数据评估方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，提供一种数据评估方法、装置、电子设备及存储介质，所述方法包括：每隔预设周期从预设的多个数据源中获取目标对象的内部信息数据及外部信息数据进行融合处理得到目标数据；从关联报表中提取多个第一属性特征及从参数信息中提取多个第二属性特征；并分别输入至类别对应的信用风险模型及经营风险模型中；获取信用风险值和经营风险值；根据信用风险值及经营风险值计算得到目标对象的最终风险值。本发明专利技术根据类别对应的风险模型计算目标对象的信用风险值和经营风险值，提高了目标对象数据评估的准确率。

【技术实现步骤摘要】
数据评估方法、装置、电子设备及存储介质
本专利技术涉及人工智能
，具体涉及一种数据评估方法、装置、电子设备及存储介质。
技术介绍
随着一系列关于规范地方政府债务管理、防范财政风险等方面的策略的出台，需要清楚的掌握每个目标对象的经营情况及债务情况，进而得到每个目标对象的风险评级，根据风险评级进行数据评估。然而，现有技术只是根据每个目标对象的关联报表进行风险评估，风险评估的维度单薄，分析能力不高，未考虑到目标对象的参数信息的维度数据，使得风险评估的评估结果不准确，无法正确的进行目标对象数据评估，导致计算得到的目标对象风险值的正确率低。
技术实现思路
鉴于以上内容，有必要提出一种数据评估方法、装置、电子设备及存储介质，根据类别对应的风险模型计算目标对象的信用风险值和经营风险值，提高了目标对象的数据评估的准确率。本专利技术的第一方面提供一种数据评估方法，所述方法包括：每隔预设周期利用网络爬虫技术从预设的多个数据源中获取目标对象的内部信息数据及外部信息数据；融合处理所述内部信息数据及所述外部信息数据并得到目标数据，其中，所述目标数据包括目标对象的类别、关联报表及参数信息；从所述关联报表中提取多个第一属性特征，及从所述参数信息中提取多个第二属性特征；将所述多个第一属性特征输入至所述类别对应的信用风险模型，及将所述多个第二属性特征输入至所述类别对应的经营风险模型；获取所述信用风险模型输出的信用风险值和所述经营风险模型输出的经营风险值；根据所述信用风险值及所述经营风险值计算得到所述目标对象的最终风险值。优选的，所述融合处理所述内部信息数据及所述外部信息数据并得到目标数据包括：提取所述内部消息数据中的多个第一关键字段及所述外部信息数据中的多个第二关键字段；将所述多个第一关键字段转换成预设类型的第一结构化数据及将所述多个第二关键字段转换成预设类型的第二结构化数据；按照预设的识别规则识别所述第一结构化数据及所述第二结构化数据之间的关联关系，并按照所述关联关系连接所述第一结构化数据及所述第二结构化数据得到所述目标对象的目标数据。优选的，所述从所述关联报表中提取多个第一属性特征，及从所述参数信息中提取多个第二属性特征包括：使用第一深度学习算法从所述关联报表中提取与预先设定的信用风险特征词的相似度大于预设相似度阈值的多个信用风险特征标签，将所述多个信用风险特征标签作为多个第一属性特征；使用第二深度学习算法从所述参数信息中提取与预先设定的经营风险特征词的相似度大于预设相似度阈值的多个经营风险特征标签，将所述多个经营风险特征标签作为多个第二属性特征。优选的，所述信用风险模型的训练过程包括：获取每个类别对应的多个目标对象；提取每个目标对象的多个第一属性特征及对应的权重值和信用风险值，形成数据集；将所述数据集随机分为第一数量的训练集和第二数量的测试集；将所述训练集中的多个第一属性特征及对应的权重值和信用风险值输入至预设卷积神经网络中进行训练，得到信用风险模型；将所述测试集输入至所述信用风险模型中进行测试，得到测试通过率；判断所述测试通过率是否大于预设通过率阈值；当所述测试通过率大于或者等于所述预设通过率阈值时，结束所述信用风险模型的训练；或者，当所述测试通过率小于所述预设通过率阈值时，增加所述训练集的数量，重新进行信用风险模型的训练。优选的，所述根据所述信用风险值及所述经营风险值计算得到所述目标对象的最终风险值包括：计算所述信用风险值与预设的第一权重值的乘积，得到第一最终风险值；计算所述经营风险值与预设的第二权重值的乘积，得到第二最终风险值；计算所述第一最终风险值和所述第二最终风险值的总和得到所述目标对象的最终风险值。优选的，在根据所述信用风险值和所述经营风险值计算得到所述目标对象的最终风险值之后，所述方法还包括：将所述目标对象的最终风险值与预设的风险阈值进行比对；当所述目标对象的最终风险值大于或者等于所述预设的风险阈值时，标识所述目标对象为可推荐目标对象；当所述目标对象的最终风险值小于所述预设的风险阈值时，上报风险处置预案至所述目标对象。优选的，当所述目标对象的最终风险值小于所述预设的风险阈值时，所述方法还包括：根据所述目标对象的多个第一属性特征及对应的权重值和信用风险值，及所述目标对象的多个第二属性特征及对应的权重值和经营风险值生成风险预警信息，并发送所述风险预警信息至数据评估部门。本专利技术的第二方面提供一种数据评估装置，所述装置包括：第一获取模块，用于每隔预设周期利用网络爬虫技术从预设的多个数据源中获取目标对象的内部信息数据及外部信息数据；融合处理模块，用于融合处理所述内部信息数据及所述外部信息数据并得到目标数据，其中，所述目标数据包括目标对象的类别、关联报表及参数信息；提取模块，用于从所述关联报表中提取多个第一属性特征，及从所述参数信息中提取多个第二属性特征；输入模块，用于将所述多个第一属性特征输入至所述类别对应的信用风险模型，及将所述多个第二属性特征输入至所述类别对应的经营风险模型；第二获取模块，用于获取所述信用风险模型输出的信用风险值和所述经营风险模型输出的经营风险值；计算模块，用于根据所述信用风险值及所述经营风险值计算得到所述目标对象的最终风险值。本专利技术的第三方面提供一种电子设备，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述的数据评估方法。本专利技术的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的数据评估方法。综上所述，本专利技术所述的一种数据评估方法、装置、电子设备及存储介质，一方面通过目标对象的类别对应不同的风险模型，根据不同的风险评估模型计算不同的目标对象的信用风险值和经营风险值得到最终风险值，根据最终风险值评估目标对象，提高了目标对象的数据评估的准确率；另一方面，通过对所述信用风险值和所述经营风险值分别设置预设的权重值，提高了最终风险值的准确性。此外，通过在所述目标对象的风险值小于所述预设风险阈值之后，上报风险处置预案至所述目标对象，所述目标对象可以根据上报的风险处置预案及时的做出正确决策，辅助提高目标对象快速的做出正确的决策。附图说明图1是本专利技术实施例一提供的数据评估方法的流程图。图2是本专利技术实施例提供的目标对象类别A的第一属性特征的第一示意图。图3是本专利技术实施例提供的目标对象类别A的第一属性特征的第二示意图。图4是本专利技术实施例二提供的数据评估装置的结构图。图5是本专利技术实施例三提供的电子设备的结构示意图。如下具体实施方式将结合上述附图进一步说明本专利技术。具体实施方式为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具本文档来自技高网...

【技术保护点】
1.一种数据评估方法，其特征在于，数据评估方法包括：/n每隔预设周期利用网络爬虫技术从预设的多个数据源中获取目标对象的内部信息数据及外部信息数据；/n融合处理所述内部信息数据及所述外部信息数据并得到目标数据，其中，所述目标数据包括目标对象的类别、关联报表及参数信息；/n从所述关联报表中提取多个第一属性特征，及从所述参数信息中提取多个第二属性特征；/n将所述多个第一属性特征输入至所述类别对应的信用风险模型，及将所述多个第二属性特征输入至所述类别对应的经营风险模型；/n获取所述信用风险模型输出的信用风险值和所述经营风险模型输出的经营风险值；/n根据所述信用风险值及所述经营风险值计算得到所述目标对象的最终风险值。/n

【技术特征摘要】
1.一种数据评估方法，其特征在于，数据评估方法包括：
每隔预设周期利用网络爬虫技术从预设的多个数据源中获取目标对象的内部信息数据及外部信息数据；
融合处理所述内部信息数据及所述外部信息数据并得到目标数据，其中，所述目标数据包括目标对象的类别、关联报表及参数信息；
从所述关联报表中提取多个第一属性特征，及从所述参数信息中提取多个第二属性特征；
将所述多个第一属性特征输入至所述类别对应的信用风险模型，及将所述多个第二属性特征输入至所述类别对应的经营风险模型；
获取所述信用风险模型输出的信用风险值和所述经营风险模型输出的经营风险值；
根据所述信用风险值及所述经营风险值计算得到所述目标对象的最终风险值。


2.如权利要求1所述的数据评估方法，其特征在于，所述融合处理所述内部信息数据及所述外部信息数据并得到目标数据包括：
提取所述内部消息数据中的多个第一关键字段及所述外部信息数据中的多个第二关键字段；
将所述多个第一关键字段转换成预设类型的第一结构化数据及将所述多个第二关键字段转换成预设类型的第二结构化数据；
按照预设的识别规则识别所述第一结构化数据及所述第二结构化数据之间的关联关系，并按照所述关联关系连接所述第一结构化数据及所述第二结构化数据得到所述目标对象的目标数据。


3.如权利要求1所述的数据评估方法，其特征在于，所述从所述关联报表中提取多个第一属性特征，及从所述参数信息中提取多个第二属性特征包括：
使用第一深度学习算法从所述关联报表中提取与预先设定的信用风险特征词的相似度大于预设相似度阈值的多个信用风险特征标签，将所述多个信用风险特征标签作为多个第一属性特征；
使用第二深度学习算法从所述参数信息中提取与预先设定的经营风险特征词的相似度大于预设相似度阈值的多个经营风险特征标签，将所述多个经营风险特征标签作为多个第二属性特征。


4.如权利要求1所述的数据评估方法，其特征在于，所述信用风险模型的训练过程包括：
获取每个类别对应的多个目标对象；
提取每个目标对象的多个第一属性特征及对应的权重值和信用风险值，形成数据集；
将所述数据集随机分为第一数量的训练集和第二数量的测试集；
将所述训练集中的多个第一属性特征及对应的权重值和信用风险值输入至预设卷积神经网络中进行训练，得到信用风险模型；
将所述测试集输入至所述信用风险模型中进行测试，得到测试通过率；
判断所述测试通过率是否大于预设通过率阈值；
当所述测试通过率大于或者等于所述预设通过率阈值时，结束所述信用风险模型的训练；或者，当所述测试通过率小于所述预设...

【专利技术属性】
技术研发人员：杨智威，
申请(专利权)人：平安国际智慧城市科技股份有限公司，
类型：发明
国别省市：广东;44