CN114638695A - 信用评估方法、装置、设备及介质 - Google Patents

Abstract

本公开提供了一种信用评估方法，可以应用于人工智能领域。该方法包括：根据待评估对象的目标数据，确定预处理数据，目标数据用于表征待评估对象的信用状况、运营状况和盈利状况中的至少一个；利用特征选择算法对预处理数据进行特征筛选，确定评估数据；根据评估数据，确定与评估数据对应的分类模型；利用分类模型对评估数据进行处理，输出分类结果，分类模型是基于决策树算法构建的；以及根据分类结果，展示待评估对象的评估结果。本公开还提供了一种信用评估装置、设备、存储介质和程序产品。

Description

信用评估方法、装置、设备及介质

技术领域

本公开涉及人工智能领域，特别涉及一种信用评估方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

中小企业在面临资金窘境的情况下，需要向商业银行贷款。

商业银行以及中小企业信贷业务方面存在信息不对称的问题，并且商业银行在贷款投资方面存在较大的主观意见，对贷款投资的评估会出现偏差，导致不良贷款率的提升。此外，随着大数据时代的到来，数据量越来越大，用来评估的特征维度也越来越多，更新速度越来越快，还存在如何根据多方面的因素快速评估中小企业的贷款投资状况的问题。

发明内容

鉴于上述问题，本公开提供了一种信用评估方法、装置、电子设备、计算机可读存储介质和计算机程序产品，用于对待评估对象进行信用评估，降低信用评估的人力成本，提高信用评估的准确率。

根据本公开的第一个方面，提供了一种信用评估方法，包括：根据待评估对象的目标数据，确定预处理数据，目标数据用于表征待评估对象的信用状况、运营状况和盈利状况中的至少一个；利用特征选择算法对预处理数据进行特征筛选，确定评估数据；根据评估数据，确定与评估数据对应的分类模型；利用分类模型对评估数据进行处理，输出分类结果，分类模型是基于决策树算法构建的；以及根据分类结果，展示待评估对象的评估结果。

根据本公开的实施例，其中，利用特征选择算法对预处理数据进行特征筛选，确定评估数据包括：利用特征选择算法对预处理数据进行特征重要度排序，确定待筛选特征数据；以及基于待筛选特征数据和待评估对象的目标数据，确定评估数据。

根据本公开的实施例，其中，分类模型的架构包括多粒度扫描模块和级联森林模块，利用分类模型对评估数据进行处理，输出分类结果包括：多粒度扫描模块利用不同长度的多个预设滑动窗口采集评估数据，输出中间评估数据；以及将中间评估数据输入级联森林模块，输出分类结果。

根据本公开的实施例，其中，级联森林模块包括随机森林子模块和完全随机森林子模块；得到分类模型的方法包括：从中间评估数据中确定第一预设训练样本集，第一预设训练样本集用于训练随机森林子模块；从中间评估数据中确定第二预设训练样本集，第二预设训练样本集用于训练完全随机森林子模块；以及利用第一预设训练样本集、第二预设训练样本集和中间评估数据训练级联森林模块，在满足预设条件的情况下，得到训练好的分类模型。

根据本公开的实施例，其中，从中间评估数据中确定第一预设训练样本集包括：根据中间评估数据，确定预设数目的特征变量；在将预设数目的特征变量作为特征子空间的情况下，确定中间评估数据中每个特征变量的基尼系数；以及根据基尼系数，确定中间评估数据的临界点，得到第一预设训练样本集。

根据本公开的实施例，其中，根据分类结果，展示待评估对象的评估结果包括：根据分类结果，确定待评估对象的评估结果，评估结果包括以下之一：信用等级、贷款额度；基于待评估对象的评估结果，确定待评估对象的预设展示区域；以及将待评估对象的评估结果展示在预设展示区域内。

根据本公开的实施例，还包括：获取预设时段内多个待评估对象的历史评估结果；以及基于历史评估结果和待评估对象的评估结果，展示预设形式的预设时段内的评估结果，预设时段内的历史评估结果包括分类结果的数目，预设形式包括折线图和柱状图中的至少一个。

根据本公开的实施例，其中，根据待评估对象的目标数据，确定预处理数据包括：根据待评估对象的目标数据，确定待评估对象的评估类型；以及在确定评估类型的情况下，对目标数据进行数据清洗和数据标准化，得到该评估类型对应的预处理数据。

根据本公开的第二个方面，提供了一种信用评估装置，包括：第一确定模块，用于根据待评估对象的目标数据，确定预处理数据，目标数据用于表征待评估对象的信用状况、运营状况和盈利状况中的至少一个；第二确定模块，用于利用特征选择算法对预处理数据进行特征筛选，确定评估数据；第三确定模块，用于根据评估数据，确定与评估数据对应的分类模型；分类模块，用于利用分类模型对评估数据进行处理，输出分类结果，分类模型是基于决策树算法构建的；以及展示模块，用于根据分类结果，展示待评估对象的评估结果。

根据本公开的第三个方面，提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个指令，其中，当一个或多个指令被一个或多个处理器执行时，使得一个或多个处理器实现上述信用评估方法。

根据本公开的第四个方面，提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现上述信用评估方法。

根据本公开的第五个方面，提供了一种计算机程序产品，计算机程序产品包括计算机可执行指令，指令在被执行时用于实现上述信用评估方法。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的信用评估方法的系统架构；

图2示意性示出了根据本公开实施例的信用评估方法的流程图；

图3示意性示出了根据本公开实施例的确定评估数据的方法的流程图；

图4示意性示出了根据本公开实施例的输出分类结果的方法的流程图；

图5示意性示出了根据本公开实施例的得到分类模型的方法的流程图；

图6示意性示出了根据本公开实施例的分类模型的结构示意图；

图7示意性示出了根据本公开实施例的确定第一预设训练样本的方法的流程图；

图8示意性示出了根据本公开实施例的展示所述待评估对象的评估结果的方法的流程图；

图9示意性示出了根据本公开实施例的展示预设时段内的评估结果的方法的示意图；

图10示意性示出了根据本公开实施例的确定预处理数据的方法的示意图；

图11示意性示出了根据本公开实施例的信用评估装置的结构框图；以及

图12示意性示出了根据本公开实施例的适于信用评估方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种信用评估方法，包括：根据待评估对象的目标数据，确定预处理数据，目标数据用于表征待评估对象的信用状况、运营状况和盈利状况中的至少一个；利用特征选择算法对预处理数据进行特征筛选，确定评估数据；根据评估数据，确定与评估数据对应的分类模型；利用分类模型对评估数据进行处理，输出分类结果，分类模型是基于决策树算法构建的；以及根据分类结果，展示待评估对象的评估结果。

图1示意性示出了根据本公开实施例的信用评估方法的系统架构。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种用于展示信用评估结果的客户端应用。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的信用评估方法一般可以由服务器105执行。相应地，本公开实施例所提供的信用评估装置一般可以设置于服务器105中。本公开实施例所提供的信用评估方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的信用评估装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的系统架构，通过图2～图10对公开实施例的申请审核方法进行详细描述。

图2示意性示出了根据本公开实施例的信用评估方法的流程图。

如图2所示，该方法包括操作S201～S205。

在操作S201，根据待评估对象的目标数据，确定预处理数据。

根据本公开的实施例，目标数据包括用于表征待评估对象的偿债能力、营运能力、盈利能力、发展能力、管理层品质、企业基本状况等可用作信用评估的信息。将待评估对象的目标数据批量导入或手动导入用于信用评估的装置。在获得待评估对象的目标数据之后，对该目标数据进行预处理，得到预处理数据。

根据本公开的实施例，目标数据包括待评估对象的原始数据和经过其他系统处理的数据，例如，待评估对象的原始数据包括该对象的位置信息、注册信息；经过其他系统处理的数据包括：偿债能力、营运能力、盈利能力、发展能力、管理层品质、企业基本状况等，具体的，通过至少一种计算规则，得到对于上述偿债能力、营运能力等的指标。

在操作S202，利用特征选择算法对预处理数据进行特征筛选，确定评估数据。

根据本公开的实施例，待评估对象的预处理数据包含的特征指标维度较多，在进行评估之前，利用特征选择算法对预处理数据进行特征筛选，根据特征选择算法输出的结果进行筛选，在保留更多的重要特征的基础上减少特征维度，确定评估数据。

根据本公开的实施例，特征选择算法用于筛选预处理数据，减少数据的特征维度。特征选择算法包括梯度提升算法、筛选预处理数据相关性的算法。具体的，通过梯度提升算法对预处理数据中的数据进行特征重要度的筛选；通过相关性算法对预处理数据中的数据计算相关性，筛选出相关性高的特征。例如，特征选择算法包括XGBoost算法(极值梯度提升算法)、Pearson相关系数，距离相关系数等。

在操作S203，根据评估数据，确定与评估数据对应的分类模型。

根据本公开的实施例，由于待评估对象属于多个不同类型的对象，而不同分类模型对于不同评估对象的评估结果存在差异。根据待评估对象的评估数据，能够确定出与该评估数据对应的分类模型。

根据本公开的实施例，分类模型包括预先训练的多个分类模型，多个分类模型可以用于对多种类型的待评估对象进行评估。需要注意的是，在对分类模型进行训练的过程中，采用的训练数据为与待评估对象类型相同的中小企业的数据，训练数据的来源于系统预先构建的信息库。

根据本公开的实施例，信息库为评估系统原有的中小企业用户信息的数据库，例如，中小企业注册填写的信息，中小企业在使用银行相关软件留存的信息。并且，在该信息库中的中小企业，为已定义好等级的和类型的中小企业数据，供训练信用评估模型使用。

在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

例如，待评估对象为金融类中小企业，对金融类待评估对象进行评估的训练数据包括每日交易量、交易数据等。利用系统信息库中的金融类待评估对象的数据，对分类模型训练，得到适用于金融类对象的分类模型。相应的，根据待评估对象的评估数据，能够确定出待评估对象的类型，然后确定该金融类待评估对象对应金融类分类模型。

在操作S204，利用分类模型对评估数据进行处理，输出分类结果，分类模型是基于决策树算法构建的。

根据本公开的实施例，在确定与待评估对象对应的分类模型之后，将评估数据输入与评估模型对应的分类模型，该分类模型输出分类结果。分类模型是基于决策树算法构建的模型。具体的，分类结果可以是0-1之间的数值。

根据本公开的实施例，分类模型是基于决策树算法构建的模型，具体的可以是将决策树运用到级联森林中，得到分类模型。还可以是基于决策树和级联森林，对决策树和级联森林都进行修改，得到深度森林算法，然后基于深度森林算法构建分类模型。

神经网络模型的复杂度是固定的，而本公开的分类模型是基于决策树算法构建的集成分类模型。分类模型的复杂度是通过训练数据时自动确定的，确保该分类模型能够适用于不同类型、不同规模的训练数据。

在操作S205，根据分类结果，展示待评估对象的评估结果。

根据本公开的实施例，评估结果包括固有评估结果和对待评估对象的目标数据的评估结果。固有评估结果为对所有类型的待评估对象的评估结果，例如，固有评估结果包括信用等级、贷款额度。在确定待评估对象的分类结果之后，通过界面展示待评估对象的评估结果。

本公开通过利用特征选择算法对预处理数据进行特征筛选，提高分类模型预测的精度；根据决策树算法构建的分类模型能够适用于多种类型的待评估对象，提高分类模型的可适用性，降低信用评估的人力成本。通过将待评估对象的评估结果展示出来，提高了模型的可解释性。

本公开通过将特征选择算法与根据决策树算法构建的分类模型相结合，将数据挖掘技术应用于信用评估，提高中小企业信用评估的准确率，避免信用评估结果受主观评估人员的影响，降低银行的不良贷款率，促进银行健康稳定的发展。

图3示意性示出了根据本公开实施例的确定评估数据的方法的流程图。

如图3所示，该方法包括操作S301～S302。

在操作S301，利用特征选择算法对预处理数据进行特征重要度排序，确定待筛选特征数据。

根据本公开的实施例，特征选择算法是利用多个弱分类器集成得到一个强分类器，然后通过多次迭代之后，该强分类器会有一个较高的预测精度。利用多次迭代后的强分类器对预处理数据进行特征重要度排序，得到确定待筛选特征数据。待筛选特征数据包括待评估对象的所有特征数据，以及所有特证数据对应的预测值。

具体的，特征选择算法可以采用XGBoost算法，是基于梯度提升树模型原理改进后的算法，它的基分类器也是决策树，可用于分类任务和回归任务。在多次迭代之后，该算法的子树的每个叶节点都有一个得分，即多个弱分类器的得分，然后使用相关规则对各个弱分类器的得分进行计算，得到最终的预测值。例如，采用加权的方式，给不同的弱分类器赋予不同的权重，计算得到最终的预测值。

根据本公开的实施例，XGBoost算法的学习路径包括构造目标函数，对目标函数进行优化。在构造目标函数时，假设使用该算法训练了K棵子树，第i个样本的预测值为：

其中，i表示第i个输入XGBoost算法的数据，ki表示第k个子树对于第i个样本输入的预测值。

在现有的K颗子树无法满足要求的情况下，向XGBoost模型中新加入一颗树，此时最终的预测值为

考虑XGBoost算法的正则项与误差项，构造的目标函数满足：

其中，对应的正则项用于控制输出结果的量级，防止过拟合，表达式满足：

误差项通过损失函数来表示，用于表示真实值i和预测值

的差距，表达式满足：

在操作S302，基于待筛选特征数据和待评估对象的目标数据，确定评估数据。

根据本公开的实施例，在利用特征筛选算法确定待筛选特征数据之后，根据待评估对象的目标数据，对待筛选特征数据进行筛选，选取对分类较为重要的特征作为评估数据，在不降低分类模型精度的情况下，减少特征维度，加快筛选速度。

例如，以采用XGBoost算法作为特征筛选算法为例。采用置信度的概念对待筛选特征数据进行筛选。将待筛选特征数据按照重要程度从大到小排列，根据待评估对象的目标数据确定要选取的置信度，在待评估对象为金融类的情况下，选取的置信度为95％，即选取待筛选数据的前95％作为评估数据。

本公开利用XGBoost算法对待评估对象的信息进行挖掘，对目标函数进行二阶泰勒展开，提高了模型筛选精度的准确性；使用决策树作为弱分类器，使得输出的待筛选数据具有较强的可解释性，降低了模型的计算复杂度；同时该模型还降低了过拟合现象。

图4示意性示出了根据本公开实施例的输出分类结果的方法的流程图。

如图4所示，该方法包括操作S401～S402。

在操作S401，多粒度扫描模块利用不同长度的多个预设滑动窗口采集评估数据，输出中间评估数据。

根据本公开的实施例，分类模型的架构包括多粒度扫描模块和级联森林模块。多粒度扫描模块为分类模型的第一部分，利用不同长度的多个预设滑动窗口采集评估数据，得到更多的特征子样本，即中间评估数据。该中间评估数据用于输入分类模型的第二部分，级联森林模块。

根据本公开的实施例，以评估数据为10000维特征为例，多粒度扫描模块包括100维、200维、300维三个滑动窗口，利用100维的滑动窗口对10000维的数据进行采集，类似的，利用200维和300维的滑动窗口再次扫描该10000维的评估数据。将通过多个滑动窗口得到的数据进行处理，输出多个特征维度的中间评估数据。

在操作S402，将中间评估数据输入级联森林模块，输出分类结果。

根据本公开的实施例，将多粒度扫面模块获得的中间特征数据输入级联森林模块，级联森林模块包括多个全连接层，第一个全连接层根据输入的中间特征数据得到第一层中间数据；然后将第一层中间数据和中间特征数据融合，作为第二个全连接层的输入，每一层中间数据都与中间特征数据进行融合，并作为下一个全连接层的输入；经过全部的全连接层后，对最后一个全连接层的数据进行处理，得到分类结果。

本公开通过使用不同大小的滑动窗口对变量特征进行采样，能够获得更多的特征子样本；将多粒度扫面模块获取的数据输入级联森林模块，能够增强级联结构，提高分类模型的拟合效果，提高分类的准确率。

图5示意性示出了根据本公开实施例的得到分类模型的方法的流程图。

如图5所示，该方法包括操作S501～S503。

在操作S501，从中间评估数据中确定第一预设训练样本集，第一预设训练样本集用于训练随机森林子模块。

根据本公开的实施例，级联森林模块包括随机森林子模块和完全随机森林子模块。随机森林是有放回的随机选择中间评估数据进行训练，选取多个临界点，以便完成有放回的训练；完全随机森林是使用中间评估数据的所有数据进行训练，并且随机选择一个特征作为临界点。

具体的，从中间评估数据中随机选取第一预设训练样本集，以便利用该第一预设训练样本集训练随机森林子模块。

在操作S502，从中间评估数据中确定第二预设训练样本集，第二预设训练样本集用于训练完全随机森林子模块。

根据本公开的实施例，从中间评估数据中随机选择一个临界点，然后根据该临界点确定第二预设训练样本集，以便训练完全随机森林子模块。

在操作S503，利用第一预设训练样本集、第二预设训练样本集和中间评估数据训练级联森林模块，在满足预设条件的情况下，得到训练好的分类模型。

根据本公开的实施例，在对分类模型进行训练的过程中，利用中间评估数据确定了第一预设训练样本集和第二预设训练样本集，然后将第一预设训练样本集、第二预设训练样本集和中间评估数据进行融合，一起训练级联森林模块。需要注意的是，级联森林模块拥有级联结构，该结构的层数是模型自动确定的，每增加一层，该结构都会在验证集上验证整个模型的准确率，如果准确率没有较大的提高，则会自动停止训练。分类模型包括多粒度扫描模块和级联森林模块，多粒度扫描模块仅用于获取更多的特征子样本，因此，在准确率的提高不超过阈值的情况下，认为整个分类模型已经训练好了。

根据本公开的实施例，在分类模型的每个森林中，还进行了K折交叉验证，然后对生成的类向量求平均，将其作为下一层输入的增强特征的类向量，缓解了分类模型的过拟合现象。

图6示意性示出了根据本公开实施例的分类模型的结构示意图。

根据本公开的实施例，如图6所示，随机森林子模块包括两个随机森林，完全随机森林子模块包括两个完全随机森林。随机森林子模块和完全随机森林子模块用于对中间评估数据进行处理，然后将处理得到的数据和中间评估数据进行融合，输入全连接层；最后一层全连接层输出后，再次利用随机森林子模块和完全随机森林子模块对最后一层的输出进行处理，得到分类结果。

图7示意性示出了根据本公开实施例的确定第一预设训练样本的方法的流程图。

如图7所示，该方法包括操作S701～S703。

在操作S701，根据中间评估数据，确定预设数目的特征变量。

根据本公开的实施例，第一预设训练样本集用于训练随机森林子模块，随机森林是对中间评估数据进行有放回的选取，选取多个临界点。在选取临界点之前，随机确定预设数目的特征变量。具体的，预设数目包括logN和sqar(N)，其中N表示所有的特征变量。

在操作S702，在将预设数目的特征变量作为特征子空间的情况下，确定中间评估数据中每个特征变量的基尼系数。

根据本公开的实施例，在确定特征子空间的情况下，计算中间评估数据中每个特征变量在该特征子空间的基尼系数。具体的，在预设数目为logN的情况下，从中间评估数据中随机选取logN个特征变量，并将选取的logN个特征变量作为特征子空间，在该特征子空间中计算所有中间评估数据的基尼系数。

在操作S703，根据基尼系数，确定中间评估数据的临界点，得到第一预设训练样本集。

根据本公开的实施例，在确定所有中间评估数据的基尼系数之后，根据得到的多个基尼系数确定临界点，然后得到第一预设训练样本集。

图8示意性示出了根据本公开实施例的展示所述待评估对象的评估结果的方法的流程图。

如图8所示，该方法包括操作S801～S803。

在操作S801，根据分类结果，确定待评估对象的评估结果。

根据本公开的实施例，分类结果是由分类模型输出的，分类结果包括0-1之间的数值。评估结果包括信用等级、贷款额度和风险指数。根据确定的分类结果，确定待评估对象的评估结果。具体的，在评估结果为信用等级的情况下，根据预设分级规则，将分类结果划分为多个等级，例如，共划分为高风险，较高风险，正常，较优质，优质五种等级。在评估结果为贷款额度的情况下，根据分类结果确定不同阶段的贷款额度。

根据本公开的实施例，评估结果中的贷款额度可以根据其他评估结果来确定，例如，根据信用等级来确定，信用等级为高风险对应的贷款额度为基本额度，信用等级为较高风险对应的贷款额度为低额度，信用等级为正常对应的贷款额度为平均额度，信用等级为较优质对应的贷款额度为高额度，信用等级为优质对应的贷款额度为最大额度。

根据本公开的实施例，评估结果还可以设置为与企业类型有关，多个企业类型的评估结果存在差异，例如，金融类企业的评估结果包括信誉状况；实体类企业包括营业状况等。

在操作S802，基于待评估对象的评估结果，确定待评估对象的预设展示区域。

根据本公开的实施例，评估结果包括多种结果，多个评估结果对应的展示区域不同。根据待评估对象的评估结果，确定与评估结果对应的预设展示区域，便于观测人员直观、毫无异议的看到评估结果。

根据本公开的实施例，预设展示区域可以设置于评估系统，用于向进行信用评估的银行人员展示评估结果。预设展示区域还可以设置于移动终端的预设位置，用于向被评估方展示评估结果。

在操作S803，将待评估对象的评估结果展示在预设展示区域内。

根据本公开的实施例，在预设展示区域设置于评估系统的情况下，预设展示区域可以为新创建的展示窗口，将评估结果的不同类型展示在展示窗口的不同位置。在预设展示区域设置于移动终端的情况下，用户通过移动终端登录某银行app，在该银行app的预设位置打开接受到的评估结果，然后在该移动终端中展示待评估对象的评估结果。

根据本公开的实施例，在预设展示区域内可以展示评估结果之外的其他信息，例如营业状况，信誉状况等信息。

本公开将评估结果展示给评估方，能够直观、客观的展示待预估对象的信用评估结果，降低了评估方的不良贷款率；将评估结果展示给被评估方，提高了评估结果的可解释性，利于提高用户体验。

图9示意性示出了根据本公开实施例的展示预设时段内的评估结果的方法的示意图。

如图9所示，该方法包括操作S901～S902。

在操作S901，获取预设时段内多个待评估对象的历史评估结果。

根据本公开的实施例，信用评估系统能够同时批量导入多个待评估对象，然后分类模型按照预设顺序对多个待评估对象进行评估。在一次导入多个评估对象的情况下，预设时段包括从对第一个待评估对象进行评估开始，到对当前待评估对象进行评估的时段；还包括预先设定的预设时段，例如，12小时。

在操作S902，基于历史评估结果和待评估对象的评估结果，展示预设形式的预设时段内的评估结果。

根据本公开的实施例，历史评估结果包括与待评估对象相同类型的评估结果和不同类型的评估结果。历史评估结果包括信用等级、分类结果的数目；预设形式包括折线图和柱状图中的至少一个。基于历史评估结果和待评估对象的评估结果，展示预设形式的预设时段内的评估结果。

例如，在历史评估结果包括信用等级的情况下，将历史评估结果的信用等级和当前待评估对象的信用等级结合，输出饼状图的不同信用等级占比。在历史评估结果包括分类结果的数目的情况下，利用折线图展示在该预设时段内分类结果数目的变化。

图10示意性示出了根据本公开实施例的确定预处理数据的方法的示意图。

如图10所示，该方法包括操作S1001～S1003。

在操作S1001，根据待评估对象的目标数据，确定待评估对象的评估类型。

根据本公开的实施例，待评估对象包括多种类型，根据待评估对象的目标数据能够确定该待评估对象的评估类型。例如，在待评估对象的目标数据包括固定时间内的多条外汇交易流水记录的情况下，确定待评估对象的评估类型为金融类。

在操作S1002，在确定评估类型的情况下，对目标数据进行数据清洗和数据标准化，得到该评估类型对应的预处理数据。

根据本公开的实施例，对目标数据进行的数据清洗包括缺失值和异常值的处理。由于不同特征指标的取值范围相差较大，不同特征指标间具有不同的量纲单位，分类模型在对未经过数据标准化的数据进行预测时，预测精度和预测结果都会产生偏差。对该目标数据进行数据清理清洗和数据标准化后，得到该评估模型对应的预处理数据。

根据本公开的实施例，对数据进行标准化的方法包括min-max方法，按照预设规则对目标数据进行转化，标准化的表达式满足：

其中，x_max表示目标数据中的最大值，x_min表示目标数据中的最小值，x表示未进行标准化的数据，x_new表示经过标准化的数据。经过标准化的数据的范围在[0,1]区间内。

根据本公开的实施例，对目标数据进行数据标准化之后，还对目标数据进行了数据离散化处理。

本公开通过对目标数据进行预处理，解决了因特征取值范围相差较大导致预测结果不准确的问题，针对预测数据方面，提高了分类模型的预测精度。

本公开通过利用特征选择算法对预处理数据进行特征筛选，提高分类模型预测的精度；根据决策树算法构建的分类模型能够适用于多种类型的待评估对象，提高分类模型的可适用性，降低信用评估的人力成本。通过将待评估对象的评估结果展示出来，提高了模型的可解释性。

图11示意性示出了根据本公开实施例的信用评估装置的结构框图。

如图11所示，该实施例的信用评估装置1100包括第一确定模块1101、第二确定模块1102、第三确定模块1103、分类模块1104和展示模块1105。

第一确定模块1101，用于根据待评估对象的目标数据，确定预处理数据，目标数据用于表征待评估对象的信用状况、运营状况和盈利状况中的至少一个。在一实施例中，第一确定模块1101可以用于执行前文描述的操作S201，在此不再赘述。

第二确定模块1102，用于利用特征选择算法对预处理数据进行特征筛选，确定评估数据。在一实施例中，第二确定模块1102可以用于执行前文描述的操作S202，在此不再赘述。

第三确定模块1103，用于根据评估数据，确定与评估数据对应的分类模型。在一实施例中，第三确定模块1103可以用于执行前文描述的操作S203，在此不再赘述。

分类模块1104，用于利用分类模型对评估数据进行处理，输出分类结果，分类模型是基于决策树算法构建的。在一实施例中，分类模块1104可以用于执行前文描述的操作S204，在此不再赘述。

展示模块1105，用于根据分类结果，展示待评估对象的评估结果。在一实施例中，展示模块1105可以用于执行前文描述的操作S205，在此不再赘述。

根据本公开的实施例，第二确定模块1102包括特征筛选单元和评估单元。

特征筛选单元用于利用特征选择算法对预处理数据进行特征重要度排序，确定待筛选特征数据。在一实施例中，特征筛选单元可以用于执行前文描述的操作S301，在此不再赘述。

评估单元用于基于待筛选特征数据和待评估对象的目标数据，确定评估数据。在一实施例中，评估单元可以用于执行前文描述的操作S302，在此不再赘述。

根据本公开的实施例，分类模块1104包括采集单元和分类单元。

采集单元用于多粒度扫描模块利用不同长度的多个预设滑动窗口采集评估数据，输出中间评估数据。在一实施例中，采集单元可以用于执行前文描述的操作S401，在此不再赘述。

分类单元用于将中间评估数据输入级联森林模块，输出分类结果。在一实施例中，分类单元可以用于执行前文描述的操作S402，在此不再赘述。

根据本公开的实施例，该装置还包括第一训练模块、第二训练模块和第三训练模块。

第一训练模块用于从中间评估数据中确定第一预设训练样本集，第一预设训练样本集用于训练随机森林子模块。在一实施例中，第一训练模块可以用于执行前文描述的操作S501，在此不再赘述。

第二训练模块用于从中间评估数据中确定第二预设训练样本集，第二预设训练样本集用于训练完全随机森林子模块。在一实施例中，第二训练模块可以用于执行前文描述的操作S502，在此不再赘述。

第三训练模块用于利用第一预设训练样本集、第二预设训练样本集和中间评估数据训练级联森林模块，在满足预设条件的情况下，得到训练好的分类模型。在一实施例中，第三训练模块可以用于执行前文描述的操作S503，在此不再赘述。

根据本公开的实施例，第一训练模块包括第一训练单元、第二训练单元和第三训练单元。

第一训练单元用于根据中间评估数据，确定预设数目的特征变量。在一实施例中，第一训练单元可以用于执行前文描述的操作S701，在此不再赘述。

第二训练单元用于在将预设数目的特征变量作为特征子空间的情况下，确定中间评估数据中每个特征变量的基尼系数。在一实施例中，第二训练单元可以用于执行前文描述的操作S702，在此不再赘述。

第三训练单元用于根据基尼系数，确定中间评估数据的临界点，得到第一预设训练样本集。在一实施例中，第三训练单元可以用于执行前文描述的操作S703，在此不再赘述。

根据本公开的实施例，展示模块1105包括第一确定单元、第二确定单元和展示单元。

第一确定单元用于根据分类结果，确定待评估对象的评估结果。在一实施例中，第一确定单元可以用于执行前文描述的操作S801，在此不再赘述。

第二确定单元用于基于待评估对象的评估结果，确定待评估对象的预设展示区域。在一实施例中，第二确定单元可以用于执行前文描述的操作S802，在此不再赘述。

展示单元用于将待评估对象的评估结果展示在预设展示区域内。在一实施例中，展示单元可以用于执行前文描述的操作S803，在此不再赘述。

根据本公开的实施例，该装置还包括获取模块和时段信息展示模块。

获取模块用于获取预设时段内多个待评估对象的历史评估结果。在一实施例中，获取模块可以用于执行前文描述的操作S901，在此不再赘述。

时段信息展示模块用于基于历史评估结果和待评估对象的评估结果，展示预设形式的预设时段内的评估结果。在一实施例中，时段信息展示模块可以用于执行前文描述的操作S902，在此不再赘述。

根据本公开的实施例，第一确定模块1101包括评估类型确定单元和预处理单元。

评估类型确定单元用于根据待评估对象的目标数据，确定待评估对象的评估类型。在一实施例中，评估类型确定单元可以用于执行前文描述的操作S1001，在此不再赘述。

预处理单元用于在确定评估类型的情况下，对目标数据进行数据清洗和数据标准化，得到该评估类型对应的预处理数据。在一实施例中，预处理单元可以用于执行前文描述的操作S1002，在此不再赘述。

根据本公开的实施例，第一确定模块1101、第二确定模块1102、第三确定模块1103、分类模块1104、展示模块1105、特征筛选单元、评估单元、采集单元、分类单元、第一训练模块、第二训练模块、第三训练模块、第一训练单元、第二训练单元、第三训练单元、第一确定单元、第二确定单元、展示单元、获取模块、时段信息展示模块、评估类型确定单元和预处理单元中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一确定模块1101、第二确定模块1102、第三确定模块1103、分类模块1104、展示模块1105、特征筛选单元、评估单元、采集单元、分类单元、第一训练模块、第二训练模块、第三训练模块、第一训练单元、第二训练单元、第三训练单元、第一确定单元、第二确定单元、展示单元、获取模块、时段信息展示模块、评估类型确定单元和预处理单元中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一确定模块1101、第二确定模块1102、第三确定模块1103、分类模块1104、展示模块1105、特征筛选单元、评估单元、采集单元、分类单元、第一训练模块、第二训练模块、第三训练模块、第一训练单元、第二训练单元、第三训练单元、第一确定单元、第二确定单元、展示单元、获取模块、时段信息展示模块、评估类型确定单元和预处理单元中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图12示意性示出了根据本公开实施例的适于信用评估方法的电子设备的方框图。

如图12所示，根据本公开实施例的电子设备1200包括处理器1201，其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。处理器1201例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器1201还可以包括用于缓存用途的板载存储器。处理器1201可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1203中，存储有电子设备1200操作所需的各种程序和数据。处理器1201、ROM 1202以及RAM 1203通过总线1204彼此相连。处理器1201通过执行ROM 1202和/或RAM1203中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1202和RAM 1203以外的一个或多个存储器中。处理器1201也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1200还可以包括输入/输出(I/O)接口1205，输入/输出(I/O)接口1205也连接至总线1204。电子设备1200还可以包括连接至I/O接口1205的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1207；包括硬盘等的存储部分1208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211，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1210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1208。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：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(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1202和/或RAM 1203和/或ROM 1202和RAM 1203以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，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。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的信用评估方法。

在该计算机程序被处理器1201执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1209被下载和安装，和/或从可拆卸介质1211被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。在该计算机程序被处理器1201执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (12)

1.一种信用评估方法，包括：

根据待评估对象的目标数据，确定预处理数据，所述目标数据用于表征所述待评估对象的信用状况、运营状况和盈利状况中的至少一个；

利用特征选择算法对所述预处理数据进行特征筛选，确定评估数据；

根据所述评估数据，确定与所述评估数据对应的分类模型；

利用所述分类模型对所述评估数据进行处理，输出分类结果，所述分类模型是基于决策树算法构建的；以及

根据所述分类结果，展示所述待评估对象的评估结果。

2.根据权利要求1所述的方法，其中，所述利用特征选择算法对所述预处理数据进行特征筛选，确定评估数据包括：

利用特征选择算法对所述预处理数据进行特征重要度排序，确定待筛选特征数据；以及

基于所述待筛选特征数据和所述待评估对象的目标数据，确定评估数据。

3.根据权利要求1所述的方法，其中，所述分类模型的架构包括多粒度扫描模块和级联森林模块，所述利用所述分类模型对所述评估数据进行处理，输出分类结果包括：

所述多粒度扫描模块利用不同长度的多个预设滑动窗口采集所述评估数据，输出中间评估数据；以及

将所述中间评估数据输入所述级联森林模块，输出分类结果。

4.根据权利要求3所述的方法，其中，所述级联森林模块包括随机森林子模块和完全随机森林子模块；所述得到所述分类模型的方法包括：

从所述中间评估数据中确定第一预设训练样本集，所述第一预设训练样本集用于训练所述随机森林子模块；

从所述中间评估数据中确定第二预设训练样本集，所述第二预设训练样本集用于训练所述完全随机森林子模块；以及

利用所述第一预设训练样本集、所述第二预设训练样本集和所述中间评估数据训练所述级联森林模块，在满足预设条件的情况下，得到训练好的分类模型。

5.根据权利要求4所述的方法，其中，所述从所述中间评估数据中确定第一预设训练样本集包括：

根据所述中间评估数据，确定预设数目的特征变量；

在将所述预设数目的特征变量作为特征子空间的情况下，确定所述中间评估数据中每个特征变量的基尼系数；以及

根据所述基尼系数，确定所述中间评估数据的临界点，得到第一预设训练样本集。

6.根据权利要求1所述的方法，其中，所述根据所述分类结果，展示所述待评估对象的评估结果包括：

根据所述分类结果，确定所述待评估对象的评估结果，所述评估结果包括以下之一：信用等级、贷款额度；

基于所述待评估对象的评估结果，确定所述待评估对象的预设展示区域；以及

将所述待评估对象的评估结果展示在所述预设展示区域内。

7.根据权利要求1所述的方法，还包括：

获取预设时段内多个待评估对象的历史评估结果；以及

基于所述历史评估结果和所述待评估对象的评估结果，展示预设形式的所述预设时段内的评估结果，所述预设时段内的历史评估结果包括分类结果的数目，所述预设形式包括折线图和柱状图中的至少一个。

8.根据权利要求1所述的方法，其中，所述根据待评估对象的目标数据，确定预处理数据包括：

根据所述待评估对象的目标数据，确定所述待评估对象的评估类型；以及

在确定所述评估类型的情况下，对所述目标数据进行数据清洗和数据标准化，得到该评估类型对应的预处理数据。

9.一种信用评估装置，包括：

第一确定模块，用于根据待评估对象的目标数据，确定预处理数据，所述目标数据用于表征所述待评估对象的信用状况、运营状况和盈利状况中的至少一个；

第二确定模块，用于利用特征选择算法对所述预处理数据进行特征筛选，确定评估数据；

第三确定模块，用于根据所述评估数据，确定与所述评估数据对应的分类模型；

分类模块，用于利用所述分类模型对所述评估数据进行处理，输出分类结果，所述分类模型是基于决策树算法构建的；以及

展示模块，用于根据所述分类结果，展示所述待评估对象的评估结果。

10.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个指令，

其中，当所述一个或多个指令被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任一项所述的方法。

11.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至8中任一项所述的方法。

12.一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现权利要求1至8中任一项所述的方法。

Images