CN116188148A - 一种基于深度学习的贷后风险评估方法及相关产品 - Google Patents

Abstract

本申请实施例提供一种基于深度学习的贷后风险评估方法及相关产品，所述方法包括：终端采集多个训练样本信息，该样本信息包括：企业关联数据；将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型；终端利用税务数据采集系统采集待评估对象的税务数据，将税务数据执行归一化数据得到输入数据，所述待评估对象为已经贷款的企业；终端将该输入数据输入到智能风险评估模型执行计算得到计算结果，依据该计算结果确定待评估对象的风险等级，执行该风险等级对应的风险预警。本申请提供的技术方案具有成本低的优点。

Description

一种基于深度学习的贷后风险评估方法及相关产品

技术领域

本发明涉及金融领域数据处理领域，尤其涉及一种基于深度学习的贷后风险评估方法及相关产品。

背景技术

在银行贷后(即已发放贷款之后)管理工作中，由于贷前已经做了比较全面的风险评估，包括必要的线下尽调信息的收集和分析，所以目前大部分企业贷后发生风险的情况比较低，大部分银行的不良率不超过5％，所以贷后风险投入过多并不能产生很直接的经济效益，但如果贷后不做好风险监控，也会出现不良率攀升的情况，直接造成经济损失。所以贷后预警工作是信贷领域不可缺失的环节，现有的贷后的风险评估基于人工审核的方式，由于贷后的企业数量巨大，基于人工审核的方式工作量巨大，导致效率极低，另外，受限于个人水平的问题，人工审核的贷后风险评估的准确率也无法保证，因此现有的贷后风险评估的效率低、准确率低、人工成本高。

发明内容

本申请实施例公开了一种基于深度学习的贷后风险评估方法及相关产品，该方法基于人工智能自动的进行贷后的风险评估，提高了风险评估的效率以及准确率，降低了人工成本。

第一方面，提供一种基于深度学习的贷后风险评估方法，其特征在于，所述方法包括如下步骤：

终端采集多个训练样本信息，该样本信息包括：企业关联数据；将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型；

终端利用税务数据采集系统采集待评估对象的税务数据，将税务数据执行归一化数据得到输入数据，所述待评估对象为已经贷款的企业；

终端将该输入数据输入到智能风险评估模型执行计算得到计算结果，依据该计算结果确定待评估对象的风险等级，执行该风险等级对应的风险预警。

第二方面，提供一种基于深度学习的贷后风险评估装置，所述装置包括：

采集单元，用于采集多个训练样本信息，该样本信息包括：企业关联数据；

训练单元，用于将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型；

调用单元，用于调用税务采集系统采集待评估对象的税务数据；

处理单元，用于将税务数据执行归一化数据得到输入数据，所述待评估对象为已经贷款的企业；将该输入数据输入到智能风险评估模型执行计算得到计算结果，依据该计算结果确定待评估对象的风险等级，执行该风险等级对应的风险预警。

第三方面，提供一种电子设备，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行第一方面所述的方法中的步骤的指令。

第四方面，提供了一种计算机可读存储介质，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行第一方面所述的方法。

第五方面，提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。

本申请提供的技术方案终端采集多个训练样本信息，该样本信息包括：企业关联数据；将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型；终端利用税务数据采集系统采集待评估对象的税务数据，将税务数据执行归一化数据得到输入数据；终端将该输入数据输入到智能风险评估模型执行计算得到计算结果，依据该计算结果确定待评估对象的风险等级，执行该风险等级对应的风险预警。通过执行样本数据对神经网络模型进行训练构建智能风险评估模型，然后采集待评估对象的税务数据处理得到输入数据，将输入数据输入到模型中运算得到对应的结果，然后进行风险评估，实现对贷后风险评估，上述技术方案无需人工参与，具有效率高，成本低的优点。

附图说明

以下对本申请实施例用到的附图进行介绍。

图1是本申请的一种数据库的功能构架的示意图；

图2是本申请提供的一种基于深度学习的贷后风险评估方法的流程示意图；

图3是本申请一个实施例提供的基于深度学习的贷后风险评估认装置的结构示意图；

图4是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面结合本申请实施例中的附图对本申请实施例进行描述。

本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。

本申请实施例中出现的“多个”是指两个或两个以上。本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。本申请实施例中出现的“连接”是指直接连接或者间接连接等各种连接方式，以实现设备间的通信，本申请实施例对此不做任何限定。

参阅图1，图1为本申请提供的一种数据库的功能构架示意图，如图1所示，功能构架包括：数据源、数据接入、数据研发、数据治理和数据应用；其中，数据源可以包括获取数据的源头，包括但不限于：司法数据、工商数据、税务数据、发票数据、知识产权数据、电力用水、社保数据等等。数据接入可以包括：data Grid(数据网格)采集、离线采集(T+1)、实时采集(T+0)。数据研发可以包括：数据开发、运维管理和数据存储，其中，数据开发包括但不限于：离线加工、任务调度、数据建模、仓库分层、流式开发、协同开发；运维管理包括但不限于：集群管理、组件管理、监控告警；数据存储具体可以包括：MPP数据库、文件存储、关系数据库、图数据、HDFS、Hbases。数据治理可以包括：数据资产、数据质量、数据安全，其中，数据资产包括但不限于：资产目录、数据地图；数据质量包括但不限于：数据标准化、规则配置、定时巡检、任务监控；数据安全包括但不限于：数据脱敏、数据审计、数据权限。数据应用具体可以包括：风控分析、征信报告、图谱应用、BI报告、客户画像。

上述功能构架具体可以实现如下功能，具体如下：

数据集成：支持对异构数据源，通过实时、离线多个场景汇集到数据平台。

数据开发：包括数据仓库建设及流处理应用开发。

运维管理：管理Hadoop集群上下线、扩容、版本升级。同时对组件服务管理、实时监控。

数据存储：支持业务数据、图数据、文件报告非结构化数据的存储和服务。

数据质量：数据标准制定、业务规则配置并与目标绑定、实时告警及质量报告输出。

数据安全：数据脱敏、在线审计、权限管理。

数据资产：管理数据明细，通过血缘关系建立数据地图。

数据服务：面向业务场景提供可靠的数据服务。

对于贷后的企业的风险评估是一项非常重要的工作，本申请主要针对的风险评估对象为企业，对于企业来说，按时还贷款是一项非常重要的工作，其基于的基础是该企业能够正常营业并且盈利，而对于企业来说，税务信息能够很好的反应企业经营是否正常，并且税务信息具有及时性以及准确性的优点，因此本申请的原始数据主要包括税务信息，即本申请的技术方案主要涉及税务数据，即将企业的税务数据作为原始数据生成输入数据，然后输入到神经网络模型中运算得到该企业对应的贷后风险。本申请的贷后风险可以分为如下几个等级，正常、关注、警示、冻结、回收。其风险等级的高低为：正常＜关注＜警示＜冻结＜回收，即风险等级越高，确定企业贷后风险越大，按时还款概率越低，反之，风险等级越低，确定企业贷后风险越小，按时还款概率越高。当然在实际应用中，上述风险等级的高低、数量还可以由用户自行设定，本申请上述风险等级仅仅是为了举例说明，本申请并不限制风险等级的数量以及对应的等级的高低。

参阅图2，图2提供了一种基于深度学习的贷后风险评估方法的流程图，该方法可以由终端执行，该终端包括但限于：个人计算机、服务器、数据中心、平板电脑、智能手机等，该方法所需要的数据可以在如图1所示的数据库中提取或实现，该方法如图2所示，包括如下步骤：

步骤S201、终端采集多个训练样本信息，该样本信息包括：企业关联数据；将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型；

示例的，上述企业关联数据包括但不限于：企业资质认定数据、企业投资方信息数据、企业稽查数据、企业申报汇总信息、企业缴款信息、资产负债信息、企业票据信息、企业利润信息中的一种或任意组合，当然在实际应用中，还可以

步骤S202、终端利用税务数据采集系统采集待评估对象的税务数据，将税务数据执行归一化数据得到输入数据，所述待评估对象为已经贷款的企业；

示例的，上述已经贷款的企业具体可以包括：已经发放贷款且贷款并未还请的企业。

上述税务数据包括但不限于：企业票据信息、企业利润信息等等。

步骤S203、终端将该输入数据输入到智能风险评估模型执行计算得到计算结果，依据该计算结果确定待评估对象的风险等级，执行该风险等级对应的风险预警。

示例的，上述风险预警等级包括但不限于：正常、关注、预警、冻结、回收。

上述执行计算的方式可以采用通过的神经网络模型计算方法，这里不再赘述。

本申请提供的技术方案终端采集多个训练样本信息，该样本信息包括：企业关联数据；将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型；终端利用税务数据采集系统采集待评估对象的税务数据，将税务数据执行归一化数据得到输入数据；终端将该输入数据输入到智能风险评估模型执行计算得到计算结果，依据该计算结果确定待评估对象的风险等级，执行该风险等级对应的风险预警。通过执行样本数据对神经网络模型进行训练构建智能风险评估模型，然后采集待评估对象的税务数据处理得到输入数据，将输入数据输入到模型中运算得到对应的结果，然后进行风险评估，实现对贷后风险评估，上述技术方案无需人工参与，具有效率高，成本低的优点。

示例的，上述终端采集多个训练样本信息，将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型具体可以包括：

采集样本企业基础信息数据形成企业规模等级的企业基础训练数据；采集企业资质认定数据形成企业资质训练数据；采集企业信用等级数据形成企业信用等级训练数据；

采集企业联系人信息数据形成企业联系人关系训练数据；采集企业投资方信息数据形成企业间关系训练数据；

采集企业违法违章数据形成企业黑名单数据库；采集企业稽查数据形成企业稽查信息训练数据；

采集企业申报信息数据形成企业申报信息训练数据；采集企业申报汇总信息形成企业申报信息训练数据；采集企业申报信息形成申报信息训练数据；采集企业所得税数据形成企业所得税训练数据；

采集企业征收信息数据形成企业征收信息训练数据；采集企业缴款信息形成缴款信息训练数据；采集企业应缴税费信息形成企业应缴税费信息训练数据；

采集企业资产负债信息形成资产负债信息训练数据；

采集企业利润信息形成利润信息训练数据；

采集企业票据信息(电子票、专票、普票、卷票)形成企业票据信息训练数据；

利用采集的上述训练数据作为输入数据输入到深度学习网络模型进行深度学习训练得到智能风险评估模型。

示例的，上述利用采集的上述训练数据作为输入数据输入到深度学习网络模型进行深度学习训练得到智能风险评估模型具体可以包括：

将企业基础训练数据输入到深度学习网络模型执行多次迭代训练得到第一网络模型，将该企业基础训练数据中的随机抽选x1个样本，将该x1个样本输入到第一网络模型得到第一组结果，第一组结果包括x1个样本的x1个结果，计算x1个结果的平均值得到第一平均值；

将企业信用等级训练数据输入到第一网络模型执行多次迭代训练得到第二网络模型，将该x1个样本输入到第二网络模型计算得到第二组结果，计算第二组结果的平均值得到第二平均值，计算第二平均值与第一平均值的差得到第一差值，若第一差值小于阈值，继续后续操作，若第一差值大于阈值，继续迭代训练第二网络模型直至第一差值小于阈值；

遍历所有训练样本得到智能风险评估模型。

示例的，上述将上述企业基础训练数据输入到深度学习网络模型执行多次迭代训练得到第一网络模型具体可以包括：

将企业基础训练数据中每份训练数据作为一个输入数据输入到深度学习网络模型执行一次训练运算，上述训练运算包括：将输入数据执行一次正向运算和一次反向运算，遍历所有企业基础训练数据中所有训练数据后得到第一初步模型，从所有训练数据中提取一份输入数据，将输入数据输入到初步模型运算得到第一运算结果，将企业基础训练数据再次输入到第一初步模型执行第二次训练得到第二初步模型，将该一份输入数据输入到第二初步模型运算得到第二运算结果，若第二运算结果大于第一运算结果，继续将企业基础训练数据输入到第二初步模型执行训练得到第三初步模型，将一份输入数据输入到第三初步模型运算得到第三运算结果，若第三运算结果大于第二运算结果，继续执行训练直至运算出的运算结果小于上一次结果后，确定上一次的初步模型为第一网络模型，若第三运算结果小于第二运算结果，确定第三初步模型为第一网络模型。

示例的，上述利用采集的上述训练数据作为输入数据输入到深度学习网络模型进行深度学习训练得到智能风险评估模型具体可以包括：

将采集的训练数据中每组训练数据中的一组输入数据(每组输入数据包括一份上述采集的类型数据中的一份，例如第一组输入数据包括：第一份企业基础训练数据、第一份企业信用等级数据和第一份企业间关系训练数据等等)输入到深度学习网络模型执行一次训练运算，上述训练运算包括：将输入数据执行一次正向运算和一次反向运算，遍历训练数据中所有组训练数据后得到第一模型，从所有组训练数据中提取第i组输入数据，将第i组输入数据输入到第一模型计算得到第一计算结果，将采集的训练数据中每组训练数据再次输入到第一模型执行第二次训练得到第二模型，将该第i组输入数据输入到第二模型计算得到第二计算结果，若第二计算结果大于第一计算结果，继续将采集的训练数据中每组训练数据输入到第二模型执行训练得到第三模型，将第i组输入数据输入到第三模型计算得到第三计算结果，若第三计算结果大于第二计算结果，继续执行训练直至计算出的计算结果小于上一次计算结果后，确定上一次的模型为智能风险评估模型。

示例的，上述正向运算、反向运算可以采用现有的正向运算方式以及现有的反向运算方式，这里不再赘述。

实施例一

本申请实施例一提供一种基于深度学习的贷后风险评估方法，该方法具体实现如下：

基于深度学习的智能风险决策方法，包括以下功能：

建立具有智能判断功能的深度学习网络模型；

建立具有智能判断功能的深度学习网络模型的步骤如下：

采集企业基础信息数据形成企业规模等级训练数据；

采集企业联系人信息数据形成企业联系人关系训练数据；

采集企业违法违章数据形成企业黑名单数据库；

采集企业申报信息数据形成企业申报信息训练数据；

采集企业征收信息数据形成企业征收信息训练数据；

采集企业资产负债信息形成资产负债信息训练数据；

采集企业利润信息形成利润信息训练数据；

采集企业票据信息形成企业票据信息训练数据；

利用采集的上述数据信息进行深度网络学习模型的训练，并获取深度学习模型

通过训练的模型结合当前企业的税务数据信息、企业贷款信息、企业还款信息生产企业新的贷后预警等级，并根据预警等级做出响应的处理。

当前企业的基本信息数据包括：

贷款申请日期、申请期限、贷款利率、贷款金额、还款方式、企业多头借贷信息、企业所属行业信息。

当前企业的还款信息数据包括：每月的还款状态、预期天数、预期金额、罚息。

通过深度网络学习网络模型计算出的贷后预警信息包括：正常、关注、预警、冻结、回收，五个等级。

需要特别说明的是，本发明并不能完全取代现有的行方贷后预警模型，由于受限于数据样本的数量及数据样本的质量，模型最终的计算结果可能会存在偏差，需要长期的重复训练已达到理想的效果。

企业税务数据由数据库进行存储，其中涉及的企业基础信息、联系人信息、违法违章信息、申报信息、征收信息、资产负债信息、利润信息、票据信息均保存在企业税务信息数据库；企业贷款基本信息从银行信贷系统中获取；企业贷后还款信息从贷后系统中获取；以上数据的存储可以用于重复的模型训练使用。

参阅图3，图3提供了一种基于深度学习的贷后风险评估装置，所述装置包括：

采集单元，用于采集多个训练样本信息，该样本信息包括：企业关联数据；

训练单元，用于将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型；

调用单元，用于调用税务采集系统采集待评估对象的税务数据；

处理单元，用于将税务数据执行归一化数据得到输入数据，所述待评估对象为已经贷款的企业；将该输入数据输入到智能风险评估模型执行计算得到计算结果，依据该计算结果确定待评估对象的风险等级，执行该风险等级对应的风险预警。

示例的，

所述训练单元，具体用于将企业基础训练数据输入到深度学习网络模型执行多次迭代训练得到第一网络模型，将该企业基础训练数据中的随机抽选x1个样本，将该x1个样本输入到第一网络模型得到第一组结果，第一组结果包括x1个样本的x1个结果，计算x1个结果的平均值得到第一平均值；

将企业信用等级训练数据输入到第一网络模型执行多次迭代训练得到第二网络模型，将该x1个样本输入到第二网络模型计算得到第二组结果，计算第二组结果的平均值得到第二平均值，计算第二平均值与第一平均值的差得到第一差值，若第一差值小于阈值，继续后续操作，若第一差值大于阈值，继续迭代训练第二网络模型直至第一差值小于阈值；

遍历所有训练样本得到智能风险评估模型。

示例的，上述训练单元，还用于将企业基础训练数据中每份训练数据作为一个输入数据输入到深度学习网络模型执行一次训练运算，上述训练运算包括：将输入数据执行一次正向运算和一次反向运算，遍历所有企业基础训练数据中所有训练数据后得到第一初步模型，从所有训练数据中提取一份输入数据，将输入数据输入到初步模型运算得到第一运算结果，将企业基础训练数据再次输入到第一初步模型执行第二次训练得到第二初步模型，将该一份输入数据输入到第二初步模型运算得到第二运算结果，若第二运算结果大于第一运算结果，继续将企业基础训练数据输入到第二初步模型执行训练得到第三初步模型，将一份输入数据输入到第三初步模型运算得到第三运算结果，若第三运算结果大于第二运算结果，继续执行训练直至运算出的运算结果小于上一次结果后，确定上一次的初步模型为第一网络模型，若第三运算结果小于第二运算结果，确定第三初步模型为第一网络模型。

示例的，上述训练单元，用于将采集的训练数据中每组训练数据中的一组输入数据输入到深度学习网络模型执行一次训练运算，上述训练运算包括：将输入数据执行一次正向运算和一次反向运算，遍历训练数据中所有组训练数据后得到第一模型，从所有组训练数据中提取第i组输入数据，将第i组输入数据输入到第一模型计算得到第一计算结果，将采集的训练数据中每组训练数据再次输入到第一模型执行第二次训练得到第二模型，将该第i组输入数据输入到第二模型计算得到第二计算结果，若第二计算结果大于第一计算结果，继续将采集的训练数据中每组训练数据输入到第二模型执行训练得到第三模型，将第i组输入数据输入到第三模型计算得到第三计算结果，若第三计算结果大于第二计算结果，继续执行训练直至计算出的计算结果小于上一次计算结果后，确定上一次的模型为智能风险评估模型。

可以理解的是，上述装置为了实现上述功能，其包含了执行各个功能相应的硬件和/或软件模块。结合本文中所公开的实施例描述的各示例的算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以结合实施例对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本实施例可以根据上述方法示例对电子设备进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块可以采用硬件的形式实现。需要说明的是，本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。

需要说明的是，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。

在采用集成的单元的情况下，用户设备可以包括处理模块和存储模块。其中，处理模块可以用于对用户设备的动作进行控制管理，例如，可以用于支持电子设备执行上述获取单元、通信单元、处理单元执行的步骤。存储模块可以用于支持电子设备执行存储程序代码和数据等。

其中，处理模块可以是处理器或控制器。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，数字信号处理(digital signal processing，DSP)和微处理器的组合等等。存储模块可以是存储器。通信模块具体可以为射频电路、蓝牙芯片、Wi-Fi芯片等与其他电子设备交互的设备。

可以理解的是，本申请实施例示意的各模块间的接口连接关系，只是示意性说明，并不构成对用户设备的结构限定。在本申请另一些实施例中，用户设备也可以采用上述实施例中不同的接口连接方式，或多种接口连接方式的组合。

请参见图4，图4是本申请实施例提供的一种电子设备40，该电子设备40包括处理器401、存储器402、通信接口403和显示屏404，所述处理器401、存储器402和通信接口403通过总线相互连接，所述显示屏为所述电子设备供电，该电子设备还可以包括：

存储器402包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read-only memory，ROM)、可擦除可编程只读存储器(erasable programmableread only memory，EPROM)、或便携式只读存储器(compact disc read-only memory，CD-ROM)，该存储器402用于相关计算机程序及数据。通信接口403用于接收和发送数据。

处理器401可以是一个或多个中央处理器(central processing unit，CPU)，在处理器401是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。

处理器401可以包括一个或多个处理单元，例如：处理单元可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit，GPU)，图像信号处理器(image signal processor，ISP)，控制器，视频编解码器，数字信号处理器(digital signal processor，DSP)，基带处理器，和/或神经网络处理器(neural-network processing unit，NPU)等。其中，不同的处理单元可以是独立的部件，也可以集成在一个或多个处理器中。在一些实施例中，用户设备也可以包括一个或多个处理单元。其中，控制器可以根据指令操作码和时序信号，产生操作控制信号，完成取指令和执行指令的控制。在其他一些实施例中，处理单元中还可以设置存储器，用于存储指令和数据。示例性地，处理单元中的存储器可以为高速缓冲存储器。该存储器可以保存处理单元刚用过或循环使用的指令或数据。如果处理单元需要再次使用该指令或数据，可从所述存储器中直接调用。这样就避免了重复存取，减少了处理单元的等待时间，因而提高了用户设备处理数据或执行指令的效率。

在一些实施例中，处理器401可以包括一个或多个接口。接口可以包括集成电路间(inter-integrated circuit，I2C)接口、集成电路间音频(inter-integrated circuitsound，I2S)接口、脉冲编码调制(pulse code modulation，PCM)接口、通用异步收发传输器(universal asynchronous receiver/transmitter，UART)接口、移动产业处理器接口(mobile industry processor interface，MIPI)、用输入输出(general-purpose input/output，GPIO)接口、SIM卡接口和/或USB接口等。其中，USB接口是符合USB标准规范的接口，具体可以是Mini USB接口、Micro USB接口、USB Type C接口等。USB接口可以用于连接充电器为用户设备充电，也可以用于用户设备与外围设备之间传输数据。该USB接口也可以用于连接耳机，通过耳机播放音频。

若该电子设备40为用户设备或终端设备，例如智能手机、计算机设备、服务器，该电子设备40中的处理器401用于读取所述存储器402中存储的计算机程序代码，执行以下操作：

采集多个训练样本信息，该样本信息包括：企业关联数据；将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型；

利用税务数据采集系统采集待评估对象的税务数据，将税务数据执行归一化数据得到输入数据，所述待评估对象为已经贷款的企业；

将该输入数据输入到智能风险评估模型执行计算得到计算结果，依据该计算结果确定待评估对象的风险等级，执行该风险等级对应的风险预警。

其中，上述方法实施例涉及的各场景的所有相关内容均可以援引到对应方法实施例的描述，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当其在网络设备上运行时，图2所示的方法流程得以实现。

本申请实施例还提供一种计算机程序产品，当所述计算机程序产品在终端上运行时，图2所示的方法流程得以实现。

本申请实施例还提供一种电子设备，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行图2所示实施例的方法中的步骤的指令。

上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，电子设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模板。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，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。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模板并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

Claims (10)

1.一种基于深度学习的贷后风险评估方法，其特征在于，所述方法包括如下步骤：

终端采集多个训练样本信息，该样本信息包括：企业关联数据；将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型；

终端利用税务数据采集系统采集待评估对象的税务数据，将税务数据执行归一化数据得到输入数据，所述待评估对象为已经贷款的企业；

终端将该输入数据输入到智能风险评估模型执行计算得到计算结果，依据该计算结果确定待评估对象的风险等级，执行该风险等级对应的风险预警。

2.根据权利要求1所述的方法，其特征在于，将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型具体包括：

采集样本企业基础信息数据形成企业规模等级的企业基础训练数据；采集企业资质认定数据形成企业资质训练数据；采集企业信用等级数据形成企业信用等级训练数据；

采集企业联系人信息数据形成企业联系人关系训练数据；采集企业投资方信息数据形成企业间关系训练数据；

采集企业违法违章数据形成企业黑名单数据库；采集企业稽查数据形成企业稽查信息训练数据；

采集企业申报信息数据形成企业申报信息训练数据；采集企业申报汇总信息形成企业申报信息训练数据；采集企业申报信息形成申报信息训练数据；采集企业所得税数据形成企业所得税训练数据；

采集企业征收信息数据形成企业征收信息训练数据；采集企业缴款信息形成缴款信息训练数据；采集企业应缴税费信息形成企业应缴税费信息训练数据；

采集企业资产负债信息形成资产负债信息训练数据；

采集企业利润信息形成利润信息训练数据；

采集企业票据信息形成企业票据信息训练数据；

利用采集的上述训练数据作为输入数据输入到深度学习网络模型进行深度学习训练得到智能风险评估模型。

3.根据权利要求1所述的方法，其特征在于，

所述贷后预警等级包括：正常、关注、预警、冻结或回收。

4.根据权利要求1所述的方法，其特征在于，将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型具体包括：

将企业基础训练数据输入到深度学习网络模型执行多次迭代训练得到第一网络模型，将该企业基础训练数据中的随机抽选x1个样本，将该x1个样本输入到第一网络模型得到第一组结果，第一组结果包括x1个样本的x1个结果，计算x1个结果的平均值得到第一平均值；

将企业信用等级训练数据输入到第一网络模型执行多次迭代训练得到第二网络模型，将该x1个样本输入到第二网络模型计算得到第二组结果，计算第二组结果的平均值得到第二平均值，计算第二平均值与第一平均值的差得到第一差值，若第一差值小于阈值，继续后续操作，若第一差值大于阈值，继续迭代训练第二网络模型直至第一差值小于阈值；

遍历所有训练样本得到智能风险评估模型。

5.根据权利要求4所述的方法，其特征在于，所述企业基础训练数据输入到深度学习网络模型执行多次迭代训练得到第一网络模型具体包括：

将企业基础训练数据中每份训练数据作为一个输入数据输入到深度学习网络模型执行一次训练运算，上述训练运算包括：将输入数据执行一次正向运算和一次反向运算，遍历所有企业基础训练数据中所有训练数据后得到第一初步模型，从所有训练数据中提取一份输入数据，将输入数据输入到初步模型运算得到第一运算结果，将企业基础训练数据再次输入到第一初步模型执行第二次训练得到第二初步模型，将该一份输入数据输入到第二初步模型运算得到第二运算结果，若第二运算结果大于第一运算结果，继续将企业基础训练数据输入到第二初步模型执行训练得到第三初步模型，将一份输入数据输入到第三初步模型运算得到第三运算结果，若第三运算结果大于第二运算结果，继续执行训练直至运算出的运算结果小于上一次结果后，确定上一次的初步模型为第一网络模型，若第三运算结果小于第二运算结果，确定第三初步模型为第一网络模型。

6.根据权利要求1所述的方法，其特征在于，将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型具体包括：

将采集的训练数据中每组训练数据中的一组输入数据输入到深度学习网络模型执行一次训练运算，上述训练运算包括：将输入数据执行一次正向运算和一次反向运算，遍历训练数据中所有组训练数据后得到第一模型，从所有组训练数据中提取第i组输入数据，将第i组输入数据输入到第一模型计算得到第一计算结果，将采集的训练数据中每组训练数据再次输入到第一模型执行第二次训练得到第二模型，将该第i组输入数据输入到第二模型计算得到第二计算结果，若第二计算结果大于第一计算结果，继续将采集的训练数据中每组训练数据输入到第二模型执行训练得到第三模型，将第i组输入数据输入到第三模型计算得到第三计算结果，若第三计算结果大于第二计算结果，继续执行训练直至计算出的计算结果小于上一次计算结果后，确定上一次的模型为智能风险评估模型。

7.一种基于深度学习的贷后风险评估装置，其特征在于，所述装置包括：

采集单元，用于采集多个训练样本信息，该样本信息包括：企业关联数据；

训练单元，用于将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型；

调用单元，用于调用税务采集系统采集待评估对象的税务数据；

处理单元，用于将税务数据执行归一化数据得到输入数据，所述待评估对象为已经贷款的企业；将该输入数据输入到智能风险评估模型执行计算得到计算结果，依据该计算结果确定待评估对象的风险等级，执行该风险等级对应的风险预警。

8.根据权利要求7所述的装置，其特征在于，

所述训练单元，具体用于将企业基础训练数据输入到深度学习网络模型执行多次迭代训练得到第一网络模型，将该企业基础训练数据中的随机抽选x1个样本，将该x1个样本输入到第一网络模型得到第一组结果，第一组结果包括x1个样本的x1个结果，计算x1个结果的平均值得到第一平均值；

将企业信用等级训练数据输入到第一网络模型执行多次迭代训练得到第二网络模型，将该x1个样本输入到第二网络模型计算得到第二组结果，计算第二组结果的平均值得到第二平均值，计算第二平均值与第一平均值的差得到第一差值，若第一差值小于阈值，继续后续操作，若第一差值大于阈值，继续迭代训练第二网络模型直至第一差值小于阈值；

遍历所有训练样本得到智能风险评估模型。

9.一种电子设备，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-6任意一项所述的方法的步骤的指令。

10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当其在用户设备上运行时，执行如权利要求1-6任意一项所述的方法。

Images