基于人工智能驱动的信用风险数据处理方法及系统与流程

本发明涉及基于人工智能驱动的信用风险数据处理方法及系统，属于数据处理。

背景技术：

1、在供应链管理场景下，供应商信用评估需整合多源异构数据，并依据评估模型输出量化评估结果。随着数字化技术的发展，区块链凭借其不可篡改、可追溯的特性，为供应商信用数据的可信存储与共享提供了有效的技术支撑。

2、现有授权公告号为cn111222955b的中国专利公开了一种基于区块链的供应商监管方法及系统，通过获取供应商基础数据与采购单位评价信息并上链存证，从中筛选信用相关度较高的影响因子并设定权重，采用因子加权平均算法计算供应商信用评价结果，再将评价结果登记上链。本质上实现的是数据存证可信化与静态加权评估的链上化，但评估逻辑仍停留在人工预设权重的线性加权层面，不具备基于数据驱动自适应调整评估参数的能力。

3、针对动态风险评估，公开号为cn122264921a的专利申请提出了一种基于行为变化的企业信用风险动态预警系统和方法，通过实时采集企业行为变化数据并与预设阈值比对来触发预警事件。然而评估模型本身仍为静态结构，预警阈值一旦设定便固定不变，无法依据市场环境变化或增量样本进行自适应调整，当外部环境发生结构性变化时，无法区分供应商个体过失与环境系统性影响，易产生误报或漏报。

4、针对多源数据融合建模，公开号为cn121685139a的专利申请提出了一种基于多源数据的融资信用大模型联合建模系统与方法，涉及多源数据采集、标准化处理、隐私计算及特征漂移检测，并基于特征输入分布偏移自动触发模型权重的动态调整。然而更新决策完全依赖于数据层面的特征漂移检测，缺乏业务语义层面的验证机制，单一的数据驱动逻辑无法区分统计偏移是否源于真实风险变化，在缺乏业务规则约束的情况下，难以保障更新决策在供应链评估场景下的合规性和合理性。

5、此外，上述现有技术均未解决模型决策逻辑的可解释性问题，无论是静态线性加权模型还是基于深度学习的黑箱模型，业务人员均无法理解模型的内部决策逻辑，当评估结果与业务认知发生冲突时，无从进行有效核查与干预，导致模型输出结果难以在实际业务流程中获得充分信任，因此本发明提出一种基于人工智能驱动的信用风险数据处理方法及系统。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供基于人工智能驱动的信用风险数据处理方法及系统，通过融合内外部动态数据生成供应动态向量并区块链存证，经动态触发更新与共识机制生成更新指令，基于增量数据迭代模型，搭配全链路溯源，破解模型静态与黑箱问题，实现精准评估。

2、为实现上述目的，本发明提供了如下技术方案：

3、基于人工智能驱动的信用风险数据处理方法，包括：

4、基于内部业务数据集，获取资质风险特征，构建供应商档案库，结合评估指标体系，生成管控指标集；采集外部数据，基于风险识别，生成风险指标集，利用多源数据融合，生成供应动态向量，并进行区块链存证；

5、在区块链上配置触发更新机制，实时监测所述供应动态向量，结合动态触发阈值，判定环境突变事件，从而生成事件触发信号；

6、接收到所述事件触发信号后，立即启动共识判定机制，发起更新投票请求，进行共识判定，以生成任务更新指令；

7、基于所述任务更新指令，从所述供应商档案库中提取增量数据，生成增量训练数据集，对基准评估模型进行增量训练，从而生成候选评估模型；

8、利用供应动态向量与候选评估模型，进行实时信用评估与分级。

9、具体地，构建供应商档案库的步骤包括：

10、采集供应商提交身份凭证及基础信息，生成身份信息初审清单；

11、采用双因子绑定机制，生成供应商唯一数字身份标识；

12、设置标准化接口协议，针对不同业务终端，制定数据字段映射规则；

13、配置双模式同步策略，以采集同步数据，生成内部业务数据集，并基于字段权重的完整性校验，进行质量管控；

14、对所述内部业务数据集中的资质文件进行分层识别处理，提取有效字段，并进行交叉核验，生成真伪核验结果；

15、将核验通过的有效字段录入资质动态台账，设置资质预警阈值、资质有效阈值，结合当前日期划分资质状态，生成供应商的资质风险特征；

16、以所述数字身份标识为核心索引，采用分层存储架构，构建结构化的供应商档案库，并构建数据关联引擎。

17、具体地，生成供应动态向量的步骤包括：

18、设置评估目标、候选指标，并从所述供应商档案库中获取评估数据集；

19、通过所述评估数据集，计算候选指标与评估目标的相似度，筛选相关指标；

20、获取历史业务数据，利用决定系数计算拟合贡献度，筛选基础指标；

21、利用层次分析法、熵权法，计算基础指标的初始权重，生成基础指标集；

22、设置监测更新间隔，并在每个监测更新间隔内提取历史信号；

23、通过预设的触发规则，判定历史信号的有效性，以进行基础调整；

24、获取基础指标所需数据项，映射至所述供应商档案库，定义提取规则，构建路径映射表；

25、通过多维度检索索引，从所述供应商档案库提取各基础指标的原始数据；

26、采用四分位距法识别异常数据，并基于同类历史数据进行自动修正；

27、对基础指标数据进行归一化处理，结合所述初始权重，生成管控指标集。

28、具体地，生成供应动态向量的步骤还包括：

29、采集多源外部数据，统计同一信息不同来源的验证次数，以获得一致性校验系数，结合来源权重，计算外部可信度；

30、筛选外部可信度高于可信分级阈值的外部数据，并进行风险识别，结合资质风险特征，生成风险指标集；

31、基于所述管控指标集、所述风险指标集，以数字身份标识为主对齐对、时间戳为赋值对齐对，生成关联数据集；

32、为所述关联数据集中的各个指标设置关联权重，获取环境影响系数、业务优先级系数，计算特征权重，并进行归一化处理，生成特征动态权重；

33、对所述关联数据集中的指标进行加权融合、标准化，生成供应动态向量；

34、将所述供应动态向量与对应的元数据进行标准化组装，结合区块头信息，生成存证数据区块。

35、具体地，触发更新机制的步骤包括：

36、设置初始触发阈值、触发条件，任意阈值触发即判定存在潜在突变事件；

37、设置阈值动态校准机制，基于滑动窗口，统计近n个业务周期的历史数据，计算阈值修正系数，对所述初始触发阈值进行修正，生成动态触发阈值；

38、计算当前周期内供应动态向量所有指标值的均值，结合历史均值，获取供应偏差率，提取当前周期供应动态向量中的动态指标，获取风险波动系数，生成当前周期的波动数据集；

39、将波动数据集与动态触发阈值逐一比对，判定是否存在潜在突变事件，生成单维触发结果；

40、结合资质风险特征与外部风险等级，对单维触发结果进行验证，基于有效触发的潜在突变事件，生成环境突变事件。

41、具体地，初始触发阈值，包括初始波动阈值、初始突变阈值、初始风险阈值；设置初始触发阈值的步骤包括：

42、获取历史供应动态向量，通过历史标准差与历史均值，计算波动偏差率；

43、获取加权系数、质量修正系数，结合所述波动偏差率，获取初始波动阈值；

44、对于单一指标，获取历史指标均值，同时通过指标所属评估目标设定突变系数，获取初始突变阈值；

45、设置风险事件数量阈值，同时获取单个风险事件的等级权重、事件影响系数，通过加权运算与所述风险事件数量阈值，获得初始风险阈值。

46、具体地，共识判定机制的步骤包括：

47、构建三层验证节点，并设置各层节点的职责与层权重；

48、配置投票基础参数，包括投票选项、投票有效时长、投票理由；

49、一旦接收到环境突变事件，自动向所述三层验证节点发送更新投票请求，并在所述投票有效时长结束后，自动回收所有节点的投票结果；

50、根据各个投票选项的得分赋值，获取各个节点的投票得分，结合各个节点的层权重，计算同意加权比，进行共识判定；

51、若同意加权比大于第一划分阈值，则判定达成共识；若同意加权比在第一划分阈值与第二划分阈值以内，则提取建议调整的节点意见，生成调整方案，并重新发起投票；若同意加权比小于第二划分阈值，则判定未达成共识。

52、具体地，生成候选评估模型的步骤包括：

53、通过多维度检索索引，从供应商档案库中定向提取增量数据，对增量数据进行分层筛选、预处理强化，生成增量训练数据集；

54、获取模型版本库中已存在的基准评估模型，利用增量学习算法，以增量训练数据集为输入，冻结模型底层特征提取层，仅微调顶层决策层参数，生成候选评估模型；

55、构建离线测试集，同时基于任务更新指令中的突变类型，模拟生成动态场景数据，评估所述候选评估模型、所述基准评估模型的性能差异，生成测试报告；

56、对通过测试的候选评估模型进行版本编号，并与对应的元数据进行打包，生成版本模型包。

57、具体地，实时信用评估与分级的步骤包括：

58、获取实时评估模型、实时特征向量，结合所述特征动态权重，进行加权求和，结合所述质量修正系数，计算实时信用得分；

59、获取历史信用得分，采用k-means聚类算法划分初始聚类阈值，计算阈值调整系数，从而生成动态分级阈值；

60、基于所述动态分级阈值与所述实时信用得分，判定供应商等级；

61、构建动态绑定体系，为不同分级供应商配置差异化自动化业务规则；

62、基于分级结果，自动触发对应业务规则，生成执行指令，实时监控规则执行状态，获取业务终端返回的执行结果，将执行结果同步至供应商档案库。

63、基于人工智能驱动的信用风险数据处理系统，包括：数据采集模块、更新触发模块、评估优化模块；

64、所述数据采集模块，用于获取资质风险特征，构建供应商档案库，基于评估指标体系生成管控指标集，同步采集外部数据并进行风险识别，生成风险指标集，利用多源数据融合，生成供应动态向量；

65、所述更新触发模块，用于利用预动态触发阈值，实时监测上链的供应动态向量中各指标的波动情况，判定环境突变事件，从而生成事件触发信号，以触发共识判定机制，发起更新投票请求，进行共识判定，生成任务更新指令；

66、所述评估优化模块，用于根据所述任务更新指令，生成增量训练数据集，以对基准评估模型进行增量训练，生成候选评估模型，基于各个供应商最新的供应动态向量与候选评估模型，进行实时信用评估与分级。

67、本发明的有益效果：

68、通过整合内部业务数据与外部多源数据，生成表征供应商实时状态的供应动态向量并实现区块链存证，确保数据兼具动态性与可信性，打破传统静态数据集的局限，为模型适配动态环境提供高质量数据支撑，同时，区块链触发更新机制实时监测向量特征波动，结合动态触发阈值精准判定环境突变事件，避免模型对不可抗力等外部变化机械响应，并通过共识判定机制生成任务更新指令，基于增量数据对基准评估模型进行定向增量训练，既保留模型历史学习成果，又使其快速适配新数据模式，解决了传统静态模型更新滞后的问题，基于迭代后的模型实现实时信用评估与分级，分级结果与业务终端动态协同并触发差异化自动化规则，确保评估价值快速落地，既避免了传统评估结果与实际业务脱节导致的决策误导，又保护了优质供应商合作积极性，减少供应链合作风险与效率损耗，有效满足企业在复杂多变市场环境下对供应商精准监管的需求，保障供应链稳定性与可持续性。