CN114240318A - 面向目标对象的信息处理方法、装置、计算机设备 - Google Patents

Abstract

本公开涉及一种面向目标对象的信息处理方法、装置、计算机设备，所述方法包括：接收目标对象发起的合作请求；获得所述目标对象的风险因子的评分和审批总评分；基于所述风险因子的评分和审批总评分，接收对所述目标对象的第一审批结果；对所述第一审批结果为审批不通过的目标对象进行标注，将所述目标对象的身份信息、风险因子的评分、审批总评分、第一审批结果以及所述第一审批结果为审批不通过的目标对象的标注存储至样本数据库；根据所述样本数据构建机器学习审批模型。本公开不仅可以减少对人工的依赖，提高审批效率；同时还可以获得目标对象的各个风险因子的评分，有助于对机器学习审批模型进行后续验证。

Description

面向目标对象的信息处理方法、装置、计算机设备

技术领域

本公开涉及信息处理技术领域，特别是涉及一种面向目标对象的信息处理方法、装置、计算机设备。

背景技术

信息化是当今时代发展的大趋势，信息产业化也已经成为历史潮流。信息化可以为企业防范不确定性提供重要保障，以及帮助管理者增强决策能力。尤其在设计金融交易的银行领域，部分业务在积极从线下转为线上。在针对开放银行合作方评价方面，虽然银行对传统企业业务审批有成熟的风控流程，审批规则可通过对应监管办法逐条解读并实施；但很难适用于开放银行合作方的实际评价方法。开放银行合作方是基于传统业务模式创新下的用户角色演变，但这种演变的驱动力是开放银行对用户体验重塑、业务旅程中需求创新推动的。

由此，随着业务场景的扩展，交易流程和合作方变得复杂和多样，开放银行风控面临全新挑战，传统企业审批方法已无法适用于开放银行，亟待提出新的面向合作方信息处理的评价方法。

发明内容

基于此，有必要针对上述技术问题，提供一种面向目标对象的信息处理方法、装置、计算机设备、存储介质和计算机程序产品。

第一方面，本公开提供了一种面向目标对象的信息处理方法。所述方法包括：

接收目标对象发起的合作请求，基于所述合作请求获取所述目标对象的身份信息；

利用预先构建的专家评分模型对所述目标对象进行审批，获得所述目标对象的风险因子的评分和审批总评分；

基于所述风险因子的评分和审批总评分，接收对所述目标对象的第一审批结果；所述第一审批结果包括审批通过和审批不通过；

对所述第一审批结果为审批不通过的目标对象进行标注，将所述目标对象的身份信息、风险因子的评分、审批总评分、第一审批结果以及所述第一审批结果为审批不通过的目标对象的标注存储至样本数据库；

从所述样本数据库中获取样本数据，根据所述样本数据构建机器学习审批模型，利用所述机器学习审批模型对所述目标对象进行审批处理，所述机器学习审批模型用于输出所述目标对象的第二审批结果，以及输出所述目标对象的风险因子的评分。

在其中一个实施例中，所述利用预先构建的专家评分模型对所述目标对象进行审批，获得所述目标对象的风险因子的评分和审批总评分之前还包括：

根据所述目标对象的身份信息，对所述目标对象进行强制规则筛选。

在其中一个实施例中，所述专家评分模型的构建步骤包括：

接收针对所述目标对象设定的风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重；

根据所述风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重建立所述专家评分模型，所述专家评分模型用于根据所述目标对象的身份信息输出所述目标对象的风险因子的评分和审批总评分。

在其中一个实施例中，所述对所述第一审批结果为审批不通过的目标对象进行标注包括：

对审批不通过的所述目标对象进行标注，在标注清单上选择所述目标对象审批不通过原因的标签，并按照预设规则对所述标签排序，将所述标签和标签顺序存储至所述样本数据库；

根据所述目标对象的标签和标签顺序对所述专家评分模型进行优化更新。

在其中一个实施例中，所述机器学习审批模型的构建步骤包括：

从所述样本数据库中获取目标对象的第一审批结果的样本数据，所述样本数据包括所述目标对象的第一审批结果、所述目标对象的风险因子的评分以及所述第一审批结果为审批不通过的目标对象的标注；

根据所述样本数据中目标对象的身份信息和风险因子的评分建立风险子模型，根据所述样本中目标对象的身份信息和第一审批结果建立审批结果子模型，所述风险子模型和所述审批结果子模型构成所述机器学习审批模型；所述风险子模型与所述风险因子一一对应。

在其中一个实施例中，所述根据所述样本数据中目标对象的身份信息和风险因子的评分建立风险子模型，根据所述样本中目标对象的身份信息和第一审批结果建立审批结果子模型，所述风险子模型和所述审批结果子模型构成所述机器学习审批模型；所述风险子模型与所述风险因子一一对应包括：

根据所述目标对象的身份信息提取入模特征变量；

基于线性回归算法对所述入模特征变量进行计算，得到审批通过和不通过的概率比；

将所述概率比转换为所述目标对象的风险因子的评分和总评分；

对所述风险子模型和审批结果子模型进行有效性检验，在检验通过的情况下，建立所述机器学习审批模型。

在其中一个实施例中，所述根据所述目标对象的身份信息提取入模特征变量包括：

根据所述目标对象的身份信息提取特征变量形成特征宽表，对所述特征宽表进行初步筛选形成候选特征池；

对所述候选特征池中的特征变量进行二次筛选，获取有效特征变量；

对所述有效特征变量进行卡方分箱，调整分箱的坐标点阈值，根据各个分箱的证据权重确定入模特征变量。

第二方面，本公开还提供了一种面向目标对象的信息处理装置。所述装置包括：

合作请求模块，用于接收目标对象发起的合作请求，基于所述合作请求获取所述目标对象的身份信息；

专家评分模块，用于利用预先构建的专家评分模型对所述目标对象进行审批，获得所述目标对象的风险因子的评分和审批总评分；

专家审批模块，用于基于所述风险因子的评分和审批总评分，接收对所述目标对象的第一审批结果；所述第一审批结果包括审批通过和审批不通过；

样本模块，用于将所述目标对象的身份信息、风险因子的评分、审批总评分、第一审批结果存储至样本数据库；

模型审批模块，用于从所述样本数据库中获取样本数据，根据所述样本数据构建机器学习审批模型，利用所述机器学习审批模型对所述目标对象进行审批，所述机器学习审批模型用于输出所述目标对象的第二审批结果，以及输出所述目标对象的风险因子的评分。

在其中一个实施例中，所述装置还包括：

强制筛选模块，用于根据所述目标对象的身份信息，对所述目标对象进行强制规则筛选。

在其中一个实施例中，所述专家评分模块包括：

专家设定单元，用于接收针对所述目标对象设定的风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重；

评分计算单元，用于根据所述风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重建立所述专家评分模型，所述专家评分模型用于根据所述目标对象的身份信息输出所述目标对象的风险因子的评分和审批总评分。

在其中一个实施例中，所述样本模块还包括：

标注单元，用于对审批不通过的所述目标对象进行标注，在标注清单上选择所述目标对象审批不通过原因的标签，并按照预设规则对所述标签排序，将所述标签和标签顺序存储至所述样本数据库；

优化单元，用于根据所述目标对象的标签和标签顺序对所述专家评分模型进行优化更新。

在其中一个实施例中，所述模型审批模块包括：

样本抽取模块，用于从所述样本数据库中获取目标对象的第一审批结果的样本数据，所述样本数据包括所述目标对象的第一审批结果、所述目标对象的风险因子的评分以及所述第一审批结果为审批不通过的目标对象的标注；

模型建立模块，用于根据所述样本数据中目标对象的身份信息和风险因子的评分建立风险子模型，根据所述样本中目标对象的身份信息和第一审批结果建立审批结果子模型，所述风险子模型和所述审批结果子模型构成所述机器学习审批模型；所述风险子模型与所述风险因子一一对应。

在其中一个实施例中，所述模型建立模块包括：

样本处理单元，用于根据所述目标对象的身份信息提取入模特征变量；

回归算法单元，用于基于线性回归算法对所述入模特征变量进行计算，得到审批通过和不通过的概率比；

评分输出单元，用于将所述概率比转换为所述目标对象的风险因子的评分和总评分；

检验单元，用于对所述风险子模型和审批结果子模型进行有效性检验，在检验通过的情况下，建立所述机器学习审批模型。

在其中一个实施例中，所述样本处理单元包括：

初步筛选子单元，用于根据所述目标对象的身份信息提取特征变量形成特征宽表，对所述特征宽表进行初步筛选形成候选特征池；

二次筛选子单元，用于对所述候选特征池中的特征变量进行二次筛选，获取有效特征变量；

入模特征变量单元，用于对所述有效特征变量进行卡方分箱，调整分箱的坐标点阈值，根据各个分箱的证据权重确定入模特征变量。

第三方面，本公开还提供了一种计算机设备。所述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面向目标对象的信息处理方法的步骤。

第四方面，本公开还提供了一种计算机可读存储介质。所述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面向目标对象的信息处理方法的步骤。

第五方面，本公开还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述面向目标对象的信息处理方法的步骤。

上述面向目标对象的信息处理方法、装置、计算机设备、存储介质和计算机程序产品，至少包括以下有益效果：

本公开结合了专家评分模型和机器学习审批模型，实现了从冷启动阶段到模型智能决策阶段的过渡，专家评分模型为机器学习审批模型的构建提供了样本数据，在完成审批业务的同时构建了样本数据库。机器学习审批模型可以基于目标对象的身份信息对目标对象进行审批，不仅可以减少对人工的依赖获得审批结果，提高审批效率；同时还可以获得目标对象的各个风险因子的评分，风险因子的评分有助于对机器学习审批模型进行后续验证，优化迭代，提高机器学习审批模型的准确率。

附图说明

为了更清楚地说明本公开实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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为一个实施例中面向目标对象的信息处理方法的应用环境图；

图2为一个实施例中面向目标对象的信息处理方法的流程示意图；

图3为一个实施例中面向目标对象的信息处理方法的另一流程示意图

图4为一个实施例中专家评分模型构建步骤的流程示意图；

图5为一个实施例中标注步骤的流程示意图；

图6为一个实施例中面向目标对象的信息处理方法的流程框图；

图7为一个实施例中机器学习审批模型构建步骤的流程示意图；

图8为一个实施例中机器学习审批模型构建步骤的另一流程示意图；

图9为一个实施例中提取入模特征变量步骤的流程示意图；

图10为一个实施例中机器学习审批模型构建步骤的流程框图；

图11为一个实施例中面向目标对象的信息处理装置的结构框图；

图12为一个实施例中面向目标对象的信息处理装置的另一结构框图；

图13为一个实施例中专家评分模块的结构框图；

图14为一个实施例中样本模块的结构框图；

图15为一个实施例中模型审批模块的结构框图；

图16为一个实施例中模型建立模块的结构框图；

图17为一个实施例中样本处理单元的结构框图；

图18为一个实施例中计算机设备的内部结构框图。

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。

除非另有定义，本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中在本公开的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本公开。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。例如若使用到第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

在此使用时，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时，在本说明书中，术语“和/或”包括相关所列项目的任何及所有组合。

本申请实施例提供的面向目标对象的信息处理方法，可以应用于如图1所示的应用环境中。其中，客户端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，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。例如，客户端102可以是终端或服务器设备，用于为向银行提出合作申请的企业或个人提供向服务器104发起合作请求的服务。

在本公开的一些实施例中，如图2所示，提供了一种面向目标对象的信息处理方法，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S10：接收目标对象发起的合作请求，基于所述合作请求获取所述目标对象的身份信息。

具体地，目标对象可以通过线上设备发起合作请求，本实施例可以在接收到目标对象的合作请求后，获取目标对象的身份信息。这里身份信息可以包括目标对象的工商注册信息、人员流动情况、收益明细、是否收到行政处罚、市场份额等。

步骤S30：利用预先构建的专家评分模型对所述目标对象进行审批，获得所述目标对象的风险因子的评分和审批总评分。

具体地，专家评分模型通常指的是在定量和定性分析的基础上，以打分等方式做出定量评价，其结果具有数理统计特性。专家评分模型最大的优点在于，能够在缺乏足够统计数据和原始资料的情况下，可以做出定量估计。在本实施例中，在冷启动阶段，通过专家评分模型对目标对象的风险因子分别进行评分，并获得审批总评分。

其中，风险因子可以是指目标对象的企业风险因素，可以促使或引起风险事件发生的条件，以及风险事件发生时，致使损失增加、扩大的条件。风险因子是风险事件发生的潜在因素，是造成损失的间接的和内在的原因。例如，目标对象的风险因子可以包括目标对象的管理能力、技术能力、风控安全能力和市场竞争力。专家评分模型可以通过该领域权威专家组成小组对每个风险因子作详细分析和比较，最终得出每个风险因子的评分，以及综合每个风险因子评分获得审批总评分。

步骤S50：基于所述风险因子的评分和审批总评分，接收对所述目标对象的第一审批结果；所述第一审批结果包括审批通过和审批不通过。

具体地，在专家评分模型输出风险因子的评分和审批总评分后，由专家小组给出审批通过或审批不通过的第一审批结果。通过录入设备接收对所述目标对象的第一审批结果。

步骤S70：对所述第一审批结果为审批不通过的目标对象进行标注，将所述目标对象的身份信息、风险因子的评分、审批总评分、第一审批结果以及所述第一审批结果为审批不通过的目标对象的标注存储至样本数据库。

具体地，在将专家评分模型对目标对象输出的第一审批结果、风险因子的评分和审批总评分存储至样本数据库时，同时将第一审批结果不通过的目标对象作为坏样本，对坏样本进行标注，将标注结果也存储至样本数据库。

步骤S90：从所述样本数据库中获取样本数据，根据所述样本数据构建机器学习审批模型，利用所述机器学习审批模型对所述目标对象进行审批处理，所述机器学习审批模型用于输出所述目标对象的第二审批结果，以及输出所述目标对象的风险因子的评分。

具体地，根据构建的样本数据库，来建立机器学习审批模型。以样本数据库中的第一审批结果和获得第一审批结果的过程数据(专家评分模型输出的风险因子的评分和审批总评分、坏样本的标注)作为机器学习审批模型的学习样本，通过机器学习构建机器学习审批模型。机器学习审批模型在学习足够多的样本数据后，形成成熟的机器学习模型。机器学习审批模型可以在输入非样本数据的新的目标对象的身份信息后，输出对该目标对象的第二审批结果，以及输出所述目标对象的风险因子的评分。

上述面向目标对象的信息处理方法中，结合了专家评分模型和机器学习审批模型，实现了从冷启动阶段到模型智能决策阶段的过渡，专家评分模型为机器学习审批模型的构建提供了样本数据，在完成审批业务的同时构建了样本数据库。机器学习审批模型可以基于目标对象的身份信息对目标对象进行审批，不仅可以减少对人工的依赖获得审批结果，提高审批效率；同时还可以获得目标对象的各个风险因子的评分，风险因子的评分有助于对机器学习审批模型进行后续验证，优化迭代，提高机器学习审批模型的准确率。

在本公开的一些实施例中，如图3所示，上述步骤S30之前还包括：

步骤S20：根据所述目标对象的身份信息，对所述目标对象进行强制规则筛选。

具体地，为了减少后续对目标对象的身份信息的处理，可以通过设置强制规则对请求合作的目标对象进行初步筛选。强制规则可以设定为无需通过算法计算或者只需通过简单的算法计算即可获得是或否的输出结果，输出结果为是的目标对象通过筛选。强制规则可以设定一条或多条。例如，可以设定某一条强制规则为市场份额小于设定阈值时输出否。

在本公开的一些实施例中，如图4所示，所述专家评分模型的构建步骤包括：

步骤A10：接收针对所述目标对象设定的风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重。

具体地，通过线下或线上选择目标对象的领域专家，来选择目标对象的风险因子。选择风险因子时可以评估后续构建的机器学习审批模型所需要的风险因子。设计目标对象的风险因子长清单，并收回风险因子长清单后对评估结果进行统计。风险因子长清单可以反应目标对象的企业风险影响，经过各专家意见整合，风险因子长清单主要包括目标对象的管理能力、技术能力、风控安全能力和市场竞争力。在确定风险因子长清单后，发起新的一轮目标对象的风险因子评估，使专家的意见逐渐趋同，最终形成风险因子短清单，即最终设定的风险因子。专家在设定好风险因子之后，可以按照重要程度或者其他依据设定算法规则和每个风险因子对应的权重。本方法可以通过线上或线下录入接收专家设定的风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重。

步骤A20：根据所述风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重建立所述专家评分模型，所述专家评分模型用于根据所述目标对象的身份信息输出所述目标对象的风险因子的评分和审批总评分。

具体地，根据接收到的风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重，构建专家评分模型。专家评分模型可以根据所述目标对象的身份信息，计算各个评价因子的评分，以及根据评价因子的评分进行加权，得到审批总评分。

本实施例通过征询专家经验，对目标对象的合作请求进行分析归纳，建立专家评分模型，尤其是针对目标对象数据匮乏、无法依赖海量数据进行定量分析的情况，使得本方法更加客观准确。

在本公开的一些实施例中，如图5所示，上述步骤S70包括：

步骤S72：对审批不通过的所述目标对象进行标注，在标注清单上选择所述目标对象审批不通过原因的标签，并按照预设规则对所述标签排序，将所述标签和标签顺序存储至所述样本数据库。

具体地，在将专家评分模型对目标对象输出的第一审批结果、风险因子的评分和审批总评分存储至样本数据库时，同时将第一审批结果不通过的目标对象的标注存储至样本数据库。在对第一审批结果为审批不通过的目标对象进行标注时，引入标注清单。例如，标注清单可以由大类(安全/技术/资金/信用/市场/其他)，和对应大类下的小类(信息安全欠佳/核心人员流失/季度收益大幅下降/受到行政处罚/市场份额萎缩)组成。针对第一审批结果为审批不通过的目标对象，按不通过原因重要度顺序勾选各类下符合条件的标注作为进一步的说明，并将这些标注结果存储至样本数据库。

步骤S74：根据所述目标对象的标签和标签顺序对所述专家评分模型进行优化更新。

具体地，通过标注，可以为目标对象增加标签，进而对专家评分模型进行优化更新。例如，可以定期抽取第一审批结果为审批不通过的目标对象，获取其标注内容，与专家评分模型的各个风险因子的评分和权重进行对比，筛选出专家评分模型与标注的偏差。通过先验和后验，及时找到专家评分模型与实际业务之间的偏移。比如各个风险因子的权重排序与标注内容的排序是否一致性良好；目标对象的风险因子评分是否和标注内容吻合。首先找到偏差，之后再探究是业务逻辑发生了更新还是专家评分模型本身的偏移，从而对专家评分模型优化迭代。业务场景的变化和前置规则的修改会造成幸存者偏差。标注清单既需要根据当前的业务知识不断的更新，也需要对历史决策的可溯源。以标注规则ID(Identity document，身份标识号)和时间为主键对标注规则进行存储，保证离线分析与跑批时的数据可回溯。

同时，通过标注还可以对数据源进行验证。汇总目前接入的外部数据源，检验标注内容是否与数据源内容呈现出较好相关性。比如由于资本规模小被拒绝的目标对象与其对应的舆情数据和工商数据是否出现了矛盾的情况。

另外，本方法还可以对标注进行监控，定时统计目标对象的标注内容，包括标注清单下的大类与小类，形成报表分析，跟踪目标对象的变化情况。自动化监控标注内容与专家评分模型的各风险因子评分，形成智能报表，有助于对所述专家评分模型进行优化更新。

本实施例通过在审批过程中引入标注，对专家评分模型输出的第一审批结果为审批不通过的目标对象进行标注，为目标对象画像提供结构化的分析数据，包括对目标对象外部风险数据等标注数据进行归类、整理、编辑、纠错、标记和批注等操作，为目标对象增加标签，便于对专家评分模型进行阶段验证，还满足了后续基于数据样本的机器学习训练要求。

在本公开的一些实施例中，如图6和图7所示，所述机器学习审批模型的构建步骤包括：

步骤B10：从所述样本数据库中获取目标对象的第一审批结果的样本数据，所述样本数据包括所述目标对象的第一审批结果、所述目标对象的风险因子的评分以及所述第一审批结果为审批不通过的目标对象的标注。

具体地，机器学习审批模型在构建前期，需要学习足够的样本数据。样本数据可以从预先构建的样本数据库中获得，样本数据可以包括目标对象的第一审批结果、所述目标对象的风险因子的评分、第一审批结果为审批不通过的目标对象的标注。

步骤B20：根据所述样本数据中目标对象的身份信息和风险因子的评分建立风险子模型，根据所述样本中目标对象的身份信息和第一审批结果建立审批结果子模型，所述风险子模型和所述审批结果子模型构成所述机器学习审批模型；所述风险子模型与所述风险因子一一对应。

具体地，机器学习审批模型可以包括若干风险子模型和一个审批结果子模型。可以直接以专家评分模型设定的风险因子建立风险子模型，或者结合标注，分析归纳最想捕捉的风险因子集。例如，风险因子集中有3个风险因子，则针对这3个风险因子，结合样本数据和标注建立3个风险子模型，风险子模型与所述风险因子一一对应。风险子模型用于输出对应风险因子的评分。基于专家评分模型输出的第一审批结果建立审批结果子模型，审批结果子模型用于输出第二审批结果。

审批结果子模型还可以替换冷启动阶段的专家评分模型，对历史样本数据进行审批，获得样本数据的第二审批结果和审批总评分，按照设定规则选取审批结果子模型输出的审批总评分的置信区间，确定为第二审批结果为不通过的评分区间，可以由审批结果子模型直接做出审批不通过的操作。

本实施例通过建立各个风险因子的风险子模型以及基于是否通过审批建立审批结果子模型有助于对目标对象画像提供结构化的分析数据，展示目标对象的多维度下的风险。

在本公开的一些实施例中，如图8所示，上述步骤B20包括：

步骤B22：根据所述目标对象的身份信息提取入模特征变量。

具体地，汇总样本数据库中的样本数据，从目标对象的身份信息中提取入模特变量，以入模特变量作为自变量。

步骤B24：基于线性回归算法对所述入模特征变量进行计算，得到审批通过和不通过的概率比。

具体地，根据将选取的入模特征变量进行算法计算，获得当前目标对象的审批通过和不通过的概率比。本实施例中对入模特征变量基于线性回归算法进行计算，还可以基于其他数据分析算法。

步骤B26：将所述概率比转换为所述目标对象的风险因子的评分和审批总评分。

具体地，将步骤B24中获得的概率比转化为评分制，获得当前目标对象的审批总评分。同时，根据入模特征变量计算出当前目标对象风险因子的评分，完成将风险因子的量化。

步骤B28：对所述风险子模型和审批结果子模型进行有效性检验，在检验通过的情况下，建立所述机器学习审批模型。

具体地，在建立风险子模型和审批结果子模型后，可以通过ROC(receiveroperating characteristic，受试者工作特征)曲线、KS(Kolmogorov-Smirnov)统计量、或者KS(Kolmogorov-Smirnov)矩阵对风险子模型和审批结果子模型进行有效性检验。如果检验通过，则风险子模型和审批结果子模型共同构成本方法的机器学习审批模型。

如果检验未达到预期，可以通过标注规则ID以及目标对象的身份信息回溯到当时的数据，进行标注优化，并离线更新一批标签。还可以在上述步骤S20的强制规则筛选阶段，优化强制规则进行进一步筛选。还可以对入模特征变量进行数据处理，例如调整入模特征变量WOE(Weight of Evidence，证据权重)的分箱方式，优化算法模型，例如可以采用决策树分箱，最大IV(Information Value，特征信息值)分箱将连续数据进行更精准的离散化处理；还可以对入模特征变量进行多重共线性与特征显著性筛选。

本实施例通过目标对象的身份信息选取入模特征变量，基于线性回归算法构建风险子模型和审批结果子模型，并对风险子模型和审批结果子模型进行有效性验证，有助于增强最终构建的机器学习审批模型的泛化性。

在本公开的一些实施例中，如图9所示，上述步骤B22包括：

步骤B222：根据所述目标对象的身份信息提取特征变量形成特征宽表，对所述特征宽表进行初步筛选形成候选特征池。

具体地，汇总样本数据中所有可用数据源，形成特征宽表。可以按数据源的覆盖率，特征方差进行一轮粗筛，去除覆盖率低，方差接近0的无效特征，形成候选特征池。

步骤B224：对所述候选特征池中的特征变量进行二次筛选，获取有效特征变量。

具体地，对所述候选特征池中的特征变量进行二次筛选，例如对候选特征池中的特征变量先进行等频分箱，利用IV(Information Value，特征信息值)筛选有效特征变量，计算有效特征变量间的皮特森系数，筛除共线性较高的特征，获取有效特征变量。

步骤B226：对所述有效特征变量进行卡方分箱，调整分箱的坐标点阈值，根据各个分箱的证据权重确定入模特征变量。

具体地，可以对有效特征变量进行更精细的卡方分箱，通过单调性分析，调整分箱的坐标点阈值，重新计算各个分箱的WOE(Weight of Evidence，证据权重)，保证入模特征变量的可解释性、效果以及稳定性。

本实施例通过对目标对象的身份信息进行提取分析，获得特征变量，并对特征变量进行多次筛选优化，使得最终的入模特征变量具有可解释性以及稳定性，同时有助于提高机器学习审批模型的准确性。

在本公开的一些实施例中，如图10所示，本方法包括冷启动阶段和智能决策流阶段。其中，在冷启动阶段，接收目标对象发起的合作请求，首先对目标对象进行强制规则筛选。将通过筛选的目标对象输入至专家评分模型，专家评分模型输出目标对象的风险因子评分和审批总评分，并接收专家给出的第一审批结果，并将第一审批结果落库储存。

通过抽取专家评分模型输出的第一审批结果，将审批不通过的目标对象进行标注。利用实践抽取服务抽取第一审批结果为审批不通过的样本目标对象，验证其标注内容与专家评分模型的偏差。

在智能决策流阶段，从样本数据库中提取样本特征，对样本特征进行等频预分箱处理筛选，构建有效特征池。对有效特征变量进行更精细的卡方分箱，通过单调性分析，调整分箱的坐标点阈值，重新计算各个分箱的WOE(Weight of Evidence，证据权重)，保证入模特征变量的可解释性、效果以及稳定性。将选出的入模特征变量经过逻辑回归训练，构建机器学习审批模型。

本实施例基于开放银行的业务场景，从初期搭建的冷启动阶段，到中期的智能决策流阶段，涉及到前期的专家经验引入、标注体系建立、以及后期的机器学习模型开发，本方法既可以通过业务认知的升级来进行样本标签的积累，也可以接入算法加速人工审核的效率。

应该理解的是，虽然如上所述的各实施例所涉及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，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本公开实施例还提供了一种用于实现上述所涉及的面向目标对象的信息处理方法的面向目标对象的信息处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个面向目标对象的信息处理装置实施例中的具体限定可以参见上文中对于面向目标对象的信息处理方法的限定，在此不再赘述。

所述装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本公开实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

在本公开的一些实施例中，如图11所示，提供了一种面向目标对象的信息处理装置，所述装置可以为前所述服务器，或者集成于所述终端的模块、组件、器件、单元等。该装置Z00可以包括：

合作请求模块Z10，用于接收目标对象发起的合作请求，基于所述合作请求获取所述目标对象的身份信息；

专家评分模块Z20，用于利用预先构建的专家评分模型对所述目标对象进行审批，获得所述目标对象的风险因子的评分和审批总评分；

专家审批模块Z30，用于基于所述风险因子的评分和审批总评分，接收对所述目标对象的第一审批结果；所述第一审批结果包括审批通过和审批不通过；

样本模块Z40，用于对所述第一审批结果为审批不通过的目标对象进行标注，将所述目标对象的身份信息、风险因子的评分、审批总评分、第一审批结果以及所述第一审批结果为审批不通过的目标对象的标注存储至样本数据库；

模型审批模块Z50，用于从所述样本数据库中获取样本数据，根据所述样本数据构建机器学习审批模型，利用所述机器学习审批模型对所述目标对象进行审批，所述机器学习审批模型用于输出所述目标对象的第二审批结果，以及输出所述目标对象的风险因子的评分。

在本公开的一些实施例中，如图12所示，所述装置Z00还包括：

强制筛选模块Z60，用于根据所述目标对象的身份信息，对所述目标对象进行强制规则筛选。

在本公开的一些实施例中，如图13所示，所述专家评分模块Z20包括：

专家设定单元Z22，用于接收针对所述目标对象设定的风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重；

评分计算单元Z24，用于根据所述风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重建立所述专家评分模型，所述专家评分模型用于根据所述目标对象的身份信息输出所述目标对象的风险因子的评分和审批总评分。

在本公开的一些实施例中，如图14所示，所述样本模块Z40包括：

标注单元Z42，用于对审批不通过的所述目标对象进行标注，在标注清单上选择所述目标对象审批不通过原因的标签，并按照预设规则对所述标签排序，将所述标签和标签顺序存储至所述样本数据库；

优化单元Z44，用于根据所述目标对象的标签和标签顺序对所述专家评分模型进行优化更新。

在本公开的一些实施例中，如图15所示，所述模型审批模块Z50包括：

样本抽取模块Z52，用于从所述样本数据库中获取目标对象的第一审批结果的样本数据，所述样本数据包括所述目标对象的第一审批结果、所述目标对象的风险因子的评分以及所述第一审批结果为审批不通过的目标对象的标注；

模型建立模块Z54，用于根据所述样本数据中目标对象的身份信息和风险因子的评分建立风险子模型，根据所述样本中目标对象的身份信息和第一审批结果建立审批结果子模型，所述风险子模型和所述审批结果子模型构成所述机器学习审批模型；所述风险子模型与所述风险因子一一对应。

在本公开的一些实施例中，如图16所示，所述模型建立模块Z54包括：

样本处理单元Z542，用于根据所述目标对象的身份信息提取入模特征变量；

回归算法单元Z544，用于基于线性回归算法对所述入模特征变量进行计算，得到审批通过和不通过的概率比；

评分输出单元Z546，用于将所述概率比转换为所述目标对象的风险因子的评分和总评分；

检验单元Z548，用于对所述风险子模型和审批结果子模型进行有效性检验，在检验通过的情况下，建立所述机器学习审批模型。

在本公开的一些实施例中，如图17所示，所述样本处理单元Z542包括：

初步筛选子单元Z5422，用于根据所述目标对象的身份信息提取特征变量形成特征宽表，对所述特征宽表进行初步筛选形成候选特征池；

二次筛选子单元Z5424，用于对所述候选特征池中的特征变量进行二次筛选，获取有效特征变量；

入模特征变量单元Z5426，用于对所述有效特征变量进行卡方分箱，调整分箱的坐标点阈值，根据各个分箱的证据权重确定入模特征变量。

上述面向目标对象的信息处理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。需要说明的是，本公开实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

基于前述面向目标对象的信息处理方法的实施例描述，在本公开提供的另一个实施例中，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18所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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和内存储器。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面向目标对象的信息处理方法。

本领域技术人员可以理解，图中示出的结构，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。

基于前述面向目标对象的信息处理方法的实施例描述，在本公开提供的另一个实施例中，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上述各方法实施例中的步骤。

基于前述面向目标对象的信息处理方法的实施例描述，在本公开提供的另一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

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、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

在本说明书的描述中，参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性描述不一定指的是相同的实施例或示例。

可以理解的是，本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同/相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。相关之处参见其他方法实施例的描述说明即可。

上所述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公开的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开构思的前提下，还可以做出若干变形和改进，这些都属于本公开的保护范围。因此，本公开专利的保护范围应以所附权利要求为准。

Claims (17)

1.一种面向目标对象的信息处理方法，其特征在于，所述方法包括：

接收目标对象发起的合作请求，基于所述合作请求获取所述目标对象的身份信息；

利用预先构建的专家评分模型对所述目标对象进行审批，获得所述目标对象的风险因子的评分和审批总评分；

基于所述风险因子的评分和审批总评分，接收对所述目标对象的第一审批结果，所述第一审批结果包括审批通过和审批不通过；

对所述第一审批结果为审批不通过的目标对象进行标注，将所述目标对象的身份信息、风险因子的评分、审批总评分、第一审批结果以及所述第一审批结果为审批不通过的目标对象的标注存储至样本数据库；

从所述样本数据库中获取样本数据，根据所述样本数据构建机器学习审批模型，利用所述机器学习审批模型对所述目标对象进行审批处理，所述机器学习审批模型用于输出所述目标对象的第二审批结果，以及输出所述目标对象的风险因子的评分。

2.根据权利要求1所述的方法，其特征在于，所述利用预先构建的专家评分模型对所述目标对象进行审批，获得所述目标对象的风险因子的评分和审批总评分之前还包括：

根据所述目标对象的身份信息，对所述目标对象进行强制规则筛选。

3.根据权利要求1所述的方法，其特征在于，所述专家评分模型的构建步骤包括：

接收针对所述目标对象设定的风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重；

根据所述风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重建立所述专家评分模型，所述专家评分模型用于根据所述目标对象的身份信息输出所述目标对象的风险因子的评分和审批总评分。

4.根据权利要求3所述的方法，其特征在于，所述对所述第一审批结果为审批不通过的目标对象进行标注包括：

对审批不通过的所述目标对象进行标注，在标注清单上选择所述目标对象审批不通过原因的标签，并按照预设规则对所述标签排序，将所述标签和标签顺序存储至所述样本数据库；

根据所述目标对象的标签和标签顺序对所述专家评分模型进行优化更新。

5.根据权利要求1所述的方法，其特征在于，所述机器学习审批模型的构建步骤包括：

从所述样本数据库中获取目标对象的第一审批结果的样本数据，所述样本数据包括所述目标对象的第一审批结果、所述目标对象的风险因子的评分以及所述第一审批结果为审批不通过的目标对象的标注；

根据所述样本数据中目标对象的身份信息和风险因子的评分建立风险子模型，根据所述样本中目标对象的身份信息和第一审批结果建立审批结果子模型，所述风险子模型和所述审批结果子模型构成所述机器学习审批模型；所述风险子模型与所述风险因子一一对应。

6.根据权利要求5所述的方法，其特征在于，所述根据所述样本数据中目标对象的身份信息和风险因子的评分建立风险子模型，根据所述样本中目标对象的身份信息和第一审批结果建立审批结果子模型，所述风险子模型和所述审批结果子模型构成所述机器学习审批模型；所述风险子模型与所述风险因子一一对应包括：

根据所述目标对象的身份信息提取入模特征变量；

基于线性回归算法对所述入模特征变量进行计算，得到审批通过和不通过的概率比；

将所述概率比转换为所述目标对象的风险因子的评分和总评分；

对所述风险子模型和审批结果子模型进行有效性检验，在检验通过的情况下，建立所述机器学习审批模型。

7.根据权利要求6所述的方法，其特征在于，所述根据所述目标对象的身份信息提取入模特征变量包括：

根据所述目标对象的身份信息提取特征变量形成特征宽表，对所述特征宽表进行初步筛选形成候选特征池；

对所述候选特征池中的特征变量进行二次筛选，获取有效特征变量；

对所述有效特征变量进行卡方分箱，调整分箱的坐标点阈值，根据各个分箱的证据权重确定入模特征变量。

8.一种面向目标对象的信息处理装置，其特征在于，所述装置包括：

合作请求模块，用于接收目标对象发起的合作请求，基于所述合作请求获取所述目标对象的身份信息；

专家评分模块，用于利用预先构建的专家评分模型对所述目标对象进行审批，获得所述目标对象的风险因子的评分和审批总评分；

专家审批模块，用于基于所述风险因子的评分和审批总评分，接收对所述目标对象的第一审批结果；所述第一审批结果包括审批通过和审批不通过；

样本模块，用于对所述第一审批结果为审批不通过的目标对象进行标注，将所述目标对象的身份信息、风险因子的评分、审批总评分、第一审批结果以及所述第一审批结果为审批不通过的目标对象的标注存储至样本数据库；

模型审批模块，用于从所述样本数据库中获取样本数据，根据所述样本数据构建机器学习审批模型，利用所述机器学习审批模型对所述目标对象进行审批，所述机器学习审批模型用于输出所述目标对象的第二审批结果，以及输出所述目标对象的风险因子的评分。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

强制筛选模块，用于根据所述目标对象的身份信息，对所述目标对象进行强制规则筛选。

10.根据权利要求8所述的装置，其特征在于，所述专家评分模块包括：

专家设定单元，用于接收针对所述目标对象设定的风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重；

评分计算单元，用于根据所述风险因子、针对所述风险因子设定的算法规则、针对所述风险因子设定的权重建立所述专家评分模型，所述专家评分模型用于根据所述目标对象的身份信息输出所述目标对象的风险因子的评分和审批总评分。

11.根据权利要求10所述的装置，其特征在于，所述样本模块还包括：

标注单元，用于对审批不通过的所述目标对象进行标注，在标注清单上选择所述目标对象审批不通过原因的标签，并按照预设规则对所述标签排序，将所述标签和标签顺序存储至所述样本数据库；

优化单元，用于根据所述目标对象的标签和标签顺序对所述专家评分模型进行优化更新。

12.根据权利要求8所述的装置，其特征在于，所述模型审批模块包括：

样本抽取模块，用于从所述样本数据库中获取目标对象的第一审批结果的样本数据，所述样本数据包括所述目标对象的第一审批结果、所述目标对象的风险因子的评分以及所述第一审批结果为审批不通过的目标对象的标注；

模型建立模块，用于根据所述样本数据中目标对象的身份信息和风险因子的评分建立风险子模型，根据所述样本中目标对象的身份信息和第一审批结果建立审批结果子模型，所述风险子模型和所述审批结果子模型构成所述机器学习审批模型；所述风险子模型与所述风险因子一一对应。

13.根据权利要求12所述的装置，其特征在于，所述模型建立模块包括：

样本处理单元，用于根据所述目标对象的身份信息提取入模特征变量；

回归算法单元，用于基于线性回归算法对所述入模特征变量进行计算，得到审批通过和不通过的概率比；

评分输出单元，用于将所述概率比转换为所述目标对象的风险因子的评分和总评分；

检验单元，用于对所述风险子模型和审批结果子模型进行有效性检验，在检验通过的情况下，建立所述机器学习审批模型。

14.根据权利要求13所述的装置，其特征在于，所述样本处理单元包括：

初步筛选子单元，用于根据所述目标对象的身份信息提取特征变量形成特征宽表，对所述特征宽表进行初步筛选形成候选特征池；

二次筛选子单元，用于对所述候选特征池中的特征变量进行二次筛选，获取有效特征变量；

入模特征变量单元，用于对所述有效特征变量进行卡方分箱，调整分箱的坐标点阈值，根据各个分箱的证据权重确定入模特征变量。

15.一种计算机设备，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7中任一项所述的方法的步骤。

16.一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7中任一项所述的方法的步骤。

17.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images