CN111177653B - 一种信用评估方法和装置 - Google Patents

一种信用评估方法和装置 Download PDF

Info

Publication number
CN111177653B
CN111177653B CN201911259631.4A CN201911259631A CN111177653B CN 111177653 B CN111177653 B CN 111177653B CN 201911259631 A CN201911259631 A CN 201911259631A CN 111177653 B CN111177653 B CN 111177653B
Authority
CN
China
Prior art keywords
data
credit
feature
behavior data
model
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.)
Active
Application number
CN201911259631.4A
Other languages
English (en)
Other versions
CN111177653A (zh
Inventor
林晓光
赖太平
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.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
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 China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN201911259631.4A priority Critical patent/CN111177653B/zh
Publication of CN111177653A publication Critical patent/CN111177653A/zh
Application granted granted Critical
Publication of CN111177653B publication Critical patent/CN111177653B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Finance (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Technology Law (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明公开了一种信用评估方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：根据对象标识获取对象信用行为数据，提取对象信用行为数据的属性，将属性作为第一特征；对对象信用行为数据进行结构化处理，以构建对象关系知识图谱，将对象关系知识图谱中对象之间的关联关系作为第二特征；提取与特征对应的特征数据并输入预定模型中进行建模，得到信用评估模型；获取待评估的对象信用行为数据，提取与特征对应的待评估特征数据，将待评估特征数据输入信用评估模型中，得到信用评分。该实施方式在原有数据的基础上，使用知识图谱技术从更多维度描述对象的信用行为，以得到更为有效丰富的特征，保证了模型建立的特征全面性以及建模准确性。

Description

一种信用评估方法和装置
技术领域
本发明涉及信息处理技术领域，尤其涉及一种信用评估方法和装置。
背景技术
小微快贷的信用风险评估是指在银行小微快贷业务过程中，通过对对象相关数据的整合、关联，利用相关技术进行分析计算，建立信用风险模型以得到相应的信用评分，从而实现对对象的信用风险评估。由于小微快贷存在申请量多、对象信息不全、要求响应速度快等特点，所以对小微快贷进行全面、有效的自动评估，是该业务中非常重要的一环。
目前小微快贷信用风险评估方法主要有以下两类：
1、根据经验将信用风险评估知识固化为规则引擎来评估对象信用风险；
2、利用单一逻辑回归模型或xgboost模型对对象进行信用评分。
在实现本发明的过程中，发明人发现现有技术至少存在如下问题：
1、经验具有一定的主观和局限性，所得规则引擎无法全面衡量对象的信用数据，可能出现优质对象被拒绝而劣质对象被授信的情况；
2、虽可以解决上述方式的缺点，但是采用的模型较为单一，对于一些较为复杂的情况可能无法很好的拟合，影响信用评分计算。
发明内容
有鉴于此，本发明实施例提供一种信用评估方法和装置，至少能够解决现有方式无法全面有效拟合对象信用行为以及用户信用风险评分模型不够准确的问题。
为实现上述目的，根据本发明实施例的一个方面，提供了一种信用评估方法，包括：
根据对象标识获取对象信用行为数据，提取所述对象信用行为数据的属性，将所述属性作为第一特征；
对所述对象信用行为数据进行结构化处理，以构建对象关系知识图谱，将所述对象关系知识图谱中对象之间的关联关系作为第二特征；
提取与特征对应的特征数据并输入预定模型中进行建模，得到信用评估模型；其中，所述特征包括所述第一特征和所述第二特征；
获取待评估的对象信用行为数据，提取与所述特征对应的待评估特征数据，将所述待评估特征数据输入所述信用评估模型中，得到信用评分。
可选的，所述对所述对象信用行为数据进行结构化处理，以构建对象关系知识图谱，包括：
使用七步法构建信用评估领域的本体，并确定各个本体之间的关联关系；其中，本体用于对对象、对象属性进行抽象表达；
根据本体的本体类型以及本体之间的关联关系构建本体库；
将所述对象信用行为数据导入所述本体库中，得到对象之间的关联关系，进而构建所述对象关系知识图谱。
可选的，所述将所述对象信用行为数据导入所述本体库中，还包括：
爬取网络中与所述对象标识对应的网络公开数据；
获取开源知识图谱数据；
将所述对象信用行为数据、所述网络公开数据和所述开源知识图谱数据一同导入所述本体库中。
可选的，在所述提取与特征对应的特征数据并输入预定模型中进行建模之前，还包括：
对至少一个特征进行变换处理和/或至少两个特征进行组合处理，得到衍生特征。
可选的，在所述得到衍生特征之后，还包括：分析每个特征和每个衍生特征的性能，基于性能指标进行特征性能筛选，得到筛选后的特征和/或衍生特征。
可选的，所述提取与特征对应的特征数据并输入预定模型中进行建模，得到信用评估模型，包括：
提取单个对象信用行为数据中与所述第一特征对应的第一特征数据，以及提取所述对象关系知识图谱中与所述单个对象信用行为数据和所述第二特征对应的第二特征数据；
将所述第一特征数据和所述第二特征数据一同输入多个模型中进行建模，得到多个建模结果；
获取与所述单个对象信用行为数据对应的信用评分，确定与所获信用评分对应的违约状态，建立所述多个建模结果与所述违约状态之间的对应关系；
将多个对象信用行为数据的对应关系输入逻辑回归模型中，以确定各个模型建模结果的权重值，进而对加权后的模型建模结果进行累加，结合预设截距，以构建所述信用评估模型。
为实现上述目的，根据本发明实施例的另一方面，提供了一种信用评估装置，包括：
第一特征提取模块，用于根据对象标识获取对象信用行为数据，提取所述对象信用行为数据的属性，将所述属性作为第一特征；
第二特征提取模块，用于对所述对象信用行为数据进行结构化处理，以构建对象关系知识图谱，将所述对象关系知识图谱中对象之间的关联关系作为第二特征；
模型构建模块，用于提取与特征对应的特征数据并输入预定模型中进行建模，得到信用评估模型；其中，所述特征包括所述第一特征和所述第二特征；
信用评分模块，用于获取待评估的对象信用行为数据，提取与所述特征对应的待评估特征数据，将所述待评估特征数据输入所述信用评估模型中，得到信用评分。
可选的，所述第二特征提取模块，用于：
使用七步法构建信用评估领域的本体，并确定各个本体之间的关联关系；其中，本体用于对对象、对象属性进行抽象表达；
根据本体的本体类型以及本体之间的关联关系构建本体库；
将所述对象信用行为数据导入所述本体库中，得到对象之间的关联关系，进而构建所述对象关系知识图谱。
可选的，所述第二特征提取模块，还用于：
爬取网络中与所述对象标识对应的网络公开数据；
获取开源知识图谱数据；
将所述对象信用行为数据、所述网络公开数据和所述开源知识图谱数据一同导入所述本体库中。
可选的，还包括特征衍生模块，用于：对至少一个特征进行变换处理和/或至少两个特征进行组合处理，得到衍生特征。
可选的，还包括特征筛选模块，用于：分析每个特征和每个衍生特征的性能，基于性能指标进行特征性能筛选，得到筛选后的特征和/或衍生特征。
可选的，所述模型构建模块，用于：
提取单个对象信用行为数据中与所述第一特征对应的第一特征数据，以及提取所述对象关系知识图谱中与所述单个对象信用行为数据和所述第二特征对应的第二特征数据；
将所述第一特征数据和所述第二特征数据一同输入多个模型中进行建模，得到多个建模结果；
获取与所述单个对象信用行为数据对应的信用评分，确定与所获信用评分对应的违约状态，建立所述多个建模结果与所述违约状态之间的对应关系；
将多个对象信用行为数据的对应关系输入逻辑回归模型中，以确定各个模型建模结果的权重值，进而对加权后的模型建模结果进行累加，结合预设截距，以构建所述信用评估模型。
为实现上述目的，根据本发明实施例的再一方面，提供了一种信用评估电子设备。
本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一所述的信用评估方法。
为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一所述的信用评估方法。
根据本发明所述提供的方案，上述发明中的一个实施例具有如下优点或有益效果：在对象基本数据基础上，进一步利用知识图谱技术分析对象关系以发掘更多对象信用行为特征，结合逻辑回归、xgboost模型和BP神经网络模型，提出一种能够更为全面有效评估对象信用风险的方法。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的一种信用评估方法的主要流程示意图；
图2是对数据集中的数据进行校准、合并和联结工作的流程示意图；
图3是根据本发明实施例的一种可选的信用评估方法的流程示意图；
图4是基于数据集、网络公开数据和开源知识图谱进行对象关系知识图谱构建的流程示意图；
图5是根据本发明实施例的另一种可选的信用评估方法的流程示意图；
图6是根据本发明实施例的又一种可选的信用评估方法的流程示意图；
图7是构建信用评估模型的过程示意图；
图8是根据本发明实施例的一种信用评估装置的主要模块示意图；
图9是本发明实施例可以应用于其中的示例性系统架构图；
图10是适于用来实现本发明实施例的移动设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
参见图1，示出的是本发明实施例提供的一种信用评估方法的主要流程图，包括如下步骤：
S101：根据对象标识获取对象信用行为数据，提取所述对象信用行为数据的属性，将所述属性作为第一特征；
S102：对所述对象信用行为数据进行结构化处理，以构建对象关系知识图谱，将所述对象关系知识图谱中对象之间的关联关系作为第二特征；
S103：提取与特征对应的特征数据并输入预定模型中进行建模，得到信用评估模型；其中，所述特征包括所述第一特征和所述第二特征；
S104：获取待评估的对象信用行为数据，提取与所述特征对应的待评估特征数据，将所述待评估特征数据输入所述信用评估模型中，得到信用评分。
上述实施方式中，对于步骤S101，本发明中的对象，为用户、企业等可以在银行办理小微快贷业务的对象。
通过业务经验判断能够反映对象信用行为的数据范围，以此识别与模型(具体参见后续图6和图7描述)相关并且能够获取到的数据，例如根据对象身份标识，从描述对象信用行为的角度，获取企业内部数据、征信行为数据、外部评分数据等，其中：
1)企业内部数据主要为银行业内部的数据，包括对象基本属性、交易记录、违约状态、其他产品的所有权和使用记录等；
2)征信机构数据反映了对象在履行其信贷义务(偿还和付息)方面的具体表现，主要从征信局获取，是分析对象信用风险的重要依据；
3)外部数据主要由相关的商业组织提供，例如工商、税务组织，可作为对象信用行为数据的有效补充。
对于所得数据可以整合到一个数据集中以便后续建模使用。进一步的，还可以对数据集中的数据进行校准、合并和联结等初步清洗工作，参见图2所示。其中，
1)设置时间跨度，剔除超出该时间跨度的数据；
2)合并、联结不同来源的数据，得到多个数据组；例如企业内部数据集、征信机构数据集、外部评分数据集。或者根据对象身份信息，将各个数据源的数据整合到一个对象基础数据集中，并存储在数据库中备用，例如参见表1所示：
表1对象基础数据集
身份标识ID 基础特征1 基础特征2 … 基础特征n LABEL
1 x11 x12 … x1n y1
2 x21 x22 … x2n y2
… … … … … …
m xm1 xm2 … xmn ym
后续对于对象信用行为数据的特征提取(即第一特征)，即为表1中的基础特征，如特征1、特征2……特征n。
对于步骤S102，当对象之间通过某种交易关系形成紧密关联时，一旦其中一个对象出现问题，与其紧密相关的其他对象也会受到影响，进而影响到其他对象的信贷行为。
因此，在获取对象信用行为数据之后，可以从对象信用风险评估角度出发，使用斯坦福大学医学院开发的七步法构建对象信用风险评估领域的本体，得到对象关系知识图谱。
其中，知识图谱用于描述客观世界中的概念、实体、事件以及相互关系，将互联网信息以更加接近人类认知的形式展现出来，实现了海量信息的高效组织和管理，为信息深层加工和利用奠定了基础。
本发明中的对象关系知识图谱主要用于描述/挖掘对象之间的关联关系，例如亲属关系、同事关系、借款关系等，因此所得特征(即第二特征)即为对象之间的关联关系。且理论上建模使用的数据特征对对象的信用行为描述的越详尽，建立的信用评估模型就能越接近真实信用行为。因此考虑对象之间的关系特征是优化模型的一个因素点。
对于步骤S103，在建模过程中，得到入模特征的过程是漫长而繁琐的，但这直接关系到最终模型的准确性和稳定性等，所以完成这一系列工作非常的重要。
使用专业背景知识和技巧处理数据，对上述所得数据集和对象关系知识图谱进行特征提取，得到能反映对象信用行为以对对象进行信用评分的特征，即第一特征和第二特征。
在得到特征之后，可以使用多个模型/算法对其进行建模，以此构建信用评估模型，具体参见后续图6和图7所示描述。
对于步骤S104，得到信用评估模型后即可将其应用于对象信用评分中，通过所得信用评分值做出相关的业务判断/行动，例如接受、拒绝或者是需要进一步人工审批等。
进一步的，可以根据具体风险偏好进行信用评分分档，例如，0～100分为3个档，0～25为拒绝授信，26～50为人工审核，50～100为允许授信。对于评分处于26～50无法明确接受或者拒绝的情况，可依赖人工审核处理。
另外，由于对象群体和市场经济等环境不断变化可能导致模型不再适用，在应用模型的过程中，还需要实时通过计算能反映模型表现情况的指标来判断是否需要调整临界值或者重建，例如稳定性指数PSI是否超标。
上述实施例所提供的方法，在原有信用行为数据的基础上，使用知识图谱技术分析并发掘潜在的对象关系，以从更多的维度描述对象的信用行为，进而得到更为有效丰富的数据特征，保证了后续模型建立的特征全面性以及建模准确性。
参见图3，示出了根据本发明实施例的一种可选的信用评估方法流程示意图，包括如下步骤：
S301：根据对象标识获取对象信用行为数据，提取所述对象信用行为数据的属性，将所述属性作为第一特征；
S302：使用七步法构建信用评估领域的本体，并确定各个本体之间的关联关系；其中，本体用于对对象、对象属性进行抽象表达；
S303：根据本体的本体类型以及本体之间的关联关系构建本体库；
S304：将所述对象信用行为数据导入所述本体库中，得到对象之间的关联关系，进而构建所述对象关系知识图谱，以将所述对象之间的关联关系作为第二特征；
S305：提取与特征对应的特征数据并输入预定模型中进行建模，得到信用评估模型；其中，所述特征包括所述第一特征和所述第二特征；
S306：获取待评估的对象信用行为数据，提取与所述特征对应的待评估特征数据，将所述待评估特征数据输入所述信用评估模型中，得到信用评分。
上述实施方式中，对于步骤S301、S305和S306可参见图1所示步骤S101、S103和S104的描述，在此不再赘述。
由于小微快贷业务需要综合考虑企业之间、企业和相关人员之间以及相关人员之间的复杂关系，使用知识图谱技术设计本体、属性和关系，实现对象财务数据、账户资金往来、信贷合同信息、企业高管个人信息、外部司法信息等数据的全面扫描和联动分析，发现对象不良信用行为，从而评估对象的信用风险。
上述实施方式中，对于步骤S302和S303，本体反映的是现实世界的模型，是指一种形式化的、对于共享概念体系的明确而又详细的说明，其提供的是一种共享词表；简而言之，本体实际上就是对特定领域之中某套概念及其相互之间关系的形式化表达。
目前使用较为广泛的是斯坦福大学医学院开发的七步法。本发明从对象信用评估角度出发，使用七步法构建信用评估领域中的本体，所采用的步骤为：
①确定本体的专业领域和范畴；
②考查复用现有本体的可能性；
③列出本体中的重要术语；
④定义类和类的等级体系(完善等级体系可行的方法有：自顶向下法、自低向上法和综合法)；
⑤定义类的属性；
⑥定义属性的分面；
⑦创建实例。
可以根据本体的属性参数(例如具体功能、作用)确定本体的本体类型，基于每个本体的关联参数确定本体之间的关联关系，进而根据每个本体的本体类型以及每个本体之间的关联关系构建本体库。
对于步骤S304，在所得本体库的基础上，输入步骤S301所得数据集，构建对象关系知识图谱，之后存入图数据库中，以备后续从图的角度描述分析对象信息使用；其中，知识图谱是一种大规模的语义网络，通过一系列实体、属性和关系来描述语义。
对具体过程举例：首先本体设计，例如设计了一个实体：对象，其属性有：姓名、ID，实体之间的关系有亲属关系；抽取实例，从数据集中抽取出一个具体对象A，其属性为姓名：xxx，ID：01，对象A和对象B之间存在亲属关系。
进一步的，考虑数据的充分性，在所得数据集的基础上，还可以结合爬虫爬取的相关网络数据和已有的图谱数据进行对象关系知识图谱构建，具体参见图4所示。
需要说明的是，虽企业内部存有对象信用行为数据，但是网络公开的数据也是重要的数据来源，可以通过爬虫爬取方式获取，例如上述亲属关系，同事关系、借款关系等：其中，网络爬虫是一种自动获取网页内容的程序，是搜索引擎的重要组成部分。
已有的图谱数据，可以是已知知识图谱项目中所公开的知识图谱数据，作为本发明的开源知识图谱数据。
上述实施例所提供的方法，在所得数据集的基础上，添加网络公开数据和开源知识图谱数据作为重要数据来源，增加了数据源的丰富性和全面性。且构建对象关系知识图谱后，可以从对象关系角度提取出更多的特征补充到数据集中，达到丰富数据特征的技术效果。
参见图5，示出了根据本发明实施例的另一种可选的信用评估方法流程示意图，包括如下步骤：
S501：根据对象标识获取对象信用行为数据，提取所述对象信用行为数据的属性，将所述属性作为第一特征；
S502：对所述对象信用行为数据进行结构化处理，以构建对象关系知识图谱，将所述对象关系知识图谱中对象之间的关联关系作为第二特征；
S503：对至少一个特征进行变换处理和/或至少两个特征进行组合处理，得到衍生特征；其中，所述特征包括所述第一特征和所述第二特征；
S504：分析每个特征和每个衍生特征的性能，基于性能指标进行特征性能筛选，得到筛选后的特征和/或衍生特征；
S505：提取与特征对应的特征数据并输入预定模型中进行建模，得到信用评估模型；
S506：获取待评估的对象信用行为数据，提取与所述特征对应的待评估特征数据，将所述待评估特征数据输入所述信用评估模型中，得到信用评分。
上述实施方式中，对于步骤S501、S502、S505和S506可参见图1所示步骤S101～S104的描述，在此不再赘述。
本发明中对于特征处理除了图1、图2中的特征提取外，还包含有特征衍生、特征筛选，使得特征在机器学习算法上能发挥更好的作用。
上述实施方式中，对于步骤S503，特征衍生，即指对现有的特征进行某种组合，生成新的具有含义的特征的过程。
考虑特征在做出一定的变换或组合后，往往具有较强的信息价值，对数据敏感性和机器学习实战经验能够起到一定的帮助作用，本发明选择在提取特征后进行特征衍生，例如，通过现有人为、穷举、平均等特征衍生方式。
对于步骤S504，对于衍生后的特征，可能存在一些不可用或者特征量过多的情况，由此需要进行特征筛选；其中，特征筛选是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程。
可以计算每个特征的预测能力、稳定性、相关性、单调性等，结合各性能的指标进行特征筛选。例如特征A、特征B和特征C，仅选择其中具有较强预测能力的特征A，或者假设特征A的稳定性低于预定稳定性阈值，则剔除特征A。
进一步的，还可以结合业务经验进行进一步筛选，例如对于剩余特征B和特征C，基于业务经验判断不应该同时考虑，最终只保留一个特征。
上述实施例所提供的方法，对所得数据集和对象关系知识图谱中的特征进行整理和衍生，分析每个特征的性能，基于性能指标和业务经验筛选出一系列优质特征变量，所得特征不仅解释性强，还更加的稳健和有效。
参见图6，示出了根据本发明实施例的又一种可选的信用评估方法流程示意图，包括如下步骤：
S601：根据对象标识获取对象信用行为数据，提取所述对象信用行为数据的属性，将所述属性作为第一特征；
S602：对所述对象信用行为数据进行结构化处理，以构建对象关系知识图谱，将所述对象关系知识图谱中对象之间的关联关系作为第二特征；
S603：提取单个对象信用行为数据中与所述第一特征对应的第一特征数据，以及提取所述对象关系知识图谱中与所述单个对象信用行为数据和所述第二特征对应的第二特征数据；
S604：将所述第一特征数据和所述第二特征数据一同输入多个模型中进行建模，得到多个建模结果；
S605：获取与所述单个对象信用行为数据对应的信用评分，确定与所述信用评分对应的违约状态，建立所述多个建模结果与所述违约状态之间的对应关系；
S606：将多个对象信用行为数据的对应关系输入逻辑回归模型中，以确定各个模型建模结果的权重值，进而对加权后的模型建模结果进行累加，结合预设截距，以构建所述信用评估模型；
S607：获取待评估的对象信用行为数据，提取与所述第一特征和所述第二特征对应的待评估特征数据，将所述待评估特征数据输入所述信用评估模型中，得到信用评分。
上述实施方式中，对于步骤S601、S602和S607可参见图1所示步骤S101、S102和S104的描述，在此不再赘述。
上述实施方式中，对于步骤S603～S606，本方案分别使用逻辑回归模型、xgboost算法和BP神经网络算法对所得特征进行建模，得到三个模型结果后，再经过模型结果融合得到最优方案，用于计算最终的信用评分，具体见图7所示。
其中，三个模型的对比如下：
表2模型比对
Figure BDA0002311268020000141
模型结果融合过程以数据集中的客户1、客户2和客户3为例(实际数量较为庞大，此处仅为示例)，假设根据客户1、客户2和客户3在其表现期内的逾期情况得到对应的违约状态分别为1、1、0，将与客户1相关的客户信用评分数据、客户关系一同输入至已训练好的逻辑回归模型(LR1)、xgboost算法和BP神经网络算法中，得到三个分值Score(LR1k1)、Score(XGBoostk1)、Score(XGBoostk1)，则可得到一组新的特征和对应的违约状态：
[Score(LR1k1)，Score(XGBoostk1)，Score(XGBoostk1)，1]
其中，k1对应于客户1。
剩余对于客户2和客户3同理，分别得到对应关系：
[Score(LR1k2)，Score(XGBoostk2)，Score(XGBoostk2)，1]
[Score(LR1k3)，Score(XGBoostk3)，Score(XGBoostk3)，0]
将以上三个对应关系一同输入至逻辑回归模型中，以得到三个模型使用逻辑回归模型计算得到的权重值w1、w2、w3。
最终利用逻辑回归模型进行建模融合后的结果为：
Score(LR2)＝w0+w1*Score(LR1)+w2*Score(XGBoost)+w3*Score(BP)
其中，Score(LR2)为最终评分结果，w0为截距，Score(LR1)、Score(XGBoost)、Score(BP)分别为使用逻辑回归模型(LR1)、XGBoost算法、BP神经网络算法对特征进行建模后的评分结果。
需要说明的是，对于三个模型的建模结果，特征集较小，所以优先使用逻辑回归模型进行权重计算。
上述实施例所提供的方法，对数据集的特征使用三个算法分别建模，然后对三个建模结果使用逻辑回归进行综合，得到最终评分结果，通过综合三个模型的优点、削弱缺点，使用LR模型补充另外两个模型的可解释性，同时使用另外两个模型来提升综合模型的准确性，以此得到较为准确的评分结果。
本发明实施例所提供的方法，涉及在银行业务小微快贷领域中的信用风险评估，相较于现有技术，至少存在如下有益效果：
1)主要包含对象数据、建立对象关系知识图谱、特征变量衍生与选择、模型开发、模型应用与监测五个模块
2)使用知识图谱技术分析提取对象之间的复杂关系，得到更为有效丰富的数据特征，保证了后续模型建立的特征全面性以及建模准确性；
3)使用多种模型拟合实际情况，得到综合评分结果，即可以保留一部分可解释性，也可以保证较高的准确性；
4)实现对于小微快贷对象的信用风险自动评估，高效、降低人力成本。且在模型使用过程中进行监测，并根据监测结果不断对模型进行迭代更新，保证了模型与社会环境发展的一致性和长期有效性。
参见图8，示出了本发明实施例提供的一种信用评估装置800的主要模块示意图，包括：
第一特征提取模块801，用于根据对象标识获取对象信用行为数据，提取所述对象信用行为数据的属性，将所述属性作为第一特征；
第二特征提取模块802，用于对所述对象信用行为数据进行结构化处理，以构建对象关系知识图谱，将所述对象关系知识图谱中对象之间的关联关系作为第二特征；
模型构建模块803，用于提取与特征对应的特征数据并输入预定模型中进行建模，得到信用评估模型；其中，所述特征包括所述第一特征和所述第二特征；
信用评分模块804，用于获取待评估的对象信用行为数据，提取与所述特征对应的待评估特征数据，将所述待评估特征数据输入所述信用评估模型中，得到信用评分。
本发明实施装置中，所述第二特征提取模块802，用于：
使用七步法构建信用评估领域的本体，并确定各个本体之间的关联关系；其中，本体用于对对象、对象属性进行抽象表达；
根据本体的本体类型以及本体之间的关联关系构建本体库；
将所述对象信用行为数据导入所述本体库中，得到对象之间的关联关系，进而构建所述对象关系知识图谱。
本发明实施装置中，所述第二特征提取模块802，还用于：
爬取网络中与所述对象标识对应的网络公开数据；
获取开源知识图谱数据；
将所述对象信用行为数据、所述网络公开数据和所述开源知识图谱数据一同导入所述本体库中。
本发明实施装置还包括特征衍生模块805(图中未标出)，用于：对至少一个特征进行变换处理和/或至少两个特征进行组合处理，得到衍生特征。
本发明实施装置还包括特征筛选模块806(图中未标出)，用于：分析每个特征和每个衍生特征的性能，基于性能指标进行特征性能筛选，得到筛选后的特征和/或衍生特征。
本发明实施装置中，所述模型构建模块803，用于：
提取单个对象信用行为数据中与所述第一特征对应的第一特征数据，以及提取所述对象关系知识图谱中与所述单个对象信用行为数据和所述第二特征对应的第二特征数据；
将所述第一特征数据和所述第二特征数据一同输入多个模型中进行建模，得到多个建模结果；
获取与所述单个对象信用行为数据对应的信用评分，确定与所获信用评分对应的违约状态，建立所述多个建模结果与所述违约状态之间的对应关系；
将多个对象信用行为数据的对应关系输入逻辑回归模型中，以确定各个模型建模结果的权重值，进而对加权后的模型建模结果进行累加，结合预设截距，以构建所述信用评估模型。
另外，在本发明实施例中所述装置的具体实施内容，在上面所述方法中已经详细说明了，故在此重复内容不再说明。
图9示出了可以应用本发明实施例的示例性系统架构900。
如图9所示，系统架构900可以包括终端设备901、902、903，网络904和服务器905(仅仅是示例)。网络904用以在终端设备901、902、903和服务器905之间提供通信链路的介质。网络904可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备901、902、903通过网络904与服务器905交互，以接收或发送消息等。终端设备901、902、903上可以安装有各种通讯对象端应用。
终端设备901、902、903可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器905可以是提供各种服务的服务器，例如对用户利用终端设备901、902、903所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。
需要说明的是，本发明实施例所提供的方法一般由服务器905执行，相应地，装置一般设置于服务器905中。
应该理解，图9中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图10，其示出了适于用来实现本发明实施例的终端设备的计算机系统1000的结构示意图。图10示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示，计算机系统1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有系统1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括第一特征提取模块、第二特征提取模块、模型构建模块和信用评分模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，信用评分模块还可以被描述为“对特征数据进行信用评分的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：
根据对象标识获取对象信用行为数据，提取所述对象信用行为数据的属性，将所述属性作为第一特征；
对所述对象信用行为数据进行结构化处理，以构建对象关系知识图谱，将所述对象关系知识图谱中对象之间的关联关系作为第二特征；
提取与特征对应的特征数据并输入预定模型中进行建模，得到信用评估模型；其中，所述特征包括所述第一特征和所述第二特征；
获取待评估的对象信用行为数据，提取与所述特征对应的待评估特征数据，将所述待评估特征数据输入所述信用评估模型中，得到信用评分。
根据本发明实施例的技术方案，相较于现有技术，至少存在如下有益效果：
1)主要包含客户数据、建立客户关系知识图谱、特征变量衍生与选择、模型开发、模型应用与监测五个模块
2)使用知识图谱技术分析提取对象之间的复杂关系，得到更为有效丰富的数据特征，保证了后续模型建立的特征全面性以及建模准确性；
3)使用多种模型拟合实际情况，得到综合评分结果，即可以保留一部分可解释性，也可以保证较高的准确性；
4)实现对于小微快贷对象的信用风险自动评估，高效、降低人力成本。且在模型使用过程中进行监测，并根据监测结果不断对模型进行迭代更新，保证了模型与社会环境发展的一致性和长期有效性。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (8)

1.一种信用评估方法，其特征在于，包括：
根据对象标识获取对象信用行为数据，提取所述对象信用行为数据的属性，将所述属性作为第一特征；其中，所述对象信用行为数据至少包括企业内部数据、征信行为数据、外部评分数据；
对所述对象信用行为数据进行结构化处理，结合爬虫爬取的相关网络数据和已有的图谱数据进行对象关系知识图谱构建，将所述对象关系知识图谱中对象之间的关联关系作为第二特征；
提取单个对象信用行为数据中与所述第一特征对应的第一特征数据，以及提取所述对象关系知识图谱中与所述单个对象信用行为数据和所述第二特征对应的第二特征数据；
将所述第一特征数据和所述第二特征数据一同输入多个模型中进行建模，得到多个建模结果；其中，所述多个模型包括逻辑回归模型和其他多个模型；
获取与所述单个对象信用行为数据对应的信用评分，确定与所获信用评分对应的违约状态，建立所述多个建模结果与所述违约状态之间的对应关系；
将多个对象信用行为数据的对应关系输入逻辑回归模型中，以确定各个模型建模结果的权重值，进而对加权后的模型建模结果进行累加，与预设截距累加，以构建信用评估模型；
获取待评估的对象信用行为数据，提取与特征对应的待评估特征数据，将所述待评估特征数据输入所述信用评估模型中，得到信用评分；其中，所述特征包括所述第一特征和所述第二特征。
2.根据权利要求1所述的方法，其特征在于，所述对所述对象信用行为数据进行结构化处理，结合爬虫爬取的相关网络数据和已有的图谱数据进行对象关系知识图谱构建，包括：
使用七步法构建信用评估领域的本体，并确定各个本体之间的关联关系；其中，本体用于对对象、对象属性进行抽象表达；
根据本体的本体类型以及本体之间的关联关系构建本体库；
将所述对象信用行为数据导入所述本体库中，得到对象之间的关联关系，进而构建所述对象关系知识图谱。
3.根据权利要求2所述的方法，其特征在于，所述将所述对象信用行为数据导入所述本体库中，还包括：
爬取网络中与所述对象标识对应的网络公开数据；
获取开源知识图谱数据；
将所述对象信用行为数据、所述网络公开数据和所述开源知识图谱数据一同导入所述本体库中。
4.根据权利要求1所述的方法，其特征在于，还包括：
对至少一个特征进行变换处理和/或至少两个特征进行组合处理，得到衍生特征。
5.根据权利要求4所述的方法，其特征在于，在所述得到衍生特征之后，还包括：
分析每个特征和每个衍生特征的性能，基于性能指标进行特征性能筛选，得到筛选后的特征和/或衍生特征。
6.一种信用评估装置，其特征在于，包括：
第一特征提取模块，用于根据对象标识获取对象信用行为数据，提取所述对象信用行为数据的属性，将所述属性作为第一特征；其中，所述对象信用行为数据至少包括企业内部数据、征信行为数据、外部评分数据；
第二特征提取模块，用于对所述对象信用行为数据进行结构化处理，结合爬虫爬取的相关网络数据和已有的图谱数据进行对象关系知识图谱构建，将所述对象关系知识图谱中对象之间的关联关系作为第二特征；
模型构建模块，用于提取单个对象信用行为数据中与所述第一特征对应的第一特征数据，以及提取所述对象关系知识图谱中与所述单个对象信用行为数据和所述第二特征对应的第二特征数据；
将所述第一特征数据和所述第二特征数据一同输入多个模型中进行建模，得到多个建模结果；其中，所述多个模型包括逻辑回归模型和其他多个模型；
获取与所述单个对象信用行为数据对应的信用评分，确定与所获信用评分对应的违约状态，建立所述多个建模结果与所述违约状态之间的对应关系；
将多个对象信用行为数据的对应关系输入逻辑回归模型中，以确定各个模型建模结果的权重值，进而对加权后的模型建模结果进行累加，与预设截距累加，以构建信用评估模型；其中，所述特征包括所述第一特征和所述第二特征；
信用评分模块，用于获取待评估的对象信用行为数据，提取与所述特征对应的待评估特征数据，将所述待评估特征数据输入所述信用评估模型中，得到信用评分。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN201911259631.4A 2019-12-10 2019-12-10 一种信用评估方法和装置 Active CN111177653B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911259631.4A CN111177653B (zh) 2019-12-10 2019-12-10 一种信用评估方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911259631.4A CN111177653B (zh) 2019-12-10 2019-12-10 一种信用评估方法和装置

Publications (2)

Publication Number Publication Date
CN111177653A CN111177653A (zh) 2020-05-19
CN111177653B true CN111177653B (zh) 2023-05-30

Family

ID=70655420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911259631.4A Active CN111177653B (zh) 2019-12-10 2019-12-10 一种信用评估方法和装置

Country Status (1)

Country Link
CN (1) CN111177653B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951079B (zh) * 2020-08-14 2024-04-02 国网数字科技控股有限公司 一种基于知识图谱的信用评级方法、装置及电子设备
CN112907358A (zh) * 2021-03-17 2021-06-04 平安消费金融有限公司 贷款用户信用评分方法、装置、计算机设备和存储介质
CN114564930A (zh) * 2022-03-02 2022-05-31 中国建设银行股份有限公司 文档信息整合方法、装置、设备、介质和程序产品

Citations (6)

* Cited by examiner, † Cited by third party
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
CN109272396A (zh) * 2018-08-20 2019-01-25 平安科技（深圳）有限公司 客户风险预警方法、装置、计算机设备和介质
CN109508383A (zh) * 2018-10-30 2019-03-22 北京国双科技有限公司 知识图谱的构建方法及装置
CN109657918A (zh) * 2018-11-19 2019-04-19 平安科技（深圳）有限公司 关联评估对象的风险预警方法、装置和计算机设备
CN110197426A (zh) * 2018-04-16 2019-09-03 腾讯科技（深圳）有限公司 一种信用评分模型的建立方法、装置及可读存储介质
CN110489565A (zh) * 2019-08-15 2019-11-22 广州拓尔思大数据有限公司 基于领域知识图谱本体中的对象根类型设计方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
CN110197426A (zh) * 2018-04-16 2019-09-03 腾讯科技（深圳）有限公司 一种信用评分模型的建立方法、装置及可读存储介质
CN109272396A (zh) * 2018-08-20 2019-01-25 平安科技（深圳）有限公司 客户风险预警方法、装置、计算机设备和介质
CN109508383A (zh) * 2018-10-30 2019-03-22 北京国双科技有限公司 知识图谱的构建方法及装置
CN109657918A (zh) * 2018-11-19 2019-04-19 平安科技（深圳）有限公司 关联评估对象的风险预警方法、装置和计算机设备
CN110489565A (zh) * 2019-08-15 2019-11-22 广州拓尔思大数据有限公司 基于领域知识图谱本体中的对象根类型设计方法及系统

Also Published As

Publication number Publication date
CN111177653A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN110119413B (zh) 数据融合的方法和装置
US10839454B2 (en) System and platform for execution of consolidated resource-based action
US11943225B2 (en) Hierarchical permissions model for case management
CN111177653B (zh) 一种信用评估方法和装置
US20140053069A1 (en) Identifying and mitigating risks in contract document using text analysis with custom high risk clause dictionary
CN111949643B (zh) 基于业务建模的数据处理方法及系统
TW201944306A (zh) 確定高風險用戶的方法及裝置
JP2014527651A (ja) 対人的対話からのテキストコンテンツを用いて、対人関係影響情報を判定するためのシステム及び方法
US8954342B2 (en) Publishing an industry business architecture model
CN111369344B (zh) 一种动态生成预警规则的方法和装置
Muñoz-Cancino et al. On the combination of graph data for assessing thin-file borrowers’ creditworthiness
CN114638695A (zh) 信用评估方法、装置、设备及介质
CN115063233A (zh) 一种银行业务服务流程的实现方法、系统及装置
KR102137230B1 (ko) 인공지능 기반 자동권리분석을 이용한 부동산 경매 정보 서비스 제공 방법
US20220019605A1 (en) Data processing systems and methods for automatically detecting and documenting privacy-related aspects of computer software
KR20190130193A (ko) 투자 중개 시스템 및 그 중개 방법
US11494792B2 (en) Predictive decision making based on influence identifiers and learned associations
CN111191050B (zh) 知识图谱本体模型构建的方法和装置
CN112950359A (zh) 一种用户识别方法和装置
Ye et al. Personalized recommendation for mobile Internet wealth management based on user behavior data analysis
US20140189886A1 (en) Template For Customer Attributes
Santhikumar et al. Utilization of Big Data Analytics For Risk Management
Reddivari et al. Ethnographic field work in requirements engineering
US11354733B2 (en) External entity cross-relational dynamic matching system
US20200342302A1 (en) Cognitive forecasting

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
TA01 Transfer of patent application right

Effective date of registration: 20220920

Address after: 25 Financial Street, Xicheng District, Beijing 100033

Applicant after: CHINA CONSTRUCTION BANK Corp.

Address before: 25 Financial Street, Xicheng District, Beijing 100033

Applicant before: CHINA CONSTRUCTION BANK Corp.

Applicant before: Jianxin Financial Science and Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant