CN106485585A - 用于等级评定的方法及系统 - Google Patents

Abstract

本发明提供了一种用于等级评定的方法以及实现该方法的系统。该方法包括：接收评估对象的输入信息；基于该评估对象的输入信息计算该对象的第一维度评估值；从大数据源获取与该评估对象有关的大数据信息；基于该评估对象的输入信息和从大数据源获取的与该评估对象有关的大数据信息确定该对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个；基于该对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个确定该第二维度评估值；以及基于该对象的第一维度评估值和第二维度评估值确定该对象的等级。

Description

用于等级评定的方法及系统

技术领域

本发明涉及用于等级评定的方法以及实现该方法的系统。

背景技术

在各种工业和商业应用中，经常需要对服务对象或者用户进行等级评定以确定为该对象或者用户提供的服务的类型或级别。例如，在传统金融业或互联网金融业中，通常会通过调查问卷的形式对服务对象或用户进行风险承受能力评估，并且根据评估结果为服务对象或用户提供适当的服务。又例如，在制造业中，生产厂商(例如手机生产厂商)也会以调查问卷等形式对产品的购买对象或用户的需求进行调查，根据调查结果确定不同对象或用户的需求等级水平，从而为不同对象或用户提供不同价格水平或种类的产品。

发明内容

然而，上述以调查问卷的形式进行的评估受对象或用户的主观意愿的影响较大，常常无法客观反映对象或用户的真实情况。例如，在金融服务领域，调查对象可能会有意隐藏或编造自己的客观信息，如收入水平、固定资产水平、投资经验等，使得调查问卷无法准确反映调查对象的真实的风险承受能力，从而不能为调查对象或用户提供精确的服务或产品。

针对以上问题，本发明提供了一种用于进行等级评定的方法和实现该方法的系统，其不仅利用评估对象的输入信息，而且利用通过大数据方式得到的评估对象的大数据信息来更加精确地对对象的等级进行评定，从而使得能够为对象提供更加准确的服务或产品。

根据本发明的第一个方面，提供了一种用于等级评定的方法。该方法包括：接收评估对象的输入信息；基于该评估对象的输入信息计算该对象的第一维度评估值；从大数据源获取与该评估对象有关的大数据信息；基于该评估对象的输入信息和从大数据源获取的与该评估对象有关的大数据信息确定该对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个；基于该对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个确定该第二维度评估值；以及基于该对象的第一维度评估值和第二维度评估值确定该对象的等级。

根据本发明的第二个方面，提供了一种用于等级评定的系统。该系统包括：接收单元，其被配置为接收评估对象的输入信息；第一维度评估值计算单元，其被配置为基于该评估对象的输入信息计算该对象的第一维度评估值；大数据获取单元，其被配置为从大数据源获取与该评估对象有关的大数据信息；第二维度评估值计算单元，其被配置为基于该评估对象的输入信息和从大数据源获取的与该评估对象有关的大数据信息确定该对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个，并且基于该对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个确定该第二维度评估值；以及对象等级确定单元，其被配置为基于该对象的第一维度评估值和第二维度评估值确定该对象的等级。

根据本发明的第三个方面，提供了一种用于等级评定的系统。该系统包括：处理器和存储器，该存储器包括可由该处理器运行的指令，该处理器被配置为运行该指令，以：接收评估对象的输入信息；基于该评估对象的输入信息计算该对象的第一维度评估值；从大数据源获取与该评估对象有关的大数据信息；基于该评估对象的输入信息和从大数据源获取的与该评估对象有关的大数据信息确定该对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个；基于该对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个确定该第二维度评估值；以及基于该对象的第一维度评估值和第二维度评估值确定该对象的等级。

附图说明

通过参考下列附图所给出的本发明的具体实施方式的描述，将更好地理解本发明，并且本发明的其他目的、细节、特点和优点将变得更加显而易见，其中：

图1示出了根据本发明的实施方式的整体系统的示意图；

图2示出了根据本发明的实施方式的用于等级评定的方法的流程图；

图3示出了根据本发明的实施方式的用于获取第二维度评估值的第二分量的方法的流程图；

图4示出了根据本发明的实施方式的用于获取第二维度评估值的第三分量的方法的流程图；

图5示出了根据本发明的一些实施例的一种用于等级评定的评定系统的方框图；

图6示出了适合实现本发明的实施例的评定系统的方框图。

具体实施方式

下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1示出了根据本发明的实施方式的整体系统100的示意图。如图1中所示，整体系统100包括评定系统110、用户设备120和大数据源130。评定系统110用于执行根据本发明所述的用于等级评定的方法，其具体结构如下面参照图5和图6详细描述。在一些实现中，评定系统110可以是整体系统100中的一个单独的或集成的组件，如服务器或处理器等，也可以是整体系统100的一个子系统。用户设备120用于触发评定系统110执行针对特定用户或对象的等级评定，向评定系统110输入信息和/或从评定系统110接收评定结果。在一些实现中，用户设备120可以是能够通过有线或无线网络与评定系统110进行通信的任何终端设备，包括但不限于移动终端、智能电话、台式电脑、笔记本电脑、平板电脑、个人数字助理等。大数据源130用于向评定系统110提供与要评定的用户或对象有关的各种信息。在一些实现中，大数据源130可以是存储或记录有要评定的用户或对象的各种信息的存储器、数据库、数据仓库等。

图2示出了根据本发明的实施方式的用于等级评定的方法200的流程图。以下，在本发明的描述中，以对用户或对象的投资能力和风险承受能力进行评定为例对根据本发明的方法200进行描述。然而，本领域技术人员可以理解，方法200可以类似的应用于利用多种数据来源对对象或用户进行多维等级评定的任何应用场景中，而不脱离本发明的范围。

方法200开始于步骤210，其中评定系统110从用户设备120接收评估对象的输入信息。在一种实现中，用户设备120可以通过其上安装的应用程序(app)或者通过Web端口等来触发方法200并且向评定系统110输入信息。从用户设备120输入的信息可以包括对象的客观信息和主观偏好信息。例如，在对用户进行投资风险承受能力评定的应用场景中，对象的客观信息可以包括多个客观信息元素，如评估对象的职业、学历、个人收入、家庭收入、资产状况等，对象的主观偏好信息也可以包括多个主观信息元素，如评估对象的计划投资期限、投资目的、理财观点、投资经验等。又例如，在生产厂商对产品使用对象的需求水平进行评定的应用场景中，对象的客观信息可以包括多个客观信息元素，如对象的职业、学历、个人收入、家庭收入等，对象的主观偏好信息可以包括多个主观信息元素，如评估对象的产品偏好类型、类似产品的既往使用情况、购买预算等。

接下来，在步骤220，评定系统110基于评估对象的输入信息计算该对象的第一维度评估值。在一些实现中，评定系统110基于评估对象输入的主观偏好信息计算第一维度评估值，该第一维度评估值反映了评估对象的主观偏好等级。例如，可以为输入的多个主观信息元素中的每个信息元素赋予相应的分值，并且通过将各个主观信息元素的分值相加得到第一维度评估值。进一步地或者替换的，该第一维度评估值可以被归一化或者标准化到特定的值区间，例如[1，100]的区间上。本领域技术人员可以理解，本发明并不局限于通过将各个主观信息元素的分值相加来得到第一维度评估值这种实施方式，而是可以包括各种其他可行的算法，例如加权求和、求均值等等。

此外，在步骤220，评定系统110还可以对所计算的第一维度评估值进行分级。例如，评定系统110中可以存储有多个分级阈值，用于将所计算的第一维度评估值映射到不同级别。这里，分级阈值可以根据应用的不同而不同，并且可以是经验得到的或者是根据应用需求而设置的，本文中不再赘述。在一种具体实例中，例如可以将第一维度评估值映射到1-5级。在对对象进行投资风险承受能力评估的应用场景下，第一维度评估值能够反映对象的主观风险偏好。

另一方面，在方法200被触发之后，评定系统110还可以从大数据源130获取与评估对象有关的大数据信息(步骤230)。所获取的信息可以包括整体系统100内存储的与该评估对象有关的各种信息和/或整体系统100外部的可以由评定系统110访问的与该评估对象有关的各种信息。

在步骤240，评定系统110可以根据从大数据源130获取的与评估对象有关的大数据信息和评估对象的输入信息来确定该对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个。

在一些实现中，在步骤240，评定系统110可以基于评估对象(在步骤210)的输入信息确定第二维度评估值的第一分量。在一种实现中，评定系统110可以基于评估对象输入的客观信息来计算该第一分量。例如，可以为输入的多个客观信息元素中的每个信息元素分别赋予相应的分值，并且通过将各个客观信息元素的分值相加得到该第一分量。进一步地或者替换的，该第一分量可以被归一化或者标准化到特定的值区间，例如[1，100]的区间上。本领域技术人员可以理解，本发明并不局限于通过将各个客观信息元素的分值相加来得到第一分量这种实施方式，而是可以包括各种其他可行的算法，例如加权求和、求均值等等。

此外，在步骤240，评定系统110还可以对所获得的第一分量进行分级。例如，评定系统110中可以存储有多个分级阈值，用于将所计算的第一分量映射到不同级别。这里，分级阈值可以根据应用的不同而不同，并且可以是经验得到的或者是根据应用需求而设置的，本文中不再赘述。并且显然，用于第一分量的分级阈值与上述用于第一维度评估值的分级阈值以及下面所述的用于第二分量和第三分量的分级阈值可以相同也可以不同。在一种具体实例中，例如可以将第一分量映射到1-5级。

在一些实现中，在步骤240，评定系统110可以基于从大数据源130获取的与评估对象有关的信息利用规则模型获得第二维度评估值的第二分量。图3示出了根据本发明的实施方式的用于获取第二维度评估值的第二分量的方法30的流程图。仍然以对用户进行投资风险承受能力评定为例，假设评定系统110从大数据源130获得的与评估对象有关的信息包括如下特征变量：评估对象的婚姻状况、教育水平、所在城市、年龄、资产总金额、固定资产状况、月收入预估值、投资金额、期限、产品类型、消费行为等。

如图3中所示，在步骤32，评定系统110根据特征变量的类型对上述特征变量分组，并向每个组赋予组权重值，向每个组中的每个特征变量赋予相应的变量权重值。在一种实现中，评定系统110将上述特征变量分为基本信息组(G1)、资产信息组(G2)、投资行为组(G3)和消费行为组(G4)。基本信息组(G1)可以包括评估对象的婚姻状况(假设变量值为a(11)，权重为w(11))、教育水平(假设变量值为a(12)，权重为w(12))、所在城市(假设变量值为a(13)，权重为w(13))和年龄(假设变量值为a(14)，权重为w(14))等特征变量，其组权重为w(g1)；资产信息类组(G2)可以包括评估对象的资产总金额(假设变量值为a(21)，权重为w(21))、固定资产状况(假设变量值为a(22)，权重为w(22))、月收入预估值(假设变量值为a(23)，权重为w(23))等特征变量，其组权重为w(g2)；投资行为组(G3)可以包括评估对象的投资金额(假设变量值为a(31)，权重为w(31))、期限(假设变量值为a(32)，权重为w(32))和产品类型(假设变量值为a(33)，权重为w(33))等特征变量，其组权重为w(g3)；消费行为组(G4)可以包括与评估对象的消费行为(假设变量值为a(41)，权重为w(41))相关的特征变量，其组权重为w(g4)。

本领域技术人员可以理解，上述分组方式和权重分配方式仅仅是示例性的，根据应用类型的不同和其他系统限制条件，还可以对特征变量进行其他形式的分组和权重分配而不脱离本发明的范围。

接下来，在步骤34，评定系统110对每个组内的特征变量进行加权求和：

基本信息组(G1)：

w(11)*a(11)+w(12)*a(12)+w(13)*a(13)+w(14)*a(14)

资产信息组(G2)：

w(21)*a(21)+w(22)*a(22)+w(23)*a(23)

投资行为组(G3)：

w(31)*a(31)+w(32)*a(32)+w(33)*a(33)

消费行为组(G4)：

w(41)*a(41)

在步骤36，评定系统110利用规则模型和所获得的各个组的特征变量的加权和来计算第二分量。

例如，所计算的第二分量可以表示为：

其中，w(gi)表示第i组(在上面的实例中，i＝1，2，3，4)的组权重值，Ni表示第i组所包含的特征变量的个数，w(ij)表示第i组的第j个特征变量的权重值，a(ij)表示第i组的第j个特征变量的变量值，k是一个可调常量(例如k＝500)。

方法30还可以包括步骤38，评定系统110将所计算的第二分量进行分级。例如，评定系统110中可以存储有多个分级阈值，用于将所计算的第二分量映射到不同级别。这里，分级阈值可以根据应用的不同而不同，并且可以是经验得到的或者是根据应用需求而设置的，本文中不再赘述。在一种具体实例中，例如可以将第二分量映射到1-5级。

进一步地或者替代地，在步骤38，评定系统110还可以将所计算的第二分量归一化或者标准化到特定的值区间，例如[1，100]的区间上。

在一些实现中，在步骤240，评定系统110可以基于从大数据源130获取的与评估对象有关的信息利用机器学习模型获得第二维度评估值的第三分量。图4示出了根据本发明的实施方式的用于获取第二维度评估值的第三分量的方法40的流程图。

如图4中所示，在步骤42，评定系统110利用机器学习模型，对从大数据源130获取的与评估对象有关的信息的各个维度的数据进行融合，并对各个样本根据领域知识进行自动化标注。

具体地，在一种实现中，步骤42可以包括如下子步骤：

(1)根据领域知识找出跟目标变量最相关的特征变量，作为初始标注变量，加入到标注变量集中。

(2)从初始标注变量出发，统计各个变量之间的相关性，将相关性高的变量加入标注变量集。重复此过程直到找不到与标注变量集中的变量相关性高的变量。

(3)基于大数据统计，根据历史情况下目标变量的分布比例数据，确定正负样本的比例。

(4)根据所确定的正负样本的比例确定每个变量的相应分位数作为标注正负样本的阈值。

(5)统计每个样本在每个变量上被标注的类别，当一个样本被多个变量标注为同一类别时，将此样本自动化标注为此类别。

在步骤44，评定系统110对各个维度的特征变量进行特征处理。

具体地，在一种实现中，如果所获取的信息是连续变量，则评定系统110可以对该变量执行对数变换、归一化变换和平方根变换中的任何一个或多个。在另一种实现中，如果所获取的信息是连续变量，则评定系统110还可以按照分位数对该变量执行离散化处理，并将离散化后的变量与连续变量一起使用。此外，针对可能缺失的信息(即未能从大数据源130获取的信息)，可以为其单独生成一个一维变量以指示该变量是否缺失。

在步骤46，评定系统110利用机器学习模型对步骤42得到的自动化标注后的样本和步骤44的特征处理后的特征变量进行建模。

可选的，步骤46还可以包括利用L1惩罚因子对所得到的模型进行优化，以防止过拟合，解决异构数据源的缺失、数据源内部的共线性问题等。

接下来，在步骤48，评定系统110基于从大数据源130获取的与评估对象有关的信息和步骤46得到的模型获取评估对象的第二维度评估值的第三分量。

在一种实现中，第三分量可以表示为：

Sigmod(w0*x0+w1*x1+...wn*xn)，

其中xi表示第i个特征变量，wi表示第i个特征变量的权重值，Sigmod()表示S型函数。在一种实现中，Sigmod函数可以是逻辑回归函数。

进一步地，在步骤48，评定系统110还可以将所得到的第三分量进行分级。例如，评定系统110中可以存储有多个分级阈值，用于将所计算的第三分量映射到不同级别。这里，分级阈值可以根据应用的不同而不同，并且可以是经验得到的或者是根据应用需求而设置的，本文中不再赘述。在一种具体实例中，例如可以将第三分量映射到1-5级。

进一步地或者替代地，在步骤48，评定系统110还可以将所计算的第三分量归一化或者标准化到特定的值区间，例如[1，100]的区间上。

再次参考图2，在接下来的步骤250，评定系统110可以基于所确定的第二维度评估值的第一分量、第二分量和第三分量中的至少一个来确定该第二维度评估值。

在一种实现中，可以通过对第一分量、第二分量和第三分量进行加权求和来确定第二维度评估值。在一种具体实例中，例如可以将第二维度评估值映射到1-5级。在对对象进行投资风险承受能力评估的应用场景下，第二维度评估值能够反映对象的客观实力。

假设第一分量的权重为W1，第二分量的权重为W2，第三分量的权重为W3，则第二维度评估值可以表示为：

第一分量*W1+第二分量*W2+第三分量*W3。

可以理解，第一分量、第二分量和第三分量的权重值并不是固定设置的，而是可以根据从大数据源获得的信息的情况动态设置。例如，第一分量、第二分量和第三分量的权重值可以根据模型中对象指标值的填充率来设置。当模型中对象指标值的填充率大于或等于第一阈值时，使用第一组权重值(W1，W2，W3)；当模型中对象指标值的填充率小于第一阈值并且大于或等于第二阈值时，使用第二组权重值(W1，W2，W3)；当模型中对象指标值的填充率大于第二阈值时，使用第三组权重值(W1，W2，W3)。

这里，对象指标值的填充率是指从大数据源未获取到的对象的信息项数与待统计的总项数之间的比率，其指示了所能获取的关于评估对象的信息的丰富性。当对象指标值的填充率较低时，表示获取到的该对象的信息较多，当对象指标值的填充率较高时，表示获取到的该对象的信息较少。在对用户进行投资风险承受能力评估的应用场景下，当对象指标值的填充率较高时，可以将第一分量的权重值W1设置得较高些。

此外，各组权重值(W1，W2，W3)可以根据应用场景和需求的不同而不同地设置。

最后，在步骤260，评定系统110基于所确定的对象的第一维度评估值和第二维度评估值确定该对象的等级。

例如，假设第一维度评估值和第二维度评估值都被映射为1-5级，则可以通过5*5的表格来确定对象等级1-5，如下表所示。

进一步的，在将第一维度评估值和第二维度评估值的第一分量、第二分量、第三分量归一化或标准化到特定值区间，如[1，100]的区间的情况下，还可以根据归一化或标准化后的值确定对象的总分值，并且随着对象的各个特征变量的变化而动态更新该总分值，以反映对象的变化的能力或等级。

图5示出了根据本发明的一些实施例的一种用于等级评定的评定系统500的方框图。评定系统500例如可以实现在上述评定系统110中或由上述评定系统110实现。

如图5中所述，评定系统500包括接收单元510，其被配置为接收评估对象的输入信息。评定系统500还包括第一维度评估值计算单元520，其被配置为基于该评估对象的输入信息计算该对象的第一维度评估值。评定系统500还包括大数据获取单元530，其被配置为从大数据源获取与该评估对象有关的大数据信息。评定系统500还包括第二维度评估值计算单元540，其被配置为基于该评估对象的输入信息和从大数据源获取的与该评估对象有关的大数据信息确定该对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个，并且基于该对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个确定该第二维度评估值。评定系统500还包括对象等级确定单元550，其被配置为基于该对象的第一维度评估值和第二维度评估值确定该对象的等级。

在一些实现中，第二维度评估值计算单元540还被配置为：基于该评估对象输入的客观信息确定该第二维度评估值的第一分量。

在一些实现中，客观信息包括多个客观信息元素，其中第二维度评估值计算单元540还被配置为：为该多个客观信息元素中的每个信息元素分别赋予相应的分值，将该多个客观信息元素中的每个信息元素的分值相加以确定该第一分量。

在一些实现中，第二维度评估值计算单元540还被配置为：基于从该大数据源获取的与该评估对象有关的大数据信息，利用规则模型确定该第二维度评估值的第二分量。

在一些实现中，与评估对象有关的信息包括多个特征变量，并且其中第二维度评估值计算单元540还被配置为：根据类型对该多个特征变量分组，并向每个组赋予组权重值，向每个组中的每个特征变量赋予相应的变量权重值；对每个组内的特征变量进行加权求和；利用规则模型和所获得的各个组的特征变量的加权和来计算该第二分量。

在一些实现中，第二维度评估值计算单元540还被配置为：基于从该大数据源获取的与该评估对象有关的信息，利用机器学习模型获得该第二维度评估值的第三分量。

在一些实现中，与评估对象有关的信息包括多个特征变量，并且其中第二维度评估值计算单元540还被配置为：利用机器学习模型，对从该大数据源获取的与该评估对象有关的信息的各个维度的数据进行融合，并对各个样本根据领域知识进行自动化标注；对各个维度的特征变量进行特征处理；利用机器学习模型对得到的自动化标注后的样本和特征处理后的特征变量进行建模；基于从该大数据源获取的与该评估对象有关的信息和建模得到的模型获取该评估对象的第二维度评估值的第三分量。

在一些实现中，第二维度评估值计算单元540还被配置为：通过对该第一分量、该第二分量和该第三分量进行加权求和来确定该第二维度评估值。

在一些实现中，等级确定单元550还被配置为：将该第一维度评估值和该第二维度评估值分别映射到不同级别，以确定该对象的等级。

应当理解，图5中所示的评定系统500可以部分或全部地由软件模块、硬件模块、固件模块或者其任意组合来实现，本发明的范围在此方面不受限制。例如，在基于硬件的实现中，可以使用集成电路(IC)、专用集成电路(ASIC)、片上系统(SOC)、现场可编程门阵列(FPGA)等硬件设备来实现上文描述的一个或多个单元。

图6示出了适合实现本发明的实施例的评定系统600的方框图。评定系统600可以用来实现如图1中所示的评定系统110或者如图5中所示的评定系统500。

如图6中所示，评定系统600包括处理器610以及耦接到处理器610的存储器620。存储器620存储有可由处理器610运行的指令630。存储器620可以是适用于本地技术环境的任何合适的类型，并且可以利用任何合适的数据存储技术来实现，包括但不限于基于半导体的存储器件、磁存储器件和系统、光存储器件和系统。尽管图6中仅仅示出了一个存储器单元，但是在设备600中可以有多个物理不同的存储器单元。

处理器610可以是适用于本地技术环境的任何合适的类型，并且可以包括但不限于通用计算机、专用计算机、微处理器、数字信号处理器(DSP)以及基于处理器的多核处理器架构中的一个或多个多个。设备600也可以包括多个处理器610。处理器610被配置为运行指令630以执行如图2所示的方法200。

利用本发明提供的方法，不仅利用了评估对象的输入信息，而且利用通过大数据方式得到的评估对象的大数据信息来对对象的等级进行评估，从而有助于为该对象提供更加准确的产品或服务。

在一个或多个示例性设计中，可以用硬件、软件、固件或它们的任意组合来实现本申请所述的功能。例如，如果用软件来实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上，或者作为计算机可读介质上的一个或多个指令或代码来传输。

本文公开的评定系统的各个单元可以使用分立硬件组件来实现，也可以集成地实现在一个硬件组件，如处理器上。例如，可以用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或者晶体管逻辑、分立硬件组件或用于执行本文所述的功能的任意组合来实现或执行结合本公开所描述的各种示例性的逻辑块、模块和电路。

本领域普通技术人员还应当理解，结合本申请的实施例描述的各种示例性的逻辑块、模块、电路和算法步骤可以实现成电子硬件、计算机软件或二者的组合。例如，如果以计算机软件来实现本文所述的连接器，可以将该计算机软件实现在任何已知的或将来可知的具有网络连接能力的家庭设备上，例如机顶盒、家庭基站等。如果以硬件来实现本文所述的连接器，则可以将该连接器实现为独立的硬件设备，或者集成在任何已知的或将来可知的家庭设备上，例如机顶盒、家庭基站等。

本公开的以上描述用于使本领域的任何普通技术人员能够实现或使用本公开。对于本领域普通技术人员来说，本公开的各种修改都是显而易见的，并且本文定义的一般性原理也可以在不脱离本公开的精神和保护范围的情况下应用于其它变形。因此，本公开并不限于本文所述的实例和设计，而是与本文公开的原理和新颖性特性的最广范围相一致。

Claims (19)

1.一种用于等级评定的方法，包括：

接收评估对象的输入信息；

基于所述评估对象的输入信息计算所述对象的第一维度评估值；

从大数据源获取与所述评估对象有关的大数据信息；

基于所述评估对象的输入信息和从大数据源获取的与所述评估对象有关的大数据信息确定所述对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个；

基于所述对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个确定所述第二维度评估值；以及

基于所述对象的第一维度评估值和第二维度评估值确定所述对象的等级。

2.如权利要求1所述的方法，其中基于所述评估对象的输入信息和从大数据源获取的与所述评估对象有关的大数据信息确定所述对象的第二维度评估值还包括：

基于所述评估对象输入的客观信息确定所述第二维度评估值的第一分量。

3.如权利要求2所述的方法，其中所述客观信息包括多个客观信息元素，基于所述评估对象输入的客观信息确定所述第二维度评估值的第一分量还包括：

为所述多个客观信息元素中的每个信息元素分别赋予相应的分值，

将所述多个客观信息元素中的每个信息元素的分值相加以确定所述第一分量。

4.如权利要求1所述的方法，其中基于所述评估对象的输入信息和从大数据源获取的与所述评估对象有关的大数据信息确定所述对象的第二维度评估值还包括：

基于从所述大数据源获取的与所述评估对象有关的大数据信息，利用规则模型确定所述第二维度评估值的第二分量。

5.如权利要求4所述的方法，其中与评估对象有关的信息包括多个特征变量，并且基于从所述大数据源获取的与所述评估对象有关的大数据信息，利用规则模型确定所述第二维度评估值的第二分量还包括：

根据类型对所述多个特征变量分组，并向每个组赋予组权重值，向每个组中的每个特征变量赋予相应的变量权重值；

对每个组内的特征变量进行加权求和；

利用规则模型和所获得的各个组的特征变量的加权和来计算所述第二分量。

6.如权利要求1所述的方法，其中基于所述评估对象的输入信息和从大数据源获取的与所述评估对象有关的大数据信息确定所述对象的第二维度评估值还包括：

基于从所述大数据源获取的与所述评估对象有关的信息，利用机器学习模型获得所述第二维度评估值的第三分量。

7.如权利要求6所述的方法，其中与评估对象有关的信息包括多个特征变量，并且基于从所述大数据源获取的与所述评估对象有关的信息，利用机器学习模型获得所述第二维度评估值的第三分量还包括：

利用机器学习模型，对从所述大数据源获取的与所述评估对象有关的信息的各个维度的数据进行融合，并对各个样本根据领域知识进行自动化标注；

对各个维度的特征变量进行特征处理；

利用机器学习模型对得到的自动化标注后的样本和特征处理后的特征变量进行建模；

基于从所述大数据源获取的与所述评估对象有关的信息和建模得到的模型获取所述评估对象的第二维度评估值的第三分量。

8.根据权利要求1所述的方法，其中基于所述对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个确定所述第二维度评估值包括：

通过对所述第一分量、所述第二分量和所述第三分量进行加权求和来确定所述第二维度评估值。

9.根据权利要求1所述的方法，还包括：

将所述第一维度评估值和所述第二维度评估值分别映射到不同级别，以确定所述对象的等级。

10.一种用于等级评定的系统，包括：

接收单元，其被配置为接收评估对象的输入信息；

第一维度评估值计算单元，其被配置为基于所述评估对象的输入信息计算所述对象的第一维度评估值；

大数据获取单元，其被配置为从大数据源获取与所述评估对象有关的大数据信息；

第二维度评估值计算单元，其被配置为基于所述评估对象的输入信息和从大数据源获取的与所述评估对象有关的大数据信息确定所述对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个，并且基于所述对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个确定所述第二维度评估值；以及

对象等级确定单元，其被配置为基于所述对象的第一维度评估值和第二维度评估值确定所述对象的等级。

11.如权利要求10所述的系统，其中所述第二维度评估值计算单元还被配置为：

基于所述评估对象输入的客观信息确定所述第二维度评估值的第一分量。

12.如权利要求11所述的系统，其中所述客观信息包括多个客观信息元素，其中所述第二维度评估值计算单元还被配置为：

为所述多个客观信息元素中的每个信息元素分别赋予相应的分值，

将所述多个客观信息元素中的每个信息元素的分值相加以确定所述第一分量。

13.如权利要求10所述的系统，其中所述第二维度评估值计算单元还被配置为：

基于从所述大数据源获取的与所述评估对象有关的大数据信息，利用规则模型确定所述第二维度评估值的第二分量。

14.如权利要求13所述的系统，其中与评估对象有关的信息包括多个特征变量，并且其中所述第二维度评估值计算单元还被配置为：

根据类型对所述多个特征变量分组，并向每个组赋予组权重值，向每个组中的每个特征变量赋予相应的变量权重值；

对每个组内的特征变量进行加权求和；

利用规则模型和所获得的各个组的特征变量的加权和来计算所述第二分量。

15.如权利要求10所述的系统，其中所述第二维度评估值计算单元还被配置为：

基于从所述大数据源获取的与所述评估对象有关的信息，利用机器学习模型获得所述第二维度评估值的第三分量。

16.如权利要求15所述的系统，其中与评估对象有关的信息包括多个特征变量，并且其中所述第二维度评估值计算单元还被配置为：

利用机器学习模型，对从所述大数据源获取的与所述评估对象有关的信息的各个维度的数据进行融合，并对各个样本根据领域知识进行自动化标注；

对各个维度的特征变量进行特征处理；

利用机器学习模型对得到的自动化标注后的样本和特征处理后的特征变量进行建模；

基于从所述大数据源获取的与所述评估对象有关的信息和建模得到的模型获取所述评估对象的第二维度评估值的第三分量。

17.根据权利要求10所述的系统，其中所述第二维度评估值计算单元还被配置为：

通过对所述第一分量、所述第二分量和所述第三分量进行加权求和来确定所述第二维度评估值。

18.根据权利要求10所述的系统，其中所述等级确定单元还被配置为：

将所述第一维度评估值和所述第二维度评估值分别映射到不同级别，以确定所述对象的等级。

19.一种用于等级评定的系统，包括：

处理器和存储器，所述存储器包括可由所述处理器运行的指令，所述处理器被配置为运行所述指令，以：

接收评估对象的输入信息；

基于所述评估对象的输入信息计算所述对象的第一维度评估值；

从大数据源获取与所述评估对象有关的大数据信息；

基于所述评估对象的输入信息和从大数据源获取的与所述评估对象有关的大数据信息确定所述对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个；

基于所述对象的第二维度评估值的第一分量、第二分量和第三分量中的至少一个确定所述第二维度评估值；以及

基于所述对象的第一维度评估值和第二维度评估值确定所述对象的等级。