CN109829640A - 企业违约风险的识别方法、装置、计算机设备和存储介质 - Google Patents
企业违约风险的识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109829640A CN109829640A CN201910064329.7A CN201910064329A CN109829640A CN 109829640 A CN109829640 A CN 109829640A CN 201910064329 A CN201910064329 A CN 201910064329A CN 109829640 A CN109829640 A CN 109829640A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- incidence relation
- identified
- default risk
- feature
- 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 32
- 238000004590 computer program Methods 0.000 claims description 29
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012790 confirmation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种企业违约风险的识别方法、装置、计算机设备和存储介质。所述方法包括:接收终端发送的用于获取待识别企业的违约风险的查询请求;查询请求携带待识别企业的企业标识;从信息数据库中获取与企业标识对应的关联关系特征;将关联关系特征输入至预先构建的风险识别模型,得到待识别企业的违约关联关系特征;根据待识别企业的违约关联关系特征,确定待识别企业的违约风险等级;根据待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,将违约风险信息发送至终端进行显示。本方法基于风险管控技术,实现了根据企业的关联关系特征,识别企业的违约风险的目的,无需对大量数据进行分析,从而提高了服务器的资源利用率。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种企业违约风险的识别方法、装置、计算机设备和存储介质。
背景技术
企业违约是指企业存在不符合法律规定的行为,近年来高发的企业违约现象给个人和机构投资者、银行贷款机构等造成了严重的影响,因此针对可能造成企业违约的风险识别显得极为重要。
然而,对于一个企业违约风险的识别,传统技术一般通过服务器获取人工收集的大量数据,比如企业自身的多个维度数据、行业总体数据等,并对大量数据进行计算分析,得到企业违约风险的识别结果。但是服务器的资源有限,若针对每个企业的违约风险识别,都需要通过服务器对人工收集的大量数据进行计算分析,会导致服务器的资源浪费,从而降低了服务器的资源利用率。
发明内容
基于此,有必要针对上述传统企业违约风险的识别方法存在服务器的资源利用率低的技术问题,提供一种能够提高服务器的资源利用率的企业违约风险的识别方法、装置、计算机设备和存储介质。
一种企业违约风险的识别方法,所述方法包括:
接收终端发送的用于获取待识别企业的违约风险的查询请求;所述查询请求携带待识别企业的企业标识;
从信息数据库中获取与所述企业标识对应的关联关系特征;
将所述关联关系特征输入至预先构建的风险识别模型,得到所述待识别企业的违约关联关系特征;
根据所述待识别企业的违约关联关系特征,确定所述待识别企业的违约风险等级;
根据所述待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,将所述违约风险信息发送至所述终端进行显示。
在其中一个实施例中,所述将所述关联关系特征输入至预先构建的风险识别模型,获取所述风险识别模型的输出结果,包括:
将所述关联关系特征输入至预先构建的风险识别模型;所述风险识别模型用于将所述关联关系特征与预设关联关系特征进行匹配,得到匹配结果,从所述匹配结果中提取所述关联关系特征与所述预设关联关系特征匹配成功的关联关系特征,根据所述匹配成功的关联关系特征,得到所述待识别企业的违约关联关系特征。
在其中一个实施例中,所述根据所述待识别企业的违约关联关系特征,确定所述待识别企业的违约风险等级,包括:
根据预设的违约关联关系特征与违约风险值的对应关系,确定所述待识别企业的违约关联关系特征的违约风险值;
将所述违约关联关系特征的违约风险值相加得到所述待识别企业的违约风险总值;
确定与所述违约风险总值对应的违约风险等级,将与所述违约风险总值对应的违约风险等级作为所述待识别企业的违约风险等级。
在其中一个实施例中,所述根据所述待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,包括:
获取所述待识别企业的关联企业以及与所述违约风险等级对应的预警信息;
将所述待识别企业的违约关联关系特征、违约风险等级、关联企业和预警信息,导入到预设信息模板中,生成对应的违约风险信息。
在其中一个实施例中,在接收终端发送的用于获取待识别企业的违约风险的查询请求之前,包括:
接收企业的上传数据;
从所述企业的上传数据中提取出关联关系特征;
从提取出的关联关系特征中,将属于同一企业的关联关系特征进行打包,生成与各个所述企业对应的数据包;
分别将与各个所述企业对应的数据包,按照企业标识存储至信息数据库中。
在其中一个实施例中,所述风险识别模型通过下述方法得到:
采集历史违约企业的违约关联关系特征;
统计各个所述违约关联关系特征出现的频率,将频率大于预设频率的违约关联关系特征作为目标关联关系特征;
分别计算各个所述目标关联关系特征识别违约企业的正确率,将正确率高于预设正确率的目标关联关系特征,作为预设关联关系特征;
将所述预设关联关系特征存储至违约特征库中;
根据所述违约特征库以及所述违约特征库存储的预设关联关系特征,构建风险识别模型。
一种企业违约风险的识别装置,所述装置包括:
请求接收模块,用于接收终端发送的用于获取待识别企业的违约风险的查询请求;所述查询请求携带待识别企业的企业标识;
特征获取模块,用于从信息数据库中获取与所述企业标识对应的关联关系特征;
违约特征获取模块,用于将所述关联关系特征输入至预先构建的风险识别模型,得到所述待识别企业的违约关联关系特征;
等级确定模块,用于根据所述待识别企业的违约关联关系特征,确定所述待识别企业的违约风险等级;
信息发送模块,用于根据所述待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,将所述违约风险信息发送至所述终端进行显示。
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:
接收终端发送的用于获取待识别企业的违约风险的查询请求;所述查询请求携带待识别企业的企业标识;
从信息数据库中获取与所述企业标识对应的关联关系特征;
将所述关联关系特征输入至预先构建的风险识别模型,得到所述待识别企业的违约关联关系特征;
根据所述待识别企业的违约关联关系特征,确定所述待识别企业的违约风险等级;
根据所述待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,将所述违约风险信息发送至所述终端进行显示。
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:
接收终端发送的用于获取待识别企业的违约风险的查询请求;所述查询请求携带待识别企业的企业标识;
从信息数据库中获取与所述企业标识对应的关联关系特征;
将所述关联关系特征输入至预先构建的风险识别模型,得到所述待识别企业的违约关联关系特征;
根据所述待识别企业的违约关联关系特征,确定所述待识别企业的违约风险等级;
根据所述待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,将所述违约风险信息发送至所述终端进行显示。
上述企业违约风险的识别方法、装置、计算机设备和存储介质,通过从信息数据库中获取与企业标识对应的关联关系特征,并结合风险识别模型,识别出待识别企业的违约关联关系特征,只针对最能体现企业的违约风险情况的违约关联关系特征进行分析,以识别待识别企业的违约风险,无需对人工收集的与企业违约风险情况的相关度较小的大量数据进行计算分析,能够避免服务器资源浪费,从而提高了服务器的资源利用率,实现了根据待识别企业的关联关系特征,自动识别待识别企业的违约风险的目的。同时,充分考虑最能体现企业的违约风险情况的违约关联关系特征,以识别出待识别企业的违约风险等级,避免对大量数据进行分析而存在识别误差,从而提高了企业违约风险识别的准确性。
附图说明
图1为一个实施例中企业违约风险的识别方法的应用场景图;
图2为一个实施例中企业违约风险的识别方法的流程示意图;
图3为一个实施例中风险识别模型的获取步骤的流程示意图;
图4为一个实施例中企业违约风险的识别装置的结构框图;
图5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。
本申请提供的企业违约风险的识别方法,可以应用于如图1所示的应用环境中。其中,终端110与服务器120通过网络进行通信。终端110安装了应用程序,用户通过该应用程序可以查询企业的违约风险等级。终端110响应用户对应用程序展示的查询界面的输入操作,生成用于获取待识别企业的违约风险的查询请求,并将该查询请求发送至服务器120。服务器120解析查询请求,得到用户输入的待识别企业的企业标识;根据企业标识查询信息数据库,从信息数据库中获取与企业标识对应的关联关系特征;其中,信息数据库存储了与不同企业标识对应的关联关系特征。服务器120将获取的关联关系特征输入至预先构建的风险识别模型,通过风险识别模型对关联关系特征进行识别,得到待识别企业的违约关联关系特征;根据待识别企业的违约关联关系特征,确定待识别企业的违约风险等级;根据待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,将违约风险信息发送至终端110。终端110根据接收的违约风险信息,显示待识别企业的违约关联关系特征和违约风险等级。其中,终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑,服务器120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,提供了一种企业违约风险的识别方法,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:
步骤S201,接收终端发送的用于获取待识别企业的违约风险的查询请求;查询请求携带待识别企业的企业标识。
在该步骤中,终端安装了用于查询企业的违约风险的应用程序,用户通过登录应用程序可以查询企业的违约风险等级。终端响应用户对应用程序展示的查询界面的输入操作,生成用于获取用户输入的待识别企业的违约风险的查询请求,并将该查询请求发送至服务器。服务器解析接收到的查询请求,得到待识别企业的企业标识,比如企业名称、企业信用代码等。此外,用户还可以通过登录终端运行的浏览器,进入企业违约风险的查询界面,用户基于查询界面输入待识别企业,通过终端将携带待识别企业的企业标识的查询请求发送至服务器。
步骤S202,从信息数据库中获取与企业标识对应的关联关系特征。
在该步骤中,关联关系特征是指公司控股股东、实际控制人、董事、监事、高级管理人员与其直接或者间接控制的企业之间的关系特征。服务器基于大数据,将企业的名称作为搜索关键词,预先从互联网中爬取出与多个企业相关的企业信息;对爬取到的企业信息进行预处理操作,比如将企业信息中的干扰信息、噪声等一一滤除,得到关联关系内容;获取关联关系特征在关联关系内容中的标识符,标识符用于标识关联关系特征在关联关系内容中的待提取位置;从关联关系内容中与标识符对应的待提取位置中,提取出相应的关联关系特征;并将提取到的关联关系特征按照企业标识存储至预先建立的信息数据库中,方便后续服务器通过查询信息数据库,获取与企业标识对应的关联关系特征。
服务器根据待识别企业的企业标识查询信息数据库,从信息数据库中获取与企业标识对应的关联关系特征,作为待识别企业的关联关系特征,方便后续服务器根据关联关系特征识别出待识别企业的违约风险,无需对人工收集的大量数据进行分析,从而提高了服务器的资源利用率。
步骤S203,将关联关系特征输入至预先构建的风险识别模型,得到待识别企业的违约关联关系特征。
在该步骤中,风险识别模型是一种能够根据输入的关联关系特征,确定待识别企业的违约关联关系特征的模型。服务器将关联关系特征输入至风险识别模型中,风险识别模型用于将输入的关联关系特征与预设关联关系特征进行一一匹配,得到输入的关联关系特征与预设关联关系特征匹配成功的关联关系特征,将该匹配成功的关联关系特征识别为待识别企业的违约关联关系特征。预设关联关系特征是指违约关联关系特征,比如循环持股、多层持股的空壳公司、频繁变动企业法定代表人等。
步骤S204,根据待识别企业的违约关联关系特征,确定待识别企业的违约风险等级。
在该步骤中,违约风险等级用于衡量待识别企业的违约风险的高低程度,比如待识别企业的违约风险程度越高,对应的违约风险等级越高。服务器对待识别企业的违约关联关系特征进行特征分析,得到分析结果;根据分析结果确定违约关联关系特征对应的违约风险程度;根据各个违约关联关系特征对应的违约风险程度,计算待识别企业的违约风险总程度;根据违约风险总程度确定待识别企业的违约风险等级;只针对最能体现企业的违约风险情况的违约关联关系特征进行分析,无需对人工收集的与企业违约风险情况的相关度较小的大量数据进行计算分析,能够避免服务器资源浪费,从而提高了服务器的资源利用率。
步骤S205,根据待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,将违约风险信息发送至终端进行显示。
在该步骤中,服务器获取预设信息模板,将待识别企业的违约关联关系特征和违约风险等级依次导入到预设信息模板中,生成对应的违约风险信息,并将该违约风险信息发送至对应的终端,通过终端对应的查询界面显示待识别企业的违约关联关系特征和违约风险等级,方便用户直观了解待识别企业的违约风险情况。同时只针对最能体现企业的违约风险情况的违约关联关系特征进行分析,避免对大量数据进行分析而存在识别误差,从而提高了企业违约风险识别的准确性。
上述企业违约风险的识别方法中,通过从信息数据库中获取与企业标识对应的关联关系特征,并结合风险识别模型,识别出待识别企业的违约关联关系特征,只针对最能体现企业的违约风险情况的违约关联关系特征进行分析,以识别待识别企业的违约风险,无需对人工收集的与企业违约风险情况的相关度较小的大量数据进行计算分析,能够避免服务器资源浪费,从而提高了服务器的资源利用率,实现了根据待识别企业的关联关系特征,自动识别待识别企业的违约风险的目的。同时,充分考虑最能体现企业的违约风险情况的违约关联关系特征,以识别出待识别企业的违约风险等级,避免对大量数据进行分析而存在识别误差,从而提高了企业违约风险识别的准确性。
在一个实施例中,上述步骤S201,在接收终端发送的用于获取待识别企业的违约风险的查询请求之前,包括:接收企业的上传数据;从企业的上传数据中提取出关联关系特征;从提取出的关联关系特征中,将属于同一企业的关联关系特征进行打包,生成与各个企业对应的数据包;分别将与各个企业对应的数据包,按照企业标识存储至信息数据库中。
比如,服务器从企业的上传数据中,筛选出与关联关系特征的数据类型对应的关联关系内容;获取关联关系特征的标识符,根据标识符识别关联关系内容,确定关联关系内容中与标识符对应的待提取位置;从关联关系内容中提取出待提取位置的关联关系特征,并从提取出的关联关系特征中,将属于同一企业的关联关系特征进行打包,生成与各个企业对应的数据包;分别将与各个企业对应的数据包,按照企业标识分类存储至预先建立的信息数据库中;有利于对关联关系特征进行分类管理,方便后续通过服务器查询信息数据库,以获取与企业标识对应的关联关系特征。
在一个实施例中,上述步骤S203,将关联关系特征输入至预先构建的风险识别模型,得到待识别企业的违约关联关系特征,包括:将关联关系特征输入至预先构建的风险识别模型;风险识别模型用于将关联关系特征与预设关联关系特征进行匹配,得到匹配结果,从匹配结果中提取关联关系特征与预设关联关系特征匹配成功的关联关系特征,根据匹配成功的关联关系特征,得到待识别企业的违约关联关系特征。方便后续根据违约关联关系特征识别出待识别企业的违约风险,无需对人工收集的与企业违约风险情况的相关度较小的大量数据进行计算分析,从而避免了服务器资源浪费,进一步提高了服务器的资源利用率。
本实施例中,服务器将获取的关联关系特征输入至预先构建的风险识别模型中,风险识别模型用于将输入的关联关系特征分别与对应的预设关联关系特征进行匹配,得到匹配结果,匹配结果包含多个关联关系特征的匹配度;从匹配结果中提取出匹配度高于预设匹配度(比如30%)的关联关系特征,作为匹配成功的关联关系特征;将匹配成功的关联关系特征识别为待识别企业的违约关联关系特征。比如,预设关联关系特征为多层持股的空壳公司,假设待识别企业的关联关系特征也为多层持股的空壳公司,那么待识别企业的关联关系特征与预设关联关系特征之间的匹配度自然高于预设匹配度,说明该关联关系特征为待识别企业的违约关联关系特征。需要说明的是,风险识别模型将匹配度低于或等于预设匹配度的关联关系特征,识别为匹配失败的关联关系特征,即该关联关系特征不是违约关联关系特征。
在一个实施例中,如图3所示,风险识别模型通过下述步骤获取:
步骤S301,采集历史违约企业的违约关联关系特征。
步骤S302,统计各个违约关联关系特征出现的频率,将频率大于预设频率的违约关联关系特征作为目标关联关系特征。
步骤S303,分别计算各个目标关联关系特征识别违约企业的正确率,将正确率高于预设正确率的目标关联关系特征,作为预设关联关系特征。
步骤S304,将预设关联关系特征存储至违约特征库中。
步骤S305,根据违约特征库以及违约特征库存储的预设关联关系特征,构建风险识别模型。
本实施例中,服务器从互联网中爬取历史违约企业的所有违约关联关系特征,将重复的违约关联关系特征归类到同一个违约关联关系特征;统计各个违约关联关系特征出现的次数,并根据各个违约关联关系特征出现的次数,计算各个违约关联关系特征出现的频率;从各个违约关联关系特征中,筛选出频率大于预设频率的关联关系特征,作为目标关联关系特征;根据目标关联关系特征对多个违约企业进行识别,得到多个违约企业的违约风险识别结果;根据多个违约企业的违约风险识别结果及对应的违约风险实际结果,计算得到目标关联关系特征识别违约企业的正确率;比如违约风险识别结果为:A企业是违约企业、B企业是正常企业、C企业是正常企业、D企业是违约企业;违约风险实际结果为:A企业是违约企业、B企业是违约企业、C企业是违约企业、D企业是违约企业;说明B企业和C企业的违约风险识别结果与违约风险实际结果不符合,故该目标关联关系特征识别违约企业的正确率为50%。服务器分别将多个目标关联关系特征识别违约企业的正确率与预设正确率进行比较,从多个目标关联关系特征中,筛选出正确率高于预设正确率的目标关联关系特征,作为预设关联关系特征;将筛选出的预设关联关系特征存储至违约特征库中,根据违约特征库以及违约特征库存储的预设关联关系特征,构建风险识别模型。
通过构建得到的风险识别模型,可以有效地确定待识别企业的违约关联关系特征,方便后续服务器根据待识别企业的违约关联关系特征,确定待识别企业的违约风险等级;无需对人工收集的大量数据进行分析,从而避免了服务器的资源浪费,进一步提高了服务器的资源利用率。
在一个实施例中,上述步骤S204,根据待识别企业的违约关联关系特征,确定待识别企业的违约风险等级,包括:根据预设的违约关联关系特征与违约风险值的对应关系,确定待识别企业的违约关联关系特征的违约风险值;将违约关联关系特征的违约风险值相加得到待识别企业的违约风险总值;确定与违约风险总值对应的违约风险等级,将与违约风险总值对应的违约风险等级作为待识别企业的违约风险等级。违约风险值和违约风险总值均用于衡量待识别企业的违约风险的高低程度。
比如,服务器获取预设的违约关联关系特征与违约风险值的对应关系,根据该对应关系,确定待识别企业的违约关联关系特征的违约风险值;将待识别企业的所有违约关联关系特征的违约风险值进行相加,得到待识别企业的违约风险总值;若违约风险总值小于或等于第一预设阈值,则确定该违约风险总值对应的违约风险等级为低风险等级,说明待识别企业的违约风险等级为低风险等级;若违约风险总值大于第一预设阈值且小于或等于第二预设阈值,则确定该违约风险总值对应的违约风险等级为中风险等级,说明待识别企业的违约风险等级为中风险等级;若违约风险总值大于第二预设阈值,则确定该违约风险总值对应的违约风险等级为高风险等级,说明待识别企业的违约风险等级为高风险等级。综合考虑最能体现企业的违约风险情况的违约关联关系特征,以识别出待识别企业的违约风险等级,避免对大量数据进行分析而存在识别误差,从而提高了企业违约风险识别的准确性。
在一个实施例中,上述步骤S205,根据待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,包括:获取待识别企业的关联企业以及与违约风险等级对应的预警信息;将待识别企业的违约关联关系特征、违约风险等级、关联企业和预警信息,导入到预设信息模板中,生成对应的违约风险信息。关联企业是指待识别企业直接或间接控制关系的企业,预警信息是指对待识别企业的违约风险进行警告的信息。
服务器获取企业关键词,比如“公司”、“企业”等;将企业关键词与待识别企业的关联关系特征进行匹配,得到匹配结果;从匹配结果中提取出匹配到的目标企业,作为待识别企业的关联企业;获取与违约风险等级对应的预警信息,将待识别企业的违约关联关系特征、违约风险等级、关联企业和预警信息,依次导入到预设信息模板中,生成对应的违约风险信息;方便后续服务器将违约风险信息发送至终端,以通过终端的查询界面依次展示待识别企业的违约关联关系特征、违约风险等级、关联企业和预警信息,便于用户直观了解待识别企业的总体违约风险情况。
进一步地,为了避免服务器重复发送违约风险信息,从而提高服务器的资源利用率,需要判断是否接收到终端返回的违约风险信息的确认信息。在一个实施例中,上述步骤S205,在服务器根据待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,将违约风险信息发送至终端的步骤之后,还包括:服务器检测终端返回的违约风险信息的确认信息;若在预设时间范围内,检测到终端返回的违约风险信息的确认信息,则将违约风险信息标记为已发送;若在预设时间范围内,没有检测到终端返回的违约风险信息的确认信息,则重新将违约风险信息发送至对应的终端。通过在预设时间范围内,服务器检测终端是否返回违约风险信息的确认信息,可以有效地判断终端是否接收到违约风险信息,避免重复发送违约风险信息而浪费服务器资源,进一步提高了服务器的资源利用率。
应该理解的是,虽然图2-3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2-3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4所示,提供了一种企业违约风险的识别装置,包括:请求接收模块410、特征获取模块420、违约特征获取模块430、等级确定模块440和信息发送模块450,其中:
请求接收模块410,用于接收终端发送的用于获取待识别企业的违约风险的查询请求;查询请求携带待识别企业的企业标识;
特征获取模块420,用于从信息数据库中获取与企业标识对应的关联关系特征;
违约特征获取模块430,用于将关联关系特征输入至预先构建的风险识别模型,得到待识别企业的违约关联关系特征;
等级确定模块440,用于根据待识别企业的违约关联关系特征,确定待识别企业的违约风险等级;
信息发送模块450,用于根据待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,将违约风险信息发送至终端进行显示。
在一个实施例中,违约特征获取模块还用于将关联关系特征输入至预先构建的风险识别模型;风险识别模型用于将关联关系特征与预设关联关系特征进行匹配,得到匹配结果,从匹配结果中提取关联关系特征与预设关联关系特征匹配成功的关联关系特征,根据匹配成功的关联关系特征,得到待识别企业的违约关联关系特征。
在一个实施例中,等级确定模块还用于根据预设的违约关联关系特征与违约风险值的对应关系,确定待识别企业的违约关联关系特征的违约风险值;将违约关联关系特征的违约风险值相加得到待识别企业的违约风险总值;确定与违约风险总值对应的违约风险等级,将与违约风险总值对应的违约风险等级作为待识别企业的违约风险等级。
在一个实施例中,信息发送模块还用于获取待识别企业的关联企业以及与违约风险等级对应的预警信息;将待识别企业的违约关联关系特征、违约风险等级、关联企业和预警信息,导入到预设信息模板中,生成对应的违约风险信息。
在一个实施例中,企业违约风险的识别装置还包括数据存储模块,用于接收企业的上传数据;从企业的上传数据中提取出关联关系特征;从提取出的关联关系特征中,将属于同一企业的关联关系特征进行打包,生成与各个企业对应的数据包;分别将与各个企业对应的数据包,按照企业标识存储至信息数据库中。
在一个实施例中,企业违约风险的识别装置还包括模型构建模块,用于采集历史违约企业的违约关联关系特征;统计各个违约关联关系特征出现的频率,将频率大于预设频率的关联关系特征作为目标关联关系特征;分别计算各个目标关联关系特征识别违约企业的正确率,将正确率高于预设正确率的目标关联关系特征,作为预设关联关系特征;将预设关联关系特征存储至违约特征库中;根据违约特征库以及违约特征库存储的预设关联关系特征,构建风险识别模型。
上述各个实施例,企业违约风险的识别装置通过从信息数据库中获取与企业标识对应的关联关系特征,并结合风险识别模型,识别出待识别企业的违约关联关系特征,只针对最能体现企业的违约风险情况的违约关联关系特征进行分析,以识别待识别企业的违约风险,无需对人工收集的与企业违约风险情况的相关度较小的大量数据进行计算分析,能够避免服务器资源浪费,从而提高了服务器的资源利用率,实现了根据待识别企业的关联关系特征,自动识别待识别企业的违约风险的目的。同时,充分考虑最能体现企业的违约风险情况的违约关联关系特征,以识别出待识别企业的违约风险等级,避免对大量数据进行分析而存在识别误差,从而提高了企业违约风险识别的准确性。
关于企业违约风险的识别装置的具体限定可以参见上文中对于企业违约风险的识别方法的限定,在此不再赘述。上述企业违约风险的识别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5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企业的关联关系特征。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企业违约风险的识别方法。
本领域技术人员可以理解,图5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:
接收终端发送的用于获取待识别企业的违约风险的查询请求;所述查询请求携带待识别企业的企业标识;
从信息数据库中获取与企业标识对应的关联关系特征;
将关联关系特征输入至预先构建的风险识别模型,得到待识别企业的违约关联关系特征;
根据待识别企业的违约关联关系特征,确定待识别企业的违约风险等级;
根据待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,将违约风险信息发送至终端进行显示。
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:将关联关系特征输入至预先构建的风险识别模型;风险识别模型用于将关联关系特征与预设关联关系特征进行匹配,得到匹配结果,从匹配结果中提取关联关系特征与预设关联关系特征匹配成功的关联关系特征,根据匹配成功的关联关系特征,得到待识别企业的违约关联关系特。
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:根据预设的违约关联关系特征与违约风险值的对应关系,确定待识别企业的违约关联关系特征的违约风险值;将所述违约关联关系特征的违约风险值相加得到待识别企业的违约风险总值;确定与违约风险总值对应的违约风险等级,将与违约风险总值对应的违约风险等级作为待识别企业的违约风险等级。
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:获取待识别企业的关联企业以及与违约风险等级对应的预警信息;将待识别企业的违约关联关系特征、违约风险等级、关联企业和预警信息,导入到预设信息模板中,生成对应的违约风险信息。
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:接收企业的上传数据;从企业的上传数据中提取出关联关系特征;从提取出的关联关系特征中,将属于同一企业的关联关系特征进行打包,生成与各个企业对应的数据包;分别将与各个企业对应的数据包,按照企业标识存储至信息数据库中。
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:采集历史违约企业的违约关联关系特征;统计各个违约关联关系特征出现的频率,将频率大于预设频率的关联关系特征作为目标关联关系特征;分别计算各个目标关联关系特征识别违约企业的正确率,将正确率高于预设正确率的目标关联关系特征,作为预设关联关系特征;将预设关联关系特征存储至违约特征库中;根据违约特征库以及违约特征库存储的预设关联关系特征,构建风险识别模型。
上述各个实施例,计算机设备通过处理器上运行的计算机程序,实现了根据待识别企业的关联关系特征,自动识别待识别企业的违约风险的目的,只针对最能体现企业的违约风险情况的违约关联关系特征进行分析,无需对人工收集的与企业违约风险情况的相关度较小的大量数据进行计算分析,能够避免服务器的资源浪费,从而提高了服务器的资源利用率。
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:
接收终端发送的用于获取待识别企业的违约风险的查询请求;所述查询请求携带待识别企业的企业标识;
从信息数据库中获取与企业标识对应的关联关系特征;
将关联关系特征输入至预先构建的风险识别模型,得到待识别企业的违约关联关系特征;
根据待识别企业的违约关联关系特征,确定待识别企业的违约风险等级;
根据待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,将违约风险信息发送至终端进行显示。
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:将关联关系特征输入至预先构建的风险识别模型;风险识别模型用于将关联关系特征与预设关联关系特征进行匹配,得到匹配结果,从匹配结果中提取关联关系特征与预设关联关系特征匹配成功的关联关系特征,根据匹配成功的关联关系特征得到待识别企业的违约关联关系特征。
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:根据预设的违约关联关系特征与违约风险值的对应关系,确定待识别企业的违约关联关系特征的违约风险值;将所述违约关联关系特征的违约风险值相加得到待识别企业的违约风险总值;确定与违约风险总值对应的违约风险等级,将与违约风险总值对应的违约风险等级作为待识别企业的违约风险等级。
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:获取待识别企业的关联企业以及与违约风险等级对应的预警信息;将待识别企业的违约关联关系特征、违约风险等级、关联企业和预警信息,导入到预设信息模板中,生成对应的违约风险信息。
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:接收企业的上传数据;从企业的上传数据中提取出关联关系特征;从提取出的关联关系特征中,将属于同一企业的关联关系特征进行打包,生成与各个企业对应的数据包;分别将与各个企业对应的数据包,按照企业标识存储至信息数据库中。
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:采集历史违约企业的违约关联关系特征;统计各个违约关联关系特征出现的频率,将频率大于预设频率的关联关系特征作为目标关联关系特征;分别计算各个目标关联关系特征识别违约企业的正确率,将正确率高于预设正确率的目标关联关系特征,作为预设关联关系特征;将预设关联关系特征存储至违约特征库中;根据违约特征库以及违约特征库存储的预设关联关系特征,构建风险识别模型。
上述各个实施例,计算机可读存储介质通过其存储的计算机程序,实现了根据待识别企业的关联关系特征,自动识别待识别企业的违约风险的目的,只针对最能体现企业的违约风险情况的违约关联关系特征进行分析,无需对人工收集的与企业违约风险情况的相关度较小的大量数据进行计算分析,能够避免服务器的资源浪费,从而提高了服务器的资源利用率。
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)
1.一种企业违约风险的识别方法,所述方法包括:
接收终端发送的用于获取待识别企业的违约风险的查询请求;所述查询请求携带待识别企业的企业标识;
从信息数据库中获取与所述企业标识对应的关联关系特征;
将所述关联关系特征输入至预先构建的风险识别模型,得到所述待识别企业的违约关联关系特征;
根据所述待识别企业的违约关联关系特征,确定所述待识别企业的违约风险等级;
根据所述待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,将所述违约风险信息发送至所述终端进行显示。
2.根据权利要求1所述的方法,其特征在于,所述将所述关联关系特征输入至预先构建的风险识别模型,得到所述待识别企业的违约关联关系特征,包括:
将所述关联关系特征输入至预先构建的风险识别模型;所述风险识别模型用于将所述关联关系特征与预设关联关系特征进行匹配,得到匹配结果,从所述匹配结果中提取所述关联关系特征与所述预设关联关系特征匹配成功的关联关系特征,根据所述匹配成功的关联关系特征,得到所述待识别企业的违约关联关系特征。
3.根据权利要求1所述的方法,其特征在于,所述根据所述待识别企业的违约关联关系特征,确定所述待识别企业的违约风险等级,包括:
根据预设的违约关联关系特征与违约风险值的对应关系,确定所述待识别企业的违约关联关系特征的违约风险值;
将所述违约关联关系特征的违约风险值相加得到所述待识别企业的违约风险总值;
确定与所述违约风险总值对应的违约风险等级,将与所述违约风险总值对应的违约风险等级作为所述待识别企业的违约风险等级。
4.根据权利要求1所述的方法,其特征在于,所述根据所述待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,包括:
获取所述待识别企业的关联企业以及与所述违约风险等级对应的预警信息;
将所述待识别企业的违约关联关系特征、违约风险等级、关联企业和预警信息,导入到预设信息模板中,生成对应的违约风险信息。
5.根据权利要求1至4任意一项所述的方法,其特征在于,在接收终端发送的用于获取待识别企业的违约风险的查询请求之前,包括:
接收企业的上传数据;
从所述企业的上传数据中提取出关联关系特征;
从提取出的关联关系特征中,将属于同一企业的关联关系特征进行打包,生成与各个所述企业对应的数据包;
分别将与各个所述企业对应的数据包,按照企业标识存储至信息数据库中。
6.根据权利要求5所述的方法,其特征在于,所述风险识别模型通过下述方法得到:
采集历史违约企业的违约关联关系特征;
统计各个所述违约关联关系特征出现的频率,将频率大于预设频率的违约关联关系特征作为目标关联关系特征;
分别计算各个所述目标关联关系特征识别违约企业的正确率,将正确率高于预设正确率的目标关联关系特征,作为预设关联关系特征;
将所述预设关联关系特征存储至违约特征库中;
根据所述违约特征库以及所述违约特征库存储的预设关联关系特征,构建风险识别模型。
7.一种企业违约风险的识别装置,其特征在于,所述装置包括:
请求接收模块,用于接收终端发送的用于获取待识别企业的违约风险的查询请求;所述查询请求携带待识别企业的企业标识;
特征获取模块,用于从信息数据库中获取与所述企业标识对应的关联关系特征;
违约特征获取模块,用于将所述关联关系特征输入至预先构建的风险识别模型,得到所述待识别企业的违约关联关系特征;
等级确定模块,用于根据所述待识别企业的违约关联关系特征,确定所述待识别企业的违约风险等级;
信息发送模块,用于根据所述待识别企业的违约关联关系特征和违约风险等级生成违约风险信息,将所述违约风险信息发送至所述终端进行显示。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括数据存储模块,用于接收企业的上传数据;从所述企业的上传数据中提取出关联关系特征;从提取出的关联关系特征中,将属于同一企业的关联关系特征进行打包,生成与各个所述企业对应的数据包;分别将与各个所述企业对应的数据包,按照企业标识存储至信息数据库中。
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6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6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910064329.7A CN109829640A (zh) | 2019-01-23 | 2019-01-23 | 企业违约风险的识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910064329.7A CN109829640A (zh) | 2019-01-23 | 2019-01-23 | 企业违约风险的识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109829640A true CN109829640A (zh) | 2019-05-31 |
Family
ID=66862230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910064329.7A Pending CN109829640A (zh) | 2019-01-23 | 2019-01-23 | 企业违约风险的识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829640A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443459A (zh) * | 2019-07-05 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 预警信息推送方法、装置、计算机设备和存储介质 |
CN110442654A (zh) * | 2019-07-08 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 违约信息查询方法、装置、计算机设备和存储介质 |
CN111078900A (zh) * | 2019-11-19 | 2020-04-28 | 口碑(上海)信息技术有限公司 | 一种数据的风险识别方法及系统 |
CN112435108A (zh) * | 2020-11-24 | 2021-03-02 | 航天信息股份有限公司 | 纳统储备管理的方法、系统及电子设备 |
CN112613729A (zh) * | 2020-12-19 | 2021-04-06 | 前海飞算科技(深圳)有限公司 | 违约风险大数据可视化方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100478691B1 (ko) * | 2003-10-28 | 2005-03-23 | 한국기업인증 주식회사 | 기업간 거래 위험도 분석을 통한 연쇄 부도 위험 측정방법 및 시스템 |
US20130132269A1 (en) * | 2010-08-06 | 2013-05-23 | The Dun And Bradstreet Corporation | Method and system for quantifying and rating default risk of business enterprises |
CN104966227A (zh) * | 2015-06-11 | 2015-10-07 | 安徽融信金模信息技术有限公司 | 一种基于多种经营数据的企业风险评估系统 |
CN104992234A (zh) * | 2015-06-11 | 2015-10-21 | 安徽融信金模信息技术有限公司 | 一种基于多种运营数据的企业风险评估方法 |
CN106203808A (zh) * | 2016-07-01 | 2016-12-07 | 中国民生银行股份有限公司 | 企业信用风险评估方法和装置 |
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
-
2019
- 2019-01-23 CN CN201910064329.7A patent/CN109829640A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100478691B1 (ko) * | 2003-10-28 | 2005-03-23 | 한국기업인증 주식회사 | 기업간 거래 위험도 분석을 통한 연쇄 부도 위험 측정방법 및 시스템 |
US20130132269A1 (en) * | 2010-08-06 | 2013-05-23 | The Dun And Bradstreet Corporation | Method and system for quantifying and rating default risk of business enterprises |
CN104966227A (zh) * | 2015-06-11 | 2015-10-07 | 安徽融信金模信息技术有限公司 | 一种基于多种经营数据的企业风险评估系统 |
CN104992234A (zh) * | 2015-06-11 | 2015-10-21 | 安徽融信金模信息技术有限公司 | 一种基于多种运营数据的企业风险评估方法 |
CN106203808A (zh) * | 2016-07-01 | 2016-12-07 | 中国民生银行股份有限公司 | 企业信用风险评估方法和装置 |
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443459A (zh) * | 2019-07-05 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 预警信息推送方法、装置、计算机设备和存储介质 |
CN110442654A (zh) * | 2019-07-08 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 违约信息查询方法、装置、计算机设备和存储介质 |
CN111078900A (zh) * | 2019-11-19 | 2020-04-28 | 口碑(上海)信息技术有限公司 | 一种数据的风险识别方法及系统 |
CN111078900B (zh) * | 2019-11-19 | 2023-10-10 | 口碑(上海)信息技术有限公司 | 一种数据的风险识别方法及系统 |
CN112435108A (zh) * | 2020-11-24 | 2021-03-02 | 航天信息股份有限公司 | 纳统储备管理的方法、系统及电子设备 |
CN112613729A (zh) * | 2020-12-19 | 2021-04-06 | 前海飞算科技(深圳)有限公司 | 违约风险大数据可视化方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829640A (zh) | 企业违约风险的识别方法、装置、计算机设备和存储介质 | |
CN109800335A (zh) | 企业图谱的生成方法、装置、计算机设备和存储介质 | |
CN110232565B (zh) | 资源清算方法、装置、计算机设备和存储介质 | |
CN108876133A (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN109992601B (zh) | 待办事项信息的推送方法、装置和计算机设备 | |
CN110008226A (zh) | 数据模型的构建方法、装置、计算机设备和存储介质 | |
CN110377633A (zh) | 报表数据处理方法、装置、计算机设备和存储介质 | |
CN109815489A (zh) | 催收信息生成方法、装置、计算机设备和存储介质 | |
CN109560996B (zh) | 物联网终端自动化测试系统及方法 | |
CN110213357A (zh) | 业务数据回退方法、装置、计算机设备和存储介质 | |
CN109711846A (zh) | 支付请求处理方法、装置、计算机设备和存储介质 | |
CN110363645A (zh) | 资产数据处理方法、装置、计算机设备和存储介质 | |
CN108629567A (zh) | 报批信息处理方法、装置、计算机设备和存储介质 | |
CN110490594A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
CN115174231B (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
CN109656778A (zh) | 数据获取方法、装置、计算机设备和存储介质 | |
CN109871445A (zh) | 欺诈用户识别方法、装置、计算机设备和存储介质 | |
CN109214904B (zh) | 财务造假线索的获取方法、装置、计算机设备和存储介质 | |
CN109766474A (zh) | 审讯信息审核方法、装置、计算机设备和存储介质 | |
CN109472577A (zh) | 账户入账方法、装置、计算机设备和存储介质 | |
CN108510238A (zh) | 薪酬数据处理方法、装置、计算机设备和存储介质 | |
CN109408320A (zh) | 前端开发异常处理方法、装置、计算机设备和存储介质 | |
CN113888299A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
CN110458601A (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN108920357A (zh) | 业务系统检测方法、装置、计算机设备和存储介质 |
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 |