一种商户评级方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种商户评级方法、装置、电子设备及存储介质，本发明专利技术构建有信用评级模型，且预先采用海量样本商户的样本运营数据和每个样本运营数据的标签数据为输入，每个样本商户的信用评级结果为输出，来训练该信用评级模型；如此，本发明专利技术相当于采用机器学习的方式，建立了商户运营数据与信用等级之间的函数关系；因此，在应用时，只需要获取目标商户用于进行评级的运营数据；而后，将该运营数据输入至前述信用评级模型，即可得到目标商户的信用评级结果；由此通过前述设计，本发明专利技术采用机器学习的方式来进行商户信用评级，其不依赖于人为经验，相比于传统技术，不仅效率快，且准确性得到了大幅提升，适用于在商户评级领域的大规模应用与推广。应用与推广。应用与推广。

【技术实现步骤摘要】
一种商户评级方法、装置、电子设备及存储介质


[0001]本专利技术属于数据处理
，具体涉及一种商户评级方法、装置、电子设备及存储介质。

技术介绍

[0002]在经济全球化的趋势下，信用将成为主要的交易方式，其中，信用可作为企业选择客户的依据，客户可根据企业和/或商户的信用来确定出消费对象，同时，企业和/或商户也可根据自身的信用来了解经营情况；因此，信用评级的重要性则变得尤为重要。
[0003]商户信用等级的评定，是一个技术和业务都相对复杂的过程，需要考量商户成立年份、罚款金额、奖励金额、销售利润、负债情况、所属行业等诸多因素；目前，常用的评级方法是专家判别法，此方法基本是通过个人经验，对每个指标设置权重，并将全部因素统一设置成百分制，从而依据权重和人工经验所得到的分值，来得出评级结果；但是，此方法不仅效率慢，还会过于依靠人为经验，在人的经验不足或者有偏差的情况下，对结果有致命的影响，其准确性得不到保障；基于此，如何提供一种不依赖于人为经验的商户评级方法，已成为一个亟待解决的问题。

技术实现思路

[0004]本专利技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种商户评级方法，其特征在于，包括：获取目标商户的运营数据，其中，所述运营数据包括所述目标商户的经济数据、信用数据以及商户特征数据，且所述经济数据包括盈利能力指标、经营能力指标、债务偿还能力指标和资产增长能力指标，所述信用数据包括若干信用指标，所述商户特征数据包括商户规模指标和商户稳定性指标；获取信用评级模型，其中，所述信用评级模型是以海量样本商户的样本运营数据和每个样本运营数据的标签数据为输入，每个样本商户的信用评级结果为输出而训练得到的，且任一样本运营数据的标签数据为该任一样本运营数据对应样本商户的真实信用评级结果；将所述运营数据输入至所述信用评级模型中进行信用评级处理，以在信用评级处理后，得到所述目标商户的信用评级结果；所述信用评级模型包括输入层、隐含层和输出层，其中，所述输入层包括若干输入神经元，所述隐含层包括若干隐层神经元，所述输出层包括一个输出神经元，所述输入神经元的个数等于所述运营数据内所含指标的总个数，且所述隐层神经元的个数是根据所述输入神经元的个数和所述输出神经元的个数计算得到的；所述输入层，用于将所述运营数据输入至所述隐含层，以便所述隐含层对所述运营数据进行特征线性处理，得到所述目标商户的信用特征数据；所述隐含层，还用于对所述信用特征数据进行信用评级分类，得到所述目标商户的信用值；所述输出层，用于基于输出传递函数，对所述信用值进行非线性变化，以在非线性变化后，得到所述目标商户的信用评级结果。2. 根据权利要求1所述的方法，其特征在于，所述隐层神经元的个数采用如下公式（1）计算得到； （1）上述式（1）中，表示所述隐含层中隐层神经元的个数，表示所述输入神经元的个数，表示所述输出神经元的个数，表示节点系数，为常数，且表示向下取整；其中，所述隐含层的传递函数为： （2）上述式（2）中，表示所述隐含层的传递函数，表示隐含基函数，且，其中，表示所述信用评级模型的第a个输入数据，,表示所述运营数据，为运营数据中指标的总个数，为第a个输入数据对应输入神经元与各隐层神经元的权重集合，为目标隐层神经元的权重阈值，且目标隐层神经元为第a个输
入数据对应输入神经元所连接的隐层神经元；相应的，所述输出层的输出传递函数为：（3）上述式（3）中，表示所述输出传递函数，表示输出基函数，且，表示各隐层神经元与输出神经元的权重集合，表示输出神经元的权重阈值。3.根据权利要求1所述的方法，其特征在于，在获取目标商户的运营数据前，所述方法还包括：获取海量样本商户的原始运营数据，并对每个原始运营数据进行数据预处理，得到每个样本商户对应的样本运营数据，其中，所述数据预处理包括对各个原始运营数据的量化处理，各个原始运营数据中离散型数据的最大最小值归一化处理，以及各个原始运营数据中连续型数据的正态分布归一化处理；对每个样本商户的样本运营数据进行标签标注，得到每个样本运营数据的标签数据；利用每个样本商户对应的样本运营数据，以及每个样本运营数据对应的标签数据，组成训练数据集；以所述训练数据集为输入，每个样本商户的信用评级结果为输出，训练BP神经网络模型，并在训练过程中，根据BP神经网络模型的输出值，调整BP神经网络模型的模型参数，直至所述BP神经网络模型的损失函数值小于预设阈值时结束训练过程，以得到所述信用评级模型，其中，损失函数值是根据每个样本运营数据的标签数据和BP神经网络模型的输出值所计算得到的，且所述模型参数包括各个输入神经元与各个隐层神经元之间的权重、各个隐层神经元与所述输出神经元之间的权重、各隐层神经元的权重阈值以及所述输出神经元的权重阈值。4.根据权利要求3所述的方法，其特征在于，以所述训练数据集为输入，每个样本商户的信用评级结果为输出，训练BP神经网络模型，并在训练过程中，根据BP神经网络模型的输出值，调整BP神经网络模型的模型参数，直至所述BP神经网络模型的损失函数值小于预设阈值时结束训练过程，以得到所述信用评级模型，包括：获取所述BP神经网络模型的模型参数，并基于所述模型参数，构建k个初始参数粒子，其中，任一初始参数粒子的第一维数据包括所述BP神经网络模型中各个输入神经元与各个隐层神经元之间的权重，所述任一初始参数粒子的第二维数据包括所述BP神经网络模型中各隐层神经元与所述输出神经元之间的权重，所述任一初始参数粒子的第三维数据包括所述BP神经网络模型中各隐层神经元的权重阈值，所述任一初始参数粒子的第四维数据包括所述BP神经网络模型中输出神经元的权重阈值，其中，k为大于1的正整数；将每个初始参数粒子作为所述BP神经网络模型在第s次训练时的训练模型参数，并在k个训练模型参数的条件下，以所述训练数据集中的第i个样本运营数据为输入，所述第i个样本运营数据对应样本商户的信用评级结果为输出，训练所述BP神经网络模型，以得到第i个样本运营数据对应样本商户的k个信用评级结果，其中，s和i的初始值均为1；利用适应度函数，并基于所述第i个样本运营数据对应样本商户的k个信用评级结果，以及所述第i个样本运营数据的标签数据，计算得到每个初始参数粒子在第s次训练时的适
应度，其中，所述适应度函数为所述BP神经网络模型的损失函数；判断每个初始参数粒子在第s次训练时的适应度是否小于预设阈值；若否，则基于每个初始参数粒子在第s次训练时的适应度，确定出BP神经网络模型在第s次数训练时的全局最优适应度，以及各个...

【专利技术属性】
技术研发人员：张钰琨，
申请(专利权)人：蓝色火焰科技成都有限公司，
类型：发明
国别省市：