项目数据的风险评估方法、装置、设备及存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种项目数据的风险评估方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着科技的发展，数据爆炸性增长，对于数据的分析、评价也变得越来越重要，各个领域的项目落地都需要对数据进行具体分析。比如，对于信托公司的非标投融资金融项目来说，需要工作人员进行实际考察项目情况。
3.现有技术中，项目数据的风险评估方法存在以下问题：对于项目的评分体系不够完整，这样会导致评分流程过于复杂，评分效率低。并且评分体系也没有针对性，这样最终得到的评分不够准确。


技术实现要素：

4.本发明提供一种项目数据的风险评估方法、装置、设备及存储介质，其主要目的在于提高项目数据的风险评估效率及评分准确性。
5.为实现上述目的，本发明提供的一种项目数据的风险评估方法，包括：
6.获取预构建的原始项目数据及项目特性，并根据所述项目特性选择预构建的评分卡体系；
7.根据所述原始项目数据调用所述标签卡体系中预构建的主标签集，并根据所述主标签集构建主标签计算模型；
8.利用所述主标签计算模型对所述原始项目数据进行计算，得到所述原始项目数据的主标签评价；
9.接收历史项目数据，将所述历史项目数据转换得到特征向量，并根据所述特征向量及所述评分卡体系构建评分模型；
10.利用所述评分模型对所述主标签评价执行非线性降维，得到项目评分，根据所述项目评分得到评分结果。
11.可选地，所述获取预构建的原始项目数据及项目特性，并根据所述项目特性选择预构建的评分卡体系，包括：
12.将所述项目特性与预构建的评分卡体系集合进行匹配；
13.从所述评分卡体系集合中匹配出包含所述项目特性的标签卡体系。
14.可选地，所述根据所述原始项目数据调用所述标签卡体系中预构建的主标签集，并根据所述主标签集构建主标签计算模型，包括：
15.根据所述原始项目数据调用所述标签卡体系中预构建的主标签集，并分解所述主标签集中的每一个主标签，得到该主标签对应的m个次标签，整合所有所述次标签得到每一个主标签的次标签集。其中，所述m为正整数；
16.按照预设的解析方式分解所述次标签集中的每一个次标签，得到每个次标签对应
的n个决策因子，整合所有所述决策因子得到决策因子集，其中，所述n为正整数；
17.整合所述主标签集、所述次标签集及所述决策因子集得到所述主标签计算模型。
18.可选地，所述利用所述主标签计算模型对所述原始项目数据进行计算，得到所述原始项目数据的主标签评价，包括：
19.根据所述原始项目数据调用预构建的整数制规则；
20.根据所述整数制规则及所述原始项目数据，利用所述主标签计算模型计算得到每一个所述决策因子的分数，累加每一个次标签对应的n个决策因子分数得到次标签分数；
21.累加每一个主标签对应的m个次标签分数，得到所述主标签评价。
22.可选地，所述将所述历史项目数据转换得到特征向量，并根据所述特征向量及所述评分卡体系构建评分模型，包括：
23.利用所述历史项目数据构建线性矩阵；
24.计算所述线性矩阵的特征值，并将所述特征值转换为特征向量；
25.利用预构建的核函数对所述特征向量执行计算，得到评分模型构建数据；
26.根据所述评分模型构建数据构建得到所述评分模型。
27.可选地，所述利用所述评分模型对所述主标签评价执行非线性降维，得到项目数据的风险评估，根据所述项目数据的风险评估得到评分结果，包括：
28.通过所述评分模型对所述主标签评价进行降维，得到最终评分；
29.将所述最终评分关联预构建的可靠性评价标准，整合最终评分达到所述可靠性评价标准的项目，得到所述评分结果。
30.可选地，所述通过所述评分模型对所述主标签评价进行降维，得到最终评分，包括：
31.利用所述评分模型将所述主标签评价映射到不同的维度，得到不同维度集合；
32.将所述主标签评价在不同维度中最大的集合作为所述最终评分。
33.为了解决上述问题，本发明还提供一种数据库脚本发布装置，所述装置包括：
34.主标签计算模型构建模块，用于获取预构建的原始项目数据及项目特性，并根据所述项目特性选择预构建的评分卡体系，根据所述原始项目数据调用所述标签卡体系中预构建的主标签集，并根据所述主标签集构建主标签计算模型；
35.主标签评价计算模块，用于利用所述主标签计算模型对所述原始项目数据进行计算，得到所述原始项目数据的主标签评价；
36.评分模型构建模块，用于接收历史项目数据，将所述历史项目数据转换得到特征向量，并根据所述特征向量及所述评分卡体系构建评分模型；
37.评分结果计算模块，用于利用所述评分模型对所述主标签评价执行非线性降维，得到项目数据的风险评估，根据所述项目数据的风险评估得到评分结果。
38.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
39.至少一个处理器；以及，
40.与所述至少一个处理器通信连接的存储器；其中，
41.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的项目数据的风险评估方法。
42.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存
储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的项目数据的风险评估方法。
43.本发明通过根据项目特性选择评分卡体系，并根据所述评分卡体系构建主标签计算模型，进一步根据历史项目数据及所述评分卡体系构建评分模型，利用所述评分模型将历史数据与现有项目进行连接映射，提高了所述评分结果的准确性，并且可以对项目数据自动进行评分，无需测试人员手动进行分数评分。因此本发明提出的项目数据的风险评估方法、装置、电子设备及计算机可读存储介质，可以解决项目可靠性评分效率低的问题。
附图说明
44.图1为本发明一实施例提供的项目数据的风险评估方法的流程示意图；
45.图2为图1中其中一个步骤的详细实施流程示意图；
46.图3为本发明一实施例提供的项目数据的风险评估装置的功能模块图；
47.图4为本发明一实施例提供的实现所述项目数据的风险评估方法的电子设备的结构示意图。
48.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
49.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
50.本技术实施例提供一种项目数据的风险评估方法。所述项目数据的风险评估方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述项目数据的风险评估方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
51.参照图1所示，为本发明一实施例提供的项目数据的风险评估方法的流程示意图。在本实施例中，所述项目数据的风险评估方法包括：
52.s1.获取预构建的原始项目数据及项目特性，并根据所述项目特性选择预构建的评分卡体系；
53.本发明其中一个应用场景中，所述原始项目数据可以是非投标融资项目的财报数据，所述项目特性可以包括但不限于项目基本信息、业务分类信息、投融资方案信息、还款来源信息、交易结构信息、担保措施信息等。
54.进一步地，所述评分卡体系为对项目进行主标签评分的体系，包含预构建的主标签集、次标签集及决策因子集。本发明其中一个实施中，可以将所述主标签划分为5个区域，每个区域的分值分别为([0,1]、[1,2]、[2,3]、[3,4]、[4,5])。在所述评分卡体系中，每一个所述主标签对应m个的次标签，每个所述次标签又对应n个决策因子。
[0055]
具体地，本发明实施例将所述项目特性与预构建的评分卡体系集合进行匹配；从所述评分卡体系集合中匹配出包含所述项目特性的标签卡体系。
[0056]
s2.根据所述原始项目数据调用所述标签卡体系中预构建的主标签集，并根据所述主标签集构建主标签计算模型；
[0057]
本发明实施例中，所述主标签是从项目中提取出来的，比如，在信托公司应用场景
中，非标投融资项目可以划分为八大主标签：偿债主体、抵押保障、底层项目、行业评价、交易结构、投后管理、投资定价、增信方保障。所述主标签集是所述主标签的集合。
[0058]
具体的，参考图2所示，所述s2，包括：
[0059]
s20、根据所述原始项目数据调用所述标签卡体系中预构建的主标签集，并分解所述主标签集中的每一个主标签，得到该主标签对应的m个次标签，整合所有所述次标签得到每一个主标签的次标签集。其中，所述m为正整数；
[0060]
例如，在所述非投标融资项目数据的风险评估过程中，根据所述非投标融资项目的财报数据在所述预构建的主标签集中查找，选中包含所述财报数据的主标签集作为本次项目的主标签集。所述次标签集是次标签的集合，所述次标签是分解所述主标签得到的，例如，分解主标签“偿债主体”可以得到次标签“生产企业”、“银行”及“国际公益组织”等。
[0061]
s21、按照预设的解析方式分解所述次标签集中的每一个次标签，得到每个次标签对应的n个决策因子，整合所有所述决策因子得到决策因子集，其中，所述n为正整数。
[0062]
本发明实施例中，所述预设的解析方式可以是先定性后定量的解析方法。
[0063]
其中，所述定性的方式是根据所述次标签的种类进行分解，所述定量的方式是指根据所述次标签的数值大小进行分析。
[0064]
例如，对于次标签“银行”，先按照定性的方式将所述次标签“银行”分解为“证券”及“基金”等不同种类的因子，再将所述“证券”按照定量的方式分解为“小额证券”及“巨额证券”，将所述“基金”按照定量的方式分解为“小企业基金”及“集团基金”，汇总所述“小额证券”、“巨额证券”、“小企业基金”及“集团基金”得到所述次标签“银行”对应的决策因子。
[0065]
s22、整合所述主标签集、所述次标签集及所述决策因子集得到所述主标签计算模型。
[0066]
本发明实施例根据所述决策因子集的个数及种类得到预构建的参数b
j
及x
j
，根据所述次标签集的种类得到预构建的参数a
i
，根据所述b
j
、x
j
及a
i
构建得到所述主标签计算模型。
[0067]
其中，所述主标签计算模型是y＝σ(a
i
σb
j
x
j
),x∈[1,5],a,b∈(0,1],σb
j
＝1,σa
i
＝1；其中，所述y是所述每一个主标签评价，所述b
j
是所述决策因子得分，所述x
j
是所述决策因子，所述a
i
是所述次标签权重。
[0068]
本发明实施例通过构建主标签计算模型将所述主标签细化，使项目数据的风险评估更加具体，评分结果更加准确。
[0069]
s3.利用所述主标签计算模型对所述原始项目数据进行计算，得到所述原始项目数据的主标签评价；
[0070]
具体的，所述利用所述主标签计算模型对所述原始项目数据进行计算，得到所述原始项目数据的主标签评价，包括：
[0071]
根据所述原始项目数据调用预构建的整数制规则；
[0072]
根据所述整数制规则及所述原始项目数据，利用所述主标签计算模型计算得到每一个所述决策因子的分数，累加每一个次标签对应的n个决策因子分数得到次标签分数；
[0073]
累加每一个主标签对应的m个次标签分数，得到所述主标签评价。
[0074]
本发明实施例中，所述整数制规则是指所述决策因子按定性和定量两种方式，按照1分、2分、3分、4分、5分整数制映射所述评分卡体系,所述决策因子是分解所述次标签得
到的，例如，分解所述次标签“生产企业”，可以得到决策因子“钢铁生产企业”及“煤炭生产企业”等。
[0075]
s4.将所述历史项目数据转换得到特征向量，并根据所述特征向量及所述评分卡体系构建评分模型；
[0076]
本发明实施例中，所述历史项目数据是指已经进行过评分的项目数据。所述评分模型是指具有降维功能的计算模型。
[0077]
具体的，所述将所述历史项目数据转换得到特征向量，并根据所述特征向量及所述评分卡体系构建评分模型，包括：
[0078]
利用所述历史项目数据构建线性矩阵；
[0079]
计算所述线性矩阵的特征值，并将所述特征值转换为特征向量；
[0080]
利用预构建的核函数对所述特征向量执行计算，得到评分模型构建数据；
[0081]
根据所述评分模型构建数据及所述评分卡体系构建得到所述评分模型。
[0082]
比如，在信托公司应用场景中，可以将历史正常完成决策和放款的项目数据作为所述预构建的训练样本，通过所述历史正常完成决策、放款的项目数据及所述主标签构建特征向量参数|y|，将所述特征向量参数|y|输入到入径向基高斯核函数，求解预构建的参数α和β，即可得到所述评分模型；
[0083]
本发明实施例中，所述预构建的核函数可以是高斯核函数，其作用是简化计算步骤。所述评分模型可以是:
[0084]
f(y)＝sign((∑_(i＝1)^nα_i exp(
‑
|||y|
‑
|y^'|||/σ2 β_i)；
[0085]
其中，所述α、β、σ及n是通过所述特征向量得到的所述评分模型构建数据，所述y、i及n由所述评分卡体系提供，所述y是所述主标签评价。其中，i是一个连续变量，范围是1～n。所述n的取值是从所述决策因子的个数得到的，代表了所述决策因子的个数。
[0086]
本发明实施例通过构建得到所述评分模型，将历史数据与现有项目进行连接映射，提高了评分的准确。
[0087]
s5.利用所述评分模型对所述主标签评价执行非线性降维，得到项目数据的风险评估，根据所述项目数据的风险评估得到评分结果。
[0088]
本发明实施例中，所述非线性降维是指将所述主标签评价映射到高维空间，并找到最聚集的数据作为项目数据的风险评估，所述项目数据的风险评估是指通过所述评分模型得到的项目数据的风险评估，以及所述评分结果可以为项目可靠及项目不可靠.本发明实施例所利用所述评分模型对所述主标签评价执行非线性降维可以简化所述主标签评价，使所述评分结果更加准确。
[0089]
具体地，本发明实施例通过所述评分模型对所述主标签评价进行非线性降维，得到项目数据的风险评估，包括；
[0090]
将所述项目数据的风险评估与预构建的可靠性评价标准进行比较，得到所述评分结果。
[0091]
例如，将所述项目数据的风险评估与预构建的可靠性评价标准进行比较，若所述项目数据的风险评估大于所述可靠性评价标准，则所述评分结果为可靠，若所述项目数据的风险评估小于所述可靠性评价标准，则所述评分结果为不可靠。
[0092]
详细地，本发明实施例利用所述评分模型将所述主标签评价映射到不同的维度，
得到不同维度集合；将所述主标签评价在不同维度中最大的集合作为所述项目数据的风险评估。
[0093]
本发明实施例中，所述评分结果可以是对项目风险进行的评分，可以是风险高及风险低。
[0094]
本发明通过利用所述评分模型对所述主标签评价执行非线性降维使项目数据的风险评估更加具体，评分结果更加准确，通过自动进行评分计算，提高了可靠性评分效率。因此本发明实施例可以解决可靠性评分效率低的问题。
[0095]
如图3所示，是本发明一实施例提供的项目数据的风险评估装置的功能模块图。
[0096]
本发明所述项目数据的风险评估装置100可以安装于电子设备中。根据实现的功能，所述项目数据的风险评估装置100可以包括主标签计算模型构建模块101、主标签评价计算模块102、评分模型构建模块103及评分结果计算模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0097]
在本实施例中，关于各模块/单元的功能如下：
[0098]
所述主标签计算模型构建模块101，用于获取预构建的原始项目数据及项目特性，并根据所述项目特性选择预构建的评分卡体系，根据所述原始项目数据调用所述标签卡体系中预构建的主标签集，并根据所述主标签集构建主标签计算模型。
[0099]
本发明其中一个应用场景中，所述原始项目数据可以是非投标融资项目的财报数据，所述项目特性可以包括但不限于项目基本信息、业务分类信息、投融资方案信息、还款来源信息、交易结构信息、担保措施信息等。
[0100]
进一步地，所述评分卡体系为对于项目主标签进行评分的体系，包含预构建的主标签集、次标签集及决策因子集。本发明其中一个实施中，可以将所述主标签划分为5个区域，每个区域的分值分别为([0,1]、[1,2]、[2,3]、[3,4]、[4,5])。在所述评分卡体系中，每一个所述主标签对应m个的次标签，每个所述次标签又对应n个决策因子。
[0101]
具体地，本发明实施例将所述项目特性与预构建的评分卡体系集合进行匹配：从所述评分卡体系集合中匹配出包含所述项目特性的标签卡体系。
[0102]
进一步地，本发明实施例中，所述主标签是从项目中提取出来的，比如，在信托公司应用场景中，非标投融资项目可以划分为八大主标签：偿债主体、抵押保障、底层项目、行业评价、交易结构、投后管理、投资定价、增信方保障。所述主标签集是所述主标签的集合。
[0103]
具体的，在根据所述原始项目数据调用所述标签卡体系中预构建的主标签集，并根据所述主标签集构建主标签计算模型时，所述主标签计算模型构建模块101具体用于：根据所述原始项目数据调用所述标签卡体系中预构建的主标签集，并分解所述主标签集中的每一个主标签，得到该主标签对应的m个次标签，整合所有所述次标签得到每一个主标签的次标签集，其中，所述m为正整数；按照预设的解析方式分解所述次标签集中的每一个次标签，得到每个次标签对应的n个决策因子，整合所有所述决策因子得到决策因子集，其中，所述n为正整数；整合所述主标签集、所述次标签集及所述决策因子集得到所述主标签计算模型。
[0104]
例如，在所述非投标融资项目数据的风险评估过程中，根据所述非投标融资项目的财报数据在所述预构建的主标签集中查找，选中包含所述财报数据的主标签集作为本次
项目的主标签集。所述次标签集是次标签的集合，所述次标签是分解所述主标签得到的，例如，分解主标签“偿债主体”可以得到次标签“生产企业”、“银行”及“国际公益组织”等。
[0105]
进一步地，本发明实施例中，所述预设的解析方式可以是先定性后定量的解析方法。
[0106]
其中，所述定性的方式是根据所述次标签的种类进行分解，所述定量的方式是指根据所述次标签的数值大小进行分析。
[0107]
例如，对于次标签“银行”，先按照定性的方式将所述次标签“银行”分解为“证券”及“基金”等不同种类的因子，再将所述“证券”按照定量的方式分解为“小额证券”及“巨额证券”，将所述“基金”按照定量的方式分解为“小企业基金”及“集团基金”，汇总所述“小额证券”、“巨额证券”、“小企业基金”及“集团基金”得到所述次标签“银行”对应的决策因子。
[0108]
进一步地，本发明实施例根据所述决策因子集的个数及种类得到预构建的参数b
j
及x
j
，根据所述次标签集的种类得到预构建的参数a
i
，根据所述b
j
、x
j
及a
i
构建得到所述主标签计算模型。
[0109]
其中，所述主标签计算模型是y＝σ(a
i
σb
j
x
j
),x∈[1,5],a,b∈(0,1],σb
j
＝1,σa
i
＝1；其中，所述y是所述每一个主标签评价，所述b
j
是所述决策因子得分，所述x
j
是所述决策因子，所述a
i
是所述次标签权重。
[0110]
本发明实施例通过构建主标签计算模型将所述主标签细化，使项目数据的风险评估更加具体，评分结果更加准确。
[0111]
所述主标签评价计算模块102，用于利用所述主标签计算模型对所述原始项目数据进行计算，得到所述原始项目数据的主标签评价。
[0112]
具体地，所述主标签评价计算模块102根据所述原始项目数据调用预构建的整数制规则；根据所述整数制规则及所述原始项目数据，利用所述主标签计算模型计算得到每一个所述决策因子的分数，累加每一个次标签对应的n个决策因子分数得到次标签分数；累加每一个主标签对应的m个次标签分数，得到所述主标签评价。
[0113]
本发明实施例中，所述整数制规则是指所述决策因子按定性和定量两种方式，按照1分、2分、3分、4分、5分整数制映射所述评分卡体系,所述决策因子是分解所述次标签得到的，例如，分解所述次标签“生产企业”，可以得到决策因子“钢铁生产企业”及“煤炭生产企业”等。
[0114]
所述评分模型构建模块103，用于接收历史项目数据，将所述历史项目数据转换得到特征向量，并根据所述特征向量及所述评分卡体系构建评分模型。
[0115]
本发明实施例中，所述历史项目数据是指已经进行过评分的项目数据。所述评分模型是指具有降维功能的计算模型。
[0116]
具体地，所述评分模型构建模块103利用所述历史项目数据构建线性矩阵；计算所述线性矩阵的特征值，并将所述特征值转换为特征向量；利用预构建的核函数对所述特征向量执行计算，得到评分模型构建数据；根据所述评分模型构建数据及所述评分卡体系构建得到所述评分模型。
[0117]
比如，在信托公司应用场景中，可以将历史正常完成决策和放款的项目数据作为所述预构建的训练样本，通过所述历史正常完成决策、放款的项目数据及所述主标签构建特征向量参数|y|，将所述特征向量参数|y|输入到入径向基高斯核函数，求解预构建的参
数α和β，即可得到所述评分模型；
[0118]
本发明实施例中，所述预构建的核函数可以是高斯核函数，其作用是简化计算步骤。所述评分模型可以是:
[0119]
f(y)＝sign((∑_(i＝1)^nα_i exp(
‑
|||y|
‑
|y^'|||/σ2 β_i)；
[0120]
其中，所述α、β、σ及n是通过所述特征向量得到的所述评分模型构建数据，所述y、i及n由所述评分卡体系提供，所述y是所述主标签评价。其中，i是一个连续变量，范围是1～n。所述n的取值是从所述决策因子的个数得到的，代表了所述决策因子的个数。
[0121]
本发明实施例通过构建得到所述评分模型，将历史数据与现有项目进行连接映射，提高了评分的准确。
[0122]
所述评分结果计算模块104，用于利用所述评分模型对所述主标签评价执行非线性降维，得到项目数据的风险评估，根据所述项目数据的风险评估得到评分结果。
[0123]
本发明实施例中，所述非线性降维是指将所述主标签评价映射到高维空间，并找到最聚集的数据作为项目数据的风险评估，所述项目数据的风险评估是指通过所述评分模型得到的项目数据的风险评估，以及所述评分结果可以为项目可靠及项目不可靠.本发明实施例所利用所述评分模型对所述主标签评价执行非线性降维可以简化所述主标签评价，使所述评分结果更加准确。
[0124]
具体地，所述评分结果计算模块104将所述项目数据的风险评估与预构建的可靠性评价标准进行比较，得到所述评分结果。
[0125]
例如，将所述项目数据的风险评估与预构建的可靠性评价标准进行比较，若所述项目数据的风险评估大于所述可靠性评价标准，则所述评分结果为可靠，若所述项目数据的风险评估小于所述可靠性评价标准，则所述评分结果为不可靠。
[0126]
详细地，本发明实施例所述评分结果计算模块104利用所述评分模型将所述主标签评价映射到不同的维度，得到不同维度集合；将所述主标签评价在不同维度中最大的集合作为所述项目数据的风险评估。
[0127]
本发明实施例中，所述评分结果可以是对项目风险进行的评分，可以是风险高及风险低。
[0128]
如图4所示，是本发明一实施例提供的项目数据的风险评估方法的电子设备的结构示意图，包括处理器111、通信接口112、存储器113和通信总线114，其中，处理器111，通信接口112，存储器113通过通信总线114完成相互间的通信，
[0129]
存储器113，用于存放计算机程序，如项目数据的风险评估程序；
[0130]
在本技术一个实施例中，处理器111，用于执行存储器113上所存放的程序时，实现前述任意一个方法实施例提供的项目数据的风险评估方法，包括：
[0131]
获取预构建的原始项目数据及项目特性，并根据所述项目特性选择预构建的评分卡体系；
[0132]
根据所述原始项目数据调用所述标签卡体系中预构建的主标签集，并根据所述主标签集构建主标签计算模型；
[0133]
利用所述主标签计算模型对所述原始项目数据进行计算，得到所述原始项目数据的主标签评价；
[0134]
接收历史项目数据，将所述历史项目数据转换得到特征向量，并根据所述特征向
量及所述评分卡体系构建评分模型；
[0135]
利用所述评分模型对所述主标签评价执行非线性降维，得到项目数据的风险评估，根据所述项目数据的风险评估得到评分结果。
[0136]
上述通信总线114可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该通信总线114可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0137]
通信接口112用于上述电子设备与其他设备之间的通信。
[0138]
存储器113可以包括随机存取存储器(randomaccessmemory，简称ram)，也可以包括非易失性存储器(non
‑
volatilememory)，例如至少一个磁盘存储器。可选的，存储器113还可以是至少一个位于远离前述处理器111的存储装置。
[0139]
上述的处理器111可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field
‑
programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0140]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0141]
获取预构建的原始项目数据及项目特性，并根据所述项目特性选择预构建的评分卡体系；
[0142]
根据所述原始项目数据调用所述标签卡体系中预构建的主标签集，并根据所述主标签集构建主标签计算模型；
[0143]
利用所述主标签计算模型对所述原始项目数据进行计算，得到所述原始项目数据的主标签评价；
[0144]
接收历史项目数据，将所述历史项目数据转换得到特征向量，并根据所述特征向量及所述评分卡体系构建评分模型；
[0145]
利用所述评分模型对所述主标签评价执行非线性降维，得到项目数据的风险评估，根据所述项目数据的风险评估得到评分结果。
[0146]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。
[0147]
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，即可以位于一个地方，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。
[0148]
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。
[0149]
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。
[0150]
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关联图标记视为限制所涉及的权利要求。
[0151]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0152]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求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。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0153]
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。