CN116629639B - 评估信息确定方法、装置、介质与电子设备 - Google Patents

Abstract

本公开提供了一种评估信息确定方法、装置、介质与电子设备，涉及计算机技术领域。所述评估信息确定方法包括：确定待评估的目标对象；获取与目标对象关联的征信数据和业务数据，将征信数据和业务数据输入预训练的评估参数确定模型，得到目标对象的评估参数，其中，信用评估模型是基于自动机器学习框架确定的，评估参数用于表征目标对象的可信度。本公开提高了确定的目标对象的信用评估结果的精准度。

Description

评估信息确定方法、装置、介质与电子设备

技术领域

本公开涉及计算机技术领域，尤其涉及一种评估信息确定方法、评估信息确定装置、计算机可读存储介质和电子设备。

背景技术

在各种服务领域，风控机制是服务方的重点建构项目，通过对目标对象进行可信度评估，以供服务方参考可信度评估结果开展服务业务；例如，运输服务方可以对其服务的用户或者商铺进行可信度评估。

通常情况下，对于需要进行可信度评估的目标对象，可以通过金融专家、计量经济学方法或者信用卡评分方法等手段，确定目标对象的评估参数，以获取目标对象的可信度信息。

然而，目前提供的针对目标对象的评估信息确定方法，一般都会存在人工成本高昂，或者，确定的评估参数精准度差的问题。

发明内容

本公开提供了一种评估信息确定方法、装置、介质与电子设备，进而可以提高确定的目标对象的评估参数的精准度。

根据本公开的第一方面，提供一种评估信息确定方法，包括：

确定待评估的目标对象；

获取与所述目标对象关联的征信数据和业务数据，所述业务数据为对象在业务场景中生成的数据；

将所述征信数据和所述业务数据输入预训练的评估参数确定模型，得到所述目标对象的评估参数，所述评估参数确定模型是基于自动机器学习框架确定的，所述评估参数用于表征所述目标对象的可信度。

可选的，所述业务数据为物流业务数据，所述业务数据包括物流结算数据和物流库存数据：

所述将所述征信数据和所述业务数据输入预训练的评估参数确定模型，得到所述目标对象的评估参数，包括：

将所述征信数据、所述物流结算数据和所述物流库存数据输入预训练的评估参数确定模型，得到所述目标对象的评估参数。

可选的，所述评估参数确定模型通过以下步骤训练得到，包括：

获取样本对象的样本征信数据和样本物流业务数据，所述样本物流业务数据包括样本物流结算数据和样本物流库存数据；

根据所述样本对象的历史物流结算信息，确定与所述样本对象对应的评估参数标签；

基于所述样本征信数据、所述样本物流结算数据、所述物流库存数据和所述评估参数标签，训练预设自动机器学习模型得到所述评估参数确定模型。

可选的，所述基于所述样本征信数据、所述样本物流结算数据、所述物流库存数据和所述评估参数标签，训练预设自动机器学习模型得到所述评估参数确定模型，包括：

对样本特征数据进行预处理，得到预处理后的样本特征数据，所述样本特征数据包括所述样本征信数据、所述样本物流结算数据和所述样本物流库存数据；

利用所述样本特征数据对模型库中的候选基础模型进行训练，得到预测评估参数；

根据所述预测评估参数和所述评估参数标签，调整所述候选基础模型的模型参数；

选择满足预设构建条件的所述候选基础模型，得到所述评估参数确定模型。

可选的，所述根据所述样本对象的历史物流结算信息，确定与所述样本对象对应的评估参数标签，包括：

若所述历史物流结算信息中存在逾期支付订单，且所述逾期支付订单的逾期时长大于预设时长，则确定与所述样本对象对应的评估参数标签为第一评估参数。

可选的，所述根据所述样本对象的历史物流结算信息，确定与所述样本对象对应的评估参数标签，包括：

若所述历史物流结算信息中存在预设类型的逾期支付订单，且所述预设类型的逾期支付订单的数量超过预设阈值，则确定与所述样本对象对应的评估参数标签为第二评估参数。

可选的，在将所述征信数据和所述业务数据输入预训练的评估参数确定模型，得到所述目标对象的评估参数之后，所述方法还包括：

在预先构建的评估参数和评估等级的对应关系中，确定与所述目标对象的评估参数对应的目标评估等级；

将所述目标评估等级确定为所述目标对象的评估等级。

根据本公开的第二方面，提供一种评估信息确定装置，包括：

确定模块，被配置为确定待评估的目标对象；

获取模块，被配置为获取与所述目标对象关联的征信数据和业务数据，所述业务数据为对象在业务场景中生成的数据；

评估模块，被配置为将所述征信数据和所述业务数据输入预训练的评估参数确定模型，得到所述目标对象的评估参数，所述评估参数确定模型是基于自动机器学习框架确定的，所述评估参数用于表征所述目标对象的可信度。

可选的，所述业务数据为物流业务数据，所述业务数据包括物流结算数据和物流库存数据：

所述评估模块，被配置为：

将所述征信数据、所述物流结算数据和所述物流库存数据输入预训练的评估参数确定模型，得到所述目标对象的评估参数。

可选的，所述评估信息确定装置还包括：模型训练模块，被配置为：

获取样本对象的样本征信数据和样本物流业务数据，所述样本物流业务数据包括样本物流结算数据和样本物流库存数据；

根据所述样本对象的历史物流结算信息，确定与所述样本对象对应的评估参数标签；

基于所述样本征信数据、所述样本物流结算数据、所述物流库存数据和所述评估参数标签，训练预设自动机器学习模型得到所述评估参数确定模型。

可选的，模型训练模块，被配置为：

对样本特征数据进行预处理，得到预处理后的样本特征数据，所述样本特征数据包括所述样本征信数据、所述样本物流结算数据和所述样本物流库存数据；

利用所述样本特征数据对模型库中的候选基础模型进行训练，得到预测评估参数；

根据所述预测评估参数和所述评估参数标签，调整所述候选基础模型的模型参数；

选择满足预设构建条件的所述候选基础模型，得到所述评估参数确定模型。

可选的，所述模型训练模块，被配置为：

若所述历史物流结算信息中存在逾期支付订单，且所述逾期支付订单的逾期时长大于预设时长，则确定与所述样本对象对应的评估参数标签为第一评估参数。

可选的，所述模型训练模块，被配置为：

若所述历史物流结算信息中存在预设类型的逾期支付订单，且所述预设类型的逾期支付订单的数量超过预设阈值，则确定与所述样本对象对应的评估参数标签为第二评估参数。

可选的，评估信息确定装置还包括：评估等级确定模块，被配置为：

在预先构建的评估参数和评估等级的对应关系中，确定与所述目标对象的评估参数对应的目标评估等级；

将所述目标评估等级确定为所述目标对象的评估等级。

根据本公开的第三方面，提供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第一方面的方法。

根据本公开的第四方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储处理器的可执行指令；

其中，处理器配置为经由执行可执行指令来执行第一方面的方法。

本公开的技术方案具有以下有益效果：

提供了一种评估信息确定方法、装置、介质与电子设备，可以根据目标对象的征信数据和业务数据，对目标对象在目标业务场景下的信用状况进行评估，其中，用于确定评估参数的评估参数确定模型是基于自动机器学习框架确定的，可以实现根据与确定评估参数相关的多维度特征确定目标对象的评估参数，提升确定的评估参数的精准度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施方式，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施方式，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示出本示例性实施方式中一种评估参数系统的示意性架构图。

图2示出本示例性实施方式中一种评估信息确定方法的流程图。

图3示出本示例性实施方式中一种评估参数确定模型训练方法的流程示意图。

图4示出本示例性实施方式中一种评估信息确定装置的示意图。

图5示出本示例性实施方式中一种电子设备的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例性实施方式。然而，示例性实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例性实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

相关技术中，出现了确定目标对象的评估参数的方案。其中，一种评估参数确定方案为专家评估法，行业专家或者金融专家，可以基于目标对象的财务报表、社会信誉以及主营业务状况等，对目标对象目前的经营状况进行风险评估，最终确定目标对象的评估参数；另一种评估参数确定方案为计量经济学方法，可以通过建立的线性回归模型对目标对象的上市信息以及经营数据进行分析，以得到目标对象的评估参数；再一种评估参数确定方案为信用卡评分方法，可以对采集的目标对象的相关特征数据进行筛选，以得到在评估参数确定过程中较为重要的特征数据，并将筛选出来的特征数据输入线性回归模型中进行分析，以得到目标对象的评估参数；其中，对象可以为商家，例如，商铺、超市或者购物中心等。

但是，在相关技术中提供的评估参数确定方案中，专家评估法确定目标对象的评估参数的过程主要为人工评估，人力成本高昂，且对目标对象的评估参数容易受到评估专家的主观态度的影响，容易出现偏差；计量经济学方法和信用卡评分方法可以在一定程度上减少人工消耗，但是这两种方法用到的评估参数确定模型通常为线性回归模型，在获取目标对象的评估参数过程中，重点关注的是与评估参数直接相关的特征，会忽略其他特征，导致获取的评估参数不精准。

鉴于上述问题，本公开的示例性实施方式提供一种评估信息确定方法，针对于需要对目标对象进行可信度的业务。该评估信息确定方法的应用场景包括但不限于：针对物流运输服务方，可以确定待评估的目标对象；获取与所述目标对象关联的征信数据和业务数据；将所述征信数据和所述业务数据输入预训练的评估参数确定模型，得到所述目标对象的评估参数，其中，业务数据为对象在业务场景中生成的数据，评估参数确定模型是基于自动机器学习框架确定的，评估参数用于表征目标对象的可信度。

为了实现上述评估信息确定方法，本公开的示例性实施方式提供一种评估参数系统。图1示出了该评估参数系统的示意性架构图。如图1所示，评估参数系统100可以包括服务器110与终端设备120。其中，服务器110是评估参数确定服务提供方部署的后台服务器。终端设备120是评估参数确定服务需求方（如银行、或者供应商等）的所使用的终端设备，其中，终端设备可以为智能手机、个人电脑或者平板电脑等。服务器110与终端设备120可以通过网络建立连接，实现业务交互，如终端设备120通过网络与服务器110建立视频连接，以确定评估参数。

应当理解，服务器110可以是一台服务器，也可以是多台服务器形成的集群，本公开对于服务器110的具体架构不做限定。

下面从服务器的角度，对评估信息确定方法进行说明。图2示出了由服务器执行的评估信息确定方法的示例性流程，可以包括：

步骤S201，确定待评估的目标对象；

步骤S202，获取与目标对象关联的征信数据和业务数据；

其中，业务数据为对象在业务场景中生成的数据；

步骤S203，将征信数据和业务数据输入预训练的评估参数确定模型，得到目标对象的评估参数；

其中，评估参数确定模型是基于自动机器学习框架确定的，评估参数用于表征目标对象的可信度。

综上所述，本公开实施例提供的评估信息确定方法，可以根据目标对象的征信数据和业务数据，对目标对象在目标业务场景下的信用状况进行评估，其中，用于确定评估参数的评估参数确定模型是基于自动机器学习框架确定的，可以实现根据与确定评估参数相关的多维度特征确定目标对象的评估参数，提升确定的评估参数的精准度。

下面分别对图2中的每个步骤进行具体说明。

在步骤S201中，服务器可以确定待评估的目标对象。

在本公开实施例中，目标对象为需要对信用状况进行评估的对象，目标对象可以为目标商铺、目标超市或者目标购物中心等，本公开实施例对此不作限定。

在一种可选的实施方式中，服务器可以为评估参数需求方提供评估参数确定服务，其中，评估参数需求方的终端设备，可以响应于用户的在预设页面的目标对象标识输入操作，生成评估参数获取请求，并将评估参数获取请求发送至服务器，则服务器确定待评估的目标对象的过程可以包括：服务器接收终端设备发送的评估参数获取请求，解析评估参数获取请求得到目标对象标识，并将与目标对象标识对应的对象确定为待评估的目标对象。其中，预设页面可以是为了满足评估参数确定需求专门开发的页面，预设页面的具体结构可以基于实际需要确定，本公开实施例对此不作限定。

在一种可选的实施方式中，服务器可以为服务器部署方提供评估参数确定服务，其中，服务器确定待评估的目标对象的过程可以包括：响应于获取到评估参数确定指令，解析评估参数确定指令得到目标对象标识，并将与目标对象标识对应的对象确定为待评估的目标对象。

在步骤S202中，服务器可以获取与目标对象关联的征信数据和业务数据。

在本公开实施例中，征信是依法采集、整理、保存、加工自然人、法人及其他组织的信用信息，并对外提供信用报告、信用评估、信用信息咨询等服务，帮助客户判断、控制信用风险，进行信用管理的活动。而征信数据是指通过征信采集的相关数据；与目标对象关联的业务数据为，目标对象在目标业务场景中生成的数据，目标业务场景可以基于实际需要确定，本公开实施例对此不作限定，例如，目标业务场景可以为物流业务场景、促销场景或者直播带货场景等。

在一种可选的实施方式中，所有对象的征信数据可以存储至征信数据库，所有对象的业务数据可以存储至业务数据库中，则服务器获取与目标对象关联的征信数据和业务数据的过程可以包括：根据目标对象标识在征信数据库中获取与目标对象标识对应的征信数据，得到与目标对象关联的征信数据，以及，根据目标对象标识以及目标业务场景标识，在业务数据库中获取与目标对象标识对应的业务数据，得到与目标对象关联的业务数据。

需要说明的是，为了实现对目标对象在目标业务场景下的信用状态进行评估，服务器接收到的评估参数获取请求，或者，服务器获取到的评估参数确定指令中可以包括目标业务场景标识，服务器解析评估参数获取请求或者评估参数确定指令后，还可以包括目标业务场景标识，以便于服务器获取与目标对象关联的业务数据。

在步骤S203中，服务器可以将征信数据和业务数据输入预训练的评估参数确定模型，得到目标对象的评估参数。

在本公开实施例中，评估参数确定模型是基于自动机器学习框架确定的，评估参数用于表征目标对象的可信度，通常情况下，评估参数越大，可信度越高；由于自动机器学习的全自动化模型训练特性，可以对用于进行模型训练的特征数据进行更精准的表征，并根据特征数据选择评估结果精准度更高的基础模型为评估参数确定模型，以得到与各个业务场景更匹配评估参数确定模型，可以提升最终确定的评估参数的精准度。

在一种可选的实施方式中，目标业务场景为物流业务场景，业务数据为物流业务数据，业务数据包括物流结算数据和物流库存数据：则服务器将征信数据和业务数据输入预训练的评估参数确定模型，得到目标对象的评估参数的过可以包括：将征信数据、物流结算数据和物流库存数据输入预训练的评估参数确定模型，得到目标对象的评估参数。可以利用基于自动机器学习框架训练的评估参数确定模型，对物流业务场景中目标对象的信用状态进行评估，以得到物流业务场景下对目标对象更精准的评估参数。

其中，物流结算数据为目标对象在历史时段内接受物流服务过程中的结算数据，物流结算数据可以包括，每笔账目的结算时间，应收款项，款项的应收时间，以及款项的实收时间等；物流库存数据为目标对象在某一历史时间的库存信息，以及出库数量或者入口数量等。其中，历史时段、历史时刻以及历史时间可以基于实际需要确定，本公开实施例对此不作限定。

在一种可选的实施方式中，若目标场景为物流业务场景，则评估参数确定模型通过以下步骤训练得到，如图3所示，评估参数确定模型训练方法包括：

步骤S301，获取样本对象的样本征信数据和样本物流业务数据；

在本公开实施例中，样本对象可以为物流业务场景下的任一对象，样本征信数据为与样本对象关联的征信数据，样本物流业务数据包括样本物流结算数据和样本物流库存数据。

其中，服务器获取样本对象的样本征信数据和样本物流业务数据的过程。与服务器获取与目标对象关联的征信数据和业务数据类似，本公开实施例对此不作赘述。

步骤S302，根据样本对象的历史物流结算信息，确定与样本对象对应的评估参数标签。

在本公开实施例中，历史物流结算信息为对象在接受物流服务过程中的历史结算数据，可以理解的是，历史结算数据为训练评估参数确定模型的时间之前的历史结算数据；评估参数标签为样本对象的评估参数。

在一种可选的实施方式中，服务器根据样本对象的历史物流结算信息，确定与样本对象对应的评估参数标签的过程可以包括：若历史物流结算信息中存在逾期支付订单，且逾期支付订单的逾期时长大于预设时长，则确定与样本对象对应的评估参数标签为第一评估参数。可以根据样本对象的订单支付时间，确定与样本对象对应的评估参数标签，满足评估参数过程中对订单支付时效更关注的业务场景的评估参数需求。

在一种可选的实施方式中，服务器根据样本对象的历史物流结算信息，确定与样本对象对应的评估参数标签的过程可以包括：若历史物流结算信息中存在预设类型的逾期支付订单，且预设类型的逾期支付订单的数量超过预设阈值，则确定与样本对象对应的评估参数标签为第二评估参数。可以根据样本对象的逾期支付订单数量，确定与样本对象对应的评估参数标签，满足评估参数过程中对逾期支付订单量更关注的业务场景的评估参数需求。

步骤S303，基于样本征信数据、样本物流结算数据、物流库存数据和评估参数标签，训练预设自动机器学习模型得到评估参数确定模型。

在本公开实施例中，可以根据样本对象的样本征信数据以及样本物流业务数据，以及基于自动机器学习框架，针对性的训练确定物流业务场景中对象的评估参数的评估参数确定模型，以提升确定的物流业务场景中目标对象的评估参数的精准度。

在一种可选的实施方式中，服务器基于样本征信数据、样本物流结算数据、物流库存数据和评估参数标签，训练预设自动机器学习模型得到评估参数确定模型的过程可以包括：对样本特征数据进行预处理，得到预处理后的样本特征数据，其中，样本特征数据包括样本征信数据、样本物流结算数据和样本物流库存数据；接着，利用样本特征数据对模型库中的候选基础模型进行训练，得到预测评估参数；根据预测评估参数和评估参数标签，调整候选基础模型的模型参数；选择满足预设构建条件的候选基础模型，得到评估参数确定模型。其中，预设构建条件可以基于实际需要确定，本公开实施例对此不作限定，例如，候选模型对样本对象的预测评估参数的准确率大于等于99%。可以基于自动机器学习框架训练评估参数确定模型，一方面，自动机器学习框架可以对样本特征数据进行自动化的预处理，省去了人工构建特征数据的流程，节省了人工成本；另一方面，可以在多个候选基础模型中，选择确定的评估参数更精准的基础模型作为评估参数确定模型，以提升获取的评估参数确定模型的可靠性。

其中，服务器对样本特征数据进行预处理，得到预处理后的样本特征数据的过程可以包括：识别样本特征数据的数类型（分类数据或者统计数据）、对样本特征数据中的缺失数据的填充，以及对样本特征数据的标准化处理等。

在一种可选的实施方式中，服务器基于样本征信数据、样本物流结算数据、物流库存数据和评估参数标签，训练预设自动机器学习模型得到评估参数确定模型的过程，可以基于其他自动机器学习框架的训练过程实现，本公开实施例对此不作限定。

在一种可选的实施方式中，服务器将征信数据和业务数据输入预训练的评估参数确定模型，得到目标对象的评估参数的过程可以包括：将征信数据和业务数据输入预训练的评估参数确定模型，得到目标评估参数，将目标评估参数确定为目标对象的评估参数。

在一种可选的实施方式中，在服务器将征信数据和业务数据输入预训练的评估参数确定模型，得到目标对象的评估参数之后，还在预先构建的评估参数和评估等级的对应关系中，确定与目标对象的评估参数对应的目标评估等级；将目标评估等级确定为目标对象的评估等级。其中，评估等级用于表征可信度等级，评估等级可以包括不可信或者可信等。可以将评估参数转换为评估等级，为用户提供更为直观的目标对象的可信度评估结果。

可以理解的是，在本公开实施例中，若目标对象的评估参数是接收到终端设备发送的评估参数获取请求确定的，则在获取到目标对象的评估参数后，可以将目标对象的评估参数发送至用户终端，以便于评估参数确定服务需求方及时获取评估参数。

图4示出了本公开实施例提供的一种评估信息确定装置的示意图，如图4所示，评估信息确定装置400包括：

确定模块401，被配置为确定待评估的目标对象；

获取模块402，被配置为获取与目标对象关联的征信数据和业务数据，业务数据为对象在业务场景中生成的数据；

评估模块403，被配置为将征信数据和业务数据输入预训练的评估参数确定模型，得到目标对象的评估参数，评估参数确定模型是基于自动机器学习框架确定的，评估参数用于表征目标对象的可信度。

可选的，业务数据为物流业务数据，业务数据包括物流结算数据和物流库存数据：

评估模块403，被配置为：

将征信数据、物流结算数据和物流库存数据输入预训练的评估参数确定模型，得到目标对象的评估参数。

可选的，如图4所示，评估信息确定装置400还包括：模型训练模块404，被配置为：

获取样本对象的样本征信数据和样本物流业务数据，样本物流业务数据包括样本物流结算数据和样本物流库存数据；

根据样本对象的历史物流结算信息，确定与样本对象对应的评估参数标签；

基于样本征信数据、样本物流结算数据、物流库存数据和评估参数标签，训练预设自动机器学习模型得到评估参数确定模型。

可选的，模型训练模块404，被配置为：

对样本特征数据进行预处理，得到预处理后的样本特征数据，样本特征数据包括样本征信数据、样本物流结算数据和样本物流库存数据；

利用样本特征数据对模型库中的候选基础模型进行训练，得到预测评估参数；

根据预测评估参数和评估参数标签，调整候选基础模型的模型参数；

选择满足预设构建条件的候选基础模型，得到评估参数确定模型。

可选的，模型训练模块404，被配置为：

若历史物流结算信息中存在逾期支付订单，且逾期支付订单的逾期时长大于预设时长，则确定与样本对象对应的评估参数标签为第一评估参数。

可选的，模型训练模块404，被配置为：

若历史物流结算信息中存在预设类型的逾期支付订单，且预设类型的逾期支付订单的数量超过预设阈值，则确定与样本对象对应的评估参数标签为第二评估参数。

可选的，如图4所示，评估信息确定装置400还包括：评估等级确定模块405，被配置为：

在预先构建的评估参数和评估等级的对应关系中，确定与目标对象的评估参数对应的目标评估等级；

将目标评估等级确定为目标对象的评估等级。

本公开的示例性实施方式还提供了一种计算机可读存储介质，可以实现为一种程序产品的形式，其包括程序代码，当程序产品在电子设备上运行时，程序代码用于使电子设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。在一种实施方式中，该程序产品可以实现为便携式紧凑盘只读存储器（CD-ROM）并包括程序代码，并可以在电子设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，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。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

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操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“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、作为一个独立的软件包执行、部分在用户计算设备上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）。

本公开的示例性实施方式还提供了一种电子设备，可以是服务器。下面参考图5对该电子设备进行说明。应当理解，图5显示的电子设备500仅仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。

如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件（包括存储单元520和处理单元510）的总线530。

其中，存储单元存储有程序代码，程序代码可以被处理单元510执行，使得处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元510可以执行如图2所示的方法步骤等。

存储单元520可以包括易失性存储单元，例如随机存取存储单元（RAM）521和/或高速缓存存储单元522，还可以进一步包括只读存储单元（ROM）523。

存储单元520还可以包括具有一组（至少一个）程序模块525的程序/实用工具524，这样的程序模块525包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以包括数据总线、地址总线和控制总线。

电子设备500也可以与一个或多个外部设备600（例如键盘、指向设备、蓝牙设备等）通信，这种通信可以通过输入/输出（I/O）接口540进行。电子设备500还可以通过网络适配器550与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器550通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式（包括固件、微代码等），或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施方式。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限定。

Claims (8)

1.一种评估信息确定方法，其特征在于，包括：

确定待评估的目标对象；

获取与所述目标对象关联的征信数据和业务数据，所述业务数据为对象在业务场景中生成的数据；其中，所述业务数据为物流业务数据，所述业务数据包括物流结算数据和物流库存数据；

将所述征信数据和所述业务数据输入预训练的评估参数确定模型，得到所述目标对象的评估参数；所述评估参数用于表征所述目标对象的可信度；所述评估参数确定模型是基于样本征信数据、样本物流结算数据、物流库存数据和评估参数标签，训练预设自动机器学习模型得到的，包括：

获取样本对象的样本征信数据和样本物流业务数据，所述样本物流业务数据包括样本物流结算数据和样本物流库存数据；

根据所述样本对象的历史物流结算信息，确定与所述样本对象对应的评估参数标签；

对样本特征数据进行预处理，得到预处理后的样本特征数据，所述样本特征数据包括所述样本征信数据、所述样本物流结算数据和所述样本物流库存数据；

利用所述样本特征数据对模型库中的候选基础模型进行训练，得到预测评估参数；

根据所述预测评估参数和所述评估参数标签，调整所述候选基础模型的模型参数；

选择满足预设构建条件的所述候选基础模型，得到所述评估参数确定模型。

2.根据权利要求1所述的方法，其特征在于，所述将所述征信数据和所述业务数据输入预训练的评估参数确定模型，得到所述目标对象的评估参数，包括：

将所述征信数据、所述物流结算数据和所述物流库存数据输入预训练的评估参数确定模型，得到所述目标对象的评估参数。

3.根据权利要求1所述的方法，其特征在于，所述根据所述样本对象的历史物流结算信息，确定与所述样本对象对应的评估参数标签，包括：

若所述历史物流结算信息中存在逾期支付订单，且所述逾期支付订单的逾期时长大于预设时长，则确定与所述样本对象对应的评估参数标签为第一评估参数。

4.根据权利要求1所述的方法，其特征在于，所述根据所述样本对象的历史物流结算信息，确定与所述样本对象对应的评估参数标签，包括：

若所述历史物流结算信息中存在预设类型的逾期支付订单，且所述预设类型的逾期支付订单的数量超过预设阈值，则确定与所述样本对象对应的评估参数标签为第二评估参数。

5.根据权利要求1至4任一所述的方法，其特征在于，在将所述征信数据和所述业务数据输入预训练的评估参数确定模型，得到所述目标对象的评估参数之后，所述方法还包括：

在预先构建的评估参数和评估等级的对应关系中，确定与所述目标对象的评估参数对应的目标评估等级；

将所述目标评估等级确定为所述目标对象的评估等级。

6.一种评估信息确定装置，其特征在于，包括：

确定模块，被配置为确定待评估的目标对象；

获取模块，被配置为获取与所述目标对象关联的征信数据和业务数据，所述业务数据为对象在业务场景中生成的数据；其中，所述业务数据为物流业务数据，所述业务数据包括物流结算数据和物流库存数据；

评估模块，被配置为将所述征信数据和所述业务数据输入预训练的评估参数确定模型，得到所述目标对象的评估参数；所述评估参数用于表征所述目标对象的可信度；所述评估参数确定模型是基于样本征信数据、样本物流结算数据、物流库存数据和评估参数标签，训练预设自动机器学习模型得到的，包括：

获取样本对象的样本征信数据和样本物流业务数据，所述样本物流业务数据包括样本物流结算数据和样本物流库存数据；

根据所述样本对象的历史物流结算信息，确定与所述样本对象对应的评估参数标签；

对样本特征数据进行预处理，得到预处理后的样本特征数据，所述样本特征数据包括所述样本征信数据、所述样本物流结算数据和所述样本物流库存数据；

利用所述样本特征数据对模型库中的候选基础模型进行训练，得到预测评估参数；

根据所述预测评估参数和所述评估参数标签，调整所述候选基础模型的模型参数；

选择满足预设构建条件的所述候选基础模型，得到所述评估参数确定模型。

7.一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5任一项所述的方法。

8. 一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至5任一项所述的方法。