(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 202210833959.8 (22)申请日 2022.07.15 (71)申请人 中国建设银行股份有限公司 地址 100033 北京市西城区金融大街25号 申请人 建信金融科技有限责任公司 (72)发明人 江涛　 (74)专利代理 机构 北京东方亿 思知识产权代理 有限责任公司 1 1258 专利代理师 赵秀芹 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) (54)发明名称 信用评估方法、 装置、 设备及计算机存储介 质 (57)摘要 本申请公开了一种信用评估方法、 装置、 设 备及计算机存储介质， 获取目标对象的特征信 息， 其中目标对象为待评估的企业， 特征信息包 括企业基本信息、 企业工商信息、 企业人员的基 本信息和企业人员的账户信息， 剔除特征信息中 的无效特征， 得到第一特征， 确定无效特征中符 合专家经验的第二特征， 将第一特征和第二特征 进行组合， 得到目标对象的目标特征， 将目标特 征输入预先训练好的信用评估模型得到信用评 估结果， 信用评估结果表征目标对象的信用是否 合格。 根据本申请实施例， 对待评估企业的关键 信息进行分析， 提炼其中的统计显著性高的特 征， 基于目标特征利用模型对企业进行信用评 估， 提高了风险企业的排除效率和准确率， 从而 有效减少信贷损失。 权利要求书2页 说明书13页 附图4页 CN 115205026 A 2022.10.18 CN 115205026 A 1.一种信用评估方法， 其特 征在于， 包括： 获取目标对象的特征信息， 所述目标对象为待进行信用评估的企业， 所述特征信息包 括企业基本信息、 企业工商信息、 企业人员的基本信息和企业人员的账户信息； 剔除所述特 征信息中的无效特 征， 得到第一特 征； 确定所述无效特 征中符合专 家经验的第二特 征； 将所述第一特 征和所述第二特 征进行组合， 得到所述目标对象的目标 特征； 将所述目标特征输入预先训练好的信用评估模型得到信用评估结果， 所述信用评估结 果表征所述 目标对象的信用是否合格， 其中， 所述信用评估模型为使用多组训练数据通过 机器学习训练得出 的， 所述多组训练数据包括第一类训练数据和第二类训练数据， 所述第 一类训练数据中的每组训练数据均包括信用合格对 象的目标特征和标识该对 象信用合格 的标签， 所述第二类训练数据中的每组训练数据均包括信用不合格对象的目标特征和标识 该对象信用不 合格的标签。 2.根据权利要求1所述的方法， 其特征在于， 所述剔除所述特征信息中的无效特征， 得 到第一特 征， 包括： 剔除所述特征信 息中稳定性大于第 一阈值的无效特征、 信 息量小于第 二阈值的无效特 征、 单变量分析的分析结果不满足预设条件的无效特征和多变量分析的分析结果不满足预 设条件的无效特 征， 得到第一特 征。 3.根据权利要求2所述的方法， 其特征在于， 所述剔除所述特征信 息中单变量分析的分 析结果不满足预设条件的无效特 征， 包括： 剔除所述特 征信息中业 务含义与经验不符的无效特 征。 4.根据权利要求2所述的方法， 其特征在于， 所述剔除所述特征信 息中多变量分析的分 析结果不符合预设条件的无效特 征， 包括： 确定所述特征信息中的相关特征， 所述相关特征为与其他特征之间存在相关性的特 征； 将所述相关特 征中除了需要保留的特 征之外的其 他特征作为无效特 征进行剔除。 5.根据权利要求1所述的方法， 其特征在于， 所述剔除所述特征信息中的无效特征之 前， 所述方法还 包括： 对所述特 征信息进行聚合 衍生， 得到衍 生信息； 将所述特 征信息和所述 衍生信息组合， 得到原 始特征信息； 所述剔除所述特 征信息中的无效特 征， 包括： 剔除所述原 始特征信息中的无效特 征。 6.根据权利要求5所述的方法， 其特征在于， 所述对所述特征信息进行聚合衍生， 得到 衍生信息， 包括： 对所述企业人员的基本信 息中的连续属性信 息采用第 一衍生算法进行聚合衍生， 得到 第一衍生信息， 其中， 所述第一衍生算法包括下述算法中的一种或多种： 求和算法、 极大值 算法、 极小值 算法、 平均值 算法、 数量 算法或中位数算法； 对所述企业人员的基本信 息中的离散属性信 息采用第 二衍生算法进行聚合衍生， 得到 第二衍生信息， 其中， 所述第二衍生算法包括下述算法中的一种或多种： 众数算法或属性类 别数量算法；权　利　要　求　书 1/2 页 2 CN 115205026 A 2将所述第一 衍生信息和所述第二 衍生信息进行组合， 得到衍 生信息。 7.根据权利要求1所述的方法， 其特征在于， 所述剔除所述特征信息中的无效特征之 前， 所述方法还 包括： 对所述特征信息进行数据预处理， 其中， 所述数据预处理包括缺失值处理、 重复值处 理、 异常值处 理和/或错 误值处理。 8.一种信用评估 装置， 其特 征在于， 包括： 获取单元， 用于获取目标对象的特征信 息， 所述目标对象为待进行信用评估的企业， 所 述特征信息包括企业基本信息、 企业工商信息、 企业人员的基本信息和企业人员的账户信 息； 剔除单元， 用于剔除所述特 征信息中的无效特 征， 得到第一特 征； 回选单元， 用于确定所述无效特 征中符合专 家经验的第二特 征； 组合单元， 用于将所述第一特征和所述第二特征进行组合， 得到所述目标对象的目标 特征； 模型单元， 用于将所述目标特征输入预先训练好的信用评估模型得到信用评估结果， 所述信用评估结果表征所述 目标对象的信用是否合格， 其中， 所述信用评估模型为使用多 组训练数据通过机器学习训练得出的， 所述多组训练数据包括第一类训练数据和 第二类训 练数据， 所述第一类训练数据中的每组训练数据均包括信用合格对象的目标特征和标识该 对象信用合格的标签， 所述第二类训练数据中的每组训练数据均包括信用不合格对象的目 标特征和标识该对象信用不 合格的标签。 9.一种信用评估设备， 其特征在于， 所述设备包括： 处理器以及存储有计算机程序指令 的存储器； 所述处理器执行所述计算机程序指令时实现如权利要求1 ‑7任意一项所述的信用评估 方法。 10.一种计算机存储介质， 其特征在于， 所述计算机存储介质上存储有计算机程序指 令， 所述计算机程序指令被处理器执行时实现如权利要求1 ‑7任意一项所述的信用评估方 法。权　利　要　求　书 2/2 页 3 CN 115205026 A 3