CN113065739B - 被执行人的履行能力评估方法、装置及电子设备 - Google Patents
被执行人的履行能力评估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113065739B CN113065739B CN202110204665.4A CN202110204665A CN113065739B CN 113065739 B CN113065739 B CN 113065739B CN 202110204665 A CN202110204665 A CN 202110204665A CN 113065739 B CN113065739 B CN 113065739B
- Authority
- CN
- China
- Prior art keywords
- property
- executed person
- executed
- data
- information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000003068 static effect Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 49
- 230000006399 behavior Effects 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000013210 evaluation model Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 12
- 235000021395 porridge Nutrition 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012351 Integrated analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- VEMKTZHHVJILDY-UHFFFAOYSA-N resmethrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=COC(CC=2C=CC=CC=2)=C1 VEMKTZHHVJILDY-UHFFFAOYSA-N 0.000 description 2
- 231100000279 safety data Toxicity 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开一种被执行人的履行能力评估方法、装置、电子设备及存储介质,该方法包括:获取被执行人的财产数据;所述财产数据包括动态的财产交易信息和静态的资产信息;从所述财产数据中提取出财产标签数据,并从所述财产标签数据中确定与所述财产数据包括的每条信息对应的财产标签;统计对应于同一财产标签的所述财产交易信息或者所述资产信息,得到一个或多个画像基础变量,并根据各个画像基础变量构建所述被执行人的用户画像;根据所述财产数据以及所述用户画像识别所述被执行人履行能力的证据标签;结合所述用户画像和所述证据标签对所述被执行人的履行能力进行评估。实施本申请实施例,能够提高被执行人履行能力的评估准确性。
Description
技术领域
本申请涉及互联网技术领域,具体涉及一种被执行人的履行能力评估方法、装置、电子设备及存储介质。
背景技术
被执行人是指在法定的上诉期满后,或终审判决作出后,未履行法院判决或仲裁裁决,并进入执行程序的当事人。目前,人民法院对被执行人履行能力的判定方法往往是查询被执行人银行资产以及固定资产等财产,并比对被执行人的财产余额和执行标的,得出被执行人是否具有可履行能力的结论。
然而,这种被执行人履行能力的评估方法存在一定的漏洞。若被执行人在法院查询财产之前进行财产转移,则难以准确地查询出被执行人的实际财产情况,导致误判被执行人的履行能力。
发明内容
本申请实施例公开了一种被执行人履行能力评估方法、装置、电子设备及存储介质,能够提高被执行人履行能力的评估准确性。
本申请实施例公开一种被执行人的履行能力评估方法,所述方法包括:获取被执行人的财产数据;所述财产数据包括动态的财产交易信息和静态的资产信息;从所述财产数据中提取出一个或多个财产标签,并确定所述财产数据包括的每条信息对应的财产标签;统计对应于同一财产标签的所述财产交易信息或者所述资产信息,得到一个或多个画像基础变量,并根据各个画像基础变量构建所述被执行人的用户画像;根据所述财产数据以及所述用户画像识别所述被执行人履行能力的证据标签;结合所述用户画像和所述证据标签对所述被执行人的履行能力进行评估。
本申请实施例公开一种被执行人的履行能力评估装置,包括:获取模块,用于获取被执行人的财产数据;所述财产数据包括动态的财产交易信息和静态的资产信息;提取模块,用于从所述财产数据中提取出一个或多个财产标签,并确定所述财产数据包括的每条信息对应的财产标签;构建模块,用于统计对应于同一财产标签的所述财产交易信息或者所述资产信息,得到一个或多个画像基础变量,并根据各个画像基础变量构建所述被执行人的用户画像;识别模块,用于根据所述财产数据以及所述用户画像识别所述被执行人履行能力的证据标签;评估模块,用于结合所述用户画像和所述证据标签对所述被执行人的履行能力进行评估。
本申请实施例公开一种电子设备,包括存储器及处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器实现本申请实施例公开的任意一种被执行人的履行能力评估方法。
本申请第四方面公开一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序被处理器执行时实现本申请实施例公开的任意一种被执行人的履行能力评估方法。
与相关技术相比,本申请实施例具有以下有益效果:
在本申请实施例中,可结合被执行人静态的资产信息和动态的财产交易数据提取出被执行人的财产标签,并根据财产标签构建被执行人的用户画像,以及识别被执行人履行能力的证据标签。结合用户画像和证据标签对被执行人的履行能力进行评估,可以整合被执行人碎片化的涉财产行为数据,得出被执行人在一段时间内的经济活动情况,基于得出的经济活动情况对被执行人的履行能力进行评估,可以提高识别被执行人是否存在财产转移行为的可能性,进而可以提高对被执行人履行能力的评估准确性。此外,对被执行人履行能力的准确评估,有利于提高司法系统执行办案的效率和精准度,可有效降低司法成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例公开的一种被执行人的履行能力评估系统的架构示例图;
图2是本申请实施例公开的一种被执行人的履行能力评估方法的流程示意图;
图3是本申请实施例公开的另一种被执行人的履行能力评估方法的流程示意图;
图4是本申请实施例公开的另一种被执行人的履行能力评估方法的流程示意图;
图5是本申请实施例公开的一种被执行人的履行能力评估装置的结构示意图;
图6是本申请实施例公开的一种电子设备的结构示意图。
具体实施方式
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,本申请实施例及附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例公开了一种被执行人的履行能力评估方法、装置、电子设备及存储介质,能够提高被执行人履行能力的评估准确性。以下分别进行详细说明。
请参阅图1,图1是本申请实施例公开的一种被执行人的履行能力评估系统的架构示例图。如图1所示,该被执行人的履行能力评估系统可包括被执行人的履行能力评估设备10、公安系统的公安数据中心20、法院系统的法院数据中心30、第三方资产管理平台的第三方数据中心40、交易系统的交易数据中心50以及实时数据流工具60。其中,履行能力评估设备10可分别与公安数据中心20、法院数据中心30、第三方数据中心40和实时数据流工具60通信连接,实时数据流工具60还可与交易数据中心50通信连接。
履行能力评估设备10,可包括云端服务器、个人电脑等具备计算能力的电子设备,可用于接收公安数据中心20、法院数据中心30、第三方数据中心40和实时数据流工具60发送的数据,并对接收到的数据进行处理。
公安数据中心20,可用于存储公安系统获取到的被执行人的资产信息,可包括有形资产和/或无形资产,资产信息中可包括但不限于:被执行人当前拥有的资产类型、资产价值。
法院数据中心30,可用于存储法院系统获取到的被执行人的资产信息。
第三方数据中心40,可包括银行的数据中心、保险公司的数据中心等能够进行资产管理且不属于公检法系统的第三方资产管理平台的数据中心,可用于存储被执行人使用该第三方资产管理平台时产生的资产信息。
交易系统的交易数据中心50,可包括证券交易系统的数据中心、支付系统的数据中心、房产交易系统的数据中心等。交易数据中心50可实时财产交易信息,财产交易信息可包括但不限于:交易时间、交易类型、交易涉及的金额、交易双方的身份信息。
实时数据流工具60,可用于作为消息传递组件,接收交易数据中心50广播的实时财产交易信息,并对接收到的实时财产交易信息进行诸如存储、整合等初步处理。交易数据中心50可能广播多个不同用户的实时财产交易信息,实时数据流工具60可从多个不同用户的实时交易财产信息中识别出被执行人的实时财产交易信息,并对被执行人的实时财产交易信息进行整合。
基于如图2所示的被执行人的履行能力评估系统,本申请公开一种被执行人的履行能力评估方法,该方法可适用于如履行能力评估设备10的电子设备。如图2所示,该方法可包括以下步骤:
210、获取被执行人的财产数据。
在本申请实施例中,被执行人的财产数据可包括被执行人动态的财产交易信息和静态的资产信息。动态的财产交易信息可指在一段时间内不断变化的财产交易信息,例如消费记录、证券的买入/卖出记录等,可从前述的交易数据中心或者实时数据流工具中获取。示例性的,请参阅表1,表1是本申请实施例公开的一种被执行人的财产交易信息示例。
表1财产交易信息
静态的资产信息可包括在一段时间内保持固定的资产信息,例如银行账户余额、房产估值等,可从前述的公安数据中心、法院数据中心或者第三方数据中心中获取。
220、从财产数据中提取出财产标签数据,并从财产标签数据中确定与财产数据包括的每条信息对应的财产标签。
在本申请实施例中,财产标签数据可包括一个或多个财产标签,财产标签可用于刻画金融产品类别、消费场景类别等多个财产数据的共有特性,从而可以对具有相同特性的财产数据进行整合。
可选的,由于财产数据可能是从多个不同的数据中心处获取到的,而不同数据中心所使用的数据存储格式可能并不相同。因此,电子设备在获取到财产数据之后,可以通过格式转换等数据融合技术统一从不同数据中心中获取到的财产数据的存储格式,使得在后续的分析过程中,不同数据中心提供的财产数据都可以被利用,以提高获取到的财产数据的利用率,有利于提高对被执行人的履行能力进行评估的准确性。
电子设备在获取到财产数据之后,可以对财产数据进行文本分词,并基于文本分词后得到的多个关键词进行信息挖掘,生成财产标签。示例性的,电子设备获取到的动态的财产交易信息可包括:砂锅粥店铺的支付记录和火锅店铺的支付记录,支付记录中可包括支付时间和支付金额。电子设备对上述的两条支付记录进行文本分词,可将从砂锅粥店铺的支付记录中识别出关键词“砂锅粥”,从火锅店铺的支付记录中识别出关键词“火锅”,对识别出的多个关键词进行信息挖掘,可将“砂锅粥”和“火锅”归类为餐饮。因此,上述的两条支付记录的财产标签信息可包括餐饮消费。
示例性的,电子设备获取到的静态的资产信息可包括:登记在被执行人明下的一套民居的产权信息和一套商铺的产权信息,产权信息中可包括权利人的身份信息、产权地址等。对上述的两条产权信息进行文本分词,可识别出关键词“民居”和“商铺”,对识别出的多个关键词进行信息挖掘,可将“民居”和“商铺”归类为房产。因此,上述的两条产权信息的财产标签信息可包括房产。
需要说明的是,在本申请实施例中,电子设备获取到的财产数据中可包括至少一条动态的财产交易信息或者至少一条静态的资产信息,财产数据包括的多条信息可对应于相同的财产标签,每条信息也可以对应与多个财产标签,具体不做限定。
230、统计对应于同一财产标签的财产交易信息或者资产信息,并根据各个画像基础变量构建被执行人的用户画像。
在本申请实施例中,电子设备可以将对应于同一财产标签信息的财产数据进行整合,从而可以从被执行人的财产数据中提取出隐含的被执行人的经济活动规律,使得基于财产标签构建出的被执行人的用户画像可用于表征一段时间内被执行人的经济状态,可以是被执行人在一段时间内的经济状态的事实呈现。
可选的,统计对应于同一财产标签的财产交易信息或者资产信息,可包括:统计对应于同一财产标签的财产交易信息的数量和/或金额,以及统计对应于同一财产标签的资产信息的数量和/或金额,得到一个或多个画像基础变量;每个画像基础变量对应于一个财产标签的统计结果。根据各个画像基础变量构建被执行人的用户画像。
示例性的,对与同一财产标签对应的财产交易信息进行统计的统计结果,可包括被执行人一个月内餐饮消费的次数和/或金额、一个月内珠宝类产品消费的次数和/或金额、一年内酒店消费的次数和/或金额、半年内工资收入的次数和/或金额等。对与同一财产标签对应的资产信息进行统计的统计结果,可包括被执行人名下登记的房产的数量和/或房产的估值、被执行人名下拥有的银行账户的数量和/或银行账户内的资产总值等。因此,上述的被执行人一个月内餐饮消费的次数可作为一个画像基础变量、被执行人名下用户的银行账户内的资产总值可作为另一个画像基础变量。
从上述的示例中可以看出,每个画像基础变量可表征被执行人在某一方面的经济状态,因此被执行人的用户画像实际上可理解为一个或多个画像基础变量的集合,可从多方面整体反映被执行人的经济状态。
240、根据财产数据以及用户画像识别被执行人履行能力的证据标签。
在本申请实施例中,证据标签可用于评估被执行人履行能力的证据,识别被执行人履行能力的证据标签的过程可理解为对被执行人的经济活动和经济状态赋予司法含义的过程。证据标签的类型可根据法律条文或者司法解释中提及的证据类型定义;或者,可根据从多个执行案例中人为归纳的证据类型定义,例如,证据标签可包括资产状况、支出级别、高消费行为、限制类消费行为、消费能力指数等。
在本申请实施例中,电子设备可直接对财产数据包括的财产交易信息和/或资产信息进行分析,以从财产数据中识别出被执行人履行能力的证据标签。示例性的,财产交易信息包括股票买入记录,而根据预先对证据标签的定义,股票买入属于理财行为,理财属于非生产生活必需的高消费行为。因此,可以根据股票买入记录识别出高消费行为的证据标签。示例性的,资产信息可包括被执行人名下的车辆产权信息,可根据车辆产权信息对被执行人的资产状况进行识别。若车辆已报废,则被执行人的资产状况可包括一项劣质资产。
此外,基于从财产数据中分析得出的用户画像,电子设备也可从用户画像中识别出被执行人履行能力的证据标签。示例性的,用户画像中包括被执行人一个月内餐饮消费的金额,根据预先对证据标签的定义,消费能力指数可为被执行人的消费金额与全国城镇居民平均消费金额的比值。因此,可计算被执行人一个月内餐饮消费的金额与全国城镇居民一个月内餐饮消费的平均消费金额的比值,作为被执行人餐饮消费的消费能力指数。
250、结合用户画像和证据标签对被执行人的履行能力进行评估。
在本申请实施例中,用户画像可以是被执行人在一段时间内的经济状态的事实呈现,证据标签是基于财产数据和用户画像进一步分析出的被执行人履行能力的证据。因此,结合被执行人经济状态的事实和进一步抽象出的证据对被执行人的履行能力进行评估,可避免单纯依赖用户画像或者单纯依赖评定的证据进行评估导致的误差,有利于提高对被执行人履行能力进行评估的准确性。
在本申请实施例中,电子设备可输出被执行人的履行能力的评估结果,评估结果可包括结论性的评估结果,如被执行人属于执行不能,或者被执行人属于以转移财产方式逃避执行。可选的,可预先设定每种结论对应的财产数据类型以及对应的证据标签类型。电子设备可分别评估财产数据包括的每条信息和证据标签是否对应于某一结论,并统计各种结论分别对应的财产数据和证据标签的总数量,将总数量最高的结论确定为被执行人履行能力的评估结果。
或者,评估结果也可包括对被执行人的履行能力进行评分的分值。分值可利用预设的计算模型得出,可将用户画像和证据标签输入至该计算模型中,得到计算模型输出的分值。评分分值可与被执行人的履行能力呈正相关关系,评分越高,被执行人履行法院判决或仲裁裁决的能力越大。
可见,在前述实施例中,电子设备可结合被执行人静态的资产信息和动态的财产交易数据对被执行人的履行能力进行评估,可以整合一段时间内被执行人的支付数据、电商消费、互联网金融等涉财产行为数据,将这些涉财产行为的碎片化数据进行整合分析,可以得出被执行人在一段时间内的经济活动情况,基于得出的经济活动情况对被执行人的履行能力进行评估,从而可以提高识别被执行人是否存在财产转移行为的可能性,进而可以提高对被执行人履行能力的评估准确性。
请参阅图3,图3是本申请实施例公开的另一种被执行人的履行能力评估方法的流程示意图,该方法可适用于前述的电子设备。如图3所示,该方法可包括以下步骤:
310、获取被执行人的财产数据。
在本申请实施例中,被执行人的财产数据可包括被执行人动态的财产交易信息和静态的资产信息。
320、对财产数据进行文本分词,从分词结果中选取出一个或多个关键词。
在本申请实施例中,文本分词可指将财产数据包括的每条信息的文本按照一定的规则划分为多个词语的过程,划分出的词语在语义上完整。此外,划分出的词语可以为单词,也可以为词组。
电子设备对财产数据进行文本分词之后,可得到包括多个词语的分词结果。电子设备可按照一定的规则从分词结果中选取出部分词语作为关键词。作为一种可选的实施方式,电子设备可以分词结果中的各个词语在财产数据中的出现频率进行统计,以得到各个词语的词频。根据各个词语的词频从各个词语中选取出关键词,例如,可选取出词频高于某一词频阈值的词语作为关键词;或者,可选取出词频排名前N名的词语作为关键词,N为大于等于1的正整数。
330、将各个关键词转换为对应的特征向量,并对转换后得到的各个特征向量进行聚类,得到聚合的特征向量集合。
在本申请实施例中,电子设备可将关键词映射至向量空间,从而可以得到与各个关键词对应得特征向量。其中,电子设备可利用独热(One-hot)编码、词嵌入(Word2Vec)模型,如连续词袋(Continuous Bag-of-Words,CBOW)模型等算法将关键词映射至向量空间。由关键词转换而成的各个特征向量之间保留了各个关键词在语义上的关联性,例如关键词“砂锅粥”和“火锅”在语义上同属于餐饮类型,而关键词“汽油”不属于餐饮类型。因此,“砂锅粥”对应的特征向量与“火锅”对应的特征向量之间的向量距离较近,而“砂锅粥”对应的特征向量与“汽油”对应的特征向量之间的向量距离较远。
在将各个关键词转换为特征向量之后,电子设备可对各个特征向量进行聚类,聚类的方法可包括:K邻近(K-Nearest Neighbor)算法、K均值(K-Means)聚类算法,但不限于此。
340、根据各个特征向量集合包括的特征向量对应的关键词确定各个特征向量集合对应的财产标签,以得到包括财产标签和特征向量集合之间的对应关系的财产标签数据。
在本申请实施例中,由关键词转换而成的各个特征向量之间保留了各个关键词在语义上的关联性,聚合得到每个特征向量集合包括的特征向量也具有一定的联系性。因此,每个特征向量集合可对应于一个财产标签,在聚类后,电子设备可获得包括多个特征向量集合和分别与各个特征向量集合对应的财产标签之间的对应关系。
也就是说,通过对特征向量进行聚类的方式,可以对各个关键词进行分类,在语义上具有关联性的关键词将会被划分为同一类,即聚合在同一个特征向量集合中。因此,被划分为同一类的关键词可对应于同一个财产标签。例如,“砂锅粥”和“火锅”被划分为同一类,该类对应的财产标签为餐饮消费。并且,餐饮消费对应的关键词还可包括更多的关键词。
350、根据财产数据包括的每条信息中的关键词,从各个特征向量集合中识别出与每条信息相匹配的目标集合。
360、从对应关系中识别与各个目标集合对应的财产标签作为与财产数据包括的每条信息对应的财产标签。
在本申请实施例中,由于关键词是从财产数据包括的各个财产交易信息和/或资产交易信息中提取出的。因此,财产数据包括的每条信息可能包括一个或多个关键词,而在聚类后,又可得到每个关键词所在的特征向量集合。电子设备可从聚类得到的各个特征向量集合中识别出每条信息包括的关键词所在的特征向量集合,并将每条信息中关键词所在的特征向量集合确定为与每条信息相匹配的目标集合。
由于从财产数据中提取出的财产标签数据可包括财产标签与特征向量集合之间的对应关系,因此,电子设备在确定出与每条信息相匹配的目标集合之后,可以从上述的对应关系中识别出与每个目标集合对应的财产标签,作为财产数据中每条信息对应的财产标签。
基于此,电子设备可以根据每条信息中的关键词确定每条信息对应的财产标签。需要说明的是,若某一信息中包括多个关键词,则该信息可能对应于多个财产标签。
370、统计对应于同一财产标签的所述财产交易信息或者所述资产信息,得到一个或多个画像基础变量,并根据各个画像基础变量构建所述被执行人的用户画像。
在本申请实施例中,电子设备可统计对应于同一财产标签的财产交易信息的数量和/或金额,以及统计对应于同一财产标签的资产信息的数量和/或金额,得到一个或多个画像基础变量。然而,用户画像中包括的画像基础变量的数量并非越多越好,若画像基础变量的数量过多,可能会导致数据冗余,降低了处理速度。
作为一种可选的实施方式,电子设备在得到一个或多个画像基础变量之后,可以计算每个画像基础变量的证据权重和信息量。其中,证据权重(Weight of Evidence,WOE)可用于表征各个离散变量对正样本的响应程度,即各个画像基础变量与被执行人履行判决或裁决的行为之间的关联性。信息量(Information Value,IV)可用于表征各个离散变量的预测能力,可通过WOE值得加权求和得到。以及,
电子设备还可计算各个画像基础变量之间的相关系数,该相关系数可包括但不限于皮尔逊相关系数(Pearson Correlation Coefficient),可用于衡量各个画像基础变量之间的相关性。
电子设备可根据每个画像基础变量的证据权重和信息量,以及各个画像基础变量之间的相关系数,对各个画像基础变量进行筛选。示例性的,可根据每个画像基础变量的证据权重和信息量进行第一次筛选,再根据画像基础变量之间的相关系数对第一次筛选后保留的画像基础变量进行第二次筛选,将第二次筛选后保留的画像基础变量确定为最终的筛选结果。例如,可从各个画像基础变量中选取出证据权重排名前M1且信息量排名前M2的画像基础变量作为第一次筛选后保留的画像基础变量,M1、M2均为大于等于1的正整数,M1和M2可以相同或者不同。在第二次筛选时,选取相关系数高于预设阈值的画像基础变量作为第二次筛选后保留的画像基础变量。
在对画像基础变量进行筛选之后,电子设备可利用筛选后保留的画像基础变量构建被执行人的用户画像,从而可以使得用户画像包括的画像基础变量的数量处于合适范围内,并且构成用户画像的画像基础变量对于被执行人履行能力的评估具有一定价值,有利于提高对履行能力进行评估的准确性。
380、根据财产数据以及用户画像识别被执行人履行能力的证据标签。
在本申请实施例中,证据标签可包括资产状况、支出级别、高消费行为以及限制类消费行为,但不限于此。
作为一种可选的实施方式,步骤380的实施方式可包括:
方式一:根据财产数据包括的资产信息以及用户画像确定被执行人的资产状况。用户画像中包括画像基础变量可以隐含被执行人的资产交易情况。例如,画像基础变量可包括一年内被执行人名下的大额收入的金额。电子设备可根据被执行人的资产交易情况识别资产信息中登记在被执行人名下得资产是否已经被转移,从而可以确定被执行人的资产状况。
可选的,电子设备还可从用户画像包括的消费类画像基础变量中识别出虚拟财产消费信息,例如游戏币充值信息等。根据虚拟财产消费信息可以确定出被执行人的虚拟资产信息,例如根据游戏币的充值次数和每次充值的金额,可以估算出被执行人的虚拟财产总额作为被执行人的虚拟资产信息。电子设备获取到的被执行人的资产信息可包括实物资产信息,这是由于实物资产信息可以较为容易地通过公安系统或者法院系统的数据中心获取。根据虚拟资产信息和实物资产信息,电子设备可以确定出被执行人的总资产,并且可以根据总资产确定被执行人的资产状况,从而可以准确定位出被执行人可能隐匿的虚拟财产,使得对被执行人的资产状况的评估更加准确。
方式二:对用户画像包括的消费类画像基础变量与目标地区的居民平均消费水平进行比较,以根据比较结果得到被执行人的支出级别。其中,消费类画像基础变量可指与用户消费相关的画像基础变量,例如一个月内餐饮消费的次数和/或金额、一个月内珠宝类产品消费的次数和/或金额、一年内酒店消费的次数和/或金额等。上述的目标地区可根据实际业务需求设置,例如,可设置为全国,或者设置为广州市。示例性的,支出级别可包括高水平支出和低水平支出两个级别,消费类基础变量可为被执行人一年内酒店的消费金额,将被执行人一年内酒店的消费金额与广州居民在一年内酒店的平均消费金额进行比较。若被执行人一年内酒店的消费金额高于广州居民在一年内酒店的平均消费金额,则可确定被执行人属于高水平支出;否则,可确定被执行人属于低水平支出。
方式三:在财产数据包括单笔消费金额大于预设金额的财产交易信息时,确定被执行人存在高消费行为。其中,上述的预设金额可根据实际的业务需求设定,例如可设定为1000元、1500元等,但不限于此。
方式四:在财产数据包括消费类型属于限制类消费的财产交易信息时,确定被执行人存在限制类消费行为。其中,限制类消费的名录可根据法律条文或者司法解释进行设置,或者从实际的执行案例中归纳得出。例如,高铁出行消费可属于限制类消费。
390、结合用户画像和证据标签对被执行人的履行能力进行评估。
在本申请实施例中,对被执行人的履行能力进行评估的实施方式可参见前述实施例,以下内容不再赘述。
在本申请实施例中,电子设备可以从财产数据中通过聚类的方式提取出财产标签,使得提取出的财产标签可以准确客观地表征财产数据的特性,使得基于财产标签构建出的用户画像可以反映被执行人的经济活动情况和财产状态。进一步地,在构建用户画像之前可以先对画像基础变量进行筛选,可以保留对被执行人的履行能力评估有利的画像基础变量,以免画像基础变量的数量过多导致的数据冗余。更进一步地,电子设备还可从对被执行人的资产状况、支出级别、高消费行为以及限制类消费行为等证据标签进行识别,有利于利用上述的证据标签作为被执行人履行能力的评估证据。
请一并参阅图4,图4是本申请实施例公开的另一种被执行人的履行能力评估方法的流程示意图,该方法可适用于前述的电子设备。如图4所示,该方法可包括以下步骤:
410、获取被执行人的财产数据。
420、从财产数据中提取出财产标签数据,并从财产标签数据中确定与财产数据包括的每条信息对应的财产标签。
430、统计对应于同一财产标签的财产交易信息或者资产信息,并根据各个画像基础变量构建被执行人的用户画像。
440、根据财产数据以及用户画像识别被执行人履行能力的证据标签。
在本申请实施例中,步骤410-步骤440的实施方式可参考前述实施例中的描述,以下内容不再赘述。
450、将用户画像和证据标签输入至评估模型,得到评估模型输出的被执行人履行案件的可履行概率。
在本申请实施例中,评估模型可以是利用大量的样本数据对逻辑回归模型进行训练得到的。逻辑回归模型是一种线性回归分析模型,可用于提取自变量和因变量之间的关联关系。在本申请实施例中,自变量可为输入的被执行人的用户画像和证据标签,因变量可为被执行人有能力履行案件的可履行概率。
在本申请实施例中,可获取大量被执行案件的履行结果以及被执行案件中涉案的样本用户的样本用户画像和样本证据标签。其中,被执行案件的履行结果可包括执行不能、逃避执行、已执行等,但不限于此。电子设备可将履行结果转换为相应的可履行概率。例如,执行不能对应的可履行概率为0%,逃避执行的可履行概率为70%,已执行的可履行概率为95%等,但不限于此。
此外,涉案的样本用户的样本用户画像可根据样本用户的财产数据构建,样本用户的样本证据标签可根据样本用户的财产数据和样本用户画像识别,样本用户画像的构建方式和样本证据标签的识别方式可参见前述实施例中对用户画像和样本证据标签的描述,以下内容不再赘述。
电子设备在利用样本数据对逻辑回归模型进行训练时,可将样本用户画像和样本证据标签作为逻辑回归模型的输入,并将逻辑回归模型输出的可执行概率与样本用户实际的履行结果对应的可执行概率进行比较,根据比较结果调整逻辑回归模型中的参数。通过大量样本数据的重复训练,逻辑回归模型可学习得到样本用户画像和样本证据标签与可履行概率之间的关联关系,从而可用于预测被执行人履行能力的评估模型。
在本申请实施例中,在训练得到上述的评估模型之后,电子设备可将待预测的被执行人的用户画像和证据标签输入至评估模型,可由评估模型根据学习到的关联关系确定出被执行人的可履行概率,并输出该可履行概率。
460、根据可履行概率确定被执行人的履行能力评分。
在本申请实施例中,可履行概率与履行能力评分之间可以呈正相关关系,即可履行概率越高,履行能力评分越高。
可选的,上述的评估模型还可包括可履行能力与履行能力评分的拟合关系。电子设备在对逻辑回归模型进行训练时,可得到上述的拟合关系。因此,电子设备可根据评估模型包括的拟合关系以及被执行人的可履行概率,确定被执行人的履行能力评分。
可见,在前述实施例中,电子设备可通过预先训练好的评估模型对被执行人的履行能力进行评估,预先训练好的评估模型可包括从大量具有履行结果的被执行案件中挖掘出的用户画像和证据标签与可履行概率之间的关联关系,利用该关联关系确定被执行人的可履行概率,有利于提高对履行能力评估的准确性,提高了执行办案的效率和精准度,并有效降低司法成本。
请参阅图5,图5是本申请实施例公开的一种被执行人的履行能力评估装置的结构示意图,该装置可适用于前述实施例中电子设备。如图5所示,该装置500可包括:获取模块510、提取模块520、构建模块530、识别模块540、评估模块550。
获取模块510,用于获取被执行人的财产数据;财产数据包括动态的财产交易信息和静态的资产信息;
提取模块520,用于从财产数据中提取出财产标签数据,并从财产标签数据中确定与财产数据包括的每条信息对应的财产标签;
构建模块530,用于统计对应于同一财产标签的财产交易信息或者资产信息,得到一个或多个画像基础变量,并根据各个画像基础变量构建被执行人的用户画像;
识别模块540,用于根据财产数据以及用户画像识别被执行人履行能力的证据标签;
评估模块550,用于结合用户画像和证据标签对被执行人的履行能力进行评估。
在一个实施例中,提取模块520,可包括:分词单元、聚类单元、确定单元、识别单元。
分词单元,可用于对财产数据进行文本分词,从分词结果中选取出一个或多个关键词;
聚类单元,可用于将各个关键词转换为对应的特征向量,并对转换后得到的各个特征向量进行聚类,得到聚合的特征向量集合;
确定单元,可根据各个特征向量集合包括的特征向量对应的关键词确定各个特征向量集合对应的财产标签,以得到包括财产标签和特征向量集合之间的对应关系的财产标签数据;
识别单元,可用于根据财产数据包括的每条信息中的关键词,从各个特征向量集合中识别出与每条信息相匹配的目标集合;
从对应关系中识别与每个目标集合对应的财产标签作为与财产数据包括的每条信息对应的财产标签。
在一个实施例中,构建模块530,还可用于根据各个画像基础变量中每个画像基础变量的证据权重和信息量,以及各个画像基础变量之间的相关系数,对各个画像基础变量进行筛选;以及,利用筛选后保留的画像基础变量构建被执行人的用户画像。
在一个实施例中,证据标签可以至少包括以下任意一项:资产状况、支出级别、高消费行为以及限制类消费行为;
识别模块540,还可用于根据财产数据包括的资产信息以及用户画像确定被执行人的资产状况;或者,
对用户画像包括消费类画像基础变量与目标地区的居民平均消费水平进行比较,并根据比较结果确定被执行人的支出级别;或者,
在财产数据包括单笔消费金额大于预设金额的财产交易信息时,确定被执行人存在高消费行为;或者,
在财产数据包括消费类型属于限制类消费的财产交易信息时,确定被执行人存在限制类消费行为。
在一个实施例中,资产信息包括:实物资产信息。识别模块540,还可用于从用户画像包括的消费类画像基础变量中识别出虚拟财产消费信息;以及,根据虚拟财产消费信息确定被执行人的虚拟资产信息;以及,根据虚拟资产信息和财产数据包括的实物资产信息确定被执行人的总资产,并根据总资产确定被执行人的资产状况。
在一个实施例中,评估模块550,可包括:概率评估单元、评分单元。
概率评估单元,可用于将用户画像和证据标签输入至评估模型,得到评估模型输出的被执行人履行案件的可履行概率;评估模型是利用样本数据对逻辑回归模型进行训练得到的,样本数据包括多个具有履行结果的被执行案件,以及被执行案件中涉案的样本用户的样本用户画像和样本证据标签。
评分单元,可用于根据可履行概率确定被执行人的履行能力评分。
在一个实施例中,评估模型还包括可履行概率与履行能力评分的拟合关系。上述的评分单元,还可用于根据评估模型包括的拟合关系,以及被执行人的可履行概率,确定被执行人的履行能力评分。
在本申请实施例中,被执行人的履行能力评估装置可结合被执行人静态的资产信息和动态的财产交易数据对被执行人的履行能力进行评估,可以整合一段时间内被执行人的支付数据、电商消费、互联网金融等涉财产行为数据,将这些涉财产行为的碎片化数据进行整合分析,可以得出被执行人在一段时间内的经济活动情况,基于得出得经济活动情况对被执行人的履行能力进行评估,从而可以提高识别被执行人是否存在财产转移行为的可能性,进而可以提高对被执行人履行能力的评估准确性。
请参阅图6,图6是本申请实施例公开的一种电子设备的结构示意图。如图6所示,该环形按摩设备600可以包括:
存储有可执行程序代码的存储器610;
与存储器610耦合的处理器620;
其中,处理器620调用存储器610中存储的可执行程序代码,执行前述实施例公开的任意一种被执行人的履行能力评估方法。
本申请实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行前述实施例公开的任意一种被执行人的履行能力评估方法。
本申请实施例公开一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行前述实施例公开的任意一种被执行人的履行能力评估方法。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在本申请的各种实施例中,应理解,上述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物单元,即可位于一个地方,或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可获取的存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分,可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本申请的各个实施例上述方法的部分或全部步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本申请实施例公开的一种被执行人的履行能力评估方法、装置及电子设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种被执行人的履行能力评估方法,其特征在于,所述方法包括:获取被执行人的财产数据;所述财产数据包括动态的财产交易信息和静态的资产信息;
从所述财产数据中提取出财产标签数据,并从所述财产标签数据中确定与所述财产数据包括的每条信息对应的财产标签;
统计对应于同一财产标签的所述财产交易信息或者所述资产信息,得到一个或多个画像基础变量,并根据各个画像基础变量构建所述被执行人的用户画像;
根据所述财产数据包括的资产信息以及所述用户画像确定所述被执行人的资产状况;或者,
对所述用户画像包括消费类画像基础变量与目标地区的居民平均消费水平进行比较,并根据比较结果确定所述被执行人的支出级别;或者,
在所述财产数据包括单笔消费金额大于预设金额的财产交易信息时,确定所述被执行人存在高消费行为;或者,
在所述财产数据包括消费类型属于限制类消费的财产交易信息时,确定所述被执行人存在限制类消费行为;其中,所述被执行人的履行能力的证据标签至少包括所述资产状况、所述支出级别、所述高消费行为以及所述限制类消费行为中的任意一项;所述证据标签的类型根据法律条文或者司法解释中提及的证据类型定义,或者,所述证据标签的类型根据从多个执行案例中人为归纳的证据类型定义;结合所述用户画像和所述证据标签对所述被执行人的履行能力进行评估。
2.根据权利要求1所述的方法,其特征在于,所述从所述财产数据中提取出财产标签数据,并从所述财产标签数据中与确定所述财产数据包括的每条信息对应的财产标签,包括:
对财产数据进行文本分词,从分词结果中选取出一个或多个关键词;将各个关键词转换为对应的特征向量,并对转换后得到的各个特征向量进行聚类,得到聚合的特征向量集合;
根据各个特征向量集合包括的特征向量对应的关键词确定各个特征向量集合对应的财产标签,以得到包括财产标签和特征向量集合之间的对应关系的财产标签数据;
根据所述财产数据包括的每条信息中的关键词,从所述各个特征向量集合中识别出与每条信息相匹配的目标集合;
从所述对应关系中识别与每个目标集合对应的财产标签作为与所述财产数据包括的每条信息对应的财产标签。
3.根据权利要求1所述的方法,其特征在于,所述根据各个画像基础变量构建所述被执行人的用户画像,包括:
根据各个画像基础变量中每个画像基础变量的证据权重和信息量,以及各个画像基础变量之间的相关系数,对所述各个画像基础变量进行筛选;
利用筛选后保留的画像基础变量构建所述被执行人的用户画像。
4.根据权利要求1所述的方法,其特征在于,所述资产信息包括:实物资产信息;以及,所述根据所述财产数据包括的资产信息以及所述用户画像确定所述被执行人的资产状况,包括:
从所述用户画像包括的消费类画像基础变量中识别出虚拟财产消费信息;
根据所述虚拟财产消费信息确定所述被执行人的虚拟资产信息;
根据所述虚拟资产信息和所述财产数据包括的实物资产信息确定所述被执行人的总资产,并根据所述总资产确定所述被执行人的资产状况。
5.根据权利要求1所述的方法,其特征在于,所述结合所述用户画像和所述证据标签对所述被执行人的履行能力进行评估,包括:
将所述用户画像和所述证据标签输入至评估模型,得到评估模型输出的被执行人履行案件的可履行概率;所述评估模型是利用样本数据对逻辑回归模型进行训练得到的,所述样本数据包括多个具有履行结果的被执行案件,以及所述被执行案件中涉案的样本用户的样本用户画像和样本证据标签;
根据所述可履行概率确定所述被执行人的履行能力评分。
6.根据权利要求5所述的方法,其特征在于,所述评估模型还包括可履行概率与履行能力评分的拟合关系;以及,所述根据所述可履行概率确定所述被执行人的履行能力评分,包括:
根据所述评估模型包括的所述拟合关系,以及所述被执行人的可履行概率,确定所述被执行人的履行能力评分。
7.一种被执行人的履行能力评估装置,其特征在于,包括:获取模块,用于获取被执行人的财产数据;所述财产数据包括动态的财产交易信息和静态的资产信息;
提取模块,用于从所述财产数据中提取出一个或多个财产标签,并确定所述财产数据包括的每条信息对应的财产标签;
构建模块,用于统计对应于同一财产标签的所述财产交易信息或者所述资产信息,得到一个或多个画像基础变量,并根据各个画像基础变量构建所述被执行人的用户画像;
识别模块,用于根据所述财产数据包括的资产信息以及所述用户画像确定所述被执行人的资产状况;或者,
对所述用户画像包括消费类画像基础变量与目标地区的居民平均消费水平进行比较,并根据比较结果确定所述被执行人的支出级别;或者,
在所述财产数据包括单笔消费金额大于预设金额的财产交易信息时,确定所述被执行人存在高消费行为;或者,
在所述财产数据包括消费类型属于限制类消费的财产交易信息时,确定所述被执行人存在限制类消费行为;其中,所述被执行人的履行能力的证据标签至少包括所述资产状况、所述支出级别、所述高消费行为以及所述限制类消费行为中的任意一项;所述证据标签的类型根据法律条文或者司法解释中提及的证据类型定义,或者,所述证据标签的类型根据从多个执行案例中人为归纳的证据类型定义;
评估模块,用于结合所述用户画像和所述证据标签对所述被执行人的履行能力进行评估。
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器实现如权利要求1至6任一所述的方法。
9.一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,所述计算机程序被处理器执行时实现如权利要求1至6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110204665.4A CN113065739B (zh) | 2021-02-24 | 2021-02-24 | 被执行人的履行能力评估方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110204665.4A CN113065739B (zh) | 2021-02-24 | 2021-02-24 | 被执行人的履行能力评估方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065739A CN113065739A (zh) | 2021-07-02 |
CN113065739B true CN113065739B (zh) | 2023-07-04 |
Family
ID=76558969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110204665.4A Active CN113065739B (zh) | 2021-02-24 | 2021-02-24 | 被执行人的履行能力评估方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065739B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107666649A (zh) * | 2016-12-29 | 2018-02-06 | 平安科技(深圳)有限公司 | 个人财产状态评估方法及装置 |
WO2019061976A1 (zh) * | 2017-09-28 | 2019-04-04 | 平安科技(深圳)有限公司 | 基金产品推荐方法、装置、终端设备及存储介质 |
CN111798303A (zh) * | 2020-07-06 | 2020-10-20 | 浙江公共安全技术研究院有限公司 | 一种法院被执行人履行能力评估的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102292722B (zh) * | 2009-01-21 | 2014-09-03 | 瑞典爱立信有限公司 | 基于多模元数据和结构化语义描述符来产生注释标签 |
CN110781221A (zh) * | 2019-09-27 | 2020-02-11 | 同济大学 | 一种法院被执行人隐匿财产估算决策支持系统架构 |
CN112862298B (zh) * | 2020-07-09 | 2024-02-27 | 北京睿知图远科技有限公司 | 一种针对用户画像的信用评估方法 |
CN112084223A (zh) * | 2020-09-02 | 2020-12-15 | 深圳市铭数信息有限公司 | 一种用户画像的生成方法、装置、设备和存储介质 |
-
2021
- 2021-02-24 CN CN202110204665.4A patent/CN113065739B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107666649A (zh) * | 2016-12-29 | 2018-02-06 | 平安科技(深圳)有限公司 | 个人财产状态评估方法及装置 |
WO2019061976A1 (zh) * | 2017-09-28 | 2019-04-04 | 平安科技(深圳)有限公司 | 基金产品推荐方法、装置、终端设备及存储介质 |
CN111798303A (zh) * | 2020-07-06 | 2020-10-20 | 浙江公共安全技术研究院有限公司 | 一种法院被执行人履行能力评估的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113065739A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Leveraging financial social media data for corporate fraud detection | |
US20220005125A1 (en) | Systems and methods for collecting and processing alternative data sources for risk analysis and insurance | |
Abrahams et al. | An integrated text analytic framework for product defect discovery | |
Ghose et al. | Designing ranking systems for consumer reviews: The impact of review subjectivity on product sales and review quality | |
Thorleuchter et al. | Analyzing existing customers’ websites to improve the customer acquisition process as well as the profitability prediction in B-to-B marketing | |
Moosa | The demise of the ARC journal ranking scheme: an ex post analysis of the accounting and finance journals | |
CN107851097A (zh) | 数据分析系统、数据分析方法、数据分析程序及存储介质 | |
CN112419030B (zh) | 财务舞弊风险评估的方法、系统及设备 | |
Eckhaus | Corporate transformational leadership's effect on financial performance | |
CN110659961A (zh) | 一种用于识别线下商户的方法和装置 | |
Shi et al. | A novel imbalanced data classification approach based on logistic regression and Fisher discriminant | |
Fritzsch et al. | Estimating the relation between digitalization and the market value of insurers | |
Chatterjee et al. | Classifying facts and opinions in Twitter messages: a deep learning-based approach | |
Kuno et al. | Framing business interests: How campaigns affect firms’ positions on preferential trade agreements | |
KR20210033294A (ko) | 자동보고서생성장치 및 그 동작 방법 | |
CN110222180B (zh) | 一种文本数据分类与信息挖掘方法 | |
WO2019242453A1 (zh) | 信息处理方法及装置、存储介质、电子装置 | |
WO2019144035A1 (en) | Systems and methods for collecting and processing alternative data sources for risk analysis and insurance | |
CN113821612A (zh) | 信息查找方法以及装置 | |
CN113065739B (zh) | 被执行人的履行能力评估方法、装置及电子设备 | |
Lin et al. | The application of decision tree and artificial neural network to income tax audit: the examples of profit-seeking enterprise income tax and individual income tax in Taiwan | |
Zhang et al. | Predicting temporary deal success with social media timing signals | |
CN116342141A (zh) | 一种空壳企业识别方法、装置和设备 | |
Kaur et al. | Multi-layered sentiment analytical model for product review mining | |
UzZaman et al. | TwitterPaul: Extracting and aggregating Twitter predictions |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |