CN109657837A - 违约概率预测方法、装置、计算机设备和存储介质 - Google Patents
违约概率预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109657837A CN109657837A CN201811377636.2A CN201811377636A CN109657837A CN 109657837 A CN109657837 A CN 109657837A CN 201811377636 A CN201811377636 A CN 201811377636A CN 109657837 A CN109657837 A CN 109657837A
- Authority
- CN
- China
- Prior art keywords
- entity
- predicted
- incidence relation
- risk
- default
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 122
- 238000013507 mapping Methods 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 29
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能中的深度神经网络，提供了一种违约概率预测方法、装置、计算机设备和存储介质。所述方法包括：获取出险源标识，根据出险源标识查询预设知识图谱是否存在相匹配的目标实体；当存在相匹配的目标实体时，获取预设知识图谱中与目标实体关联的待预测实体；基于待预测实体的状态属性信息和待预测实体与目标实体的关联关系，得到风险预警特征向量，将风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据违约概率向量得到待预测实体的违约概率。采用本方法能够提高违约概率预测的效率和准确性。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种违约概率预测方法、装置、计算机设备和存储介质。
背景技术
违约概率是指借款企业在未来一定时期内不能按合同要求偿还银行贷款本息或履行相关义务的可能性，该违约概率是计算贷款预期损失、贷款定价以及信贷组合管理的基础。目前，银行对于企业违约都是在时间发生后，才能收集到预警，时间比较滞后，现在大多数银行都是通过专家性风控模式进行风险预警，由于专家意见进行分析预警的标准不一，主观性很强，效率和准确性都比较低下，满足不了银行需求。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高效率和准确性的违约概率预测方法、装置、计算机设备和存储介质。
一种违约概率预测方法，所述方法包括：
获取出险源标识，根据所述出险源标识查询预设知识图谱中中是否存在相匹配的目标实体；
当存在相匹配的目标实体时，获取所述预设知识图谱中与所述目标实体关联的待预测实体；
基于所述待预测实体的状态属性信息和所述待预测实体与所述目标实体的关联关系，得到风险预警特征向量，将所述风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据所述违约概率向量得到所述待预测实体的违约概率。
在其中一个实施例中，在所述获取出险源标识，根据所述出险源标识在预设知识图谱中匹配所述出险源标识对应的目标实体之前，还包括：
接收知识图谱的建立指令，根据所述建立指令获取实体的状态属性信息；
根据所述实体的状态属性信息识别待建立实体和所述待建立实体之间的关联关系，根据所述待建立实体和所述待建立实体之间的关联关系建立所述预设知识图谱。
在其中一个实施例中，根据所述状态属性信息和所述关联关系得到风险预警特征向量，包括：
根据所述状态属性信息得到所述待预测实体的状态属性因子，根据所述关联关系得到所述待预测实体的关联关系因子；
根据所述状态属性因子和所述关联关系因子得到所述风险预警特征向量。
在其中一个实施例中，根据所述关联关系得到所述待预测实体的关联关系因子，包括：
获取基础关联关系，根据所述基础关联关系计算关联关系类型；
根据所述关联关系在所述关联关系类型中查找对应的目标关联关系类型，根据目标关联关系类型得到所述待预测实体的关联关系因子。
在其中一个实施例中，所述已训练的风险预警模型的生成步骤，包括：
获取历史知识图谱，根据历史知识图谱获取所述历史知识图谱中实体的状态属性信息、出险状态信息和关联关系信息；
根据所述实体的状态属性信息和关联关系信息得到所述实体的历史风险预警特征向量，根据所述实体的出险状态信息得到所述实体的历史违约概率向量；
将所述实体的历史风险预警特征向量作为深度神经网络的输入，将所述实体的历史违约概率向量作为所述深度神经网络的标签进行训练，当达到预设条件时，得到所述风险预警模型。
在其中一个实施例中，在所述根据所述状态属性信息和所述关联关系得到风险预警特征向量，将所述风险预警特征向量输入到已训练的风险预警模型中，得到违约概率向量，根据所述违约概率向量得到所述待预测实体的违约概率之后，还包括：
当所述待预测实体的违约概率大于预设阈值时，向所述待预测实体对应的终端发送预警提示。
在其中一个实施例中，所述方法，还包括：
获取在不同阈值下的历史预警命中率和历史误报率，根据所述历史预警命中率和历史误报率计算指标分数，根据所述指标分数确定所述预设阈值。
一种违约概率预测装置，所述装置包括：
目标实体匹配模块，用于获取出险源标识，根据所述出险源标识查询预设知识图谱是否存在相匹配的目标实体；
待预测实体得到模块，用于当存在相匹配的目标实体时，获取所述预设知识图谱中与所述目标实体关联的待预测实体；；
违约概率预测模块，用于基于所述待预测实体的状态属性信息和所述待预测实体与所述目标实体的关联关系，得到风险预警特征向量，将所述风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据所述违约概率向量得到所述待预测实体的违约概率。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取出险源标识，根据所述出险源标识查询预设知识图谱中是否存在相匹配的目标实体；
当存在相匹配的目标实体时，获取所述预设知识图谱中与所述目标实体关联的待预测实体；
基于所述待预测实体的状态属性信息和所述待预测实体与所述目标实体的关联关系，得到风险预警特征向量，将所述风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据所述违约概率向量得到所述待预测实体的违约概率。
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以下步骤：
获取出险源标识，根据所述出险源标识查询预设知识图谱是否存在相匹配的目标实体；
当存在相匹配的目标实体时，获取所述预设知识图谱中与所述目标实体关联的待预测实体；
基于所述待预测实体的状态属性信息和所述待预测实体与所述目标实体的关联关系，得到风险预警特征向量，将所述风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据所述违约概率向量得到所述待预测实体的违约概率。
上述违约概率预测方法、装置、计算机设备和存储介质，通过获取出险源标识，根据所述出险源标识查询预设知识图谱是否存在相匹配的目标实体；当存在相匹配的目标实体时，获取所述预设知识图谱中与所述目标实体关联的待预测实体，基于所述待预测实体的状态属性信息和所述待预测实体与所述目标实体的关联关系，得到风险预警特征向量，将所述风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据所述违约概率向量得到所述待预测实体的违约概率，通过风险预警模型来预测违约概率，提高违约概率预测的效率和准确性。
附图说明
图1为一个实施例中违约概率预测方法的应用场景图；
图2为一个实施例中违约概率预测方法的流程示意图；
图3为一个实施例中建立预设知识图谱的流程示意图；
图4为一个实施例中得到风险预警特征向量的流程示意图；
图5为一个实施例中得到关联关系因子的流程示意图；
图6为一个实施例中训练风险预警模型的流程示意图；
图7为一个实施例中部分预设知识图谱的示意图；
图8为一个实施例中违约概率预测装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的违约概率预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104获取终端102发送的出险源标识，根据出险源标识查询预设知识图谱是否存在相匹配的目标实体；当存在相匹配的目标实体时，获取预设知识图谱中与目标实体关联的待预测实体；服务器104基于待预测实体的状态属性信息和待预测实体与目标实体的关联关系，得到风险预警特征向量，将风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据违约概率向量得到待预测实体的违约概率。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种违约概率预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202，获取出险源标识，根据出险源标识查询预设知识图谱是否存在相匹配的目标实体。
其中，出险源标识用于标识当前时间已经出险违约的目标，该目标可以是企业，也可以是个人，该出险源标识可以是企业名称，企业编号、个人身份证号等等。预设知识图谱是指预先建立的知识图谱，该知识图谱可以是企业知识图谱，也可以是个人知识图谱。
具体地，服务器获取到终端提交的出险源标识，根据出险源标查询预设知识图谱是否存在相匹配的目标实体，当存在相匹配的目标实体时，执行步骤 S204，当未查找到出险源标识对应的目标实体时，向终端返回出险源标识有误的提示。
S204，当存在相匹配的目标实体时，获取预设知识图谱中与目标实体关联的待预测实体；。
其中，待预测实体是指与目标实体有关联关系的实体，当出险源实体出险违约后，经过关联关系传导会使关联的实体的出险违约概率上升。
具体地，当在预设知识图谱中查找到出险源标识对应的目标实体时，根据关联关系获取到与目标数实体关联的待预测实体，得到待预测实体的状态属性信息和待预测实体与目标实体的关联关系。在一个实施例中，可以获取到与目标实体有三层关联关系之内的所有待预测实体，得到该待预测实体的态属性信息和待预测实体与目标实体的关联关系，其中，三层关联关系是指待预测实体与目标实体间隔有三条边。
S206，基于待预测实体的状态属性信息和待预测实体与目标实体的关联关系，得到风险预警特征向量，将风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据违约概率向量得到待预测实体的违约概率。
其中，风险预警模型是根据实体的历史状态属性信息、历史关联关系和历史出险状态信息使用深度神经网络进行训练得到的。在进行训练时，使用激活函数为RELU函数，即f(x)＝max(x,0)，深度神经网络中的每一个神经元上都有对应的激活函数。使用的损失函数为交叉熵函数，即
具体地，服务器基于待预测实体的状态属性信息和待预测实体与目标实体的关联关系，得到待预测节点的风险预警特征向量，将该风险预警特征向量输入到已训练的风险预警模型中进行前向传播计算，即使用训练得到的线性系数矩阵、偏置矩阵和输入向量进行线性运算和激活运算，从输入层开始，一直运算得到输出层，得到输出向量，即得到违约概率向量，根据在训练时设置好的违约概率向量与违约概率的关联关系根据该待预测实体的违约概率向量得到该待预测实体的违约概率。
在上述实施中，通过获取出险源标识，根据出险源标识查询预设知识图谱是否存在相匹配的目标实体，当存在相匹配的目标实体时，获取预设知识图谱中与目标实体关联的待预测实体。基于待预测实体的状态属性信息和待预测实体与目标实体的关联关系，得到风险预警特征向量，将风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据违约概率向量得到待预测实体的违约概率。通过风险预警模型预测出知识图谱中各个待预测实体的违约概率，能够提高违约概率预测的效率和准确性。
在一个实施例中，如图3所示，在步骤S202之前，即在获取出险源标识，根据出险源标识查询预设知识图谱中是否存在相匹配的目标实体之前，还包括步骤：
S302，接收知识图谱的建立指令，根据建立指令获取实体的状态属性信息。
具体地，服务器接收预设知识图谱的建立指令，根据该建立指令服务器可以从各种渠道采集已被合法公开的实体的状态属性信息和从服务器内部数据库中获取保存的未被公开的实体的状态属性信息，得到实体的状态属性状况。其中，实体的状态属性是指能够反映该实体当前状态属性的信息，可以包括：实体的基本信息、实体的财务信息，实体的风险事件信息等等。在一个实施例中，获取到的未被公开的实体的状态属性信息是经过加密算法加密的，此时，需要经过授权获取到解密密钥对加密的实体的状态属性信息进行解密，保证未被公开的实体的状态属性信息的安全性。比如，建立的该预设知识图谱可以是企业知识图谱，该各个实体可以是企业、可以是自然人、可以是高管或者与企业相关联的人等。企业的状态属性信息就可以包括企业基本信息、企业经营信息、企业财务信息、企业风险事件信息和企业正面反面舆情信息等。
S304，根据实体的状态属性信息识别待建立实体和待建立实体之间的关联关系，根据待建立实体和待建立实体之间的关联关系建立预设知识图谱。
其中，关联关系是指目标实体之间的关系，例如，预设知识图谱为企业知识图谱，则图谱中的关联关系可以包括投资关系、信贷关系、隐性关系、事件关系、增信关系、交易关系、其他关系等。隐性关系是指包括亲属关系、往来关系、代理关系等。
具体地，服务器获取到实体的状态属性信息时，可以对该状态属性信息进行数据加工，可以使用数据仓库技术(ETL，Extract-Transform-Load，用来描述将数据从来源端经过抽取、交互转换、加载至目的端的过程)对状态属性信息进行数据加工，识别出各个目标实体和各个目标实体之间的关联关系，根据各个目标实体和各个目标实体之间的关联关系建立预设知识图谱，并将建立的预设知识图谱中关系型数据保存到图数据库中，该图数据库可以使用Neo4j(一个高性能的NOSQL图形数据库)数据库中。
在上述实施例中，通过接收预设知识图谱的建立指令，根据建立指令获取实体的信用状况，根据实体的信用状况识别目标实体和目标实体之间的关联关系，根据目标实体和目标实体之间的关联关系建立预设知识图谱，可以预先建立好知识图谱，在进行违约概率预测时可以直接使用建立的知识图谱，方便违约概率的预测，提高违约概率的预测效率。
在一个实施例中，如图4所示，步骤206，即基于所述待预测实体的状态属性信息和所述待预测实体与所述目标实体的关联关系，得到风险预警特征向量，包括：
S402，根据待预测实体的状态属性信息得到待预测实体的状态属性因子，根据待预测实体与目标实体的关联关系得到待预测实体的关联关系因子。
其中，待预测实体的状态属性因子是指根据待预测实体的状态属性信息得到的向量，待预测实体的关联关系因子是指根据待预测实体与目标实体的关联关系得到的向量。若待预测实体为企业实体时，该企业实体的状态属性信息可以包括企业基本信息、企业经营信息、企业财务信息、企业风险事件信息和企业正面反面舆情信息等。
具体地，根据待预测实体的状态属性信息得到待预测实体的状态属性因子，根据待预测实体与目标实体的关联关系得到待预测实体的关联关系因子。在一个实施例中，可以对得到的状态属性因子进行因子筛选，可以根据专家意见进行筛选。
S404，根据状态属性因子和关联关系因子得到风险预警特征向量。
具体地，将待预测实体的状态属性因子和关联关系因子组合就得到了风险预警特征向量。
在上述实施例中，通过根据待预测实体的状态属性信息得到待预测实体的状态属性因子，根据待预测实体与目标实体的关联关系得到待预测实体的关联关系因子，根据状态属性因子和关联关系因子得到风险预警特征向量，能够根据待预测实体的状态属性因子和关联关系因子得到风险预警特征向量从而进行预测违约概率，提高了违约概率预测的准确性。
在一个实施例中，如图5所示，步骤S402，即根据待预测实体与目标实体的关联关系得到待预测实体的关联关系因子，包括步骤：
S502，获取基础关联关系，根据基础关联关系计算关联关系类型。
其中，基础关联关系是指知识图谱中实体之间的关联关系。
具体地，服务器获取到该知识图谱中的基础关联关系，根据该基础关联关系和该待预测的关联关系最大层数计算关联关系类型，当基础关联关系为N种且关联关系最大层数为n层时，则根据该基础关联关系和该关联关系最大层数计算得到的关系类型为2×N+(2×N)2+(2×N)3......(2×N)n种。比如，当该知识图谱为企业知识图谱时，其中，基础关联关系包括投资和担保，该关联关系最大层数为3层，则得到的关联关系类型就为84种关联关系类型，则一层的关联关系类型就包括投资、被投资、担保、被担保总计4种，二层包括16种，三层包括 64种。
S504，根据待预测实体与目标实体的关联关系在关联关系类型中查找对应的目标关联关系类型，根据目标关联关系类型得到待预测实体的关联关系因子。
具体地，根据待预测实体与目标实体的的关联关系在关联关系类型中查找对应的目标关联关系类型，根据该目标关联关系类型得到待预测实体的关联关系因子，比如，企业知识图谱中出险源企业A与待预测企业D的关联关系为A 投资B，B投资C，C担保D，得到该对应的目标关联关系类型就为(投资，投资，担保)。根据该关联关系类型得到的关联关系因子为(1，1，2)。
在一个实施例中，可以通过得到待预测实体的关联关系，根据该关联关系得到关联关系因子，该关联关系因子包括该实体投资关联实体数、担保关联实体中出险实体的占比、投资关联实体的诉讼总数和待预测实体与出险源实体的关联关系层级距离等。
在上述实施例中，通过获取基础关联关系，根据基础关联关系计算关联关系类型，根据关联关系在关联关系类型中查找对应的目标关联关系类型，根据目标关联关系类型得到待预测实体的关联关系因子，能够根据待预测实体与出险源实体之间的关联关系得到该实体的关联关系因子，然后进行违约概率的预测，能够提高违约概率预测的准确性。
在一个实施例中，如图6所示，已训练的风险预警模型的生成步骤，包括：
S602，获取历史知识图谱，根据历史知识图谱获取历史知识图谱中实体的状态属性信息、出险状态信息和关联关系信息。
具体的，服务器获取历史多个时间点对应的知识图谱，根据该历史知识图谱获取该历史知识图谱中各个实体的在每个历史时间点的状态属性信息、出险状态信息和关联关系信息。
S604，根据实体的状态属性信息和关联关系信息得到实体的历史风险预警特征向量，根据实体的出险状态信息得到实体的历史违约概率向量。
具体地，根据该实体的状态属性信息和关联关系信息得到该实体的历史风险预警特征向量，根据实体的出险状态信息得到实体的历史违约概率向量。比如，从历史企业知识图谱中得到企业A的状态属性信息中企业基本信息为正常，企业经营信息为良好、企业财务信息为正常、企业风险事件信息为无和企业正面反面舆情信息为正面舆情信息多于反面舆情信息，则得到的企业属性因子可以是[1,1,1,1,1]。该企业A与出险源企业的关联关系为投资、投资和担保三层关联关系，得到的企业间关联关系因子为[1,1,2]，最后得到的风险预警特征向量可以是[1,1,1,1,1,1,1,2]。得到的该企业的出险状态信息为该企业A在该历史时间点的违约概率为7％，则得到该企业A的在该时间点的历史违约概率向量为[0.07]。
S606，将实体的历史风险预警特征向量作为深度神经网络的输入，将实体的历史违约概率向量作为深度神经网络的标签进行训练，当达到预设条件时，得到风险预警模型。
具体地，将实体的历史风险预警特征向量作为深度神经网络的输入，将实体的历史违约概率向量作为深度神经网络的标签进行训练，即计算出深度神经网络中所有隐藏层和输出层对应的线性系数矩阵和偏置向量，并对计算出线性系数矩阵和偏置向量进行更新，直到当得到的输出和标签相比在预设阈值之内或者达到最大训练测试时，训练完成，得到最终的所有隐藏层和输出层对应的线性系数矩阵和偏置向量，即得到风险预警模型。其中，在进行训练时，初始化性系数矩阵和偏置向量，得到历史风险预警特征向量，对神经网络中的每一层进行前向传播算法计算输出值，最后通过损失函数计算输出层的输出，然后反向计算每一层的梯度，使用梯度下降算法更新每一层的系数矩阵和偏置向量，当每一层的系数矩阵和偏置向量的变化值都小于停止迭代阈值时，训练完成，输出所有隐藏层和输出层的线性关系系数矩阵和偏置矩阵，得到风险预警模型。
在上述实施中，通过获取历史知识图谱，根据历史知识图谱获取历史知识图谱中实体的状态属性信息、出险状态信息和关联关系信息，将实体的历史风险预警特征向量作为深度神经网络的输入，将实体的历史违约概率向量作为深度神经网络的标签进行训练，当达到预设条件时，得到风险预警模型，通过历史知识图谱训练得到风险预警模型，在进行违约概率预测时，能够直接使用该风险预警模型，提高违约概率预测的效率。
在一个实施例中，在步骤206之后，即在根据违约概率向量得到待预测实体的违约概率之后，还包括：
当待预测实体的违约概率大于预设阈值时，向待预测实体对应的终端发送预警提示。
具体地，判断该待预测实体的违约概率是否大于预测阈值，当待预测实体的违约概率大于预设阈值时，说明该待预测实体的风险违约的可能性很高，则向待预测实体对应的终端发送预警提示，当该待预测实体的违约概率未大于该预测阈值时，说明该待预测实体的风险违约的可能性低，能够及时进行预警提示，避免出险违约损失。
在一个实施例中，该违约概率预测方法，还包括步骤：
获取在不同阈值下的历史预警命中率和历史误报率，根据历史预警命中率和历史误报率计算指标分数，根据指标分数确定预设阈值。
具体地，服务器获取在不同阈值下的历史预警命中率和历史误报率，根据历史预警命中率和历史误报率计算出指标F分数。该指标F分数是指综合考虑历史预警命中率和历史误报率之后得到的分数，可以使用进行计算，其中，F为指标分数，p为历史预警命中率，m为历史误报率，β为权重，当历史预警命中率的权重大于历史误报率的权重时，该β的值大于1，当历史预警命中率的权重小于历史误报率的权重时，该β的值小于1，当历史预警命中率的权重等于历史误报率的权重时，该β的值等于1。根据该指标分数确定预设阈值，可以将最大指标分数对应的历史阈值作为预设阈值。比如，历史报警阈值为85％，对应的误报率为13％，命中率为72％，计算得到的F分数为60％。历史报警阈值为75％，对应的误报率为26％，命中率为85％，计算得到的F分数为57％。历史报警阈值为60％，对应的误报率为36％，命中率为90％，计算得到的F分数为53％。则可以将历史报警阈值85％作为预设阈值。通过历史预警命中率和历史误报率来确定预设阈值，提高了阈值确定的准确性。
在一个具体的实施例中，如图7所示，该图为预设企业知识图谱的一部分，当前时间点出险源实体为企业A，获取到的待预测企业为D，此时得到企业A 与企业D之间的关联关系A投资-投资-担保D，并得到企业D的状态属性信息，包括该企业D企业基本信息为正常，企业经营信息为异常、企业财务信息为异常、企业风险事件信息为无和企业正面反面舆情信息为反面舆情信息多于正面舆情信息。根据该企业D的状态属性信息得到该企业属性因子可以是[1,0,0,1,0]，根据该企业D的关联关系得到关联关系因子为[1,1,2]，最后得到的风险预警特征向量可以是[1,0,0,1,0,1,1,2]，将该风险预警特征向量输入到已训练的风险预警模型中，得到违约概率向量为[0.85]。此时，该企业D的违约概率为85％，当预设阈值为80％时，向该企业D发出预警提示。
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种违约概率预测装置800，包括：目标实体匹配模块802、待预测实体得到模块804和违约概率预测模块806，其中：
目标实体匹配模块802，用于获取出险源标识，根据出险源标识查询预设知识图谱是否存在相匹配的目标实体；
待预测实体得到模块804，用于当存在相匹配的目标实体时，获取预设知识图谱中与目标实体关联的待预测实体；
违约概率预测模块806，用于基于待预测实体的状态属性信息和待预测实体与目标实体的关联关系，得到风险预警特征向量，将风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据违约概率向量得到待预测实体的违约概率。
在上述实施例中，通过目标实体匹配模块802查询预设知识图谱中与出险源标识对应目标实体。通过待预测实体得到模块804当存在相匹配的目标实体时，获取预设知识图谱中与目标实体关联的待预测实体。最后在违约概率预测模块806中基于待预测实体的状态属性信息和待预测实体与目标实体的关联关系，得到风险预警特征向量，将风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据违约概率向量得到待预测实体的违约概率，能够提高违约概率预测的效率和准确性。
在一个实施例中，违约概率预测装置800，还包括：
信息获取模块，用于接收知识图谱的建立指令，根据建立指令获取实体的状态属性信息；
图谱建立模块，用于根据实体的状态属性信息识别待建立实体和待建立实体之间的关联关系，根据待建立实体和待建立实体之间的关联关系建立预设知识图谱。
在一个实施例中，违约概率预测模块806，包括：
因子得到模块，用于根据待预测实体的状态属性信息得到待预测实体的状态属性因子，根据待预测实体与目标实体的关联关系得到待预测实体的关联关系因子；
特征向量得到模块，用于根据状态属性因子和关联关系因子得到风险预警特征向量。
在一个实施例中，因子得到模块，包括：
关系类型计算模块，用于获取基础关联关系，根据基础关联关系计算关联关系类型；
查找模块，用于根据待预测实体与目标实体的关联关系在关联关系类型中查找对应的目标关联关系类型，根据目标关联关系类型得到待预测实体的关联关系因子。
在一个实施例中，违约概率预测模块806，包括：
历史信息获取模块，用于获取历史知识图谱，根据历史知识图谱获取历史知识图谱中实体的状态属性信息、出险状态信息和关联关系信息；
历史向量得到模块，用于根据实体的状态属性信息和关联关系信息得到实体的历史风险预警特征向量，根据实体的出险状态信息得到实体的历史违约概率向量；
训练模块，用于将实体的历史风险预警特征向量作为深度神经网络的输入，将实体的历史违约概率向量作为深度神经网络的标签进行训练，当达到预设条件时，得到风险预警模型。
在一个实施例中，违约概率预测模块806，还包括：
预警模块，用于当待预测实体的违约概率大于预设阈值时，向待预测实体对应的终端发送预警提示。
在一个实施例中，违约概率预测模块806，还包括：
阈值确定模块，用于获取在不同阈值下的历史预警命中率和历史误报率，根据历史预警命中率和历史误报率计算指标分数，根据指标分数确定预设阈值。
关于违约概率预测装置的具体限定可以参见上文中对于违约概率预测方法的限定，在此不再赘述。上述违约概率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储实体的状态属性信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种违约概率预测方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取出险源标识，根据出险源标识查询预设知识图谱是否存在相匹配的目标实体；当存在相匹配的目标实体时，获取预设知识图谱中与目标实体关联的待预测实体；基于待预测实体的状态属性信息和待预测实体与目标实体的关联关系，得到风险预警特征向量，将风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据违约概率向量得到待预测实体的违约概率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：接收知识图谱的建立指令，根据建立指令获取实体的状态属性信息；根据实体的状态属性信息识别待建立实体和待建立实体之间的关联关系，根据待建立实体和待建立实体之间的关联关系建立预设知识图谱。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据待预测实体的状态属性信息得到待预测实体的状态属性因子，根据待预测实体与目标实体的关联关系得到待预测实体的关联关系因子；根据状态属性因子和关联关系因子得到风险预警特征向量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取基础关联关系，根据基础关联关系计算关联关系类型；根据待预测实体与目标实体的关联关系在关联关系类型中查找对应的目标关联关系类型，根据目标关联关系类型得到待预测实体的关联关系因子。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史知识图谱，根据历史知识图谱获取历史知识图谱中实体的状态属性信息、出险状态信息和关联关系信息；根据实体的状态属性信息和关联关系信息得到实体的历史风险预警特征向量，根据实体的出险状态信息得到实体的历史违约概率向量；将实体的历史风险预警特征向量作为深度神经网络的输入，将实体的历史违约概率向量作为深度神经网络的标签进行训练，当达到预设条件时，得到风险预警模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当待预测实体的违约概率大于预设阈值时，向待预测实体对应的终端发送预警提示。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取在不同阈值下的历史预警命中率和历史误报率，根据历史预警命中率和历史误报率计算指标分数，根据指标分数确定预设阈值。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取出险源标识，根据出险源标识查询预设知识图谱是否存在相匹配的目标实体；当存在相匹配的目标实体时，获取预设知识图谱中与目标实体关联的待预测实体；基于待预测实体的状态属性信息和待预测实体与目标实体的关联关系，得到风险预警特征向量，将风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据违约概率向量得到待预测实体的违约概率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收知识图谱的建立指令，根据建立指令获取实体的状态属性信息；根据实体的状态属性信息识别待建立实体和待建立实体之间的关联关系，根据待建立实体和待建立实体之间的关联关系建立预设知识图谱。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据待预测实体的状态属性信息得到待预测实体的状态属性因子，根据待预测实体与目标实体的关联关系得到待预测实体的关联关系因子；根据状态属性因子和关联关系因子得到风险预警特征向量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取基础关联关系，根据基础关联关系计算关联关系类型；根据待预测实体与目标实体的关联关系在关联关系类型中查找对应的目标关联关系类型，根据目标关联关系类型得到待预测实体的关联关系因子。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史知识图谱，根据历史知识图谱获取历史知识图谱中实体的状态属性信息、出险状态信息和关联关系信息；根据实体的状态属性信息和关联关系信息得到实体的历史风险预警特征向量，根据实体的出险状态信息得到实体的历史违约概率向量；将实体的历史风险预警特征向量作为深度神经网络的输入，将实体的历史违约概率向量作为深度神经网络的标签进行训练，当达到预设条件时，得到风险预警模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当待预测实体的违约概率大于预设阈值时，向待预测实体对应的终端发送预警提示。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取在不同阈值下的历史预警命中率和历史误报率，根据历史预警命中率和历史误报率计算指标分数，根据指标分数确定预设阈值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限， RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步 DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种违约概率预测方法，所述方法包括：
获取出险源标识，根据所述出险源标识查询预设知识图谱是否存在相匹配的目标实体；
当存在相匹配的目标实体时，获取所述预设知识图谱中与所述目标实体关联的待预测实体；
基于所述待预测实体的状态属性信息和所述待预测实体与所述目标实体的关联关系，得到风险预警特征向量，将所述风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据所述违约概率向量得到所述待预测实体的违约概率。
2.根据权利要求1所述的方法，其特征在于，在所述获取出险源标识，根据所述出险源标识查询预设知识图谱中是否存在相匹配的目标实体之前，还包括：
接收知识图谱的建立指令，根据所述建立指令获取实体的状态属性信息；
根据所述实体的状态属性信息识别待建立实体和所述待建立实体之间的关联关系，根据所述待建立实体和所述待建立实体之间的关联关系建立所述预设知识图谱。
3.根据权利要求1所述的方法，其特征在于，所述基于所述待预测实体的状态属性信息和所述待预测实体与所述目标实体的关联关系得到风险预警特征向量，包括：
根据所述待预测实体的状态属性信息得到所述待预测实体的状态属性因子，根据所述待预测实体与所述目标实体的关联关系得到所述待预测实体的关联关系因子；
根据所述状态属性因子和所述关联关系因子得到所述风险预警特征向量。
4.根据权利要求3所示的方法，其特征在于，根据所述待预测实体与所述目标实体的关联关系得到所述待预测实体的关联关系因子，包括：
获取基础关联关系，根据所述基础关联关系计算关联关系类型；
根据所述待预测实体与所述目标实体的关联关系在所述关联关系类型中查找对应的目标关联关系类型，根据目标关联关系类型得到所述待预测实体的关联关系因子。
5.根据权利要求1所述的方法，其特征在于，所述已训练的风险预警模型的生成步骤，包括：
获取历史知识图谱，根据历史知识图谱获取所述历史知识图谱中实体的状态属性信息、出险状态信息和关联关系信息；
根据所述实体的状态属性信息和关联关系信息得到所述实体的历史风险预警特征向量，根据所述实体的出险状态信息得到所述实体的历史违约概率向量；
将所述实体的历史风险预警特征向量作为深度神经网络的输入，将所述实体的历史违约概率向量作为所述深度神经网络的标签进行训练，当达到预设条件时，得到所述风险预警模型。
6.根据权利要求1所述的方法，其特征在于，在所述根据所述违约概率向量得到所述待预测实体的违约概率之后，还包括：
当所述待预测实体的违约概率大于预设阈值时，向所述待预测实体对应的终端发送预警提示。
7.根据权利要求6所述的方法，其特征在于，所述方法，还包括：
获取在不同阈值下的历史预警命中率和历史误报率，根据所述历史预警命中率和历史误报率计算指标分数，根据所述指标分数确定所述预设阈值。
8.一种违约概率装置，其特征在于，所述装置包括：
目标实体匹配模块，用于获取出险源标识，根据所述出险源标识查询预设知识图谱中是否存在相匹配的目标实体；
待预测实体得到模块，用于当存在相匹配的目标实体时，获取所述预设知识图谱中与所述目标实体关联的待预测实体；；
违约概率预测模块，用于基于所述待预测实体的状态属性信息和所述待预测实体与所述目标实体的关联关系，得到风险预警特征向量，将所述风险预警特征向量输入到已训练的风险预警模型中进行预测，得到违约概率向量，根据所述违约概率向量得到所述待预测实体的违约概率。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811377636.2A CN109657837A (zh) | 2018-11-19 | 2018-11-19 | 违约概率预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811377636.2A CN109657837A (zh) | 2018-11-19 | 2018-11-19 | 违约概率预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109657837A true CN109657837A (zh) | 2019-04-19 |
Family
ID=66111296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811377636.2A Pending CN109657837A (zh) | 2018-11-19 | 2018-11-19 | 违约概率预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109657837A (zh) |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188930A (zh) * | 2019-05-17 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 一种权益产品的定制方法及装置 |
| CN110188198A (zh) * | 2019-05-13 | 2019-08-30 | 北京一览群智数据科技有限责任公司 | 一种基于知识图谱的反欺诈方法及装置 |
| CN110363407A (zh) * | 2019-06-27 | 2019-10-22 | 上海淇馥信息技术有限公司 | 基于用户行为轨迹的欺诈风险评估方法及装置 |
| CN110472685A (zh) * | 2019-08-15 | 2019-11-19 | 中国银行股份有限公司 | 对象行为持续时长预测方法及装置 |
| CN110490720A (zh) * | 2019-07-08 | 2019-11-22 | 深圳壹账通智能科技有限公司 | 财务数据分析预警方法、装置、计算机设备和存储介质 |
| CN110503296A (zh) * | 2019-07-08 | 2019-11-26 | 招联消费金融有限公司 | 测试方法、装置、计算机设备和存储介质 |
| CN110544052A (zh) * | 2019-09-16 | 2019-12-06 | 北京明略软件系统有限公司 | 关系网络图的展示方法及装置 |
| CN110659979A (zh) * | 2019-09-03 | 2020-01-07 | 深圳中兴飞贷金融科技有限公司 | 预测违约损失率的方法和装置、存储介质及电子设备 |
| CN110717824A (zh) * | 2019-10-17 | 2020-01-21 | 北京明略软件系统有限公司 | 基于知识图谱的银行对公客群风险传导测算的方法及装置 |
| CN111026882A (zh) * | 2019-12-11 | 2020-04-17 | 中国建设银行股份有限公司 | 一种基于知识图谱的违约确定方法、装置、设备及存储介质 |
| CN111080178A (zh) * | 2020-01-22 | 2020-04-28 | 中国建设银行股份有限公司 | 一种风险监控方法和装置 |
| CN111125263A (zh) * | 2019-11-25 | 2020-05-08 | 深圳壹账通智能科技有限公司 | 预约请求的管理方法、预约功能实体以及可读存储介质 |
| CN111222790A (zh) * | 2020-01-06 | 2020-06-02 | 深圳前海微众银行股份有限公司 | 风险事件发生概率的预测方法、装置、设备及存储介质 |
| CN111309824A (zh) * | 2020-02-18 | 2020-06-19 | 中国工商银行股份有限公司 | 实体关系图谱显示方法及系统 |
| CN111353728A (zh) * | 2020-05-06 | 2020-06-30 | 支付宝(杭州)信息技术有限公司 | 一种风险分析方法和系统 |
| CN111414490A (zh) * | 2020-04-07 | 2020-07-14 | 中国建设银行股份有限公司 | 确定失联修复信息的方法、装置、电子设备和存储介质 |
| WO2020253358A1 (zh) * | 2019-06-18 | 2020-12-24 | 深圳壹账通智能科技有限公司 | 业务数据的风控分析处理方法、装置和计算机设备 |
| CN112132367A (zh) * | 2019-06-05 | 2020-12-25 | 国网信息通信产业集团有限公司 | 一种用于企业经营管理风险识别的建模方法及装置 |
| CN112256886A (zh) * | 2020-10-23 | 2021-01-22 | 平安科技（深圳）有限公司 | 图谱中的概率计算方法、装置、计算机设备及存储介质 |
| CN112308293A (zh) * | 2020-10-10 | 2021-02-02 | 北京贝壳时代网络科技有限公司 | 违约概率预测方法及装置 |
| CN112308294A (zh) * | 2020-10-10 | 2021-02-02 | 北京贝壳时代网络科技有限公司 | 违约概率预测方法及装置 |
| CN112465411A (zh) * | 2021-01-27 | 2021-03-09 | 支付宝(杭州)信息技术有限公司 | 一种风险预测方法、装置及设备 |
| CN112927082A (zh) * | 2021-03-22 | 2021-06-08 | 中国工商银行股份有限公司 | 信用风险的预测方法、装置、设备、介质和程序产品 |
| CN113642826A (zh) * | 2021-06-02 | 2021-11-12 | 中国海洋大学 | 一种供应商违约风险预测方法 |
| CN113837635A (zh) * | 2021-09-29 | 2021-12-24 | 支付宝(杭州)信息技术有限公司 | 风险检测处理方法、装置及设备 |
| CN110689423B (zh) * | 2019-08-22 | 2023-08-11 | 平安科技（深圳）有限公司 | 一种信用评估的方法及装置 |
| CN116777634A (zh) * | 2023-06-25 | 2023-09-19 | 深圳征信服务有限公司 | 一种基于人工智能的金融数据分析系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529729A (zh) * | 2016-11-18 | 2017-03-22 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
| CN107566358A (zh) * | 2017-08-25 | 2018-01-09 | 腾讯科技（深圳）有限公司 | 一种风险预警提示方法、装置、介质及设备 |
| CN108256691A (zh) * | 2018-02-08 | 2018-07-06 | 成都智宝大数据科技有限公司 | 还款概率预测模型构建方法及装置 |
| CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
-
2018
- 2018-11-19 CN CN201811377636.2A patent/CN109657837A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529729A (zh) * | 2016-11-18 | 2017-03-22 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
| CN107566358A (zh) * | 2017-08-25 | 2018-01-09 | 腾讯科技（深圳）有限公司 | 一种风险预警提示方法、装置、介质及设备 |
| CN108256691A (zh) * | 2018-02-08 | 2018-07-06 | 成都智宝大数据科技有限公司 | 还款概率预测模型构建方法及装置 |
| CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188198B (zh) * | 2019-05-13 | 2021-06-22 | 北京一览群智数据科技有限责任公司 | 一种基于知识图谱的反欺诈方法及装置 |
| CN110188198A (zh) * | 2019-05-13 | 2019-08-30 | 北京一览群智数据科技有限责任公司 | 一种基于知识图谱的反欺诈方法及装置 |
| CN110188930A (zh) * | 2019-05-17 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 一种权益产品的定制方法及装置 |
| CN112132367A (zh) * | 2019-06-05 | 2020-12-25 | 国网信息通信产业集团有限公司 | 一种用于企业经营管理风险识别的建模方法及装置 |
| WO2020253358A1 (zh) * | 2019-06-18 | 2020-12-24 | 深圳壹账通智能科技有限公司 | 业务数据的风控分析处理方法、装置和计算机设备 |
| CN110363407A (zh) * | 2019-06-27 | 2019-10-22 | 上海淇馥信息技术有限公司 | 基于用户行为轨迹的欺诈风险评估方法及装置 |
| CN110490720A (zh) * | 2019-07-08 | 2019-11-22 | 深圳壹账通智能科技有限公司 | 财务数据分析预警方法、装置、计算机设备和存储介质 |
| CN110503296A (zh) * | 2019-07-08 | 2019-11-26 | 招联消费金融有限公司 | 测试方法、装置、计算机设备和存储介质 |
| CN110503296B (zh) * | 2019-07-08 | 2022-05-06 | 招联消费金融有限公司 | 测试方法、装置、计算机设备和存储介质 |
| CN110472685A (zh) * | 2019-08-15 | 2019-11-19 | 中国银行股份有限公司 | 对象行为持续时长预测方法及装置 |
| CN110472685B (zh) * | 2019-08-15 | 2022-02-08 | 中国银行股份有限公司 | 对象行为持续时长预测方法及装置 |
| CN110689423B (zh) * | 2019-08-22 | 2023-08-11 | 平安科技（深圳）有限公司 | 一种信用评估的方法及装置 |
| CN110659979A (zh) * | 2019-09-03 | 2020-01-07 | 深圳中兴飞贷金融科技有限公司 | 预测违约损失率的方法和装置、存储介质及电子设备 |
| CN110544052A (zh) * | 2019-09-16 | 2019-12-06 | 北京明略软件系统有限公司 | 关系网络图的展示方法及装置 |
| CN110717824A (zh) * | 2019-10-17 | 2020-01-21 | 北京明略软件系统有限公司 | 基于知识图谱的银行对公客群风险传导测算的方法及装置 |
| CN111125263A (zh) * | 2019-11-25 | 2020-05-08 | 深圳壹账通智能科技有限公司 | 预约请求的管理方法、预约功能实体以及可读存储介质 |
| CN111026882A (zh) * | 2019-12-11 | 2020-04-17 | 中国建设银行股份有限公司 | 一种基于知识图谱的违约确定方法、装置、设备及存储介质 |
| CN111222790A (zh) * | 2020-01-06 | 2020-06-02 | 深圳前海微众银行股份有限公司 | 风险事件发生概率的预测方法、装置、设备及存储介质 |
| CN111222790B (zh) * | 2020-01-06 | 2022-07-26 | 深圳前海微众银行股份有限公司 | 风险事件发生概率的预测方法、装置、设备及存储介质 |
| CN111080178A (zh) * | 2020-01-22 | 2020-04-28 | 中国建设银行股份有限公司 | 一种风险监控方法和装置 |
| CN111309824A (zh) * | 2020-02-18 | 2020-06-19 | 中国工商银行股份有限公司 | 实体关系图谱显示方法及系统 |
| CN111309824B (zh) * | 2020-02-18 | 2023-09-15 | 中国工商银行股份有限公司 | 实体关系图谱显示方法及系统 |
| CN111414490A (zh) * | 2020-04-07 | 2020-07-14 | 中国建设银行股份有限公司 | 确定失联修复信息的方法、装置、电子设备和存储介质 |
| CN111353728A (zh) * | 2020-05-06 | 2020-06-30 | 支付宝(杭州)信息技术有限公司 | 一种风险分析方法和系统 |
| CN112308293A (zh) * | 2020-10-10 | 2021-02-02 | 北京贝壳时代网络科技有限公司 | 违约概率预测方法及装置 |
| CN112308294A (zh) * | 2020-10-10 | 2021-02-02 | 北京贝壳时代网络科技有限公司 | 违约概率预测方法及装置 |
| CN112256886A (zh) * | 2020-10-23 | 2021-01-22 | 平安科技（深圳）有限公司 | 图谱中的概率计算方法、装置、计算机设备及存储介质 |
| WO2022083093A1 (zh) * | 2020-10-23 | 2022-04-28 | 平安科技（深圳）有限公司 | 图谱中的概率计算方法、装置、计算机设备及存储介质 |
| CN112256886B (zh) * | 2020-10-23 | 2023-06-27 | 平安科技（深圳）有限公司 | 图谱中的概率计算方法、装置、计算机设备及存储介质 |
| CN112465411A (zh) * | 2021-01-27 | 2021-03-09 | 支付宝(杭州)信息技术有限公司 | 一种风险预测方法、装置及设备 |
| CN112927082A (zh) * | 2021-03-22 | 2021-06-08 | 中国工商银行股份有限公司 | 信用风险的预测方法、装置、设备、介质和程序产品 |
| CN113642826A (zh) * | 2021-06-02 | 2021-11-12 | 中国海洋大学 | 一种供应商违约风险预测方法 |
| CN113642826B (zh) * | 2021-06-02 | 2024-06-11 | 中国海洋大学 | 一种供应商违约风险预测方法 |
| CN113837635A (zh) * | 2021-09-29 | 2021-12-24 | 支付宝(杭州)信息技术有限公司 | 风险检测处理方法、装置及设备 |
| CN116777634A (zh) * | 2023-06-25 | 2023-09-19 | 深圳征信服务有限公司 | 一种基于人工智能的金融数据分析系统及方法 |
| CN116777634B (zh) * | 2023-06-25 | 2024-06-11 | 深圳征信服务有限公司 | 一种基于人工智能的金融数据分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109657837A (zh) | 违约概率预测方法、装置、计算机设备和存储介质 | |
| WO2020253358A1 (zh) | 业务数据的风控分析处理方法、装置和计算机设备 | |
| CN108876600A (zh) | 预警信息推送方法、装置、计算机设备和介质 | |
| CN111818093B (zh) | 用于进行风险评估的神经网络系统、方法及装置 | |
| CN111831675A (zh) | 一种仓储模型训练方法、装置、计算机设备及存储介质 | |
| US11538044B2 (en) | System and method for generation of case-based data for training machine learning classifiers | |
| Hsu et al. | Robust network intrusion detection scheme using long-short term memory based convolutional neural networks | |
| CN110363645A (zh) | 资产数据处理方法、装置、计算机设备和存储介质 | |
| CN109523117A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
| CN112215616B (zh) | 一种基于网络的自动识别资金异常交易的方法和系统 | |
| CN109063921A (zh) | 客户风险预警的优化处理方法、装置、计算机设备和介质 | |
| CN109410070A (zh) | 核保数据处理方法和系统 | |
| CN109767326A (zh) | 可疑交易报告生成方法、装置、计算机设备和存储介质 | |
| CN108182633A (zh) | 贷款数据处理方法、装置、计算机设备和存储介质 | |
| CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
| CN115618008A (zh) | 账户状态模型构建方法、装置、计算机设备和存储介质 | |
| CN108335000A (zh) | 岗位人力预测方法、装置、计算机设备和存储介质 | |
| Hossain et al. | A differentiate analysis for credit card fraud detection | |
| CN112818868B (zh) | 基于行为序列特征数据的违规用户识别方法和装置 | |
| CN111784495B (zh) | 担保圈识别方法、装置、计算机设备和存储介质 | |
| CN111402028A (zh) | 一种信息处理方法、装置及设备 | |
| CN117692209A (zh) | 一种网络入侵检测方法 | |
| CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
| CN109508994A (zh) | 业务风险控制方法、装置、计算机设备和存储介质 | |
| Nishitha et al. | Stock price prognosticator using machine learning techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |