Евразийский сервер публикаций

Евразийская заявка № 201991836

   Библиографические данные

(11) Номер патентного документа

201991836

(21) Номер евразийской заявки

201991836

(22) Дата подачи евразийской заявки

2019.09.03

(51) Индексы Международной патентной классификации

G06Q 40/00 (2006.01)
G06Q 40/02 (2006.01)

(43)(13) Дата публикации евразийской заявки, код вида документа

A1 2020.11.30 Бюллетень № 11  тит.лист, описание 

(31) Номер заявки, на основании которой испрашивается приоритет

2019116075

(32) Дата подачи заявки, на основании которой испрашивается приоритет

2019.05.24

(33) Код страны, идентифицирующий ведомство или организацию, которая присвоила номер заявки, на основании которой испрашивается приоритет

RU

(71) Сведения о заявителе(ях)

ПУБЛИЧНОЕ АКЦИОНЕРНОЕ ОБЩЕСТВО "СБЕРБАНК РОССИИ" (ПАО СБЕРБАНК) (RU)

(72) Сведения об изобретателе(ях)

Бабаев Дмитрий Леонидович, Умеренков Дмитрий Евгеньевич, Савченко Максим Сергеевич (RU)

(74) Сведения о представителе(ях)
или патентном поверенном

Герасин Б.В. (RU)

(54) Название изобретения

СПОСОБ И СИСТЕМА РАСЧЕТА КРЕДИТНОГО РЕЙТИНГА

   Реферат  [ENG]
(57) Заявленное изобретение относится к автоматизированному способу оценки кредитного рейтинга клиентов на основании данных транзакционной активности с помощью алгоритма машинного обучения. Техническим результатом от реализации заявленного способа является обеспечение автоматизированного расчета кредитного рейтинга клиента на основании его транзакционных данных. В предпочтительном варианте реализации заявлен компьютерно-реализуемый способ расчета кредитного рейтинга клиента с помощью модели машинного обучения, выполняемый с помощью по меньшей мере одного процессора и содержащий этапы, где получают данные клиентских транзакций, содержащие информацию, по меньшей мере, о сумме транзакций в заданный временной промежуток, валюте транзакций и типе места осуществления транзакции; осуществляют обработку полученных данных с помощью модели машинного обучения на базе рекуррентной нейронной сети (РНН) или ансамбля РНН, обученной на векторных представлениях транзакционной активности клиентов, причем в ходе указанной обработки осуществляется разделение данных по транзакциям каждого клиента на категориальные и численные переменные; преобразование переменных, при котором выполняется векторизация категориальных переменных и нормализация численных переменных; конкатенация преобразованных переменных и выявление вектора, соответствующего последнему временному промежутку транзакционной активности клиента; классификация упомянутого вектора для определения скорингового балла клиента.
Zoom in

 
Назад|  Новый поиск