CN117035416A - 企业风险评估方法、企业风险评估装置、设备及存储介质 - Google Patents
企业风险评估方法、企业风险评估装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117035416A CN117035416A CN202311010149.3A CN202311010149A CN117035416A CN 117035416 A CN117035416 A CN 117035416A CN 202311010149 A CN202311010149 A CN 202311010149A CN 117035416 A CN117035416 A CN 117035416A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- target
- feature vector
- risk assessment
- information
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 188
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 43
- 238000004140 cleaning Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例提供一种企业风险评估方法、装置、设备及存储介质。方法包括：获取目标企业对应的企业基本信息以及企业保险信息，其中，企业保险信息包括企业保单信息以及企业理赔信息；对目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行特征提取操作，得到对应的第一目标特征向量、第二目标特征向量以及第三目标特征向量；通过目标风险评估模型对第一目标特征向量、第二目标特征向量以及第三目标特征向量进行分析，得到目标企业的风险评估值。本申请实施例旨在通过目标风险评估模型对企业进行分析，进而得到对应的风险评估值，以帮助保险公司识别高风险的待投保的企业，进而减少赔付损失。
Description
技术领域
本申请涉及金融科技技术领域，尤其涉及一种企业风险评估方法、企业风险评估装置、计算机设备及计算机可读存储介质。
背景技术
企业风险评估是保险公司为待投保的企业提供风险管理服务的主要内容，因此，企业风险评估的准确程度直接影响承保质量。
然而，现有的传统风险评估方式，包括靠基础统计、经验判定、甚至大数计算的企业风险评估方式，准确性较低，即不能满足保险行业对企业的复杂的评估需求，也不能完全满足企业自身的风险评估需求。针对上述风险评估方式准确度较低以及效率较低的问题，目前尚未提出有效的解决方案。
发明内容
本申请提供了一种企业风险评估方法、企业风险评估装置、计算机设备及计算机可读存储介质，旨在通过目标风险评估模型对企业进行分析，进而得到对应的风险评估值，以帮助保险公司识别高风险的待投保的企业，进而减少赔付损失。
为实现上述目的，本申请提供一种企业风险评估方法，所述方法包括：
获取目标企业对应的企业基本信息以及企业保险信息，其中，所述企业保险信息包括企业保单信息以及企业理赔信息；
基于所述目标企业对应的企业基本信息确定所述目标企业的目标行业类别，并从预先构建的映射关系中确定所述目标行业类别对应的目标风险评估模型；
对所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行特征提取操作，得到对应的第一目标特征向量、第二目标特征向量以及第三目标特征向量；
通过所述目标风险评估模型对所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量进行分析，得到所述目标企业的风险评估值。
为实现上述目的，本申请还提供一种企业风险评估装置，包括：
获取模块，所述获取模块用于获取目标企业对应的企业基本信息以及企业保险信息，其中，所述企业保险信息包括企业保单信息以及企业理赔信息；
确定模块，所述查找模块用于基于所述目标企业对应的企业基本信息确定所述目标企业的目标行业类别，并从预先构建的映射关系中确定所述目标行业类别对应的目标风险评估模型；
特征提取模块，所述特征提取模块用于对所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行特征提取操作，得到对应的第一目标特征向量、第二目标特征向量以及第三目标特征向量；
风险评估模块，所述风险评估模块用于通过所述目标风险评估模型对所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量进行分析，得到所述目标企业的风险评估值。
此外，为实现上述目的，本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述的计算机程序并在执行所述的计算机程序时实现本申请实施例提供的任一项所述的企业风险评估方法的步骤。
此外，为实现上述目的，本申请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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现本申请实施例提供的任一项所述的企业风险评估方法的步骤。
本申请实施例公开的企业风险评估方法、企业风险评估装置、计算机设备及计算机可读存储介质，能够获取目标企业对应的企业基本信息以及企业保险信息，并根据目标企业对应的企业基本信息确定目标企业的目标行业类别，进而确定对应的目标风险评估模型。进一步的，可对目标企业对应的企业基本信息和企业保险信息进行特征提取操作，得到对应的第一特征向量、第二特征向量以及第三特征向量。如此，可通过目标风险评估模型对上述特征向量进行特征提取操作，得到目标企业对应的风险评估值。相较于现有技术靠人为基础统计、经验判定评估企业风险，本申请通过目标风险评估模型对企业进行分析，能够更加精准的基于企业的基本信息以及保险信息对企业风险进行评估，且提高了企业风险评估的效率，以及得到较为准确的企业风险评估值的结果。
附图说明
为了更清楚地说明本申请实施例技术方案，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，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的一种企业风险评估方法的场景示意图；
图2是本申请实施例提供的一种企业风险评估方法的流程示意图；
图3是本申请实施例提供的一种得到目标风险报告的流程示意图；
图4是本申请实施例提供的一种得到目标风险评估模型的流程示意图；
图5是本申请实施例提供的一种得到迭代后的目标风险评估模型的流程示意图；
图6是本申请实施例提供的一种企业风险评估装置的示意性框图；
图7是本申请实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。
在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
如图1所示，本申请实施例提供的企业风险评估方法，可以应用于如图1所示的应用环境中。该应用环境中包含有终端设备110和服务器120，其中，终端设备110可以通过网络与服务器120进行通信。具体地，服务器120能够获取目标企业对应的企业基本信息以及企业保险信息，其中，所述企业保险信息包括企业保单信息以及企业理赔信息；并基于所述目标企业对应的企业基本信息确定所述目标企业的目标行业类别，并从预先构建的映射关系中确定所述目标行业类别对应的目标风险评估模型；通过对所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行特征提取操作，得到对应的第一目标特征向量、第二目标特征向量以及第三目标特征向量；最后通过所述目标风险评估模型对所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量进行分析，得到所述目标企业的风险评估值，并将所述风险评估值发送至终端设备110。其中，服务器120可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
请参阅图2，图2是本申请实施例提供的一种企业风险评估方法的流程示意图。如图2所示，该企业风险评估方法包括步骤S11至步骤S14。
步骤S11：获取目标企业对应的企业基本信息以及企业保险信息，其中，企业保险信息包括企业保单信息以及企业理赔信息。
其中，目标企业为待进行风险评估的企业。
进一步的，企业基本信息包括企业统一信用ID、高管信息、法人信息、公司年限信息等；企业保单信息包括保单号、赔付率、保单起始时间、保单截止时间等；企业理赔信息包括出险时间、报案时间等，本申请对此不加以限定。
可以理解的，可获取上述目标企业对应的企业基本信息以及企业保险信息，进而基于上述信息对目标企业的风险进行预测，旨在得到较为精确的风险评估值。
步骤S12：基于目标企业对应的企业基本信息确定目标企业的目标行业类别，并从预先构建的映射关系中确定目标行业类别对应的目标风险评估模型。
其中，目标行业类别包括但不限于房地产、非银、银行业、服务业、制造业以及其它行业，本申请对此不加以限定。
在具体实现中，可获取目标企业的企业基本信息，进而根据企业基本信息中的企业类型、企业名称、商标等信息确定出所述目标企业所属的行业类别。
进一步的，还可以根据不同行业企业的企业基本信息先构建用于对不同行业的企业进行风险评估的风险评估模型，且在构建好各个行业对应的风险评估模型后，还可建立一个行业类别和行业类别对应的信用风险评估模型之间的映射关系或对应关系，以便于在确定出目标企业所属的行业类别后，根据映射关系实现对目标风险评估模型的快速确定并获取。在所述映射关系中，映射端源为行业类别，目标端源为信用风险评估模型。
在本申请实施例中，可确定出目标企业所属的行业类别后，在预先构建的映射关系中查找所述行业类别对应的风险评估模型，以用于对目标企业进行风险评估。
步骤S13：对目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行特征提取操作，得到对应的第一目标特征向量、第二目标特征向量以及第三目标特征向量。
其中，第一目标特征向量为企业基本信息对应的特征向量；第二目标特征向量为企业保单信息对应的特征向量；第三目标特征向量为企业理赔信息对应的特征向量。
需要说明的是，特征提取是指从图像或者文本中抽取出特征向量用以表示文本信息。本申请对于企业基本信息、企业保单信息以及企业理赔信息进行特征提取的方法不加以限定，例如可以通过词频-逆文档频率算法、word2vec模型、文本频次方法、独热编码算法、互信息等方法实现对上述信息进行特征提取操作等，本申请以通过词频-逆文档频率算法实现对上述信息进行特征提取为例进行说明。
词频-逆文档频率(Term Frequency-Inverse Document Frequency，TF-IDF)算法，是一种用于资讯检索与文本挖掘的常用加权算法，可以用来评估一个词对于一个文档集或语料库中某个文档的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。如果某个词比较少见，但是它在整个文档中多次出现，那么该词很可能就反映了整个文档的特征。因此，可基于词频-逆文档频率算法对企业基本信息、企业保单信息以及企业理赔信息进行特征提取操作，得到对应的第一特征向量和第二特征向量以及第三目标特征向量。
可选地，对目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行特征提取操作，还包括：对目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行数据清洗操作，得到数据清洗后的目标信息；对数据清洗后的目标信息进行特征提取操作，得到第一初始特征向量、第二初始特征向量以及第三初始特征向量；将第一初始特征向量、第二初始特征向量以及第三初始特征向量进行标准化和/或归一化处理，得到第一目标特征向量、第二目标特征向量以及第三目标特征向量。
其中，数据清洗操作为预处理和过滤，以去除噪音、纠正错误和统一格式等操作，以确保数据的一致性和可用性。例如可以包括停用词过滤、格式标准化、以及拼写纠正等，本申请对此不加以限定。
可以理解的，对目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行数据清洗操作后，便可得到数据清洗后的目标信息。如此，能够基于数据清洗后的目标信息提高后续特征提取的质量以及可理解性。
进一步的，可对数据清洗后的目标信息进行特征提取操作，得到对应的第一初始特征向量、第二初始特征向量以及第三初始特征向量，并将上述初始特征向量进行标准化和/或归一化处理，得到第一目标特征向量、第二目标特征向量以及第三目标特征向量。
其中，第一初始特征向量为数据清洗后的企业基本信息对应的特征向量；第二初始特征向量为数据清洗后的企业保单信息对应的特征向量；第三初始特征向量为数据清洗后的企业理赔信息对应的特征向量。
需要说明的是，数据的标准化处理和归一化处理能够将不同范围或不同单位的数据转化为统一的标准形式，以便更好地应用于机器学习和统计分析等任务。因此，可对初始特征向量进行标准化和/或归一化处理，以使得将其输入至目标风险评估模型后得到的结果更具有解释性。
在本申请实施例中，可对目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行数据清洗操作，并分别通过词频-逆文档频率模型、word2vec模型等方式对数据清洗后的问题进行特征提取操作，进而将特征提取后得到的初始向量进行标准化和/或归一化处理，从而得到第一目标特征向量、第二目标特征向量以及第三目标特征向量。
步骤S14：通过目标风险评估模型对第一目标特征向量、第二目标特征向量以及第三目标特征向量进行分析，得到目标企业的风险评估值。
具体的，在得到第一目标特征向量、第二目标特征向量以及第三目标特征向量后，可将其作为模型的输入，输入至目标风险评估模型，从而输出得到目标企业的风险评估值。
可选地，通过目标风险评估模型对第一目标特征向量、第二目标特征向量以及第三目标特征向量进行分析，得到目标企业的风险评估值，包括：分别对第一目标特征向量、第二目标特征向量以及第三目标特征向量进行正则化处理，得到对应的第四目标特征向量、第五特征向量以及第六特征向量；通过目标风险评估模型对第四目标特征向量、第五目标特征向量以及第六目标特征向量进行分析，得到目标企业的风险评估值。
需要说明的是，正则化处理是一种用于控制模型复杂度和防止过拟合的技术，通过对第一目标特征向量、第二目标特征向量以及第三目标特征向量进行正则化处理，能够提高模型输出的精度，提高模型输出结果的可解释性以及泛化能力。
在本申请实施例中，可将第一目标特征向量、第二目标特征向量以及第三目标特征向量输入至目标风险评估模型，进而输出得到目标企业对应的风险评估值。此外，为了提高目标风险评估模型输出的精度，还可以对目标特征向量进行正则化处理，从而实现输出结果的可解释性以及泛化能力。
本申请实施例公开的企业风险评估方法、企业风险评估装置、计算机设备及计算机可读存储介质，能够获取目标企业对应的企业基本信息以及企业保险信息，并根据目标企业对应的企业基本信息确定目标企业的目标行业类别，进而确定对应的目标风险评估模型。进一步的，可对目标企业对应的企业基本信息和企业保险信息进行特征提取操作，得到对应的第一特征向量、第二特征向量以及第三特征向量。如此，可通过目标风险评估模型对上述特征向量进行特征提取操作，得到目标企业对应的风险评估值。相较于现有技术靠人为基础统计、经验判定评估企业风险，本申请通过目标风险评估模型对企业进行分析，能够更加精准的基于企业的基本信息以及保险信息对企业风险进行评估，且提高了企业风险评估的效率，以及得到较为准确的企业风险评估值的结果。
请参阅图3，图3是本申请实施例提供的一种得到目标风险报告的流程示意图。如图3所示，可通过步骤S15至步骤S16实现得到目标风险报告。
步骤S15：基于风险评估值，确定目标企业对应的目标风险等级。
步骤S16：根据目标风险等级以及目标企业对应的企业基本信息、企业保单信息以及企业理赔信息生成对应的目标风险报告。
具体的，可预先设置每一风险评估范围对应的风险等级，得到二者之间的对应关系。进一步的，可基于目标企业的风险评估值从上述对应关系中确定对应的目标风险等级。其中，目标风险等级可以为低风险、中风险以及高风险等，本申请对此不加以限定。
进一步的，在确定目标企业对应的目标风险等级后，可结合目标企业对应的企业基本信息、企业保单信息以及企业理赔信息，进一步分析相关的风险因素。例如，市场趋势、竞争格局、市场份额、债务水平、现金流状况等因素。从而能够根据分析结果，生成对应的目标风险报告。
其中，目标风险报告包括风险等级说明、关键风险因素和风险管理建议中的一种，本申请对此不加以限定。
可选地，在上述实施例的基础上，得到目标企业的风险评估值之后，还包括：判断风险评估值是否达到预设风险预警阈值；在风险评估值大于预设风险预警阈值时，触发风险预警机制，并发送警报。
具体的，可基于目标企业的特定需求、行业标准等预设设定风险预警阈值，进而将风险评估值与预设风险预警阈值进行比较，以判断风险评估值是否达到预设风险预警阈值。在风险评估值大于预设风险预警阈值时，则说明企业风险较大，因此可触发风险预警机制，发送警报或通知，以提醒目标企业的风险风险已经达到预警水平。
在本申请实施例中，可基于目标企业的风险评估值，确定对应的目标风险等级。进而根据目标风险等级以及目标企业对应的企业基本信息、企业保单信息以及企业理赔信息生成对应的目标风险报告。此外，还可以将目标企业的风险评估值与预设风险预警阈值进行比较，以在风险评估值大于预设风险预警阈值时实现及时的预警。
请继续参阅图4，图4是本申请实施例提供的一种得到目标风险评估模型的流程示意图。如图4所示，可通过步骤S21至步骤S23实现得到目标风险评估模型。
步骤S21：获取训练数据集以及初始风险评估模型。
步骤S22：对训练数据集进行序列标注操作，得到序列标注结果，其中，序列标注结果包括每一企业对应的风险评估值。
步骤S23：通过训练数据集以及序列标注结果对初始风险评估模型进行训练，得到目标风险评估模型。
其中，训练数据集包括若干企业以及每一企业对应的企业基本信息以及企业保险信息，初始风险评估模型包括逻辑回归模型。
具体的，可收集包含若干企业以及对应的企业基本信息以及企业保险信息的训练数据集，以用于进行训练。例如可以通过人工收集、网络爬虫或公开的数据集等方式获取训练数据集，本申请对此不加以限定。
进一步的，可基于每一企业对应的企业基本信息以及企业保险信息对对应的企业以及进行序列标注，得到包括每一企业对应的风险评估值的序列标注结果。进而将序列标注结果作为该组输入数据的标签，然后将每一组携带有标签的训练数据集输入到逻辑回归模型中进行监督学习，在满足训练结束条件时，如训练次数达到次数阈值或模型的输出精度达到精度阈值时结束训练，得到训练完成的目标风险评估模型。
在本申请实施例中，可将训练数据集以及序列标注结果输入到初始风险评估模型中进行监督学习，进而训练得到目标风险评估模型。由此，可实现基于目标风险评估模型，输出目标企业对应的风险评估值。
请继续参阅图5，图5是本申请实施例提供的一种得到迭代后的目标风险评估模型的流程示意图。如图5所示，可通过步骤S24至步骤S26实现得到迭代后的目标风险评估模型。
步骤S24：对目标风险评估模型进行迭代训练提取数据特征，并计算得到损失函数。
步骤S25：采用梯度下降算法对损失函数进行迭代训练，直至满足预期阈值规定。
步骤S26：基于迭代训练后的损失函数，得到迭代后的目标风险评估模型。
可以理解的，为了训练更高准确率的目标风险评估模型，可对目标风险评估模型进行反复迭代训练的方式使得损失函数不断降低，直至损失函数满足预期阈值规定，进而可基于迭代后的目标风险评估模型得到较为准确目标企业对应的风险评估值。
需要说明的是，本申请对上述预设方法以及预期阈值不做限定，例如该预设方法可以为梯度下降算法、批梯度下降算法、随机梯度下井算法等，本申请以梯度下降算法为例进行说明。
梯度下降算法的目的为通过迭代的方式找到损失函数的最小值，或者收敛到最小值。梯度下降算法从几何意义上讲，就是在函数变化增加最快的地方，沿着向量相反的方向，梯度减小最快，因此更容易找到函数最小值。基于此，在本申请实施例中，可采用梯度下降算法的方式对目标风险评估模型进行反复迭代训练使得损失函数不断降低，从而实现降低计算结果的误差。
在本申请实施例中，由于采用梯度下降算法对目标风险评估模型进行反复迭代训练的方式使得损失函数不断降低，以得到迭代后的目标风险评估模型，进而可基于迭代后的目标深度学习模型得到较为准确的目标企业对应的风险评估值。
请参阅图6，图6是本申请实施例提供的一种企业风险评估装置的示意性框图。该企业风险评估装置可以配置于服务器中，用于执行前述的融合多知识领域的企业风险评估方法。
如图6所示，该企业风险评估装置200包括：获取模块201、确定模块202、特征提取模块203、风险评估模块204。
获取模块201，用于获取目标企业对应的企业基本信息以及企业保险信息，其中，所述企业保险信息包括企业保单信息以及企业理赔信息；
确定模块202，用于基于所述目标企业对应的企业基本信息确定所述目标企业的目标行业类别，并从预先构建的映射关系中确定所述目标行业类别对应的目标风险评估模型；
特征提取模块203，用于对所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行特征提取操作，得到对应的第一目标特征向量、第二目标特征向量以及第三目标特征向量；
风险评估模块204，通过所述目标风险评估模型对所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量进行分析，得到所述目标企业的风险评估值。
特征提取模块203，还用于对所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行数据清洗操作，得到数据清洗后的目标信息；对所述数据清洗后的目标信息进行特征提取操作，得到第一初始特征向量、第二初始特征向量以及第三初始特征向量；将所述第一初始特征向量、所述第二初始特征向量以及所述第三初始特征向量进行标准化和/或归一化处理，得到所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量。
风险评估模块204，还用于分别对所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量进行正则化处理，得到对应的第四目标特征向量、第五特征向量以及第六特征向量；通过所述目标风险评估模型对所述第四目标特征向量、所述第五目标特征向量以及所述第六目标特征向量进行分析，得到所述目标企业的风险评估值。
风险评估模块204，还用于基于所述风险评估值，确定所述目标企业对应的目标风险等级；根据所述目标风险等级以及所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息生成对应的目标风险报告，所述目标风险报告包括风险等级说明、关键风险因素和风险管理建议中的一种。
风险评估模块204，还用于判断所述风险评估值是否达到预设风险预警阈值；在所述风险评估值大于所述预设风险预警阈值时，触发风险预警机制，并发送警报。
获取模块201，还用于获取训练数据集以及初始风险评估模型，其中，所述训练数据集包括若干企业以及每一所述企业对应的企业基本信息以及企业保险信息，所述初始风险评估模型包括逻辑回归模型；对所述训练数据集进行序列标注操作，得到序列标注结果，其中，所述序列标注结果包括每一所述企业对应的风险评估值；通过所述训练数据集以及所述序列标注结果对所述初始风险评估模型进行训练，得到所述目标风险评估模型。
获取模块201，还用于对所述目标风险评估模型进行迭代训练提取数据特征，并计算得到损失函数；采用梯度下降算法对所述损失函数进行迭代训练，直至满足预期阈值规定；基于迭代训练后的所述损失函数，得到迭代后的所述目标风险评估模型。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的方法、装置可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费终端设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
示例性的，上述的方法、装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本申请实施例提供的一种计算机设备的示意图。该计算机设备可以是服务器。
如图7所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括易失性存储介质、非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种企业风险评估方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种企业风险评估方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，该计算机设备的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一些实施方式中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：获取目标企业对应的企业基本信息以及企业保险信息，其中，所述企业保险信息包括企业保单信息以及企业理赔信息；基于所述目标企业对应的企业基本信息确定所述目标企业的目标行业类别，并从预先构建的映射关系中确定所述目标行业类别对应的目标风险评估模型；对所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行特征提取操作，得到对应的第一目标特征向量、第二目标特征向量以及第三目标特征向量；通过所述目标风险评估模型对所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量进行分析，得到所述目标企业的风险评估值。
在一些实施方式中，所述处理器还用于对所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行数据清洗操作，得到数据清洗后的目标信息；对所述数据清洗后的目标信息进行特征提取操作，得到第一初始特征向量、第二初始特征向量以及第三初始特征向量；将所述第一初始特征向量、所述第二初始特征向量以及所述第三初始特征向量进行标准化和/或归一化处理，得到所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量。
在一些实施方式中，所述处理器还用于分别对所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量进行正则化处理，得到对应的第四目标特征向量、第五特征向量以及第六特征向量；通过所述目标风险评估模型对所述第四目标特征向量、所述第五目标特征向量以及所述第六目标特征向量进行分析，得到所述目标企业的风险评估值。
在一些实施方式中，所述处理器还用于基于所述风险评估值，确定所述目标企业对应的目标风险等级；根据所述目标风险等级以及所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息生成对应的目标风险报告，所述目标风险报告包括风险等级说明、关键风险因素和风险管理建议中的一种。
在一些实施方式中，所述处理器还用于判断所述风险评估值是否达到预设风险预警阈值；在所述风险评估值大于所述预设风险预警阈值时，触发风险预警机制，并发送警报。
在一些实施方式中，所述处理器还用于获取训练数据集以及初始风险评估模型，其中，所述训练数据集包括若干企业以及每一所述企业对应的企业基本信息以及企业保险信息，所述初始风险评估模型包括逻辑回归模型；对所述训练数据集进行序列标注操作，得到序列标注结果，其中，所述序列标注结果包括每一所述企业对应的风险评估值；通过所述训练数据集以及所述序列标注结果对所述初始风险评估模型进行训练，得到所述目标风险评估模型。
在一些实施方式中，所述处理器还用于对所述目标风险评估模型进行迭代训练提取数据特征，并计算得到损失函数；采用梯度下降算法对所述损失函数进行迭代训练，直至满足预期阈值规定；基于迭代训练后的所述损失函数，得到迭代后的所述目标风险评估模型。
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上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时实现本申请实施例提供的任一种企业风险评估方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种企业风险评估方法，其特征在于，所述方法包括：
获取目标企业对应的企业基本信息以及企业保险信息，其中，所述企业保险信息包括企业保单信息以及企业理赔信息；
基于所述目标企业对应的企业基本信息确定所述目标企业的目标行业类别，并从预先构建的映射关系中确定所述目标行业类别对应的目标风险评估模型；
对所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行特征提取操作，得到对应的第一目标特征向量、第二目标特征向量以及第三目标特征向量；
通过所述目标风险评估模型对所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量进行分析，得到所述目标企业的风险评估值。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行特征提取操作，还包括：
对所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行数据清洗操作，得到数据清洗后的目标信息；
对所述数据清洗后的目标信息进行特征提取操作，得到第一初始特征向量、第二初始特征向量以及第三初始特征向量；
将所述第一初始特征向量、所述第二初始特征向量以及所述第三初始特征向量进行标准化和/或归一化处理，得到所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量。
3.根据权利要求2所述的方法，其特征在于，所述通过所述目标风险评估模型对所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量进行分析，得到所述目标企业的风险评估值，包括：
分别对所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量进行正则化处理，得到对应的第四目标特征向量、第五特征向量以及第六特征向量；
通过所述目标风险评估模型对所述第四目标特征向量、所述第五目标特征向量以及所述第六目标特征向量进行分析，得到所述目标企业的风险评估值。
4.根据权利要求1所述的方法，其特征在于，所述得到所述目标企业的风险评估值之后，包括：
基于所述风险评估值，确定所述目标企业对应的目标风险等级；
根据所述目标风险等级以及所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息生成对应的目标风险报告，所述目标风险报告包括风险等级说明、关键风险因素和风险管理建议中的一种。
5.根据权利要求4所述的方法，其特征在于，所述得到所述目标企业的风险评估值之后，还包括：
判断所述风险评估值是否达到预设风险预警阈值；
在所述风险评估值大于所述预设风险预警阈值时，触发风险预警机制，并发送警报。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练数据集以及初始风险评估模型，其中，所述训练数据集包括若干企业以及每一所述企业对应的企业基本信息以及企业保险信息，所述初始风险评估模型包括逻辑回归模型；
对所述训练数据集进行序列标注操作，得到序列标注结果，其中，所述序列标注结果包括每一所述企业对应的风险评估值；
通过所述训练数据集以及所述序列标注结果对所述初始风险评估模型进行训练，得到所述目标风险评估模型。
7.根据权利要求6所述的方法，其特征在于，所述得到所述目标风险评估模型之后，还包括：
对所述目标风险评估模型进行迭代训练提取数据特征，并计算得到损失函数；
采用梯度下降算法对所述损失函数进行迭代训练，直至满足预期阈值规定；
基于迭代训练后的所述损失函数，得到迭代后的所述目标风险评估模型。
8.一种企业风险评估装置，其特征在于，所述企业风险评估包括：
获取模块，所述获取模块用于获取目标企业对应的企业基本信息以及企业保险信息，其中，所述企业保险信息包括企业保单信息以及企业理赔信息；
确定模块，所述确定模块用于基于所述目标企业对应的企业基本信息确定所述目标企业的目标行业类别，并从预先构建的映射关系中确定所述目标行业类别对应的目标风险评估模型；
特征提取模块，所述特征提取模块用于对所述目标企业对应的企业基本信息、企业保单信息以及企业理赔信息进行特征提取操作，得到对应的第一目标特征向量、第二目标特征向量以及第三目标特征向量；
风险评估模块，所述风险评估模块用于通过所述目标风险评估模型对所述第一目标特征向量、所述第二目标特征向量以及所述第三目标特征向量进行分析，得到所述目标企业的风险评估值。
9.一种计算机设备，其特征在于，包括：存储器和处理器；其中，所述存储器与所述处理器连接，用于存储程序所述处理器用于通过运行所述存储器中存储的程序，实现如权利要求1-7中任一项所述的企业风险评估方法的步骤。
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程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1-7中任一项所述的企业风险评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311010149.3A CN117035416A (zh) | 2023-08-10 | 2023-08-10 | 企业风险评估方法、企业风险评估装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311010149.3A CN117035416A (zh) | 2023-08-10 | 2023-08-10 | 企业风险评估方法、企业风险评估装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117035416A true CN117035416A (zh) | 2023-11-10 |
Family
ID=88634901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311010149.3A Pending CN117035416A (zh) | 2023-08-10 | 2023-08-10 | 企业风险评估方法、企业风险评估装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117035416A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117610941A (zh) * | 2024-01-18 | 2024-02-27 | 杭州智诚惠通科技有限公司 | 基于数据库处理的大件运输信用评价方法、系统和介质 |
-
2023
- 2023-08-10 CN CN202311010149.3A patent/CN117035416A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117610941A (zh) * | 2024-01-18 | 2024-02-27 | 杭州智诚惠通科技有限公司 | 基于数据库处理的大件运输信用评价方法、系统和介质 |
| CN117610941B (zh) * | 2024-01-18 | 2024-04-26 | 杭州智诚惠通科技有限公司 | 基于数据库处理的大件运输信用评价方法、系统和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107945024B (zh) | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 | |
| WO2020107872A1 (zh) | 企业风险分析方法、装置、计算机设备和存储介质 | |
| CN108182515B (zh) | 智能规则引擎规则输出方法、设备及计算机可读存储介质 | |
| US11514329B2 (en) | Data-driven deep learning model generalization analysis and improvement | |
| US11645146B2 (en) | Automated system for intelligent error correction within an electronic blockchain ledger | |
| CN107862425B (zh) | 风控数据采集方法、设备、系统及可读存储介质 | |
| US20140244241A1 (en) | Automated classification of business rules from text | |
| CN112215288B (zh) | 目标企业的类别确定方法及装置、存储介质、电子装置 | |
| CA2852948C (en) | System and method for optimizing the loading of data submissions | |
| CN112990281A (zh) | 异常投标识别模型训练方法、异常投标识别方法及装置 | |
| CN117035416A (zh) | 企业风险评估方法、企业风险评估装置、设备及存储介质 | |
| US20130339288A1 (en) | Determining document classification probabilistically through classification rule analysis | |
| CN115238815A (zh) | 异常交易数据获取方法、装置、设备、介质和程序产品 | |
| US11200250B2 (en) | Method and system for optimizing validations carried out for input data at a data warehouse | |
| US20160005111A1 (en) | System and method for complying with solvency regulations | |
| CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
| Slabchenko et al. | Development of models for imputation of data from social networks on the basis of an extended matrix of attributes | |
| Han et al. | Using source code and process metrics for defect prediction-A case study of three algorithms and dimensionality reduction. | |
| CN113094595A (zh) | 对象识别方法、装置、计算机系统及可读存储介质 | |
| CN112434083A (zh) | 一种基于大数据的事件处理方法和装置 | |
| US11966930B1 (en) | Computing tool risk discovery | |
| US11915506B2 (en) | Method and system for sustainability measurement | |
| US20230306357A1 (en) | Apparatus, system, and method of shipment vetting | |
| CN113570113B (zh) | 一种设备失联预测方法、装置和电子设备 | |
| CN116383390B (zh) | 一种用于经营管理信息的非结构化数据存储方法及云平台 |
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 |