区间，对多个用户的用户数据进行筛选操作，以得到满足预设的筛选条件的用户数据。获取预存的用户数据对应的信用等级，其中，各用户对应的信息价值的信用等级具体可以为经验丰富的专家对每个用户数据进行评价获得的。根据筛选后的各用户数据以及信用等级，生成训练数据集。

本实施例提供的信用等级识别方法，通过根据筛选后的各用户数据以及预存的专家生成的用户数据对应的信用等级生成训练数据集，从而后续能够基于该训练数据集实现对深度信念网络模型的训练，使得深度信念网络模型能够识别并输出更加准确的信用等级。

进一步地，在上述任一实施例的基础上，所述计算各用户数据对应的信息价值，包括：

针对各用户数据，对所述用户数据中与信用等级关联的指标进行筛选操作，获得多个待训练指标。

针对待训练指标，计算所述待训练指标对应的证据权重，根据所述证据权重计算所述待训练指标以及预设的信息价值算法计算所述待训练指标对应的信息价值。

将所述多个待训练指标对应的信息价值确定为所述各用户数据对应的信息价值。

在本实施例中，可以预先建立与信用等级关联的指标列表，其中，该指标列表中包括多个与信用等级关联的指标。针对各用户数据，对用户数据中与信用等级关联的指标进行筛选操作，获得多个待训练指标。

进一步地，针对每一待训练指标，可以通过预设的信息价值算法实现对待训练指标证据权重的计算。进一步地，可以根据该证据权重计算待训练指标对应的信息价值。将多个待训练指标对应的信息价值确定为各用户数据对应的信息价值。

本实施例提供的信用等级识别方法，通过计算待训练指标对应的证据权重以及根据证据权重计算待训练指标对应的信息价值，从而能够准确地确定待训练指标对应的信息价值，进而后续能够根据该信息价值准确地实现对深度信念网络模型的训练，提高了模型的训练效率。

进一步地，在上述任一实施例的基础上，所述对所述用户数据中与信用等级关联的指标进行筛选操作，包括：

根据预设的与信用等级关联的指标列表对所述用户数据进行初步筛选操作，获得第一筛选结果。

针对所述第一筛选结果中的各指标，采用relief算法确定各指标对应的权重，并据所述各指标对应的权重以及预设的权重区间对所述初步筛选结果进行筛选操作，获得所述多个待训练指标，其中，所述权重用于表征所述指标的重要性。

在本实施例中，可以预先建立与信用等级关联的指标列表，其中，该指标列表中包括多个与信用等级关联的指标。根据该指标列表对用户数据进行初步筛选操作，以获得包括与信用等级关联的指标的第一筛选结果。

针对第一筛选结果中的各指标，采用relief算法确定各指标对应的权重，并据所述各指标对应的权重以及预设的权重区间对所述第一筛选结果进行筛选操作，获得多个待训练指标，其中，权重用于表征所述指标的重要性。从而能够根据结果导向，来反推每种指标的重要性，将不重要的指标去除，这样可以减少过拟合现象，所有用户指标是相同的。

本实施例提供的信用等级识别方法，通过识别出用户数据中与信用等级关联的初步筛选结果，并基于该初步筛选结果确定各指标对应的权重，根据该权重进行进一步地筛选，从而能够有效地降低用户数据的数据量，降低后续模型训练过程中的计算量，提高模型的训练效率。

图4为本申请实施例提供的信用等级识别装置的结构示意图，如图4所示，该装置包括：获取模块41、计算模块42、筛选模块43以及处理模块44，其中，获取模块41，用于获取信用等级识别请求，其中，所述信用等级识别请求中包括目标用户对应的待识别用户数据。计算模块42，用于根据所述信用等级识别请求，计算所述待识别用户数据对应的目标信息价值。筛选模块43，用于根据所述目标信息价值对所述待识别用户数据进行筛选操作，获得目标用户数据，所述目标用户数据中包括多个与信用等级相关的多个指标对应的用户数据。处理模块44，用于将所述目标用户数据输入至预设的信用等级识别模型中，将所述信用等级识别模型的输出数据确定为所述目标用户对应的信用等级。其中，所述信用等级识别模型为采用优化后的粒子群算法进行连接权重优化的深度信念网络模型。

进一步地，在上述任一实施例的基础上，所述计算模块用于：对所述待识别用户数据中与信用等级关联的指标进行筛选操作，获得多个目标指标。针对各目标指标，计算所述目标指标对应的证据权重，根据所述证据权重计算所述目标指标以及预设的信息价值算法计算所述目标指标对应的信息价值。将所述多个目标指标对应的信息价值确定为所述目标信息价值。

进一步地，在上述任一实施例的基础上，所述计算模块用于：根据预设的与信用等级关联的指标列表对所述待识别用户数据进行初步筛选操作，获得初步筛选结果。针对初步筛选结果中的各指标，采用relief算法确定各指标对应的权重，并据所述各指标对应的权重以及预设的权重区间对所述初步筛选结果进行筛选操作，获得所述多个目标指标，其中，所述权重用于表征所述指标的重要性。

进一步地，在上述任一实施例的基础上，所述筛选模块，用于根据所述待识别用户数据对应的目标信息价值以及预设的信息价值区间对所述待识别用户数据进行筛选操作，获得目标用户数据。

进一步地，在上述任一实施例的基础上，所述装置还包括：获取模块，还用于获取训练数据集，其中，所述训练数据集中包括多个用户对应的用户数据以及各用户对应的信息价值的信用等级。训练模块，用于采用所述训练数据集对预设的深度信念网络模型进行迭代训练，直至所述深度信念网络模型收敛，获得所述信用等级识别模型。

进一步地，在上述任一实施例的基础上，所述信用等级识别模型采用优化后的粒子群算法进行连接权重优化。所述装置还包括：优化模块，用于通过预设的优化算法对所述粒子群算法中用于对粒子的速度与位置进行更新的惯性因子进行优化操作，获得所述优化后的粒子群算法。

进一步地，在上述任一实施例的基础上，所述训练模块用于：将所述训练数据集中的用户数据输入至所述深度信念网络模型中，获得所述深度信念网络模型输出的预测结果。根据所述预测等级以及所述训练数据集中用户数据对应的信用等级计算所述深度信念网络模型对应的损失值。检测所述损失值是否满足预设的收敛条件。若满足，则判定所述深度信念网络模型收敛，获得所述信用等级识别模型。若不满足，则返回执行所述将所述训练数据集中的用户数据输入至所述深度信念网络模型中，的步骤，直至所述损失值满足预设的收敛条件，获得所述信用等级识别模型。

进一步地，在上述任一实施例的基础上，所述获取模块，用于：获取多个用户的用户数据；针对各用户数据，计算各用户数据对应的信息价值；根据所述各用户数据对应的信息价值以及预设的信息价值区间，对所述多个用户的用户数据进行筛选操作，以及获取预存的所述用户数据对应的信用等级；根据筛选后的各用户数据以及所述信用等级，生成所述训练数据集。

进一步地，在上述任一实施例的基础上，所述获取模块，用于：针对各用户数据，对所述用户数据中与信用等级关联的指标进行筛选操作，获得多个待训练指标。针对待训练指标，计算所述待训练指标对应的证据权重，根据所述证据权重计算所述待训练指标以及预设的信息价值算法计算所述待训练指标对应的信息价值。将所述多个待训练指标对应的信息价值确定为所述各用户数据对应的信息价值。

进一步地，在上述任一实施例的基础上，所述获取模块，用于：根据预设的与信用等级关联的指标列表对所述用户数据进行初步筛选操作，获得第一筛选结果。针对所述第一筛选结果中的各指标，采用relief算法确定各指标对应的权重，并据所述各指标对应的权重以及预设的权重区间对所述初步筛选结果进行筛选操作，获得所述多个待训练指标，其中，所述权重用于表征所述指标的重要性。

本申请又一实施例还提供了一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器。

所述存储器存储计算机执行指令。

所述处理器执行所述存储器存储的计算机执行指令，以实现如上述任一实施例所述的方法。

本申请又一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的方法。

本申请又一实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上述任一实施例所述的方法。

图5为本申请实施例提供的电子设备的结构示意图，该设备可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

装置500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(I/O)接口512，传感器组件514，以及通信组件516。

处理组件502通常控制装置500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。

存储器504被配置为存储各种类型的数据以支持在装置500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件506为装置500的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为装置500生成、管理和分配电力相关联的组件。

多媒体组件508包括在所述装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当装置500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当装置500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。

I/O接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件514包括一个或多个传感器，用于为装置500提供各个方面的状态评估。例如，传感器组件514可以检测到装置500的打开/关闭状态，组件的相对定位，例如所述组件为装置500的显示器和小键盘，传感器组件514还可以检测装置500或装置500一个组件的位置改变，用户与装置500接触的存在或不存在，装置500方位或加速/减速和装置500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由装置500的处理器520执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当该存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述电子设备的信用等级识别方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。