(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 202210879053.X (22)申请日 2022.07.25 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 刘加贝　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 王首峰　任默闻 (51)Int.Cl. G06Q 40/02(2012.01) G06N 20/00(2019.01) (54)发明名称 一种企业信用风险评估处 理方法及装置 (57)摘要 本发明提供一种企业信用风险评估处理方 法及装置， 涉及风险评估技术领域， 可用于金融 领域或其他技术领域。 所述方法包括： 获取企业 相关数据， 对所述企业相关数据进行预处理， 得 到初始特征数据； 对所述初始特征数据进行特征 工程处理， 得到对企业信用风险评估 具有显性影 响的特征数据； 基于预设信用评分卡模型对所述 特征数据进行信用风险评估， 得到第一评分结 果， 以及基于预设信用评分模型对融合特征数据 进行信用风险评估， 得到第二评分结果； 根据所 述第一评分结果、 所述第二评分结果和自适应调 解的超参数得到总评分结果。 所述装置执行上述 方法。 本发明实施例提供的方法及装置， 能够提 高企业信用风险评估的适用性和准确性。 权利要求书2页 说明书12页 附图4页 CN 115170295 A 2022.10.11 CN 115170295 A 1.一种企业信用风险评估处 理方法， 其特 征在于， 包括： 获取企业相关数据， 对所述企业相关数据进行 预处理， 得到初始特 征数据； 对所述初始特征数据进行特征工程处理， 得到对企业信用风险评估具有显性影响的特 征数据； 基于预设信用评分卡模型对所述特征数据进行信用风险评估， 得到第一评分结果， 以 及基于预设信用评分模型对融合特 征数据进行信用风险评估， 得到第二评分结果； 其中， 所述融合特征数据是将所述初始特征数据和所述特征数据相融合得到； 所述预 设信用评分卡模型根据所述特征参数和与所述特征数据分别对应的权重参数得到； 所述预 设信用评分模型根据企业相关样本数据训练机器学习模型 得到； 根据所述第 一评分结果、 所述第 二评分结果和自适应调解的超参数计算得到总评分结 果； 所述自适应调解的超参数根据所述机器学习模型的模型 预测结果评估指标参数 得到。 2.根据权利要求1所述的企业信用风险评估处理方法， 其特征在于， 所述根据 所述第一 评分结果、 所述第二评分结果和自适应调解的超参数计算得到总评分结果， 包括： 将1与所述自适应调解的超参数的平方之差作为所述第一评分结果的第一权重值， 将 所述自适应调解的超参数的平方作为所述第二评分结果的第二权 重值； 根据所述第一权重值、 所述第 一评分结果、 所述第 二权重值和所述第 二评分结果， 得到 所述总评分结果。 3.根据权利要求2所述的企业信用风险评估处理方法， 其特征在于， 所述模型预测结果 评估指标参数包括受试者工作特征曲线下与坐标轴围成的面积； 相 应的， 根据所述机器学 习模型的模型 预测结果评估指标参数 得到所述自适应调解的超参数， 包括： 将所述面积对应数值赋予所述自适应调解的超参数。 4.根据权利要求3所述的企业信用风险评估处理方法， 其特征在于， 所述企业信用风险 评估处理方法还 包括： 在基于预设信用评分模型对融合特征数据进行信用风险评估的预设初始时段内， 从零 开始逐渐调大所述自适应调解的超参数， 并在调大到预设幅度值时不再调大所述自适应调 解的超参数； 在到达所述预设初始时段时执行所述将所述面积对应数值赋予所述自适应调解的超 参数的步骤。 5.根据权利要求1至4任一所述的企业信用风险评估处理方法， 其特征在于， 所述机器 学习模型至少包括决策树模型、 优化的分布式梯度增强库、 逻辑回归模型和长短期记忆网 络模型中的一种或多种。 6.根据权利要求1至4任一所述的企业信用风险评估处理方法， 其特征在于， 所述企业 信用风险评估处 理方法还 包括： 生成信贷分析报告， 并可视化展示所述特 征数据和所述信贷分析报告。 7.根据权利要求6所述的企业信用风险评估处理方法， 其特征在于， 所述企业信用风险 评估处理方法还 包括： 响应用户根据 所述特征数据和所述信贷分析报告得到的信贷贷款结果， 并根据 所述信 贷贷款结果更新训练集中的所述企业相关样本数据。 8.一种企业信用风险评估处 理装置， 其特 征在于， 包括：权　利　要　求　书 1/2 页 2 CN 115170295 A 2获取单元， 用于获取企业相关数据， 对所述企业相关数据进行预处理， 得到初始特征数 据； 处理单元， 用于对所述初始特征数据进行特征工程处理， 得到对企业信用风险评估具 有显性影响的特 征数据； 评估单元， 用于基于预设信用评分卡模型对所述特征数据进行信用风险评估， 得到第 一评分结果， 以及基于预设信用评分模型对融合特征数据进行信用风险评估， 得到第二评 分结果； 其中， 所述融合特征数据是将所述初始特征数据和所述特征数据相融合得到； 所述预 设信用评分卡模型根据所述特征参数和与所述特征数据分别对应的权重参数得到； 所述预 设信用评分模型根据企业相关样本数据训练机器学习模型 得到； 计算单元， 用于根据所述第一评分结果、 所述第二评分结果和自适应调解的超参数计 算得到总评 分结果； 所述自适应调解的超参数根据所述机器学习模型的模 型预测结果评估 指标参数 得到。 9.一种电子设备， 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， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述 方法的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至7中任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115170295 A 3