(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210588519.0 (22)申请日 2022.05.27 (71)申请人 民生科技有限责任公司 地址 101300 北京市顺 义区马坡镇 顺安南 路86号 (72)发明人 李振　张晨星　张刚　李千惠　 张雨枫　高宇　文严　温静楠　 (74)专利代理 机构 北京金智普华知识产权代理 有限公司 1 1401 专利代理师 巴晓艳 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 40/02(2012.01) G06K 9/62(2022.01) (54)发明名称 一种基于多平台联合建模的授信额度评定 方法及级联系统 (57)摘要 本发明公开了一种基于多平台联合建模的 授信额度评定方法及级 联系统， 属于人工智能领 域， 包括： 接收客户提交授信申请后， 准接收平台 和准外带平台分别构建平台内部授信额度子模 型， 确定当前客户是否满足准入条件， 评估风险 等级评分； 将准外带平台的风险等级评分及客户 历史信息 数据加密后 传输至准接收平台， 并进行 数据解密， 得到解密外带数据； 将准接受平台得 到的风险等级评分与准外带平台发送的解密外 带数据进行数据融合， 得到最终的综合授信额 度。 本发明通过一种跨平台级联系统， 在符合各 平台信息安全管理要求的基础上实现信息交互 对称， 从而构建关于贸易通关企业的授信额度评 定方法， 为贸易通关企业提供相应的综合授信额 度。 权利要求书2页 说明书10页 附图2页 CN 115186973 A 2022.10.14 CN 115186973 A 1.一种基于多平台联合建模的授信额度评 定方法， 其特 征在于， 所述方法包括： S1： 授信额度子模型构建， 接收客户提交授信申请后， 准接收平台和准外带平台分别构 建平台内部授信额度子模型， 确定是否满足准入条件， 如满足则进行风险等级评估得到风 险等级评分； S2： 数据对接传输， 将准外带平台确定的风险等级评分及客户历史信息数据加密后传 输至准接收平台， 并进行 数据解密， 得到解密外带 数据； S3： 多模型融合， 将准接收平台得到的风险等级评分与准外带平台发送 的解密外带数 据进行数据融合， 得到最终的综合授信额度。 2.根据权利要求1所述的一种基于多平台联合建模的授信额度评定方法， 其特征在于， 所述S1具体包括： S1.1： 提取历史授信的客户信息， 构建当前客户的企业贷前信息完整数据集， 基于所述 企业贷前信息 完整数据集构造第一 衍生特征集， 并进行 预处理； S1.2： 针对所述第一 衍生特征集进行 特征选择， 形成第二 衍生特征集； S1.3： 根据平台内部的历史贷后数据， 确定客户准入负面清单， 确定当前客户是否存在 负面清单中任一情况， 如存在， 则客户不能准入， 流 程终止， 如不存在， 则进行 下一步； S1.4： 对当前客户进行风险等级评估， 通过逻辑回归评分卡模型结合当前客户的历史 贷后数据， 计算得到当前客户的风险等级评分。 3.根据权利要求2所述的一种基于多平台联合建模的授信额度评定方法， 其特征在于， 所述S1.2具体包括： S1.2.1： 对所述第一衍生特征集的变量进行证据权重编码处理得到证据权重编码特 征， 针对所述证据权重编码特征计算信息价值数值， 筛选信息价值数值大于0.02的证据权 重编码特 征； S1.2.2： 针对信息价值数值大于0.02的证据权重编码特征进行稳定度指标检验， 筛选 稳定度指标值小于 0.1的证据权 重编码特 征； S1.2.3： 针对稳定度指标值小于0.1的证据权重编码特征进行方差膨胀因子检验， 筛选 方差膨胀因子值小于 5的证据权 重编码特 征； S1.2.4： 针对方差膨胀因子值小于5的证据权重编码特征采用梯度提升树进行特征选 择， 形成第二 衍生特征集。 4.根据权利要求2所述的一种基于多平台联合建模的授信额度评定方法， 其特征在于， 所述S1.4中， 采用逻辑回归算法训练模型， 逻辑回归计算比率如下： log(odds)＝β0+β1x1+β2x2+…+βnxn， 其中， β0... βn为权重， 由模型训练得到， 根据客户逾期概率建立评分卡， 在建立标准评分卡之前， 选取评分卡参数： 比率/好坏 比p0、 其基础分值S0以及比率翻倍的分值r0， 评分卡的分值表示 为： Score＝A ‑Blog(odds) 其中， A为补偿， B为刻度， 根据基础分值S0和所述比率翻倍的分值r0计算得到， 变量 x1......xn为入模指标， 即 当前客户的历史贷后数据。 5.根据权利要求1所述的一种基于多平台联合建模的授信额度评定方法， 其特征在于， 所述S2中的所述数据加密过程中， 针对每个变量采用不同的映射规则， 且采用一次一密规权　利　要　求　书 1/2 页 2 CN 115186973 A 2则； 所述S2中的所述数据解密过程中， 解密密钥由准外带平台单独传送， 不经过准接收平 台。 6.根据权利要求5所述的一种基于多平台联合建模的授信额度评定方法， 其特征在于， 所述S2具体包括： S2.1： 数据加密， 对准外带平台确定的各客户的风险等级评分及客户历史信息数据进 行加密， 对分类变量和连续变量进行分别处理， 针对每个变量采用不同的映射规则， 且一个 完全随机的密钥只使用一次， 用这个密钥加密后销毁， 然后下次加密使用下一个完全随机 的密钥， 形成加密外带 数据； S2.2： 数据传输， 将所述加密数据采用专用渠道保密发送至准接收平台， 解密密钥由准 外带平台单独传送， 不经 过准接收平台； S2.3： 数据解密， 对于需要准接收平台进行数据关联匹配的字段， 采用明文传输； 对于 关联后的其余数据， 由准外带平台通过解密秘钥单独进行数据解密， 最终得到解密外带数 据。 7.根据权利要求6所述的一种基于多平台联合建模的授信额度评定方法， 其特征在于， 所述步骤S2.1中， 所述对分类 变量和连续变量进行分别处 理具体包括： 对于分类 变量， 将每 个码值处 理成范围内的随机数； 对于连续变量， 将用Y＝Ax+B的公式进行线性映射， 其中， Y为加密后数据， A和B为随机 秘钥， x为待处 理连续变量。 8.根据权利要求1所述的一种基于多平台联合建模的授信额度评定方法， 其特征在于， 所述步骤S3具体包括： S3.1： 采用动态神经网络模型、 机器学习库算法和随机森林算法作为第一层基学习器， 记为M1、 M2、 M 3； 分别对训练集进行 K折交叉验证； S3.2： 每次交叉验证对测试集进行预测， 其测试集的预测结果等于每个基学习器交叉 验证结果的平均值， 由此 得到第一层基学习器得到的预测结果； S3.3： 第二层学习器采用轻型梯度提升机回归模型对所述第 一层基学习器得到的预测 结果当作输入特 征， 再次进行训练， 最终得到客户的综合授信额度。 9.一种基于多平台联合建模的授信额度级联系统， 其特征在于， 所述系统包括： 处理器 和用于存储可执行指 令的存储器； 其中， 所述处理器被配置为执行所述可执行指 令， 以执行 根据权利要求1至8中任一项所述的基于多平台联合建模的授信额度评 定方法。 10.一种计算机可读存储介质， 其特征在于， 其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根据权利要求1至8 中任一项所述的基于多平台联合建模的授信额度 评定方法。权　利　要　求　书 2/2 页 3 CN 115186973 A 3