CN105528465A - 信用状况评估方法及装置 - Google Patents

Abstract

本发明实施例提出一种信用状况评估方法及装置，该方法包括：实时爬取与目标主体相关联的在第一预设时间段内的所有新闻数据；对所爬取的每条新闻数据进行分词处理；利用预设的利好利空分类模型对经分词处理后的每条新闻数据进行分类处理，对所得到的与所述每条新闻数据相对应的利好状况或利空状况进行统计得到与所述目标主体相关联的消息面利好或利空指数；获取与所述目标主体相关联的多个当前固定收益因子；利用预设的信用评估模型，根据所述消息面利好或利空指数以及所述多个当前固定收益因子评估所述目标主体的信用状况。

Description

信用状况评估方法及装置

技术领域

本发明涉及计算机互联网领域，具体而言，涉及一种信用状况评估方法及装置。

背景技术

现有技术中，利用神经语言程序学(NLP)技术可以判断出互联网舆情的正负情感倾向，但没有技术方案将互联网舆情与债券类产品特别是固定收益类产品的投资逻辑相联系，原因在于互联网舆情的正负面消息和投资逻辑中的正负面因子存在较大区别。也就是说，目前多利用发行固定收益类产品的实体(即公司)的财务信息、行业信息、市场信息等评估该实体的信用状况，以辅助固定收益投资决策分析。但是这种方法所获得信用状况还不够全面也不够准确。

发明内容

鉴于此，本发明的目的在于提供一种信用状况评估方法及装置，以改善现有技术中对实体的信用状况的评估存在较不全面且较不准确的问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种信用状况评估方法，包括：实时爬取与目标主体相关联的在第一预设时间段内的所有新闻数据；对所爬取的每条新闻数据进行分词处理；利用预设的利好利空分类模型对经分词处理后的每条新闻数据进行分类处理，对所得到的与所述每条新闻数据相对应的利好状况或利空状况进行统计得到与所述目标主体相关联的消息面利好或利空指数；获取与所述目标主体相关联的多个当前固定收益因子；利用预设的信用评估模型，根据所述消息面利好或利空指数以及所述多个当前固定收益因子评估所述目标主体的信用状况。

第二方面，本发明实施例还提供了一种信用状况评估装置，包括：爬取模块，用于实时爬取与目标主体相关联的在第一预设时间段内的所有新闻数据；分词模块，用于对所爬取的每条新闻数据进行分词处理；利好利空统计模块，用于利用预设的利好利空分类模型对经分词处理后的每条新闻数据进行分类处理，对所得到的与所述每条新闻数据相对应的利好状况或利空状况进行统计得到与所述目标主体相关联的消息面利好或利空指数；获取模块，用于获取与所述目标主体相关联的多个当前固定收益因子；评估模块，用于利用预设的信用评估模型，根据所述消息面利好或利空指数以及所述多个当前固定收益因子评估所述目标主体的信用状况。

本发明实施例提供的信用状况评估方法及装置，通过爬取与目标主体相关联的新闻数据，对所爬取的每条新闻数据进行分词处理和利好利空分类处理得到该条新闻对应的利好或利空状况，对与每条新闻数据相对应的利好状况或利空状况进行统计得到与所述目标主体相关联的消息面利好或利空指数，之后结合与目标主体相关联的固定收益因子综合评估出目标主体的信用状况。由此可见，在本发明实施例提供的方案中，通过将互联网舆情转换为投资逻辑中的利好利空因素，以在评估目标主体的信用状况的过程中充分考虑互联网舆情的可能影响，使得可以提高目标主体的信用状况的评估准确度，有助于提升对固定收益投资决策分析的辅助力度，为用户带来便利性。

为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。通过附图所示，本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本发明的主旨。

图1为本发明实施例的应用环境示意图；

图2示出了一种可应用于本发明实施例的服务器的结构框图；

图3示出了本发明第一实施例提供的信用状况评估方法的流程图；

图4示出了本发明第二实施例提供的信用状况评估方法的流程图；

图5示出了本发明第三实施例提供的信用状况评估装置的示意性结构图；

图6示出了本发明第四实施例提供的信用状况评估装置的示意性结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本发明下述各实施例均可应用于如图1所示的环境中。如图1所示，服务器100通过网络300与一个或多个用户终端200进行通信连接，以进行数据通信或交互。所述服务器100可以是即时通信服务器、网络服务器、数据库服务器、验证服务器等多个服务器，也可以是一个服务器。所述用户终端200可以是个人电脑(personalcomputer，PC)、平板电脑、智能手机、个人数字助理(personaldigitalassistant，PDA)等。用户终端200和服务器100可以在Wi-Fi(无线保真)网络、2G/3G/4G网络或局域网中建立通信连接。

图2示出了一种可应用于本发明实施例中的服务器的结构框图。如图2所示，所述服务器100可以包括本发明实施例提供的信用状况评估装置、存储器102、存储控制器103、处理器104和网络模块105。

存储器102、存储控制器103、处理器104、网络模块105各元件之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。所述信用状况评估装置包括至少一个可以以软件或固件(firmware)的形式存储于存储器102中的软件功能模块，例如所述信用状况评估装置包括的软件功能模块或计算机程序。

存储器102可以存储各种软件程序以及模块，如本发明实施例提供的信用状况评估方法及装置对应的程序指令/模块，处理器104通过运行存储在存储器102中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本发明实施例中的信用状况评估方法。存储器102可以包括但不限于随机存取存储器(RandomAccessMemory，RAM)，只读存储器(ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，PROM)，可擦除只读存储器(ErasableProgrammableRead-OnlyMemory，EPROM)，电可擦除只读存储器(ElectricErasableProgrammableRead-OnlyMemory，EEPROM)等。

处理器104可以是一种集成电路芯片，具有信号处理能力。上述处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

网络模块105用于接收以及发送网络信号。上述网络信号可包括无线信号或者有线信号。

可以理解，图2所示的结构仅为示意，服务器100还可以包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。另外，本发明实施例中的服务器还可以包括多个具体不同功能的服务器。

在本发明实施例中，用户终端200中可以安装有客户端，该客户端可以是第三方应用软件，与服务器端相对应，从而为用户提供服务，例如查询投资相关资讯等。本发明实施例主要是基于在服务器端利用与目标主体相关联的新闻数据和多个固定收益因子综合评估目标主体的信用状况的场景，将所评估出的信用状况通过客户端推送给相关用户，例如持有或关注该目标主体发行的固定收益产品的用户，以便用户据此做出进一步投资决策。需要注意的是，本文中所提及的主体是指发行固定收益类产品的公司。此外，本发明实施例提供的方案优选适用于固定收益类产品投资分析应用场景。

第一实施例

图3示出了本发明第一实施例提供的信用状况评估方法的流程图。请参阅图3，第一实施例提供的信用状况评估方法可以包括：

步骤S11，实时爬取与目标主体相关联的在第一预设时间段内的所有新闻数据。

具体地，服务器可以从各政府机构网站、财经网站、所述目标主体的门户网站、以及社交媒体网站中的一个或几个的组合中实时(例如每隔5分钟)爬取与所述目标主体相关联的在第一预设时间段内的所有新闻数据。所获取的新闻数据中可以包括影响目标主体的发展趋势的各种政策数据、大众媒体对目标主体的分析评价数据、目标主体的发展策略数据等。社交媒体网站可以包括微博、论坛等。为了提高准确度，应当尽可能地爬取与所述目标主体相关联的所有历史新闻数据，也就是说，第一预设时间段应当尽可能长。优选地，第一预设时间段可以为两年至三年。

步骤S12，对所爬取的每条新闻数据进行分词处理。

在爬取到与所述目标主体相关联的新闻数据之后，服务器可以对其进行分词处理，以便于进行后续运算。可以采用现有技术中已知的分词方法进行分词处理。优选地，可以利用预设的分词模型对所爬取的每条新闻数据进行分词处理。

所述预设的分词模型可以通过以下步骤预先建立：获取基础的分词语料库，并且基于所述分词语料库，确定以字为基础的观察状态，以所述字的分词属性作为隐藏状态(B/词头、M/词中、E/词尾、S/单字成词)，由所述隐藏状态之间的转移概率构建转移矩阵，确定所述隐藏状态的初始时刻的概率矩阵，以及以所述观察状态在各个所述隐藏状态下的概率和所述字之间的交互信息(联合分布和乘积分布的交互熵)构建混淆矩阵；对所述分词语料库未覆盖的词的参数进行拉普拉斯平滑处理，将由此得到的隐马尔科夫模型作为所述预设的分词模型。为了便于理解，假设分词预料库有两句话“A科技公司已成立科技子公司”和“B机构濒临破产”，观察状态即为“A、科、技、公、司、已、成、立、科、技、子、公、司、B、机、构、濒、临、破、产”这20个字，隐藏状态包括词头(例如“科”)、词中(例如“技”、“公”)、词尾(例如“司”)、单字成词(例如“已”)，转移矩阵即各个隐藏状态中一个状态转移到另一个的概率(例如，单子成词到单子成词的概率，单子成词到词头的概率等)的集合，在此例中初始时刻的概率分布可以为A和B开头的概率(均为1/2)，混淆矩阵可以由隐藏状态表现为观察状态的概率构成。

步骤S13，利用预设的利好利空分类模型对经分词处理后的每条新闻数据进行分类处理，对所得到的与所述每条新闻数据相对应的利好状况或利空状况进行统计得到与所述目标主体相关联的消息面利好或利空指数。

由于互联网舆情的正负面消息和投资逻辑中的正负面因子存在较大区别，所以需要对从互联网爬取的新闻数据进行利好利空分类处理，即需要确定每条所爬取的新闻数据所对应的利好或利空程度。于一种具体实施方式中，可以利用预设的利好利空分类模型对经分词处理后的每条新闻数据进行分类处理。利用预设的利好利空分类模型，可以分别计算每条新闻数据属于利好类的概率和属于利空类的概率，将该条新闻数据划分为属于所计算出的概率中的较大概率对应的类别。

例如，如果计算出一条新闻数据属于利好类的概率大于其属于利空类的概率，可以确定该条新闻数据属于利好类。类似地，如果计算出一条新闻数据属于利好类的概率小于其属于利空类的概率，可以确定该条新闻数据属于利空类。在计算出每条新闻数据对应的利好状况或利空状况之后，通常可以先针对所有新闻数据进行去重处理，之后对去重之后的新闻数据进行统计处理。优选地，可以计算所爬取的第一预设时间段内的所有新闻数据中被划分为利空类的新闻数据的条数占所述所有新闻数据的总条数的比例，作为与所述目标主体相关联的消息面利好或利空指数。然而，还可以计算所爬取的第一预设时间段内的所有新闻数据中被划分为利好类的新闻数据的条数占所述所有新闻数据的总条数的比例，作为与所述目标主体相关联的消息面利好或利空指数。此外，还可以采用其他统计方式，本发明具体实施方式并不以此为限。

于一种具体实施方式中，所述预设的利好利空分类模型可以通过以下步骤预先建立：获取针对固定收益业务的多个利好利空消息样本，每个所述利好利空消息样本包括一条已分词的与一个主体相关联的第一历史新闻数据和与该已分词的第一历史新闻数据相对应的已确定利好或利空状况；将所述多个利好利空消息样本分为一组训练用利好利空消息样本以及一组测试用利好利空消息样本；利用所述一组训练用利好利空消息样本对贝叶斯模型或adaboosting模型进行训练，利用所述一组测试用利好利空消息样本对经训练的贝叶斯模型或adaboosting模型进行检验，并在检验结果满足第一预设条件时将所述经训练的贝叶斯模型或adaboosting模型设定为所述预设的利好利空分类模型。

在上述预先建立利好利空分类模型的过程中，所述多个利好利空消息样本可以是固定收益研究员针对固定收益业务整理得到的。所获取的多个利好利空消息样本可以分别与多个主体相关联，其中所述多个利好利空消息样本中的一些还可以与同一主体相关联。每一已分词的第一历史新闻数据对应于利好状况还是利空状况可以是由固定收益研究员确定的。

当利好利空消息样本的数目相对较少(即为小数据集)时，服务器可以对贝叶斯模型(收敛速度较快)进行训练，相应地在检验结果满足第一预设条件时将经训练的贝叶斯模型设定为所述预设的利好利空分类模型。当利好利空消息样本的数目相对较多(即为大数据集)时，可以对adaboosting模型进行训练，相应地在检验结果满足第一预设条件时将经训练的adaboosting模型设定为所述预设的利好利空分类模型。检验结果满足第一预设条件可以表示：利用所述一组测试用利好利空消息样本对经训练的贝叶斯模型或adaboosting模型进行检验得到的正确率超过预设阈值，该预设阈值可以根据具体情况设定，例如85％或90％。

此外，还可以通过抽取上述多个利好和利空消息样本中的关键词建立预设的利好利空分类模型。也就是说，可以通过关键词匹配的方法对每条新闻数据进行利好利空分类。

步骤S14，获取与所述目标主体相关联的多个当前固定收益因子。

于一种具体实施方式中，所述获取与所述目标主体相关联的多个当前固定收益因子可以包括：获取与所述目标主体相关联的当前偿债能力因子、营运能力因子、增长能力因子、获利能力因子、现金流因子、资产负债结构因子、行业因子、产品市场因子和经营管理因子中的至少一部分。

所述偿债能力因子可以包括资产负债率(负债总额/资产总额)、流动比率(流动资产/流动负债)、速动比率((流动资产-存货)/流动负债)、利息保障倍数(息税前利润/利息费用)、有形净值债务率(负债总额/(股东权益-无形资产值))、现金比率(来自经营的现金流量/流动负债)、股东权益比率(股东权益/总资产)和固定资产比率(固定资产/总资产)。

所述营运能力因子可以包括总资产周转率(销售收入/平均总资产)、流动资产周转率(销售收入/流动资产平均余额)、存货周转率(销售成本/平均存货)、应收账款周转率(销售收入/平均应收账款)和股东权益周转率(销售收入/股东权益)。

所述增长能力因子可以包括资本累计率(本年所有者权益增长额/年初所有者权益)、税后利润增长率((本年税后利润-上年税后利润)/上年税后利润)和总资产增长率((本年总资产-上年总资产)/本年总资产)。

所述获利能力因子可以包括净资产收益率(净利润/平均净资产)、主营业务利润率((主营业务收入-主营业务成本)/主营业务收入)、总资产报酬率(净利润/平均总资产)和销售净利率(净利润/销售收入)。

所述现金流因子包括现金流动债务比(现金流量/流动负债)和每股经营现金流量(经营现金净流入/平均总股本)。

所述资产负债结构因子包括资产规模(Ln(资产))、以及流动负债和资产的净重比(流动负债/资产)。

所述行业因子包括成本结构、行业周期、行业盈利、行业成熟性和行业地位。所述产品市场因子包括产品质量、产品替代性、产品性能、市场竞争和供产销流畅度。所述经营管理因子包括管控能力、治理结构科学度、管理层稳定性、管理层应变能力、凝聚力、企业文化、信息违规权重*次数、投机行为。

所述多个当前固定收益因子可以从预设数据库获取，其中所述行业因子、所述产品市场因子和所述经营管理因子通常是通过专业分析(例如专业技术人员和/或相关应用程序分析)得出的。所述预设数据库可以内置于所述服务器，也可以外置于所述服务器。

步骤S15，利用预设的信用评估模型，根据所述消息面利好或利空指数以及所述多个当前固定收益因子评估所述目标主体的信用状况。

在获得与所述目标主体相关联的消息面利好指数或利空指数以及多个当前固定收益因子之后，将所获得的所有数据作为预设的信用评估模型的输入即可评估出所述目标主体的信用状况为优、良、中、较差还是差。

于一种具体实施方式中，所述预设的信用评估模型可以通过以下步骤预先建立：获取多条历史样本数据，每条所述历史样本数据与一个样本主体相对应，并包括与该样本主体相关联的消息面历史利好或利空指数、多个历史固定收益因子、以及历史实际信用状况，所述历史固定收益因子为所述历史实际信用状况的确定时间点处对应的固定收益因子，其中所述历史消息面利好或利空指数是通过对历史爬取的在第二预设时间段内的所有第二历史新闻数据进行分词处理、利用所述预设的利好利空分类模型对经分词处理的每条第二历史新闻数据进行分类处理并对分类后的结果进行统计得到的，每条所述第二历史新闻数据均与所述样本主体相关联，所述第二预设时间段的截止时间点早于且紧邻所述历史实际信用状况的确定时间点；将所述多条历史样本数据分为一组训练样本数据和一组测试样本数据；利用所述一组训练样本数据对神经网络模型进行训练(即训练神经网络模型的各参数)，利用所述一组测试样本数据检验经训练的神经网络模型，并在检验结果满足第二预设条件时将所述经训练的神经网络模型设定为所述预设的信用评估模型。

在上述预先建立信用评估模型的过程中，所获取的多条历史样本数据中的一些可以与同一样本主体相关联。所述第二预设时间段优选地等于所述第一预设时间段。优选地，所述一组训练样本数据可以占所述多条历史样本数据的70％，所述一组测试样本数据可以占所述多条历史样本数据的30％，然而上述百分比还可以根据实际情况变化，但应确保训练样本数据的数目大于测试样本数据的数目。检验结果满足第二预设条件可以表示：利用所述一组测试样本数据检验经训练的神经网络模型得到的正确率超过预设阈值，该预设阈值可以根据具体情况设定，例如90％。

每条历史样本数据包括的多个历史固定收益因子可以包括与对应于该历史样本数据的样本主体相关联的历史的偿债能力因子、营运能力因子、增长能力因子、获利能力因子、现金流因子、资产负债结构因子、行业因子、产品市场因子和经营管理因子。关于上述各因子的详细描述请参见上文。

本发明第一实施例提供的信用状况评估方法，通过爬取与目标主体相关联的新闻数据，对所爬取的每条新闻数据进行分词处理和利好利空分类处理得到该条新闻对应的利好或利空状况，对与每条新闻数据相对应的利好状况或利空状况进行统计得到与所述目标主体相关联的消息面利好或利空指数，之后结合与目标主体相关联的固定收益因子综合评估出目标主体的信用状况。由此可见，在本发明实施例提供的方案中，通过将互联网舆情转换为投资逻辑中的利好利空因素，以在评估目标主体的信用状况的过程中充分考虑互联网舆情的可能影响，使得可以提高目标主体的信用状况的评估准确度，有助于提升对固定收益投资决策分析的辅助力度，为用户带来便利性。

第二实施例

图4示出了本发明第二实施例提供的信用状况评价方法的流程图。请参阅图4，本发明第二实施例提供的信用状况评估方法与本发明第一实施例提供的信用状况评估方法的区别主要在于：第二实施例提供的信用状况评估方法还可以包括在步骤S12后执行的步骤S16和在步骤S15后执行的步骤S17。第二实施例与第一实施例的相同之处请参见第一实施例的相关描述，此处不再进行赘述。

步骤S16，将经分词处理的每条新闻数据与预设事件库中的关键事件的数据相匹配，每当一条经分词处理的新闻数据与一个所述关键事件的数据相匹配时，向持有由所述目标主体发行的固定收益类产品的用户推送与该关键事件相对应的通知。需要注意的是，步骤S16可以与步骤S13、S14、S15中的任一步骤同时执行，或者可以在步骤S15后执行。

具体地，所述预设事件库中的关键事件可以是历史沉淀的关键事件，包括能够明显正面影响所述目标主体的经营的事件和能够明显负面影响所述目标主体的经营的事件。关键事件的数据可以为关键事件的关键字。例如，对于一条经分词处理的新闻数据，当从其匹配到与一个所述关键事件的数据如“政府支持”时，可以将该新闻数据与“目标主体的经营项目得到政府大力支持”的关键事件相关联，并因此向持有由所述目标主体发行的固定收益类产品的用户推送通知以告知该用户上述关键事件。上述匹配可以通过WM算法、AC算法或其他合适的算法来执行。以此方式，可以结合预设事件库实时监测与目标主体相关联的新闻数据，从而实现对目标主体的重大事件的实时预警，以辅助用户做出投资决策。

步骤S17，将所述目标主体的信用状况推送至持有由所述目标主体发行的固定收益类产品的用户。

在通过所述预设的信用评估模型评估得到所述目标主体的信用状况后，服务器可以通过多种方式，例如客户端、电子邮件、短消息、网页等，将目标主体的信用状况推送至用户，以使用户及时得知目标主体的具体信用状况。用户可以根据所得知的信用状况做出投资决策，例如在目标主体的信用状况为好时继续持有由目标公司发行的固定收益类产品，而在目标主体的信用状况为差时选择放弃持有由目标公司发行的固定收益类产品。

优选地，在步骤S17中，除了向所述用户推送所述目标主体的信用状况之外，还可以将所爬取的新闻数据中最新的新闻数据推送至所述用户，以使所述用户可以及时获知所述目标主体的新闻动态，有助于所述用户做出固定投资决策。

第二实施例提供的技术方案除了可以实现第一实施例提供的技术方案的所有技术效果之外，还可以通过结合预设事件库实现对目标主体的重大事件的实时预警，此外还可以将用户感兴趣的有助于其做出固定收益投资决策的信息发送至用户，为用户带来便利性。

第三实施例

本发明第三实施例提供了一种信用状况评估装置。请参阅图5，本发明第三实施例提供的信用状况评估装置300A可以包括：

爬取模块310，用于实时爬取与目标主体相关联的在第一预设时间段内的所有新闻数据；

分词模块320，用于对所爬取的每条新闻数据进行分词处理；

利好利空统计模块330，用于利用预设的利好利空分类模型对经分词处理后的每条新闻数据进行分类处理，对所得到的与所述每条新闻数据相对应的利好状况或利空状况进行统计得到与所述目标主体相关联的消息面利好或利空指数；

获取模块340，用于获取与所述目标主体相关联的多个当前固定收益因子；

评估模块350，用于利用预设的信用评估模型，根据所述消息面利好或利空指数以及所述多个当前固定收益因子评估所述目标主体的信用状况。

于一种具体实施方式中，所述爬取模块310可以从各政府机构网站、财经网站、所述目标主体的门户网站、以及社交媒体网站中的一个或几个的组合中实时(例如每隔5分钟)爬取与所述目标主体相关联的在第一预设时间段内的所有新闻数据。

于一种具体实施方式中，所述分词模块320可以利用预设的分词模型对所爬取的每条新闻数据进行分词处理。进一步地，参阅图5，信用状况评估装置300A还可以包括分词模型预设模块360。

所述分词模型预设模块360可以用于：获取基础的分词语料库，并且基于所述分词语料库，确定以字为基础的观察状态，以所述字的分词属性作为隐藏状态(B/词头、M/词中、E/词尾、S/单字成词)，由所述隐藏状态之间的转移概率构建转移矩阵，确定所述隐藏状态的初始时刻的概率矩阵，以及以所述观察状态在各个所述隐藏状态下的概率和所述字之间的交互信息(联合分布和乘积分布的交互熵)构建混淆矩阵；对所述分词语料库未覆盖的词的参数进行拉普拉斯平滑处理，将由此得到的隐马尔科夫模型作为所述预设的分词模型。

进一步地，参阅图5，信用状况评估装置300A还可以包括分类模型预设模块370。所述分类模型预设模块370可以用于：获取针对固定收益业务的多个利好利空消息样本，每个所述利好利空消息样本包括一条已分词的与一个主体相关联的第一历史新闻数据和与该已分词的第一历史新闻数据相对应的已确定利好或利空状况；将所述多个利好利空消息样本分为一组训练用利好利空消息样本以及一组测试用利好利空消息样本；利用所述一组训练用利好利空消息样本对贝叶斯模型或adaboosting模型进行训练，利用所述一组测试用利好利空消息样本对经训练的贝叶斯模型或adaboosting模型进行检验，并在检验结果满足第一预设条件时将所述经训练的贝叶斯模型或adaboosting模型设定为所述预设的利好利空分类模型。

于一种具体实施方式中，所述获取模块340获取的与所述目标主体相关联的多个当前固定收益因子可以包括：与所述目标主体相关联的当前偿债能力因子、营运能力因子、增长能力因子、获利能力因子、现金流因子、资产负债结构因子、行业因子、产品市场因子和经营管理因子中的至少一部分。

进一步地，参阅图5，信用状况评估装置300A还可以包括信用评估模型预设模块380。所述信用评估模型预设模块380可以用于：获取多条历史样本数据，每条所述历史样本数据与一个样本主体相对应，并包括与该样本主体相关联的历史消息面利好或利空指数、多个历史固定收益因子、以及历史实际信用状况，所述历史固定收益因子为所述历史实际信用状况的确定时间点处对应的固定收益因子，其中所述历史消息面利好或利空指数是通过对历史爬取的在第二预设时间段内的所有第二历史新闻数据进行分词处理、利用所述预设的利好利空分类模型对经分词处理的每条第二历史新闻数据进行分类处理并对分类后的结果进行统计得到的，每条所述第二历史新闻数据均与所述样本主体相关联，所述第二预设时间段的截止时间点早于且紧邻所述历史实际信用状况的确定时间点；将所述多条历史样本数据分为一组训练样本数据和一组测试样本数据；利用所述一组训练样本数据对神经网络模型进行训练(即训练神经网络模型的各参数)，利用所述一组测试样本数据检验经训练的神经网络模型，并在检验结果满足第二预设条件时将所述经训练的神经网络模型设定为所述预设的信用评估模型。

本实施例对信用状况评估装置300A的各功能模块实现各自功能的具体过程，请参见上述图1至图3所示实施例中描述的具体内容，此处不再赘述。

本发明第三实施例提供的信用状况评估装置，通过爬取与目标主体相关联的新闻数据，对所爬取的每条新闻数据进行分词处理和利好利空分类处理得到该条新闻对应的利好或利空状况，对与每条新闻数据相对应的利好状况或利空状况进行统计得到与所述目标主体相关联的消息面利好或利空指数，之后结合与目标主体相关联的固定收益因子综合评估出目标主体的信用状况。由此可见，在本发明实施例提供的方案中，通过将互联网舆情转换为投资逻辑中的利好利空因素，以在评估目标主体的信用状况的过程中充分考虑互联网舆情的可能影响，使得可以提高目标主体的信用状况的评估准确度，有助于提升对固定收益投资决策分析的辅助力度，为用户带来便利性。

第四实施例

图6示出了本发明第四实施例提供的信用状况评价装置的示意性结构图。请参阅图6，本发明第四实施例提供的信用状况评估装置300B与本发明第三实施例提供的信用状况评估装置300A的区别主要在于：信用状况评估装置300B还可以包括匹配模块390和推送模块400。

所述匹配模块390可以用于：将经分词处理的每条新闻数据与预设事件库中的关键事件的数据相匹配，每当一条经分词处理的新闻数据与一个所述关键事件的数据相匹配时，向持有由所述目标主体发行的固定收益类产品的用户推送与该关键事件相对应的通知。

所述推送模块400可以用于：在所述评估模块350评估得到所述目标主体的信用状况之后，将所述目标主体的信用状况推送至持有由所述目标主体发行的固定收益类产品的用户。

进一步地，所述推送模块400还可以用于：在所述将所述目标主体的信用状况推送至持有由所述目标主体发行的固定收益类产品的用户的同时，将所爬取的新闻数据中最新的新闻数据推送至所述用户。

本实施例对信用状况评估装置300B的各功能模块实现各自功能的具体过程，请参见上述图1至图4所示实施例中描述的具体内容，此处不再赘述。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种信用状况评估方法，其特征在于，包括：

实时爬取与目标主体相关联的在第一预设时间段内的所有新闻数据；

对所爬取的每条新闻数据进行分词处理；

利用预设的利好利空分类模型对经分词处理后的每条新闻数据进行分类处理，对所得到的与所述每条新闻数据相对应的利好状况或利空状况进行统计得到与所述目标主体相关联的消息面利好或利空指数；

获取与所述目标主体相关联的多个当前固定收益因子；

利用预设的信用评估模型，根据所述消息面利好或利空指数以及所述多个当前固定收益因子评估所述目标主体的信用状况。

2.根据权利要求1所述的方法，其特征在于，在对所爬取的每条新闻数据进行分词处理之后，所述方法还包括：

将经分词处理的每条新闻数据与预设事件库中的关键事件的数据相匹配，每当一条经分词处理的新闻数据与一个所述关键事件的数据相匹配时，向持有由所述目标主体发行的固定收益类产品的用户推送与该关键事件相对应的通知。

3.根据权利要求1所述的方法，其特征在于，在评估得到所述目标主体的信用状况之后，所述方法还包括：

将所述目标主体的信用状况推送至持有由所述目标主体发行的固定收益类产品的用户。

4.根据权利要求3所述的方法，其特征在于，在所述将所述目标主体的信用状况推送至持有由所述目标主体发行的固定收益类产品的用户的同时，将所爬取的新闻数据中最新的新闻数据推送至所述用户。

5.根据权利要求1所述的方法，其特征在于，所述实时爬取与所述目标主体相关联的在第一预设时间段内的所有新闻数据，包括：

从各政府机构网站、财经网站、所述目标主体的门户网站、以及社交媒体网站中的一个或几个的组合中实时爬取与所述目标主体相关联的在第一预设时间段内的所有新闻数据。

6.根据权利要求1所述的方法，其特征在于，所述预设的利好利空分类模型是通过以下步骤预先建立的：

获取针对固定收益业务的多个利好利空消息样本，每个所述利好利空消息样本包括一条已分词的与一个主体相关联的第一历史新闻数据和与该已分词的第一历史新闻数据相对应的已确定利好或利空状况；

将所述多个利好利空消息样本分为一组训练用利好利空消息样本以及一组测试用利好利空消息样本；

利用所述一组训练用利好利空消息样本对贝叶斯模型或adaboosting模型进行训练，利用所述一组测试用利好利空消息样本对经训练的贝叶斯模型或adaboosting模型进行检验，并在检验结果满足第一预设条件时将所述经训练的贝叶斯模型或adaboosting模型设定为所述预设的利好利空分类模型。

7.根据权利要求1所述的方法，其特征在于，所述预设的信用评估模型是通过以下步骤预先建立的：

获取多条历史样本数据，每条所述历史样本数据与一个样本主体相对应，并包括与该样本主体相关联的历史消息面利好或利空指数、多个历史固定收益因子、以及历史实际信用状况，所述历史固定收益因子为所述历史实际信用状况的确定时间点处对应的固定收益因子，

其中所述历史消息面利好或利空指数是通过对历史爬取的在第二预设时间段内的所有第二历史新闻数据进行分词处理、利用所述预设的利好利空分类模型对经分词处理的每条第二历史新闻数据进行分类处理并对分类后的结果进行统计得到的，每条所述第二历史新闻数据均与所述样本主体相关联，所述第二预设时间段的截止时间点早于且紧邻所述历史实际信用状况的确定时间点，

将所述多条历史样本数据分为一组训练样本数据和一组测试样本数据；

利用所述一组训练样本数据对神经网络模型进行训练，利用所述一组测试样本数据检验经训练的神经网络模型，并在检验结果满足第二预设条件时将所述经训练的神经网络模型设定为所述预设的信用评估模型。

8.根据权利要求1所述的方法，其特征在于，利用预设的分词模型对所爬取的每条新闻数据进行分词处理，所述预设的分词模型是通过以下步骤预先建立的：

获取基础的分词语料库，并且基于所述分词语料库，确定以字为基础的观察状态，以所述字的分词属性作为隐藏状态，由所述隐藏状态之间的转移概率构建转移矩阵，确定所述隐藏状态的初始时刻的概率矩阵，以及以所述观察状态在各个所述隐藏状态下的概率和所述字之间的交互信息构建混淆矩阵；

对所述分词语料库未覆盖的词的参数进行拉普拉斯平滑处理，将由此得到的隐马尔科夫模型作为所述预设的分词模型。

9.根据权利要求1所述的方法，其特征在于，所述获取与所述目标主体相关联的多个当前固定收益因子，包括：

获取与所述目标主体相关联的当前偿债能力因子、营运能力因子、增长能力因子、获利能力因子、现金流因子、资产负债结构因子、行业因子、产品市场因子和经营管理因子中的至少一部分，

所述偿债能力因子包括资产负债率、流动比率、速动比率、利息保障倍数、有形净值债务率、现金比率、股东权益比率和固定资产比率，

所述营运能力因子包括总资产周转率、流动资产周转率、存货周转率、应收账款周转率和股东权益周转率，

所述增长能力因子包括资本累计率、税后利润增长率和总资产增长率，

所述获利能力因子包括净资产收益率、主营业务利润率、总资产报酬率和销售净利率，

所述现金流因子包括现金流动债务比和每股经营现金流量，

所述资产负债结构因子包括资产规模、以及流动负债和资产的净重比，

所述行业因子包括成本结构、行业周期、行业盈利、行业成熟性和行业地位，

所述产品市场因子包括产品质量、产品替代性、产品性能、市场竞争和供产销流畅度，

所述经营管理因子包括管控能力、治理结构科学度、管理层稳定性、管理层应变能力、凝聚力、企业文化、信息违规权重*次数、投机行为。

10.一种信用状况评估装置，其特征在于，包括：

爬取模块，用于实时爬取与目标主体相关联的在第一预设时间段内的所有新闻数据；

分词模块，用于对所爬取的每条新闻数据进行分词处理；

利好利空统计模块，用于利用预设的利好利空分类模型对经分词处理后的每条新闻数据进行分类处理，对所得到的与所述每条新闻数据相对应的利好状况或利空状况进行统计得到与所述目标主体相关联的消息面利好或利空指数；

获取模块，用于获取与所述目标主体相关联的多个当前固定收益因子；

评估模块，用于利用预设的信用评估模型，根据所述消息面利好或利空指数以及所述多个当前固定收益因子评估所述目标主体的信用状况。