CN109255697A - 一种基于人工智能的自动信用评估方法和系统 - Google Patents

Abstract

本发明提供了一种基于人工智能的自动信用评估方法和系统，该方法获取用户的基本信息，根据获取的所述基本信息向用户提问，并结合当前语境控制发出下一问题，从而评估用户的信用风险。本发明能够自动向用户提问，使用一台机器即可同时处理多用户的大量申请单，减少了人工和时间成本，极大地提高了信审效率，同时实现了网络贷款用户信用的智能审核，不再依赖信审员的主观因素，使得评审过程更加标准化，结果更可信。

Description

一种基于人工智能的自动信用评估方法和系统

技术领域

本发明涉及金融交易领域，尤其涉及一种基于人工智能的自动信用评估方法和系统。

背景技术

随着国家对金融交易领域的放宽，人们的贷款途径快速增多，贷款方式更加灵活。特别是中小企业或个人的小额贷款请求，在各大互联网平台上即可得到资金批准。但是，由于经常存在逾期不还贷款风险，资金方需要大量工作人员对贷款请求人的信用信息进行提前调查和评估。传统的贷款审核需要审查贷款申请人提交的各种书面材料，并与请求人面谈等方式以获取较为全面的信用评价。

目前，很多互联网金融平台收到贷款请求人的贷款申请后，会向贷款申请人打电话，核实所填信息是否真实，评估贷款请求人的信用，从而决定是否发放贷款。这种简便、快捷的审核方式为小额贷款人提供了很大的便利，使得金融平台的贷款业务快速增加。

人工电话审核技术主要是人工信审员通过打电话的方式对贷款申请人的基本信息进行审核、查实即“电核”。比如：贷款申请人申请贷款时填写的家庭地址是“北京朝阳区将府家园”，信审员为了核实信息会打电话给申请人提问诸如“您家附近有什么公园”、“您家附近有什么商场”等问题，根据用户的回答判断申请人是否熟悉该地点、是否是乱填的地址。

然而，人工电话审核需要高度依赖信审员的经验和主观判断。一名没有经验的新手信审员很难向贷款人提出合适的问题，也很难有效的判断贷款人是否是欺诈用户。这种人工提问的信审质量不可控，从而影响申请人的信用评级和公司的效益。主要存在以下问题：

1.人工成本高、效率低：在网贷行业，一名有经验的信审员每小时最多只能完成4到5单电核，日工作量的平均上限大约是50单，效率较低。公司需要雇佣大量信审员，人工成本高。当遇到申请量不稳时，比如某天申请量骤增，容易造成案件的积压，审核时间过长，从而严重影响用户体验和公司的口碑、效益。

2.流程不规范、不标准：人工电话审核过程有很多不确定性的因素，比如信审员的主观心情、信审员的客观技能水平等。即使是同一个申请，若交给不同的信审员可能就会得到不同的审核结果，审核标准很难统一。

综上所述，现有的互联网贷款平台的人工审核方式效率低、标准不统一，仍存在需要改进的空间。

发明内容

为了解决上述互联网贷款平台的人工审核方式效率低、标准不统一的问题，本发明提供了一种基于人工智能的自动信用评估方法和系统，根据用户输入的信息，结合上下文语境，智能控制对话流程，自动向用户提问，评估用户的信用风险，实现网络贷款用户信用的智能审核，使用一台机器即可同时处理较大数量的申请单，极大地提高了信审效率，减少人工和时间成本，并不再依赖信审员的主观因素，能够更客观、更标准的评价用户的信用风险。

为实现上述目的，本发明提供了一种基于人工智能的自动信用评估方法，包括：

获取用户的基本信息；

根据获取的基本信息，向用户提问；

结合当前语境，控制发出下一问题；

评估用户的信用风险。

可选地，所述提问基于机器学习算法，根据用户的基本信息和问题模型自动生成一候选问题集。

可选地，所述问题模型通过大量数据训练形成，定义各种问题的权重，所述问题包括家庭地址、单位地址、出行方式、职业、汽车或房产的至少一项。

可选地，所述提问为根据用户提供的信息触发相应的问题，至少包括由输入地址触发附近的兴趣点问题，由输入职业触发所述职业相关的问题，或输入出行方式触发所述出行问题的一种或多种。

可选地，所述结合当前语境控制发出下一问题包括感知上下文语境，用以判断是否发出下一问题以及需要发出的问题。

可选地，还包括评判用户的回答状况。

可选地，所述评判用户的回答状况包括判断用户回答的结果是否正确；针对不同类型的问题所采用的判题方式不同，即，对于判断题和选择题将用户答案与正确答案做严格匹配，对于填空题和简答题则采用语义相似度模型进行匹配判别。

可选地，还包括根据当前上下文语境信息，采用深度学习模型进行流程控制，并根据所设置问题的权重，自动选择问题发给用户。

可选地，还包括建立相似职业召回模型，对用户的回答做拆分，使用深度学习对拆分的每个词做语义增强，然后使用文本相似度算法计算与所述用户回答最接近的标准职业，供用户自行选择。

可选地，还包括建立语义相似度计算模型，采用深度学习模型，得到用户答案和标准答案的语义相似度。

可选地，所述评估用户的信用风险包括：根据用户回答记录，计算每个问题的评分结果和总体评分结果，作出信用风险评价。

另外，本发明还提供了一种基于人工智能的自动信用评估系统，包括：

用户输入单元，获取用户的基本信息；

对话控制单元，根据获取的基本信息，向用户提问，并结合当前语境，控制发出下一问题；

信用评估单元，评估用户的信用风险。

可选地，所述提问基于机器学习算法，根据用户的基本信息和问题模型自动生成一候选问题集。

可选地，该自动信用评估系统还包括问答图谱单元，通过大量数据训练形成所述问题模型，并定义各种问题的权重，所述问题包括家庭地址、单位地址、出行方式、职业、汽车或房产的至少一项。

可选地，所述问题图谱单元还包括问题定制模块，根据用户提供的信息触发相应的问题，至少包括由输入地址触发附近的兴趣点问题，由输入职业触发所述职业相关的问题，或输入出行方式触发所述出行问题的一种或多种。

可选地，所述对话控制单元还包括上下文语境感知模块，获取当前语境信息。

可选地，所述对话控制单元还包括判题模块，评判用户的回答状况。

可选地，所述判题模块针对不同类型的问题所采用的判题方式不同，即，对于判断题和选择题将用户答案与正确答案做严格匹配，对于填空题和简答题则采用语义相似度模型进行匹配判别。

可选地，所述对话控制单元还包括流程控制模块，根据当前上下文语境信息，采用深度学习模型进行流程控制，并根据所设置问题的权重，自动选择问题发给用户。

可选地，还包括自然语言理解单元，建立相似职业召回模型，对用户的回答做拆分，使用深度学习对拆分的每个词做语义增强，然后使用文本相似度算法计算与所述用户回答最接近的标准职业，供用户自行选择。

可选地，所述自然语言理解单元还建立语义相似度计算模型，采用深度学习模型，得到用户答案和标准答案的语义相似度。

可选地，所述信用评估单元根据用户回答记录，计算每个问题的评分结果和总体评分结果，作出信用风险评价。

此外，本发明还提供了一种电子设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现上述基于人工智能的自动信用评估方法。

此外，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述基于人工智能的自动信用评估方法。

本发明的优点和有益效果在于：

1.能够自动出题。通常的人工电话审核都是信审员准备问题，并在对话(信审过程)中向申请人提问，根据进件人的回答判断申请人的信息是否属实。本发明根据用户的基本信息和模板自动生成一份专属于当前申请人的候选问题集，极大减少了人工搜索问题的时间成本。

2.通过人工智能控制对话流程。现有的技术中通过信审员来控制对话的流程，先问什么再问什么，并且问题之间是有逻辑性的。若用户回答坐地铁上班，那么接下来可以提问坐地铁需要多久，但不能提问坐公交车需要多久。本发明通过人工智能技术包括机器学习、深度学习、自然语言理解技术来感知上下文，从而控制整个对话的流程。

3.自动评估。本发明通过人工智能技术自动对用户进行评级，全程不需要人工参与，更客观、更标准，解决了现有技术中信审员对用户信用风险进行评估时，高度依赖信审员经验，同时也受信审员情感、心情等主管因素影响，标准不统一、流程不规范的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例的部分介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出了本发明一实施例的基于人工智能的自动信用评估方法的流程示意图。

图2示意性示出了本发明一实施例的基于人工智能的自动信用评估系统的结构示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明的一实施例提供了一种基于人工智能的自动信用评估方法，包括：

获取用户的基本信息；

根据获取的基本信息，向用户提问；

结合当前语境，控制发出下一问题；

评估用户的信用风险。

可选地，用户通过网站、H5视图或APP方式登录聊天界面，或通过智能机器人的提示，输入申请贷款的基本信息，进行人机交互。其中，H5视图使用前端开发技术，比如HTML、CSS、JavaScript、Node JS、Vue等开发一个网页版的聊天界面，界面包括用户输入框和聊天信息展示部分，方便嵌入到公众号、小程序或官方网站中使用。APP视图主要包括Android端的原生APP和IOS端的原生APP，方便用户下载使用。

可选地，所述提问基于机器学习算法，根据用户的基本信息和问题模型自动生成一候选问题集。

可选地，所述问题模型通过大量数据训练形成，定义各种问题的权重，所述问题包括家庭地址、单位地址、出行方式、职业、汽车或房产的至少一项。优选地，为了更全面地评估用户的信用，问题模板覆盖家庭地址、单位地址、出行方式、职业、汽车、房产六项信息，验证用户这六项信息的正确性。并且，对不同的问题设置不同的权重，使之更符合业务先验。

在进行问题模型训练时，先组织金融公司的多位信审专家，组成调研小组，根据多年积累的信审经验、通过分析案例，制定家庭地址、单位地址、出行方式、职业、汽车、房产六方面的相关问题，例如“您的家庭住址附近都有哪些公园？”、“您的工作单位地址附近都有哪些商场？”、“您从家到单位坐公交都坐哪路公交？任答其一即可。”、“您的车出厂时是否具备定速巡航这项配置？”、“您名下房产所在小区目前的均价是____。”等等。其中，关于职业类问题，提前收集三百多个职业的专业问题。比如用户填写“教师”职业时，提问“教师资格证普通话考试中成绩最低要求____级。”等问题。

可选地，提问的问题采用多种形式，包括：选择题、判断题、填空题、简答题等至少一种。

可选地，所述提问为根据用户提供的信息触发相应的问题，至少包括由输入地址触发附近的兴趣点问题，由输入职业触发所述职业相关的问题，或输入出行方式触发所述出行问题的一种或多种。为用户提供个性化问题定制，根据上述问题模板，对用户提供的信息初始化构造有针对性的问题。对于验证地址类问题，可以通过向用户提问附近POI兴趣点的相关问题，验证用户填写的地址是否真实。比如用户填写的家庭地址/单位地址附近有公园但是没有银行，此时就会针对性的提问关于公园的问题而不提问关于银行的问题。对于职业类问题，首先我们会对用户填写的职业做归一化，比如用户填写的是“老师”，我们会把它归一化成“教师”，使之与定义的职业问题库一致，然后为用户准备“教师”相关的问题。

进一步地，还包括问题入库。当用户提交申请单时，根据用户填写的信息和问题模板，自动生成针对该用户的个性化定制问题，然后将问题存入问答图谱中，以备后续使用。在问答图谱的节点中保存问题和答案，图谱的边中保存推理信息。

基于上述为用户定制问题之后，对话控制流程包括：根据准备好的问答图谱，开始和用户进行对话。具体对话的形式是：向用户提问，用户回答，对用户的回答进行评判，并根据用户的回答和上下文语境进行推理，在问答图谱中找到下一道题然后返回。

上下文语境感知。定义上下文slot(变量)，这些slot包括：当前与用户聊天的主题(比如在聊家庭地址、职业、出行方式等)以及一些详细的语境因子(比如：用户说他开车上班、本实施例在相应slot中记录下这些信息)。这些slot共同表明了当前的上下文语境：当前在聊什么主题、用户说了什么关键线索。

可选地，所述发出下一问题，包括评判用户的回答状况。

可选地，所述评判用户的回答状况包括判断用户回答的结果是否正确；针对不同类型的问题所采用的判题方式不同，即，对于判断题和选择题将用户答案与正确答案做严格匹配，对于填空题和简答题则采用语义相似度模型进行匹配判别。

可选地，还包括根据当前上下文语境信息，采用深度学习模型进行流程控制，并根据所设置问题的权重，自动选择问题发给用户。所述深度学习模型是基于历史积累的人工电话审核数据，将录音信息转化为文本格式，对模型进行训练，使得该模型学习到人的审核流程，从而代替人工审核。使用深度学习模型时，输入当前的语境信息包括当前正在聊的主题(家庭、出行方式、公司、职业等)、用户的回答情况(哪些题答对/错情况)等。基于深度学习模型，判断是否发出下一问题，其输出结果是下一步的操作指示，包括：停止对话、换个话题或继续当前话题等。基于获取到的用户回答状况，若用户前三道题中有一道题回答错误，则继续提问；若用户多道题都已经回答正确，说明用户回答情况较好，用户信息较为真实，则指示可停止提问。如果要继续进行对话，则返回下一道题在问题集的分布概率，返回概率最大的问题。

进一步地，本实施例的方法结合上下文感知得到的语境信息和用户的回答状况，通过流程控制在问答图谱中进行推理运算，然后得到下一道题并返回给用户。

为了精确获取用户回答的信息，在上下文语境感知和判题过程中，还利用人工智能相关的算法和模型，主要有：相似职业召回模型、语义相似度计算模型。

可选地，还包括建立相似职业召回模型，对用户的回答做拆分，使用深度学习对拆分的每个词做语义增强，然后使用文本相似度算法计算与所述用户回答最接近的标准职业，供用户自行选择。

比如，用户回答的职业与所定义职业库中已有的标准职业名可能不一致，比如标准名是“教师”而用户说的是“老师”。针对这种情况，先对用户的回答做分词，然后使用深度学习对每个词做语义增强，然后使用文本相似度算法计算与用户的回答最接近标准的职业。为了提高容错性，可以返回给用户5个最相似的职业，让用户自行选择，大大提高了模型的召回率。

可选地，所述评判用户的回答状况时还采用了语义相似度计算模型。建立所述语义相似度计算模型是采用深度学习模型，得到用户的答案和标准答案的语义相似度。在某些情况下，虽然用户的回答与标准答案在字面上存在差异，但是可能表达的是同一个意思。比如用户回答“我坐14号线上班”和“平时搭乘14号地铁到公司”，二者表达含义相同。所以需要在语义层面做相似度计算。优选地，使用深度学习模型，模型输入一对(两个)句子，输出这两个句子的语义相似度，相似度高的回答则为相同答案。该算法在判题模块中被大量调用。

可选地，所述评估用户的信用风险包括：根据用户回答记录，计算每个问题的评分结果和总体评分结果，作出信用风险评价。

在一实施例中，用户采用一金融借贷APP申请借款时，包括以下步骤：

初始化阶段：通过用户的申请记录获得用户的基本信息，包括：家庭住址、单位地址、现居住地地址、职业、名下房产信息、名下车辆信息。根据这些基本信息初始化该用户的候选问题集。

对话收集数据阶段：开始与用户对话，正式问问题之前，会先补全一些必要的上下文槽值，主要是针对初始化阶段获得的数据不全问题，比如初始化阶段未收集到用户的职业信息，则会在对话开始时再次确认用户的职业。

对话回答阶段：数据收集完毕之后开始在对话中向用户提问，用户回答，对用户的回答做出判断，并根据当前语境返回下一道题。可选地，安装上述金融借贷APP的智能终端将用户的基本信息和聊天记录发送给服务器，由服务器对用户的回答做出判断，然后根据当前语境向智能终端返回下一道题。

汇总评分阶段：最后，将用户的回答记录以及完善后的基本信息进行保存，对用户的信用评分，将此评分作为风险参考的指标。其中评分包括总体的评分以及家庭地址、单位地址、出行方式、职业、汽车、房产各方面的评分，并做出评价，比如：用户单位地址是虚假的、用户填写的职业是真实的等。

如图2所示，本发明的另一实施例还提供了一种基于人工智能的自动信用评估系统10，包括：

用户输入单元11，获取用户的基本信息；

对话控制单元12，根据获取的基本信息，向用户提问，并结合当前语境，控制发出下一问题；

信用评估单元13，评估用户的信用风险。

可选地，用户通过网站、H5视图或APP方式登录聊天界面，在用户输入单元11输入申请贷款的基本信息，进行人机交互。其中，H5视图使用前端开发技术，比如HTML、CSS、JavaScript、Node JS、Vue等开发一个网页版的聊天界面，界面包括用户输入框和聊天信息展示部分，方便嵌入到公众号、小程序或官方网站中使用。APP视图主要包括Android端的原生APP和IOS端的原生APP，方便用户下载使用。可选地，用户采用文字输入方式或语音输入方式，以完成信息的输入。

可选地，用户通过智能机器人申请金融借贷时，在智能机器人的用户输入单元11输入申请贷款的基本信息，进行人机交互。其中，用户可采用语音输入方式，将基本信息输入到用户输入单元11。

可选地，所述提问基于机器学习算法，根据用户的基本信息和问题模型自动生成一候选问题集。

可选地，自动信用评估系统10还包括问答图谱单元14，通过大量数据训练形成所述问题模型，并定义各种问题的权重；所述问题包括家庭地址、单位地址、出行方式、职业、汽车或房产的至少一项。优选地，为了更全面地评估用户的信用，问题模板覆盖家庭地址、单位地址、出行方式、职业、汽车、房产六项信息，验证用户这六项信息的正确性。并且，对不同的问题设置不同的权重，使之更符合业务先验。

在进行问题模型训练时，先组织金融公司的多位信审专家，组成调研小组，根据多年积累的信审经验、通过分析案例，制定家庭地址、单位地址、出行方式、职业、汽车、房产六方面的相关问题，例如“您的家庭住址附近都有哪些公园？”、“您的工作单位地址附近都有哪些商场？”、“您从家到单位坐公交都坐哪路公交？任答其一即可。”、“您的车出厂时是否具备定速巡航这项配置？”、“您名下房产所在小区目前的均价是____。”等等。其中，关于职业类问题，提前收集三百多个职业的专业问题。比如用户填写“教师”职业时，提问“教师资格证普通话考试中成绩最低要求____级。”等问题。

可选地，提问的问题采用多种形式，包括：选择题、判断题、填空题、简答题等。

可选地，问题图谱单元14还包括问题定制模块，根据用户提供的信息触发相应的问题，至少包括由输入地址触发附近的兴趣点问题，由输入职业触发所述职业相关的问题，或输入出行方式触发所述出行问题的一种或多种。为用户提供个性化问题定制，根据上述问题模板，对用户提供的信息初始化构造有针对性的问题。对于验证地址类问题，可以通过向用户提问附近POI兴趣点的相关问题，验证用户填写的地址是否真实。比如用户填写的家庭地址/单位地址附近有公园但是没有银行，此时就会针对性的提问关于公园的问题而不提问关于银行的问题。对于职业类问题，首先我们会对用户填写的职业做归一化，比如用户填写的是“老师”，我们会把它归一化成“教师”，使之与定义的职业问题库一致，然后为用户准备“教师”相关的问题。

进一步地，还包括问题入库。当用户提交申请单时，问题定制模块根据用户填写的信息和问题模板，自动生成针对该用户的个性化定制问题，然后将问题存入问答图谱中，以备后续使用。问答图谱的节点中保存问题和答案，图谱的边中保存推理信息。

基于上述为用户定制问题之后，对话控制单元12根据准备好的问答图谱，开始和用户进行对话。

具体对话的形式是：智能终端(比如手机、个人计算机、平板电脑或智能机器人)向用户提问，用户回答，对用户的回答进行评判，并根据用户的回答和上下文语境进行推理，在问答图谱中找到下一道题然后返回。

可选地，对话控制单元12包括上下文语境感知模块121，获取当前语境信息。定义上下文slot(变量)，这些slot包括：当前与用户聊天的主题(比如在聊家庭地址、职业、出行方式等)以及一些详细的语境因子(比如：用户说他开车上班、本实施例在相应slot中记录下这些信息)。这些slot共同表明了当前的上下文语境：当前在聊什么主题、用户说了什么关键线索。

可选地，对话控制单元12还包括判题模块122，评判用户的回答状况，判断用户回答的结果是否正确。

可选地，判题模块122针对不同类型的问题所采用的判题方式不同，即，对于判断题和选择题将用户的答案与正确答案做严格匹配，对于填空题和简答题则采用语义相似度模型进行匹配判别。

可选地，对话控制单元12还包括流程控制模块123，根据当前上下文语境信息，采用深度学习模型进行流程控制，并根据所设置问题的权重，自动选择问题发给用户。所述深度学习模型是基于历史积累的人工电话审核数据，将录音信息转化为文本格式，对模型进行训练，使得该模型学习到人的审核流程，从而代替人工审核。使用深度学习模型时，输入当前的语境信息包括当前正在聊的主题(家庭、出行方式、公司、职业等)、用户的回答情况(哪些题答对/错情况)等。基于深度学习模型，判断是否发出下一问题，其输出结果是下一步的操作指示，包括：停止对话、换个话题或继续当前话题等。基于判题模块122获取到的用户回答状况，若用户前三道题中有一道题回答错误，则继续提问；若用户多道题都已经回答正确，说明用户回答情况较好，用户信息较为真实，则指示可停止提问。如果要继续进行对话，则返回下一道题在问题集的分布概率，返回概率最大的问题。

进一步地，本发明实施例的系统结合上下文语境感知模块121得到的语境信息和判题模块122判得的用户回答状况，通过流程控制模块123结合问答图谱单元14进行推理运算，然后得到下一道题并返回给用户。

可选地，本发明实施例的系统还包括自然语言理解单元15，建立相似职业召回模型，对用户的回答做拆分，使用深度学习模型对拆分的每个词做语义增强，然后使用文本相似度算法计算与所述用户回答最接近的标准职业，供用户自行选择。

比如，用户回答的职业与所定义职业库中已有的标准职业名可能不一致，比如标准名是“教师”而用户说的是“老师”。针对这种情况，先对用户的回答做分词，然后使用深度学习对每个词做语义增强，然后使用文本相似度算法计算与用户的回答最接近标准的职业。为了提高容错性，可以返回给用户5个最相似的职业，让用户自行选择，大大提高了模型的召回率。

可选地，自然语言理解单元15还建立语义相似度计算模型，采用深度学习模型，得到用户答案和标准答案的语义相似度。在某些情况下，虽然用户的回答与标准答案在字面上存在差异，但是可能表达的是同一个意思。比如用户回答“我坐14号线上班”和“平时搭乘14号地铁到公司”，二者表达含义相同。所以需要在语义层面做相似度计算。优选地，使用深度学习模型，模型输入一对(两个)句子，输出这两个句子的语义相似度，相似度高的回答则为相同答案。该算法在判题模块中被大量调用。

可选地，信用评估单元13根据用户回答记录，计算每个问题的评分结果和总体评分结果，作出信用风险评价。

在一实施例中，用户采用一金融借贷APP申请借款时，自动信用评估系统10实现以下步骤：

初始化阶段：通过用户的申请记录获得用户的基本信息，包括：家庭住址、单位地址、现居住地地址、职业、名下房产信息、名下车辆信息。根据这些基本信息初始化该用户的候选问题集。

对话收集数据阶段：安装上述金融借贷APP的智能终端，开始与用户对话。正式问问题之前，会先补全一些必要的上下文槽值，主要是针对初始化阶段获得的数据不全问题，比如初始化阶段未收集到用户的职业信息，则会在对话开始时再次确认用户的职业。

对话回答阶段：数据收集完毕之后，开始在对话中向用户提问，用户回答，对用户的回答做出判断，并根据当前语境返回下一道题。可选地，安装上述金融借贷APP的智能终端将用户的基本信息和聊天记录发送给服务器，由服务器对用户的回答做出判断，然后根据当前语境向智能终端返回下一道题。

汇总评分阶段：最后，系统会将用户的回答记录以及完善后的基本信息进行保存，对用户的信用进行评分，将此评分作为风险参考的指标。其中，评分包括总体的评分以及家庭地址、单位地址、出行方式、职业、汽车、房产各方面的评分，并做出评价，比如：用户单位地址是虚假的、用户填写的职业是真实的。

此外，本发明还提供了一种电子设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现上述基于人工智能的自动信用评估方法，该方法至少包括如下步骤：

获取用户的基本信息；

根据获取的基本信息，向用户提问；

结合当前语境，控制发出下一问题；

评估用户的信用风险。

可选地，所述电子设备可为智能机器人、个人计算机、手机、平板电脑、穿戴设备、服务器或其他带有处理器的显示设备。

此外，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，能够实现上述基于人工智能的自动信用评估方法。该方法至少包括如下步骤：

获取用户的基本信息；

根据获取的基本信息，向用户提问；

结合当前语境，控制发出下一问题；

评估用户的信用风险。

进一步地，所述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。

综上所述，本发明提供的一种基于人工智能的自动信用评估方法和系统，根据用户输入的信息，触发应向用户提问的问题，智能控制对话流程，自动向用户提问，使用一台机器即可同时处理多用户的大量申请单，减少人工和时间成本，极大地提高了信审的效率。然后，评估用户回答的状况，结合当前语境，再判断是否继续提问，评估用户的信用风险，实现网络贷款用户信用的智能审核，不再依赖信审员的主观因素，评审过程更标准化，结果更可信，能够更客观的获得用户的信用风险。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然已经参考上述具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (22)

1.一种基于人工智能的自动信用评估方法，其特征在于，包括：

获取用户的基本信息；

根据获取的所述基本信息，向用户提问；

结合当前语境，控制发出下一问题；

评估用户的信用风险。

2.如权利要求1所述的方法，其特征在于，所述提问基于机器学习算法，根据用户的基本信息和问题模型自动生成一候选问题集。

3.如权利要求2所述的方法，其特征在于，所述问题模型通过大量数据训练形成，并定义各种问题的权重，所述问题包括家庭地址、单位地址、出行方式、职业、汽车或房产的至少一项。

4.如权利要求1所述的方法，其特征在于，所述提问为根据用户提供的信息触发相应的问题，至少包括由输入地址触发附近的兴趣点问题，由输入职业触发所述职业相关的问题，或输入出行方式触发所述出行问题的一种或多种。

5.如权利要求1所述的方法，其特征在于，所述结合当前语境控制发出下一问题包括感知上下文语境，用以判断是否发出下一问题以及需要发出的问题。

6.如权利要求1所述的方法，其特征在于，还包括评判用户的回答状况。

7.如权利要求3所述的方法，其特征在于，还包括根据当前上下文语境信息，采用深度学习模型进行流程控制，并根据所设置问题的权重，自动选择问题发给用户。

8.如权利要求1或3所述的方法，其特征在于，还包括建立相似职业召回模型，对用户的回答做拆分，使用深度学习对拆分的每个词做语义增强，然后使用文本相似度算法计算与所述用户回答最接近的标准职业，供用户自行选择。

9.如权利要求7所述的方法，其特征在于，还包括建立语义相似度计算模型，采用深度学习模型，得到用户答案和标准答案的语义相似度。

10.如权利要求1所述的方法，其特征在于，所述评估用户的信用风险包括：根据用户回答记录，计算每个问题的评分结果和总体评分结果，作出信用风险评价。

11.一种基于人工智能的自动信用评估系统，其特征在于，包括：

用户输入单元，获取用户的基本信息；

对话控制单元，根据获取的所述基本信息，向用户提问，并结合当前语境，控制发出下一问题；

信用评估单元，评估用户的信用风险。

12.如权利要求11所述的系统，其特征在于，所述提问基于机器学习算法，根据用户的基本信息和问题模型自动生成一候选问题集。

13.如权利要求12所述的系统，其特征在于，还包括问答图谱单元，通过大量数据训练形成所述问题模型，并定义各种问题的权重，所述问题包括家庭地址、单位地址、出行方式、职业、汽车或房产的至少一项。

14.如权利要求13所述的系统，其特征在于，所述问答图谱单元还包括问题定制模块，根据用户提供的信息触发相应的问题，至少包括由输入地址触发附近的兴趣点问题，由输入职业触发所述职业相关的问题，或输入出行方式触发所述出行问题的一种或多种。

15.如权利要求11所述的系统，其特征在于，所述对话控制单元还包括上下文语境感知模块，获取当前语境信息。

16.如权利要求11所述的系统，其特征在于，所述对话控制单元还包括判题模块，评判用户的回答状况。

17.如权利要求15或16所述的系统，其特征在于，所述对话控制单元还包括流程控制模块，根据当前上下文语境信息，采用深度学习模型进行流程控制，并根据所设置问题的权重，自动选择问题发给用户。

18.如权利要求11所述的系统，其特征在于，还包括自然语言理解单元，建立相似职业召回模型，对用户的回答做拆分，使用深度学习对拆分的每个词做语义增强，然后使用文本相似度算法计算与所述用户回答最接近的标准职业，供用户自行选择。

19.如权利要求18所述的系统，其特征在于，所述自然语言理解单元还建立语义相似度计算模型，采用深度学习模型，得到用户答案和标准答案的语义相似度。

20.如权利要求11所述的系统，其特征在于，所述信用评估单元根据用户回答记录，计算每个问题的评分结果和总体评分结果，作出信用风险评价。

21.一种电子设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现权利要求1-10中任意一项所述的方法。

22.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-10中任意一项所述的方法。