[發(fā)明專利]數(shù)據(jù)評(píng)估方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110220879.0
• 申請(qǐng)日: 2021-02-26
• 公開（公告）號(hào): CN112950344A
• 公開（公告）日: 2021-06-11
• 發(fā)明（設(shè)計(jì)）人: 楊智威
• 申請(qǐng)（專利權(quán)）人: 平安國際智慧城市科技股份有限公司
• 主分類號(hào): G06Q40/00
• 分類號(hào): G06Q40/00;G06Q50/26
• 代理公司: 深圳市賽恩倍吉知識(shí)產(chǎn)權(quán)代理有限公司 44334
• 代理人: 遲珊珊

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，提供一種數(shù)據(jù)評(píng)估方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，所述方法包括：每隔預(yù)設(shè)周期從預(yù)設(shè)的多個(gè)數(shù)據(jù)源中獲取目標(biāo)對(duì)象的內(nèi)部信息數(shù)據(jù)及外部信息數(shù)據(jù)進(jìn)行融合處理得到目標(biāo)數(shù)據(jù)；從關(guān)聯(lián)報(bào)表中提取多個(gè)第一屬性特征及從參數(shù)信息中提取多個(gè)第二屬性特征；并分別輸入至類別對(duì)應(yīng)的信用風(fēng)險(xiǎn)模型及經(jīng)營風(fēng)險(xiǎn)模型中；獲取信用風(fēng)險(xiǎn)值和經(jīng)營風(fēng)險(xiǎn)值；根據(jù)信用風(fēng)險(xiǎn)值及經(jīng)營風(fēng)險(xiǎn)值計(jì)算得到目標(biāo)對(duì)象的最終風(fēng)險(xiǎn)值。本發(fā)明根據(jù)類別對(duì)應(yīng)的風(fēng)險(xiǎn)模型計(jì)算目標(biāo)對(duì)象的信用風(fēng)險(xiǎn)值和經(jīng)營風(fēng)險(xiǎn)值，提高了目標(biāo)對(duì)象數(shù)據(jù)評(píng)估的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，具體涉及一種數(shù)據(jù)評(píng)估方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著一系列關(guān)于規(guī)范地方政府債務(wù)管理、防范財(cái)政風(fēng)險(xiǎn)等方面的策略的出臺(tái)，需要清楚的掌握每個(gè)目標(biāo)對(duì)象的經(jīng)營情況及債務(wù)情況，進(jìn)而得到每個(gè)目標(biāo)對(duì)象的風(fēng)險(xiǎn)評(píng)級(jí)，根據(jù)風(fēng)險(xiǎn)評(píng)級(jí)進(jìn)行數(shù)據(jù)評(píng)估。

然而，現(xiàn)有技術(shù)只是根據(jù)每個(gè)目標(biāo)對(duì)象的關(guān)聯(lián)報(bào)表進(jìn)行風(fēng)險(xiǎn)評(píng)估，風(fēng)險(xiǎn)評(píng)估的維度單薄，分析能力不高，未考慮到目標(biāo)對(duì)象的參數(shù)信息的維度數(shù)據(jù)，使得風(fēng)險(xiǎn)評(píng)估的評(píng)估結(jié)果不準(zhǔn)確，無法正確的進(jìn)行目標(biāo)對(duì)象數(shù)據(jù)評(píng)估，導(dǎo)致計(jì)算得到的目標(biāo)對(duì)象風(fēng)險(xiǎn)值的正確率低。

發(fā)明內(nèi)容

鑒于以上內(nèi)容，有必要提出一種數(shù)據(jù)評(píng)估方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，根據(jù)類別對(duì)應(yīng)的風(fēng)險(xiǎn)模型計(jì)算目標(biāo)對(duì)象的信用風(fēng)險(xiǎn)值和經(jīng)營風(fēng)險(xiǎn)值，提高了目標(biāo)對(duì)象的數(shù)據(jù)評(píng)估的準(zhǔn)確率。

本發(fā)明的第一方面提供一種數(shù)據(jù)評(píng)估方法，所述方法包括：

每隔預(yù)設(shè)周期利用網(wǎng)絡(luò)爬蟲技術(shù)從預(yù)設(shè)的多個(gè)數(shù)據(jù)源中獲取目標(biāo)對(duì)象的內(nèi)部信息數(shù)據(jù)及外部信息數(shù)據(jù)；

融合處理所述內(nèi)部信息數(shù)據(jù)及所述外部信息數(shù)據(jù)并得到目標(biāo)數(shù)據(jù)，其中，所述目標(biāo)數(shù)據(jù)包括目標(biāo)對(duì)象的類別、關(guān)聯(lián)報(bào)表及參數(shù)信息；

從所述關(guān)聯(lián)報(bào)表中提取多個(gè)第一屬性特征，及從所述參數(shù)信息中提取多個(gè)第二屬性特征；

將所述多個(gè)第一屬性特征輸入至所述類別對(duì)應(yīng)的信用風(fēng)險(xiǎn)模型，及將所述多個(gè)第二屬性特征輸入至所述類別對(duì)應(yīng)的經(jīng)營風(fēng)險(xiǎn)模型；

獲取所述信用風(fēng)險(xiǎn)模型輸出的信用風(fēng)險(xiǎn)值和所述經(jīng)營風(fēng)險(xiǎn)模型輸出的經(jīng)營風(fēng)險(xiǎn)值；

根據(jù)所述信用風(fēng)險(xiǎn)值及所述經(jīng)營風(fēng)險(xiǎn)值計(jì)算得到所述目標(biāo)對(duì)象的最終風(fēng)險(xiǎn)值。

優(yōu)選的，所述融合處理所述內(nèi)部信息數(shù)據(jù)及所述外部信息數(shù)據(jù)并得到目標(biāo)數(shù)據(jù)包括：

提取所述內(nèi)部消息數(shù)據(jù)中的多個(gè)第一關(guān)鍵字段及所述外部信息數(shù)據(jù)中的多個(gè)第二關(guān)鍵字段；

將所述多個(gè)第一關(guān)鍵字段轉(zhuǎn)換成預(yù)設(shè)類型的第一結(jié)構(gòu)化數(shù)據(jù)及將所述多個(gè)第二關(guān)鍵字段轉(zhuǎn)換成預(yù)設(shè)類型的第二結(jié)構(gòu)化數(shù)據(jù)；

按照預(yù)設(shè)的識(shí)別規(guī)則識(shí)別所述第一結(jié)構(gòu)化數(shù)據(jù)及所述第二結(jié)構(gòu)化數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系，并按照所述關(guān)聯(lián)關(guān)系連接所述第一結(jié)構(gòu)化數(shù)據(jù)及所述第二結(jié)構(gòu)化數(shù)據(jù)得到所述目標(biāo)對(duì)象的目標(biāo)數(shù)據(jù)。

優(yōu)選的，所述從所述關(guān)聯(lián)報(bào)表中提取多個(gè)第一屬性特征，及從所述參數(shù)信息中提取多個(gè)第二屬性特征包括：

使用第一深度學(xué)習(xí)算法從所述關(guān)聯(lián)報(bào)表中提取與預(yù)先設(shè)定的信用風(fēng)險(xiǎn)特征詞的相似度大于預(yù)設(shè)相似度閾值的多個(gè)信用風(fēng)險(xiǎn)特征標(biāo)簽，將所述多個(gè)信用風(fēng)險(xiǎn)特征標(biāo)簽作為多個(gè)第一屬性特征；

使用第二深度學(xué)習(xí)算法從所述參數(shù)信息中提取與預(yù)先設(shè)定的經(jīng)營風(fēng)險(xiǎn)特征詞的相似度大于預(yù)設(shè)相似度閾值的多個(gè)經(jīng)營風(fēng)險(xiǎn)特征標(biāo)簽，將所述多個(gè)經(jīng)營風(fēng)險(xiǎn)特征標(biāo)簽作為多個(gè)第二屬性特征。

優(yōu)選的，所述信用風(fēng)險(xiǎn)模型的訓(xùn)練過程包括：

獲取每個(gè)類別對(duì)應(yīng)的多個(gè)目標(biāo)對(duì)象；

提取每個(gè)目標(biāo)對(duì)象的多個(gè)第一屬性特征及對(duì)應(yīng)的權(quán)重值和信用風(fēng)險(xiǎn)值，形成數(shù)據(jù)集；