[發明專利]基于多模型的信用數據處理方法及裝置

在審

• 申請號: 202210026068.1
• 申請日: 2022-01-11
• 公開（公告）號: CN114511376A
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 黃大勇;張麗紅
• 申請（專利權）人: 廣東企數標普科技有限公司;廣東企數標普互聯網信息服務有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06Q30/00;G06Q40/00;G06K9/62
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 江銀會

本發明公開了一種基于多模型的信用數據處理方法及裝置，其中該方法包括：獲取目標用戶的至少兩種類型的信用數據；對于任一所述信用數據，根據分類神經網絡模型，從多個候選的數據驗證模型中確定出該信用數據對應的數據驗證算法模型；將所有所述信用數據分別輸入至對應的所述數據驗證算法模型中，以驗證每一所述信用數據的真實性；根據所有所述信用數據以及所述真實性，確定所述目標用戶的信用評價參數；所述信用評級參數用于指示所述目標用戶的信用情況?？梢?，本發明能夠提高信用數據處理的自動化程度，并提高數據驗證的精度，使得最終得到的信用評價結果更加準確和可信。

技術領域

本發明涉及財務數據算法技術領域，尤其涉及一種基于多模型的信用數據處理方法及裝置。

背景技術

隨著中小型企業或個人的借貸或租賃等商務租借的需求增加，越來越多的信用評價服務公司在對用戶進行信用評價時采用電子化系統進行自動的評價，但現有的電子化信用評價系統在處理信用數據時，一般僅采用人工或簡單的標簽處理方式進行分類和驗證計算，這種處理方式需要前期進行復雜繁重的數據清洗工作，且仍然無法應對現實中復雜多變的應用場景，可見現有技術存在缺陷，亟待解決。

發明內容

本發明所要解決的技術問題在于，提供一種基于多模型的信用數據處理方法及裝置，能夠提高信用數據處理的自動化程度，并提高數據驗證的精度，使得最終得到的信用評價結果更加準確和可信。

為了解決上述技術問題，本發明第一方面公開了一種基于多模型的信用數據處理方法，所述方法包括：

獲取目標用戶的至少兩種類型的信用數據；

對于任一所述信用數據，根據分類神經網絡模型，從多個候選的數據驗證模型中確定出該信用數據對應的數據驗證算法模型；

將所有所述信用數據分別輸入至對應的所述數據驗證算法模型中，以驗證每一所述信用數據的真實性；

根據所有所述信用數據以及所述真實性，確定所述目標用戶的信用評價參數；所述信用評級參數用于指示所述目標用戶的信用情況。

作為一種可選的實施方式，在本發明第一方面中，所述信用數據的類型包括工商信息數據、稅務申報數據、稅務征收數據、投資方數據、分支機構數據、工商變更數據、欠稅數據、違法違章數據、法律案件數據和資產數據中的至少兩種；和/或，所述數據驗證模型包括工商信息驗證模型、稅務申報驗證模型、稅務征收驗證模型、投資方驗證模型、分支機構驗證模型、工商變更驗證模型、欠稅驗證模型、違法違章驗證模型、法律案件驗證模型和資產驗證模型中的至少兩種。

作為一種可選的實施方式，在本發明第一方面中，所述對于任一所述信用數據，根據分類神經網絡模型，從多個候選的數據驗證模型中確定出該信用數據對應的數據驗證算法模型，包括：

對于任一所述信用數據，將該信用數據輸入至分類神經網絡模型，以確定所述信用數據對應的數據類型；所述分類神經網絡模型通過包括有多個信用數據和對應的數據類型的訓練數據集訓練得到；所述分類神經網絡模型包括有編碼器模塊、解碼器模塊和分類層模塊；所述編碼器模塊可以提取多種模態類型的所述信用數據的向量特征；

根據所述信用數據對應的數據類型，以及預設的類型-模型映射關系表，從多個候選的數據驗證模型中確定出該信用數據對應的數據驗證算法模型。

作為一種可選的實施方式，在本發明第一方面中，所述編碼器模塊通過以下步驟訓練得到：

確定訓練信用數據集合；所述訓練信用數據集合中包括有至少兩個相互對應的不同模態類型的訓練信用數據；所述模態類型為圖像類型、數值類型、文本類型、符號類型、視頻類型或音頻類型；

將所述訓練信用數據集合中的所有所述訓練信用數據輸入至所述編碼器模塊中進行特征提取，以得到每一所述訓練信用數據對應的數據向量特征；