CN115293903A - 一种担保风险预测方法、装置、设备和存储介质 - Google Patents

Abstract

本发明公开了一种担保风险预测方法、装置、设备和存储介质。该方法包括：获取申请担保业务的目标投标企业对应的目标交易数据、目标金融数据和目标三方数据；对目标交易数据、目标金融数据和目标三方数据进行数据处理分析，确定目标投标企业对应的目标企业特征信息；将目标企业特征信息输入至目标风险预测模型中进行担保风险预测，其中，目标风险预测模型是预先基于样本投标企业对应的样本企业特征信息和风险程度标签进行训练获得的；根据目标风险预测模型的输出，确定担保企业对目标投标企业进行担保的目标风险程度。通过本发明实施例的技术方案，可以自动进行担保风险评估，提高了担保风险评估的效率，进而也提高了担保风险预测的准确性。

Description

一种担保风险预测方法、装置、设备和存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种担保风险预测方法、装置、设备和存储介质。

背景技术

为符合规划要求，保证投标企业履约合同、保障工程质量和确保农民工工资支付等问题，投标企业在投标项目时，需要向担保企业(比如，银行)申请担保业务。

担保企业为了降低投标企业在中标后无法履行责任的风险，担保企业需要对申请担保业务的投标企业进行担保风险评估，以确定是否为申请担保业务的投标企业进行担保。

目前，现有的风险评估方式是基于经验人工手动评估，以确定是否生成担保电子保函。但基于经验人工手动评估方式，无法满足电子保函的效率要求，同时基于经验人工手动评估方式具有较高的人为主观因素，无法保证风险评估的准确性。

发明内容

本发明提供了一种担保风险预测方法、装置、设备和存储介质，以自动进行担保风险评估，提高了担保风险评估的效率，进而也提供了担保风险预测的准确性。

根据本发明的另一方面，提供了一种担保风险预测方法，该方法包括：

获取申请担保业务的目标投标企业对应的目标交易数据、目标金融数据和目标三方数据；

对所述目标交易数据、所述目标金融数据和所述目标三方数据进行数据处理分析，确定所述目标投标企业对应的目标企业特征信息；

将所述目标企业特征信息输入至目标风险预测模型中进行担保风险预测，其中，所述目标风险预测模型是预先基于样本投标企业对应的样本企业特征信息和风险程度标签进行训练获得的；

根据所述目标风险预测模型的输出，确定担保企业对所述目标投标企业进行担保的目标风险程度。

根据本发明的另一方面，提供了一种担保风险预测装置，该装置包括：

目标投标企业数据获取模块，用于获取申请担保业务的目标投标企业对应的目标交易数据、目标金融数据和目标三方数据；

目标企业特征信息确定模块，用于对所述目标交易数据、所述目标金融数据和所述目标三方数据进行数据处理分析，确定所述目标投标企业对应的目标企业特征信息；

担保风险预测模块，用于将所述目标企业特征信息输入至目标风险预测模型中进行担保风险预测，其中，所述目标风险预测模型是预先基于样本投标企业对应的样本企业特征信息和风险程度标签进行训练获得的；

目标风险程度确定模块，用于根据所述目标风险预测模型的输出，确定担保企业对所述目标投标企业进行担保的目标风险程度。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的担保风险预测方法。

根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的担保风险预测方法。

本发明实施例的技术方案，通过获取申请担保业务的目标投标企业对应的目标交易数据、目标金融数据和目标三方数据。对所述目标交易数据、所述目标金融数据和所述目标三方数据进行数据处理分析，确定所述目标投标企业对应的目标企业特征信息，从而减少对无效信息的进行风险预测，提高担保风险评估的效率。将所述目标企业特征信息输入至目标风险预测模型中进行担保风险预测，其中，所述目标风险预测模型是预先基于样本投标企业对应的样本企业特征信息和风险程度标签进行训练获得的。根据所述目标风险预测模型的输出，确定担保企业对所述目标投标企业进行担保的目标风险程度，从而可以自动进行担保风险评估，提高担保风险评估的效率，进而也提供了担保风险预测的准确性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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是根据本发明实施例一提供的一种担保风险预测方法的流程图；

图2是根据本发明实施例二提供的一种担保风险预测方法的流程图；

图3是本发明实施例提供的针对数据处理分析的流程图；

图4是根据本发明实施例三提供的一种担保风险预测装置结构示意图；

图5是实现本发明实施例四提供的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明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，以便这里描述的本发明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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供了一种担保风险预测方法的流程图，本实施例可适用于对申请担保业务的投标企业进行担保风险评估情况，该方法可以由担保风险预测装置来执行，该担保风险预测装置可以采用硬件和/或软件的形式实现，该担保风险预测装置可配置于电子设备中。如图1所示，该方法包括：

S110、获取申请担保业务的目标投标企业对应的目标交易数据、目标金融数据和目标三方数据。

其中，目标投标企业可以是指申请担保业务的投标企业。目标交易数据可以是指目标投标企业对应的交易数据。目标金融数据可以是指目标投标企业对应的金融数据。目标三方数据可以是指目标投标企业对应的第三方数据。

示例性地，目标交易数据可以包括：目标投标企业对应的企业基本信息、历史交易信息、招投标黑名单信息、历史中标信息和历史财务信息中的至少一种。目标金融数据可以包括：保证金缴纳信息和保函缴纳信息中的至少一种。目标三方数据可以包括：历史案件信息、历史不良行为信息、网站备案信息、税务信用等级信息和商标信息中的至少一种。

具体地，在对目标投标企业进行担保风险预测之前，至少需要收集目标投标企业对应的目标交易数据、目标金融数据和目标三方数据，以为担保风险预测提供数据支持。

S120、对目标交易数据、目标金融数据和目标三方数据进行数据处理分析，确定目标投标企业对应的目标企业特征信息。

其中，目标企业特征信息可以是指能够反映目标投标企业特征的信息。其中，目标企业特征信息可以包括：企业基本特征信息、历史中标次数、历史投标次数、历史中标金额、不良行为特征信息、保证金缴纳金额、保函缴纳次数和财务报表特征信息。

示例性地，企业基本特征信息可以包括但不限于企业名称、统一社会信用代码信息、法定代表人/负责人/执行事务合伙人信息、企业(机构)类型信息、登记机关信息、经营(业务)范围及方式信息、企业住址信息、经营期限至信息、注册资本(万元)信息、注册资本币种信息、高管姓名信息、职务信息、资政证书等级信息、资质证书编号信息以及有效期限信息等。历史中标次数可以包括但不限于：项目编号信息、项目名称、项目类型信息、中标单位名称、中标单位统一社会信用代码信息、中标金额信息、招标人、招标人统一社会信用代码信息、公示内容信息、项目类型信息、资金来源信息、资金比例信息、近2年中标次数以及近2年中标总金额信息。不良行为特征信息可以包括但不限于：当事人名称、统一社会信用代码信息、法定代表人信息、处罚决定文书信息、主要违法事实信息、行政处罚内容信息、处罚机关名称、处罚决定书签发日期信息、公示日期信息、处罚种类信息、处罚种类中文信息、处罚机关信息、续行冻结期限自信息、续行冻结期限至信息、执行法院信息、处罚币种信息、执行事项信息、协助执行通知书文号信息、执行裁定书文号信息、公示日期信息、被执行人持有股权数额信息、被执行人持有股权数额单位信息、同标段文件制作机器码雷同、同标段单位联系人雷同、同标段技术标内容雷同、同标段标书上传IP雷同、异标段文件制作机器码雷同、异标段单位联系人雷同、招标文件下载异常以及投标人抱团亲密度等。

具体地，对目标交易数据、目标金融数据和目标三方数据进行数据存储、数据归档、数据标准化处理、数据融合和数据分析等操作，可以确定目标投标企业对应的目标企业特征信息。

需要说明的是，对目标交易数据、目标金融数据和目标三方数据进行数据处理分析时，一般可以将目标企业特征信息分为连续型特征信息和离散型特征信息。连续型特征信息可以是指一定区间内，目标企业特征信息可以任意取值，相邻的两个数值可作无限分割的目标企业特征信息，比如历史投标次数和历史中标次数。离散型特征信息可以是指数值只能用自然数、整数、计数单位等的目标企业特征信息，比如企业基本特征信息和不良行为特征信息等。在本实施例中，可以通过使用独热编码的方式对离散型特征信息进行处理，以使该离散型特征信息可以通过向量的方式进行表示。例如，可以将不良行为特征信息分为有过不良行为、没有不良行为和三年内有不良行为的三维数据向量特征信息。

S130、将目标企业特征信息输入至目标风险预测模型中进行担保风险预测。

其中，目标风险预测模型可以是指对申请担保业务的投标企业进行担保风险评估预测的神经网络模型。

具体地，将确定的目标企业特征信息输入至目标风险预测模型中，目标风险预测模型根据目标企业特征信息对应的风险程度标签，针对企业实力以及企业不良行为，对目标投标企业进行担保风险预测。其中，企业实力可以降低目标投标企业的风险程度，企业不良行为可以增加目标投标企业的风险程度。

在本发明实施例中，目标风险预测模型可以是预先基于样本投标企业对应的样本企业特征信息和风险程度标签进行训练获得的。目标风险预测模型可以为：DeepFM深度因子分解机模型。其中，获取样本企业特征信息的方法可以与获取目标企业特征信息的方法，在此不再进行重复陈述。风险程度标签可以是根据企业特征信息的得分标签确定的，用于确定目标投标企业对应的风险程度。例如，风险程度标签可以设置为，在0-100分的信用得分之间，以10分为间隔设置一个风险程度等级。

其中，得分标签可以通过人为方式为各种企业特征信息进行设置。例如，针对企业基本特征信息，关于若近3年企业注册资本和法人代表变更的基准值为10分，若近3年企业注册资本增加，则设置得分标签为增加10分。若法人代表发生变更，则设置得分标签为扣10分。若管理人员无变动满分，若变动一次，则设置得分标签为扣1分。若施工资质证书最高等级满分，若施工资质证书不足应对等级，则设置得分标签为扣1分。针对历史中标次数，若历史中标次数为0≤N＜10，则设置得分标签为增加1分；若历史中标次数为10≤N＜20，则设置得分标签为增加4分；若历史中标次数为20≤N＜35，则设置得分标签为增加6分；若历史中标次数为35≤N＜50，则设置得分标签为增加8分；若历史中标次数为50≤N，则设置得分标签为增加10分。针对历史中标金额，若历史中标金额满1亿元，则设置得分标签为增加10分；在历史中标金额满1亿元的基础上，若历史中标金额每增加1亿元，则设置得分标签为增加2分，累计加分。若历史中标金额为0，则设置得分标签为0分。针对财务报表特征信息，若招标方出资占比为70％≤N＜100％，则设置得分标签为增加10分；若招标方出资占比为70％≤N＜50％，若招标方出资占比为8分；若招标方出资占比为50％≤N＜30％，则设置得分标签为增加6分；若招标方出资占比为20％≤N＜0％，则设置得分标签为增加3分；若招标方出资占比为0，则设置得分标签为0分。针对不良行为特征信息，若目标投标企业没有行政处罚，则设置得分标签为增加15分，若目标投标企业被执行行政处罚，则每项行政处罚设置得分标签为扣1分。若目标投标企业没有司法协助，则设置得分标签为增加15分，若目标投标企业具有司法协助，则每项司法协助设置得分标签为扣1分。若目标投标企业没有关键雷同性指标，则设置得分标签为增加15分，若目标投标企业具有关键雷同性指标，则每项关键雷同性指标设置得分标签为扣1分。若目标投标企业没有异常行为，则设置得分标签为增加15分，若目标投标企业具有异常行为，则每项异常行为设置得分标签为扣1分。若目标投标企业不具有主体关系，则设置得分标签为增加15分，若目标投标企业具有亲密关系，则每项亲密关系设置得分标签为扣1分。

目标风险预测模型的训练过程可以为：可以基于训练函数，将样本投标企业对应的样本企业特征信息和风险程度标签输入至待训练风险预测模型中。根据待训练风险预测模型的输出风险预测结果确定训练误差，并将训练误差反向传播至待训练风险预测模型中，调整待训练风险预测模型中的网络参数，直到满足预设收敛条件，比如迭代次数达到预设次数、训练误差收敛或者在AUC值【Area Under Curve，ROC(Receiver Operatingcharacteristic Curve，接受者操作特性曲线)曲线下与坐标轴围成的面积】最高时，确定待训练风险预测模型训练结束，此时可以将训练结束的待训练风险预测模型作为目标风险预测模型。通过利用样本投标企业对应的样本企业特征信息和风险程度标签进行模型训练，能够实现自动风险预测，进而可以提高风险预测的效率。同时可以保证目标风险预测模型进行风险预测的准确性。

S140、根据目标风险预测模型的输出，确定担保企业对目标投标企业进行担保的目标风险程度。

其中，目标风险程度可以是指目标投标企业对应的风险程度。

具体地，目标风险预测模型输出的预测结果，可以确定担保企业对目标投标企业进行担保的目标风险程度。

本发明实施例的技术方案，通过获取申请担保业务的目标投标企业对应的目标交易数据、目标金融数据和目标三方数据。对目标交易数据、目标金融数据和目标三方数据进行数据处理分析，确定目标投标企业对应的目标企业特征信息，从而减少对无效信息的进行风险预测，提高担保风险评估的效率。将目标企业特征信息输入至目标风险预测模型中进行担保风险预测，其中，目标风险预测模型是预先基于样本投标企业对应的样本企业特征信息和风险程度标签进行训练获得的。根据目标风险预测模型的输出，确定担保企业对目标投标企业进行担保的目标风险程度，从而可以自动进行担保风险评估，提高担保风险评估的效率，进而也提供了担保风险预测的准确性。

实施例二

图2为本发明实施例二提供的一种担保风险预测方法的流程图，本实施例与上述实施例的基础上，对确定目标投标企业对应的目标企业特征信息的步骤进一步细化。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。如图2所示，该方法包括：

S210、获取申请担保业务的目标投标企业对应的目标交易数据、目标金融数据和目标三方数据。

S220、将目标交易数据、目标金融数据和目标三方数据存储至原始资源库。

图3是本发明实施例提供的针对数据处理分析的流程图。如图3所示，在本实施例中可以将获取得到的目标交易数据、目标金融数据和目标三方数据可以存储至原始资源库。其中，目标交易数据可以直接通过ETL(Extract-Transform-Load，数据仓库技术)等工具抽取到原始资源库。目标金融数据可以通过共享交换平台主动推送到原始资源库。目标三方数据可以通过第三方服务平台的数据接口同步到原始资源库。

S230、将原始资源库中的第一数据汇聚到数据仓库的贴源层进行数据归档处理，获得满足归档条件的第二数据。

其中，第一数据可以是指原始资源库中存储的所有数据。第二数据可以是指满足归档条件的第一数据。

具体地，如图3所示，可以通过使用非侵入式采集工具，将原始资源库中存储的第一数据采集到数据仓库的贴源层中，并将第一数据进行归档处理。将满足归档条件的第一数据，确定为第二数据。

S240、将第二数据采集到数据仓库的标准层进行数据标准化处理，确定标准化后的第三数据。

其中，第三数据可以是指数据标准化处理后的第二数据。

具体地，如图3所示，将第二数据采集到数据仓库的标准层中，并对第二数据进行数据标准化处理。将数据标准化处理后的第二数据确定为第三数据。需要说明的是，在数据仓库的标准层中，可以将来不同的第三数据存储至对应数据来源的第三数据表中。例如，将目标金融数据对应第三数据，存储至目标金融数据对应的第三数据表中。

250、将第三数据采集到数据仓库的基础层进行多表的数据融合和分析统计，确定目标投标企业对应的目标企业特征信息。

具体地，如图3所示，将所有的第三数据采集到数据仓库的基础层中，将包含第三数据的所有第三数据表进行数据融合，将数据融合后的数据存储至数据融合表中，并对数据融合表中的所有数据进行分析统计，可以确定目标投标企业对应的目标企业特征信息，从而可以减少对非特征信息的提取，进而提高预测风险程度的效率。

需要说明的是，确定数据融合的规则可以包括：根据第三数据表与数据融合表的集成关系，确定数据融合规则；根据第三数据表与数据融合表的字段映射关系，确定数据融合规则；根据第三数据表中第三数据的权威来源，以及第三数据的来源优先级确定数据融合规则；根据第三数据表中业务主键，确定数据融合规则；根据第三数据表ID以及名称，确定数据融合规则。对第三数据的分析统计可以是基于数据融合表进行数据分析，将无序数据进行数据量化处理，或者在数据融合表字段上增加统计分析字段形成统计数据，并作为量化数据。

S260、将目标企业特征信息输入至目标风险预测模型中进行担保风险预测，其中，目标风险预测模型是预先基于样本投标企业对应的样本企业特征信息和风险程度标签进行训练获得的；

S270、根据目标风险预测模型的输出，确定担保企业对目标投标企业进行担保的目标风险程度。

本发明实施例的技术方案，通过将目标交易数据、目标金融数据和目标三方数据存储至原始资源库，可以对不同来源的数据进行统一管理。将原始资源库中的第一数据汇聚到数据仓库的贴源层进行数据归档处理，获得满足归档条件的第二数据，可以减少对已归档数据的重复处理以及减少无法满足足归档条件的数据，进而提高对数据分析处理的效率。将第二数据采集到数据仓库的标准层进行数据标准化处理，确定标准化后的第三数据。将第三数据采集到数据仓库的基础层进行多表的数据融合和分析统计，确定目标投标企业对应的目标企业特征信息。通过数据仓库的不同分层对数据进行处理，可以将复杂的数据处理操作分成多步简单的数据处理操作，降低了开发成本。同时，数据仓库多层协作，提高数据分析处理的效率，进而提升确定目标企业特征信息的效率。

在上述实施例的基础上，S240可以包括：在数据仓库的标准层中，基于预设数据转换配置信息，对第二数据进行全量数据转换，生成标准化后的第三数据；或者，基于预设数据转换配置信息，对第二数据中的增量数据进行增量数据转换，生成增量标准数据，并将增量标准数据和第二数据中的原有标准数据进行合并，获得标准化后的第三数据。

其中，预设数据转换配置信息可以包括：表与表之间的映射关系、字段与字段之间的映射关系、异常数据识别方式、与异常数据识别方式对应的异常数据处理方式、时间格式转换方式、字段串替换方式和大小写转换方式。增量标准数据可以是指对第二数据中的增量数据进行数据标准化处理后的数据。

具体地，在本实施例中，当预设数据转换配置信息发生变化时，根据预设数据转换配置信息，将第二数据中所有的数据进行全量数据转换，将全量数据转换后的第二数据确定为标准化后的第三数据。或者，当预设数据转换配置信息没有发生变化时，仅将第二数据中的新增加的增量数据进行增量数据转换，生成增量标准数据。并将增量标准数据和第二数据中的原有标准数据进行合并处理，可以获得标准化后的第三数据。当预设数据转换配置信息没有发生变化时，仅对第二数据中的新增加的增量数据进行增量数据转换，可以减少对已转换的数据进行重复转换，进而提高获得第三数据的效率。

实施例三

图4为本发明实施例三提供的一种担保风险预测装置的结构示意图。本实施例可适用于对申请担保业务的投标企业进行担保风险评估情况。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

如图4所示，该装置包括：目标投标企业数据获取模块310、目标企业特征信息确定模块320、担保风险预测模块330和目标风险程度确定模块340。

其中，目标投标企业数据获取模块310，用于获取申请担保业务的目标投标企业对应的目标交易数据、目标金融数据和目标三方数据。目标企业特征信息确定模块320，用于对目标交易数据、目标金融数据和目标三方数据进行数据处理分析，确定目标投标企业对应的目标企业特征信息。担保风险预测模块330，用于将目标企业特征信息输入至目标风险预测模型中进行担保风险预测，其中，目标风险预测模型是预先基于样本投标企业对应的样本企业特征信息和风险程度标签进行训练获得的。目标风险程度确定模块340，用于根据目标风险预测模型的输出，确定担保企业对目标投标企业进行担保的目标风险程度。

本发明实施例的技术方案，通过获取申请担保业务的目标投标企业对应的目标交易数据、目标金融数据和目标三方数据。对目标交易数据、目标金融数据和目标三方数据进行数据处理分析，确定目标投标企业对应的目标企业特征信息，从而减少对无效信息的进行风险预测，提高担保风险评估的效率。将目标企业特征信息输入至目标风险预测模型中进行担保风险预测，其中，目标风险预测模型是预先基于样本投标企业对应的样本企业特征信息和风险程度标签进行训练获得的。根据目标风险预测模型的输出，确定担保企业对目标投标企业进行担保的目标风险程度，从而可以自动进行担保风险评估，提高担保风险评估的效率，进而也提供了担保风险预测的准确性。

在上述实施例的基础上，目标交易数据包括：目标投标企业对应的企业基本信息、历史交易信息、招投标黑名单信息、历史中标信息和历史财务信息中的至少一种；目标金融数据包括：保证金缴纳信息和保函缴纳信息中的至少一种；目标三方数据包括：历史案件信息、历史不良行为信息、网站备案信息、税务信用等级信息和商标信息中的至少一种。

在上述实施例的基础上，目标企业特征信息确定模块320，可以包括：

目标投标企业数据存储单元，用于将目标交易数据、目标金融数据和目标三方数据存储至原始资源库；

第二数据获取单元，用于将原始资源库中的第一数据汇聚到数据仓库的贴源层进行数据归档处理，获得满足归档条件的第二数据；

第三数据确定单元，用于将第二数据采集到数据仓库的标准层进行数据标准化处理，确定标准化后的第三数据；

目标企业特征信息确定单元，用于将第三数据采集到数据仓库的基础层进行多表的数据融合和分析统计，确定目标投标企业对应的目标企业特征信息。

在上述实施例的基础上，第三数据确定单元，可以具体用于：在数据仓库的标准层中，基于预设数据转换配置信息，对第二数据进行全量数据转换，生成标准化后的第三数据；或者，

基于预设数据转换配置信息，对第二数据中的增量数据进行增量数据转换，生成增量标准数据，并将增量标准数据和第二数据中的原有标准数据进行合并，获得标准化后的第三数据。

在上述实施例的基础上，预设数据转换配置信息包括：表与表之间的映射关系、字段与字段之间的映射关系、异常数据识别方式、与异常数据识别方式对应的异常数据处理方式、时间格式转换方式、字段串替换方式和大小写转换方式。

在上述实施例的基础上，目标企业特征信息包括：企业基本特征信息、历史中标次数、历史投标次数、历史中标金额、不良行为特征信息、保证金缴纳金额、保函缴纳次数和财务报表特征信息。

在上述实施例的基础上，目标风险预测模型为：DeepFM深度因子分解机模型。

本发明实施例所提供的担保风险预测装置可执行本发明任意实施例所提供的担保风险预测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM12以及RAM13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如担保风险预测方法。

在一些实施例中，担保风险预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的担保风险预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行担保风险预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种担保风险预测方法，其特征在于，包括：

获取申请担保业务的目标投标企业对应的目标交易数据、目标金融数据和目标三方数据；

对所述目标交易数据、所述目标金融数据和所述目标三方数据进行数据处理分析，确定所述目标投标企业对应的目标企业特征信息；

将所述目标企业特征信息输入至目标风险预测模型中进行担保风险预测，其中，所述目标风险预测模型是预先基于样本投标企业对应的样本企业特征信息和风险程度标签进行训练获得的；

根据所述目标风险预测模型的输出，确定担保企业对所述目标投标企业进行担保的目标风险程度。

2.根据权利要求1所述的方法，其特征在于，所述目标交易数据包括：所述目标投标企业对应的企业基本信息、历史交易信息、招投标黑名单信息、历史中标信息和历史财务信息中的至少一种；

所述目标金融数据包括：保证金缴纳信息和保函缴纳信息中的至少一种；

所述目标三方数据包括：历史案件信息、历史不良行为信息、网站备案信息、税务信用等级信息和商标信息中的至少一种。

3.根据权利要求1所述的方法，其特征在于，对所述目标交易数据、所述目标金融数据和所述目标三方数据进行数据处理分析，确定所述目标投标企业对应的目标企业特征信息，包括：

将所述目标交易数据、所述目标金融数据和所述目标三方数据存储至原始资源库；

将所述原始资源库中的第一数据汇聚到数据仓库的贴源层进行数据归档处理，获得满足归档条件的第二数据；

将所述第二数据采集到数据仓库的标准层进行数据标准化处理，确定标准化后的第三数据；

将所述第三数据采集到数据仓库的基础层进行多表的数据融合和分析统计，确定所述目标投标企业对应的目标企业特征信息。

4.根据权利要求3所述的方法，其特征在于，将所述第二数据采集到数据仓库的标准层进行数据标准化处理，确定标准化后的第三数据，包括：

在数据仓库的标准层中，基于预设数据转换配置信息，对所述第二数据进行全量数据转换，生成标准化后的第三数据；或者，

基于预设数据转换配置信息，对所述第二数据中的增量数据进行增量数据转换，生成增量标准数据，并将所述增量标准数据和所述第二数据中的原有标准数据进行合并，获得标准化后的第三数据。

5.根据权利要求4所述的方法，其特征在于，所述预设数据转换配置信息包括：表与表之间的映射关系、字段与字段之间的映射关系、异常数据识别方式、与所述异常数据识别方式对应的异常数据处理方式、时间格式转换方式、字段串替换方式和大小写转换方式。

6.根据权利要求1所述的方法，其特征在于，所述目标企业特征信息包括：企业基本特征信息、历史中标次数、历史投标次数、历史中标金额、不良行为特征信息、保证金缴纳金额、保函缴纳次数和财务报表特征信息。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述目标风险预测模型为：DeepFM深度因子分解机模型。

8.一种担保风险预测装置，其特征在于，包括：

目标投标企业数据获取模块，用于获取申请担保业务的目标投标企业对应的目标交易数据、目标金融数据和目标三方数据；

目标企业特征信息确定模块，用于对所述目标交易数据、所述目标金融数据和所述目标三方数据进行数据处理分析，确定所述目标投标企业对应的目标企业特征信息；

担保风险预测模块，用于将所述目标企业特征信息输入至目标风险预测模型中进行担保风险预测，其中，所述目标风险预测模型是预先基于样本投标企业对应的样本企业特征信息和风险程度标签进行训练获得的；

目标风险程度确定模块，用于根据所述目标风险预测模型的输出，确定担保企业对所述目标投标企业进行担保的目标风险程度。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的担保风险预测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的担保风险预测方法。

Images