CN113362158A - 一种信用评估方法、装置及计算机可读存储介质 - Google Patents

一种信用评估方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113362158A
CN113362158A CN202110599201.8A CN202110599201A CN113362158A CN 113362158 A CN113362158 A CN 113362158A CN 202110599201 A CN202110599201 A CN 202110599201A CN 113362158 A CN113362158 A CN 113362158A
Authority
CN
China
Prior art keywords
enterprise
map
credit evaluation
representing
graph
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
Application number
CN202110599201.8A
Other languages
English (en)
Inventor
潘婧
柴洪峰
覃正
杨燕明
孙权
高鹏飞
汤涛
郑建宾
赵金涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Unionpay Co Ltd
Original Assignee
China Unionpay Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Unionpay Co Ltd filed Critical China Unionpay Co Ltd
Priority to CN202110599201.8A priority Critical patent/CN113362158A/zh
Publication of CN113362158A publication Critical patent/CN113362158A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Technology Law (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种信用评估方法、装置及计算机可读存储介质，该方法包括：根据历史交易数据和企业属性数据，挖掘获取每个企业的多个信用评估特征；根据用户消费数据和所述企业属性数据，构建多个企业关联图谱，所述用户消费数据根据历史交易数据得到；根据每个所述企业关联图谱的价值贡献度融合多个所述企业关联图谱，得到融合图谱；根据所述融合图谱和每个企业的所述信用评估特征训练图卷积神经网络，以得到信用评估模型，并根据所述信用评估模型得到企业的信用评估结果。利用上述方法，能够实现准确度更高的企业信用评估。

Description

一种信用评估方法、装置及计算机可读存储介质
技术领域
本发明属于信用评估领域，具体涉及一种信用评估方法、装置及计算机可读存储介质。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
当前针对小微企业信贷融资服务和信贷监测考核等多个方面的金融服务存在明显不足和提升空间。随着我国经济增长速度放缓，部分企业经营业绩下滑，偿债能力不足，导致信用违约事件不断增多，金融机构囿于风险管理而选择惜贷、慎贷，可见小微企业目前普遍面临的信用问题已成为制约其融资和发展的一个主要障碍。因此在数字化转型的大趋势下，如何充分利用金融大数据资源，评估小微企业信用等级，是提升小微企业信贷服务决策水平的关键性环节。
然而，大多数小微企业并未采用先进的财务管理模式，所提供的财务报表质量不高，报表真实性较低，然而传统的以大型公司为范本的信用评估的体系主要依赖于企业财务数据，因此并不适用于小微企业。基于规则的信用评估算法以及基于机器学习的信用评估方法目前已大量应用于小微企业的信用评估中，该类方法大多数是基于企业个体而评估的，对企业之间的关联关系以及企业与持卡人之间的关联关系考虑较少，信用特征的挖掘有很大的不足。鉴于此，该类方法已经难以满足日益复杂的业务场景需求。
发明内容
针对上述现有技术中存在的问题，提出了一种信用评估方法、装置及计算机可读存储介质，利用这种方法、装置及计算机可读存储介质，能够解决上述问题。
本发明提供了以下方案。
第一方面，提供一种信用评估方法，包括：根据历史交易数据和企业属性数据，挖掘获取每个企业的多个信用评估特征；根据用户消费数据和所述企业属性数据，构建多个企业关联图谱，所述用户消费数据根据历史交易数据得到；根据每个所述企业关联图谱的价值贡献度融合多个所述企业关联图谱，得到融合图谱；根据所述融合图谱和每个企业的所述信用评估特征训练图卷积神经网络，以得到信用评估模型，并根据所述信用评估模型得到企业的信用评估结果。
在一种实施方式中，还包括：根据历史交易数据和企业属性数据并从以下一个或多个维度挖掘每个企业的所述信用评估特征：企业交易特征、企业客户群体特征、企业工商属性特征、企业主交易特征、宏观经济环境特征。
在一种实施方式中，构建以所述企业作为节点的多个企业关联图谱，还包括：构建企业距离图谱G1，其中，根据企业之间的物理距离和/或用户消费数据构建所述企业距离图谱G1 的边，所述企业之间的物理距离根据所述企业属性数据确定；构建企业互动图谱G2，其中，根据所述用户消费数据来构建所述企业互动图谱的边；构建企业结构图谱G3，其中，根据企业之间的业务关系来构建所述企业结构图谱的边，所述企业间业务关系基于企业工商数据确定。
在一种实施方式中，构建企业距离图谱G1，还包括：定义G1＝(V,E1)为企业距离图谱；其中V＝{vi}i＝1:N表示企业的集合，N表示企业的个数，
Figure BDA0003092301720000021
表示所述企业距离图谱的权重矩阵，
Figure BDA0003092301720000022
表示在所述企业距离图谱中企业vi与vj之间的边的权重；其中，若企业vi与 vj之间的物理距离小于第一预设阈值，则
Figure BDA0003092301720000023
和/或，若同一用户在企业vi与vj的消费时间距离小于第二预设阈值，则
Figure BDA0003092301720000024
若以上情形均不满足，则
Figure BDA0003092301720000025
在一种实施方式中，构建企业互动图谱G2，还包括：定义G2＝(V,E2)为企业互动图谱网络；其中V＝{vi}i＝1:N表示企业的集合，N表示企业的个数，
Figure BDA0003092301720000026
表示所述企业互动图谱的权重矩阵，
Figure BDA0003092301720000027
表示在所述企业互动图谱中企业vi与vj之间的边的权重；其中，
Figure BDA0003092301720000028
企业vi与vj之间的共同用户的人数M、消费笔数P、以及消费金额Q，且所述企业vi与vj在预设时间窗口内的用户消费人数为
Figure BDA0003092301720000029
消费笔数
Figure BDA00030923017200000210
以及消费金额
Figure BDA00030923017200000211
在一种实施方式中，构建企业结构图谱G3，还包括：定义G3＝(V,E3)为企业结构图谱；其中V＝{vi}i＝1:N表示企业的集合，N表示企业的个数，
Figure BDA00030923017200000212
表示所述企业结构图谱的权重矩阵，
Figure BDA00030923017200000213
表示在企业结构图谱中企业vi与vj之间的边的权重，其中，若企业vi与vj具有股权关系或隶属关系，则定义企业vi与vj间边的权重为
Figure BDA00030923017200000214
反之，
Figure BDA00030923017200000215
在一种实施方式中，根据每个所述企业关联图谱的价值贡献度融合多个所述企业关联图谱，还包括：采用图嵌入方法得到每个企业在每个所述企业关联图谱中的向量表达；计算所述每个企业在每个所述企业关联图谱中的向量表达与企业违约标签之间的关联性：基于所述关联性确定每个所述企业关联图谱的相对价值贡献度；基于每个所述企业关联图谱的相对价值贡献度确定所述融合图谱的权重矩阵。
在一种实施方式中，根据每个所述企业关联图谱的价值贡献度融合多个所述企业关联图谱，还包括：利用以下公式(1)，采用图嵌入方法得到每个企业在所述企业关联图谱中的向量表达ui：(1)ui＝(ui1,ui2,…,uik)T，其中k是向量的维度，所述i＝1,2,…,N；N为所述企业关联图谱的数量；利用以下公式(2)，计算所述ui与企业违约标签Y之间的关联性 dcov2(ui,Y)：(2)
Figure BDA0003092301720000031
其中，
Figure BDA0003092301720000032
和
Figure BDA0003092301720000033
分别是ui和Y的特征函数，
Figure BDA0003092301720000034
为ui和Y的联合特征函数；利用以下公式(3)，确定每个所述企业关联图谱的相对价值贡献度wi：(3)
Figure BDA0003092301720000035
其中，
Figure BDA0003092301720000036
根据以下公式(4)，确定所述融合图谱的权重矩阵
Figure BDA0003092301720000037
(4)
Figure BDA0003092301720000038
所述权重矩阵
Figure BDA0003092301720000039
中的元素为
Figure BDA00030923017200000310
所述
Figure BDA00030923017200000311
用于表示在所述融合图谱中企业vi与vj之间的边的权重。
在一种实施方式中，根据所述融合图谱和每个企业的所述信用评估特征训练图卷积神经网络，以得到信用评估模型，还包括：根据每个企业的所述信用评估特征确定节点特征X，根据所述融合图谱确定结点邻接矩阵A；将所述节点特征X和所述结点邻接矩阵A作为图卷积神经网络的输入，利用图卷积算法通过学习隐藏层的表示，得到所述信用评估模型。
第二方面，提供一种信用评估装置，被配置为用于执行如第一方面的方法，具体包括：特征挖掘模块，用于根据历史交易数据和企业属性数据，挖掘获取每个企业的多个信用评估特征；图谱构建模块，用于根据用户消费数据和所述企业属性数据，构建多个企业关联图谱，所述用户消费数据根据历史交易数据得到；图谱融合模块，用于根据每个所述企业关联图谱的价值贡献度融合多个所述企业关联图谱，得到融合图谱；模型评估模块，用于根据所述融合图谱和每个企业的所述信用评估特征训练图卷积神经网络，以得到信用评估模型，并根据所述信用评估模型得到企业的信用评估结果。
第三方面，提供一种信用评估装置，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行：如第一方面的方法。
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被多核处理器执行时，使得所述多核处理器执行如第一方面的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本实施例中，通过采用历史交易数据挖掘企业的信用评估特征，以用户消费数据和企业属性数据为基础，构建企业之间的关联图谱并实现融合，接着通过图卷积神经网络的方法学习企业的多维度的关联图谱的网络特征和企业节点的信用评估特征，以进行准确度更高的企业信用评估。
应当理解，上述说明仅是本发明技术方案的概述，以便能够更清楚地了解本发明的技术手段，从而可依照说明书的内容予以实施。为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举例说明本发明的具体实施方式。
附图说明
通过阅读下文的示例性实施例的详细描述，本领域普通技术人员将明白本文所述的优点和益处以及其他优点和益处。附图仅用于示出示例性实施例的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的标号表示相同的部件。在附图中：
图1为根据本发明一实施例的信用评估方法的流程示意图；
图2为根据本发明一实施例的构建企业距离图谱G1的示意图；
图3为根据本发明一实施例的构建企业互动图谱G2的示意图；
图4为根据本发明一实施例的构建企业结构图谱G3的示意图；
图5为根据本发明一实施例的信用评估装置的结构示意图；
图6为根据本发明一实施例的信用评估装置的结构示意图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
在本申请实施例的描述中，应理解，诸如“包括”或“具有”等术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不旨在排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在的可能性。
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。
术语“第一”、“第二”等仅用于描述目的，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”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
另外还需要说明的是，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。下面将参考附图并结合实施例来详细说明本发明。
图1为根据本申请一实施例的XX方法的流程示意图，用于，在该流程中，从设备角度而言，执行主体可以是一个或者多个电子设备，更具体地可以是的处理模块；从程序角度而言，执行主体相应地可以是搭载于这些电子设备上的程序。
如图1所示，本实施例提供的方法可以包括以下步骤：
S101、根据历史交易数据和企业属性数据进行特征挖掘，获取每个企业的多个信用评估特征。
其中，历史交易数据可以包括企业交易数据和用户消费数据，包括企业和用户在一段时间内的交易数据集合。企业属性数据可以包括诸如企业注册地、企业注册资本、企业经营范围、企业主数据等的企业工商属性数据，还可以包括诸如地区GDP(Gross DomesticProduct，国内生产总值)指数、CPI(Consumer Price Index，消费者物价指数)、行业企业家信心指数等的宏观经济环境特征。本实施方式中以企业的历史交易数据和企业属性数据为核心挖掘每个企业的信用评估特征，历史交易数据的真实性和动态性可以解决企业财务数据不足或不够准确等问题。
S102、根据用户消费数据和企业属性数据构建多个企业关联图谱。
其中，该用户消费数据根据历史交易数据得到。考虑到信用资质高的用户消费的企业也具有较好的信用度，因此可以通过用户消费数据来构建企业之间的边，来衡量两个企业之间的交易互动亲密度，作为边的权重。除此之外，也可以根据企业属性数据构建企业之间的边，比如，经营范围相近的企业之间的关联性较高。
S103、根据每个企业关联图谱的价值贡献度融合多个企业关联图谱，得到融合图谱。
S104、根据融合图谱和每个企业的信用评估特征训练图卷积神经网络，以得到信用评估模型，并根据信用评估模型得到企业的信用评估结果。
具体来说，本实施例针对当前对小微企业信用评估技术的不足，以历史交易数据为核心，进行企业信用评估模型的构建，从历史交易数据着手，抽取企业交易行为、用户消费数据等相关特征，以此来刻画企业的经营健康状况，交易数据的真实性较好地弥补了小微企业财务数据不准确的不足。此外，多维度地刻画了企业间的关联关系，同时将用户消费数据轨迹融入到企业的关联网络构建中，进而进行多维度图谱的融合。基于图谱价值贡献度的图谱融合算法，减轻了对专家意见的依赖程度。智能化地对企业自身的信用风险特征和企业的图谱结构特征进行学习，完成小微企业的信用风险评分。
在一些可能的实施方式中，S101中，根据历史交易数据和企业属性数据并从以下一个或多个维度挖掘每个企业的信用评估特征：企业交易行为、企业客户群体、企业工商类属性、小微企业主的交易行为、宏观经济环境。
具体地，上述企业交易特征比如可以是交易金额、交易笔数、交易笔均金额、交易波动率、连续活跃交易月份数、整数交易占比、信用卡交易笔数/金额占比、套现风险等级、黄牛商户风险指数等。上述企业客户群体特征比如可以是回头客交易笔数/金额占比、客户集中指数、中高端持卡人消费笔数/金额占比等。上述企业工商类属性特征比如可以是企业类型、企业注册地、企业注册时间、注册资本、企业有无违法违规记录等属性特征。上述小微企业主交易特征比如可以是小微企业主的交易金额、交易笔数、是否有夜间交易等。上述宏观经济环境特征比如可以是地区GDP、CPI指数、行业企业家信心指数等。
本实施方式中，以历史交易数据为基础，对企业的交易流水数据进行统计与分析，从企业交易行为、客户群体、以及企业主的交易三个维度，抽取相应的特征，来反映小微企业真实的经营质量以及小微企业主的信用风险，较好地弥补了现有方法存在的小微企业财务数据真实性不足、以及信用白户(未有信贷记录)类小微企业主征信数据不足的缺点。其次，结合工商企业数据和统计局的宏观经济数据对小微企业的自身属性以及宏观经济背景两个维度，进行相应的特征抽取，以提升对企业信用评估的全面性。
在一些可能的实施方式中，S102中，还包括：构建企业距离图谱G1、企业互动图谱G2 和企业结构图谱G3。其中，企业距离图谱G1以企业为节点，并根据企业之间的物理距离构建企业距离图谱G1的边，企业之间的物理距离根据企业属性数据确定。企业互动图谱G2以企业为节点，根据用户消费数据来构建企业互动图谱的边，用户消费数据根据历史交易数据确定。企业结构图谱G3以企业为节点，根据企业之间的业务关系来构建企业结构图谱的边，企业间业务关系基于企业工商数据确定。
本实施方式中，考虑到小微企业较高的外部敏感性，提出搭建小微企业的多维度图谱，刻画小微企业的关联企业对其信用资质的影响作用。在构建小微企业的多维度图谱时，考虑了三个层次。其一是企业的距离，衡量同商圈的企业对该企业的经营状况的影响作用；其二是考虑到信用资质高的持卡人消费的企业也具有较好的信用度，因此本提案提出通过持卡人的消费路径来构建企业之间的边，来衡量两个企业之间的交易互动亲密度，作为边的权重；其三是结合工商企业数据，衡量由企业间的业务关系而产生的影响。
在一些可能的实施方式中，参考图2，构建企业距离图谱G1具体可以包括以下步骤：
定义G1＝(V,E1)为企业距离图谱，其中V＝{vi}i＝1:N表示企业的集合，N表示企业的个数，
Figure BDA0003092301720000071
表示该图谱的权重矩阵，
Figure BDA0003092301720000072
表示在企业距离图谱中企业vi与vj之间的边的权重，具体定义如下：对于企业vi与vj，若企业之间的物理距离Distance(i,j)小于第一预设阈值D0，则
Figure BDA0003092301720000073
对于企业vi与vj，若同一持卡人在他们两家消费时间距离小于第二预设阈值T0，则
Figure BDA0003092301720000074
若以上情形均不满足，则
Figure BDA0003092301720000075
图2中给出了企业v1与v2的示例。
在一些可能的实施方式中，参考图3，构建企业互动图谱G2具体可以包括以下步骤：
定义G1＝(V,E1)为企业互动图谱网络，其中V＝{vi}i＝1:N表示企业的集合，N表示企业的个数，
Figure BDA0003092301720000076
表示企业互动图谱的权重矩阵，
Figure BDA0003092301720000077
表示在企业互动图谱中企业vi与vj之间的边的权重。考虑到用户的交易行为具有周期性，选取以一周为预设时间窗口，根据用户的交易行为数据，构建以企业为结点的用户消费数据轨迹序列，并以此来搭建企业间的互动图谱。例如，图3中，其中一个用户在预设时间窗口与企业v1、v2、v3有交易记录，另一个用户在预设时间窗口与企业v2、v3、v5有交易记录，以此类推，可以基于此搭建企业间的互动图谱。具体地，可以计算两个企业vi与vj之间的共同用户的人数M、消费笔数P、以及消费金额Q，同时统计两个企业vi与vj在该预设时间窗口内的持卡人消费人数为
Figure BDA0003092301720000078
消费笔数
Figure BDA0003092301720000079
以及消费金额
Figure BDA00030923017200000710
由此，企业vi与vj之间的消费互动强度
Figure BDA00030923017200000711
可以定义为：
Figure BDA00030923017200000712
其中，avg表示求均值。
在一些可能的实施方式中，参考图4，构建企业结构图谱G3具体可以包括以下步骤：
定义G3＝(V,E3)为企业结构图谱，其中V＝{vi}i＝1:N表示企业的集合，N表示企业的个数，
Figure BDA00030923017200000713
表示企业结构图谱的权重矩阵，
Figure BDA00030923017200000714
表示在企业结构图谱中企业vi与vj之间的边的权重。进一步地，可以基于工商总局数据，根据企业间的股权投资关系、隶属关系，构建企业间的结构图谱。具体地，对于企业vi与vj，若vi与vj具有股权关系或隶属关系，则我们定义企业vi与vj间边的权重为
Figure BDA00030923017200000715
反之，
Figure BDA00030923017200000716
在一些可能的实施方式中，S103中，还包括：根据每个企业关联图谱的价值贡献度融合多个企业关联图谱，还包括：根据多个企业关联图谱，基于图嵌入方法，生成每个企业在单个企业关联图谱中的向量表达，并基于向量表达与企业违约标签计算企业关联图谱的价值贡献度，并根据价值贡献度为权重来进行图谱融合，得到融合图谱。
在一些可能的实施方式中，S103还包括：采用图嵌入方法得到每个企业在每个企业关联图谱中的向量表达；计算每个企业在每个企业关联图谱中的向量表达与企业违约标签之间的关联性：基于关联性确定每个企业关联图谱的相对价值贡献度；基于每个企业关联图谱的相对价值贡献度确定融合图谱的权重矩阵。本实施方式创新性地提出了基于图谱价值贡献度的图谱融合算法，减轻了对专家意见的依赖程度。
具体来说，利用以下公式(1)、(2)、(3)、(4)完成上述S103的图谱融合。
首先，利用以下公式(1)，采用图嵌入方法得到每个企业在企业关联图谱中的向量表达 ui：
(1)ui＝(ui1,ui2,…,uik)T，其中k是向量的维度，i＝1,2，…，N；N为企业关联图谱的数量；
之后，利用以下公式(2)，计算ui与企业违约标签Y之间的关联性dcov2(ui,Y)：
(2)
Figure BDA0003092301720000081
其中，
Figure BDA0003092301720000082
和
Figure BDA0003092301720000083
分别是ui和Y的特征函数，
Figure BDA0003092301720000084
为ui和Y的联合特征函数；总体来说，dcov2(ui,Y)的值越大，ui和Y的相关性就越强，即该图谱的价值贡献度高；dcov2(ui,Y)的值越接近于0，ui和Y的相关性越弱，即该图谱的价值贡献度低。
之后，利用以下公式(3)，确定每个企业关联图谱的相对价值贡献度wi：
(3)
Figure BDA0003092301720000085
其中，
Figure BDA0003092301720000086
最后，根据以下公式(4)，确定融合图谱的权重矩阵
Figure BDA0003092301720000087
(4)
Figure BDA0003092301720000088
权重矩阵
Figure BDA0003092301720000089
中的元素为
Figure BDA00030923017200000810
Figure BDA00030923017200000811
用于表示在融合图谱中企业vi与 vj之间的边的权重。
在一些可能的实施方式中，S104具体可以包括：根据每个企业的信用评估特征确定节点特征X，根据融合图谱确定结点邻接矩阵A；将节点特征X和结点邻接矩阵A作为图卷积神经网络的输入，利用图卷积算法通过学习隐藏层的表示，得到信用评估模型。本实施方式中，基于图卷积神经网络算法的企业风险评估算法，智能化地对企业自身的信用风险特征和企业的图谱结构特征进行学习，完成小微企业的信用风险评分。
在本说明书的描述中，参考术语“一些可能的实施方式”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，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至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
关于本申请实施例的方法流程图，将某些操作描述为以一定顺序执行的不同的步骤。这样的流程图属于说明性的而非限制性的。可以将在本文中所描述的某些步骤分组在一起并且在单个操作中执行、可以将某些步骤分割成多个子步骤、并且可以以不同于在本文中所示出的顺序来执行某些步骤。可以由任何电路结构和/或有形机制(例如，由在计算机设备上运行的软件、硬件(例如，处理器或芯片实现的逻辑功能)等、和/或其任何组合)以任何方式来实现在流程图中所示出的各个步骤。
基于相同的技术构思，本发明实施例还提供一种信用评估装置，用于执行上述任一实施例所提供的信用评估方法。图5为本发明实施例提供的一种信用评估装置的结构示意图。
如图5所示，信用评估装置500包括：
特征挖掘模块501，用于根据历史交易数据和企业属性数据，挖掘获取每个企业的多个信用评估特征；
图谱构建模块502，用于根据用户消费数据和企业属性数据，构建多个企业关联图谱，用户消费数据根据历史交易数据得到；
图谱融合模块503，用于根据每个企业关联图谱的价值贡献度融合多个企业关联图谱，得到融合图谱；
模型评估模块504，用于根据融合图谱和每个企业的信用评估特征训练图卷积神经网络，以得到信用评估模型，并根据信用评估模型得到企业的信用评估结果。
需要说明的是，本申请实施例中的信用评估装置可以实现前述信用评估方法的实施例的各个过程，并达到相同的效果和功能，这里不再赘述。
在一种实施方式中，特征挖掘模块501还用于：根据历史交易数据和企业属性数据并从以下一个或多个维度挖掘每个企业的信用评估特征：企业交易特征、企业客户群体特征、企业工商属性特征、企业主交易特征、宏观经济环境特征。
在一种实施方式中，图谱构建模块502，还用于：构建企业距离图谱G1，其中，根据企业之间的物理距离和/或用户消费数据构建企业距离图谱G1的边，企业之间的物理距离根据企业属性数据确定；构建企业互动图谱G2，其中，根据用户消费数据来构建企业互动图谱的边；构建企业结构图谱G3，其中，根据企业之间的业务关系来构建企业结构图谱的边，企业间业务关系基于企业工商数据确定。
在一种实施方式中，图谱构建模块502，还用于：构建企业距离图谱G1，包括：定义 G1＝(V,E1)为企业距离图谱；其中V＝{vi}i＝1:N表示企业的集合，N表示企业的个数，
Figure BDA0003092301720000101
表示企业距离图谱的权重矩阵，
Figure BDA0003092301720000102
表示在企业距离图谱中企业vi与vj之间的边的权重；其中，若企业vi与vj之间的物理距离小于第一预设阈值，则
Figure BDA0003092301720000103
和/或，若同一用户在企业vi与vj的消费时间距离小于第二预设阈值，则
Figure BDA0003092301720000104
若以上情形均不满足，则
Figure BDA0003092301720000105
在一种实施方式中，图谱构建模块502，还用于：构建企业互动图谱G2，包括：定义G2＝(V,E2)为企业互动图谱网络；其中V＝{vi}i＝1:N表示企业的集合，N表示企业的个数，
Figure BDA0003092301720000106
表示企业互动图谱的权重矩阵，
Figure BDA0003092301720000107
表示在企业互动图谱中企业vi与vj之间的边的权重；其中，
Figure BDA0003092301720000108
企业vi与vj之间的共同用户的人数M、消费笔数P、以及消费金额Q，且企业vi与vj在预设时间窗口内的用户消费人数为
Figure BDA0003092301720000109
消费笔数
Figure BDA00030923017200001010
以及消费金额
Figure BDA00030923017200001011
在一种实施方式中，图谱构建模块502，还用于：构建企业结构图谱G3，包括：定义 G3＝(V,E3)为企业结构图谱；其中V＝{vi}i＝1:N表示企业的集合，N表示企业的个数，
Figure BDA00030923017200001012
表示企业结构图谱的权重矩阵，
Figure BDA00030923017200001013
表示在企业结构图谱中企业vi与vj之间的边的权重，其中，若企业vi与vj具有股权关系或隶属关系，则定义企业vi与vj间边的权重为
Figure BDA00030923017200001014
反之，
Figure BDA00030923017200001015
在一种实施方式中，图谱融合模块503，还用于：采用图嵌入方法得到每个企业在每个企业关联图谱中的向量表达；计算每个企业在每个企业关联图谱中的向量表达与企业违约标签之间的关联性：基于关联性确定每个企业关联图谱的相对价值贡献度；基于每个企业关联图谱的相对价值贡献度确定融合图谱的权重矩阵。
在一种实施方式中，图谱融合模块503，还用于：利用以下公式(1)，采用图嵌入方法得到每个企业在企业关联图谱中的向量表达ui：(1)ui＝(ui1,ui2,…,uik)T，其中k是向量的维度，i＝1,2,…,N；N为企业关联图谱的数量；利用以下公式(2)，计算ui与企业违约标签Y之间的关联性dcov2(ui,Y)：(2)
Figure BDA0003092301720000111
其中，
Figure BDA0003092301720000112
和
Figure BDA0003092301720000113
分别是ui和Y的特征函数，
Figure BDA0003092301720000114
为ui和Y的联合特征函数；利用以下公式(3)，确定每个企业关联图谱的相对价值贡献度wi：(3)
Figure BDA0003092301720000115
其中，
Figure BDA0003092301720000116
根据以下公式(4)，确定融合图谱的权重矩阵
Figure BDA0003092301720000117
(4)
Figure BDA0003092301720000118
权重矩阵
Figure BDA0003092301720000119
中的元素为
Figure BDA00030923017200001110
Figure BDA00030923017200001111
用于表示在融合图谱中企业vi与vj之间的边的权重。
在一种实施方式中，模型评估模块504，还用于：根据每个企业的信用评估特征确定节点特征X，根据融合图谱确定结点邻接矩阵A；将节点特征X和结点邻接矩阵A作为图卷积神经网络的输入，利用图卷积算法通过学习隐藏层的表示，得到信用评估模型。
图6为根据本申请一实施例的信用评估装置装置，用于执行图1所示出的信用评估方法，该装置包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例的方法。
根据本申请的一些实施例，提供了信用评估方法的非易失性计算机存储介质，其上存储有计算机可执行指令，该计算机可执行指令设置为在由处理器运行时执行：上述实施例的方法。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以其描述进行了简化，相关之处可参见方法实施例的部分说明即可。
本申请实施例提供的装置、设备和计算机可读存储介质与方法是一一对应的，因此，装置、设备和计算机可读存储介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述装置、设备和计算机可读存储介质的有益技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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、设备(系统)、和计算机程序产品的流程图和 /或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和 /或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (12)

1.一种信用评估方法，其特征在于，包括：
根据历史交易数据和企业属性数据，挖掘获取每个企业的多个信用评估特征；
根据用户消费数据和所述企业属性数据，构建多个企业关联图谱，所述用户消费数据根据历史交易数据得到；
根据每个所述企业关联图谱的价值贡献度融合多个所述企业关联图谱，得到融合图谱；
根据所述融合图谱和每个企业的所述信用评估特征训练图卷积神经网络，以得到信用评估模型，并根据所述信用评估模型得到企业的信用评估结果。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据历史交易数据和企业属性数据并从以下一个或多个维度挖掘每个企业的所述信用评估特征：企业交易特征、企业客户群体特征、企业工商属性特征、企业主交易特征、宏观经济环境特征。
3.根据权利要求1所述的方法，其特征在于，构建以所述企业作为节点的多个企业关联图谱，还包括：
构建企业距离图谱G1，其中，根据企业之间的物理距离和/或用户消费数据构建所述企业距离图谱G1的边，所述企业之间的物理距离根据所述企业属性数据确定；
构建企业互动图谱G2，其中，根据所述用户消费数据来构建所述企业互动图谱的边；
构建企业结构图谱G3，其中，根据企业之间的业务关系来构建所述企业结构图谱的边，所述企业间业务关系基于企业工商数据确定。
4.根据权利要求1所述的方法，其特征在于，构建企业距离图谱G1，还包括：
定义G1＝(V,E1)为企业距离图谱；其中V{vi}i＝1:N表示企业的集合，N表示企业的个数，
Figure FDA0003092301710000011
表示所述企业距离图谱的权重矩阵，
Figure FDA0003092301710000012
表示在所述企业距离图谱中企业vi与vj之间的边的权重；
其中，若企业vi与vj之间的物理距离小于第一预设阈值，则
Figure FDA0003092301710000013
和/或，若同一用户在企业vi与vj的消费时间距离小于第二预设阈值，则
Figure FDA0003092301710000014
若以上情形均不满足，则
Figure FDA0003092301710000015
5.根据权利要求1所述的方法，其特征在于，构建企业互动图谱G2，还包括：
定义G2＝(V,E2)为企业互动图谱网络；其中V＝{vi}i＝1:N表示企业的集合，N表示企业的个数，
Figure FDA0003092301710000016
表示所述企业互动图谱的权重矩阵，
Figure FDA0003092301710000017
表示在所述企业互动图谱中企业vi与vj之间的边的权重；
其中，
Figure FDA0003092301710000021
企业vi与vj之间的共同用户的人数M、消费笔数P、以及消费金额Q，且所述企业vi与vj在预设时间窗口内的用户消费人数为
Figure FDA0003092301710000022
消费笔数
Figure FDA0003092301710000023
以及消费金额
Figure FDA0003092301710000024
6.根据权利要求1所述的方法，其特征在于，构建企业结构图谱G3，还包括：
定义G3＝(V,E3)为企业结构图谱；其中V＝{vi}i＝1:N表示企业的集合，N表示企业的个数，
Figure FDA0003092301710000025
表示所述企业结构图谱的权重矩阵，
Figure FDA0003092301710000026
表示在企业结构图谱中企业vi与vj之间的边的权重，其中，若企业vi与vj具有股权关系或隶属关系，则定义企业vi与vj间边的权重为
Figure FDA0003092301710000027
反之，
Figure FDA0003092301710000028
7.根据权利要求1所述的方法，其特征在于，根据每个所述企业关联图谱的价值贡献度融合多个所述企业关联图谱，还包括：
采用图嵌入方法得到每个企业在每个所述企业关联图谱中的向量表达；
计算所述每个企业在每个所述企业关联图谱中的向量表达与企业违约标签之间的关联性：
基于所述关联性确定每个所述企业关联图谱的相对价值贡献度；
基于每个所述企业关联图谱的相对价值贡献度确定所述融合图谱的权重矩阵。
8.根据权利要求1所述的方法，其特征在于，根据每个所述企业关联图谱的价值贡献度融合多个所述企业关联图谱，还包括：
利用以下公式(1)，采用图嵌入方法得到每个企业在所述企业关联图谱中的向量表达ui：
(1)ui＝(ui1,ui2,…,uik)T，其中k是向量的维度，所述i＝1,2,…,N；N为所述企业关联图谱的数量；
利用以下公式(2)，计算所述ui与企业违约标签Y之间的关联性dcov2(ui,)：
(2)
Figure FDA0003092301710000029
其中，
Figure FDA00030923017100000210
和
Figure FDA00030923017100000211
分别是ui和Y的特征函数，
Figure FDA00030923017100000212
为ui和Y的联合特征函数；
利用以下公式(3)，确定每个所述企业关联图谱的相对价值贡献度wi：
(3)
Figure FDA00030923017100000213
其中，
Figure FDA00030923017100000214
根据以下公式(4)，确定所述融合图谱的权重矩阵
Figure FDA00030923017100000215
(4)
Figure FDA00030923017100000216
所述权重矩阵
Figure FDA00030923017100000217
中的元素为
Figure FDA00030923017100000218
所述
Figure FDA00030923017100000219
用于表示在所述融合图谱中企业vi与vj之间的边的权重。
9.根据权利要求7所述的方法，其特征在于，根据所述融合图谱和每个企业的所述信用评估特征训练图卷积神经网络，以得到信用评估模型，还包括：
根据每个企业的所述信用评估特征确定节点特征X，根据所述融合图谱确定结点邻接矩阵A；
将所述节点特征X和所述结点邻接矩阵A作为图卷积神经网络的输入，利用图卷积算法通过学习隐藏层的表示，得到所述信用评估模型。
10.一种信用评估装置，其特征在于，被配置为用于执行如权利要求1-9中任一项所述的方法，具体包括：
特征挖掘模块，用于根据历史交易数据和企业属性数据，挖掘获取每个企业的多个信用评估特征；
图谱构建模块，用于根据用户消费数据和所述企业属性数据，构建多个企业关联图谱，所述用户消费数据根据历史交易数据得到；
图谱融合模块，用于根据每个所述企业关联图谱的价值贡献度融合多个所述企业关联图谱，得到融合图谱；
模型评估模块，用于根据所述融合图谱和每个企业的所述信用评估特征训练图卷积神经网络，以得到信用评估模型，并根据所述信用评估模型得到企业的信用评估结果。
11.一种信用评估装置，其特征在于，包括：
至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行：如权利要求1-9中任一项所述的方法。
12.一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被多核处理器执行时，使得所述多核处理器执行如权利要求1-9中任一项所述的方法。
CN202110599201.8A 2021-05-31 2021-05-31 一种信用评估方法、装置及计算机可读存储介质 Pending CN113362158A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110599201.8A CN113362158A (zh) 2021-05-31 2021-05-31 一种信用评估方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110599201.8A CN113362158A (zh) 2021-05-31 2021-05-31 一种信用评估方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN113362158A true CN113362158A (zh) 2021-09-07

Family

ID=77528428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110599201.8A Pending CN113362158A (zh) 2021-05-31 2021-05-31 一种信用评估方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113362158A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114119201A (zh) * 2021-11-26 2022-03-01 天元大数据信用管理有限公司 一种企业征信方法、设备及介质
CN116227939A (zh) * 2023-05-04 2023-06-06 深圳市迪博企业风险管理技术有限公司 基于图卷积神经网络和em算法的企业信用评级方法和装置
CN116362940A (zh) * 2023-04-01 2023-06-30 山东联信数字科技有限公司 一种基于大数据分析的企业信用评估方法、系统、装置和存储介质
CN116402416A (zh) * 2023-04-11 2023-07-07 北京思维实创科技有限公司 指标数据驱动的企业组织冗余度与重要性评价方法及系统
CN117114819A (zh) * 2023-10-23 2023-11-24 临沂大学 一种基于评估体的数据交易信誉评估方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130185189A1 (en) * 2011-01-13 2013-07-18 Jeffrey Stewart Systems and methods for using online social footprint for affecting lending performance and credit scoring
US20150278742A1 (en) * 2014-03-31 2015-10-01 Kountable, Inc. Multi-variable assessment systems and methods that evaluate and predict entrepreneurial behavior
WO2017167071A1 (zh) * 2016-03-30 2017-10-05 阿里巴巴集团控股有限公司 一种对应用程序进行项目评估的方法及系统
CN109558502A (zh) * 2018-12-18 2019-04-02 福州大学 一种基于知识图谱的城市安全数据检索方法
CN110910243A (zh) * 2019-09-26 2020-03-24 山东佳联电子商务有限公司 一种基于可重构大数据知识图谱技术的产权交易方法
CN111401777A (zh) * 2020-03-30 2020-07-10 未来地图(深圳)智能科技有限公司 企业风险的评估方法、装置、终端设备及存储介质
US20200250623A1 (en) * 2019-02-01 2020-08-06 Capital One Services, Llc Systems and techniques to quantify strength of a relationship with an enterprise
CN112016836A (zh) * 2020-08-31 2020-12-01 中国银联股份有限公司 一种对象间相似性的确定方法及装置
CN112330373A (zh) * 2020-11-30 2021-02-05 中国银联股份有限公司 用户行为分析方法、装置及计算机可读存储介质
CN112598507A (zh) * 2020-12-25 2021-04-02 北京知因智慧科技有限公司 基于知识图谱的过度授信风险预测系统和方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130185189A1 (en) * 2011-01-13 2013-07-18 Jeffrey Stewart Systems and methods for using online social footprint for affecting lending performance and credit scoring
US20150278742A1 (en) * 2014-03-31 2015-10-01 Kountable, Inc. Multi-variable assessment systems and methods that evaluate and predict entrepreneurial behavior
WO2017167071A1 (zh) * 2016-03-30 2017-10-05 阿里巴巴集团控股有限公司 一种对应用程序进行项目评估的方法及系统
CN109558502A (zh) * 2018-12-18 2019-04-02 福州大学 一种基于知识图谱的城市安全数据检索方法
US20200250623A1 (en) * 2019-02-01 2020-08-06 Capital One Services, Llc Systems and techniques to quantify strength of a relationship with an enterprise
CN110910243A (zh) * 2019-09-26 2020-03-24 山东佳联电子商务有限公司 一种基于可重构大数据知识图谱技术的产权交易方法
CN111401777A (zh) * 2020-03-30 2020-07-10 未来地图(深圳)智能科技有限公司 企业风险的评估方法、装置、终端设备及存储介质
CN112016836A (zh) * 2020-08-31 2020-12-01 中国银联股份有限公司 一种对象间相似性的确定方法及装置
CN112330373A (zh) * 2020-11-30 2021-02-05 中国银联股份有限公司 用户行为分析方法、装置及计算机可读存储介质
CN112598507A (zh) * 2020-12-25 2021-04-02 北京知因智慧科技有限公司 基于知识图谱的过度授信风险预测系统和方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
李智星;万磊;周鸿雁;王广洁;邓琳;: "电网企业运营指标知识图谱构建及其应用", 农村电气化, no. 02 *
李肖俊;邵必林;: "多源异构数据情境中学术知识图谱模型构建研究", 现代情报, no. 06 *
王瑞萍;刘峰;杨媛琦;邢春玉;: "审计知识图谱的构建与研究――基于Neo4j的图谱技术", 中国注册会计师, no. 09 *
蔺楠, 覃正, 汪应洛: "基于MAS的信用评估系统建模研究", 计算机应用研究, no. 08 *
陆萍;: "大数据背景下工业类小微企业信用评估指标体系研究――以苏州市为例", 科技广场, no. 01 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114119201A (zh) * 2021-11-26 2022-03-01 天元大数据信用管理有限公司 一种企业征信方法、设备及介质
CN114119201B (zh) * 2021-11-26 2024-01-23 天元大数据信用管理有限公司 一种企业征信方法、设备及介质
CN116362940A (zh) * 2023-04-01 2023-06-30 山东联信数字科技有限公司 一种基于大数据分析的企业信用评估方法、系统、装置和存储介质
CN116402416A (zh) * 2023-04-11 2023-07-07 北京思维实创科技有限公司 指标数据驱动的企业组织冗余度与重要性评价方法及系统
CN116402416B (zh) * 2023-04-11 2023-10-20 北京思维实创科技有限公司 指标数据驱动的企业组织冗余度与重要性评价方法及系统
CN116227939A (zh) * 2023-05-04 2023-06-06 深圳市迪博企业风险管理技术有限公司 基于图卷积神经网络和em算法的企业信用评级方法和装置
CN117114819A (zh) * 2023-10-23 2023-11-24 临沂大学 一种基于评估体的数据交易信誉评估方法

Similar Documents

Publication Publication Date Title
Cezar et al. Institutional distance and foreign direct investment
CN113362158A (zh) 一种信用评估方法、装置及计算机可读存储介质
US7840428B2 (en) Method, system and apparatus for measuring and analyzing customer business volume
Cuthbertson et al. The market timing ability of UK mutual funds
Moon et al. Technology credit scoring model considering both SME characteristics and economic conditions: The Korean case
WO2020024718A1 (zh) 外汇交易量预测方法和装置
Chung et al. Foreign debt supply in an imperfect international capital market: Theory and evidence
Martinez-Cillero et al. Financial frictions and the SME investment gap: New survey evidence for Ireland
Wekullo et al. The relationship between alternative strategies of funding and institutional financial health for public research universities
Metawa et al. Expert Systems in Finance
Cepni et al. How local is the local inflation factor? Evidence from emerging European countries
Vacca An unexpected crisis? Looking at pricing effectiveness of heterogeneous banks
Coskun et al. Is there a bubbly euphoria in the Turkish housing market?
Boczar Competition between banks and finance companies: a cross section study of personal loan debtors
Gabbi et al. Asset correlations and bank capital adequacy
CN112766814A (zh) 一种信用风险压力测试模型的训练方法、装置及设备
CN111292118A (zh) 基于深度学习的投资者画像构建方法和装置
Berteloot et al. A novel credit rating migration modeling approach using macroeconomic indicators
Ryan Nowhere to hide: an analysis of investment opportunities in listed property markets during financial market crises
Brzezicka et al. The applicability of the speculative frame method for detecting disturbances on the real estate market: evidence from Poland
Kerner et al. The political economy of data production
Li et al. Causality-in-variance and causality-in-mean among European government bond markets
Auwalin The effect of a credit policy change on microenterprise upward transition and growth: evidence from Indonesia
Hammerle et al. Super‐sizing Renewable Energy Investment: Examining the Portfolio Preferences of Superannuation Fund Members
Hosono et al. Bank lending and firm activities: Overcoming identification problems

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