CN113779136B - 基于知识图谱的债务清收对象确定方法、装置及电子设备 - Google Patents
基于知识图谱的债务清收对象确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113779136B CN113779136B CN202111050649.0A CN202111050649A CN113779136B CN 113779136 B CN113779136 B CN 113779136B CN 202111050649 A CN202111050649 A CN 202111050649A CN 113779136 B CN113779136 B CN 113779136B
- Authority
- CN
- China
- Prior art keywords
- debtor
- information
- debt
- knowledge graph
- debtors
- 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 45
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000012546 transfer Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000005065 mining Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请属于人工智能技术领域,具体涉及一种基于知识图谱的债务清收对象确定方法、装置及电子设备。该方法包括:获取债务人的资产相关信息,将债务人的资产相关信息中的各债务人数据均转化为债务人结构化数据,以得到债务人结构化数据集合;调用预设的目标字段筛选策略选定债务人结构化数据集合中各债务人中的主数据,通过各主数据对应构建实体,并根据各主数据之间的联系构建各实体之间的关系,以构建债务人的知识图谱;从债务人的知识图谱中挖掘出与债务人存在关联的社群信息、诉讼信息或者资金流转信息,根据与债务人存在关联的社群信息、诉讼信息或者资金流转信息,确定债务的清收对象。这样,通过构建债务人的知识图谱,以提高清收效能。
Description
技术领域
本申请属于人工智能技术领域,具体涉及一种基于知识图谱的债务清收对象确定方法、装置及电子设备。
背景技术
不良资产经营包括不良资产包的收购和处置,涉及到对不良资产包的估值定价和多元化处置方法。随着数据时代的到来,在不良资产经营领域中业务人员能更加便利地获取数据信息,然而业务人员从海量的数据信息中获取高质量、高要求、高精准的信息仍然需要花费大量的时间和精力,工作量犹如大海捞针。
然而现有的清收方式,从海量信息提取债务人财产线索,未对其关系充分利用,有一定局限性。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种基于知识图谱的债务清收对象确定方法、装置、计算机可读介质以及电子设备,在一定程度上提高清收效率。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供一种基于知识图谱的债务清收对象确定方法,所述方法包括:
获取债务人的资产相关信息,将所述债务人的资产相关信息中的各债务人数据均转化为债务人结构化数据,以得到债务人结构化数据集合;
调用预设的目标字段筛选策略选定所述债务人结构化数据集合中各债务人中的主数据,通过各主数据对应构建实体,并根据各主数据之间的联系构建各实体之间的关系,以构建债务人的知识图谱;
从所述债务人的知识图谱中挖掘出与所述债务人存在关联的社群信息、诉讼信息或者资金流转信息,根据与所述债务人存在关联的所述社群信息、所述诉讼信息或者所述资金流转信息,确定债务的清收对象。
根据本申请实施例的一个方面,提供一种基于知识图谱的债务清收装置,所述装置包括:
获取单元,用于获取债务人的资产相关信息,将所述债务人的资产相关信息中的各债务人数据均转化为债务人结构化数据,以得到债务人结构化数据集合;
构建单元,用于调用预设的目标字段筛选策略选定所述债务人结构化数据集合中各债务人中的主数据,通过各主数据对应构建实体,并根据各主数据之间的联系构建各实体之间的关系,以构建债务人的知识图谱;
确定单元,用于从所述债务人的知识图谱中挖掘出与所述债务人存在关联的社群信息、诉讼信息或者资金流转信息,根据与所述债务人存在关联的所述社群信息、所述诉讼信息或者所述资金流转信息,确定债务的清收对象。
在本申请的一些实施例中,基于以上技术方案,所述债务人结构化数据集合包括债务人基础信息表、债务人关系人表、诉讼信息表以及交易流水表,所述构建单元还用于,调用预设的目标字段筛选策略从所述债务人结构化数据集合中的债务人基础信息表提取以债务人为实体的实体信息;
从所述债务人结构化数据集合中的所述债务人关系人表、所述诉讼信息表、所述交易流水表分别提取所述债务人之间的社群关系、诉讼关系以及资金流转关系,以获得实体之间的关系信息;
根据所述实体信息以及所述实体之间的关系信息,构建所述债务人的知识图谱。
在本申请的一些实施例中,基于以上技术方案,所述构建单元还用于,根据所述债务人关系表、所述诉讼信息表以及所述交易流水表与所述债务人基础信息表中的对应的债务人实体进行初步融合,以及通过语义分析技术确定所述债务实体人之间的关联关系,根据关联关系进行实体建边以构建所述债务人的知识图谱。
在本申请的一些实施例中,基于以上技术方案,所述确定单元还用于,从所述债务人的知识图谱中定位与所述债务人具有社群关系的节点,以得到与所述债务人存在关联的社群信息;
根据与所述债务人存在关联的社群信息,计算各个债务人对应的标签值,所述标签值用于标记债务人的债务结清比例;
统计各个债务人对应的标签值,将最大标签值对应的实体确定为债务的清收对象。
在本申请的一些实施例中,基于以上技术方案,所述确定单元还用于,将所述债务人的知识图谱按照实体所处地理区域或与社群相关的属性划分,以得到多个不同的社群;
计算在同一社群下每个债务人节点对应的pagerank值,其中,所述pagerank代表的是债务人节点在所属社群的重要度;
统计各个债务人节点对应的pagerank值,将值最大对应的实体确定为债务的清收对象。
在本申请的一些实施例中,基于以上技术方案,所述确定单元还用于,从所述债务人的知识图谱中获取与所述债务人具有诉讼关系的节点,以得到与所述债务人存在关联的诉讼信息;
根据与所述债务人存在关联的诉讼信息,确定具有财产流入的债务人节点;
将具有财产处置流入的债务人节点对应的实体确定为债务清收对象。
在本申请的一些实施例中,基于以上技术方案,所述确定单元还用于,从所述债务人的知识图谱中定位与所述债务人在同一借贷系统具有资金流转关系的节点,以得到与所述债务人存在关联的资金流转信息;
根据与所述债务人存在关联的资金流转信息,统计在预设时间段内集中供款的债务人节点;
将所述集中供款的债务人节点对应的实体确定为所述债务清收对象。
根据本申请实施例的一个方面,提供一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如以上技术方案中的基于知识图谱的债务清收对象确定方法。
根据本申请实施例的一个方面,提供一种电子设备,该电子设备包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器被配置为经由执行所述可执行指令来执行如以上技术方案中的基于知识图谱的债务清收对象确定方法。
根据本申请实施例的一个方面,提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如以上技术方案中的基于知识图谱的债务清收对象确定方法。
在本申请实施例提供的技术方案中,这样,通过获取债务人的资产相关信息,根据债务人的资产相关信息,构建债务人的知识图谱,在构建债务人的知识图谱之后,从中挖掘出与债务人存在关联的社群信息、诉讼信息以及资金流转信息,以确定债务的清收对象,即通过构建债务人的知识图谱,构建深度的与债务人关联的关系,再从该关联关系中挖掘出关键的关系,从而确定债务的清收对象,以提高清收效能。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。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示意性地示出了本申请实施例提供的基于知识图谱的债务清收对象确定方法步骤流程。
图2示意性地示出了本申请一实施例中根据所述债务人结构化数据集合,构建债务人的知识图谱的步骤流程。
图3示意性地示出了本申请一实施例中根据与所述债务人存在关联的所述社群信息,确定债务的清收对象的步骤流程。
图4示意性地示出了本申请另一实施例中根据与所述债务人存在关联的所述社群信息,确定债务的清收对象的步骤流程。
图5示意性地示出了本申请一实施例中根据与所述债务人存在关联的所述诉讼信息,确定债务的清收对象的步骤流程。
图6示意性地示出了本申请一实施例中根据与所述债务人存在关联的所述资金流转信息,确定债务的清收对象的步骤流程。
图7示意性地示出了本申请实施例提供的基于知识图谱的债务清收对象确定装置的结构框图。
图8示意性示出了适于用来实现本申请实施例的电子设备的计算机系统结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
下面结合具体实施方式对本申请提供的基于知识图谱的债务清收方法做出详细说明。
参见图1,图1示意性地示出了本申请实施例提供的基于知识图谱的债务清收对象确定方法步骤流程。本申请公开了一种基于知识图谱的债务清收对象确定方法主要可以包括如下步骤S101至步骤S103。
步骤S101,获取债务人的资产相关信息,将债务人的资产相关信息中的各债务人数据均转化为债务人结构化数据,以得到债务人结构化数据集合;
其中,获取债务人的资产相关信息之后得到债务人结构化数据,债务人结构化数据集合包括债务人基础信息表、债务人关系人表、诉讼信息表以及交易流水表。
债务人结构化数据中的各用户数据可能初始是以文档格式存在的且没有固定格式的数据;各用户数据也可能初始是日志文件、XML文档(即可扩展标记语言文档)、JSON文档(即JS对象简谱文档)、Email(即电子邮件)等半结构化数据,此时在服务器中需获取债务人的资产相关信息中各债务人相关数据是否为结构化数据,若数据集合中有用户数据不是结构化数据,将对应的用户数据转化为结构化数据即可。将非结构化数据或半结构化数据转化为结构化数据是常用的现有技术,此处不再赘述。
从基础的结构化库表中,包括例如债务人基础信息表、债务人关系人表、诉讼信息表、交易流水表等各个维度的信息,其中,债务人基础信息表中包括债务人的基本信息,债务人关系人表中包含与债务人存在一定关联关系的其他关系人,诉讼信息表中包含债务人存在诉讼关系信息,交易流水表中包含债务人的交易明细。通过获取得到债务人各个维度的信息表,提取各个维度信息表中的关系,从而有利于后续构建更全面、更详细的债务人的知识图谱。当然,为了获得更多更全面的信息,还可以获取其他关系表,例如债务人担保记录表等。
步骤S102,调用预设的目标字段筛选策略选定债务人结构化数据集合中各债务人中的主数据,通过各主数据对应构建实体,并根据各主数据之间的联系构建各实体之间的关系,以构建债务人的知识图谱。
由于每一债务人结构化数据都包括多个字段,而再将每一债务人结构化数据转化为图模型中的节点(也就是实体)时,需要选定债务人结构化数据多个字段中的其中一个字段作为主数据并对应生成节点,债务人结构化数据中未被选定的其他字段数据则作为该节点的属性数据,之后以上述各节点构建知识图谱。
为了建立多个维度的知识图谱,还可以选择债务人结构化数据中另一字段数据为主数据并对应生成实体,例如选定债务人结构化数据中的用户账号字段作为主数据生成实体,债务人结构化数据中的其他字段数据则作为该实体的属性数据。建立多个维度的知识图谱,有利于从不同维度进行实体关系挖掘。
在从基础的结构化库表中,获取到债务人的资产相关信息之后,根据债务人的资产相关信息,构建债务人的知识图谱。其中,知识图谱是显示知识发展进程与结构关系的一系列各种不同的图形,通过将知识域可视化表示(包括但不限于将知识领域映射为知识地图),从而使得挖掘、分析、构建、绘制和显示知识单元或知识群之间的网络、结构、关联、交叉、演化、衍生等诸多隐含的复杂关系成为可能。通过债务人的资产相关信息,获得与债务人存在相关联的关系,从而构建债务人的知识图谱。
步骤S103,从债务人的知识图谱中挖掘出与债务人存在关联的社群信息、诉讼信息或者资金流转信息,根据与债务人存在关联的社群信息、诉讼信息或者资金流转信息,确定债务的清收对象。
在构建债务人的知识图谱之后,从债务人的知识图谱中挖掘出与债务人存在关联的对应信息,通过挖掘到的对应信息,进一步确定债务的清收对象。
这样,通过获取债务人的资产相关信息,根据债务人的资产相关信息,构建债务人的知识图谱,在构建债务人的知识图谱之后,从中挖掘出与债务人存在关联的社群信息、诉讼信息以及资金流转信息,以确定债务的清收对象,即通过构建债务人的知识图谱,构建深度的与债务人关联的关系,再从该关联关系中挖掘出关键的关系,从而确定债务的清收对象,以提高清收效能。
在本申请的一个实施例中,参见图2,图2示意性地示出了本申请一实施例中根据债务人结构化数据集合,构建债务人的知识图谱的步骤流程。调用预设的目标字段筛选策略选定债务人结构化数据集合中各债务人中的主数据,通过各主数据对应构建实体,并根据各主数据之间的联系构建各实体之间的关系,以构建债务人的知识图谱,主要可以包括如下步骤S201至步骤S203。
步骤S201,调用预设的目标字段筛选策略从所述债务人结构化数据集合中的债务人基础信息表提取以债务人为实体的实体信息。
由于债务人结构化数据集合中包括债务人基础信息表,而该债务人基础信息表中包括债务人的基本信息,从而得到以债务人为实体的实体信息,债务人就是对应的实体。
步骤S202,从债务人结构化数据集合的债务人关系人表、诉讼信息表、交易流水表分别提取债务人之间的社群关系、诉讼关系以及资金流转关系,以获得实体之间的关系信息。
从债务人结构化数据集合中的债务人关系人表中提取债务人之间的社群关系,从诉讼信息表中提取诉讼关系,从交易流水表中提取资金流转关系,通过各个维度的信息表,提取得到多种不同的关系,从而建立各个实体之间的关系。
步骤S203,根据实体信息以及实体之间的关系信息,构建债务人的知识图谱。
以债务人为实体,债务人与其他债务人之间的关系为实体与实体之间的关系,通过各个实体的信息,以及实体与实体之间的关系信息,从而构建债务人的知识图谱。
从基础的结构化库表中,如债务人基础信息表、债务人担保记录表、交易流水表、债务人关系人表、诉讼信息表等多种渠道,提取基于债务人实体之间的担保,交易对手、关联人、诉讼等多种关系,构建债务人的知识图谱。即就是通过各个维度信息表得到债务人与其他关系人之间的关联关系,通过以债务人为实体以及债务人之间的实体关系,构建债务人关系图谱。
其中,知识图谱是一种大规模的语义网络,通俗的来讲可以理解为,知识图谱是对现实世界的一种抽象描述,把事物表示成“点”,把事物之间的关系表示成“边”,这样就构成了一张网。只有有足够丰富的节点和关系,才能体现出知识图谱的能力。
因此,通过从各个维度信息表中抽取不同的实体,以及不同实体之间的关系,构建知识图谱,从而可以将不同的实体都关联起来,以得到丰富的节点和关系,使得构建得到的知识图谱能力较强。
在本申请的一个实施例中,根据所述实体信息以及实体之间的关系信息,构建债务人的知识图谱,包括:根据债务人关系表、诉讼信息表以及交易流水表与债务人基础信息表中的对应的债务人实体进行初步融合,以及通过语义分析技术确定所述债务实体人之间的关联关系,根据关联关系进行实体建边以构建所述债务人的知识图谱。
通过不同的维度划分可以实现债务人实体初步融合,其中,本实施例所述的实体是指债务人基础信息表中具有特定意义的实体,包括人名、身份证号等等,在识别出实体后,还可以通过语义分析技术对上述各个维度的表进行语义分析,以挖掘实体之间的关联关系,即确定实体之间的关联关系,基于该关联关系,服务器可以实体建边从而建立针对债务人的知识图谱,这样有利于知识图谱的构建。
在本申请的一个实施例中,参见图3,图3示意性地示出了本申请一实施例中根据与所述债务人存在关联的所述社群信息,确定债务的清收对象的步骤流程。从债务人的知识图谱中挖掘出与债务人存在关联的社群信息、诉讼信息或者资金流转信息,根据与债务人存在关联的社群信息、诉讼信息或者资金流转信息,确定债务的清收对象,主要可以包括如下步骤S301至步骤S303。
步骤S301,从债务人的知识图谱中定位与债务人具有社群关系的节点,以得到与债务人存在关联的社群信息。
社群指在某些边界线、地区或领域内发生作用的一切社会关系,与债务人具有社群关系的节点,指的是与债务人具有一定社交关系的其他债务人。从债务人的知识图谱中挖掘出与债务人具有社群关系的节点,以得到与债务人存在关联的社群信息。
步骤S302,根据与债务人存在关联的社群信息,计算各个债务人对应的标签值,其中,标签值用于标记债务人的债务结清比例。
步骤S303,统计各个债务人对应的标签值,将最大标签值对应的实体确定为债务的清收对象。
从知识图谱中挖掘出与债务人存在关联关系的社交信息,通过社交信息识别最容易清收的实体,最容易清收的实体确定为债务的清收对象,债务的清收对象也就是偿还债务可能性最大的债务人。具体地,债务的清收对象可通过设置标签的方式实现,通过将标签结果值最大值对应的实体作为债务偿还可能性最大的实体,从而将债务偿还可能性最大对应的实体作为清收对象,以提高清收的效能。例如,首先从知识图谱中定位与该债务人具有关联的关联人物,以其中一个债务人为例,假如与该债务人有关联关系的人有多个,例如与该债务人有关联关系的有5个人,而其中已经有4个人结清债务,对该债务人对应的节点设置一标签,这该债务人节点对应的标签值设置为4/5。而对于另外一个债务人,为了便于举例说明,假如与该债务人有关联关系的人也是有5个,其中只有1个人将债务结清,所以设置该债务人节点对应的标签值为1/5。在得到两个节点对应的标签值之后比较标签值大小,由于标签值为4/5比较大,由此可见该债务人偿还债务的可能性比较大,因此对该标签值对应的债务人着重催收,这样就比较容易收回资产,从而提高了清收效能。需要说明的是,为了便于理解,这里只是以其中两个债务人进行举例说明。
需要说明的是,对于债务有没有结清的情况,由于这是每个节点的属性,属于内部的数据,根据每个节点的属性即可知道债务有没有被结清。
这样,从债务人的知识图谱中定位与债务人具有社群关系的节点,以得到与债务人存在关联的社群信息,根据与债务人存在关联的社群信息,计算各个债务人对应的标签值,并将最大标签值对应的实体确定为债务的清收对象,标签值最大说明债务人的债务结清比例较大,偿还债务的可能性越大,通过对偿还债务可能性最大的债务人进行清收,更容易清收,因此将最大标签值对应的实体确定为债务的清收对象,有利于提高清收的效能。
在本申请的一个实施例中,参见图4,图4示意性地示出了本申请另一实施例中根据与所述债务人存在关联的所述社群信息,确定债务的清收对象的步骤流程。从债务人的知识图谱中挖掘出与债务人存在关联的社群信息、诉讼信息或者资金流转信息,根据与债务人存在关联的社群信息、诉讼信息或者资金流转信息,确定债务的清收对象,主要可以包括如下步骤S401至步骤S403。
步骤S401,将债务人的知识图谱按照实体所处地理区域或与社群相关的属性划分,以得到多个不同的社群。
在获得债务人的知识图谱之后,按照实体所处地理区域将该知识图谱进行划分,从而得到多个不同的社群。或者,将该债务人的知识图谱按照与社群相关的共同属性进行划分,以得到多个不同的社群。需要说明的是,本领域技术人员可以根据实际需要按照不同的规则将该债务人的知识图谱进行划分,以得到不同的社群,在此只是列举了其中两种划分社群的方法。
步骤S402,计算在同一社群下每个债务人节点对应的pagerank值,其中,pagerank值代表的是债务人节点在所属社群的重要度。
在得到不同的社群之后,计算在同一社群下每个债务人节点对应的pagerank值,通过计算得到的pagerank值可知各个债务人节点在当前这个社群下的重要度。
步骤S403,统计各个债务人节点对应的pagerank值,将值最大对应的实体确定为债务的清收对象。
其中,社群可以是社区也可以是代表商圈,社区是将具有相同结构、特征的网络结点归结为一个小团体,使每个团体有着相同的性质。通过重要度可以找到所属社群的关键节点,将该关键节点作为清收对象,以提升清收的效能。例如,根据不同的规则将知识图谱划分为多个不同的社群,通过找到该社群中重要度最大的节点作为清收节点,即对关键节点进行突破,利用该关键节点的影响力集中清收,以提升清收效能。
这样,将债务人的知识图谱按照实体所处地理区域或与社群相关的属性划分,以得到多个不同的社群,计算在同一社群下每个债务人节点对应的pagerank值,并将值最大对应的实体确定为债务的清收对象,pagerank值最大说明该债务人在该社群中重要度比较大,也就是影响力会比较大,通过催收该影响力较大的债务人,则其他债务人偿还债务的可能性越大,这样更容易实现清收,因此将pagerank值最大对应的实体确定为债务的清收对象,有利于提高清收的效能。
在本申请的一个实施例中,参见图5,图5示意性地示出了本申请一实施例中根据与所述债务人存在关联的所述诉讼信息,确定债务的清收对象的步骤流程。从债务人的知识图谱中挖掘出与债务人存在关联的社群信息、诉讼信息或者资金流转信息,根据与债务人存在关联的社群信息、诉讼信息或者资金流转信息,确定债务的清收对象,主要可以包括如下步骤S501至步骤S503。
步骤S501,从债务人的知识图谱中获取与债务人具有诉讼关系的节点,以得到与债务人存在关联的诉讼信息;
步骤S502,根据与债务人存在关联的诉讼信息,确定具有财产流入的债务人节点;
步骤S503,将具有财产处置流入的债务人节点对应的实体确定为债务清收对象。
从知识图谱中获取与债务人具有诉讼关系的节点,基于具有诉讼关系的节点,诉讼关系比如原告与被告之间的关系,计算债务人因诉讼而预期发生的资金流动金额。例如,原告与被告之间发生房屋财产纠纷,原告与被告之间的标的为一套房屋,最终,诉讼结果为房屋最终归属原告,此时可认为原告这一方是有财产流入的一方,也就是资金发生了流动。但是由于原告又是作为另外一组关系的债务人,为了能及时收回债务,由于原告有财产流入则说明该债务人此时具有一定的资金来源,相对来说具有一定的偿还债务能力,因此,在该情况下对具有资金来源的原告进行清收。这样,通过第一时间关注原告的房产情况,关注房屋财产流向,及时对原告进行清收,提高了清收的效能。所以,对于涉及财产转移的诉讼关系,通过追踪财产流向,及时对资产流入方进行清收,以提高清收的效能。
这样,从债务人的知识图谱中定位与债务人具有诉讼关系的节点,以得到与债务人存在关联的诉讼信息,根据与债务人存在关联的诉讼信息,确定具有财产流入的债务人节点,并将确定具有财产流入的债务人节点对应的实体确定为债务的清收对象。具有财产流入的债务人节点说明该债务人具有一定的偿还债务能力,通过及时对该债务人进行清收,更容易清收,因此对于涉及财产转移的诉讼关系,通过追踪财产流向,及时对资产流入方进行清收,以提高清收的效能。
在本申请的一个实施例中,参见图6,图6示意性地示出了本申请一实施例中根据与所述债务人存在关联的所述资金流转信息,确定债务的清收对象的步骤流程。从债务人的知识图谱中挖掘出与债务人存在关联的社群信息、诉讼信息或者资金流转信息,根据与债务人存在关联的社群信息、诉讼信息或者资金流转信息,确定债务的清收对象,主要可以包括如下步骤S601至步骤S603。
步骤S601,从债务人的知识图谱中定位与债务人在同一借贷系统具有资金流转关系的节点,以得到与债务人存在关联的资金流转信息;
步骤S602,根据与债务人存在关联的资金流转信息,统计在预设时间段内集中供款的债务人节点;
步骤S603,将集中供款的债务人节点对应的实体确定为债务清收对象。
该方案的应用场景为,对于有财产转移或者未按照贷款用途的资金使用,如债务人借款后将款项转给特定几个人的集中用款行为,还款期通过特定几个人共同转给债务人用于还款的集中供款行为,例如,多人通过银行进行贷款,将得到的贷款全部转给同一个人使用,通过这样的资金流转,使得银行的风险增大。为了提升这种情况下的清收效能,具体按照如下操作,首先获取在同一借贷系统中具有资金流转关系的节点,例如需要都在同一家银行进行贷款,然后根据债务人之间转出转入的交易行为,比如同一个人有多笔转入行为,其中,对于转入行为的数量可以根据实际需要进行设定。接着进行研判,判断该收款人收到的转入行为是否已经达到预设数量,若该收款人已经达到预设数量的转入行为,则说明有多个借款给到该收款人,另外,对应的借款人是在银行放款完之后在预定时间段内集中向该收款人有转入行为,因此可以将该种情况定义为集中供款的情况,然后对该收款人对应的实体作为清收对象进行清收,以提升清收效能。
应当注意,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,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步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的基于知识图谱的债务清收对象确定方法。图7示意性地示出了本申请实施例提供的基于知识图谱的债务清收对象确定装置的结构框图。如图7所示,该债务清收装置700包括:
获取单元701,用于获取债务人的资产相关信息,将债务人的资产相关信息中的各债务人数据均转化为债务人结构化数据,以得到债务人结构化数据集合;
构建单元702,用于调用预设的目标字段筛选策略选定债务人结构化数据集合中各债务人中的主数据,通过各主数据对应构建实体,并根据各主数据之间的联系构建各实体之间的关系,以构建债务人的知识图谱;
确定单元703,用于从债务人的知识图谱中挖掘出与债务人存在关联的社群信息、诉讼信息或者资金流转信息,根据与债务人存在关联的社群信息、诉讼信息或者资金流转信息,确定债务的清收对象。
在本申请的一些实施例中,基于以上技术方案,所述债务人结构化数据集合包括债务人基础信息表、债务人关系人表、诉讼信息表以及交易流水表,构建单元702还用于,调用预设的目标字段筛选策略从所述债务人结构化数据集合中的债务人基础信息表提取以债务人为实体的实体信息;
从债务人结构化数据集合中的债务人关系人表、诉讼信息表、交易流水表分别提取债务人之间的社群关系、诉讼关系以及资金流转关系,以获得实体之间的关系信息;
根据实体信息以及实体之间的关系信息,构建债务人的知识图谱。
在本申请的一些实施例中,基于以上技术方案,构建单元702还用于,根据债务人关系表、诉讼信息表以及交易流水表与债务人基础信息表中的对应的债务人实体进行初步融合,以及通过语义分析技术确定债务实体人之间的关联关系,根据关联关系进行实体建边以构建债务人的知识图谱。
在本申请的一些实施例中,基于以上技术方案,确定单元703还用于,从债务人的知识图谱中定位与债务人具有社群关系的节点,以得到与债务人存在关联的社群信息;
根据与债务人存在关联的社群信息,计算各个债务人对应的标签值,标签值用于标记债务人的债务结清比例;
统计各个债务人对应的标签值,将最大标签值对应的实体确定为债务的清收对象。
在本申请的一些实施例中,基于以上技术方案,确定单元703还用于,将债务人的知识图谱按照实体所处地理区域或与社群相关的属性划分,以得到多个不同的社群;
计算在同一社群下每个债务人节点对应的pagerank值,其中,pagerank代表的是债务人节点在所属社群的重要度;
统计各个债务人节点对应的pagerank值,将值最大对应的实体确定为债务的清收对象。
在本申请的一些实施例中,基于以上技术方案,确定单元703还用于,从债务人的知识图谱中获取与债务人具有诉讼关系的节点,以得到与债务人存在关联的诉讼信息;
根据与债务人存在关联的诉讼信息,确定具有财产流入的债务人节点;
将具有财产处置流入的债务人节点对应的实体确定为债务清收对象。
在本申请的一些实施例中,基于以上技术方案,确定单元703还用于,从债务人的知识图谱中定位与债务人在同一借贷系统具有资金流转关系的节点,以得到与债务人存在关联的资金流转信息;
根据与债务人存在关联的资金流转信息,统计在预设时间段内集中供款的债务人节点;
将集中供款的债务人节点对应的实体确定为债务清收对象。
本申请各实施例中提供的基于知识图谱的债务清收装置的具体细节已经在对应的方法实施例中进行了详细的描述,此处不再赘述。
图8示意性地示出了用于实现本申请实施例的电子设备的计算机系统结构框图。
需要说明的是,图8示出的电子设备的计算机系统800仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机系统800包括中央处理器801(Central Processing Unit,CPU),其可以根据存储在只读存储器802(Read-Only Memory,ROM)中的程序或者从存储部分808加载到随机访问存储器803(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器803中,还存储有系统操作所需的各种程序和数据。中央处理器801、在只读存储器802以及随机访问存储器803通过总线804彼此相连。输入/输出接口805(Input/Output接口,即I/O接口)也连接至总线804。
以下部件连接至输入/输出接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至输入/输出接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本申请的实施例,各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理器801执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (7)
1.一种基于知识图谱的债务清收对象确定方法,其特征在于,所述方法包括:
获取债务人的资产相关信息,将所述债务人的资产相关信息中的各债务人数据均转化为债务人结构化数据,以得到债务人结构化数据集合;
调用预设的目标字段筛选策略选定所述债务人结构化数据集合中各债务人中的主数据,通过各主数据对应构建实体,并根据各主数据之间的联系构建各实体之间的关系,以构建债务人的知识图谱;
根据从所述各债务人的知识图谱中挖掘出与所述债务人存在关联的社群信息,在各个债务人中确定债务的清收对象,包括:
将所述债务人的知识图谱按照实体所处地理区域或与社群相关的属性划分,以得到多个不同的社群;
计算在同一社群下每个债务人节点对应的pagerank值,其中,所述pagerank代表的是债务人节点在所属社群的重要度;
统计各个债务人节点对应的pagerank值,将值最大对应的实体确定为债务的清收对象。
2.根据权利要求1所述的基于知识图谱的债务清收对象确定方法,其特征在于,所述债务人结构化数据集合包括债务人基础信息表、债务人关系人表、诉讼信息表以及交易流水表,所述调用预设的目标字段筛选策略选定所述债务人结构化数据集合中各债务人中的主数据,通过各主数据对应构建实体,并根据各主数据之间的联系构建各实体之间的关系,以构建债务人的知识图谱,包括:
调用预设的目标字段筛选策略从所述债务人结构化数据集合中的债务人基础信息表提取以债务人为实体的实体信息;
从所述债务人结构化数据集合中的所述债务人关系人表、所述诉讼信息表、所述交易流水表分别提取所述债务人之间的社群关系、诉讼关系以及资金流转关系,以获得实体之间的关系信息;
根据所述实体信息以及所述实体之间的关系信息,构建所述债务人的知识图谱。
3.根据权利要求2所述的基于知识图谱的债务清收对象确定方法,其特征在于,所述根据所述实体信息以及所述实体之间的关系信息,构建所述债务人的知识图谱,包括:
根据所述债务人关系表、所述诉讼信息表以及所述交易流水表与所述债务人基础信息表中的对应的债务人实体进行初步融合,以及通过语义分析技术确定所述债务实体人之间的关联关系,根据关联关系进行实体建边以构建所述债务人的知识图谱。
4.根据权利要求1所述的基于知识图谱的债务清收对象确定方法,其特征在于,所述根据从所述债务人的知识图谱中挖掘出与所述债务人存在关联的社群信息,在各个债务人中确定债务的清收对象,包括:
从所述债务人的知识图谱中定位与所述债务人具有社群关系的节点,以得到与所述债务人存在关联的社群信息;
根据与所述债务人存在关联的社群信息,计算各个债务人对应的标签值,所述标签值用于标记债务人的债务结清比例;
统计各个债务人对应的标签值,将最大标签值对应的实体确定为债务的清收对象。
5.一种基于知识图谱的债务清收对象确定装置,其特征在于,所述装置包括:
获取单元,用于获取债务人的资产相关信息,将所述债务人的资产相关信息中的各债务人数据均转化为债务人结构化数据,以得到债务人结构化数据集合;
构建单元,用于调用预设的目标字段筛选策略选定所述债务人结构化数据集合中各债务人中的主数据,通过各主数据对应构建实体,并根据各主数据之间的联系构建各实体之间的关系,以构建债务人的知识图谱;
确定单元,用于根据从所述各债务人的知识图谱中挖掘出与所述债务人存在关联的社群信息,在各个债务人中确定债务的清收对象,包括:
将所述债务人的知识图谱按照实体所处地理区域或与社群相关的属性划分,以得到多个不同的社群;
计算在同一社群下每个债务人节点对应的pagerank值,其中,所述pagerank代表的是债务人节点在所属社群的重要度;
统计各个债务人节点对应的pagerank值,将值最大对应的实体确定为债务的清收对象。
6.一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现权利要求1至4中任意一项所述的基于知识图谱的债务清收对象确定方法。
7.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至4中任意一项所述的基于知识图谱的债务清收对象确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111050649.0A CN113779136B (zh) | 2021-09-08 | 2021-09-08 | 基于知识图谱的债务清收对象确定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111050649.0A CN113779136B (zh) | 2021-09-08 | 2021-09-08 | 基于知识图谱的债务清收对象确定方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113779136A CN113779136A (zh) | 2021-12-10 |
CN113779136B true CN113779136B (zh) | 2024-04-19 |
Family
ID=78841817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111050649.0A Active CN113779136B (zh) | 2021-09-08 | 2021-09-08 | 基于知识图谱的债务清收对象确定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779136B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575547B (zh) * | 2024-01-17 | 2024-04-30 | 中信证券股份有限公司 | 信息生成方法、装置、电子设备和计算机可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019841A (zh) * | 2018-07-24 | 2019-07-16 | 南京涌亿思信息技术有限公司 | 构建债务人知识图谱的数据分析方法、装置及系统 |
CN111967976A (zh) * | 2020-08-19 | 2020-11-20 | 中国银行股份有限公司 | 基于知识图谱的风险企业确定方法及装置 |
CN112837149A (zh) * | 2021-03-18 | 2021-05-25 | 中国工商银行股份有限公司 | 一种企业信贷风险的识别方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070156554A1 (en) * | 2005-12-19 | 2007-07-05 | Nikoley Richard L | Method and Apparatus for Computer Assisted Settling of Debts |
-
2021
- 2021-09-08 CN CN202111050649.0A patent/CN113779136B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019841A (zh) * | 2018-07-24 | 2019-07-16 | 南京涌亿思信息技术有限公司 | 构建债务人知识图谱的数据分析方法、装置及系统 |
CN111967976A (zh) * | 2020-08-19 | 2020-11-20 | 中国银行股份有限公司 | 基于知识图谱的风险企业确定方法及装置 |
CN112837149A (zh) * | 2021-03-18 | 2021-05-25 | 中国工商银行股份有限公司 | 一种企业信贷风险的识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113779136A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hoekstra et al. | Creating agent‐based energy transition management models that can uncover profitable pathways to climate change mitigation | |
Moser | Reducing global poverty: The case for asset accumulation | |
CN109190098A (zh) | 一种基于自然语言处理的文档自动生成方法和系统 | |
CN110427406A (zh) | 组织机构相关人员关系的挖掘方法及装置 | |
CN108520008A (zh) | 数据仓库模型的构建方法及构建装置 | |
Ye et al. | Systematic literature review on smart contracts in the construction industry: Potentials, benefits, and challenges | |
Alaloul et al. | Assessment of economic sustainability in the construction sector: evidence from three developed countries (the USA, China, and the UK) | |
KR20200084378A (ko) | 법률문서 자동작성 서비스 제공 시스템 및 그 방법 | |
CN115422173A (zh) | 金融信贷领域的数据治理方法及系统 | |
CN112417060A (zh) | 识别企业关系的方法、装置、设备和计算机可读介质 | |
CN113779136B (zh) | 基于知识图谱的债务清收对象确定方法、装置及电子设备 | |
Loubere | Development on loan: Microcredit and marginalisation in rural China | |
CN111798304A (zh) | 一种风险贷款确定方法、装置、电子设备及存储介质 | |
Tang | Local government debt, financial circle, and sustainable economic development | |
Cheng et al. | Analysis of the application of big data in banking sector | |
Svotwa et al. | Exploring digital financial inclusion strategies for urban and rural communities in Botswana, Namibia, South Africa and Zimbabwe | |
Battisti et al. | The assessment of real estate initiatives to be included in the socially-responsible funds | |
Owda et al. | Financial discussion boards irregularities detection system (fdbs-ids) using information extraction | |
Adepoju | International migration and development in Sub-Saharan Africa | |
Su | The study of physical education evaluation based on a fuzzy stochastic algorithm | |
CN112508687A (zh) | 一种ai信用评价方法、系统、电了设备及存储介质 | |
CN117033431A (zh) | 工单处理方法、装置、电子设备和介质 | |
Tosida et al. | Smart village based on agriculture big data analytic: review and future research agenda. | |
CN115358753A (zh) | 一种跨平台信用指标关联模型的生成方法及其系统 | |
Chigbu | Urban-rural land linkages: Concept explained using ‘continuum’theory and metaphor |
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 |