CN115187356A - 债务人财产线索信息分级模型、构建方法及其应用 - Google Patents
债务人财产线索信息分级模型、构建方法及其应用 Download PDFInfo
- Publication number
- CN115187356A CN115187356A CN202210856239.3A CN202210856239A CN115187356A CN 115187356 A CN115187356 A CN 115187356A CN 202210856239 A CN202210856239 A CN 202210856239A CN 115187356 A CN115187356 A CN 115187356A
- Authority
- CN
- China
- Prior art keywords
- information
- property
- debtor
- clue
- important characteristic
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 45
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000013145 classification model Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007306 turnover Effects 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出了一种债务人财产线索信息分级模型、构建方法及其应用，获取债务人相关的至少一财产线索信息；依据数据价值拆解框架对财产线索信息进行拆解，标注每一财产线索信息的数据价值；获取每一财产线索信息的应用场景边界条件，依据应用场景边界条件从财产线索信息中确定重要特征参数；将每一重要特征参数根据对应的应用场景边界条件进行多级拆分得到拆分元素，每一重要特征参数的拆分元素构建债务人财产线索信息分级模型，依据数据价值为所述债务人财产线索信息分级模型的每一行关联线索价值，通过对每条财产线索信息在业务场景下应用价值和限制条件的分析，对每条财产线索信息进行线索提取、拆分和价值分级。
Description
技术领域
本申请涉及数据分析领域，特别是涉及一种债务人财产线索信息分级模型、构建方法及其应用。
背景技术
不良资产是不能参与企业正常资金周转的资产，如债务单位长期拖欠的应收款项，企业购进或生产的呆滞积压物资以及不良投资等，过多的不良资产将直接导致企业相关的利益方的利益收到损害。在不良资产的清算过程中，需要充分地挖掘债务人的财产线索信息，并对财产线索信息进行分级处理，分级为：无效财产线索信息，高级别财产线索信息、中级别财产线索信息以及低级别财产线索信息，进而更准确地获取不良资产对应的债务人以实现清偿。
目前债务人的财产线索信息主要来源于全网公开信息，现有的财产分析方案主要通过①原始数据获取，②数据分类存储，③数据分类匹配命中三个步骤实现债务人相关财产线索信息的自动搜集及简单的分析，但是仅能在原始数据层面实现数据和债务人的简单命中和全量推送，并无法真正高效准确地实现财产线索信息的分级处理，导致无法很准确地判断线索信息价值和落地应用方式。
换言之，目前的财产分析方案存在：财产线索信息的价值挖掘不完全、无效财产线索信息无法甄别、财产线索信息的价值难以明确等问题，依旧是需要耗费大量的人力物力来实现财产线索信息的甄别，导致相关人员的巨大的工作负担，无法给不良资产的清收工作带来效率和效益上的提升。
发明内容
本申请实施例提供了一种债务人财产线索信息分级模型、构建方法及其应用，针对财产线索信息进行价值分级，实现无效财产线索信息的过滤、准确地判断线索信息价值和落地应用方式。
第一方面，本申请实施例提供了一种债务人财产线索信息分级模型的构建方法，所述方法包括：获取债务人相关的至少一财产线索信息；依据数据价值拆解框架对所述财产线索信息进行拆解，标注每一所述财产线索信息的数据价值；获取每一财产线索信息的应用场景边界条件，依据所述应用场景边界条件从所述财产线索信息中确定重要特征参数；将每一所述重要特征参数根据对应的所述应用场景边界条件进行多级拆分得到拆分元素，每一所述重要特征参数的所述拆分元素构建债务人财产线索信息分级模型，依据所述数据价值为所述债务人财产线索信息分级模型的每一行关联线索价值。
第二方面，本申请实施例提供了一种债务人财产线索信息分级模型，根据债务人财产线索信息分级模型的构建方法构建得到。
第三方面，本申请实施例提供了一种债务人财产线索信息分级方法，包括以下步骤：获取财产线索信息并提取对应的重要特征参数；将所述重要特征参数输入到债务人财产线索信息分级模型中，定位重要特征参数所处的矩阵位置并输出对应的线索价值。
第四方面，本申请实施例提供了一种债务人财产线索信息分级系统，包括：财产线索信息获取单元，用于获取财产线索信息并提取对应的重要特征参数；分级单元，将所述重要特征参数输入到债务人财产线索信息分级模型中，定位重要特征参数所处的矩阵位置并输出对应的线索价值。
第五方面，本申请实施例提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述的债务人财产线索信息分级模型的构建方法，或者所述的债务人财产线索信息分级方法
本发明的主要贡献和创新点如下：
本方案提供一种债务人财产线索信息分级模型、方法及应用，通过对每条财产线索信息在业务场景下应用价值和限制条件的分析，结合数据时效、状态等各维度信息，对每条财产线索信息进行线索提取、拆分和价值分级，通过惊喜线索、高概率、中概率、低概率、无效线索等标签标识线索价值及回款概率等级，实现财产线索信息的数据价值的充分挖掘，实现无效信息的过滤。
通过每条财产线索信息在不同状态在不同业务场景下应用意义的分析，形成一套数据应用分析标准框架，在线索分级输出的同时关联输出线索应用分析和跟进建议，实现信息应用意义的自动分析，指导数据在业务场景下的应用落地，最终实现不良资产领域财产线索的高效甄别，充分发挥数据价值，实现数据赋能。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的债务人财产线索信息分级模型的构建方法的流程图；
图2是数据价值拆解框架的示意图；
图3是债务人财产线索信息分级模型及对应的线索价值的示意图；
图4是债务人财产线索信息分级方法的逻辑示意图；
图5是根据本申请实施例的债务人财产线索信息分级系统的结构框图；
图6是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例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、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本申请旨在提出一种可对债务人的财产线索信息进行提取、拆分和分级，进而将财产线索信息进行不同等级的分级处理，以协助财产清算人员更高效地对不良资产进行甄别的方法。
为实现以上目的，本申请实施例提供了一种债务人财产线索信息分级模型的构建方法，具体地，参考图1，所述方法包括：
获取债务人相关的至少一财产线索信息；
依据数据价值拆解框架对所述财产线索信息进行拆解，标注每一所述财产线索信息的数据价值；
获取每一财产线索信息的应用场景边界条件，依据所述应用场景边界条件从所述财产线索信息中确定重要特征参数；
将每一所述重要特征参数根据对应的所述应用场景边界条件进行多级拆分得到拆分元素，每一所述重要特征参数的所述拆分元素构建债务人财产线索信息分级模型，依据所述数据价值为所述债务人财产线索信息分级模型的每一行关联线索价值。
在“获取债务人相关的至少一财产线索信息”中，通过爬虫技术从全网公开数据中获取债务人相关的至少一财产线索信息。
本方案所指代的财产线索信息指的是任何可披露债务人财产的公开信息，比如债务人名下的实体资产、无形资产、对外债权、投资情况等。财产线索信息的来源可以是司法查封、司法拍卖等记录的数据库。在实际情况下可根据不良资产领域财产线索搜索需求，确定财产线索信息的财产类型以及来源，进而通过爬虫获取债务人相关的财产线索信息，对搜集到的财产线索信息进行数据的基础清洗、人工补充加工和分类入库存储，进而形成财产线索信息数据库。
在“依据数据价值拆解框架对所述财产线索信息进行拆解，标注每一所述财产线索信息的数据价值”步骤中，所述数据价值拆解框架由数据价值子项依据层次排布构成，每一所述数据价值子项对应了不同的价值分析和清收建议；财产线索信息和所述数据价值子项进行匹配，用所述数据价值子项标注每一所述财产线索信息的数据价值，数据价值包括所述财产线索信息的价值分析以及清收建议。
数据价值拆解框架是根据业务需求梳理得到，其预存在系统内部；当需要对财产线索信息进行数据价值的定义时，可人为地根据数据价值拆解框架来人工标记，也可通过系统自动匹配的方式将财产线索信息和对应的数据价值进行匹配。
如图2所示，本方案构建的数据价值拆解框架包括还款能力判断、还款意愿判断以及清收策略辅助三个主项，每一主项下包括多个数据价值子项，如还款意愿判断下包含经营行为分析、对外履行动作、消费行为动作等多个数据价值子项。
本步骤通过数据价值拆解框架的拆解可赋予每一财产线索信息对应的价值分析和清收建议，以这样的方式可对每类财产线索信息在不良资产应用场景下具体可以提供的信息和价值进行深入分析、拆解和分拣。
示例性的，若所述财产线索数据属于司法拍卖数据，可根据数据价值拆解框架根据所述财产线索数据的内容拆解为挖掘债务人被处置资产、挖掘债务人对外债权、挖掘债务人竞买资产、挖掘债务人对外履行行为的价值，价值可被分拣进入财产抓手、对外债权、对外履行动作等数据价值分类。
在“获取每一财产线索信息的应用场景边界条件，依据所述应用场景边界条件从所述财产线索信息中确定重要特征参数”步骤中，由于财产线索数据的特殊性，债务人的财产仅在满足特定的应用场景边界条件后方可进行财产处置和追偿，比如债务人法拍资产已确定分配方案后就不再具备参与分配权利，故本方案需要依据每一财产线索信息的应用场景边界条件以筛选出有实际应用价值的重要特征参数。
应用场景边界条件指的是财产线索信息在实际应用场景下的边界条件。实际应用场景包括但不限于参与分配、催收谈判等场景，边界条件指的是财产线索信息在该实际应用场景下是否能应用的条件。
具体的，在“依据所述应用场景边界条件从所述财产线索信息中确定重要特征参数”步骤中，自所述财产线索信息中选取用于判断是否满足应用场景边界条件的内容作为重要特征参数。这是由于满足了应用场景边界条件的数据才有实际的应用价值。
示例性的，在“参与分配”的实际应用场景中，边界条件为时间限制条件和诉讼状态限制条件。具体的，应在法院确定参与分配方案前，当前债务人已确权的状态下提交参与分配申请，时间限制条件为“法院确定参与分配方案前”，诉讼状态限制条件为“已确权”，此时财产线索信息中的“拍卖成交时间”和“债务人当前诉讼状态”为重要特征参数。
值得一提的是，由于各网站公布的财产线索信息具有普适性，并非针对不良资产保全清收场景，各类型的财产线索信息在不良资产保全场景应用下往往存在重点特征参数缺失、非标准化及数据关联性缺失等问题。重要特征参数缺失指的是财产线索信息中不含有重要特征参数的信息内容，重要特征参数非标准化指的是重要特征参数格式和内容不符合标准格式，数据关联性缺失指的是单一维度的财产线索信息彼此之间缺乏关联信息进而无法提取重要特征参数。
故本方案在一些实施例中，额外包括步骤：当所述重要特征参数存在缺失或非标准化时，对所述重要特征数据进行补全或标准化处理。
当所述财产线索信息缺少关联信息时，关联不同维度的所述财产线索信息以提取重要特征参数。
在一些实施例中，补全或标准化处理的手段为：多源对比、映射处理、正则处理等技术手段，然而以上技术手段并不作为限制手段。
关联所述财产线索信息的手段为：通过关键字段匹配将不同维度的所述财产线索信息进行关联和穿透，输出关联穿透后的结果。示例性的，从单一维度的破产数据和单一维度的诉讼数据中，均无法获取债务人对破产企业的债权信息，也无法取得相应的重点特征参数；以破产数据中破产主体字段与诉讼数据中被告字段进行匹配，将破产数据与诉讼数据进行关联，挖掘破产企业债权信息，并提取破产进展、最近一次诉讼动作日期等重点特征参数。
本方案的债务人财产线索信息分级模型的构建原则为先由不同场景边界条件下的重要特征参数的组合作为一条规则，再将规则组合形成债务人财产线索信息分级模型。
对应在，在“将每一所述重要特征参数根据对应的所述应用场景边界条件进行多级拆分得到拆分元素”步骤中，所述应用场景边界条件划分为不重叠的多个区间，将每一所述重要特征参数依据对应的所述应用场景边界条件的区间进行多级拆分得到拆分元素。在一些实施例中，多区间的划分符合MECE原则，做到相互独立、完全穷尽，参数条件集合能够覆盖该维度下范围的全集。
示例的，时间限制条件可拆分为3个月内，3-6个月、6个月-1年、1年以上；诉讼状态限制条件可拆分为已确权、未确权等。
每一重要特征参数v1、v2、v3…将根据应用场景边界条件的不同区间拆分为v11、v12、v13、v21、v22、v23、v31、v32、v33…。
示例性的，若v1为“拍卖成交时间”为3个月内，应用边界条件为：3个月内，3-6个月、6个月-1年。
图3为本方案构建的债务人财产线索信息分级模型的示意图，如图3所示，同一重要特征参数的不同拆分元素作为债务人财产线索信息分级模型的列元素，不同重要特征参数的拆分元素作为债务人财产线索信息分级模型的行元素组成债务人财产线索信息分级模型，所述债务人财产线索信息分级模型的每一行包含了满足不同区间的不同重要特征参数的组合。
示例性，债务人财产线索信息分级模型的某一行包括v11,v21,v31以及v41；债务人财产线索信息分级模型的另一些行包含了v11,v22,v32以及v41。债务人财产线索信息分级模型的不同行内的分级元素的组合方式不同。
在“依据所述数据价值为所述债务人财产线索信息分级模型的每一行关联线索价值”步骤中，每一重要特征参数对应标注有数据价值，根据所述重要特征参数的所述数据价值以及内容为每一行关联线索价值。
所述线索价值包括线索等级、清收建议、线索分析以及落地指导的一种或多种。所述线索等级区分为惊喜线索、高概率、中概率、低概率、无效线索，所述线索等级的划分是根据当前行的分级元素的数据价值来定义的，示例性的，当一条司法拍卖数据满足：债务人角色=资产所有人、拍卖状态=中止/撤回、中止/撤回原因=履行、中止/撤回原因=3个月内的条件组合时，线索等级将被标记为“惊喜线索”。
所述清收建议以及线索分析是根据当前行的分级元素的业务价值来定义的，示例性的，当一条司法拍卖数据满足上一示例条件组合时，关联清收建议为 “催收谈判”和“查封资产”，关联线索分析为“债务人近期对外发生履行行为，可能有一定履行能力；另外，由于债务人的履行行为，当前法拍资产可能已被解封，且资产所承担抵押金额可能减少，我方有机会取得处置权并且有更多处置空间”。
所述落地指导是根据当前行的分级元素的内容来定义的，示例性的，当一条司法拍卖数据满足上一示例条件组合时，关联落地指导为“建议进行催收谈判，尽量促成债务人主动还款；同时，建议尽快确认当前资产权属情况，及时对资产进行查封，在取得首封处置权的情况下可对资产进行再度处置，若处于轮候查封，则可关注资产后续处置进展”。
在一些实施例中，债务人财产线索信息分级模型设有线索等级异常值“概率未知”，实现规则穷尽度校验。也就是说，当所述财产线索信息的重要特征参数在所述债务人财产线索信息分级模型中的没有对应的位置时，则判断为概率未知，为后续模型维护提供问题识别信号，保障规则完整度。
另外，为了便于债务人财产线索信息分级模型的持续迭代和优化，所述债务人财产线索信息分级模型的每一行都设有唯一的规则ID，后续可实现线索应用反馈收集与模型规则的一一对应，检验规则有效度。
在一些实施例中，采用分布式定时技术形成数据更新机制，通过定时任务对采集的财产线索信息进行轮询，监测财产线索信息的新增和变更，财产线索信息将根据本身参数特征值的变化以及规则条件的变化自动更新，保持分级财产线索池的动态化和有效化。
在完成数据层面基础搭建后，基于数据基础构建前端应用，实现数据价值在业务应用层面的落地。线索前端应用主要包括线索监控挖掘、线索新增/变更提醒、线索落地跟进、线索应用反馈、线索应用督促和管理等闭环功能，实现了执行端对债务人线索的自动挖掘以及线索价值自动分拣，并实现管理端对下级线索应用情况的管理和督促，以及模型应用效果的监测。
本方案提供的债务人财产线索信息分级模型的好处在于真实结合了财产保全领域实际应用场景，依据真实应用逻辑和条件限制对数据价值进行了拆解，并结合技术手段对数据进行自动化线索拆分和价值分级，关联数据详情分析和落地建议，能够在真实业务场景中进行更好的落地。另外，线索分级规则模型支持动态化调整、迭代，拥有持续优化的兼容性和能力。
实施例二
基于相同的构思，本申请还提出了一种债务人财产线索信息分级模型，根据上述债务人财产线索信息分级模型的构建方法构建得到，关于该债务人财产线索信息分级模型的构建方法的详细内容参见实施例一的介绍内容。
实施例三
基于相同的构思，本申请还提出了一种债务人财产线索信息分级方法，本方案可将实施例二构建好的债务人财产线索信息分级模型搭载在springcloud微服务框架上以实现运算。如图4所示，在对具体的财产线索信息进行分级时，将财产线索信息提取对应的重要特征参数后输入到以上构建好的债务人财产线索信息分级模型中，定位重要特征参数所处的矩阵位置并输出对应的线索价值即可。关于“从财产线索信息提取对应的重要特征参数”的技术手段同于实施例一的构建步骤，在此不进行累赘说明。
实施例四：
基于相同的构思，参考图5，本申请还提出了一种债务人财产线索信息分级系统，包括：
财产线索信息获取单元，用于获取财产线索信息并提取对应的重要特征参数；
分级单元，将所述重要特征参数输入到实施例二构建的债务人财产线索信息分级模型中，定位重要特征参数所处的矩阵位置并输出对应的线索价值。
关于实施例四中涉及的技术内容同于实施例一部分的内容，不再重复累赘说明。
实施例五
本实施例还提供了一种电子装置，参考图6，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项债务人财产线索信息分级模型的构建方法、债务人财产线索信息分级债务人财产线索信息分级方法的实施例中的步骤。
具体地，上述处理器402可以包括中央处理器（CPU），或者特定集成电路（ApplicationSpecificIntegratedCircuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器（HardDiskDrive，简称为HDD）、软盘驱动器、固态驱动器（SolidStateDrive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性（Non-Volatile）存储器。在特定实施例中，存储器404包括只读存储器（Read-OnlyMemory，简称为ROM）和随机存取存储器（RandomAccessMemory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（ProgrammableRead-OnlyMemory，简称为PROM）、可擦除PROM（ErasableProgrammableRead-OnlyMemory，简称为EPROM）、电可擦除PROM（ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM）、电可改写ROM（ElectricallyAlterableRead-OnlyMemory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（StaticRandom-AccessMemory，简称为SRAM）或动态随机存取存储器（DynamicRandomAccessMemory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器404（FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM）、同步动态随机存取内存（SynchronousDynamicRandom-AccessMemory，简称SDRAM）等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的债务人财产线索信息分级模型的构建方法、债务人财产线索信息分级债务人财产线索信息分级方法的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种债务人财产线索信息分级模型的构建方法、债务人财产线索信息分级债务人财产线索信息分级方法。
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是爬虫获取的各类财产线索信息，输出的信息可以是对应线索价值等。
可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行以下步骤：
获取债务人相关的至少一财产线索信息；
依据数据价值拆解框架对所述财产线索信息进行拆解，标注每一所述财产线索信息的数据价值；
获取每一财产线索信息的应用场景边界条件，依据所述应用场景边界条件从所述财产线索信息中确定重要特征参数；
将每一所述重要特征参数根据对应的所述应用场景边界条件进行多级拆分得到拆分元素，每一所述重要特征参数的所述拆分元素构建债务人财产线索信息分级模型，依据所述数据价值为所述债务人财产线索信息分级模型的每一行关联线索价值。
或者：
财产线索信息提取对应的重要特征参数后输入到以上构建好的债务人财产线索信息分级模型中，定位重要特征参数所处的矩阵位置并输出对应的线索价值。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的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。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种债务人财产线索信息分级模型的构建方法，其特征在于，所包括：
获取债务人相关的至少一财产线索信息；
依据数据价值拆解框架对所述财产线索信息进行拆解，标注每一所述财产线索信息的数据价值；
获取每一财产线索信息的应用场景边界条件，依据所述应用场景边界条件从所述财产线索信息中确定重要特征参数；
将每一所述重要特征参数根据对应的所述应用场景边界条件进行多级拆分得到拆分元素，每一所述重要特征参数的所述拆分元素构建债务人财产线索信息分级模型，依据所述数据价值为所述债务人财产线索信息分级模型的每一行关联线索价值。
2.根据权利要求1所述的债务人财产线索信息分级模型的构建方法，其特征在于，所述数据价值拆解框架由数据价值子项依据层次排布构成，每一所述数据价值子项对应了不同的价值分析和清收建议，财产线索信息和所述数据价值子项进行匹配，用所述数据价值子项标注每一所述财产线索信息的数据价值。
3.根据权利要求1所述的债务人财产线索信息分级模型的构建方法，其特征在于，自所述财产线索信息中选取用于判断是否满足应用场景边界条件的内容作为重要特征参数，应用场景边界条件指的是财产线索信息在实际应用场景下的边界条件。
4.根据权利要求1所述的债务人财产线索信息分级模型的构建方法，其特征在于，当所述重要特征参数存在缺失或非标准化时，对所述重要特征数据进行补全或标准化处理；或者，当所述财产线索信息缺少关联信息时，关联不同维度的所述财产线索信息以提取重要特征参数。
5.根据权利要求1所述的债务人财产线索信息分级模型的构建方法，其特征在于，所述应用场景边界条件划分为不重叠的多个区间，将每一所述重要特征参数依据对应的所述应用场景边界条件的区间进行多级拆分得到拆分元素。
6.根据权利要求1所述的债务人财产线索信息分级模型的构建方法，其特征在于，同一重要特征参数的不同拆分元素作为债务人财产线索信息分级模型的列元素，不同重要特征参数的拆分元素作为债务人财产线索信息分级模型的行元素组成债务人财产线索信息分级模型，所述债务人财产线索信息分级模型的每一行包含了满足不同区间的不同重要特征参数的组合。
7.一种债务人财产线索信息分级模型，其特征在于，根据权利要求1到6任一所述的债务人财产线索信息分级模型的构建方法构建得到。
8.一种债务人财产线索信息分级方法，其特征在于，包括以下步骤：
获取财产线索信息并提取对应的重要特征参数；
将所述重要特征参数输入到权利要求7的债务人财产线索信息分级模型中，定位重要特征参数所处的矩阵位置并输出对应的线索价值。
9.一种债务人财产线索信息分级系统，其特征在于，包括：
财产线索信息获取单元，用于获取财产线索信息并提取对应的重要特征参数；
分级单元，将所述重要特征参数输入到权利要求7的债务人财产线索信息分级模型中，定位重要特征参数所处的矩阵位置并输出对应的线索价值。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1到6任一所述的债务人财产线索信息分级模型的构建方法，或者权利要求8所述的债务人财产线索信息分级方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210856239.3A CN115187356A (zh) | 2022-07-21 | 2022-07-21 | 债务人财产线索信息分级模型、构建方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210856239.3A CN115187356A (zh) | 2022-07-21 | 2022-07-21 | 债务人财产线索信息分级模型、构建方法及其应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115187356A true CN115187356A (zh) | 2022-10-14 |
Family
ID=83519391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210856239.3A Pending CN115187356A (zh) | 2022-07-21 | 2022-07-21 | 债务人财产线索信息分级模型、构建方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115187356A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109584046A (zh) * | 2018-11-29 | 2019-04-05 | 广州广永投资管理有限公司 | 一种对不良资产信息数据进行深度挖掘和分析方法及系统 |
| CN111429245A (zh) * | 2020-03-31 | 2020-07-17 | 王春年 | 一种不良资产债权价值评定方法及装置 |
| CN111784182A (zh) * | 2020-07-14 | 2020-10-16 | 中国华融资产管理股份有限公司 | 资产信息处理方法和装置 |
| CN113642923A (zh) * | 2021-08-30 | 2021-11-12 | 建元和光(北京)科技有限公司 | 基于历史催收数据的不良资产包价值评估方法 |
-
2022
- 2022-07-21 CN CN202210856239.3A patent/CN115187356A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109584046A (zh) * | 2018-11-29 | 2019-04-05 | 广州广永投资管理有限公司 | 一种对不良资产信息数据进行深度挖掘和分析方法及系统 |
| CN111429245A (zh) * | 2020-03-31 | 2020-07-17 | 王春年 | 一种不良资产债权价值评定方法及装置 |
| CN111784182A (zh) * | 2020-07-14 | 2020-10-16 | 中国华融资产管理股份有限公司 | 资产信息处理方法和装置 |
| CN113642923A (zh) * | 2021-08-30 | 2021-11-12 | 建元和光(北京)科技有限公司 | 基于历史催收数据的不良资产包价值评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10579651B1 (en) | Method, system, and program for evaluating intellectual property right | |
| CN111127105A (zh) | 用户分层模型构建方法及系统、运营分析方法及系统 | |
| US10083263B2 (en) | Automatic modeling farmer | |
| CN112070615A (zh) | 基于知识图谱的理财产品推荐方法及装置 | |
| US10679230B2 (en) | Associative memory-based project management system | |
| CN113723737A (zh) | 一种基于企业画像的政策匹配方法、装置、设备及介质 | |
| CN115456438A (zh) | 企业经营行为异常预警方法及其应用 | |
| CN105405051A (zh) | 金融事件预测方法和装置 | |
| CN111008038B (zh) | 一种基于逻辑回归模型的pull request被合并概率的计算方法 | |
| CN113205442A (zh) | 基于区块链的电子政务数据反馈管理方法及装置 | |
| Augusto et al. | Optimization framework for DFG-based automated process discovery approaches | |
| CN115187356A (zh) | 债务人财产线索信息分级模型、构建方法及其应用 | |
| KR101456189B1 (ko) | 특허 평가 엔진을 이용한 특허 자동 평가 방법 및 평가 서버 | |
| CN116049243A (zh) | 企业知识产权大数据情报分析系统、方法及存储介质 | |
| CN110941952A (zh) | 一种完善审计分析模型的方法及装置 | |
| Abdallah et al. | A Data Collection Quality Model for Big Data Systems | |
| CN1588405A (zh) | 用于风险控制系统的数据处理装置及方法 | |
| Roeslin et al. | Development of a seismic loss prediction model for residential buildings using machine learning–Christchurch, New Zealand | |
| CN113870007A (zh) | 一种产品推荐方法、装置、设备及介质 | |
| Mushava et al. | Comprehensive credit scoring datasets for robust testing: Out-of-sample, out-of-time, and out-of-universe evaluation | |
| Wang et al. | Diminishing downsides of data mining | |
| Roeslin et al. | Development of a seismic loss prediction model for residential buildings using machine learning–Ōtautahi/Christchurch, New Zealand | |
| CN117973872B (zh) | 供应链风险识别方法、装置、电子设备及存储介质 | |
| CN114153915A (zh) | 一种区块链中信息溯源与追踪的方法及系统 | |
| CN113762794A (zh) | 一种基于价值链分析的产业链招商方法及系统 |
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 |
Application publication date: 20221014 |