CN111708883A - 一种基于机器学习和设备指纹的授信额度确定方法及装置 - Google Patents

Abstract

本发明提出了一种基于机器学习和设备指纹的授信额度确定方法及装置，包括如下步骤：获取目标客户的统一授信请求；根据所述统一授信请求，获取目标客户的经营数据和知识图谱；根据所述知识图谱，确定目标客户所在的行业数据；将所述经营数据和行业数据导入训练完成的机器学习模型，获取目标客户的经营评分；根据所述经营评分，确定目标客户准入和授信额度。本发明通过将企业进行行业分类划分，再在行业分类里面设立类目，确定企业在行业类目中的经营水平，实现对企业进行多维度评估，并根据机器学习模型进行经营数据的历史变化刻画，预测企业未来的经营情况。

Description

一种基于机器学习和设备指纹的授信额度确定方法及装置

技术领域

本发明涉及计算机技术领域，具体而言，涉及一种基于机器学习和设备指纹的授信额度确定方法及装置。

背景技术

在B2B电子商务中，为解决中小企业面临的资金短缺问题，电商平台可以通过与银行对接，为中小企业提供订单融资，解决中小企业经营周转所需的资金。其中，订单融资是指企业凭信用良好的买方产品订单，在技术成熟、生产能力有保障并能提供有效担保的条件下，由银行提供专项贷款，供企业购买材料组织生产，企业在收到货款后立即偿还贷款的业务。

供应链金融的企业受行业影响比较大，每个行业都有周期的变化，在不同的行业，不同行业的每个周期中，企业的经营情况都不同。然而，目前银行的订单融资系统中仅选择经营情况良好的优质企业进行放贷，拒绝给短期经营情况差的企业放贷，智能化程度低，无法预测企业未来经营情况。而且，目前银行的订单融资系统缺乏有效的虚假订单检查功能，存在刷单造假交易的风险。造假欺诈企业可以用一台手机或者电脑，通过虚拟软件将设备虚拟出多台虚拟设备，模仿客户提交订单信息，将订单信息用于申请信用贷款。

发明内容

鉴于上述问题，本发明提供了一种基于机器学习和设备指纹的授信额度确定方法及装置。

为解决上述技术问题，本发明采用的技术方案是：一种基于机器学习和设备指纹的授信额度确定方法，包括如下步骤：获取目标客户的统一授信请求；根据所述统一授信请求，获取目标客户的经营数据和知识图谱；根据所述知识图谱，确定目标客户所在的行业数据；将所述经营数据和行业数据导入训练完成的机器学习模型，获取目标客户的经营评分；根据所述经营评分，确定目标客户准入和授信额度。

作为优选方案，所述经营数据导入机器学习模型之前，对所述经营数据中的交易量进行分析，获取提交订单的设备指纹，通过设备指纹找到相似设备，从而确定虚假的订单交易。

作为优选方案，所述获取提交订单的设备指纹，具体为：通过设备浏览器上的脚本JavaScript获取设备的屏幕分辨率、操作系统的类型、字体、语言一系列特征信息，计算出唯一的设备指纹。

作为优选方案，通过所述知识图谱，获取目标客户的关联企业信息，并将所述关联企业信息与贷后管理系统进行连通，实现贷后风险监控。

作为优选方案，所述关联企业信息包括企业投资、企业关联、舆情和处罚信息。

作为优选方案，所述经营数据包括广告购买、客户评价、访问流量、被收藏情况、交易量。

本发明还公开了一种基于机器学习和设备指纹的授信额度确定装置，包括

第一获取模块，用于获取目标客户的统一授信请求；第二获取模块，用于根据所述统一授信请求，获取目标客户的经营数据和知识图谱；行业数据确定模块，用于根据所述知识图谱，确定目标客户所在的行业数据；第三获取模块，用于将所述经营数据和行业数据导入训练完成的机器学习模型，获取目标客户的经营评分；授信额度确定模块，用于根据所述经营评分，确定目标客户准入和授信额度。

作为优选方案，还包括虚假订单查找模块，用于在所述经营数据导入机器学习模型之前，对所述经营数据中的交易量进行分析，获取提交订单的设备指纹，通过设备指纹找到相似设备，从而确定虚假的订单交易。

作为优选方案，所述虚假订单查找模块包括设备指纹获取模块，所述设备指纹获取模块用于通过设备浏览器上的脚本JavaScript获取设备的屏幕分辨率、操作系统的类型、字体、语言一系列特征信息，计算出唯一的设备指纹。

作为优选方案，还包括关联企业监控模块，用于通过所述知识图谱，获取目标客户的关联企业信息，并将所述关联企业信息与贷后管理系统进行连通，实现贷后风险监控。

与现有技术相比，本发明的有益效果包括：通过将企业进行行业分类划分，再在行业分类里面设立类目，确定企业在行业类目中的经营水平，实现对企业进行多维度评估，并根据机器学习模型进行经营数据的历史变化刻画，预测企业未来的经营情况；通过采用设备指纹技术，可以识别出企业交易数据造假和刷单行为，降低了放贷风险；通过对企业知识图谱的分析，获取企业的相关企业信息，在相关企业发生风险的时候，该装置可以自动向贷后管理系统发送指令，暂停对风险企业的贷款发放，冻结授信额度，及时止损。

附图说明

参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制。在附图中，相同的附图标记用于指代相同的部件。其中：

图1为本发明实施例的基于机器学习和设备指纹的授信额度确定方法的流程图；

图2为本发明实施例的企业经营情况与时间的关系示意图；

图3为本发明实施例的基于机器学习和设备指纹的授信额度确定装置的模块图；

图4为本发明实施例的虚假订单查找模块的结构示意图。

具体实施方式

容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。

根据本发明的一实施方式结合图1示出。一种基于机器学习和设备指纹的授信额度确定方法，包括如下步骤：

S110：获取目标客户的统一授信请求。

具体地，目标客户通过目标终端向银行服务器发出统一授信请求，银行服务器接收统一授信请求。统一授信是指银行作为一个整体，按照一定标准和程序，对单一客户统一确定授信额度，并加以集中统一控制的信用风险管理制度。

其中，目标终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，银行服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

S120：根据统一授信请求，获取目标客户的经营数据和知识图谱。

应理解，知识图谱本质上是一种语义网络，是基于图的数据结构，以图的方式存储知识并向用户返回经过加工和推理的知识。它由“节点”和“边”组成，节点表示现实世界中的“实体”，边表示实体之间的“关系”。知识图谱的作用就是，有序的存储知识，帮助业务系统更精准的获得答案。知识图谱已经在互联网时代应用的很广泛，比如帮助搜索引擎做到更精准。

S130：根据知识图谱，确定目标客户所在的行业数据。行业数据包括行业分类，行业类目，和在该行业类目下的周期性经营情况。

S140：将经营数据和行业数据导入训练完成的机器学习模型，获取目标客户的经营评分。

图2为本发明实施例的企业经营情况与时间的关系示意图，经营数据包括广告购买、客户评价、访问流量、被收藏情况、交易量等多个经营特征，将经营特征和行业数据作为评估变量，导入训练完成的机器学习模型，通过Dynamic Structure2Vec算法提取目标客户的行业数据等非经营特征，基于RNN算法进行经营特征和非经营特征的历史分析和趋势预测。

S150：基于以上的分析预测，得出每个目标客户在行业和周期内的经营情况评分，用于准入和授信额度决策。

本发明实施例中，通过知识图谱，获取目标客户的关联企业信息，并将关联企业信息与贷后管理系统进行连通，实现贷后风险监控。关联企业信息包括企业投资、企业关联、舆情和处罚信息。如果某一企业发生了行业风险或高风险事件，根据关联企业信息可以及时预测有潜在风险的其他企业，从而可以帮助金融机构做出预判，尽早地规避风险。

可选的，经营数据导入机器学习模型之前，对经营数据中的交易量进行分析，获取提交订单的设备指纹，具体为：通过设备浏览器上的脚本JavaScript获取设备的屏幕分辨率、操作系统的类型、字体、语言等一系列特征信息，计算出唯一的设备指纹。基于几百个特征信息算出设备指纹，找出相似的设备，从而确定刷单造假的交易，确定企业是否造假欺诈，从而降低银行放贷风险。

如图3所示，本发明还公开了一种基于机器学习和设备指纹的授信额度确定装置，包括：

第一获取模块210，用于获取目标客户的统一授信请求；

第二获取模块220，用于根据统一授信请求，获取目标客户的经营数据和知识图谱；

行业数据确定模块230，用于根据知识图谱，确定目标客户所在的行业数据；

虚假订单查找模块240，用于在经营数据导入机器学习模型之前，对经营数据中的交易量进行分析，获取提交订单的设备指纹，通过设备指纹找到相似设备，从而确定虚假的订单交易。

如图4所示，虚假订单查找模块240包括设备指纹获取模块241，设备指纹获取模块241用于通过设备浏览器上的脚本JavaScript获取设备的屏幕分辨率、操作系统的类型、字体、语言一系列特征信息，计算出唯一的设备指纹。

第三获取模块250，用于将经营数据和行业数据导入训练完成的机器学习模型，获取目标客户的经营评分。

授信额度确定模块260，用于根据经营评分，确定目标客户准入和授信额度。

关联企业监控模块270，用于通过知识图谱，获取目标客户的关联企业信息，并将关联企业信息与贷后管理系统进行连通，实现贷后风险监控。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

应理解，所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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，或者该技术方案的全部或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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。

Claims (10)

1.一种基于机器学习和设备指纹的授信额度确定方法，其特征在于，包括如下步骤：

获取目标客户的统一授信请求；

根据所述统一授信请求，获取目标客户的经营数据和知识图谱；

根据所述知识图谱，确定目标客户所在的行业数据；

将所述经营数据和行业数据导入训练完成的机器学习模型，获取目标客户的经营评分；

根据所述经营评分，确定目标客户准入和授信额度。

2.根据权利要求1所述的基于机器学习和设备指纹的授信额度确定方法，其特征在于，所述经营数据导入机器学习模型之前，对所述经营数据中的交易量进行分析，获取提交订单的设备指纹，通过设备指纹找到相似设备，从而确定虚假的订单交易。

3.根据权利要求2所述的基于机器学习和设备指纹的授信额度确定方法，其特征在于，所述获取提交订单的设备指纹，具体为：通过设备浏览器上的脚本JavaScript获取设备的屏幕分辨率、操作系统的类型、字体、语言一系列特征信息，计算出唯一的设备指纹。

4.根据权利要求1所述的基于机器学习和设备指纹的授信额度确定方法，其特征在于，还包括：通过所述知识图谱，获取目标客户的关联企业信息，并将所述关联企业信息与贷后管理系统进行连通，实现贷后风险监控。

5.根据权利要求4所述的基于机器学习和设备指纹的授信额度确定方法，其特征在于，所述关联企业信息包括企业投资、企业关联、舆情和处罚信息。

6.根据权利要求1所述的基于机器学习和设备指纹的授信额度确定方法，其特征在于，所述经营数据包括广告购买、客户评价、访问流量、被收藏情况、交易量。

7.一种基于机器学习和设备指纹的授信额度确定装置，其特征在于，包括

第一获取模块，用于获取目标客户的统一授信请求；

第二获取模块，用于根据所述统一授信请求，获取目标客户的经营数据和知识图谱；

行业数据确定模块，用于根据所述知识图谱，确定目标客户所在的行业数据；

第三获取模块，用于将所述经营数据和行业数据导入训练完成的机器学习模型，获取目标客户的经营评分；

授信额度确定模块，用于根据所述经营评分，确定目标客户准入和授信额度。

8.根据权利要求7所述的基于机器学习和设备指纹的授信额度确定装置，其特征在于，还包括虚假订单查找模块，用于在所述经营数据导入机器学习模型之前，对所述经营数据中的交易量进行分析，获取提交订单的设备指纹，通过设备指纹找到相似设备，从而确定虚假的订单交易。

9.根据权利要求8所述的基于机器学习和设备指纹的授信额度确定装置，其特征在于，所述虚假订单查找模块包括设备指纹获取模块，所述设备指纹获取模块用于通过设备浏览器上的脚本JavaScript获取设备的屏幕分辨率、操作系统的类型、字体、语言一系列特征信息，计算出唯一的设备指纹。

10.根据权利要求7所述的基于机器学习和设备指纹的授信额度确定装置，其特征在于，还包括关联企业监控模块，用于通过所述知识图谱，获取目标客户的关联企业信息，并将所述关联企业信息与贷后管理系统进行连通，实现贷后风险监控。

Images