CN112930545A - 信用评估的系统和方法 - Google Patents

Abstract

本申请提供了一种信用评估的方法。该方法可以包括从终端设备接收确定目标实体的信用评估分数的请求。该方法还可以包括获取与目标实体有关的信用评估信息。信用评估信息至少可以包括由一个或多个评估者评估的关于目标实体的一个或多个信用等级。该方法还可以包括确定一个或多个评估者中的每个评估者的权重因子，以及使用训练好的信用评估模型来确定目标实体的信用评估分数。训练好的信用评估模型的输入至少包括信用评估信息和一个或多个评估者中的每个评估者的权重因子。该方法可以进一步包括将目标实体的信用评估分数发送到终端设备进行显示。

Description

信用评估的系统和方法

技术领域

本申请总体上涉及信用评估，更具体地，涉及用于基于他人评估的有关目标实体的信用评估信息来确定目标实体的信用评估分数的系统和方法。

背景技术

在各种情况下，常常需要对实体(例如，个人、机构)的可信度进行评估。例如，银行可以通过评估借款人的信用来确定是否批准该借款人的贷款。通常，可以基于对实体的某些行为(例如，不偿还债务)和/或个人资料信息(例如，收入，职业)的分析来执行信用评估，这可能无法提供全面而可靠的评估结果。因此，本领域技术人员期望提供用于信用评估的更有效和可靠的系统和方法。

发明内容

在本申请的一个方面，提供了一种系统。该系统可以包括：数据通信端口，其与网络通信连接；至少一个存储介质，用于存储一组用于信用评估的指令集；以及至少一个处理器，被配置为与至少一个存储介质和数据通信端口进行通信。当执行指令集时，至少一个处理器被配置为使得系统通过数据通信端口从终端设备接收确定目标实体的信用评估分数的请求。至少一个处理器还可以被配置为使得系统获取与目标实体有关的信用评估信息，信用评估信息至少包括由一个或多个评估者评估的目标实体的一个或多个信用等级。至少一个处理器可以进一步被配置为使得系统确定一个或多个评估者中每个评估者的权重因子，并使用训练好的信用评估模型确定目标实体的信用评估分数。训练好的信用评估模型的输入可以至少所述信用评估信息和所述一个或多个评估者中的每个评估者的所述权重因子。至少一个处理器可以进一步被配置为使得系统通过数据通信端口将目标实体的信用评估分数发送给终端设备进行显示。

在一些实施例中，可以从第三方平台获取目标实体的一个或多个信用等级中的至少一个信用等级。第三方平台可以包括银行平台、贷款平台、征信局平台、借贷平台、社交网络平台、租赁平台、交易平台或线上到线下服务平台中的至少一个。

在一些实施例中，为了从第三方平台获取至少一个信用等级，至少一个处理器可以进一步被配置为使得系统通过数据通信端口从第三方平台获取与目标实体的至少一个信用等级相对应的信用评论。至少一个处理器可以进一步被配置为使得系统根据信用评论确定至少一个信用等级。

在一些实施例中，可以通过信用等级收集过程来获取目标实体的一个或多个信用等级中的至少一个信用等级。信用等级收集过程可以包括向对应的评估者发送一个或多个信用评估问题。信用评估问题中的至少一个可以与目标实体的信用等级有关。信用等级收集过程还可以包括接收评估者的答复。信用等级收集过程还可以包括根据评估者的答复，确定至少一个信用等级。

在一些实施例中，与目标实体有关的信用评估信息可以进一步包括以下中的至少一项：与每个信用等级相关的时间信息、每个信用等级的获取来源、目标实体与每个评估者之间的关系、或每个信用等级由其对应的评估者评估的情境、或每个评估者的信用信息。

在一些实施例中，目标实体和一个或多个评估者均可以是信用评估系统的注册用户。

在一些实施例中，为了确定一个或多个评估者中的每个评估者的权重因子，至少一个处理器可以进一步被配置为使得系统至少基于一个或多个评估者的一个或多个参考信用评估分数，确定一个或多个评估者的权重因子。

在一些实施例中，为了确定一个或多个评估者中的每个评估者的权重因子，至少一个处理器可以进一步被配置为使得系统获取一个或多个评估者的一个或多个权重因子。至少一个处理器还可以被配置为使得系统获取至少一个评估者的更新的参考信用评估分数。至少一个处理器可以进一步被配置为使得系统根据至少一个评估者的更新的参考信用评估分数，更新一个或多个评估者的权重因子。

在一些实施例中，训练好的信用评估模型是根据模型训练过程训练而成。模型训练过程可以包括获取与至少两个样本实体有关的样本信用评估信息。与每个样本实体相关的样本信用评估信息至少包括由一个或多个样本评估者评估的样本实体的一个或多个样本信用等级。模型训练过程还可以包括获取至少两个样本实体中的至少部分样本实体的参考信用评估分数和初始模型。初始模型可以具有一个或多个模型参数。模型训练过程可以进一步包括基于样本信用评估信息和至少两个样本实体中的至少部分样本实体的参考信用评估分数，通过迭代更新初始模型的一个或多个模型参数的值来生成训练好的信用评估模型。

在一些实施例中，训练好的信用评估模型可以为随机森林模型、XGboost模型、决策树模型或逻辑回归模型中的至少一种。

在本申请的另一方面，提供了一种系统。该系统可以包括：数据通信端口，其与网络通信连接；至少一个存储介质，其用于存储一组用于生成训练好的信用评估模型的指令集；以及至少一个处理器，其被配置为与至少一个存储介质和数据通信进行通信。当执行指令集时，至少一个处理器可以被配置为使得系统获取与至少两个样本实体有关的样本评估信息。与每个样本实体有关的样本信用评估信息至少可以包括由一个或多个样本评估者评估的样本实体的一个或多个样本信用等级。至少一个处理器还可以被配置为使得系统获取至少部分样本实体的参考信用评估分数和初始模型。初始模型可以具有一个或多个模型参数。至少一个处理器可以进一步被配置为使得系统通过基于样本信用评估信息和至少两个样本实体中的至少部分样本实体的参考信用评估分数迭代更新初始模型的一个或多个模型参数的值来生成训练好的信用评估模型。

在一些实施例中，训练好的信用评估模型可以为随机森林模型、XGboost模型、决策树模型或逻辑回归模型中的至少一种。

在本申请的另一方面，提供了一种终端设备。终端设备可以包括：与网络通信连接的数据通信端口；I/O组件；至少一个用于存储一组指令集的存储介质；以及至少一个处理器。至少一个处理器可以被配置为与至少一个存储介质和数据通信端口进行通信，其中，当执行指令集时，至少一个处理器可以被配置为使得终端设备通过I/O组件从用户端接收确定目标实体的信用评估分数的请求。至少一个处理器还可以被配置为使得终端设备通过数据通信端口将请求发送到信用评估系统。至少一个处理器还可以被配置为使得终端设备通过数据通信端口从信用评估系统接收目标实体的信用评估分数。至少一个处理器还可以被配置为使得终端设备通过I/O组件显示目标实体的信用评估分数。目标实体的信用评估分数可以至少基于与目标实体有关的信用评估信息和一个或多个评估者中的每个评估者的权重因子。信用评估信息可以至少包括由一个或多个评估者评估的目标实体的一个或多个信用等级。

在一些实施例中，信用评估分数可以进一步基于训练好的信用评估模型。训练好的信用评估模型的输入可以包括信用评估信息和一个或多个评估者中的每个评估者的权重因子。

在一些实施例中，与目标实体有关的信用评估信息至少还包括以下中的至少一项：与一个或多个信用等级有关的时间信息、每个信用等级的获取来源、目标实体与每个评估者之间的关系、或每个信用等级由其对应的评估者评估的情境、或每个评估者的信用信息。

在一些实施例中，一个或多个评估者中的每一个评估者的权重因子可以至少基于一个或多个评估者的一个或多个参考信用评估分数。

在本申请的另一方面，提供了一种可以在计算设备上实现的方法。计算设备包括至少一个处理器、至少一个计算机可读存储介质和一个与网络通信连接的数据通信端口。该方法可以包括通过数据通信端口从终端设备接收确定目标实体的信用评估分数的请求。该方法还可以包括获取与目标实体有关的信用评估信息。信用评估信息可以至少包括由一个或多个评估者评估的目标实体的一个或多个信用等级。该方法还可以包括确定一个或多个评估者中的每个评估者的权重因子，以及使用训练好的信用评估模型确定目标实体的信用评估分数。训练好的信用评估模型的输入可以至少包括信用评估信息和一个或多个评估者中的每个评估者的权重因子。该方法可以进一步包括通过数据通信端口将目标实体的信用评估分数发送给终端设备进行显示。

在本申请的另一方面，提供了一种可以在计算设备上实现的方法。计算设备包括至少一个处理器和至少一个计算机可读存储介质。该方法可以包括获取与至少两个样本实体有关的样本信用评估信息。与每个样本实体有关的样本信用评估信息可以至少包括由一个或多个样本评估者评估的样本实体的一个或多个样本信用等级。该方法还可以包括获取至少两个样本实体中的至少部分样本实体的参考信用评估分数和初始模型。初始模型可以具有一个或多个模型参数。该方法可以进一步包括基于样本信用评估信息和至少两个样本实体中的至少部分样本实体的参考信用评估分数，通过迭代更新初始模型的一个或多个模型参数的值来生成训练好的信用评估模型。

在本申请的另一方面，提供了一种可以在计算设备上实现的方法。计算设备包括至少一个处理器、至少一个计算机可读存储介质和一个数据通信端口。该方法可以包括从用户端接收确定目标实体的信用评估分数的请求。该方法还可以包括通过数据通信端口将请求发送至信用评估系统该方法还可以包括通过数据通信端口从信用评估系统接收目标实体的信用评估分数。该方法可以进一步包括显示目标实体的信用评估分数。目标实体的信用评估分数可以至少基于与目标实体有关的信用评估信息和一个或多个评估者中的每个评估者的权重因子。信用评估信息可以至少包括由一个或多个评估者评估的目标实体的一个或多个信用等级。

本申请的一部分附加特征可以在以下描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解，本申请的一部分附加特征对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各个方面的方法、手段和组合的实践或使用得以实现和达到。

附图说明

本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例，在这些实施例中，各图中相同的编号表示相似的结构，其中：

图1是根据本申请的一些实施例所示的信用评估系统的示意图；

图2是根据本申请的一些实施例所示的示例性计算设备的示例性硬件和/或软件组件的示意图；

图3是根据本申请的一些实施例所示的示例性移动设备的示例性硬件和/或软件组件的示意图；

图4是根据本申请的一些实施例示出的示例性处理引擎的框图；

图5是根据本申请的一些实施例示出的用于信用评估的示例性过程的流程图；

图6是根据本申请的一些实施例示出的用于确定有关目标实体的信用等级的示例性过程的流程图；

图7是根据本申请的一些实施例示出的用于生成训练好的信用评估模型的示例性过程的流程图；以及

图8是根据本申请的一些实施例示出的用于信用评估的示例性过程的流程图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。然而，本领域技术人员应该明白，可以在没有这些细节的情况下实施本申请。在其它情况下，为了避免不必要地使本申请的各方面变得晦涩难懂，已经在较高的层次上描述了众所周知的方法、过程、系统、组件和/或电路。对于本领域的普通技术人员来讲，显然可以对所披露的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请不限于所示的实施例，而是符合与申请专利范围一致的最广泛范围。

本申请中所使用的术语仅出于描述特定示例实施例的目的，而非限制性的。如本申请使用的单数形式“一”、“一个”及“该”同样可以包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本申请说明书中使用的术语“包括”、“包含”仅提示存在所述特征、整数、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其它特征、整数、步骤、操作、组件、部件和/或其组合的情况。

可以理解的是，本文使用的术语“系统”、“引擎”、“单元”、“模块”和/或“区块”是用于按升序区分不同级别的不同构件、元件、部件、部分或组件的方法。但是，如果这些术语达到相同的目的，则可能会被其他表达方式所取代。

通常，这里使用的词语“模块”、“单元”或“块”是指体现在硬件或固件中的逻辑，或者是软件指令的集合。这里描述的模块、单元或块可以实现为软件和/或硬件，并且可以存储在任何类型的非暂时性计算机可读介质或其他存储设备中。在一些实施例中，可以编译软件模块/单元/块并将其链接到可执行程序中。应当理解，软件模块可以从其他模块/单元/块或从它们自身调用，和/或可以响应检测到的事件或中断来调用。可以在计算机可读介质上提供被配置为在计算设备(例如，图2中所示的处理器210)上执行的软件模块/单元/块，所述计算机可读介质，例如为光盘、数字视频盘、闪存驱动器、磁性盘、光盘或任何其他有形介质或作为数字下载(并且可以最初以压缩或可安装的格式存储，需要在执行之前进行安装、解压或解密)。这里的软件代码可以被部分的或全部的储存在执行操作的计算设备的存储设备中，并应用在计算设备的操作之中。软件指令可以嵌入在诸如EPROM的固件中。还应当理解，硬件模块/单元/块可以包括在连接的逻辑组件中，例如门和触发器，和/或可以包括可编程单元，例如可编程门阵列或处理器。这里描述的模块/单元/块或计算设备功能可以实现为软件模块/单元/块，但是可以用硬件或固件表示。通常，这里描述的模块/单元/块指的是逻辑模块/单元/块，其可以与其他模块/单元/块组合或者分成子模块/子单元/子块，尽管它们是物理组织或存储器件。以上描述可适用于系统、引擎或其一部分。

可以理解的是，除非上下文另有明确说明，当单元、引擎、模块或块被称为在另一单元、引擎、模块或块“上”、“连接”或“耦合至”另一单元、引擎、模块或块时，其可以直接在其它单元、引擎、模块或块上，与其连接或耦合或与之通信，或者可能存在中间单元、引擎、模块或块。在本申请中，术语“和/或”可包括任何一个或以上相关所列条目或其组合。

根据以下对附图的描述，本申请的这些和其它的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本申请说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例绘制的。

本申请涉及用于确定目标实体的信用评估分数的系统和方法。为此，该系统和方法可以获取目标实体的信用评估信息。信用评估信息可以至少包括由一个或多个评估者评估的有关目标实体的一个或多个信用等级。信用评估信息可以从各种来源获取，例如银行平台、贷款平台、征信局平台、借贷平台、社交网络平台等或其任意的组合。该系统和方法可以进一步确定每个评估者的权重因子。评估者的权重因子可以与评估者的可信度相关联，并表明评估者评估的信用等级对目标实体的信用评估分数的影响。该系统和方法可以使用训练好的信用评估模型来进一步确定目标实体的信用评估分数，其中，训练好的信用评估模型的输入至少包括信用评估信息和一个或多个评估者中的每个评估者的权重因子。

与常规的信用评估技术相比，本申请中的目标实体的信用评估分数是基于从各种来源获取的目标实体的信用评估信息来确定的。在确定信用评估分数时，考虑由一个或多个评估者评估的目标实体的信用等级和/或其他因素，例如一个或多个评估者的权重因子。此外，机器学习方法被应用以基于信用评估信息提供可靠的信用评估分数结果。因此，本申请中公开的系统和方法可以提供目标实体的更全面和可靠的信用评估结果。

图1是根据本申请的一些实施例所示的信用评估系统的示意图。信用评估系统100可以被配置为评估实体的信用。实体的信用可以表明实体的可信度和可靠性。所述实体可以包括例如个人、法人、组织或任何其他类型的具体或抽象的实体。如图1所示，信用评估系统100可以包括服务器110、网络120、存储设备130和终端设备140。信用评估系统100可以与一个或多个第三方平台150连接和/或通信。

在一些实施例中，服务器110可以是单个服务器或服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式的系统)。在一些实施例中，服务器110可以是本地的，也可以是远程的。例如，服务器110可以经由网络120访问存储在存储设备130中的信息和/或数据。作为另一示例，服务器110可以连接到存储设备130以访问所存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，服务器110可以在具有本申请中图2所示的一个或多个组件的计算设备200上实现。

在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可以被配置为处理与信用评估系统100有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理引擎112可以根据与目标实体有关的信用评估信息来确定目标实体的信用评估分数。

在一些实施例中，处理引擎112可以包括一个或多个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎112可以包括一个或多个硬件处理器，诸如中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑设备(PLD)、控制器、微控制器单元、精简版指令集计算机(RISC)、微处理器等或其任意组合。

网络120可以促进信息和/或数据的交换。在一些实施例中，信用评估系统100的一个或多个组件(例如，服务器110、终端设备140和存储设备130)可以通过网络120将信息和/或数据传输到信用评估系统100中的其他组件。例如，终端设备140可以经由网络120向服务器110发送请求，以确定目标实体的信用评估分数。作为另一示例，服务器110可以经由网络120从第三方平台150获取与目标实体有关的信用评估信息。在一些实施例中，网络120可以是任何类型的有线或无线网络或其组合。仅作为示例，网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共电话交换网(PSTN)、蓝牙网络、ZigBee网络、近场通信(NFC)网络或类似内容、或其任意组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括诸如基站和/或互联网交换点120-1、120-2…之类的有线或无线网络接入点，信用评估系统100的一个或多个组件可以通过该有线或无线网络接入点连接到网络120以在它们之间交换数据和/或信息。

存储设备130可以存储数据和/或指令。例如，存储设备130可以存储与一个或多个实体有关的信用评估信息。仍然作为示例，存储设备130可以存储服务器110可以执行或用于执行本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备130可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取内存(DRAM)、双倍数据速率同步动态随机存取内存(DDRSDRAM)、静态随机存取内存(SRAM)、晶闸管随机存取内存(T-RAM)和零电容随机存取内存(Z-RAM)等。示例性ROM可包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字多功能盘ROM等。在一些实施例中，存储设备130可以在云平台上实现。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

在一些实施例中，存储设备130可以包括至少一个网络端口以与信用评估系统100中的其他设备通信。例如，存储设备130可以连接到网络120，以通过至少一个网络端口与信用评估系统100的一个或多个组件(例如，服务器110、终端设备140)通信。信用评估系统100中的一个或多个组件可以通过网络120访问存储在存储设备130中的数据或指令。在一些实施例中，存储设备130可以与信用评估系统100中的一个或多个组件(例如，服务器110、终端设备140)直接连接或通信。在一些实施例中，存储设备130可以是服务器110的一部分。

用户可以使用终端设备140与信用评估系统100的一个或多个其他组件进行交互。例如，用户可以经由终端设备140向处理引擎112发送评估目标实体的信用评估分数的请求。附加地或替代地，用户可以在终端设备140上查看目标实体的信用评估分数。在一些实施例中，仅在目标实体允许的情况下，用户才可以获取和/或查看目标实体的信用评估分数。在一些实施例中，终端设备140的用户可以是任何组织或个人。

在一些实施例中，终端设备140可以包括任何类型的设备，例如，移动设备、电子设备、汽车等或其任意组合。例如，终端设备140可以包括移动设备140-1、膝上型计算机140-2、台式计算机140-3、机动车辆140-4中的内置设备等或其任意组合。内置设备140-4可以包括车载计算机、车载电视、车载定位系统等。移动设备140-1可以包括可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等或其任意组合。在一些实施例中，可穿戴设备可以包括智能手镯、智能鞋类、智能眼镜、智能头盔、智能手表、智能服装、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleGlass^TM、RiftCon^TM、Fragments^TM、GearVR^TM等。在一些实施例中，终端设备140可以是具有用于定位终端设备140和/或其用户的位置的定位技术的设备。在一些实施例中，本申请涉及的终端设备140可以在图2所示的具有一个或多个组件的计算设备200或图3所示的具有一个或多个组件的移动设备300上实现。

第三方平台150可以是包括与一个或多个实体有关的信用评估信息的任何平台。第三方平台150中的信用评估信息可以包括，例如，关于实体的信用评估(或评论)、实体的个人资料信息和/或金融信息等或其任意组合。关于实体的信用评估(或评论)可以由第三方平台150和/或由第三方平台150上的另一实体确定。示例性第三方平台150可以包括银行平台150-1、交易平台150-2、借贷平台150-3、社交网络平台150-4、租借平台、贷款平台、征信局平台、线上到线下服务平台(例如，用餐预订服务平台、运输服务平台、送货服务平台)等。在一些实施例中，处理引擎112可以经由网络120从一个或多个第三方平台150获取与目标实体有关的信用评估信息。然后，处理引擎112可以至少部分地基于从第三方平台150获取的信用评估信息来确定目标实体的信用评估分数。在一些实施例中，如果用户质疑从第三方平台150获取的与该用户有关的信用评估信息，那么他/她可以上诉或发送请求以验证该信用评估信息。

图2是根据本申请的一些实施例所示的计算设备200的示例性硬件和软件组件的示意图。计算设备200可以用于实现信用评估系统100的任何组件以执行本申请中公开的一个或多个功能。例如，处理引擎112可以通过其硬件、软件程序、固件或其组合在计算设备200上实现。为简洁起见，图2仅描绘了一个计算设备。如本文所述的与信用评估有关的计算设备200的功能可以在多个相似平台上以分布式方式实现，以分配处理负荷。

处理器210可以根据本文描述的技术执行计算机指令(例如，程序代码)并执行处理引擎112的功能。该计算机指令可以包括，例如，执行本文描述的特定功能的例程、程序、对象、组件、数据结构、过程、模块和功能。在一些实施例中，处理器210可以包括一个或多个硬件处理器，例如微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机器(ARM)、可编程逻辑设备(PLD)、能够执行一个或多个功能的任何电路或处理器等等或其任意组合。

仅仅为了说明，在计算设备200中仅描述了一个处理器。然而，应注意，本申请中的计算设备200还可以包括多个处理器，因此，如本申请中所述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器联合或分开地执行。例如，如果在本申请中，计算设备200的处理器同时执行步骤A和步骤B，则应当理解，步骤A和步骤B也可以由计算设备200中的两个或更多个不同的处理器联合或分开执行(例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B)。

存储器220可以存储从服务器110、存储设备130、终端设备140、第三方平台150和/或信用评估系统100的任何其他组件获取的数据/信息。在一些实施例中，存储器220可以包括大容量存储装置、可移动存储装置、易失性读写存储器、只读存储器(ROM)等或其任意组合。例如，大容量存储器可以包括磁盘、光盘、固态驱动器等。可移动存储设备可以包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等。易失性读写存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容器RAM(Z-RAM)等等。ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字多功能盘ROM等等。在一些实施例中，存储器220可以存储一个或多个程序和/或指令以执行本申请中描述的示例性方法。

I/O230可以输入和/或输出信号、数据、信息等。在一些实施例中，I/O230可以使用户能够与处理引擎112进行交互。在一些实施例中，I/O230可以包括输入设备和输出设备。输入设备的示例可以包括键盘、鼠标、触摸屏、麦克风等或其组合。输出设备的示例可以包括显示设备、扬声器、打印机、投影仪等或其组合。显示设备的示例可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面屏幕、电视设备、阴极射线管(CRT)、触摸屏屏幕等或其组合。

通信端口240可以连接到网络(例如，网络120)以促进数据通信。通信端口240可以在处理引擎112与服务器110、存储设备130、终端设备140和/或第三方平台150之间建立连接。该连接可以是有线连接、无线连接、可以实现数据发送和/或接收的任何其他通信连接、和/或这些连接的任意组合。有线连接可以包括例如电缆、光缆、电话线等或其任意组合。无线连接可以包括，例如，蓝牙^TM链接、Wi-Fi^TM链接、WiMax^TM链接、WLAN链接、ZigBee链接、移动网络链接(例如3G、4G、5G等)、或类似内容、或其组合。在一些实施例中，通信端口240可以是和/或包括标准化通信端口，例如RS232、RS485等。在一些实施例中，通信端口240可以是专门设计的通信端口。

图3是根据本申请的一些实施例所示的示例性移动设备300的示例性硬件和/或软件组件的示意图。在一些实施例中，可以在移动设备300的一个或多个组件上实施终端设备140，以执行本申请中公开的终端设备140的功能。

如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O350、内存360和存储器390。在一些实施例中，任何其他合适的组件包括但不限于系统总线或控制器(未示出)，也可包括在移动设备300内。在一些实施例中，可将移动操作系统370(例如，iOS^TM、Android^TM、WindowsPhone^TM等)和一个或多个应用380从存储器390加载到内存360中，以便由CPU340执行。应用程序380可以包括用于接收和呈现与信用评估系统100有关的信息的浏览器或任何其他合适的移动应用程序。可以通过I/O350实现与信息流的用户交互，并通过网络120将其提供给处理引擎112和/或信用评估系统100的其他组件。通信平台310可以是任何信息交换端口、信息发送端口或网络端口，以促进数据通信。

为了实现本申请中描述的各种模块、单元及其功能，计算机硬件平台可以用作本文所述的一个或多个元件(例如，图1-8所述的信用评估系统100的一个或多个组件)。所述的计算机的硬件元件、操作系统和编程语言本质上是常规的，并且假定本领域技术人员充分熟悉它们以适应那些技术以响应本文所述的语音请求来提供服务。具有用户界面元素的计算机可以用于实现个人计算机(PC)或另一种类型的工作站或终端设备，但是如果计算机经过适当编程，也可以充当服务器。可知，本领域技术人员应熟悉该计算机装置的结构、程序设计和一般操作，因此，这些图对其应是不言而喻的。

图4是根据本申请的一些实施例示出的的示例性处理引擎的框图。处理引擎112可以包括获取模块410、确定模块420、传输模块430和训练模块440。模块可以是处理引擎112的至少一部分的硬件电路。这些模块还可以被实现为由处理引擎112读取和执行的应用或指令集。此外，模块可以是硬件电路和应用程序/指令的任意组合。

获取模块410可以被配置为获取与信用评估系统100有关的信息。例如，获取模块410可以获取或接收确定目标实体的信用评估分数的请求。可以经由数据通信端口从终端设备140接收该请求。作为另一示例，获取模块410可以被配置为获取与目标实体有关的信用评估信息。信用评估信息可以包括反映目标实体的信用状态的任何信息，例如但不限于个人资料信息、财务信息、关于目标实体的一个或多个信用等级。在一些实施例中，获取模块410可以从信用评估系统100的一个或多个组件(诸如存储设备130、存储器220)获取与信用评估系统100有关的信息。作为另一示例，获取模块410可以经由网络120从外部源(例如，第三方平台150)获取与信用评估系统100有关的信息。

确定模块420可以被配置为确定目标实体的信用评估分数。信用评估分数可以是用于表示目标实体的可信度的量化度量。在一些实施例中，确定模块420可以确定对目标实体进行评估的每个评估者的权重因子。评估者的权重因子可以指示评估者评估的信用等级对目标实体的信用评估分数的影响。确定模块420可以使用训练好的信用评估模型来进一步确定目标实体的信用评估分数，其中至少目标实体的信用评估信息和一个或多个评估者中的每个评估者的权重因子可以是训练好的信用评估模型的输入。关于权重因子和/或信用评估分数的确定的更多描述可以在本申请的其他地方找到。例如，可以参见图5及其相关描述。

传输模块430可以被配置为向信用评估系统100的一个或多个组件(例如，存储设备130和/或终端设备140)传输信息和/或信号。仅作为示例，传输模块430可以将目标实体的信用评估分数传输到终端设备140以进行显示。作为另一示例，在如本申请中其他地方所描述的(例如，图6及其相关描述)，在收集关于目标实体的信用等级的过程中，传输模块430可以被配置为传输一个或多个信用评估问题给评估者。信用评估问题可以用于向评估者询问目标实体的信用。

训练模块440可以被配置为训练模型。例如，训练模块440可以通过使用与至少两个样本实体有关的信息来训练初始模型以确定训练好的信用评估模型。在一些实施例中，训练模块440可以基于机器学习方法(例如，人工神经网络算法、深度学习算法、决策树算法、关联规则算法、归纳逻辑编程算法、支持向量机算法、聚类算法、贝叶斯网络算法、强化学习算法、表示学习算法、相似度和度量学习算法、稀疏词典学习算法、遗传算法、基于规则的机器学习算法或类似内容、或其任意组合)来生成训练好的信用评估模型。关于训练好的信用评估模型的生成的更多描述可以在本申请的其他地方找到。例如，可以参见操作540和图7及其相关描述。

应当注意，仅出于说明的目的而提供了对处理引擎112的以上描述，并非旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本申请的范围。

例如，处理引擎112可以进一步包括一个或多个附加模块，例如用于数据存储的存储模块(图4中未示出)。作为另一示例，可以省略上述处理引擎112的一个或多个模块。作为又一个示例，上述处理引擎112的模块可以被划分为两个或更多个子模块以执行其功能。仅作为示例，确定模块420可以被划分为第一子模块和第二子模块，第一子模块被配置为用于确定评估者的权重因子，第二子模块被配置为用于确定目标实体的信用评估分数。

在一些实施例中，获取模块410、确定模块420和传输模块430可以在第一处理引擎上实现，传输模块430可以在第二处理引擎上实现。在一些实施例中，第一处理引擎和第二处理引擎可以分别在图2所示的计算设备200(例如，处理器220)或图3所示的CPU340上实现。仅作为示例，第一处理引擎可以在移动设备的CPU340上实现，第二处理引擎可以在计算设备200上实现。

图5是根据本申请的一些实施例示出的用于信用评估的示例性过程的流程图。在一些实施例中，过程500可以由信用评估系统100执行。例如，过程500可以被实现为存储在信用评估系统100的存储设备(例如，存储设备130、存储器220)中的一组指令(例如，应用程序)，并且被调用和/或由处理引擎112(例如，图2所示的处理器210、图3所示的CPU340)执行。下面呈现的所述过程500的操作旨在说明。在一些实施例中，过程500可以利用一个或多个未描述的附加操作和/或没有所讨论的一个或多个操作来完成。另外，图5中示出的和下面描述的过程500的操作顺序并非旨在限制。

在510中，处理引擎112(例如，获取模块410)可以接收确定目标实体的信用评估分数的请求。该请求可以经由数据通信端口从终端设备140接收。

目标实体可以是要被确定其信用评估分数的任何个人、法人或组织。在一些实施例中，该请求可以由终端设备140的用户发送。终端设备140的用户可以是想要知道目标实体的信用评估分数的任何个人、法人或组织。例如，雇主或公司可以发送请求以确定求职者雇员的信用评估分数。在一些实施例中，用户可以是与目标实体相同的实体。在一些实施例中，目标实体和/或用户都可以是信用评估系统100的注册用户。

在一些实施例中，该请求可以包括指示目标实体的身份的信息(例如，ID、名称和/或电话号码)。终端设备140的用户可以经由终端设备140的I/O输入信息并发送请求。响应于接收到的请求，处理引擎112可以根据请求中包括的信息来识别目标实体。

数据通信端口可以被配置为在处理引擎112与信用评估系统100中的一个或多个其他组件(例如，终端设备140和/或存储设备130)之间建立连接。该连接可以是有线连接、无线连接、任何其他可以实现数据发送和/或接收的通信连接、和/或这些连接的任意组合。在一些实施例中，数据通信端口可以类似于图2中描述的通信端口240，并且这里不再重复对其的描述。

在520中，处理引擎112(例如，获取模块410)可以获取与目标实体有关的信用评估信息。

信用评估信息可以包括反映目标实体的信用状态的任何信息。例如，信用评估信息可以包括个人资料信息、财务信息、有关目标实体的一个或多个信用等级等或其任意组合。个人资料信息可以包括，例如收入、教育程度、工作、婚姻状况、目标实体的犯罪记录等或其任意组合。财务信息可以包括，例如，贷款记录、还款记录、信用卡信息、保险信息等或其任意组合。关于目标实体的信用等级可以是由一个或多个评估者评估的目标实体的信用的度量。

在一些实施例中，信用评估信息可以至少包括关于目标实体的一个或多个信用等级。信用等级可以由一个或多个评估者评估。信用等级可以由例如数字、等级、程度、评级等或其任意组合来表示。例如，信用等级可以由在[0，10]范围内的整数表示。信用等级的较高值可以表明目标实体具有较好的信用。作为另一个例子，信用等级可以用高或低等级表示。等级可以用阿拉伯数字、罗马数字、字母等、或它们的任意组合来表示。例如，信用等级可以用“A”、“AA”、“AAA”表示，其中“AAA”表示最高信用等级，“AA”表示中等信用等级，“A”表示最低信用等级。

信用等级的评估者可以是能够评估目标实体信用的任何个人、法人或组织。例如，评估者可以包括朋友、亲戚、同事、住户、贸易伙伴、或知道目标实体的任何其他个人。作为另一示例，评估者可以包括具有目标实体的财务信息(例如，债务记录)的金融组织(例如，银行)。在一些实施例中，目标实体和/或评估者是信用评估系统100的注册用户。在一些实施例中，信用评估信息可以包括由评估了目标实体的所有评估者评估的目标实体的信用等级。备选地，信用评估信息可以包括信用等级，该信用等级由评估过目标实体的部分评估者(例如，在预定时间段内(例如，最近三个月)对目标实体进行评估的一个或多个评估者)、为信用评估系统100的注册用户的一个或多个评估者、参考信用评估分数大于阈值的一个或多个评估者、参考信用评估分数居前列(例如，排名前30％、排名前50％、排名前80％)的一个或多个评估者等或其任意组合)评估。

在一些实施例中，与目标实体有关的信用评估信息可以进一步包括与由评估者评估的信用等级有关的信息，例如，与每个信用等级相关的时间信息、每个信用等级的获取来源、目标实体与每个评估者之间的关系、相应评估者评估每个信用等级的场景、每个评估者的信用信息、信用等级的数目、评估者的数目、信用等级的变化、关于虚假评估的惩罚系数等或其任意组合。

与评估者评估的信用等级有关的时间信息可以包括邀请评估者进行信用等级的第一时间点、评估者给出信用等级的第二时间点、第一时间点与第二时间点之间的时间间隔等、或它们的任意组合。获取信用等级的来源可以包括由信用评估系统100和/或第三方平台150提供的信用评估平台等或其任意组合。目标实体与评估者之间的关系可以包括朋友关系、亲戚关系、同事关系、家庭关系、贸易伙伴关系等或其任意组合。评估者评估信用等级的场景可以包括，例如，目标实体和评估者参与交易的场景、评估者向目标实体借钱的场景、评估者多年以来一直是目标实体的朋友等等或其任意组合。评估者的信用信息可以包括个人资料信息、财务信息、其他人(例如，第三方平台)提供的关于评估者的一项或多项信用评估(例如，信用等级、信用评估分数、信用评估评论)、评估者针对其他人(例如，信用评估系统100的其他注册用户)进行的一项或多项信用评估(例如，信用等级、信用评估分数、信用评估评论)等或其任意组合。信用等级的数量可以包括目标实体的信用等级总数、信用评估系统100的所有信用等级中的所述信用等级的比例、以及根据目标实体的信用等级的总数和每个注册用户的信用等级的总数，在信用评估系统100的所有注册用户中目标实体的等级。评估者的数量可以包括目标实体的评估者的总数、信用评估系统100的所有注册用户中的评估者的比例以及根据目标实体的评估者的总数和每个注册用户的评估者的总数，在信用评估系统100的所有注册用户中目标实体的排名。评估者评估的信用等级的变化可以用在一定时期内(例如，最近三个月)收到的目标实体的信用等级的数量、在一定时期内(例如最近三个月)评估目标实体的评估者的数量、目标实体和评估者在一定时期内(例如最近三个月)相互评估的次数，目标实体在某个时期(例如，最近三个月)评估过的评估者的数量，目标实体的信用等级在不同时间段内的统计值的变化，例如上个月的信用等级平均值，最近三个月和最后六个月。如本文所使用的，如果目标实体已经评估了某个评估者并且该评估者已经评估了该目标实体，则该目标实体和某个评估者可以被认为是彼此评估。有关虚假评估的惩罚系数可以反映评估者给出虚假信用等级的可能性。惩罚系数可以通过，例如，评估者和目标实体的连续相互评估之间的平均时间间隔来衡量，评估者和目标实体可能通过频繁地相互评价来作弊。

附加地或替代地，信用评估信息还可以包括与目标实体对其他实体(例如，信用评估系统100的其他注册用户)进行的一项或多项信用评估有关的信息，还包括，例如，目标实体评估其他实体的次数、目标实体已评估的其他实体的数量、目标实体与每个其他实体之间的关系等或其任意组合。

在一些实施例中，获取模块410可以从信用评估系统100的存储设备(例如，存储设备130、存储器220)获取至少一部分信用评估信息。以目标实体的信用等级为例，获取模块410可以从存储设备中检索信用等级。可以通过信用等级收集过程获取信用等级，并将其存储在存储设备中。关于信用等级收集过程的细节可以在本申请的其他地方找到(例如，图6及其相关描述)。可替代地，可以从第三方平台150获取信用等级，并将其存储在存储设备中。例如，信用评估系统100(例如，处理引擎112)可以周期性地从第三方平台150获取目标实体的一个或多个信用等级，并将它们存储在存储设备130中。

在一些实施例中，获取模块410可以经由网络从外部源获取信用评估信息的至少一部分。例如，可以经由网络120直接从第三方平台150获取信用等级。在一些实施例中，从第三方平台150获取的信用等级可以由第三方平台150确定。在这种情况下，信用等级的评估者可以是第三方平台150。备选地，从第三方平台150获取的信用等级可以由第三方平台150上的第三方平台150的另一用户评估。在这种情况下，信用等级的评估者可以是评估信用等级的用户。在一些实施例中，获取模块410可以经由数据通信端口从第三方平台150获取关于目标实体的信用评论。然后，确定模块420可以基于信用评论来确定关于目标实体的信用等级。信用评论可以采用文本形式，例如“目标实体是值得信赖的，并且始终信守诺言”。确定模块420可以对信用评论执行文本分析并确定相应的信用等级。

在一些实施例中，获取模块410可以从不同来源获取关于目标实体的相同形式或不同形式的信用等级。例如，从银行平台150-1获取的信用等级可以是数字的形式，而从交易平台150-2获取的信用等级可以是等级的形式。作为另一个示例，从不同平台获取的信用等级可以在不同范围内。确定模块420可以以标准形式和/或标准范围归一化从不同来源获取的信用等级。在一些实施例中，信用评估系统100可以与第三方平台150合作，使得第三方平台150可以向信用评估系统100提供信用等级的标准形式。

在530中，处理引擎112(例如，确定模块420)可以确定一个或多个评估者中的每一个评估者的权重因子。

评估者的权重因子可以指示评估者评估的信用等级对目标实体的信用评估分数的影响。例如，如果第一评估者的权重因子高于第二评估者，则第一评估者评估的信用等级对信用评估分数的影响可能大于第二评估者评估的信用等级。通常，不同的评估者，例如不同的人或组织，可能具有不同的可信度。因此，在确定目标实体的信用评估分数时，可能需要为不同评估者评估的信用等级分配不同的权重。

评估者的权重因子可以通过各种技术来确定。在一些实施例中，确定模块420可以至少基于评估者的类型来确定评估者的权重因子。仅通过示例的方式，可以为机构分配比个人更高的权重因子。作为另一个例子，权威机构(例如，由国家认证的银行或征信局)可以具有比其他机构更高的权重因子。

在一些实施例中，确定模块420可以至少基于评估者的一个或多个参考信用评估分数来确定评估者的权重因子。评估者的参考信用评估分数可以指由第三方平台150(例如，征信局或银行)评估的评估者的信用评估分数。通常，诸如征信局或银行之类的第三方平台150可以基于评估者的客观行为或概况信息来评估评估者，从而提供评估者的相对可靠的信用评估。因此，评估者的参考信用评估分数可用于确定评估者的权重因子，并验证评估者做出的信用等级的可靠性。例如，如果A具有比B更高的参考信用评估分数，则确定模块420可以在评估者A上分配比评估者B更高的权重因子。在一些实施例中，可以由相同的第三方平台150或不同的第三方平台150来评估不同评估者的参考信用评估分数。

在一些实施例中，评估者中的一个或多个可以是信用评估系统100的注册用户。例如，可以通过执行过程500来确定注册评估者的信用评估分数，并将其存储在信用评估系统100的存储设备(例如，存储设备130)中。确定模块420可以从存储设备获取注册用户的信用评估分数。然后，确定模块420可以基于注册评估者的信用评估分数来确定注册评估者的权重因子。

在一些实施例中，如果确定模块420未能根据评估者的信用评估分数或参考信用评估分数来确定评估者的权重因子。确定模块420可以向评估者分配默认权重因子，例如，依评估者的类型而定。默认权重因子可以由信用评估系统100的用户手动设置。在一些实施例中，确定模块420可以选择具有前N部分(例如，3、5、10％或50％)信用评估分数或参考信用评估分数的评估者中的一个或多个，并且为他们分配权重因子。在确定目标实体的信用评估分数时，只能使用所选评估者的权重因子。可替代地，未被选定的评估者的权重因子可以被设置为零。被选定和未被选定的评估者的权重因子均可用于确定目标实体的信用评估得分。

在540中，处理引擎112(例如，确定模块420)可以使用训练好的信用评估模型来确定目标实体的信用评估分数。信用评估信息和一个或多个评估者中的每个评估者的权重因子可以是训练好的信用评估模型的输入。

信用评估分数可以是用于表示目标实体的可信度的量化度量。较高的信用评估分数可以表示目标实体在例如金融贷款、人寿服务或其他情况下，具有较高的可信度和较低的违约概率。信用评估分数可以以数字、字符、符号等或其任意组合来表示。例如，信用评估分数可以表示为0到100范围内的数值。作为另一个示例，信用评估分数可以表示为A、AA或AAA。

训练好的信用评估模型可以被配置为基于输入来确定目标实体的信用评估分数。在一些实施例中，可以由获取模块410从信用评估系统100中的存储设备(例如，存储设备130)和/或外部数据源(未示出)中获取训练好的信用评估模型。在一些实施例中，处理引擎112(例如，训练模块440)可以确定训练好的信用评估模型，并将其存储在信用评估系统100的存储设备中。获取模块410可以访问存储设备并检索训练好的信用评估模型。或者，可以由另一个计算设备(或处理器)确定训练好的信用评估模型，并由获取模块410从另一个计算设备(或存储训练好的信用评估模型的存储设备)获取训练好的信用评估模型。

在一些实施例中，处理引擎112(或另一计算设备)可以基于机器学习方法来生成训练好的信用评估模型。机器学习方法可以包括但不限于人工神经网络算法、深度学习算法、决策树算法、关联规则算法、归纳逻辑编程算法、支持向量机算法、聚类算法、贝叶斯算法网络算法、强化学习算法、表示学习算法、相似度和度量学习算法、稀疏字典学习算法、遗传算法、基于规则的机器学习算法等或其任意组合。在一些实施例中，处理引擎112(或另一计算设备)可以通过在图7所示的过程700中执行一个或多个操作来确定训练好的信用评估模型。

在550中，处理引擎112(例如，发送模块430)可以通过数据通信端口将目标实体的信用评估分数发送到终端设备140进行显示。

目标实体的信用评估分数可以以语音、文本、图形、图像等或其任意组合的形式显示在终端设备140上。例如，目标实体的信用评估分数可以在终端设备140的界面上显示为文本，诸如“30分”、“60分”或“75分”。作为另一示例，目标实体的信用评估分数可以由终端设备140广播。在一些实施例中，目标实体的信用评估分数可以在或通过安装在终端设备140上的用于信用评估服务的应用程序显示。

应当注意，关于过程500的描述是出于说明的目的而提供的，并不旨在限制本申请的范围。对于本领域普通技术人员而言，根据本申请，可以减少多种变化和修改以进行实践。然而，这些变化和修改不脱离本申请的范围。

在一些实施例中，过程500中的操作可以分为至少两个子操作。仅作为示例，操作540可以分为第一子操作和第二子操作。在第一子操作中，训练模块440可以生成训练好的信用评估模型。在第二子操作中，确定模块420可以通过至少输入信用评估信息和一个或多个评估者中的每个评估者的权重因子来确定目标实体的信用评估分数。在一些实施例中，可以省略操作530。在540中，确定模块420可以通过将目标实体的信用评估信息输入到训练好的信用评估模型中来确定目标实体的信用评估分数。

在一些实施例中，考虑到目标实体的信用评估信息和/或评估者的权重因子可以随着时间变化，因此处理引擎112可以定期或不定期地更新目标实体的信用评估分数。例如，处理引擎112可以周期性地执行过程500以更新目标实体的信用评估分数。备选地，处理引擎112可以执行一个或多个附加操作以更新在操作530中确定的评估者的权重因子。仅作为示例，处理引擎112(例如，获取模块410)获取所确定的评估者的权重因子。处理引擎112(例如，获取模块410)可以获取至少一个评估者的新的参考信用评估分数。例如，第三方平台150可以基于至少一个评估者的新记录(例如，贷款记录)来确定至少一个评估者的新的参考信用评估分数。第三方平台150可以将新的参考信用评估分数发送到获取模块410。响应于新的参考信用评估分数，确定模块420可以更新评估者的权重因子。在权重因子被更新之后，处理引擎112可以基于信用评估信息和更新的权重因子来执行操作540。

在一些实施例中，在确定目标实体的信用评估分数之后，处理引擎112可以进一步验证信用评估分数。例如，对于具有由权威机构(例如，银行)评估的参考信用评估分数的目标实体，处理引擎112可以在参考信用评估分数和目标实体的信用等级之间执行相关分析。如果参考信用评估分数和平均信用等级之间的差超过阈值，则处理引擎112可以检查目标实体的信用等级。作为另一示例，对于没有参考信用评估分数的目标实体，处理引擎112可以基于其他实体的信用等级和参考信用评估分数之间的相关性来预测参考信用评估分数。可选地，处理引擎112可以基于信用等级和目标实体的预测参考信用评估分数来验证目标实体的信用评估分数。

图6是根据本申请的一些实施例示出的用于确定有关目标实体的信用等级的示例性过程的流程图。在一些实施例中，过程600可以由信用评估系统100执行。例如，过程600可以被实现为存储在信用评估系统100的存储设备(例如、存储设备130、存储器220)中的一组指令(例如，应用程序)，并且被调用和/或由处理引擎112(例如，图2所示的处理器210、图3所示的CPU340)执行。下面呈现的所示过程600的操作旨在是说明。在一些实施例中，过程600可以利用一个或多个未描述的附加操作和/或未讨论的一个或多个操作来完成。另外，图6所示和以下描述的过程600的操作顺序并非旨在限制。在一些实施例中，可以执行图6中的一个或多个操作以实现结合图5所描述的操作520的至少一部分。在一些实施例中，过程600也可以被称为信用等级收集过程。

在610中，处理引擎112(例如，传输模块430)可以将一个或多个信用评估问题传输给评估者。信用评估问题可以用于向评估者询问目标实体的信用。信用评估问题可以是关于，例如，目标实体的信用等级、给出信用等级的原因、评估者与目标实体之间的关系、关于目标实体的信用的评论等等或其任意组合。在一些实施例中，一个或多个信用评估问题中的至少一个信用评估问题可以关于目标实体的信用等级。

在一些实施例中，目标实体和评估者可以是信用评估系统100的注册用户。信用评估系统100可以提供用于用户评估的平台，诸如APP、网站、微信订阅号等。评估者可以将评估目标实体的请求发送到平台。然后，平台可以将信用评估问题发送给评估者。附加地或可替代地，目标实体可以邀请评估者对目标实体进行信用评估。例如，目标实体可以将包括信用评估问题的链接或消息发送到评估者的终端设备。

在620中，处理引擎112(例如，获取模块410)可以从评估者接收其答复。在接收到信用评估问题后，评估者可以输入答复并将其通过终端设备发送回处理引擎112。

在630中，处理引擎112(例如，确定模块420)可以基于来自评估者的答复来确定信用等级。在一些实施例中，评估者的答复可以包括由评估者评估的目标实体的信用等级。确定模块420可以从评估者的答复中提取对应的信用等级。可替代地，评估者的答复可以包括，例如，关于除信用等级以外的目标实体的评论。确定模块420可以根据关于目标实体的评论来确定信用等级。

应当注意，仅出于说明的目的而提供了对过程600的以上描述，而无意于限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化和修改。然而，这些变化和修改不脱离本申请的范围。

图7是根据本申请的一些实施例示出的用于生成训练好的信用评估模型的示例性过程的流程图。在一些实施例中，过程700可以由信用评估系统100执行。例如，过程700可以被实现为存储在信用评估系统100的存储设备(例如，存储设备130、存储器220)中的一组指令(例如，应用程序)，并且被调用和/或由处理引擎112(例如，图2所示的处理器210、图3所示的CPU340)执行。备选地，过程700可以由另一计算设备(或其处理器)执行。为了简洁和说明的目的，处理引擎112仅用于描述生成训练好的信用评估模型的过程，但是本领域普通技术人员将理解，不同的计算设备可以执行生成训练好的信用评估模型的过程。在一些实施例中，可以执行过程700的一个或多个操作以实现结合图5所描述的操作540的至少一部分。

在710中，处理引擎112(例如，训练模块440)可以获取与至少两个样本实体有关的样本信用评估信息。关于每个样本实体的样本信用评估信息至少可以包括由一个或多个样本评估者评估的有关样本实体的一个或多个样本信用等级。

样本实体可以包括在信用评估模型的训练中用作样本的任何实体。例如，样本实体可以包括信用评估系统100的一个或多个注册用户。作为另一示例，样本实体可以包括一个或多个实体，其信用信息(例如，样本信用评估信息和/或参考信用评估分数)可被处理引擎112获取。与样本实体有关的样本信用评估信息可以包括反映样本实体的信用状态的任何信息。例如，与样本实体有关的样本信用评估信息可以包括个人资料信息、财务信息、关于样本实体的一个或多个样本信用等级等或其任意组合。如结合操作510所述，与样本实体有关的样本信用评估信息和样本信用等级可以分别与目标实体有关的信用评估信息和信用等级相似，在此不再赘述。与样本实体相关的参考信用评估分数可以指由第三方平台150(例如，银行平台、贷款平台、征信局平台、借贷平台、社交网络平台、租赁平台、交易平台或线上到线下服务平台)评估的该实体的信用评估分数。

在一些实施例中，与样本实体有关的样本信用评估信息可以被表达为包括样本实体的一个或多个特征的特征向量。N维向量可以与N个特征相关联。在一些实施例中，处理引擎112(例如，训练模块440)可以一次处理一个或多个特征向量。例如，可以将具有N个维度的m个特征向量(例如，三行向量)集成到1×mN向量或m×N矩阵中，其中m是整数。

在720中，处理引擎112(例如，训练模块440)可以获取多个样本实体中的至少部分样本实体的参考信用评估分数。

在一些实施例中，可以通过网络120从第三方平台150获取样本实体的参考信用评估分数。可替代地，可以从信用评估系统100的存储设备(例如，存储设备130)获取样本实体的参考信用评估分数。例如，一个或多个第三方平台150可以定期或不定期地将一个或多个样本实体的更新的参考信用评估分数发送到信用评估系统100，该更新的参考信用评估分数可以存储在信用评估系统100的存储设备中。在一些实施例中，可以从不同的第三方平台获取不同样本实体的参考信用评估分数。训练模块440可以将至少部分样本实体的参考信用评估分数标准化为相同的范围或形式。

在一些实施例中，在操作730中，至少部分样本实体可以用作训练集合以训练初始模型。备选地，在操作730中，至少部分样本实体中的仅选定部分可以用作训练集合以训练初始模型。所选择的部分可以随机地或根据选择规则来选择。例如，所选择的部分可以包括具有最高N部分的参考信用评估分数的一个或多个样本实体和/或具有最低M部分的参考信用评估分数的一个或多个样本实体。N和M可以是任何合适的整数(例如50、100、1000)或百分比(10％、20％、30％)。

在730中，处理引擎112(例如，获取模块410)可以获取初始模型。

初始模型可以包括，例如，机器学习模型、随机森林模型、极限梯度提升(XGboost)模型、决策树模型和逻辑回归模型。初始模型可以具有一个或多个模型参数。以XGboost模型为例，初始模型可以包括一个或多个模型参数，例如booster类型(例如，基于树的模型或线性模型)、booster参数(例如，最大深度，最大叶节点数)、学习任务参数(例如，培训的客观功能等或其任意组合。在一些实施例中，初始模型可以具有一个或多个模型参数的初始值。模型参数的初始值可以由信用评估系统100的用户经由例如终端设备140手动设置。附加地或替代地，可以由处理引擎112根据不同情况来自适应地设置模型参数的初始值。

在740中，处理引擎112(例如，训练模块440)可以根据样本信用评估信息和所述至少两个样本实体中的至少部分样本实体的参考信用评估分数来迭代更新初始模型的一个或多个模型参数的值，从而生成训练好的信用评估模型。

训练好的信用评估模型的生成可以包括一轮或多轮迭代。在每轮迭代中，训练模块440可以将训练集中的每个样本实体的样本信用评估信息输入到在前轮迭代中更新的初始模型中，以确定每个样本实体的预测信用评估分数。然后训练模块440可以基于训练集中的样本实体的预测信用评估分数和参考信用评估分数来确定目标函数的值。训练模块440可以进一步基于目标函数的值，通过更新模型参数的值更新初始模型。

在一些实施例中，可以迭代地更新模型参数，以最小化目标函数的值。使目标函数的值最小化的迭代可以在终止条件满足后终止。示例性的终止条件是在迭代中获取的目标函数的值小于预定阈值。预定阈值可以手动设置，也可以基于各种因素确定，诸如训练好的信用评估模型的准确性等。其他示例性终止条件可以包括执行一定数量的迭代、目标函数收敛以使得在连续迭代中获取的目标函数的值的差在阈值之内等等。在某轮迭代中满足终止条件之后，可以将具有模型参数的更新值的初始模型指定为训练好的信用评估模型。

在一些实施例中，目标函数可以包括损失函数和/或正则项。损失函数可以衡量在先前迭代中更新的初始模型与训练数据的拟合程度。正则化因子可以度量在先前迭代中更新的初始模型的复杂度。示例性损失函数可以包括0-1损失函数、二次损失函数、绝对损失函数、对数损失函数、对数似然损失函数、Adaboost损失函数、铰链损失函数、平均绝对百分比误差(MAPE)、均方误差(MSE)、均方根误差(RMSE)等。示例性正则化项可以包括L1-范数、L2-范数等。

应当注意，提供上述流程图是出于说明的目的，而不是意图限制本申请的范围。对于本领域普通技术人员而言，根据本申请，可以减少多种变化和修改以进行实践。然而，这些变化和修改不脱离本申请的范围。

以下所示过程的操作仅出于说明的目的。在一些实施例中，过程700可以利用一个或多个未描述的附加操作和/或未讨论的一个或多个操作来完成。例如，可以在740之后添加操作以使用测试集(例如，至少一部分样本实体的的特定部分)来测试信用评估模型。另外，如图7所示和下面描述的过程操作的顺序不是限制性的。

图8是根据本申请的一些实施例示出的用于信用评估的示例性过程的流程图。在一些实施例中，过程800可以由信用评估系统100的终端设备140执行。如结合图3所描述的，终端设备140可以被实现在移动设备300的一个或多个相同或相似的组件上。例如，终端设备140可以包括通信连接到网络的数据通信端口、I/O组件、存储介质(例如，存储器或存储器)以及处理器。

在一些实施例中，过程800可以被实现为存储在终端设备140的存储介质(例如，存储器和/或内存)中的一组指令(例如，应用程序)，并且被终端设备140的处理器(例如，CPU和/或GPU)调用和/或执行。以下所示过程的操作仅出于说明的目的。在一些实施例中，过程800可以利用未描述的一个或以上附加操作和/或未讨论的一个或以上操作来完成。另外，图8所示和以下描述的过程的操作顺序并非旨在限制。

在810中，终端设备140可以接收确定目标实体的信用评估分数的请求。该请求可以经由终端设备140的I/O组件从用户接收。在一些实施例中，用户可以通过键入、讲话和/或触摸I/O组件来经由I/O组件输入请求。确定目标实体的信用评估分数的请求可以类似于如操作510描述的请求，并且在此不再重复其描述。

在820中，终端设备140可以经由其数据通信端口将请求发送到信用评估系统100。在一些实施例中，该请求可以被发送到信用评估系统100的服务器110(例如，处理引擎112)。响应于该请求，处理引擎112可以执行在本申请中公开的用于信用评估的过程(例如，过程500)。例如，处理引擎112可以获取与目标实体有关的信用评估信息。与目标实体有关的信用评估信息可以包括由一个或多个评估者评估的有关目标实体的一个或多个信用等级。处理引擎112可以确定一个或多个评估者中的每个评估者的权重因子。处理引擎112还可以基于信用评估信息和评估者的权重因子，使用训练好的信用评估模型来确定目标实体的信用评估分数。

在830中，终端设备140可以经由终端设备140的数据通信端口从信用评估系统100接收目标实体的信用评估分数。

如操作820所述，可以至少基于与目标实体有关的信用评估信息和目标实体中每个评估者的权重因子，由信用评估系统100(例如，处理引擎112)确定目标实体的信用评估分数。附加地或替代地，可以由信用评估系统100(例如，处理引擎112)基于训练好的信用评估模型来确定信用评估分数。信用评估信息和每个评估者的权重因子可以是训练好的信用评估模型的输入。

在840中，终端设备140可以经由I/O组件显示目标实体的信用评估分数。

目标实体的信用评估分数可以以语音、文本、图形、图像等或其任意组合的形式显示在终端设备140上。关于由终端设备140显示的信用评估分数的细节可以在本申请的其他地方找到(例如，操作550及其相关描述)。

应当注意，关于过程800的描述是出于说明的目的而提供的，并不旨在限制本申请的范围。对于本领域普通技术人员而言，根据本申请，可以减少多种变化和修改以进行实践。然而，这些变化和修改不脱离本申请的范围。在一些实施例中，信用评估系统100(例如，处理引擎112)可以仅在满足特定条件的情况下将目标实体的信用评估分数发送到终端设备140。例如，处理引擎112可以请求来自目标实体的许可。只有在目标实体允许的情况下，才可以将目标实体的信用评估分数发送到终端设备140。作为另一示例，仅当请求是由信用评估系统100上的目标实体的朋友的用户发送时，处理引擎112才可以发送目标实体的信用评估分数。

上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改进。因此，本申请的某方面可以以硬件、软件(包括固件，常驻软件，微代码等)或软件和硬件组合的方式来实现，它们在本文中通常都统称为“单元”、“模块”或“系统”。此外，本申请开的某方面可以采取体现在一种或多种计算机可读介质中的的计算机程序产品的形式，所述计算机可读介质上包含计算机可读程序代码。

计算机可读信号介质可以包含一个内含有计算机程序代码的传播数据信号，例如，在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF等，或任何上述介质的组合。

可以以一种或多种编程语言的任意组合来编写用于执行本申请的各方面的操作的计算机程序代码，所述编程语言包括，例如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB、NET、Python等类似的常规编程语言，还例如“C”编程语言、VisualBasic、Fortran2103，Perl、COBOL2102、PHP、ABAP、动态编程语言(例如Python、Ruby和Groovy)或其他编程语言。程序代码可以完全在用户计算机上执行，可以部分在用户计算机上作为独立软件包执行，可以部分在用户计算机上并部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者可以与外部计算机建立连接(例如，通过使用Internet服务提供商的Internet)或在云计算环境中进行，或被提供一种服务(例如，软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，尽管上述各种组件的实现可以体现在硬件设备中，但是它也可以实现为仅软件的解决方案，例如，在现有服务器或移动设备上的安装。

类似地，应该理解的是，在本申请的实施例的前述描述中，各种特征有时在单个实施例、图或其描述中组合在一起，以简化本申请，有助于理解各个发明实施例的一个或以上。然而，本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。相反，发明的主体应具备比上述单一实施例更少的特征。

在一些实施例中，在某些情况下用于描述和确定本申请的某些实施例的表示数量或性质的数字应理解为被术语“大约”、“近似”或“基本上”修饰。例如，除非另外说明，否则“大约”、“近似”或“基本上”可以指示其所描述的值的在±20％范围内变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

本文中提及的所有专利、专利申请、专利申请公布和其他材料(如论文、书籍、说明书、出版物、记录、事物和/或类似的东西)均在此通过引用的方式全部并入本文以达到所有目的，与上述文件相关的任何起诉文档记录、与本文件不一致或冲突的任何上述文件或对迟早与本文件相关的权利要求书的广泛范畴有限定作用的任何上述文件除外。举例来说，如果在描述、定义和/或与任何所结合的材料相关联的术语的使用和与本文件相关联的术语之间存在任何不一致或冲突，则描述、定义和/或在本文件中使用的术语以本文件为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (29)

1.一种系统，包括：

与网络通信连接的数据通信端口；

至少一个存储介质，所述至少一个存储介质用于存储一组用于信用评估的指令集；

至少一个处理器，被配置为与所述至少一个存储介质和所述数据通信端口进行通信，其中，当执行所述指令集时，所述至少一个处理器被配置为使得所述系统：

通过所述数据通信端口从终端设备接收确定目标实体的信用评估分数的请求；

获取与所述目标实体有关的信用评估信息，所述信用评估信息至少包括由一个或多个评估者评估的所述目标实体的一个或多个信用等级；

确定所述一个或多个评估者中每个评估者的权重因子；

使用训练好的信用评估模型确定所述目标实体的信用评估分数，其中，所述训练好的信用评估模型的输入至少包括所述信用评估信息和所述一个或多个评估者中的每个评估者的所述权重因子；以及

通过所述数据通信端口将所述目标实体的所述信用评估分数发送给所述终端设备进行显示。

2.根据权利要求1所述的系统，其特征在于，所述目标实体的所述一个或多个信用等级中的至少一个信用等级是从第三方平台获取，所述第三方平台包括银行平台、贷款平台、征信局平台、借贷平台、社交网络平台、租赁平台、交易平台或线上到线下服务平台中的至少一个。

3.根据权利要求2所述的系统，其特征在于，为了从所述第三方平台获取所述至少一个信用等级，所述至少一个处理器还被配置为使得所述系统：

通过所述数据通信端口从所述第三方平台获取与所述目标实体的所述至少一个信用等级相对应的信用评论；以及

根据所述信用评论确定所述至少一个信用等级。

4.根据权利要求1所述的系统，其特征在于，所述目标实体的所述一个或多个信用等级中的至少一个信用等级是通过信用等级收集过程获取，所述信用等级收集过程包括：

向对应的所述评估者发送一个或多个信用评估问题，其中，所述信用评估问题中的至少一个与所述目标实体的信用等级有关；

接收所述评估者的答复；以及

根据所述评估者的答复，确定所述至少一个信用等级。

5.根据权利要求1所述的系统，其特征在于，与所述目标实体有关的所述信用评估信息至少还包括以下中的至少一项：与每个信用等级相关的时间信息、所述每个信用等级的获取来源、所述目标实体与所述每个评估者之间的关系、或所述每个信用等级由其对应的评估者评估的情境、或所述每个评估者的信用信息。

6.根据权利要求1所述的系统，其特征在于，所述目标实体和所述一个或多个评估者均是信用评估系统的注册用户。

7.根据权利要求1所述的系统，其特征在于，为了确定所述一个或多个评估者中的所述每个评估者的所述权重因子，所述至少一个处理器还被配置为使得所述系统：

至少基于所述一个或多个评估者的一个或多个参考信用评估分数，确定所述一个或多个评估者的所述权重因子。

8.根据权利要求7所述的系统，其特征在于，为了确定所述一个或多个评估者中的所述每个评估者的所述权重因子，所述至少一个处理器还进一步被配置为使得所述系统：

获取所述一个或多个评估者的一个或多个权重因子；

获取至少一个评估者的更新的参考信用评估分数，以及

根据所述至少一个评估者的所述更新的参考信用评估分数，更新所述一个或多个评估者的所述权重因子。

9.根据权利要求1所述的系统，其特征在于，所述训练好的信用评估模型是根据模型训练过程训练而成，所述模型训练过程包括：

获取与至少两个样本实体有关的样本信用评估信息，与每个所述样本实体相关的所述样本信用评估信息至少包括由一个或多个样本评估者评估的所述样本实体的一个或多个样本信用等级；

获取所述至少两个样本实体中的至少部分样本实体的参考信用评估分数；

获取初始模型，所述初始模型具有一个或多个模型参数；以及

基于所述样本信用评估信息和所述至少两个样本实体中的所述至少部分样本实体的所述参考信用评估分数，通过迭代更新所述初始模型的所述一个或多个模型参数的值来生成所述训练好的信用评估模型。

10.根据权利要求9所述的系统，其特征在于，所述训练好的信用评估模型为随机森林模型、XGboost模型、决策树模型或逻辑回归模型中的至少一种。

11.一种系统，包括：

与网络通信连接的数据通信端口；

至少一个存储介质，所述至少一个存储介质用于存储一组用于生成训练好的信用评估模型的指令集；

至少一个处理器，被配置为与所述至少一个存储介质和所述数据通信端口进行通信，其中，当执行所述指令集时，所述至少一个处理器被配置为使得所述系统：

获取与至少两个样本实体有关的样本评估信息，与每个所述样本实体相关的所述样本信用评估信息至少包括由一个或多个样本评估者评估的所述样本实体的一个或多个样本信用等级；

获取至少部分所述样本实体的参考信用评估分数；

获取初始模型，所述初始模型具有一个或多个模型参数；以及

通过基于所述样本信用评估信息和所述至少两个样本实体中的所述至少部分样本实体的所述参考信用评估分数迭代更新所述初始模型的所述一个或多个模型参数的值来生成所述训练好的信用评估模型。

12.根据权利要求11所述的系统，其特征在于，所述训练好的信用评估模型为随机森林模型、XGboost模型、决策树模型或逻辑回归模型中的至少一种。

13.一种终端设备，包括：

与网络通信连接的数据通信端口；

I/O组件；

至少一个用于存储一组指令集的存储介质；

至少一个处理器，被配置为与所述至少一个存储介质和所述数据通信端口进行通信，其中，当执行所述指令集时，所述至少一个处理器被配置为使得所述终端设备：

通过所述I/O组件从用户接收确定目标实体的信用评估分数的请求；

通过所述数据通信端口将所述请求发送到信用评估系统；

通过所述数据通信端口从所述信用评估系统接收所述目标实体的所述信用评估分数；以及

通过所述I/O组件显示所述目标实体的所述信用评估分数，其中，所述目标实体的所述信用评估分数至少基于：

与所述目标实体有关的信用评估信息，所述信用评估信息至少包括由一个或多个评估者评估的所述目标实体的一个或多个信用等级，以及

所述一个或多个评估者中的每个评估者的权重因子。

14.根据权利要求13所述的终端设备，其特征在于，所述信用评估分数还基于训练好的信用评估模型，并且所述训练好的信用评估模型的输入包括所述信用评估信息和所述一个或多个评估者中的每个评估者的所述权重因子。

15.根据权利要求13所述的终端设备，其特征在于，与所述目标实体有关的所述信用评估信息至少还包括以下中的至少一项：与所述一个或多个信用等级有关的时间信息、每个所述信用等级的获取来源、所述目标实体与所述每个评估者之间的关系、或所述每个信用等级由其对应的评估者评估的情境、或所述每个评估者的信用信息。

16.根据权利要求13所述的终端设备，其特征在于，所述一个或多个评估者中的所述每个评估者的所述权重因子至少基于所述一个或多个评估者的一个或多个参考信用评估分数。

17.一种在计算设备上实现的方法，所述计算设备包括至少一个处理器、至少一个计算机可读存储介质和一个与网络通信连接的数据通信端口，所述方法包括：

通过所述数据通信端口从终端设备接收确定目标实体的信用评估分数的请求；

获取与所述目标实体有关的信用评估信息，所述信用评估信息至少包括由一个或多个评估者评估的所述目标实体的一个或多个信用等级；

确定所述一个或多个评估者中每个评估者的权重因子；

使用训练好的信用评估模型确定所述目标实体的所述信用评估分数，其中，训练好的信用评估模型的输入至少包括所述信用评估信息和所述一个或多个评估者中的每个评估者的所述权重因子；以及

通过所述数据通信端口将所述目标实体的所述信用评估分数发送给所述终端设备进行显示。

18.根据权利要求17所述的方法，其特征在于，所述目标实体的所述一个或多个信用等级中的至少一个所述信用等级是从第三方平台获取，所述第三方平台包括银行平台、贷款平台、征信局平台、借贷平台、社交网络平台、租赁平台、交易平台或线上到线下服务平台中的至少一个。

19.根据权利要求18所述的方法，其特征在于，从所述第三方平台获取所述至少一个信用等级还包括：

通过所述数据通信端口从所述第三方平台获取与所述目标实体的所述至少一个信用等级相对应的信用评论；以及

根据所述信用评论确定所述至少一个信用等级。

20.根据权利要求17所述的方法，其特征在于，所述目标实体的所述一个或多个信用等级中的所述至少一个信用等级是通过信用等级收集过程获取，所述信用等级收集过程包括：

向对应的所述评估者发送一个或多个信用评估问题，其中，所述信用评估问题中的至少一个与所述目标实体的所述信用等级有关；

接收所述评估者的答复；以及

根据所述评估者的答复，确定所述至少一个信用等级。

21.根据权利要求17所述的方法，其特征在于，与所述目标实体有关的所述信用评估信息至少还包括以下中的至少一项：与每个所述信用等级相关的时间信息、所述每个信用等级的获取来源、所述目标实体与所述每个评估者之间的关系、或所述每个信用等级由其对应的所述评估者评估的情境、或所述每个评估者的信用信息。

22.根据权利要求17所述的方法，其特征在于，所述目标实体和所述一个或多个评估者均是信用评估系统的注册用户。

23.根据权利要求17所述的方法，其特征在于，确定所述一个或多个评估者中的所述每个评估者的所述权重因子还包括：

至少基于所述一个或多个评估者的一个或多个参考信用评估分数，确定所述一个或多个评估者的所述权重因子。

24.根据权利要求23所述的方法，其特征在于，确定所述一个或多个评估者中的所述每个评估者的所述权重因子还包括：

获取所述一个或多个评估者的一个或多个所述权重因子；

获取至少一个所述评估者的更新的所述参考信用评估分数，以及

根据所述至少一个评估者的所述更新的参考信用评估分数，更新所述一个或多个评估者的所述权重因子。

25.根据权利要求17所述的方法，其特征在于，所述训练好的信用评估模型是根据模型训练过程训练而成，所述模型训练过程包括：

获取与至少两个样本实体有关的样本信用评估信息，与每个所述样本实体相关的所述样本信用评估信息至少包括由一个或多个样本评估者评估的所述样本实体的一个或多个样本信用等级；

获取所述至少两个样本实体中的至少部分样本实体的参考信用评估分数；

获取初始模型，所述初始模型具有一个或多个模型参数；以及

基于所述样本信用评估信息和所述至少两个样本实体中的所述至少部分样本实体的所述参考信用评估分数，通过迭代更新所述初始模型的所述一个或多个模型参数的值来生成所述训练好的信用评估模型。

26.根据权利要求25所述的方法，其特征在于，所述训练好的信用评估模型为随机森林模型、XGboost模型、决策树模型或逻辑回归模型中的至少一种。

27.一种在计算设备上实现的方法，所述计算设备包括至少一个处理器和至少一个计算机可读存储介质，所述方法包括：

获取与至少两个样本实体有关的样本信用评估信息，与每个所述样本实体有关的所述样本信用评估信息至少包括由一个或多个样本评估者评估的所述样本实体的所述一个或多个样本信用等级；

获取所述至少两个样本实体中的至少部分样本实体的参考信用评估分数；

获取初始模型，所述初始模型具有一个或多个模型参数；以及

基于所述样本信用评估信息和所述至少两个样本实体中的所述至少部分样本实体的所述参考信用评估分数，通过迭代更新所述初始模型的所述一个或多个模型参数的值来生成训练好的信用评估模型。

28.根据权利要求27所述的方法，其特征在于，所述训练好的信用评估模型为随机森林模型、XGboost模型、决策树模型或逻辑回归模型中的至少一种。

29.一种在计算设备上实现的方法，所述计算设备包括至少一个处理器、至少一个计算机可读存储介质和数据通信端口，所述方法包括：

从用户接收确定目标实体的信用评估分数的请求；

通过所述数据通信端口将所述请求发送至信用评估系统；

通过所述数据通信端口从所述信用评估系统接收所述目标实体的所述信用评估分数；以及

显示所述目标实体的所述信用评估分数，其中，所述目标实体的所述信用评估分数至少基于：

与所述目标实体有关的所述信用评估信息，所述信用评估信息至少包括由一个或多个评估者评估的所述目标实体的一个或多个信用等级，以及

所述一个或多个评估者中的每个所述评估者的权重因子。

Images