CN110443693A - 数据处理方法、装置、计算机设备及存储介质 - Google Patents
数据处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110443693A CN110443693A CN201910602395.5A CN201910602395A CN110443693A CN 110443693 A CN110443693 A CN 110443693A CN 201910602395 A CN201910602395 A CN 201910602395A CN 110443693 A CN110443693 A CN 110443693A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- address
- work unit
- specified
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 103
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013210 evaluation model Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 abstract description 11
- 238000012797 qualification Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 241000207961 Sesamum Species 0.000 description 1
- 235000003434 Sesamum indicum Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据处理方法、装置、计算机设备及存储介质，其方法包括：获取指定申请人的申请初始数据；根据申请初始数据获取指定申请人在指定周期内的活跃地址位置信息；使用预设的地址匹配度模型对活跃地址位置信息进行解析，计算地址匹配度；获取工作单位的评价信息；获取关联评价信息；获取与指定申请人匹配的申请数据可信度评估模型；根据申请数据可信度评估模型对地址匹配度、工作单位的评价信息和关联评价信息进行处理，获得指定申请人的可信度评估数据。本发明可以客观合理地对指定申请人的可信度进行评估，降低可信度评估成本，提高金融业务经营的安全性。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种数据处理方法、装置、计算机设备及存储介质。
背景技术
信用，是指依附在人之间、单位之间和商品交易之间形成的一种相互信任的生产关系和社会关系。在现代社会，个人信用是个人一项重要的无形资产。特别是在金融领域，个人信用的高低是能否获得授信贷款的重要条件。
然而，对于金融机构而言，如何合理地获得个人较为准确的信用数据，仍是一项亟需解决的技术难题。当前金融机构使用的信用评估方式主要有两种，一种是基于与客户的长期合作关系建立起的信赖关系而确定用户的信用，如，给予长期使用***的客户较高的信贷额度；另一种则是借助第三方评估机构获取用户的信用数据，如芝麻信用等。然而，第一种方式的评估时间长，不适用拓展新客户，第二种方式获取到的数据约束较多，成本也较高。
因而，需要开发一种新的、评估周期较短的、客观性较强的数据处理方法，以合理评估申请人的可信度(即信用的一种表现方式)，满足金融业务经营的需要。
发明内容
基于此，有必要针对上述技术问题，提供一种数据处理方法、装置、计算机设备及存储介质，以客观合理地对指定申请人的可信度进行评估，降低可信度评估成本，提高金融业务经营的安全性。
一种数据处理方法，包括：
获取指定申请人的申请初始数据，所述申请初始数据包括工作地址、工作单位；
根据所述申请初始数据获取所述指定申请人在指定周期内的活跃地址位置信息；
使用预设的地址匹配度模型对所述活跃地址位置信息进行解析，计算所述工作地址与所述活跃地址位置信息的地址匹配度；
向第一指定网络地址获取所述工作单位的待估测数据，使用预设的企业安全模型对所述待估测数据进行处理，获得所述工作单位的评价信息；
向第二指定网络地址获取所述工作单位的关联信息，根据所述关联信息生成关联评价信息；
获取与所述指定申请人匹配的申请数据可信度评估模型；
根据所述申请数据可信度评估模型对所述地址匹配度、所述工作单位的评价信息和关联评价信息进行处理，获得所述指定申请人的可信度评估数据。
一种数据处理装置，包括：
获取申请数据模块，用于获取指定申请人的申请初始数据，所述申请初始数据包括工作地址、工作单位；
获取位置信息模块，用于根据所述申请初始数据获取所述指定申请人在指定周期内的活跃地址位置信息；
地址匹配度计算模块，用于使用预设的地址匹配度模型对所述活跃地址位置信息进行解析，计算所述工作地址与所述活跃地址位置信息的地址匹配度；
工作单位评价模块，用于向第一指定网络地址获取所述工作单位的待估测数据，使用预设的企业安全模型对所述待估测数据进行处理，获得所述工作单位的评价信息；
关联评价模块，用于向第二指定网络地址获取所述工作单位的关联信息，根据所述关联信息生成关联评价信息；
获取评估模型模块，用于获取与所述指定申请人匹配的申请数据可信度评估模型；
生成可信度模块，用于根据所述申请数据可信度评估模型对所述地址匹配度、所述工作单位的评价信息和关联评价信息进行处理，获得所述指定申请人的可信度评估数据。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述数据处理方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述数据处理方法。
上述数据处理方法、装置、计算机设备及存储介质，通过获取指定申请人的申请初始数据，所述申请初始数据包括工作地址、工作单位，以获得用户(即指定申请人)提交的申请数据。根据所述申请初始数据获取所述指定申请人在指定周期内的活跃地址位置信息，以自动获取指定申请人的位置数据。使用预设的地址匹配度模型对所述活跃地址位置信息进行解析，计算所述工作地址与所述活跃地址位置信息的地址匹配度，以确定指定人提供的工作地址的真实性。向第一指定网络地址获取所述工作单位的待估测数据，使用预设的企业安全模型对所述待估测数据进行处理，获得所述工作单位的评价信息，以获得指定申请人所在工作单位的可信度评估数据(即上述工作单位的评价信息)。向第二指定网络地址获取所述工作单位的企业关联信息，根据所述企业关联信息生成关联评价信息，以获得与指定申请人所在工作单位关联的企业的可信度评估数据，以在更高的层级方面评判指定申请人的可信度，获得的可信度数据更具参考性。获取与所述指定申请人匹配的申请数据可信度评估模型，以选取适配的处理模型对获得的评估数据(即地址匹配度、工作单位的评价信息和关联评价信息)进一步处理。根据所述申请数据可信度评估模型对所述地址匹配度、所述工作单位的评价信息和关联评价信息进行处理，获得所述指定申请人的可信度评估数据，该可信度评估数据可以作为对指定申请人的申请行为的审批依据。本发明可以客观合理地对指定申请人的可信度进行评估，降低可信度评估成本，提高金融业务经营的安全性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中数据处理方法的一应用环境示意图；
图2是本发明一实施例中数据处理方法的一流程示意图；
图3是本发明一实施例中数据处理方法的一流程示意图；
图4是本发明一实施例中数据处理方法的一流程示意图；
图5是本发明一实施例中数据处理方法的一流程示意图；
图6是本发明一实施例中数据处理方法的一流程示意图；
图7是本发明一实施例中数据处理装置的一结构示意图；
图8是本发明一实施例中数据处理装置的一结构示意图；
图9是本发明一实施例中数据处理装置的一结构示意图；
图10是本发明一实施例中计算机设备的一示意图。
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、完整地描述，显然，所描述的实施例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作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。
本实施例提供的数据处理方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务端进行通信。其中，客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端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。
在一实施例中，如图2所示，提供一种数据处理方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：
S10、获取指定申请人的申请初始数据，所述申请初始数据包括工作地址、工作单位。
本实施例中，指定申请人可以指向金融机构申请贷款的借款人。申请初始数据可以指指定申请人在申请贷款时所填写的申请资料，包括但不限于个人的身份信息，工作信息(包括工作单位、工作资历、岗位级别等)、借款的用途、个人信用记录、收入来源、还款能力以及家庭收入情况等。金融机构可以提供专用的应用程序给指定申请人，指定申请人在该应用程序上填写申请初始数据，并上传至金融机构所使用的服务端。
在申请初始数据中，可以包含了指定申请人填写的工作地址。如工作地址可以是“上海市零陵路XX号”。在一些情况下，工作地址可以指指定申请人的公积金缴纳地或社保缴纳地。若申请初始数据中的工作地址(如指社保缴纳地)，可以基于指定申请人的身份信息向指定的网络位置(如社保查询网址)查询并获得指定申请人的工作地址。
S20、根据所述申请初始数据获取所述指定申请人在指定周期内的活跃地址位置信息。
S30、使用预设的地址匹配度模型对所述活跃地址位置信息进行解析，计算所述工作地址与所述活跃地址位置信息的地址匹配度。
指定周期可以根据实际需要进行设定，如可以是过去的一个月，也可以是在审核周期内的一段时间，如审核周期为一周，则，指定周期可以指审核周期截止前的时间。在一实例中，指定申请人在周一(如2019年2月11日)提交了申请初始数据，审核周期为下周一(如2019年2月18日)，则指定周期可以包括周二至周日(如2019年2月12-17日)。在一些情况下，指定周期也可以包括指定时间长度内的工作日，如可以包括2019年1月份的所有工作日。在另一些情况下，指定周期还可以是随机抽取的离散日期，如可以包括2019年1月份的5个工作日以及2019年3月份的3个工作日。
指定申请人的活跃地址位置信息可以指从与指定申请人绑定的客户端收集到的位置信息，即LBS(位置服务)地址，如活跃地址位置信息可以指定申请人在某个时间点所在的位置。客户端可以是iOS设备或Android设备，可以通过API接口(应用程序编程接口)获取指定申请人的活跃地址位置信息。在这种情况下，活跃地址位置信息可以指客户端的GPS数据。在另一种情况下，也可以通过指定申请人填写的手机号码，向网络运营商获取与该手机号码对应的活跃地址位置信息。在此处，活跃地址位置信息可以指通信基站记录的该手机号码的活跃数据。此外，还可以通过指定申请人使用的客户端访问网络的IP地址、客户端中在先图片的GPS信息等数据提取出活跃地址位置数据。
可以使用预设的地址匹配度模型对获取到的工作地址和活跃地址位置信息进行处理，获得工作地址与活跃地址位置信息的地址匹配度。地址匹配度模型可以基于历史的包含位置信息的个人信用数据，使用特定的分类算法构建而成。分类算法可以选用线性回归分类(LRC)、稀疏表示分类(SRC)、主成分分析(PCA)、线性鉴别分析(LDA)、局部保持投影(LPP)以及谱聚类(SC)等。在对历史的包含位置信息的个人信用数据进行处理时，可以基于用户个人的职位、行业、收入、学历、年龄、出生地、年龄、居住地等因素构建数据集合，提取不同因素下的个人地址分配规律。然后经拟合计算，获得包含各个因素的权重因子的地址匹配度模型。
而针对获取到的活跃地址位置信息，可以将其处理为一个以键值对表示的序列，如：
{时间点1:地点1；时间点2:地点2；时间点3:地点3；……时间点n:地点n}。
然后再结合指定申请人的工作地址以及身份信息(包括职位、行业、收入、学历、年龄、出生地、年龄、居住地等因素的参数值)，输入地址匹配度模型中，获得工作地址与活跃地址位置信息的地址匹配度。由于地址匹配度是基于用户的位置数据生成的，在一些情况下，也可以反映指定申请人的地址活跃习惯。
在一些情况下，活跃地址位置信息可以是基于不同的获取来源，而这些不同的获取来源在计算地址匹配度时，分配的参考权重可以是不同的。使用客户端中在先图片的GPS信息确定出指定申请人的实际工作地点，并基于该GPS信息计算出地址匹配度，该地址匹配度的参考权重可以是20。而通过指定申请人使用的客户端访问网络的IP地址确定出指定申请人的实际工作地点，并基于该IP地址计算出地址匹配度，该地址匹配度的参考权重可以是10。
S40、向第一指定网络地址获取所述工作单位的待估测数据，使用预设的企业安全模型对所述待估测数据进行处理，获得所述工作单位的评价信息。
本实施例中，第一指定网络地址可以是提供企业待估测数据的网站或数据库。待估测数据包括但不限于注册资金、行业类型、单位平均薪资、公司所在区域。
预设的企业安全模型可以基于已有的用户信用数据进行构建。基于用户信用数据，结合该用户所在的工作单位的待估测数据，形成训练样本。然后选用合适的算法对训练样本进行处理，获得训练后的企业安全模型(即预设的企业安全模型)。例如，可以选用决策树算法对训练样本进行处理。
在预设的企业安全模型中，待估测数据的每一项参数对应一个权重系数，每一个参数的参数值对应一个评分值。为了减少模型的计算量，可以将连续型的参数值处理为离散型参数，如划分出多个参数值范围，每个参数值范围对应一个评分值。
经预设的企业安全模型处理，可以基于工作单位的待估测数据生成相应的评价信息。在一些实例中，工作单位的评价信息可以是一个评分值。
S50、向第二指定网络地址获取所述工作单位的企业关联信息，根据所述企业关联信息生成关联评价信息。
在此处，第二指定网络地址可以是提供企业关联数据的网站或数据库。企业关联信息指的是与工作单位存在关联关系的企业或企业高层。具体的，与工作单位存在关联关系的企业可以指该工作单位所属的母公司或子公司；与工作单位存在关联关系的企业高管包括但不限于法人代表(若工作单位为非法人组织，则为工作单位的负责人)、总经理、股东。可以根据实际需要确定与工作单位存在关联的企业或企业高层的层级，如，层级可以设置为1-3。在一实例中，若层级设置为2，则首先确定层级为1的与工作单位存在关联的企业或企业高层，再确定层级为2的与第1层级存在关联的企业或企业高层。具体为，若工作单位与企业高层甲、乙存在关联，则获取与企业高层甲、乙关联的企业信息，如与甲关联的企业为A、B、C三家企业(不包含指定申请人的工作单位)，与乙关联的企业为C、D两家企业(不包含指定申请人的工作单位)，则在第1层级所包含的企业关联信息包括：甲、乙、企业A、企业B、企业C、企业D。在第2层级，则获取与企业A、企业B、企业C、企业D中任意一家存在关联的企业高层(不包含甲和乙)，并获取与这些企业高层(企业A、B、C、D中任意一家的除甲乙之外的企业高层)关联的企业。
在获取到企业关联信息之后，可以使用预设的关联评价模型对企业关联信息中的每个企业或企业高层评价，获得一个评价值，并统计评价值的总和，该总和即为关联评价信息。在一些实例中，关联评价模型中涉及对企业评价部分可以使用类似于步骤S30所涉及的企业安全模型。在一些情况下，预设的关联评价模型可选用不同的算法对关联信息进行处理，生成不同的关联评价信息，如，可以是平均值，或者加权后的总和(如，不同层级，设置不同的权重)。在一些情况下，关联评价信息可以表示为一个或一组评价值。
在一实例中，企业关联信息包括了10个关联人。经预设的关联评价模型对各个关联人进行处理，获得10个评价值，然后根据获得的10个评价值计算出其总和，即为关联评价信息。
S60、获取与所述指定申请人匹配的申请数据可信度评估模型。
可以基于指定申请人的贷款用途匹配不同的申请数据可信度评估模型。申请数据可信度评估模型可以基于在先的用户信用数据构建而成。如，可以划分为消费类的申请数据可信度评估模型和投资类的申请数据可信度评估模型。在对指定申请人的申请初始数据进行评价时，所涉及的地址匹配度、工作单位的评价信息和关联评价信息的权重因子分配是不一致的，因而，同一个指定申请人在贷款用途不一致时，获得的可信度评估数据是不同。
S70、根据所述申请数据可信度评估模型对所述地址匹配度、所述工作单位的评价信息和关联评价信息进行处理，获得所述指定申请人的可信度评估数据。
本实施例，可以使用申请数据可信度评估模型对获取到的地址匹配度、工作单位的评价信息和关联评价信息进行处理，生成指定申请人的可信度评估数据。在计算可信度评估数据时，申请数据可信度评估模型可以为地址匹配度、工作单位的评价信息和关联评价信息设置不同的权重因子。信用风险系数计算模型中包含的权重因子可以基于已有的用户信用数据，经迭代计算获得的。当使用更新后的用户信息数据对申请数据可信度评估模型进行更新时，各个参数的权重因子会随之改变。
在一实例中，地址匹配度用p表示，工作单位的评价信息用q表示，关联评价信息用r表示，指定申请人的可信度评估数据用I表示。申请数据可信度评估模型可使用如下的计算式子对指定申请人的可信度评估数据进行计算：
I＝α·p+β·q+γ·r。
上式中，α为p的权重因子，β为q的权重因子，γ为r的权重因子。
本发明实施例提供的数据处理方法，在试验性实施后，经测算，可信度评估数据的评估成本下降80％，申请人的违约率同比下降20％。由此可见，本发明实施例获得的可信度评估数据，相较于原有的评估数据，在评估质量方面是有较大提升的。
步骤S10-70中，获取指定申请人的申请初始数据，所述申请初始数据包括工作地址、工作单位，以获得用户(即指定申请人)提交的申请数据。根据所述申请初始数据获取所述指定申请人在指定周期内的活跃地址位置信息，以自动获取指定申请人的位置数据。使用预设的地址匹配度模型对所述活跃地址位置信息进行解析，计算所述工作地址与所述活跃地址位置信息的地址匹配度，以确定指定人提供的工作地址的真实性。向第一指定网络地址获取所述工作单位的待估测数据，使用预设的企业安全模型对所述待估测数据进行处理，获得所述工作单位的评价信息，以获得指定申请人所在工作单位的可信度评估数据(即上述工作单位的评价信息)。向第二指定网络地址获取所述工作单位的企业关联信息，根据所述企业关联信息生成关联评价信息，以获得与指定申请人所在工作单位关联的企业的可信度评估数据，以在更高的层级方面评判指定申请人的可信度，获得的可信度数据更具参考性。获取与所述指定申请人匹配的申请数据可信度评估模型，以选取适配的处理模型对获得的评估数据(即地址匹配度、工作单位的评价信息和关联评价信息)进一步处理。根据所述申请数据可信度评估模型对所述地址匹配度、所述工作单位的评价信息和关联评价信息进行处理，获得所述指定申请人的可信度评估数据，该可信度评估数据可以作为对指定申请人的申请行为的审批依据。
可选的，如图3所示，步骤S20包括：
S201、获取所述指定申请人的职位信息；
S202、选取与所述职位信息匹配的地址提取算法和所述指定周期；
S203、根据所述指定周期收集所述指定申请人的位置数据；
S204、根据所述地址提取算法对所述位置数据进行处理，生成所述活跃地址信息。
本实施例中，申请初始数据可以包括指定申请人的手机号码、职位信息、工作地址。其中，职位信息可以包括指定申请人的职业和职称，如用户甲的职位信息可以包括：教师，高级职称。
可以根据申请人的职业信息匹配不同的地址提取算法和指定周期。可以收集大量包含用户职位信息的地址位置信息，并按职位信息进行整理分类，形成多个地址位置信息集合，每个地址位置信息集合与一种职位信息对应。预设多种地址提取算法和指定周期(每种地址提取算法对应一个或多个指定周期)，分别对地址位置信息集合中的地址位置信息进行处理，生成相应的待评估活跃地址位置信息。然后再用分类算法对各个待评估活跃地址位置信息进行解析，获得相应的分类结果。选取分类结果最好的地址提取算法和指定周期作为与职业信息匹配的地址提取算法和指定周期。
在确定合适的地址提取算法和指定周期之后，则可以按照指定周期收集指定申请人的位置数据。例如，根据指定周期的要求，收集申请人在工作日8:00-20:00的位置数据。
在获得指定周期的位置数据后，可以使用地址提取算法对位置数据进一步处理，生成活跃地址位置信息。在一些实例中，活跃地址位置信息可以包括在位置数据出现工作地址的频次。例如，可以规定，在某一天，若位置数据中指示的指定申请人的实际出现地点在工作地址一公里的范围之内，则活跃地址位置信息出现工作地址的频次加一，每隔一段时间(如，可以是15分钟)统计一次。
步骤S201-S204中，获取所述指定申请人的职位信息，以从申请初始数据提取出指定申请人的职位信息。选取与所述职位信息匹配的地址提取算法和所述指定周期，以获得与指定申请人适配的位置数据获取方式(指定周期)及位置数据处理方式(地址提取算法)。根据所述指定周期收集所述指定申请人的位置数据，以获得指定申请人的位置数据。根据所述地址提取算法对所述位置数据进行处理，生成所述活跃地址信息，获得的活跃地址信息适用预设的地址匹配度模型处理。
可选的，如图4所示，步骤S40包括：
S401、向第一指定网络地址获取所述工作单位的待估测数据；
S402、获取与所述工作单位匹配的企业安全模型；
S403、根据所述企业安全模型对所述工作单位的待估测数据进行评价，生成所述工作单位的评价信息。
本实施例中，申请初始数据包含了指定申请人的工作单位。在此处，若工作单位为企业，则工作单位的待估测数据可以包括该企业的资质信息。企业安全模型可以包括自动查询工作单位的资质信息的处理流程和使用预设的资质评判规则对资质信息进行评价的处理流程。从申请初始数据提取出指定申请人的工作单位之后，可以根据工作单位的名称或标识自动查询该工作单位的资质信息。工作单位的资质信息包括但不限于注册资金、行业类型、单位平均薪资、所在地域。例如，张三的工作单位为“很好吃食品厂”，经查询，获得“很好吃食品厂”的所在地域为“广东省深圳市”，注册资金为20万，行业类型为“食品行业”，单位平均薪资为<2万。
预设的资质评判规则可以设置资质信息中各个参量的权重系数和评分值。如表1所示，每个参量对应一个权重系数，如“行业类型”的权重系数为20％。使用表1的资质评判规则对张三的工作单位的资质信息进行评价，可以获得该工作单位的评价信息q为：
q＝a4*40％+b5*20％+c1*30％+d4*20％。
表1一实施例的工作单位资质评判规则
步骤S401-S403中，向第一指定网络地址获取所述工作单位的待估测数据，以自动获取工作单位的最新待估测数据。获取与所述工作单位匹配的企业安全模型，由于获取到的企业安全模型与工作单位是匹配的，由其处理后的结果的准确性也越高。根据所述企业安全模型对所述工作单位的待估测数据进行评价，生成所述工作单位的评价信息，以获得最新的、准确性较好的工作单位的评价信息。
可选的，如图5所示，步骤S50包括：
S501、向第二指定网络地址获取所述工作单位的企业关联信息，所述企业关联信息包括至少一个的关联人；
S502、在指定信用风险列表中查询所述关联人的可信度信息；
S503、将所述关联人的信息输入预设的关联评价模型中，生成所述关联评价信息。
本实施例中，企业关联信息可以包括至少一个的关联人。关联人可以指工作单位的高管或股东，也可以指与工作关联存在投资关系的企业法人。可通过一些企业信息查询平台获取到工作单位的企业关联信息。在一实例中，企业关联信息可以表示为：{关联人1，关联人2，……关联人n}。
指定信用风险列表可以基于欺诈风险平台上信用风险数据而生成。在一些情况下，指定信用风险列表可以包括信用风险黑名单，常贷客列表等。关联评价模型可以关联一个或多个指定信用风险列表。可以逐一判断企业关联信息中的关联人是否存在于指定信用风险列表中。存在于指定信用风险列表中时，指定信用风险列表中包含关联人的个数加1；若不存在于指定信用风险列表中时，则指定信用风险列表中包含关联人的个数保持不变。
企业的关联评价信息可以是关联人的个数的加和。例如，指定信用风险列表中包含的关联人的个数为5，在该指定信用风险列表每个关联人的评分值均为10，则关联评价信息r可按下式进行计算：
r＝5*10＝50。
在一些情况下，不同的关联人可以对应不同的评分值。
步骤S501-S503中，向第二指定网络地址获取所述工作单位的企业关联信息，所述企业关联信息包括至少一个的关联人，以获取与工作单位相关联的多个关联人。在指定信用风险列表中查询所述关联人的可信度信息，以获得每个关联人的可信度信息。将所述关联人的信息输入预设的关联评价模型中，生成所述关联评价信息，以在更大的维度上获得与工作单位存在联系的关联人评价信息。
可选的，如图6所示，步骤S70之后，还包括：
S80、判断所述可信度评估数据是否处于预设可信度区间内；
S90、若所述可信度评估数据不处于预设可信度区间内，则判定所述指定申请人的可信度不合格。
本实施例中，预设可信度区间可以根据实际需要进行设定。不同类型的申请，可以对应不同的预设可信度区间。如，在一信贷申请中，信贷类型为消费类借款，信贷金额为2万，预设可信度区间可以设置为小于70；在另一信贷申请中，信贷类型为房***，信贷金额为100万，预设信用风险阈值可以设置为小于5。需要注意的是，在此处，可信度评估数据越高时，指定申请人存在欺诈风险的概率越高。
若计算出的可信度评估数据不处于预设可信度区间，则判定指定申请人的可信度不合格，说明指定申请人存在欺诈风险。若该指定申请人无法提供其他有效的信用证明，则其贷款申请将无法通过审核。
步骤S80-S90中，判断所述可信度评估数据是否处于预设可信度区间内，以确定可信度评估数据是否合格。若所述可信度评估数据不处于预设可信度区间内，则判定所述指定申请人的可信度不合格，以获得最终的评估结果。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种信用数据处理装置，该信用数据处理装置与上述实施例中信用数据处理方法一一对应。如图7所示，该信用数据处理装置包括获取申请数据模块10、获取位置信息模块20、地址匹配度计算模块30、工作单位评价模块40、关联评价模块50、获取评估模型模块60和生成可信度模块70。各功能模块详细说明如下：
获取申请数据模块10，用于获取指定申请人的申请初始数据，所述申请初始数据包括工作地址、工作单位；
获取位置信息模块20，用于根据所述申请初始数据获取所述指定申请人在指定周期内的活跃地址位置信息；
地址匹配度计算模块30，用于使用预设的地址匹配度模型对所述活跃地址位置信息进行解析，计算所述工作地址与所述活跃地址位置信息的地址匹配度；
工作单位评价模块40，用于向第一指定网络地址获取所述工作单位的待估测数据，使用预设的企业安全模型对所述待估测数据进行处理，获得所述工作单位的评价信息；
关联评价模块50，用于向第二指定网络地址获取所述工作单位的关联信息，根据所述关联信息生成关联评价信息；
获取评估模型模块60，用于获取与所述指定申请人匹配的申请数据可信度评估模型；
生成可信度模块70，用于根据所述申请数据可信度评估模型对所述地址匹配度、所述工作单位的评价信息和关联评价信息进行处理，获得所述指定申请人的可信度评估数据。
可选的，如图8所示，获取位置信息模块20包括：
获取职位信息单元201，用于获取所述指定申请人的职位信息；
选取提取算法单元202，用于选取与所述职位信息匹配的地址提取算法和所述指定周期；
收集位置数据单元203，用于根据所述指定周期收集所述指定申请人的位置数据；
生成活跃地址信息单元204，用于根据所述地址提取算法对所述位置数据进行处理，生成所述活跃地址信息。
可选的，如图9所示，工作单位评价模块40包括：
获取待估测数据单元401，用于向第一指定网络地址获取所述工作单位的待估测数据；
获取安全模型单元402，用于获取与所述工作单位匹配的企业安全模型；
工作单位评价单元403，用于根据所述企业安全模型对所述工作单位的待估测数据进行评价，生成所述工作单位的评价信息。
可选的，关联评价模块50包括：
获取关联人单元，用于向第二指定网络地址获取所述工作单位的企业关联信息，所述企业关联信息包括至少一个的关联人；
获取关联可信度信息单元，用于在指定企业可信度列表中查询所述关联人的可信度信息；
计算关联评价信息单元，用于将所述关联人的可信度信息输入预设的关联评价模型中，生成所述关联评价信息。
可选的，数据处理装置还包括：
区间判断模块，用于判断所述可信度评估数据是否处于预设可信度区间内；
确定不合格模块，用于若所述可信度评估数据不处于预设可信度区间内，则判定所述指定申请人的可信度不合格。
关于信用数据处理装置的具体限定可以参见上文中对于信用数据处理方法的限定，在此不再赘述。上述信用数据处理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10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数据处理方法所涉及的数据。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信用数据处理方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取指定申请人的申请初始数据，所述申请初始数据包括工作地址、工作单位；
根据所述申请初始数据获取所述指定申请人在指定周期内的活跃地址位置信息；
使用预设的地址匹配度模型对所述活跃地址位置信息进行解析，计算所述工作地址与所述活跃地址位置信息的地址匹配度；
向第一指定网络地址获取所述工作单位的待估测数据，使用预设的企业安全模型对所述待估测数据进行处理，获得所述工作单位的评价信息；
向第二指定网络地址获取所述工作单位的企业关联信息，根据所述企业关联信息生成关联评价信息；
获取与所述指定申请人匹配的申请数据可信度评估模型；
根据所述申请数据可信度评估模型对所述地址匹配度、所述工作单位的评价信息和关联评价信息进行处理，获得所述指定申请人的可信度评估数据。
在一个实施例中，提供了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以下步骤：
获取指定申请人的申请初始数据，所述申请初始数据包括工作地址、工作单位；
根据所述申请初始数据获取所述指定申请人在指定周期内的活跃地址位置信息；
使用预设的地址匹配度模型对所述活跃地址位置信息进行解析，计算所述工作地址与所述活跃地址位置信息的地址匹配度；
向第一指定网络地址获取所述工作单位的待估测数据，使用预设的企业安全模型对所述待估测数据进行处理，获得所述工作单位的评价信息；
向第二指定网络地址获取所述工作单位的企业关联信息，根据所述企业关联信息生成关联评价信息；
获取与所述指定申请人匹配的申请数据可信度评估模型；
根据所述申请数据可信度评估模型对所述地址匹配度、所述工作单位的评价信息和关联评价信息进行处理，获得所述指定申请人的可信度评估数据。
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，所述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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种数据处理方法，其特征在于，包括：
获取指定申请人的申请初始数据，所述申请初始数据包括工作地址、工作单位；
根据所述申请初始数据获取所述指定申请人在指定周期内的活跃地址位置信息；
使用预设的地址匹配度模型对所述活跃地址位置信息进行解析，计算所述工作地址与所述活跃地址位置信息的地址匹配度；
向第一指定网络地址获取所述工作单位的待估测数据，使用预设的企业安全模型对所述待估测数据进行处理，获得所述工作单位的评价信息；
向第二指定网络地址获取所述工作单位的企业关联信息，根据所述企业关联信息生成关联评价信息；
获取与所述指定申请人匹配的申请数据可信度评估模型；
根据所述申请数据可信度评估模型对所述地址匹配度、所述工作单位的评价信息和关联评价信息进行处理，获得所述指定申请人的可信度评估数据。
2.如权利要求1所述的数据处理方法，其特征在于，所述根据所述申请初始数据获取所述指定申请人在指定周期内的活跃地址位置信息，包括：
获取所述指定申请人的职位信息；
选取与所述职位信息匹配的地址提取算法和所述指定周期；
根据所述指定周期收集所述指定申请人的位置数据；
根据所述地址提取算法对所述位置数据进行处理，生成所述活跃地址信息。
3.如权利要求1所述的数据处理方法，其特征在于，所述向第一指定网络地址获取所述工作单位的待估测数据，使用预设的企业安全模型对所述待估测数据进行处理，获得所述工作单位的评价信息，包括：
向第一指定网络地址获取所述工作单位的待估测数据；
获取与所述工作单位匹配的企业安全模型；
根据所述企业安全模型对所述工作单位的待估测数据进行评价，生成所述工作单位的评价信息。
4.如权利要求1所述的数据处理方法，其特征在于，所述向第二指定网络地址获取所述工作单位的企业关联信息，根据所述关联信息生成关联评价信息，包括：
向第二指定网络地址获取所述工作单位的企业关联信息，所述企业关联信息包括至少一个的关联人；
在指定企业可信度列表中查询所述关联人的可信度信息；
将所述关联人的可信度信息输入预设的关联评价模型中，生成所述关联评价信息。
5.如权利要求1所述的数据处理方法，其特征在于，所述根据所述申请数据可信度评估模型对所述地址匹配度、所述工作单位的评价信息和关联评价信息进行处理，获得所述指定申请人的可信度评估数据之后，还包括：
判断所述可信度评估数据是否处于预设可信度区间内；
若所述可信度评估数据不处于预设可信度区间内，则判定所述指定申请人的可信度不合格。
6.一种数据处理装置，其特征在于，包括：
获取申请数据模块，用于获取指定申请人的申请初始数据，所述申请初始数据包括工作地址、工作单位；
获取位置信息模块，用于根据所述申请初始数据获取所述指定申请人在指定周期内的活跃地址位置信息；
地址匹配度计算模块，用于使用预设的地址匹配度模型对所述活跃地址位置信息进行解析，计算所述工作地址与所述活跃地址位置信息的地址匹配度；
工作单位评价模块，用于向第一指定网络地址获取所述工作单位的待估测数据，使用预设的企业安全模型对所述待估测数据进行处理，获得所述工作单位的评价信息；
关联评价模块，用于向第二指定网络地址获取所述工作单位的关联信息，根据所述关联信息生成关联评价信息；
获取评估模型模块，用于获取与所述指定申请人匹配的申请数据可信度评估模型；
生成可信度模块，用于根据所述申请数据可信度评估模型对所述地址匹配度、所述工作单位的评价信息和关联评价信息进行处理，获得所述指定申请人的可信度评估数据。
7.如权利要求6所述的数据处理装置，其特征在于，所述获取位置信息模块包括：
获取职位信息单元，用于获取所述指定申请人的职位信息；
选取提取算法单元，用于选取与所述职位信息匹配的地址提取算法和所述指定周期；
收集位置数据单元，用于根据所述指定周期收集所述指定申请人的位置数据；
生成活跃地址信息单元，用于根据所述地址提取算法对所述位置数据进行处理，生成所述活跃地址信息。
8.如权利要求6所述的数据处理装置，其特征在于，所述工作单位评价模块包括：
获取待估测数据单元，用于向第一指定网络地址获取所述工作单位的待估测数据；
获取安全模型单元，用于获取与所述工作单位匹配的企业安全模型；
工作单位评价单元，用于根据所述企业安全模型对所述工作单位的待估测数据进行评价，生成所述工作单位的评价信息。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述数据处理方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910602395.5A CN110443693A (zh) | 2019-07-05 | 2019-07-05 | 数据处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910602395.5A CN110443693A (zh) | 2019-07-05 | 2019-07-05 | 数据处理方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110443693A true CN110443693A (zh) | 2019-11-12 |
Family
ID=68428850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910602395.5A Pending CN110443693A (zh) | 2019-07-05 | 2019-07-05 | 数据处理方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110443693A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115794780A (zh) * | 2023-02-15 | 2023-03-14 | 远江盛邦（北京）网络安全科技股份有限公司 | 网络空间资产的采集方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104866969A (zh) * | 2015-05-25 | 2015-08-26 | 百度在线网络技术（北京）有限公司 | 个人信用数据处理方法和装置 |
| CN108416672A (zh) * | 2018-05-11 | 2018-08-17 | 试金石信用服务有限公司 | 金融风险评估方法、***、服务器及存储介质 |
| CN109784707A (zh) * | 2019-01-04 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 企业信用评估方法、装置、计算机设备和存储介质 |
| CN109829593A (zh) * | 2017-11-23 | 2019-05-31 | 广州腾讯科技有限公司 | 目标对象的信用度确定方法、装置、存储介质及电子装置 |
-
2019
- 2019-07-05 CN CN201910602395.5A patent/CN110443693A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104866969A (zh) * | 2015-05-25 | 2015-08-26 | 百度在线网络技术（北京）有限公司 | 个人信用数据处理方法和装置 |
| CN109829593A (zh) * | 2017-11-23 | 2019-05-31 | 广州腾讯科技有限公司 | 目标对象的信用度确定方法、装置、存储介质及电子装置 |
| CN108416672A (zh) * | 2018-05-11 | 2018-08-17 | 试金石信用服务有限公司 | 金融风险评估方法、***、服务器及存储介质 |
| CN109784707A (zh) * | 2019-01-04 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 企业信用评估方法、装置、计算机设备和存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115794780A (zh) * | 2023-02-15 | 2023-03-14 | 远江盛邦（北京）网络安全科技股份有限公司 | 网络空间资产的采集方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Berg et al. | The total cost of corporate borrowing in the loan market: Don't ignore the fees | |
| US20180047110A1 (en) | System, method, and program product for calculating premiums for employer-based supplemental unemployment insurance | |
| US8566190B2 (en) | Method and apparatus for evaluating and monitoring collateralized debt obligations | |
| US7644011B2 (en) | Method and apparatus for determining investment manager skill | |
| US20080281742A1 (en) | Pension Fund Systems | |
| US20100023459A1 (en) | Method and apparatus for financial transactions | |
| US9928552B1 (en) | Methods and systems for insurance investment product decision modeling | |
| US20150348186A1 (en) | System and method for dynamic customer acquisition probability and risk-adjusted return-on-equity analysis | |
| Guégan et al. | Risk measurement | |
| Bollen et al. | How much for a haircut? Illiquidity, secondary markets, and the value of private equity | |
| Luckstead et al. | Implications of commodity programs and crop insurance policies for wheat producers | |
| US8019677B1 (en) | Convertible home-equity based financial product | |
| JP2007515017A (ja) | 投資助言を行う方法およびシステム | |
| CN110443693A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| CN114240605A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
| WO2022154837A1 (en) | Financial planning system with automated selection of financial products | |
| Blum et al. | Best estimate loss reserving: an actuarial perspective | |
| US20150134567A1 (en) | Employee stock ownership plan (esop) management system and method | |
| US20240119519A1 (en) | Heppner Cangany AltRating™ - Computer-Implemented Integrated Simulation System for Generating Credit Ratings of Alternative Assets | |
| US20230306517A1 (en) | Heppner Hicks ValueAlt? - Computer-Implemented Integrated Alternative Asset Valuation System for Factoring the Probability of Loss | |
| Chen et al. | Does the Prohibition of Trade-Through Hurt Liquidity Demanders? | |
| Khemka et al. | A Building Block Approach to Retirement Income Design | |
| Korula | The Credit Risk in Stock-Based Loans | |
| Akkizidis et al. | Credit Valuation Adjustments | |
| Cheptoo | Effect of Leverage on Earnings Management for Companies Listed at the Nairobi Securities Exchange |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191112 |