CN112734566A - 授信额度获取方法、装置及计算机设备 - Google Patents

Abstract

本申请提出了一种授信额度获取方法、装置及计算机设备，金融机构的计算机设备获得第一客户的贷款申请信息后，将利用其包含的第一客户信息，从数据库中读取第一客户所在行业的目标行业影响因子，以及第一客户居住地的目标地区影响因子，在基于授信额度预测模型得到第一客户的预测授信额度后，将利用该目标行业影响因子和目标地区影响因子，来动态调整该预测授信额度，即充分利用舆情对第一客户所在行业的未来发展形势的认知，及居住地房价对第一客户的资质真实反映，来得到第一客户更加精准的目标授信额度，以辅助金融机构审批第一客户的贷款申请，降低了金融机构的信贷风险。

Description

授信额度获取方法、装置及计算机设备

技术领域

本申请涉及数据处理技术领域，更具体地说是涉及一种授信额度获取方法、装置及计算机设备。

背景技术

目前，贷款是银行等金融机构开设的一项重要业务，通常为了加强信贷风险管理，通常会在贷款发放前采取相应的预防措施，并在贷款中进行授信管理，在贷款发放后、收回前采取合适的风险控制措施，即通过贷前审查、贷中审批和贷后管理这三方面的防范措施，来提高金融机构的资金安全性。

其中，贷中审批这一防范措施的应用中，通常是通过合理控制贷款授信额度，来达到有效防止信贷风险的发生的目的。贷款授信额度可以依据国家信贷政策，以及客户的资产负债比例情况、贷款偿还能力等因素，来确定该客户的贷款授信额度。

具体的，在贷款的授信环节，目前通常是利用预测算法得到申请贷款客户的预授信额度，再结合该客户的征信情况进行额度调整，得到该客户的目标授信额度。但由于客户的征信情况具有滞后性，无法确保客户在未来有足够的能力偿还贷款，也就无法可靠降低客户违约风险。

发明内容

有鉴于此，为了解决上述技术问题，本申请提供了以下技术方案：

一方面，本申请提出了一种授信额度获取方法，所述方法包括：

获取针对第一客户的贷款申请信息，所述贷款申请信息包含所述第一客户的第一客户信息；

依据所述第一客户信息，读取所述第一客户所在行业对应的目标职业授信影响因子，以及所述第一客户居住地对应的目标居住地授信影响因子；其中，所述目标职业授信影响因子是基于针对所述第一客户所在行业的舆情数据，以及本金融机构所具有的行业数据确定的；所述目标居住地授信影响因子是基于所述第一客户居住地的房价数据确定的；

将所述第一客户信息输入授信额度预测模型，得到所述第一客户的预测授信额度；

利用所述目标职业授信影响因子和所述目标居住地授信影响因子，对所述第一客户的预测授信额度进行调整，得到所述第一客户的目标授信额度。

可选的，所述方法还包括：

按照预设更新周期，从特定应用平台爬取不同行业的多条舆情数据，并获取本金融机构所具有的多条行业数据；

对同一更新周期获取的所述多条舆情数据和所述多条行业数据分别进行语义分析，利用语义分析结果，确定所述多条舆情数据和所述多条行业数据各自关联的至少一个行业标识；

对同一更新周期获取的所述多条舆情数据和所述多条行业数据分别进行预处理，将得到满足数据格式要求的舆情数据和行业数据，与所确定的所述至少一个行业标识关联存储至本金融机构的数据库；

按照所述预设更新周期，从房源应用平台获取不同城市以及每个城市包含的不同小区的房价数据，将所述房价数据与位置标识关联存储至所述数据库，其中，不同城市对应的位置标识不同；

其中，对同一更新周期获取的所述多条舆情数据和所述多条行业数据分别进行预处理，包括。

利用分词工具和/或知识词典，对同一更新周期获取的每一条所述舆情数据和每一条所述行业数据进行离散化处理；所述知识词典包含不同字词各自所具有的近义词和反义词。

可选的，所述方法还包括：

读取当前更新周期内，所述数据库记录的不同所述行业标识各自关联的多条所述舆情数据和多条所述行业数据；

对于同一所述行业标识关联的多条所述舆情数据和多条所述行业数据分别进行舆情判断，得到相应的舆情判断结果；

利用行业数据得到的多个所述舆情判断结果，分别对相应的所述行业标识对应的参考职业授信影响因子进行调整，得到相应行业的目标职业授信影响因子；

将所述目标职业授信影响因子与所述行业标识关联存储至所述数据库。

可选的，所述舆情判断结果包括：相应的一条所述舆情数据或所述行业数据的数据源权重，以及所述舆情数据或所述行业数据包含的针对相应行业的正向词汇及负向词汇；

利用得到的多个所述舆情判断结果，分别对相应的所述行业标识对应的参考职业授信影响因子进行调整，得到相应行业的目标职业授信影响因子，包括：

将属于同一条所述舆情数据或所述行业数据的所述正向词汇的第一数量，与所述负向词汇的第二数量进行比较，并将该条舆情数据或行业数据的数据源权重与预设权重阈值进行比较；

若所述第一数量与所述第二数量的差值大于第一数量阈值，且所述数据源权重大于所述预设权重阈值，增大相应的所述行业标识对应的参考职业授信影响因子；

若所述第二数量与所述第一数量的差值大于所述第一数量阈值，且所述数据源权重大于所述预设权重阈值，减小相应的所述行业标识对应的参考职业授信影响因子；

确定依据所述行业标识关联的所有所述舆情判断结果，完成对相应行业的所述参考职业授信影响因子的调整，检测最终调整后的参考职业授信影响因子的绝对值是否大于第一调整阈值；

若大于所述第一调整阈值，利用所述最终调整后的参考职业授信影响因子，调整相应的所述行业标识对应的预设职业授信影响因子，得到相应行业的目标职业授信影响因子；

若小于或等于所述第一调整阈值，将相应的所述行业标识对应的预设职业授信影响因子，确定为相应行业的目标职业授信影响因子。

可选的，所述方法还包括：

读取当前更新周期内，所述数据库记录的不同所述位置标识关联的房价数据，并获取当前全国的第一平均房价；

从同一所述位置标识关联的所述房价数据中，得到相应城市的第二平均房价，以及所述城市包含的不同小区各自的第三平均房价；

将所述第二平均房价分别与所述第一平均房价和所述第三平均房价进行比较，得到相应比较结果；

利用得到的多个所述比较结果，依次调整相应的所述位置标识关联的居住地授信影响因子，得到相应城市的目标居住地授信影响因子；

将所述目标居住地授信影响因子与所述位置标识关联存储至数据库。

可选的，所述利用得到的多个所述比较结果，依次调整相应的所述位置标识关联的居住地授信影响因子，得到相应城市的目标居住地授信影响因子，包括：

若所述比较结果包括相应小区的所述三平均房价与所述第二平均房价的差值大于第一房价阈值，且所述第二平均房价与所述第一平均房价的差值大于第二房价阈值，增大相应的所述位置标识对应的参考居住地授信影响因子；

若所述比较结果包括所述第二平均房价与相应小区的所述第三平均房价的差值大于所述第一房价阈值，且所述第一平均房价与所述第二平均房价的差值大于所述第二房价阈值，减小相应的所述位置标识对应的参考居住地授信影响因子；

确定依据所述位置标识对应的所有所述比较结果，完成对相应城市的所述参考居住地授信影响因子的调整，检测最终调整后的参考居住地授信影响因子的绝对值是否大于第二调整阈值；

若大于所述第二调整阈值，利用所述最终调整后的参考居住地授信影响因子，调整所述位置标识对应的预设居住地授信影响因子，得到相应城市的目标居住地授信影响因子；

若小于或等于所述第二调整阈值，将相应的所述位置标识对应的预设居住地授信影响因子，确定为相应城市的目标居住地授信影响因子。

可选的，所述依据所述第一客户信息，读取所述第一客户所在行业对应的目标职业授信影响因子，以及所述第一客户居住地对应的目标居住地授信影响因子，包括：

利用所述第一客户信息，确定所述第一客户所在行业的第一行业标识，以及所述第一客户居住地的第一位置标识；

从所述数据库中，读取当前更新周期内得到的，与所述第一行业标识关联的目标职业授信影响因子，以及与所述第一位置标识关联的目标居住地授信影响因子。

可选的，所述利用所述目标职业授信影响因子和所述目标居住地授信影响因子，对所述第一客户的预测授信额度进行调整，得到所述第一客户的目标授信额度，包括：

检测到所述目标职业授信影响因子大于零，和/或所述目标居住地授信影响因子大于零，增大所述第一客户的预测授信额度；

检测到所述目标职业授信影响因子小于零，和/或所述目标居住地授信影响因子小于零，减小所述第一客户的预测授信额度；

将调整后的所述预测授信额度确定为所述第一客户的目标授信额度。

又一方面，本申请还提出了一种授信额度获取装置，所述装置包括：

贷款申请信息获取模块，用于获取针对第一客户的贷款申请信息，所述贷款申请信息包含所述第一客户的第一客户信息；

授信影响因子读取模块，用于依据所述第一客户信息，读取所述第一客户所在行业对应的目标职业授信影响因子，以及所述第一客户居住地对应的目标居住地授信影响因子；其中，所述目标职业授信影响因子是基于针对所述第一客户所在行业的舆情数据，以及本金融机构所具有的行业数据确定的；所述目标居住地授信影响因子是基于所述第一客户居住地的房价数据确定的；

授信额度预测模块，用于将所述第一客户信息输入授信额度预测模型，得到所述第一客户的预测授信额度；

目标授信额度得到模块，用于利用所述目标职业授信影响因子和所述目标居住地授信影响因子，对所述第一客户的预测授信额度进行调整，得到所述第一客户的目标授信额度。

又一方面，本申请还提出了一种计算机设备，所述计算机设备包括：

通信模块；

存储器，用于存储实现如上述的授信额度获取方法的程序；

处理器，用于加载并执行所述存储器存储的所述程序，以实现如上述的授信额度获取方法的各步骤。

由此可见，本申请提供一种授信额度获取方法、装置及计算机设备，金融机构的计算机设备获得第一客户的贷款申请信息后，将利用其包含的第一客户信息，从数据库中读取第一客户所在行业的目标行业影响因子，以及第一客户居住地的目标地区影响因子，在基于授信额度预测模型得到第一客户的预测授信额度后，将利用该目标行业影响因子和目标地区影响因子，来动态调整该预测授信额度，即充分利用舆情对第一客户所在行业的未来发展形势的认知，及居住地房价对第一客户的资质真实反映，来得到第一客户更加精准的目标授信额度，以辅助金融机构审批第一客户的贷款申请，解决了目前依据客户征信情况得到该客户的目标授信额度实现过程中，因征信滞后性所导致预测的客户授信额度不准确的技术问题，降低了金融机构的信贷风险。

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，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1示出了适用于本申请提出的授信额度获取方法和装置的一可选应用场景的结构示意图；

图2示出了本申请提出的授信额度获取方法的一可选示例的流程示意图；

图3示出了本申请提出的授信额度获取方法的又一可选示例的流程示意图；

图4示出了本申请提出的授信额度获取方法的又一可选示例的流程示意图；

图5示出了本申请提出的授信额度获取方法的又一可选示例的流程示意图；

图6示出了本申请提出的授信额度获取装置的一可选示例的结构示意图；

图7示出了本申请提出的授信额度获取装置的又一可选示例的结构示意图；

图8示出了本申请提出的一种适用于上述授信额度获取方法和装置的计算机设备的硬件结构示意图。

具体实施方式

针对背景技术部分描述的技术问题，本申请提出利用舆情数据对各行业的“导向性”属性，以及居住地房价能够对借款人的资质真实反映的特点，来确定借款人的目标授信额度，以弥补征信滞后性导致金融机构对于客户未来还款能力预测不足，即所得目标授信额度不准确的问题。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、完整地描述，显然，所描述的实施例仅仅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，都属于本申请保护的范围。

需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

应当理解，本申请中使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换该词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本申请实施例的描述中，“多个”是指两个或多于两个。以下术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。

另外，本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

参照图1，为适用于本申请提出的授信额度获取方法的一可选应用环境的结构示意图，该应用环境中可以包括：业务终端11、业务服务器12以及数据库13，其中：

业务终端11可以是银行等金融机构中，供业务人员办理业务的电子设备，如智能手机、平板电脑、可穿戴设备、个人计算机(personal computer，PC)、上网本、个人数字助理(personal digital assistant，PDA)、台式计算机等，对于负责办理不同业务的业务人员所使用的业务终端类型可以不同，这可以依据具体应用场景的需求确定，本申请在此不做一一详述。

业务服务器12可以是为业务终端提供业务服务的服务设备，具体可以是独立的物理服务器，也可以是由多台物理服务器集成的服务器集群，也可以是具有云计算能力的云服务器等。在实际应用中，可以通过有线或无线网络，实现与本地业务终端11之间的通信连接，满足两者之间的数据交互需求，具体交互过程可视情况而定，本实施例不做详述。

在本申请中，执行本申请实施例提出的授信额度获取方法和装置的计算机设备，具体可以是为上述业务服务器12，或具有一定数据处理能力的业务终端11，本申请对该计算机设备的产品形式不做限制，可视情况而定。

在本申请实施例的实际应用中，计算机设备还可以根据实际需要，从其他应用平台爬取各行业的舆情数据，并从各房产中介平台获取贷款申请人居住地的房价数据，同时还可以获取全国或本省等较大区域内的平均房价数据等，本申请对这些数据的具体获取方式不做限制，可以根据实际应用场景的具体需求确定，本实施例在此不做详述。

数据库13是指用于存储数据的数据存储设备，具体可以是数据存储服务器，本申请对其设备结构及数据存储方式等不做限制，可依据该数据库13的类型确定。

在本申请实施例中，计算机设备可以周期性地，通过互联网应用平台，爬取不同行业的舆情数据，如网络发布的针对不同行业的文章、评论、热点话题等数据，由于这些数据通常不能直接进行分析和计算，可以采用如中文分词技术、近义词反义词词典的同等替换等方式，对这些舆情数据进行预处理，以得到能够分析和计算的舆情数据。如通过对“经过多年的发展，某某行业的毕业生早已不是供不应求”这一条舆情数据进行预处理，可以得到“某某行业的就业不容乐观”这样的表达含义更加简洁直观的舆情数据，本申请对直接爬取的舆情数据的预处理实现方法不做限制，可视情况而定。

同理，对于本金融机构的已购数据，即所具有的行业数据，也可以采用上述方式进行预处理，具体实现过程本申请不做详述。而对于获取的房价数据，通常为数值，可以不用执行上述方式进行预处理。

其中，对于上述舆情数据和已购数据，可以按照内容所涉及到的行业进行分类，利用预设的不同行业各自的行业标识，按照行业分类结果，对每一条舆情数据和每一条已购数据(即每一条行业数据)进行标注，以便后续能够通过所标注的行业标识，快速且准确地得知该数据所属行业，用以分析确定该行业的未来发展趋势。需要说明，本申请对不同行业的行业标识内容，以及对各条数据的标注实现方法不做限制。

计算机设备按照上述方式对周期性获取的房价数据、舆情数据及已购数据进行预处理后，可以写入数据库13进行存储，具体存储方式不做详述。之后，计算机设备可以按照本申请提出的授信额度获取方法，对数据库13记录的各数据进行分析，以得到不同行业的职业授信影响因子，以及不同城市各自的居住地授信影响因子，将这些授信影响因子写入数据库13存储。

之后，若第一客户向金融机构申请贷款，计算机设备利用授信额度预测模型得到该客户的预测授信额度后，可以利用从该数据库13中读取的，该第一客户所在行业的目标职业授信影响因子，以及第一客户居住地(如某城市的某小区)的目标居住地授信影响因子，对该预测授信额度进行调整，从而确定该第一客户的目标授信额度。可见，本申请在确定客户的授信额度过程中，充分考虑了舆情对该第一客户所在行业的未来发展形势的认知，以及该第一客户居住地的经济活力，弥补了依据第一客户征信情况确定授信额度的实现方法中，因征信滞后性所导致的不足，提高了所得目标授信额度的准确性和可靠性，降低了客户违约风险，降低了金融机构信贷风险。

对于上文中的征信通常是指，依法采集、整理、保存、加工自然人、法人及其他组织的信用信息，并对外提供信用报告、信用评估、信用信息咨询等服务，可以帮助客户判断、控制信用风险，进行信用管理的活动，本申请对征信情况的获取过程不做详述。而上述授信是指商业银行等金融机构向非金融机构客户直接提供的资金，或者对客户在有关经济活动中可能产生的赔偿、支付责任作出的保证。

应该理解的是，图1所示的应用环境的系统结构并不构成对本申请实施例对该应用环境组成的限定，在实际应用中，该应用环境可以包括比图1所示的更多或更少的设备，或者组合某些设备，本申请在此不做一一列举。

参照图2，为本申请提出的授信额度获取方法的一可选示例的流程示意图，该方法可以适用于计算机设备，该计算机设备可以是上述业务服务器或具有一定数据处理能力的业务终端等，可视情况而定，本申请对该计算机设备的产品类型不做限制，如图2所示，本实施例提出的授信额度获取方法可以包括：

步骤S11，获取针对第一客户的贷款申请信息，该贷款申请信息包含第一客户的第一客户信息；

本申请实施例，任一客户(记为第一客户)想要在本金融机构申请贷款，通常会向该金融机构提交贷款申请信息，该贷款申请信息可以包含有该第一客户的第一客户信息，如姓名、年龄、身份证号、工作收入等基本属性信息，以及该第一客户申请贷款的贷款数额和贷款事由等，可以根据金融机构的贷款申请要求确定，本申请对该贷款申请信息包含的内容不做限制。

步骤S12，依据第一客户信息，读取第一客户所在行业对应的目标职业授信影响因子，以及第一客户居住地对应的目标居住地授信影响因子；

结合上文对本申请技术构思的相关描述，目标职业授信影响因子是基于针对第一客户所在行业的舆情数据，以及本金融机构所具有的行业数据确定的，能够表明目前舆情对第一客户所在行业的未来发展形势的统一认识，通常情况下，若该目标职业授信影响因子为正数，可以认为该行业的未来发展形势较好，可以适当提高授信额度，增加金融机构的收益率；若该目标职业授信影响因子为负数，可以认为该行业的未来发展形势不容乐观，可以适当降低授信额度，但并不局限于此，可视情况而定。

目标居住地授信影响因子是基于第一客户居住地的房价数据确定的，具体可以结合第一客户居住地的房价与全国或本省等地理范围内的平均房价的比较结果，第一客户居所(如所居住的小区所在城市)的平均房价与所在城市的平均房价的比较结果等，来评估该第一客户所处环境的经济活力高低，是否较好的发展资质。具体的，若第一客户居住城市的房价高于全国平均房价、第一客户居住小区的房价高于所在城市的平均房价，说明第一客户居住地的经济活力较高，可以适当上调授信额度；反之，可以下调授信额度，具体实现过程本申请在此不做详述。

在本申请实施例中，可以预先获取不同行业各自对应的职业授信影响因子，以及不同位置(如不同城市)各自的居住地授信影响因子，写入数据库进行存储，这样，在接收到第一客户的贷款申请后，可以依据第一客户信息，从数据库中调取上述目标职业授信影响因子和目标居住地授信影响因子，无需在线计算，提高了授信额度获取效率，缩短了贷款申请时长，进而提高了客户体验。关于上述数据库记录的职业授信影响因子和居住地授信影响因子的具体获取方法，可以参照但并不局限于下文实施例相应部分的描述，本实施例在此不做详述。

步骤S13，将第一客户信息输入授信额度预测模型，得到第一客户的预测授信额度；

其中，授信额度预测模型可以基于机器学习/深度学习算法(如神经网络算法等)，对样本客户的样本客户信息(其可以包含上文对第一客户信息所列举的各内容，还可以包括相应样本客户的征信分数等)进行训练得到的，本申请对该授信额度预测模型的具体训练过程不做详述，可视情况而定。

可以理解，随时间的推进，客户的客户信息往往会发生变化，为了保证所获取的目标授信额度的准确性，可以周期性地利用更新后的客户信息，来更新相应客户的预测授信额度。同理，数据库记录的各行业的职业授信影响因子，以及各地理位置的居住地授信影响因子也可以周期性更新，具体更新过程不做详述。

步骤S14，利用目标职业授信影响因子和目标居住地授信影响因子，对第一客户的预测授信额度进行调整，得到第一客户的目标授信额度。

结合上述分析，由于获取预测授信额度所依据信息可能具有滞后性，可能无法准确预测客户未来的还款能力和意愿，对此，本申请将结合针对第一客户所获取的目标职业授信影响因子和目标居住地授信影响因子，对该预测授信额度进行调整，如授信影响因子数值为正数，可以适当提高该预测授信额度；反之，若授信影响因子数值为负数，可以适当降低该预测授信额度，以得到目标授信额度。

具体的，检测到目标职业授信影响因子大于零，和/或目标居住地授信影响因子大于零，增大第一客户的预测授信额度；检测到目标职业授信影响因子小于零，和/或目标居住地授信影响因子小于零，减小第一客户的预测授信额度；按照这两种授信影响因子完成对预测授信额度的调整后，可以将调整后的预测授信额度确定为第一客户的目标授信额度。

需要说明，本申请对该预测授信额度的具体调整方法不做限制，即对于目标职业授信影响因子和目标居住地授信影响因子各自的数值大小，与调整粒度之间的关系不做限制，可以是线性关系或非线性关系，可依据实际应用场景的预先分析确定，本申请在此不做详述。

按照上述方式得到第一客户的目标授信额度后，金融机构可以依据该目标授信额度，来审核该第一客户的贷款申请，以确定是否审批其贷款申请，具体贷款审批流程本申请在此不做详述。

综上，在本申请实施例中，金融机构的计算机设备获得第一客户的贷款申请信息后，将利用其包含的第一客户信息，从数据库中读取第一客户所在行业的目标行业影响因子，以及第一客户居住地的目标地区影响因子，即获取舆情对第一客户所在行业的未来发展形势的认知，以及对第一客户居住地的发展资质，这样，在基于授信额度预测模型得到第一客户的预测授信额度后，将利用该目标行业影响因子和目标地区影响因子，来动态调整该预测授信额度，即充分利用舆情数据对第一客户所在行业的“导向性”属性和居住地房价对第一客户的资质真实反映，来得到第一客户更加精准的目标授信额度，以辅助金融机构审批第一客户的贷款申请，解决了目前依据客户征信情况预测该客户的目标授信额度实现过程中，因征信滞后性所导致预测的客户授信额度不准确的技术问题，降低了金融机构的信贷风险。

参照图3，为本申请提出的授信额度获取方法的又一可选示例的流程示意图，本实施例主要对上述实施例中，得到各授信影响因子所依据的各数据的获取过程进行描述，即对舆情数据和房价数据等信息的采集过程进行描述，但并不局限于本实施例描述的这种数据采集过程，如图3所示，基于上文实施例描述的授信额度获取方法的各实现步骤，该方法还可以包括：

步骤S21，按照预设更新周期，从特定应用平台爬取不同行业的多条舆情数据，并获取本金融机构所具有的多条行业数据；

基于上文对本申请技术构思的相关描述，本申请将利用舆情数据的导向性属性，实现对各行业的贷款申请人职业未来前景的评估，并利用贷款申请人居住地的房价数据，来客观评估贷款申请人居住地经济活力，也就是说，本申请通过评估贷款申请人当前的经济实力以及未来还款能力，充分降低贷款申请人职业未来不确定性带来的信贷风险。

因此，本申请可以利用网络爬虫工具，将互联网涉及各行业的分析文章、数据等舆情数据，下载在本地服务器，同时通过各房源应用平台，将各城市及其包含的各小区的房价数据下载在本地服务器，以便计算机设备所下载的舆情数据、房价数据做进一步分析处理，本申请对舆情数据和房价数据的具体获取过程不做详述。

其中，为了保证所获取的授信额度的准确性，需要周期性更新所使用到的各授信影响因子，因此，计算机设备可以按照上述方式，周期性地获取舆情数据和房价数据，每一个更新周期获取舆情数据和房价数据，以及对其分析处理得到相应授信影响因子的实现过程相同，本申请不做一一详述，仅以一个更新周期的数据获取及分析处理过程为例进行说明。需要说明，本申请对上述更新周期的具体时长不做限制，如一个月、3个月、6个月、12个月等，可视情况而定。

另外，在获取各行业的职业授信影响因子过程中，除了结合上述舆情数据外，还可以结合本金融机构的已购数据，即申请到使用权限的所具有的各行业数据，分析确定相应行业的职业授信影响因子，本申请对该已购数据所包含的信息内容不做限制，可以依据金融机构的需求确定。

步骤S22，对多条舆情数据和多条行业数据分别进行语义分析，利用语义分析结果，确定相应数据关联的至少一个行业标识；

按照上述方式，在每一个更新周期内，获取最新的舆情数据、行业数据及房价数据后，可以对该舆情数据和行业数据按照行业进行分类处理，并对该房价数据按照城市、各城市包含的各小区进行分类处理，以便后续对每一类别数据做进一步针对性分析，得到相应的授信影响因子。

其中，对于该舆情数据和行业数据通常是文本信息，本申请可以采用语义分析方式，来识别每一条舆情数据和每一条行业数据的内容所涉及到的行业类别，如这一条舆情数据是针对每一个或多个行业进行的评论，可以将该条舆情数与该行业的行业标识关联，即为该条舆情数据配置这一个或多个行业各自对应的行业标识，具体实现过程不做详述。

步骤S23，对同一更新周期获取的多条舆情数据和多条行业数据分别进行预处理，将得到满足数据格式要求的舆情数据和行业数据，与所确定的至少一个行业标识关联存储至本金融机构的数据库；

如上述分析，由于舆情数据和行业数据往往不能直接分析计算，本申请可以利用分词工具和/或知识词典，对每一条舆情数据和每一条行业数据进行离散化处理，得到满足数据格式要求的舆情数据和行业数据。其中，知识词典可以包含不同字词各自所具有的近义词和反义词，也就是说，在数据预处理过程中，对于为了保证处理所得数据的语义准确性，对数据进行分词处理后，对于某些分词可以采用近义词、反义词进行替换，具体实现过程可视情况而定，本申请在此不做详述。

可见，本申请写入本金融机构数据库的舆情数据、行业数据可以是离散型数据，且每一条数据均可以配置有相应的行业标识，以表明该条数据内容所涉及到的行业类别，以便后续查询某一行业的相关数据时，能够依据该行业标识快速、准确地从数据库中调取。其中，对数据库如何实现上述各舆情数据、行业数据及其关联的行业标识的存储，可以采用如键值存储方式等方式进行存储，但并不局限于这种数据存储方式，可视情况而定。

步骤S24，按照预设更新周期，从房源应用平台获取不同城市以及每个城市包含的不同小区的房价数据，将房价数据与位置标识关联存储至数据库；

继上文分析，本申请也可以周期性地获取各城市及其包含的各小区的房价数据，以保证后续分析确定居住地授信影响因子所依据的房价数据是最新房价数据，从而保证所确定的居住地授信影响因子的可靠性及准确性。

其中，对于上述房价数据可以包括相应城市的平均房价、该城市所包含的各小区的平均房价等，本申请对这些房价数据的具体获取方式不做限制。需要说明，不同城市对应的位置标识不同，也就是说，该位置标识可以用于识别全国的不同城市，可以是该城市的地理位置信息等，本申请对该位置标识的具体内容不做限制。

步骤S25，读取当前更新周期内，数据库记录的不同行业标识各自关联的多条舆情数据和多条行业数据；

本申请实施例中，为了减少申请贷款客户的等待时长，本申请可以在每次获取新的舆情数据、行业数据和房价数据后，按照本申请实施例描述的方式，来更新各行业的职业授信影响因子和各城市的居住地授信影响因子。因此，在每次进行职业授信影响因子更新操作时，可以获取当前更新周期，写入数据库存储的不同行业标识各自关联的多条舆情数据和多条行业数据，关于数据读取的具体实现过程不做详述。

步骤S26，对于同一行业标识关联的多条舆情数据和多条行业数据分别进行舆情判断，得到相应的舆情判断结果；

本申请实施例中，可以利用人工智能技术对每一条舆情数据、每一条行业数据进行分析，以确定其对相应行业未来趋势的判断，具体可以通过识别或分析这一条舆情数据或行业数据所包含的，针对某一行业的正向评判或负向评判的词汇，作为相应的舆情判断结果，本申请对数据进行舆情判断的具体实现方法不做限制，上述人工智能技术可以为某种机器学习或深度学习算法，可视情况而定，本申请在此不做详述。

步骤S27，利用得到多个舆情判断结果，分别对相应的行业标识对应的参考职业授信影响因子进行调整，得到相应行业的目标职业授信影响因子；

继上文分析，对每一条舆情数据和每一条行业数据进行舆情判断，都可以得到相应的一个舆情判断结果，其包含有相应数据或信息所包含的，针对相应行业的正向词汇和/或负向词汇等内容，之后，计算机设备可以利用得到的每一个舆情判断结果，对相应行业标识对应的参考职业授信影响因子进行调整，将最终调整所得到的参考职业授信影响因子，确定为该行业的目标职业授信影响因子。其中，关于如何利用舆情判断结果，调整相应行业的参考授信影响因子的实现过程，可以参照但并不局限于下文实施例相应部分的描述。

步骤S28，将该目标职业授信影响因子与行业标识关联存储至数据库；

步骤S29，读取当前更新周期内，数据库记录的不同位置标识关联的房价数据，并获取当前全国的第一平均房价；

步骤S210，从同一位置标识关联的房价数据中，得到相应城市的第二平均房价，以及该城市包含的不同小区各自的第三平均房价；

步骤S211，将第二平均房价分别与第一平均房价和第三平均房价进行比较，得到相应比较结果；

步骤S212，利用得到的多个比较结果，依次调整相应的位置标识关联的居住地授信影响因子，得到相应城市的目标居住地授信影响因子；

步骤S213，将目标居住地授信影响因子与位置标识关联存储至数据库。

结合上文实施例相应部分的描述，按照上述方式将最新周期获得的来自不同房源应用平台的房价数据写入数据后，计算机设备的数据分析模块除了按照上述方式，更新不同行业的职业授信影响因子之外，还可以对全国各城市的房价和各小区房价进行分析，来确定各城市的经济活力。

具体的，由于不同城市不同小区的不同楼层、不同户型的房价往往会存在一定差异，本申请实施例将以房价平均值即平均房价，来表示相应国家、城市或小区的经济活力，因此，在需要分析各城市的居住地授信影响因子过程中，可以获取当前阶段全国的第一平均房价、各城市的第二平均房价，以及每一城市所包含的各小区的第三平均房价，之后，可以通过比较各城市的第二平均房价与全国的第一平均房价，并比较各小区的第三平均房价和所在城市的第二平均房价，利用得到的各差异大小，来调整相应城市的目标居住地授信影响因子，具体实现过程本申请实施例在此不做详述。

其中，由于本申请获取的房价数据来自不同的房源应用平台，针对同一城市的同一小区，可能会得到多个比较结果，且对于同一城市来说，其通常包含多个小区，使得该城市对应得到多个比较结果，本申请可以利用这多个比较结果，依次调整该城市对应的参考居住地授信影响因子，最终得到该城市的目标居住地授信影响因子。

按照上述分析，利用同一城市的各小区分别对应的比较结果，也可以对该城市相应小区对应的参考居住地授信影响因子进行调整，得到该小区的目标区域授信影响因子，以供后续查询，具体实现过程本申请在此不做详述。

需要说明，关于上述各行业的目标职业授信影响因子，以及各城市的目标居住地授信影响因子的获取过程，并不局限于本实施例描述的执行步骤的先后顺序，可视情况而定。

综上所述，在本申请实施例中，可以周期性获取各行业的舆情数据及各城市及其包含的各小区的房价数据，结合本金融机构所具有的行业数据，通过舆情判断分析，实现对各行业未来发展形势的评估，并对各城市的不同小区的经济活力进行分析，从而依据评估结果实现对相应行业的参考职业授信影响因子的调整，得到该行业的目标职业授信影响因子，以此表征舆情对该行业的未来发展趋势的认知，并依据经济活力分析结果，对相应城市的参考居住地授信影响因子进行调整，得到该城市的目标居住地授信影响因子，以此来表征该居住地的发展资质，之后，可以将本周期得到的最新的各行业的目标职业授信影响因子，以及目标居住地授信影响因子写入数据库存储。

这样，后续由客户申请贷款时，可以利用所获取的第一客户信息，确定第一客户所在行业的第一行业标识，以及第一客户居住地的第一位置标识，之后，可以从上述数据库中，读取当前更新周期内得到的，与第一行业标识关联的目标职业授信影响因子，以及与第一位置标识关联的目标居住地授信影响因子，对该客户的预测授信额度进行调整，得到更加可靠且准确的目标授信额度，从而降低金融机构信贷风险。

参照图4，为本申请提出的授信额度获取方法的又一可选示例的流程示意图，本实施例可以是对上述实施例描述的各行业的目标职业授信影响因子获取过程的一可选细化实现方法，但并不局限于这种细化实现方法，如图4所示，该方法可以包括：

步骤S31，读取当前更新周期内，数据库记录的不同行业标识各自关联的多条舆情数据和多条行业数据；

步骤S32，对于同一行业标识关联的多条舆情数据和多条行业数据分别进行舆情判断，得到相应的一条舆情数据或行业数据的数据源权重，以及该舆情数据或行业数据包含的针对相应行业的正向词汇及负向词汇；

关于步骤S31和步骤S32的具体实现过程，可以参照上述实施例相应部分的描述，本实施例在此不做详述。可以理解，上述正向词汇是指表明相应行业的未来发展形势较好的词汇；反向词汇是指表明相应行业的未来发展形势不容乐观的词汇，本申请对正向词汇和反向词汇包含的具体内容不做限制。

另外，结合上文数据采集部分的相关描述，各舆情数据和行业数据可能来自不同的应用平台，由不同身份职业的账户发表，本行业的专业应用平台、专家用户发表的文章等舆情数据的可靠性往往比较高，且大众对其认可度也比较高，因此，本申请可以对属于这类数据源的舆情数据和行业数据，配置相对较高的数据源权重，而对来自普通大众发表的舆情数据、行业数据，配置相对较低的数据源权重，依次来区分不同类别数据源的舆情数据和行业数据，对该行业的职业授信影响因子的影响程度，提高所得目标职业授信影响因子的可靠性和准确性。需要说明，本申请对不同数据源的数据源权重的具体获取方法及其数值大小不做限制，可视情况而定。

步骤S33，将属于同一条舆情数据或行业数据的正向词汇的第一数量，与负向词汇的第二数量进行比较，并将该条舆情数据或行业数据的数据源权重与预设权重阈值进行比较；

步骤S34，若第一数量与第二数量的差值大于第一数量阈值，且数据源权重大于预设权重阈值，增大相应的行业标识对应的参考职业授信影响因子；

步骤S35，若第二数量与第一数量的差值大于第一数量阈值，且数据源权重大于预设权重阈值，减小相应的行业标识对应的参考职业授信影响因子；

由上述分析可知，若某一条舆情数据或行业数据的数据源权重大于预设权重阈值，可以认为该数据源权重较大，相应数据源的可信度较高，这种情况下，若该条数据包含的正向词汇相对于负向词汇的数量明显较多，即第一数量减去第二数量的差值大于第一数量阈值(其具体数值不做限制)，可以对该行业的参考职业授信影响因子进行正向调整，即增大相应的行业标识对应的参考职业授信影响因子，具体增大数值可以依据预设规则确定，本申请对此不做详述。

反之，若该条数据包含的负向词汇相对于正向词汇的数量明显较多，即第二数量减去第一数值的差值大于第一数量阈值，可以对该行业的参考职业授信影响因子进行负向调整，即减小相应的行业标识对应的参考职业授信影响因子，具体减小数值可以依据预设规则确定，本申请对此不做详述。

需要说明，按照上述比较，得到其他内容的比较结果，本申请可以维持相应行业的参考职业授信影响因子不变，实现过程本申请不做一一列举。且本申请对各行业的参考职业授信影响因子的调整顺序不做限制，可以同步执行也可以顺次执行，可视情况而定。

步骤S36，统计对该行业的参考职业授信影响因子的调整次数；

步骤S37，检测该调整次数是否达到针对该行业得到的舆情判断结果数量；如果达到，进入步骤S38；如果未达到，返回步骤S33；

本实施例通过统计参考职业授信影响因子的调整次数的方式，来判断是否依据该行业标识关联的所有所述舆情判断结果，完成对相应行业的参考职业授信影响因子的调整，若未完成，可以继续利用该行业的下一条舆情数据或行业数据的舆情判断结果，对该行业的参考职业授信影响因子进行调整，但并不局限于这种检测方式。

步骤S38，检测最终调整后的参考职业授信影响因子的绝对值是否大于第一调整阈值；如果是，进入步骤S39；如果否，执行步骤S310；

步骤S39，利用最终调整后的参考职业授信影响因子，调整相应的行业标识对应的预设职业授信影响因子，得到相应行业的目标职业授信影响因子；

步骤S310，将相应的行业标识对应的预设职业授信影响因子，确定为相应行业的目标职业授信影响因子。

其中，该第一调整阈值可以是各行业的职业授信影响因子调整阈值，具体数值不做限制，可视情况而定。在实际应用中，若某行业的参考职业授信影响因子的最终值大于该第一调整阈值，说明舆情对该行业的未来发展形势具有统一认知，可以依据最终调整后的参考职业授信影响因子，来调整该行业的预设职业授信影响因子，得到目标职业授信影响因子，具体调整方向可以依据统一认知的未来发展形势好坏确定，本申请在此不做详述。

需要说明，由于本申请可以利用职业授信影响因子是正数还是负数，来确定提升或降低授信额度，可见，本申请上述得到的职业授信影响因子可能大于零，也可能小于零，分别表示舆情对该行业的未来发展形势较高或较差的认知，但实际上不同用户对某一行业的未来发展形势的评估往往不会一致，本申请可以预先针对该职业授信影响因子配置一调整阈值，记为第一调整阈值，若实际得到的参考职业授信影响因子的数值本身大于该第一调整阈值，说明舆情对该行业的未来发展形势具有相对统一认知，具体认知结果依据该参考职业授信影响因子是正数还是负数确定。

所以，本申请在确定舆情对本行业的未来发展形势的相对统一认知的情况下，可以判断最终得到的参考职业授信影响因子的绝对值是否大于预先配置的第一调整阈值，若是，按照统一认知结果对该行业的预设职业授信影响因子进行调整，得到目标职业授信影响因子，如将最终得到的本行业的参考职业授信影响因子，确定为本行业的目标职业授信影响因子，但并不局限于此。

反之，若不大于第一调整阈值，说明目前舆情对本行业的未来发展形势尚未形成统一认知，为了避免对职业授信影响因子的调整方向和调整力度出错，暂时可以不调整本行业的预设职业授信影响因子，直接将该预设职业授信影响因子作为该行业的目标授信职业影响因子。

当然，若下一更新周期所获取的舆情数据、行业数据等内容发生变化，导致该下一更新周期对该行业的参考职业授信影响因子调整后的最终值大于第一调整阈值，仍可以按照上述方式，重新确定该行业的目标职业授信影响因子，实现过程类似，本申请不做赘述。可见，上述得到的目标职业授信影响因子表示的是本更新周期内，当前舆情对该行业的未来发展形势的认知，随着更新周期获取的数据的改变，所得到的同一行业的目标职业授信影响因子可以相应更新，保证后续读取到的任一行业的目标职业授信影响因子的时效性和可靠性。

需要说明，在每一个更新周期内，各行业的参考职业授信影响因子的初始值可以相对固定，即对于任一行业来说，在不同更新周期进行调整时，都可以从同一初始值开始调整该行业的参考职业授信影响因子，但并不局限于此。

综上，本申请实施例在分析不同时期内，舆情对各行业的未来发展形势的认知过程中，将对相应更新周期内所获取的舆情数据，以及本金融机构在该更新周期的行业数据进行舆情判断，确定所获取的每一条数据所包含的正向词汇和/或负向词汇，以及这条数据的数据源权重，之后，针对同一行业的多条数据，可以依次利用每一条数据包含的正负词汇的差异，数据源权重是否大于预设权重阈值的比较结果，来调整该行业的参考职业授信影响因子，检测最终调整后的参考职业授信影响因子大于第一调整阈值，将依据舆情对该行业的未来发展形势的相对统一认知，来动态调整该行业的预设职业授信影响因子，得到当前阶段该行业的目标职业授信影响因子；若当前阶段舆情对该行业的未来发展形势尚未形成统一认知，对该行业的预设职业授信影响因子暂不做调整，从而保证对各行业的职业授信影响因子的调整可靠性及准确性，进而使得最终得到的各行业的目标职业授信影响因子，能够准确体现目前舆情对本行业的未来发展形势的相对统一认知，进而使得计算机设备能够据此实现对相应行业客户的授信额度的可靠调整，最终达到降低金融机构信贷风险的效果。

参照图5，为本申请提出的授信额度获取方法的又一可选示例的流程示意图，本实施例可以是对上述实施例描述的各城市的目标居住地授信影响因子获取过程的一可选细化实现方法，但并不局限于这种细化实现方法，如图5所示，该方法可以包括：

步骤S41，将任一位置标识对应的城市的第二平均房价，分别与全国的第一平均房价以及该城市所包含的各小区的第三平均房价进行比较；

步骤S42，若该小区的第三平均房价与该城市的第二平均房价的差值大于第一房价阈值，且该城市的第二平均房价与第一平均房价的差值大于第二房价阈值，增大相应的位置标识对应的参考居住地授信影响因子；

步骤S43，若该城市的第二平均房价与该小区的第三平均房价的差值大于第一房价阈值，且第一平均房价与该城市所述第二平均房价的差值大于第二房价阈值，减小相应的位置标识对应的参考居住地授信影响因子；

本申请实施例中，对于各城市对应的参考居住地授信影响因子，可以依据该城市与所在国家的平均房价的比较结果，以及与其所包含的各小区的平均房价的比较结果，来综合实现调整。通常情况下，对于任一贷款申请人来说，若其居住地所在城市的第二平均房价显著高于全国的第一平均房价，说明该贷款申请人的工作环境经济活力较强；若其居住地的第三平均房价显著高于所在城市的第二平均房价，说明其目前经济实力高于居住地平均水平。

基于上述分析，对于任一城市包含的各小区来说，若该小区的第三平均房价减去所在城市的第二平均房价的差值大于第一房价阈值(其具体数值不做限制)，且该城市的第二平均房价减去第一平均房价的差值大于第二房价阈值(其具体数值不做限制)，可以对该城市的参考居住地授信影响因子进行正向调整，进而居住在该城市的贷款申请人的授信额度可以适当上调；反之，若该城市的第二平均房价减去该小区的第三平均房价的差值大于第一房价阈值，且全国的第一平均房价减去该城市的第二平均房价的差值大于第二房价阈值，说明该小区的房价明显低于所在城市的平均房价，该城市的房价明显低于全国的平均房价，该城市及该小区所在区域的经济活力较低，可以对该城市的参考居住地授信影响因子进行负向调整，进而居住在该城市的贷款申请人的授信额度可以适当下调。

按照上述比较方式，对于其他内容的比较结果，本申请可以维持相应城市的参考居住地授信影响因子不变，本申请对其他内容的比较结果不做一一列举。

步骤S44，确定依据该位置标识对应的所有比较结果，完成对相应城市的参考居住地授信影响因子的调整，得到最终调整后的参考居住地授信影响因子的绝对值；

步骤S45；检测该绝对值是否大于第二调整阈值，若是，进入步骤S46；若否，执行步骤S47；

步骤S46，利用该最终调整后的参考居住地授信影响因子，调整该位置标识对应的预设居住地授信影响因子，得到相应城市的目标居住地授信影响因子；

步骤S47，将该位置标识对应的预设居住地授信影响因子，确定为相应城市的目标居住地授信影响因子。

结合上文对参考职业授信影响因子的相关描述，本实施例的参考居住地授信影响因子也可能是正数或负数，分别表示相应城市的经济活力高低，本申请实施例可以在确定该城市的房价相对于全国房价差异较大的情况下，才会调整该城市的预设居住地授信影响因子，保证所得目标授信影响因子能够准确表明当前阶段，该居住地的经济活力高低。所以，本申请可以根据经验或历史数据配置第二调整阈值，其具体数值不做显示，通过将本更新周期最终调整后的各城市的参考居住地授信影响因子，与该第二调整阈值进行比较，来确定该城市的目标居住地授信影响因子。

在一种可能的实现方式中，若最终调整后的参考居住地授信影响因子的绝对值大于第二调整阈值，可以将该最终调整后的参考居住地授信影响因子，确定为相应城市的目标居住地授信影响因子，但并不局限于这种调整实现方法。

综上，本申请将结合一个城市与所在国家的平均房价比较结果，以及该城市的各小区与该城市的平均房价的比较结果，来综合衡量该城市的经济活力，以此准确且可靠地确定该城市的目标居住地授信影响因子，这样，在后续审批第一客户的贷款申请过程中，可以结合该第一客户居住地的目标居住地授信影响因子的数值，来正向或负向调整该第一客户的预测授信额度，以使所得目标授信额度更加可靠且准确，降低第一客户违约风险。

参照图6，为本申请提出的授信额度获取装置的一可选示例的结构示意图，该装置可以适用于上述计算机设备，如图6所示，该装置可以包括：

贷款申请信息获取模块21，用于获取针对第一客户的贷款申请信息，所述贷款申请信息包含所述第一客户的第一客户信息；

授信影响因子读取模块22，用于依据所述第一客户信息，读取所述第一客户所在行业对应的目标职业授信影响因子，以及所述第一客户居住地对应的目标居住地授信影响因子；

其中，所述目标职业授信影响因子是基于针对所述第一客户所在行业的舆情数据，以及本金融机构所具有的行业数据确定的；所述目标居住地授信影响因子是基于所述第一客户居住地的房价数据确定的。

可选的，该授信影响因子读取模块22可以包括：

标识确定单元，用于利用所述第一客户信息，确定所述第一客户所在行业的第一行业标识，以及所述第一客户居住地的第一位置标识；

授信影响因子读取单元，用于从所述数据库中，读取当前更新周期内得到的，与所述第一行业标识关联的目标职业授信影响因子，以及与所述第一位置标识关联的目标居住地授信影响因子。

授信额度预测模块23，用于将所述第一客户信息输入授信额度预测模型，得到所述第一客户的预测授信额度；

目标授信额度得到模块24，用于利用所述目标职业授信影响因子和所述目标居住地授信影响因子，对所述第一客户的预测授信额度进行调整，得到所述第一客户的目标授信额度。

可选的，上述目标授信额度得到模块24可以包括：

授信额度第一调整单元，用于检测到所述目标职业授信影响因子大于零，和/或所述目标居住地授信影响因子大于零，增大所述第一客户的预测授信额度；

授信额度第二调整单元，用于检测到所述目标职业授信影响因子小于零，和/或所述目标居住地授信影响因子小于零，减小所述第一客户的预测授信额度；

目标授信额度确定单元，用于将调整后的所述预测授信额度确定为所述第一客户的目标授信额度。

在本申请提出的一些实施例中，如图7所示，上述装置还可以包括：

第一数据获取模块25，用于按照预设更新周期，从特定应用平台爬取不同行业的多条舆情数据，并获取本金融机构所具有的多条行业数据；

行业标识确定模块26，用于对同一更新周期获取的所述多条舆情数据和所述多条行业数据分别进行语义分析，利用语义分析结果，确定所述多条舆情数据和所述多条行业数据各自关联的至少一个行业标识；

预处理模块27，用于对同一更新周期获取的所述多条舆情数据和所述多条行业数据分别进行预处理，将得到满足数据格式要求的舆情数据和行业数据，与所确定的所述至少一个行业标识关联存储至本金融机构的数据库；

第二数据获取模块28，用于按照所述预设更新周期，从房源应用平台获取不同城市以及每个城市包含的不同小区的房价数据，将所述房价数据与位置标识关联存储至所述数据库，其中，不同城市对应的位置标识不同；

其中，上述预处理模块27可以包括。

离散化处理单元，用于利用分词工具和/或知识词典，对同一更新周期获取的每一条所述舆情数据和每一条所述行业数据进行离散化处理；所述知识词典包含不同字词各自所具有的近义词和反义词。

基于上述实施例，如图7所示，上述装置还可以包括：

第一数据读取模块29，用于读取当前更新周期内，所述数据库记录的不同所述行业标识各自关联的多条所述舆情数据和多条所述行业数据；

舆情判断模块210，用于对于同一所述行业标识关联的多条所述舆情数据和多条所述行业数据分别进行舆情判断，得到相应的舆情判断结果；

职业授信影响因子调整模块211，用于利用行业数据得到的多个所述舆情判断结果，分别对相应的所述行业标识对应的参考职业授信影响因子进行调整，得到相应行业的目标职业授信影响因子；

在一种可能的实现方式中，若舆情判断结果包括相应的一条所述舆情数据或所述行业数据的数据源权重，以及所述舆情数据或所述行业数据包含的针对相应行业的正向词汇及负向词汇，该职业授信影响因子调整模块211可以包括：

第一比较单元，用于将属于同一条所述舆情数据或所述行业数据的所述正向词汇的第一数量，与所述负向词汇的第二数量进行比较，并将该条舆情数据或行业数据的数据源权重与预设权重阈值进行比较；

第一调整单元，用于在第一比较单元的比较结果为所述第一数量与所述第二数量的差值大于第一数量阈值，且所述数据源权重大于所述预设权重阈值的情况下，增大相应的所述行业标识对应的参考职业授信影响因子；

第二调整单元，用于在第一比较单元的比较结果为若所述第二数量与所述第一数量的差值大于所述第一数量阈值，且所述数据源权重大于所述预设权重阈值的情况下，减小相应的所述行业标识对应的参考职业授信影响因子；

第一检测单元，用于确定依据所述行业标识关联的所有所述舆情判断结果，完成对相应行业的所述参考职业授信影响因子的调整，检测最终调整后的参考职业授信影响因子的绝对值是否大于第一调整阈值；

第三调整单元，用于在第一检测单元的检测结果为大于所述第一调整阈值的情况下，利用所述最终调整后的参考职业授信影响因子，调整相应的所述行业标识对应的预设职业授信影响因子，得到相应行业的目标职业授信影响因子；

第一确定单元，用于在第一检测单元的检测结果为小于或等于所述第一调整阈值的情况下，将相应的所述行业标识对应的预设职业授信影响因子，确定为相应行业的目标职业授信影响因子。

第一存储模块212，用于将所述目标职业授信影响因子与所述行业标识关联存储至所述数据库；

第二数据读取模块213，用于读取当前更新周期内，所述数据库记录的不同所述位置标识关联的房价数据，并获取当前全国的第一平均房价；

平均房价得到模块214，用于从同一所述位置标识关联的所述房价数据中，得到相应城市的第二平均房价，以及所述城市包含的不同小区各自的第三平均房价；

房价比较模块215，用于将所述第二平均房价分别与所述第一平均房价和所述第三平均房价进行比较，得到相应比较结果；

居住地授信影响因子调整模块216，用于利用得到的多个所述比较结果，依次调整相应的所述位置标识关联的居住地授信影响因子，得到相应城市的目标居住地授信影响因子；

在一种可能的实现方式中，上述居住地授信影响因子调整模块216可以包括：

第四调整单元，用于在比较结果包括相应小区的所述三平均房价与所述第二平均房价的差值大于第一房价阈值，且所述第二平均房价与所述第一平均房价的差值大于第二房价阈值的情况下，增大相应的所述位置标识对应的参考居住地授信影响因子；

第五调整单元，用于在比较结果包括所述第二平均房价与相应小区的所述第三平均房价的差值大于所述第一房价阈值，且所述第一平均房价与所述第二平均房价的差值大于所述第二房价阈值的情况下，减小相应的所述位置标识对应的参考居住地授信影响因子；

第二检测单元，用于确定依据所述位置标识对应的所有所述比较结果，完成对相应城市的所述参考居住地授信影响因子的调整，检测最终调整后的参考居住地授信影响因子的绝对值是否大于第二调整阈值；

第六调整单元，用于在第二检测单元的检测结果为大于所述第二调整阈值的情况下，利用所述最终调整后的参考居住地授信影响因子，调整所述位置标识对应的预设居住地授信影响因子，得到相应城市的目标居住地授信影响因子；

第二确定单元，用于在第二检测单元的检测结果为小于或等于所述第二调整阈值的情况下，将相应的所述位置标识对应的预设居住地授信影响因子，确定为相应城市的目标居住地授信影响因子。

第二存储模块217，用于将所述目标居住地授信影响因子与所述位置标识关联存储至数据库。

需要说明的是，关于上述各装置实施例中的各种模块、单元等，均可以作为程序模块存储在存储器中，由处理器执行存储在存储器中的上述程序模块，以实现相应的功能，关于各程序模块及其组合所实现的功能，以及达到的技术效果，可以参照上述方法实施例相应部分的描述，本实施例不再赘述。

本申请还提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述授信额度获取方法的各步骤，具体实现过程可以参照上述授信额度获取方法实施例相应部分的描述。

参照图8，为本申请提出的一种适用于上述授信额度获取方法和装置的计算机设备的硬件结构示意图，关于该计算机设备的产品形式可以参照详述应用环境实施例相应部分的描述，本实施例不做详述。如图8所示，该计算机设备可以包括通信模块31、存储器32和处理器33，其中：

通信模块31、存储器32和处理器33均可以连接通信总线，以实现相互之间的数据交互，本申请对计算机设备内部的线路连接关系不做一一详述。

通信模块31可以包括实现有线网络和/或无线网络通信的模块，如GPRS模块、WIFI模块或其他网络通信模块等，本申请对该通信模块31包含的通信类型不作限制，可视情况而定。可以理解的是，为了实现计算机设备内部数据交互，该通信模块31还可以包括如USB接口、串口/并口等其他通信接口，本申请在此不做一一详述。

存储器32可以用于存储实现本申请提出的授信额度获取方法的程序。处理器33，可以用于加载并执行存储器32中存储的程序，以实现本申请任一可选实施例提出的授信额度获取方法的各个步骤，具体实现过程可以参照下文相应实施例相应部分的描述。

本申请实施例中，该存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件等，本申请对该存储器21的类型及存储结构不做限定。处理器33可以为中央处理器(Central Processing Unit，CPU)、特定应用集成电路(application-specific integrated circuit，ASIC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件等。

应该理解的是，图8所示的计算机设备的结构并不构成对本申请实施例中计算机设备的限定，在实际应用中，计算机设备可以包括比图8所示的更多或更少的部件，或者组合某些部件，本申请在此不做一一列举。

最后，需要说明的是，本说明书中各个实施例采用递进或并列的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、计算机设备而言，由于其与实施例公开的方法对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种授信额度获取方法，其特征在于，所述方法包括：

获取针对第一客户的贷款申请信息，所述贷款申请信息包含所述第一客户的第一客户信息；

依据所述第一客户信息，读取所述第一客户所在行业对应的目标职业授信影响因子，以及所述第一客户居住地对应的目标居住地授信影响因子；其中，所述目标职业授信影响因子是基于针对所述第一客户所在行业的舆情数据，以及本金融机构所具有的行业数据确定的；所述目标居住地授信影响因子是基于所述第一客户居住地的房价数据确定的；

将所述第一客户信息输入授信额度预测模型，得到所述第一客户的预测授信额度；

利用所述目标职业授信影响因子和所述目标居住地授信影响因子，对所述第一客户的预测授信额度进行调整，得到所述第一客户的目标授信额度。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

按照预设更新周期，从特定应用平台爬取不同行业的多条舆情数据，并获取本金融机构所具有的多条行业数据；

对同一更新周期获取的所述多条舆情数据和所述多条行业数据分别进行语义分析，利用语义分析结果，确定所述多条舆情数据和所述多条行业数据各自关联的至少一个行业标识；

对同一更新周期获取的所述多条舆情数据和所述多条行业数据分别进行预处理，将得到满足数据格式要求的舆情数据和行业数据，与所确定的所述至少一个行业标识关联存储至本金融机构的数据库；

按照所述预设更新周期，从房源应用平台获取不同城市以及每个城市包含的不同小区的房价数据，将所述房价数据与位置标识关联存储至所述数据库；不同城市对应的位置标识不同；

其中，所述对同一更新周期获取的所述多条舆情数据和所述多条行业数据分别进行预处理，包括：

利用分词工具和/或知识词典，对同一更新周期获取的每一条所述舆情数据和每一条所述行业数据进行离散化处理；所述知识词典包含不同字词各自所具有的近义词和反义词。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

读取当前更新周期内，所述数据库记录的不同所述行业标识各自关联的多条所述舆情数据和多条所述行业数据；

对于同一所述行业标识关联的多条所述舆情数据和多条所述行业数据分别进行舆情判断，得到相应的舆情判断结果；

利用行业数据得到的多个所述舆情判断结果，分别对相应的所述行业标识对应的参考职业授信影响因子进行调整，得到相应行业的目标职业授信影响因子；

将所述目标职业授信影响因子与所述行业标识关联存储至所述数据库。

4.根据权利要求3所述的方法，其特征在于，所述舆情判断结果包括：相应的一条所述舆情数据或所述行业数据的数据源权重，以及所述舆情数据或所述行业数据包含的针对相应行业的正向词汇及负向词汇；

利用得到的多个所述舆情判断结果，分别对相应的所述行业标识对应的参考职业授信影响因子进行调整，得到相应行业的目标职业授信影响因子，包括：

将属于同一条所述舆情数据或所述行业数据的所述正向词汇的第一数量，与所述负向词汇的第二数量进行比较，并将该条舆情数据或行业数据的数据源权重与预设权重阈值进行比较；

若所述第一数量与所述第二数量的差值大于第一数量阈值，且所述数据源权重大于所述预设权重阈值，增大相应的所述行业标识对应的参考职业授信影响因子；

若所述第二数量与所述第一数量的差值大于所述第一数量阈值，且所述数据源权重大于所述预设权重阈值，减小相应的所述行业标识对应的参考职业授信影响因子；

确定依据所述行业标识关联的所有所述舆情判断结果，完成对相应行业的所述参考职业授信影响因子的调整，检测最终调整后的参考职业授信影响因子的绝对值是否大于第一调整阈值；

若大于所述第一调整阈值，利用所述最终调整后的参考职业授信影响因子，调整相应的所述行业标识对应的预设职业授信影响因子，得到相应行业的目标职业授信影响因子；

若小于或等于所述第一调整阈值，将相应的所述行业标识对应的预设职业授信影响因子，确定为相应行业的目标职业授信影响因子。

5.根据权利要求2～4任一项所述的方法，其特征在于，所述方法还包括：

读取当前更新周期内，所述数据库记录的不同所述位置标识关联的房价数据，并获取当前全国的第一平均房价；

从同一所述位置标识关联的所述房价数据中，得到相应城市的第二平均房价，以及所述城市包含的不同小区各自的第三平均房价；

将所述第二平均房价分别与所述第一平均房价和所述第三平均房价进行比较，得到相应比较结果；

利用得到的多个所述比较结果，依次调整相应的所述位置标识关联的居住地授信影响因子，得到相应城市的目标居住地授信影响因子；

将所述目标居住地授信影响因子与所述位置标识关联存储至数据库。

6.根据权利要求5所述的方法，其特征在于，所述利用得到的多个所述比较结果，依次调整相应的所述位置标识关联的居住地授信影响因子，得到相应城市的目标居住地授信影响因子，包括：

若所述比较结果包括相应小区的所述三平均房价与所述第二平均房价的差值大于第一房价阈值，且所述第二平均房价与所述第一平均房价的差值大于第二房价阈值，增大相应的所述位置标识对应的参考居住地授信影响因子；

若所述比较结果包括所述第二平均房价与相应小区的所述第三平均房价的差值大于所述第一房价阈值，且所述第一平均房价与所述第二平均房价的差值大于所述第二房价阈值，减小相应的所述位置标识对应的参考居住地授信影响因子；

确定依据所述位置标识对应的所有所述比较结果，完成对相应城市的所述参考居住地授信影响因子的调整，检测最终调整后的参考居住地授信影响因子的绝对值是否大于第二调整阈值；

若大于所述第二调整阈值，利用所述最终调整后的参考居住地授信影响因子，调整所述位置标识对应的预设居住地授信影响因子，得到相应城市的目标居住地授信影响因子；

若小于或等于所述第二调整阈值，将相应的所述位置标识对应的预设居住地授信影响因子，确定为相应城市的目标居住地授信影响因子。

7.根据权利要求5所述的方法，其特征在于，所述依据所述第一客户信息，读取所述第一客户所在行业对应的目标职业授信影响因子，以及所述第一客户居住地对应的目标居住地授信影响因子，包括：

利用所述第一客户信息，确定所述第一客户所在行业的第一行业标识，以及所述第一客户居住地的第一位置标识；

从所述数据库中，读取当前更新周期内得到的，与所述第一行业标识关联的目标职业授信影响因子，以及与所述第一位置标识关联的目标居住地授信影响因子。

8.根据权利要求5所述的方法，其特征在于，所述利用所述目标职业授信影响因子和所述目标居住地授信影响因子，对所述第一客户的预测授信额度进行调整，得到所述第一客户的目标授信额度，包括：

检测到所述目标职业授信影响因子大于零，和/或所述目标居住地授信影响因子大于零，增大所述第一客户的预测授信额度；

检测到所述目标职业授信影响因子小于零，和/或所述目标居住地授信影响因子小于零，减小所述第一客户的预测授信额度；

将调整后的所述预测授信额度确定为所述第一客户的目标授信额度。

9.一种授信额度获取装置，其特征在于，所述装置包括：

贷款申请信息获取模块，用于获取针对第一客户的贷款申请信息，所述贷款申请信息包含所述第一客户的第一客户信息；

授信影响因子读取模块，用于依据所述第一客户信息，读取所述第一客户所在行业对应的目标职业授信影响因子，以及所述第一客户居住地对应的目标居住地授信影响因子；其中，所述目标职业授信影响因子是基于针对所述第一客户所在行业的舆情数据，以及本金融机构所具有的行业数据确定的；所述目标居住地授信影响因子是基于所述第一客户居住地的房价数据确定的；

授信额度预测模块，用于将所述第一客户信息输入授信额度预测模型，得到所述第一客户的预测授信额度；

目标授信额度得到模块，用于利用所述目标职业授信影响因子和所述目标居住地授信影响因子，对所述第一客户的预测授信额度进行调整，得到所述第一客户的目标授信额度。

10.一种计算机设备，其特征在于，所述计算机设备包括：

通信模块；

存储器，用于存储实现如权利要求1～8任一项所述的授信额度获取方法的程序；

处理器，用于加载并执行所述存储器存储的所述程序，以实现如权利要求1～8任一项所述的授信额度获取方法的各步骤。

Images