CN114119107A - 一种钢贸企业交易测评方法、装置、设备及存储介质 - Google Patents
一种钢贸企业交易测评方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114119107A CN114119107A CN202111619205.4A CN202111619205A CN114119107A CN 114119107 A CN114119107 A CN 114119107A CN 202111619205 A CN202111619205 A CN 202111619205A CN 114119107 A CN114119107 A CN 114119107A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- transaction
- evaluation score
- credit
- vector
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 197
- 229910000831 Steel Inorganic materials 0.000 title claims description 45
- 239000010959 steel Substances 0.000 title claims description 45
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 81
- 238000013210 evaluation model Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 144
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0609—Buyer or seller confidence or verification
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明公开了一种钢贸企业交易测评方法、装置、设备及存储介质，涉及大数据分析处理技术领域，包括以下步骤：获取待测评企业的企业数据和与目标企业的交易数据，获取待测评企业的属性为上游企业或下游企业，从企业数据提取信用特征变量，从交易数据提取交易特征变量；将信用特征变量和交易特征变量输入预设的第一交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出上游交易测评分数；将信用特征变量和交易特征变量输入预设的第二交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出下游交易测评分数；解决了信用等级测评准确性的问题。
Description
技术领域
本发明涉及大数据分析处理技术领域，具体为一种钢贸企业交易测评方法、装置、设备及存储介质。
背景技术
由于钢贸企业的流通特性，资金进出频繁、额度大的特点，在钢材交易中需要对交易活动进行风险防范和控制；其中对交易客户的信用评级是风险控制重要的参考依据，以信用评定等级来制定针对该交易客户的赊销、预付账款或应收账款、回款周期、担保、信用衍生品等交易活动的规则。
目前，通常只是通过企业的工商信息或财务信息来对企业进行信用等级评定，导致信用等级评定的不够准确。
发明内容
本发明的目的在于：为了解决通常只是通过企业的工商信息或财务信息来对企业进行信用等级评定，导致信用等级评定的不够准确的技术问题，本发明提供一种钢贸企业交易测评方法、装置、设备及存储介质。
本发明为了实现上述目的具体采用以下技术方案：
一种钢贸企业交易测评方法，包括以下步骤：
获取待测评企业的企业数据和与目标企业的交易数据，获取待测评企业的属性为上游企业或下游企业，从企业数据提取信用特征变量，从交易数据提取交易特征变量；
待测评企业为上游企业时，将信用特征变量和交易特征变量输入预设的第一交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出上游交易测评分数；
待测评企业为下游企业时，将信用特征变量和交易特征变量输入预设的第二交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出下游交易测评分数。
优选地，所述第一交易评估模型输出上游交易测评分数的具体步骤为：
将属于上游企业的企业数据作为文本信息输入到一个神经网络学习模型的第一层网络；将输入的文本信息通过嵌入学习转化成输入向量,对其邻接点的向量进行求和，得到一个新的向量，新的向量通过门限循环单元网络进行处理后输出向量；
模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；
最后，将拼接成的总向量通过全连接网络输出得到信用评价分数；
将属于上游企业与目标企业的交易数据作为文本信息输入到另一个神经网络学习模型的第一层网络；
将输入的文本信息通过嵌入学习转化成输入向量，对其邻接点的向量进行求和，得到一个新的向量，新的向量通过门限循环单元网络进行处理后输出向量；
模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；
在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；
最后，将拼接成的总向量通过全连接网络输出得到交易评价分数；
然后通过赋予信用评价分数和交易评价分数权重系数通过权重计算输出上游交易测评分数；
所述第二交易评估模型输出上游交易测评分数的具体步骤为：
将属于下游企业的企业数据作为文本信息输入到一个神经网络学习模型的第一层网络；
将输入的文本信息通过嵌入学习转化成输入向量,对其邻接点的向量进行求和，得到一个新的向量，新的向量通过门限循环单元网络进行处理后输出向量；
模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；
在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；
最后，将拼接成的总向量通过全连接网络输出得到信用评价分数；
将属于下游企业与目标企业的交易数据作为文本信息输入到另一个神经网络学习模型的第一层网络；
将输入的文本信息通过嵌入学习转化成输入向量，对其邻接点的向量进行求和，得到一个新的向量，新的向量通过门限循环单元网络进行处理后输出向量；
模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；
在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；
最后，将拼接成的总向量通过全连接网络输出得到交易评价分数；
然后通过赋予信用评价分数和交易评价分数权重系数通过权重计算输出下游交易测评分数。
优选地，获取待测评企业的属性为上游企业或下游企业包括以下步骤：交易数据为进项票属性则待测评企业为上游客户，交易数据为销项票属性则待测评企业为下游客户。
优选地，所述企业数据包括工商信息、财务信息和/或司法信息；所述交易数据包括合作时长、货物类型、交易价格、交易量和/或付款方式。
优选地，待测评企业为上游企业时，对提取出的信用风险特征变量、交易特征变量分别进行离散化分解获得变量因子，将所述变量因子输入至预设神经网络模型进行模型训练，获得第一交易评估模型；
待测评企业为下游企业时，对提取出的信用风险特征变量、交易特征变量分别进行离散化分解获得变量因子，将所述变量因子输入至预设神经网络模型进行模型训练，获得第二交易评估模型。
进一步地，未获取到待测评企业与目标企业的交易数据时还包括以下步骤：
通过企业数据获取待测评企业的属性为上游企业或下游企业；待测评企业为上游企业，获取上游企业的产品信息，通过产品信息获取产品特征变量；待测评企业为下游企业，获取下游企业的关联企业，通过关联企业的企业数据获取信用特征变量；
将待测评企业的信用特征变量、产品特征变量输入到预设的第三交易评估模型，生成信用评价分数、产品评价分数，赋予信用评价分数、产品评价分数权重系数，输出上游企业的交易测评分数；
将待测评企业的信用特征变量、关联企业的信用特征变量输入到预设的第四交易评估模型，生成待测评企业的信用评价分数、关联企业的信用评价分数加权求和，输出下游企业的交易测评分数。
优选地，所述产品信息包括产品的价格、产品的质量、产品的销售量、产品的市场好评度和/或产品的市场占有率。
一种钢贸企业交易测评装置，包括数据获取模块、第一评分计算模块，第二评分计算模块；
所述数据获取模块，获取待测评企业的企业数据和与目标企业的交易数据，获取待测评企业的属性为上游企业或下游企业，从企业数据提取信用特征变量，从交易数据提取交易特征变量；
所述第一评分计算模块，待测评企业为上游企业时，将信用特征变量和交易特征变量输入预设的第一交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出上游交易测评分数；
所述第二评分计算模块，待测评企业为下游企业时，将信用特征变量和交易特征变量输入预设的第二交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出下游交易测评分数。
一种钢贸企业交易测评设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的钢贸企业交易测评程序，所述钢贸企业交易测评程序配置为实现如上文所述的钢贸企业交易测评方法的步骤。
一种存储介质，所述存储介质上存储有钢贸企业交易测评程序，所述钢贸企业交易测评程序被处理器执行时实现如上文所述的钢贸企业交易测评方法的步骤。
本发明的有益效果如下：
本发明通过获取待测评企业的企业数据和与目标企业的交易数据，并判断待测评企业属于目标企业的上游企业或下游企业，从企业数据中提取出信用特征变量，从交易数据中提取出交易特征变量；待测评企业为上游企业时，将信用特征变量、交易特征变量输入到预设的第一交易评估模型，获得信用评价分数和交易评价分数，赋予权重系数，输出上游交易测评分数；待测评企业为下游企业时，将信用特征变量、交易特征变量输入到预设的第二交易评估模型，获得信用评价分数和交易评价分数，赋予权重系数，输出下游交易测评分数；通过从企业数据多方面的获取信用特征变量和与目标企业的交易数据多方面的获取交易特征变量，从而在待测评企业的企业数据构建信用等级的基础上，结合待测评企业与目标企业之间的交易数据输出测评分数，保证针对目标企业的上、下游企业信用等级测评的准确性。
附图说明
图1是实施例中一种钢贸企业交易测评方法的步骤流程图；
图2是实施例中一种钢贸企业交易测评方法的第一交易评估模型评分的步骤流程图；
图3是实施例中一种钢贸企业交易测评方法的第二交易评估模型评分的步骤流程图；
图4是实施例中一种钢贸企业交易测评方法的步骤流程图；
图5是实施例中一种钢贸企业交易测评装置的功能模块图；
图6是实施例中一种钢贸企业交易测评装置的功能模块图；
图7是实施例中一种钢贸企业交易测评设备的功能模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，本实施例提供一种钢贸企业交易测评方法，包括以下步骤：
步骤S101:获取待测评企业的企业数据和与目标企业的交易数据，获取待测评企业的属性为上游企业或下游企业，从企业数据提取信用特征变量，从交易数据提取交易特征变量；
本实施例方法的执行主体可以是具有网络通信、数据处理以及程序运行功能的计算服务设备，如手机、电脑、服务器等。所述待测评企业为目标企业对应的上游企业或者下游企业，其中目标企业为需要对其他企业进行交易测评的企业。企业数据包括但不限于工商信息、财务信息和/或司法信息，其中工商信息可以是通过工商系统获取的注册资本变化情况、股权变化情况等。财务信息可以是通过待测评企业发布的财务报表获取的盈利水平、偿债能力、负债情况、成长性等。司法信息可以是通过司法系统获取的裁判文书中涉诉金额、司法拍卖的股份占比、股权冻结的股份占比等。交易数据包括但不限于合作时长、货物类型、交易价格、交易量和/或付款方式，其中合作时长可以通过最早的交易数据的时间与当前的时间差值进行获取，货物类型可以通过交易数据中涉及到的产品名称进行获取，交易价格可以通过交易数据中的产品类型、产品单价、交易时间进行获取，交易量可以通过划分产品类型的基础上获取总的交易量进行获取，付款方式可以通过交易数据中全款、预付一部分、赊账的数量计算对应的全款占比、预付一部分占比、赊账占比进行获取。在具体实现中，可以通过服务器获取待测评企业的企业数据和与目标企业的交易数据，交易数据为进项票属性则待测评企业为上游客户，交易数据为销项票属性则待测评企业为下游客户，然后提取企业数据中的信用特征变量、提取交易数据中的交易特征变量。
步骤S102：待测评企业为上游企业时，将信用特征变量和交易特征变量输入预设的第一交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出上游交易测评分数；
步骤S103：待测评企业为下游企业时，将信用特征变量和交易特征变量输入预设的第二交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出下游交易测评分数。
执行步骤S102、步骤S103之前需要先构建第一交易评估模型和第二交易评估模型。可以先获取大量的目标企业对应的上游企业的企业数据和与目标企业的交易数据，根据不同的上游企业的企业数据提取信用特征变量，根据不同的上游企业与目标企业的交易数据提取交易特征变量，然后根据信用特征变量和交易特征变量进行模型训练，获得第一交易评估模型。可以先获取大量的目标企业对应的下游企业的企业数据和与目标企业的交易数据，根据不同的下游企业的企业数据提取信用特征变量，根据不同的下游企业与目标企业的交易数据提取交易特征变量，然后根据信用特征变量和交易特征变量进行模型训练，获得第二交易评估模型。
需要说明的是，如图2所示，所述第一交易评估模型输出上游交易测评分数的具体步骤为：
将属于上游企业的企业数据作为文本信息输入到一个神经网络学习模型的第一层网络；将输入的文本信息通过嵌入学习转化成输入向量,对其邻接点的向量进行求和，得到一个新的向量，新的向量通过门限循环单元网络进行处理后输出向量；
模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；
最后，将拼接成的总向量通过全连接网络输出得到信用评价分数；
将属于上游企业与目标企业的交易数据作为文本信息输入到另一个神经网络学习模型的第一层网络；
将输入的文本信息通过嵌入学习转化成输入向量，对其邻接点的向量进行求和，得到一个新的向量，新的向量通过门限循环单元网络进行处理后输出向量；
模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；
在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；
最后，将拼接成的总向量通过全连接网络输出得到交易评价分数；
然后通过赋予信用评价分数和交易评价分数权重系数通过权重计算输出上游交易测评分数；
如图3所示，所述第二交易评估模型输出上游交易测评分数的具体步骤为：
将属于下游企业的企业数据作为文本信息输入到一个神经网络学习模型的第一层网络；
将输入的文本信息通过嵌入学习转化成输入向量,对其邻接点的向量进行求和，得到一个新的向量，新的向量通过门限循环单元网络进行处理后输出向量；
模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；
在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；
最后，将拼接成的总向量通过全连接网络输出得到信用评价分数；
将属于下游企业与目标企业的交易数据作为文本信息输入到另一个神经网络学习模型的第一层网络；
将输入的文本信息通过嵌入学习转化成输入向量，对其邻接点的向量进行求和，得到一个新的向量，新的向量通过门限循环单元网络进行处理后输出向量；
模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；
在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；
最后，将拼接成的总向量通过全连接网络输出得到交易评价分数；
然后通过赋予信用评价分数和交易评价分数权重系数通过权重计算输出下游交易测评分数。
需要说明的是，为了保证交易测评的准确性，目标企业的上游企业和下游企业采用了不同的交易评估模型进行交易测评。上游企业、下游企业与目标企业的侧重点有一定的区别，例如上游企业对于目标企业，以付款方式、交易价格举例说明，付款方式为赊账最好，预付一部分为较好，全款为不好，交易价格与交易时间的平均价格差值越大越不好。例如下游企业对于目标企业，以付款方式、交易价格举例说明，付款方式为赊账不好，预付一部分为较好，全款为好，交易价格与交易时间的平均价格差值越大越好。
需要说明的是，赋予信用评价分数和交易评价分数权重系数，权重系数设置可以根据实际需要进行设置，例如设置为信用评价分数的权重系数为0.6,交易评价分数的权重系数为0.4。
实施例2
在实施例1的基础之上，待测评企业为上游企业时，对提取出的信用风险特征变量、交易特征变量分别进行离散化分解获得变量因子，将所述变量因子输入至预设神经网络模型进行模型训练，获得第一交易评估模型；
待测评企业为下游企业时，对提取出的信用风险特征变量、交易特征变量分别进行离散化分解获得变量因子，将所述变量因子输入至预设神经网络模型进行模型训练，获得第二交易评估模型。
本领域技术人员可以理解，神经网络是一种深度的监督学习下的机器学习模型，神经网络模型中的训练数据是带标签的，本实施例中服务器对于提取到的信用特征变量、交易特征变量，可先通过分析各信用特征变量的变量信息值并结合变量选择的方法，选取对于衡量企业信用比较有效的信用特征变量，可先通过分析各交易特征变量的变量信息值并结合变量选择的方法，选取对于衡量目标企业与待测评企业比较有效的交易特征变量，然后将这些信用特征变量、交易特征变量与训练样本的好坏标签并输入模型，训练模型。
实施例3
如图4所示，本实施例与实施例1的不同之处在于，本实施例提供一种钢贸企业交易测评方法，未获取到待测评企业与目标企业的交易数据时还包括以下步骤：
步骤S201：通过企业数据获取待测评企业的属性为上游企业或下游企业；待测评企业为上游企业，获取上游企业的产品信息，通过产品信息获取产品特征变量；待测评企业为下游企业，获取下游企业的关联企业，通过关联企业的企业数据获取信用特征变量；
需要说明的是，获取待测评企业的属性具体为获取企业数据中的工商信息，获取工商信息中待测评企业的经营范围，根据经营范围判断待测评企业是属于目标企业的上游企业还是下游企业。本领域技术人员可以理解的是，不只是可以根据经营范围判断待测评企业是属于目标企业的上游企业还是下游企业，还可以通过财务数据中包含的产品数据判断待测评企业是属于目标企业的上游企业还是下游企业，或者通过经营范围、产品数据结合的方式，本实施例不限定具体的参数。
步骤S202：将待测评企业的信用特征变量、产品特征变量输入到预设的第三交易评估模型，生成信用评价分数、产品评价分数，赋予信用评价分数、产品评价分数权重系数，输出上游企业的交易测评分数；
需要说明的是，本方法针对的是未与目标企业有直接的交易关系但是存在潜在的交易意向的企业。这一类待测评企业没有交易数据，为了避免单纯的通过工商信息、财务信息、司法信息等获取到待测评企业的交易测评分数，通过待测评企业的企业数据获取待测评企业的信用特征变量，综合上游企业的产品信息，产品信息包括但不限于产品的价格、产品的质量、产品的销售量、产品的市场好评度和/或产品的市场占有率，通过产品信息获取产品特征变量，然后将信用特征变量、产品特征变量输入到预设的第三交易评估模型产生信用评价分数和产品评价分数，对信用评价分数和产品评价分数赋予权重系数，权重系数设置可以根据实际需要进行设置，例如设置为信用评价分数的权重系数为0.7,产品评价分数的权重系数为0.3。
需要说明的是，在执行步骤S202之前，可以先获取大量的目标企业对应的上游企业的企业数据和产品信息，根据不同的上游企业的企业数据提取信用特征变量，根据不同的上游企业产品信息提取产品特征变量，然后根据信用特征变量和产品特征变量进行模型训练，获得第三交易评估模型。
步骤S203：将待测评企业的信用特征变量、关联企业的信用特征变量输入到预设的第四交易评估模型，生成待测评企业的信用评价分数、关联企业的信用评价分数加权求和，输出下游企业的交易测评分数。
需要说明的是，本方法针对的是未与目标企业有直接的交易关系但是存在潜在的交易意向，为了避免单纯的通过工商信息、财务信息、司法信息等获取到待测评企业的交易测评分数。将所述关联企业的信用特征变量和下游企业对应的信用特征变量输入到预设的第四交易评估模型，对输出的待测评企业的信用评价分数和关联企业的信用评价分数进行加权求和，加权求和步骤具体为，先根据待测评企业的企业数据获取所述关联企业与所述待测评企业之间的关联度，然后根据所述关联度在预先构建的关联度和权重比例之间的映射关系中查找目标权重比例，并根据所述目标权重比例为所述关联企业信用评价分数与待测评企业的信用评价分数进行权重分配，并进行加权求和。
本实施例中，关联企业与待测评企业之间的关联度可根据企业之间的股权结构来确定，例如，关联企业B为待测评企业A的全资子公司，即待测评企业A拥有关联企业B的70%股份，则可将关联企业B和待测评企业A之间的关联度设置为70%，又如关联企业B为待测评企业A的控股公司，且控股比例为40%，则可将关联企业B和待测评企业A之间的关联度设置为40%，当然本实施例中关联企业与待测评企业之间的关联度还可以通过其它方式获得，对此不作限制。同样的，不同的关联度对应的权重比例也可根据实际情况设定。
需要说明的是，在执行步骤S203之前，可以先获取大量的目标企业对应的下游企业的企业数据和关联企业的企业数据，根据不同的下游企业的企业数据提取信用特征变量，根据不同的下游企业的关联企业的企业数据提取信用特征变量，然后根据下游企业的信用特征变量和下游企业对应的关联企业的信用特征变量进行模型训练，获得第四交易评估模型。
实施例4
如图5所示，本实施例提供一种钢贸企业交易测评装置，包括数据获取模块301、第一评分计算模块302，第二评分计算模块303；
所述数据获取模块301，获取待测评企业的企业数据和与目标企业的交易数据，获取待测评企业的属性为上游企业或下游企业，从企业数据提取信用特征变量，从交易数据提取交易特征变量；
所述第一评分计算模块302，待测评企业为上游企业时，将信用特征变量和交易特征变量输入预设的第一交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出上游交易测评分数；
所述第二评分计算模块303，待测评企业为下游企业时，将信用特征变量和交易特征变量输入预设的第二交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出下游交易测评分数。
本实施例中，通过获取待测评企业的企业数据和与目标企业的交易数据，并判断待测评企业属于目标企业的上游企业或下游企业，从企业数据中提取出信用特征变量，从交易数据中提取出交易特征变量；待测评企业为上游企业时，将信用特征变量、交易特征变量输入到预设的第一交易评估模型，获得信用评价分数和交易评价分数，赋予权重系数，输出上游交易测评分数；待测评企业为下游企业时，将信用特征变量、交易特征变量输入到预设的第二交易评估模型，获得信用评价分数和交易评价分数，赋予权重系数，输出下游交易测评分数；通过从企业数据多方面的获取信用特征变量和与目标企业的交易数据多方面的获取交易特征变量，从而在待测评企业的企业数据构建信用等级的基础上，结合待测评企业与目标企业之间的交易数据输出测评分数，保证针对目标企业的上、下游企业信用等级测评的准确性。
实施例5
如图6所示，在实施例4的基础之上，提供一种钢贸企业交易测评装置，还包括第三评分计算模块304、第四评分计算模块305；
所述数据获取模块301，用于未获取到待测评企业与目标企业的交易数据时，通过企业数据获取待测评企业的属性为上游企业或下游企业；待测评企业为上游企业，获取上游企业的产品信息，通过产品信息获取产品特征变量；待测评企业为下游企业，获取下游企业的关联企业，通过关联企业的企业数据获取信用特征变量；
第三评分计算模块304，用于将待测评企业的信用特征变量、产品特征变量输入到预设的第三交易评估模型，生成信用评价分数、产品评价分数，赋予信用评价分数、产品评价分数权重系数，输出上游企业的交易测评分数；
第四评分计算模块305，将待测评企业的信用特征变量、关联企业的信用特征变量输入到预设的第四交易评估模型，生成待测评企业的信用评价分数、关联企业的信用评价分数加权求和，输出下游企业的交易测评分数。
本发明一种钢贸企业交易测评装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
实施例6
如图7所示，一种钢贸企业交易测评设备可以包括：处理器401，例如中央处理器(Central Processing Unit,CPU），通信总线402、用户接口403，网络接口404，存储器405。其中，通信总线402用于实现这些组件之间的连接通信。用户接口403可以包括显示屏（Display）、输入单元比如键盘（Keyboard），用户接口403还可以包括标准的有线接口、无线接口。网络接口404可选的可以包括标准的有线接口、无线接口（如无线保真(Wireless-FIdelity,WI-FI)接口）。存储器405可以是高速的随机存取存储器（Random Access Memory,RAM），也可以是稳定的非易失性存储器（Non Volatile Memory,NVM），例如磁盘存储器。存储器405还可以是独立于前述处理器401的存储装置。
本领域技术人员可以理解，图7中示出的结构并不构成对钢贸企业交易测评的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图7所示，作为一种存储介质的存储器405中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及钢贸企业交易测评程序。
在图7所示的一种钢贸企业交易测评设备中，网络接口404主要用于与网络服务器进行数据通信；用户接口403主要用于与用户进行数据交互；所述一种钢贸企业交易测评设备通过处理器401调用存储器405中存储的钢贸企业交易测评程序，并执行本发明实施例提供的钢贸企业交易测评方法。
Claims (10)
1.一种钢贸企业交易测评方法，其特征在于，包括以下步骤：
获取待测评企业的企业数据和与目标企业的交易数据，获取待测评企业的属性为上游企业或下游企业，从企业数据提取信用特征变量，从交易数据提取交易特征变量；
待测评企业为上游企业时，将信用特征变量和交易特征变量输入预设的第一交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出上游交易测评分数；
待测评企业为下游企业时，将信用特征变量和交易特征变量输入预设的第二交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出下游交易测评分数。
2.根据权利要求1所述的一种钢贸企业交易测评方法，其特征在于，所述第一交易评估模型输出上游交易测评分数的具体步骤为：
将属于上游企业的企业数据作为文本信息输入到一个神经网络学习模型的第一层网络；将输入的文本信息通过嵌入学习转化成输入向量,对其邻接点的向量进行求和，得到一个新的向量，新的向量通过门限循环单元网络进行处理后输出向量；
模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；
最后，将拼接成的总向量通过全连接网络输出得到信用评价分数；
将属于上游企业与目标企业的交易数据作为文本信息输入到另一个神经网络学习模型的第一层网络；
将输入的文本信息通过嵌入学习转化成输入向量，对其邻接点的向量进行求和，得到一个新的向量，新的向量通过门限循环单元网络进行处理后输出向量；
模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；
在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；
最后，将拼接成的总向量通过全连接网络输出得到交易评价分数；
然后通过赋予信用评价分数和交易评价分数权重系数通过权重计算输出上游交易测评分数；
所述第二交易评估模型输出上游交易测评分数的具体步骤为：
将属于下游企业的企业数据作为文本信息输入到一个神经网络学习模型的第一层网络；
将输入的文本信息通过嵌入学习转化成输入向量,对其邻接点的向量进行求和，得到一个新的向量，新的向量通过门限循环单元网络进行处理后输出向量；
模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；
在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；
最后，将拼接成的总向量通过全连接网络输出得到信用评价分数；
将属于下游企业与目标企业的交易数据作为文本信息输入到另一个神经网络学习模型的第一层网络；
将输入的文本信息通过嵌入学习转化成输入向量，对其邻接点的向量进行求和，得到一个新的向量，新的向量通过门限循环单元网络进行处理后输出向量；
模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；
在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；
最后，将拼接成的总向量通过全连接网络输出得到交易评价分数；
然后通过赋予信用评价分数和交易评价分数权重系数通过权重计算输出下游交易测评分数。
3.根据权利要求1所述的一种钢贸企业交易测评方法，其特征在于，获取待测评企业的属性为上游企业或下游企业包括以下步骤：交易数据为进项票属性则待测评企业为上游客户，交易数据为销项票属性则待测评企业为下游客户。
4.根据权利要求1所述的一种钢贸企业交易测评方法，其特征在于，所述企业数据包括工商信息、财务信息和/或司法信息；所述交易数据包括合作时长、货物类型、交易价格、交易量和/或付款方式。
5.根据权利要求1所述的一种钢贸企业交易测评方法，其特征在于，待测评企业为上游企业时，对提取出的信用风险特征变量、交易特征变量分别进行离散化分解获得变量因子，将所述变量因子输入至预设神经网络模型进行模型训练，获得第一交易评估模型；
待测评企业为下游企业时，对提取出的信用风险特征变量、交易特征变量分别进行离散化分解获得变量因子，将所述变量因子输入至预设神经网络模型进行模型训练，获得第二交易评估模型。
6.根据权利要求1所述的一种钢贸企业交易测评方法，其特征在于，未获取到待测评企业与目标企业的交易数据时还包括以下步骤：
通过企业数据获取待测评企业的属性为上游企业或下游企业；待测评企业为上游企业，获取上游企业的产品信息，通过产品信息获取产品特征变量；待测评企业为下游企业，获取下游企业的关联企业，通过关联企业的企业数据获取信用特征变量；
将待测评企业的信用特征变量、产品特征变量输入到预设的第三交易评估模型，生成信用评价分数、产品评价分数，赋予信用评价分数、产品评价分数权重系数，输出上游企业的交易测评分数；
将待测评企业的信用特征变量、关联企业的信用特征变量输入到预设的第四交易评估模型，生成待测评企业的信用评价分数、关联企业的信用评价分数加权求和，输出下游企业的交易测评分数。
7.根据权利要求6所述的一种钢贸企业交易测评方法，其特征在于，所述产品信息包括产品的价格、产品的质量、产品的销售量、产品的市场好评度和/或产品的市场占有率。
8.一种钢贸企业交易测评装置，其特征在于，包括数据获取模块、第一评分计算模块，第二评分计算模块；
所述数据获取模块，获取待测评企业的企业数据和与目标企业的交易数据，获取待测评企业的属性为上游企业或下游企业，从企业数据提取信用特征变量，从交易数据提取交易特征变量；
所述第一评分计算模块，待测评企业为上游企业时，将信用特征变量和交易特征变量输入预设的第一交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出上游交易测评分数；
所述第二评分计算模块，待测评企业为下游企业时，将信用特征变量和交易特征变量输入预设的第二交易评估模型，生成信用评价分数和交易评价分数，赋予信用评价分数和交易评价分数权重系数，输出下游交易测评分数。
9.一种钢贸企业交易测评设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的钢贸企业交易测评程序，所述钢贸企业交易测评程序配置为实现如权利要求1-7中任一项所述的钢贸企业交易测评方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有钢贸企业交易测评程序，所述钢贸企业交易测评程序被处理器执行时实现如利要求1-7中任一项所述的钢贸企业交易测评方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111619205.4A CN114119107A (zh) | 2021-12-28 | 2021-12-28 | 一种钢贸企业交易测评方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111619205.4A CN114119107A (zh) | 2021-12-28 | 2021-12-28 | 一种钢贸企业交易测评方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114119107A true CN114119107A (zh) | 2022-03-01 |
Family
ID=80363970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111619205.4A Pending CN114119107A (zh) | 2021-12-28 | 2021-12-28 | 一种钢贸企业交易测评方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114119107A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638698A (zh) * | 2022-05-18 | 2022-06-17 | 湖南三湘银行股份有限公司 | 供应链金融服务管理平台及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884496A (zh) * | 2021-05-06 | 2021-06-01 | 达而观数据(成都)有限公司 | 计算企业信用因子分数的方法、装置及计算机存储介质 |
| CN112950354A (zh) * | 2021-02-26 | 2021-06-11 | 中国光大银行股份有限公司 | 账户的信用评分方法、装置和存储介质及电子装置 |
| CN113011966A (zh) * | 2021-03-18 | 2021-06-22 | 中国光大银行股份有限公司 | 基于深度学习的信用评分方法及装置 |
-
2021
- 2021-12-28 CN CN202111619205.4A patent/CN114119107A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112950354A (zh) * | 2021-02-26 | 2021-06-11 | 中国光大银行股份有限公司 | 账户的信用评分方法、装置和存储介质及电子装置 |
| CN113011966A (zh) * | 2021-03-18 | 2021-06-22 | 中国光大银行股份有限公司 | 基于深度学习的信用评分方法及装置 |
| CN112884496A (zh) * | 2021-05-06 | 2021-06-01 | 达而观数据(成都)有限公司 | 计算企业信用因子分数的方法、装置及计算机存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638698A (zh) * | 2022-05-18 | 2022-06-17 | 湖南三湘银行股份有限公司 | 供应链金融服务管理平台及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fernández-Rodríguez et al. | Business and institutional determinants of Effective Tax Rate in emerging economies | |
| Adebola et al. | Gold prices and the cryptocurrencies: Evidence of convergence and cointegration | |
| CN109711955B (zh) | 基于当前订单的差评预警方法、系统、黑名单库建立方法 | |
| Molnar et al. | Multimarket contact in Italian retail banking: Competition and welfare | |
| CN111523678A (zh) | 业务的处理方法、装置、设备及存储介质 | |
| CN110659961A (zh) | 一种用于识别线下商户的方法和装置 | |
| Honarmandi et al. | Comparing the impact of brand value on corporate profit in B2B and B2C businesses: A case study | |
| Van Eyden et al. | Investor sentiment and multi-scale positive and negative stock market bubbles in a panel of G7 countries | |
| Liu et al. | A new pricing approach for sme loans issued by commercial banks based on credit score mapping and archimedean copula simulation | |
| CN114943582A (zh) | 一种信息推荐方法、系统及推荐服务器 | |
| CN110941761A (zh) | 产品信息推荐方法、装置、电子设备及存储介质 | |
| CN114493208A (zh) | 工程项目全寿命周期的评价方法、装置、电子设备及介质 | |
| CN114119107A (zh) | 一种钢贸企业交易测评方法、装置、设备及存储介质 | |
| US20090240557A1 (en) | Method, apparatus and computer program product for valuing a technological innovation | |
| CN113506173A (zh) | 一种信用风险评估方法及其相关设备 | |
| JP2018514889A (ja) | 当初証拠金標準モデルに基づいて当初証拠金を計算及び提供する方法及びシステム | |
| CN110929155A (zh) | 产品信息推荐方法、装置、电子设备及存储介质 | |
| CN116630020A (zh) | 风险评估方法、装置、存储介质及电子设备 | |
| CN115953235A (zh) | 风险指标统计方法及装置、存储介质及电子设备 | |
| de Mendonça et al. | Credit and bank opaqueness: how to avoid financial crises? | |
| CN115545909A (zh) | 一种审批方法、装置、设备及存储介质 | |
| CN114820196A (zh) | 信息推送方法、装置、设备及介质 | |
| CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
| CN113870007A (zh) | 一种产品推荐方法、装置、设备及介质 | |
| Ünvan | A STUDY ON BITCOIN PRICE BEHAVIOUR WITH ANALYSIS OF DAILY BITCOIN PRICE DATA |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220301 |