CN111681096A - 商户信誉度确定方法、系统、装置及介质 - Google Patents
商户信誉度确定方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN111681096A CN111681096A CN202010450186.6A CN202010450186A CN111681096A CN 111681096 A CN111681096 A CN 111681096A CN 202010450186 A CN202010450186 A CN 202010450186A CN 111681096 A CN111681096 A CN 111681096A
- Authority
- CN
- China
- Prior art keywords
- merchant
- credit
- information
- target
- score
- 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 81
- 238000004458 analytical method Methods 0.000 claims abstract description 110
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000011835 investigation Methods 0.000 claims description 87
- 238000012795 verification Methods 0.000 claims description 50
- 230000004044 response Effects 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 25
- 238000012552 review Methods 0.000 claims description 17
- 238000012797 qualification Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000008921 facial expression Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种商户信誉度确定方法、系统、装置及介质,涉及人工智能领域。该方法包括:通过网络接收目标商户的至少两条商户信息;将至少两条商户信息输入至各自对应的信息分析模型,分别输出得到至少两个信用参考分数;信息分析模型为预先训练得到的模型;根据至少两个信用参考分数得到目标商户的信用分数;根据信用分数确定目标商户的商户信用状态。通过获取与目标商户相关的商户信息,并将商户信息分别输入各自对应的信息分析模型以获得用于加权求和的信用参考分数,并进而确定目标商户的商户标识对应的商户信用状态的方式,在每个维度对应信息较少的情况下仍可准确地对目标商户信用状态进行确定,提高了对于小微企业的经营状况的评定效率。
Description
技术领域
本申请涉及人工智能领域,特别涉及一种商户信誉度确定方法、系统、装置及介质。
背景技术
小微企业的信贷业务是向长尾化的小微企业提供信贷服务的业务。当小微企业,特别是涉及餐饮业、生活服务业需要进行贷款时,提供信贷业务的平台需要对小微企业进行经营状态的评定,以确定向其提供何种信贷产品。
相关技术中,提供信贷业务的平台通常通过第三方平台的信息核实,如对于商户纳税数据或增值税发票开票数据,以及通过人工线下核实的方式,对小微企业的经营状态进行评定。
然而,相关技术中,由于小微企业的存证意识薄弱,且人工线下核实操作困难,容易造成对小微企业的经营状况的评定效率低下的问题。
发明内容
本申请关于一种商户信誉度确定方法、系统、装置及介质,可以在每个维度对应信息较少、信息采集较为困难的情况下仍可准确地对目标商户的信用分数进行确定,提高了对于小微企业的经营状况的评定效率。该技术方案如下:
一方面,提供了一种商户信誉度确定方法,该方法应用于服务器中,该方法包括:
通过网络接收与目标商户的至少两条商户信息,商户信息包括目标商户在注册以及运营过程中产生的信息;
将至少两条商户信息输入各自对应的信息分析模型,输出得到至少两个信用参考分数,信息分析模型为预先训练得到的模型;
根据至少两个信用参考分数计算得到目标商户的信用分数,信用分数用于指示目标商户的信誉度;
通过信用分数确定目标商户的商户信用状态,商户信用状态为目标商户办理信用业务的凭证。
在一个可选的实施例中,商户信息包括征信信息、交易信息和商户代表身份信息中的至少一种,其中,征信信息中包括目标商户的征信记录;交易信息中包括目标商户的交易记录;商户代表身份信息中包括目标商户的商户代表身份记录;
在一个可选的实施例中,服务器将至少两条商户信息输入各自对应的信息分析模型,输出得到至少两个信用参考分数,包括如下步骤中的至少一个:
将至少两条商户信息中的征信信息输入对应的征信分析模型,得到征信信息对应的第一信用参考分数;
将至少两条商户信息中的交易信息输入对应的交易分析模型,得到交易信息对应的第二信用参考分数;
将至少两条商户信息中的商户代表身份信息输入对应的身份分析模型,得到商户代表身份信息对应的第三信用参考分数。
在一个可选的实施例中,通过网络接收与目标商户的至少两条商户信息之前,还包括:
确定目标商户的商户类别以及与商户类别对应的商户信息的类别;
向客户端发送信息类别指示消息,信息类别指示消息用于指示客户端需要上传的商户信息的类别。
在一个可选的实施例中,根据至少两个信用参考分数计算得到目标商户的信用分数,包括:
响应于至少两个信用参考分数中符合分数要求的信用参考分数达到目标比例,将至少两个信用参考分数进行加权求和,得到目标商户的信用分数。
在一个可选的实施例中,服务器通过信用分数确定目标商户的商户信用状态,包括:
在对应关系中,查询与信用分数对应的商户信用状态,对应关系包括信用分数区间与信用状态之间的对应关系。
在一个可选的实施例中,响应于信用分数达到第一分数阈值,确定目标商户为可信贷状态,可信贷状态用于指示目标商户具备申请贷款的资质;
响应于信用分数未达到第二分数阈值,确定目标商户为不可信贷状态,不可信贷状态用于指示目标商户不具备申请贷款的资质;
其中,第一分数阈值大于等于第二分数阈值。
在一个可选的实施例中,将信用分数与预设分数状态对应关系进行匹配,得到目标商户的商户信用状态,还包括:
响应于信用分数未达到第一分数阈值,且信用分数达到第二分数阈值,对目标商户的商户信用状态进行信用复核验证;
响应于目标商户通过信用复核验证,确定目标商户为可信贷状态。
在一个可选的实施例中,对目标商户的商户信用状态进行信用复核验证,还包括:
获取目标商户的现场视频;
对现场视频进行现场信息采集,现场信息中包括目标商户的日均顾客人数和日均清洁次数中的至少一种;
将现场信息输入现场状态模型,输出得到现场状态分数;
通过现场状态分数对目标商户的商户信用状态进行信用复核验证。
在一个可选的实施例中,对目标商户的商户信用状态进行信用复核验证,还包括:
向客户端发送商户问题,商户问题为与目标商户的日常状态相关的问题;
接收客户端反馈的回答视频,回答视频是针对商户问题进行回答的视频;
对回答视频进行生物特征信息采集,生物特征信息中包括手势动作信息以及面部表情信息中的至少一种;
将生物特征信息输入生物特征状态模型,输出得到生物特征状态分数;
通过生物特征状态分数对目标商户的商户信用状态进行信用复核验证。
在一个可选的实施例中,通过网络从接收与目标商户的至少两条商户信息,包括:
按照预设时间间隔通过网络从银行服务器中获取目标商户的的征信信息;
和/或,
按照预设时间间隔通过网络从交易服务器中获取目标商户的交易信息;
和/或,
接收目标商户对应的终端上传的代表身份信息。
另一方面,提供了一种商户信誉度的确定系统,该系统包括服务器和客户端:
客户端,用于:采集目标商户的至少两条商户信息;通过网络上传目标商户的至少两条商户信息,商户信息包括目标商户在注册以及运营过程中产生的信息;
服务器,用于:通过网络接收客户端上传的至少两条商户信息;将至少两条商户信息输入各自对应的信息分析模型,输出得到至少两个信用参考分数,信息分析模型为预先训练得到的逻辑回归模型;将至少两个信用参考分数进行加权求和,得到目标商户的信用分数,信用分数用于指示目标商户的信誉度;通过信用分数确定目标商户的商户信用状态,商户信用状态为目标商户办理信用业务的凭证。
在一个可选的实施例中,商户信息包括征信信息、交易信息和商户代表身份信息中的至少一种;其中,
征信信息包括目标商户的征信记录;
交易信息包括目标商户的交易记录;
商户代表身份信息包括目标商户的商户代表身份记录。
在一个可选的实施例中,服务器,还用于:响应于商户信息中包括征信信息,将征信信息输入征信分析模型,得到征信信息对应的第一信用参考分数;响应于商户信息中包括交易信息,将交易信息输入交易分析模型,得到交易信息对应的第二信用参考分数;响应于商户信息中包括商户代表身份信息,将商户代表身份信息输入商户身份分析模型,得到商户代表身份信息对应的第三信用参考分数中的至少一种。
在一个可选的实施例中,服务器,还用于:确定目标商户的商户类别;确定与商户类别对应的商户信息的类别;向客户端发送信息类别指示消息,信息类别指示消息用于指示客户端需要上传的商户信息的类别;
客户端,还用于:接收客户端服务器发送的信息类别指示消息;根据信息类别指示信息消息采集的与商户标识以及商户信息的类别对应的至少两条商户信息。
在一个可选的实施例中,客户端,还用于:根据商户信息确定至少两条商户信息的信息采集方式,信息采集方式包括图像采集方式、文本采集方式以及服务器采集方式中的至少一种;
响应于信息采集方式包括图像采集方式,通过摄像头采集图像信息作为商户信息;响应于信息采集方式包括文本采集方式,接收文本输入操作生成文本内容作为商户信息;响应于信息采集方式包括服务器采集方式,从与商户信息对应的源数据服务器中获取与商户标识对应的商户信息。
在一个可选的实施例中,服务器,还用于:响应于至少两个信用参考分数中符合分数要求的信用参考分数达到目标比例,将至少两个信用参考分数进行加权求和,得到目标商户的商户标识对应的信用分数。
在一个可选的实施例中,服务器,还用于:将信用分数与预设分数状态对应关系进行匹配,得到目标商户的商户信用状态,其中,分数状态对应关系中包括信用分数区间与商户信用状态之间的对应关系。
在一个可选的实施例中,服务器,还用于:响应于信用分数达到第一分数阈值,确定目标商户为可信贷状态,可信贷状态用于指示目标商户具备申请贷款的资质;响应于信用分数未达到第二分数阈值,确定目标商户为不可信贷状态,不可信贷状态用于指示目标商户不具备申请贷款的资质。
在一个可选的实施例中,服务器,还用于:响应于信用分数未达到第一分数阈值,且信用分数达到第二分数阈值,对目标商户的商户信用状态进行信用复核验证;响应于目标商户通过信用复核验证,确定目标商户为可信贷状态。
在一个可选的实施例中,服务器,还用于:获取目标商户的现场视频;对现场视频进行现场信息的采集,现场信息中包括目标商户的日均顾客人数和日均清洁次数中的至少一种;将现场信息输入现场状态模型,输出得到现场状态分数;通过现场状态分数对目标商户的商户信用状态进行信用复核验证。
在一个可选的实施例中,服务器,还用于:向客户端发送商户问题,商户问题为与目标商户的日常状态相关的问题;
客户端,还用于:接收服务器发送的商户问题;根据商户问题生成回答视频,回答视频是针对商户问题进行回答的视频;向服务器发送回答视频;
服务器,还用于:接收客户端反馈的回答视频;对回答视频进行生物特征信息的采集,生物特征信息中包括手势动作信息以及面部表情信息中的至少一种;将生物特征信息输入生物特征信息状态模型,输出得到生物特征状态分数;通过生物特征状态分数对目标商户的商户信用状态进行信用复核验证。
另一方面,提供了一种商户信誉度确定装置,该装置包括:
接收模块,用于通过网络接收目标商户的至少两条商户信息,商户信息包括目标商户在注册以及运营过程中产生的信息;
输入模块,用于将至少两条商户信息输入各自对应的信息分析模型,输出得到至少两个信用参考分数,信息分析模型为预先训练得到的模型;
处理模块,用于根据至少两个信用参考分数计算得到目标商户的信用分数,信用分数用于指示目标商户的信誉度;
确定模块,用于通过信用分数确定目标商户的商户信用状态,商户信用状态为目标商户办理信用业务的凭证。
另一方面,提供了一种计算机设备,计算机设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述本申请实施例中提供的商户信誉度确定方法。
另一方面,提供了一种计算机可读存储介质,可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述本申请实施例中任一所述的商户信誉度确定方法。
另一方面,提供了一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行如上述本申请实施例中任一所述的商户信誉度确定方法。
本申请提供的技术方案带来的有益效果至少包括:
通过从与服务器网络连接的其它计算机设备中接收与目标商户相关的商户信息,并将商户信息分别输入各自对应的信息分析模型以获得用于加权求和的信用参考分数,以及最终根据信用参考分数加权求和确定信用分数,并进而确定目标商户的商户信用状态的方式,从多个维度进行商户的信用分数的确定,在每个维度对应信息较少、信息采集较为困难的情况下仍可准确地对目标商户的信用分数以及商户信用状态进行确定,提高了对于小微企业的经营状况的评定效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请一个示例性实施例提供的商户信誉度确定系统的结构框图;
图2示出了本申请一个示例性实施例提供的商户信誉度确定方法流程示意图;
图3示出了本申请一个示例性实施例提供的在商户信誉度确定之后,根据商户信誉度确定商户的信贷状态的流程图;
图4示出了本申请另一个示例性实施例提供的在商户信誉度确定之后,根据用户信誉度确定用户的信贷状态的流程图;
图5示出了本申请一个示例性实施例提供的一种商户信誉度确定方法流程示意图;
图6示出了本申请一个示例性实施例提供的一种商户信誉度确定方法流程示意图;
图7示出了本申请一个示例性实施例提供的一种商户信誉度确定方法流程示意图;
图8示出了本申请一个示例性实施例提供的服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
首先,对本申请实施例中涉及的名词进行简单的介绍:
信贷(credit):是指以偿还和付息为条件的价值运动形式。通常包括银行存款、贷款等信用活动。信贷是体现一定经济关系的不同所有者之间的借贷行为,是以偿还为条件的价值运动特殊形式,是债权人贷出货币,债务人按期偿还并支付一定利息的信用活动(通过转让资金使用权获取收益)。信贷有广义和狭义之分。广义的信贷是指以银行为中介、以存贷为主体的信用活动的总称,包括存款、贷款和结算业务。狭义的信贷通常指银行的贷款,即以银行为主体的货币资金发放行为。本申请中所指的信贷包括广义的信贷以及狭义的信贷,并对提供信贷服务以及申请信贷服务的主体不做具体限制。
商户:是指具有实体经营场所的商家,如知识营销、网络营销、绿色营销等营销商家。商户具有与该商户对应的代表,商户在经营的过程中会产生与其经营活动对应的商户信息,如,商户代表的身份信息、商户进行资金流转产生的资金流转信息等。
可选地,每个商户对应有商户信誉度。商户在进行信贷活动的过程中,通常需要向发放贷款的主体提供其商户信息。该发放贷款的主体在获取商户提供的商户信息之后,根据商户提供的商户信息计算该商户的商户信誉度,并根据商户信誉度确定商户是否拥有进行信贷的资质,或,根据商户信誉度确定向该商户提供何种信贷产品。
商户信息:是指商户在进行经营活动的过程中所产生的信息,在本申请实施例中,商户的商户信息指商户在注册以及运营过程中产生的信息。商户的商户信息包括了可以体现商户信誉度的信息,服务器可借助商户的商户信息,对商户的信誉度进行确定。
信息分析模型:指本申请实施例中用于对商户信息进行分析的模型。本申请实施例中,信息分析模型可以实现为逻辑回归模型,并通过主动学习的方式进行机器学习,以提高对于商户信息的分析效率与正确率。可选地,信息分析模型的输入值为商户的商户信息,输出值为参考信用分数,分数越高,则指示通过该商户信息确定可确定商户的信誉度越高。
信用分数:是对商户信誉度的量化体现,也是直接判断目标商户的信用状态,以及第三方平台判断是否向商户提供信贷产品,或向商户提供何种信贷产品的依据。可选地,商户可发送进行信用分数确定的申请至服务器,服务器根据接收到的申请对商户的商户信息进行采集,并根据商户信息确定商户的信用分数。
可选地,本申请实施例中的商户包括小微企业,小微企业在通过其商户进行经营活动的过程中,往往存在因存证意识薄弱或存证条件不足导致的商户信息保存不足的情况,使得向小微企业的商户提供贷款的主体需要通过人工线下核实的方式进行其经营状态的评定以及商户信誉度的确定,容易造成对小微企业的经营状况的评定效率低下的问题。
图1示出了本申请一个示例性实施例提供的商户信誉度确定系统的结构框图。请参考图1,该系统包括客户端101和服务器102。
客户端101,用于采集目标商户的至少两条商户信息;通过网络上传目标商户的至少两条商户信息,商户信息包括目标商户在注册以及运营过程中产生的信息。在客户端101通过网络将至少两条商户信息进行上传后,服务器102,用于通过网络接收目标商户的至少两条商户信息;将至少两条商户信息输入各自对应的信息分析模型103,输出得到至少两个信用参考分数,其中,信息分析模型103为预先训练得到的模型;根据至少两个信用参考分数计算得到目标商户的信用分数,信用分数用于指示目标商户的信誉度;通过信用分数确定目标商户的商户信用状态,商户信用状态为目标商户办理信用业务的凭证。
在本实施例提供的商户信誉度确定系统中,通过由客户端进行商户信息的采集以及上传,由服务器对客户端采集的商户信息进行接收,并将商户信息分别输入各自对应的信息分析模型以获得用于加权求和的信用参考分数,以及最终根据信用参考分数加权求和确定信用分数,并进而确定目标商户的商户信用状态的方式,从多个维度进行商户的信用分数的确定,在每个维度对应信息较少、信息采集较为困难的情况下仍可准确地对目标商户的信用分数以及信用状态进行确定,提高了对于小微企业的经营状况的评定效率。
图2示出了本申请一个示例性实施例提供的商户信誉度确定方法流程示意图,以该方法应用于服务器中为例进行说明,该方法包括:
步骤201,通过网络接收目标商户的至少两条商户信息,商户信息包括目标商户在注册及运营的过程中产生的信息。
可选地,目标商户为进行信誉度确定的商户。可选地,该商户为小微企业。在一个示例中,服务器接收到来自一个商户发送的信用分数确定请求,则可将该商户确定为目标商户,并进而获取该商户的商户信息。
可选地,服务器可以通过目标商户对应的商户标识,通过网络从源数据计算机设备中接收商户信息。在一个示例中,源数据计算机设备为一个银行的后台服务器,目标商户在该银行的后台服务器中对应有商户帐号,则服务器通过该商户的商户帐号,从银行的后台服务器中获取该商户的商户信息。
可选地,源数据计算机设备可以实现为客户端所对应的终端,客户端用于采集目标商户的至少两条商户信息,也即,与目标商户的商户标识对应的至少两条商户信息。在获取后,客户端通过网络上传该两条商户信息。可选地,在此过程中,服务器确定目标商户的商户类别,确定与商户类别对应的商户信息的类别,并向客户端发送用于指示客户端需要上传的商户信息的类别的信息类别指示消息;客户端根据该信息类别指示消息采集与商户标识以及商户信息的类别对应的至少两条商户信息。在采集过程中,客户端选用包括图像采集方式、文本采集方式以及服务器采集方式中的至少一种采集方式进行采集。响应于信息采集方式包括图像采集方式,通过摄像头采集图像信息作为商户信息;响应于信息采集方式包括文本采集方式,接收文本输入操作生成文本内容作为商户信息;响应于信息采集方式包括服务器采集方式,从与商户信息对应的源数据服务器中获取与商户标识对应的商户信息。
可选地,目标商户对应有商户代表,目标商户的商户代表可以为注册该商户的人员,或,目标商户的商户代表可以为在相关部门进行登记的,维持该商户经营的人员。在一个示例中,目标商户的商户代表为目标商户的法人代表。
商户的商户信息中包括商户注册以及运营过程中产生的信息,且商户的商户信息可用于指示商户的运营状况。可选地,商户信息中包括征信信息、交易信息和代表身份信息中的至少一种。其中,征信信息中包括目标商户的征信记录;交易信息中包括目标商户的交易记录;代表身份信息中包括目标商户的代表的身份。
可选地,当商户信息的数量为两条时,该两条商户信息可以是两种商户信息中的两条商户信息,也可以是同一种商户信息中的两条商户信息,示意性的,该两条商户信息分别为征信信息以及代表身份信息,征信信息中包括目标商户从注册开始到目标商户向服务器发送信用分数确定请求时在第三方机构中的征信档案信息,代表身份信息为目标商户从注册开始到目标商户向服务器发送信用分数确定请求时的商户代表对应的信息。或,该两个种类的商户信息可以从同一维度,不同的时间指示商户的经营状况,示意性的,商户信息为代表身份信息,该两条代表身份信息分别为2012-2015年的代表身份信息以及2016-2019年的代表身份信息。可选地,在后续的步骤中,该两条代表身份信息对应有不同的信息分析模型。
步骤202,将至少两条商户信息输入各自对应的信息分析模型,输出得到至少两个信用参考分数。
可选地,信息分析模型为机器学习模型,可选地,信息分析模型为神经网络模型,且是经过预先训练得到的。在一个示例中,信息分析模型为逻辑回归模型。通过将每条商户信息输入各自对应的信息分析模型,输出得到每条商户信息的信用参考分数。
在一个示例中,商户信息包括征信信息、交易信息和代表身份信息,其中,征信信息中包括目标商户的征信记录,交易信息中包括目标商户的交易记录,代表身份信息中包括目标商户的代表身份。在此情况下,征信信息对应有征信分析模型,交易信息对应有交易分析模型,代表身份信息对应有身份分析模型,响应于商户信息中包括征信信息,将征信信息输入征信分析模型,得到征信信息对应的第一信用参考分数;响应于商户信息中包括交易信息,将交易信息输入交易分析模型,得到交易信息对应的第二信用参考分数;响应于商户信息中包括代表身份信息,将代表身份信息输入身份分析模型,得到代表身份信息对应的第三信用参考分数。该第一信用参考分数、第二信用参考分数以及第三信用参考分数即为对目标商户的不同类的商户信息经过每种类型所对应的信息分析模型所获得的信用参考分数。
在另一个示例中,商户信息包括三个不同时间段的征信信息,在此情况下,第一时间段的征信信息对应有第一征信分析模型、第二时间段的征信信息对应有第二征信分析模型、第三时间段的征信信息对应有第三征信分析模型,将每个时间段的征信信息分别输入对应的征信分析模型,即可获得第一征信信用参考分数、第二征信信用参考分数、第三征信信用参考分数。该第一征信信用参考分数、第二征信信用参考分数以及第三征信信用参考分数即为对目标商户的同一类的商户信息经过相对应的不同的信息分析模型所获得的信用参考分数。
也即,本实施例中,服务器中模型的设置方式包括如下三种:
(1)、服务器为不同种类的商户信息设置有一一对应的信息分析模型。如,服务器对应征信信息设置有征信分析模型,对应交易信息设置有交易分析模型,对应代表身份信息设置有身份分析模型。当服务器接收到的商户信息中包括征信信息时,即将该征信信息输入对应的征信分析模型;当服务器接收到的商户信息中包括交易信息时,即将该交易信息输入对应的交易分析模型;当服务器接收到的商户信息中包括代表身份信息时,即将该代表身份信息输入对应的身份分析模型。
(2)、服务器为同一种类的商户信息设置有多个信息分析模型,每个信息分析模型对应各自的适用条件,同一种类的商户信息根据自身所满足的适用条件在多个信息分析模型中选择一个目标信息分析模型。如,服务器对应征信信息设置有第一征信分析模型、第二征信分析模型以及第三征信分析模型。第一征信分析模型用于处理第一时间段内的征信信息,第二分析模型用于处理第二时间段内的征信信息,第三分析模型用于处理第三时间段内的征信信息。当服务器接收到的商户信息中包括征信信息时,该征信信息对应自身所指示的时间段,在第一征信分析模型、第二征信分析模型以及第三征信分析模型中选择与其时间段对应的征信分析模型作为目标信息分析模型。
(3)、服务器为不同种类的商户信息设置有一一对应的信息分析模型组,其中,与同一种类的商户信息对应的信息分析模型组中包括多个信息分析模型,每个信息分析模型对应各自对应的适用条件在多个信息分析模型中选择一个目标信息分析模型。如,服务器为征信信息设置有征信分析模型组,为交易信息设置有交易分析模型组,为代表身份信息设置有身份信息模型组。征信分析模型组中包括用于处理第一时间段内的征信信息的第一征信分析模型、用于处理第二时间段内的征信信息的第二征信分析模型以及用于处理第三时间段内的征信信息的第三征信分析模型;交易分析模型组中包括用于处理第一时间段内的交易信息的第一交易分析模型、用于处理第二时间段内的交易信息的第二交易分析模型以及用于处理第三时间段内的第三交易分析模型;身份信息模型组中包括用于处理第一时间段内的代表身份信息的第一身份分析模型、用于处理第二时间段内的代表身份信息的第二身份分析模型以及用于处理第三时间段内的代表身份信息的第三身份分析模型。当服务器接收到商户信息中,首先根据商户信息的种类确定对应的信息分析模型组,其次根据其所符合的适用条件,选择一个与其对应的目标信息分析模型。
步骤203,根据至少两个信用参考分数计算得到目标商户的信用分数,信用分数用于指示目标商户的信誉度。
可选地,将两个信用参考分数进行加和,计算得到目标商户的信用分数,或,赋予每个信用参考分数权值,将每个信用参考分数进行加权求和,得到目标商户的信用分数,或,取所有信用参考分数中的最高值,作为目标商户的信用分数。在本实施例中,通过将每个信用参考分数进行加权求和的方式,最终得到目标商户对应的信用分数,在服务器中,该信用分数体现为目标商户的商户标识对应的信用分数。可选地,在通过信息分析模型输出得到信用参考分数后,根据信用参考分数对应生成一个信用分数。
在一个示例中,获取到与目标商户的两条商户信息,分别为目标商户的征信信息以及目标商户的交易信息。通过征信分析模型,得到征信信息对应的第一信用参考分数为60,且通过交易分析模型,得到交易信息对应的第二参考分数为80,第一信用参考分数的权重为0.2,第二信用参考分数的权重为0.8,则最终获得的目标商户的商户标识对应的信用分数为60×0.2+80×0.8=76分。
步骤204,通过信用分数确定目标商户的商户信用状态。
可选地,在确定目标商户的信用分数后,即可对应确定目标商户的信誉度,并根据信用分数对应的信用分数区间,确定目标商户的商户标识对应的商户信用状态。在一个示例中,通过目标商户的信用分数确定是否向目标商户提供贷款。在另一个示例中,通过目标商户的信用分数确定向目标商户提供何种贷款。
综上所述,本实施例提供的方法,通过从与服务器网络连接的其它计算机设备中获取与目标商户相关的商户信息,并将商户信息分别输入各自对应的信息分析模型以获得用于加权求和的信用参考分数,以及最终根据信用参考分数加权求和确定信用分数,并进而确定目标商户的商户信用状态的方式,从多个维度进行商户的信用分数的确定,在每个维度对应信息较少、信息采集较为困难的情况下仍可准确地对目标商户的信用分数以及商户信用状态进行确定,提高了对于小微企业的经营状况的评定效率。
在基于图2的可选实施例中,图3示出了本申请一个示例性实施例提供的在商户信誉度确定之后,根据商户信誉度确定商户的信贷状态的流程图。在本实施例中,图2所示步骤中的步骤203至步骤204可被替换为步骤2013至步骤2015,以该方法应用于服务器中为例进行说明,该方法包括:
步骤2013,响应于至少两个信用参考分数中符合分数要求的信用参考分数达到目标比例,将至少两个信用参考分数进行加权求和,得到目标商户的信用分数。
可选地,响应于至少两个信用参考分数中符合要求的信用参考分数达到目标比例,将至少两个信用参考分数进行加权求和,得到目标商户的信用分数,也即,目标商户的商户标识对应的信用分数,或,响应于至少两个信用参考分数中符合要求的信用参考分数达到目标数量,将至少两个信用参考分数进行加权求和。
可选地,当一个信用参考分数未符合要求时,即不对信用参考分数进行加权求和。示意性的,商户信息中包括目标商户的代表身份信息,响应于代表身份信息对应的第三信用参考分数低于参考分数阈值,则不对信用参考分数进行加权求和,且不进行信用分数的确定,即不向目标商户进行后续的信贷状态的确定,在服务器中,不对该目标商户的商户标识的信用分数进行赋值。
步骤2014,在对应关系中,查询与信用分数对应的商户信用状态,对应关系包括信用分数区间与信用状态之间的对应关系。
服务器中存储有信用分数与商户信用状态之间的对应关系,该对应关系指示每种商户信用状态对应的信用分数区间。
可选地,目标商户的商户标识对应的信用分数处于的预设分数状态直接对应目标商户的商户信用状态。可选地,通过信用分数阈值的确定对信用分数的范围进行划分,当信用分数处于不同的分数段内时,即指示信用分数处于不同的预设分数状态。
可选地,目标商户的商户标识对应的商户信用状态包括可信贷状态、不可信贷状态和未确定状态。可信贷状态指示目标商户具备申请贷款的资质;不可信贷状态指示目标商户不具备申请贷款的资质,未确定状态为目标商户未进行信用分数的确定,或在进行信用分数的确定过程中,还未获得确定的信贷状态时处于的状态。
步骤2015,响应于信用分数达到第一分数阈值,确定目标商户的商户信用状态为可信贷状态,可信贷状态指示目标商户具备申请贷款的资质。
可选地,当信用分数达到第一分数阈值时,即确定目标商户的信誉度高,进而确定目标商户的商户信用状态,也即目标商户的商户标识对应的商户信用状态为可信贷状态。
可选地,当目标商户的商户信用状态为可信贷状态时,目标商户具备申请贷款的资质。或,当目标商户的商户标识对应的商户信用状态为可信贷状态时,目标商户可从对应的信贷产品中进行选择。
可选地,第一分数阈值大于第二分数阈值。
综上所述,本实施例提供的方法,通过设置分数阈值,对预设分数状态进行设置,通过预设分数状态对商户信用状态进行确定,并响应于目标商户的信用分数大于第一分数阈值,确定目标商户的商户信用状态为可信贷状态。通过预设分数状态的划分以及对应目标商户的商户信用状态的确定,为目标商户的信贷状态提供了量化的划分准则,进一步提高了对于小微企业的经营状况的评定效率。
在基于图2的可选实施例中,图4示出了本申请另一个示例性实施例提供的在商户信誉度确定之后,根据用户信誉度确定用户的信贷状态的流程图。在本实施例中,图2所示步骤中的步骤203至步骤204可被替换为步骤2023至步骤2025,以该方法应用于服务器中为例进行说明,该方法包括:
步骤2023:响应于至少两个信用参考分数中符合分数要求的信用参考分数达到目标比例,将至少两个信用参考分数进行加权求和,得到目标商户的商户标识对应的信用分数。
步骤2024,响应于信用分数未达到第一分数阈值,且信用分数达到第二分数阈值,对目标商户进行信用复核验证。
可选地,对应信用分数设置有两个分数阈值,当信用分数未达到第一分数阈值时,判断信用分数是否达到第二分数阈值,当信用分数达到第二分数阈值时,即对目标商户进行进一步信用复核验证。可选地,信用复核验证包括商户现场状态验证。进行商户现场状态验证的方法如下:
获取目标商户的现场视频。可选地,该目标商户的现场视频可以是服务器接收到的目标商户发送的视频,也可以是服务器从目标商户对应的监控摄像头中定时采集到的视频。
对现场视频进行现场商户信息采集。
可选地,目标商户的现场商户信息可以包括目标商户的日均顾客人数、目标商户的日均清洁次数和目标商户的日均手写发票开具数量等。现场状态模型同样为机器学习模型,将现场商户信息输入现场状态模型,输出得到现场状态分数,确定现场状态分数以进行复核验证。
可选地,信用复核验证包括生物特征状态验证。进行生物特征状态验证的方法如下:
向客户端发送商户问题,商户问题为与有目标商户的日常状态相关问题。
可选地,客户端对应有终端,该终端可以为目标商户中安装的与网络连接的终端,或,该终端可以为目标商户的商户代表所持有的终端。商户问题与目标商户的日常状态有关。示意性的,商户问题可以为与商户的日均客流量有关的问题,或,商户问题可以为与商户的未来经营规划有关的问题。
接收客户端反馈的回答视频,回答视频是针对商户问题进行回答的视频。
可选地,回答视频中包括回答者的影像信息以及代表对于视频回答的音频信息,可选地,回答者是商户代表。
对回答视频进行生物特征信息采集。
可选地,从回答视频中的回答者的影像信息进行生物特征信息的采集。在一个示例中,对商户代表在回答问题过程中的动作举止进行生物特征信息采集。可选地,生物特征信息包括的手势动作信息以及面部表情信息中的至少一种。
将生物特征信息输入生物特征状态模型,输出得到生物特征状态分数。
生物特征状态模型同样为机器学习模型。通过生物特征状态模型,确定生物特征状态分数以进行复核验证。
步骤2025,响应于目标商户通过信用复核验证,确定目标商户的商户标识对应的商户信用状态为可信贷状态。
可选地,当通过商户现场状态验证对目标商户进行信用复核验证时,响应于现场状态分数达到现场状态分数阈值,确定目标商户的商户标识对应的商户信用状态为可信贷状态;当通过生物特征状态验证对目标商户进行信用复核验证时,响应于生物特征状态分数达到生物特征状态分数阈值,确定目标商户的商户标识对应的商户信用状态为可信贷状态。
可选地,在目标商户进行信用复核验证的过程中,目标商户为未确定状态,当目标商户通过信用复核验证时,即将目标商户确定为可信贷状态。可选地,当目标商户未通过信用复核验证时,目标商户即为不可信贷状态。
可选地,当信用分数未达到第二分数阈值时,直接确定目标商户为不可信贷状态。
综上所述,本实施例提供的方法,通过在目标商户的信用分数未达到第一分数阈值,而达到第二分数阈值时,对目标商户进行进一步信用复核验证的方式,对目标商户的商户具体情况进行分析,进而通过信用复核验证的结果确定目标商户的信贷状态,通过结合商户现场状态或商户代表状况的进一步的信用复核验证,提高了对于小微企业的经营状况的评定效率。
图5示出了本申请一个示例性实施例提供的一种商户信誉度确定方法流程示意图,以该方法应用于服务器中为例进行说明,该方法包括:
步骤501,通过网络接收目标商户的至少两条商户信息。
可选地,服务器通过网络从源数据计算机设备中获取商户信息。
可选地,源数据计算机设备可以体现为服务器,服务器按照预设时间间隔通过网络从该服务器中获取与目标商户的商户标识对应的商户信息。
可选地,源数据计算机设备可以体现为包括客户端对应的终端在内的其他终端,服务器接收终端直接上传的商户信息。
在一个示例中,服务器按照预设时间间隔通过网络从银行服务器中获取与目标商户的商户标识对应的征信信息;服务器按照预设时间间隔通过网络从交易服务器中获取与目标商户的商户标识对应的交易信息;服务器接收目标商户对应的终端上传的代表身份信息。
步骤502,将至少两条商户信息输入各自对应的信息分析模型,输出得到至少两个信用参考分数。
通过将每条对应的商户信息输入各自对应的信息分析模型,数据得到至少两个信用参考分数。可选地,信用分析模型为逻辑回归模型,且信用分析模型的训练方法为主动学习。
步骤503,响应于至少两个信用参考分数中符合分数要求的信用参考分数达到目标比例,根据信用参考分数进行计算,得到信用分数。
可选地,将每个信用参考分数中符合信用分数要求的信用参考分数未达到目标比例的商户的信贷状态直接确定为不可信贷状态。
可选地,将符合要求的目标商户对应的每个参考分数进行加权求和,得到用于与分数阈值进行比较的信用分数。
步骤504,判断信用分数是否达到第一分数阈值。
当信用分数未达到第一分数阈值时,执行步骤505。
步骤505,判断信用分数是否达到第二分数阈值。
第一分数阈值大于第二分数阈值。
当信用分数达到第二分数阈值时,执行步骤506。
步骤506,通过增强验证模块对目标商户进行信用复核验证。
可选地,信用复核验证包括对商户现场状态进行的复核验证,或,信用复核验证包括对商户代表或其他人员对于问题回答时的状态的验证。对目标商户进行信用复核验证后,即可获得目标商户的信用复核验证结果。
步骤507,判断目标商户是否通过信用复核验证。
可选地,当信用复核验证为商户现场状态验证时,通过现场状态分数是否达到现场状态分数阈值,确定目标商户是否通过信用复核验证;当信用复核验证为生物特征状态验证时,通过生物特征状态分数是否达到生物特征状态分数阈值,确定目标商户是否通过信用复核验证。
当信用分数达到第一分数阈值,或目标商户通过信用复核验证时,执行步骤508。
步骤508,确定目标商户的商户信用状态为可信贷状态。
当目标商户为可信贷状态时,目标商户即可以进行信贷活动,示意性的,目标商户可以购买信贷产品。
当信用分数未达到第二分数阈值,或目标商户未通过信用复核验证时,执行步骤509。
步骤509,确定目标商户的商户信用状态为不可信贷状态。
当目标商户为不可信贷状态时,目标商户即无法进行信贷活动,示意性的,目标商户不可购买信贷产品。
在本申请提供的另一个实施例中,不同的预设分数状态指示目标商户可以选择不同的信贷产品。
综上所述,本实施例提供的方法,通过从与服务器网络连接的其它计算机设备中获取与目标商户相关的商户信息,并将商户信息分别输入各自对应的信息分析模型以获得用于加权求和的信用参考分数,以及最终根据信用参考分数加权求和确定信用分数,并进而确定目标商户的商户信用状态的方式,从多个维度进行商户的信用分数的确定,在每个维度对应信息较少、信息采集较为困难的情况下仍可准确地对目标商户的信用分数以及商户信用状态进行确定,提高了对于小微企业的经营状况的评定效率。
图6示出了本申请一个示例性实施例提供的一种商户信誉度确定方法流程示意图,以该方法应用于服务器中为例进行说明,该方法包括:
步骤601,关键因子识别。
可选地,关键因子的识别过程即为服务器对客户端采集到的目标商户的商户信息的获取过程。
步骤602,根据识别的关键因子配置上传通道。
该上传通道包括:602A:客户自动上传;602B:流水信息采集;602C:人工辅助识别。
可选地,客户自动上传的方式包括拍照上传,流水信息采集的方式包括网络软件服务流水信息采集,人工辅助识别的方式包括服务器在线提示目标商户,使其进行信息分类提交。
步骤603,关键因子模型评估。
该步骤即为将每条商户信息输入各自对应的信息分析模型,输出得到信用参考分数的过程。在得到信用参考分数后,还可以进一步获取目标商户的商户标识对应的信用分数。
步骤604,判断是否超过授信阈值。
可选地,本步骤即为信用分数与分数阈值的对比过程。
当未超过授信阈值时,即信用分数低于第一分数阈值,且高于第二分数阈值时,执行步骤605。
步骤605,增强身份识别。
可选地,增强身份识别的过程即为信用复核验证的过程。
当通过增强身份识别,或超过授信阈值时,执行步骤606。
步骤606,授信。
授信过程即为确定目标商户的商户标识对应的商户信用状态为可信贷状态的过程。
图7示出了本申请一个示例性实施例提供的一种商户信誉度确定装置的示意图,该装置包括:
接收模块701,用于通过网络接收目标商户的至少两条商户信息,商户信息包括目标商户在注册以及运营过程中产生的信息;
输入模块702,用于将至少两条商户信息输入各自对应的信息分析模型,输出得到至少两个信用参考分数,信息分析模型为预先训练得到的逻辑回归模型;
处理模块703,用于根据至少两个信用参考分数计算得到目标商户的信用分数,信用分数用于指示目标商户的信誉度;
确定模块704,用于通过信用分数确定目标商户的商户信用状态,商户信用状态为目标商户办理信用业务的凭证。
在一个可选的实施例中,商户信息包括征信信息、交易信息和商户代表身份信息中的至少一种;其中,征信信息中包括目标商户的征信记录;交易信息中包括目标商户的交易记录;商户代表身份信息中包括目标商户的商户代表身份记录。
在一个可选的实施例中,输入模块702,用于将至少两条商户信息中的征信信息输入对应的征信分析模型,得到征信信息对应的第一信用参考分数;将至少两条商户信息中的交易信息输入对应的交易分析模型,得到交易信息对应的第二信用参考分数;将至少两条商户信息中的商户代表身份信息输入对应的身份分析模型,得到商户代表身份信息对应的第三信用参考分数中的至少一种。
在一个可选的实施例中,确定模块704,用于服务器确定目标商户的商户类别;确定与商户类别对应的商户信息的类别;
该装置,还包括发送模块705,用于向客户端发送信息类别指示消息,信息类别指示消息用于指示客户端需要上传的商户信息的类别。
在一个可选的实施例中,处理模块703,用于响应于至少两个信用参考分数中符合分数要求的信用参考分数达到目标比例,将至少两个信用参考分数进行加权求和,得到目标商户的信用分数。
在一个可选的实施例中,该装置,还包括匹配模块706,用于将在对应关系中,查询与信用分数对应的商户信用状态,对应关系包括信用分数区间与信用状态之间的对应关系。
在一个可选的实施例中,确定模块704,用于响应于信用分数达到第一分数阈值,确定目标商户为可信贷状态,可信贷状态用于指示目标商户具备申请贷款的资质;响应于信用分数未达到第二分数阈值,确定目标商户为不可信贷状态,不可信贷状态用于指示目标商户不具备申请贷款的资质。
在一个可选的实施例中,该装置,还包括验证模块707,用于响应于信用分数未达到第一分数阈值,且信用分数达到第二分数阈值,对目标商户的商户信用状态进行信用复核验证;
确定模块704,用于响应于目标商户通过信用复核验证,确定目标商户为可信贷状态。
需要说明的是:上述实施例提供的商户信誉度确定装置,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
本申请还提供了一种服务器,该服务器包括处理器和存储器,存储器中存储有至少一条指令,至少一条指令由处理器加载并执行以实现上述各个方法实施例提供的商户信誉度确定方法。需要说明的是,该服务器可以是如下图8所提供的服务器。
请参考图8,其示出了本申请一个示例性实施例提供的服务器的结构示意图。具体来讲:服务器800包括中央处理单元(Central Processing Unit,CPU)801、包括随机存取存储器(Random Access Memory,RAM)802和只读存储器(Read-Only Memory,ROM)803的系统存储器804,以及连接系统存储器804和中央处理单元801的系统总线805。服务器800还包括帮助计算机内的各个器件之间传输信息的基本输入/输出(Input Output System,I/O)系统806,和用于存储操作系统813、应用程序814和其他程序模块815的大容量存储设备807。
基本输入/输出系统706包括有用于显示信息的显示器808和用于用户输入信息的诸如鼠标、键盘之类的输入设备809。其中显示器808和输入设备809都通过连接到系统总线805的输入输出控制器810连接到中央处理单元801。基本输入/输出系统806还可以包括输入输出控制器810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器810还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备807通过连接到系统总线805的大容量存储控制器(未示出)连接到中央处理单元801。大容量存储设备807及其相关联的计算机可读介质为服务器800提供非易失性存储。也就是说,大容量存储设备807可以包括诸如硬盘或者CD-ROI驱动器之类的计算机可读介质(未示出)。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、带电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、闪存或其他固态存储其技术,CD-ROM、数字多功能光盘(Digital Video Disc,DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器804和大容量存储设备807可以统称为存储器。
存储器存储有一个或多个程序,一个或多个程序被配置成由一个或多个中央处理单元801执行,一个或多个程序包含用于实现上述商户信誉度确定方法的指令,中央处理单元801执行该一个或多个程序实现上述各个方法实施例提供的商户信誉度确定方法。
根据本申请的各种实施例,服务器800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器800可以通过连接在系统总线805上的网络接口单元811连接到网络812,或者说,也可以使用网络接口单元811来连接到其他类型的网络或远程计算机系统(未示出)。
存储器还包括一个或者一个以上的程序,一个或者一个以上程序存储于存储器中,一个或者一个以上程序包含用于进行本申请实施例提供的商户信誉度确定方法中由服务器所执行的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质;也可以是单独存在,未装配入终端中的计算机可读存储介质。该计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述商户信誉度确定方法。
可选地,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、固态硬盘(SSD,Solid State Drives)或光盘等。其中,随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance RandomAccess Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种商户信誉度确定方法,其特征在于,所述方法应用于服务器中,所述方法包括:
通过网络接收目标商户的至少两条商户信息,所述商户信息包括所述目标商户在注册以及运营过程中产生的信息;
将至少两条商户信息输入至各自对应的信息分析模型,分别输出得到至少两个信用参考分数;所述信息分析模型为预先训练得到的模型;
根据至少两个所述信用参考分数计算得到所述目标商户的信用分数,所述信用分数用于指示所述目标商户的信誉度;
根据所述信用分数确定所述目标商户的商户信用状态,所述商户信用状态为所述目标商户办理信用业务的凭证。
2.根据权利要求1所述的方法,其特征在于,所述商户信息包括征信信息、交易信息和商户代表身份信息中的至少一种;
其中,所述征信信息包括所述目标商户的征信记录;
所述交易信息包括所述目标商户的交易记录;
所述商户代表身份信息包括所述目标商户的商户代表身份记录。
3.根据权利要求2所述的方法,其特征在于,所述将至少两条商户信息输入各自对应的信息分析模型,输出得到至少两个信用参考分数,包括如下步骤中的至少一个:
将所述至少两条商户信息中的所述征信信息输入征信分析模型,得到所述征信信息对应的征信参考分数;
将所述至少两条商户信息中的所述交易信息输入交易分析模型,得到所述交易信息对应的交易参考分数;
将所述至少两条商户信息中的所述商户代表身份信息输入身份分析模型,得到所述商户代表身份信息对应的身份参考分数。
4.根据权利要求1至3任一所述的方法,其特征在于,所述通过网络接收至少两条商户信息之前,还包括:
确定目标商户的商户类别以及与所述商户类别对应的商户信息的类别;
向客户端发送信息类别指示消息,所述信息类别指示消息用于指示所述客户端需要通过网络上传的所述商户信息的类别。
5.根据权利要求1至3任一所述的方法,其特征在于,所述根据至少两个所述信用参考分数计算得到所述目标商户的信用分数,包括:
响应于至少两个所述参考信用分数中符合要求的所述信用参考分数达到目标比例,将至少两个所述参考信用分数进行加权求和,得到所述目标商户的所述信用分数。
6.根据权利要求1至3任一所述的方法,其特征在于,所述通过所述信用分数确定所述目标商户的商户信用状态,包括:
在对应关系中,查询与所述信用分数对应的所述商户信用状态,所述对应关系包括信用分数区间与所述信用状态之间的对应关系。
7.根据权利要求6所述的方法,其特征在于,所述在对应关系中,查询与所述目标商户的所述信用分数对应的所述目标商户的所述商户信用状态,包括:
响应于所述信用分数达到第一分数阈值,确定所述目标商户为可信贷状态,所述可信贷状态用于指示所述目标商户具备申请贷款的资质;
响应于所述信用分数未达到第二分数阈值,确定所述目标商户为不可信贷状态,所述不可信贷状态用于指示所述目标商户不具备申请贷款的资质;
其中,所述第一分数阈值大于等于第二分数阈值。
8.根据权利要求7所述的方法,其特征在于,所述将所述信用分数与预设分数状态对应关系进行匹配,得到目标商户的商户信用状态,包括:
响应于所述信用分数未达到所述第一分数阈值,且所述信用分数达到所述第二分数阈值,对所述目标商户的所述商户信用状态进行信用复核验证;
响应于所述目标商户通过所述信用复核验证,确定所述目标商户为所述可信贷状态。
9.一种商户信誉度确定系统,其特征在于,所述商户信誉度确定系统包括服务器和客户端;
所述客户端,用于:采集目标商户的至少两条商户信息;将所述至少两条商户信息通过网络上传,所述商户信息共包括所述目标商户在注册以及运营过程中产生的信息;
所述服务器,用于:通过所述网络接收目标商户的至少两条所述商户信息,将至少两条所述商户信息输入各自对应的信息分析模型,输出得到至少两个信用参考分数,所述信息分析模型为预先训练得到的模型;根据至少两个所述信用参考分数计算得到所述目标商户的信用分数,所述信用分数用于指示所述目标商户的信誉度;通过所述信用分数确定所述目标商户的商户信用状态,所述商户信用状态为所述目标商户办理信用业务的凭证。
10.根据权利要求9所述的系统,其特征在于,所述商户信息包括征信信息、交易信息和商户代表身份信息中的至少一种;其中,
所述征信信息包括所述目标商户的征信记录;
所述交易信息包括所述目标商户的交易记录;
所述商户代表身份信息包括所述目标商户的商户代表身份记录。
11.根据权利要求9或10所述的系统,其特征在于,
所述服务器,还用于:确定所述目标商户的商户类别;确定与所述商户类别对应的所述商户信息的类别;向所述客户端发送信息类别指示消息,所述信息类别指示消息用于指示客户端需要上传的商户信息的类别;
所述客户端,还用于:接收所述服务器发送的所述信息类别指示消息;根据所述信息类别指示消息采集与所述商户信息的类别对应的至少两条所述商户信息。
12.根据权利要求11所述的系统,其特征在于,
所述客户端,还用于:确定至少两条商户信息的信息采集方式,所述信息采集方式包括图像采集方式、文本采集方式以及服务器采集方式中的至少一种;
响应于所述信息采集方式包括所述图像采集方式,通过摄像头采集图像信息作为所述商户信息;响应于所述信息采集方式包括所述文本采集方式,接收文本输入操作生成文本内容作为所述商户信息;响应于所述信息采集方式包括所述服务器采集方式,从与所述商户信息对应的源数据服务器中获取所述商户信息。
13.一种商户信誉度确定装置,其特征在于,所述装置包括:
接收模块,用于通过网络接收目标商户的至少两条商户信息,所述商户信息包括所述目标商户在注册以及运营过程中产生的信息;
输入模块,用于将至少两条所述商户信息输入各自对应的信息分析模型,输出得到至少两个信用参考分数,所述信息分析模型为预先训练得到的模型;
处理模块,用于根据至少两个所述信用参考分数计算得到所述目标商户的信用分数,所述信用分数用于指示所述目标商户的信誉度;
确定模块,用于通过所述信用分数确定所述目标商户的商户信用状态,所述商户信用状态为所述目标商户办理信用业务的凭证。
14.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的商户信誉度确定方法。
15.一种计算机可读存储介质,其特征在于,所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的商户信誉度确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010450186.6A CN111681096A (zh) | 2020-05-25 | 2020-05-25 | 商户信誉度确定方法、系统、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010450186.6A CN111681096A (zh) | 2020-05-25 | 2020-05-25 | 商户信誉度确定方法、系统、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111681096A true CN111681096A (zh) | 2020-09-18 |
Family
ID=72453050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010450186.6A Pending CN111681096A (zh) | 2020-05-25 | 2020-05-25 | 商户信誉度确定方法、系统、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681096A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950314A (zh) * | 2021-02-26 | 2021-06-11 | 腾竞体育文化发展(上海)有限公司 | 购票资格的确定方法、装置、设备及存储介质 |
-
2020
- 2020-05-25 CN CN202010450186.6A patent/CN111681096A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950314A (zh) * | 2021-02-26 | 2021-06-11 | 腾竞体育文化发展(上海)有限公司 | 购票资格的确定方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992167B (zh) | 银行客户业务意图识别方法及装置 | |
US20210027357A1 (en) | Systems and methods for credit card selection based on a consumer's personal spending | |
US10755280B2 (en) | Segmented data analysis using dynamic peer groupings and automated rule implementation platform | |
US20060047566A1 (en) | Method and system for improving performance of customer service representatives | |
JP2016517073A (ja) | 市場参加者ベースの自動化された意思決定のためのシステムおよび方法 | |
US20190066020A1 (en) | Multi-Variable Assessment Systems and Methods that Evaluate and Predict Entrepreneurial Behavior | |
CN111461857A (zh) | 中小银行个人线上信贷方法、装置、系统、设备和介质 | |
CN111383094A (zh) | 产品服务全链驱动方法、设备及可读存储介质 | |
CA2900072A1 (en) | System and method for online evaluation and underwriting of loan products | |
CN113919886A (zh) | 基于夏普利值的数据特征组合定价方法、系统及电子设备 | |
CN110892435A (zh) | 用于标识和瞄准金融装置以促成重复交易的系统和方法 | |
US20230075217A1 (en) | Method for evaluation and payout of parametric risk-coverage for hard-to-insure risks using distributed ledger and associated system | |
US20180197166A1 (en) | System and method for using user rating in real-world data observation campaign | |
Sunarya et al. | Deciphering Digital Social Dynamics: A Comparative Study of Logistic Regression and Random Forest in Predicting E-Commerce Customer Behavior | |
CN111681096A (zh) | 商户信誉度确定方法、系统、装置及介质 | |
Dai et al. | Audit analytics: A field study of credit card after-sale service problem detection at a major bank | |
Singh et al. | Towards development of an integrated cloud-computing adoption framework—a case of Indian school education system | |
KR20220037023A (ko) | 플리마켓의 운영 및 관리 자동화를 수행하는 방법 및 이를 수행하는 서버 | |
de Vries et al. | Towards identifying the business value of big data in a digital business ecosystem: A case study from the financial services industry | |
CN115809837A (zh) | 基于数字化模拟场景的金融企业管理方法、设备及介质 | |
CN116416072A (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
US20210397602A1 (en) | Systems and methods for analyzing electronic data to determine faults in a transit system | |
CN114245204A (zh) | 基于人工智能的视频面签方法、装置、电子设备及介质 | |
EP3342130A1 (en) | Secure communications methods for use with entrepreneurial prediction systems and methods | |
US20160232606A1 (en) | Systems and Methods for Use in Providing Lending Products to Consumers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200918 |
|
WD01 | Invention patent application deemed withdrawn after publication |