CN109829629A - 风险分析报告的生成方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种基于机器学习的风险分析报告的生成方法、装置、计算机设备和存储介质。该方法包括：接收终端发送的风险分析请求；风险分析请求携带了选定的虚拟资源的目标资源标识；确定目标资源标识对应的监控对象，获取监控对象的监控数据，将监控数据输入风险分析模型，得到对应的风险评分；当风险评分超过阈值时，将目标资源标识标记为风险案例；根据监控数据确定风险案例对应的相似案例；基于相似案例识别风险案例的多个风险点；将多个风险点串联，生成风险案例对应的风险线索；基于风险评分、相似案例及风险线索，生成目标资源标识对应的风险分析报告，将风险分析报告反馈至终端。采用本方法能够提高风险分析效率和准确性。

Description

风险分析报告的生成方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种风险分析报告的生成方法、装置、计算机设备和存储介质。

背景技术

风险监控在多种行业均为必须的业务环节。例如，在金融行业，需要对虚拟资源的监控对象是否存在违约风险进行监控。随着计算技术的发展，市面也出现了一些用于风险监控的工具，但这些工具大多只能提供风险指标的机械对比和简单的信用评级功能，难以做到实时发现监控对象的风险点。

发明内容

基于此，有必要针对上述技术问题，提供一种提高风险分析效率和准确性的风险分析报告的生成方法、装置、计算机设备和存储介质。

一种风险分析报告的生成方法，所述方法包括：接收终端发送的风险分析请求；所述风险分析请求携带了选定的虚拟资源的目标资源标识；确定所述目标资源标识对应的监控对象，获取所述监控对象的监控数据，将监控数据输入风险分析模型，得到对应的风险评分；当所述风险评分超过阈值时，将所述目标资源标识标记为风险案例；根据所述监控数据确定所述风险案例对应的相似案例；基于所述相似案例识别所述风险案例的多个风险点；将所述多个风险点串联，生成所述风险案例对应的风险线索；基于所述风险评分、相似案例及风险线索，生成所述目标资源标识对应的风险分析报告，将所述风险分析报告反馈至所述终端。

在一个实施例中，在接收终端发送的风险分析请求之前，还包括：接收终端发送的资源获取请求；所述资源获取请求携带了目标属性值；获取多个虚拟资源的资源因子，将目标属性值和每个所述虚拟资源的资源因子输入调控模型，得到每个虚拟资源的资源标注；根据所述资源标注选取对应的专家模型，将所述资源因子输入专家模型得到相应虚拟资源的预测属性值；筛选预测属性值与目标属性值相匹配的虚拟资源，记作目标资源；根据所述目标资源对应的专家模型，确定所述目标资源的因子特性；获取所述目标资源的资源信息，将所述资源信息和因子特性返回至终端；使所述终端根据所述因子特性对推送的多个目标资源进一步筛选。

在一个实施例中，所述将监控数据输入风险分析模型，得到对应的风险评分，包括：获取训练样本，在所述训练样本中筛选目标样本；基于所述训练样本对第一子模型进行训练，得到健康分析模型；基于所述目标样本对第二子模型进行训练，得到破产分析模型；将所述监控数据输入所述健康分析模型，得到所述监控对象的健康指数；将所述监控数据输入所述破产分析模型，得到所述监控对象的破产指数；基于所述健康指数及所述破产指数，计算所述风险评分。

在一个实施例中，所述根据所述监控数据确定所述风险案例对应的相似案例，包括：确定虚拟资源对应的监控对象所属行业类型；获取所述风险案例的风险数据；所述风险数据包括所述虚拟资源的风险数据、行业类型的风险数据以及监控对象的风险数据；在所述风险数据中提取所述风险案例的风险标签；计算所述风险标签与预存储的多个历史案例的案例标签的相似度，将所述相似度超过预设值的历史案例标记为相似案例。

在一个实施例中，所述基于所述相似案例识别所述风险案例的多个风险点，包括：获取所述相似案例的多个时间节点的风险指标；判断所述风险案例是否存在相同的风险指标，以及所述风险案例出现相同的风险指标的时间顺序与所述相似案例是否一致；若是，确定最后一个时间节点的相同的风险指标，记作征兆指标；将所述征兆指标之后时间节点的不同的风险指标标记为所述风险案例的风险点。

在一个实施例中，所述将所述多个风险点串联，生成所述风险案例对应的风险线索，包括：确定所述风险案例的监控周期；当所述监控周期到达时，返回所述获取所述监控对象的监控数据的步骤，若所述风险评分仍旧超过阈值，分析所述风险案例在当前监控周期的风险点；将多个监控周期的风险点串联，生成所述发现主体对应的风险线索。

一种风险分析报告的生成装置，所述装置包括：风险评分模块，用于接收终端发送的风险分析请求；所述风险分析请求携带了选定的虚拟资源的目标资源标识；确定所述目标资源标识对应的监控对象，获取所述监控对象的监控数据，将监控数据输入风险分析模型，得到对应的风险评分；线索收集模块，用于当所述风险评分超过阈值时，将所述目标资源标识标记为风险案例；根据所述监控数据确定所述风险案例对应的相似案例；基于所述相似案例识别所述风险案例的多个风险点；将所述多个风险点串联，生成所述风险案例对应的风险线索；报告生成模块，用于基于所述风险评分、相似案例及风险线索，生成所述目标资源标识对应的风险分析报告，将所述风险分析报告反馈至所述终端。

在一个实施例中，所述装置还包括资源筛选模块，用于接收终端发送的资源获取请求；所述资源获取请求携带了目标属性值；获取多个虚拟资源的资源因子，将目标属性值和每个所述虚拟资源的资源因子输入调控模型，得到每个虚拟资源的资源标注；根据所述资源标注选取对应的专家模型，将所述资源因子输入专家模型得到相应虚拟资源的预测属性值；筛选预测属性值与目标属性值相匹配的虚拟资源，记作目标资源；根据所述目标资源对应的专家模型，确定所述目标资源的因子特性；获取所述目标资源的资源信息，将所述资源信息和因子特性返回至终端；使所述终端根据所述因子特性对推送的多个目标资源进一步筛选。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的风险分析报告的生成方法的步骤。

一种计算机可读存储介质，其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本申请任意一个实施例中提供的风险分析报告的生成方法的步骤。

上述风险分析报告的生成方法、装置、计算机设备和存储介质，根据终端发送的风险分析请求，可以确定用户选定的目标资源的监控对象；获取监控对象的监控数据，并将监控数据输入风险分析模型，可以得到对应的风险评分；当所述风险评分超过阈值时，可以将所述目标资源标识标记为风险案例；根据所述监控数据可以确定所述风险案例对应的相似案例；基于所述相似案例可以识别得到所述风险案例的多个风险点；将所述多个风险点串联，可以生成所述风险案例对应的风险线索；基于所述风险评分、相似案例及风险线索，可以生成所述目标资源标识对应的风险分析报告。由于风险分析模型可以综合考虑多种风险因素进行风险预测，提高风险分析效率；在得到风险评分后进一步确定风险案例的相似案例，并基于相似案例预测监控对象在未来多个时间节点可能出现的风险点，基于上述信息生成的风险分析报告可以方便用户全面快速的了解所选虚拟资源的风险情况，提高风险分析精准度。

附图说明

图1为一个实施例中风险分析报告的生成方法的应用场景图；

图2为一个实施例中风险分析报告的生成方法的流程示意图；

图3为一个实施例中目标资源筛选的步骤的流程示意图；

图4为一个实施例中风险分析报告的生成装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的风险分析报告的生成方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当用户需要对选定虚拟资源进行风险分析时，可以通过终端102向服务器104发送风险分析请求。服务器104查询用户选定的目标资源标识对应的监控对象，并获取监控对象的监控数据。服务器调用风险分析模型，将监控数据输入风险分析模型，得到对应的风险评分。服务器比较风险评分是否超过阈值。若是，则服务器104将目标资源标识标记为风险案例。服务器104根据监控数据确定风险案例对应的相似案例，并基于相似案例识别风险案例的多个风险点。服务器104将多个风险点串联，生成风险案例对应的风险线索。服务器104基于风险评分、相似案例及风险线索，生成目标资源标识对应的风险分析报告，将风险分析报告反馈至终端102。上述风险分析报告生成过程，基于风险分析模型可以综合考虑多种风险因素进行风险预测，提高风险分析效率；在得到风险评分后进一步确定风险案例的相似案例，并基于相似案例预测监控对象在未来多个时间节点可能出现的风险点，基于上述信息生成的风险分析报告可以方便用户全面快速的了解所选虚拟资源的风险情况，提高风险分析精准度。

在一个实施例中，如图2所示，提供了一种风险分析报告的生成方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，接收终端发送的风险分析请求；风险分析请求携带了选定的虚拟资源的目标资源标识。

终端上安装了虚拟资源获取平台。当用户需要获取虚拟资源时，可以在终端基于虚拟资源获取平台选定虚拟资源，还可以请求对虚拟资源进行风险分析。虚拟资源获取平台提供多个分析维度选项，如综合分析、财务分析、舆情分析、同行中分析、同地区中分析等。终端根据用户选定的虚拟资源及分析维度生成风险分析请求，将风险分析请求发送至服务器。

步骤204，确定目标资源标识对应的监控对象，获取监控对象的监控数据，将监控数据输入风险分析模型，得到对应的风险评分。

虚拟资源可以是股票、债券等。虚拟资源对应的监控对象是指虚拟资源的提供方。由于对于不同行业类型的监控对象，不同风险监控指标需要考虑的重要程度不同。充分考虑不同行业监控对象的不同属性特征，对监控对象行业进行区分，针对不同行业类型构建了不同的风险分析模型。风险分析模型可以是机器学习模型。

监控数据包括财务、地区、行业、法律和舆情等多个维度的数据。不同监控数据分别具有对应的数据源、获取时间和数据类型。数据类型包括但不限于图像、音频、文本和数字。服务器对不同数据类型的监控数据进行预处理。具体的，对于数字形式的数据，如企业的财务数据，作为评定企业风险定量指标的主要数据来源，可简单处理后直接应用于监控因子的生成。但文本、图像、音频等数据类型的数据，则需要经过提炼、量化处理，对数据中存在的码表进行统一和标准化的处理。

服务器调用相应风险分析模型对虚拟资源进行风险扫描。

在一个实施例中，将监控数据输入风险分析模型，得到对应的风险评分，包括：获取训练样本，在训练样本中筛选目标样本；基于训练样本对第一子模型进行训练，得到健康分析模型；基于目标样本对第二子模型进行训练，得到破产分析模型；将监控数据输入健康分析模型，得到监控对象的健康指数；将监控数据输入破产分析模型，得到监控对象的破产指数；基于健康指数及破产指数，计算风险评分。

若用户选定的分析维度为“财务分析”，服务器调用相应的风险分析模型。风险分析模型包括健康分析模型和破产分析模型。其中，健康分析模型包括偿债能力、运营能力、盈利能力、成长能力和盈利质量多个维度的监控角度的健康分析子模型。监控分析子模型可以是基于LGBM模型(Light gradient boosting machine，快速梯度提升算法)训练得到的。服务器在监控数据中提取监控对象分别在多个监控角度的监控指标，将每个监控角度的监控指标输入相应健康分析子模型，得到对应的健康子评分。服务器将多个监控角度的对应的健康子评分输入评分转换模型，得到对应的健康指数。评分转换模型也可以是基于LGBM模型训练得到的，还可以是基于其他模型训练得到的，对此不作限制。

破产分析模型可以是基于已破产企业的坏样本数据对GBDT模型(GradientBoosting Decision Tree，梯度提升决策树)进行训练得到的。相比健康分析模型，破产分析模型训练时采用的样本数据更加集中。服务器将提取得到的监控指标输入破产分析模型，得到监控对象高的破产指数。服务器根据健康指数和破产指数，计算目标资源标识对应的财务评分。

若用户选定分析维度为“综合分析”，则服务器按照上述方式调用每个分析维度的风险分析模型计算相应分析维度的分项得分，如财务评分等。基于多个分项得分，计算监控对象的风险评分。

步骤206，当风险评分超过阈值时，将目标资源标识标记为风险案例。

服务器比较风险评分是否超过阈值。若是，表示监控对象具有较高的违约风险，服务器将该目标资源标识标记为风险案例。

步骤208，根据监控数据确定风险案例对应的相似案例。

服务器在案例库中预存储了多种历史案例以及每个历史案例的风险画像(记作坏样本画像)。坏样本画像包括多个风险标签。风险标签用于表征历史案例在哪些科目出现的问题。随着时间变化，风险手段也有可能变化。为了提高相似案例匹配准确度，可以对相应坏样本画像也进行动态更新。

服务器通过计算历史案例的风险画像与当前的风险案例的风险画像的相似度，将其中一个或多个历史案例确定为风险案例的相似案例。相似案例是指与当前的风险案例具有相似风险特征的历史案例。服务器基于监控对象的多个监控指标，生成监控对象的多个风险标签，利用多个风险标签生成监控对象的风险画像(记作待匹配画像)。风险分析模型还包括粉饰分析模型。粉饰分析模型不仅用于预测监控对象是否存在风险行为，还通过相似案例匹配预测风险线索。服务器调用粉饰分析模型计算待匹配画像与坏样本画像的余弦相似性，得到相似度。若相似度超过阈值，服务器将相应历史案例标记为相似案例。

步骤210，基于相似案例识别风险案例的多个风险点。

每个坏样本画像关联有多个时间节点的风险指标。服务器根据相匹配的坏样本画像关联的多个时间节点的风险指标对监控对象的风险线索进行预测。

在一个实施例中，基于相似案例识别风险案例的多个风险点，包括：获取相似案例的多个时间节点的风险指标；判断风险案例是否存在相同的风险指标，以及风险案例出现相同的风险指标的时间顺序与相似案例是否一致；若是，确定最后一个时间节点的相同的风险指标，记作征兆指标；将征兆指标之后时间节点的不同的风险指标标记为风险案例的风险点。

在不同时间节点可能与不同历史案例的风险模式相似。换言之，随着时间推移当前风险案例的相似案例可能发生变化。服务器从“与相似案例相同的风险标签”以及“相同风险标签的时间顺序”两个角度生成风险线索。具体可以判断风险案例是否存在与相似案例相同的风险指标及相同风险指标出现的时间顺序与相似案例是否一致。若存在与相似案例相同的风险指标且相同风险指标的出现时间顺序与相似案例一致，则服务器将最后一个时间节点的相同的风险指标(记作征兆指标)标记为一个风险点。比如，坏样本企业A具有6个异常指标，企业B已经出现了其中5种异常指标则预测有可能出现第6种异常指标，从而可以将第6中异常指标标记为企业B的一个风险点。

步骤212，将多个风险点串联，生成风险案例对应的风险线索。

在一个实施例中，将多个风险点串联，生成风险案例对应的风险线索，包括：确定风险案例的监控周期；当监控周期到达时，返回获取监控对象的监控数据的步骤，若风险评分仍旧超过阈值，分析风险案例在当前监控周期的风险点；将多个监控周期的风险点串联，生成发现主体对应的风险线索。

监控周期可以根据风险评分或者监控对象的行业类型等动态确定的，也可以是预设的固定值，对此不做限制。服务器按照上述方式确定监控对象在每个监控周期的风险点，并按照时间顺序将多个风险点串联，得到监控对象对应的风险线索。

步骤214，基于风险评分、相似案例及风险线索，生成目标资源标识对应的风险分析报告，将风险分析报告反馈至终端。

服务器通过对风险评分进行聚类，可以确定监控对象对应的风险类别。每个风险类别具有对应的类别描述。根据风险评分和所属风险类别对应的类别描述进行风险提示。相比简单的提供一个分数，基于自然语言进行风险提示可以提高业务解释性。

服务器基于风险提示、相似案例及其关联的坏样本画像、风险线索生成风险分析报告。在另一个实施例中，风险分析报告还对风险分析过程得到的健康子评分进行展示。容易理解，健康子评分在风险分析报告中可以以雷达图或柱状图等图表的形式展现。

本实施例中，根据终端发送的风险分析请求，可以确定用户选定的目标资源的监控对象；获取监控对象的监控数据，并将监控数据输入风险分析模型，可以得到对应的风险评分；当风险评分超过阈值时，可以将目标资源标识标记为风险案例；根据监控数据可以确定风险案例对应的相似案例；基于相似案例可以识别得到风险案例的多个风险点；将多个风险点串联，可以生成风险案例对应的风险线索；基于风险评分、相似案例及风险线索，可以生成目标资源标识对应的风险分析报告。由于风险分析模型可以综合考虑多种风险因素进行风险预测，提高风险分析效率；在得到风险评分后进一步确定风险案例的相似案例，并基于相似案例预测监控对象在未来多个时间节点可能出现的风险点，基于上述信息生成的风险分析报告可以方便用户全面快速的了解所选虚拟资源的风险情况，提高风险分析精准度。

在一个实施例中，如图3所示，在接收终端发送的风险分析请求之前，还包括目标资源筛选的步骤，具体包括：

步骤302，接收终端发送的资源获取请求；资源获取请求携带了目标属性值。

步骤304，获取多个虚拟资源的资源因子，将目标属性值和每个虚拟资源的资源因子输入调控模型，得到每个虚拟资源的资源标注。

步骤306，根据资源标注选取对应的专家模型，将资源因子输入专家模型得到相应虚拟资源的预测属性值。

步骤308，筛选预测属性值与目标属性值相匹配的虚拟资源，记作目标资源。

步骤310，根据目标资源对应的专家模型，确定目标资源的因子特性。

步骤312，获取目标资源的资源信息，将资源信息和因子特性返回至终端；使终端根据因子特性对推送的多个目标资源进一步筛选。

当用户需要获取虚拟资源时，可以在虚拟资源获取平台设定目标属性值。目标属性值可以是用户设定的虚拟资源的获取条件。根据虚拟资源不同，对应的目标属性值可以不同。例如，当虚拟资源为股票或证券等金融产品时，对应的目标属性值可以是预期收益率、最大风险率等。目标属性值可以是在虚拟资源获取平台给定的多个档位区间或者档位值中选定得到。

服务器在虚拟资源池中预存储了多个交易中的虚拟资源的资源信息。服务器还预存储了用于筛选符合用户设定的目标属性值的虚拟资源的混合专家模型。混合专家模型包括调控模型和多个专家模型。其中，调控模型用于确定选取哪一个专家模型计算虚拟资源的预测属性值。调控模型可以是基于历史周期的多个虚拟资源的资源信息对EM算法(Expectation Maximization Algorithm，期望最大化算法)训练得到的。

假设混合专家模型包括k个专家模型。每个专家模型即为一个神经网络模型。不同的专家模型擅长处理不同数据源的数据。数据源可以是虚拟资源提供方。每个专家模型具有对应的模型编号。若一个虚拟资源的资源标注为i(1≤i≤k)，则选用第i个专家模型。根据资源标注可以是识别资源信息的数据源，进而根据数据源可以选定对应的专家模型。

服务器筛选预测属性值与目标属性值相匹配的虚拟资源，记作目标资源。服务器根据目标资源对应的专家模型，确定目标资源的因子特性。不同专家模型可以反映虚拟资源不同的因子特性。因子特性是指资源因子与预测属性值之间的关系，例如资源因子的因子值越大对应的预测属性值越高的线性关系，或者预测属性值随着资源因子呈现正态分布等关系。服务器通过采用不同的专家模型，可以判断不同虚拟资源在不同时刻遵循哪种因子特性表达的规律。因子特性规律可以使用广义线性回归来表征，也可以拓展成多因子，即在空间中以超平面作为多因子收益特性的表达。服务器获取目标资源的资源信息，将资源信息和因子特性返回至终端。终端根据因子特性，可以对推送的多个目标资源进一步筛选。

本实施例中，用户只需设定期望获取的虚拟资源的目标属性值，基于预置的虚拟资源获取策略自动筛选符合目标属性值的目标资源集合，精准缩小虚拟资源筛选范围，提高虚拟资源获取效率。进一步给出目标资源的因子特性，可以辅助用户依据个人喜好及行业经验等进行二次筛选，使得虚拟资源的获取更加个性化，从而也可以提高虚拟资源获取准确性。

在一个实施例中，根据监控数据确定风险案例对应的相似案例，包括：确定虚拟资源对应的监控对象所属行业类型；获取风险案例的风险数据；风险数据包括虚拟资源的风险数据、行业类型的风险数据以及监控对象的风险数据；在风险数据中提取风险案例的风险标签；计算风险标签与预存储的多个历史案例的案例标签的相似度，将相似度超过预设值的历史案例标记为相似案例。

服务器比较风险评分是否超过第一阈值。当风险评分小于或等于第一阈值时，表示用户选定的虚拟资源的风险比较弱，为了提高风险分析效率，服务器直接将风险评分返回至终端。当风险评分超过第一阈值时，表示用户选定的虚拟资源的风险比较强，为了提高风险分析准确性，服务器将用户选定的虚拟资源标记为风险案例，并进一步识别风险案例的相似案例。

服务器确定用户选定的虚拟资源对应的监控对象及其行业类型(记作目标行业类型)。服务器可以利用爬虫技术爬取与虚拟资源相关的风险数据、与虚拟资源所属的目标行业类型相关的风险数据以及与监控对象相关的风险数据。例如，服务器可以将虚拟资源的名称、目标行业类型的名称以及监控对象的名称作为爬取关键词，从目标网站上爬取包含关键词的新闻舆情信息，并对新闻舆情信息进行去噪处理，将新闻舆情信息中的广告噪声、脏词噪声等一一滤除，获得只包含新闻正文内容的风险数据。

与虚拟资源相关的风险数据囊括虚拟资源的风险数据、虚拟资源的发行主体的风险数据以及虚拟资源所属行业的风险数据，实现对虚拟资源进行全面的风险识别，不再只从虚拟资源的财务数据和信用评级进行风险识别，显著提升虚拟资源违约风险识别的准确率。

服务器在风险数据中提取风险案例的风险标签。具体的，风险数据的数据类型也可以是图像、音频、文本或数字等。当风险数据为文本或者基于图像或音频转换得到的文本时，服务器根据数据量以及分隔符对文本进行拆分。具体的，服务器计算文本的数据量，检测数据量是否超过预设值。当数据量超过预设值时，服务器获取预设的目标数据量，根据目标数据量确定文本的拆分位置。服务器检测拆分位置是否位于相邻分隔符之间。当拆分位置位于一个分隔符处时，服务器在拆分位置将文本拆分为多个短句。当拆分位置位于相邻分隔符之间时，服务器在相邻分隔符中任意一个分隔符处将文本拆分为多个短句。

服务器预存储了多种案例类型对应的正则表达式。正则表达式包括一个或多个风险关键词。服务器根据预设的多个正则表达式分别对拆分得到的每个短句进行正则匹配。服务器将匹配成功的正则表达式包含的风险关键词分别标记为风险标签。

服务器调用预设的相似度评估模型计算风险标签与预存储的多个历史案例的案例标签的相似度。具体的，服务器获取历史案例池。历史案例池中包括多种案例类型的历史案例。每个历史案例具有不同的案例标签，每个案例标签设置有风险等级。预设案例类型具体可以包括财务案例、法律案例、资本案例以及经营案例等。以财务案例类型为例，财务案例类型对应的案例标签可以包括资本结构变动、流动性差以及业绩亏损等标签。服务器可以预先将已知的违约虚拟资源作为例子，对违约虚拟资源的不同案例类型的监控数据进行分析，得到不同案例类型下的案例标签并对案例标签设置风险等级。

服务器将获得的风险标签与历史案例池中的案例标签进行匹配，当风险标签与案例标签匹配成功时，则将与风险标签匹配成功的案例标签及其风险等级写入至匹配记录中。服务器根据匹配记录中记录的案例标签以及案例标签的风险等级计算每个历史案例与当前的风险案例的相似度。

在一个实施例中，计算风险标签与预存储的多个历史案例的案例标签的相似度，包括：利用预设词向量模型获取风险标签的词向量；将所有词向量输入至预先训练好的SVM模型(Support Vector Machine，支持向量机)中，计算出词向量与各案例标签的置信度；将置信度最高的案例标签确定为与风险标签匹配的案例标签；获取相匹配的案例标签的风险等级；根据风险等级计算相应历史案例与风险案例的相似度。

服务器获取所有历史案例对应的案例标签，去除重复的案例标签，得到案例标签表。服务器统计每个历史案例对应的案例标签在案例标签表中出现的次数，以生成案例标签矩阵。服务器在获得案例标签矩阵后，计算在虚拟资源具有违约风险的情况下，各案例标签出现的概率值，将获得的概率值量化为各个案例标签对应的风险等级。例如，案例标签“流动性差”出现的概率值为80％至89％，则案例标签“流动性差”对应的风险等级设置为8。

服务器利用预设词向量模型获取案例关键词的词向量。预设词向量模型可以是word2vec模型；服务器可以利用word2vec模型获取各个风险标签的词向量，并将获得的词向量输入至预先训练好的SVM模型，计算得到风险标签与各个不同案例标签相匹配的置信度。SVM模型可以利用历史案例的风险数据作为训练数据训练得到的。服务器将置信度最大的案例标签确定为与案例关键词匹配的案例标签。通过SVM模型确定与风险标签匹配的案例标签，有效提高用户意图分类的准确性。服务器将相似度达到第二阈值的历史案例标记为相似案例。

本实施例中，相比简单的给用户反馈一个分值，进一步对虚拟资源进行深度风险分析，向用户进行相似案例推送，方便用户更加清晰准确的了解虚拟资源风险所在，进而便于更加准确的筛选虚拟资源。

应该理解的是，虽然图2和图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种风险分析报告的生成装置，包括：风险评分模块402、线索收集模块404和报告生成模块406，其中：

风险评分模块402，用于接收终端发送的风险分析请求；风险分析请求携带了选定的虚拟资源的目标资源标识；确定目标资源标识对应的监控对象，获取监控对象的监控数据，将监控数据输入风险分析模型，得到对应的风险评分。

线索收集模块404，用于当风险评分超过阈值时，将目标资源标识标记为风险案例；根据监控数据确定风险案例对应的相似案例；基于相似案例识别风险案例的多个风险点；将多个风险点串联，生成风险案例对应的风险线索。

报告生成模块406，用于基于风险评分、相似案例及风险线索，生成目标资源标识对应的风险分析报告，将风险分析报告反馈至终端。

在一个实施例中，该装置还包括资源筛选模块408，用于接收终端发送的资源获取请求；资源获取请求携带了目标属性值；获取多个虚拟资源的资源因子，将目标属性值和每个虚拟资源的资源因子输入调控模型，得到每个虚拟资源的资源标注；根据资源标注选取对应的专家模型，将资源因子输入专家模型得到相应虚拟资源的预测属性值；筛选预测属性值与目标属性值相匹配的虚拟资源，记作目标资源；根据目标资源对应的专家模型，确定目标资源的因子特性；获取目标资源的资源信息，将资源信息和因子特性返回至终端；使终端根据因子特性对推送的多个目标资源进一步筛选。

在一个实施例中，风险评分模块402还用于获取训练样本，在训练样本中筛选目标样本；基于训练样本对第一子模型进行训练，得到健康分析模型；基于目标样本对第二子模型进行训练，得到破产分析模型；将监控数据输入健康分析模型，得到监控对象的健康指数；将监控数据输入破产分析模型，得到监控对象的破产指数；基于健康指数及破产指数，计算风险评分。

在一个实施例中，线索收集模块404还用于确定虚拟资源对应的监控对象所属行业类型；获取风险案例的风险数据；风险数据包括虚拟资源的风险数据、行业类型的风险数据以及监控对象的风险数据；在风险数据中提取风险案例的风险标签；计算风险标签与预存储的多个历史案例的案例标签的相似度，将相似度超过预设值的历史案例标记为相似案例。

在一个实施例中，线索收集模块404还用于获取相似案例的多个时间节点的风险指标；判断风险案例是否存在相同的风险指标，以及风险案例出现相同的风险指标的时间顺序与相似案例是否一致；若是，确定最后一个时间节点的相同的风险指标，记作征兆指标；将征兆指标之后时间节点的不同的风险指标标记为风险案例的风险点。

在一个实施例中，线索收集模块404还用于确定风险案例的监控周期；当监控周期到达时，返回获取监控对象的监控数据的步骤，若风险评分仍旧超过阈值，分析风险案例在当前监控周期的风险点；将多个监控周期的风险点串联，生成发现主体对应的风险线索。

关于风险分析报告的生成装置的具体限定可以参见上文中对于风险分析报告的生成方法的限定，在此不再赘述。上述风险分析报告的生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储多个历史案例以及每个历史案例对应的风险画像。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风险分析报告的生成方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请任意一个实施例中提供的风险分析报告的生成方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种风险分析报告的生成方法，所述方法包括：

接收终端发送的风险分析请求；所述风险分析请求携带了选定的虚拟资源的目标资源标识；

确定所述目标资源标识对应的监控对象，获取所述监控对象的监控数据，将监控数据输入风险分析模型，得到对应的风险评分；

当所述风险评分超过阈值时，将所述目标资源标识标记为风险案例；

根据所述监控数据确定所述风险案例对应的相似案例；

基于所述相似案例识别所述风险案例的多个风险点；

将所述多个风险点串联，生成所述风险案例对应的风险线索；

基于所述风险评分、相似案例及风险线索，生成所述目标资源标识对应的风险分析报告，将所述风险分析报告反馈至所述终端。

2.根据权利要求1所述的方法，其特征在于，在接收终端发送的风险分析请求之前，还包括：

接收终端发送的资源获取请求；所述资源获取请求携带了目标属性值；

获取多个虚拟资源的资源因子，将目标属性值和每个所述虚拟资源的资源因子输入调控模型，得到每个虚拟资源的资源标注；

根据所述资源标注选取对应的专家模型，将所述资源因子输入专家模型得到相应虚拟资源的预测属性值；

筛选预测属性值与目标属性值相匹配的虚拟资源，记作目标资源；

根据所述目标资源对应的专家模型，确定所述目标资源的因子特性；

获取所述目标资源的资源信息，将所述资源信息和因子特性返回至终端；使所述终端根据所述因子特性对推送的多个目标资源进一步筛选。

3.根据权利要求1所述的方法，其特征在于，所述将监控数据输入风险分析模型，得到对应的风险评分，包括：

获取训练样本，在所述训练样本中筛选目标样本；

基于所述训练样本对第一子模型进行训练，得到健康分析模型；

基于所述目标样本对第二子模型进行训练，得到破产分析模型；

将所述监控数据输入所述健康分析模型，得到所述监控对象的健康指数；

将所述监控数据输入所述破产分析模型，得到所述监控对象的破产指数；

基于所述健康指数及所述破产指数，计算所述风险评分。

4.根据权利要求1所述的方法，其特征在于，所述根据所述监控数据确定所述风险案例对应的相似案例，包括：

确定所述虚拟资源对应的监控对象所属行业类型；

获取所述风险案例的风险数据；所述风险数据包括所述虚拟资源的风险数据、行业类型的风险数据以及监控对象的风险数据；

在所述风险数据中提取所述风险案例的风险标签；

计算所述风险标签与预存储的多个历史案例的案例标签的相似度，将所述相似度超过预设值的历史案例标记为相似案例。

5.根据权利要求1所述的方法，其特征在于，所述基于所述相似案例识别所述风险案例的多个风险点，包括：

获取所述相似案例的多个时间节点的风险指标；

判断所述风险案例是否存在相同的风险指标，以及所述风险案例出现相同的风险指标的时间顺序与所述相似案例是否一致；

若是，确定最后一个时间节点的相同的风险指标，记作征兆指标；

将所述征兆指标之后时间节点的不同的风险指标标记为所述风险案例的风险点。

6.根据权利要求1所述的方法，其特征在于，所述将所述多个风险点串联，生成所述风险案例对应的风险线索，包括：

确定所述风险案例的监控周期；

当所述监控周期到达时，返回所述获取所述监控对象的监控数据的步骤，若所述风险评分仍旧超过阈值，分析所述风险案例在当前监控周期的风险点；

将多个监控周期的风险点串联，生成所述发现主体对应的风险线索。

7.一种风险分析报告的生成装置，其特征在于，所述装置包括：

风险评分模块，用于接收终端发送的风险分析请求；所述风险分析请求携带了选定的虚拟资源的目标资源标识；确定所述目标资源标识对应的监控对象，获取所述监控对象的监控数据，将监控数据输入风险分析模型，得到对应的风险评分；

线索收集模块，用于当所述风险评分超过阈值时，将所述目标资源标识标记为风险案例；根据所述监控数据确定所述风险案例对应的相似案例；基于所述相似案例识别所述风险案例的多个风险点；将所述多个风险点串联，生成所述风险案例对应的风险线索；

报告生成模块，用于基于所述风险评分、相似案例及风险线索，生成所述目标资源标识对应的风险分析报告，将所述风险分析报告反馈至所述终端。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

资源筛选模块，用于接收终端发送的资源获取请求；所述资源获取请求携带了目标属性值；获取多个虚拟资源的资源因子，将目标属性值和每个所述虚拟资源的资源因子输入调控模型，得到每个虚拟资源的资源标注；根据所述资源标注选取对应的专家模型，将所述资源因子输入专家模型得到相应虚拟资源的预测属性值；筛选预测属性值与目标属性值相匹配的虚拟资源，记作目标资源；根据所述目标资源对应的专家模型，确定所述目标资源的因子特性；获取所述目标资源的资源信息，将所述资源信息和因子特性返回至终端；使所述终端根据所述因子特性对推送的多个目标资源进一步筛选。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。