对象的信用风险监管方法、装置、服务器及存储介质与流程

1.本发明实施例涉及信息处理技术领域，尤其涉及一种对象的信用风险监管方法、装置、服务器及存储介质。


背景技术：

2.商事制度改革以来，市场活力得以激发，市场主体对象(例如：商户)总量激增，这为市场监管带来了较大挑战，如何对市场主体对象的信用风险进行监管是一个亟待解决的问题。
3.相关技术中采用的解决方案是：对市场主体对象的开放数据(例如：商户的工商行政数据)进行分析，以确定其信用风险等级。
4.然而这种方案，涉及到的数据较为冗杂导致计算量大，效率较低。此外，这种方案中仅参考了开放数据，覆盖面不够广，得出的信用风险等级不够精准。


技术实现要素：

5.本发明实施例提供一种对象的信用风险监管方法、装置、服务器及存储介质，以高效且精准地对目标对象的信用风险进行监管。
6.本发明实施例第一方面提供了一种对象的信用风险监管方法，应用于网络服务平台，所述方法包括：
7.获取入驻所述网络服务平台的目标对象在入驻期间产生的数据，并获取所述目标对象的开放数据；
8.根据所述目标对象在入驻期间产生的数据和所述目标对象的开放数据，预测所述目标对象的信用风险等级；
9.根据所述目标对象的信用风险等级，生成针对所述目标对象的监管措施，所述监管措施包括：平台监管措施和/或公共监管措施。
10.可选地，所述方法还包括：
11.向公共监管系统发送所述目标对象的信用风险等级，以及针对所述目标对象的公共监管措施。
12.可选地，所述方法还包括：
13.获得所述目标对象对所述平台监管措施和/或所述公共监管措施的反馈行为数据；
14.根据所述反馈行为数据，再次预测所述目标对象的信用风险等级。
15.可选地，所述方法还包括：
16.获得影响信用风险等级的多个指标以及所述多个指标各自对应的权重，所述多个指标的维度包括平台数据维度和开放数据维度；
17.将多个对象各自在所述多个指标下的数据输入信用风险基准模型，根据所述信用风险基准模型的输出，对所述多个对象的信用风险等级进行标注，得到训练样本，其中，所
述信用风险基准模型用于按照所述多个指标各自的权重，对所述多个指标下的数据进行加权处理；
18.利用所述训练样本，对机器学习模型进行训练，得到信用风险预测模型；
19.根据所述目标对象在入驻期间产生的数据和所述目标对象的开放数据，预测所述目标对象的信用风险等级，包括：
20.将所述目标对象在入驻期间产生的数据和所述目标对象的开放数据，输入所述信用风险预测模型，得到所述目标对象的信用风险等级。
21.可选地，所述方法还包括：
22.根据多个对象已知的市场监管数据，对所述多个对象的信用风险等级进行标注，得到补充训练样本；
23.利用所述训练样本，对机器学习模型进行训练，得到信用风险预测模型，包括：
24.利用所述训练样本和所述补充训练样本，对机器学习模型进行训练，得到信用风险预测模型。
25.可选地，获取入驻所述网络服务平台的目标对象在入驻期间产生的数据，包括以下至少一者：
26.获取所述目标对象入驻所述网络服务平台的注册数据；
27.获取所述目标对象在入驻期间产生的订单的交易数据和用户评价数据；
28.获取所述目标对象在入驻期间产生的平台违规数据；
29.获取所述网络服务平台针对所述目标对象的历史管控数据。
30.本发明实施例第二方面提供了一种对象的信用风险监管装置，应用于网络服务平台，所述装置包括：
31.数据获取模块，用于获取入驻所述网络服务平台的目标对象在入驻期间产生的数据，并获取所述目标对象的开放数据；
32.预测模块，用于根据所述目标对象在入驻期间产生的数据和所述目标对象的开放数据，预测所述目标对象的信用风险等级；
33.生成模块，用于根据所述目标对象的信用风险等级，生成针对所述目标对象的监管措施，所述监管措施包括：平台监管措施和/或公共监管措施。
34.可选地，所述装置还包括：
35.发送模块，用于向公共监管系统发送所述目标对象的信用风险等级，以及针对所述目标对象的公共监管措施。
36.可选地，所述装置还包括：
37.反馈行为数据获得模块，用于获得所述目标对象对所述平台监管措施和/或所述公共监管措施的反馈行为数据；
38.再次预测模块，用于根据所述反馈行为数据，再次预测所述目标对象的信用风险等级。
39.可选地，所述装置还包括：
40.指标获得模块，用于获得影响信用风险等级的多个指标以及所述多个指标各自对应的权重，所述多个指标的维度包括平台数据维度和开放数据维度；
41.训练样本确定模块，用于将多个对象各自在所述多个指标下的数据输入信用风险
基准模型，根据所述信用风险基准模型的输出，对所述多个对象的信用风险等级进行标注，得到训练样本，其中，所述信用风险基准模型用于按照所述多个指标各自的权重，对所述多个指标下的数据进行加权处理；
42.训练模块，用于利用所述训练样本，对机器学习模型进行训练，得到信用风险预测模型；
43.所述预测模块包括：
44.输入子模块，用于将所述目标对象在入驻期间产生的数据和所述目标对象的开放数据，输入所述信用风险预测模型，得到所述目标对象的信用风险等级。
45.可选地，所述装置还包括：
46.补充训练样本确定模块，用于根据多个对象已知的市场监管数据，对所述多个对象的信用风险等级进行标注，得到补充训练样本；
47.所述训练模块包括：
48.训练子模块，用于利用所述训练样本和所述补充训练样本，对机器学习模型进行训练，得到信用风险预测模型。
49.可选地，所述数据获取模块包括以下至少一者：
50.注册数据获取子模块，用于获取所述目标对象入驻所述网络服务平台的注册数据；
51.交易数据获取子模块，用于获取所述目标对象在入驻期间产生的订单的交易数据和用户评价数据；
52.平台违规数据获取子模块，用于获取所述目标对象在入驻期间产生的平台违规数据；
53.历史管控数据获取子模块，用于获取所述网络服务平台针对所述目标对象的历史管控数据。
54.本发明实施例第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明第一方面所述的对象的信用风险监管方法中的步骤。
55.本发明实施例第四方面提供一种服务器，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，所述处理器执行时实现本发明第一方面所述的对象的信用风险监管方法的步骤。
56.本发明实施例提供的对象的信用风险监管方法，利用目标对象在网络服务平台上产生的数据及其开放数据，共同预测目标对象的信用风险等级，并且可以根据预测得到的信用风险等级，生成对应的监管措施，所述监管措施包括：平台监管措施和/或公共监管措施，以使平台和/或政府对目标对象进行高效且精准地监管，以使平台对目标对象进行高效且精准地监管。
57.由于开放数据涉及到的都是明确的信用风险相关数据(例如：行政处罚、经营异常等)，因此，仅依靠开放数据确定信用风险，实际上仅能确定出显而易见的信用风险。
58.而在本发明中，预测目标对象的信用风险等级时考虑了目标对象在网络服务平台上产生的数据，这些数据(例如：用户评价数据、平台违规数据)反映了目标对象的实际交易全过程，利用反映目标对象的实际交易全过程的数据，可以更加精准地预测出目标对象的信用风险等级；进一步地，利用反映目标对象的交易中数据，可以预测目标对象在交易中的
信用风险等级，利用利用反映目标对象的交易后数据，可以预测目标对象在交易后的信用风险等级。
59.在相关技术中，确定目标对象的信用风险等级，仅是用于对目标对象进行市场监管，例如停业整顿。在本发明中，在确定目标对象的信用风险等级之后，不仅仅可以根据该信用风险等级对该目标对象进行市场监管，在本发明中，由于涉及到网络服务平台的数据，则网络服务平台还可以根据预测得到的信用风险等级，生成相应的平台监管措施，例如：合规经营培训，以更好的对网络服务平台上的各个对象进行信用风险监管，及时发现各个对象可能存在的信用风险隐患，使得网络服务平台可以对外提供更加优质的服务。
附图说明
60.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。
61.图1是本发明实施例的一种对象的信用风险监管方法的流程图；
62.图2是本发明实施例的一种信用风险预测模型训练方法的流程图；
63.图3是本发明实施例的一种的对象的信用风险监管装置的结构框图。
具体实施方式
64.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
65.参照图1，示出了本发明实施例的一种对象的信用风险监管方法的流程图，本发明实施例的一种对象的信用风险监管方法，应用于网络服务平台。具体可以包括以下步骤：
66.s101，获取入驻所述网络服务平台的目标对象在入驻期间产生的数据，并获取所述目标对象的开放数据。
67.在本实施例中，目标对象可以为入驻网络服务平台(例如：o2o平台)的商家，从而网络服务平台可以获取该商家在入驻期间产生的数据，例如：商家注册数据、订单交易数据、用户评价数据、平台违规数据、历史管控数据等。
68.在本实施例中，为了对目标对象的信用风险等级进行预测，还可以获取商家的开放数据，在本实施例中，目标对象的开放数据是指商家对外公开的经营相关数据，例如：可以是来源于“天眼查”的商家公开信息、市场监管部门的商家相关信息、工商行政部门的商家相关信息等。
69.在本实施例中，目标对象还可以为在网络服务平台上进行注册的用户，从而网络服务平台可以获取该用户在该网络服务平台上产生的数据(例如：订单数据、评价数据、注册数据、平台违规数据等)，以及该用户的开放数据(例如：个人征信数据)，从而对该用户的信用风险进行预测。
70.在本实施例中，目标对象也可以为没有在网络服务平台上进行注册的商户，在这种情况下，则可以仅获取该目标对象的开放数据进行信用风险等级预测。
71.可以理解，在本发明实施例中，目标对象既可以为企业、商家，也可以为个人，为了
便于理解，后文将以目标对象为商家进行说明。
72.可选地，在本实施例中，步骤s101，包括以下至少一个子步骤：
73.s1011，获取所述目标对象入驻所述网络服务平台的注册数据。
74.s1012，获取所述目标对象在入驻期间产生的订单的交易数据和用户评价数据。
75.s1013，获取所述目标对象在入驻期间产生的平台违规数据。
76.s1014，获取所述网络服务平台针对所述目标对象的历史管控数据。
77.s102，根据所述目标对象在入驻期间产生的数据和所述目标对象的开放数据，预测所述目标对象的信用风险等级。
78.在本实施例中，可以通过已有的机器学习模型，基于目标对象的网络服务平台数据和开放数据，预测目标对象的信用风险等级，例如：贝叶斯算法、c4.5算法等。
79.在本实施例中，还可以通过统计的方法，得到多个判断指标和各个指标的权重，以利用多个判断指标和多个指标的权重计算得到目标对象的信用风险等级。
80.s103，根据所述目标对象的信用风险等级，生成针对所述目标对象的监管措施，所述监管措施包括：平台监管措施和/或公共监管措施。
81.在本实施例中，生成的监管措施中，既可以包括平台对目标对象的监管措施，也可以包括公共系统对目标对象的监管措施，以使平台和政府均可以对目标对象进行高效且精准地监管。
82.在本实施例中，可以基于目标对象的信用风险等级，得到对目标对象的平台监管措施建议，以使平台对目标对象进行监管，例如：对于信用风险等级较高的目标对象，可以对其采取平台管控措施，而对于信用风险等级较低的目标对象，可以对其进行平台经营引导。
83.在本实施例中，还可以基于目标对象的信用风险等级，得到对目标对象的公共监管措施建议，以使公共系统对目标对象进行监管。在本实施例中，公共监管措施，具体可以为市场监管措施，例如：对于信用风险等级较高的目标对象，可以对其采取市场管控措施，而对于信用风险等级较低的目标对象，可以对其发放经营补贴、开通便捷通道等。
84.在一种可选的实施方式中，所述方法还包括以下步骤：
85.s104，向公共监管系统发送所述目标对象的信用风险等级，以及针对所述目标对象的公共监管措施。
86.在本实施例中，可以将得到的公共监管措施和目标对象的信用风险等级发送到公共监管系统，以辅助公共监管系统对目标对象进行信用监管。
87.在本实施例中，可以自动且准确的预测出各个对象的信用风险等级。由于本发明在信用风险等级预测过程中利用了网络服务平台数据，因此，本发明可以在网络服务平台上的各个交易过程中发现一些非常规的对象信用风险(例如：刷单、红包套现的话)，进而及时解决各个对象可能存在的信用风险隐患，实现更加高效的信用风险监管，使得网络服务平台可以对外提供更加优质的服务。
88.s105，获得所述目标对象对所述平台监管措施和/或所述公共监管措施的反馈行为数据；根据所述反馈行为数据，再次预测所述目标对象的信用风险等级。
89.在本实施例中，在网络服务平台或者公共监管系统对目标对象采取监管措施之后，进一步获得目标对象的反馈行为数据，并将该反馈行为数据更新到目标对象的信用风
险预测数据中，基于更新后的信用风险预测数据对目标对象的信用风险等级再次进行预测。
90.举例而言，网络服务平台可以对信用风险等级较高的商家进行合规经营培训，从而可以得到商家的培训结果反馈，若培训结果较好，则该商家的信用风险等级相应的会降低。
91.在本实施例中，将用户对管控措施的反馈行为数据进一步用到信用风险预测过程中，可以得到实时更新的信用风险预测等级。
92.在本实施例中，网络服务平台可以对各个对象进行信用风险等级预测，再根据预测结果对各个对象采取相应的监管措施，并得到各个对象的反馈行为信息，再将这些反馈行为信息补充到预测模型中，对各个对象的信用风险等级进行更新，从而实现网络服务平台信用监管的良性循环。
93.参照图2，示出本发明实施例中的一种信用风险预测模型训练方法，利用本发明实施例提供的信用风险预测模型训练方法训练得到的信用风险预测模型可以用于对包括以下步骤：
94.s201，获得影响信用风险等级的多个指标以及所述多个指标各自对应的权重，所述多个指标的维度包括平台数据维度和开放数据维度。
95.在本实施例中，可以通过历史经验确定出影响信用风险等级的多个指标，并基于各个指标自身的特性，结合客观赋权方法确定各个指标的“重要性权重”。在本实施中，多个指标可以基于以下信息得到：基础属性信息、历史违规信息、能力评价信息、动态行为信息、关联关系信息。其中，基础属性信息包括：经营年限、注册资本、所属行业、等级许可等，历史违规信息包括：经营异常信息、失信被执行信息等，能力评价信息包括：负债信息、收入信息、亏损信息、资产变动等，动态行为信息包括：重大经营决策信息等，关联关系信息包括：关联企业信息、外部重大决策信息等。
96.在本实施例中，多个指标维度包括平台数据维度和开放数据维度，从而可以基于平台数据和开放数据共同确定对象的信用风险等级。
97.s202，将多个对象各自在所述多个指标下的数据输入信用风险基准模型，根据所述信用风险基准模型的输出，对所述多个对象的信用风险等级进行标注，得到训练样本。
98.其中，所述信用风险基准模型用于按照所述多个指标各自的权重，对所述多个指标下的数据进行加权处理。
99.在本实施例中，在确定多个指标和多个指标各自对应的权重之后，可以按照加乘混合算法得到信用风险基准模型，进一步地，还可以通过设定风险等级阈值，得到多个信用风险等级。
100.在本实施例中，多个指标包括：从平台数据中分析得到的指标，例如：虚假交易次数、是否存在刷单行为、用户评分等；从开放数据中分析得到的指标，例如：失信被执行数量、行政处罚次数等；以及平台数据和开放数据相结合分析得到的指标，例如：执照是否有效、被投诉次数等。
101.在本实施例中，可以对对象的平台数据和开放数据进行收集、抽取、分析，得到多个对象各自在多个指标下的数据。
102.在本实施例中，可以利用多个对象的各自在多个指标下的数据和信用风险基准模
型确定多个对象的信用风险等级，并对多个对象进行标注，以得到带信用风险等级标签的训练样本。
103.s203，利用所述训练样本，对机器学习模型进行训练，得到信用风险预测模型。
104.在本实施方式中，上述步骤s103具体包括：
105.将所述目标对象在入驻期间产生的数据和所述目标对象的开放数据，输入所述信用风险预测模型，得到所述目标对象的信用风险等级。
106.在本实施例中，训练得到的信用风险预测模型，可以基于目标对象的平台数据和开放数据，预测得到目标对象的信用风险等级。
107.在一种可选的实施方式中，所述方法还包括以下步骤：
108.s204，根据多个对象已知的市场监管数据，对所述多个对象的信用风险等级进行标注，得到补充训练样本。
109.在实际应用中，公共监管系统会对企业或者商家进行抽检，并判断其信用风险等级，得到市场监管数据，从而，在本实施例中，可以将这些实际的信用风险等级划分结果，用作补充训练样本对机器学习模型进行训练。
110.在本实施方式中，上述步骤s203具体包括：
111.利用所述训练样本和所述补充训练样本，对机器学习模型进行训练，得到信用风险预测模型。
112.在本实施例中，利用两种训练样本训练得到的信用风险预测模型，对对象的信用风险预测结果可以更加贴合实际。
113.基于同一发明构思，本发明实施例提供一种对象的信用风险监管装置。参考图3，图3是本发明实施例提供的对象的信用风险监管装置的示意图。
114.如图3所示，该装置包括：
115.数据获取模块301，用于获取入驻所述网络服务平台的目标对象在入驻期间产生的数据，并获取所述目标对象的开放数据；
116.预测模块302，用于根据所述目标对象在入驻期间产生的数据和所述目标对象的开放数据，预测所述目标对象的信用风险等级；
117.生成模块303，用于根据所述目标对象的信用风险等级，生成针对所述目标对象的监管措施，所述监管措施包括平台监管措施和/或公共监管措施。
118.可选地，所述装置还包括：
119.发送模块，用于向公共监管系统发送所述目标对象的信用风险等级，以及针对所述目标对象的公共监管措施。
120.可选地，所述装置还包括：
121.反馈行为数据获得模块，用于获得所述目标对象对所述平台监管措施和/或所述公共监管措施的反馈行为数据；
122.再次预测模块，用于根据所述反馈行为数据，再次预测所述目标对象的信用风险等级。
123.可选地，所述装置还包括：
124.指标获得模块，用于获得影响信用风险等级的多个指标以及所述多个指标各自对应的权重，所述多个指标的维度包括平台数据维度和开放数据维度；
125.训练样本确定模块，用于将多个对象各自在所述多个指标下的数据输入信用风险基准模型，根据所述信用风险基准模型的输出，对所述多个对象的信用风险等级进行标注，得到训练样本，其中，所述信用风险基准模型用于按照所述多个指标各自的权重，对所述多个指标下的数据进行加权处理；
126.训练模块，用于利用所述训练样本，对机器学习模型进行训练，得到信用风险预测模型；
127.所述预测模块包括：
128.输入子模块，用于将所述目标对象在入驻期间产生的数据和所述目标对象的开放数据，输入所述信用风险预测模型，得到所述目标对象的信用风险等级。
129.可选地，所述装置还包括：
130.补充训练样本确定模块，用于根据多个对象已知的市场监管数据，对所述多个对象的信用风险等级进行标注，得到补充训练样本；
131.所述训练模块302包括：
132.训练子模块，用于利用所述训练样本和所述补充训练样本，对机器学习模型进行训练，得到信用风险预测模型。
133.可选地，所述数据获取模块301包括以下至少一者：
134.注册数据获取子模块，用于获取所述目标对象入驻所述网络服务平台的注册数据；
135.交易数据获取子模块，用于获取所述目标对象在入驻期间产生的订单的交易数据和用户评价数据；
136.平台违规数据获取子模块，用于获取所述目标对象在入驻期间产生的平台违规数据；
137.历史管控数据获取子模块，用于获取所述网络服务平台针对所述目标对象的历史管控数据。
138.本发明实施例第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例所述的对象的信用风险监管方法中的步骤。
139.本发明实施例第四方面提供一种服务器，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，所述处理器执行时实现上述任一实施例所述的对象的信用风险监管方法中的步骤。
140.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
141.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
142.本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
143.本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序
产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
144.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
145.这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
146.尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
147.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
148.以上对本发明所提供的一种对象的信用风险监管方法、装置、服务器及存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。