企業(yè)信用風險評估方法和裝置的制造方法
【專利摘要】本發(fā)明提供了一種企業(yè)信用風險評估方法和裝置，該方法包括：提取擬受信企業(yè)的客觀情況調查報告中的客觀因素，客觀情況調查報告中的客觀因素為第一客觀因素；將第一客觀因素輸入到預存儲的每個風險分析模型中，輸出每個風險分析模型對應的第一分析因素；將第一客觀因素、第一分析因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素；執(zhí)行操作直到操作輸出的第一結論因素不再變化為止，操作為：將第一客觀因素、第一分析因素、上一次輸出的第一結論因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素；將第一客觀因素、第一分析因素、全部的第一結論因素進行合并，形成信用風險視圖。
【專利說明】
企業(yè)信用風險評估方法和裝置
技術領域
[0001]本發(fā)明實施例涉及數(shù)據(jù)處理技術領域，尤其涉及一種企業(yè)信用風險評估方法和裝置。
【背景技術】
[0002]隨著市場經(jīng)濟的不斷深入，銀行信貸規(guī)模不斷擴大，銀行在對企業(yè)貸款時，需要對企業(yè)進行信用風險評估，對無信用風險或信用風險較低的企業(yè)進行貸款行為。
[0003]目前銀行貸前環(huán)節(jié)所采用的對企業(yè)進行信用風險評估的方法主要以專家經(jīng)驗模型為主，輔以實際數(shù)據(jù)進行調整。所以專家經(jīng)驗模型所涉及的評估因素和指標的主觀性較大，并且難以保證評估的全面性。同時，專家經(jīng)驗模型的更新周期較長，每次更新均需要投入大量的人力物力，導致專家經(jīng)驗模型的滯后性較為明顯。

【發(fā)明內容】

[0004]本發(fā)明實施例提供一種企業(yè)信用風險評估方法，解決了現(xiàn)有技術中通過專家經(jīng)驗模型對企業(yè)信用風險評估造成評估結果具有主觀性、片面性和滯后性的問題。
[0005]本發(fā)明實施例提供一種企業(yè)信用風險評估方法，包括:
[0006]提取擬受信企業(yè)的客觀情況調查報告中的客觀因素，所述擬受信企業(yè)的客觀情況調查報告中提取的客觀因素為第一客觀因素；
[0007]將所述第一客觀因素輸入到預存儲的每個風險分析模型中，輸出所述每個風險分析模型對應的第一分析因素；
[0008]將所述第一客觀因素、所述第一分析因素輸入到預存儲的每個風險判斷模型中，輸出所述每個風險判斷模型對應的第一結論因素；
[0009]執(zhí)行操作直到所述操作輸出的第一結論因素不再變化為止，所述操作為:將所述第一客觀因素、所述第一分析因素、所述上一次輸出的第一結論因素輸入到所述預存儲的每個風險判斷模型中，輸出所述每個風險判斷模型對應的第一結論因素；
[0010]將所述第一客觀因素、所述第一分析因素、全部的第一結論因素進行合并，形成所述擬受信企業(yè)的信用風險視圖；
[0011]其中，所述預存儲的每個風險分析模型和所述預存儲的每個風險判斷模型是根據(jù)近期內的多篇銀行盡職調查報告構建的。
[0012]本發(fā)明實施例提供一種企業(yè)信用風險評估裝置，包括:
[0013]提取模塊，用于提取擬受信企業(yè)的客觀情況調查報告中的客觀因素，所述擬受信企業(yè)的客觀情況調查報告中提取的客觀因素為第一客觀因素；
[0014]輸出模塊，用于將所述第一客觀因素輸入到預存儲的每個風險分析模型中，輸出所述每個風險分析模型對應的第一分析因素；
[0015]輸出模塊，還用于將所述第一客觀因素、所述第一分析因素輸入到預存儲的每個風險判斷模型中，輸出所述每個風險判斷模型對應的第一結論因素；
[0016]操作模塊，用于執(zhí)行操作直到所述操作輸出的第一結論因素不再變化為止，所述操作為:將所述第一客觀因素、所述第一分析因素、所述上一次輸出的第一結論因素輸入到所述預存儲的每個風險判斷模型中，輸出所述每個風險判斷模型對應的第一結論因素；
[0017]合并模塊，用于將所述第一客觀因素、所述第一分析因素、全部的第一結論因素進行合并，形成所述擬受信企業(yè)的信用風險視圖；
[0018]其中，所述預存儲的每個風險分析模型和所述預存儲的每個風險判斷模型是根據(jù)近期內的多篇銀行盡職調查報告構建的。
[0019]本發(fā)明實施例提供一種企業(yè)信用風險評估方法和裝置，通過提取擬受信企業(yè)的客觀情況調查報告中的客觀因素，擬受信企業(yè)的客觀情況調查報告中提取的客觀因素為第一客觀因素;將第一客觀因素輸入到預存儲的每個風險分析模型中，輸出每個風險分析模型對應的第一分析因素;將第一客觀因素、第一分析因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素;執(zhí)行操作直到操作輸出的結論因素不再變化為止，操作為:將第一客觀因素、第一分析因素、上一次輸出的第一結論因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素;將第一客觀因素、第一分析因素、全部的第一結論因素進行合并，形成擬受信企業(yè)的信用風險視圖；由于預存儲的每個風險分析模型和預存儲的每個風險判斷模型是根據(jù)近期內的多篇銀行盡職調查報告構建的，所以在多篇銀行盡職調查報告中可以包括各種情況，保證了評估的客觀性和全面性。并且可隨時根據(jù)近期的多篇銀行盡職調查報告對模型進行更新，避免了模型的滯后性。
【附圖說明】
[0020]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0021 ]圖1為本發(fā)明企業(yè)信用風險評估方法實施例一的流程圖；
[0022]圖2為本發(fā)明企業(yè)信用風險評估方法實施例二的流程圖；
[0023]圖3為本發(fā)明實施例二中采用信用風險評估方法的實例示意圖；
[0024]圖4為本發(fā)明企業(yè)信用風險評估裝置實施例一的結構示意圖；
[0025]圖5為本發(fā)明企業(yè)信用風險評估裝置實施例二的結構示意圖。
【具體實施方式】
[0026]為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0027]應當理解，本文中使用的術語“和/或”僅僅是一種描述關聯(lián)對象的關聯(lián)關系，表示可以存在三種關系，例如，六和/或B，可以表示:單獨存在A，同時存在A和B，單獨存在B這三種情況。另外，本文中字符，一般表示前后關聯(lián)對象是一種“或”的關系。
[0028]取決于語境，如在此所使用的詞語“如果”可以被解釋成為“在……時”或“當……時”或“響應于確定”或“響應于檢測”。類似地，取決于語境，短語“如果確定”或“如果檢測(陳述的條件或事件)”可以被解釋成為“當確定時”或“響應于確定”或“當檢測(陳述的條件或事件)時”或“響應于檢測(陳述的條件或事件)”。
[0029]圖1為本發(fā)明企業(yè)信用風險評估方法實施例一的流程圖，如圖1所示，本實施例的執(zhí)行主體為企業(yè)信用風險評估裝置，該企業(yè)信用風險評估裝置可以位于本地終端的應用，或者還可以為位于本地終端的應用中的插件或軟件開發(fā)工具包(Software DevelopmentKit，SDK)等功能單元，本發(fā)明實施例對此不進行特別限定。
[0030]可以理解的是，應用可以是安裝在終端上的應用程序(nativeApp)，或者還可以是終端上的瀏覽器的一個網(wǎng)頁程序(webApp)，本發(fā)明實施例對此不進行限定。
[0031 ]則本實施例提供的企業(yè)信用風險評估方法包括以下幾個步驟。
[0032]步驟101，提取擬受信企業(yè)的客觀情況調查報告中的客觀因素。
[0033]其中，擬受信企業(yè)的客觀情況調查報告中提取的客觀因素為第一客觀因素，第一客觀因素可以為多個。
[0034]具體地，本實施例中，擬受信企業(yè)為貸前環(huán)節(jié)進行信用風險評估的企業(yè)。在擬受信企業(yè)的客觀情況調查報告中包括各部門對受信企業(yè)的客觀情況進行調查的結果?？上葘M受信企業(yè)的客觀情況調查報告進行分詞處理，再將分詞處理后的各分詞與預存儲的包括全部客觀因素的數(shù)據(jù)庫中的分詞進行匹配，相匹配的分詞進行提取，獲得客觀情況調查報告中的多個第一客觀因素。本實施例中，也可在進行分詞處理后，根據(jù)“名詞短語+數(shù)字短語”的結構，提取出客觀情況調查報告中的滿足“名詞短語+數(shù)字短語”結構的多個分詞，構成對應的多個第一客觀因素。如提取出的第一客觀因素可以為“應收賬款3000萬元”。
[0035]本實施例中，也可采用其他的方式提取擬受信企業(yè)的客觀情況調查報告中的多個第一客觀因素，本實施例中不做限定。
[0036]步驟102，將第一客觀因素輸入到預存儲的每個風險分析模型中，輸出每個風險分析模型對應的第一分析因素。
[0037]其中，第一分析因素為將第一客觀因素輸入到預存儲的每個風險分析模型中，輸出每個風險分析模型對應的分析因素。
[0038]本實施例中，預先根據(jù)近期內的多篇銀行盡職調查報告構建了多個風險分析模型，每篇銀行盡職調查報告為在貸前環(huán)節(jié)形成的對相應受信企業(yè)的調查情況和風險評估報告。其中，近期內的多篇銀行盡職調查報告可以為最近一年內或最近一個月內或其他近期時間的多篇銀行盡職調查報告，本實施例中對此不做限定。
[0039]本實施例中，第一分析因素可具備“名詞短語+形容詞”結構。
[0040]具體地，本實施例中，由于每個風險分析模型表征了客觀因素與分析因素的關聯(lián)關系，所以將全部的第一客觀因素輸入到預存儲的每個風險分析模型中，通過計算，輸出每個風險分析模型對應的第一分析因素。其中，輸出的每個風險分析模型對應的第一分析因素可以為多個。
[0041]步驟103，將第一客觀因素、第一分析因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素。
[0042]其中，第一結論因素為將第一客觀因素、第一分析因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的結論因素。
[0043]具體地，本實施例中，預存儲的每個風險判斷模型是根據(jù)近期內的多篇銀行盡職調查報告構建的。由于風險判斷模型表征著客觀因素、分析因素與結論因素的關聯(lián)關系，所以將第一客觀因素、第一分析因素輸入到預存儲的每個風險判斷模型中后，通過計算，輸出與第一客觀因素、第一分析因素相關聯(lián)的每個風險判斷模型對應的第一結論因素。輸出的與第一客觀因素、第一分析因素相關聯(lián)的每個風險判斷模型對應的第一結論因素可以為多個。
[0044]其中，第一結論因素可具備“名詞短語+動詞短語”結構。如結論因素為“企業(yè)下游回款慢”、“企業(yè)訂單異?！钡取?br>[0045]步驟104，執(zhí)行操作直到操作輸出的結論因素不再變化為止，操作為:將第一客觀因素、第一分析因素、上一次輸出的第一結論因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素。
[0046]具體地，本實施例中，將第一客觀因素、第一分析因素、步驟103輸出的第一結論因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素，將本次輸出的第一結論因素與步驟1 3中輸出的第一結論因素進行對比，若輸出的第一結論因素發(fā)生變化，則繼續(xù)執(zhí)行將第一客觀因素、第一分析因素、上一次輸出的第一結論因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素的操作，直到輸出的第一結論因素不再變化為止。
[0047]本實施例中，通過循環(huán)執(zhí)行將第一客觀因素、第一分析因素、上一次輸出的第一結論因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素的操作，能夠獲取第一客觀因素、第一分析因素和第一結論因素之間的每個關聯(lián)關系，直到輸出最終的第一結論因素。
[0048]步驟105，將第一客觀因素、第一分析因素、全部的第一結論因素進行合并，形成擬受信企業(yè)的信用風險視圖。
[0049]具體地，本實施例中，形成擬受信企業(yè)的信用風險視圖中可以包括:第一客觀因素、第一分析因素、全部的第一結論因素，以及第一客觀因素與第一分析因素的關系，第一客觀因素、第一分析因素與第一結論因素的關系，第一結論因素之間的關系等。
[0050]本實施例中，通過提取擬受信企業(yè)的客觀情況調查報告中的客觀因素，擬受信企業(yè)的客觀情況調查報告中提取的客觀因素為第一客觀因素;將第一客觀因素輸入到預存儲的每個風險分析模型中，輸出每個風險分析模型對應的第一分析因素;將第一客觀因素、第一分析因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素;執(zhí)行操作直到操作輸出的結論因素不再變化為止，操作為:將第一客觀因素、第一分析因素、上一次輸出的第一結論因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素;將第一客觀因素、第一分析因素、全部的第一結論因素進行合并，形成擬受信企業(yè)的信用風險視圖；由于預存儲的每個風險分析模型和預存儲的每個風險判斷模型是根據(jù)近期內的多篇銀行盡職調查報告構建的，所以在多篇銀行盡職調查報告中可以包括各種情況，保證了評估的客觀性和全面性。并且可隨時根據(jù)近期的多篇銀行盡職調查報告對模型進行更新，避免了模型的滯后性。
[0051]圖2為本發(fā)明企業(yè)信用風險評估方法實施例二的流程圖，如圖2所示，本實施例提供的企業(yè)信用風險評估方法相較于實施例一，為一個更為優(yōu)選的實施例，則本實施例提供的企業(yè)信用風險評估方法包括以下步驟。
[0052]步驟201，判斷是否存儲有預先構建的風險分析模型和風險判斷模型，若是，則執(zhí)行步驟207，若否，則執(zhí)行步驟202。
[0053]具體地，本實施例中，由于對擬受信企業(yè)進行信用風險評估時，需要使用預先構建并存儲的風險分析模型和風險判斷模型，所以在對擬受信企業(yè)進行信用風險評估前，判斷在預設存儲區(qū)域是否存儲有預先構建的風險分析模型和風險判斷模型，若是，則執(zhí)行對擬受信企業(yè)進行信用風險評估的步驟，否則，則構建風險分析模型和風險判斷模型。
[0054]步驟202，提取近期內的多篇銀行盡職調查報告中的第二客觀因素、第二分析因素和第二結論因素。
[0055]其中，從近期內的多篇銀行盡職調查報告中提取的客觀因素為第二客觀因素，從近期內的多篇銀行盡職調查報告中提取的分析因素為第二分析因素，從近期內的多篇銀行盡職調查報告中提取的結論因素為第二結論因素。
[0056]進一步地，步驟202中，提取近期內的多篇銀行盡職調查報告中的第二客觀因素、第二分析因素和第二結論因素具體包括:
[0057]根據(jù)“名詞短語+數(shù)字短語”的結構，提取近期內的多篇銀行盡職調查報告中的第二客觀因素;根據(jù)“名詞短語+形容詞”的結構，提取近期內的多篇銀行盡職調查報告中的第二分析因素;根據(jù)“名詞短語+動詞短語”的結構，提取近期內的多篇銀行盡職調查報告中的第二結論因素。
[0058]其中，數(shù)字短語指以數(shù)字為中心詞的名詞短語。
[0059]具體地，本實施例中，由于客觀因素具備“名詞短語+數(shù)字短語”的結構，所以，根據(jù)“名詞短語+數(shù)字短語”的結構，提取近期內的多篇銀行盡職調查報告中的第二客觀因素。分析因素具備“名詞短語+形容詞”的結構，所以根據(jù)“名詞短語+形容詞”的結構，提取近期內的多篇銀行盡職調查報告中的第二分析因素。結論因素具備“名詞短語+動詞短語”的結構。所以根據(jù)“名詞短語+動詞短語”的結構，提取近期內的多篇銀行盡職調查報告中的第二結論因素。
[0060]本實施例中，也可以首先將預先獲知的所有的客觀因素、分析因素、結論因素進行存儲。將近期內的多篇銀行盡職調查報告中進行分詞處理，將分詞處理后的分詞分別與存儲的客觀因素、分析因素、結論因素進行匹配，提取出匹配的分詞，該匹配的分詞即為從近期內的多篇銀行盡職調查報告中提取出的第二客觀因素或第二分析因素或第二結論因素。
[0061]步驟203，對第二客觀因素、第二分析因素和第二結論因素分別進行聚類，形成客觀因素集、分析因素集、結論因素集。
[0062]具體地，本實施例中，可根據(jù)是否具有相同信息分別對第二客觀因素、第二分析因素和第二結論因素進行聚類，形成客觀因素集、分析因素集、結論因素集。在不同的客觀因素集中，可具有相同的第二客觀因素，即客觀因素集之間可以具有包含關系或可以具有交集。同理，在不同的分析因素集中，可以具有包含關系或可以具有交集。在不同的結論因素集中，可以具有包含關系或可以具有交集。
[0063]步驟204，根據(jù)客觀因素集和分析因素集構建風險分析決策樹模型。
[0064]進一步地，本實施例中，以全部的客觀因素集為輸入，全部的分析因素集為輸出，采用預先剪枝算法或后剪枝算法構建多個風險分析決策樹模型。
[0065]具體地，本實施例中，以全部的客觀因素集為輸入，全部的分析因素集為輸出，根據(jù)近期的多個內的多篇銀行盡職調查報告中的第二客觀因素、第二分析因素的關系，采用預先剪枝算法或后剪枝算法構建多個風險分析決策樹模型。
[0066]步驟205，根據(jù)客觀因素、分析因素集和結論因素集構建風險判斷決策樹模型。
[0067]進一步地，本實施例中，以全部的客觀因素集、全部的分析因素和除作為輸出的結論因素集外的其他結論因素集為輸入，多個結論因素集為輸出，采用預先剪枝算法或后剪枝算法，構建風險判斷決策樹模型。
[0068]具體地，本實施例中，以全部的客觀因素集、全部的分析因素和除作為輸出的結論因素集外的其他結論因素集為輸入，多個結論因素集為輸出，根據(jù)近期內的多篇銀行盡職調查報告中的第二客觀因素、第二分析因素、第二結論因素的關系，采用預先剪枝算法或后剪枝算法構建多個風險判斷決策樹模型。并重復選取不同的多個結論因素集組合作為輸出，根據(jù)上述方法，構建多個風險判斷決策樹模型，直到?jīng)]有新的風險判斷決策樹模型生成。
[0069]步驟206，將構建的每個風險分析決策樹模型和風險判斷決策樹模型進行存儲。
[0070]具體地，本實施例中，可將構建的每個風險分析決策樹模型和風險判斷決策樹模型分別進行存儲，具體可存儲在某一存儲芯片或固定存儲區(qū)域中。
[0071 ] 執(zhí)行完步驟206后，執(zhí)行步驟207。
[0072]步驟207，提取擬受信企業(yè)的客觀情況調查報告中的客觀因素。
[0073]其中，擬受信企業(yè)的客觀情況調查報告中提取的客觀因素為第一客觀因素。
[0074]步驟208，將第一客觀因素輸入到預存儲的每個風險分析模型中，輸出每個風險分析模型對應的第一分析因素。
[0075]步驟209，將第一客觀因素、第一分析因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素。
[0076]步驟210，執(zhí)行操作直到操作輸出的第一結論因素不再變化為止，操作為:將第一客觀因素、第一分析因素、上一次輸出的第一結論因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素。
[0077]步驟211，將第一客觀因素、第一分析因素、全部的第一結論因素進行合并，形成擬受信企業(yè)的信用風險視圖。
[0078]具體地，本實施例中，步驟207-步驟211的實現(xiàn)方式與本發(fā)明實施例一中的步驟101-步驟105的實現(xiàn)方式相同，在此不再一一贅述。
[0079]本實施例中，通過判斷是否存儲有預先構建的風險分析模型和風險判斷模型，若否，則提取近期內的多篇銀行盡職調查報告中的第二客觀因素、第二分析因素和第二結論因素，對第二客觀因素、第二分析因素和第二結論因素分別進行聚類，形成客觀因素集、分析因素集、結論因素集，根據(jù)客觀因素集和分析因素集構建風險分析決策樹模型，根據(jù)客觀因素、分析因素集和結論因素集構建風險判斷決策樹模型，將構建的每個風險分析決策樹模型和風險判斷決策樹模型進行存儲，然后對擬受信企業(yè)的信用風險進行評估，不僅保證了評估的客觀性、全面性，避免了滯后性，而且提高了銀行貸前盡職調查報告的利用率，由于銀行貸前盡職調查報告有非常高的準確性，所以根據(jù)近期內的多篇銀行盡職調查報告構建風險分析模型和風險判斷模型，對擬受信企業(yè)的信用風險進行評估，也提高了擬受信企業(yè)進行信用風險評估的準確率。
[0080]進一步地，本實施例中對上述方法形成的風險決策樹模型進行示例說明。圖3為本發(fā)明實施例二中采用信用風險評估方法的實例示意圖。如圖3所示，圖3中的第一客觀因素分別有“應收賬款余額……元”、“存款余額……元”、第一結論因素有“應收賬款增幅偏大/一般”、“企業(yè)訂單異常/正?！?。通過某一風險判斷模型后，若“應收賬款余額大于等于2000萬元”且“應收賬款增幅偏大”則輸出的對應的第一結論因素為“企業(yè)下游回款慢”；通過某一風險判斷模型后，若“應收賬款余額大于等于2000萬元”且“應收賬款增幅一般”且“企業(yè)訂單異?！?，則輸出的對應的第一結論因素為“企業(yè)下游存在異?！保蝗簟皯召~款余額大于等于2000萬元”且“應收賬款不是增長偏快”且“企業(yè)訂單正?！?，則輸出的對應的第一結論因素為“企業(yè)處于成長期”；若“應收賬款余額小于2000萬元”且“存貨余額大于等于1000萬元，則輸入到對應的某一風險判斷模型中后，則輸出的對應的第一結論因素為“企業(yè)產(chǎn)品滯銷”；若“應收賬款余額小于2000萬元”且“存貨余額小于1000萬元”輸入到對應的某一風險判斷模型中后，輸出的第一結論因素為“企業(yè)臨時性周轉問題”。
[0081]圖4為本發(fā)明企業(yè)信用風險評估裝置實施例一的結構示意圖，如圖4所示，本實施例提供的企業(yè)信用風險評估裝置包括:提取模塊41、輸出模塊42、操作模塊43和合并模塊44 ο
[0082]其中，提取模塊41，用于提取擬受信企業(yè)的客觀情況調查報告中的客觀因素，擬受信企業(yè)的客觀情況調查報告中提取的客觀因素為第一客觀因素。輸出模塊42，用于將第一客觀因素輸入到預存儲的每個風險分析模型中，輸出每個風險分析模型對應的第一分析因素。輸出模塊42，還用于將第一客觀因素、第一分析因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素。操作模塊43，用于用于執(zhí)行操作直到操作輸出的結論因素不再變化為止，操作為:將第一客觀因素、第一分析因素、上一次輸出的第一結論因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素。合并模塊44，用于將第一客觀因素、第一分析因素、全部的第一結論因素進行合并，形成擬受信企業(yè)的信用風險視圖。
[0083]其中，預存儲的每個風險分析模型和預存儲的每個風險判斷模型是根據(jù)近期內的多篇銀行盡職調查報告構建的。
[0084]本實施例提供的企業(yè)信用風險評估裝置可以執(zhí)行圖1所示方法實施例的技術方案，其實現(xiàn)原理和技術效果類似，此處不再贅述。
[0085]圖5為本發(fā)明企業(yè)信用風險評估裝置實施例二的結構示意圖，如圖5所示，進一步地，本實施例在本發(fā)明企業(yè)信用風險評估裝置實施例一的基礎上，還包括:聚類模塊51和構建模塊52。
[0086]進一步地，提取模塊41，還用于輸出模塊42將第一客觀因素、第一分析因素輸入到預存儲的每個風險判斷模型中，輸出每個風險判斷模型對應的第一結論因素之前，提取近期內的多篇銀行盡職調查報告中的第二客觀因素、第二分析因素和第二結論因素。聚類模塊51，用于對第二客觀因素、第二分析因素和第二結論因素分別進行聚類，形成客觀因素集、分析因素集、結論因素集。構建模塊52，用于根據(jù)客觀因素集和分析因素集構建風險分析決策樹模型。構建模塊52，還用于根據(jù)客觀因素集、分析因素集和結論因素集構建風險判斷決策樹模型。
[0087]進一步地，構建模塊52，具體用于:以全部的第二客觀因素集為輸入，全部的第二分析因素集為輸出，采用預先剪枝算法或后剪枝算法構建多個風險分析決策樹模型。
[0088]進一步地，構建模塊52，具體用于:以全部的客觀因素集、全部的分析因素和除作為輸出的結論因素集外的其他結論因素集為輸入，多個結論因素集為輸出，采用預先剪枝算法或后剪枝算法，構建多個風險判斷決策樹模型。
[0089]進一步地，提取模塊41具體用于:根據(jù)“名詞短語+數(shù)字短語”的結構，提取近期內的多篇銀行盡職調查報告中的第二客觀因素;根據(jù)“名詞短語+形容詞”的結構，提取近期內的多篇銀行盡職調查報告中的第二分析因素;根據(jù)“名詞短語+動詞短語”的結構，提取近期內的多篇銀行盡職調查報告中的第二結論因素。
[0090]本實施例提供的企業(yè)信用風險評估裝置可以執(zhí)行圖2所示方法實施例的技術方案，其實現(xiàn)原理和技術效果類似，此處不再贅述。
[0091]本領域普通技術人員可以理解:實現(xiàn)上述各方法實施例的全部或部分步驟可以通過程序指令相關的硬件來完成。前述的程序可以存儲于一計算機可讀取存儲介質中。該程序在執(zhí)行時，執(zhí)行包括上述各方法實施例的步驟;而前述的存儲介質包括:R0M、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質。
[0092]最后應說明的是:以上各實施例僅用以說明本發(fā)明的技術方案，而非對其限制;盡管參照前述各實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解:其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發(fā)明各實施例技術方案的范圍。
【主權項】
1.一種企業(yè)信用風險評估方法，其特征在于，包括: 提取擬受信企業(yè)的客觀情況調查報告中的客觀因素，所述擬受信企業(yè)的客觀情況調查報告中提取的客觀因素為第一客觀因素； 將所述第一客觀因素輸入到預存儲的每個風險分析模型中，輸出所述每個風險分析模型對應的第一分析因素； 將所述第一客觀因素、所述第一分析因素輸入到預存儲的每個風險判斷模型中，輸出所述每個風險判斷模型對應的第一結論因素； 執(zhí)行操作直到所述操作輸出的第一結論因素不再變化為止，所述操作為:將所述第一客觀因素、所述第一分析因素、所述上一次輸出的第一結論因素輸入到所述預存儲的每個風險判斷模型中，輸出所述每個風險判斷模型對應的第一結論因素； 將所述第一客觀因素、所述第一分析因素、全部的第一結論因素進行合并，形成所述擬受信企業(yè)的信用風險視圖； 其中，所述預存儲的每個風險分析模型和所述預存儲的每個風險判斷模型是根據(jù)近期內的多篇銀行盡職調查報告構建的。2.根據(jù)權利要求1所述的方法，其特征在于，所述將所述第一客觀因素、所述第一分析因素輸入到預存儲的每個風險判斷模型中，輸出所述每個風險判斷模型對應的第一結論因素之前，還包括: 提取近期內的多篇銀行盡職調查報告中的第二客觀因素、第二分析因素和第二結論因素； 對所述第二客觀因素、所述第二分析因素和所述第二結論因素分別進行聚類，形成客觀因素集、分析因素集、結論因素集； 根據(jù)所述客觀因素集和所述分析因素集構建風險分析決策樹模型； 根據(jù)所述客觀因素集、所述分析因素集和所述結論因素集構建風險判斷決策樹模型。3.根據(jù)權利要求2所述的方法，其特征在于，所述根據(jù)所述客觀因素集和所述分析因素集構建風險分析決策樹模型具體包括: 以全部的所述客觀因素集為輸入，全部的所述分析因素集為輸出，采用預先剪枝算法或后剪枝算法構建多個風險分析決策樹模型。4.根據(jù)權利要求2所述的方法，其特征在于，所述根據(jù)所述客觀因素、所述分析因素集和所述結論因素集構建風險判斷決策樹模型具體包括: 以全部的所述客觀因素集、全部的所述分析因素和除作為輸出的結論因素集外的其他結論因素集為輸入，多個所述結論因素集為輸出，采用預先剪枝算法或后剪枝算法，構建多個風險判斷決策樹模型。5.根據(jù)權利要求2-4任一項所述的方法，其特征在于，所述提取近期內的多篇銀行盡職調查報告中的第二客觀因素、第二分析因素和第二結論因素具體包括: 根據(jù)“名詞短語+數(shù)字短語”的結構，提取近期內的多篇銀行盡職調查報告中的第二客觀因素； 根據(jù)“名詞短語+形容詞”的結構，提取近期內的多篇銀行盡職調查報告中的第二分析因素； 根據(jù)“名詞短語+動詞短語”的結構，提取近期內的多篇銀行盡職調查報告中的第二結論因素。6.一種企業(yè)信用風險評估裝置，其特征在于，包括: 提取模塊，用于提取擬受信企業(yè)的客觀情況調查報告中的客觀因素，所述擬受信企業(yè)的客觀情況調查報告中提取的客觀因素為第一客觀因素； 輸出模塊，用于將所述第一客觀因素輸入到預存儲的每個風險分析模型中，輸出所述每個風險分析模型對應的第一分析因素； 輸出模塊，還用于將所述第一客觀因素、所述第一分析因素輸入到預存儲的每個風險判斷模型中，輸出所述每個風險判斷模型對應的第一結論因素； 操作模塊，用于執(zhí)行操作直到所述操作輸出的第一結論因素不再變化為止，所述操作為:將所述第一客觀因素、所述第一分析因素、所述上一次輸出的第一結論因素輸入到所述預存儲的每個風險判斷模型中，輸出所述每個風險判斷模型對應的第一結論因素； 合并模塊，用于將所述第一客觀因素、所述第一分析因素、全部的第一結論因素進行合并，形成所述擬受信企業(yè)的信用風險視圖； 其中，所述預存儲的每個風險分析模型和所述預存儲的每個風險判斷模型是根據(jù)近期內的多篇銀行盡職調查報告構建的。7.根據(jù)權利要求6所述的裝置，其特征在于，還包括:聚類模塊和構建模塊； 所述提取模塊，還用于所述輸出模塊將所述第一客觀因素、所述第一分析因素輸入到預存儲的每個風險判斷模型中，輸出所述每個風險判斷模型對應的第一結論因素之前，提取近期內的多篇銀行盡職調查報告中的第二客觀因素、第二分析因素和第二結論因素；所述聚類模塊，用于對所述第二客觀因素、所述第二分析因素和所述第二結論因素分別進行聚類，形成客觀因素集、分析因素集、結論因素集； 所述構建模塊，用于根據(jù)所述客觀因素集和所述分析因素集構建風險分析決策樹模型； 所述構建模塊，還用于根據(jù)所述客觀因素集、所述分析因素集和所述結論因素集構建風險判斷決策樹模型。8.根據(jù)權利要求7所述的裝置，其特征在于，所述構建模塊，具體用于:以全部的所述第二客觀因素集為輸入，全部的所述第二分析因素集為輸出，采用預先剪枝算法或后剪枝算法構建多個風險分析決策樹模型。9.根據(jù)權利要求7所述的裝置，其特征在于，所述構建模塊，具體用于:以全部的所述客觀因素集、全部的所述分析因素和除作為輸出的結論因素集外的其他結論因素集為輸入，多個所述結論因素集為輸出，采用預先剪枝算法或后剪枝算法，構建多個風險判斷決策樹模型。10.根據(jù)權利要求7-9任一項所述的裝置，其特征在于，所述提取模塊具體用于: 根據(jù)“名詞短語+數(shù)字短語”的結構，提取近期內的多篇銀行盡職調查報告中的第二客觀因素;根據(jù)“名詞短語+形容詞”的結構，提取近期內的多篇銀行盡職調查報告中的第二分析因素;根據(jù)“名詞短語+動詞短語”的結構，提取近期內的多篇銀行盡職調查報告中的第二結論因素。
【文檔編號】G06Q40/02GK106022915SQ201610515496
【公開日】2016年10月12日
【申請日】2016年7月1日
【發(fā)明人】黃紹輝, 王芳, 董俊博, 郭林海, 張云峰, 趙璐, 施敬思, 曹印杰, 王瑞, 洪丹
【申請人】中國民生銀行股份有限公司