CN109584048A - 基于人工智能对申请者进行风险评级的方法和装置 - Google Patents

Abstract

本发明涉及一种基于人工智能对申请者进行风险评级的方法和装置。其中，该方法包括：接收申请者的贷款请求；收集与所述申请者相关联的数据；少部分地基于所述数据来判断是否接受所述申请者的贷款请求；在接受所述申请者的贷款请求的情况下，基于所述数据将所述申请者分类到一个或多个客户群组中的一个客户群组；基于所述客户群组为所述申请者匹配相应贷款种类的贷款以及对应的风险评分模型；以及基于所述风险评分模型计算为所述申请者发放所述贷款的风险评分，其中所述风险评分用于指示向所述申请者发放所述贷款种类的贷款会产生的风险的风险评级。

Description

基于人工智能对申请者进行风险评级的方法和装置

技术领域

本发明涉及基于大数据的人工智能分析技术，并且更具体地涉及基于人工智能对申请者进行风险评级的方法和装置。

背景技术

贷款申请者可以是小型企业、微型企业、家庭作坊式企业、个体工商户的统称。长期以来，申请者由于收入难认定、轻资产无抵押品、信用记录少等原因，并不受传统金融业的欢迎，因此在发展过程中经常面临着“融资难，融资贵”的问题，从而极大制约了申请者的成长。然而，申请者是国民经济的生力军，在稳定增长、扩大就业、促进创新、繁荣市场和满足人民群众多方面需求方面，发挥着重要作用。因此，近年来在国家对申请者融资的大力支持下，企业融资渠道日益多元化，而互联网金融正随着互联网技术的飞速发展，逐渐成为申请者融资的重要渠道之一。传统上，互金领域对申请者的融资主要存在两种模式：以企业法人代表(例如，企业主)个人资质为中心的授信模式，或者线下获取企业经营信息并在此基础上授信的模式。前一种授信模式主要以企业主个人资质为考核对象，授信金额并不高，无法满足企业经营的需求，因此相对于个贷而言并无明显优势。后一种授信模式流程冗长复杂，需要线下大量的人力参与，操作模式接近传统金融业，无法体现互金的优势。因此目前为止，互金行业普遍流行的仍是以个人客户为目标群体的消费金融类产品，对于申请者并没有特别高效快速的解决方案。

此外，在该领域中兴起了人工智能技术。具体而言，人工智能(ArtificialIntelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。随着大数据和人工智能技术的发展，信用贷款行业开始向技巧型和智能化发展。例如，有的机构可以通过采用机器语音或者智能客服来取代人工实现对客户信用进行风险评估。

发明内容

针对以上技术问题以及其他潜在的技术问题，本发明的实施例提供了一种基于人工智能对申请者进行风险评级的方法和装置。

本发明的第一方面提供了一种基于人工智能对申请者进行风险评级的方法，包括：接收申请者的贷款请求；收集与所述申请者相关联的数据；至少部分地基于所述数据来判断是否接受所述申请者的贷款请求；在接受所述申请者的贷款请求的情况下，基于所述数据将所述申请者分类到一个或多个客户群组中的一个客户群组；基于所述客户群组为所述申请者匹配对应的贷款种类的贷款以及对应的风险评分模型；以及基于所述风险评分模型计算为所述申请者发放所述贷款的风险评分，其中所述风险评分用于指示向所述申请者发放所述贷款种类的贷款会产生的风险的风险评级。

本发明的第二方面提供了一种基于人工智能对申请者进行风险评级的装置，包括：处理器；存储器，所述存储器耦合至所述处理器并且存储有指令，当所述指令执行时使得所述处理器执行以下动作：接收申请者的贷款请求；收集与所述申请者相关联的数据；至少部分地基于所述数据来判断是否接受所述申请者的贷款请求；在接受所述申请者的贷款请求的情况下，基于所述数据将所述申请者分类到一个或多个客户群组中的一个客户群组；基于所述客户群组为所述申请者匹配相应贷款种类的贷款以及对应的风险评分模型；以及基于所述风险评分模型计算为所述申请者发放所述贷款的风险评分，其中所述风险评分用于指示向所述申请者发放所述贷款种类的贷款会产生的风险的风险评级。

在本发明的第三方面，提供了一种计算机可读存储介质，其具有存储在其上的计算机可执行指令，所述计算机可执行指令在设备中运行时使得所述设备执行根据本发明的第一方面所述的方法。

经由本发明的第一方面所述的基于人工智能对申请者进行风险评级的方法，使得能够通过在线获取申请者的现金流、盈利能力、信用信息等维度数据，实现对申请者的数据流的闭环的授信模式，进而能够以完全自动的方式实现对申请者的贷款进行审批，并进行贷后监控预警，从而实现贷前、贷中、贷后全线上自动审批授信模式。

附图说明

参考附图示出并阐明本发明的各实施例。这些附图仅用于阐明基本原理，并示出对于理解该基本原理所必要的方面，而不旨在限制本发明所要求保护的范围。在附图中，相同的附图标记表示相似的特征。

图1例示了可用于实施本发明的示例实施例的贷款自动审批系统100的架构示意图。

图2例示了根据本发明的实施例的基于人工智能对申请者进行风险评级的方法200的流程图。

图3例示了至少部分地基于收集到的数据来判断是否接受申请者的贷款请求的一个实现300的流程图。

图4例示了至少部分地基于收集到的数据来判断是否接受申请者的贷款请求的另一实现400的流程图。

图5例示了基于收集到的数据将申请者分类到一个或多个客户群组之一的过程500的流程图。

图6例示了根据本发明的实施例的针对申请者的方法600的流程图。

图7例示了根据本发明的实施例的针对申请者的装置700的示意性框图。

具体实施方式

下面将参照附图更详细地描述本发明的各个示例性实施例。虽然附图中流程图和示意图显示了本发明的一些实施例，然而应当理解的，本发明可以通过各种形式来实现，而且不应被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于说明性作用，并非用于限制本发明的保护范围。

为了便于描述，下面对本发明中出现的一些术语进行说明，应当理解，本发明所使用的术语应解释为具有与其在本发明的说明书的上下文以及有关领域中的意义一致的意义。本发明中的术语“包括”、“包含”及类似术语应当被理解为是开放性的术语，即“包括但不限于”，表示还可以包括其他内容。

在本发明的实施例中，术语“基于”是“至少部分地基于”。

在本发明的实施例中，术语“一个实施例”表示“至少一个实施例”。

在本发明的实施例中，术语“另一实施例”表示“至少一个另外的实施例”，等等。

在本发明的实施例中，术语“申请者”是小型企业、微型企业、家庭作坊式企业、个体工商户的统称。在某些情况下，申请者也能够包括“小微企业”，本发明中的术语“小微企业”是指农、林、牧、渔业，采矿业，制造业，批发和零售业，交通运输、仓储和邮政业，住宿和餐饮业，信息传输、软件和信息技术服务业，房地产业，租赁和商务服务业，居民服务、修理和其他服务业，文化、体育和娱乐业等15个行业门类以及社会工作行业大类根据不同行业的从业人数、营业收入的标准划分的小型或微型企业(具体划分标准请参见http://www.stats.gov.cn/tjgz/tzgb/201801/t20180103_1569254.html)。

在本发明的实施例中，术语“客户关系知识图谱”用于指示相关实体(发出贷款请求的申请者、与该申请者相关联的个人、以及相关联的交易关联方)之间的关联关系，诸如朋友关系、股权关系、交易关系等等。

在本发明的实施例中，术语“风险评分模型”是用于计算申请者的风险评分的算法模型。

图1例示了可用于实施本发明的示例实施例的贷款自动审批系统100的架构示意图。贷款自动审批系统100包括贷款自动审批处理设备101以及与贷款自动审批处理设备相关联的数据库102(例如，数据集市)，其中贷款自动审批处理设备101可连接到一个或多个客户端设备(例如，图1中示例性地示出的客户端设备103A、103B、103C)。应领会，虽然在图1中为了描述简要的目的将贷款自动审批处理设备描述为由一个计算设备实现，但在实际应用中该贷款自动审批处理设备可由通过有线或无线网络连接的多个计算设备来实现。另外，虽然在图1中将数据库示为与贷款自动审批处理设备分开的设备，但该数据库也可被形成为一个或多个贷款自动审批处理设备的一部分，而不背离本发明所要求保护的范围。另外，虽然在图1中仅示出了一个数据库，但在实际使用中可包括一个或多个数据库。在本发明的实施例中，与贷款自动审批处理设备连接的一个或多个客户端系统指的是可提供与申请者相关联的数据的客户端系统。在一个实现中，一个或多个客户端系统可包括申请者的可用于记录其交易流水等数据(例如，申请者的行业、规模、水电气、企业主不良嗜好、企业及企业主的资产、上下游交易对手信息、资金需求、周转速度、利润水平、负债水平、企业经营流水等)的系统，例如SaaS(Software-as-a-Service，软件即服务)系统、ERP(EnterpriseResource Planning，企业资源计划)系统或POS(Point Of Sale，销售点)终端设备等。一个或多个客户端系统还可包括例如可提供经申请者授权的、有关该申请者的数据(例如，申请者的技术专利，个人的社保、住房信息、信用水平、电商平台交易信息、出行及交通违章信息、诉讼信息、个人通讯信息等)的第三方系统，例如与政府工商部门、移动通信、法院、多头借贷、电商平台等第三方相关联的系统。一个或多个客户端系统还可包括可提供关于申请者或与其相关联的个人(例如，该申请者的法人代表和股东等)的公开数据(关于申请者的搜索引擎搜到的信息、社交平台上对该申请者的评论、该申请者的服务依托平台上的评论等)的网络平台系统。

贷款自动审批处理设备可收集由一个或多个客户端设备提供的与申请者相关联的数据，并对收集的数据进行处理和分析，以确定是否向该申请者发放贷款、发放什么种类的贷款以及发放该贷款可存在的风险等级。

一个或多个数据库可用于存储收集到的数据，以供贷款自动审批处理设备在贷款审批过程中进行分析和处理。

图2例示了根据本发明的实施例的基于人工智能对申请者进行风险评级的方法200的流程图。该基于人工智能对申请者进行风险评级的方法200能够应用于小微企业贷款审批。

在步骤201中，接收申请者的贷款请求，包括填写自身资料、申请额度和期限，以及做数据获取授权。

在步骤202中，收集与申请者相关联的数据。在本发明的实施例中，这些数据可由以上结合图1提到的贷款自动审批处理设备通过专门的API接口从一个或多个客户端设备收集，并且所收集的数据可以是结构化或非结构化的可解析的数据。在一种实现中，这些数据中可包括例如直接从申请者(例如，经由以上提到的SaaS系统、ERP系统或POS终端设备等)获得的数据，例如申请者的行业、规模、水电气、企业主不良嗜好、企业及企业主的资产、上下游交易对手信息、资金需求、周转速度、利润水平、负债水平、企业经营流水等。这些数据中还可包括例如经申请者授权从第三方系统获得的数据，例如申请者的技术专利，个人的社保、住房信息、信用水平、电商平台交易信息、出行及交通违章信息、诉讼信息、个人通讯信息等。这些数据中还可包括例如从网络平台获得的公开数据，例如关于申请者的搜索引擎搜到的信息、社交平台上对该申请者的评论、该申请者的服务依托平台上的评论等。在一种实现中，在收集数据的过程中，一旦收集到某个数据，就对该数据进行分类。例如，可例如基于一套预先配置的标准数据字典来对该数据进行分类。例如，可将这些数据分类为企业经营活动类数据、个人信息类数据、信用类数据、行为类数据、针对申请者的客观描述数据等。企业经营活动类数据可包括例如申请者的行业、规模、水电气、企业主不良嗜好、企业及企业主的资产、上下游交易对手信息、资金需求、周转速度、利润水平、负债水平、技术专利、电商平台交易信息等数据。个人信息类数据可包括例如与申请者相关联的个人(例如，申请者的法人代表和股东等)的社保、住房信息等数据。信用类数据可包括例如信用水平、出行及交通违章信息、诉讼信息等数据。行为类数据可包括例如与申请者相关联的个人的个人通讯信息、微信微博等社交平台信息，企业经营流水等数据。针对申请者的客观描述数据可包括例如通过搜索引擎搜到的申请者的企业信息、社交平台上对该申请者的评论、该申请者的服务依托平台上的评论等。

在另一实现中，在收集数据的过程中，可判断收集到的数据是否为贷款审批过程中可用的有效数据，在该数据是贷款审批过程中不可用的无效数据的情况下将该数据过滤掉，在该数据是贷款审批过程中可用的有效数据的情况下对该数据的格式进行标准化，使其符合本发明的实施例中所述的贷款自动审批处理设备的格式要求。

在步骤203中，将收集到的数据存储到数据库中。在本发明的实施例中，该数据库可以是数据集市。

在步骤204中，至少部分地基于收集到的数据来判断是否接受该申请者的贷款请求。

具体地，如图3所示，例示了至少部分地基于收集到的数据来判断是否接受申请者的贷款请求的一个实现300的流程图。

在步骤301中，找出收集到的数据中用于标识相关实体(包括申请者、与申请者相关联的个人(例如，申请者的法人代表、股东等)以及相关联的交易关联方)的身份的身份信息以及用于这些相关实体之间的交易的交易信息。在本发明的实施例中，用于标识相关实体的身份的身份信息可包括但不限于：申请者的企业名称、品牌名称、统一社会信用代码或银行卡号；与申请者相关联的个人的姓名、身份证号码或地址；申请者的交易关联企业的企业名称、品牌名称、统一社会信用代码或银行卡号；与申请者相关联的个人的关联企业的企业名称、品牌名称、统一社会信用代码或银行卡号；或者与申请者相关联的个人的交易关联人的姓名、身份证号码或地址。在本发明的实施例中，用于标识所述相关实体之间的交易的交易信息包括但不限于相关实体之间的交易的交易方、交易订单号、交易金额、交易时间。

在步骤302中，至少基于身份信息和交易信息来构建申请者的客户关系知识图谱，客户关系知识图谱用于指示相关实体之间的关联关系(例如，朋友关系、股权关系、交易关系等)。在一个示例中，如果申请者的客户关系知识图谱表明该申请者与多家其他企业之间存在高频账户交易，并且结合该申请者的管理层与这些企业的管理层之间的关联关系，可有效识别出该交易是否为虚假交易。因此，客户关系知识图谱可有助于识别与该申请者相关联的交易的真实性。在另一示例中，如果申请者的客户关系知识图谱表明该申请者的企业主与骗贷者、贷款中介等有关联关系，则可判定该申请者为欺诈性申请者。例如，在进行这种判断时，可通过预先依据业务经验和风险偏好制定各企业之间的关联深度阈值，并在申请者的企业主与例如骗贷者、贷款中介等之间的关联深度达到该关联深度阈值的情况下，就可判定该申请者为欺诈性企业。因此，客户关系知识图谱还有助于识别该申请者是否为欺诈性企业。在又一示例中，如果申请者的客户关系知识图谱表明该申请者的法人代表除了具有来自该申请者的收入或负债以外，还具有来自一个或多个其他企业的收入或负债，而在该申请者的申贷请求中并没有提及该一个或多个其他企业，则可判定该申请者的法人代表具有隐性收入或负债。例如，某申请者的法人代表发起了贷款审批请求，但是只提供了其实际控制的一家企业的信息，而传统做法只能依赖这家企业来判断该法人代表的收入或负债。但是通过该申请者的客户关系知识图谱，可以挖掘出该法人代表的紧密联系人，进而挖掘出更多未公开的信息，例如该法人代表实际控制的其他企业，从而可以全面考察他的收入、负债。因此，客户关系知识图谱还有助于识别该申请者的法人代表是否具有隐性收入或负债。在再一示例中，如果申请者的客户关系知识图谱表明该申请者与某个其他企业之间存在特定的关联深度(举例来说，关联深度是指：如果A与B有关联，B与C，C与D有关联，那么关联深度即为3)，则可判定该申请者可能存在隐性资产。因此，客户关系知识图谱还有助于识别该申请者是否存在隐性资产。在再一个示例中，如果申请者的客户关系知识图谱指示该申请者的法人代表或其家人具有含社会负面效应的关联交易行为，则可判定该申请者的法人代表存在负面信息。例如，如果申请者的客户关系知识图谱指示该申请者的法人代表具有频繁与澳门的企业或个人联系的记录，结合该法人代表的出行信息、消费信息等，可判断该法人代表爱好赌博的可能性极大。又例如通过申请者的法人代表的家族关系图谱，结合家族持股企业负面信息，可了解到家族整体经营的社会负面信息。因此，客户关系知识图谱还有助于识别该申请者的法人代表是否存在负面信息。由此可知，申请者的客户关系知识图谱可被用来判断该申请者是否可信。

值得注意的是，申请者的客户关系知识图谱有助于补充与申请者相关的隐性信息，例如以上提到的隐性收入或负债、隐性资产、负面信息等，这些信息也会被存储到数据库中，以供在进行后续的过程中使用。

为了清楚起见，下面再通过一个具体的示例对客户关系知识图谱进行一些描述。例如申请者A请求申请贷款，并提供了相关的企业身份信息和个人身份信息，A的企业主a声称其只有A一家关联公司，但通过其客户关系知识图谱，发现企业主a的配偶的亲属b恰好是一个已申请过的企业B的老板，且通过银行流水发现A与B之间存在交易，此时就完成了潜在信息的发掘，企业B的一些数据例如负债也会纳入到对A的考察中。进一步地，若企业B已经坏账，则可认为A企业风险过高甚至不可信。

在一种实现中，可通过以下方式来构建客户关系知识图谱：从收集到的数据中提取知识事实，在图数据库中将这些知识事实表达为RDF结构，通过人物关系传递算法、PageRank(网页排名)等算法将这些数据所代表的实体构成节点，并识别节点的关联关系，依赖大数据的优势，发现人力难以挖掘的潜在信息。

在步骤303中，基于客户关系知识图谱来判断该申请者是否可信。例如，在通过客户关系知识图谱看出该申请者存在不良的交易关联关系(例如，以上提到的存在与多家其他企业之间存在高频账户交易，与骗贷者、贷款中介等有关联关系，与申贷请求中未提及的一个或多个其他企业密切关联、与某个其他企业之间存在特定的关联深度，该申请者的法人代表或其家人具有含社会负面效应的关联交易行为等)的情况下，就可判定该申请者是不可信的。

在步骤304中，在判定申请者可信的情况下，接受该申请者的贷款请求。否则，拒绝该申请者的贷款请求。

如图4所示，例示了至少部分地基于收集到的数据来判断是否接受申请者的贷款请求的另一实现400的流程图。

在步骤401中，基于收集到的数据中涉及与申请者相关联的个人(例如，企业主、法人代表、股东等)的个人属性的数据(例如，仅作为示例，法人代表的个人征信、同业借贷信息、通讯信息等)确定与申请者相关联的个人的个人准入评分。在本发明的实施例中，个人准入评分可指根据与申请者相关联的个人的多维度信息，经过相应的计算模型对个人的还款能力、还款意愿给出的评分。

在步骤402中，判断个人准入评分是否低于个人准入阈值。在本发明的实施例中，个人准入阈值一般是基于相关的业务历史数据、风险偏好及容忍度通过建模的方式得到的。

在步骤403中，在个人准入评分低于个人准入阈值的情况下，拒绝所述申请者的贷款请求。

在步骤404中，在个人准入评分高于个人准入阈值的情况下，基于收集到的数据(例如，关于申请者的经营状况、工商信息、发展趋势、多头借贷等的数据，诸如收入、负债、行业、规模、现金流、周转率等数据)确定该申请者的企业准入评分。企业准入评分指根据申请者的多维度信息，经过相应的计算模型对申请者的还款能力、还款意愿给出的评分。

在步骤405中，判断企业准入评分是否低于企业准入阈值。企业准入阈值一般是基于相关的业务历史数据、风险偏好及容忍度通过建模的方式得到的。

在步骤406中，在企业准入评分低于企业准入阈值的情况下，拒绝该申请者的贷款请求。

在步骤407中，在企业准入评分高于企业准入阈值的情况下，接受该申请者的贷款请求。

现继续图2所示的方法，在步骤205中，在接受所述申请者的贷款请求的情况下，基于收集到的数据将申请者分类到一个或多个客户群组中的一个客户群组。否则，拒绝为该申请者发放贷款。

如图5所示，例示了基于收集到的数据将申请者分类到一个或多个客户群组之一的过程500的流程图。该一个或多个客户群组可以是但不限于：即期资金周转型客户群组、短期资金需求型客户群组、中长期资金需求型客户群组、高价格敏感型客户群组、低价格敏感型客户群组、以及依据客户所处的场景所建立的客户群组。即期资金周转型客户群组涉及单次资金需求大、账期短、资金周转极快(如季节性进货、临时的资金周转)等的申请者。短期资金需求型客户群组涉及资金周转较快的申请者(例如餐饮业、服务业等)。中长期资金需求型客户群组涉及具有机器设备投资需求、装修或资金周转较长的申请者。高价格敏感型客户群组涉及自有资产变现能力较强、资金周转率低、盈利能力较差的申请者。低价格敏感型客户群组涉及资产变现能力较弱、资产负债率较高、资金需求紧急、资金周转率高、处于行业上升期的申请者。

在本发明的实施例中，该一个或多个客户群组中的每一客户群组可与多个标签相关联，这些标签可例如为依据业务经验预先人工建立的多个标签(例如与房贷、消费贷款、信用卡使用情况、同业借贷、社保公积金、单次资金需求、账期、资金周转、客单价、订单量、员工数量、现金流，固定资产等等相关的标签)中的一个或多个标签。

在步骤501中，(例如，根据预先建立的客户画像模型)为所述申请者适配一个或多个标签。客户画像模型建立方法为：先依据业务经验预先人工建立多种标签(例如与房贷、消费贷款、信用卡使用情况、同业借贷、社保公积金、单次资金需求、账期、资金周转、客单价、订单量、员工数量、现金流，固定资产等等相关的标签)，然后使用聚类和分类(支持向量机SVM、k近邻、决策树)之类的方法训练预先好相关的模型，从而当新客户(即，新的申请者)进入时，便可为其适配不同的标签。客户画像是指将客户的每个具体信息抽象成标签，利用这些标签将客户具象化，分到不同的群组，从而适配不同的风险评分模型(即，风险评分卡)。

然而，对于一个或多个客户群组中的每一客户群组，进行步骤502到504。

在步骤502中，确定此一个或多个标签中同与该客户群组相关联的多个标签相同的标签的数量。

在步骤503中，将该数量除以与该客户群组相关的多个标签的总量以得到一百分比数据。

在步骤504中，在所述百分比数据大于群组阈值的情况下，将所述申请者分类到该客户群组，否则针对该一个或多个客户群组中的其他客户群组重复步骤502-504，直到匹配到相应的客户群组为止。在本发明的实施例中，群组阈值是预先设定的，例如可根据业务经验等来预先设定。根据业务经验、业务分类，将标签聚合成几种分类，具体做法为按照一定的群组阈值，某申请者的标签大于某客户群组中所含标签的群组阈值百分比，就将客户分入该客户群组。

下面通过一个具体的示例，对图5的方法作进一步说明。例如某申请者依据预先建立的客户画像模型被分配了单次资金需求大、账期短、资金周转极快、资产变现能力较弱的标签，从而被纳入即期资金周转型客户群组(特征：适用于单次资金需求大、账期短、资金周转极快的企业，如季节性进货、临时的资金周转等)，因为该申请者的四个标签中有三个都符合该客户群组的所含标签。

现继续图2所示的方法，在步骤206中，基于所述客户群组为所述申请者匹配对应的贷款种类的贷款以及对应的风险评分模型(例如，风险评分卡)。不同贷款种类的贷款具有不同的贷款期限、费率和额度。换言之，贷款种类与贷款的贷款期限、费率和额度有关。

在步骤207中，基于风险评分模型计算为申请者发放贷款的风险评分，其中风险评分用于指示向申请者发放该贷款种类的贷款会产生的风险的风险评级。

在步骤208中，至少基于在为申请者发放相应种类的贷款之后收集到的针对申请者的数据(例如，基于其中的针对申请者的经营流水数据、还款行为数据、实时外部数据)对所述申请者进行贷后监控。通过这种贷后监控，可在例如发现申请者的经营表现不佳等问题后，自动报预警，并依照预先制定的风控规则决定是否需要提前进行人工干预，以确保资产质量。

图6例示了根据本发明的实施例的基于人工智能对申请者进行风险评级的方法600的流程图。该方法600可例如由以上结合图1描述的贷款自动审批处理设备来实现。

在步骤601中，接收申请者的贷款请求。

在步骤602中，收集与所述申请者相关联的数据。

在步骤603中，至少部分地基于所述数据来判断是否接受所述申请者的贷款请求。

在步骤604中，在接受所述申请者的贷款请求的情况下，基于所述数据将所述申请者分类到一个或多个客户群组中的一个客户群组。

在步骤605中，基于所述客户群组为所述申请者匹配对应的贷款种类的贷款以及对应的风险评分模型。

在步骤606中，基于所述风险评分模型计算为所述申请者发放所述贷款的风险评分，其中所述风险评分用于指示向所述申请者发放所述贷款种类的贷款会产生的风险的风险评级。

图7例示了根据本发明的实施例的基于人工智能对申请者进行风险评级的装置700的示意性框图。在一种实现中，装置700是区块链用户注册装置，其可包括处理器710和存储器720，存储器720耦合至处理器710并且存储有指令，当这些指令执行时使得处理器710执行上文描述的过程700中的一个或多个动作或步骤。

具体而言，在一个实现中，当存储器720中的指令执行时使得所述处理器710执行以下动作：接收申请者的贷款请求；收集与所述申请者相关联的数据；至少部分地基于所述数据来判断是否接受所述申请者的贷款请求；在接受所述申请者的贷款请求的情况下，基于所述数据将所述申请者分类到一个或多个客户群组中的一个客户群组；基于所述客户群组为所述申请者匹配相应贷款种类的贷款以及对应的风险评分模型；以及基于所述风险评分模型计算为所述申请者发放所述贷款的风险评分，其中所述风险评分用于指示向所述申请者发放所述贷款种类的贷款会产生的风险的风险评级。

在一种实现中，收集与所述申请者相关联的数据进一步包括：在收集所述数据时，对所述数据进行分类。

在一种实现中，收集与所述申请者相关联的数据进一步包括：在收集所述数据时，判断所述数据是否为贷款审批过程中可用的有效数据；

在所述数据为贷款审批过程中不可用的无效数据的情况下，将该数据过滤掉；在所述数据为贷款审批过程中可用的有效数据的情况下，对该数据的格式进行标准化。

在一种实现中，当所述指令执行时还使得所述处理器执行以下动作：收集到所述数据以后，将所述数据存储在数据库中。

在一种实现中，至少部分地基于所述数据来判断是否接受所述申请者的贷款请求包括：找出所述数据中用于标识相关实体的身份的身份信息以及用于标识所述相关实体之间的交易的交易信息，其中所述相关实体包括所述申请者、与所述申请者相关联的个人、以及相关联的交易关联方；至少基于所述身份信息和所述交易信息来构建所述申请者的客户关系知识图谱，所述客户关系知识图谱用于指示所述相关实体之间的关联关系；基于所述客户关系知识图谱来判断所述申请者是否可信；在判定所述一个或多个申请者不可信的情况下，拒绝该申请者的贷款请求。

在一种实现中，用于标识相关实体的身份的身份信息包括：所述申请者的企业名称、品牌名称、统一社会信用代码或银行卡号；

与所述申请者相关联的个人的姓名、身份证号码或常住地址；所述申请者的交易关联企业的企业名称、品牌名称、统一社会信用代码或银行卡号；与所述申请者相关联的个人的关联企业的企业名称、品牌名称、统一社会信用代码或银行卡号；或者与所述申请者相关联的个人的交易关联人的姓名、身份证号码或地址。

在一种实现中，用于标识所述相关实体之间的交易的交易信息包括所述相关实体之间的交易的交易方、交易订单号、交易金额、交易时间。

在一种实现中，至少部分地基于所述数据来判断是否接受所述申请者的贷款请求进一步包括：基于所述数据中涉及与所述申请者相关联的个人的个人属性数据确定与所述申请者相关联的个人的个人准入评分；在所述个人准入评分低于个人准入阈值的情况下，拒绝所述申请者的贷款请求。

在一种实现中，至少部分地基于所述数据来判断是否接受所述申请者的贷款请求还包括：在所述个人准入评分高于个人准入阈值的情况下，基于所述数据确定所述申请者的企业准入评分；在所述企业准入评分低于企业准入阈值的情况下，拒绝所述申请者的贷款请求。

在一种实现中，基于所述数据将所述申请者分类到一个或多个客户群组之一包括：为所述申请者适配一个或多个不同的标签；确定所述一个或多个标签占所述一个或多个客户群组中的每一客户群组所涉及的标签的百分比；当所述百分比在所述一个或多个客户群组之一的阈值内时，将所述申请者分类到该客户群组。

在一种实现中，所述一个或多个客户群组包括：即期资金周转型客户群组、短期资金需求型客户群组、中长期资金需求型客户群组、高价格敏感型客户群组、低价格敏感型客户群组。

在一种实现中，所述贷款种类与所述贷款的期限、费率和额度有关。

在一种实现中，当所述指令执行时还使得所述处理器执行以下动作：至少基于在为所述申请者发放相应种类的贷款之后收集到的针对所述申请者的数据对所述申请者进行贷后监控。

本发明中所描述的方法和功能可以至少部分地由一个或多个硬件逻辑组件来执行。例如但不限于，可以使用的硬件逻辑组件的示意性类型包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)等。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

附图中的流程图和框图显示了根据本发明的多个实施例的方法、区块链节点和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或示意图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。

例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实现的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

通过以上描述和相关附图中所给出的教导，这里所给出的本发明的许多修改形式和其它实施方式将被本发明相关领域的技术人员所意识到。因此，所要理解的是，本发明的实施方式并不局限于所公开的具体实施方式，并且修改形式和其它实施方式意在包括在本发明的范围之内。此外，虽然以上描述和相关附图在部件和/或功能的某些示例组合形式的背景下对示例实施方式进行了描述，但是应当意识到的是，可以由备选实施方式提供部件和/或功能的不同组合形式而并不背离本发明的范围。就这点而言，例如，与以上明确描述的有所不同的部件和/或功能的其它组合形式也被预期处于本发明的范围之内。虽然这里采用了具体术语，但是它们仅以一般且描述性的含义所使用而并非意在进行限制。

Claims (19)

1.一种基于人工智能对申请者进行风险评级的方法，包括：

接收申请者的贷款请求；

收集与所述申请者相关联的数据；

至少部分地基于所述数据来判断是否接受所述申请者的贷款请求；

在接受所述申请者的贷款请求的情况下，基于所述数据将所述申请者分类到一个或多个客户群组中的一个客户群组；

基于所述客户群组为所述申请者匹配对应的贷款种类的贷款以及对应的风险评分模型；以及

基于所述风险评分模型计算为所述申请者发放所述贷款的风险评分，其中所述风险评分用于指示向所述申请者发放所述贷款种类的贷款会产生的风险的风险评级。

2.根据权利要求1所述的方法，其特征在于，收集与所述申请者相关联的数据进一步包括：

在收集所述数据时，对所述数据进行分类。

3.根据权利要求1所述的方法，其特征在于，收集与所述申请者相关联的数据进一步包括：

在收集所述数据时，判断所述数据是否为贷款审批过程中可用的有效数据；

在所述数据为贷款审批过程中不可用的无效数据的情况下，将所述数据过滤掉；

在所述数据为贷款审批过程中可用的有效数据的情况下，对所述数据的格式进行标准化。

4.根据权利要求1所述的方法，其特征在于，进一步包括：

在收集到所述数据以后，将所述数据存储在数据库中。

5.根据权利要求1所述的方法，其特征在于，至少部分地基于所述数据来判断是否接受所述申请者的贷款请求包括：

找出所述数据中用于标识相关实体的身份的身份信息以及用于标识所述相关实体之间的交易的交易信息，其中所述相关实体包括所述申请者、与所述申请者相关联的个人、以及相关联的交易关联方；

至少基于所述身份信息和所述交易信息来构建所述申请者的客户关系知识图谱，所述客户关系知识图谱用于指示所述相关实体之间的关联关系；

基于所述客户关系知识图谱来判断所述申请者是否可信；

在判定所述一个或多个申请者不可信的情况下，拒绝该申请者的贷款请求。

6.根据权利要求5所述的方法，其特征在于，用于标识相关实体的身份的身份信息包括：

所述申请者的企业名称、品牌名称、统一社会信用代码或银行卡号；

与所述申请者相关联的个人的姓名、身份证号码或常住地址；

所述申请者的交易关联企业的企业名称、品牌名称、统一社会信用代码或银行卡号；

与所述申请者相关联的个人的关联企业的企业名称、品牌名称、统一社会信用代码或银行卡号；或者

与所述申请者相关联的个人的交易关联人的姓名、身份证号码或地址。

7.根据权利要求1或5所述的方法，其特征在于，至少部分地基于所述数据来判断是否接受所述申请者的贷款请求进一步包括：

基于所述数据中涉及与所述申请者相关联的个人的个人属性数据确定与所述申请者相关联的个人的个人准入评分；

在所述个人准入评分低于个人准入阈值的情况下，拒绝所述申请者的贷款请求。

8.根据权利要求5所述的方法，其特征在于，至少部分地基于所述数据来判断是否接受所述申请者的贷款请求还包括：

在所述个人准入评分高于个人准入阈值的情况下，基于所述数据确定所述申请者的企业准入评分；

在所述企业准入评分低于企业准入阈值的情况下，拒绝所述申请者的贷款请求。

9.根据权利要求1所述的方法，其特征在于，所述一个或多个客户群组中的每一客户群组与多个标签相关联，并且基于所述数据将所述申请者分类到一个或多个客户群组之一包括：

为所述申请者适配一个或多个标签；

对于所述一个或多个客户群组中的每一客户群组：

确定所述一个或多个标签中同与该客户群组相关联的多个标签相同的标签的数量；

将该数量除以与该客户群组相关的多个标签的总量以得到一百分比数据；

在所述百分比数据大于群组阈值的情况下，将所述申请者分类到该客户群组，其中所述群组阈值是预先设定的。

10.一种基于人工智能对申请者进行风险评级的装置，包括：

处理器；

存储器，所述存储器耦合至所述处理器并且存储有指令，当所述指令执行时使得所述处理器执行以下动作：

接收申请者的贷款请求；

收集与所述申请者相关联的数据；

至少部分地基于所述数据来判断是否接受所述申请者的贷款请求；

在接受所述申请者的贷款请求的情况下，基于所述数据将所述申请者分类到一个或多个客户群组中的一个客户群组；

基于所述客户群组为所述申请者匹配相应贷款种类的贷款以及对应的风险评分模型；以及

基于所述风险评分模型计算为所述申请者发放所述贷款的风险评分，其中所述风险评分用于指示向所述申请者发放所述贷款种类的贷款会产生的风险的风险评级。

11.根据权利要求10所述的装置，其特征在于，收集与所述申请者相关联的数据进一步包括：

在收集所述数据时，对所述数据进行分类。

12.根据权利要求10所述的装置，其特征在于，收集与所述申请者相关联的数据进一步包括：

在收集所述数据时，判断所述数据是否为贷款审批过程中可用的有效数据；

在所述数据为贷款审批过程中不可用的无效数据的情况下，将该数据过滤掉；

在所述数据为贷款审批过程中可用的有效数据的情况下，对该数据的格式进行标准化。

13.根据权利要求10所述的装置，其特征在于，当所述指令执行时还使得所述处理器执行以下动作：

在收集到所述数据以后，将所述数据存储在数据库中。

14.根据权利要求10所述的装置，其特征在于，至少部分地基于所述数据来判断是否接受所述申请者的贷款请求包括：

找出所述数据中用于标识相关实体的身份的身份信息以及用于标识所述相关实体之间的交易的交易信息，其中所述相关实体包括所述申请者、与所述申请者相关联的个人、以及相关联的交易关联方；

至少基于所述身份信息和所述交易信息来构建所述申请者的客户关系知识图谱，所述客户关系知识图谱用于指示所述相关实体之间的关联关系；

基于所述客户关系知识图谱来判断所述申请者是否可信；

在判定所述一个或多个申请者不可信的情况下，拒绝该申请者的贷款请求。

15.根据权利要求14所述的装置，其特征在于，用于标识相关实体的身份的身份信息包括：

所述申请者的企业名称、品牌名称、统一社会信用代码或银行卡号；

与所述申请者相关联的个人的姓名、身份证号码或常住地址；

所述申请者的交易关联企业的企业名称、品牌名称、统一社会信用代码或银行卡号；

与所述申请者相关联的个人的关联企业的企业名称、品牌名称、统一社会信用代码或银行卡号；或者

与所述申请者相关联的个人的交易关联人的姓名、身份证号码或地址。

16.根据权利要求10或14所述的装置，其特征在于，至少部分地基于所述数据来判断是否接受所述申请者的贷款请求进一步包括：

基于所述数据中涉及与所述申请者相关联的个人的个人属性数据确定与所述申请者相关联的个人的个人准入评分；

在所述个人准入评分低于个人准入阈值的情况下，拒绝所述申请者的贷款请求。

17.根据权利要求14所述的装置，其特征在于，至少部分地基于所述数据来判断是否接受所述申请者的贷款请求还包括：

在所述个人准入评分高于个人准入阈值的情况下，基于所述数据确定所述申请者的企业准入评分；

在所述企业准入评分低于企业准入阈值的情况下，拒绝所述申请者的贷款请求。

18.根据权利要求10所述的装置，其特征在于，所述一个或多个客户群组中的每一客户群组与多个标签相关联，并且基于所述数据将所述申请者分类到一个或多个客户群组之一包括：

为所述申请者适配一个或多个标签；

对于所述一个或多个客户群组中的每一客户群组：

确定所述一个或多个标签中同与该客户群组相关联的多个标签相同的标签的数量；

将该数量除以与该客户群组相关的多个标签的总量以得到一百分比数据；

在所述百分比数据大于群组阈值的情况下，将所述申请者分类到该客户群组，其中所述群组阈值是预先设定的。

19.一种计算机可读存储介质，其具有存储在其上的计算机可执行指令，所述计算机可执行指令在设备中运行时使得所述设备执行根据权利要求1至9中的任一项所述的方法。