CN110633919A - 经营实体的评估方法及其装置 - Google Patents
经营实体的评估方法及其装置 Download PDFInfo
- Publication number
- CN110633919A CN110633919A CN201910922385.XA CN201910922385A CN110633919A CN 110633919 A CN110633919 A CN 110633919A CN 201910922385 A CN201910922385 A CN 201910922385A CN 110633919 A CN110633919 A CN 110633919A
- Authority
- CN
- China
- Prior art keywords
- value
- information
- label
- business entity
- evaluated
- 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 41
- 239000013598 vector Substances 0.000 claims abstract description 149
- 238000011156 evaluation Methods 0.000 claims abstract description 96
- 238000007477 logistic regression Methods 0.000 claims abstract description 47
- 238000013145 classification model Methods 0.000 claims abstract description 35
- 230000006399 behavior Effects 0.000 claims description 59
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种经营实体的评估方法及其装置。其中，方法包括：获取待评估经营实体的注册信息和经营信息。根据注册信息和经营信息，确定待评估经营实体对应的多个价值标签和风险评分。对价值标签进行分类，以生成待评估经营实体对应的多个价值向量。根据多个价值向量，使用GBDT分类模型生成待评估经营实体对应的多个维度的价值评分。将多个维度的价值评分和风险评分，输入训练后的逻辑回归模型中，以生成待评估经营实体的评估结果。由此，实现了使用互不干扰的价值评分和风险评分，生成待评估经营实体的评估结果，提升了评估结果的客观性。解决了现有技术中价值评分受风险项干扰，价值评分较低，使得评估结果较差，与实际不符的技术问题。
Description
【技术领域】
本发明涉及数据处理技术领域，尤其涉及一种经营实体的评估方法及其装置。
【背景技术】
随着移动支付技术的发展，越来越多的线下商户采用移动支付的手段进行商品的销售，移动支付平台为线下商户提供了免手续费提现、信用收款等优惠措施。但是存在部分线下商户存在违规行为，利用移动支付平台提供的优惠措施获取不正当利益。
相关技术中，采用专家打分的方式对线下商户的各项行为进行评分，对线下商户进行评估，主观性较强，且价值评分会受到风险行为的影响，使得存在风险行为的线下商户的评估结果较差，与实际不符。
【发明内容】
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种经营实体的评估方法，以实现使用互不干扰的价值评分和风险评分，生成待评估经营实体的评估结果，提升评估结果的客观性。
本发明的第二个目的在于提出一种经营实体的评估装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本发明第一方面实施例提出了经营实体的评估方法，包括：获取待评估经营实体的注册信息和经营信息；根据所述注册信息和所述经营信息，确定所述待评估经营实体对应的多个价值标签和风险评分；对所述价值标签进行分类，以生成所述待评估经营实体对应的多个价值向量；根据所述多个价值向量，使用GBDT分类模型生成所述待评估经营实体对应的多个维度的价值评分；将所述多个维度的价值评分和所述风险评分，输入训练后的逻辑回归模型中，以生成所述待评估经营实体的评估结果。
和现有技术相比，本发明实施例根据经营实体的注册信息和经营信息，生成对应的多个价值标签和风险评分。对价值标签进行分类，生成对应于不同维度的多个价值向量，使用GBDT分类模型生成对应于不同维度的价值评分。将价值评分和风险评分输入训练后的逻辑回归模型，生成评估结果。实现了使用互不干扰的价值评分和风险评分，生成待评估经营实体的评估结果，提升了评估结果的客观性。
另外，本发明实施例的经营实体的评估方法，还具有如下附加的技术特征：
可选地，所述注册信息包括所述待评估经营实体的账户信息，工商信息和关联经营实体信息，所述经营信息包括所述待评估经营实体的交易流水信息和买家信息，所述价值标签包括账户标签，身份标签，关联身份标签，交易量标签，交易时段标签和买家质量标签，所述根据所述注册信息和所述经营信息，确定所述待评估经营实体对应的多个价值标签和风险评分，包括：根据所述账户信息，确定所述待评估经营实体对应的多个所述账户标签；根据所述工商信息，确定所述待评估经营实体对应的多个所述身份标签；根据所述关联经营实体信息，确定所述待评估经营实体对应的多个所述关联身份标签；根据所述交易流水信息，确定所述待评估经营实体对应的所述交易量标签和所述交易时段标签；根据所述买家信息，确定所述待评估经营实体对应的所述买家质量标签；从所述账户信息，所述工商信息，所述关联经营实体信息，所述交易流水信息和所述买家信息中，获取所述待评估经营实体对应的异常信息；确定所述异常信息对应的风险项，以及风险项评分；根据所述风险项对应的权重，以及所述风险项评分，确定所述异常信息对应的所述风险评分。
可选地，所述对所述价值标签进行分类的类别对应于所述待评估经营实体的身份类标签，行为类标签，交易类标签和关系类标签，所述价值向量包括身份向量，行为向量，交易向量和关系向量，所述身份类标签对应于所述身份向量，所述行为类标签对应于所述行为向量，所述交易类标签对应于所述交易向量，所述关系类标签对应于所述关系向量，所述对所述价值标签进行分类，以生成所述待评估经营实体对应的多个价值向量，包括：分别将所述账户标签，所述身份标签，所述关联身份标签，所述交易量标签，所述交易时段标签和所述买家质量标签，确定为所述身份类标签，所述行为类标签，所述交易类标签和所述关系类标签；根据所述身份类标签，所述行为类标签，所述交易类标签和所述关系类标签，确定所述身份向量，所述行为向量，所述交易向量和所述关系向量的数据。
可选地，所述价值向量与所述价值评分的所述维度一一对应，所述根据所述多个价值向量，使用GBDT分类模型生成所述待评估经营实体对应的多个维度的价值评分，包括：获取所述价值向量包括的多个所述数据；使用GBDT分类模型对多个所述数据进行处理，以生成所述价值向量对应的所述维度的所述价值评分。
可选地，所述逻辑回归模型通过以下步骤进行训练：获取多个参考经营实体对应的所述多个维度的价值评分和所述风险评分，以及所述参考经营实体对应的评估结果；对所述多个维度的价值评分、所述风险评分和所述评估结果进行逻辑回归处理，以确定每个所述维度的所述价值评分对应的价值权重，以及所述风险评分对应的风险权重；根据多个所述价值权重和所述风险权重，生成所述训练后的逻辑回归模型。
本发明第二方面实施例提出了一种经营实体的评估装置，包括：第一获取模块，用于获取待评估经营实体的注册信息和经营信息；确定模块，用于根据所述注册信息和所述经营信息，确定所述待评估经营实体对应的多个价值标签和风险评分；分类模块，用于对所述价值标签进行分类，以生成所述待评估经营实体对应的多个价值向量；第一生成模块，用于根据所述多个价值向量，使用GBDT分类模型生成所述待评估经营实体对应的多个维度的价值评分；输入模块，用于将所述多个维度的价值评分和所述风险评分，输入训练后的逻辑回归模型中，以生成所述待评估经营实体的评估结果。
另外，本发明实施例的经营实体的评估装置，还具有如下附加的技术特征：
可选地，所述注册信息包括所述待评估经营实体的账户信息，工商信息和关联经营实体信息，所述经营信息包括所述待评估经营实体的交易流水信息和买家信息，所述价值标签包括账户标签，身份标签，关联身份标签，交易量标签，交易时段标签和买家质量标签，所述确定模块包括：第一确定子模块，用于根据所述账户信息，确定所述待评估经营实体对应的多个所述账户标签；第二确定子模块，用于根据所述工商信息，确定所述待评估经营实体对应的多个所述身份标签；第三确定子模块，用于根据所述关联经营实体信息，确定所述待评估经营实体对应的多个所述关联身份标签；第四确定子模块，用于根据所述交易流水信息，确定所述待评估经营实体对应的所述交易量标签和所述交易时段标签；第五确定子模块，用于根据所述买家信息，确定所述待评估经营实体对应的所述买家质量标签；第一获取子模块，用于从所述账户信息，所述工商信息，所述关联经营实体信息，所述交易流水信息和所述买家信息中，获取所述待评估经营实体对应的异常信息；第六确定子模块，用于确定所述异常信息对应的风险项，以及风险项评分；第七确定子模块，用于根据所述风险项对应的权重，以及所述风险项评分，确定所述异常信息对应的所述风险评分。
可选地，所述GBDT分类模型的类别对应于所述待评估经营实体的身份类标签，行为类标签，交易类标签和关系类标签，所述价值向量包括身份向量，行为向量，交易向量和关系向量，所述身份类标签对应于所述身份向量，所述行为类标签对应于所述行为向量，所述交易类标签对应于所述交易向量，所述关系类标签对应于所述关系向量，所述分类模块包括：第八确定子模块，用于分别将所述账户标签，所述身份标签，所述关联身份标签，所述交易量标签，所述交易时段标签和所述买家质量标签，确定为所述身份类标签，所述行为类标签，所述交易类标签和所述关系类标签；第九确定子模块，用于根据所述身份类标签，所述行为类标签，所述交易类标签和所述关系类标签，确定所述身份向量，所述行为向量，所述交易向量和所述关系向量的数据。
可选地，所述价值向量与所述价值评分的所述维度一一对应，所述第一生成模块包括：第二获取子模块，用于获取所述价值向量包括的多个所述数据；处理子模块，用于使用GBDT分类模型对多个所述数据进行处理，以生成所述价值向量对应的所述维度的所述价值评分。
可选地，所述装置还包括：第二获取模块，用于获取多个参考经营实体对应的所述多个维度的价值评分和所述风险评分，以及所述参考经营实体对应的评估结果；处理模块，用于对所述多个维度的价值评分、所述风险评分和所述评估结果进行逻辑回归处理，以确定每个所述维度的所述价值评分对应的价值权重，以及所述风险评分对应的风险权重；第二生成模块，用于根据多个所述价值权重和所述风险权重，生成所述训练后的逻辑回归模型。
本发明第三方面实施例提出了一种计算机设备，包括存储器和处理器；所述存储器上存储有可由处理器运行的计算机程序；所述处理器运行所述计算机程序时，执行如如前述方法实施例所述的经营实体的评估方法。
本发明第四方面实施例提出了一种非临时性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，实现如前述方法实施例所述的经营实体的评估方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例所提供的一种经营实体的评估方法的流程示意图；
图2为本发明实施例所提供的另一种经营实体的评估方法的流程示意图；
图3为本发明实施例所提供的又一种经营实体的评估方法的流程示意图；
图4为本发明实施例所提供的经营实体的评估方法的一个示例的流程图；
图5为本发明实施例所提供的一种经营实体的评估装置的结构示意图；
图6为本发明实施例所提供的另一种经营实体的评估装置的结构示意图；以及
图7为本发明实施例所提供的又一种经营实体的评估装置的结构示意图。
【具体实施方式】
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的经营实体的评估方法及其装置。
基于上述现有技术的描述可以知道，相关技术中，采用专家打分的方式对线下商户的各项行为进行评分，对线下商户进行评估，主观性较强，且价值评分会受到风险行为的影响，使得存在风险行为的线下商户的评估结果较差，与实际不符。
针对这一问题，本发明实施例提供了一种经营实体的评估方法，根据经营实体的注册信息和经营信息，生成对应的多个价值标签和风险评分。对价值标签进行分类，生成对应于不同维度的多个价值向量，使用GBDT分类模型生成对应于不同维度的价值评分。将价值评分和风险评分输入训练后的逻辑回归模型，生成评估结果。实现了使用互不干扰的价值评分和风险评分，生成待评估经营实体的评估结果，提升了评估结果的客观性。
图1为本发明实施例所提供的一种经营实体的评估方法的流程示意图。如图1所示，该方法包括以下步骤：
步骤S101，获取待评估经营实体的注册信息和经营信息。
可以理解，经营实体在移动支付平台上注册时，需要提供经营实体的负责人的身份信息，经营实体的工商信息，以及营业执照的图片信息等。
经营实体在注册成功之后，移动支付平台会记录经营实体的经营信息，比如经营实体每天的流水记录，经营实体对账户的操作记录。
在对经营实体进行评估时，可以通过经营实体在移动支付平台上对应的注册信息和经营信息，确定该经营实体对应的价值和风险。
步骤S102，根据注册信息和经营信息，确定待评估经营实体对应的多个价值标签和风险评分。
对于经营实体在移动平台上对应注册信息和经营信息，需要先进行区分，确定哪些信息是经营实体的价值项信息，哪些信息是经营实体的风险项信息，将价值项信息和风险项信息进行分别操作，以防相互干扰。
对于价值项信息，本发明实施例需要对价值在不同维度上进行评分。为了便于后续的数据处理，首先根据价值项信息，生成多个价值标签，再将价值标签对应到不同维度上。
对于风险项信息，为了简化处理流程，本发明实施例则直接生成风险评分。
步骤S103，对价值标签进行分类，以生成待评估经营实体对应的多个价值向量。
具体地，为了能将多个价值标签对应到不同维度上，需要对价值标签进行分类，每个类别对应一个维度。
可以理解，由于每个维度对应于多个价值标签，可以将每个维度对应的多个价值标签作为一个价值标签集合，具体可以采用价值向量的形式。
需要特别说明的是，由于不同维度对应的价值标签的数量可能不同，因此不同价值向量的维数可以不同。
步骤S104，根据多个价值向量，使用GBDT分类模型生成待评估经营实体对应的多个维度的价值评分。
其中，GBDT(梯度提升决策树，Gradient Boosting Decision Tree)分类算法是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加得到最终结果。其中，决策树为回归树。GBDT分类模型即为GBDT分类算法在具体场景中的应用。
可以理解，由于本发明实施例中对经营实体进行价值评分，采用多维度价值评分的方式，而不同维度对应的价值向量不同，相应地，对应的GBDT分类模型的参数组合也不同。也就是说，GBDT分类模型的参数组合与价值向量一一对应。其中，每个GBDT分类模型的参数组合可以预先由参考价值向量进行训练生成。
将对应于不同维度的价值向量输入对应的GBDT分类模型，可以生成对应的价值评分。
步骤S105，将多个维度的价值评分和风险评分，输入训练后的逻辑回归模型中，以生成待评估经营实体的评估结果。
其中，逻辑回归模型对应于不同的价值评分和风险评分，设置有对应的权重，逻辑回归模型的训练过程就是对权重数值的训练。
将价值评分和风险评分输入训练后的逻辑回归模型中，与对应权重进行计算，即可生成经营实体的评估结果。
综上所述，本发明实施例所提供的经营实体的评估方法。获取待评估经营实体的注册信息和经营信息。根据注册信息和经营信息，确定待评估经营实体对应的多个价值标签和风险评分。对价值标签进行分类，以生成待评估经营实体对应的多个价值向量。根据多个价值向量，使用GBDT分类模型生成待评估经营实体对应的多个维度的价值评分。将多个维度的价值评分和风险评分，输入训练后的逻辑回归模型中，以生成待评估经营实体的评估结果。由此，实现了使用互不干扰的价值评分和风险评分，生成待评估经营实体的评估结果，提升了评估结果的客观性。
基于前述的说明可以知道，注册信息包括待评估经营实体的账户信息，工商信息和关联经营实体信息。其中，账户信息即为经营实体在移动支付平台上注册账户时输入的负责人信息，工商信息即为经营实体的工商信息和营业执照的图片信息，关联经营实体信息即为该负责人在移动支付平台上绑定的其他经营实体的信息。
经营信息包括待评估经营实体的交易流水信息和买家信息。其中，交流流水信息即为经营实体的流水记录，买家信息即为流水记录每一笔流水对应的买家。
相应地，根据注册信息和工商信息确定的价值标签，包括账户标签，身份标签，关联身份标签。其中，账户标签由账户信息确定，身份标签由工商信息确定，关联身份标签由关联经营实体信息确定。
价值标签还包括交易量标签，交易时段标签和买家质量标签，交易量标签由交易流水信息确定，交易时段标签由交易流水信息确定，买家质量标签由买家信息确定。
那么步骤S102，根据注册信息和经营信息，确定待评估经营实体对应的多个价值标签和风险评分，包括：
步骤S11，根据账户信息，确定待评估经营实体对应的多个账户标签。
步骤S12，根据工商信息，确定待评估经营实体对应的多个身份标签。
步骤S13，根据关联经营实体信息，确定待评估经营实体对应的多个关联身份标签。
步骤S14，根据交易流水信息，确定待评估经营实体对应的交易量标签和交易时段标签。
步骤S15，根据买家信息，确定待评估经营实体对应的买家质量标签。
步骤S16，从账户信息，工商信息，关联经营实体信息，交易流水信息和买家信息中，获取待评估经营实体对应的异常信息。
步骤S17，确定异常信息对应的风险项，以及风险项评分。
步骤S18，根据风险项对应的权重，以及风险项评分，确定异常信息对应的风险评分。
需要说明的是，本发明实施例中将不同的异常信息，划分为不同的风险项，每个风险项对风险评分的影响由风险项对应的权重确定。在风险项中根据异常信息对应的风险影响度，确定对应的风险项评分。从而结合风险项对应的权重，以及风险项评分，确定最终的风险评分。
此外，本发明实施例从身份、行为、交易、关系四个维度对经营实体的价值进行评分。相应地，对价值标签进行分类时，分类的标签对应于待评估经营实体的身份类标签，行为类标签，交易类标签和关系类标签。相应地，价值向量包括身份向量，行为向量，交易向量和关系向量。可以理解，身份类标签对应于身份向量，行为类标签对应于行为向量，交易类标签对应于交易向量，关系类标签对应于关系向量。
步骤S103，对价值标签进行分类，以生成待评估经营实体对应的多个价值向量，包括：
步骤S21，分别将账户标签，身份标签，关联身份标签，交易量标签，交易时段标签和买家质量标签，确定为身份类标签，行为类标签，交易类标签和关系类标签。
步骤S22，根据身份类标签，行为类标签，交易类标签和关系类标签，确定身份向量，行为向量，交易向量和关系向量的数据。
其中，价值向量的数据是价值向量包括的价值标签。
需要特别说明的是，本发明实施例中的价值标签可以同时对应于多个类别。举例来说，从经营实体的流水记录中生成的交易时段标签显示经营实体的营业高峰期为每天的11点到13点，则该交易时段标签既可以作为行为类标签，反映出该经营实体的营收稳定，又可以作为交易类标签，反映出该经营实体的交易时段集中。
因此，本发明实施例中不同维度对应的价值向量，可以存在相同的数据，在使用GBDT分类模型生成不同维度的价值评分时，相同的数据可以对不同的价值评分产生影响。
基于前述的说明，可以知道，价值向量与价值评分的维度一一对应，则步骤S104，根据多个价值向量，使用GBDT分类模型生成待评估经营实体对应的多个维度的价值评分，包括：
步骤S31，获取价值向量包括的多个数据。
步骤S32，使用GBDT分类模型对多个数据进行处理，以生成价值向量对应的维度的价值评分。
其中，价值向量中包括的多个数据即为前述的价值标签，为了便于处理，可以将价值标签以数字编码的方式转化为数据形式。
需要说明的是，GBDT分类模型对多个数据进行处理后，可直接生成价值评分。
为了更加清楚地说明本发明实施例所提供的经营实体的评估方法的处理流程，本发明实施例还提出了另一种经营实体的评估方法。图2为本发明实施例所提供的另一种经营实体的评估方法的流程示意图，如图2所示，该方法包括：
步骤S201，获取待评估经营实体的账户信息，工商信息，关联经营实体信息，交易流水信息和买家信息。
步骤S202，根据账户信息，确定待评估经营实体对应的多个账户标签。
步骤S203，根据工商信息，确定待评估经营实体对应的多个身份标签。
步骤S204，根据关联经营实体信息，确定待评估经营实体对应的多个关联身份标签。
步骤S205，根据交易流水信息，确定待评估经营实体对应的交易量标签和交易时段标签。
步骤S206，根据买家信息，确定待评估经营实体对应的买家质量标签。
步骤S207，从账户信息，工商信息，关联经营实体信息，交易流水信息和买家信息中，获取待评估经营实体对应的异常信息。
步骤S208，确定异常信息对应的风险项，以及风险项评分。
步骤S209，根据风险项对应的权重，以及风险项评分，确定异常信息对应的风险评分。
步骤S210，分别将账户标签，身份标签，关联身份标签，交易量标签，交易时段标签和买家质量标签，确定为身份类标签，行为类标签，交易类标签和关系类标签。
步骤S211，根据身份类标签，行为类标签，交易类标签和关系类标签，确定身份向量，行为向量，交易向量和关系向量的数据。
步骤S212，获取价值向量包括的多个数据。
步骤S213，使用GBDT分类模型对多个数据进行处理，以生成价值向量对应的维度的价值评分。
步骤S214，将多个维度的价值评分和风险评分，输入训练后的逻辑回归模型中，以生成待评估经营实体的评估结果。
需要说明的是，对前述实施例的解释说明也适用于步骤S201-S214，此处不再赘述。
从而，实现了根据经营实体的账户信息，工商信息，关联经营实体信息，交易流水信息和买家信息，生成经营实体的评估结果。
此外，为了实现前述实施例，本发明实施例中的逻辑回归模型通过以下步骤进行训练：
步骤S41，获取多个参考经营实体对应的多个维度的价值评分和风险评分，以及参考经营实体对应的评估结果。
其中，参考经营实体可以是成熟无投诉的经营实体，已经被清退的经营实体，被投诉定性的经营实体，这些经营实体的价值评分、风险评分和评估结果已经确定，可用于训练逻辑回归模型。
步骤S42，对多个维度的价值评分、风险评分和评估结果进行逻辑回归处理，以确定每个维度的价值评分对应的价值权重，以及风险评分对应的风险权重。
基于前述说明可以知道，对逻辑回归模型的训练实际上是对逻辑回归模型的权重组合进行优化。在生成经营实体的评估结果时，输入逻辑回归模型的数据有多个维度的价值评分和风险评分，因此只需要对多个维度的价值评分对应的价值权重，以及风险评分对应的风险权重进行训练和优化。
步骤S43，根据多个价值权重和风险权重，生成训练后的逻辑回归模型。
经过训练后的逻辑回归模型，能够满足参考经营实体对应的多个维度的价值评分、风险评分和评估结果。也就能够对待评估经营实体对应的多个维度的价值评分、风险评分进行计算，生成待评估经营实体的评估结果。
为了更加清楚地说明本发明实施例所提供的经营实体的评估方法是如何利用训练后的逻辑回归模型来生成评估结果的，本发明实施例还提出了又一种经营实体的评估方法。图3为本发明实施例所提供的又一种经营实体的评估方法的流程示意图。如图3所示，该方法包括：
步骤S301，获取多个参考经营实体对应的多个维度的价值评分和风险评分，以及参考经营实体对应的评估结果。
步骤S302，对多个维度的价值评分、风险评分和评估结果进行逻辑回归处理，以确定每个维度的价值评分对应的价值权重，以及风险评分对应的风险权重。
步骤S303，根据多个价值权重和风险权重，生成训练后的逻辑回归模型。
步骤S304，获取待评估经营实体的账户信息，工商信息，关联经营实体信息，交易流水信息和买家信息。
步骤S305，根据账户信息，确定待评估经营实体对应的多个账户标签。
步骤S306，根据工商信息，确定待评估经营实体对应的多个身份标签。
步骤S307，根据关联经营实体信息，确定待评估经营实体对应的多个关联身份标签。
步骤S308，根据交易流水信息，确定待评估经营实体对应的交易量标签和交易时段标签。
步骤S309，根据买家信息，确定待评估经营实体对应的买家质量标签。
步骤S310，从账户信息，工商信息，关联经营实体信息，交易流水信息和买家信息中，获取待评估经营实体对应的异常信息。
步骤S311，确定异常信息对应的风险项，以及风险项评分。
步骤S312，根据风险项对应的权重，以及风险项评分，确定异常信息对应的风险评分。
步骤S313，分别将账户标签，身份标签，关联身份标签，交易量标签，交易时段标签和买家质量标签，确定为身份类标签，行为类标签，交易类标签和关系类标签。
步骤S314，根据身份类标签，行为类标签，交易类标签和关系类标签，确定身份向量，行为向量，交易向量和关系向量的数据。
步骤S315，获取价值向量包括的多个数据。
步骤S316，使用GBDT分类模型对多个数据进行处理，以生成价值向量对应的维度的价值评分。
步骤S317，将多个维度的价值评分和风险评分，输入训练后的逻辑回归模型中，以生成待评估经营实体的评估结果。
需要说明的是，对前述实施例的解释说明也适用于步骤S301-S317，此处不再赘述。
从而，实现了利用参考经营实体的价值评分、风险评分和评估结果，对逻辑回归模型进行训练，从而生成待评估经营实体的评估结果。
需要说明的是，本发明实施例所提供的评估结果以分值的形式进行展示，分值越高，说明经营实体的价值越高，风险越低。
因此，对于不同分值段的经营实体，移动支付平台可以采取针对性的措施。具体来说，对于评估分值高的经营实体，可以提供奖励和优惠，比如推送相关活动信息，以及费率优惠信息等。对于评估分值低的经营实体，可以进行惩罚，比如采取清退、关闭提现权限、关闭信用收款权限等。对评估分值位于中间段的经营实体，可以具体分析该经营实体在不同维度上的价值评分和风险评分，进而采取针对性措施。对于身份维度和关系维度的价值评分高、交易维度和行为维度的价值评分低、风险评分高的经营实体，可以采用延迟结算的措施。对于身份维度和关系维度的价值评分低、交易维度和行为维度的价值评分高、风险评分高的经营实体，可以采用微客巡检的措施。对于身份维度和关系维度的价值评分高、交易维度和行为维度的价值评分高、风险评分高的经营实体，可以采用关闭信用收款权限的措施。举例来说，对于经营实体A，身份维度的价值评分为880/1000，行为维度的价值评分为765/1000，交易维度的价值评分为120/1000，关系维度的价值评分为550/120，考虑到经营实体A只有交易维度的价值评分低，因此可以采用延迟接收的措施。
为了更加清楚地说明本发明实施例所提供的经营实体的评估方法是如何实现对经营实体的评估，以及采取针对性措施的，下面进行举例说明。
图4为本发明实施例所提供的经营实体的评估方法的一个示例的流程图。如图4所示，首先使用参考经营实体对应的身份维度价值评分、行为维度价值评分、交易维度价值评分、关系维度价值评分、风险评分，以及评分结果，对逻辑回归模型进行训练，确定逻辑回归模型中对应的价值权重和风险权重的数值，生成训练后的逻辑回归模型。
获取待评估经营实体的账户信息、工商信息、关联经营实体信息、交易流水信息、买家信息，对其进行区分，提取出价值项信息和异常信息。将价值项信息标签化，生成账户标签、身份标签、关联身份标签、交易量标签、交易时段标签、买家质量标签。对异常信息进行处理，确定对应的风险项，以及风险项评分，根据风险项确定风险项权重，结合风险项权重和风险项评分，生成风险评分。
对上述标签进行分类处理，得到身份类标签、行为类标签、交易类标签、关系类标签。根据不同类别的价值标签集合，生成对应的身份向量、行为向量、交易向量、关系向量。使用GBDT分类模型分别对对应的向量进行处理，得到向量对应的价值评分。
将多个价值评分和风险评分输入训练后的逻辑回归模型，得到经营识别的评估分值。对于分值不同的经营实体，采用不同的处理措施。
为了实现上述实施例，本发明实施例还提出了一种经营实体的评估装置。
图5为本发明实施例所提供的一种经营实体的评估装置的结构示意图，如图5所示，该装置包括：第一获取模块410，确定模块420，分类模块430，第一生成模块440，输入模块450。
第一获取模块410，用于获取待评估经营实体的注册信息和经营信息。
确定模块420，用于根据注册信息和经营信息，确定待评估经营实体对应的多个价值标签和风险评分。
分类模块430，用于对价值标签进行分类，以生成待评估经营实体对应的多个价值向量。
第一生成模块440，用于根据多个价值向量，使用GBDT分类模型生成待评估经营实体对应的多个维度的价值评分。
输入模块450，用于将多个维度的价值评分和风险评分，输入训练的逻辑回归模型中，以生成待评估经营实体的评估结果。
需要说明的是，前述对经营实体的评估方法实施例的解释说明也适用于该实施例的经营实体的评估装置，此处不再赘述。
综上所述，本发明实施例所提供的经营实体的评估装置。获取待评估经营实体的注册信息和经营信息。根据注册信息和经营信息，确定待评估经营实体对应的多个价值标签和风险评分。对价值标签进行分类，以生成待评估经营实体对应的多个价值向量。根据多个价值向量，使用GBDT分类模型生成待评估经营实体对应的多个维度的价值评分。将多个维度的价值评分和风险评分，输入训练后的逻辑回归模型中，以生成待评估经营实体的评估结果。由此，实现了使用互不干扰的价值评分和风险评分，生成待评估经营实体的评估结果，提升了评估结果的客观性。
为了实现上述实施例，本发明实施例还提出了另一种经营实体的评估装置。图6为本发明实施例所提供的另一种经营实体的评估装置的结构示意图，如图6所示，该装置包括：第一获取模块510，确定模块520，分类模块530，第一生成模块540，输入模块550。
第一获取模块510，用于获取待评估经营实体的账户信息，工商信息，关联经营实体信息，交易流水信息和买家信息。
确定模块520，用于确定待评估经营实体对应的多个价值标签和风险评分。
分类模块530，用于对价值标签进行分类，以生成待评估经营实体对应的多个价值向量。
第一生成模块540，用于根据多个价值向量，使用GBDT分类模型生成待评估经营实体对应的多个维度的价值评分。
输入模块550，用于将多个维度的价值评分和风险评分，输入训练后的逻辑回归模型中，以生成待评估经营实体的评估结果。
其中，确定模块520包括：第一确定子模块521，用于根据账户信息，确定待评估经营实体对应的多个账户标签。第二确定子模块522，用于根据工商信息，确定待评估经营实体对应的多个身份标签。第三确定子模块523，用于根据关联经营实体信息，确定待评估经营实体对应的多个关联身份标签。第四确定子模块524，用于根据交易流水信息，确定待评估经营实体对应的交易量标签和交易时段标签。第五确定子模块525，用于根据买家信息，确定待评估经营实体对应的买家质量标签。第一获取子模块526，用于从账户信息，工商信息，关联经营实体信息，交易流水信息和买家信息中，获取待评估经营实体对应的异常信息。第六确定子模块527，用于确定异常信息对应的风险项，以及风险项评分。第七确定子模块528，用于根据风险项对应的权重，以及风险项评分，确定异常信息对应的风险评分。
分类模块530包括：第八确定子模块531，用于分别将账户标签，身份标签，关联身份标签，交易量标签，交易时段标签和买家质量标签，确定为身份类标签，行为类标签，交易类标签和关系类标签。第九确定子模块532，用于根据身份类标签，行为类标签，交易类标签和关系类标签，确定身份向量，行为向量，交易向量和关系向量的数据。
第一生成模块540包括：第二获取子模块541，用于获取价值向量包括的多个数据。处理子模块542，用于使用GBDT分类模型对多个数据进行处理，以生成价值向量对应的维度的价值评分。
需要说明的是，前述对经营实体的评估方法实施例的解释说明也适用于该实施例的经营实体的评估装置，此处不再赘述。
从而，实现了根据经营实体的账户信息，工商信息，关联经营实体信息，交易流水信息和买家信息，生成经营实体的评估结果。
为了实现上述实施例，本发明实施例还提出了又一种经营实体的评估装置。图7为本发明实施例所提供的又一种经营实体的评估装置的结构示意图，如图7所示，该装置包括：第二获取模块610，处理模块620，第二生成模块630，第一获取模块640，确定模块650，分类模块660，第一生成模块670，输入模块680。
第二获取模块610，用于获取多个参考经营实体对应的多个维度的价值评分和风险评分，以及参考经营实体对应的评估结果。
处理模块620，用于对多个维度的价值评分、风险评分和评估结果进行逻辑回归处理，以确定每个维度的价值评分对应的价值权重，以及风险评分对应的风险权重。
第二生成模块630，用于根据多个价值权重和风险权重，生成训练后的逻辑回归模型。
第一获取模块640，用于获取待评估经营实体的账户信息，工商信息，关联经营实体信息，交易流水信息和买家信息。
确定模块650，用于确定待评估经营实体对应的多个价值标签和风险评分。
分类模块660，用于对价值标签进行分类，以生成待评估经营实体对应的多个价值向量。
第一生成模块670，用于根据多个价值向量，使用GBDT分类模型生成待评估经营实体对应的多个维度的价值评分。
输入模块680，用于将多个维度的价值评分和风险评分，输入训练后的逻辑回归模型中，以生成待评估经营实体的评估结果。
其中，确定模块650包括：第一确定子模块651，用于根据账户信息，确定待评估经营实体对应的多个账户标签。第二确定子模块652，用于根据工商信息，确定待评估经营实体对应的多个身份标签。第三确定子模块653，用于根据关联经营实体信息，确定待评估经营实体对应的多个关联身份标签。第四确定子模块654，用于根据交易流水信息，确定待评估经营实体对应的交易量标签和交易时段标签。第五确定子模块655，用于根据买家信息，确定待评估经营实体对应的买家质量标签。第一获取子模块656，用于从账户信息，工商信息，关联经营实体信息，交易流水信息和买家信息中，获取待评估经营实体对应的异常信息。第六确定子模块657，用于确定异常信息对应的风险项，以及风险项评分。第七确定子模块658，用于根据风险项对应的权重，以及风险项评分，确定异常信息对应的风险评分。
分类模块660包括：第八确定子模块661，用于分别将账户标签，身份标签，关联身份标签，交易量标签，交易时段标签和买家质量标签，确定为身份类标签，行为类标签，交易类标签和关系类标签。第九确定子模块662，用于根据身份类标签，行为类标签，交易类标签和关系类标签，确定身份向量，行为向量，交易向量和关系向量的数据。
第一生成模块670包括：第二获取子模块671，用于获取价值向量包括的多个数据。处理子模块672，用于使用GBDT分类模型对多个数据进行处理，以生成价值向量对应的维度的价值评分。
需要说明的是，前述对经营实体的评估方法实施例的解释说明也适用于该实施例的经营实体的评估装置，此处不再赘述。
从而，实现了利用参考经营实体的价值评分、风险评分和评估结果，对逻辑回归模型进行训练，从而生成待评估经营实体的评估结果。
为了实现上述实施例，本发明实施例还提出一种计算机设备，包括存储器和处理器；所述存储器上存储有可由处理器运行的计算机程序；所述处理器运行所述计算机程序时，执行如前述方法实施例所述的经营实体的评估方法。
为了实现上述实施例，实施例还提出一种非临时性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如前述方法实施例所述的经营实体的评估方法。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示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。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种经营实体的评估方法，其特征在于，包括：
获取待评估经营实体的注册信息和经营信息；
根据所述注册信息和所述经营信息，确定所述待评估经营实体对应的多个价值标签和风险评分；
对所述价值标签进行分类，以生成所述待评估经营实体对应的多个价值向量；
根据所述多个价值向量，使用GBDT分类模型生成所述待评估经营实体对应的多个维度的价值评分；以及
将所述多个维度的价值评分和所述风险评分，输入训练后的逻辑回归模型中，以生成所述待评估经营实体的评估结果。
2.如权利要求1所述的方法，其特征在于，所述注册信息包括所述待评估经营实体的账户信息，工商信息和关联经营实体信息，所述经营信息包括所述待评估经营实体的交易流水信息和买家信息，所述价值标签包括账户标签，身份标签，关联身份标签，交易量标签，交易时段标签和买家质量标签，所述根据所述注册信息和所述经营信息，确定所述待评估经营实体对应的多个价值标签和风险评分，包括：
根据所述账户信息，确定所述待评估经营实体对应的多个所述账户标签；
根据所述工商信息，确定所述待评估经营实体对应的多个所述身份标签；
根据所述关联经营实体信息，确定所述待评估经营实体对应的多个所述关联身份标签；
根据所述交易流水信息，确定所述待评估经营实体对应的所述交易量标签和所述交易时段标签；
根据所述买家信息，确定所述待评估经营实体对应的所述买家质量标签；
从所述账户信息，所述工商信息，所述关联经营实体信息，所述交易流水信息和所述买家信息中，获取所述待评估经营实体对应的异常信息；
确定所述异常信息对应的风险项，以及风险项评分；
根据所述风险项对应的权重，以及所述风险项评分，确定所述异常信息对应的所述风险评分。
3.如权利要求2所述的方法，其特征在于，所述对所述价值标签进行分类的类别对应于所述待评估经营实体的身份类标签，行为类标签，交易类标签和关系类标签，所述价值向量包括身份向量，行为向量，交易向量和关系向量，所述身份类标签对应于所述身份向量，所述行为类标签对应于所述行为向量，所述交易类标签对应于所述交易向量，所述关系类标签对应于所述关系向量，所述对所述价值标签进行分类，以生成所述待评估经营实体对应的多个价值向量，包括：
分别将所述账户标签，所述身份标签，所述关联身份标签，所述交易量标签，所述交易时段标签和所述买家质量标签，确定为所述身份类标签，所述行为类标签，所述交易类标签和所述关系类标签；
根据所述身份类标签，所述行为类标签，所述交易类标签和所述关系类标签，确定所述身份向量，所述行为向量，所述交易向量和所述关系向量的数据。
4.如权利要求3所述的方法，其特征在于，所述价值向量与所述价值评分的所述维度一一对应，所述根据所述多个价值向量，使用GBDT分类模型生成所述待评估经营实体对应的多个维度的价值评分，包括：
获取所述价值向量包括的多个所述数据；
使用GBDT分类模型对多个所述数据进行处理，以生成所述价值向量对应的所述维度的所述价值评分。
5.如权利要求1-4中任一项所述的方法，其特征在于，所述逻辑回归模型通过以下步骤进行训练：
获取多个参考经营实体对应的所述多个维度的价值评分和所述风险评分，以及所述参考经营实体对应的评估结果；
对所述多个维度的价值评分、所述风险评分和所述评估结果进行逻辑回归处理，以确定每个所述维度的所述价值评分对应的价值权重，以及所述风险评分对应的风险权重；
根据多个所述价值权重和所述风险权重，生成所述训练后的逻辑回归模型。
6.一种经营实体的评估装置，其特征在于，包括：
第一获取模块，用于获取待评估经营实体的注册信息和经营信息；
确定模块，用于根据所述注册信息和所述经营信息，确定所述待评估经营实体对应的多个价值标签和风险评分；
分类模块，用于对所述价值标签进行分类，以生成所述待评估经营实体对应的多个价值向量；
第一生成模块，用于根据所述多个价值向量，使用GBDT分类模型生成所述待评估经营实体对应的多个维度的价值评分；以及
输入模块，用于将所述多个维度的价值评分和所述风险评分，输入训练后的逻辑回归模型中，以生成所述待评估经营实体的评估结果。
7.如权利要求6所述的装置，其特征在于，所述注册信息包括所述待评估经营实体的账户信息，工商信息和关联经营实体信息，所述经营信息包括所述待评估经营实体的交易流水信息和买家信息，所述价值标签包括账户标签，身份标签，关联身份标签，交易量标签，交易时段标签和买家质量标签，所述确定模块包括：
第一确定子模块，用于根据所述账户信息，确定所述待评估经营实体对应的多个所述账户标签；
第二确定子模块，用于根据所述工商信息，确定所述待评估经营实体对应的多个所述身份标签；
第三确定子模块，用于根据所述关联经营实体信息，确定所述待评估经营实体对应的多个所述关联身份标签；
第四确定子模块，用于根据所述交易流水信息，确定所述待评估经营实体对应的所述交易量标签和所述交易时段标签；
第五确定子模块，用于根据所述买家信息，确定所述待评估经营实体对应的所述买家质量标签；
第一获取子模块，用于从所述账户信息，所述工商信息，所述关联经营实体信息，所述交易流水信息和所述买家信息中，获取所述待评估经营实体对应的异常信息；
第六确定子模块，用于确定所述异常信息对应的风险项，以及风险项评分；
第七确定子模块，用于根据所述风险项对应的权重，以及所述风险项评分，确定所述异常信息对应的所述风险评分。
8.如权利要求7所述的装置，其特征在于，所述GBDT分类模型的类别对应于所述待评估经营实体的身份类标签，行为类标签，交易类标签和关系类标签，所述价值向量包括身份向量，行为向量，交易向量和关系向量，所述身份类标签对应于所述身份向量，所述行为类标签对应于所述行为向量，所述交易类标签对应于所述交易向量，所述关系类标签对应于所述关系向量，所述分类模块包括：
第八确定子模块，用于分别将所述账户标签，所述身份标签，所述关联身份标签，所述交易量标签，所述交易时段标签和所述买家质量标签，确定为所述身份类标签，所述行为类标签，所述交易类标签和所述关系类标签；
第九确定子模块，用于根据所述身份类标签，所述行为类标签，所述交易类标签和所述关系类标签，确定所述身份向量，所述行为向量，所述交易向量和所述关系向量的数据。
9.如权利要求8所述的装置，其特征在于，所述价值向量与所述价值评分的所述维度一一对应，所述第一生成模块包括：
第二获取子模块，用于获取所述价值向量包括的多个所述数据；
处理子模块，用于使用GBDT分类模型对多个所述数据进行处理，以生成所述价值向量对应的所述维度的所述价值评分。
10.如权利要求6-9中任一项所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取多个参考经营实体对应的所述多个维度的价值评分和所述风险评分，以及所述参考经营实体对应的评估结果；
处理模块，用于对所述多个维度的价值评分、所述风险评分和所述评估结果进行逻辑回归处理，以确定每个所述维度的所述价值评分对应的价值权重，以及所述风险评分对应的风险权重；
第二生成模块，用于根据多个所述价值权重和所述风险权重，生成所述训练后的逻辑回归模型。
11.一种计算机设备，其特征在于，包括存储器和处理器；所述存储器上存储有可由处理器运行的计算机程序；所述处理器运行所述计算机程序时，执行如权利要求1-5中任一项所述的经营实体的评估方法。
12.一种非临时性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如权利要求1-5中任一项所述的经营实体的评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910922385.XA CN110633919A (zh) | 2019-09-27 | 2019-09-27 | 经营实体的评估方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910922385.XA CN110633919A (zh) | 2019-09-27 | 2019-09-27 | 经营实体的评估方法及其装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110633919A true CN110633919A (zh) | 2019-12-31 |
Family
ID=68972945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910922385.XA Pending CN110633919A (zh) | 2019-09-27 | 2019-09-27 | 经营实体的评估方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110633919A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200402A (zh) * | 2020-08-19 | 2021-01-08 | 支付宝(杭州)信息技术有限公司 | 一种基于风险画像的风险量化方法、装置及设备 |
| 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 |
| CN113269412A (zh) * | 2021-05-08 | 2021-08-17 | 深圳微众信用科技股份有限公司 | 风险评估方法及相关装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107153977A (zh) * | 2016-03-02 | 2017-09-12 | 阿里巴巴集团控股有限公司 | 网上交易平台中交易实体信用评估方法、装置及系统 |
| CN107622432A (zh) * | 2017-07-28 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 商户评价方法及系统 |
| CN108416669A (zh) * | 2018-03-13 | 2018-08-17 | 腾讯科技（深圳）有限公司 | 用户行为数据处理方法、装置、电子设备及计算机可读介质 |
| US20190005586A1 (en) * | 2017-06-30 | 2019-01-03 | Alibaba Group Holding Limited | Prediction algorithm based attribute data processing |
| CN109377058A (zh) * | 2018-10-26 | 2019-02-22 | 中电科新型智慧城市研究院有限公司 | 基于逻辑回归模型的企业外迁风险评估方法 |
| CN109670724A (zh) * | 2018-12-29 | 2019-04-23 | 重庆誉存大数据科技有限公司 | 风险评估方法及装置 |
| CN109754157A (zh) * | 2018-11-30 | 2019-05-14 | 畅捷通信息技术股份有限公司 | 一种反映企业健康经营、融资增信的评分方法及系统 |
| CN110020766A (zh) * | 2018-11-21 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 风险控制方法、装置、服务器及存储介质 |
-
2019
- 2019-09-27 CN CN201910922385.XA patent/CN110633919A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107153977A (zh) * | 2016-03-02 | 2017-09-12 | 阿里巴巴集团控股有限公司 | 网上交易平台中交易实体信用评估方法、装置及系统 |
| US20190005586A1 (en) * | 2017-06-30 | 2019-01-03 | Alibaba Group Holding Limited | Prediction algorithm based attribute data processing |
| CN107622432A (zh) * | 2017-07-28 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 商户评价方法及系统 |
| CN108416669A (zh) * | 2018-03-13 | 2018-08-17 | 腾讯科技（深圳）有限公司 | 用户行为数据处理方法、装置、电子设备及计算机可读介质 |
| CN109377058A (zh) * | 2018-10-26 | 2019-02-22 | 中电科新型智慧城市研究院有限公司 | 基于逻辑回归模型的企业外迁风险评估方法 |
| CN110020766A (zh) * | 2018-11-21 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 风险控制方法、装置、服务器及存储介质 |
| CN109754157A (zh) * | 2018-11-30 | 2019-05-14 | 畅捷通信息技术股份有限公司 | 一种反映企业健康经营、融资增信的评分方法及系统 |
| CN109670724A (zh) * | 2018-12-29 | 2019-04-23 | 重庆誉存大数据科技有限公司 | 风险评估方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200402A (zh) * | 2020-08-19 | 2021-01-08 | 支付宝(杭州)信息技术有限公司 | 一种基于风险画像的风险量化方法、装置及设备 |
| CN112200402B (zh) * | 2020-08-19 | 2022-10-18 | 支付宝(杭州)信息技术有限公司 | 一种基于风险画像的风险量化方法、装置及设备 |
| 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 |
| CN113269412A (zh) * | 2021-05-08 | 2021-08-17 | 深圳微众信用科技股份有限公司 | 风险评估方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108648074B (zh) | 基于支持向量机的贷款评估方法、装置及设备 | |
| CN108932585B (zh) | 一种商户运营管理方法及其设备、存储介质、电子设备 | |
| US8620746B2 (en) | Scoring quality of traffic to network sites | |
| US20140278795A1 (en) | Systems and methods to predict purchasing behavior | |
| US9330357B1 (en) | Method, apparatus, and computer program product for determining a provider return rate | |
| US20150332414A1 (en) | System and method for predicting items purchased based on transaction data | |
| JP2019511037A (ja) | 機械学習モデルのモデリング方法及びデバイス | |
| CN110633919A (zh) | 经营实体的评估方法及其装置 | |
| CN105931068A (zh) | 一种持卡人消费画像的生成方法及装置 | |
| CN109168052B (zh) | 服务满意度的确定方法、装置及计算设备 | |
| CN112148973B (zh) | 一种信息推送的数据处理方法及装置 | |
| US20100228595A1 (en) | System and method for scoring target lists for advertising | |
| CN107679103B (zh) | 用于实体的属性分析方法及系统 | |
| KR102018679B1 (ko) | 지식재산권 기술가치 평가방법 | |
| CN110991441A (zh) | 基于图像识别的资产评估方法、装置以及计算机存储介质 | |
| CN110766428A (zh) | 一种数据价值评估系统以及方法 | |
| CN110033120A (zh) | 用于为商户提供风险预测赋能服务的方法及装置 | |
| CN112132618A (zh) | 一种商品价格确定方法、装置、设备及可读存储介质 | |
| CN114862587A (zh) | 异常交易账户的识别方法、装置及计算机可读存储介质 | |
| Gretton et al. | Productivity growth and Australian manufacturing industry | |
| CN115018513A (zh) | 数据巡检方法、装置、设备及存储介质 | |
| CN116523548A (zh) | 商品的特征信息识别方法及其装置 | |
| CN114723554B (zh) | 异常账户识别方法及装置 | |
| US20210117828A1 (en) | Information processing apparatus, information processing method, and program | |
| CN110728582A (zh) | 信息处理的方法、装置、存储介质和处理器 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191231 |
|
| RJ01 | Rejection of invention patent application after publication |