CN111932267A - 企业金融服务风险预测方法及装置 - Google Patents

企业金融服务风险预测方法及装置 Download PDF

Info

Publication number
CN111932267A
CN111932267A CN202010731181.0A CN202010731181A CN111932267A CN 111932267 A CN111932267 A CN 111932267A CN 202010731181 A CN202010731181 A CN 202010731181A CN 111932267 A CN111932267 A CN 111932267A
Authority
CN
China
Prior art keywords
enterprise
financial service
model
risk prediction
historical
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
Application number
CN202010731181.0A
Other languages
English (en)
Inventor
倪灵
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202010731181.0A priority Critical patent/CN111932267A/zh
Publication of CN111932267A publication Critical patent/CN111932267A/zh
Pending legal-status Critical Current

Links

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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • 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)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Technology Law (AREA)
  • Development Economics (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种企业金融服务风险预测方法及装置，方法包括：获取当前未经金融服务授权的目标企业的运营状态信息；将目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，将输出作为该目标企业的金融服务风险预测等级以确定是否向目标企业提供金融服务；弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型先基于一打标模型和标签未知的历史企业数据获取，打标模型预先应用标签已知的历史企业数据训练得到。本申请能够有效提高针对未经金融服务授权的企业的金融服务风险预测过程的准确性及智能化程度，并能够有效提高企业金融服务风险预测的效率，进而能够提高金融机构的运转可靠性及安全性。

Description

企业金融服务风险预测方法及装置
技术领域
本申请涉及数据处理技术领域，具体涉及企业金融服务风险预测方法及装置。
背景技术
随着科技的飞速发展，银行等金融机构内部通常设有针对企业用户的评价体系和指标，尤其针对在金融机构中开设有对公账户或信贷建档的大中型企业，随着大数据、AI技术的发展，金融机构可以通过机器学习模型来对这些企业进行金融服务风险的预测，进而提升金融机构的风控能力。
目前，现有的应用机器学习模型对企业进行风险预测的方式，通常需要事先获取大量的企业信息，并由专家对大量数据进行标注后训练得到机器学习模型。
然而，现有的应用机器学习模型由于需要专家对大量数据进行标注，因此需要耗费大量的人力成本，同时，针对一些事先并未在银行进行注册的企业，尤其是微小企业，金融机构在模型训练阶段很难获取足够数量的企业信息作为训练样本，而金融机构的历史企业用户客观上又无法覆盖金融机构服务范围内的所有企业，因此，现有的金融服务风险预测方法显然无法满足对事先并未在银行进行注册的企业进行风险预测的准确性及智能化要求。
发明内容
针对现有技术中的问题，本申请提供一种企业金融服务风险预测方法及装置，能够有效提高针对未经金融服务授权的企业的金融服务风险预测过程的准确性及智能化程度，并能够有效提高企业金融服务风险预测的效率，进而能够提高金融机构的运转可靠性及安全性。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供一种企业金融服务风险预测方法，包括：
获取当前未经金融服务授权的目标企业的运营状态信息；
将所述目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，并将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级，以基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务；
其中，所述弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型预先基于一打标模型和标签未知的历史企业数据获取，且所述打标模型预先应用标签已知的历史企业数据训练得到。
进一步地，在所述获取当前未经金融服务授权的目标企业的运营状态信息之前，还包括：
根据标签已知的历史企业数据训练得到用于预测企业标签的打标模型；
应用所述打标模型对多个标签未知的历史企业用户分别进行标签预测，并根据获取的预测结果训练得到融合模型；
基于所述融合模型和预设的标签类型占比数据生成所述弱监督评分模型。
进一步地，所述根据标签已知的历史企业数据训练得到打标模型，包括：
获取标签已知的多个历史企业用户的用户信息以及各个所述历史企业用户各自对应的标签数据，以生成第一数据集，其中，所述标签按照对应的企业历史评价信息划分为至少三类评价等级内容；
应用预设的逻辑回归方式，基于所述第一数据集分别训练得到各类标签各自对应的分类器子模型；
将各个所述分类器子模型分别赋予相同的初始权重值，以得到对应的打标模型。
进一步地，所述应用所述打标模型对多个标签未知的历史企业分别进行标签预测，并根据获取的预测结果训练得到融合模型，包括：
获取标签未知的多个历史企业用户的用户信息，以生成第二数据集；
将所述第二数据集中的各个所述历史企业用户的用户信息分别输入所述打标模型，并将该打标模型的输出分别作为所述第二数据集中各个对应的所述历史企业的标签；
获取所述第二数据集中的各个所述历史企业用户各自对应的运营状态信息，以生成第三数据集；
应用所述第三数据集分别训练得到各类标签各自对应的融合子模型，并将各个所述融合子模型分别赋予相同的初始权重值；
基于各类标签各自对应的融合子模型训练得到弱分类器，并基于该弱分类器重新确定各个所述融合子模型的权重值，以得到对应的融合模型。
进一步地，所述基于所述融合模型和预设的标签类型占比数据生成所述弱监督评分模型，包括：
获取当前未经金融服务授权的多个企业各自对应的运营状态信息，以生成第四数据集；
基于所述融合模型和预设的标签类型占比数据，对所述第四数据集中的各个企业分别进行评分以生成对应的评级函数，将该评级函数作为弱监督评分模型。
进一步地，所述获取当前未经金融服务授权的目标企业的运营状态信息，包括：
接收企业针对目标金融机构发出的金融服务申请信息，其中，所述金融服务申请信息中包含有对应企业的唯一标识和金融服务类型；
根据所述企业的唯一标识，判断该企业是否为所述目标金融机构的历史企业用户，若否，则将该企业确定为当前未经金融服务授权的目标企业；
基于所述目标企业的唯一标识获取该目标企业的目标企业的运营状态信息，并根据所述金融服务类型选取对应的弱监督评分模型。
进一步地，在所述将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级之后，还包括：
判断所述目标企业的金融服务风险预测等级是否符合预设的金融服务要求，若是，则将该目标企业存储为历史企业客户，以向该目标企业提供金融服务。
第二方面，本申请提供一种企业金融服务风险预测装置，包括：
信息获取模块，用于获取当前未经金融服务授权的目标企业的运营状态信息；
风险预测模块，用于将所述目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，并将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级，以基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务；
其中，所述弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型预先基于一打标模型和标签未知的历史企业数据获取，且所述打标模型预先应用标签已知的历史企业数据训练得到。
进一步地，还包括：
打标模型生成模块，用于根据标签已知的历史企业数据训练得到用于预测企业标签的打标模型；
融合模型生成模块，用于应用所述打标模型对多个标签未知的历史企业用户分别进行标签预测，并根据获取的预测结果训练得到融合模型；
风险预测模型生成模块，用于基于所述融合模型和预设的标签类型占比数据生成所述弱监督评分模型。
进一步地，所述打标模型生成模块用于执行下述内容：
获取标签已知的多个历史企业用户的用户信息以及各个所述历史企业用户各自对应的标签数据，以生成第一数据集，其中，所述标签按照对应的企业历史评价信息划分为至少三类评价等级内容；
应用预设的逻辑回归方式，基于所述第一数据集分别训练得到各类标签各自对应的分类器子模型；
将各个所述分类器子模型分别赋予相同的初始权重值，以得到对应的打标模型。
进一步地，所述融合模型生成模块用于执行下述内容：
获取标签未知的多个历史企业用户的用户信息，以生成第二数据集；
将所述第二数据集中的各个所述历史企业用户的用户信息分别输入所述打标模型，并将该打标模型的输出分别作为所述第二数据集中各个对应的所述历史企业的标签；
获取所述第二数据集中的各个所述历史企业用户各自对应的运营状态信息，以生成第三数据集；
应用所述第三数据集分别训练得到各类标签各自对应的融合子模型，并将各个所述融合子模型分别赋予相同的初始权重值；
基于各类标签各自对应的融合子模型训练得到弱分类器，并基于该弱分类器重新确定各个所述融合子模型的权重值，以得到对应的融合模型。
进一步地，所述风险预测模型生成模块用于执行下述内容：
获取当前未经金融服务授权的多个企业各自对应的运营状态信息，以生成第四数据集；
基于所述融合模型和预设的标签类型占比数据，对所述第四数据集中的各个企业分别进行评分以生成对应的评级函数，将该评级函数作为弱监督评分模型。
进一步地，所述信息获取模块用于执行下述内容：
接收企业针对目标金融机构发出的金融服务申请信息，其中，所述金融服务申请信息中包含有对应企业的唯一标识和金融服务类型；
根据所述企业的唯一标识，判断该企业是否为所述目标金融机构的历史企业用户，若否，则将该企业确定为当前未经金融服务授权的目标企业；
基于所述目标企业的唯一标识获取该目标企业的目标企业的运营状态信息，并根据所述金融服务类型选取对应的弱监督评分模型。
进一步地，还包括：
服务判断模块，用于判断所述目标企业的金融服务风险预测等级是否符合预设的金融服务要求，若是，则将该目标企业存储为历史企业客户，以向该目标企业提供金融服务。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的企业金融服务风险预测方法。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的企业金融服务风险预测方法。
由上述技术方案可知，本申请提供的一种企业金融服务风险预测方法及装置，方法包括：获取当前未经金融服务授权的目标企业的运营状态信息；将所述目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，并将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级，以基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务；其中，所述弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型预先基于一打标模型和标签未知的历史企业数据获取，且所述打标模型预先应用标签已知的历史企业数据训练得到，使得本申请通过应用预先设置的用于进行金融服务风险预测的弱监督评分模型，对当前未经目标金融机构进行金融服务授权的目标企业进行金融服务风险预测，能够在有效降低企业金融服务风险预测过程所耗费的人力成本的基础上，有效提高针对未经目标金融机构进行金融服务授权的目标企业的金融服务风险预测过程的准确性及智能化程度，尤其针对小微企业，能够有效解决针对小微企业的模型训练样本不足的问题，进而能够有效提高针对小微企业的金融服务风险预测的准确性及智能化程度；通过直接将企业的运营状态信息作为预测特征，能够有效节省企业金融服务风险预测的人力成本，并能够有效提高企业金融服务风险预测的效率，以及向申请金融服务的企业反馈风险预测结果的效率，能够提高金融机构为企业提供金融服务的针对性及可靠性，进而能够提高金融机构的运转可靠性及安全性，以提高金融机构和向金融机构申请金融服务的企业的用户体验。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本申请实施例中的企业金融服务风险预测方法的流程示意图。
图2是本申请实施例中的包含有步骤010至步骤030的企业金融服务风险预测方法的流程示意图。
图3是本申请实施例中的企业金融服务风险预测方法中步骤010的具体流程示意图。
图4是本申请实施例中的企业金融服务风险预测方法中步骤020的具体流程示意图。
图5是本申请实施例中的企业金融服务风险预测方法中步骤030的具体流程示意图。
图6是本申请实施例中的企业金融服务风险预测方法中步骤100的具体流程示意图。
图7是本申请实施例中的包含有步骤300的企业金融服务风险预测方法的流程示意图。
图8是本申请应用实例的企业金融服务风险预测系统的结构示意图。
图9是本申请应用实例的企业金融服务风险预测方法的流程示意图。
图10是本申请实施例中的企业金融服务风险预测装置的第一种结构示意图。
图11是本申请实施例中的企业金融服务风险预测装置的第二种结构示意图。
图12是本申请实施例中的企业金融服务风险预测装置的第三种结构示意图。
图13是本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
考虑到成功的模型需要依赖大量数据标注训练得到，而银行的小微企业客户不能覆盖全量小企业，也无法通过专家评价来为所有小企业打分的问题，本申请提供一种企业金融服务风险预测方法、企业金融服务风险预测装置、电子设备和计算机可读存储介质，可以在有少量专家评价标签的情况下，通过弱监督的方式为大量数据打标签，以此开展评分的建模工作，并泛化至全量小企业，解决其样本不足的困扰。
基于上述内容，本申请还提供一种用于实现本申请一个或多个实施例中提供的企业金融服务风险预测方法的企业金融服务风险预测系统，该企业金融服务风险预测系统可以与至少一个银行在线业务系统通信连接，具体可以通过各自的应用服务器互相访问。
其中，用户可以经由持有的客户端设备直接访问银行在线业务系统。如web网站或通过web和手机app联合提供服务的银行在线业务系统。一个银行在线业务系统一般包含web服务器、应用服务器和数据库服务器。
企业金融服务风险预测系统可以应用服务器通过银行在线业务系统的应用服务器接收企业针对目标金融机构发出的金融服务申请信息，其中，所述金融服务申请信息中包含有对应企业的唯一标识和金融服务类型，根据所述企业的唯一标识，判断该企业是否为所述目标金融机构的历史企业用户，若否，则将该企业确定为当前未经金融服务授权的目标企业；基于所述目标企业的唯一标识获取该目标企业的目标企业的运营状态信息，并根据所述金融服务类型在本地预设的模型数据库中选取对应的弱监督评分模型，其中，所述模型数据库用于存储各个所述金融服务类型和各个所述弱监督评分模型之间的一一对应关系。而后，所述企业金融服务风险预测系统可以将所述目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，并将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级，以基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务；其中，所述弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型预先基于一打标模型和标签未知的历史企业数据获取，且所述打标模型预先应用标签已知的历史企业数据训练得到。
可以理解的是，所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在一种实际应用情形中，前述的银行在线业务系统和企业金融服务风险预测系统也可以集成为同一服务器，也就是说，该服务器即可以直接获取用户的访问请求，也可以进行企业金融服务风险预测处理，具体可以根据实际应用情形设置，本申请对此不作限定。
在另一实际应用情形中，进行企业金融服务风险预测的部分可以在如上述内容所述的企业金融服务风险预测系统侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器，用于进行企业金融服务风险预测的具体处理。
上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。例如，通信单元可以将上述目标用户针对目标网页的历史访问记录发送至服务器，以便服务器根据这些相关数据进行企业金融服务风险预测。通信单元还可以接收服务器返回的识别结果。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
上述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。
本申请的企业金融服务风险预测方法及系统，通过应用预先设置的用于进行金融服务风险预测的弱监督评分模型，对当前未经目标金融机构进行金融服务授权的目标企业进行金融服务风险预测，能够在有效降低企业金融服务风险预测过程所耗费的人力成本的基础上，有效提高针对未经目标金融机构进行金融服务授权的目标企业的金融服务风险预测过程的准确性及智能化程度，尤其针对小微企业，能够有效解决针对小微企业的模型训练样本不足的问题，进而能够有效提高针对小微企业的金融服务风险预测的准确性及智能化程度；通过直接将企业的运营状态信息作为预测特征，能够有效节省企业金融服务风险预测的人力成本，并能够有效提高企业金融服务风险预测的效率，以及向申请金融服务的企业反馈风险预测结果的效率，能够提高金融机构为企业提供金融服务的针对性及可靠性，进而能够提高金融机构的运转可靠性及安全性，以提高金融机构和向金融机构申请金融服务的企业的用户体验。
具体通过下述各个实施例及应用实例分别进行详细说明。
为了解决现有的金融服务风险预测方法无法满足对事先并未在银行进行注册的企业进行风险预测的准确性及智能化要求的问题，本申请提供一种企业金融服务风险预测方法的实施例，参见图1，所述企业金融服务风险预测方法具体包含有如下内容：
步骤100：获取当前未经金融服务授权的目标企业的运营状态信息。
可以理解的是，所述未经金融服务授权的目标企业是指尚未成为目标金融机构的客户的企业，在本申请的一个或多个实施例中，所述目标企业可以指大中型企业和个体工商户等，尤其可以指小微企业，其中，所述小微企业是小型企业、微型企业和家庭作坊式企业的统称，具体可以根据企业的规模及资金投入等进行界定，如小微企业可以根据企业从业人员、营业收入、资产总额等指标并结合行业特点制定进行确定。在一种具体举例中，可以将符合年度应纳税所得额不超过300万元、从业人数不超过300人以及资产总额不超过5000万元等三个条件的企业确定为小微企业。
在步骤100中，所述目标企业的运营状态信息是指该目标企业在目标金融机构的外部数据，例如：企业照面信息相关变动次数、成立以来的各项正负面行为和正负面舆情等运营状态数据。
步骤200：将所述目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，并将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级，以基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务，其中，所述弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型预先基于一打标模型和标签未知的历史企业数据获取，且所述打标模型预先应用标签已知的历史企业数据训练得到。
在步骤200中，获取目标企业的金融服务风险预测等级后，可以仅在目标金融机构内部进行页面显示来辅助目标金融机构的业务人员进行风险决策。也可以根据预设规则之间基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务。
可以理解的是，所述弱监督评分模型、打标模型和融合模型均可以采用现有的分类模型，且本申请中出现的打标模也可以被称之为第一分类模型，融合模型也可以被称之为第二分类模型，弱监督评分模型也可以被称之为第三分类模型。
其中，所述目标企业的金融服务风险预测等级具体可以与预设的标签一样，按照对应的企业历史评价信息划分为至少三类评价等级内容，例如历史最低评价等级、最高评价等级和平均评价等多种方面的评价等级内容。
从上述描述可知，本申请实施例提供的企业金融服务风险预测方法，通过应用预先设置的用于进行金融服务风险预测的弱监督评分模型，对当前未经目标金融机构进行金融服务授权的目标企业进行金融服务风险预测，能够在有效降低企业金融服务风险预测过程所耗费的人力成本的基础上，有效提高针对未经目标金融机构进行金融服务授权的目标企业的金融服务风险预测过程的准确性及智能化程度，尤其针对小微企业，能够有效解决针对小微企业的模型训练样本不足的问题，进而能够有效提高针对小微企业的金融服务风险预测的准确性及智能化程度；通过直接将企业的运营状态信息作为预测特征，能够有效节省企业金融服务风险预测的人力成本，并能够有效提高企业金融服务风险预测的效率，以及向申请金融服务的企业反馈风险预测结果的效率，能够提高金融机构为企业提供金融服务的针对性及可靠性，进而能够提高金融机构的运转可靠性及安全性，以提高金融机构和向金融机构申请金融服务的企业的用户体验。
为了提供一种弱监督评分模型的训练方式，在本申请提供的企业金融服务风险预测方法的一个实施例，参见图2，所述企业金融服务风险预测方法的步骤100之前具体包含有如下内容：
步骤010：根据标签已知的历史企业数据训练得到用于预测企业标签的打标模型。
在本申请的一个或多个实施例中，历史企业或者历史企业用户是指已经在目标金融机构中获得金融服务授权的企业，这些企业已经属于如银行等金融机构的内部客户。
在步骤010中，可以准备少量的标签已知的历史企业的标签数据，进而减少专家评价的人力及时间成本，以有效提高针对未经目标金融机构进行金融服务授权的目标企业的金融服务风险预测过程的效率，并有效降低企业金融服务风险预测过程所耗费的人力成本。
步骤020：应用所述打标模型对多个标签未知的历史企业用户分别进行标签预测，并根据获取的预测结果训练得到融合模型。
在步骤020中，可以准备部分的标签未知的历史企业客户数据，也就是目标金融机构中未被专家进行标签设定的内部客户信息。
步骤030：基于所述融合模型和预设的标签类型占比数据生成所述弱监督评分模型。
可以理解的是，所述标签类型占比数据为目标金融机构基于实际应用中的业务需求预设的各个分级(也就是标签类型)的分布概率数据。
从上述描述可知，本申请实施例提供的企业金融服务风险预测方法，能够有效提高针对未经目标金融机构进行金融服务授权的目标企业的金融服务风险预测过程的准确性及智能化程度，并能够有效节省企业金融服务风险预测的人力成本，并能够有效提高企业金融服务风险预测的效率。
为了提供一种打标模型的训练过程的优选方式，在本申请提供的企业金融服务风险预测方法的一个实施例，参见图3，所述企业金融服务风险预测方法的步骤010具体包含有如下内容：
步骤011：获取标签已知的多个历史企业用户的用户信息以及各个所述历史企业用户各自对应的标签数据，以生成第一数据集，其中，所述标签按照对应的企业历史评价信息划分为至少三类评价等级内容。
可以理解的是，所述第一数据集用于存储各个标签已知的历史企业用户的用户信息与各个所述历史企业用户各自对应的标签数据。
具体来说，可以准备少量企业的标签数据，以这部分企业的全部企业历史评价信息作为特征，包括但不限于历史最低评价等级、最高评价等级、平均评价等多种方面的评价等级，准备好的少量标签数据作为目标值，生成可直接训练第一数据集。
步骤012：应用预设的逻辑回归方式，基于所述第一数据集分别训练得到各类标签各自对应的分类器子模型。
可以理解的是，使用第一数据集训练打标模型，使用逻辑回归对每种标签进行单独分类，划定阈值，得到各类标签分别对应的分类器子模型。
步骤013：将各个所述分类器子模型分别赋予相同的初始权重值，以得到对应的打标模型。
可以理解的是，每种分类器子模型的初始权重值均为1/n(n为最终标签的分类个数)，得到最终打标模型。
从上述描述可知，本申请实施例提供的企业金融服务风险预测方法，能够有效提高打标模型训练的准确性及效率，并能够有效提高弱监督评分模型的训练过程的准确性及效率，进而能够有效提高应用弱监督评分模型进行企业金融服务风险预测过程的准确性及效率。
为了提供一种融合模型的训练过程的优选方式，在本申请提供的企业金融服务风险预测方法的一个实施例，参见图4，所述企业金融服务风险预测方法的步骤020具体包含有如下内容：
步骤021：获取标签未知的多个历史企业用户的用户信息，以生成第二数据集。
可以理解的是，所述第二数据集用于存储标签未知的多个历史企业用户的用户信息。
步骤022：将所述第二数据集中的各个所述历史企业用户的用户信息分别输入所述打标模型，并将该打标模型的输出分别作为所述第二数据集中各个对应的所述历史企业的标签。
步骤023：获取所述第二数据集中的各个所述历史企业用户各自对应的运营状态信息，以生成第三数据集。
可以理解的是，所述第三数据集用于存储各个所述历史企业用户各自对应的标签数据和各个所述历史企业用户各自对应的运营状态信息。
步骤024：应用所述第三数据集分别训练得到各类标签各自对应的融合子模型，并将各个所述融合子模型分别赋予相同的初始权重值。
步骤025：基于各类标签各自对应的融合子模型训练得到弱分类器，并基于该弱分类器重新确定各个所述融合子模型的权重值，以得到对应的融合模型。
可以理解的是，每种融合子模型的初始权重值均为1/n(n为最终标签的分类个数)，得到融合模型。
从上述描述可知，本申请实施例提供的企业金融服务风险预测方法，能够有效提高融合模型训练的准确性及效率，并能够有效提高弱监督评分模型的训练过程的准确性及效率，进而能够有效提高应用弱监督评分模型进行企业金融服务风险预测过程的准确性及效率。
为了提供一种弱监督评分模型的训练过程的优选方式，在本申请提供的企业金融服务风险预测方法的一个实施例，参见图5，所述企业金融服务风险预测方法的步骤030具体包含有如下内容：
步骤031：获取当前未经金融服务授权的多个企业各自对应的运营状态信息，以生成第四数据集。
在步骤031中，当前未经金融服务授权的多个企业各自对应的运营状态信息可以为目标金融机构预先在服务范围内获取的各个企业各自对应的运营状态信息，选取数量可以根据实际应用情况选定。另外，在步骤031的另一种应用实例中，可以选取目标金融机构目前所掌握的全量企业的运营状态信息生成第四数据集，其中，全量企业包括：标签已知的多个历史企业用户、标签未知的多个历史企业用户和预先在服务范围内获取的未经金融服务授权的各个企业。
步骤032：基于所述融合模型和预设的标签类型占比数据，对所述第四数据集中的各个企业分别进行评分以生成对应的评级函数，将该评级函数作为弱监督评分模型。
从上述描述可知，本申请实施例提供的企业金融服务风险预测方法，能够有效提高弱监督评分模型的训练过程的准确性及效率，进而能够有效提高应用弱监督评分模型进行企业金融服务风险预测过程的准确性及效率。
为了提供一种获取当前未经金融服务授权的目标企业的运营状态信息的优选方式，在本申请提供的企业金融服务风险预测方法的一个实施例，参见图6，所述企业金融服务风险预测方法的步骤100具体包含有如下内容：
步骤110：接收企业针对目标金融机构发出的金融服务申请信息，其中，所述金融服务申请信息中包含有对应企业的唯一标识和金融服务类型。
步骤120：根据所述企业的唯一标识，判断该企业是否为所述目标金融机构的历史企业用户，若否，则将该企业确定为当前未经金融服务授权的目标企业。
步骤130：基于所述目标企业的唯一标识获取该目标企业的目标企业的运营状态信息，并根据所述金融服务类型选取对应的弱监督评分模型。
从上述描述可知，本申请实施例提供的企业金融服务风险预测方法，能够针对不同的金融服务申请选定不同类型的弱监督评分模型，以有效提高企业金融服务风险预测的针对性及适用广泛性。
为了提供一种向目标企业提供金融服务的优选方式，在本申请提供的企业金融服务风险预测方法的一个实施例，参见图7，所述企业金融服务风险预测方法的步骤200之后还具体包含有如下内容：
步骤300：判断所述目标企业的金融服务风险预测等级是否符合预设的金融服务要求，若是，则将该目标企业存储为历史企业客户，以向该目标企业提供金融服务。
从上述描述可知，本申请实施例提供的企业金融服务风险预测方法，能够有效节省企业金融服务风险预测的人力成本，并能够有效提高企业金融服务风险预测的效率，以及向申请金融服务的企业反馈风险预测结果的效率，能够提高金融机构为企业提供金融服务的针对性及可靠性，进而能够提高金融机构的运转可靠性及安全性，以提高金融机构和向金融机构申请金融服务的企业的用户体验。
为了进一步说明书本方案，本申请还提供一种企业金融服务风险预测方法的具体应用实例，其中，评分卡是一种常见的对企业信用评级的机制，通常使用解释性较好的逻辑回归模型、决策树等模型，方便业务人员操作和理解。主要步骤是将确定好的特征逐项计算评分卡中各指标并加总得到总分,再结合业务需求等决定阈值，划定最终等级。传统评级的评分卡一般基于历史样本开展建模工作，有大量正负样本可供建模，且其评级维度较少。本申请应用实例中建模的对象为小微企业，由于绝大部分小企业非银行客户，无法直接定义其评级，建模较难开展，因此本申请应用实例提供一种使用了评分卡的弱监督的企业评分方式。
参见图8，所述企业金融服务风险预测方法应用所述企业金融服务风险预测系统实现，所述企业金融服务风险预测系统具体包含有：数据准备及处理模块401，负责将数据转化为可直接训练数据；打标训练模块402；无监督数据打标模块501；评分卡数据处理模块502；乙方模型调优模块503；最终组合模型的预测模块504。
参见图9，所述企业金融服务风险预测方法具体包含有如下内容：
(一)S101-准备数据集L1：准备少量企业标签数据，行内数据为基础，编写数据处理逻辑生成可直接训练数据集{L1}，包括变量部分和标签部分。
具体来说：准备少量企业的标签数据，标签可以区分多档，以这部分企业的全部企业历史评价信息作为特征，包括但不限于历史最低评价等级、最高评价等级、平均评价等多种方面的评价等级，准备好的少量标签数据作为目标值，生成可直接训练数据集{L1}。
(二)S102-训练打标模型f1(x)：使用数据集{L1}训练打标模型f1(x)。
具体来说：使用数据集{L1}训练打标模型f1(x)，使用逻辑回归对每种标签进行单独分类，划定阈值，得到子模型f1a(x)、f1b(x)、f1c(x)等，每种分类器的权重均为1/n(n为最终分档个数)，得到最终打标模型f1(x)。
(三)S201-用f1(x)预测未标注的企业：准备未标注的企业，用模型f1(x)预测其分级标签{y1}。
具体来说：准备未标注的部分行内用户企业，此类企业从行内企业中随机抽选，用模型f1(x)预测其分级标签{y1}。
(四)S202-准备数据集L2：对企业及其标签{y1}，编写处理逻辑，生成数据集{L2}。
具体来说：对企业及其标签{y1}，使用以引入的外部数据，生成数据集{L2}：统计企业照面信息相关变动次数，成立以来的各项正负面行为、正负面舆情等，以此构建基础特征；对基础特征进行特征组合后，形成数据集{L2}。
(五)S203-训练融合模型f2(x)：使用数据集{L2}训练融合模型f2(x)。
具体来说：使用数据集{L2}训练融合模型f2(x)，对每种分档单独进行建模，获得子模型f2a(x)、f2b(x)、f2c(x)等，训练弱投票器f2‘(x)，标签同{L2}的标签，每个子函数的原始权重为1/n(n为最终分档个数)，训练完成后重新划分阈值，并确定融合模型f2(x)。
(六)S301-基于f2(x)及分布函数确定最终函数g：基于f2(x)及预设分布，对全量小企业评分，调整分布确定各评级阈值，得到用于进行最终评级的最终函数g。
具体来说：基于f2(x)及预设分布(此处预设分布为业务需求中明确的分布概率)，对全量小企业评分，得到最终函数g，该评分主要聚焦用户在银行以外的行为，结果仅用于页面展示，辅助业务人员风险决策。
从上述描述可知，本申请应用实例提供的企业金融服务风险预测方法，针对专家标注昂贵难得的现状，通过学习少量标注，在全量数据上泛化，有效解决了行外小企业无标注，难以量化评价的问题，对金融新客户的准入评价有一定的参考意义。
从软件层面来说，为了解决现有的金融服务风险预测方法无法满足对事先并未在银行进行注册的企业进行风险预测的准确性及智能化要求的问题，本申请提供一种用于执行所述企业金融服务风险预测方法中全部或部分内容的企业金融服务风险预测装置的实施例，参见图10，所述企业金融服务风险预测装置具体包含有如下内容：
信息获取模块10，用于获取当前未经金融服务授权的目标企业的运营状态信息。
可以理解的是，所述未经金融服务授权的目标企业是指尚未成为目标金融机构的客户的企业，在本申请的一个或多个实施例中，所述目标企业可以指大中型企业和个体工商户等，尤其可以指小微企业，其中，所述小微企业是小型企业、微型企业和家庭作坊式企业的统称，具体可以根据企业的规模及资金投入等进行界定，如小微企业可以根据企业从业人员、营业收入、资产总额等指标并结合行业特点制定进行确定。在一种具体举例中，可以将符合年度应纳税所得额不超过300万元、从业人数不超过300人以及资产总额不超过5000万元等三个条件的企业确定为小微企业。
所述目标企业的运营状态信息是指该目标企业在目标金融机构的外部数据，例如：企业照面信息相关变动次数、成立以来的各项正负面行为和正负面舆情等运营状态数据。
风险预测模块20，用于将所述目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，并将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级，以基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务；其中，所述弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型预先基于一打标模型和标签未知的历史企业数据获取，且所述打标模型预先应用标签已知的历史企业数据训练得到。
获取目标企业的金融服务风险预测等级后，可以仅在目标金融机构内部进行页面显示来辅助目标金融机构的业务人员进行风险决策。也可以根据预设规则之间基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务。
可以理解的是，所述弱监督评分模型、打标模型和融合模型均可以采用现有的分类模型，且本申请中出现的打标模也可以被称之为第一分类模型，融合模型也可以被称之为第二分类模型，弱监督评分模型也可以被称之为第三分类模型。
其中，所述目标企业的金融服务风险预测等级具体可以与预设的标签一样，按照对应的企业历史评价信息划分为至少三类评价等级内容，例如历史最低评价等级、最高评价等级和平均评价等多种方面的评价等级内容。
从上述描述可知，本申请实施例提供的企业金融服务风险预测装置，通过应用预先设置的用于进行金融服务风险预测的弱监督评分模型，对当前未经目标金融机构进行金融服务授权的目标企业进行金融服务风险预测，能够在有效降低企业金融服务风险预测过程所耗费的人力成本的基础上，有效提高针对未经目标金融机构进行金融服务授权的目标企业的金融服务风险预测过程的准确性及智能化程度，尤其针对小微企业，能够有效解决针对小微企业的模型训练样本不足的问题，进而能够有效提高针对小微企业的金融服务风险预测的准确性及智能化程度；通过直接将企业的运营状态信息作为预测特征，能够有效节省企业金融服务风险预测的人力成本，并能够有效提高企业金融服务风险预测的效率，以及向申请金融服务的企业反馈风险预测结果的效率，能够提高金融机构为企业提供金融服务的针对性及可靠性，进而能够提高金融机构的运转可靠性及安全性，以提高金融机构和向金融机构申请金融服务的企业的用户体验。
为了提供一种弱监督评分模型的训练方式，在本申请提供的企业金融服务风险预测装置的一个实施例，参见图11，所述企业金融服务风险预测装置中还具体包含有如下内容：
打标模型生成模块01，用于根据标签已知的历史企业数据训练得到用于预测企业标签的打标模型。
在本申请的一个或多个实施例中，历史企业或者历史企业用户是指已经在目标金融机构中获得金融服务授权的企业，这些企业已经属于如银行等金融机构的内部客户。
可以准备少量的标签已知的历史企业的标签数据，进而减少专家评价的人力及时间成本，以有效提高针对未经目标金融机构进行金融服务授权的目标企业的金融服务风险预测过程的效率，并有效降低企业金融服务风险预测过程所耗费的人力成本。
融合模型生成模块02，用于应用所述打标模型对多个标签未知的历史企业用户分别进行标签预测，并根据获取的预测结果训练得到融合模型。
可以准备部分的标签未知的历史企业客户数据，也就是目标金融机构中未被专家进行标签设定的内部客户信息。
风险预测模型生成模块03，用于基于所述融合模型和预设的标签类型占比数据生成所述弱监督评分模型。
可以理解的是，所述标签类型占比数据为目标金融机构基于实际应用中的业务需求预设的各个分级(也就是标签类型)的分布概率数据。
从上述描述可知，本申请实施例提供的企业金融服务风险预测装置，能够有效提高针对未经目标金融机构进行金融服务授权的目标企业的金融服务风险预测过程的准确性及智能化程度，并能够有效节省企业金融服务风险预测的人力成本，并能够有效提高企业金融服务风险预测的效率。
为了提供一种打标模型的训练过程的优选方式，在本申请提供的企业金融服务风险预测装置的一个实施例，所述企业金融服务风险预测装置的打标模型生成模块010用于执行下述内容：
步骤011：获取标签已知的多个历史企业用户的用户信息以及各个所述历史企业用户各自对应的标签数据，以生成第一数据集，其中，所述标签按照对应的企业历史评价信息划分为至少三类评价等级内容。
可以理解的是，所述第一数据集用于存储各个标签已知的历史企业用户的用户信息与各个所述历史企业用户各自对应的标签数据。
具体来说，可以准备少量企业的标签数据，以这部分企业的全部企业历史评价信息作为特征，包括但不限于历史最低评价等级、最高评价等级、平均评价等多种方面的评价等级，准备好的少量标签数据作为目标值，生成可直接训练第一数据集。
步骤012：应用预设的逻辑回归方式，基于所述第一数据集分别训练得到各类标签各自对应的分类器子模型。
可以理解的是，使用第一数据集训练打标模型，使用逻辑回归对每种标签进行单独分类，划定阈值，得到各类标签分别对应的分类器子模型。
步骤013：将各个所述分类器子模型分别赋予相同的初始权重值，以得到对应的打标模型。
可以理解的是，每种分类器子模型的初始权重值均为1/n(n为最终标签的分类个数)，得到最终打标模型。
从上述描述可知，本申请实施例提供的企业金融服务风险预测装置，能够有效提高打标模型训练的准确性及效率，并能够有效提高弱监督评分模型的训练过程的准确性及效率，进而能够有效提高应用弱监督评分模型进行企业金融服务风险预测过程的准确性及效率。
为了提供一种融合模型的训练过程的优选方式，在本申请提供的企业金融服务风险预测装置的一个实施例，所述企业金融服务风险预测装置的融合模型生成模块02用于执行下述内容：
步骤021：获取标签未知的多个历史企业用户的用户信息，以生成第二数据集。
可以理解的是，所述第二数据集用于存储标签未知的多个历史企业用户的用户信息。
步骤022：将所述第二数据集中的各个所述历史企业用户的用户信息分别输入所述打标模型，并将该打标模型的输出分别作为所述第二数据集中各个对应的所述历史企业的标签。
步骤023：获取所述第二数据集中的各个所述历史企业用户各自对应的运营状态信息，以生成第三数据集。
可以理解的是，所述第三数据集用于存储各个所述历史企业用户各自对应的标签数据和各个所述历史企业用户各自对应的运营状态信息。
步骤024：应用所述第三数据集分别训练得到各类标签各自对应的融合子模型，并将各个所述融合子模型分别赋予相同的初始权重值。
步骤025：基于各类标签各自对应的融合子模型训练得到弱分类器，并基于该弱分类器重新确定各个所述融合子模型的权重值，以得到对应的融合模型。
可以理解的是，每种融合子模型的初始权重值均为1/n(n为最终标签的分类个数)，得到融合模型。
从上述描述可知，本申请实施例提供的企业金融服务风险预测装置，能够有效提高融合模型训练的准确性及效率，并能够有效提高弱监督评分模型的训练过程的准确性及效率，进而能够有效提高应用弱监督评分模型进行企业金融服务风险预测过程的准确性及效率。
为了提供一种弱监督评分模型的训练过程的优选方式，在本申请提供的企业金融服务风险预测装置的一个实施例，所述企业金融服务风险预测装置的风险预测模型生成模块03用于执行下述内容：
步骤031：获取当前未经金融服务授权的多个企业各自对应的运营状态信息，以生成第四数据集。
在步骤031中，当前未经金融服务授权的多个企业各自对应的运营状态信息可以为目标金融机构预先在服务范围内获取的各个企业各自对应的运营状态信息，选取数量可以根据实际应用情况选定。另外，在步骤031的另一种应用实例中，可以选取目标金融机构目前所掌握的全量企业的运营状态信息生成第四数据集，其中，全量企业包括：标签已知的多个历史企业用户、标签未知的多个历史企业用户和预先在服务范围内获取的未经金融服务授权的各个企业。
步骤032：基于所述融合模型和预设的标签类型占比数据，对所述第四数据集中的各个企业分别进行评分以生成对应的评级函数，将该评级函数作为弱监督评分模型。
从上述描述可知，本申请实施例提供的企业金融服务风险预测装置，能够有效提高弱监督评分模型的训练过程的准确性及效率，进而能够有效提高应用弱监督评分模型进行企业金融服务风险预测过程的准确性及效率。
为了提供一种获取当前未经金融服务授权的目标企业的运营状态信息的优选方式，在本申请提供的企业金融服务风险预测装置的一个实施例，所述企业金融服务风险预测装置的所述信息获取模块10用于执行下述内容：
步骤110：接收企业针对目标金融机构发出的金融服务申请信息，其中，所述金融服务申请信息中包含有对应企业的唯一标识和金融服务类型。
步骤120：根据所述企业的唯一标识，判断该企业是否为所述目标金融机构的历史企业用户，若否，则将该企业确定为当前未经金融服务授权的目标企业。
步骤130：基于所述目标企业的唯一标识获取该目标企业的目标企业的运营状态信息，并根据所述金融服务类型选取对应的弱监督评分模型。
从上述描述可知，本申请实施例提供的企业金融服务风险预测装置，能够针对不同的金融服务申请选定不同类型的弱监督评分模型，以有效提高企业金融服务风险预测的针对性及适用广泛性。
为了提供一种向目标企业提供金融服务的优选方式，在本申请提供的企业金融服务风险预测装置的一个实施例，参见图12，所述企业金融服务风险预测装置中还具体包含有如下内容：
服务判断模块30，用于判断所述目标企业的金融服务风险预测等级是否符合预设的金融服务要求，若是，则将该目标企业存储为历史企业客户，以向该目标企业提供金融服务。
从上述描述可知，本申请实施例提供的企业金融服务风险预测装置，能够有效节省企业金融服务风险预测的人力成本，并能够有效提高企业金融服务风险预测的效率，以及向申请金融服务的企业反馈风险预测结果的效率，能够提高金融机构为企业提供金融服务的针对性及可靠性，进而能够提高金融机构的运转可靠性及安全性，以提高金融机构和向金融机构申请金融服务的企业的用户体验。
从硬件层面来说，为了解决现有的金融服务风险预测方法无法满足对事先并未在银行进行注册的企业进行风险预测的准确性及智能化要求的问题，本申请提供一种用于实现所述企业金融服务风险预测方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
图13为本申请实施例的电子设备9600的系统构成的示意框图。如图13所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图13是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
在一实施例中，企业金融服务风险预测功能可以被集成到中央处理器中。其中，中央处理器可以被配置为进行如下控制：
步骤100：获取当前未经金融服务授权的目标企业的运营状态信息。
可以理解的是，所述未经金融服务授权的目标企业是指尚未成为目标金融机构的客户的企业，在本申请的一个或多个实施例中，所述目标企业可以指大中型企业和个体工商户等，尤其可以指小微企业，其中，所述小微企业是小型企业、微型企业和家庭作坊式企业的统称，具体可以根据企业的规模及资金投入等进行界定，如小微企业可以根据企业从业人员、营业收入、资产总额等指标并结合行业特点制定进行确定。在一种具体举例中，可以将符合年度应纳税所得额不超过300万元、从业人数不超过300人以及资产总额不超过5000万元等三个条件的企业确定为小微企业。
在步骤100中，所述目标企业的运营状态信息是指该目标企业在目标金融机构的外部数据，例如：企业照面信息相关变动次数、成立以来的各项正负面行为和正负面舆情等运营状态数据。
步骤200：将所述目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，并将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级，以基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务，其中，所述弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型预先基于一打标模型和标签未知的历史企业数据获取，且所述打标模型预先应用标签已知的历史企业数据训练得到。
在步骤200中，获取目标企业的金融服务风险预测等级后，可以仅在目标金融机构内部进行页面显示来辅助目标金融机构的业务人员进行风险决策。也可以根据预设规则之间基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务。
可以理解的是，所述弱监督评分模型、打标模型和融合模型均可以采用现有的分类模型，且本申请中出现的打标模也可以被称之为第一分类模型，融合模型也可以被称之为第二分类模型，弱监督评分模型也可以被称之为第三分类模型。
其中，所述目标企业的金融服务风险预测等级具体可以与预设的标签一样，按照对应的企业历史评价信息划分为至少三类评价等级内容，例如历史最低评价等级、最高评价等级和平均评价等多种方面的评价等级内容。
从上述描述可知，本申请实施例提供的电子设备，通过应用预先设置的用于进行金融服务风险预测的弱监督评分模型，对当前未经目标金融机构进行金融服务授权的目标企业进行金融服务风险预测，能够在有效降低企业金融服务风险预测过程所耗费的人力成本的基础上，有效提高针对未经目标金融机构进行金融服务授权的目标企业的金融服务风险预测过程的准确性及智能化程度，尤其针对小微企业，能够有效解决针对小微企业的模型训练样本不足的问题，进而能够有效提高针对小微企业的金融服务风险预测的准确性及智能化程度；通过直接将企业的运营状态信息作为预测特征，能够有效节省企业金融服务风险预测的人力成本，并能够有效提高企业金融服务风险预测的效率，以及向申请金融服务的企业反馈风险预测结果的效率，能够提高金融机构为企业提供金融服务的针对性及可靠性，进而能够提高金融机构的运转可靠性及安全性，以提高金融机构和向金融机构申请金融服务的企业的用户体验。
在另一个实施方式中，企业金融服务风险预测装置可以与中央处理器9100分开配置，例如可以将企业金融服务风险预测装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现企业金融服务风险预测功能。
如图13所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图13中所示的所有部件；此外，电子设备9600还可以包括图13中没有示出的部件，可以参考现有技术。
如图13所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的企业金融服务风险预测方法中全部步骤的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计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的企业金融服务风险预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤100：获取当前未经金融服务授权的目标企业的运营状态信息。
可以理解的是，所述未经金融服务授权的目标企业是指尚未成为目标金融机构的客户的企业，在本申请的一个或多个实施例中，所述目标企业可以指大中型企业和个体工商户等，尤其可以指小微企业，其中，所述小微企业是小型企业、微型企业和家庭作坊式企业的统称，具体可以根据企业的规模及资金投入等进行界定，如小微企业可以根据企业从业人员、营业收入、资产总额等指标并结合行业特点制定进行确定。在一种具体举例中，可以将符合年度应纳税所得额不超过300万元、从业人数不超过300人以及资产总额不超过5000万元等三个条件的企业确定为小微企业。
在步骤100中，所述目标企业的运营状态信息是指该目标企业在目标金融机构的外部数据，例如：企业照面信息相关变动次数、成立以来的各项正负面行为和正负面舆情等运营状态数据。
步骤200：将所述目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，并将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级，以基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务，其中，所述弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型预先基于一打标模型和标签未知的历史企业数据获取，且所述打标模型预先应用标签已知的历史企业数据训练得到。
在步骤200中，获取目标企业的金融服务风险预测等级后，可以仅在目标金融机构内部进行页面显示来辅助目标金融机构的业务人员进行风险决策。也可以根据预设规则之间基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务。
可以理解的是，所述弱监督评分模型、打标模型和融合模型均可以采用现有的分类模型，且本申请中出现的打标模也可以被称之为第一分类模型，融合模型也可以被称之为第二分类模型，弱监督评分模型也可以被称之为第三分类模型。
其中，所述目标企业的金融服务风险预测等级具体可以与预设的标签一样，按照对应的企业历史评价信息划分为至少三类评价等级内容，例如历史最低评价等级、最高评价等级和平均评价等多种方面的评价等级内容。
从上述描述可知，本申请实施例提供的计算机可读存储介质，通过应用预先设置的用于进行金融服务风险预测的弱监督评分模型，对当前未经目标金融机构进行金融服务授权的目标企业进行金融服务风险预测，能够在有效降低企业金融服务风险预测过程所耗费的人力成本的基础上，有效提高针对未经目标金融机构进行金融服务授权的目标企业的金融服务风险预测过程的准确性及智能化程度，尤其针对小微企业，能够有效解决针对小微企业的模型训练样本不足的问题，进而能够有效提高针对小微企业的金融服务风险预测的准确性及智能化程度；通过直接将企业的运营状态信息作为预测特征，能够有效节省企业金融服务风险预测的人力成本，并能够有效提高企业金融服务风险预测的效率，以及向申请金融服务的企业反馈风险预测结果的效率，能够提高金融机构为企业提供金融服务的针对性及可靠性，进而能够提高金融机构的运转可靠性及安全性，以提高金融机构和向金融机构申请金融服务的企业的用户体验。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (16)

1.一种企业金融服务风险预测方法，其特征在于，包括：
获取当前未经金融服务授权的目标企业的运营状态信息；
将所述目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，并将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级，以基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务；
其中，所述弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型预先基于一打标模型和标签未知的历史企业数据获取，且所述打标模型预先应用标签已知的历史企业数据训练得到。
2.根据权利要求1所述的企业金融服务风险预测方法，其特征在于，在所述获取当前未经金融服务授权的目标企业的运营状态信息之前，还包括：
根据标签已知的历史企业数据训练得到用于预测企业标签的打标模型；
应用所述打标模型对多个标签未知的历史企业用户分别进行标签预测，并根据获取的预测结果训练得到融合模型；
基于所述融合模型和预设的标签类型占比数据生成所述弱监督评分模型。
3.根据权利要求2所述的企业金融服务风险预测方法，其特征在于，所述根据标签已知的历史企业数据训练得到打标模型，包括：
获取标签已知的多个历史企业用户的用户信息以及各个所述历史企业用户各自对应的标签数据，以生成第一数据集，其中，所述标签按照对应的企业历史评价信息划分为至少三类评价等级内容；
应用预设的逻辑回归方式，基于所述第一数据集分别训练得到各类标签各自对应的分类器子模型；
将各个所述分类器子模型分别赋予相同的初始权重值，以得到对应的打标模型。
4.根据权利要求3所述的企业金融服务风险预测方法，其特征在于，所述应用所述打标模型对多个标签未知的历史企业分别进行标签预测，并根据获取的预测结果训练得到融合模型，包括：
获取标签未知的多个历史企业用户的用户信息，以生成第二数据集；
将所述第二数据集中的各个所述历史企业用户的用户信息分别输入所述打标模型，并将该打标模型的输出分别作为所述第二数据集中各个对应的所述历史企业的标签；
获取所述第二数据集中的各个所述历史企业用户各自对应的运营状态信息，以生成第三数据集；
应用所述第三数据集分别训练得到各类标签各自对应的融合子模型，并将各个所述融合子模型分别赋予相同的初始权重值；
基于各类标签各自对应的融合子模型训练得到弱分类器，并基于该弱分类器重新确定各个所述融合子模型的权重值，以得到对应的融合模型。
5.根据权利要求4所述的企业金融服务风险预测方法，其特征在于，所述基于所述融合模型和预设的标签类型占比数据生成所述弱监督评分模型，包括：
获取当前未经金融服务授权的多个企业各自对应的运营状态信息，以生成第四数据集；
基于所述融合模型和预设的标签类型占比数据，对所述第四数据集中的各个企业分别进行评分以生成对应的评级函数，将该评级函数作为弱监督评分模型。
6.根据权利要求1所述的企业金融服务风险预测方法，其特征在于，所述获取当前未经金融服务授权的目标企业的运营状态信息，包括：
接收企业针对目标金融机构发出的金融服务申请信息，其中，所述金融服务申请信息中包含有对应企业的唯一标识和金融服务类型；
根据所述企业的唯一标识，判断该企业是否为所述目标金融机构的历史企业用户，若否，则将该企业确定为当前未经金融服务授权的目标企业；
基于所述目标企业的唯一标识获取该目标企业的目标企业的运营状态信息，并根据所述金融服务类型选取对应的弱监督评分模型。
7.根据权利要求1所述的企业金融服务风险预测方法，其特征在于，在所述将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级之后，还包括：
判断所述目标企业的金融服务风险预测等级是否符合预设的金融服务要求，若是，则将该目标企业存储为历史企业客户，以向该目标企业提供金融服务。
8.一种企业金融服务风险预测装置，其特征在于，包括：
信息获取模块，用于获取当前未经金融服务授权的目标企业的运营状态信息；
风险预测模块，用于将所述目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，并将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级，以基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务；
其中，所述弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型预先基于一打标模型和标签未知的历史企业数据获取，且所述打标模型预先应用标签已知的历史企业数据训练得到。
9.根据权利要求8所述的企业金融服务风险预测装置，其特征在于，还包括：
打标模型生成模块，用于根据标签已知的历史企业数据训练得到用于预测企业标签的打标模型；
融合模型生成模块，用于应用所述打标模型对多个标签未知的历史企业用户分别进行标签预测，并根据获取的预测结果训练得到融合模型；
风险预测模型生成模块，用于基于所述融合模型和预设的标签类型占比数据生成所述弱监督评分模型。
10.根据权利要求9所述的企业金融服务风险预测装置，其特征在于，所述打标模型生成模块用于执行下述内容：
获取标签已知的多个历史企业用户的用户信息以及各个所述历史企业用户各自对应的标签数据，以生成第一数据集，其中，所述标签按照对应的企业历史评价信息划分为至少三类评价等级内容；
应用预设的逻辑回归方式，基于所述第一数据集分别训练得到各类标签各自对应的分类器子模型；
将各个所述分类器子模型分别赋予相同的初始权重值，以得到对应的打标模型。
11.根据权利要求10所述的企业金融服务风险预测装置，其特征在于，所述融合模型生成模块用于执行下述内容：
获取标签未知的多个历史企业用户的用户信息，以生成第二数据集；
将所述第二数据集中的各个所述历史企业用户的用户信息分别输入所述打标模型，并将该打标模型的输出分别作为所述第二数据集中各个对应的所述历史企业的标签；
获取所述第二数据集中的各个所述历史企业用户各自对应的运营状态信息，以生成第三数据集；
应用所述第三数据集分别训练得到各类标签各自对应的融合子模型，并将各个所述融合子模型分别赋予相同的初始权重值；
基于各类标签各自对应的融合子模型训练得到弱分类器，并基于该弱分类器重新确定各个所述融合子模型的权重值，以得到对应的融合模型。
12.根据权利要求11所述的企业金融服务风险预测装置，其特征在于，所述风险预测模型生成模块用于执行下述内容：
获取当前未经金融服务授权的多个企业各自对应的运营状态信息，以生成第四数据集；
基于所述融合模型和预设的标签类型占比数据，对所述第四数据集中的各个企业分别进行评分以生成对应的评级函数，将该评级函数作为弱监督评分模型。
13.根据权利要求8所述的企业金融服务风险预测装置，其特征在于，所述信息获取模块用于执行下述内容：
接收企业针对目标金融机构发出的金融服务申请信息，其中，所述金融服务申请信息中包含有对应企业的唯一标识和金融服务类型；
根据所述企业的唯一标识，判断该企业是否为所述目标金融机构的历史企业用户，若否，则将该企业确定为当前未经金融服务授权的目标企业；
基于所述目标企业的唯一标识获取该目标企业的目标企业的运营状态信息，并根据所述金融服务类型选取对应的弱监督评分模型。
14.根据权利要求8所述的企业金融服务风险预测装置，其特征在于，还包括：
服务判断模块，用于判断所述目标企业的金融服务风险预测等级是否符合预设的金融服务要求，若是，则将该目标企业存储为历史企业客户，以向该目标企业提供金融服务。
15.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述的企业金融服务风险预测方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述的企业金融服务风险预测方法。
CN202010731181.0A 2020-07-27 2020-07-27 企业金融服务风险预测方法及装置 Pending CN111932267A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010731181.0A CN111932267A (zh) 2020-07-27 2020-07-27 企业金融服务风险预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010731181.0A CN111932267A (zh) 2020-07-27 2020-07-27 企业金融服务风险预测方法及装置

Publications (1)

Publication Number Publication Date
CN111932267A true CN111932267A (zh) 2020-11-13

Family

ID=73314752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010731181.0A Pending CN111932267A (zh) 2020-07-27 2020-07-27 企业金融服务风险预测方法及装置

Country Status (1)

Country Link
CN (1) CN111932267A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767167A (zh) * 2021-02-07 2021-05-07 中国工商银行股份有限公司 一种基于集成学习的投资交易风险趋势预测方法及装置
CN113052706A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 基金风险等级预测方法及装置
CN113283806A (zh) * 2021-06-22 2021-08-20 中国平安财产保险股份有限公司 企业信息评估方法、装置、计算机设备及存储介质
CN113344587A (zh) * 2021-08-05 2021-09-03 北京轻松筹信息技术有限公司 数据等级的确定方法、装置、电子设备及存储介质
CN113409050A (zh) * 2021-05-06 2021-09-17 支付宝(杭州)信息技术有限公司 基于用户操作判断业务风险的方法和装置
CN113554366A (zh) * 2021-09-23 2021-10-26 山东大学 消毒产品生产企业的分类监督方法及相关设备
CN114092057A (zh) * 2021-11-23 2022-02-25 深圳壹账通科技服务有限公司 一种项目模型的构建方法、装置、终端设备和存储介质
CN114240096A (zh) * 2021-12-01 2022-03-25 支付宝(杭州)信息技术有限公司 企业风险评价方法、装置和系统

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767167A (zh) * 2021-02-07 2021-05-07 中国工商银行股份有限公司 一种基于集成学习的投资交易风险趋势预测方法及装置
CN112767167B (zh) * 2021-02-07 2024-04-19 中国工商银行股份有限公司 一种基于集成学习的投资交易风险趋势预测方法及装置
CN113052706A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 基金风险等级预测方法及装置
CN113409050A (zh) * 2021-05-06 2021-09-17 支付宝(杭州)信息技术有限公司 基于用户操作判断业务风险的方法和装置
CN113409050B (zh) * 2021-05-06 2022-05-17 支付宝(杭州)信息技术有限公司 基于用户操作判断业务风险的方法和装置
CN113283806A (zh) * 2021-06-22 2021-08-20 中国平安财产保险股份有限公司 企业信息评估方法、装置、计算机设备及存储介质
CN113344587A (zh) * 2021-08-05 2021-09-03 北京轻松筹信息技术有限公司 数据等级的确定方法、装置、电子设备及存储介质
CN113344587B (zh) * 2021-08-05 2022-04-05 北京轻松筹信息技术有限公司 数据等级的确定方法、装置、电子设备及存储介质
CN113554366A (zh) * 2021-09-23 2021-10-26 山东大学 消毒产品生产企业的分类监督方法及相关设备
CN113554366B (zh) * 2021-09-23 2021-12-14 山东大学 消毒产品生产企业的分类监督方法及相关设备
CN114092057A (zh) * 2021-11-23 2022-02-25 深圳壹账通科技服务有限公司 一种项目模型的构建方法、装置、终端设备和存储介质
CN114240096A (zh) * 2021-12-01 2022-03-25 支付宝(杭州)信息技术有限公司 企业风险评价方法、装置和系统

Similar Documents

Publication Publication Date Title
CN111932267A (zh) 企业金融服务风险预测方法及装置
CN111861569B (zh) 产品信息推荐方法及装置
CN113064700B (zh) 容器部署方法及装置
CN112785086A (zh) 信贷逾期风险预测方法及装置
CN112766825A (zh) 企业金融服务风险预测方法及装置
CN111369247A (zh) 跨行交易数据处理方法及装置
CN111949795A (zh) 工单自动分类方法及装置
CN112579773A (zh) 风险事件分级方法及装置
CN110992190A (zh) 基于用户画像的资产配置方法及装置
CN113409134A (zh) 基于联邦学习的企业融资授信方法及装置
CN117951547B (zh) 基于人工智能的招投标数据处理方法及装置
CN112418929A (zh) 一种数据共享方法及装置
CN115204685A (zh) 一种工单派发方法及装置
CN111352841A (zh) 金融交易软件的质量检测方法及装置
CN118172095A (zh) 产品购买预测方法及装置
CN111048115A (zh) 语音识别方法及装置
CN110008318A (zh) 问题派发方法及装置
CN117217710B (zh) 一种虚拟商品与快捷服务的智能化管理方法及系统
CN116681513A (zh) 企业资产数据处理方法及装置
CN113077251A (zh) 一种预付费交易场景下的异常行为监测方法及装置
CN112163861A (zh) 交易风险要素特征提取方法及装置
CN113393320B (zh) 企业金融服务风险预测方法及装置
CN116452322A (zh) 信用卡推荐方法及装置
CN116664227A (zh) 金融产品智能推荐方法及装置
CN110009159A (zh) 基于网络大数据的金融借贷需求预测方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201113