企业金融服务风险预测方法及装置制造方法及图纸

本申请实施例提供一种企业金融服务风险预测方法及装置，方法包括：获取当前未经金融服务授权的目标企业的运营状态信息；将目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，将输出作为该目标企业的金融服务风险预测等级以确定是否向目标企业提供金融服务；弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型先基于一打标模型和标签未知的历史企业数据获取，打标模型预先应用标签已知的历史企业数据训练得到。本申请能够有效提高针对未经金融服务授权的企业的金融服务风险预测过程的准确性及智能化程度，并能够有效提高企业金融服务风险预测的效率，进而能够提高金融机构的运转可靠性及安全性。

【技术实现步骤摘要】
企业金融服务风险预测方法及装置
本申请涉及数据处理
，具体涉及企业金融服务风险预测方法及装置。
技术介绍
随着科技的飞速发展，银行等金融机构内部通常设有针对企业用户的评价体系和指标，尤其针对在金融机构中开设有对公账户或信贷建档的大中型企业，随着大数据、AI技术的发展，金融机构可以通过机器学习模型来对这些企业进行金融服务风险的预测，进而提升金融机构的风控能力。目前，现有的应用机器学习模型对企业进行风险预测的方式，通常需要事先获取大量的企业信息，并由专家对大量数据进行标注后训练得到机器学习模型。然而，现有的应用机器学习模型由于需要专家对大量数据进行标注，因此需要耗费大量的人力成本，同时，针对一些事先并未在银行进行注册的企业，尤其是微小企业，金融机构在模型训练阶段很难获取足够数量的企业信息作为训练样本，而金融机构的历史企业用户客观上又无法覆盖金融机构服务范围内的所有企业，因此，现有的金融服务风险预测方法显然无法满足对事先并未在银行进行注册的企业进行风险预测的准确性及智能化要求。
技术实现思路
r>针对现有技术中的本文档来自技高网...

【技术保护点】
1.一种企业金融服务风险预测方法，其特征在于，包括：/n获取当前未经金融服务授权的目标企业的运营状态信息；/n将所述目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，并将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级，以基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务；/n其中，所述弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型预先基于一打标模型和标签未知的历史企业数据获取，且所述打标模型预先应用标签已知的历史企业数据训练得到。/n

【技术特征摘要】
1.一种企业金融服务风险预测方法，其特征在于，包括：
获取当前未经金融服务授权的目标企业的运营状态信息；
将所述目标企业的运营状态信息输入用于进行金融服务风险预测的弱监督评分模型，并将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级，以基于该金融服务风险预测等级确定是否向所述目标企业提供金融服务；
其中，所述弱监督评分模型为预先应用一融合模型对多个企业进行评分后获取的，该融合模型预先基于一打标模型和标签未知的历史企业数据获取，且所述打标模型预先应用标签已知的历史企业数据训练得到。


2.根据权利要求1所述的企业金融服务风险预测方法，其特征在于，在所述获取当前未经金融服务授权的目标企业的运营状态信息之前，还包括：
根据标签已知的历史企业数据训练得到用于预测企业标签的打标模型；
应用所述打标模型对多个标签未知的历史企业用户分别进行标签预测，并根据获取的预测结果训练得到融合模型；
基于所述融合模型和预设的标签类型占比数据生成所述弱监督评分模型。


3.根据权利要求2所述的企业金融服务风险预测方法，其特征在于，所述根据标签已知的历史企业数据训练得到打标模型，包括：
获取标签已知的多个历史企业用户的用户信息以及各个所述历史企业用户各自对应的标签数据，以生成第一数据集，其中，所述标签按照对应的企业历史评价信息划分为至少三类评价等级内容；
应用预设的逻辑回归方式，基于所述第一数据集分别训练得到各类标签各自对应的分类器子模型；
将各个所述分类器子模型分别赋予相同的初始权重值，以得到对应的打标模型。


4.根据权利要求3所述的企业金融服务风险预测方法，其特征在于，所述应用所述打标模型对多个标签未知的历史企业分别进行标签预测，并根据获取的预测结果训练得到融合模型，包括：
获取标签未知的多个历史企业用户的用户信息，以生成第二数据集；
将所述第二数据集中的各个所述历史企业用户的用户信息分别输入所述打标模型，并将该打标模型的输出分别作为所述第二数据集中各个对应的所述历史企业的标签；
获取所述第二数据集中的各个所述历史企业用户各自对应的运营状态信息，以生成第三数据集；
应用所述第三数据集分别训练得到各类标签各自对应的融合子模型，并将各个所述融合子模型分别赋予相同的初始权重值；
基于各类标签各自对应的融合子模型训练得到弱分类器，并基于该弱分类器重新确定各个所述融合子模型的权重值，以得到对应的融合模型。


5.根据权利要求4所述的企业金融服务风险预测方法，其特征在于，所述基于所述融合模型和预设的标签类型占比数据生成所述弱监督评分模型，包括：
获取当前未经金融服务授权的多个企业各自对应的运营状态信息，以生成第四数据集；
基于所述融合模型和预设的标签类型占比数据，对所述第四数据集中的各个企业分别进行评分以生成对应的评级函数，将该评级函数作为弱监督评分模型。


6.根据权利要求1所述的企业金融服务风险预测方法，其特征在于，所述获取当前未经金融服务授权的目标企业的运营状态信息，包括：
接收企业针对目标金融机构发出的金融服务申请信息，其中，所述金融服务申请信息中包含有对应企业的唯一标识和金融服务类型；
根据所述企业的唯一标识，判断该企业是否为所述目标金融机构的历史企业用户，若否，则将该企业确定为当前未经金融服务授权的目标企业；
基于所述目标企业的唯一标识获取该目标企业的目标企业的运营状态信息，并根据所述金融服务类型选取对应的弱监督评分模型。


7.根据权利要求1所述的企业金融服务风险预测方法，其特征在于，在所述将该弱监督评分模型的输出作为该目标企业的金融服务风险预测等级之后，还包括：
判断所述目标企业的金融服务风险预测等级是否符合预设的金融服务要求，若是，则将该目标企业存储为历史企业客户，以向该目标企业提供金融服务。


8.一种企业金融服务风险预测装置，其特征在于，包括：
信息获取模块，用于获取当前未经金融服务授权的目...

【专利技术属性】
技术研发人员：倪灵，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11