CN114663223A - 基于人工智能的信用风险评估方法、装置及相关设备 - Google Patents
基于人工智能的信用风险评估方法、装置及相关设备 Download PDFInfo
- Publication number
- CN114663223A CN114663223A CN202210367992.6A CN202210367992A CN114663223A CN 114663223 A CN114663223 A CN 114663223A CN 202210367992 A CN202210367992 A CN 202210367992A CN 114663223 A CN114663223 A CN 114663223A
- Authority
- CN
- China
- Prior art keywords
- credit risk
- training sample
- index
- enterprise
- sample set
- 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
Images
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域,提供一种基于人工智能的信用风险评估方法、装置及相关设备,所述方法包括:基于每个企业的指标确定每个企业的第一信用风险等级;对初始化后的训练样本集进行第一次类别标注,得到第一目标训练样本集;对第一目标训练样本集进行第一预处理,得到第二目标训练样本集;基于第二目标训练样本集训练预设的神经网络模型,得到信用风险评估模型;将目标数据集输入至信用风险评估模型中,得到信用风险评估结果。本发明通过采用对第一目标训练样本集进行第一预处理得到的第二目标训练样本集训练信用风险评估模型,提高了信用风险评估模型的准确性,进而提高了信用风险预测结果的准确率。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的信用风险评估方法、装置及相关设备。
背景技术
目前,部分金融机构在企业进行信用风险评估时,使用机器学习或者深度学习方法进行信用风险评估。
然而,由于机器学习或者深度学习需要大量的标注数据,企业无法提供大量标注的信用风险数据,若使用人工标注几百万信用风险数据,效率低下,导致信用风险评估准确率低。
发明内容
鉴于以上内容,有必要提出一种基于人工智能的信用风险评估方法、装置及相关设备,通过采用对第一目标训练样本集进行第一预处理得到的第二目标训练样本集训练信用风险评估模型,提高了信用风险评估模型的准确性,进而提高了信用风险预测结果的准确率。
本发明的第一方面提供一种基于人工智能的信用风险评估方法,所述方法包括:
解析获取的训练样本集,获取企业及每个所述企业的指标;
基于每个所述企业的指标确定每个所述企业的第一信用风险等级;
初始化所述训练样本集,并根据每个所述企业的第一信用风险等级对初始化后的训练样本集进行第一次类别标注,得到第一目标训练样本集;
对所述第一目标训练样本集进行第一预处理,得到第二目标训练样本集;
基于所述第二目标训练样本集训练预设的神经网络模型,得到信用风险评估模型;
当接收到的待评估企业的信用风险评估请求时,对待评估企业的信用风险评估请求进行第二预处理,得到目标数据集,并将所述目标数据集输入至所述信用风险评估模型中,得到所述待评估企业的信用风险评估结果。
可选地,所述基于每个所述企业的指标确定每个所述企业的第一信用风险等级包括:
识别每个所述企业的指标的标签,根据所述标签将每个所述企业的指标划分为一级指标数据集、二级指标数据集和三级指标数据集;
基于所述一级指标数据集、二级指标数据集和三级指标数据集,计算每个所述企业的企业信用风险值;
根据计算得到的每个所述企业的企业信用风险值确定每个所述企业的第一信用风险等级。
可选地,所述基于所述一级指标数据集、二级指标数据集和三级指标数据集,计算每个所述企业的企业信用风险值包括:
从预设的数据库中获取每个所述企业的每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、每个二级指标对应的每个三级指标的信用分值及权重值;
计算每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、及每个二级指标对应的每个三级指标的信用分值与权重值的乘积之和,得到每个所述企业的信用风险值。
可选地,所述初始化所述训练样本集包括:
获取所述训练样本集中的多个三级指标;
识别每个所述三级指标的指标值是否满足归一化需求;
按照预设的归一化处理规则,对满足归一化处理的每个所述三级指标的指标值进行归一化处理,得到每个所述三级指标的新指标值;
基于每个所述三级指标的新指标值对所述训练样本集进行更新,得到初始化后的训练样本集。
可选地,所述对所述第一目标训练样本集进行第一预处理,得到第二目标训练样本集包括:
将所述第一目标训练样本集输入至预先训练好的LGBT模型中,得到权重因子集;
按照预设的权重阈值将所述权重因子集划分为强因子集和弱因子集;
采用重采样法,按照预设的采集比例从所述强因子集和弱因子集中随机获取多个组合样本集;
所述多个组合样本集进行聚类,得到最优权重因子集;
基于所述最优权重因子集对所述初始化后的训练样本集进行第二次类别标注,得到第二目标训练样本集。
可选地,所述基于所述最优权重因子集对所述初始化后的训练样本集进行第二次类别标注,得到第二目标训练样本集包括:
根据所述最优权重因子集获取每个所述企业的目标训练样本集;
将每个所述企业的目标训练样本集划分为多个簇类;
计算每个所述簇类的所有训练样本的信用风险值的平均值,得到每个所述簇类的信用风险值;
计算所述多个族的多个信用风险值的平均值,得到每个所述企业的簇类信用风险值;
根据计算得到的每个所述企业的簇类信用风险值确定每个所述企业的第二信用风险等级;
根据每个所述企业的第二信用风险等级对所述初始化后的训练样本集进行第二次类别标注,得到第二目标训练样本集。
可选地,所述计算每个所述簇类的所有训练样本的信用风险值的平均值,得到每个所述簇类的信用风险值包括:
从预设的数据库中获取每个所述族的每个训练样本的每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、每个二级指标对应的每个三级指标的信用分值及权重值;
计算每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、及每个二级指标对应的每个三级指标的信用分值与权重值的乘积之和,得到每个所述簇类的每个所述训练样本的信用风险值;
将每个所述簇类的所有训练样本的信用风险值的平均值,确定为每个所述簇类的信用风险值。
本发明的第二方面提供一种基于人工智能的信用风险评估装置,所述装置包括:
解析和获取模块,用于解析获取的训练样本集,获取企业及每个所述企业的指标;
确定模块,用于基于每个所述企业的指标确定每个所述企业的第一信用风险等级;
标注模块,用于初始化所述训练样本集,并根据每个所述企业的第一信用风险等级对初始化后的训练样本集进行第一次类别标注,得到第一目标训练样本集;
第一预处理模块,用于对所述第一目标训练样本集进行第一预处理,得到第二目标训练样本集;
训练模块,用于基于所述第二目标训练样本集训练预设的神经网络模型,得到信用风险评估模型;
第二预处理模块,用于当接收到的待评估企业的信用风险评估请求时,对待评估企业的信用风险评估请求进行第二预处理,得到目标数据集,并将所述目标数据集输入至所述信用风险评估模型中,得到所述待评估企业的信用风险评估结果。
本发明的第三方面提供一种电子设备,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现所述的基于人工智能的信用风险评估方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质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所述的基于人工智能的信用风险评估方法。
综上所述,本发明所述的基于人工智能的信用风险评估方法、装置及相关设备,通过初始化所述训练样本集,提升后续模型的收敛速度,并根据每个所述企业的第一信用风险等级对初始化后的训练样本集进行第一次类别标注,得到的第一目标训练样本集进行第一预处理,得到第二目标训练样本集,打破专家打分的固定模式,根据第一预处理得到的最优权重因子集确定出第二目标训练样本集,提取出最优权重因子标注训练样本,提高了第二目标训练样本集的准确率,基于所述第二目标训练样本集训练预设的神经网络模型,得到信用风险评估模型,采用所述信用风险评估模型对待评估企业的信用风险进行预测,提高了企业的信用风险预测结果的准确率。
附图说明
图1是本发明实施例一提供的基于人工智能的信用风险评估方法的流程图。
图2是本发明实施例二提供的基于人工智能的信用风险评估装置的结构图。
图3是本发明实施例三提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一
图1是本发明实施例一提供的基于人工智能的信用风险评估方法的流程图。
在本实施例中,所述基于人工智能的信用风险评估方法可以应用于电子设备中,对于需要进行基于人工智能的信用风险评估方法的电子设备,可以直接在电子设备上集成本发明的方法所提供的基于人工智能的信用风险评估方法的功能,或者以软件开发工具包(Software Development Kit,SDK)的形式运行在电子设备中。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习、深度学习等几大方向。
如图1所示,所述基于人工智能的信用风险评估方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
S11,解析获取的训练样本集,获取企业及每个所述企业的指标。
本实施例中,在进行企业信用风险评估时,从企业的***中或者与企业***连接第三方平台中获取企业的训练样本集,并对所述训练样本集进行解析,获取每个所述企业的指标,其中,所述指标中包含有每个企业的一级指标、二级指标和三级指标,每个一级指标对应至少一个二级指标,每个二级指标对应至少一个三级指标,例如,A企业,一级指标:企业基础属性信息、企业动态信息;一级指标企业基础属性信息对应的二级指标:企业规模、企业年龄和企业背景;二级指标的企业模型对应的三级指标:注册资本、法人股东数、对外投资企业数和分支机构数。
S12,基于每个所述企业的指标确定每个所述企业的第一信用风险等级。
本实施例中,第一信用风险等级可以包含有A(无风险)、B(低风险)、C(中风险)和D(高风险)四个类别。
在一个可选的实施例中,所述基于每个所述企业的指标确定每个所述企业的第一信用风险等级包括:
识别每个所述企业的指标的标签,根据所述标签将每个所述企业的指标划分为一级指标数据集、二级指标数据集和三级指标数据集;
基于所述一级指标数据集、二级指标数据集和三级指标数据集,计算每个所述企业的企业信用风险值;
根据计算得到的每个所述企业的企业信用风险值确定每个所述企业的第一信用风险等级。
本实施例中,在进行企业信用风险等级确定时,可以预先创建数据库,数据库中存储有每个企业的一级指标及一级指标的信用分值、一级指标对应的每个二级指标及二级指标的信用分值、每个二级指标对应的三级指标及三级指标的信用分值,及每个三级指标的权重值。
本实施例中,通过将计算得到的企业信用风险值与预设的信用风险等级阈值进行对比,确定每个企业的第一信用风险等级。
进一步地,所述基于所述一级指标数据集、二级指标数据集和三级指标数据集,计算每个所述企业的企业信用风险值包括:
从预设的数据库中获取每个所述企业的每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、每个二级指标对应的每个三级指标的信用分值及权重值;
计算每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、及每个二级指标对应的每个三级指标的信用分值与权重值的乘积之和,得到每个所述企业的信用风险值。
本实施例中,可以预先创建数据库,数据库中存储有每个企业的一级指标及一级指标的信用分值、一级指标对应的每个二级指标及二级指标的信用分值、每个二级指标对应的三级指标及三级指标的信用分值,及每个三级指标的权重值,其中,信用分值为专家根据历史经验进行打分得到的。
本实施例中,在进行企业的信用风险值的计算过程中,综合考虑了一级指标、二级指标、三级指标及三级指标对风险预测评估结果的影响权重值,使得计算得到的信用风险值更加的精确。
S13,初始化所述训练样本集,并根据每个所述企业的第一信用风险等级对初始化后的训练样本集进行第一次类别标注,得到第一目标训练样本集。
本实施例中,为了提升后续模型的收敛速度,对训练样本集进行初始化,具体地,所述初始化是指对所述训练样本集中的需要归一化的第三指标的指标值进行归一化处理,其中,所述模型可以包括LGBT模型和预设的神经网络模型。
本实施例中,所述第一次类别标注是对每个所述企业的类别进行标注,若所述企业的第一信用风险等级为无风险,则将无风险的标识A确定为所述企业的类别。
本实施例中,第一目标训练样本集中包含有每个企业的第三指标、第三指标的指标值及每个企业的类别。
在一个可选的实施例中,所述初始化所述训练样本集包括:
获取所述训练样本集中的多个三级指标;
识别每个所述三级指标的指标值是否满足归一化需求;
按照预设的归一化处理规则,对满足归一化处理的每个所述三级指标的指标值进行归一化处理,得到每个所述三级指标的新指标值;
基于每个所述三级指标的新指标值对所述训练样本集进行更新,得到初始化后的训练样本集。
本实施例中,所述初始化是指将训练样本集中的每个所述三级指标的指标值更新为归一化后的新指标值。
在一个可选的实施例中,所述根据每个所述企业的第一信用风险等级对初始化后的训练样本集进行第一次类别标注,得到第一目标训练样本集包括:
根据每个所述企业的第一信用风险等级,采用预打标模型对所述初始化训练样本集中的对应企业进行第一次类别标注,得到初始化后的训练样本集。
本实施例中,为了加快标注速度,可以采用预打标模型对所述初始化训练集中的每个企业进行第一次类别标注。
S14,对所述第一目标训练样本集进行第一预处理,得到第二目标训练样本集。
本实施例中,为了打破专家打分的固定模式,对所述第一目标训练样本集进行第一预处理,具体地,所述第一预处理采用重采样聚类法,综合考虑强因子和弱因子的影响,且着重强因子,确定出最优权重因子集,根据最优权重因子集确定出第二目标训练样本集,提取出最优权重因子标注训练样本,提高了第二目标训练样本集的准确率,进而提高了企业的信用风险预测结果。
在一个可选的实施例中,所述对所述第一目标训练样本集进行第一预处理,得到第二目标训练样本集包括:
将所述第一目标训练样本集输入至预先训练好的LGBT模型中,得到权重因子集;
按照预设的权重阈值将所述权重因子集划分为强因子集和弱因子集;
采用重采样法,按照预设的采集比例从所述强因子集和弱因子集中随机获取多个组合样本集;
所述多个组合样本集进行聚类,得到最优权重因子集;
基于所述最优权重因子集对所述初始化后的训练样本集进行第二次类别标注,得到第二目标训练样本集。
本实施例中,可以预先训练LGBT模型,在得到第一目标训练样本集时,将第一目标训练样本集输入至预先训练LGBT模型中,得到每个第三指标对分类结果的影响权重,通过预先设置的权重阈值,将权重因子集划分为强因子集和弱因子集。
本实施例中,可以预习设置强因子和弱因子的采集比例,例如,所述强因子和弱因子的采集比例预先设置为8比2,根据8比2的比例随机从强因子集和弱因子集中采集强因子和弱因子。
本实施例中,对所述多个组合样本集进行聚类,计算每个组合样本的类间距离和类内距离之商数,将最大商数对应的组合样本集确定为最优权重因子集。
进一步地,所述基于所述最优权重因子集对所述初始化后的训练样本集进行第二次类别标注,得到第二目标训练样本集包括:
根据所述最优权重因子集获取每个所述企业的目标训练样本集;
将每个所述企业的目标训练样本集划分为多个簇类;
计算每个所述簇类的所有训练样本的信用风险值的平均值,得到每个所述簇类的信用风险值;
计算所述多个族的多个信用风险值的平均值,得到每个所述企业的簇类信用风险值;
根据计算得到的每个所述企业的簇类信用风险值确定每个所述企业的第二信用风险等级;
根据每个所述企业的第二信用风险等级对所述初始化后的训练样本集进行第二次类别标注,得到第二目标训练样本集。
本实施例中,通过第一预处理得到的最优权重因子集获取每个所述企业的目标训练样本集,减少了每个企业的训练样本集的指标,进而提高了后续信用风险评估模型的训练效率。
进一步地,所述计算每个所述簇类的所有训练样本的信用风险值的平均值,得到每个所述簇类的信用风险值包括:
从预设的数据库中获取每个所述族的每个训练样本的每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、每个二级指标对应的每个三级指标的信用分值及权重值;
计算每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、及每个二级指标对应的每个三级指标的信用分值与权重值的乘积之和,得到每个所述簇类的每个所述训练样本的信用风险值;
将每个所述簇类的所有训练样本的信用风险值的平均值,确定为每个所述簇类的信用风险值。
本实施例中,为了进一步提高企业风险预测的准确性,将目标训练样本集划分为多个簇,对多个簇类计算信用风险值进行求平均值,提高了企业的簇类信用风险值的准确率,进而提高了第二次类别标注准确率。
S15,基于所述第二目标训练样本集训练预设的神经网络模型,得到信用风险评估模型。
本实施例中,所述预设的神经网络模型可以为无监督的神经网络模型,具体地,所述无监督神经网络模型为现有技术,本实施例在此不做详述。
S16,当接收到的待评估企业的信用风险评估请求时,对待评估企业的信用风险评估请求进行第二预处理,得到目标数据集,并将所述目标数据集输入至所述信用风险评估模型中,得到所述待评估企业的信用风险评估结果。
本实施例中,所述第二预处理是指对所述信用风险评估请求中的需要归一化处理的三级目标指标进行归一化处理。
在一个可选的实施例中,所述对待评估企业的信用风险评估请求进行第二预处理,得到目标数据集包括:
解析所述待评估企业的信用风险评估请求,得到所述待评估企业的目标指标;
从所述目标指标中获取多个三级目标指标;
识别每个所述三级目标指标的指标值是否满足归一化需求;
按照预设的归一化处理规则,对满足归一化处理的每个所述三级目标指标的指标值进行归一化处理,得到每个所述三级目标指标的新指标值;
基于每个所述三级目标指标的新指标值对所述目标指标进行更新,得到目标数据集。
本实施例中,信用风险评估模型通过第二目标训练样本集训练得到的,第二目标训练样本集中的类别标注是克服了专家打分的固有模式,挑选出的最优权重因子集得到的,通过将所述目标数据集输入至所述信用风险评估模型中,得到所述待评估企业的信用风险评估结果,提高了信用风险评估结果的准确率。
综上所述,本实施例所述的基于人工智能的信用风险评估方法,通过初始化所述训练样本集,提升后续模型的收敛速度,并根据每个所述企业的第一信用风险等级对初始化后的训练样本集进行第一次类别标注,得到的第一目标训练样本集进行第一预处理,得到第二目标训练样本集,打破专家打分的固定模式,根据第一预处理得到的最优权重因子集确定出第二目标训练样本集,提取出最优权重因子标注训练样本,提高了第二目标训练样本集的准确率,基于所述第二目标训练样本集训练预设的神经网络模型,得到信用风险评估模型,采用所述信用风险评估模型对待评估企业的信用风险进行预测,提高了企业的信用风险预测结果的准确率。
实施例二
图2是本发明实施例二提供的基于人工智能的信用风险评估装置的结构图。
在一些实施例中,所述基于人工智能的信用风险评估装置20可以包括多个由程序代码段所组成的功能模块。所述基于人工智能的信用风险评估装置20中的各个程序段的程序代码可以存储于电子设备的存储器中,并由所述至少一个处理器所执行,以执行(详见图1描述)基于人工智能的信用风险评估方法的功能。
本实施例中,所述基于人工智能的信用风险评估装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:解析和获取模块201、确定模块202、标注模块203、第一预处理模块204、训练模块205及第二预处理模块206。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
解析和获取模块201,用于解析获取的训练样本集,获取企业及每个所述企业的指标。
本实施例中,在进行企业信用风险评估时,从企业的***中或者与企业***连接第三方平台中获取企业的训练样本集,并对所述训练样本集进行解析,获取企业及每个所述企业的指标,其中,所述指标中包含有每个企业的一级指标、二级指标和三级指标,每个一级指标对应至少一个二级指标,每个二级指标对应至少一个三级指标,例如,A企业,一级指标:企业基础属性信息、企业动态信息;一级指标企业基础属性信息对应的二级指标:企业规模、企业年龄和企业背景;二级指标的企业模型对应的三级指标:注册资本、法人股东数、对外投资企业数和分支机构数。
确定模块202,用于基于每个所述企业的指标确定每个所述企业的第一信用风险等级。
本实施例中,第一信用风险等级可以包含有A(无风险)、B(低风险)、C(中风险)和D(高风险)四个类别。
在一个可选的实施例中,所述确定模块202基于每个所述企业的指标确定每个所述企业的第一信用风险等级包括:
识别每个所述企业的指标的标签,根据所述标签将每个所述企业的指标划分为一级指标数据集、二级指标数据集和三级指标数据集;
基于所述一级指标数据集、二级指标数据集和三级指标数据集,计算每个所述企业的企业信用风险值;
根据计算得到的每个所述企业的企业信用风险值确定每个所述企业的第一信用风险等级。
本实施例中,在进行企业信用风险等级确定时,可以预先创建数据库,数据库中存储有每个企业的一级指标及一级指标的信用分值、一级指标对应的每个二级指标及二级指标的信用分值、每个二级指标对应的三级指标及三级指标的信用分值,及每个三级指标的权重值。
本实施例中,通过将计算得到的企业信用风险值与预设的信用风险等级阈值进行对比,确定每个企业的第一信用风险等级。
进一步地,所述基于所述一级指标数据集、二级指标数据集和三级指标数据集,计算每个所述企业的企业信用风险值包括:
从预设的数据库中获取每个所述企业的每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、每个二级指标对应的每个三级指标的信用分值及权重值;
计算每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、及每个二级指标对应的每个三级指标的信用分值与权重值的乘积之和,得到每个所述企业的信用风险值。
本实施例中,可以预先创建数据库,数据库中存储有每个企业的一级指标及一级指标的信用分值、一级指标对应的每个二级指标及二级指标的信用分值、每个二级指标对应的三级指标及三级指标的信用分值,及每个三级指标的权重值,其中,信用分值为专家根据历史经验进行打分得到的。
本实施例中,在进行企业的信用风险值的计算过程中,综合考虑了一级指标、二级指标、三级指标及三级指标对风险预测评估结果的影响权重值,使得计算得到的信用风险值更加的精确。
标注模块203,用于初始化所述训练样本集,并根据每个所述企业的第一信用风险等级对初始化后的训练样本集进行第一次类别标注,得到第一目标训练样本集。
本实施例中,为了提升后续模型的收敛速度,对训练样本集进行初始化,具体地,所述初始化是指对所述训练样本集中的需要归一化的第三指标的指标值进行归一化处理,其中,所述模型可以包括LGBT模型和预设的神经网络模型。
本实施例中,所述第一次类别标注是对每个所述企业的类别进行标注,若所述企业的第一信用风险等级为无风险,则将无风险的标识A确定为所述企业的类别。
本实施例中,第一目标训练样本集中包含有每个企业的第三指标、第三指标的指标值及每个企业的类别。
在一个可选的实施例中,所述标注模块203初始化所述训练样本集包括:
获取所述训练样本集中的多个三级指标;
识别每个所述三级指标的指标值是否满足归一化需求;
按照预设的归一化处理规则,对满足归一化处理的每个所述三级指标的指标值进行归一化处理,得到每个所述三级指标的新指标值;
基于每个所述三级指标的新指标值对所述训练样本集进行更新,得到初始化后的训练样本集。
本实施例中,所述初始化是指将训练样本集中的每个所述三级指标的指标值更新为归一化后的新指标值。
在一个可选的实施例中,所述标注模块203根据每个所述企业的第一信用风险等级对初始化后的训练样本集进行第一次类别标注,得到第一目标训练样本集包括:
根据每个所述企业的第一信用风险等级,采用预打标模型对所述初始化训练样本集中的对应企业进行第一次类别标注,得到初始化后的训练样本集。
本实施例中,为了加快标注速度,可以采用预打标模型对所述初始化训练集中的每个企业进行第一次类别标注。
第一预处理模块204,所述对所述第一目标训练样本集进行第一预处理,得到第二目标训练样本集。
本实施例中,为了打破专家打分的固定模式,对所述第一目标训练样本集进行第一预处理,具体地,所述第一预处理采用重采样聚类法,综合考虑强因子和弱因子的影响,且着重强因子,确定出最优权重因子集,根据最优权重因子集确定出第二目标训练样本集,提取出最优权重因子标注训练样本,提高了第二目标训练样本集的准确率,进而提高了企业的信用风险预测结果。
在一个可选的实施例中,所述第一预处理模块204对所述第一目标训练样本集进行第一预处理,得到第二目标训练样本集包括:
将所述第一目标训练样本集输入至预先训练好的LGBT模型中,得到权重因子集;
按照预设的权重阈值将所述权重因子集划分为强因子集和弱因子集;
采用重采样法,按照预设的采集比例从所述强因子集和弱因子集中随机获取多个组合样本集;
所述多个组合样本集进行聚类,得到最优权重因子集;
基于所述最优权重因子集对所述初始化后的训练样本集进行第二次类别标注,得到第二目标训练样本集。
本实施例中,可以预先训练LGBT模型,在得到第一目标训练样本集时,将第一目标训练样本集输入至预先训练LGBT模型中,得到每个第三指标对分类结果的影响权重,通过预先设置的权重阈值,将权重因子集划分为强因子集和弱因子集。
本实施例中,可以预习设置强因子和弱因子的采集比例,例如,所述强因子和弱因子的采集比例预先设置为8比2,根据8比2的比例随机从强因子集和弱因子集中采集强因子和弱因子。
本实施例中,对所述多个组合样本集进行聚类,计算每个组合样本的类间距离和类内距离之商数,将最大商数对应的组合样本集确定为最优权重因子集。
进一步地,所述基于所述最优权重因子集对所述初始化后的训练样本集进行第二次类别标注,得到第二目标训练样本集包括:
根据所述最优权重因子集获取每个所述企业的目标训练样本集;
将每个所述企业的目标训练样本集划分为多个簇类;
计算每个所述簇类的所有训练样本的信用风险值的平均值,得到每个所述簇类的信用风险值;
计算所述多个族的多个信用风险值的平均值,得到每个所述企业的簇类信用风险值;
根据计算得到的每个所述企业的簇类信用风险值确定每个所述企业的第二信用风险等级;
根据每个所述企业的第二信用风险等级对所述初始化后的训练样本集进行第二次类别标注,得到第二目标训练样本集。
本实施例中,通过第一预处理得到的最优权重因子集获取每个所述企业的目标训练样本集,减少了每个企业的训练样本集的指标,进而提高了后续信用风险评估模型的训练效率。
进一步地,所述计算每个所述簇类的所有训练样本的信用风险值的平均值,得到每个所述簇类的信用风险值包括:
从预设的数据库中获取每个所述族的每个训练样本的每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、每个二级指标对应的每个三级指标的信用分值及权重值;
计算每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、及每个二级指标对应的每个三级指标的信用分值与权重值的乘积之和,得到每个所述簇类的每个所述训练样本的信用风险值;
将每个所述簇类的所有训练样本的信用风险值的平均值,确定为每个所述簇类的信用风险值。
本实施例中,为了进一步提高企业风险预测的准确性,将目标训练样本集划分为多个簇,对多个簇类计算信用风险值进行求平均值,提高了企业的簇类信用风险值的准确率,进而提高了第二次类别标注准确率。
训练模块205,用于基于所述第二目标训练样本集训练预设的神经网络模型,得到信用风险评估模型。
本实施例中,所述预设的神经网络模型可以为无监督的神经网络模型,具体地,所述无监督神经网络模型为现有技术,本实施例在此不做详述。
第二预处理模块206,用于当接收到的待评估企业的信用风险评估请求时,对待评估企业的信用风险评估请求进行第二预处理,得到目标数据集,并将所述目标数据集输入至所述信用风险评估模型中,得到所述待评估企业的信用风险评估结果。
本实施例中,所述第二预处理是指对所述信用风险评估请求中的需要归一化处理的三级目标指标进行归一化处理。
在一个可选的实施例中,所述第二预处理模块206对待评估企业的信用风险评估请求进行第二预处理,得到目标数据集包括:
解析所述待评估企业的信用风险评估请求,得到所述待评估企业的目标指标;
从所述目标指标中获取多个三级目标指标;
识别每个所述三级目标指标的指标值是否满足归一化需求;
按照预设的归一化处理规则,对满足归一化处理的每个所述三级目标指标的指标值进行归一化处理,得到每个所述三级目标指标的新指标值;
基于每个所述三级目标指标的新指标值对所述目标指标进行更新,得到目标数据集。
本实施例中,信用风险评估模型通过第二目标训练样本集训练得到的,第二目标训练样本集中的类别标注是克服了专家打分的固有模式,挑选出的最优权重因子集得到的,通过将所述目标数据集输入至所述信用风险评估模型中,得到所述待评估企业的信用风险评估结果,提高了信用风险评估结果的准确率。
综上所述,本实施例所述的基于人工智能的信用风险评估装置,通过初始化所述训练样本集,提升后续模型的收敛速度,并根据每个所述企业的第一信用风险等级对初始化后的训练样本集进行第一次类别标注,得到的第一目标训练样本集进行第一预处理,得到第二目标训练样本集,打破专家打分的固定模式,根据第一预处理得到的最优权重因子集确定出第二目标训练样本集,提取出最优权重因子标注训练样本,提高了第二目标训练样本集的准确率,基于所述第二目标训练样本集训练预设的神经网络模型,得到信用风险评估模型,采用所述信用风险评估模型对待评估企业的信用风险进行预测,提高了企业的信用风险预测结果的准确率。
实施例三
参阅图3所示,为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中,所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解,图3示出的电子设备的结构并不构成本发明实施例的限定,既可以是总线型结构,也可以是星形结构,所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述电子设备3是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的电子设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述电子设备3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31用于存储程序代码和各种数据,例如安装在所述电子设备3中的基于人工智能的信用风险评估装置20,并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中,所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(Control Unit),利用各种接口和线路连接整个电子设备3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行电子设备3的各种功能和处理数据。
在一些实施例中,所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述电子设备3还可以包括给各个部件供电的电源(比如电池),可选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块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,电子设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中,结合图2,所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的基于人工智能的信用风险评估装置20)、程序代码等,例如,上述的各个模块。
所述存储器31中存储有程序代码,且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如,图2中所述的各个模块是存储在所述存储器31中的程序代码,并由所述至少一个处理器32所执行,从而实现所述各个模块的功能以达到基于人工智能的信用风险评估方法的目的。
示例性的,所述程序代码可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器31中,并由所述处理器32执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述程序代码在所述电子设备3中的执行过程。例如,所述程序代码可以被分割成解析和获取模块201、确定模块202、标注模块203、第一预处理模块204、训练模块205及第二预处理模块206。
在本发明的一个实施例中,所述存储器31存储多个计算机可读指令,所述多个计算机可读指令被所述至少一个处理器32所执行以实现基于人工智能的信用风险评估方法的功能。
具体地,所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的信用风险评估方法,其特征在于,所述方法包括:
解析获取的训练样本集,获取企业及每个所述企业的指标;
基于每个所述企业的指标确定每个所述企业的第一信用风险等级;
初始化所述训练样本集,并根据每个所述企业的第一信用风险等级对初始化后的训练样本集进行第一次类别标注,得到第一目标训练样本集;
对所述第一目标训练样本集进行第一预处理,得到第二目标训练样本集;
基于所述第二目标训练样本集训练预设的神经网络模型,得到信用风险评估模型;
当接收到的待评估企业的信用风险评估请求时,对待评估企业的信用风险评估请求进行第二预处理,得到目标数据集,并将所述目标数据集输入至所述信用风险评估模型中,得到所述待评估企业的信用风险评估结果。
2.如权利要求1所述的基于人工智能的信用风险评估方法,其特征在于,所述基于每个所述企业的指标确定每个所述企业的第一信用风险等级包括:
识别每个所述企业的指标的标签,根据所述标签将每个所述企业的指标划分为一级指标数据集、二级指标数据集和三级指标数据集;
基于所述一级指标数据集、二级指标数据集和三级指标数据集,计算每个所述企业的企业信用风险值;
根据计算得到的每个所述企业的企业信用风险值确定每个所述企业的第一信用风险等级。
3.如权利要求2所述的基于人工智能的信用风险评估方法,其特征在于,所述基于所述一级指标数据集、二级指标数据集和三级指标数据集,计算每个所述企业的企业信用风险值包括:
从预设的数据库中获取每个所述企业的每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、每个二级指标对应的每个三级指标的信用分值及权重值;
计算每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、及每个二级指标对应的每个三级指标的信用分值与权重值的乘积之和,得到每个所述企业的信用风险值。
4.如权利要求1所述的基于人工智能的信用风险评估方法,其特征在于,所述初始化所述训练样本集包括:
获取所述训练样本集中的多个三级指标;
识别每个所述三级指标的指标值是否满足归一化需求;
按照预设的归一化处理规则,对满足归一化处理的每个所述三级指标的指标值进行归一化处理,得到每个所述三级指标的新指标值;
基于每个所述三级指标的新指标值对所述训练样本集进行更新,得到初始化后的训练样本集。
5.如权利要求1所述的基于人工智能的信用风险评估方法,其特征在于,所述对所述第一目标训练样本集进行第一预处理,得到第二目标训练样本集包括:
将所述第一目标训练样本集输入至预先训练好的LGBT模型中,得到权重因子集;
按照预设的权重阈值将所述权重因子集划分为强因子集和弱因子集;
采用重采样法,按照预设的采集比例从所述强因子集和弱因子集中随机获取多个组合样本集;
所述多个组合样本集进行聚类,得到最优权重因子集;
基于所述最优权重因子集对所述初始化后的训练样本集进行第二次类别标注,得到第二目标训练样本集。
6.如权利要求5所述的基于人工智能的信用风险评估方法,其特征在于,所述基于所述最优权重因子集对所述初始化后的训练样本集进行第二次类别标注,得到第二目标训练样本集包括:
根据所述最优权重因子集获取每个所述企业的目标训练样本集;
将每个所述企业的目标训练样本集划分为多个簇类;
计算每个所述簇类的所有训练样本的信用风险值的平均值,得到每个所述簇类的信用风险值;
计算所述多个族的多个信用风险值的平均值,得到每个所述企业的簇类信用风险值;
根据计算得到的每个所述企业的簇类信用风险值确定每个所述企业的第二信用风险等级;
根据每个所述企业的第二信用风险等级对所述初始化后的训练样本集进行第二次类别标注,得到第二目标训练样本集。
7.如权利要求6所述的基于人工智能的信用风险评估方法,其特征在于,所述计算每个所述簇类的所有训练样本的信用风险值的平均值,得到每个所述簇类的信用风险值包括:
从预设的数据库中获取每个所述族的每个训练样本的每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、每个二级指标对应的每个三级指标的信用分值及权重值;
计算每个一级指标的信用分值、每个一级指标对应的每个二级指标的信用分值、及每个二级指标对应的每个三级指标的信用分值与权重值的乘积之和,得到每个所述簇类的每个所述训练样本的信用风险值;
将每个所述簇类的所有训练样本的信用风险值的平均值,确定为每个所述簇类的信用风险值。
8.一种基于人工智能的信用风险评估装置,其特征在于,所述装置包括:
解析和获取模块,用于解析获取的训练样本集,获取企业及每个所述企业的指标;
确定模块,用于基于每个所述企业的指标确定每个所述企业的第一信用风险等级;
标注模块,用于初始化所述训练样本集,并根据每个所述企业的第一信用风险等级对初始化后的训练样本集进行第一次类别标注,得到第一目标训练样本集;
第一预处理模块,用于对所述第一目标训练样本集进行第一预处理,得到第二目标训练样本集;
训练模块,用于基于所述第二目标训练样本集训练预设的神经网络模型,得到信用风险评估模型;
第二预处理模块,用于当接收到的待评估企业的信用风险评估请求时,对待评估企业的信用风险评估请求进行第二预处理,得到目标数据集,并将所述目标数据集输入至所述信用风险评估模型中,得到所述待评估企业的信用风险评估结果。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的基于人工智能的信用风险评估方法。
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如权利要求1至7中任意一项所述的基于人工智能的信用风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210367992.6A CN114663223A (zh) | 2022-04-08 | 2022-04-08 | 基于人工智能的信用风险评估方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210367992.6A CN114663223A (zh) | 2022-04-08 | 2022-04-08 | 基于人工智能的信用风险评估方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663223A true CN114663223A (zh) | 2022-06-24 |
Family
ID=82036098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210367992.6A Pending CN114663223A (zh) | 2022-04-08 | 2022-04-08 | 基于人工智能的信用风险评估方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663223A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109131A (zh) * | 2022-11-12 | 2023-05-12 | 珠海易立方软件有限公司 | 信息***风险评估方法、***、介质以及设备 |
CN116805266A (zh) * | 2023-08-25 | 2023-09-26 | 山东华创远智信息科技有限公司 | 基于大数据的企业金融信用风险智能评估方法 |
CN117556264A (zh) * | 2024-01-11 | 2024-02-13 | 浙江同花顺智能科技有限公司 | 一种评估模型的训练方法、装置及电子设备 |
CN117573814A (zh) * | 2024-01-17 | 2024-02-20 | 中电科大数据研究院有限公司 | 一种舆论态势评估方法、装置、***以及存储介质 |
-
2022
- 2022-04-08 CN CN202210367992.6A patent/CN114663223A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109131A (zh) * | 2022-11-12 | 2023-05-12 | 珠海易立方软件有限公司 | 信息***风险评估方法、***、介质以及设备 |
CN116805266A (zh) * | 2023-08-25 | 2023-09-26 | 山东华创远智信息科技有限公司 | 基于大数据的企业金融信用风险智能评估方法 |
CN117556264A (zh) * | 2024-01-11 | 2024-02-13 | 浙江同花顺智能科技有限公司 | 一种评估模型的训练方法、装置及电子设备 |
CN117556264B (zh) * | 2024-01-11 | 2024-05-07 | 浙江同花顺智能科技有限公司 | 一种评估模型的训练方法、装置及电子设备 |
CN117573814A (zh) * | 2024-01-17 | 2024-02-20 | 中电科大数据研究院有限公司 | 一种舆论态势评估方法、装置、***以及存储介质 |
CN117573814B (zh) * | 2024-01-17 | 2024-05-10 | 中电科大数据研究院有限公司 | 一种舆论态势评估方法、装置、***以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114663223A (zh) | 基于人工智能的信用风险评估方法、装置及相关设备 | |
CN112183101A (zh) | 文本意图识别方法、装置、电子设备及存储介质 | |
CN113435582B (zh) | 基于句向量预训练模型的文本处理方法及相关设备 | |
CN115146865A (zh) | 基于人工智能的任务优化方法及相关设备 | |
CN112614578A (zh) | 医生智能推荐方法、装置、电子设备及存储介质 | |
CN114201328A (zh) | 基于人工智能的故障处理方法、装置、电子设备及介质 | |
CN113190372A (zh) | 多源数据的故障处理方法、装置、电子设备及存储介质 | |
CN113435998A (zh) | 贷款逾期预测方法、装置、电子设备及存储介质 | |
CN113256108A (zh) | 人力资源分配方法、装置、电子设备及存储介质 | |
CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
CN114880449A (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN114201212A (zh) | 配置文件处理方法、装置、计算机设备及存储介质 | |
CN114020892A (zh) | 基于人工智能的答案选取方法、装置、电子设备及介质 | |
CN113792146A (zh) | 基于人工智能的文本分类方法、装置、电子设备及介质 | |
CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
CN113674065B (zh) | 基于服务触点的业务推荐方法、装置、电子设备及介质 | |
CN113570286B (zh) | 基于人工智能的资源分配方法、装置、电子设备及介质 | |
CN114881313A (zh) | 基于人工智能的行为预测方法、装置及相关设备 | |
CN114968336A (zh) | 应用灰度发布方法、装置、计算机设备及存储介质 | |
CN114817449A (zh) | 基于人工智能的文本搜索排序方法、装置及相关设备 | |
CN115658858A (zh) | 基于人工智能的对话推荐方法及相关设备 | |
CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
CN114742061A (zh) | 文本处理方法、装置、电子设备及存储介质 | |
CN113935328A (zh) | 文本摘要生成方法、装置、电子设备及存储介质 | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 |
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 |