CN112200592A - 一种空壳公司识别方法、装置及设备 - Google Patents

Abstract

本说明书实施例提供一种空壳公司识别方法、装置及设备。方法包括：构建公司的多维特征，并采用集成学习模型和深度学习模型相结合的方式进行空壳公司的识别，包括先使用集成学习模型生成多维特征的特征编码序列，再将多维特征与特征编码序列一并作为深度学习模型的输入，从而准确识别空壳公司。

Description

一种空壳公司识别方法、装置及设备

技术领域

本文件涉及计算机技术领域，尤其涉及一种空壳公司识别方法、装置及设备。

背景技术

空壳公司Shell Corporation又名空头公司或纸上公司，一般是指通过正规途径注册成立，但登记时采用虚假出资等欺骗手段注册的公司，或在公司成立后有抽逃出资等违法行为的公司，或没有确定的营业地址、没有主营业务、甚至没有员工的公司。

2020年以来多地公安机关披露，银行对公账户成为电信诈骗和洗钱团伙的高级犯罪工具。并且，注册和买卖对公账户成为了电诈黑市的一条专门产业链。随着警方打击的深入，境外诈骗犯罪集团为了转移赃款，不惜向境内的黑中介重金购买企业账户这一犯罪工具。境内黑中介为了谋取暴利，招募一些谋求蝇头小利的社会闲散人员，出卖个人法人身份虚假注册空壳公司、开设企业账户。空壳公司已成为滋生多种犯罪的温床。第三方研究数据显示，目前中国空壳公司数量超过数百万家，尽管司法机关对空壳公司的打击日趋严格，但空壳公司买卖仍然呈现公开化和泛滥化的趋势。空壳公司的野蛮生长为支付生态带来了严峻的合规风险和业务风险。

因此，需要提供更可靠的空壳公司识别方案。

发明内容

本说明书实施例提供一种空壳公司识别方法、装置及设备，用以准确识别空壳公司。

本说明书实施例还提供一种空壳公司识别方法，包括：

依据目标公司的注册信息，对所述目标公司进行预设多维度的特征分析，生成所述目标公司的多维特征；

将所述多维特征输入集成学习模型，得到特征编码序列，所述特征编码序列表征所述多维特征之间的非线性组合，所述集成学习模型由批量的第一训练公司样本及空壳公司标签训练得到，所述第一训练公司样本包括与所述多维特征相同维度的特征；

将所述多维特征及对应的特征编码序列输入至深度学习模型，得到所述目标公司的空壳公司标签，所述深度学习模型由批量的第二训练公司样本及空壳公司标签训练得到，所述第二训练公司样本包括与所述多维特征及对应的特征编码序列相同维度的特征；

基于所述目标公司的空壳公司标签，得到空壳公司识别结果。

本说明书实施例还提供一种空壳公司识别装置，包括：

特征生成模块，依据目标公司的注册信息，对所述目标公司进行预设多维度的特征分析，生成所述目标公司的多维特征；

第一模型处理模块，将所述多维特征输入集成学习模型，得到特征编码序列，所述特征编码序列表征所述多维特征之间的非线性组合，所述集成学习模型由批量的第一训练公司样本及空壳公司标签训练得到，所述第一训练公司样本包括与所述多维特征相同维度的特征；

第二模型处理模块，将所述多维特征及对应的特征编码序列输入至深度学习模型，得到所述目标公司的空壳公司标签，所述深度学习模型由批量的第二训练公司样本及空壳公司标签训练得到，所述第二训练公司样本包括与所述多维特征及对应的特征编码序列相同维度的特征；

结果分析模块，基于所述目标公司的空壳公司标签，得到空壳公司识别结果。

本说明书实施例还提供一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

依据目标公司的注册信息，对所述目标公司进行预设多维度的特征分析，生成所述目标公司的多维特征；

将所述多维特征输入集成学习模型，得到特征编码序列，所述特征编码序列表征所述多维特征之间的非线性组合，所述集成学习模型由批量的第一训练公司样本及空壳公司标签训练得到，所述第一训练公司样本包括与所述多维特征相同维度的特征；

将所述多维特征及对应的特征编码序列输入至深度学习模型，得到所述目标公司的空壳公司标签，所述深度学习模型由批量的第二训练公司样本及空壳公司标签训练得到，所述第二训练公司样本包括与所述多维特征及对应的特征编码序列相同维度的特征；

基于所述目标公司的空壳公司标签，得到空壳公司识别结果。

本说明书实施例还提供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，所述计算机程序被处理器执行时实现如下操作：

依据目标公司的注册信息，对所述目标公司进行预设多维度的特征分析，生成所述目标公司的多维特征；

将所述多维特征输入集成学习模型，得到特征编码序列，所述特征编码序列表征所述多维特征之间的非线性组合，所述集成学习模型由批量的第一训练公司样本及空壳公司标签训练得到，所述第一训练公司样本包括与所述多维特征相同维度的特征；

将所述多维特征及对应的特征编码序列输入至深度学习模型，得到所述目标公司的空壳公司标签，所述深度学习模型由批量的第二训练公司样本及空壳公司标签训练得到，所述第二训练公司样本包括与所述多维特征及对应的特征编码序列相同维度的特征；

基于所述目标公司的空壳公司标签，得到空壳公司识别结果。

本说明书一个实施例实现了，通过集成学习模型和深度学习模型相结合的架构，首先使用集成学习模型生成目标公司的多维特征的特征编码序列，并将多维特征及其特征编码序列一并作为深度学习模型的输入，从而准确识别空壳公司。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书一实施例提供的应用场景的示意图；

图2为本说明书一实施例提供的空壳公司识别方法的流程示意图；

图3为本说明书一实施例提供的模型训练过程的流程示意图；

图4为本说明书一实施例提供的空壳公司识别装置的结构示意图；

图5为本说明书一实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文件保护的范围。

结合背景技术部分的陈述，传统金融机构对空壳公司识别方案一般包括身份识别和可疑交易分析两部分，但金融机构通过传统手段开展空壳公司识别的成本极高，准确性也难以保证。错误的识别容易引起客诉甚至法律风险。而通过可疑交易分析发现空壳公司的前提是其已经发生异常交易行为。显然，可疑交易分析虽然准确，但存在一定的滞后性。基于此，本说明书提供一种空壳公司识别方法，通过集成学习模型和深度学习模型相结合的架构，首先使用集成学习模型生成目标公司的多维特征的特征编码序列，并将多维特征及其特征编码序列一并作为深度学习模型的输入，从而准确识别空壳公司。

下面参见图1，对本方案的应用场景进行示例性说明：

在第一种应用场景中，包括：客户端和业务系统，所述业务系统包括：业务处理模块和空壳公司处理模块，其中：

客户端，可以是指公司一方的客户端，公司方可通过客户端向业务系统发起业务请求，以请求业务系统进行业务开通、交易等操作。

业务处理模块响应客户端的业务请求采集公司方的公司标识并转发给空壳公司处理模块，由空壳公司处理模块基于公司标识采集该公司方的相关信息、进行空壳公司的识别作业并将识别结果返回至业务处理模块，业务处理模块基于识别结果响应公司方的业务请求。

在第二种应用场景中，包括：客户端和空壳公司处理模块，其中：

客户端，可以是指任一方的客户端，包括个人客户端、公司客户端等，任一方均可通过客户端向空壳公司处理模块发起查询请求，以查询目标公司是否为空壳公司；

空壳公司处理模块，可以作为空壳公司查询平台的一部分，响应客户端的查询请求采集目标公司的相关信息并进行空壳公司的识别作业，将识别结果返回至客户端。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图2为本说明书一实施例提供的空壳公司识别方法的流程示意图，参见图2，所述方法具体可以包括如下步骤：

步骤202、依据目标公司的注册信息，对所述目标公司进行预设多维度的特征分析，生成所述目标公司的多维特征；

其中，公司的注册信息一般是指工商注册信息，其包括企业名称，注册日期，注册资本，经营期限，经营范围，企业类型，组织机构等一系列信息；所述多维度预先配置的可涵盖空壳公司的特性的维度，如法人维度、投资人维度等。

具体地：可通过工商局提供的企业查询信息系统或者第三方的企业工商注册信息系统查询目标公司的工商注册信息；然后，从中提取属于预设多维度中每个维度的注册信息，如法人维度对应的注册法人信息、投资人维度对应的注册投资人信息；然后，对每个维度的注册信息进行特征分析，如对目标公司的注册法人进行特征分析，对目标公司的注册投资人进行特征分析，得到每个维度下的特征，进而得到目标公司的多维特征。

下面对步骤202中的多维特征进行示例性说明：

示例1、所述注册信息至少包括：资本信息、注册地信息、企业注册类型，所述多维特征包括：工商注册特征；

则步骤202的实现方式可以为：

依据所述目标公司的注册资本，对所述目标公司进行资本维度的特征分析，得到资本特征；

依据所述目标公司的注册地信息，对所述目标公司进行注册地维度的特征分析，得到注册地特征；

依据所述目标公司的企业注册类型，对所述目标公司进行企业属性维度的特征分析，得到企业属性特征；

基于所述资本特征、所述注册地特征和所述企业属性特征，生成工商注册特征。

示例2、所述注册信息包括：法人和/或投资人，所述多维特征还包括：法人特征和/或投资人特征；

则步骤202的实现方式可以为：

对所述目标公司进行法人维度的特征分析，生成所述法人当前的基础画像特征和注册所述目标公司时的基础画像特征，作为法人特征；和/或，

对所述目标公司进行投资人维度的特征分析，生成所述投资人当前的基础画像特征和注册所述目标公司时的基础画像特征，作为投资人特征。

其中，法人和/或投资人的基础画像特征至少包括：户籍地、住所、常住地、性别、年龄、资产等级、失信人等。

示例3、所述多维特征还包括：历史处罚特征，则方法还包括：

获取所述目标公司及法人和投资人对应的处罚信息；

基于所述处罚信息，生成所述目标公司对应的历史处罚特征。

其中，处罚信息至少包括：处罚次数和处罚类型等。

示例4、所述多维特征还包括：第一关联特征，则方法还包括：

对所述法人和/所述投资人关联的公司进行统计分析，得到第一关联特征；

其中，第一关联特征至少包括：公司数量、公司地域分布、公司类型分布、历史处罚分布；所述法人关联的公司可以是指与目标公司的法人相同的所有公司，所述投资人关联的公司可以是指投资人投资的所有公司或者投资人作为法人的所有公司。

示例5、所述多维特征还包括：基于位置的服务LBS特征，则方法还包括：

依据所述注册地信息对应的位置信息，确定所述目标公司所属的LBS网格；

对所述LBS网格内的城市地标的分布进行特征分析，生成所述目标公司的第一LBS特征；

将所述LBS网格的基础画像特征作为所述目标公司的第二LBS特征。

其中，所述城市地标是指餐饮、住宅、交通等地标，LBS网格的基础画像包括网格ID、贫困县属性等。

示例6、所述多维特征还包括：第二关联特征，则方法还包括：

对所述LBS网格内的公司进行统计分析，得到第二关联特征；

其中，所述第二关联特征至少包括：公司数量、公司地域分布、公司类型分布、历史处罚分布。

示例7、所述多维特征还包括：第三关联特征，则方法还包括：

确定所述目标公司的对公账户登录的目标设备；

对所述目标设备历史登录的公司进行统计分析，得到第三关联特征；

其中，所述第三关联特征至少包括：公司数量、公司地域分布、公司类型分布、历史处罚分布。

示例8、所述多维特征还包括：交叉特征，则方法还包括：

对所述多维特征中的单维特征进行两两交叉，得到所述目标公司对应的多维的交叉特征，如对法人维度的特征和投资人维度的特征进行组合，又如对法人维度的特征和设备维度的特征进行组合等，由此可尽可能大的组合出最大化的特征数量，为精确识别空壳公司提供足够的数据支持。

基于此，不难理解的是，本实施例依据公司原始的注册信息进行多维度的划分，并对每个维度下的对象信息进行扩展，从而得到每个维度下公司的全量特征，进而有效提高空壳公司的识别准确度。

步骤204、将所述多维特征输入集成学习模型，得到特征编码序列，所述特征编码序列表征所述多维特征之间的非线性组合，所述集成学习模型由批量的第一训练公司样本及空壳公司标签训练得到，所述第一训练公司样本包括与所述多维特征相同维度的特征；

其中，空壳公司标签用于表征训练公司样本是否为空壳公司。

在一种实现方式中，所述集成学习模型可采用为树模型，对应的，所述特征编码序列为叶子节点编码，则步骤204具体可以为将所述多维特征及所述集成学习模型输出的叶子节点编码输入至深度学习模型。

其中，树模型的集成学习模型为引导聚集算法Bagging模型和提升方法Boostinig模型中的任意一种。

由此，本实施例通过采用树模型分析公司多维特征的非线性组合，从而有效分析特征之间的关联关系，为后续深度学习提供数据支撑。而且，本说明书实施例在此示出了步骤204的一种具体实现方式。当然，应理解，步骤204也可以采用其它的方式实现，本申请实施例对此不作限制。

步骤206、将所述多维特征及对应的特征编码序列输入至深度学习模型，得到所述目标公司的空壳公司标签，所述深度学习模型由批量的第二训练公司样本及空壳公司标签训练得到，所述第二训练公司样本包括与所述多维特征及对应的特征编码序列相同维度的特征；

步骤208、基于所述目标公司的空壳公司标签，得到空壳公司识别结果。

具体地，若所述目标公司的空壳公司标签为非空壳标签，则确定目标公司为非空壳公司，若所述目标公司的空壳公司标签为空壳标签，则确定目标公司为空壳公司。

基于此，本实施例通过集成学习模型和深度学习模型相结合的架构，首先使用集成学习模型生成目标公司的多维特征的特征编码序列，并将多维特征及其特征编码序列一并作为深度学习模型的输入，从而准确识别空壳公司。

下面结合图3对上述集成学习模型和深度学习模型的训练过程进行详细说明：

S1、构建特征

首先，通过分析历史空壳公司的案件可知，空壳公司一般具有以下几类特征：

(1)、公司类型以轻资产居多，如科技、网络、信息、电子、贸易、投资担保、建材、服务业等。一些公司为避免商事登记重复、企业注册名称用词生僻或怪异，注册资本基本为整数，且实缴资本少。

(2)、注册地址集中(相同或相邻)且多位于乡村、经济开发区、招商引资点、大厦等，部分公司登记等注册地址实际不存在或者存疑(如留存为居民小区地址信息)。

(3)、公司间具有较强等关联性，法定代表人、董事、监事、股东及财务人员相互交叉任职或一人担任多家公司法定代表人。

(4)、公司基本无实质经营项目，注册经营范围多且广，难以准确辨别主营业务，外部信息无法查询到公司招聘、宣传、买卖等经营信息。

(5)、利用他人身份信息进行工商注册登记并开立账户，公司法定代表人并非账户实际控制人，模糊实际控制人与对公账户等关联关系。

由此，本实施例提供了如下6个维度的特征，包括：

(1)、工商注册特征：含资本类(注册资本、实缴资本、实缴资本占比等)，注册地类(注册地、注册机构、贫困县属性等)，属性类(企业注册类型、国家统计局四级行业分类的等)、其他类(三证合一、电话/Email/ICP数量、成立时间、工商变更次数等)。

(2)、法人和UBO特征：基础画像类(户籍地、常住地、性别、年龄、资产等级、失信人等)，经营属性(注册公司时年龄、所在地等)。

(3)、LBS特征：POI统计类(餐饮、住宅、交通、商业、学校等POI数量和比例)，基础画像类(LBS网格id、贫困县属性等、距离省/市/区中心距离等)。LBS特征计算方法可以使用两种方法：一是将中国地图划分为100米x100米的网格，对每个网格统计相应的属性，二是计算每个POI的Geohash，根据Geohash编码长度统计相应的特征。

(4)、关联特征：按照法人、UBO、设备、LBS网格统计，关联公司数量、地域分布、类型分布、处罚分布等一系列统计特征。

(5)、历史处罚特征：公司及其关联人的行政处罚、刑事处罚和风控处罚特征。

(6)、交叉特征：对以上5类特征进行两两交叉。

S2、构建集成学习模型

集成学习通过合并多个模型来提升机器学习性能，常用为两类：

(1)Bagging：在原始数据集上有放回的采样N次得到N个采样集，基于每个采样集训练出一个基学习器，通过投票法或平均法实现分类或回归任务。Bagging主要用于降低方差，代表方法随机森林(Random Forest)。

(2)Boosting：串行训练基分类器，通过上游基分类器的分类误差来训练下游分类器。Boosting主要用于减少偏差，代表方法GBDT、XGBoost等。

本实施例可使用集成学习模型中的任意一种树模型，如Random Forest、GBDT或XGBoost，输出为每一个样本的叶子结点编码。

S3、构建深度学习模型

相比于传统线性模型和树模型，深度学习模型可以实现更好的记忆能力和泛化能力，几种有代表性的深度学习分类模型包括：

(1)融合浅层模型Wide&深层模型Deep：其核心思想是结合线性模型的记忆能力和深度神经网络DNN模型的泛化能力，从而提升模型整体性能。

(2)DeepFM：DeepFM主要创新在于将分解机(Factorization Machines，FM)模型详解FM与DNN以并行结构组合在一起，FM侧与DNN侧共享特征嵌入层(Embedding Layer)，通过联合训练的方式使模型达到最优。

(3)DCN(Deep&Cross Network)：引入Cross层取代Wide&Deep的Wide层，使其可以显式地、自动地构造有限高阶的特征叉乘。

(4)xDeepFM：DCN中的Cross层以bit-wise方式构造高阶特征，使其失去了部分Field信息。因此，xDeepFM通过FM部分的vector-wise方式优化Cross结构。

由此可知，本实施例，同时使用原始空壳公司特征以及集成学习模型产生的叶子结点编码作为输入，产出空壳公司分类识别结果。

图4为本说明书一实施例提供的空壳公司识别装置的结构示意图，参见图4，所述装置可以包括：

特征生成模块401，依据目标公司的注册信息，对所述目标公司进行预设多维度的特征分析，生成所述目标公司的多维特征；

第一模型处理模块402，将所述多维特征输入集成学习模型，得到特征编码序列，所述特征编码序列表征所述多维特征之间的非线性组合，所述集成学习模型由批量的第一训练公司样本及空壳公司标签训练得到，所述第一训练公司样本包括与所述多维特征相同维度的特征；

第二模型处理模块403，将所述多维特征及对应的特征编码序列输入至深度学习模型，得到所述目标公司的空壳公司标签，所述深度学习模型由批量的第二训练公司样本及空壳公司标签训练得到，所述第二训练公司样本包括与所述多维特征及对应的特征编码序列相同维度的特征；

结果分析模块404，基于所述目标公司的空壳公司标签，得到空壳公司识别结果。

可选的，所述注册信息包括：资本信息、注册地信息、企业注册类型，所述多维特征包括：工商注册特征；

其中，所述特征生成模块401，具体用于：

依据所述目标公司的注册资本，对所述目标公司进行资本维度的特征分析，得到资本特征；

依据所述目标公司的注册地信息，对所述目标公司进行注册地维度的特征分析，得到注册地特征；

依据所述目标公司的企业注册类型，对所述目标公司进行企业属性维度的特征分析，得到企业属性特征；

基于所述资本特征、所述注册地特征和所述企业属性特征，生成工商注册特征。

可选的，所述注册信息包括：法人和/或投资人，所述多维特征还包括：法人特征和/或投资人特征；

其中，所述特征生成模块401，具体用于：

对所述目标公司进行法人维度的特征分析，生成所述法人当前的基础画像特征和注册所述目标公司时的基础画像特征，作为法人特征；和/或，

对所述目标公司进行投资人维度的特征分析，生成所述投资人当前的基础画像特征和注册所述目标公司时的基础画像特征，作为投资人特征。

可选的，所述多维特征还包括：历史处罚特征，则装置还包括：

处罚特征生成模块，获取所述目标公司及法人和投资人对应的处罚信息；基于所述处罚信息，生成所述目标公司对应的历史处罚特征。

可选的，所述多维特征还包括：第一关联特征，则装置还包括：

第一关联特征生成模块，对所述法人和/所述投资人关联的公司进行统计分析，得到第一关联特征；

其中，第一关联特征至少包括：公司数量、公司地域分布、公司类型分布、历史处罚分布。

可选的，所述多维特征还包括：基于位置的服务LBS特征，则装置还包括：

LBS特征生成模块，依据所述注册地信息对应的位置信息，确定所述目标公司所属的LBS网格；对所述LBS网格内的城市地标的分布进行特征分析，生成所述目标公司的第一LBS特征；将所述LBS网格的基础画像特征作为所述目标公司的第二LBS特征。

可选的，所述多维特征还包括：第二关联特征，则装置还包括：

第二关联特征生成模块对所述LBS网格内的公司进行统计分析，得到第二关联特征；

其中，所述第二关联特征至少包括：公司数量、公司地域分布、公司类型分布、历史处罚分布。

可选的，所述多维特征还包括：第三关联特征，则装置还包括：

设备特征生成模块，确定所述目标公司的对公账户登录的目标设备；对所述目标设备历史登录的公司进行统计分析，得到第三关联特征；

其中，所述第三关联特征至少包括：公司数量、公司地域分布、公司类型分布、历史处罚分布。

可选的，所述多维特征还包括：交叉特征，则装置还包括：

特征交叉处理模块，对所述多维特征中的单维特征进行两两交叉，得到所述目标公司对应的多维的交叉特征。

可选的，所述集成学习模型为树模型，所述特征编码序列为叶子节点编码；

其中，所述第二模型处理模块403，具体用于：

将所述多维特征及所述集成学习模型输出的叶子节点编码输入至深度学习模型。

可选的，所述集成学习模型为引导聚集算法Bagging模型和提升方法Boostinig模型中的任意一种。

基于此，本实施例通过集成学习模型和深度学习模型相结合的架构，首先使用集成学习模型生成目标公司的多维特征的特征编码序列，并将多维特征及其特征编码序列一并作为深度学习模型的输入，从而准确识别空壳公司。

不难理解的是，由于图4对应的装置实施例与上述方法实施例相似，装置实施例中的相关内容已详述在方法实施例中，故，此处不再展开说明。另外，应当注意的是，在本说明书的装置的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本说明书不受限于此，可以根据需要对各个部件进行重新划分或者组合。

图5为本说明书一实施例提供的一种电子设备的结构示意图，参见图5，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成空壳公司识别装置。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

网络接口、处理器和存储器可以通过总线系统相互连接。总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器可能包含高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器。

处理器，用于执行所述存储器存放的程序，并具体执行：

依据目标公司的注册信息，对所述目标公司进行预设多维度的特征分析，生成所述目标公司的多维特征；

将所述多维特征输入集成学习模型，得到特征编码序列，所述特征编码序列表征所述多维特征之间的非线性组合，所述集成学习模型由批量的第一训练公司样本及空壳公司标签训练得到，所述第一训练公司样本包括与所述多维特征相同维度的特征；

将所述多维特征及对应的特征编码序列输入至深度学习模型，得到所述目标公司的空壳公司标签，所述深度学习模型由批量的第二训练公司样本及空壳公司标签训练得到，所述第二训练公司样本包括与所述多维特征及对应的特征编码序列相同维度的特征；

基于所述目标公司的空壳公司标签，得到空壳公司识别结果。

上述如本说明书图4所示实施例揭示的空壳公司识别装置或管理者(Master)节点执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

空壳公司识别装置还可执行图2-3的方法，并实现管理者节点执行的方法。

基于相同的发明创造，本说明书实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行图2-3对应的实施例提供的空壳公司识别方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书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，本说明书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。

本说明书是参照根据本说明书实施例的方法、设备(系统)、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (14)

1.一种空壳公司识别方法，包括：

依据目标公司的注册信息，对所述目标公司进行预设多维度的特征分析，生成所述目标公司的多维特征；

将所述多维特征输入集成学习模型，得到特征编码序列，所述特征编码序列表征所述多维特征之间的非线性组合，所述集成学习模型由批量的第一训练公司样本及空壳公司标签训练得到，所述第一训练公司样本包括与所述多维特征相同维度的特征；

将所述多维特征及对应的特征编码序列输入至深度学习模型，得到所述目标公司的空壳公司标签，所述深度学习模型由批量的第二训练公司样本及空壳公司标签训练得到，所述第二训练公司样本包括与所述多维特征及对应的特征编码序列相同维度的特征；

基于所述目标公司的空壳公司标签，得到空壳公司识别结果。

2.根据权利要求1所述的方法，所述注册信息包括：资本信息、注册地信息、企业注册类型，所述多维特征包括：工商注册特征；

其中，所述依据目标公司的注册信息，对所述目标公司进行预设多维度的特征分析，生成所述目标公司的多维特征，包括：

依据所述目标公司的注册资本，对所述目标公司进行资本维度的特征分析，得到资本特征；

依据所述目标公司的注册地信息，对所述目标公司进行注册地维度的特征分析，得到注册地特征；

依据所述目标公司的企业注册类型，对所述目标公司进行企业属性维度的特征分析，得到企业属性特征；

基于所述资本特征、所述注册地特征和所述企业属性特征，生成工商注册特征。

3.根据权利要求2所述的方法，所述注册信息包括：法人和/或投资人，所述多维特征还包括：法人特征和/或投资人特征；

其中，所述依据目标公司的注册信息，对所述目标公司进行预设多维度的特征分析，生成所述目标公司的多维特征，包括：

对所述目标公司进行法人维度的特征分析，生成所述法人当前的基础画像特征和注册所述目标公司时的基础画像特征，作为法人特征；和/或，

对所述目标公司进行投资人维度的特征分析，生成所述投资人当前的基础画像特征和注册所述目标公司时的基础画像特征，作为投资人特征。

4.根据权利要求3所述的方法，所述多维特征还包括：历史处罚特征，则方法还包括：

获取所述目标公司及法人和投资人对应的处罚信息；

基于所述处罚信息，生成所述目标公司对应的历史处罚特征。

5.根据权利要求4所述的方法，所述多维特征还包括：第一关联特征，则方法还包括：

对所述法人和/所述投资人关联的公司进行统计分析，得到第一关联特征；

其中，第一关联特征至少包括：公司数量、公司地域分布、公司类型分布、历史处罚分布。

6.根据权利要求2所述的方法，所述多维特征还包括：基于位置的服务LBS特征，则方法还包括：

依据所述注册地信息对应的位置信息，确定所述目标公司所属的LBS网格；

对所述LBS网格内的城市地标的分布进行特征分析，生成所述目标公司的第一LBS特征；

将所述LBS网格的基础画像特征作为所述目标公司的第二LBS特征。

7.根据权利要求6所述的方法，所述多维特征还包括：第二关联特征，则方法还包括：

对所述LBS网格内的公司进行统计分析，得到第二关联特征；

其中，所述第二关联特征至少包括：公司数量、公司地域分布、公司类型分布、历史处罚分布。

8.根据权利要求2所述的方法，所述多维特征还包括：第三关联特征，则方法还包括：

确定所述目标公司的对公账户登录的目标设备；

对所述目标设备历史登录的公司进行统计分析，得到第三关联特征；

其中，所述第三关联特征至少包括：公司数量、公司地域分布、公司类型分布、历史处罚分布。

9.根据权利要求2所述的方法，所述多维特征还包括：交叉特征，则方法还包括：

对所述多维特征中的单维特征进行两两交叉，得到所述目标公司对应的多维的交叉特征。

10.根据权利要求1所述的方法，所述集成学习模型为树模型，所述特征编码序列为叶子节点编码；

其中，所述将所述多维特征及对应的特征编码序列输入至深度学习模型，包括：

将所述多维特征及所述集成学习模型输出的叶子节点编码输入至深度学习模型。

11.根据权利要求10所述的方法，所述集成学习模型为引导聚集算法Bagging模型和提升方法Boostinig模型中的任意一种。

12.一种空壳公司识别装置，包括：

特征生成模块，依据目标公司的注册信息，对所述目标公司进行预设多维度的特征分析，生成所述目标公司的多维特征；

第一模型处理模块，将所述多维特征输入集成学习模型，得到特征编码序列，所述特征编码序列表征所述多维特征之间的非线性组合，所述集成学习模型由批量的第一训练公司样本及空壳公司标签训练得到，所述第一训练公司样本包括与所述多维特征相同维度的特征；

第二模型处理模块，将所述多维特征及对应的特征编码序列输入至深度学习模型，得到所述目标公司的空壳公司标签，所述深度学习模型由批量的第二训练公司样本及空壳公司标签训练得到，所述第二训练公司样本包括与所述多维特征及对应的特征编码序列相同维度的特征；

结果分析模块，基于所述目标公司的空壳公司标签，得到空壳公司识别结果。

13.一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

依据目标公司的注册信息，对所述目标公司进行预设多维度的特征分析，生成所述目标公司的多维特征；

将所述多维特征输入集成学习模型，得到特征编码序列，所述特征编码序列表征所述多维特征之间的非线性组合，所述集成学习模型由批量的第一训练公司样本及空壳公司标签训练得到，所述第一训练公司样本包括与所述多维特征相同维度的特征；

将所述多维特征及对应的特征编码序列输入至深度学习模型，得到所述目标公司的空壳公司标签，所述深度学习模型由批量的第二训练公司样本及空壳公司标签训练得到，所述第二训练公司样本包括与所述多维特征及对应的特征编码序列相同维度的特征；

基于所述目标公司的空壳公司标签，得到空壳公司识别结果。

14.一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，所述计算机程序被处理器执行时实现如下操作：

依据目标公司的注册信息，对所述目标公司进行预设多维度的特征分析，生成所述目标公司的多维特征；

将所述多维特征输入集成学习模型，得到特征编码序列，所述特征编码序列表征所述多维特征之间的非线性组合，所述集成学习模型由批量的第一训练公司样本及空壳公司标签训练得到，所述第一训练公司样本包括与所述多维特征相同维度的特征；

将所述多维特征及对应的特征编码序列输入至深度学习模型，得到所述目标公司的空壳公司标签，所述深度学习模型由批量的第二训练公司样本及空壳公司标签训练得到，所述第二训练公司样本包括与所述多维特征及对应的特征编码序列相同维度的特征；

基于所述目标公司的空壳公司标签，得到空壳公司识别结果。

Images