CN110458687A - 决策自动审批方法、装置及计算机可读存储介质 - Google Patents

决策自动审批方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN110458687A
CN110458687A CN201910608994.8A CN201910608994A CN110458687A CN 110458687 A CN110458687 A CN 110458687A CN 201910608994 A CN201910608994 A CN 201910608994A CN 110458687 A CN110458687 A CN 110458687A
Authority
CN
China
Prior art keywords
client
risk
decision
approval
examination
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.)
Withdrawn
Application number
CN201910608994.8A
Other languages
English (en)
Inventor
高良骥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN201910608994.8A priority Critical patent/CN110458687A/zh
Publication of CN110458687A publication Critical patent/CN110458687A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及人工智能技术领域，公开了一种决策自动审批方法，包括：对客户进行一致性、真实性以及信用度的验证；在验证通过时，调用所述客户相关的第三方数据库的数据，训练决策风险模型，并利用训练后的决策风险模型输出客户信用风险等级，以进行决策自动化审批，其中，所述第三方数据库的数据包括体现客户的基本情况、客户的偿贷能力、客户的历史信用记录以及互联网信息各个方面的指标数据；当决策审批通过后，从偿付能力风险异动和偿付意愿风险异动两个维度，对客户进行风险因子的定期监测与反馈，并进行风险预警。本发明还提出一种决策自动审批装置以及一种计算机可读存储介质。本发明能够实现决策的自动审批。

Description

决策自动审批方法、装置及计算机可读存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种决策自动审批方法、装置及计算机可读存储介质。
背景技术
信贷业务是典型的经营风险业务，80％的风险控制需要在审核审批过程中完成。目前业内传统的贷款进件审批模式，需要客户填写大量的信息，包括客户基本信息、联系方式、贷款申请信息、收入证明材料等，通过填写纸质申请单，客户经理扫描为影像文件后通过OCR或者人工识别的方式，把影像文件的内容识别出来，变为系统结构化数据；或者是登录进件系统，通过系统页面逐项录入信息。这样的传统贷款录入方式，客户需要手工填写或录入的信息很多，且存在信息录入不准确的情况。对于贷款的风险审批，传统的方式是由风控专家，根据系统的影像文件，以及客户录入的信息，比对风险政策，人工进行材料的核实和贷款的初审、复审、终审等审批操作。这样的审批方式，由于审批标准的不统一，容易受审批师的行业熟悉程度、工作经验等因素影响，很难真实反映信贷申请的风险等级高低。
发明内容
本发明提供一种决策自动审批方法、装置及计算机可读存储介质，其主要目的在于提供一种不依赖于审批师的主观经验的决策自动审批方案。
为实现上述目的，本发明提供的一种决策自动审批方法，包括：
接收客户录入的客户基本信息，保存所述录入的客户基本信息，并利用面部识别技术验证当前客户与该客户所输入的身份证照片的一致性；
自动链接第三方数据库，通过大数据分析，验证客户的身份以及基本信息的真实性，并通过黑名单校验，验证客户的信用度；
在上述验证均通过时，自动调用所述第三方数据库中所述客户相关的数据作为样本数据集，训练决策风险模型，并利用训练后的决策风险模型输出客户信用风险等级，并根据所述风险等级进行决策自动化审批，其中，所述第三方数据库的数据包括体现客户的基本情况、客户的偿贷能力、客户的历史信用记录以及互联网信息的指标数据。
可选地，该方法还包括：
当贷款审批通过并发放贷款后，从偿付能力风险异动和偿付意愿风险异动两个维度，对客户进行风险因子的定期监测与反馈，并进行风险预警。
可选地，所述决策风险模型为前向反馈神经网络模型，该前向反馈神经网络的层数有3层，包括输入层、隐藏层和输出层，其中，所述输入层的节点数目根据上述获取的指标数据的数量确定，输出层节点数量根据客户信用风险等级的个数确定，并利用下述公式确定隐藏层节点数：
l<n-1，
其中，l代表隐藏层的节点数，n代表输入层的节点数，k代表输出层的节点数，i代表0～9之间的任意常数，并根据随机设置的隐藏层的初始节点数，通过试错法确定最合适的隐藏层节点数。
可选地，该方法还包括利用下述方法构建所述决策风险模型：
利用混合蛙跳算法对所述决策风险模型进行局部搜索改进，得到决策风险模型的最优的初始权值和阈值，并利用BP神经网络算法对决策风险模型进行优化。
可选地，所述利用混合蛙跳算法对决策风险模型进行局部搜索改进，包括：
采用佳点集生成方法对青蛙种群进行初始化；
按照适应度函数值的大小将青蛙降序排列，按照第km+i(k＝0,1,…，n；i＝1,2,3)只青蛙放入第i组的原则，将种群分为3个青蛙子群；
根据步长更新公式进行青蛙子群内部的更新优化；
当3个青蛙子群经过局部搜索操作的更新优化后，将子群进行混合，重新合并为一个新的青蛙种群，再重新计算新的青蛙种群个体的适应度值，并降序排列，重新分组，直到满足迭代次数T达到1500或相邻两次迭代的适应度函数之差小于收敛精度，即可终止，输入最优的初始前向反馈神经网络的权值和阈值。
此外，为实现上述目的，本发明还提供一种决策自动审批装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的决策自动审批程序，所述决策自动审批程序被所述处理器执行时实现如下步骤：
接收客户录入的客户基本信息，保存所述录入的客户基本信息，并利用面部识别技术验证当前客户与该客户所输入的身份证照片的一致性；
自动链接第三方数据库，通过大数据分析，验证客户的身份以及基本信息的真实性，并通过黑名单校验，验证客户的信用度；
在上述验证均通过时，自动调用所述第三方数据库中所述客户相关的数据作为样本数据集，训练决策风险模型，并利用训练后的决策风险模型输出客户信用风险等级，并根据所述风险等级进行决策自动化审批，其中，所述第三方数据库的数据包括体现客户的基本情况、客户的偿贷能力、客户的历史信用记录以及互联网信息各个方面的指标数据。
可选地，所述决策风险模型为前向反馈神经网络模型，该前向反馈神经网络的层数有3层，包括输入层、隐藏层和输出层，其中，所述输入层的节点数目根据上述获取的指标数据的数量确定，输出层节点数量根据客户信用风险等级的个数确定，并利用下述公式确定隐藏层节点数：
l<n-1，
其中，l代表隐藏层的节点数，n代表输入层的节点数，k代表输出层的节点数，i代表0～9之间的任意常数，并根据随机设置的隐藏层的初始节点数，通过试错法确定最合适的隐藏层节点数。
可选地，所述决策自动审批程序被所述处理器执行时还实现如下步骤：
利用下述方法构建所述决策风险模型：
利用混合蛙跳算法对所述决策风险模型进行局部搜索改进，得到决策风险模型的最优的初始权值和阈值，并利用BP神经网络算法对决策风险模型进行优化。
可选地，所述利用混合蛙跳算法对决策风险模型进行局部搜索改进，包括：
采用佳点集生成方法对青蛙种群进行初始化；
按照适应度函数值的大小将青蛙降序排列，按照第km+i(k＝0,1,…，n；i＝1,2,3)只青蛙放入第i组的原则，将种群分为3个青蛙子群；
根据步长更新公式进行青蛙子群内部的更新优化；
当3个青蛙子群经过局部搜索操作的更新优化后，将子群进行混合，重新合并为一个新的青蛙种群，再重新计算新的青蛙种群个体的适应度值，并降序排列，重新分组，直到满足迭代次数T达到1500或相邻两次迭代的适应度函数之差小于收敛精度，即可终止，输入最优的初始前向反馈神经网络的权值和阈值。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有决策自动审批程序，所述决策自动审批程序可被一个或者多个处理器执行，以实现如上所述的决策自动审批方法的步骤。
针对手工传统进件及审批方式的不足，本发明提出的决策自动审批方法、装置及计算机可读存储介质，简化了进件界面录入内容，通过统一进件页面实现信息录入，并整合电商平台、征信机构等第三方数据库的多维度信息数据，建立决策自动审批进行决策自动化审批，提升贷款决策审批效率。
附图说明
图1为本发明一实施例提供的决策自动审批方法的流程示意图；
图2为本发明一实施例提供的决策自动审批装置的内部结构示意图；
图3为本发明一实施例提供的决策自动审批装置中决策自动审批程序的模块示意图。
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
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，所述“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
进一步地，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提供一种决策自动审批方法。参照图1所示，为本发明一实施例提供的决策自动审批方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，决策自动审批方法包括：
S1、提供一个决策自动审批平台的进件页面以接收客户录入的客户基本信息，保存所述录入的客户基本信息，并利用面部识别技术验证当前客户与该客户所输入的身份证照片的一致性。
本发明较佳实施例中，用户只需要在所述进件页面录入客户基本信息，包括：公司名称、客户姓名、身份证号码、银行卡、联系电话、有无配偶、有无房产/车、户籍地址等几项信息。
本发明较佳实施例接收用户在所述进件页面中上传身份证的扫描件，并根据所述身份证的扫描件利用面部识别技术验证所述客户是否与该身份证上的照片一致。
随着面部识别技术的不断发展成熟，其应用领域逐步扩大，该技术成为安全便捷的身份识别手段。面部识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。它主要是将人的面部各个器官比如大小、比例、位置、距离等参数化，然后依次形成相应识别编码再与面像库内存储的原始参数进行比对，并以此锁定客户身份。
本发明较佳实施例通过摄像头采集客户的人脸图像，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行一系列识别和判断，从而验证客户是否与身份证的照片一致。
S2、自动链接第三方数据库，通过大数据分析，验证客户的身份以及基本信息的真实性，并通过黑名单校验，验证客户的信用度。
本发明所述决策自动审批平台可以开放接口，与人民银行，银监会等共享平台信息，并通过网络与人民银行信息转接平台联网，人民银行信息转接平台再通过网路与公安部信息共享平台相连，通过公安联网核查识别客户姓名与身份证号码的真实性；通过工商信息校验验证客户与公司的关系；通过银联鉴权验证客户手机号码与银行卡的真实性。
进一步地，本发明自动进行客户黑名单检查，所述决策自动审批平台自动链接到人民银行、银监会以及行业内的黑名单数据库，通过客户的身份信息，企业信息进行自动查询，同时引入地区范围内的黑名单数据库进行核查，进一步验证客户的信用度。
S3、若所述客户没有通过上述验证中的任意一项，则自动反馈决策审批未通过。
本发明较佳实施例经过上述步骤1的一致性验证和步骤2的真实性和信用度的检验，如果所述客户没有通过上述验证中的任意一项，则本发明所述决策自动审批平台会以站内信以及短信的形式通知所述客户其决策审批未通过。通过站内信的形式反馈，客户通过登录所述决策审批自动化平台，点击进入站内信可看到反馈结果；通过短信的形式，则客户根据预留的联系电话，会收到反馈短信，予以通知。
S4、若所述客户通过了上述所有验证，则自动调用所述客户相关的第三方数据库的数据作为样本数据集，训练一个决策风险模型，并利用训练后的决策风险模型输出客户信用风险等级，并根据所述风险等级进行决策自动化审批。
本发明较佳实施例经过上述步骤1的一致性验证和步骤2的真实性和信用度的检验，如果所述客户通过了上述所有验证，则本发明所述决策自动审批平台自动调用第三方数据库，基于获取的第三方数据库作为样本数据集，构建并训练决策风险模型，进行客户信贷风险评估，从而进行自动化审批决策提案。
本发明所述第三方数据库的数据包括，如：人民银行、人人贷、蚂蚁金融，法院等提供的客户信用数据，以及与所述客户生产的产品相关的第三方数据库的数据等。
本发明较佳实施例中，所述第三方数据库的数据包括体现以下四个方面指标的数据：
(1)客户的基本情况：主要考察客户的真实身份信息、家庭信息、学历信息等的基本信息。主要为了帮助银行等金融机构核实客户的基本信息。
(2)客户的偿贷能力：本项指标主要为了考察客户的贷款偿还能力，指标选取来源于客户的工作和生活两方面，主要包含客户的工作收入情况、个人存款、资产负债情况等指标。
(3)客户的历史信用记录：客户的历史信用记录是衡量客户是否拥有强烈的还款意愿的重要指标。历史信用记录主要包含四个方面，央行的个人信用报告、银行或其他金融机构的借贷信息、所有开户的信用卡及获得的社会荣誉。
(4)互联网信息：主要考察用户在互联网使用过程中的规范性，包括支付宝认证、微博认证、美拍认证等认证信息，以及用户在线上的年消费支出总额。
进一步地，本发明较佳实施例还包括对上述获取的第三方数据库的数据进行标准化处理。上述各个指标中的数据既有定性指标又有定量指标。由于且各指标之间的量级、单位、性质等都有所差别，所以需要对各指标的数据进行标准化处理，使得各指标的数据处于同一量级内，便于模型后期的统一操作。其中，定量指标直接用真实数值表示即可，定性指标按照指标属性的正向影响作用，分别从低到高用数字1-10表示。
本发明所述决策风险模型是一个基于BP(back propagation，前向反馈)神经网络的决策风险模型。其中，所述BP神经网络的层数有3层，包括输入层、隐藏层和输出层。本发明较佳实施例根据上述获取的四个方面指标的数据的数量，确定所述BP神经网络的输入层的节点数目，根据客户信用风险等级的个数，确定所述BP神经网络的输出层节点数，并利用下述公式确定隐藏层节点数：
l<n-1，
其中l代表隐藏层的节点数，n代表输入层的节点数，k代表输出层的节点数，i代表0～9之间的任意常数。本发明实施例设置隐藏层的初始节点数为6，然后通过试错法来确定最合适的隐藏层节点数。
在构建所述BP神经网络的决策风险模型时，本发明实施例利用混合蛙跳算法对决策风险模型进行局部搜索改进，得到决策风险模型的最优的初始权值和阈值，然后利用BP神经网络算法对决策风险模型进行优化。
所述利用混合蛙跳算法进行局部搜索改进，包括：
(1)采用佳点集生成方法对青蛙种群进行初始化。
初始种群分布越均匀，其寻优性能更好，收敛速度更快。
(2)按照适应度函数值的大小将青蛙降序排列，按照第km+i(k＝0,1,…，n；i＝1,2,3)只青蛙放入第i组的原则，将种群分为3个青蛙子群。
(3)根据步长更新公式进行青蛙子群内部的更新优化。
(4)当3个青蛙子群经过局部搜索操作的更新优化后，将子群进行混合，重新合并为一个新的青蛙种群，再重新计算新的青蛙种群个体的适应度值，并降序排列，重新分组，直到满足迭代次数T达到1500或相邻两次迭代的适应度函数之差小于收敛精度，即可终止，输入最优青蛙，即最优的初始BP神经网络的权值和阈值。
利用上述方法通过混合蛙跳算法找到了决策风险模型的一组最优的初始权值和阈值，且确定了基于BP神经网络的信用风险评估模型的初始结构：输入层节点数，输出层节点数，隐藏层节点数。最后根据所述样本数据集，利用MATLAB方法进行模型训练，设定信用阈值，最终所述决策审批自动化平台所述根据决策风险模型的结果，自动进行决策审批。
S5、当决策审批通过后，从偿付能力风险异动和偿付意愿风险异动两个维度，对客户进行风险因子的定期监测与反馈，并进行风险预警。
本发明所述决策审批自动化平台针对客户发放贷款后，依托运营商、互联网等外部数据资源，利用大数据位置定位、情绪分析、实时分析等技术，从偿付能力异动和偿付意愿异动两大维度出发，对个人客户、企业客户进行风险因子的监测与反馈。
个人偿付能力风险异动的风险因子包括对客户基础状况异动信息的实时侦测与反馈，如：收入变动、工作变动、住址地变动、婚姻变动等；以及对信贷衍生对象异动风险信息监测，如：抵押品变动、担保人异动等。
个人偿付意愿风险异动的风险因子包括对个人跨行业信用状况异动的获取与反馈，如：行业黑灰名单客户、新增违法犯罪记录等；以及个人行为异动信息，如：通信状态异常、不正常的离境变动等。
企业偿付能力风险监测的风险因子包括企业经营管理异动监测(管理状态异动、经营异常等)、行业发展异动监测、区域发展异动监测及企业舆情监测。
企业偿付意愿风险监测的风险因子包括企业信用状况异动(跨行业的信用违约行为等)、法人及相关干系人异动监测(法人信用状况异动、行为异常变动等)。
进一步地，本发明较佳实施例结合各风险因子对逾期或违约的影响程度分析，形成风险分级预警机制，实现风险分层分级管理，并通过与银行现有预警机制对接，辅助银行研判信贷等业务的逾期或违约风险。
针对风险客户，本发明所述决策审批自动化平台设定风险预警阈值，当客户的综合评价值低于所述风险预警阈值时，进行自动预警。
本发明还提供一种决策自动审批装置。参照图2所示，为本发明一实施例提供的决策自动审批装置的内部结构示意图。
在本实施例中，决策自动审批装置1可以是PC(Personal Computer，个人电脑)，也可以是智能手机、平板电脑、便携计算机等终端设备。该决策自动审批装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是决策自动审批装置1的内部存储单元，例如该决策自动审批装置1的硬盘。存储器11在另一些实施例中也可以是决策自动审批装置1的外部存储设备，例如决策自动审批装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括决策自动审批装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于决策自动审批装置1的应用软件及各类数据，例如决策自动审批程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行决策自动审批程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在决策自动审批装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及决策自动审批程序01的决策自动审批装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对决策自动审批装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有决策自动审批程序01；处理器12执行存储器11中存储的决策自动审批程序01时实现如下步骤：
步骤一、提供一个决策自动审批平台的进件页面以接收客户录入的客户基本信息，保存所述录入的客户基本信息，并利用面部识别技术验证当前客户与该客户所输入的身份证照片的一致性。
本发明较佳实施例中，用户只需要在所述进件页面录入客户基本信息，包括：公司名称、客户姓名、身份证号码、银行卡、联系电话、有无配偶、有无房产/车、户籍地址等几项信息。
本发明较佳实施例接收用户在所述进件页面中上传身份证的扫描件，并根据所述身份证的扫描件利用面部识别技术验证所述客户是否与该身份证上的照片一致。
随着面部识别技术的不断发展成熟，其应用领域逐步扩大，该技术成为安全便捷的身份识别手段。面部识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。它主要是将人的面部各个器官比如大小、比例、位置、距离等参数化，然后依次形成相应识别编码再与面像库内存储的原始参数进行比对，并以此锁定客户身份。
本发明较佳实施例通过摄像头采集客户的人脸图像，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行一系列识别和判断，从而验证客户是否与身份证的照片一致。
步骤二、自动链接第三方数据库，通过大数据分析，验证客户的身份以及基本信息的真实性，并通过黑名单校验，验证客户的信用度。
本发明所述决策自动审批平台可以开放接口，与人民银行，银监会等共享平台信息，并通过网络与人民银行信息转接平台联网，人民银行信息转接平台再通过网路与公安部信息共享平台相连，通过公安联网核查识别客户姓名与身份证号码的真实性；通过工商信息校验验证客户与公司的关系；通过银联鉴权验证客户手机号码与银行卡的真实性。
进一步地，本发明自动进行客户黑名单检查，所述决策自动审批平台自动链接到人民银行、银监会以及行业内的黑名单数据库，通过客户的身份信息，企业信息进行自动查询，同时引入地区范围内的黑名单数据库进行核查，进一步验证客户的信用度。
步骤三、若所述客户没有通过上述验证中的任意一项，则自动反馈贷款审批未通过。
本发明较佳实施例经过上述步骤一的一致性验证和步骤二的真实性和信用度的检验，如果所述客户没有通过上述验证中的任意一项，则本发明所述决策自动审批平台会以站内信以及短信的形式通知所述客户其决策审批未通过。通过站内信的形式反馈，客户通过登录所述决策审批自动化平台，点击进入站内信可看到反馈结果；通过短信的形式，则客户根据预留的联系电话，会收到反馈短信，予以通知。
步骤四、若所述客户通过了上述所有验证，则自动调用所述客户相关的第三方数据库的数据作为样本数据集，训练一个决策风险模型，并利用训练后的决策风险模型输出客户信用风险等级，并根据所述风险等级进行决策自动化审批。
本发明较佳实施例经过上述步骤一的一致性验证和步骤二的真实性和信用度的检验，如果所述客户通过了上述所有验证，则本发明所述决策自动审批平台自动调用第三方数据库，基于获取的第三方数据库作为样本数据集，构建并训练决策风险模型，进行客户信贷风险评估，从而进行自动化审批决策提案。
本发明所述第三方数据库的数据包括，如：人民银行、人人贷、蚂蚁金融，法院等提供的客户信用数据，以及与所述客户生产的产品相关的第三方数据库的数据等。
本发明较佳实施例中，所述第三方数据库的数据包括体现以下四个方面指标的数据：
(1)客户的基本情况：主要考察客户的真实身份信息、家庭信息、学历信息等的基本信息。主要为了帮助银行等金融机构核实客户的基本信息。
(2)客户的偿贷能力：本项指标主要为了考察客户的贷款偿还能力，指标选取来源于客户的工作和生活两方面，主要包含客户的工作收入情况、个人存款、资产负债情况等指标。
(3)客户的历史信用记录：客户的历史信用记录是衡量客户是否拥有强烈的还款意愿的重要指标。历史信用记录主要包含四个方面，央行的个人信用报告、银行或其他金融机构的借贷信息、所有开户的信用卡及获得的社会荣誉。
(4)互联网信息：主要考察用户在互联网使用过程中的规范性，包括支付宝认证、微博认证、美拍认证等认证信息，以及用户在线上的年消费支出总额。
进一步地，本发明较佳实施例还包括对上述获取的第三方数据库的数据进行标准化处理。上述各个指标中的数据既有定性指标又有定量指标。由于且各指标之间的量级、单位、性质等都有所差别，所以需要对各指标的数据进行标准化处理，使得各指标的数据处于同一量级内，便于模型后期的统一操作。其中，定量指标直接用真实数值表示即可，定性指标按照指标属性的正向影响作用，分别从低到高用数字1-10表示。
本发明所述决策风险模型是一个基于BP(back propagation，前向反馈)神经网络的决策风险模型。其中，所述BP神经网络的层数有3层，包括输入层、隐藏层和输出层。本发明较佳实施例根据上述获取的四个方面指标的数据的数量，确定所述BP神经网络的输入层的节点数目，根据客户信用风险等级的个数，确定所述BP神经网络的输出层节点数，并利用下述公式确定隐藏层节点数：
l<n-1，
其中l代表隐藏层的节点数，n代表输入层的节点数，k代表输出层的节点数，i代表0～9之间的任意常数。本发明实施例设置隐藏层的初始节点数为6，然后通过试错法来确定最合适的隐藏层节点数。
在构建所述BP神经网络的决策风险模型时，本发明实施例利用混合蛙跳算法对决策风险模型进行局部搜索改进，得到决策风险模型的最优的初始权值和阈值，然后利用BP神经网络算法对决策风险模型进行优化。
所述利用混合蛙跳算法进行局部搜索改进，包括：
(1)采用佳点集生成方法对青蛙种群进行初始化。
初始种群分布越均匀，其寻优性能更好，收敛速度更快。
(2)按照适应度函数值的大小将青蛙降序排列，按照第km+i(k＝0,1,…，n；i＝1,2,3)只青蛙放入第i组的原则，将种群分为3个青蛙子群。
(3)根据步长更新公式进行青蛙子群内部的更新优化。
(4)当3个青蛙子群经过局部搜索操作的更新优化后，将子群进行混合，重新合并为一个新的青蛙种群，再重新计算新的青蛙种群个体的适应度值，并降序排列，重新分组，直到满足迭代次数T达到1500或相邻两次迭代的适应度函数之差小于收敛精度，即可终止，输入最优青蛙，即最优的初始BP神经网络的权值和阈值。
利用上述方法通过混合蛙跳算法找到了决策风险模型的一组最优的初始权值和阈值，且确定了基于BP神经网络的信用风险评估模型的初始结构：输入层节点数，输出层节点数，隐藏层节点数。最后根据所述样本数据集，利用MATLAB方法进行模型训练，设定信用阈值，最终所述决策审批自动化平台所述根据决策风险模型的结果，自动进行决策审批。
步骤五、当决策审批通过后，从偿付能力风险异动和偿付意愿风险异动两个维度，对客户进行风险因子的定期监测与反馈，并进行风险预警。
本发明所述决策审批自动化平台针对客户发放贷款后，依托运营商、互联网等外部数据资源，利用大数据位置定位、情绪分析、实时分析等技术，从偿付能力异动和偿付意愿异动两大维度出发，对个人客户、企业客户进行风险因子的监测与反馈。
个人偿付能力风险异动的风险因子包括对客户基础状况异动信息的实时侦测与反馈，如：收入变动、工作变动、住址地变动、婚姻变动等；以及对信贷衍生对象异动风险信息监测，如：抵押品变动、担保人异动等。
个人偿付意愿风险异动的风险因子包括对个人跨行业信用状况异动的获取与反馈，如：行业黑灰名单客户、新增违法犯罪记录等；以及个人行为异动信息，如：通信状态异常、不正常的离境变动等。
企业偿付能力风险监测的风险因子包括企业经营管理异动监测(管理状态异动、经营异常等)、行业发展异动监测、区域发展异动监测及企业舆情监测。
企业偿付意愿风险监测的风险因子包括企业信用状况异动(跨行业的信用违约行为等)、法人及相关干系人异动监测(法人信用状况异动、行为异常变动等)。
进一步地，本发明较佳实施例结合各风险因子对逾期或违约的影响程度分析，形成风险分级预警机制，实现风险分层分级管理，并通过与银行现有预警机制对接，辅助银行研判信贷等业务的逾期或违约风险。
针对风险客户，本发明所述决策审批自动化平台设定风险预警阈值，当客户的综合评价值低于所述风险预警阈值时，进行自动预警。
可选地，在其他实施例中，决策自动审批程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述决策自动审批程序在决策自动审批装置中的执行过程。
例如，参照图3所示，为本发明决策自动审批装置一实施例中的决策自动审批程序的程序模块示意图，该实施例中，决策自动审批程序可以被分割为验证模块10、模型训练模块20、追踪模块30，示例性地：
验证模块10用于：对客户进行一致性、真实性以及信用度的验证。
详细地，所述验证模块10提供一个决策自动审批平台的进件页面以接收客户录入的客户基本信息，保存所述录入的客户基本信息，并利用面部识别技术验证当前客户与该客户所输入的身份证照片的一致性，以及自动链接第三方数据库，通过大数据分析，验证客户的身份以及基本信息的真实性，并通过黑名单校验，验证客户的信用度。
模型训练模块20用于：在所述客户通过了上述所有验证时，自动调用所述客户相关的第三方数据库的数据作为样本数据集，训练一个决策风险模型，并利用训练后的决策风险模型输出客户信用风险等级，并根据所述风险等级进行决策自动化审批。
其中，所述决策风险模型为前向反馈神经网络模型，该前向反馈神经网络的层数有3层，包括输入层、隐藏层和输出层，其中，所述输入层的节点数目根据上述获取的指标数据的数量确定，输出层节点数量根据客户信用风险等级的个数确定，并利用下述公式确定隐藏层节点数：
l<n-1，
其中，l代表隐藏层的节点数，n代表输入层的节点数，k代表输出层的节点数，i代表0～9之间的任意常数，并根据随机设置的隐藏层的初始节点数，通过试错法确定最合适的隐藏层节点数。
进一步地，所述模型训练模块20还用于利用下述方法构建所述决策风险模型：
利用混合蛙跳算法对所述决策风险模型进行局部搜索改进，得到决策风险模型的最优的初始权值和阈值，并利用BP神经网络算法对决策风险模型进行优化。
其中，所述利用混合蛙跳算法对决策风险模型进行局部搜索改进，包括：
采用佳点集生成方法对青蛙种群进行初始化；
按照适应度函数值的大小将青蛙降序排列，按照第km+i(k＝0,1,…，n；i＝1,2,3)只青蛙放入第i组的原则，将种群分为3个青蛙子群；
根据步长更新公式进行青蛙子群内部的更新优化；
当3个青蛙子群经过局部搜索操作的更新优化后，将子群进行混合，重新合并为一个新的青蛙种群，再重新计算新的青蛙种群个体的适应度值，并降序排列，重新分组，直到满足迭代次数T达到1500或相邻两次迭代的适应度函数之差小于收敛精度，即可终止，输入最优的初始前向反馈神经网络的权值和阈值。
追踪模块30用于：当决策审批通过后，从偿付能力风险异动和偿付意愿风险异动两个维度，对客户进行风险因子的定期监测与反馈，并进行风险预警。
上述验证模块10、模型训练模块20、追踪模块30等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有决策自动审批程序，所述决策自动审批程序可被一个或多个处理器执行，以实现如下操作：
对客户进行一致性、真实性以及信用度的验证；
在验证通过时，自动调用所述客户相关的第三方数据库的数据作为样本数据集，训练决策风险模型，并利用训练后的决策风险模型输出客户信用风险等级，并根据所述风险等级进行决策自动化审批，其中，所述第三方数据库的数据包括体现客户的基本情况、客户的偿贷能力、客户的历史信用记录以及互联网信息各个方面的指标数据；
当决策审批通过后，从偿付能力风险异动和偿付意愿风险异动两个维度，对客户进行风险因子的定期监测与反馈，并进行风险预警。
本发明计算机可读存储介质具体实施方式与上述决策自动审批装置和方法各实施例基本相同，在此不作累述。
需要说明的是，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。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
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，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)

1.一种决策自动审批方法，其特征在于，所述方法包括：
接收客户录入的客户基本信息，保存所述录入的客户基本信息，并利用面部识别技术验证当前客户与该客户所输入的身份证照片的一致性；
自动链接第三方数据库，通过大数据分析，验证客户的身份以及基本信息的真实性，并通过黑名单校验，验证客户的信用度；
在上述验证均通过时，自动调用所述第三方数据库中所述客户相关的数据作为样本数据集，训练决策风险模型，并利用训练后的决策风险模型输出客户信用风险等级，并根据所述风险等级进行决策自动化审批，其中，所述第三方数据库的数据包括体现客户的基本情况、客户的偿贷能力、客户的历史信用记录以及互联网信息的指标数据。
2.如权利要求1所述的决策自动审批方法，其特征在于，该方法还包括：
当贷款审批通过并发放贷款后，从偿付能力风险异动和偿付意愿风险异动两个维度，对客户进行风险因子的定期监测与反馈，并进行风险预警。
3.如权利要求1所述的决策自动审批方法，其特征在于，所述决策风险模型为前向反馈神经网络模型，该前向反馈神经网络的层数有3层，包括输入层、隐藏层和输出层，其中，所述输入层的节点数目根据上述获取的指标数据的数量确定，输出层节点数量根据客户信用风险等级的个数确定，并利用下述公式确定隐藏层节点数：
l＜n-1，
其中，l代表隐藏层的节点数，n代表输入层的节点数，k代表输出层的节点数，i代表0～9之间的任意常数，并根据随机设置的隐藏层的初始节点数，通过试错法确定最合适的隐藏层节点数。
4.如权利要求1至3中任意一项所述的决策自动审批方法，其特征在于，该方法还包括利用下述方法构建所述决策风险模型：
利用混合蛙跳算法对所述决策风险模型进行局部搜索改进，得到决策风险模型的最优的初始权值和阈值，并利用BP神经网络算法对决策风险模型进行优化。
5.如权利要求4所述的决策自动审批方法，其特征在于，所述利用混合蛙跳算法对决策风险模型进行局部搜索改进，包括：
采用佳点集生成方法对青蛙种群进行初始化；
按照适应度函数值的大小将青蛙降序排列，按照第km+i(k＝0,1,…，n；i＝1,2,3)只青蛙放入第i组的原则，将种群分为3个青蛙子群；
根据步长更新公式进行青蛙子群内部的更新优化；
当3个青蛙子群经过局部搜索操作的更新优化后，将子群进行混合，重新合并为一个新的青蛙种群，再重新计算新的青蛙种群个体的适应度值，并降序排列，重新分组，直到满足迭代次数T达到1500或相邻两次迭代的适应度函数之差小于收敛精度，即可终止，输入最优的初始前向反馈神经网络的权值和阈值。
6.一种决策自动审批装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的决策自动审批程序，所述决策自动审批程序被所述处理器执行时实现如下步骤：
接收客户录入的客户基本信息，保存所述录入的客户基本信息，并利用面部识别技术验证当前客户与该客户所输入的身份证照片的一致性；
自动链接第三方数据库，通过大数据分析，验证客户的身份以及基本信息的真实性，并通过黑名单校验，验证客户的信用度；
在上述验证均通过时，自动调用所述第三方数据库中所述客户相关的数据作为样本数据集，训练决策风险模型，并利用训练后的决策风险模型输出客户信用风险等级，并根据所述风险等级进行决策自动化审批，其中，所述第三方数据库的数据包括体现客户的基本情况、客户的偿贷能力、客户的历史信用记录以及互联网信息的指标数据。
7.如权利要求6所述的决策自动审批装置，其特征在于，所述决策风险模型为前向反馈神经网络模型，该前向反馈神经网络的层数有3层，包括输入层、隐藏层和输出层，其中，所述输入层的节点数目根据上述获取的指标数据的数量确定，输出层节点数量根据客户信用风险等级的个数确定，并利用下述公式确定隐藏层节点数：
l＜n-1，
其中，l代表隐藏层的节点数，n代表输入层的节点数，k代表输出层的节点数，i代表0～9之间的任意常数，并根据随机设置的隐藏层的初始节点数，通过试错法确定最合适的隐藏层节点数。
8.如权利要求6或7所述的决策自动审批装置，其特征在于，所述决策自动审批程序被所述处理器执行时还实现如下步骤：
利用下述方法构建所述决策风险模型：
利用混合蛙跳算法对所述决策风险模型进行局部搜索改进，得到决策风险模型的最优的初始权值和阈值，并利用BP神经网络算法对决策风险模型进行优化。
9.如权利要求8所述的决策自动审批装置，其特征在于，所述利用混合蛙跳算法对决策风险模型进行局部搜索改进，包括：
采用佳点集生成方法对青蛙种群进行初始化；
按照适应度函数值的大小将青蛙降序排列，按照第km+i(k＝0,1,…，n；i＝1,2,3)只青蛙放入第i组的原则，将种群分为3个青蛙子群；
根据步长更新公式进行青蛙子群内部的更新优化；
当3个青蛙子群经过局部搜索操作的更新优化后，将子群进行混合，重新合并为一个新的青蛙种群，再重新计算新的青蛙种群个体的适应度值，并降序排列，重新分组，直到满足迭代次数T达到1500或相邻两次迭代的适应度函数之差小于收敛精度，即可终止，输入最优的初始前向反馈神经网络的权值和阈值。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有决策自动审批程序，所述决策自动审批程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的决策自动审批方法的步骤。
CN201910608994.8A 2019-07-05 2019-07-05 决策自动审批方法、装置及计算机可读存储介质 Withdrawn CN110458687A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910608994.8A CN110458687A (zh) 2019-07-05 2019-07-05 决策自动审批方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910608994.8A CN110458687A (zh) 2019-07-05 2019-07-05 决策自动审批方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN110458687A true CN110458687A (zh) 2019-11-15

Family

ID=68482374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910608994.8A Withdrawn CN110458687A (zh) 2019-07-05 2019-07-05 决策自动审批方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110458687A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523996A (zh) * 2020-04-21 2020-08-11 北京易点淘网络技术有限公司 一种审批方法及系统
CN111612429A (zh) * 2020-05-26 2020-09-01 山东汇贸电子口岸有限公司 应用于行政审批的辅助审批方法及辅助审批系统
CN111709716A (zh) * 2020-06-18 2020-09-25 北京同邦卓益科技有限公司 数据审批的方法、装置、设备及存储介质
CN111970159A (zh) * 2020-09-02 2020-11-20 江西凌峰能源科技有限公司 一种基于泛5g能源物联网技术的集控系统、方法以及装置
CN112348664A (zh) * 2020-10-28 2021-02-09 富邦华一银行有限公司 一种支持自动预警的信贷资信管理系统
CN112365224A (zh) * 2020-10-26 2021-02-12 南京集新萃信息科技有限公司 一种适用于项目管理系统的人工智能自动审批方法
CN112396520A (zh) * 2021-01-20 2021-02-23 四川享宇金信金融科技有限公司 反欺诈的方法、装置和设备
CN112507305A (zh) * 2020-12-17 2021-03-16 平安银行股份有限公司 风险识别方法、装置、计算机设备及可读存储介质
CN112561685A (zh) * 2020-12-15 2021-03-26 建信金融科技有限责任公司 客户的分类方法和装置
CN113191885A (zh) * 2021-05-26 2021-07-30 中国工商银行股份有限公司 贷款协同决策方法、装置及系统
CN113393331A (zh) * 2021-06-10 2021-09-14 罗忠明 基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统
CN113393316A (zh) * 2021-06-10 2021-09-14 罗忠明 基于海量大数据、核心算法的贷款全过程精准风控及管理系统
CN113393317A (zh) * 2021-06-10 2021-09-14 罗忠明 基于算法、大数据和区块链的汽车金融贷款风控系统
CN114863517A (zh) * 2022-04-22 2022-08-05 支付宝(杭州)信息技术有限公司 一种面部识别中的风险控制方法、装置以及设备
CN117709686A (zh) * 2024-02-05 2024-03-15 中建安装集团有限公司 基于bpmn模型的流程可视化管理系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220769A (zh) * 2017-05-26 2017-09-29 北京汇通金财信息科技有限公司 一种企业信用风险评估方法及系统
CN107481135A (zh) * 2017-08-16 2017-12-15 广东工业大学 一种基于bp神经网络的个人信用评价方法及系统
CN109461070A (zh) * 2018-10-25 2019-03-12 深圳壹账通智能科技有限公司 一种风险审批方法、装置、存储介质和服务器
WO2019074446A1 (en) * 2017-10-13 2019-04-18 Digital Alpha Group Pte Ltd LOAN REQUEST PROCESSING SYSTEM AND METHOD
CN109785117A (zh) * 2018-12-14 2019-05-21 平安科技（深圳）有限公司 基于神经网络的风控方法、计算机可读存储介质及服务器

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220769A (zh) * 2017-05-26 2017-09-29 北京汇通金财信息科技有限公司 一种企业信用风险评估方法及系统
CN107481135A (zh) * 2017-08-16 2017-12-15 广东工业大学 一种基于bp神经网络的个人信用评价方法及系统
WO2019074446A1 (en) * 2017-10-13 2019-04-18 Digital Alpha Group Pte Ltd LOAN REQUEST PROCESSING SYSTEM AND METHOD
CN109461070A (zh) * 2018-10-25 2019-03-12 深圳壹账通智能科技有限公司 一种风险审批方法、装置、存储介质和服务器
CN109785117A (zh) * 2018-12-14 2019-05-21 平安科技（深圳）有限公司 基于神经网络的风控方法、计算机可读存储介质及服务器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
冯婧: "基于BP神经网络的个人信用风险评估模型的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1, pages 140 - 57 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523996A (zh) * 2020-04-21 2020-08-11 北京易点淘网络技术有限公司 一种审批方法及系统
CN111612429A (zh) * 2020-05-26 2020-09-01 山东汇贸电子口岸有限公司 应用于行政审批的辅助审批方法及辅助审批系统
CN111612429B (zh) * 2020-05-26 2023-12-05 山东汇贸电子口岸有限公司 应用于行政审批的辅助审批方法及辅助审批系统
CN111709716A (zh) * 2020-06-18 2020-09-25 北京同邦卓益科技有限公司 数据审批的方法、装置、设备及存储介质
CN111970159A (zh) * 2020-09-02 2020-11-20 江西凌峰能源科技有限公司 一种基于泛5g能源物联网技术的集控系统、方法以及装置
CN112365224A (zh) * 2020-10-26 2021-02-12 南京集新萃信息科技有限公司 一种适用于项目管理系统的人工智能自动审批方法
CN112348664A (zh) * 2020-10-28 2021-02-09 富邦华一银行有限公司 一种支持自动预警的信贷资信管理系统
CN112348664B (zh) * 2020-10-28 2024-04-16 富邦华一银行有限公司 一种支持自动预警的信贷资信管理系统
CN112561685B (zh) * 2020-12-15 2023-10-17 建信金融科技有限责任公司 客户的分类方法和装置
CN112561685A (zh) * 2020-12-15 2021-03-26 建信金融科技有限责任公司 客户的分类方法和装置
CN112507305B (zh) * 2020-12-17 2024-07-09 平安银行股份有限公司 风险识别方法、装置、计算机设备及可读存储介质
CN112507305A (zh) * 2020-12-17 2021-03-16 平安银行股份有限公司 风险识别方法、装置、计算机设备及可读存储介质
CN112396520A (zh) * 2021-01-20 2021-02-23 四川享宇金信金融科技有限公司 反欺诈的方法、装置和设备
CN113191885A (zh) * 2021-05-26 2021-07-30 中国工商银行股份有限公司 贷款协同决策方法、装置及系统
CN113393331B (zh) * 2021-06-10 2022-08-23 罗嗣扬 基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统
CN113393317A (zh) * 2021-06-10 2021-09-14 罗忠明 基于算法、大数据和区块链的汽车金融贷款风控系统
CN113393316A (zh) * 2021-06-10 2021-09-14 罗忠明 基于海量大数据、核心算法的贷款全过程精准风控及管理系统
CN113393331A (zh) * 2021-06-10 2021-09-14 罗忠明 基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统
CN114863517A (zh) * 2022-04-22 2022-08-05 支付宝(杭州)信息技术有限公司 一种面部识别中的风险控制方法、装置以及设备
CN114863517B (zh) * 2022-04-22 2024-06-07 支付宝(杭州)信息技术有限公司 一种面部识别中的风险控制方法、装置以及设备
CN117709686A (zh) * 2024-02-05 2024-03-15 中建安装集团有限公司 基于bpmn模型的流程可视化管理系统及方法
CN117709686B (zh) * 2024-02-05 2024-04-19 中建安装集团有限公司 基于bpmn模型的流程可视化管理系统及方法

Similar Documents

Publication Publication Date Title
CN110458687A (zh) 决策自动审批方法、装置及计算机可读存储介质
Wang Research on supply chain financial risk assessment based on blockchain and fuzzy neural networks
Oluikpe Developing a corporate knowledge management strategy
CN111222955A (zh) 一种基于区块链的供应商监管方法及系统
CN112541698A (zh) 基于企业外部特征识别企业风险的方法和系统
CN108492001A (zh) 一种用于担保贷款网络风险管理的方法
Zhan et al. Driving efficiency and risk management in finance through AI and RPA
Li et al. Theory and application of artificial intelligence in financial industry
CN111861716A (zh) 一种基于软件系统的贷中监控预警等级生成方法
CN111275391A (zh) 在线式资产智能分发系统和方法
CN110310123A (zh) 风险判断方法和装置
Guo et al. The Prediction Analysis of Peer‐to‐Peer Lending Platforms Default Risk Based on Comparative Models
Wang et al. Internet financial risk management in the context of big data and artificial intelligence
CN112990953A (zh) 一种基于人工智能的个人智能决策引擎
Arief et al. Information technology audit for management evaluation using COBIT and IT security (Case study on Dishubkominfo of North Maluku Provincial Government, Indonesia)
CN109410035B (zh) 一种协助反欺诈分析群组结构的方法及工具
Lin et al. Research on the construction of financial supervision information system based on machine learning
CN111694952A (zh) 一种基于微博的大数据分析模型系统及其实现方法
Xie et al. Data‐Driven Intelligent Risk System in the Process of Financial Audit
CN115564591A (zh) 一种融资产品的确定方法及相关设备
Ou et al. Predicting Risk Propagation of Corporate Internet Reporting Based on Fuzzy Neural Network.
CN109214714A (zh) 资产负债预警分析方法、装置及计算机可读存储介质
Li et al. Financial Data Center Configuration Management System Based on Random Forest Algorithm and Few‐Shot Learning
Yuan et al. Critical risks identification of Public Private Partnerships in China and the analysis on questionnaire survey
CN114066624A (zh) 基于图计算的黑名单关联图谱挖掘方法及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20191115