CN113849567A - 一种基于数据融合的债权纠纷预警系统 - Google Patents
一种基于数据融合的债权纠纷预警系统 Download PDFInfo
- Publication number
- CN113849567A CN113849567A CN202111133279.7A CN202111133279A CN113849567A CN 113849567 A CN113849567 A CN 113849567A CN 202111133279 A CN202111133279 A CN 202111133279A CN 113849567 A CN113849567 A CN 113849567A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- early warning
- storage
- business
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 50
- 238000003032 molecular docking Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 23
- 238000009938 salting Methods 0.000 claims description 22
- 150000003839 salts Chemical class 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000001503 joint Anatomy 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
Images
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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2255—Hash tables
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24552—Database cache management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
-
- 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
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services; Handling legal documents
- G06Q50/182—Alternative dispute resolution
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Bioethics (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及金融辅助系统技术领域，具体涉及一种基于数据融合的债权纠纷预警系统，包括业务同步模块、存储模块、存证模块、公证模块、多源数据融合模块和预警模块，业务同步模块将业务办理数据和业务凭据打包为存证包，提取存证包的哈希值，通过存证模块上传区块链存证，获得存证证书，将存证包通过公证模块发送给公证处进行公证，获得公证证书，业务同步模块周期性同步用户的还款数据，多源数据融合模块与多个数据源建立隐私计算，预警模块建立预警模型，当用户的借贷业务出现逾期且用户偿债能力评分低于预设值时，预警模块发出预警。本发明的实质性效果是：提高银行对小额度贷款风险的管控能力，使银行有能力继续扩大小额度贷款的业务规模。
Description
技术领域
本发明涉及金融辅助系统技术领域，具体涉及一种基于数据融合的债权纠纷预警系统。
背景技术
小微企业是我国重要的经济参与者，是提供新增就业岗位的主要渠道，是企业家创业成长的主要平台，是科技创新的重要力量。同时小微企业也存在着管理不规范、规模小和缺乏资金的问题。经营状态受市场的波动影响比较大。由于小微企业的资产较少，因而申请贷款的难度相对更高一些。为促进小微企业的发展，银行提供了针对小微企业的贷款额度。一定程度上缓解了小微企业的资金压力，但仍然需要扩大对小微企业的贷款规模。且随着经济的进一步发展，小额贷款存在业务量上升的态势，同时逾期率和坏账率也存在上升的趋势。不仅对银行业带来损失，同时也整体上降低了小微企业的信誉度，最终不利于小微企业的发展。部分企业在申请贷款时，缺乏审慎的市场研读，存在盲目扩张的情况。最终因经营不善，造成了贷款的逾期和坏账。由于逾期及坏账小额贷款的涉案金额低、催收成本高且司法处置难，导致司法催收的威慑力不高。银行在扩大小额度贷款规模时，不能将风险控制在可接受范围内，这限制了主要针对小微企业的小额度贷款的供应增加。因而需要帮助银行解决贷款风险控制的问题。
如中国专利CN112819607A，公开日2021年5月18日，一种股票抵押物贷款回收风险自动预警方法和装置，适用于金融领域的信贷管理，尤其对于使用股票等作为抵押物的贷款，该方法包括：获取公开市场数据和目标贷款数据，目标贷款数据包括：贷款总额、贷款余额、抵押股票标识、抵押股票数量；将公开市场数据、抵押股票标识以及抵押股票数量输入预获取的股票估值模型得到对应的抵押股票估值结果；根据抵押股票估值结果以及贷款总额或贷款余额进行目标贷款的回收风险预警控制，提升抵押物价值评估的准确性，尽早识别可能存在回收隐患的贷款。但其仅能够解决使用股票作为抵押物的贷款的风险预警，不能解决小额度贷款缺乏风险预警的问题。
发明内容
本发明要解决的技术问题是：目前缺乏辅助银行进行企业小额度贷款风险预警系统的技术问题。提出了一种基于数据融合的债权纠纷预警系统，能够借助多源数据融合，提高银行贷款风险管控的能力，有助于扩大银行开展小额度贷款的规模。
为解决上述技术问题，本发明所采取的技术方案为：一种基于数据融合的债权纠纷预警系统，包括业务同步模块、存储模块、存证模块、公证模块、多源数据融合模块和预警模块，所述业务同步模块与金融机构借贷业务办理系统对接，获取用户的借贷业务办理数据和业务凭据，将业务办理数据和业务凭据打包为存证包，存储所述存证包，提取所述存证包的哈希值，通过存证模块上传区块链存证，获得存证证书，将所述存证包通过公证模块发送给公证处进行公证，获得公证证书，所述业务同步模块周期性同步用户的还款数据，将还款数据发送到存储模块存储，所述存证模块提取还款数据的哈希值并上传区块链存证，所述多源数据融合模块与多个数据源建立隐私计算，所述预警模块建立预警模型，所述预警模型的输入为用户在多个数据源的业务数据，所述预警模型的输出为用户偿债能力评分，当用户的借贷业务出现逾期且用户偿债能力评分低于预设值时，所述预警模块发出预警，并将用户对应的存证包、存证证书、公证证书和还款数据打包待用。
作为优选，所述业务同步模块获取用户的借贷业务办理数据和业务凭据后，对借贷业务办理数据和业务凭据进行完整性检查，所述业务同步模块存储有借贷业务对应的办理流程文件目录和凭据目录，所述业务同步模块将借贷业务办理数据与流程文件目录关联，将业务凭据与凭据目录关联，若流程文件目录及凭据目录中的条目均被关联有相应的借贷业务办理数据或业务凭据，则判定借贷业务办理数据和业务凭据完整。
作为优选，所述存储模块包括若干个存储节点，所述业务同步模块为存证包分配唯一标识，为用户分配用户标识，所述业务同步模块将存证包拆分为若干个子数据包，子数据包具有预设的大小，将子数据包关联标识和用户标识，将若干个子数据包发送给任一存储节点，所述存储节点开辟有与所述存证包大小匹配的存储区，所述存储区被划分为若干个存储段，所述存储段的大小与子数据包匹配，收到存证包的存储节点将存证包存储在缓存区，为存证包分配存储区，所述存储节点随机决定是否保留子数据包，若决定保留子数据包，则将子数据包从缓存区移动到存储区对应次序的存储段，并将上一个存储区读取存储非随机码的存储段的内容复制到缓存区，若决定不保留子数据包，则将存储区对应的存储段填充随机码，将缓存区内容发送给下一个存储节点，下一个存储节点做同样操作，直到最后一个存储节点收到上一个存储区缓存区内容后，将收到的内容直接存储在分配的存储区内。
作为优选，若干个所述存储节点最终决定保留的子数据包的数量均等于预设值。
作为优选，每个所述数据源均运行有所述多源数据融合模块，所述多源数据融合模块包括数据查找模块、数据展示模块、加盐哈希API模块和监管对接模块，所述数据展示模块展示所在数据源的业务数据的数据结构和数据源拥有的业务数据的外部主键加盐值列表，外部主键加盐值关联有唯一数据编号，所述加盐哈希值API模块接收数据源提交的外部主键的值，返回外部主键的值的加盐哈希值，每个数据源设置的盐互不相同，所述监管对接模块与监管结构的监管节点连接，所述数据查找模块将用户的外部主键值提交给目标数据源的加盐哈希API模块，获得用户的外部主键值的加盐哈希值，查询目标数据源公开的业务数据的外部主键加盐值列表，获得相同加盐哈希值的业务数据的数据编号，记为目标数据编号，获得多个目标数据源的多个目标数据编号后，所述监管对接模块将预警模型和所述目标数据编号提交给监管节点，所述监管节点验证预警模型的隐私安全后，在多个数据源之间建立隐私计算，获得将多个所述目标数据编号输入预警模型的结果，即用户偿债能力评分，将用户偿债能力评分反馈给所述监管对接模块。
作为优选，所述预警模型为神经网络模型，所述监管节点验证预警模型的隐私安全时，执行以下步骤：检查所述预警模型的第1层神经元所连接的输入层神经元数量，若存在第1层神经元仅连接1个输入层神经元，则判定预警模型的隐私安全检查不通过，反之，若预警模型的每个第1层神经元均连接至少2个输入层神经元，则判定预警模型的隐私安全检查通过。
作为优选，所述预警模型为神经网络模型，通过以下方法在多个数据源之间建立隐私计算，包括：所述监管对接模块将输入层神经元与第1层神经元之间的每个连接的权系数进行修改，修改后的权系数记为掩系数，将修改后的预警模型发送给监管节点；监管节点验证预警模型的隐私安全后，向目标数据编号对应的目标数据源发起数据融合调用请求；目标数据源方收到监管节点发送的目标数据编号和输入层神经元，将目标数据编号对应的数据行中与输入层神经元对应的数据值，分别拆分为两个加数，将其中一个加数作为掩数发送给监管节点，另一个作为调整数；目标数据源方计算掩数与数据值的比例值，将比例值发送给监管对接模块，所述监管对接模块根据掩系数和比例值，计算出对应的输入层神经元与第1层神经元的调整系数，所述调整系数使掩数和调整数按照掩系数和调整系数计算的加权和，与数据值和原权系数的乘积相同，将调整系数发送给目标数据源；数据源将调整系数与调整数的乘积发送给监管节点；所述监管节点计算第1层神经元的输入值时，将掩数和掩系数的乘积与调整数和调整系数相加，作为数据值与原权系数的乘积值，从而获得第1层神经元的输出，进而获得预警模型的输出。
作为优选，所述监管节点运行有预警模型训练模块，若干个目标数据源公开的业务数据包括用户的逾期数据，用户是否逾期作为标签，所述预警模块建立预警模型、损失函数和梯度函数，指定预警模型的输入神经元对应的字段，所述数据查找模块根据数据源公开的数据结构，查找包含有预警模型需要的字段的目标数据编号，将目标数据编号发送给所述监管对接模块，所述监管对接模块将待训练的预警模型和目标数据编号发送给监管节点，所述监管节点与目标数据编号对应的目标数据源建立隐私计算，获得预警模型的输出，进而获得损失函数的输出，将损失函数的输出代入梯度函数，获得预警模型的权系数的更新，而后再次与目标数据编号对应的目标数据源建立隐私计算，直到损失函数的输出小于预设阈值或达到预设训练时长，将训练后的预警模型发送给所述监管对接模块，所述监管对接模块将预警模型发送给预警模块。
本发明的实质性效果是：通过多源数据融合模块融合多源数据，建立预警模型，研判用户是否在贷款后出现不良经营情况，及时发出预警，有助于银行及时采取措施挽回损失，提高银行对小额度贷款风险的管控能力，使银行有能力继续扩大小额度贷款的业务规模，惠及小微企业；使用存证模块和公证模块对贷款业务办理数据和业务凭据进行实时存证和公证，辅助银行采取司法手段维护权益，有助于缓解小额度贷款相关的债权纠纷司法途径缺乏威慑力的问题。
附图说明
图1为实施例一债权纠纷预警系统组成示意图。
图2为实施例一办理流程文件目录示意图。
图3为实施例一凭据目录示意图。
图4为实施例一存储节点存储子数据包示意图。
图5为实施例一多源数据融合模块组成示意图。
图6为实施例一多源数据融合模块进行多源数据融合过程示意图。
图7为实施例一预警模型示意图。
图8为实施例二监管节点建立隐私计算过程示意图。
图9为实施例二预警模型计算过程示意图。
图10为实施例二预警模型训练过程示意图。
其中：10、业务同步模块，11、存证包，12、办理流程文件目录，13、凭据目录，20、存储模块，21、存储段，22、存储区，23、子数据包，24、随机码，30、存证模块，31、区块链，40、公证模块，41、公证处，50、多源数据融合模块，51、数据展示模块，52、加盐哈希API模块，53、数据查找模块，54、监管对接模块，60、预警模块，61、预警模型。
具体实施方式
下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。
实施例一：
一种基于数据融合的债权纠纷预警系统，请参阅附图1，包括业务同步模块10、存储模块20、存证模块30、公证模块40、多源数据融合模块50和预警模块60，业务同步模块10与金融机构借贷业务办理系统对接，获取用户的借贷业务办理数据和业务凭据，将业务办理数据和业务凭据打包为存证包11，存储存证包11，提取存证包11的哈希值，通过存证模块30上传区块链31存证，获得存证证书，将存证包11通过公证模块40发送给公证处41进行公证，获得公证证书，业务同步模块10周期性同步用户的还款数据，将还款数据发送到存储模块20存储，存证模块30提取还款数据的哈希值并上传区块链31存证，多源数据融合模块50与多个数据源建立隐私计算，预警模块60建立预警模型61，预警模型61的输入为用户在多个数据源的业务数据，预警模型61的输出为用户偿债能力评分，当用户的借贷业务出现逾期且用户偿债能力评分低于预设值时，预警模块60发出预警，并将用户对应的存证包11、存证证书、公证证书和还款数据打包待用。用户指企业用户，个人用户不在本专利技术方案实施范围之内。企业的财务状况是是企业某个时间段的资产及权益情况，是用价值形态反映的企业经营活动的状况。上市公司按规需要公开财务状况，如果小微企业有投资人，则为投资人负责，通常需要向投资人公开财务状况。银行向小微企业进行借贷时，都会要求用户提交财务状况情况，以用于审批贷款。本实施例中，在借贷后的债权纠纷预警中，采用企业主动公开的财务状况，若企业主动公开的资产变动、财产变动较多，则误差较小，反之，则存在较大的误差。银行借贷时，可以与用户签订协议，即在借贷后，仍需要定期提交财务状况，能够提高对公开资产变动信息少的公司的预警效果。
业务同步模块10获取用户的借贷业务办理数据和业务凭据后，对借贷业务办理数据和业务凭据进行完整性检查，业务同步模块10存储有借贷业务对应的办理流程文件目录12和凭据目录13，请参阅附图2，业务同步模块10将借贷业务办理数据与流程文件目录关联，请参阅附图3，将业务凭据与凭据目录13关联，若流程文件目录及凭据目录13中的条目均被关联有相应的借贷业务办理数据或业务凭据，则判定借贷业务办理数据和业务凭据完整。
存储模块20包括若干个存储节点，业务同步模块10为存证包11分配唯一标识，为用户分配用户标识，业务同步模块10将存证包11拆分为若干个子数据包23，子数据包23具有预设的大小，将子数据包23关联标识和用户标识，将若干个子数据包23发送给任一存储节点，请参阅附图4，存储节点开辟有与存证包11大小匹配的存储区22，存储区22被划分为若干个存储段21，存储段21的大小与子数据包23匹配，收到存证包11的存储节点将存证包11存储在缓存区，为存证包11分配存储区22，存储节点随机决定是否保留子数据包23，若决定保留子数据包23，则将子数据包23从缓存区移动到存储区22对应次序的存储段21，并将上一个存储区22读取存储非随机码24的存储段21的内容复制到缓存区，若决定不保留子数据包23，则将存储区22对应的存储段21填充随机码24，将缓存区内容发送给下一个存储节点，下一个存储节点做同样操作，直到最后一个存储节点收到上一个存储区22缓存区内容后，将收到的内容直接存储在分配的存储区22内。若干个存储节点最终决定保留的子数据包23的数量均等于预设值。多个存储节点随机存储随机码24、本存证包11的子数据包23以及上一个存证包11的子数据包23，实现分片存储，提高存储的安全性。每个存储节点均存储有预设值，存储节点最终决定保留的子数据包23的数量等于预设值。
每个数据源均运行有多源数据融合模块50，请参阅附图5，多源数据融合模块50包括数据查找模块53、数据展示模块51、加盐哈希API模块52和监管对接模块54，数据展示模块51展示所在数据源的业务数据的数据结构和数据源拥有的业务数据的外部主键加盐值列表，外部主键加盐值关联有唯一数据编号，加盐哈希值API模块接收数据源提交的外部主键的值，返回外部主键的值的加盐哈希值，每个数据源设置的盐互不相同，监管对接模块54与监管结构的监管节点连接。多源数据融合模块50执行以下步骤进行多源数据融合，请参阅附图6，包括：步骤A01）数据查找模块53将用户的外部主键值提交给目标数据源的加盐哈希API模块52，获得用户的外部主键值的加盐哈希值，如将用户的营业执照号作为外部主键值进行加盐；步骤A02）查询目标数据源公开的业务数据的外部主键加盐值列表，获得相同加盐哈希值的业务数据的数据编号，记为目标数据编号；步骤A03）获得多个目标数据源的多个目标数据编号后，监管对接模块54将预警模型61和目标数据编号提交给监管节点；步骤A04）监管节点验证预警模型61的隐私安全后，在多个数据源之间建立隐私计算；步骤A05）获得将多个目标数据编号输入预警模型61的结果，即用户偿债能力评分，将用户偿债能力评分反馈给监管对接模块54。
预警模型61为神经网络模型，监管节点验证预警模型61的隐私安全时，执行以下步骤：检查预警模型61的第1层神经元所连接的输入层神经元数量，若存在第1层神经元仅连接1个输入层神经元，则判定预警模型61的隐私安全检查不通过，反之，若预警模型61的每个第1层神经元均连接至少2个输入层神经元，则判定预警模型61的隐私安全检查通过。请参阅附图7，如预警模型61中的输入层有三个神经元，分别对应资产等值余额、月均支出金额和当地同行业企业月均支出金额，第一层神经元有两个，其中一个连接输入层的三个神经元，激发函数为sigmod函数，权重以a11、a12和a13表示，偏移量以b1表示，则其输出等于sigmod(x)，其中第一层神经元为全连接，则第一层第一个神经元x= a11*资产等值余额+a12*月均支出金额+ a13*当地月均支出金额+b1。用户对应的数据具体为：资产等值余额33万，月均支出金额1万，当地月均支出金额0.7万。若用户的贷款没超过11万，资产等值余额的33%，即则用户的资产足够偿还贷款，负债率较低，因而风险较低。且用户的月均支出金额大于当地人均月消费金额，因而用户具有较高的购买力，偿债能力较强，用户偿债能力评分相应较高。为使月均支出金额和当地月均支出金额具有可比性，当地月均支出金额应选取和用户行业、资产规模及业务规模在同一层次的企业用户均值。资产等值余额由用户公开的资产，如办公楼、办公家具、公司车产、设备、公开的资金及公开的业务项目折算获得，在本领域中用于上市公司的资产核算的技术方案能够用于解决资产等值余额的计算。用户保密的、未主动公开的资产、余额及业务项目，不在资产等值余额统计之列，因而会导致公开资产较少的用户，获得较低的偿债评分较低。可以采用建立公共资产较少的用户的修正系数，进行解决。月均支出金额由用户公开的购买行为推测获得。
本实施例的有益技术效果是：通过多源数据融合模块50融合多源数据，建立预警模型61，研判用户是否在贷款后出现不良经营情况，及时发出预警，有助于银行及时采取措施挽回损失，提高银行对小额度贷款风险的管控能力，使银行有能力继续扩大小额度贷款的业务规模，惠及小微企业；使用存证模块30和公证模块40对贷款业务办理数据和业务凭据进行实时存证和公证，辅助银行采取司法手段维护权益，有助于缓解小额度贷款相关的债权纠纷司法途径缺乏威慑力的问题。
实施例二：
预警模型61为神经网络模型，请参阅附图8，通过以下方法在多个数据源之间建立隐私计算，包括：步骤B01）监管对接模块54将输入层神经元与第1层神经元之间的每个连接的权系数进行修改，修改后的权系数记为掩系数，将修改后的预警模型61发送给监管节点；步骤B02）监管节点验证预警模型61的隐私安全后，向目标数据编号对应的目标数据源发起数据融合调用请求；步骤B03）目标数据源方收到监管节点发送的目标数据编号和输入层神经元，将目标数据编号对应的数据行中与输入层神经元对应的数据值，分别拆分为两个加数，将其中一个加数作为掩数发送给监管节点，另一个作为调整数；步骤B04）目标数据源方计算掩数与数据值的比例值，将比例值发送给监管对接模块54，监管对接模块54根据掩系数和比例值，计算出对应的输入层神经元与第1层神经元的调整系数，调整系数使掩数和调整数按照掩系数和调整系数计算的加权和，与数据值和原权系数的乘积相同，将调整系数发送给目标数据源；步骤B05）数据源将调整系数与调整数的乘积发送给监管节点；步骤B06）监管节点计算第1层神经元的输入值时，将掩数和掩系数的乘积与调整数和调整系数相加，作为数据值与原权系数的乘积值，从而获得第1层神经元的输出，进而获得预警模型61的输出。
请参阅附图9，输入层神经元与第1层神经元的连接均用两个连接来等效。即x1*w11=c1*u11+r1*v11，其中c1为调整数，u11为调整系数，r1为掩数，v11为掩系数，其中x1=c1+r1。通过本实施例提供的预警模型61执行方法，监管节点不知晓调整系数和比例值，因而即无法知晓数据值x1的值，也无法知晓权系数w11的值。数据源不知晓掩系数，也就无法知晓权系数w11的值，因而使得数据值和预警模型61均保密。避免了预警模型61泄露后，用户针对预警模型61故意调整经济活动，规避预警模型61的预警。
监管节点运行有预警模型61训练模块，若干个目标数据源公开的业务数据包括用户的逾期数据，用户是否逾期作为标签，预警模块60建立预警模型61、损失函数和梯度函数，指定预警模型61的输入神经元对应的字段。请参阅附图10，训练预警模型61包括以下步骤：步骤C01）数据查找模块53根据数据源公开的数据结构，查找包含有预警模型61需要的字段的目标数据编号，将目标数据编号发送给监管对接模块54；步骤C02）监管对接模块54将待训练的预警模型61和目标数据编号发送给监管节点；步骤C03）监管节点与目标数据编号对应的目标数据源建立隐私计算，获得预警模型61的输出，进而获得损失函数的输出；步骤C04）将损失函数的输出代入梯度函数，获得预警模型61的权系数的更新；步骤C05）而后再次与目标数据编号对应的目标数据源建立隐私计算，直到损失函数的输出小于预设阈值或达到预设训练时长；步骤C06）将训练后的预警模型61发送给监管对接模块54，监管对接模块54将预警模型61发送给预警模块60。本实施例能够借助监管节点在有效保护隐私安全的前提下，实现预警模型61的执行。
以上的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (8)
1.一种基于数据融合的债权纠纷预警系统，其特征在于，
包括业务同步模块、存储模块、存证模块、公证模块、多源数据融合模块和预警模块，所述业务同步模块与金融机构借贷业务办理系统对接，获取用户的借贷业务办理数据和业务凭据，将业务办理数据和业务凭据打包为存证包，存储所述存证包，提取所述存证包的哈希值，通过存证模块上传区块链存证，获得存证证书，将所述存证包通过公证模块发送给公证处进行公证，获得公证证书，所述业务同步模块周期性同步用户的还款数据，将还款数据发送到存储模块存储，所述存证模块提取还款数据的哈希值并上传区块链存证，所述多源数据融合模块与多个数据源建立隐私计算，所述预警模块建立预警模型，所述预警模型的输入为用户在多个数据源的业务数据，所述预警模型的输出为用户偿债能力评分，当用户的借贷业务出现逾期且用户偿债能力评分低于预设值时，所述预警模块发出预警，并将用户对应的存证包、存证证书、公证证书和还款数据打包待用。
2.根据权利要求1所述的一种基于数据融合的债权纠纷预警系统，其特征在于，
所述业务同步模块获取用户的借贷业务办理数据和业务凭据后，对借贷业务办理数据和业务凭据进行完整性检查，所述业务同步模块存储有借贷业务对应的办理流程文件目录和凭据目录，所述业务同步模块将借贷业务办理数据与流程文件目录关联，将业务凭据与凭据目录关联，若流程文件目录及凭据目录中的条目均被关联有相应的借贷业务办理数据或业务凭据，则判定借贷业务办理数据和业务凭据完整。
3.根据权利要求1或2所述的一种基于数据融合的债权纠纷预警系统，其特征在于，
所述存储模块包括若干个存储节点，所述业务同步模块为存证包分配唯一标识，为用户分配用户标识，所述业务同步模块将存证包拆分为若干个子数据包，子数据包具有预设的大小，将子数据包关联标识和用户标识，将若干个子数据包发送给任一存储节点，所述存储节点开辟有与所述存证包大小匹配的存储区，所述存储区被划分为若干个存储段，所述存储段的大小与子数据包匹配，收到存证包的存储节点将存证包存储在缓存区，为存证包分配存储区，所述存储节点随机决定是否保留子数据包，若决定保留子数据包，则将子数据包从缓存区移动到存储区对应次序的存储段，并将上一个存储区读取存储非随机码的存储段的内容复制到缓存区，若决定不保留子数据包，则将存储区对应的存储段填充随机码，将缓存区内容发送给下一个存储节点，下一个存储节点做同样操作，直到最后一个存储节点收到上一个存储区缓存区内容后，将收到的内容直接存储在分配的存储区内。
4.根据权利要求3所述的一种基于数据融合的债权纠纷预警系统，其特征在于，
若干个所述存储节点最终决定保留的子数据包的数量均等于预设值。
5.根据权利要求1或2所述的一种基于数据融合的债权纠纷预警系统，其特征在于，
每个所述数据源均运行有所述多源数据融合模块，所述多源数据融合模块包括数据查找模块、数据展示模块、加盐哈希API模块和监管对接模块，所述数据展示模块展示所在数据源的业务数据的数据结构和数据源拥有的业务数据的外部主键加盐值列表，外部主键加盐值关联有唯一数据编号，所述加盐哈希值API模块接收数据源提交的外部主键的值，返回外部主键的值的加盐哈希值，每个数据源设置的盐互不相同，所述监管对接模块与监管结构的监管节点连接，所述数据查找模块将用户的外部主键值提交给目标数据源的加盐哈希API模块，获得用户的外部主键值的加盐哈希值，查询目标数据源公开的业务数据的外部主键加盐值列表，获得相同加盐哈希值的业务数据的数据编号，记为目标数据编号，获得多个目标数据源的多个目标数据编号后，所述监管对接模块将预警模型和所述目标数据编号提交给监管节点，所述监管节点验证预警模型的隐私安全后，在多个数据源之间建立隐私计算，获得将多个所述目标数据编号输入预警模型的结果，即用户偿债能力评分，将用户偿债能力评分反馈给所述监管对接模块。
6.根据权利要求5所述的一种基于数据融合的债权纠纷预警系统，其特征在于，
所述预警模型为神经网络模型，所述监管节点验证预警模型的隐私安全时，执行以下步骤：
检查所述预警模型的第1层神经元所连接的输入层神经元数量，若存在第1层神经元仅连接1个输入层神经元，则判定预警模型的隐私安全检查不通过，反之，若预警模型的每个第1层神经元均连接至少2个输入层神经元，则判定预警模型的隐私安全检查通过。
7.根据权利要求5所述的一种基于数据融合的债权纠纷预警系统，其特征在于，
所述预警模型为神经网络模型，通过以下方法在多个数据源之间建立隐私计算，包括：
所述监管对接模块将输入层神经元与第1层神经元之间的每个连接的权系数进行修改，修改后的权系数记为掩系数，将修改后的预警模型发送给监管节点；
监管节点验证预警模型的隐私安全后，向目标数据编号对应的目标数据源发起数据融合调用请求；
目标数据源方收到监管节点发送的目标数据编号和输入层神经元，将目标数据编号对应的数据行中与输入层神经元对应的数据值，分别拆分为两个加数，将其中一个加数作为掩数发送给监管节点，另一个作为调整数；
目标数据源方计算掩数与数据值的比例值，将比例值发送给监管对接模块，所述监管对接模块根据掩系数和比例值，计算出对应的输入层神经元与第1层神经元的调整系数，所述调整系数使掩数和调整数按照掩系数和调整系数计算的加权和，与数据值和原权系数的乘积相同，将调整系数发送给目标数据源；
数据源将调整系数与调整数的乘积发送给监管节点；
所述监管节点计算第1层神经元的输入值时，将掩数和掩系数的乘积与调整数和调整系数相加，作为数据值与原权系数的乘积值，从而获得第1层神经元的输出，进而获得预警模型的输出。
8.根据权利要求5所述的一种基于数据融合的债权纠纷预警系统，其特征在于，
所述监管节点运行有预警模型训练模块，若干个目标数据源公开的业务数据包括用户的逾期数据，用户是否逾期作为标签，所述预警模块建立预警模型、损失函数和梯度函数，指定预警模型的输入神经元对应的字段，所述数据查找模块根据数据源公开的数据结构，查找包含有预警模型需要的字段的目标数据编号，将目标数据编号发送给所述监管对接模块，所述监管对接模块将待训练的预警模型和目标数据编号发送给监管节点，所述监管节点与目标数据编号对应的目标数据源建立隐私计算，获得预警模型的输出，进而获得损失函数的输出，将损失函数的输出代入梯度函数，获得预警模型的权系数的更新，而后再次与目标数据编号对应的目标数据源建立隐私计算，直到损失函数的输出小于预设阈值或达到预设训练时长，将训练后的预警模型发送给所述监管对接模块，所述监管对接模块将预警模型发送给预警模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111133279.7A CN113849567A (zh) | 2021-09-27 | 2021-09-27 | 一种基于数据融合的债权纠纷预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111133279.7A CN113849567A (zh) | 2021-09-27 | 2021-09-27 | 一种基于数据融合的债权纠纷预警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113849567A true CN113849567A (zh) | 2021-12-28 |
Family
ID=78980368
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111133279.7A Pending CN113849567A (zh) | 2021-09-27 | 2021-09-27 | 一种基于数据融合的债权纠纷预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113849567A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115687329A (zh) * | 2022-11-15 | 2023-02-03 | 联洋国融(北京)科技有限公司 | 基于隐私计算处理多数据源缺失值的填充方法及装置 |
| CN117829987A (zh) * | 2024-03-05 | 2024-04-05 | 山东兰图地理信息科技有限公司 | 不动产信息管理方法及系统 |
| CN117829987B (zh) * | 2024-03-05 | 2024-05-10 | 山东兰图地理信息科技有限公司 | 不动产信息管理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180075527A1 (en) * | 2016-09-14 | 2018-03-15 | Royal Bank Of Canada | Credit score platform |
| CN110148054A (zh) * | 2019-05-15 | 2019-08-20 | 湖南大学 | 基于区块链的应收账款融资贷款方法、设备、介质及系统 |
| CN111177791A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 保护数据隐私的双方联合训练业务预测模型的方法和装置 |
| US20200349641A1 (en) * | 2019-05-03 | 2020-11-05 | Mo Tecnologias, Llc | System and method for determining credit and issuing a business loan using tokens and machine learning |
| CN111989893A (zh) * | 2018-01-19 | 2020-11-24 | Qed-It系统有限公司 | 证明链和分解 |
| CN113272850A (zh) * | 2018-10-29 | 2021-08-17 | 强力交易投资组合2018有限公司 | 自适应智能共享基础设施借贷交易支持平台 |
-
2021
- 2021-09-27 CN CN202111133279.7A patent/CN113849567A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180075527A1 (en) * | 2016-09-14 | 2018-03-15 | Royal Bank Of Canada | Credit score platform |
| CN111989893A (zh) * | 2018-01-19 | 2020-11-24 | Qed-It系统有限公司 | 证明链和分解 |
| CN113272850A (zh) * | 2018-10-29 | 2021-08-17 | 强力交易投资组合2018有限公司 | 自适应智能共享基础设施借贷交易支持平台 |
| US20200349641A1 (en) * | 2019-05-03 | 2020-11-05 | Mo Tecnologias, Llc | System and method for determining credit and issuing a business loan using tokens and machine learning |
| CN110148054A (zh) * | 2019-05-15 | 2019-08-20 | 湖南大学 | 基于区块链的应收账款融资贷款方法、设备、介质及系统 |
| CN111177791A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 保护数据隐私的双方联合训练业务预测模型的方法和装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115687329A (zh) * | 2022-11-15 | 2023-02-03 | 联洋国融(北京)科技有限公司 | 基于隐私计算处理多数据源缺失值的填充方法及装置 |
| CN115687329B (zh) * | 2022-11-15 | 2023-05-30 | 联洋国融(北京)科技有限公司 | 基于隐私计算处理多数据源缺失值的填充方法及装置 |
| CN117829987A (zh) * | 2024-03-05 | 2024-04-05 | 山东兰图地理信息科技有限公司 | 不动产信息管理方法及系统 |
| CN117829987B (zh) * | 2024-03-05 | 2024-05-10 | 山东兰图地理信息科技有限公司 | 不动产信息管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jagtiani et al. | The roles of alternative data and machine learning in fintech lending: evidence from the LendingClub consumer platform | |
| US7376614B1 (en) | Clearing system for an electronic-based market | |
| CA3082439A1 (en) | Incrementally perfected digital asset collateral wallet | |
| Al-Smadi | The role of financial inclusion in financial stability: lesson from Jordan | |
| US20160196605A1 (en) | System And Method To Search And Verify Borrower Information Using Banking And Investment Account Data And Process To Systematically Share Information With Lenders and Government Sponsored Agencies For Underwriting And Securitization Phases Of The Lending Cycle | |
| US11734760B1 (en) | Systems and methods for operating a math-based currency exchange | |
| US20150339671A1 (en) | Dynamic fraud alert system | |
| KR20220035050A (ko) | 정부 채권들에 의해 지원되는 토큰화된 자산 및 연관된 토큰 거래들의 아이덴티티 및 위험 스코어링 | |
| CN110503547A (zh) | 基于区块链的贷款管理方法及系统、金融机构节点 | |
| Fuhrer et al. | Re‐use of collateral in the repo market | |
| CN109102390A (zh) | 基于区块链技术的金融产品风控方法 | |
| TW201732697A (zh) | 基於區塊鏈的清算系統及其方法 | |
| CN113849567A (zh) | 一种基于数据融合的债权纠纷预警系统 | |
| Uriawan et al. | Collateral-Free Trustworthiness-based Personal Lending on a Decentralized Application (DApp). | |
| CN113793208B (zh) | 一种基于区块链的小额金融债权纠纷智慧诉讼系统 | |
| US11741442B1 (en) | Infrastructure for maintaining math-based currency accounts | |
| CN113793209A (zh) | 一种基于区块链的智慧诉讼系统 | |
| Haruna et al. | Interest rate and its effect on economic growth: An issue for Nigeria industrial sectors | |
| TWM597454U (zh) | 計算電子支付機構貢獻度系統 | |
| TWM611735U (zh) | 臨時額度申請系統 | |
| CN112330440A (zh) | 一种基于区块链去中心化的信用体系构建方法 | |
| Choksi et al. | Blockchain-based Smart P2P Lending using Neural Networks | |
| Tobing | The Effect of Using Financial Information Service System (SLIK) on Bad Credit Rate in Fintech Peer to Peer Lending | |
| TWI740426B (zh) | 計算電子支付機構貢獻度系統及方法 | |
| Karadogan | Regulating Financial Technology–Opportunities and Risks |
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 |