CN112837149A - 一种企业信贷风险的识别方法和装置 - Google Patents
一种企业信贷风险的识别方法和装置 Download PDFInfo
- Publication number
- CN112837149A CN112837149A CN202110289471.9A CN202110289471A CN112837149A CN 112837149 A CN112837149 A CN 112837149A CN 202110289471 A CN202110289471 A CN 202110289471A CN 112837149 A CN112837149 A CN 112837149A
- Authority
- CN
- China
- Prior art keywords
- bank
- data
- enterprise
- customer
- target
- 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 51
- 238000012545 processing Methods 0.000 claims description 29
- 238000013507 mapping Methods 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 abstract description 10
- 230000004044 response Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 230000006399 behavior Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 239000000872 buffer Substances 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种企业信贷风险的识别方法及装置可用于金融领域或其他领域。识别方法包括：获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别。本发明能够降低了人工的投入，可以有效降低风险的传导，及时进行告警缩短了响应的时间，提高了检测效率。
Description
技术领域
本发明涉及风险防控技术领域，可用于金融领域识别企业信贷风险，具体涉及一种企业信贷风险的识别方法及装置。
背景技术
随着银行业务的不断发展，由于一些企业尤其是小微企业缺乏规范的财务报表和税务审计信息，经营透明度差，信息造假相对容易，造成了银行与企业之间信息不对称，导致银行难以掌握小微企业的真实状况，无法全面刻画客户特征，存在企业法人通过违规操作等方式向银行申请按揭贷款，比如为了资金套现，将手中的存量住房以虚拟的买房人的名义购买，从银行套取购房贷款。
目前业界风险检测体系采用的技术主要是通过人工定义Schema将数据表中的数据字段自动导入到图数据库，如Neo4j或者JanusGraph，形成客户的资金交易流水或者股权关系等关联体，通过可视化探查或者关联分析如人工定义规则等方式挖掘貌似正常的交易或流程中的隐性关系或知识，降低风险的传导或发生。这种传统的风险检测方法不足以应对隐藏能力强、风险传导速度快、没有明显的特征和被实时检测到的风险。
发明内容
针对现有技术中的问题，本发明提供一种企业信贷风险的识别方法及装置，可以有效降低风险的传导，及时进行告警缩短了响应的时间，提高了检测效率。
为解决上述技术问题，本发明提供以下技术方案：
第一方面，本发明提供一种企业信贷风险的识别方法，包括：
获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；
根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；
基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别。
其中，建立所述知识图谱，包括：
获取银行客户的目标数据并对所述目标数据中的实体添加可机器识别的语义描述；其中，所述目标数据包含：结构化数据、半结构化数据和非结构化数据；
确定所述结构化数据、所述半结构化数据和所述非结构化数据之间的实体的映射关系；
从所述目标数据中获取描述所述实体的属性，将所述实体、所述实体的属性、所述实体的映射关系以及语义描述导入到图数据库中形成知识图谱。
其中，在获取银行客户的目标数据之后，还包括：
对所述目标数据中的结构化数据、半结构化数据和非结构化数据进行格式统一处理，并存储格式统一处理后的结构化数据、半结构化数据和非结构化数据。
其中，所述存储格式统一处理后的结构化数据、半结构化数据和非结构化数据，包括：
将格式统一处理后的所述结构化数据、所述半结构化数据和所述非结构化数据分别按照RDF三元组的方式、多元组的方式和时序信息的方式进行存储。
其中，所述确定所述结构化数据、所述半结构化数据和所述非结构化数据之间的实体的映射关系，包括：
通过基于知识的编辑工具确定所述结构化数据、所述半结构化数据和所述非结构化数据之间的实体的映射关系；
其中，映射关系包括：
企业法人关系包括企业法人与个人的对应关系；企业干系人与企业干系人的对应关系、企业法人与相关属性的对应关系、企业干系人与相关属性的对应关系和企业法人与企业法人的对应关系；
其中，实体包括：企业法人、企业干系人和个人。
其中，所述根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系，包括：
通过基于符号逻辑的推理、基于图数据库技术的推理和基于统计推理三种方式中的至少一种方式，在所述知识图谱中确定所述银行企业客户和所述目标银行客户之间的可达路径；
其中，确定所述可达路径为所述银行企业客户和所述目标银行客户之间的关联关系。
其中，所述基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别，包括：
若所述关联关系符合预设的关联规则，则将所述目标银行客户的交易数据进行风险标识，并根据所述风险标识生成并显示风险提醒消息。
其中，所述若所述关联关系符合预设的关联规则，包括：
将所述关联关系与所述预设的关联规则中各个预设核实关系标准进行匹配，判断所述关联关系是否符合预设的关联规则。
其中，在根据所述风险标识生成并显示风险提醒消息之后，还包括：
若所述关联关系不符合预设的关联规则，则将所述目标银行客户的交易数据添加验证通过标识；
将具有验证通过标识的交易数据发送至对应的审核节点，以对所述目标银行客户的交易数据进行下个节点审核。
第二方面，本发明提供一种企业信贷风险的识别装置，包括：
获取模块，用于获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；
处理模块，用于根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；
识别模块，用于基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别。
第三方面，本发明提供一种电子设备，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信贷风险的识别方法的步骤。
第四方面，本发明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信贷风险的识别方法的步骤。
由上述技术方案可知，本发明提供一种企业信贷风险的识别方法及装置，通过获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别，能够实现对银行客户的欺诈行为进行实时评估，大大降低了人工的投入，可以有效降低风险的传导，在发生欺诈风险前及时进行告警，缩短了响应的时间，提高了检测效率。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明实施例提供的企业信贷风险的识别方法的流程示意图。
图2为本发明实施例提供的企业信贷风险的识别方法中步骤S102的流程示意图。
图3为本发明实施例提供的企业信贷风险的识别方法中步骤S102的另一流程示意图。
图4为本发明实施例提供的企业信贷风险的识别方法中目标数据的处理示意图。
图5为本发明实施例提供的企业信贷风险的识别方法中的贷款事件流程示意图。
图6为本发明实施例提供的企业信贷风险的识别方法中的贷款事件隐性关系的流程示意图。
图7为本发明实施例中的企业信贷风险的识别装置的结构示意图。
图8为本发明实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明提供一种企业信贷风险的识别方法的实施例，参见图1，所述企业信贷风险的识别方法具体包含有如下内容：
S101：获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；
在本步骤中，银行企业客户是需要进行企业信贷风险的识别的企业客户；目标银行客户是与该需要进行企业信贷风险的识别的企业客户之间存在交易的个人客户或企业客户。对目标银行客户与银行企业客户之间的交易数据进行信贷风险的识别，判断银行企业客户是否存在违规行为，可以有效降低风险的传导。
S102：根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；
在本步骤中，通过基于符号逻辑的推理、基于图数据库技术的推理和基于统计推理三种方式中的至少一种方式，在所述知识图谱中确定所述银行企业客户和所述目标银行客户之间的可达路径；
其中，确定所述可达路径为所述银行企业客户和所述目标银行客户之间的关联关系。
需要说明的是，基于符号逻辑的推理，主要包括一阶谓词逻辑、描述逻辑以及基于规则的推理。基于图数据库技术的推理，主要是基于神经网络模型或Path Ranking算法。基于统计推理的方法，比如基于归纳逻辑程序(ILP)的方法等。
S103：基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别。
在本步骤中，将所述关联关系与所述预设的关联规则中各个预设核实关系标准进行匹配，判断所述关联关系是否符合预设的关联规则。若所述关联关系符合预设的关联规则，则将所述目标银行客户的交易数据进行风险标识，并根据所述风险标识生成并显示风险提醒消息。
进一步地，若所述关联关系不符合预设的关联规则，则将所述目标银行客户的交易数据添加验证通过标识；将具有验证通过标识的交易数据发送至对应的审核节点，以对所述目标银行客户的交易数据进行下个节点审核。
从上述描述可知，本发明提供一种企业信贷风险的识别方法，通过获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别，能够实现对银行客户的欺诈行为进行实时评估，大大降低了人工的投入，可以有效降低风险的传导，在发生欺诈风险前及时进行告警，缩短了响应的时间，提高了检测效率。
在本发明的一实施例中，参见图2，所述企业信贷风险的识别方法的步骤S102中建立知识图谱的步骤包括：
S201：获取银行客户的目标数据并对所述目标数据中的实体添加可机器识别的语义描述；其中，所述目标数据包含：结构化数据、半结构化数据和非结构化数据；
在本步骤中，结构化数据指的是银行系统内存储的数据湖数据；半结构化数据为办公数据(Notes的email)和科技数据(IPS日志等)；非结构化数据为诉讼文书、舆情报告和html文本等。
其中，实体分为两类：可观测实体(Observable entity)：可被直接观测的实体如法人客户、个人客户、贷款人等。感兴趣实体(Entity of interest)：不能被直接观测但可以通过其他实体的状态推导出状态的实体。
在本步骤中，为目标数据中的实体添加可机器识别的语义描述生成低阶情景。
需要说明的是，低阶情景(Low-level Context)：指直接采集的原始的目标数据，如公司法人客户的账户、公司的地址、法人客户的社会关系、贷款人的账户、贷款人的交易记录、房地产公司与贷款人的交易记录等。低阶情景对应的是高阶情景。高阶情景(High-level Context)：指通过低阶情景之间相关联推导出来的情景如客户欺诈状态。
在本实施例中，低阶情景和高阶情景均是由一组实体、实体的状态和实体的输入信息三种元素组成。
S202：确定所述结构化数据、所述半结构化数据和所述非结构化数据之间的实体的映射关系；
在本步骤中，建立数据之间标准化、明确的关联关系，还有机器可理解的语义描述，可通过机器学习或者规则引擎推理等技术由低阶情景推导出高阶情景，即获得隐性关系或知识。即确定结构化数据、半结构化数据和非结构化数据之间的实体的映射关系。
具体是通过基于知识的编辑工具确定所述结构化数据、所述半结构化数据和所述非结构化数据之间的实体的映射关系；
其中，映射关系包括：
企业法人关系包括企业法人与个人的对应关系(如控股关系)、企业干系人与企业干系人的对应关系(如亲属关系)、企业法人与相关属性的对应关系(如企业共同联系方式)、企业干系人与相关属性的对应关系(如干系人共同联系方式)和企业法人与企业法人的对应关系(如企业担保关系)。实体包括：企业法人、企业干系人和个人。
在本实施例中，映射关系用于构建以客户为实体的关系图谱。
需要说明的是，基于知识的编辑工具包括但不限于Protégé和Semantic Turkey。
S203：从所述目标数据中获取描述所述实体的属性，将所述实体、所述实体的属性、所述实体的映射关系以及语义描述导入到图数据库中形成知识图谱；
在本步骤中，实体的属性包括但不限于地址、性别、职业等，将实体、实体与实体的映射关系、实体与实体的属性以三元组的形式形成图模式描述，导入到图数据库中形成知识图谱。
在本实施例中，能够根据结构化数据、半结构化数据和非结构化数据生成知识图谱，该知识图谱中涵盖了银行客户的各个方面的信息，以便基于该知识图谱得到银行客户与特定目标之间的关联关系。
在本发明的一实施例中，参见图3，所述建立知识图谱的步骤S201之后，具体包含有如下内容：
S204：对所述目标数据中的结构化数据、半结构化数据和非结构化数据进行格式统一处理，并存储格式统一处理后的结构化数据、半结构化数据和非结构化数据。
在本步骤中，通过将多源异构原始数据转化成统一的格式，能够便于建立数据之间标准化、明确的关联关系。参见图4，存储格式统一处理后的结构化数据、半结构化数据和非结构化数据，包括：利用自然语言处理(NLP)、D2R映射、包装器、信息抽取从目标数据中获取信息数据并进行存储，具体包括：
将所述结构化数据中的连接数据和数据库数据分别通过图像映射处理和D2R转换处理后并按照RDF三元组的方式进行存储；
将所述半结构化数据中的XML文档和JSON文档通过包装器处理后按照多元组的方式进行存储；
将所述非结构化数据中的图片和txt文件进行信息抽取处理后按照时序信息的方式进行存储。
从上述描述可知，本发明实施例能够实现对客户的实时评估并及时发现欺诈如假按揭贷款事件，并做出响应处置如预警和防护，在减少人工投入的同时，可大大提高识别和监测的准确度和智能化水平。
本发明还提供了一个上述技术方案的具体应用案例。图5和图6展示了基于本体的自适应情景感知的风险防控体系应用在个人购房按揭贷款的一个案例。
图5展示了一个看似正常的个人购房按揭贷款事件。个人与房地产公司签订购买楼盘合同，其中，房地产公司为银行企业客户，个人为目标银行客户。个人用本人身份证和购房合同向银行申请贷款(交易数据)，银行即根据合同向开放商放款，个人则开始偿还贷款。这个事件在流程上没有任何问题。
然而如图6所示，如果通过海量数据挖掘出隐性关系(关联关系)，发现这些个人只是名义上的借款人，借款人的身份是开发商内部职工或亲属(关联关系)，尤其是还发现开放商与这些个借款人之间有资金交易往来(预设核实关系标准)，就有理由怀疑这是一个假按揭贷款事件，即开发商为了资金套现，将手中的存量住房以虚拟的买房人的名义购买，从银行套取购房贷款。开发商通过假按揭，提前收回成本，变现利润，把包袱和风险悉数丢给银行。因此，基于本体的自适应情景感知的风险防控体系可以赋能业务风险管理，帮助金融机构挖掘貌似正常的交易或流程中的隐性关系或知识，降低风险的传导或发生。
从上述描述可知，本发明实施例的技术方案，可以实时感知银行的客户的资金交易流水、股权关系和社会关系状况，并对客户的欺诈行为进行实时评估，大大降低了人工的投入。可以有效降低风险的传导，在发生欺诈风险前，及时进行告警，缩短了响应的时间，提高了检测效率。可以在海量数据中挖掘隐性的关系或知识，给风险防控提供了有效的决策支持。
本发明实施例提供一种能够实现所述企业信贷风险的识别方法中全部内容的企业信贷风险的识别装置的具体实施方式，参见图7，所述企业信贷风险的识别装置具体包括如下内容：
获取模块10，用于获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；
处理模块20，用于根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；
识别模块30，用于基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别。
其中，建立所述知识图谱，包括：
获取银行客户的目标数据并对所述目标数据中的实体添加可机器识别的语义描述；其中，所述目标数据包含：结构化数据、半结构化数据和非结构化数据；
确定所述结构化数据、所述半结构化数据和所述非结构化数据之间的实体的映射关系；
从所述目标数据中获取描述所述实体的属性，将所述实体、所述实体的属性、所述实体的映射关系以及语义描述导入到图数据库中形成知识图谱。
进一步地，还包括：
存储模块，用于对所述目标数据中的结构化数据、半结构化数据和非结构化数据进行格式统一处理，并存储格式统一处理后的结构化数据、半结构化数据和非结构化数据。
存储模块包括：
存储单元，用于将格式统一处理后的所述结构化数据、所述半结构化数据和所述非结构化数据分别按照RDF三元组的方式、多元组的方式和时序信息的方式进行存储。
其中，确定所述结构化数据、所述半结构化数据和所述非结构化数据之间的实体的映射关系，包括：
通过基于知识的编辑工具确定所述结构化数据、所述半结构化数据和所述非结构化数据之间的实体的映射关系；
其中，映射关系包括：
企业法人关系包括企业法人与个人的对应关系；企业干系人与企业干系人的对应关系、企业法人与相关属性的对应关系、企业干系人与相关属性的对应关系和企业法人与企业法人的对应关系；
其中，实体包括：企业法人、企业干系人和个人。
处理模块20包括：
处理单元，用于通过基于符号逻辑的推理、基于图数据库技术的推理和基于统计推理三种方式中的至少一种方式，在所述知识图谱中确定所述银行企业客户和所述目标银行客户之间的可达路径；
其中，确定所述可达路径为所述银行企业客户和所述目标银行客户之间的关联关系。
识别模块30包括：
识别单元，用于若所述关联关系符合预设的关联规则，则将所述目标银行客户的交易数据进行风险标识，并根据所述风险标识生成并显示风险提醒消息。
所述识别单元包括：
第一识别子单元，用于将所述关联关系与所述预设的关联规则中各个预设核实关系标准进行匹配，判断所述关联关系是否符合预设的关联规则。
识别单元还包括：
第一识别子单元，用于若所述关联关系不符合预设的关联规则，则将所述目标银行客户的交易数据添加验证通过标识；
发送子单元，用于将具有验证通过标识的交易数据发送至对应的审核节点，以对所述目标银行客户的交易数据进行下个节点审核。
本发明提供的企业信贷风险的识别装置的实施例具体可以用于执行上述实施例中的企业信贷风险的识别方法的实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
从上述描述可知，本发明实施例提供的企业信贷风险的识别装置，通过获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别，能够实现对银行客户的欺诈行为进行实时评估，大大降低了人工的投入，可以有效降低风险的传导，在发生欺诈风险前及时进行告警，缩短了响应的时间，提高了检测效率。
本申请提供一种用于实现所述企业信贷风险的识别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：
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现相关设备之间的信息传输；该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照实施例用于实现所述企业信贷风险的识别方法的实施例及用于实现所述企业信贷风险的识别装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
图8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8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8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。
一实施例中，企业信贷风险的识别功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别。
从上述描述可知，本申请的实施例提供的电子设备，通过获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别，能够实现对银行客户的欺诈行为进行实时评估，大大降低了人工的投入，可以有效降低风险的传导，在发生欺诈风险前及时进行告警，缩短了响应的时间，提高了检测效率。
在另一个实施方式中，企业信贷风险的识别装置可以与中央处理器9100分开配置，例如可以将企业信贷风险的识别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信贷风险的识别功能。
如图8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8中所示的所有部件；此外，电子设备9600还可以包括图8中没有示出的部件，可以参考现有技术。
如图8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。
本发明的实施例还提供能够实现上述实施例中的企业信贷风险的识别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企业信贷风险的识别方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别。
从上述描述可知，本发明实施例提供的计算机可读存储介质，通过获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别，能够实现对银行客户的欺诈行为进行实时评估，大大降低了人工的投入，可以有效降低风险的传导，在发生欺诈风险前及时进行告警，缩短了响应的时间，提高了检测效率。
虽然本发明提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域技术人员应明白，本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此，本说明书实施例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、装置(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。
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。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (12)
1.一种企业信贷风险的识别方法，其特征在于，包括：
获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；
根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；
基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别。
2.根据权利要求1所述的企业信贷风险的识别方法，其特征在于，建立所述知识图谱，包括：
获取银行客户的目标数据并对所述目标数据中的实体添加可机器识别的语义描述；其中，所述目标数据包含：结构化数据、半结构化数据和非结构化数据；
确定所述结构化数据、所述半结构化数据和所述非结构化数据之间的实体的映射关系；
从所述目标数据中获取描述所述实体的属性，将所述实体、所述实体的属性、所述实体的映射关系以及语义描述导入到图数据库中形成知识图谱。
3.根据权利要求2所述的企业信贷风险的识别方法，其特征在于，在获取银行客户的目标数据之后，还包括：
对所述目标数据中的结构化数据、半结构化数据和非结构化数据进行格式统一处理，并存储格式统一处理后的结构化数据、半结构化数据和非结构化数据。
4.根据权利要求3所述的企业信贷风险的识别方法，其特征在于，所述存储格式统一处理后的结构化数据、半结构化数据和非结构化数据，包括：
将格式统一处理后的所述结构化数据、所述半结构化数据和所述非结构化数据分别按照RDF三元组的方式、多元组的方式和时序信息的方式进行存储。
5.根据权利要求2所述的企业信贷风险的识别方法，其特征在于，所述确定所述结构化数据、所述半结构化数据和所述非结构化数据之间的实体的映射关系，包括：
通过基于知识的编辑工具确定所述结构化数据、所述半结构化数据和所述非结构化数据之间的实体的映射关系；
其中，映射关系包括：
企业法人关系包括企业法人与个人的对应关系；企业干系人与企业干系人的对应关系、企业法人与相关属性的对应关系、企业干系人与相关属性的对应关系和企业法人与企业法人的对应关系；
其中，实体包括：企业法人、企业干系人和个人。
6.根据权利要求1所述的企业信贷风险的识别方法，其特征在于，所述根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系，包括：
通过基于符号逻辑的推理、基于图数据库技术的推理和基于统计推理三种方式中的至少一种方式，在所述知识图谱中确定所述银行企业客户和所述目标银行客户之间的可达路径；
其中，确定所述可达路径为所述银行企业客户和所述目标银行客户之间的关联关系。
7.根据权利要求1所述的企业信贷风险的识别方法，其特征在于，所述基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别，包括：
若所述关联关系符合预设的关联规则，则将所述目标银行客户的交易数据进行风险标识，并根据所述风险标识生成并显示风险提醒消息。
8.根据权利要求7所述的企业信贷风险的识别方法，其特征在于，所述若所述关联关系符合预设的关联规则，包括：
将所述关联关系与所述预设的关联规则中各个预设核实关系标准进行匹配，判断所述关联关系是否符合预设的关联规则。
9.根据权利要求7所述的企业信贷风险的识别方法，其特征在于，在根据所述风险标识生成并显示风险提醒消息之后，还包括：
若所述关联关系不符合预设的关联规则，则将所述目标银行客户的交易数据添加验证通过标识；
将具有验证通过标识的交易数据发送至对应的审核节点，以对所述目标银行客户的交易数据进行下个节点审核。
10.一种企业信贷风险的识别装置，其特征在于，包括：
获取模块，用于获取与银行企业客户存在交易的目标银行客户以及该目标银行客户与所述银行企业客户之间的交易数据；
处理模块，用于根据预先建立的知识图谱确定所述银行企业客户和所述目标银行客户之间的关联关系；其中，所述知识图谱包含了所有的银行客户以及各个银行客户之间的关联关系；
识别模块，用于基于所述关联关系对所述目标银行客户的交易数据进行信贷风险的识别。
11.一种电子设备，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9任一项所述的企业信贷风险的识别方法的步骤。
12.一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9任一项所述的企业信贷风险的识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110289471.9A CN112837149A (zh) | 2021-03-18 | 2021-03-18 | 一种企业信贷风险的识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110289471.9A CN112837149A (zh) | 2021-03-18 | 2021-03-18 | 一种企业信贷风险的识别方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112837149A true CN112837149A (zh) | 2021-05-25 |
Family
ID=75930330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110289471.9A Pending CN112837149A (zh) | 2021-03-18 | 2021-03-18 | 一种企业信贷风险的识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112837149A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113364766A (zh) * | 2021-06-03 | 2021-09-07 | 中国工商银行股份有限公司 | 一种apt攻击的检测方法及装置 |
| CN113779136A (zh) * | 2021-09-08 | 2021-12-10 | 平安银行股份有限公司 | 基于知识图谱的债务清收对象确定方法、装置及电子设备 |
| CN113989019A (zh) * | 2021-10-27 | 2022-01-28 | 平安银行股份有限公司 | 识别风险的方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945024A (zh) * | 2017-12-12 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 |
| CN109584048A (zh) * | 2018-11-30 | 2019-04-05 | 上海点融信息科技有限责任公司 | 基于人工智能对申请者进行风险评级的方法和装置 |
| CN110163741A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于信贷风控模型的信贷决策方法、装置、设备及介质 |
| CN112037043A (zh) * | 2020-09-02 | 2020-12-04 | 中国银行股份有限公司 | 基于知识图谱的优质贷款企业确定方法及装置 |
-
2021
- 2021-03-18 CN CN202110289471.9A patent/CN112837149A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945024A (zh) * | 2017-12-12 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 |
| CN109584048A (zh) * | 2018-11-30 | 2019-04-05 | 上海点融信息科技有限责任公司 | 基于人工智能对申请者进行风险评级的方法和装置 |
| CN110163741A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于信贷风控模型的信贷决策方法、装置、设备及介质 |
| CN112037043A (zh) * | 2020-09-02 | 2020-12-04 | 中国银行股份有限公司 | 基于知识图谱的优质贷款企业确定方法及装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113364766A (zh) * | 2021-06-03 | 2021-09-07 | 中国工商银行股份有限公司 | 一种apt攻击的检测方法及装置 |
| CN113364766B (zh) * | 2021-06-03 | 2022-09-27 | 中国工商银行股份有限公司 | 一种apt攻击的检测方法及装置 |
| CN113779136A (zh) * | 2021-09-08 | 2021-12-10 | 平安银行股份有限公司 | 基于知识图谱的债务清收对象确定方法、装置及电子设备 |
| CN113779136B (zh) * | 2021-09-08 | 2024-04-19 | 平安银行股份有限公司 | 基于知识图谱的债务清收对象确定方法、装置及电子设备 |
| CN113989019A (zh) * | 2021-10-27 | 2022-01-28 | 平安银行股份有限公司 | 识别风险的方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11321774B2 (en) | Risk-based machine learning classifier | |
| Han et al. | Artificial intelligence for anti-money laundering: a review and extension | |
| US20190205993A1 (en) | Transaction data categorizer system and method | |
| CN112837149A (zh) | 一种企业信贷风险的识别方法和装置 | |
| US11593811B2 (en) | Fraud detection based on community change analysis using a machine learning model | |
| US11227333B2 (en) | Using automated data validation in loan origination to evaluate credit worthiness and data reliability | |
| Larsson | Algorithmic governance and the need for consumer empowerment in data-driven markets | |
| US20200219115A1 (en) | Predicting Economic Conditions | |
| US20130103569A1 (en) | Systems and methods for predictive modeling in making structured reference credit decisions | |
| US20200265523A1 (en) | Insurance risk management systems and methods | |
| Chundakkadan et al. | Small firms amidst COVID‐19: Financial constraints and role of government support | |
| Bai et al. | Supply chain finance: What are the challenges in the adoption of blockchain technology? | |
| CA3169417A1 (en) | Method of and system for appraising risk | |
| CN106296320A (zh) | 基于终端应用app的信息播报方法及装置 | |
| CN112116457A (zh) | 一种银行柜面业务的监督方法、装置及设备 | |
| US20190279228A1 (en) | Suspicious activity report smart validation | |
| CN110991992B (zh) | 业务流程信息的处理方法和装置、存储介质和电子设备 | |
| CN115983995A (zh) | 交易业务监管方法、装置、设备及存储介质 | |
| CN116703555A (zh) | 一种预警方法、装置、电子设备及计算机可读介质 | |
| CA3233934A1 (en) | Data compression techniques for machine learning models | |
| US20220188562A1 (en) | Dynamic Feature Names | |
| WO2022204779A1 (en) | Predicting future events of predetermined duration using adaptively trained artificial-intelligence processes | |
| CN112598499A (zh) | 确定授信额度的方法和装置 | |
| CN111681101A (zh) | 一种客体的准入检测方法、装置、设备和存储介质 | |
| US20230126127A1 (en) | Financial information enrichment for intelligent credit decision making |
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 |