CN114971884A - 一种基于物联网的智慧城市贷款风险评估方法和*** - Google Patents
一种基于物联网的智慧城市贷款风险评估方法和*** Download PDFInfo
- Publication number
- CN114971884A CN114971884A CN202210741577.2A CN202210741577A CN114971884A CN 114971884 A CN114971884 A CN 114971884A CN 202210741577 A CN202210741577 A CN 202210741577A CN 114971884 A CN114971884 A CN 114971884A
- Authority
- CN
- China
- Prior art keywords
- loan
- information
- risk
- platform
- determining
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012502 risk assessment Methods 0.000 title claims abstract description 52
- 230000004044 response Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 15
- 230000000875 corresponding effect Effects 0.000 description 62
- 239000013598 vector Substances 0.000 description 31
- 238000007726 management method Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 23
- 230000004927 fusion Effects 0.000 description 20
- 230000015654 memory Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 17
- 230000003321 amplification Effects 0.000 description 14
- 238000003199 nucleic acid amplification method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000013016 damping Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000012797 qualification Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/50—Finance; Insurance
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本说明书实施例提供一种基于物联网的智慧城市贷款风险评估方法,该方法由政府管理平台执行,包括:从金融服务平台获取风险查询请求,风险查询请求响应于贷款对象在用户平台输入的贷款请求生成;确定贷款对象的关联人,关联人与贷款对象的收支情况相似;响应于风险查询请求,基于人口信息平台确定贷款对象的基础信息,基础信息至少包括收支信息;基于金融服务平台获取贷款对象的第一贷款信息以及关联人的第二贷款信息;基于基础信息、第一贷款信息和第二贷款信息,确定贷款对象的贷款风险;以及将贷款风险发送至金融服务平台。
Description
技术领域
本说明书涉及风险评估领域,特别涉及一种基于物联网的智慧城市贷款风险评估方法和***。
背景技术
随着社会发展,贷款买房、贷款买车的行为非常普遍,银行或其他机构往往需要对贷款对象的贷款资格进行评估。传统的贷款资格评估,主要由银行或其他机构依赖人工、基于流程从贷款对象本身的信用状况、财务状况等方面对贷款对象的贷款风险进行评估,例如,根据贷款对象的信用状况与贷款风险系数计算确定贷款对象的贷款风险。然而,其他外界相关因素可能会对贷款对象的贷款风险评估造成影响,并且,依赖统一的贷款风险系数对不同贷款对象的贷款风险进行评估并不能考虑到不同贷款对象自身的情况,可见贷款资格评估的难度大、可信度较低。为了进一步风险控制,需要进一步基于各个贷款对象自身的情况,并结合考虑除贷款对象外的其他人或因素对贷款对象的贷款风险的影响,在贷款前对贷款对象的贷款资格进行审核,降低银行或其他机构的风险。
因此,希望提供一种基于物联网的智慧城市贷款风险评估方法和***,能够根据贷款对象的自身情况及其他人或因素对贷款对象的贷款风险进一步进行准确地评估。
发明内容
本说明书一个或多个实施例提供一种基于物联网的智慧城市贷款风险评估方法,所述方法包括从金融服务平台获取风险查询请求,风险查询请求响应于贷款对象在用户平台输入的贷款请求生成;确定贷款对象的关联人,关联人与贷款对象的收支情况相似;响应于风险查询请求,基于人口信息平台确定贷款对象的基础信息,基础信息至少包括收支信息;基于金融服务平台获取贷款对象的第一贷款信息以及关联人的第二贷款信息;基于基础信息、第一贷款信息和第二贷款信息,确定贷款对象的贷款风险;以及将贷款风险发送至金融服务平台。
本说明书一个或多个实施例提供一种基于物联网的智慧城市贷款风险评估***,所述***包括用户平台和政府管理平台,政府管理平台被配置为以执行以下操作:从金融服务平台获取风险查询请求,风险查询请求响应于贷款对象在用户平台输入的贷款请求生成;确定贷款对象的关联人,关联人与贷款对象的收支情况相似;响应于风险查询请求,基于人口信息平台确定贷款对象的基础信息,基础信息至少包括收支信息;基于金融服务平台获取贷款对象的第一贷款信息以及关联人的第二贷款信息;基于基础信息、第一贷款信息和第二贷款信息,确定贷款对象的贷款风险;以及将贷款风险发送至金融服务平台。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行上述基于物联网的智慧城市贷款风险评估方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的贷款风险评估***的应用场景示意图;
图2是根据本说明书一些实施例所示的贷款风险评估***的模块图;
图3是根据本说明书一些实施例所示的贷款风险评估方法的示例性流程图;
图4是根据本说明书一些实施例所示的基于人口信息平台确定关联人的示例性流程图;
图5是根据本说明书一些实施例所示的基于知识图谱确定关联人的示例性示意图;
图6是根据本说明书一些实施例所示的确定贷款风险的迭代过程的示例性示意图;
图7是根据本说明书一些实施例所示的基于预测模型确定贷款风险的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的贷款风险评估***的应用场景示意图。
如图1所示,贷款风险评估***100可以包括网外云平台110、网络120、处理器130、终端140、存储器150。在一些实施例中,贷款风险评估***100中的组件可以经由网络120(例如无线连接、有线连接或其组合),以实现彼此连接和/或通信。例如,处理器130可以通过网络120连接到存储器150。
贷款风险评估***100可以通过实施本说明书中披露的方法和/或过程来确定贷款对象的贷款风险。具体的,当贷款对象有意愿贷款时,金融服务平台可以请求贷款风险评估***基于贷款对象的基础信息、贷款对象和其关联人的贷款信息(如,第一贷款信息、第二贷款信息)来确定贷款对象的贷款风险。
网外云平台110可以是与贷款风险评估***通讯连接的用于进行数据存储和处理的云计算平台。在一些实施例中,网外云平台110可以包括金融服务平台、人口信息平台等。人口信息平台可以指记录有贷款对象的相关信息(如,基础信息等)的云平台或外部数据库。在一些实施例中,处理器130可以基于人口信息平台获取贷款对象的基础信息。在一些实施例中,处理器130可以基于人口信息平台确定贷款对象的关联人。金融服务平台可以指记录有贷款对象和关联人的相关信息(如,第一贷款信息、第二贷款信息)的云平台或外部数据库。在一些实施例中,处理器130可以基于金融服务平台确定贷款对象的第一贷款信息和关联人的第二贷款信息。在一些实施例中,网络云平台110可以通过网络120与处理器130、终端140和存储器150通信连接并进行数据交换。例如,网络云平台110可以将获取的贷款对象的基础信息、第一贷款信息、第二贷款信息发送至处理器130进行处理,和/或将获取的贷款对象的基础信息、第一贷款信息、第二贷款信息发送至存储器150中进行存储。
网络120可以包括提供能够促进贷款风险评估***100中各个组件的信息和/或数据交换的任何合适的网络。贷款风险评估***100中的一个或多个组件(例如,网外云平台、处理器130、终端140、存储器150)之间可以通过网络120交换信息和/或数据。例如,网络120可以将从网外云平台110获取的贷款对象的基础信息、第一贷款信息、第二贷款信息发送给处理器130。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点。在一些实施例中,网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。
处理器130可以处理与贷款风险评估***相关的数据和/或信息。在一些实施例中,处理器130从网外云平台110、终端140和/或存储器150以访问信息和/或数据。例如,处理器130可以从网外云平台110和/或从存储器150获取贷款对象的基础信息,获取贷款对象和关联人的贷款信息等。在一些实施例中,处理器130可以处理从网外云平台110和/或存储器150获取的信息和/或数据。例如,处理器130可以对从网外云平台110获取的贷款对象的基础信息、第一贷款信息、第二贷款信息进行处理,确定贷款对象的贷款风险。在一些实施例中,处理器130可以包括一个或以上处理引擎(如,单芯片处理引擎或多芯片处理引擎)。仅作为示例,处理器130可以包括中央处理单元(CPU)。处理器130可以处理从其他设备或***组成部分中获得的数据、信息和/或处理结果,并基于这些数据、信息和/或处理结果执行程序指令,以执行本说明书中描述的一个或以上功能。
终端140可以指用户所使用的一个或多个终端设备或软件。在一些实施例中,终端140可以是移动设备、平板计算机、笔记本电脑等或其任意组合。在一些实施例中,终端140可以通过网络120与贷款风险评估***100中的其他组件交互。在一些实施例中,终端140可以是贷款对象所使用的终端设备或软件。
存储器150可以用于存储数据、指令和/或任何其他信息。在一些实施例中,存储器150可以存储从例如处理器130、网外云平台110等中获得的数据和/或信息。例如,存储器150可以存储贷款对象的基础信息、第一贷款信息、第二贷款信息以及知识图谱等。在一些实施例中,存储器150可以设置在处理器130中。在一些实施例中,存储器150可包括大容量存储器、可移除存储器等或其任意组合。
应当注意贷款风险评估***100仅仅是为了说明的目的而提供,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,应用场景还可以包括数据库。又例如,贷款风险评估***100可以在其他设备上实现以实现类似或不同的功能。然而,变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的贷款风险评估***的模块图。
如图2所示,贷款风险评估***200包括用户平台210、政府管理平台230。在一些实施例中,贷款风险评估***200可以为处理器130的一部分或由处理器130实现。
在一些实施例中,贷款风险评估***200可以基于政府管理物联网运行。政府管理物联网可以指一种包括用户平台210、服务平台220、政府管理平台230中部分或全部平台的信息处理***。政府管理物联网中信息的处理可以分为感知信息的处理流程及控制信息的处理流程,控制信息可以是基于感知信息而生成的信息。其中,感知信息的处理是由用户平台210获取感知信息,并传递至政府管理平台230。控制信息则是由政府管理平台230下发至用户平台210,进而实现对相应用户的控制。在一些实施例中,将物联网***应用于城市管理时,可以将其称之为智慧城市物联网***。
用户平台210可以是用于与用户进行交互的平台。在一些实施例中,用户平台210可以被配置为终端设备(例如,终端140),例如,终端设备可以包括移动设备、平板计算机等或其任意组合。在一些实施例中,用户平台210可以用于接收用户输入的请求和/或指令。例如,当用户向金融服务平台请求贷款时,用户平台210可以通过终端设备获取用户的贷款请求。
服务平台220可以是用于接收和传输数据和/或信息的平台。例如,服务平台220可以从用户平台210获取贷款对象的贷款请求。进而,服务平台220可以将贷款对象的贷款请求发送至金融服务平台。在一些实施例中,金融服务平台可以根据用户的贷款请求生成风险查询请求。关于金融服务平台的更多说明可参见图1及其相关描述。
政府管理平台230可以指统筹、协调各功能平台之间的联系和协作,汇聚着贷款风险评估***200全部的信息,为贷款风险评估***200运行体系提供感知管理和控制管理功能的平台。在一些实施例中,政府管理平台230可以与网外云平台110(例如,人口信息平台、金融服务平台等)进行通讯,以获取数据和/或信息。例如,政府管理平台230可以通过金融服务平台获取用户的风险查询请求。例如,政府管理平台230可以基于人口信息平台和/或金融服务平台确定贷款对象的关联人,以及响应于风险查询请求,基于人口信息平台确定贷款对象的基础信息;基于金融服务平台获取贷款对象的第一贷款信息和关联人的第二贷款信息等。关于人口信息平台和金融服务平台的更多内容可以参见图1及其相关描述。在一些实施例中,政府管理平台230可以对接收到的数据和/或信息进行处理。例如,政府管理平台230可以基于贷款对象的基础信息、贷款对象的第一贷款信息和关联人的第二贷款信息,确定贷款对象的贷款风险,并将贷款风险反馈给金融服务平台。在一些实施例中,政府管理平台230可以包括图1中的处理器130以及其他组件。在一些实施例中,政府管理平台230可以是由管理人员、人工智能、或由预设规则操控的远程平台。
在一些实施例中,贷款风险评估***200可以应用于贷款风险评估的多种场景。例如,新用户贷款场景、老用户贷款场景等。需要说明的是以上场景仅为示例,并不对贷款风险评估***200的具体应用场景起限制作用,本领域技术人员可以在本实施例公开的内容基础上,将贷款风险评估***200应用于合适的任何场景。在贷款风险评估***200应用于贷款风险评估的多种应用场景中,通过知识图谱或其他方式确定贷款对象的关联人,并考虑到贷款对象和关联人之间贷款风险的相互影响程度,能够确定根据关联人进一步对贷款对象的贷款风险进行辅佐评估,例如,相同工作单位的员工可以认为收入来源基本相同,因此当该工作单位存在资金困难时,该工作单位中正在还贷的员工可能都有较高的贷款逾期风险;行业的经济不景气、产生波动时,属于该行业的单位都可能会受到影响,该行业中正在还贷的员工可能都有较高的贷款逾期风险。从而,可以帮助银行等贷款机构确定贷款对象的风险,保证贷款发放的可靠性,避免出现逾期情况而对贷款机构造成损失。
示例性地,在新用户贷款场景中,金融服务平台的相关人员可以对新用户(即贷款对象)的首贷风险(首次进行贷款的风险)进行评估,确定新用户的贷款风险。在对新用户贷款风险进行评估的过程中,可以通过知识图谱或其他方式获取新用户的关联人,并根据新用户的基础信息(如,收支信息等)、新用户的贷款信息(如,历史还款信息、贷款基础信息、其他信用信息)和关联人的贷款信息来确定新用户的首贷风险。
示例性地,在老用户贷款场景中,金融服务平台的相关人员可以对老用户(即贷款对象)的续贷风险(再次进行贷款的风险)进行评估,确定老用户的贷款风险。在对老用户续贷风险进行评估的过程中,可以通过知识图谱或其他方式获取老用户的关联人,以及获取老用户的基础信息、老用户在历史贷款期间中的历史贷款信息(如,历史还款信息、贷款基础信息、其他信用信息)和其关联人的贷款信息来确定老用户的续贷风险。
在一些实施例中,贷款风险评估***200可以由多个贷款风险评估子***构成,每个子***可以应用于一种场景。贷款风险评估***200可以对各个子***获取的数据、输出的数据进行综合管理与处理,进而得到用于辅助贷款风险评估的相关策略或指令。例如,贷款风险评估***200可以包括分别应用于新用户贷款场景的子***、应用于老用户贷款的子***。贷款风险评估***200作为各个子***的上级***。
对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,将***移用到其他任何合适的场景下。
在一些实施例中,政府管理平台230可以被配置为:从金融服务平台获取风险查询请求,风险查询请求响应于贷款对象在用户平台输入的贷款请求生成;确定贷款对象的关联人;响应于风险查询请求,基于人口信息平台确定贷款对象的基础信息;基于金融服务平台获取贷款对象的第一贷款信息以及关联人的第二贷款信息;基于基础信息、第一贷款信息和第二贷款信息,确定贷款对象的贷款风险;以及将贷款风险发送至金融服务平台。关于风险查询请求、贷款对象、贷款请求、基础信息、收支信息、第一贷款信息、第二贷款信息、贷款风险的更多说明可参见图3及其相关描述。
在一些实施例中,政府管理平台230可以被配置为进一步执行以下操作:从人口信息平台确定贷款对象的至少一个候选关联人;确定贷款对象的第一收支情况和至少一个候选关联人的第二收支情况;以及基于第一收支情况和第二收支情况的相似度,确定贷款对象的关联人。关于候选关联人、第一收支情况、第二收支情况的更多说明可参见图4及其相关描述。
在一些实施例中,政府管理平台230可以被配置为进一步执行以下操作:基于至少一个贷款对象,和至少一个贷款对象的基础信息及第一贷款信息构建知识图谱,将贷款对象和各个贷款人分别作为知识图谱的节点,节点特征为贷款对象的第一贷款信息或贷款人对应的贷款信息;根据贷款对象与各个贷款人之间的收支信息相似度构建知识图谱的边,边特征为收支信息相似度;以及基于邻度关系确定贷款对象的关联人。关于基于知识图谱确定关联人的更多说明可参见图5及其相关描述。
在一些实施例中,政府管理平台230可以被配置为进一步执行以下操作:基于预测模型对基础信息、第一贷款信息和第二贷款信息进行处理,确定贷款对象的贷款风险。关于预测模型的更多说明可参见图7及其相关描述。
需要注意的是,以上对于***及其组成部分的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,对各个组成部分进行任意组合,或者构成子***与其他组成连接。例如,各个组成部分可以共用一个存储器,各个组成部分也可以分别具有各自的存储器。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的贷款风险评估方法的示例性流程图。在一些实施例中,贷款风险评估方法可以由贷款风险评估***100(例如,处理器130)或贷款风险评估***200(例如,政府管理平台230)执行。例如,贷款风险评估方法可以以程序或指令的形式存储在存储装置(例如,存储器150)中,当处理器130或政府管理平台230执行该程序或指令时,可以实现流程300。下文呈现的流程300的操作示意图是说明性的。在一些实施例中,可以利用一个或以上未描述的附加操作和/或未讨论的一个或以上操作来完成该过程。另外,图3中示出的及下文描述的流程300的操作的顺序并非限制性的。
步骤310,从金融服务平台获取风险查询请求,风险查询请求响应于贷款对象在用户平台输入的贷款请求生成。在一些实施例中,步骤310可以由政府管理平台230执行。
金融服务平台可以指能够提供金融活动服务的云平台或数据库。例如,银行的数据库、保险公司的云平台等。在一些实施例中,金融服务平台可以是网外云平台或外部数据库。金融服务平台可以与贷款风险评估***200中的至少一个平台(如用户平台210、政府管理平台230等)通信,政府管理平台230可以从金融服务平台中获取数据。例如,风险查询请求。
风险查询请求可以指用于查询贷款对象的贷款风险的请求。例如,可以是贷款对象还贷款的逾期风险的请求。
贷款对象可以指申请贷款的单位和个人。例如,申请消费贷的居民、申请经营贷的公司等。
贷款请求是指贷款对象发出的贷款申请。在一些实施例中,贷款请求可以包括贷款对象信息(如,姓名、身份证号、工作单位、联系方式、收入情况等)、贷款类型(如,信用贷款、担保贷款等)、贷款用途(如,装修、买房、经营等)、贷款金额(如,10万、200万等)、贷款期限(如,3年、30年等)等。
在一些实施例中,政府管理平台230可以从金融服务平台获取风险查询请求。风险查询请求可以响应于贷款对象在用户平台210输入的贷款请求生成。示例性地,用户平台210可以通过终端设备接收贷款对象输入的贷款请求。用户平台210收到贷款请求后,可以将贷款请求发送至金融服务平台,金融服务平台可以基于贷款请求生成对应的风险查询请求。
步骤320,确定贷款对象的关联人。在一些实施例中,步骤320可以由政府管理平台230执行。
关联人可以指与贷款对象相关的人或单位。例如,家庭成员、公司同事以及具有其他社会关系的人或单位(如,同行业的人或公司)等。在一些实施例中,关联人与贷款对象的收支情况相似。相应的,政府管理平台230可以将与贷款对象的收支情况相似的人或单位确定为贷款对象的关联人。
收支情况可以指反映贷款对象的收入和支出情况以及收入是否稳定的情况信息。在一些实施例中,收支情况可以包括收支信息(如,月收入、月支出和支出占比等)、工作单位(如,学校、医院、企业等)和行业特征(如,行业内收入全年稳定、行业内收入易受外部影响等)等。相应的,关联人与贷款对象的收支情况相似可以指关联人与贷款对象的收支信息相似、工作单位相似和/或行业特征相似。在一些实施例中,关联人与贷款对象的收支情况相似可以由相似度表示。关于收支信息的更多说明可以参见步骤330及其相关描述,关于相似度的更多说明可以参见图4及其相关描述。
在一些实施例中,政府管理平台230可以从人口信息平台确定贷款对象的至少一个候选关联人,基于贷款对象的第一收支情况和候选关联人的第二收支情况的相似度,确定贷款对象的关联人。关于上述实施例的更多说明可以参见图4及其相关描述。
在一些实施例中,政府管理平台230还可以基于贷款对象的相关信息和金融服务平台中各个贷款人的相关信息,构建知识图谱,并基于知识图谱的邻度关系确定贷款对象的关联人。关于上述实施例的更多说明可以参见图5及其相关描述。
步骤330,响应于风险查询请求,基于人口信息平台确定贷款对象的基础信息。在一些实施例中,步骤330可以由政府管理平台230执行。
人口信息平台是指记录有人口基础信息的云平台或数据库。例如,全国人口信息平台、银行用户数据库等。在一些实施例中,人口信息平台可以是网外云平台或外部数据库。人口信息平台可以与贷款风险评估***200中的至少一个平台(如用户平台210、政府管理平台230等)通信。在一些实施例中,政府管理平台230可以从人口信息平台中获取数据,例如,贷款对象的基础信息。关于人口信息平台的更多说明可以参见图1及其相关描述。
基础信息是指反映人口基本情况的信息。在一些实施例中,基础信息至少包括收支信息。在一些实施例中,基础信息还可以包括性别、年龄、家庭信息、所在工作单位和所在行业等信息。
收支信息是指在一段时间内的收入和支出情况。例如,一年内的收入和支出情况、一个月内的收入和支出情况等。在一些实施例中,收支信息可以由银行存取款交易记录、工资交易记录等获取。
在一些实施例,收支信息可以包括收入、支出和支出占比。其中,支出占比可以反映一段时间内各类支出占收入的比重。例如,日用品支出占总收入的比重等。在一些实施例中,支出占比可以包括年支出占比和月支出占比等。在一些实施例中,支出占比还可以包括日用品支出占比、居住支出占比、旅游支出占比、医疗保健支出占比等各类型支出的占比。在一些实施例中,支出占比可以通过支出占比向量表示。其中,消费占比向量的每个元素代表一种类型支出的占比。仅作为示例地,消费占比向量可以被表示为(a,b,c,d,...),其中,a可以代表日用品支出占比(如,在日用品方面上的支出占比为0~10%时对应a可以为1,支出占比为10~20%时对应a可以为2等);b可以代表居住支出占比(如,在居住方面上的支出占比为0~10%时对应b可以为1,支出占比为10~20%时对应b可以为2等);c可以代表医疗保健支出占比(如,在医疗保健方面上的支出占比为0~10%时对应c可以为1,支出占比为10~20%时对应c可以为2等);d可以代表旅游支出占比(如,在旅游方面上的支出占比为0~10%时对应d可以为1,支出占比为10~20%时对应d可以为2等)。
在一些实施例中,政府管理平台230可以响应于风险查询请求,在人口信息平台中确定发出该风险查询请求对应的贷款对象的基础信息。例如,某一风险查询请求用于查询贷款对象A的贷款风险,则政府管理平台230从人口信息平台中获取对应于贷款对象A的基础信息(如,性别为女、年龄30岁、年收入10万、年支出5万、在学校工作、教育行业等)。
步骤340,基于金融服务平台获取贷款对象的第一贷款信息以及关联人的第二贷款信息。在一些实施例中,步骤340可以由政府管理平台230执行。
第一贷款信息可以指贷款对象的贷款情况,第二贷款信息可以指关联人的贷款情况。在一些实施例中,第一贷款信息和第二贷款信息可以包括贷款基础信息、历史还款信息以及其他信用信息等。其中,贷款基础信息可以包括贷款方式(如,商贷、纯公积金贷、组合贷等),还款方式(如,等额本金、等额本息等),贷款年限(如,5年、20年、30年等),贷款利率(如,4.35%、6.15%等),当前已有贷款的月供(如,5000、7000等)、贷款请求对应的预估月供(如,3000、10000等)等。历史还款信息可以包括历史贷款的逾期总次数、总逾期天数、提前还贷次数等。其他信用信息可以包括已开通的***数、近期(如,近3年,近1年)***逾期次数、申请小额贷款(如,低于10000元的贷款)的次数等。
在一些实施例中,政府管理平台230可以基于金融服务平台获取贷款对象的第一贷款信息以及关联人的第二贷款信息。示例性地,政府管理平台230可以在确认贷款对象和贷款对象的关联人后,可以从金融服务平台中调取其中存储的贷款对象的第一贷款信息以及关联人的第二贷款信息。
步骤350,基于基础信息、第一贷款信息和第二贷款信息,确定贷款对象的贷款风险。在一些实施例中,步骤350可以由政府管理平台230执行。
贷款风险是指贷款对象还贷逾期或无法还款的风险。在一些实施例中,贷款风险可以用不同风险等级表示。例如,“低”、“中”和“高”等。在另一些实施例中,贷款风险可以用数值表示。例如,贷款风险可以被表示为范围在0-100%中的某一数值。相应的,贷款风险对应的数值越高,贷款风险越高。
在一些实施例中,政府管理平台230可以基于预测模型对基础信息、第一贷款信息和第二贷款信息进行处理,确定贷款对象的贷款风险。关于上述实施例的更多说明可以参见图7及其相关描述。
步骤360,将贷款风险发送至金融服务平台。在一些实施例中,步骤360可以由政府管理平台230执行。
在一些实施例中,政府管理平台230在确定贷款风险后,可以将贷款风险发送至金融服务平台。金融服务平台可以根据贷款风险决定是否为贷款对象提供贷款。
本说明书的一些实施例所述的方法,能够确定根据关联人评估贷款对象的贷款风险,帮助银行等贷款机构确定贷款人的风险,保证贷款发放的可靠性,避免出现逾期情况而对贷款机构造成损失。
图4是根据本说明书一些实施例所示的基于人口信息平台确定关联人的示例性流程图。在一些实施例中,贷款风险评估方法可以由贷款风险评估***100(例如,处理器130)或贷款风险评估***200(例如,政府管理平台230)执行。例如,贷款风险评估方法可以以程序或指令的形式存储在存储装置(例如,存储器150)中,当处理器130或政府管理平台230执行该程序或指令时,可以实现流程400。下文呈现的流程400的操作示意图是说明性的。在一些实施例中,可以利用一个或以上未描述的附加操作和/或未讨论的一个或以上操作来完成该过程。另外,图4中示出的及下文描述的流程400的操作的顺序并非限制性的。
步骤410,从人口信息平台确定贷款对象的至少一个候选关联人。在一些实施例中,步骤410可以由政府管理平台230执行。
候选关联人可以指用于确定贷款对象的关联人的候选人员。例如,候选关联人可以是贷款对象的家庭成员、同事、家庭成员的同事、同事的家庭成员或者具有其他社会关系的人等。
在一些实施例中,政府管理平台230可以基于贷款对象的基础信息从人口信息平台确定贷款对象的至少一个候选关联人。例如,政府管理平台230可以基于贷款对象的所在工作单位,将贷款对象的同事确定为贷款对象的候选关联人。又例如,政府管理平台230可以基于贷款对象的家庭信息,将贷款对象的配偶、父母等确定为贷款对象的候选关联人。
步骤420,确定贷款对象的第一收支情况和至少一个候选关联人的第二收支情况。在一些实施例中,步骤420可以由政府管理平台230执行。
第一收支情况可以指贷款对象的收支情况。例如,第一收支情况可以是贷款对象的月收入、月支出、月支出占比情况等。又例如,第一收支情况可以是贷款对象的工作单位和行业特征。
第二收支情况可以指候选关联人的收支情况。例如,第二收支情况可以是候选关联人的月收入情况、候选关联人的月消费情况、候选关联人的消费占比向量情况等。又例如,第二收支情况可以是候选关联人的工作单位和行业特征。关于收支情况的更多说明可以参见图3及其相关描述,在此不再赘述。
在一些实施例中,第一收支情况和第二收支情况可以用向量表示(后续分别简称为第一收支向量和第二收支向量)。在一些实施例中,可以将收支信息中的收入、支出、支出占比向量的各元素,并将各元素拼接为一个向量,以表示第一收支情况和第二收支情况。相应的,通过确定向量即可确定第一收支情况和第二收支情况。仅作为示例地,第一收支情况和第二收支情况可以被表示为(A,B,C),其中,A可以表示收支信息中的收入,B可以表示收支信息中的支出,C可以表示收支信息中的支出占比。例如,贷款对象A的月收入8000元、月支出6000元、支出占比为75%,则第一收支向量a可以是(0.8,0.9,0.75);候选关联人B的月收入10000元、月支出6000元、月支出占比60%,则第二收支向量b可以是(1,0.6,0.6)等。
在一些实施例中,还可以将收支信息中的收入、支出、支出占比和贷款对象的工作单位和行业特征作为向量的各元素,并将各元素拼接为一个向量,以表示第一收支情况和第二收支情况。相应的,通过确定向量即可确定第一收支情况和第二收支情况。仅作为示例地,第一收支情况和第二收支情况可以被表示为(A,B,C,D,E,…),其中,A可以表示收支信息中的收入,B可以表示收支信息中的支出,C可以表示收支信息中的支出占比,D可以表示工作单位,E可以表示行业特征等,其中元素D、E可以根据预先设定的对照表确定,例如,工作单位为律所时,对应D可以为1;工作单位为会计公司时,对应D可以为2等。行业特征为行业经济不景气时,对应E可以为1;行业特征为经济景气时,对应E可以为2等。
步骤430,基于第一收支情况和第二收支情况的相似度,确定贷款对象的关联人。在一些实施例中,步骤430可以由政府管理平台230执行。
第一收支情况和第二收支情况的相似度表示贷款对象和候选关联人在收支情况上的相似度。在一些实施例中,可以利用第一收支向量和第二收支向量之间的向量距离表示第一收支情况和第二收支情况的相似度。例如,向量距离越小,第一收支情况和第二收支情况的相似度越高;向量距离越大,第一收支情况和第二收支情况的相似度越低。
在一些实施例中,政府管理平台230可以基于收支信息相似度、工作单位相似度、行业特征相似度,确定第一收支情况和第二收支情况的相似度。
收支信息相似度可以是贷款对象的收支信息和候选关联人的收支信息之间的相似度。在一些实施例中,收支信息相似度可以由第一收支向量和第二收支向量中与收支信息相关的向量元素构成的向量之间的向量距离确定。在一些实施例中,在第一收支向量和第二收支向量中,对于不同的向量元素可以设置不同的权重。例如,对于第一收支向量或第二收支向量(A,B,C)而言,可以设置元素A对应权重为0.5、元素B对应权重为0.3,元素C对应权重为0.2。可以理解的是,在确定收支信息相似度时,收支信息中收入和支出的重要性比支出占比的重要性稿,因此,收入和支出对应的权重比支出占比对应的权重大。
工作单位相似度可以是贷款对象工作单位和候选关联人工作单位的相似度。例如,贷款对象与候选关联人的工作单位相同时,对应工作单位相似度为1;贷款对象与候选关联人的工作单位不相同时,对应工作单位相似度为0。
行业特征相似度可以是贷款对象行业和候选关联人行业的相似度。例如,贷款对象与候选关联人的行业特征相同时,对应工作单位相似度为1;贷款对象与候选关联人的行业特征不相同时,对应工作单位相似度为0。
在一些实施例中,政府管理平台230在确定的收支信息相似度基础上,可以根据工作单位相似度和行业特征相似度分别确定同单位增幅系数和同行业增幅系数,从而确定最终的相似度。其中,同单位增幅系数可以是工作单位相同时对应的增幅系数,相应的,工作单位不相同时对应的同单位增幅系数可以为1。同行业增幅系数可以是行业特征相同时对应的增幅系数,相应的,行业特征不相同时对应的同行业增幅系数可以为1。在一些实施例中,同单位增幅系数和同行业增幅系数可以相同,也可以不相同。二者可以由人为预先设定确定。例如,同单位增幅系数可以为1.2,同行业增幅系数可以为1.1等。
示例性的,第一收支情况和第二收支情况的相似度可以通过如下公式(1)计算得到:
d=α×β×m (1)
其中,d为第一收支情况和第二收支情况的相似度,α为同单位增幅系数,β为同行业增幅系数,m为收支信息相似度。例如,贷款对象与候选关联人的收支信息相似度为50%,贷款对象与候选关联人的工作单位相同且同单位增幅系数为1.2,贷款对象与候选关联人的行业特征相同且同行业增幅系数为1.1时,对应的相似度为66%。
在一些实施例中,政府管理平台230可以根据第一收支情况和第二收支情况的相似度与相似度阈值的关系,确定贷款对象的关联人。其中,相似度阈值可以是***默认值、经验值、人为预先设定值等或其任意组合,可以根据实际需求设定,本说明书对此不做限制。
在一些实施例中,当第一收支情况和第二收支情况的相似度大于相似度阈值时,可以确定对应的候选关联人为贷款对象的关联人。例如,设置收支情况的相似度阈值为70%,当贷款对象A的第一收支情况与候选关联人B的第二收支情况之间的相似度大于相似度阈值时,则可以确定候选关联人B为贷款对象A的关联人。
在本说明书的一些实施例中,通过收支信息相似度、工作单位相似度和行业特征相似度,确定贷款对象的关联人,可以准确地确定出与贷款对象相关联的关联人,以便后续结合关联人的相关情况对贷款对象的贷款风险进行评估。例如,相同工作单位的员工可以认为收入来源基本相同,因此当该工作单位存在资金困难时,该工作单位中正在还贷的员工可能都有较高的贷款逾期风险;行业的经济不景气、产生波动时,属于该行业的单位都可能会受到影响,该行业中正在还贷的员工可能都有较高的贷款逾期风险。
在一些实施例中,政府管理平台230可以基于贷款对象的相关信息和金融服务平台中各个贷款人的相关信息,构建知识图谱。
贷款对象的相关信息是指与贷款对象相关的信息。在一些实施例中,贷款对象的相关信息可以包括贷款对象的基础信息和第一贷款信息。
贷款人是指除了贷款对象以外的其他发起贷款请求的人。例如,图5中的贷款人B、C、D和E。
贷款人的相关信息是指与贷款人相关的信息。在一些实施例中,贷款人的相关信息可以包括贷款人的基础信息和贷款信息。
在一些实施例中,政府管理平台230可以将贷款对象和各个贷款人分别作为知识图谱的节点,相应的,节点特征为贷款对象的第一贷款信息或贷款人对应的贷款信息。
在一些实施例中,政府管理平台230可以根据各个节点之间的收支信息相似度构建知识图谱的边。在一些实施例中,当两个节点之间的收支信息相似度当大于阈值时,对应的两个节点之间可以由边连接,相应的,边特征为收支信息相似度。关于如何确定收支信息相似度的更多说明,可以参见图4及其相关内容,此处不再赘述。
在一些实施例中,知识图谱的边特征还可以包括工作单位相似度和行业特征相似度。例如,当两个节点对应的人的工作单位相同时,对应工作单位相似度为1;工作单位不相同时,对应工作单位相似度为0。又例如,当两个节点对应的人的行业特征相同时,对应行业特征相似度为1;行业特征不相同时,对应行业特征相似度为0。
在一些实施例中,知识图谱的边特征可以用关联度表示,其中,关联度可以指各个贷款人之间的收支情况相似程度。在一些实施例中,关联度可以由收支信息相似度、工作单位相似度和行业特征相似度三个边特正加权计算得到。应当理解的是,对于关联度,可以采取与前述确定收支情况相似度相同的实施方式得到。关于如何确定收支情况相似度的更多说明,可以参见图4及其相关内容。
在一些实施例中,政府管理平台230可以基于构建的知识图谱510中的邻度关系520确定贷款对象的关联人540。
邻度关系可以指两个节点之间最短路径涉及的边的数量。例如,邻度关系为0表示两个节点之间不存在边,邻度关系为1表示两个节点之间的最短路径为一条边,邻度关系为2表示两个节点之间的最短路径为两条边。如图5所示,贷款对象A与贷款人B、C、D的邻度关系均为1,贷款对象A与贷款人E的邻度关系为2。
在一些实施例中,政府管理平台230可以根据邻度关系520和预设邻度确定贷款对象的关联人540。其中,预设邻度可以是两个节点之间的邻度关系需要满足的阈值条件,预设邻度可以是***默认值、经验值、人为预先设定值等或其任意组合,可以根据实际需求设定,本说明书对此不做限制。例如,预设邻度可以为2。在一些实施例中,政府管理平台230可以将满足预设邻度的节点对应的贷款人确定为贷款对象的关联人。示例性地,预设邻度为1时,可以确定与贷款对象对应节点之间邻度关系为1的节点对应的贷款人为关联人。如图5所示,可以将与贷款对象A之间邻度关系为1的贷款人B、C、D确定为贷款对象A的关联人。预设邻度为2时,可以确定与贷款对象对应节点之间邻度关系为2的节点对应的贷款人为关联人。如图5所示,可以将与贷款对象A之间邻度关系为1和2的贷款人B、C、D、E确定为贷款对象A的关联人。
在一些实施例中,在邻度关系满足预设邻度且邻度关系大于1时,政府管理平台230可以进一步基于节点之间的收支信息相似度或关联度判断对应的贷款人是否为贷款对象的关联人540。
示例性地,在邻度关系满足预设邻度且邻度关系大于1时,政府管理平台230可以将满足收支信息相似度或关联度大于预设阈值的贷款人作为贷款对象的关联人520。
以收支信息相似度作为判断标准为例,邻度关系为2时,如图5所示,贷款对象A与贷款人E的收支信息相似度可以通过如下公式(2)计算得到:
dAE=dAD×dDE (2)
其中,dAE为贷款对象A与贷款人E之间的收支信息相似度,dAD为贷款对象A与贷款人D之间的收支信息相似度,dDE为贷款对象D与贷款人E之间的收支信息相似度。
相应的,若贷款对象A和贷款人E之间的收支信息相似度大于预设阈值,则可以将贷款人E作为贷款对象A的关联人;若贷款对象A和贷款人E之间的收支信息相似度小于预设阈值,则贷款人E不能作为贷款对象A的关联人。
在一些实施例中,知识图谱510的节点特征还可以包括风险关联值530。相应的,政府管理平台230可以基于邻度关系520和风险关联值530确定贷款对象的关联人540。
风险关联值530是指反映贷款对象和贷款人之间贷款风险的相互影响程度。例如,风险关联值可以被表示为范围在0-1中的某一个数值。在贷款对象和贷款人之间的贷款风险没有相互影响的情况下,风险关联值可以为0。在贷款对象和贷款人之间的贷款风险完全影响的情况下,风险关联值可以为1。即数值越高,贷款风险的相互影响程度越高。在知识图谱510中,风险关联值530可以用于反映确定每个节点对其他节点的影响。风险关联值越高,则该节点对其他节点的影响越大。
在一些实施例中,当邻度关系520满足预设邻度时,政府管理平台230还可以根据风险关联值530与预设关联值的关系,确定贷款对象的关联人540。其中,预设关联值可以是两个节点之间的风险关联值需要满足的阈值条件,预设关联值可以是***默认值、经验值、人为预先设定值等或其任意组合,可以根据实际需求设定,本说明书对此不做限制。例如,预设关联值为0.2,如图5所示,贷款人B、C、D与贷款对象A的邻度关系满足预设邻度,而贷款人B、C、D的风险关联值分别为0.22、0.18、0.34,则可以进一步确定贷款人B、D的风险关联值满足预设关联值,相应的,可以确定贷款人B、D为贷款对象A的关联人。
在一些实施例中,风险关联值可以通过多轮迭代更新得到。为便于说明,以下将对风险关联值进行迭代更新的具体内容进行说明。
在第一轮迭代中,对于每一个节点,基于节点总数、相连节点的数量和相连节点在第一轮迭代中的待更新风险关联值,确定下一轮迭代的待更新风险关联值,其中,节点总数可以指知识图谱中的节点的总数,相连节点的数量可以指与该节点直接相连(即邻度关系为1)的所有节点的总数。
在一些实施例中,相连节点在第一轮迭代中的待更新风险关联值(即初始风险关联值)可以由相连节点中各个节点在第一轮迭代中的待更新风险关联值进行加权求和确定。其中,相连节点中各个节点在第一轮迭代中的待更新风险关联值可以根据知识图谱的节点总数确定,权重可以基于对应的边特征确定。关于确定权重的更多内容参见下述公式(5)的相关描述。
示例性地,在第一轮迭代中,即在时刻t=0时,节点i在第一轮迭代中的待更新风险关联值可以通过如下公式(3)计算得到:
其中,N表示知识图谱的节点总数,pi;0表示时刻t=0的节点i,PR(pi;0)表示节点i在时刻t=0时的待更新风险关联值(即初始风险关联值)。
在后续每轮迭代中,对于每一个节点,基于节点总数、相连节点的数量和相连节点在该轮迭代中的待更新风险关联值,确定下一轮迭代的待更新风险关联值。作为示例地,可以对某节点相连的至少一个节点的待更新风险关联值进行处理,更新至少一个节点的待更新风险关联值,得到更新后的风险关联值。更新后的风险关联值将作为至少一个节点的下一轮迭代的待更新风险关联值。
示例性地,在后续每轮迭代中,即时刻t+1时,节点i的待更新风险关联值可以通过如下公式(4)计算得到:
其中,(后续称为公式(4)的第一部分)中d为预设的阻尼系数;(后续称为公式(4)的第二部分)中degree(pj)是节点j的度数,用于表示和节点j相连(直接相连和间接相连)的边的数量,M(pi)是连接到节点i的节点集合,w(pi,pj)表示权重,PR(pj;t)表示与节点i相连的节点j在时刻t时的风险关联值(或待更新风险关联值),PR(pi;t+1)表示节点i在时刻t+1时的风险关联值(或待更新风险关联值),且公式(4)的第二部分表示与贷款对象相连的所有贷款人的风险关联度的加权和。
在一些实施例中,上述公式(4)中所涉及的权重可以基于相连边的边特征(如,收支信息相似度,单位相似度,行业相似度)确定。在一些实施例中,收支信息相似度、单位相似度和行业相似度,与权重的值成正相关。并且,收支信息相似度和单位相似度的影响应当大于行业相似度的影响。例如,设收支信息相似度、工作单位相似度和行业特征相似度按顺序分别为a、b、c,则权重可以通过如下公式(5)计算得到:
w(pi,pj)=a*k1+b*k2+c*k3 (5)
其中,k1、,k2、k3为预设的权重系数,且满足k1>k2>k3>0。
在一些实施例中,上述权重并不仅限于本说明书的一些实施例所提到的计算方式,还可以是其他任何合理的方式,如,由贷款对象和贷款人的相关信息通过神经网络构成的权重模型得到。
在一些实施例中,预设的阻尼系数d、预设的权重系数k1、,k2、k3可以是***默认值、经验值、人为预先设定值等或其任意组合,可以根据实际需求设定,本说明书对此不做限制。
本说明书的一些实施例,根据收支情况对风险关联值的实际影响确定权重,可以提高确定风险关联值的准确程度。
在一些实施例中,在迭代更新风险关联值时,当迭代符合预设的迭代结束条件时,迭代结束。其中,预设的迭代结束条件可以是函数收敛,或迭代次数达到阈值。在一些实施例中,预设的迭代结束条件可以为相邻两个时刻的所有节点的风险关联值的差值的绝对值之和小于预设阈值,该预设条件可以由如下公式(6)表示:
其中,G代表所有节点组成的集合,ε为预设阈值。
以下是通过多轮迭代更新确定风险关联值的示例性过程:
第一步:在初始时刻(t=0)时,可以对每个节点的风险关联值进行初始化。一种可选的方式是基于上述公式(3)和知识图谱中的节点总数在迭代开始前,确定节点对应的初始风险关联值。
示例性地,如图6所示,知识图谱中有10个节点(即节点A、B、C、D、E、F、G、H、I、J),则N=10,相应的,可以根据前述公式(3)确定每个节点的初始风险关联值为0.1。接下来,可以预设阻尼系数d和收支信息相似度a、工作单位相似度a和行业特征相似度c分别对应的权重系数k1、k2、k3,例如d=0.2,k1=0.5、k2=0.3、k3=0.2。
第二步:在后续的每一轮迭代中,可以基于前述公式(5)计算各个节点对应的权重,以及基于前述公式(4)计算每个节点的待更新风险关联值。
示例性地,如图6所示,以下将以t=1时,计算节点A的风险关联值对应的第二次迭代过程为例,对风险关联值的迭代更新进行说明:
首先,可以将与节点A直接相连的节点B、C、D的收支信息相似度a、工作单位相似度a和行业特征相似度c和分别对应的权重系数k1=0.5、k2=0.3、k3=0.2分别代入公式(5)以确定权重w(pi,pj)。例如,边A-B(即节点A与节点B之间边)的权重可以为:w(pA,pB)=a1*k1+b1*k2+c1*k3,其中,a1、b1、c1对应于边A-B的收支信息相似度、单位相似度和行业相似度。边A-C的权重可以为:w(pA,pC)=a2*k1+b2*k2+c2*k3,其中,a2、b2、c2对应于边A-C的收支信息相似度、单位相似度和行业相似度。边A-D的权重可以为:w(pA,pD)=a3*k1+b3*k2+c3*k3,其中,a3、b3、c3对应于边A-D的收支信息相似度、单位相似度和行业相似度。
然后,可以将知识图谱的节点总数N和预设的阻尼系数d代入公式(4),可以确定公式(4)的第一部分。例如,将N=10、d=0.2代入公式(4)可以确定公式(4)的第一部分为0.08。
进一步地,将各个节点在上一轮迭代后得到的待更新风险关联值PR(pj;t)、度数degree(pj)、权重w(pi,pj)、阻尼系数d代入公式(4),可以确定公式(4)的第二部分。例如,如图6所示,与节点A直接相连的有节点B、C、D。相应的,在确定节点j的度数degree(pj)时,j为节点A,其度数degree(pA)为3;j为B,其度数degree(pB)为1;j为C,其度数degree(pC)为1;j为D,其度数degree(pD)为2。接着,将上述相关参数代入公式(4),可以确定公式(4)的第二部分为:{[(w(pA,pB)×0.08)÷degree(pB)]+[(w(pA,pC)×0.08)÷degree(pC)]+[(w(pA,pD)×0.08)÷degree(pD)]}×0.2。由此,可以基于前述公式(4)确定节点A在第一轮迭代中确定的待更新风险关联值。
第三步:依次进行后续每轮迭代(t=2,t=3,...),直到满足预设的迭代结束条件时,迭代结束。例如,假设预设阈值为0.2。当t=10时,节点总数为10,各个节点的风险关联值均为0.4;t=11时,各个节点的风险关联值均为0.41,则所有节点的风险关联值的差值的绝对值之和为0.1,小于预设阈值0.2,相应的,迭代可以结束,***可以将t=11时确定的各个节点的风险关联值作为最终每个节点的风险关联值。
本说明书的一些实施例,通过迭代确定风险关联值,能够准确地确定其他贷款人对贷款对象的相互影响程度。
本说明书的一些实施例,通过邻度关系与风险关联值结合,充分考虑了各个贷款人之间收支情况与贷款风险的联系,从而更准确地确定出关联人。
本说明书的一些实施例,通过知识图谱能够从多个贷款人中确定贷款对象的关联人,为评估贷款对象的贷款风险提供了更直观有效的参考,保证贷款安全。
在一些实施例中,政府管理平台230可以基于预测模型760对基础信息710、第一贷款信息720和第二贷款信息730进行处理,确定贷款对象的贷款风险770。其中,第二贷款信息包括至少一个关联人对应的贷款信息。值得说明的是,在确定贷款对象的贷款风险时,主要考虑因素为贷款对象的基础信息和贷款对象的第一贷款信息,而关联人的第二贷款信息可以作为辅助考虑因素。相应的,在将基础信息、第一贷款信息和第二贷款信息输入预测模型时,可以为各输入变量赋予不同的输入权重。例如,将贷款对象的基础信息和贷款对象的第一贷款信息赋予较大的输入权重,将关联人的第二贷款信息赋予较小的输入权重。
预测模型780可以用于预测贷款对象的贷款风险。在一些实施例中,预测模型780可以是循环神经网络模型(Recurrent Neural Network,RNN)。
在一些实施例中,预测模型760的输入可以是基础信息710、第一贷款信息720和第二贷款信息730,输出可以是贷款对象的贷款风险770。
预测模型的参数可以通过训练获取。在一些实施例中,预测模型可以通过多个带有标签的训练样本训练得到。例如,可以将多个带有标签的训练样本输入初始预测模型,通过标签和初始预测模型的结果构建损失函数,基于损失函数迭代更新预测模型的参数。当初始预测模型的损失函数满足预设条件时模型训练完成,得到训练好的预测模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,训练样本可以包括样本贷款对象的样本基础信息、样本第一贷款信息和样本第二贷款信息。标签可以是样本贷款对象的贷款风险。在一些实施例中,训练样本可以基于历史信息(例如,历史基础信息、历史第一贷款信息和历史第二贷款信息)获取,标签可以通过人工标注获取。
可以理解的,第二贷款信息可以包括多个关联人对应的贷款信息。在一些实施例中,在将第二贷款信息输入至预测模型之前,可以对第二贷款信息进行处理,即确定各个关联人对应的风险特征。
在一些实施例中,政府管理平台230可以基于特征模型740对第二贷款信息730进行处理,确定至少一个风险特征742。相应的,预测模型760的输入可以是基础信息710、第一贷款信息720和至少一个风险特征742。
值得说明的是,第二贷款信息中包含有大量的关联人的隐私数据,考虑到金融服务平台的数据安全问题,政府管理平台230在特征模型740对第二贷款信息730进行处理时,可以对第二贷款信息720进行多方安全计算处理,处理后的风险特征742可以通过加密后的数据反应关联人的第二贷款信息720,而不涉及关联人的具体数据,不暴露关联人的隐私信息。其中,多方安全计算可以在无可信第三方的前提下保证参与计算的各方成员输入的信息不暴露,且同时能够获得准确的运算结果。
风险特征可以指用于表示候选关联人的第二贷款信息的特征向量。例如,可以将第二贷款信息中贷款基础信息、历史还款信息以及其他信用信息等拼接,作为风险特征。在一些实施例中,每个关联人对应一个风险特征。
特征模型可以用于确定关联人的第二贷款信息对应的风险特征。在一些实施例中,特征模型可以是卷积神经网络模型(Convolutional Neural Network,CNN)。在一些实施例中,特征模型740的输入可以是第二贷款信息730,输出可以是至少一个风险特征742。
在一些实施例中,在风险特征为多个时,特征模型还可以对多个风险特征进行融合处理,以确定用于表示多个风险特征的融合特征。在一些实施例中,特征模型可以基于融合权重将至少一个风险特征进行融合,以确定融合特征。其中,融合特征为各个关联人对应的风险关联值。相应的,可以将融合特征作为预测模型的输入。相应的,特征模型740的输入可以是第二贷款信息730,输出可以是融合特征750。
在一些实施例中,相应的,特征模块740可以包括特征提取层741和融合层744,其中,特征提取层741用于对第二贷款信息730进行处理以确定至少一个风险特征742。在一些实施例中,特征提取层741的输入可以是第二贷款信息730,输出可以是至少一个风险特征742。在一些实施例中,特征提取层的模型类型可以是CNN。融合层744用于基于融合权重743对至少一个风险特征742进行融合,以确定融合特征750,融合时的各个风险特征742对应的融合权重743为各个关联人对应节点的风险关联值。相应的,融合层744可以对各个关联人的风险特征742和各个关联人对应的风险关联值进行融合处理。在一些实施例中,融合层744的输入可以包括至少一个风险特征742和对应的融合权重743,输出可以是融合特征750。在一些实施例中,融合层的模型类型可以是DNN。
可以理解的是,特征模型740对多个风险特征742进行融合处理后,预测模型760的输入可以包括基础信息710、第一贷款信息720和融合特征750。
本说明书的一些实施例中,通过融合特征可以表示各个关联人对贷款对象的影响,同时通过各个关联人对应的融合权重对各个关联人的风险特征进行融合从而确定融合特征,进一步考虑到各个关联人对贷款对象的影响程度各不同,进而准确高效低确定出贷款对象的贷款风险。
特征模型的参数可以通过联合训练得到。在一些实施例中,可以利用两个共享参数的初始特征子模型和一个相似度模型进行联合训练,进而可以将训练好的两个共享参数的特征子模型中的其中一个确定为训练好的特征模型。需要注意的是,特征模型和特征子模型仅在名称上存在区别,其他并未区别。示例性的训练过程如下:
将两组不同的训练样本分别输入两个特征子模型,得到两个特征子模型输出的两个融合特征;然后将两个融合特征作为相似度模型的输入,得到相似度模型输出的相似度结果。进而基于相似度模型输出的相似度结果和标签构建损失函数,基于损失函数同时迭代更新两个初始特征子模型的参数,直到训练满足预设条件,进而可以将其中一个训练好的特征子模型确定为训练好的特征模型,其中,预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值。
在一些实施例中,每组训练样本可以包括一个样本关联人的样本第二贷款信息,也可以包括多个样本关联人的样本第二贷款信息。示例性地,对于每组训练样本包括一个样本关联人对应的样本第二贷款信息的情况,可以将样本关联人A对应的第二贷款信息输入到一个特征子模型中,将样本关联人B对应的第二贷款信息输入到另一个特征子模型中。对于每组训练样本包括多个样本关联人对应的样本第二贷款信息的情况,可以将样本关联人A、B、C对应的第二贷款信息输入到一个特征子模型中,将样本关联人D、E、F对应的第二贷款信息输入到另一个特征子模型中。
在一些实施例中,训练样本对应的标签可以为样本关联人对应的样本第二贷款信息中历史还款信息的相似度。例如,标签可以为样本关联人对应的样本第二贷款信息中逾期次数、总逾期天数的相似度。在一些实施例中,标签可以通过计算历史还款信息对应向量的向量距离确定。
通过上述训练方式获得特征模型的参数,在一些情况下有利于解决单独训练特征模型时难以获得标签的问题,还可以使特征模型得到能较好地反映多个第二贷款信息的融合特征。
本说明书的一些实施例中,通过特征模型对第二贷款信息进行处理,确定多个风险特征,使得第二贷款信息的表现更加直观,方便表示多个贷款对象的贷款风险。进而,在通过预测模型对基础信息和贷款信息进行分析时,可以使金融机构(如,银行)及时、准确地获取贷款对象的贷款风险。
可以理解的是,如果要基于历史数据预测未来信息,例如,根据历史天气信息预测未来天气信息,根据历史流水线的生产数据预测未来流水线的生产数据等,针对某一个被预测对象的某一次预测结果而言,预测结果也许并不能保证百分之一百是准确的。但采用模型对大批量的被预测对象进行预测,例如预测一万个被预测对象,十万个被预测对象,……等,则可以通过模型的改进,使得到的预测结果满足模型的准确度要求,例如:准确度为百分之九十五,百分之九十八……等,不同的模型设定的准确度要求可能不同。不能因为个体的预测结果质疑大数据的预测能力。很显然,基于大数据进行预测是符合自然规律的。
应当注意的是,上述有关流程的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种基于物联网的智慧城市贷款风险评估方法,其特征在于,所述方法由政府管理平台执行,包括:
从金融服务平台获取风险查询请求,所述风险查询请求响应于贷款对象在用户平台输入的贷款请求生成;
确定所述贷款对象的关联人,所述关联人与所述贷款对象的收支情况相似;
响应于所述风险查询请求,
基于人口信息平台确定所述贷款对象的基础信息,所述基础信息至少包括收支信息;
基于所述金融服务平台获取所述贷款对象的第一贷款信息以及所述关联人的第二贷款信息;
基于所述基础信息、所述第一贷款信息和所述第二贷款信息,确定所述贷款对象的贷款风险;以及
将所述贷款风险发送至所述金融服务平台。
2.根据权利要求1所述的方法,其特征在于,所述确定所述贷款对象的关联人,包括:
从人口信息平台确定所述贷款对象的至少一个候选关联人;
确定所述贷款对象的第一收支情况和所述至少一个候选关联人的第二收支情况;以及
基于所述第一收支情况和第二收支情况的相似度,确定所述贷款对象的关联人。
3.根据权利要求1所述的方法,其特征在于,所述确定所述贷款对象的关联人,还包括:
基于所述贷款对象的相关信息和所述金融服务平台中各个贷款人的相关信息,构建知识图谱;
将所述贷款对象和各个贷款人分别作为知识图谱的节点,节点特征为贷款对象的第一贷款信息或贷款人对应的贷款信息;
根据贷款对象与各个贷款人之间的收支信息相似度构建知识图谱的边,边特征为收支信息相似度;以及
基于邻度关系确定所述贷款对象的关联人。
4.根据权利要求3所述的方法,其特征在于,所述边特征还包括工作单位相似度、行业特征相似度中的至少一种;所述节点特征还包括风险关联值;
所述确定所述贷款对象的关联人还包括:基于所述邻度关系和所述风险关联值确定所述贷款对象的关联人。
5.根据权利要求1所述的方法,其特征在于,所述基于所述基础信息、所述第一贷款信息和所述第二贷款信息,确定所述贷款对象的贷款风险,包括:
基于预测模型对所述基础信息、所述第一贷款信息和所述第二贷款信息进行处理,确定所述贷款对象的贷款风险。
6.一种基于物联网的智慧城市贷款风险评估***,其特征在于,所述***至少包括用户平台、服务平台和政府管理平台,其中,所述用户平台,用于与用户进行交互;所述服务平台,用于接收和传输信息;
所述政府管理平台被配置为以执行以下操作:
从金融服务平台获取风险查询请求,所述风险查询请求响应于贷款对象在所述用户平台输入的贷款请求生成;
确定所述贷款对象的关联人,所述关联人与所述贷款对象的收支情况相似;
响应于所述风险查询请求,
基于人口信息平台确定所述贷款对象的基础信息,所述基础信息至少包括收支信息;
基于所述金融服务平台获取所述贷款对象的第一贷款信息以及所述关联人的第二贷款信息;
基于所述基础信息、所述第一贷款信息和所述第二贷款信息,确定所述贷款对象的贷款风险;以及
将所述贷款风险发送至所述金融服务平台。
7.根据权利要求6所述的***,为确定所述贷款对象的关联人,所述政府管理平台进一步被配置为:
从人口信息平台确定所述贷款对象的至少一个候选关联人;
确定所述贷款对象的第一收支情况和所述至少一个候选关联人的第二收支情况;以及
基于所述第一收支情况和第二收支情况的相似度,确定所述贷款对象的关联人。
8.根据权利要求6所述的***,为确定所述贷款对象的关联人,所述政府管理平台进一步被配置为:
基于至少一个贷款对象,和所述至少一个贷款对象的基础信息及第一贷款信息构建知识图谱,
将所述贷款对象和各个贷款人分别作为知识图谱的节点,节点特征为贷款对象的第一贷款信息或贷款人对应的贷款信息;
根据贷款对象与各个贷款人之间的收支信息相似度构建知识图谱的边,边特征为收支信息相似度;以及
基于邻度关系确定所述贷款对象的关联人。
9.如权利要求6所述的***,为基于所述基础信息、所述第一贷款信息和所述第二贷款信息,确定所述贷款对象的贷款风险,所述政府管理平台进一步被配置为使所述***:
基于预测模型对所述基础信息、所述第一贷款信息和所述第二贷款信息进行处理,确定所述贷款对象的贷款风险。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行如权利要求1~5中任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210741577.2A CN114971884A (zh) | 2022-06-28 | 2022-06-28 | 一种基于物联网的智慧城市贷款风险评估方法和*** |
US17/813,595 US20230419401A1 (en) | 2022-06-28 | 2022-07-19 | Methods and systems for loan risk assessment in a smart city based on the internet of things |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210741577.2A CN114971884A (zh) | 2022-06-28 | 2022-06-28 | 一种基于物联网的智慧城市贷款风险评估方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114971884A true CN114971884A (zh) | 2022-08-30 |
Family
ID=82966236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210741577.2A Withdrawn CN114971884A (zh) | 2022-06-28 | 2022-06-28 | 一种基于物联网的智慧城市贷款风险评估方法和*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230419401A1 (zh) |
CN (1) | CN114971884A (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210174367A1 (en) * | 2018-05-02 | 2021-06-10 | Visa International Service Association | System and method including accurate scoring and response |
CN110335139B (zh) * | 2019-06-21 | 2022-10-14 | 深圳前海微众银行股份有限公司 | 基于相似度的评估方法、装置、设备及可读存储介质 |
CN111400560A (zh) * | 2020-03-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
CN112907358A (zh) * | 2021-03-17 | 2021-06-04 | 平安消费金融有限公司 | 贷款用户信用评分方法、装置、计算机设备和存储介质 |
CN114463119A (zh) * | 2022-02-14 | 2022-05-10 | 中国工商银行股份有限公司 | 信用评估方法、装置及电子设备 |
-
2022
- 2022-06-28 CN CN202210741577.2A patent/CN114971884A/zh not_active Withdrawn
- 2022-07-19 US US17/813,595 patent/US20230419401A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230419401A1 (en) | 2023-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11928747B2 (en) | System and method of an automated agent to automatically implement loan activities based on loan status | |
US11544782B2 (en) | System and method of a smart contract and distributed ledger platform with blockchain custody service | |
Sadok et al. | Artificial intelligence and bank credit analysis: A review | |
CN113272850A (zh) | 自适应智能共享基础设施借贷交易支持平台 | |
US20150066738A1 (en) | System amd method for detecting short sale fraud | |
Wang et al. | Leveraging Multisource Heterogeneous Data for Financial Risk Prediction: A Novel Hybrid-Strategy-Based Self-Adaptive Method. | |
Wang et al. | Risk decision analysis of commercial insurance based on neural network algorithm | |
Sohn | Fuzzy analytic hierarchy process applied to technology credit scorecard considering entrepreneurs’ psychological and behavioral attributes | |
US20240005276A1 (en) | Methods and systems for generating a checklist in smart city based on an internet of things | |
CN114971884A (zh) | 一种基于物联网的智慧城市贷款风险评估方法和*** | |
Melnyk et al. | Improving the quality of credit activity by using scoring model | |
US20230377048A1 (en) | Methods and systems for evaluating medical insurance data in smart city based on the internet of things | |
CN114742144A (zh) | 对象流失概率的确定方法、装置、计算机设备和存储介质 | |
Lakshmi et al. | A Prediction of Modernized Loan Approval System Based on Machine Learning Approach | |
Rebelo | " alussov |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220830 |