[發明專利]數據評估方法、裝置、電子設備及存儲介質

在審

• 申請號: 202110220879.0
• 申請日: 2021-02-26
• 公開（公告）號: CN112950344A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 楊智威
• 申請（專利權）人: 平安國際智慧城市科技股份有限公司
• 主分類號: G06Q40/00
• 分類號: G06Q40/00;G06Q50/26
• 代理公司: 深圳市賽恩倍吉知識產權代理有限公司 44334
• 代理人: 遲珊珊

1.一種數據評估方法，其特征在于，數據評估方法包括：

每隔預設周期利用網絡爬蟲技術從預設的多個數據源中獲取目標對象的內部信息數據及外部信息數據；

融合處理所述內部信息數據及所述外部信息數據并得到目標數據，其中，所述目標數據包括目標對象的類別、關聯報表及參數信息；

從所述關聯報表中提取多個第一屬性特征，及從所述參數信息中提取多個第二屬性特征；

將所述多個第一屬性特征輸入至所述類別對應的信用風險模型，及將所述多個第二屬性特征輸入至所述類別對應的經營風險模型；

獲取所述信用風險模型輸出的信用風險值和所述經營風險模型輸出的經營風險值；

根據所述信用風險值及所述經營風險值計算得到所述目標對象的最終風險值。

2.如權利要求1所述的數據評估方法，其特征在于，所述融合處理所述內部信息數據及所述外部信息數據并得到目標數據包括：

提取所述內部消息數據中的多個第一關鍵字段及所述外部信息數據中的多個第二關鍵字段；

將所述多個第一關鍵字段轉換成預設類型的第一結構化數據及將所述多個第二關鍵字段轉換成預設類型的第二結構化數據；

按照預設的識別規則識別所述第一結構化數據及所述第二結構化數據之間的關聯關系，并按照所述關聯關系連接所述第一結構化數據及所述第二結構化數據得到所述目標對象的目標數據。

3.如權利要求1所述的數據評估方法，其特征在于，所述從所述關聯報表中提取多個第一屬性特征，及從所述參數信息中提取多個第二屬性特征包括：

使用第一深度學習算法從所述關聯報表中提取與預先設定的信用風險特征詞的相似度大于預設相似度閾值的多個信用風險特征標簽，將所述多個信用風險特征標簽作為多個第一屬性特征；

使用第二深度學習算法從所述參數信息中提取與預先設定的經營風險特征詞的相似度大于預設相似度閾值的多個經營風險特征標簽，將所述多個經營風險特征標簽作為多個第二屬性特征。

4.如權利要求1所述的數據評估方法，其特征在于，所述信用風險模型的訓練過程包括：

獲取每個類別對應的多個目標對象；

提取每個目標對象的多個第一屬性特征及對應的權重值和信用風險值，形成數據集；

將所述數據集隨機分為第一數量的訓練集和第二數量的測試集；

將所述訓練集中的多個第一屬性特征及對應的權重值和信用風險值輸入至預設卷積神經網絡中進行訓練，得到信用風險模型；

將所述測試集輸入至所述信用風險模型中進行測試，得到測試通過率；

判斷所述測試通過率是否大于預設通過率閾值；

當所述測試通過率大于或者等于所述預設通過率閾值時，結束所述信用風險模型的訓練；或者，當所述測試通過率小于所述預設通過率閾值時，增加所述訓練集的數量，重新進行信用風險模型的訓練。

5.如權利要求1所述的數據評估方法，其特征在于，所述根據所述信用風險值及所述經營風險值計算得到所述目標對象的最終風險值包括：

計算所述信用風險值與預設的第一權重值的乘積，得到第一最終風險值；

計算所述經營風險值與預設的第二權重值的乘積，得到第二最終風險值；

計算所述第一最終風險值和所述第二最終風險值的總和得到所述目標對象的最終風險值。

6.如權利要求1所述的數據評估方法，其特征在于，在根據所述信用風險值和所述經營風險值計算得到所述目標對象的最終風險值之后，所述方法還包括：

將所述目標對象的最終風險值與預設的風險閾值進行比對；

當所述目標對象的最終風險值大于或者等于所述預設的風險閾值時，標識所述目標對象為可推薦目標對象；

當所述目標對象的最終風險值小于所述預設的風險閾值時，上報風險處置預案至所述目標對象。