CN107590733A - 基于地理经济和社交关系的网贷平台风险评估方法 - Google Patents
基于地理经济和社交关系的网贷平台风险评估方法 Download PDFInfo
- Publication number
- CN107590733A CN107590733A CN201710670225.1A CN201710670225A CN107590733A CN 107590733 A CN107590733 A CN 107590733A CN 201710670225 A CN201710670225 A CN 201710670225A CN 107590733 A CN107590733 A CN 107590733A
- Authority
- CN
- China
- Prior art keywords
- platform
- platforms
- social networks
- risk
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及互联网金融风险评估技术,旨在提供基于地理经济和社交关系的网贷平台风险评估方法。该种基于地理经济和社交关系的网贷平台风险评估方法包括步骤:从全网中提取P2P平台相关信息、对数据进行预处理、得到基础风险评估指数、获得社交关系风险因子、获得平台最终风险评估指数。本发明能够有效的评估网贷平台的风险,具有计算简单、计算速度快、准确度高等优点;本发明舍弃了传统的人工设置权重等方法,提出新的思路,在不影响风险预测效果的前提下,为互联网金融领域的用户提供了P2P平台风险评估的结果。
Description
技术领域
本发明是关于互联网金融风险评估技术领域,特别涉及基于地理经济和社交关系的网贷平台风险评估方法。
背景技术
针对雨后春笋般四处开花的P2P,既没有门槛,政府也缺乏统一的征信平台。现在的P2P就像传统借贷行业银行,也可以分为直接融资和间接融资。在直接融资方面,P2P平台仅充当信息披露角色,帮助资金供求双方进行更高效的匹配,而不涉及资金运作,也不参与担保;但是在间接融资方面,P2P平台充当了以往商业银行金融中介的职能,负责从一方接入并向资金需求方提供实质资金,在这种情况下P2P就担当了资金转让与风险中介的角色。由平台担当的是小额放贷机构的角色,甚至与非法集资只有一线之隔。而资金提供方此时的出资就好比是给一个放贷机构提供贷款,因此就不得不考虑P2P平台的信用程度和风险等级。
传统金融的风险评估,主要是基于央行的征信数据及银行体系内的生态数据依靠人工审核完成。在国内的征信服务远远不够完善的情况下,互联网金额风险评估的真正核心在于可以依靠互联网获取的大数据,如BAT等公司拥有大量的用户信息,这些数据可以用来更加全面的预测小额贷款的风险。而机器学习将是大数据时代互联网金融企业构建自动化风控***的利器。
一个通用的风险评估***通常需要分以下几个步骤进行:(1)确定风向等级的指标体系,根据被评估的对象的属性、被评估的对象的特点及评估目的去确定评估指标体系,包括评估指标的分类、评估指标的具体信息、评估标准的确定;(2)收集数据,根据要被评估的指标的具体信息去收集评估对象的相关数据;(3)确定权重,根据一定的规则对指标赋予不同的权重;(4)得出评估结果,根据指标的计算公式,最终得出各个评估对象的风险等级。
金融风险评估***是多种多样的,有的是针对个人信息进行风险评估,有的是针对交易过程进行风险评估,有的是针对金融平台进行风险评估。金融的信息覆盖面是非常广袤的,因此在巨大的信息数据中,如何挖掘有用的信息是必要的。数据挖掘是一种新的商业信息处理技术,其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理,从中提取辅助商业决策的关键性信息金融风向评估***。
目前互联网金融企业以及第三方征信公司在信用评估这方面比较常用的架构是规则引擎加信用评分卡。说到信用评分卡,最常用的算法就是Logistic Regression,这也是被银行***中心或金融工程方面奉为法宝的算法。的确,Logistic Regression因其简单、易于解释、开发及运维成本较低而受到追捧。然而互联网中获取的用户的数据维度较多,以离散或分类属性变量居多,且缺失数据较多,在这种情况下,Logistic Regression的适应性会较差。而且规则引擎和信用评分卡模型分开的模式,有时会因为规则引擎里面某些规则过强而拒绝掉很多优质客户。此外,在现有的风险评估算法中,有很多信息是冗余的,很少有人对这些冗余信息进行处理。同时对于不同信息的权重,一般都是人为规定的,这样就具有主观性。
而对于风险评估,人们最常用的是分类算法。而分类算法有很多种,其中主要有人工神经网络(Artificial Neural Networks,ANN)和支持向量机(SVM,Support VectorMachine)。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在这种模型中,大量的节点(或称“神经元”,或“单元”)之间相互联接构成网络,即“神经网络”,以达到处理信息的目的。神经网络通常需要进行训练,训练的过程就是网络进行学***面来提高学习机的泛化能力,较好地解决了非线性、高维数、局部极小点等问题。对于分类问题,支持向量机算法根据区域中的样本计算该区域的决策曲面,由此确定该区域中未知样本的类别。SVM是针对二分类问题提出的,需要两种类别的样本作为训练样本。
与本发明最相近似的实现方案有下面几种,中国发明专利申请:“一种对互联网金融网贷平台的风险评估模型”(申请号:201510001103.4)、“一种借贷业务监测预警方法及装置”(201610274038.7)、“金融借贷风险控制***以及运行方法”(201610272171.9)、“车辆金融风险控制***以及方法”(201610510673.0)、“基于多智能体的金融风险预警方法及其***”(201210494653.0)。
发明1(一种对互联网金融网贷平台的风险评估模型)一种用于计算互联网金融网贷平台风险的模型与方法,包括:数学模型、数据挖掘,数据运算。其中数学模型将互联网金融网贷平台所涉及的各个指标进行量化处理,可以通过标准化的模型计算出风险度,并通过数据挖掘获得行业基础数据。然而这种模型对于无用的信息,并没有剔除。而且开始时是运用人工的方式对各个信息的权重进行设置,主观性太强。
发明2(一种借贷业务监测预警方法及装置)其中方法包括:获取借贷业务信息、获取监测数据并判断监测数据是否满足预警条件、若满足则发出预警信息。其中,监测数据来自的第三方数据***或本端***。这种方法获取的借贷信息既没有考虑到借贷平台的所处环境带来的地理经济的影响,也没有考虑到平台本身的社交关系带来的影响。
发明3(金融借贷风险控制***以及运行方法)包括一服务器,所述服务器通过一数据分析控制器连接一级风险控制器和二级风险控制器;所述服务器还通过互联网与中国人民银行征信***、第三方征信机构***、法院***以及公安***连接。这种方法没有对数据进行处理,导致数据可能不准确。
发明4(车辆金融风险控制***以及方法)提供车辆金融风险控制***,包括:车载终端;远程处理终端;远程处理终端包括;存储单元;数据分析单元;风险评估单元;用户信用分类单元;决策单元。然而在实际应用中,每个用户之间是又相互联系的,具有强关系的用户,在某些行为上是具有一致性的,但是这个方法并没有考虑到这种关系。
发明5(基于多智能体的金融风险预警方法及其***)该方法包括信息获取步骤:信息获取模块搜索获取企业外部与金融有关的信息;分析及处理步骤:文本挖掘模块对所述信息进行文本挖掘;分析处理模块对所述信息及知识进行进一步深入分析;推理模块根据知识库中的有关知识从所述的多个应对方案中选取一个最佳的应对方案并进一步评估确定。
上面五个专利虽然都能在一定程度上对互联网金融领域进行风险控制,但是他们仍然在下列某些问题上存在不足:
1、没有去除冗余的数据,互联网金融领域的数据是庞大的,但并不是每一项数据都会对最终的预测结果造成影响。如果不剔除这些数据,我们就不会得到准确的结果,因此去除冗余的数据是十分必要的。
2、对各个信息的权重设置太过主观,在对各个指标进行分析的时候,很多人喜欢认为的先去设置权重,这样做不仅主观,还会影响最终的评测结果,因此人工设置指标的权重是不可取的。
3、分类算法在现有的数据集上表现不佳,对于现有网贷平台来说,我们只能确定哪家是跑路的,但是不能确定哪家一定是正常运营的。所以大部分分类器的处理只能依赖于有问题的平台的信息,然而各种分类算法本身是不支持这样的数据处理的,所以在最终的评测结果中会有很大的误差。
4、没有考虑地理经济的影响,因为经济发展都要受到地理环境的影响,所以地理经济对互联网金融行业的发展有很大的影响。因此在不同的地理位置,信息相同的P2P平台会表现出不同的风险。如果不考虑地理因素的影响,评测也会有误差。
5、没有考虑社交关系的影响,联网金融的风险往往与社交有很大的关系,例如同一股东对不同两家网贷平台进行投资,那这两家平台的风险在一定程度上是相似的。因此引入社交关系会对评测结果有很大的改进。
发明内容
本发明的主要目的在于克服现有技术中的不足,提供一种更加灵活、完善的针对互联网金融领域的P2P平台风险评估方法。为解决上述技术问题,本发明的解决方案是:
提供一种基于地理经济和社交关系的网贷平台风险评估方法,用于对P2P平台进行风险评估,所述基于地理经济和社交关系的网贷平台风险评估方法具体包括下述步骤:
一、从全网中提取P2P平台相关信息;
从全网中(人工)提取P2P平台的网站列表,然后对这些网站中的网页进行数据爬取并进行数据清理(使其尽可能的格式化),提取出所有P2P平台的工商信息、公司业务信息、股东高管信息、标的信息、安全保障信息、技术保障信息;并按照跑路和未跑路对P2P平台进行分类,分为问题平台(跑路的)和正常平台(未跑路的);
从全网中(人工)选出新闻网站,根据每个P2P平台的平台名称爬取与该P2P平台相关的新闻,对每个P2P平台的每条新闻进行LDA(Latent Dirichlet Allocation)主题模型学***台的新闻舆情信息;
二、对数据进行预处理;
将所有P2P平台按照地理位置进行分类,分为区域地理模块和全国地理模块,区域地理模块分为华东、华西、华南、华北、华中五个地理模块;
然后进行频繁项集检测:用Aprior算法(Apriori算法是一种挖掘关联规则的频繁项集算法,其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集)对步骤一获取的工商信息、公司业务信息、股东高管信息、标的信息、安全保障信息、技术保障信息、新闻舆情信息中的具体内容进行频繁项检测,得到检测结果;
三、得到基础风险评估指数;
用One Class SVM的算法(在机器学***台信息做为训练集,分别得到各个P2P平台在区域地理模块和全国地理模块的风险评估指数;
全国地理模块的风险评估指数的模型为:
其中,所述i是指P2P平台i;所述w是指正则项;所述F代表正则项集;所述R代表正实数;所述t是指任意正实数;所述ρ是指问题平台风险系数;所述ω是指所有平台风险系数的方差;所述G是指由步骤二得到的频繁项检测的检测结果;所述ξ是指平台的风险系数;所述是指平台i风险系数的标准差;
对于P2P平台i,得到ξi1(ξi1和上述公式的ξi是同一变量,在这里特指i平台的全国风险指数),0≤ξi1≤1,ξi1的值越大,说明该P2P平台在全国环境下的风险越大;
区域地理模块的风险评估指数的模型和全国地理模块的风险评估指数的模型相同,训练集为区域内的问题P2P平台信息;
对于P2P平台i,得到ξi2(ξi2和上述公式的ξi是同一变量,在这里特指i平台的区域风险指数),0≤ξi2≤1,ξi2的值越大,说明该P2P平台在华东、华西、华南、华北或者华中区域环境下的风险越大(ξi1和ξi2的不同就说明,地理经济风险因子是存在的);
四、获得社交关系风险因子;
针对各个P2P平台,挖掘P2P平台、股东和高管的社交关系,得出该P2P平台的社交关系对平台风险的影响,具体包括下述步骤:
步骤4a):绘制社交关系图;
把所有的股东、高管和P2P平台看做是点,如果某个股东投资过某个P2P平台,则在该股东和该P2P平台之间添加一条边,如果某个高管在某个P2P平台任职过,则在该高管和该P2P平台之间添加一条边,如果某个股东和某个高管之间存在朋友关系,则在该股东和该高管之间添加一条边,得到社交关系图;
步骤4b):确定社交关系风险因子;
设定一个P2P平台如果在社交关系图中,3步之内可以关联到另一个P2P平台,则认为这两个P2P平台为相关平台(相关平台的关联性非常大,风险会非常相似);用深度优先的方法,找到和有问题的P2P平台(步骤一中分类得到的问题平台)相关的平台;
设有P2P平台i已经跑路,它在图中通过3步能到达的P2P平台个数为M,在M个P2P平台中,已经跑路或出现问题的P2P平台个数为N,则P2P平台i和M个相关平台的社交关系风险因子为:
当一个P2P平台被多次标记拥有社交风险时,取其社交关系风险因子中的最大值;
五、获得平台最终风险评估指数;
在区域地理模块的范围内引入P2P平台的社交关系影响,引入社交后的P2P平台区域性风险评估指数为:
ξi2×(1+Ci);
其中,所述符号ξi2同步骤三定义相同,Ci定义与步骤四定义相同;
最后综合计算该P2P平台在全国影响下和区域环境下的最终风险评估指数:
λ×ξi1+(1-λ)ξi2×(1+Ci);
其中,λ代表全国环境对平台风向控制的影响(在此设置λ为0.5);所述ξi1 ξi2符号同步骤三定义相同,Ci定义与步骤四定义相同。
在本发明中,所述步骤一中所获取的P2P平台相关信息:
所述工商信息包括注册公司名称、公司类型、法人、注册资本、实缴资本、注册地址、注册时间、核准时间、注册机构、是否有年报、工商号、税务号、机构号;
所述公司业务信息包括平台名称、上线时间、所在城市、所在省份、运营部数量、加入的金融协会、合作伙伴,公司的营业业务、公司的背景;
所述股东高管信息包括股东和高管的名称、职务、学历、性别、毕业院校、工作年限、职业资格证书、管理层经验;
所述标的信息包括标的的标题、投标类型、发布日期、借款年利率、借款金额、借款期限、起投金额、投标数量、逾期保障措施、相关费用、借款用途、还款方式、借款人名字,借款人证件号码;
所述安全保障信息包括自动投保方式、债券转让方式、资金是否存管以及存管公司、资金是否托管以及托管公司、投标保障、保障模式,风险准备金、担保机构;
所述技术保障信息包括技术支持机构、网站是否有安全以及安全认证的具体内容、是否存在APP、是否HTTPS、登录时是否有验证码、用户忘记密码时找回密码的流程。
在本发明中,所述步骤一中,对每个P2P平台的每条新闻进行LDA(LatentDirichlet Allocation)主题模型学***台的新闻舆情信息,具体包括下述步骤:
步骤1a):对每一篇新闻,从全网的所有新闻主题分布(爬取)中抽取一个主题;
步骤1b):从上述被抽到的主题所对应的所有词语分布中抽取一个词语;
步骤1c):重复上述过程直至遍历新闻中的每一个词语;
新闻里面的每个词的概率公式:p(w|D)=∑p(w|z)×p(z|D);
新闻的主题分布、主题向量、以及单词向量的联合概率密度:p(θ,z,w|α,β);
对联合概率密度在θ上积分,在z上进行求和,得到新闻的边缘概率:p(w|α,β);
然后对边缘概率求积,得到新闻概率:p(D|α,β);
最后,通过训练α和β使得新闻的概率最大,即求出主题上各个词语的分布和主题在新闻中的分布;主题在每条新闻中的分布:p(θ|α);
其中,z是主题集合,w是词语集合;所述θ是指单个主题,α和β是语料集变量(全网统一);所述D是每一篇新闻的所有词语集合。
在本发明中,所述步骤二中,全国地理模块包括全国所有的省份、自治区、直辖市、特别行政区;华东地理模块包括上海、浙江、安徽、江苏;华西地理模块包括重庆、青海、甘肃、宁夏、陕西、四川、西藏、新疆;华南地理模块包括广东、广西、福建、海南、台湾;华北地理模块包括北京、天津、河北、山西、黑龙江、吉林、辽宁、内蒙古;华中地理模块包括河南、湖北、湖南、江西。
在本发明中,所述步骤二中的频繁项集检测,具体包括下述步骤:
步骤2a):在六个地理模块中分别列出各个P2P平台所有的信息,并为每个地理模块设置支持度min_conf;
步骤2b):用有问题的P2P平台的信息做训练数据,找出“频繁1项集”,该集合记作L1,L1用于找“频繁2项集”的集合L2,而L2用于找L3;如此下去,直到不能找到“频繁K项集”;其中“频繁J项集”是指所有问题的P2P平台最多共有的J个相同信息的集合;
其中,所述K是指自然数;所述J是指自然数;
步骤2c):迭代过程:频繁k-1项集生成2项子集,这里的2项指的生成的子集中有两个k-1项集;若有两个k-1项集,每个项集按照“属性-值”(一般按值)的字母顺序进行排序;如果两个k-1项集的前k-2个项相同,而最后一个项不同,则证明它们是可连接的,即这个k-1项集可以联姻,即可连接生成k项集;但是若一个项集的子集不是频繁项集,则该项集也不是频繁项集,去掉该项集;
其中,所述k是指自然数;
步骤2c):迭代找到最大的K项集,这K项即是风险评估的有用项。
在本发明中,所述步骤四的步骤4a)中,社交关系图采取轮询的方式建图,即挨个扫描P2P平台的状态、股东和高管,对于可以对社交关系图进行操作的信息,依次录入到社交关系图上。
在本发明中,所述步骤四的步骤4b)中,使用深度优先的方法,来迅找到和有问题的P2P平台相关的平台的具体步骤如下:
步骤i:访问社交关系图的顶点v;
步骤ii:依次从v的未被访问的邻接点出发,对社交关系图进行深度优先遍历;直至社交关系图中和v有路径相通的顶点都被访问,或者遍历的步长已经等于3;
步骤iii:若此时社交关系图中尚有顶点未被访问,则从一个未被访问的顶点出发,重新进行深度优先遍历,直到社交关系图中所有顶点均被访问过为止;
如此,我们可以得到该平台之间的社交关系。
与现有技术相比,本发明的有益效果是:
本发明先从全网中提取网贷相关的网站,然后将这些网站中信息分类,从中提取出有效信息,最后进行分析评估。
本发明能够有效的评估网贷平台的风险,具有计算简单、计算速度快、准确度高等优点。
本发明舍弃了传统的人工设置权重等方法,提出新的思路,在不影响风险预测效果的前提下,为互联网金融领域的用户提供了P2P平台风险评估的结果。
相较于同类的评估方法,本发明的算法能能够提出冗余信息,并且综合考虑了地理经济和社交关系的影响,具有高准确性。
附图说明
图1为本发明算法整体流程图。
图2为获取有效信息流程图。
图3为获得最终评估结果流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
如图1所示的基于地理经济和社交关系的网贷平台风险评估方法,先对平台的数据进行获取,再按地理位置进行划分,然后对数据进行清洗保证有效性,利用机器学***台进行基本的预测,然后引入社交关系,最后计算P2P平台的风险评估指数,具体包括下述步骤:
一、从全网中提取P2P平台相关信息
(1)从全网中人工提取P2P平台的网站,然后对这些网站中的网页进行数据爬取并进行数据清理,使其尽可能的格式化,提取出所有P2P平台的工商信息、公司业务信息、股东高管信息、标的信息、安全保障信息、技术保障信息。
工商信息包括注册公司名称、公司类型、法人、注册资本、实缴资本、注册地址、注册时间、核准时间、注册机构、是否有年报、工商号、税务号、机构号。
公司业务信息包括平台名称、上线时间、所在城市、所在省份、运营部数量、加入的金融协会、合作伙伴,公司的营业业务、公司的背景。
股东高管信息包括股东和高管的名称、职务、学历、性别、毕业院校、工作年限、职业资格证书、管理层经验。
标的信息包括标的的标题、投标类型、发布日期、借款年利率、借款金额、借款期限、起投金额、投标数量、逾期保障措施、相关费用、借款用途、还款方式、借款人名字,借款人证件号码。
安全保障信息包括自动投保方式、债券转让方式、资金是否存管以及存管公司、资金是否托管以及托管公司、投标保障、保障模式,风险准备金、担保机构。
技术保障信息包括技术支持机构、网站是否有安全以及安全认证的具体内容、是否存在APP、是否HTTPS、登录时是否有验证码、用户忘记密码时找回密码的流程。
(2)从全网中人工选出新闻网站,根据每个P2P平台的平台名称爬取与该P2P平台相关的新闻,对每个P2P平台的每条新闻进行LDA(Latent Dirichlet Allocation)主题模型学***台的新闻舆情信息,具体包括下述步骤:
步骤1a):对每一篇新闻,从全网的所有新闻主题分布爬取中抽取一个主题;
步骤1b):从上述被抽到的主题所对应的所有词语分布中抽取一个单词;
步骤1c):重复上述过程直至遍历新闻中的每一个词语;
新闻里面的每个词的概率公式:p(w|D)=∑p(w|z)×p(z|D);
新闻的主题分布、主题向量、以及单词向量的联合概率密度:p(θ,z,w|α,β);
对联合概率密度在θ上积分,在z上进行求和,得到新闻的边缘概率:p(w|α,β);
然后对边缘概率求积,得到新闻概率:p(D|α,β);
最后,通过训练α和β使得文档的概率最大,即求出主题上各个单词的分布和主题在新闻中的分布主题在每条新闻中的分布:p(θ|α);
其中,z是主题集合,w是词语集合;所述θ是指单个主题;α和β是语料集变量,全网统一。
二、对数据进行预处理
(1)将所有P2P平台按照地理位置进行分类,分为区域地理模块和全国地理模块,区域地理模块分为华东、华西、华南、华北、华中五个地理模块。
全国地理模块包括全国所有的省份、自治区、直辖市、特别行政区。
华东地理模块包括上海、浙江、安徽、江苏。
华西地理模块包括重庆、青海、甘肃、宁夏、陕西、四川、西藏、新疆。
华南地理模块包括广东、广西、福建、海南、台湾。
华北地理模块包括北京、天津、河北、山西、黑龙江、吉林、辽宁、内蒙古。
华中地理模块包括河南、湖北、湖南、江西。
(2)进行频繁项集检测:用Aprior算法(Apriori算法是一种挖掘关联规则的频繁项集算法,其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集)对步骤一获取的工商信息、公司业务信息、股东高管信息、标的信息、安全保障信息、技术保障信息、新闻舆情信息中的具体内容进行频繁项检测,得到检测结果。
频繁项集检测的具体步骤如下所述:
步骤2a):在六个地理模块中分别列出各个P2P平台所有的信息,并为每个地理模块设置支持度min_conf;
步骤2b):用有问题的P2P平台的信息做训练数据,找出“频繁1项集”,该集合记作L1,L1用于找“频繁2项集”的集合L2,而L2用于找L3;如此下去,直到不能找到“频繁K项集”;其中“频繁J项集”是指所有问题的P2P平台最多共有的J个相同信息的集合;
其中,所述K是指自然数;所述J是指自然数;
步骤2c):迭代过程:频繁k-1项集生成2项子集,这里的2项指的生成的子集中有两个k-1项集;若有两个k-1项集,每个项集按照“属性-值”(一般按值)的字母顺序进行排序;如果两个k-1项集的前k-2个项相同,而最后一个项不同,则证明它们是可连接的,即这个k-1项集可以联姻,即可连接生成k项集;但是若一个项集的子集不是频繁项集,则该项集也不是频繁项集,去掉该项集;
其中,所述k是指自然数;
步骤2c):迭代找到最大的K项集,这K项即是风险评估的有用项。
三、得到基础风险评估指数
(1)用One Class SVM的算法(在机器学***台信息做为训练集,分别得到各个P2P平台在区域地理模块和全国地理模块的风险评估指数。
因为我们训练样本只有全国有问题的平台数据集,所以需要训练一个对于训练样本紧凑的分类边界。在这里我们选用One Class SVM做为基础模型。输入数据为:全国内经过数据清洗的平台信息。训练数据为全国有问题的平台数据。由此我们在N维空间内建模,其中N是指有效信息的个数。
全国地理模块的风险评估指数的模型为:
其中,所述i是指P2P平台i;所述w是指正则项;所述F代表正则项集;所述R代表正实数;所述t是指任意正实数;所述ρ是指问题平台风险系数;所述ω是指所有平台风险系数的方差;所述G是指由步骤二得到的频繁项检测的检测结果;所述ξ是指平台的风险系数;所述是指平台i风险系数的标准差;
对于P2P平台i,得到ξi1,ξi1和上述公式的ξi是同一变量,在这里特指i平台的全国风险指数,0≤ξi1≤1,ξi1的值越大,说明该P2P平台在全国环境下的风险越大。
(2)华东、华西、华南、华北、华中分别同样的用该区域的有问题的平台对现有平台进行建模。输入数据是华东、华西、华南、华北、华中各自的经过数据清洗的平台信息,训练数据为区域内有问题的平台数据,由此我们在Ni维空间内建模,其中Ni是指区域内有效信息的个数。
区域地理模块的风险评估指数的模型,这里的模型和全国的模型相同,训练集为区域内的问题P2P平台信息。
对于P2P平台i,得到ξi2,ξi2和上述公式的ξi是同一变量,在这里特指i平台的区域风险指数,0≤ξi2≤1,ξi2的值越大,说明该P2P平台在华东、华西、华南、华北或者华中区域环境下的风险越大。
ξi1和ξi2的不同就说明,地理经济风险因子是存在的。
四、获得社交关系风险因子
针对各个P2P平台,挖掘P2P平台、股东和高管的社交关系,得出该P2P平台的社交关系对平台风险的影响,具体包括下述步骤:
步骤4a):绘制社交关系图;
把所有的股东、高管和P2P平台看做是点,如果某个股东投资过某个P2P平台,则在该股东和该P2P平台之间添加一条边,如果某个高管在某个P2P平台任职过,则在该高管和该P2P平台之间添加一条边,如果某个股东和某个高管之间存在朋友关系,则在该股东和该高管之间添加一条边,得到社交关系图。
社交关系图采取轮询的方式建图,即挨个扫描P2P平台的状态、股东和高管,对于可以对社交关系图进行操作的信息,依次录入到社交关系图上。
步骤4b):确定社交关系风险因子;
设定一个P2P平台如果在社交关系图中,3步之内可以关联到另一个P2P平台,则认为这两个P2P平台为相关平台,相关平台的关联性非常大,风险会非常相似;用深度优先的方法,找到和有问题的P2P平台相关的平台,具体步骤如下:
步骤i:访问社交关系图的顶点v;
步骤ii:依次从v的未被访问的邻接点出发,对社交关系图进行深度优先遍历;直至社交关系图中和v有路径相通的顶点都被访问,或者遍历的步长已经等于3;
步骤iii:若此时社交关系图中尚有顶点未被访问,则从一个未被访问的顶点出发,重新进行深度优先遍历,直到社交关系图中所有顶点均被访问过为止;
如此,我们可以得到该平台之间的社交关系。
设有P2P平台i已经跑路,它在图中通过3步能到达的P2P平台个数为M,在M个P2P平台中,已经跑路或出现问题的P2P平台个数为N,则P2P平台i和M个相关平台的社交关系风险因子为:
当一个P2P平台被多次标记拥有社交风险时,取其社交关系风险因子中的最大值。
五、获得平台最终风险评估指数
(1)从理论上分析,股东和高管在跨区域的社交上是很稀疏的,如果将其计算在全国范围内,会严重影响计算的速度,因此在此忽略社交在全范围内的影响。在区域地理模块的范围内引入P2P平台的社交关系影响,引入社交后的P2P平台区域性风险评估指数为:
ξi2×(1+Ci);
其中,所述符号ξi2同步骤三定义相同,Ci定义与步骤四定义相同。
(2)最后综合计算该P2P平台在全国影响下和区域环境下的最终风险评估指数:
λ×ξi1+(1-λ)ξi2×(1+Ci);
其中,λ代表全国环境对平台风向控制的影响,在此设置λ为0.5;所述ξi1 ξi2符号同步骤三定义相同,Ci定义与步骤四定义相同。
下面对于本发明中提到的术语解释如下:
1、频繁项集(风险项集):
频繁项:在多个集合中,频繁出现的元素项,就是频繁项。频繁项集:有一系列集合,这些集合有些相同的元素,集合中同时出现频率高的元素形成一个子集,满足一定阈值条件,就是频繁项集。在P2P领域,一个平台会有工商信息、标的信息等等,每类信息又包含多种子项。其中,会对平台风险造成影响的所有子项就是P2P领域的频繁项,会对平台风险造成影响的所有子项的集合就是P2P领域的频繁项集。在此发明中,频繁项和风险项含义相同,频繁项集和风险项集含义相同。
2、异常检测:
异常检测是指对不正常的数据或***进行监测。在此发明中,异常检测是指,对网贷平台是否会跑路的检测。
3、地理经济:
地理环境是指社会发展的自然环境、自然条件,是人类社会赖以生存与发展的基础,也是经济发展的源泉。毋庸置疑,经济发展都要受到地理环境的影响,特别是在资源导向型的传统经济增长模式中,地理环境的状况在很大程度上决定一国的经济发展水平。因此地理经济就是指因为地理区域而具有的经济特点。
4、地理经济风险因子:
因为经济发展都要受到地理环境的影响,所以地理经济对互联网金融行业的发展有很大的影响。因此在不同的地理位置,信息相同的P2P平台会表现出不同的风险,所以地理经济也是衡量P2P平台风险的一个重要参考元素。在此发明中,地理经济风险因子就是指地理经济对网贷平台风险评估影响的因素,我们把地理位置划分为全国、华东、华西、华南、华北、华中六个模块。
5、社交关系风险因子:
此发明中的社交关系是指,股东和高管在金融领域所做的投资与管理。互联网金融的风险往往与社交有很大的关系,例如同一股东对不同两家网贷平台进行投资,那这两家平台的风险在一定程度上是相似的。在此发明中,社交关系风险因子就是指社交关系对网贷平台风险评估影响的因素。
最后,需要注意的是,以上列举的仅是本发明的具体实施例。显然,本发明不限于以上实施例,还可以有很多变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (7)
1.一种基于地理经济和社交关系的网贷平台风险评估方法,用于对P2P平台进行风险评估,其特征在于,所述基于地理经济和社交关系的网贷平台风险评估方法具体包括下述步骤:
一、从全网中提取P2P平台相关信息;
从全网中提取P2P平台的网站列表,然后对这些网站中的网页进行数据爬取并进行数据清理,提取出所有P2P平台的工商信息、公司业务信息、股东高管信息、标的信息、安全保障信息、技术保障信息;并按照跑路和未跑路对P2P平台进行分类,分为问题平台和正常平台;
从全网中选出新闻网站,根据每个P2P平台的平台名称爬取与该P2P平台相关的新闻,对每个P2P平台的每条新闻进行LDA主题模型学***台的新闻舆情信息;
二、对数据进行预处理;
将所有P2P平台按照地理位置进行分类,分为区域地理模块和全国地理模块,区域地理模块分为华东、华西、华南、华北、华中五个地理模块;
然后进行频繁项集检测:用Aprior算法对步骤一获取的工商信息、公司业务信息、股东高管信息、标的信息、安全保障信息、技术保障信息、新闻舆情信息中的具体内容进行频繁项检测,得到检测结果;
三、得到基础风险评估指数;
用One Class SVM的算法对步骤二得到的六个地理模块的数据进行建模,并用步骤一中得到的问题P2P平台信息做为训练集,分别得到各个P2P平台在区域地理模块和全国地理模块的风险评估指数;
全国地理模块的风险评估指数的模型为:
<mrow>
<munder>
<mi>min</mi>
<mrow>
<mi>w</mi>
<mo>&Element;</mo>
<mi>F</mi>
<mo>,</mo>
<mi>&xi;</mi>
<mo>&Element;</mo>
<msup>
<mi>R</mi>
<mi>t</mi>
</msup>
<mo>,</mo>
<mi>&rho;</mi>
<mo>&Element;</mo>
<mi>R</mi>
</mrow>
</munder>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>&omega;</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>G</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>&rho;</mi>
</mrow>
其中,所述i是指P2P平台i;所述w是指正则项;所述F代表正则项集;所述R代表正实数;所述t是指任意正实数;所述ρ是指问题平台风险系数;所述ω是指所有平台风险系数的方差;所述G是指由步骤二得到的频繁项检测的检测结果;所述ξ是指平台的风险系数;所述是指平台i风险系数的标准差;
对于P2P平台i,得到ξi1,ξi1和上述公式的ξi是同一变量,在这里特指i平台的全国风险指数,0≤ξi1≤1,ξi1的值越大,说明该P2P平台在全国环境下的风险越大;
区域地理模块的风险评估指数的模型和全国地理模块的风险评估指数的模型相同,训练集为区域内的问题P2P平台信息;
对于P2P平台i,得到ξi2,ξi2和上述公式的ξi是同一变量,在这里特指i平台的区域风险指数,0≤ξi2≤1,ξi2的值越大,说明该P2P平台在华东、华西、华南、华北或者华中区域环境下的风险越大;
四、获得社交关系风险因子;
针对各个P2P平台,挖掘P2P平台、股东和高管的社交关系,得出该P2P平台的社交关系对平台风险的影响,具体包括下述步骤:
步骤4a):绘制社交关系图;
把所有的股东、高管和P2P平台看做是点,如果某个股东投资过某个P2P平台,则在该股东和该P2P平台之间添加一条边,如果某个高管在某个P2P平台任职过,则在该高管和该P2P平台之间添加一条边,如果某个股东和某个高管之间存在朋友关系,则在该股东和该高管之间添加一条边,得到社交关系图;
步骤4b):确定社交关系风险因子;
设定一个P2P平台如果在社交关系图中,3步之内可以关联到另一个P2P平台,则认为这两个P2P平台为相关平台;用深度优先的方法,找到和有问题的P2P平台相关的平台;
设有P2P平台i已经跑路,它在图中通过3步能到达的P2P平台个数为M,在M个P2P平台中,已经跑路或出现问题的P2P平台个数为N,则P2P平台i和M个相关平台的社交关系风险因子为:
<mrow>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mi>N</mi>
<mi>M</mi>
</mfrac>
<mo>;</mo>
</mrow>
当一个P2P平台被多次标记拥有社交风险时,取其社交关系风险因子中的最大值;
五、获得平台最终风险评估指数;
在区域地理模块的范围内引入P2P平台的社交关系影响,引入社交后的P2P平台区域性风险评估指数为:
ξi2×(1+Ci);
其中,所述符号ξi2同步骤三定义相同,Ci定义与步骤四定义相同;
最后综合计算该P2P平台在全国影响下和区域环境下的最终风险评估指数:
λ×ξi1+(1-λ)ξi2×(1+Ci);
其中,λ代表全国环境对平台风向控制的影响;所述ξi1 ξi2符号同步骤三定义相同,Ci定义与步骤四定义相同。
2.根据权利要求1所述的一种基于地理经济和社交关系的网贷平台风险评估方法,其特征在于,所述步骤一中所获取的P2P平台相关信息:
所述工商信息包括注册公司名称、公司类型、法人、注册资本、实缴资本、注册地址、注册时间、核准时间、注册机构、是否有年报、工商号、税务号、机构号;
所述公司业务信息包括平台名称、上线时间、所在城市、所在省份、运营部数量、加入的金融协会、合作伙伴,公司的营业业务、公司的背景;
所述股东高管信息包括股东和高管的名称、职务、学历、性别、毕业院校、工作年限、职业资格证书、管理层经验;
所述标的信息包括标的的标题、投标类型、发布日期、借款年利率、借款金额、借款期限、起投金额、投标数量、逾期保障措施、相关费用、借款用途、还款方式、借款人名字,借款人证件号码;
所述安全保障信息包括自动投保方式、债券转让方式、资金是否存管以及存管公司、资金是否托管以及托管公司、投标保障、保障模式,风险准备金、担保机构;
所述技术保障信息包括技术支持机构、网站是否有安全以及安全认证的具体内容、是否存在APP、是否HTTPS、登录时是否有验证码、用户忘记密码时找回密码的流程。
3.根据权利要求1所述的一种基于地理经济和社交关系的网贷平台风险评估方法,其特征在于,所述步骤一中,对每个P2P平台的每条新闻进行LDA主题模型学***台的新闻舆情信息,具体包括下述步骤:
步骤1a):对每一篇新闻,从全网的所有新闻主题分布中抽取一个主题;
步骤1b):从上述被抽到的主题所对应的所有词语分布中抽取一个词语;
步骤1c):重复上述过程直至遍历新闻中的每一个词语;
新闻里面的每个词的概率公式:p(w|D)=∑p(w|z)×p(z|D);
新闻的主题分布、主题向量、以及单词向量的联合概率密度:p(θ,z,w|α,β);
对联合概率密度在θ上积分,在z上进行求和,得到新闻的边缘概率:p(w|α,β);
然后对边缘概率求积,得到新闻概率:p(D|α,β);
最后,通过训练α和β使得新闻的概率最大,即求出主题上各个词语的分布和主题在新闻中的分布;主题在每条新闻中的分布:p(θ|α);
其中,z是主题集合,w是词语集合;所述θ是指单个主题,α和β是语料集变量;所述D是每一篇新闻的所有词语集合。
4.根据权利要求1所述的一种基于地理经济和社交关系的网贷平台风险评估方法,其特征在于,所述步骤二中,全国地理模块包括全国所有的省份、自治区、直辖市、特别行政区;华东地理模块包括上海、浙江、安徽、江苏;华西地理模块包括重庆、青海、甘肃、宁夏、陕西、四川、西藏、新疆;华南地理模块包括广东、广西、福建、海南、台湾;华北地理模块包括北京、天津、河北、山西、黑龙江、吉林、辽宁、内蒙古;华中地理模块包括河南、湖北、湖南、江西。
5.根据权利要求1所述的一种基于地理经济和社交关系的网贷平台风险评估方法,其特征在于,所述步骤二中的频繁项集检测,具体包括下述步骤:
步骤2a):在六个地理模块中分别列出各个P2P平台所有的信息,并为每个地理模块设置支持度min_conf;
步骤2b):用有问题的P2P平台的信息做训练数据,找出“频繁1项集”,该集合记作L1,L1用于找“频繁2项集”的集合L2,而L2用于找L3;如此下去,直到不能找到“频繁K项集”;其中“频繁J项集”是指所有问题的P2P平台最多共有的J个相同信息的集合;
其中,所述K是指自然数;所述J是指自然数;
步骤2c):迭代过程:频繁k-1项集生成2项子集,这里的2项指的生成的子集中有两个k-1项集;若有两个k-1项集,每个项集按照“属性-值”的字母顺序进行排序;如果两个k-1项集的前k-2个项相同,而最后一个项不同,则证明它们是可连接的,即这个k-1项集可以联姻,即可连接生成k项集;但是若一个项集的子集不是频繁项集,则该项集也不是频繁项集,去掉该项集;
其中,所述k是指自然数;
步骤2c):迭代找到最大的K项集,这K项即是风险评估的有用项。
6.根据权利要求1所述的一种基于地理经济和社交关系的网贷平台风险评估方法,其特征在于,所述步骤四的步骤4a)中,社交关系图采取轮询的方式建图,即挨个扫描P2P平台的状态、股东和高管,对于可以对社交关系图进行操作的信息,依次录入到社交关系图上。
7.根据权利要求1所述的一种基于地理经济和社交关系的网贷平台风险评估方法,其特征在于,所述步骤四的步骤4b)中,使用深度优先的方法,来迅找到和有问题的P2P平台相关的平台的具体步骤如下:
步骤i:访问社交关系图的顶点v;
步骤ii:依次从v的未被访问的邻接点出发,对社交关系图进行深度优先遍历;直至社交关系图中和v有路径相通的顶点都被访问,或者遍历的步长已经等于3;
步骤iii:若此时社交关系图中尚有顶点未被访问,则从一个未被访问的顶点出发,重新进行深度优先遍历,直到社交关系图中所有顶点均被访问过为止;
如此,我们可以得到该平台之间的社交关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710670225.1A CN107590733A (zh) | 2017-08-08 | 2017-08-08 | 基于地理经济和社交关系的网贷平台风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710670225.1A CN107590733A (zh) | 2017-08-08 | 2017-08-08 | 基于地理经济和社交关系的网贷平台风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107590733A true CN107590733A (zh) | 2018-01-16 |
Family
ID=61043131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710670225.1A Pending CN107590733A (zh) | 2017-08-08 | 2017-08-08 | 基于地理经济和社交关系的网贷平台风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590733A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360089A (zh) * | 2018-11-20 | 2019-02-19 | 四川大学 | 贷款风险预测方法及装置 |
CN110400080A (zh) * | 2019-07-26 | 2019-11-01 | 浙江大搜车软件技术有限公司 | 考核数据监控方法、装置、计算机设备和存储介质 |
CN111768285A (zh) * | 2019-04-01 | 2020-10-13 | 杭州金智塔科技有限公司 | 信贷风控模型构建***、方法、风控***及存储介质 |
CN113449060A (zh) * | 2021-06-29 | 2021-09-28 | 金陵科技学院 | 基于混合基因表达式编程的地理大数据安全风险评估方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080243719A1 (en) * | 2005-08-10 | 2008-10-02 | Axcessnet Innovations | Risk profiles in networked loan market and lending management system |
CN102708096A (zh) * | 2012-05-29 | 2012-10-03 | 代松 | 一种基于语义的网络智能舆情监测***及其工作方法 |
CN103020256A (zh) * | 2012-12-21 | 2013-04-03 | 电子科技大学 | 一种大规模数据的关联规则挖掘方法 |
CN103455705A (zh) * | 2013-05-24 | 2013-12-18 | 中国科学院自动化研究所 | 网络社会事件的协同关联跟踪及全局态势分析与预测*** |
CN105740245A (zh) * | 2014-12-08 | 2016-07-06 | 北京邮电大学 | 频繁项集挖掘方法 |
CN105809360A (zh) * | 2016-03-16 | 2016-07-27 | 北京银讯财富信息技术有限公司 | 一种p2p行业风险评估方法 |
CN105894369A (zh) * | 2015-01-04 | 2016-08-24 | 必普(上海)金融信息服务有限公司 | 一种对互联网金融网贷平台的风险评估模型 |
CN105931115A (zh) * | 2016-04-19 | 2016-09-07 | 上海闻玺投资咨询有限公司 | 网贷平台发展指数评级***及其工作方法 |
-
2017
- 2017-08-08 CN CN201710670225.1A patent/CN107590733A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080243719A1 (en) * | 2005-08-10 | 2008-10-02 | Axcessnet Innovations | Risk profiles in networked loan market and lending management system |
CN102708096A (zh) * | 2012-05-29 | 2012-10-03 | 代松 | 一种基于语义的网络智能舆情监测***及其工作方法 |
CN103020256A (zh) * | 2012-12-21 | 2013-04-03 | 电子科技大学 | 一种大规模数据的关联规则挖掘方法 |
CN103455705A (zh) * | 2013-05-24 | 2013-12-18 | 中国科学院自动化研究所 | 网络社会事件的协同关联跟踪及全局态势分析与预测*** |
CN105740245A (zh) * | 2014-12-08 | 2016-07-06 | 北京邮电大学 | 频繁项集挖掘方法 |
CN105894369A (zh) * | 2015-01-04 | 2016-08-24 | 必普(上海)金融信息服务有限公司 | 一种对互联网金融网贷平台的风险评估模型 |
CN105809360A (zh) * | 2016-03-16 | 2016-07-27 | 北京银讯财富信息技术有限公司 | 一种p2p行业风险评估方法 |
CN105931115A (zh) * | 2016-04-19 | 2016-09-07 | 上海闻玺投资咨询有限公司 | 网贷平台发展指数评级***及其工作方法 |
Non-Patent Citations (2)
Title |
---|
林春雨等: "基于大数据技术的P2P网贷平台风险预警模型", 《大数据》 * |
董小轶: "基于层次分析法的P2P网贷平台综合评估", 《时代金融》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360089A (zh) * | 2018-11-20 | 2019-02-19 | 四川大学 | 贷款风险预测方法及装置 |
CN109360089B (zh) * | 2018-11-20 | 2020-07-17 | 四川大学 | 贷款风险预测方法及装置 |
CN111768285A (zh) * | 2019-04-01 | 2020-10-13 | 杭州金智塔科技有限公司 | 信贷风控模型构建***、方法、风控***及存储介质 |
CN110400080A (zh) * | 2019-07-26 | 2019-11-01 | 浙江大搜车软件技术有限公司 | 考核数据监控方法、装置、计算机设备和存储介质 |
CN113449060A (zh) * | 2021-06-29 | 2021-09-28 | 金陵科技学院 | 基于混合基因表达式编程的地理大数据安全风险评估方法 |
CN113449060B (zh) * | 2021-06-29 | 2022-07-01 | 金陵科技学院 | 基于混合基因表达式编程的地理大数据安全风险评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Design of Deep Belief Networks for Short‐Term Prediction of Drought Index Using Data in the Huaihe River Basin | |
Alvand et al. | Identification and assessment of risk in construction projects using the integrated FMEA-SWARA-WASPAS model under fuzzy environment: a case study of a construction project in Iran | |
CN106779755A (zh) | 一种网络电商借贷风险评估方法及模型 | |
CN107590733A (zh) | 基于地理经济和社交关系的网贷平台风险评估方法 | |
CN112132233A (zh) | 一种基于有效影响因子的服刑人员危险行为预测方法及*** | |
CN107341183A (zh) | 一种基于暗网网站综合特征的网站分类方法 | |
CN104239485A (zh) | 一种基于统计机器学习的互联网暗链检测方法 | |
CN107092929A (zh) | 基于聚类技术的刑事犯罪案件关联串并方法及*** | |
Agarwal et al. | Big data and predictive analytics in fire risk using weather data | |
CN109146611A (zh) | 一种电商产品质量信用指数分析方法及*** | |
CN104463601A (zh) | 一种在线社会媒体***中检测恶意评分用户的方法 | |
CN106295332A (zh) | 基于区间数和理想解的信息安全风险评估方法 | |
Mangal et al. | Fake news detection with integration of embedded text cues and image features | |
CN108564465A (zh) | 一种企业信用管理方法 | |
Zhang et al. | Surface and high-altitude combined rainfall forecasting using convolutional neural network | |
Arora et al. | PREDICTION & WARNING: a method to improve student's performance | |
Zhu et al. | Risk assessment of biological asset mortgage loans of China’s new agricultural business entities | |
Wang et al. | Assessing financial distress of SMEs through event propagation: An adaptive interpretable graph contrastive learning model | |
Kurniawan et al. | Decision support model using FIM Sugeno for assessing the academic performance | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
CN115131039B (zh) | 基于非线性降维的企业风险评估方法、计算机设备及存储介质 | |
CN106778252A (zh) | 基于粗糙集理论与waode算法的入侵检测方法 | |
TWM583089U (zh) | 智慧型信用風險評估系統 | |
Sun et al. | Environmental risk assessment system for phosphogypsum tailing dams | |
Zhang | Research of default risk of commercial bank's personal loan based on rough sets and neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |