CN109636573A - 信贷分析方法、装置、设备及可读存储介质 - Google Patents

Abstract

本发明提供一种信贷分析方法、装置、设备及可读存储介质，以“关系”的方式将贷款申请者的信贷证件号与其它信息(包括贷款申请者的信息和历史信贷信息)进行整合和关联，有利于确定信贷证件与其它信息之间的联系；并结合染黑(或染灰)的处理逻辑对信贷证件的风险性进行分析和检测，从而以大数据分析的方式对信贷欺诈风险进行了有效预测，提高了信贷分析的准确性，能够更有效地对潜在风险进行预警，可尽早地发现并规避风险和降低贷款坏账率。

Description

信贷分析方法、装置、设备及可读存储介质

技术领域

本发明涉及大数据领域，尤其涉及一种信贷分析方法、装置、设备及可读存储介质。

背景技术

随着社会和金融行业的快速发展，信贷业务活跃于市场。信贷机构在进行放款前，需要对贷款申请者进行风控分析，以确定其欺诈风险性；在分析过程中，往往会涉及贷款申请者的证件的分析，如身份证、驾照、护照等。传统的信贷分析方法，在对各证件进行分析时，仅是对各个证件进行单一的验真核对，这种分析方法忽略了证件与其它信贷信息之间的关联性，从而降低了信贷风险分析的准确性。

发明内容

本发明的主要目的在于提供一种信贷分析方法、装置、设备及可读存储介质，旨在提高信贷风险分析的准确性。

为实现上述目的，本发明提供一种信贷分析方法，所述信贷分析方法包括：

在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的信贷证件的信贷证件号、及所述信贷申请者的基本地址；

对所述信贷证件号进行归属地分析，获取对应的证件号归属地，并根据预设关联规则在所述信贷证件号与所述基本地址之间建立关联；

根据所述信贷证件号在预设信贷记录库中查询与所述信贷证件号匹配的历史信贷件，并在所述信贷证件号与所述历史信贷件之间建立关联；

根据预设关系度公式计算所述信贷证件号与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；

当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；

若所述关系度大于预设关系阈值，则确定所述信贷证件为风险证件。

此外，为实现上述目的，本发明还提供一种信贷分析装置，所述信贷分析装置包括：

请求接收模块，用于在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的信贷证件的信贷证件号、及所述信贷申请者的基本地址；

第一关联模块，用于对所述信贷证件号进行归属地分析，获取对应的证件号归属地，并根据预设关联规则在所述信贷证件号与所述基本地址之间建立关联；

第二关联模块，用于根据所述信贷证件号在预设信贷记录库中查询与所述信贷证件号匹配的历史信贷件，并在所述信贷证件号与所述历史信贷件之间建立关联；

关系度计算模块，用于根据预设关系度公式计算所述信贷证件号与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；

关系度判断模块，用于当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；

证件确定模块，用于若所述关系度大于预设关系阈值，则确定所述信贷证件为风险证件。

此外，为实现上述目的，本发明还提供一种信贷分析设备，所述信贷分析设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的信贷分析程序，其中所述信贷分析程序被所述处理器执行时，实现如上述的信贷分析方法的步骤。

此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有信贷分析程序，其中所述信贷分析程序被处理器执行时，实现如上述的信贷分析方法的步骤。

本发明以“关系”的方式将贷款申请者的信贷证件号与其它信息(包括贷款申请者的信息和历史信贷信息)进行整合和关联，有利于确定信贷证件与其它信息之间的联系；并结合染黑(或染灰)的处理逻辑对信贷证件的风险性进行分析和检测，从而以大数据分析的方式对潜在信贷欺诈风险进行了有效预测，提高了信贷分析的准确性，能够更有效地对潜在风险进行预警，可尽早地发现并规避风险和降低贷款坏账率。

附图说明

图1为本发明实施例方案中涉及的信贷分析设备的硬件结构示意图；

图2为本发明信贷分析方法第一实施例的流程示意图；

图3为图2所示实施例涉及的信息关联示意图；

图4为本发明信贷分析装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例涉及的信贷分析方法主要应用于信贷分析设备，该信贷分析设备可以是个人计算机(personal computer，PC)、笔记本电脑、服务器等具有数据处理功能的设备。

参照图1，图1为本发明实施例方案中涉及的信贷分析设备的硬件结构示意图。本发明实施例中，信贷分析设备可以包括处理器1001(例如中央处理器Central ProcessingUnit，CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity，WI-FI接口)；存储器1005可以是高速随机存取存储器(random accessmemory，RAM)，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中作为一种计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及信贷分析程序。在图1中，网络通信模块可用于连接贷款终端，与贷款终端进行数据通信；而处理器1001可以调用存储器1005中存储的信贷分析程序，并执行本发明实施例提供的信贷分析方法。

本发明实施例提供了一种信贷分析方法。

参照图2，图2为本发明信贷分析方法第一实施例的流程示意图。

本实施例中，所述信贷分析方法包括以下步骤：

步骤S10，在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的信贷证件的信贷证件号、及所述信贷申请者的基本地址；

随着社会和金融行业的快速发展，信贷业务活跃于市场。信贷机构在进行放款前，需要对贷款申请者进行风控分析，以确定其欺诈风险性；在分析过程中，往往会涉及贷款申请者的证件的分析，如身份证、驾照、护照等。传统的信贷分析方法，在对各证件进行分析时，仅是对各个证件进行单一的验真核对，这种分析方法忽略了证件与其它信贷信息之间的关联性，从而降低了信贷风险分析的准确性。对此，本实施例中提出一种信贷分析方法，在进行信贷风险分析时，在贷款申请者的信贷证件号与其它信息之间建立关联关系，从而对贷款申请者的信贷证件号进行关联分析，提高信贷分析的准确性。

本实施例中的信贷分析方法是由信贷分析设备实现的，该信贷分析设备以服务器为例进行说明。本实施例中，贷款申请者在需要进行信贷申请时，可在贷款终端(如个人电脑PC、笔记本电脑、手机、平板电脑等)上进行信贷操作，贷款终端则根据贷款申请者的操作向服务器发送对应的信贷请求。服务器在接收到贷款终端发送的信贷请求时，首先要获取贷款申请者的信贷证件的信贷证件号；其中这些信贷证件可以包括身份证、学位证、护照、房屋产权证等；当然除了信贷证件的证件号，服务器还可以获取信贷证件的其它信息，如证件类型、发证时间(或者是贷款申请人获得证件所代表的权利的时间)、证件有效期等。对于该信贷证件号(或信贷证件的其它信息)的获取，可以是服务器在接收到该信贷请求时向贷款终端发送证件号询问信息，以使贷款申请者根据该证件号询问信息在贷款终端中手动录入对应的信贷证件号并发送至服务器；当然也可以是贷款申请者在通过贷款终端进行信贷操作时直接手动录入信贷证件号，由贷款终端将该信贷证件号添加至信贷请求中一起发送至服务器。

进一步的，为了减少贷款申请者的操作量，方便贷款申请者提供证件信息，贷款申请者还可以是提供相应的证件图像(证件照)，由服务器通过OCR(Optical CharacterRecognition，光学字符识别)技术对该证件图像进行识别得到对应的信贷证件号。服务器在接收到贷款终端发送的信贷请求时，将根据该信贷请求向贷款终端发送对应的证件图像上传提示；贷款申请者在通过贷款终端看到该证件图像上传提示时，需要通过贷款终端上传对应的信贷证件图像，该信贷证件图像可以是贷款申请者通过贷款终端实时拍摄信贷证件得到，也可以是预先存储在贷款终端或网盘等。值得说明的是，在实际信贷过程中，对于不同的贷款产品(或贷款方案)，其所需的信贷证件类型可能存在区别，因此服务器在接收到信贷请求时，首先需要根据该信贷请求中包括的目标产品标识确定本次信贷请求所涉及的目标产品，然后在预设产品库中获取与该目标产品相关的目标产品信息，该目标产品信息包括需求证件类型、信贷审核流程、申请条件、还款方案等；在得到目标产品信息时，即可根据目标产品信息确定需求证件类型，然后根据该需求证件类型向贷款终端发送对应的证件图像上传提示，并接收贷款终端上传的信贷证件图像。在得到信贷证件图像时，服务器将通过OCR技术对所述信贷证件图像进行识别，获取对应的信贷证件号。

当然，为了保证后续图像识别的准确性，对于信贷证件图像的分辨率、图像尺寸、图像文件格式等图像属性也可以进行要求；服务器中预先设置各类信贷证件所对应的图像规格标准，在接收到贷款终端上传的信贷证件图像时，将根据该图像规格标准判断该信贷证件图像是否符合标准；若不符合，则服务器会向贷款终端返回二次上传提示，以通知贷款申请者重新上传信贷证件图像；若符合，则会进行下一步的图像识别操作。

在进行图像识别时，考虑到证件的内容分布是具有一定规律的(当然不同类型的证件，内容分布规律也不一样)，因此，在对信贷证件图像进行识别时，可先根据信贷证件类型，对信贷证件图像进行区域划分，划分出包括有效证件信息的有效区域，该有效区域的图像可称为有效图像，然后再针对该有效图像进行后续的字符特征提取和识别，例如对身份证而言，姓名、性别、民族、出生、住址等位于身份证正面的左侧，身份证号则位于身份证正面的中下部，基于该规律，可对身份证图像进行划分，获取出身份证中下部的身份证号图像(有效图像)，再对该部分的有效图像进行针对性的识别处理，从而减少了数据计算和处理量，提高识别效率。当然，在得到有效图像后，还可以对有效图像进行其它的预处理，以方便后续的OCR识别，例如图像二值化、降噪等操作。其中，二值化是指将有效图像(或信贷证件图像)转化为只含两种黑白颜色的二值图像，这是由于彩色图像所含信息量巨大，对其进行后续处理时计算量也会随之增大，花费的时间也会边长，因此为提高处理和识别的效率，可先对彩色图进行二值化处理；去噪则是通过滤波器或是其它方式解决数字图像由于噪声干扰而导致图像质量下降的问题。

在获得有效图像时，即可对有效图像中进行字符特征提取。字符特征可说是识别的主要依据，简易的区分可分为两类：一为统计的特征，如字符区域内的黑/白点数比，当字符区域分成好几个区域时，这一个个区域黑/白点数比之联合，就成了空间的一个数值向量，在比对时，基本的数学理论就足以应付了；而另一类特征为结构的特征，如字符影像细线化后，取得字符的笔划端点、交叉点之数量及位置作为特征。在获取到有效图像的字符特征，即可配合对应的比对方法，将该字符特征与字符库中的备选特征进行匹配，从而找到最接近的备选特征，并根据该最接近备选特征的字符含义确定该信贷证件图像对应的信贷证件号。

进一步的，对于该字符特征提取和特征识别匹配的过程，可以通过神经网络识别模型完成；即将有效图像输入到训练好的神经网络识别模型，由模型根据训练过程总结的逻辑经验进行字符特征提取和特征识别匹配，从而获取信贷证件号。具体的，本实施例中以身份证的身份证号识别为例进行说明。对于身份证号的OCR识别中，首先需要建立用于识别训练模型的数据训练集；考虑到身份证中的身份证号包括印刷体的阿拉伯数字0至9和英文字符X，且相对于手写体更规范，因此可通过Python生成字符图片字库，即得到了数据训练集(也成为备选特征)。然后即可构建初始网络模型，本实施例中可用caffe框架构建和训练网络模型，其中Caffe是目前深度学习领域主流的一个开源库，采用C++和CUDA实现，支持MATLAB和Python接口，速度快、开放性好、易于模块化拓展；由于在Caffe中直接使用的是lmdb或者leveldb文件，因此在训练前需要将图片文件转化成db文件，让Caffe可识别(该转化过程可直接使用Caffe的convert_imageset.cpp工具类文件实现)。值得说明的是，当所要识别的证件号的字符种类、笔画、结构较为复杂时，构建的初始网络模型可以是深层次的网络模型，如多层的卷积神经网络。在构建初始网络模型后，即可将数据训练集输入到初始网络网络模型中并对其进行迭代训练，当训练一定程度时(该程度的可是迭代次数衡量，也可以是用其它精度参数来表征)，即可认为得到神经网络识别模型。本实施例中，得到有效图像后，服务器开始调用该神经网络识别模型进行识别，首先初始化经过训练得到的神经网络识别模型和训练的备选特征，然后将该有效图像输入至神经网络识别模型中进行特征提取，得到字符特征；然后该将字符特征与备选特征进行一一比对，从而找到最接近的备选特征，并根据该最接近备选特征的确定字符的形体含义；在得到有效图像中所有字符的形体含义时，再将身份证上的所有信息进行拼接，存入数组中，并以一定格式(如json)返回输出，即得到了该信贷证件图像对应的信贷证件号。

本实施例中，服务器在根据信贷请求获取信贷申请者的信贷证件号的同时，还将获取贷款申请者的其它基本信息，包括有贷款申请者在进行贷款申请时主动提供的个人信息，还包括有服务器检测到的环境信息。对于个人信息，包括有家庭地址、工作地址、单位地址、银行账户、手机号、常用联系人等，这些个人信息也可以是贷款申请者在通过贷款终端在网络上提出贷款申请时，自行录入至贷款终端，并由贷款终端发送至服务器中。对于环境信息，则包括有贷款终端的GPS地址、贷款终端的IP地址(Internet Protocol Address，互联网协议地址)等；当然这些环境信息可能是需要得到贷款申请者的授权后服务器才可进行获取。在得到贷款申请者的基本信息时，服务器将会根据这些基本信息获取到对应的基本地址，例如家庭地址、工作地址、IP地址所属地等。

步骤S20，对所述信贷证件号进行归属地分析，获取对应的证件号归属地，并根据预设关联规则在所述信贷证件号与所述基本地址之间建立关联；

对于信贷证件的信贷证件号，其一般与证件人所在地、或是发证地、或是证件所代表的权利标的所在地等实体地址，具有一定的对应关系，例如身份证号与身份证所有者的出生地籍贯具有对应关系，护照号与护照签发地具有对应关系，房屋产权证与房屋所在地具有对应关系等。本实施例中，服务器在获取到贷款申请者的信贷证件号后，将对信贷证件号进行归属地分析，确定该信贷证件号对应的证件号归属地。

其中，证件号一般具有一定的号码编译规则，例如我国的身份证号一般为18位，而各段的号码又具有不同的含义，如前6位为地址特征片段，基于这一号码编译规则，若获取到某一身份证号的前6位(我国的一个身份证号)，即可根据该编码规则获取身份证所有者的出生地籍贯。具体的，服务器中可预先存储有各类信贷证件的号码编译规则，该号码编码规则包括有地址特征表，地址映射表中记录有地址特征片段的地址特征字符与地址的映射关系；在得到信贷证件号时，服务器将根据信贷证件号所的证件类型确定对应的号码编译规则，并根据该号码编译规则对信贷证件号进行分段切分，获取到其中的地址特征片段(如身份证号的前6位)；然后根据地址特征片段查询地址特征表，根据地址特征片段和地址特征表确定对应的证件号归属地。当然，在实际中，服务器也可以是与相关的证件管理系统(如公安系统、房屋管理系统等)进行连接，在获得证件号信息时，直接向证件管理系统发送地址查询请求，该地址查询请求中包括有信贷证件号，以查询该信贷证件号对应的证件号归属地。

本实施例中，服务器在确定信贷证件号的证件号归属地时，将会基于预设关联规则在信贷证件号和步骤S10所获得的基本地址之间建立关联，从而将贷款申请者的信贷证件与贷款申请者的其它地址信息联系起来，形成地址关联网络；在该地址关联网络中，贷款申请者的信贷证件号也可以是看作一个地址(证件号归属地址)，此时该地址关联网络中至少包括两个地址(一个证件号归属地址和至少一个基本地址)。而对于信贷证件号与基本地址的关联，则可以是根据多种方式建立的。

可选地，对于信贷证件号与基本地址的关联，可以是通过距离匹配的方式建立的距离匹配关联。具体的，服务器首先将确定各基本地址所对应的真实位置，然后确定信贷证件号归属地与基本地址的真实距离；当该真实距离小于预设距离阈值时，即可在信贷证件号与该基本地址之间建立距离匹配关联。例如，对于信贷证件号归属地X省Y市a区和工作单位地址X省Y市c区，两者的真实地址距离为1000米，小于预设距离阈值5000米，则可在两者之间建立距离匹配关联。进一步的，当两个地址建立距离匹配关联后，还可以根据真实地址距离的大小定义其关联强度值，真实地址距离越小，关联强度值越大。通过距离匹配的关联方式，可从实际距离的维度将距离相似的地址因子进行关联，以进行后续的欺诈分析。

值得说明的是，对于不同类型的信贷证件，由于其所反映贷款申请者的活动范围的准确性有所差异，因此对于进行距离匹配关联时所使用的预设距离阈值，可以是根据信贷证件号的证件类型进行确定。具体的，服务器中预先存储有证件距离表，该证件距离表中记录有各类信贷证件在进行距离匹配关联时所用的预设距离阈值；服务器在首先需要根据信贷证件号的证件类型和该证件距离表获取对应的预设距离阈值，再判断证件号归属地与基本地址之间的真实距离是否小于该预设距离阈值。通过以上方式，有利于提高距离匹配关联对不同类型证件的适用性，从而提高地址关联及后续关联分析的准确性。

可选地，对于信贷证件号与基本地址的关联，还可以是通过模糊匹配的方式建立的模糊匹配关联，即计算证件号归属地与基本地址之间的地址文本匹配度，若该地址文本匹配度大于预设文本阈值，即可在信贷证件号与该基本地址之间建立模糊匹配关联。具体的，服务器首先根据一定的规则分别将证件号归属地和基本地址量化为对应的第一地址字符组S1和第二地址字符组S2，地址字符组的形式可以为(省，市，区)，当然该规则和地址字符组的形式也可以根据实际情况进行设置；在量化完成时，服务器对第一地址字符组S1和第二地址字符组S2进行并集运算得到全字符组S(该全字符组中不含有重复的元素)；随后，服务器将分别根据全字符组S的各字符在第一地址字符组S1和第二地址字符组S2中出现频率、确定对应的第一频率组SS1和第二频率组SS2；在得到第一频率组SS1和第二频率组SS2时，即可将第一频率组SS1和第二频率组SS2代入至预设文本匹配公式中计算证件号归属地与基本地址之间的地址文本匹配度，该预设文本匹配公式为：

其中，sim(SS1,SS2)为证件号归属地与基本地址之间的地址文本匹配度，p为第一频率组SS1或第二频率组SS2的元素数量；SS1i为所述第一频率组SS1第i个元素，SS2i所述第二频率组SS2第i个元素，0＜i≤n，且i为整数。若该地址文本匹配度大于预设文本阈值，即可在信贷证件号与该基本地址之间建立模糊匹配关联。进一步的，当信贷证件号与基本地址建立模糊匹配关联后，还可以根据地址文本匹配度的大小定义其关联强度值，地址文本匹配度越大，关联强度值越大。通过模糊匹配的关联方式，可从地址文本的维度将信贷证件号与地址文本相似的基本地址进行关联，以进行后续分析。

值得说明的是，若信贷证件号无法与任何一个基本地址建立关联，说明该信贷证件号具有较大的信息孤立性，此时可直接认为信贷证件号是可疑的，并将该信贷证件确定为风险证件。

步骤S30，根据所述信贷证件号在预设信贷记录库中查询与所述信贷证件号匹配的历史信贷件，并在所述信贷证件号与所述历史信贷件之间建立关联；

本实施例中，在将信贷证件号与基本地址建立关联的同时，服务器还可根据该信贷证件号查询预设的信贷记录库，以确定是否曾有人以该信贷证件号进行过信贷申请；若有，则服务器将会获取与该信贷证件号对应的历史信贷件，该历史信贷件中也可包括有包括电话号码、银行卡号、地址(包括多种地址)、其它证件号等历史信贷信息。例如，服务器根据贷款申请人本次(18年3月)申请所提供的身份证号，查询到17年3月的历史信贷记录，而在17年3月的历史信贷记录中，则还包括提出当时所提供的电话号码、银行卡号、地址、护照等历史信贷信息。在获取到与该证件号对应的历史信贷件时，则可以在该信贷证件号与历史信贷件之间建立关联。

值得说明的是，对于本实施例中与信贷证件号进行直接关联的基本地址和历史信贷件，可称为一次关联信息；而对于一次关联信息，还可能会与其它的信息具有关联，例如基本地址中的工作地址与该地址的单位实体(如单位类型、单位股东等)关联，基本地址中家庭地址与该地址的小区信息(如小区房价、小区物业信息等)关联，又例如历史信贷件与该历史信贷件的偿还情况、贷款人等关联；对于这些与一次关联信息关联的其它信息，为描述方便，可称为二次关联信息，这些二次关联信息可看作与信贷证件号间接关联；一次关联信息与二次关联信息统称为关联信息，信贷证件号与关联信息均具有关联关系(直接关联或间接关联)。依此类推，信贷证件号还可以与三次关联信息、四次关联信息等进行关联，从而以信贷证件号为起点，建立信息关联图谱(信息关联网络)，以进行后续的风险分析。

步骤S40，根据预设关系度公式计算所述信贷证件号与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；

本实施例中，在信贷证件号与基本地址、历史信贷件建立关联后，服务器将根据预设关系度公式计算信贷证件号与各关联信息之间的关系度，其中这些关联信息包括基本地址和历史信贷件。而对于信贷证件号与关联信息之间的关系度，则可看作是信贷证件号与关联信息之间联系紧密的表征；关系度越大，两者的联系越紧密。其中预设关系度公式为：

其中f为信贷证件号与关联信息之间的关系度；

m为信贷证件号与关联信息之间的最短关联路径上的路径信息数量(或称为关系链上的信息数量，关系链的两个端点分别为信贷证件号和关联信息)，可根据信贷证件号与关联信息之间的关联关系确定，且路径信息包括信贷证件号和关联信息，m≥2；值得说明的是，当信贷证件号所关联的关联信息包括一次关联信息、二次关联信息、三次关联信息等时，若计算的是一次关联信息与信贷证件号的关系度，则m＝2，若计算的是二次关联信息与信贷证件号的关系度，则m＝3，依此类推；

k₀为与关联信息的信息类型对应的预设距离系数，0＜k₀；对于各类关联信息的k₀，可以是服务器中预先设置，如服务器中预先存储有信息系数表，信息系数表中记录有类各关联信息所对应的k₀值，服务器可根据要计算的关联信息的信息类型查询该信息系数表从而确定出k₀值；

x₀为与关联信息的信息类型对应的预设强度系数，0＜x₀；对于上述的信息系数表，还记录有类各关联信息所对应的x₀值，服务器可根据要计算的关联信息的信息类型查询该信息系数表从而确定出x₀值；

k_i为最短关联路径上各路径信息各自对应的关联距离系数，0＜k_i；k_i可根据路径信息与关联信息之间的最短关联路径的关联距离d_i(即最短关系链中的关系数)与预设关联距离公式确定，且在预设关联距离公式中k_i与d_i呈负相关的关系，d_i越大，k_i越小；当然预设关联距离公式可以是根据实际情况进行设置，例如k_i＝d_i ^-1；

x_i为最短关联路径上各路径信息各自对应的关系强度系数，0＜x_i；x_i与路径信息的信息类型有关，例如家庭地址的关系强度系数大于单位地址的关系强度系数；对于上述的信息系数表，还记录有类各路径信息所对应的x_i值，服务器可根据要计算的路径信息的信息类型查询该信息系数表从而确定出x_i值；

u_i为最短关联路径上各路径信息各自对应的衰减因子系数，0＜u_i≤1；，u_i与路径信息的信息类型有关，例如家庭地址的衰减因子系数小于单位地址的衰减因子系数；对于上述的信息系数表，还记录有类各路径信息所对应的x_i值，服务器可根据要计算的路径信息的信息类型查询该信息系数表从而确定出x_i值。

具体的，在计算信贷证件号与某一关联信息的关联度时，首先根据要计算的关联信息的信息类型查询信息系数表，获取该关联信息的预设距离系数k₀和预设强度系数x₀；然后根据信贷证件号与该关联信息的关联关系确定两者的计算关系路径，其中若信贷证件号与该关联信息之间有多条关系路径，则选择关系数最少的一条作为计算关系路径(即最短关系路径)；在确定计算关系路径时，将要确定该计算关系路径上的所有路径信息(包括信贷证件号与该关联信息)，并根据计算关系路径的所有路径信息分别与关联信息的关联距离、各路径信息的信息类型、关联强度等确定各路径信息对应的关联距离系数k_i、衰减因子系数u_i和关联强度系数x_i，再将各参数代入至上述公式中，即可计算出信贷证件号与该关联信息的关系度。服务器在计算得信贷证件号与该关联信息之间的关系度时，还可生成对应的信息关联图并标注关系度，如图3所示，图3中关联信息包括家庭地址(关系度73)、单位地址(关系度80)、手机号归属地(关系度58)。

步骤S40，当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；

本实施例中，服务器在得到信贷证件号与该关联信息之间的关系度时，即可通过染黑逻辑(或染灰逻辑)对信贷证件号进行欺诈风险分析。具体的，当某一关联信息属于黑名单信息(或者该关联信息确认为虚假)时，服务器将判断信贷证件号与该关联信息之间的关系度是否大于预设阈值，即通过两者之间的关系紧密程度关联分析信贷证件的风险性。

步骤S50，若所述关系度大于预设关系阈值，则确定所述信贷证件为风险证件。

本实施例中，若信贷证件号与该黑名单关联信息之间的关系度大于预设阈值，则可认为信贷证件也是可疑的，并将该信贷证件确定为风险证件。

进一步的，在确定信贷证件为风险证件时，服务器还可以根据关系度给出相关的处理建议。例如服务器中设置有预设复核阈值，其中预设复核阈值大于预设关系阈值；当确定信贷证件为风险证件时(信贷证件号与该黑名单关联信息之间的关系度大于预设阈值)，还将判断信贷证件号与该黑名单关联信息之间的关系度是否大于预设复核阈值；若该关系度大于预设复核阈值，则服务器将输出拒绝放款的建议；若该关系度小于或等于预设复核阈值，则服务器将输出人工复核的建议。通过这样的方式，可在提高信贷风险分析的准确性的同时，降低误判率。

再进一步的，服务器在对信贷证件的风险性进行分析之后，还可以生成对应的分析报告，分析报告的内容可以包括信贷证件号与基本地址、历史信贷件建立关联的建立过程(包括计算过程)、信息关联图、关系度计算和判断过程等，以供分析人员查看。

本实施例在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的信贷证件的信贷证件号、及所述信贷申请者的基本地址；对所述信贷证件号进行归属地分析，获取对应的证件号归属地，并根据预设关联规则在所述信贷证件号与所述基本地址之间建立关联；根据所述信贷证件号在预设信贷记录库中查询与所述信贷证件号匹配的历史信贷件，并在所述信贷证件号与所述历史信贷件之间建立关联；根据预设关系度公式计算所述信贷证件号与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；若所述关系度大于预设关系阈值，则确定所述信贷证件为风险证件。通过以上方式，本实施例以“关系”的方式将贷款申请者的信贷证件号与其它信息(包括贷款申请者的信息和历史信贷信息)进行整合和关联，有利于确定信贷证件与其它信息之间的联系；并结合染黑(或染灰)的处理逻辑对信贷证件的风险性进行分析和检测，从而对潜在信贷欺诈风险进行了有效预测，提高了信贷分析的准确性，能够更有效地对潜在风险进行预警，可尽早地发现并规避风险和降低贷款坏账率。

此外，本发明实施例还提供一种信贷分析装置。

参照图4，图4为本发明信贷分析装置第一实施例的功能模块示意图。

本实施例中，所述信贷分析装置包括：

请求接收模块10，用于在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的信贷证件的信贷证件号、及所述信贷申请者的基本地址；

第一关联模块20，用于对所述信贷证件号进行归属地分析，获取对应的证件号归属地，并根据预设关联规则在所述信贷证件号与所述基本地址之间建立关联；

第二关联模块30，用于根据所述信贷证件号在预设信贷记录库中查询与所述信贷证件号匹配的历史信贷件，并在所述信贷证件号与所述历史信贷件之间建立关联；

关系度计算模块40，用于根据预设关系度公式计算所述信贷证件号与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；

关系度判断模块50，用于当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；

证件确定模块60，用于若所述关系度大于预设关系阈值，则确定所述信贷证件为风险证件。

其中，上述信贷分析装置的各虚拟功能模块存储于图1所示信贷分析设备的存储器1005中，用于实现信贷分析程序的所有功能；各模块被处理器1001执行时，可实现将信贷证件号与多种信息进行整合和关联，并结合染黑(或染灰)的处理逻辑对信贷证件进行风险分析的功能。

进一步的，所述请求接收模块10包括：

类型确定单元，用于在接收到信贷请求时，根据所述信贷请求包括的目标产品标识获取对应的目标产品信息，并根据所述目标产品信息确定需求证件类型；

图像接收单元，用于根据所述需求证件类型向所述贷款终端发送对应的证件图像上传提示，并接收所述贷款终端根据所述证件图像上传提示上传的信贷证件图像；

图像识别单元，用于通过光学字符识别OCR技术对所述信贷证件图像进行识别，获取对应的信贷证件号。

进一步的，所述图像识别单元包括：

区域划分子单元，用于根据所述需求证件类型对所述信贷证件图像进行区域划分，获取有效图像；

证件号获取子单元，用于通过预设神经网络识别模型对所述有效图像进行特征提取，得到字符特征，并将所述字符特征与所述预设神经网络识别模型包括的备选特征进行比对，以根据比对结果得到对应的信贷证件号。

进一步的，所述第一关联模块20包括：

证件号分段单元，用于根据所述信贷证件号的证件类型确定对应的预设号码编译规则，并根据所述预设号码编译规则对所述信贷证件号进行分段切分，获取到地址特征片段；

归属地确定单元，用于根据所述地址特征片段和所述预设号码编译规则中的地址特征表确定所述信贷证件号的证件号归属地。

进一步的，所述第一关联模块20还包括：

距离判断单元，用于确定所述证件号归属地与所述基本地址之间的真实距离，并判断所述真实距离是否小于预设距离阈值；

距离关联单元，用于若所述真实距离小于预设距离阈值，则在所述信贷证件号与所述基本地址之间建立关联。

进一步的，所述第一关联模块20还包括：

阈值获取单元，用于根据所述信贷证件号的证件类型和预设证件距离表获取所述预设距离阈值。

进一步的，所述预设关系度公式为：

其中，f为所述信贷证件号与所述关联信息之间的关系度；

m为所述信贷证件号与所述关联信息之间的最短关联路径上的路径信息数量，所述路径信息包括所述信贷证件号和所述关联信息，所述m≥2；

k₀为与所述关联信息的信息类型对应的预设距离系数，0＜k₀；

x₀为与所述关联信息的信息类型对应的预设强度系数，0＜x₀；

k_i为所述路径信息各自对应的关联距离系数，0＜k_i；

u_i为所述路径信息各自对应的衰减因子系数，0＜u_i≤1；

x_i为所述路径信息各自对应的关联强度系数，0＜x_i。

其中，上述信贷分析装置中各个模块的功能实现与上述信贷分析方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。

此外，本发明实施例还提供一种可读存储介质。

本发明可读存储介质上存储有信贷分析程序，其中所述信贷分析程序被处理器执行时，实现如上述的信贷分析方法的步骤。

其中，信贷分析程序被执行时所实现的方法可参照本发明信贷分析方法的各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种信贷分析方法，其特征在于，所述信贷分析方法包括：

在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的信贷证件的信贷证件号、及所述信贷申请者的基本地址；

对所述信贷证件号进行归属地分析，获取对应的证件号归属地，并根据预设关联规则在所述信贷证件号与所述基本地址之间建立关联；

根据所述信贷证件号在预设信贷记录库中查询与所述信贷证件号匹配的历史信贷件，并在所述信贷证件号与所述历史信贷件之间建立关联；

根据预设关系度公式计算所述信贷证件号与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；

当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；

若所述关系度大于预设关系阈值，则确定所述信贷证件为风险证件。

2.如权利要求1所述的信贷分析方法，其特征在于，所述在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的信贷证件的信贷证件号的步骤包括：

在接收到信贷请求时，根据所述信贷请求包括的目标产品标识获取对应的目标产品信息，并根据所述目标产品信息确定需求证件类型；

根据所述需求证件类型向所述贷款终端发送对应的证件图像上传提示，并接收所述贷款终端根据所述证件图像上传提示上传的信贷证件图像；

通过光学字符识别OCR技术对所述信贷证件图像进行识别，获取对应的信贷证件号。

3.如权利要求2所述的信贷分析方法，其特征在于，所述通过光学字符识别OCR技术对所述信贷证件图像进行识别，获取对应的信贷证件号的步骤包括：

根据所述需求证件类型对所述信贷证件图像进行区域划分，获取有效图像；

通过预设神经网络识别模型对所述有效图像进行特征提取，得到字符特征，并将所述字符特征与所述预设神经网络识别模型包括的备选特征进行比对，以根据比对结果得到对应的信贷证件号。

4.如权利要求1所述的信贷分析方法，其特征在于，所述对所述信贷证件号进行归属地分析，获取对应的证件号归属地的步骤包括：

根据所述信贷证件号的证件类型确定对应的预设号码编译规则，并根据所述预设号码编译规则对所述信贷证件号进行分段切分，获取到地址特征片段；

根据所述地址特征片段和所述预设号码编译规则中的地址特征表确定所述信贷证件号的证件号归属地。

5.如权利要求1所述的信贷分析方法，其特征在于，所述根据预设关联规则在所述信贷证件号与所述基本地址之间建立关联的步骤包括：

确定所述证件号归属地与所述基本地址之间的真实距离，并判断所述真实距离是否小于预设距离阈值；

若所述真实距离小于预设距离阈值，则在所述信贷证件号与所述基本地址之间建立关联。

6.如权利要求5所述的信贷分析方法，其特征在于，所述确定所述证件号归属地与所述基本地址之间的真实距离，并判断所述真实距离是否小于预设距离阈值的步骤之前，还包括：

根据所述信贷证件号的证件类型和预设证件距离表获取所述预设距离阈值。

7.如权利要求1至6中任一项所述的信贷分析方法，其特征在于，所述预设关系度公式为：

其中，f为所述信贷证件号与所述关联信息之间的关系度；

m为所述信贷证件号与所述关联信息之间的最短关联路径上的路径信息数量，所述路径信息包括所述信贷证件号和所述关联信息，所述m≥2；

k₀为与所述关联信息的信息类型对应的预设距离系数，0＜k₀；

x₀为与所述关联信息的信息类型对应的预设强度系数，0＜x₀；

k_i为所述路径信息各自对应的关联距离系数，0＜k_i；

u_i为所述路径信息各自对应的衰减因子系数，0＜u_i≤1；

x_i为所述路径信息各自对应的关联强度系数，0＜x_i。

8.一种信贷分析装置，其特征在于，所述信贷分析装置包括：

请求接收模块，用于在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的信贷证件的信贷证件号、及所述信贷申请者的基本地址；

第一关联模块，用于对所述信贷证件号进行归属地分析，获取对应的证件号归属地，并根据预设关联规则在所述信贷证件号与所述基本地址之间建立关联；

第二关联模块，用于根据所述信贷证件号在预设信贷记录库中查询与所述信贷证件号匹配的历史信贷件，并在所述信贷证件号与所述历史信贷件之间建立关联；

关系度计算模块，用于根据预设关系度公式计算所述信贷证件号与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；

关系度判断模块，用于当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；

证件确定模块，用于若所述关系度大于预设关系阈值，则确定所述信贷证件为风险证件。

9.一种信贷分析设备，其特征在于，所述信贷分析设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的信贷分析程序，其中所述信贷分析程序被所述处理器执行时，实现如权利要求1至7中任一项所述的信贷分析方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有信贷分析程序，其中所述信贷分析程序被处理器执行时，实现如权利要求1至7中任一项所述的信贷分析方法的步骤。