CN113536746A - 信用评级报告生成方法、装置、计算机设备和存储介质 - Google Patents
信用评级报告生成方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113536746A CN113536746A CN202110846865.XA CN202110846865A CN113536746A CN 113536746 A CN113536746 A CN 113536746A CN 202110846865 A CN202110846865 A CN 202110846865A CN 113536746 A CN113536746 A CN 113536746A
- Authority
- CN
- China
- Prior art keywords
- index
- credit rating
- evaluation
- rating report
- generated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 318
- 238000012545 processing Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic 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
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Technology Law (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
本申请涉及大数据技术领域,特别是涉及一种信用评级报告生成方法、装置、计算机设备和存储介质。所述方法包括:获取评测对象的初始评测结果,初始评测结果包括多个评测指标以及对应的各指标等级;确定各评测指标与待生成信用评级报告之间的相关性;获取对应待生成信用评级报告的配置数据,配置数据中包括与各评测指标相对应的逻辑文本;基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告。采用本方法能够提升信用评级报告生成智能化水平。本申请还涉及区块链技术领域,各数据均可以上传至区块链存储。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种信用评级报告生成方法、装置、计算机设备和存储介质。
背景技术
信用评级报告是在深入研究评测对象的经营发展状况和财务成果的基础上,对评测对象的经营管理状况、财务指标分析、外部支持等因素进行评级结论分析。
在传统方式中,信用评级报告通常基于固定模板生成。
但是,固定模板仅针对单一固定类型的报告内容,使得可生成的评级报告覆盖率较低,进而使得信用评级报告生成的智能化水平较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升信用评级报告生成智能化水平的信用评级报告生成方法、装置、计算机设备和存储介质。
一种信用评级报告生成方法,所述方法包括:
获取评测对象的初始评测结果,初始评测结果包括多个评测指标以及对应的各指标等级;
确定各评测指标与待生成信用评级报告之间的相关性;
获取对应待生成信用评级报告的配置数据,配置数据中包括与各评测指标相对应的逻辑文本;
基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告。
在其中一个实施例中,确定各评测指标与待生成信用评级报告之间的相关性,包括:
对各评测指标进行语义识别,确定各评测指标的指标语义;
根据各指标语义,确定各评测指标与待生成信用评级报告之间的相关性。
在其中一个实施例中,基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告,包括:
基于各相关性,对各指标等级进行预处理,得到预处理后的指标等级;
根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告。
在其中一个实施例中,基于各相关性,对各指标等级进行预处理,得到预处理后的指标等级,包括:
当相关性指示评测指标与待生成信用评级报告之间为负相关时,则对负相关对应的评测指标的指标等级进行逆序预处理,得到预处理后的指标等级。
在其中一个实施例中,基于根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告之前,还包括:
获取对应各评测指标的指标原始数据;
根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告,包括:
将各指标原始数据写入对应的逻辑文本中,生成对应各评测指标的各文本句;
基于预处理后的指标等级,对各生成的各文本句进行组合,得到信用评级报告。
在其中一个实施例中,获取对应待生成信用评级报告的配置数据,包括:
获取对应待生成信用评级报告的第一配置数据以及第二配置数据,第一配置数据包括与各评测指标存在一对一关系的各第一逻辑文本,第二配置数据包括与各评测指标的指标组合存在对应关系的各第二逻辑文本;
基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告,包括:
基于各评测指标相对应的第一逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成对应各评测指标的第一文本句;
基于各评测指标相对应的第二逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成对应各指标组合的第二文本句;
对第一文本句以及第二文本句进行组合,生成信用评级报告。
在其中一个实施例中,对第一文本句以及第二文本句进行组合,生成信用评级报告之前,还包括:
获取标准化处理数据;
基于标准化处理数据对第一文本句以及文本句进行标准化处理,得到标准化处理后的第一文本句以及标准化处理后的第二文本句;
对第一文本句以及第二文本句进行组合,生成信用评级报告,包括:
对标准化处理后的第一文本句以及标准化处理后的第二文本句进行组合,生成信用评级报告。
一种信用评级报告生成装置,所述装置包括:
初始评测结果获取模块,用于获取评测对象的初始评测结果,初始评测结果包括多个评测指标以及对应的各指标等级;
相关性确定模块,用于确定各评测指标与待生成信用评级报告之间的相关性;
配置数据获取模块,用于获取对应待生成信用评级报告的配置数据,配置数据中包括与各评测指标相对应的逻辑文本;
信用评级报告生成模块,用于基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
上述信用评级报告生成方法、装置、计算机设备和存储介质,通过获取评测对象的初始评测结果,初始评测结果包括多个评测指标以及对应的各指标等级,然后确定各评测指标与待生成信用评级报告之间的相关性,并获取对应待生成信用评级报告的配置数据,配置数据中包括与各评测指标相对应的逻辑文本,进一步,基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告。从而,在得到各评测对象的初始评测结果后,可以基于确定各评测指标与是生成的信用评级报告之间的相关性,并基于获取到的配置数据、指标等级以及相关性,生成信用评级报告,相比于传统方式中通过人工编写,本申请方案可以提升数据处理的智能化水平,可以提升信用评级报告生成的智能化水平。并且,通过确定评测指标与待生成信用评级报告之间的相关性,并基于相关性生成信用评级报告,使得信用评级报告的生成结合了评测指标与报告之间的相关性信息,可以提升生成的信用评级报告的准确性。
附图说明
图1为一个实施例中信用评级报告生成方法的应用场景图;
图2为一个实施例中信用评级报告生成方法的流程示意图;
图3为一个实施例中信用评级报告生成装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的信用评级报告生成方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。其中,终端102可以接收用户输入,并生成指令,以控制服务器104进行处理。服务器104可以基于终端102的指示,获取评测对象的初始评测结果,初始评测结果包括多个评测指标以及对应的各指标等级。然后,服务器104可以确定各评测指标与待生成信用评级报告之间的相关性,并获取对应待生成信用评级报告的配置数据,配置数据中包括与各评测指标相对应的逻辑文本。进一步,服务器104可以基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种信用评级报告生成方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,获取评测对象的初始评测结果,初始评测结果包括多个评测指标以及对应的各指标等级。
其中,评测对象是指信用评级中的各对象,可以包括各公司或者是各企业等。在具体业务中,信用评级具体可以是指银行贷款评测或者世界五百强评测等由评判机构组织的评测。
初始评测结果是指在基于评测指标对各评测对象进行评测后,所得到的评测结果数据。初始评测结果可以包括对应多个评测指标的各指标等级。
在本实施例中,评测指标可以包括但不限于资产负载率、资产规模、负债排序、退保率、公司稳定性等指标。指标等级是指对应各评测指标的等级,或者也可以是指标值,其可以是百分比,也可以是分数值,对此不作限制。对于不同的业务领域,其对应的评测指标以及评测指标的数据可以并不相同。
在本实施例中,服务器可以通过量化信用模型生成对应评测对象的初始评测结果。量化信用评级模型是利用机器学习分析师的分析逻辑,对全市场债券发行主体和上市公司进行量化评级的模型,输入数据或输入因子为各种财务数据、财务比率、企业性质、舆情等。
在本实施例中,量化信用评级模型可以包括对应于不同行业的模型,如包括对应12个不同的行业模型,可以对不同行业的评测对象进行评级,每个行业的模型中所用到的评测指标都不尽相同。
在其中一个实施例中,服务器可以将各待测对象的财务数据、财务比率、企业性质、舆情等输入量化信用评级模型,并通过量化信用评级模型测评后,输出各待测对象对应的初始评测结果。
在本实施例中,输出的评测结果可以是评测对象在整个行业中的评测结果,例如,对于评测指标“资产负债率”,A企业对应的初始评测结果为“A企业是12%,在所属建筑行业中分位数为5%”。
在本实施例中,量化信用评级模型可以是预先训练的模型,服务器可以基于获取到的历史数据对量化信用评级模型进行训练,并在训练完成后,用于对各评测对象进行测评。
步骤S204,确定各评测指标与待生成信用评级报告之间的相关性。
在本实施例中,服务器在得到对应评测对象的初始评测结果之后,可以基于初始评测结果中各评测指标,如指标语义等,确定各评测指标与待生成信用评级报告之间的相关性,如正相关或者是负相关等。步骤S206,获取对应待生成信用评级报告的配置数据,配置数据中包括与各评测指标相对应的逻辑文本。
其中,配置数据是预先配置的,用于生成信用评级报告的数据,其具体可以是配置表。
在本实施例中,配置数据中可以包括与各评测指标相对应的逻辑文本,各逻辑文本与对应的评测指标之间可以存在映射关系。
在本实施例中,对于不同的行业,配置数据可以不同,服务器可以基于行业标识,或者是基于初始评测结果中的评测指标,从数据库中查询并获取对应的配置数据,并进行进一步的处理。
步骤S208,基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告。
在本实施例中,服务器可以根据各评测指标与待生成信用评级报告之间的相关性,对各指标等级进行处理,得到处理后的指标等级。
进一步,服务器根据各逻辑文本,生成对应的报告内容,并基于指标等级对报告内容进行排序并进行组合,以生成信用评测报告。
上述信用评级报告生成方法中,通过获取评测对象的初始评测结果,初始评测结果包括多个评测指标以及对应的各指标等级,然后确定各评测指标与待生成信用评级报告之间的相关性,并获取对应待生成信用评级报告的配置数据,配置数据中包括与各评测指标相对应的逻辑文本,进一步,基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告。从而,在得到各评测对象的初始评测结果后,可以基于确定各评测指标与是生成的信用评级报告之间的相关性,并基于获取到的配置数据、指标等级以及相关性,生成信用评级报告,相比于传统方式中通过人工编写,本申请方案可以提升数据处理的智能化水平,可以提升信用评级报告生成的智能化水平。并且,通过确定评测指标与待生成信用评级报告之间的相关性,并基于相关性生成信用评级报告,使得信用评级报告的生成结合了评测指标与报告之间的相关性信息,可以提升生成的信用评级报告的准确性。
在其中一个实施例中,确定各评测指标与待生成信用评级报告之间的相关性,可以包括:对各评测指标进行语义识别,确定各评测指标的指标语义;根据各指标语义,确定各评测指标与待生成信用评级报告之间的相关性。
其中,相关性可以包括正相关或者是负相关。
在本实施例中,服务器可以对各评测指标的指标语义进行识别,并基于确定的指标语义,判定各评测指标与待生成信用评级报告之间的相关性。
具体地,服务器可以通过语义识别模型,对评测指标与待生成信用评级报告之间的相关性判定,如将评测指标输入预先构建的预示语义识别模型中,通过语义识别模型识别评测指标的待生成信用评级报告之间的相关性。例如,对于评测指标“资产规模排位”,基于语义可知,其与信用评级之间是正相关的关系;而对于评级指标“负债规模排位”,由于负债与信用评级之间是负相关的关系。
在本实施例中,服务器可以遍历各评测指标,以确定各评测指标与待生成信用评级报告之间的相关性。
在本实施例中,服务器对各评测指标进行判定可以是通过多线程并行处理,以提升处理的效率。
在其中一个实施例中,基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告,可以包括:基于各相关性,对各指标等级进行预处理,得到预处理后的指标等级;根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告。
在本实施例中,服务器可以根据各评测指标与待生成信用评级报告之间的相关性,确定是否需要对各评测指标的指标等级进行处理,例如,对于正相关的各评测指标,则服务器可以对其不作处理,而对于负相关的各指标,服务器均可以对其进行处理。
进一步,服务器可以基于预处理后的指标等级以及逻辑文本,生成信用评级报告。
在其中一个实施例中,基于各相关性,对各指标等级进行预处理,得到预处理后的指标等级,可以包括:当相关性指示评测指标与待生成信用评级报告之间为负相关时,则对负相关对应的评测指标的指标等级进行逆序预处理,得到预处理后的指标等级。
在本实施例中,继续沿用前例,对于评测指标“资产规模排位”,基于语义可知,其与信用评级之间是正相关的关系,因此,其对应的指标等级“top5%”可以不用处理;而对于评级指标“负债规模排位”,由于负债与信用评级之间是负相关的关系,因此,服务器可以对其对应的指标等级进行预处理,例如,对指标等级“10%”进行逆序处理,如通过100%减去指标等级,等于逆序处理后的指标等级,即得到逆序处理后的指标等级为“90%”。
上述实施例中,通过基于指标语义,对评测指标与待生成信用评级报告之间的相关性进行判定,并在确定负相关时,进行逆序处理,使得得到的指标等级均是与信用评级之间为正相关的指标等级,使得后续在生成报告的时候,是基于同一相关性标准进行的,减少出错的可能性,提升报告生成的准确性。
在其中一个实施例中,根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告之前,还可以包括:获取对应各评测指标的指标原始数据。
其中,指标原始数据可以是指各评测指标所相对应的原始数据。例如,对于评测指标“剔除商誉的所有者权益”,其对应的指标原始数据为“XXX亿元”。
在本实施例中,服务器可以基于各评测指标,从前文所述的财务数据、财务比率、企业性质、舆情中查询,并获取对应的指标原始数据。
在本实施例中,根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告,可以包括:将各指标原始数据写入对应的逻辑文本中,生成对应各评测指标的各文本句;基于各指标等级,以及各评测指标与待生成信用评级报告之间的相关性,对各生成的各文本句进行组合,得到信用评级报告。
在本实施例中,服务器在获取到各指标原始数据、逻辑文本以及各指标等级之后,可以将获取到的指标原始数据写入对应的逻辑文本中,例如,对于“剔除商誉的所有者权益”这一评测指标,其在同年同行业中排名前5%,则服务器会根据评测指标与逻辑文本之间的映射关系,将指标原始数据映射得到对应的逻辑文本“剔除商誉的所有者权益{}亿元,是行业内权益规模最高的企业之一”中,生成文本句“剔除商誉的所有者权益3496.38亿元,是行业内权益规模最高的企业之一”。
进一步,服务器在得到对应各评测质保的文本句之后,可以基于各评测字表的指标等级,对各文本句进行排序,并对排序后的文本句进行组合,以得到对应的信用评级报告。
在本实施例中,服务器也可以根据评测指标之间的相关性,结合相关性以及指标值,对各文本句进行排序并进行组合,以得到对应的信用评级报告。
例如,服务器可以根据各评级指标在行业内的排名情况,排名越靠前或越靠后的将优先输出相关文本。其次考虑正负面情况和量化信用评级之间的关系,比如量化信用评级较差的公司将优先输出更多负面文本。之后还考虑到查看者的读写习惯,优先输出规模相关的语句,其次是盈利能力、资本结构、偿债能力等。
在其中一个实施例中,获取对应待生成信用评级报告的配置数据,可以包括:获取对应待生成信用评级报告的第一配置数据以及第二配置数据,第一配置数据包括与各评测指标存在一对一关系的各第一逻辑文本,第二配置数据包括与各评测指标的指标组合存在对应关系的各第二逻辑文本。
具体地,服务器可以获取第一配置数据,第一配置数据中包括与各评测指标存在一对一关系的各第一逻辑文本,例如,以于资产负载率、资产规模、负债排序、退保率、公司稳定性中各评测指标存在一一对应关系的第一逻辑文本。
其次,服务器可以基于各评测指标的语义,确定存在相关性的指标组合,例如,“盈利稳定性”与“盈利能力”等。
在本实施例中,基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告,可以包括:基于各评测指标相对应的第一逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成对应各评测指标的第一文本句;基于各评测指标相对应的第二逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成对应各指标组合的第二文本句;对第一文本句以及第二文本句进行组合,生成信用评级报告。
在本实施例中,服务器在获取第一配置数据以及第二配置数据之后,可以基于各评级指标或者是各指标组合,生成对应的各文本句。
在本实施例中,对于各单一指标,服务器可以基于将各指标的指标原始数据填充至对应的第一逻辑文本中,以生成对应的第一文本句。
而对于各指标组合,服务器可以基于各指标组合中各指标所对应的指标等级,确定对应的逻辑文本,并生成对应的第二文本句,例如,公司盈利稳定性的指标为v5)排名情况较公司盈利能力的指标(p22)排名情况要好很多的情况下((p22档位-v5档位)>=4档,假设两个指标都是总共7档,那么相差大于4档,则服务器可以基于指标等级以及对应的逻辑文本输出“公司盈利稳定性良好,缓解了盈利能力偏弱造成的影响”这一第二文本句。
在本实施例中,服务器可以遍历各评测指标以及各指标组合,得到对应的各第一文本句以及各第二文本句。
进一步,服务器可以基于得到的各第一文本句以及第二文本句,生成信用评级报告并输出。
在其中一个实施例中,对第一文本句以及第二文本句进行组合,生成信用评级报告之前,还可以包括:获取标准化处理数据;基于标准化处理数据对第一文本句以及文本句进行标准化处理,得到标准化处理后的第一文本句以及标准化处理后的第二文本句。
在本实施例中,服务器可以引入外部信用评级、市场隐含评级、人工标签等因素,即标准化处理数据,并将引入的外部信用评级、市场隐含评级、人工标签等作为信用评级报告的补充以及量化信用评级变动的归因,同时对涉及到的部分类似的指标进行处理。例如,对于人工标签为“公司资产规模过小”,生成的文本句中也有类似阐述公司的资产规模情况的语句,则服务器可以通过人工标签“公司资产规模过小”对生成的文本句中的相似的文本句进行文本替代、删除或者插入等,已对得到的文本句进行标准环处理。
在本实施例中,对第一文本句以及第二文本句进行组合,生成信用评级报告,可以包括:对标准化处理后的第一文本句以及标准化处理后的第二文本句进行组合,生成信用评级报告。
具体地,服务器可以对标准化处理后的文本句进行组合,以生成信用评级报告,即按照前文所说的组合逻辑,对标准化处理后的第一文本句以及标准化处理后的第二文本句进行组合。
在本实施例中,服务器还可以对评测指标进行标准化的处理,例如,服务器也可以通过获取到的标准评测指标,对量化信用模型中的评测指标进行替代、删除或者插入等操作,以实现对量化信用模型中评测指标的标准化处理。例如,【剔除现金及短期金融资产的净资本有息负债率】和【净负债率】两个评测指标中,【净负债率】的业务语义更强,因而优先级更高,服务器可以通过【净负债率】替换掉【剔除现金及短期金融资产的净资本有息负债率】。
上述实施例中,通过对生成的文本句进行标准化处理,并对处理后的文本句进行组合,可以使得组合的文本句更加准确,进而可以提升生成的信用评级报告的准确性。
在其中一个实施例中,上述方法还可以包括:将初始评测结果、评测指标与待生成信用评级报告之间的相关性、配置数据以及信用评级报告中的至少一个上传至区块链节点中进行存储。
其中,区块链是指分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Block chain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。
具体地,区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在本实施例中,服务器可以将初始评测结果、评测指标与待生成信用评级报告之间的相关性、配置数据以及信用评级报告中的一个或者多个数据上传并存储于区块链的节点中,以保证数据的私密性和安全性。
上述实施例中,通过将初始评测结果、评测指标与待生成信用评级报告之间的相关性、配置数据以及信用评级报告中至少一个上传至区块链并存储于区块链的节点中,从而可以保障存储至区块链节点中数据的私密性,可以提升数据的安全性。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种信用评级报告生成装置,包括:初始评测结果获取模块100、相关性确定模块200、配置数据获取模块300以及信用评级报告生成模块400,其中:
初始评测结果获取模块100,用于获取评测对象的初始评测结果,初始评测结果包括多个评测指标以及对应的各指标等级。
相关性确定模块200,用于确定各评测指标与待生成信用评级报告之间的相关性。
配置数据获取模块300,用于获取对应待生成信用评级报告的配置数据,配置数据中包括与各评测指标相对应的逻辑文本。
信用评级报告生成模块400,用于基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告。
在其中一个实施例中,相关性确定模块200,可以包括:
语义识别子模块,用于对各评测指标进行语义识别,确定各评测指标的指标语义。
相关性确定子模块,用于根据各指标语义,确定各评测指标与待生成信用评级报告之间的相关性。
在其中一个实施例中,信用评级报告生成模块400,可以包括:
预处理子模块,用于基于各相关性,对各指标等级进行预处理,得到预处理后的指标等级。
信用评级报告生成子模块,用于根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告。
在其中一个实施例中,预处理子模块级用于当相关性指示评测指标与待生成信用评级报告之间为负相关时,则对负相关对应的评测指标的指标等级进行逆序预处理,得到预处理后的指标等级。
在其中一个实施例中,上述装置还可以包括:
指标原始数据获取模块,用于基于根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告之前,获取对应各评测指标的指标原始数据。
在本实施例中,信用评级报告生成子模块,可以包括:
文本句生成单元,用于将各指标原始数据写入对应的逻辑文本中,生成对应各评测指标的各文本句。
信用评级报告生成单元,用于基于预处理后的指标等级,对各生成的各文本句进行组合,得到信用评级报告。
在其中一个实施例中,配置数据获取模块300用于获取对应待生成信用评级报告的第一配置数据以及第二配置数据,第一配置数据包括与各评测指标存在一对一关系的各第一逻辑文本,第二配置数据包括与各评测指标的指标组合存在对应关系的各第二逻辑文本。
在本实施例中,信用评级报告生成模块400,可以包括:
第一文本句生成子模块,用于基于各评测指标相对应的第一逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成对应各评测指标的第一文本句。
第二文本句生成子模块,用于基于各评测指标相对应的第二逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成对应各指标组合的第二文本句。
组合子模块,用于对第一文本句以及第二文本句进行组合,生成信用评级报告。
在其中一个实施例中,上述装置还可以包括:
标准化处理数据获取模块,用于对第一文本句以及第二文本句进行组合,生成信用评级报告之前,获取标准化处理数据。
标准化处理模块,用于基于标准化处理数据对第一文本句以及文本句进行标准化处理,得到标准化处理后的第一文本句以及标准化处理后的第二文本句。
在本实施例中,组合子模块用于对标准化处理后的第一文本句以及标准化处理后的第二文本句进行组合,生成信用评级报告。
关于信用评级报告生成装置的具体限定可以参见上文中对于信用评级报告生成方法的限定,在此不再赘述。上述信用评级报告生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储初始评测结果、评测指标与待生成信用评级报告之间的相关性、配置数据以及信用评级报告等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种信用评级报告生成方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取评测对象的初始评测结果,初始评测结果包括多个评测指标以及对应的各指标等级;确定各评测指标与待生成信用评级报告之间的相关性;获取对应待生成信用评级报告的配置数据,配置数据中包括与各评测指标相对应的逻辑文本;基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告。
在其中一个实施例中,处理器执行计算机程序时实现确定各评测指标与待生成信用评级报告之间的相关性,可以包括:对各评测指标进行语义识别,确定各评测指标的指标语义;根据各指标语义,确定各评测指标与待生成信用评级报告之间的相关性。
在其中一个实施例中,处理器执行计算机程序时实现基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告,可以包括:基于各相关性,对各指标等级进行预处理,得到预处理后的指标等级;根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告。
在其中一个实施例中,处理器执行计算机程序时实现基于各相关性,对各指标等级进行预处理,得到预处理后的指标等级,可以包括:当相关性指示评测指标与待生成信用评级报告之间为负相关时,则对负相关对应的评测指标的指标等级进行逆序预处理,得到预处理后的指标等级。
在其中一个实施例中,处理器执行计算机程序时实现基于根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告之前,还可以实现以下步骤:获取对应各评测指标的指标原始数据。
在本实施例中,处理器执行计算机程序时实现根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告,可以包括:将各指标原始数据写入对应的逻辑文本中,生成对应各评测指标的各文本句;基于预处理后的指标等级,对各生成的各文本句进行组合,得到信用评级报告。
在其中一个实施例中,处理器执行计算机程序时实现获取对应待生成信用评级报告的配置数据,可以包括:获取对应待生成信用评级报告的第一配置数据以及第二配置数据,第一配置数据包括与各评测指标存在一对一关系的各第一逻辑文本,第二配置数据包括与各评测指标的指标组合存在对应关系的各第二逻辑文本。
在本实施例中,处理器执行计算机程序时实现基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告,可以包括:基于各评测指标相对应的第一逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成对应各评测指标的第一文本句;基于各评测指标相对应的第二逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成对应各指标组合的第二文本句;对第一文本句以及第二文本句进行组合,生成信用评级报告。
在其中一个实施例中,处理器执行计算机程序时实现对第一文本句以及第二文本句进行组合,生成信用评级报告之前,还可以实现以下步骤:获取标准化处理数据;基于标准化处理数据对第一文本句以及文本句进行标准化处理,得到标准化处理后的第一文本句以及标准化处理后的第二文本句。
在本实施例中,处理器执行计算机程序时实现对第一文本句以及第二文本句进行组合,生成信用评级报告,可以包括:对标准化处理后的第一文本句以及标准化处理后的第二文本句进行组合,生成信用评级报告。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取评测对象的初始评测结果,初始评测结果包括多个评测指标以及对应的各指标等级;确定各评测指标与待生成信用评级报告之间的相关性;获取对应待生成信用评级报告的配置数据,配置数据中包括与各评测指标相对应的逻辑文本;基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告。
在其中一个实施例中,计算机程序被处理器执行时实现确定各评测指标与待生成信用评级报告之间的相关性,可以包括:对各评测指标进行语义识别,确定各评测指标的指标语义;根据各指标语义,确定各评测指标与待生成信用评级报告之间的相关性。
在其中一个实施例中,计算机程序被处理器执行时实现基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告,可以包括:基于各相关性,对各指标等级进行预处理,得到预处理后的指标等级;根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告。
在其中一个实施例中,计算机程序被处理器执行时实现基于各相关性,对各指标等级进行预处理,得到预处理后的指标等级,可以包括:当相关性指示评测指标与待生成信用评级报告之间为负相关时,则对负相关对应的评测指标的指标等级进行逆序预处理,得到预处理后的指标等级。
在其中一个实施例中,计算机程序被处理器执行时实现基于根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告之前,还可以实现以下步骤:获取对应各评测指标的指标原始数据。
在本实施例中,计算机程序被处理器执行时实现根据各评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告,可以包括:将各指标原始数据写入对应的逻辑文本中,生成对应各评测指标的各文本句;基于预处理后的指标等级,对各生成的各文本句进行组合,得到信用评级报告。
在其中一个实施例中,计算机程序被处理器执行时实现获取对应待生成信用评级报告的配置数据,可以包括:获取对应待生成信用评级报告的第一配置数据以及第二配置数据,第一配置数据包括与各评测指标存在一对一关系的各第一逻辑文本,第二配置数据包括与各评测指标的指标组合存在对应关系的各第二逻辑文本。
在本实施例中,计算机程序被处理器执行时实现基于各评测指标相对应的逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成信用评级报告,可以包括:基于各评测指标相对应的第一逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成对应各评测指标的第一文本句;基于各评测指标相对应的第二逻辑文本以及指标等级,以及各评测指标与待生成信用评级报告之间的相关性,生成对应各指标组合的第二文本句;对第一文本句以及第二文本句进行组合,生成信用评级报告。
在其中一个实施例中,计算机程序被处理器执行时实现对第一文本句以及第二文本句进行组合,生成信用评级报告之前,还可以实现以下步骤:获取标准化处理数据;基于标准化处理数据对第一文本句以及文本句进行标准化处理,得到标准化处理后的第一文本句以及标准化处理后的第二文本句。
在本实施例中,计算机程序被处理器执行时实现对第一文本句以及第二文本句进行组合,生成信用评级报告,可以包括:对标准化处理后的第一文本句以及标准化处理后的第二文本句进行组合,生成信用评级报告。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种信用评级报告生成方法,其特征在于,所述方法包括:
获取评测对象的初始评测结果,所述初始评测结果包括多个评测指标以及对应的各指标等级;
确定各所述评测指标与待生成信用评级报告之间的相关性;
获取对应所述待生成信用评级报告的配置数据,所述配置数据中包括与各评测指标相对应的逻辑文本;
基于各所述评测指标相对应的逻辑文本以及指标等级,以及各所述评测指标与待生成信用评级报告之间的相关性,生成信用评级报告。
2.根据权利要求1所述的方法,其特征在于,所述确定各所述评测指标与待生成信用评级报告之间的相关性,包括:
对各所述评测指标进行语义识别,确定各所述评测指标的指标语义;
根据各所述指标语义,确定各所述评测指标与待生成信用评级报告之间的相关性。
3.根据权利要求1所述的方法,其特征在于,所述基于各所述评测指标相对应的逻辑文本以及指标等级,以及各所述评测指标与待生成信用评级报告之间的相关性,生成信用评级报告,包括:
基于各所述相关性,对各所述指标等级进行预处理,得到预处理后的指标等级;
根据各所述评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告。
4.根据权利要求3所述的方法,其特征在于,所述基于各所述相关性,对各所述指标等级进行预处理,得到预处理后的指标等级,包括:
当所述相关性指示所述评测指标与所述待生成信用评级报告之间为负相关时,则对所述负相关对应的评测指标的指标等级进行逆序预处理,得到预处理后的指标等级。
5.根据权利要求3所述的方法,其特征在于,所述根据各所述评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告之前,还包括:
获取对应各所述评测指标的指标原始数据;
所述根据各所述评测指标相对应的逻辑文本以及预处理后的指标等级,生成信用评级报告,包括:
将各所述指标原始数据写入对应的逻辑文本中,生成对应各评测指标的各文本句;
基于预处理后的指标等级,对各生成的各所述文本句进行组合,得到信用评级报告。
6.根据权利要求1所述的方法,其特征在于,所述获取对应所述待生成信用评级报告的配置数据,包括:
获取对应所述待生成信用评级报告的第一配置数据以及第二配置数据,所述第一配置数据包括与各评测指标存在一对一关系的各第一逻辑文本,所述第二配置数据包括与各评测指标的指标组合存在对应关系的各第二逻辑文本;
所述基于各所述评测指标相对应的逻辑文本以及指标等级,以及各所述评测指标与待生成信用评级报告之间的相关性,生成信用评级报告,包括:
基于各所述评测指标相对应的第一逻辑文本以及指标等级,以及各所述评测指标与待生成信用评级报告之间的相关性,生成对应各评测指标的第一文本句;
基于各所述评测指标相对应的第二逻辑文本以及指标等级,以及各所述评测指标与待生成信用评级报告之间的相关性,生成对应各指标组合的第二文本句;
对所述第一文本句以及所述第二文本句进行组合,生成信用评级报告。
7.根据权利要求6所述的方法,其特征在于,所述对所述第一文本句以及所述第二文本句进行组合,生成信用评级报告之前,还包括:
获取标准化处理数据;
基于所述标准化处理数据对所述第一文本句以及所述文本句进行标准化处理,得到标准化处理后的第一文本句以及标准化处理后的第二文本句;
所述对所述第一文本句以及所述第二文本句进行组合,生成信用评级报告,包括:
对所述标准化处理后的第一文本句以及所述标准化处理后的第二文本句进行组合,生成信用评级报告。
8.一种信用评级报告生成装置,其特征在于,所述装置包括:
初始评测结果获取模块,用于获取评测对象的初始评测结果,所述初始评测结果包括多个评测指标以及对应的各指标等级;
相关性确定模块,用于确定各所述评测指标与待生成信用评级报告之间的相关性;
配置数据获取模块,用于获取对应所述待生成信用评级报告的配置数据,所述配置数据中包括与各评测指标相对应的逻辑文本;
信用评级报告生成模块,用于基于各所述评测指标相对应的逻辑文本以及指标等级,以及各所述评测指标与待生成信用评级报告之间的相关性,生成信用评级报告。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6或7中任一项所述方法的步骤。
10.一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权利要求1至6或7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110846865.XA CN113536746A (zh) | 2021-07-26 | 2021-07-26 | 信用评级报告生成方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110846865.XA CN113536746A (zh) | 2021-07-26 | 2021-07-26 | 信用评级报告生成方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113536746A true CN113536746A (zh) | 2021-10-22 |
Family
ID=78120883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110846865.XA Pending CN113536746A (zh) | 2021-07-26 | 2021-07-26 | 信用评级报告生成方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536746A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976398A (zh) * | 2010-11-17 | 2011-02-16 | 苏州德融嘉信信用管理技术有限公司 | 基于信用评级工作系统的评级报告底稿制作方法 |
US20120158576A1 (en) * | 2010-10-07 | 2012-06-21 | Madhu Philips | System and method for risk monitoring of rated legal entities |
US20180122015A1 (en) * | 2013-06-25 | 2018-05-03 | Arthur Paul Drennan, III | System and method for evaluating text to support multiple applications |
CN109767071A (zh) * | 2018-12-14 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 用户信用评级方法、装置、计算机设备以及存储介质 |
CN110688830A (zh) * | 2019-09-26 | 2020-01-14 | 中国银行股份有限公司 | 征信模板的转换方法及装置 |
-
2021
- 2021-07-26 CN CN202110846865.XA patent/CN113536746A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120158576A1 (en) * | 2010-10-07 | 2012-06-21 | Madhu Philips | System and method for risk monitoring of rated legal entities |
CN101976398A (zh) * | 2010-11-17 | 2011-02-16 | 苏州德融嘉信信用管理技术有限公司 | 基于信用评级工作系统的评级报告底稿制作方法 |
US20180122015A1 (en) * | 2013-06-25 | 2018-05-03 | Arthur Paul Drennan, III | System and method for evaluating text to support multiple applications |
CN109767071A (zh) * | 2018-12-14 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 用户信用评级方法、装置、计算机设备以及存储介质 |
CN110688830A (zh) * | 2019-09-26 | 2020-01-14 | 中国银行股份有限公司 | 征信模板的转换方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN107945024B (zh) | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 | |
CN110619065A (zh) | 资源调度业务处理方法、装置、计算机设备和存储介质 | |
CN112231224A (zh) | 基于人工智能的业务系统测试方法、装置、设备和介质 | |
US11195135B2 (en) | Systems and methods for ranking entities | |
CN112750029A (zh) | 信用风险预测方法、装置、电子设备及存储介质 | |
CN108182633A (zh) | 贷款数据处理方法、装置、计算机设备和存储介质 | |
CN111738762A (zh) | 不良资产回收价的确定方法、装置、设备和存储介质 | |
CN113052703A (zh) | 一种交易风险预警方法及装置 | |
CN115269437A (zh) | 测试用例推荐方法、装置、计算机设备及存储介质 | |
Roy et al. | An integrated fuzzy credit rating model using fuzzy-BWM and new fuzzy-TOPSIS-Sort-C | |
Ramzan et al. | Impact of asset preferences on firm performance over its life cycle: Is agency theory or neo‐classical theory more relevant? | |
CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
Irmatova | RELARM: A rating model based on relative PCA attributes and k-means clustering | |
CN111340365A (zh) | 企业数据处理方法、装置、计算机设备和存储介质 | |
Ezeibekwe | Stock market development and economic growth in Nigeria: Evidence from vector error correction model | |
CN110766465A (zh) | 金融产品评估方法及其验证方法、装置 | |
CN116523301A (zh) | 基于电商大数据进行风险评级预测的系统 | |
CN113536746A (zh) | 信用评级报告生成方法、装置、计算机设备和存储介质 | |
US20220164374A1 (en) | Method of scoring and valuing data for exchange | |
US20220058658A1 (en) | Method of scoring and valuing data for exchange | |
CN114048330A (zh) | 风险传导概率知识图谱生成方法、装置、设备及存储介质 | |
CN115860889A (zh) | 一种基于人工智能的金融贷款大数据管理方法及系统 | |
Locatelli et al. | Artificial Intelligence and Credit Risk: The Use of Alternative Data and Methods in Internal Credit Rating | |
CN114022270B (zh) | 资产数据处理方法、相关设备及介质 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240419 |