法律状态公告日
法律状态信息
法律状态
2023-02-24
公开
发明专利申请公布
技术领域
本发明涉及信息化领域,特别涉及一种通过接入不同建筑业企业资质信用评价标准,提供统一的标准指标分析,主要从类型、追溯时长、数据来源、归集模式等方面进行分析,形成指标提取数据的数据模型,以一类信息为例,形成标准指标信息,通过提取的指标数据进行计算方面的逻辑抽取形成通用的计算规则;分组、拆分、限制等计算逻辑把整个指标的计算模块化、细分化,形成一套可配置的、模块化的计算规则体系的一种面向建筑业企业的信用评价方法。
背景技术
随着社会的发展,信息化逐步进入到各行各业中,目前就建筑产业中各个企业的信用评价体系需要一套较为完善的管理方法力求形成:通过接入不同建筑业企业资质信用评价标准,提供统一的标准指标分析,主要从类型、追溯时长、数据来源、归集模式等方面进行分析,形成指标提取数据的数据模型,以一类信息为例,形成标准指标信息,通过提取的指标数据进行计算方面的逻辑抽取形成通用的计算规则;分组、拆分、限制等计算逻辑把整个指标的计算模块化、细分化,形成一套可配置的、模块化的计算规则体系。
发明内容
本发明实施例提供一种面向建筑业企业的信用评价方法,本发明方法通过接入不同建筑业企业资质信用评价标准,提供统一的标准指标分析,主要从类型、追溯时长、数据来源、归集模式等方面进行分析。通过指标数据分析,形成指标提取数据的数据模型,以一类信息为例,形成标准指标信息。通过提取的指标数据进行计算方面的逻辑抽取形成通用的计算规则;通过分组、拆分、限制等计算逻辑把整个指标的计算模块化、细分化,形成一套可配置的、模块化的计算规则体系。基于对指标规则分析形成的指标模型创建一套基于机构化数据的指标模型配置;基于模块化编程技术将指标模型的配置分为评分细则、数据汇集表单、重复校验、评分算法,实现了可配置化编程、后续标准改动只需要添加对应模块即可;使用深度学习技术,通过对现有指标分析的建模,通过训练其自我学习的能力,逐步实现自动化优化指标模型的模块;基于模块化的思想结合单一职责原则,实现了录入表单动态生成、录入数据全局校验、评分规则通用配置、评分算法细粒度化等功能。提供数据抽取和自主数据汇聚两种数据归集方式。其中,自主数据汇聚通过人机互审的方式进行数据有效性核验。人审提供三级审核(初审、复审、确认),初期或复杂信息需要人员干预审核。机审内置机器学习模块,通过对人审数据和数据模型的不断学习和样例数据的积累,后期逐步实现机器审核+人工复核的方式进行。基于Java预研自研评分计算引擎。多线程技术实现千万级数据的实时计算、使用分布式计算大大提高了评分的计算效率;实现了计算过程全异步化,避免了线程的阻塞,包含异步任务、异步消息、异步异常处理等;实现了断点续评功能,在评分由于不可抗因素而断掉的时候可以实现类似于断点续传的断点续评功能;整个评分过程提供全过程数据可跟踪,包括评分的数据实时监控、全评价过程的日志记录。为保证数据的查询的速度系统采用分布式大数据存储系统,采用非结构化数据大大提高了数据的查询速度;部分配置数据采用结构化数据存储,提高了数据的可读性。
本发明提供一种面向建筑业企业的信用评价方法,该方法包括如下步骤:
标准建模:提取指标中的数据类型、时长、来源、归集模式特性,完成指标数据提取分析,依据指标特性提炼具体指标的计算规则,并建立指标模型中指标节点、观测节点、评分细则、汇聚表单、重复校验、评分算法配置,形成标准模型库;
数据汇聚:对通过统一认证的评价对象、评价用户进行汇聚资格的实时检测,检测通过后自动具备汇聚资格并进行评价指标模型的自动抽取、交互汇聚,完成评价数据源的构建,形成最终的评价数据;进行本评价周期的数据汇聚;
专项评价:对通过评价限定的评价对象、评价用户执行调取最终评价数据、指标模型等数据源作为参数带入计算引擎进行过程日志记录、获取运算结果和持久化存储。
一种面向建筑业企业的信用评价方法,其中所述标准建模包括如下步骤:
标准指标提取分析:将评价标准进行梳理分组形成数据类型,将数据类型中的有效期关键词进行追溯时长分析,将数据来源进行准确性判断分析形成评级数据源,对评级数据源根据企业申报数据、共享数据、数据爬取类型进行归集,为数据汇聚形成前期储备;
指标数据提取分析:对指标数据中的类型进行分析获得指定指标数据项,再通过追溯时长分析对该指定指标数据按照实时数据和指定时效分析;通过数据来源分析确定指定指标数据项的数据源,通过自动对接、数据共享、人机结合方式完成指定指标数据项的归集;形成指标数据提取规则;
指标计算规则分析:通过对提取的指定指标数据通过运算公式获得逻辑抽取形成通用的计算规则后再通过分组、拆分、限制等计算逻辑把整个指标的计算模块化、细分化,形成一套可配置的评分运算模型;
指标模型配置:根据评分运算模型中的运算公式、最终运算结果进行指标节点的创建,对创建后的指标节点配置一个及一个以上观测节点,对已有观测点节点中的信息项进行定义完成评分细则配置,形成评分细则中的名称、至最低分的具体评分细则配置,且对数据绘制表单进行定义,形成评分数据项,对同一个评价对象提交的同一观测点下的数据内容、重复率校验;通过关联算法群组对观测点节点的评分细则和数据内容进行整合并运算获得单条观测节点的评价结果;
标准模型库管理:将评分细则配置、已生成表单、评价执行规则、重复校验规则构成指标模型并存储至数据库中;当有新的指标模型加入时自动对该新指标模型与数据库中的指标模型进行数据扩展整合。
一种面向建筑业企业的信用评价方法,其中所述标准指标提取分析包括如下步骤:
分析数据获得数据类型:将评价标准中的评价内容、评分标准进行梳理,获得梳理后的信息类型,再将相关信息按照类型进行分组获得基础信息、经营业绩、良好信息、不良行为信息4种数据类型;
追溯时长分析:对各个数据类型中关于时效性的数据依据关键词进行有效期时长分析;
数据来源分析:对各评指标中的各类数据的来源进行准确性的判断分析,获得评价数据源,为数据归集进行前期储备;
数据归集模式分析:对数据来源分析形成的评价数据源通过企业申报数据、共享数据、数据爬取进行分类归集与格式统一化处理后的数据进行缓存,为数据汇集进行前期储备。
一种面向建筑业企业的信用评价方法,其中指标计算规则分析包括如下步骤:
同组计算逻辑:按照指标数据提取规则对指定指标数据进行同组划分后对组内数据进行计算逻辑的规定形成同组计算逻辑;公式为:
其中GROUP(i)表示对评价数据的分组计算规则,
指标数据提取规则:对同组计算逻辑后的组内指定指标数据根据实际需求进行赋值、拆算、分类、超时中的一组及一组以上的数据提取规则进行运算获得符合要求的指标数据提取规则及运算结果;
边界计算逻辑:通过对组内的运算结果与规定边界数据进行比对分析,获得符合要求的边界计算逻辑及最终运算结果;公式为:
其中MIN代表边界最小值,MAX代表边界最大值,∩表示并且
构建评分运算模型:通过对最终运算结果与获得通用的同组计算逻辑、指标数据提取规则、边界计算逻辑进行物理匹配形成符合要求的评分运算模型,在该模型中含有一个及一个以上评分运算公式;
在进行区间判定包含上限运算时通过公式运算获得,其运算公式为:
其中a、b、c代表比较后取的值,x、y、z表示对比的值
在进行区间判定包含下限运算时通过公式运算获得,其运算公式为:
其中a、b、c代表比较后取的值,x、y、z表示对比的值
在进行比对运算时,通过公式运算获得,其运算公式为:
B(i)=(x=b?x=n:x=m)
其中x是待比较值,b是比较的值,n是比较成功的取值,m是比较失败的取值,
?表示比较符,:表示另一种情况
在进行比对后超出与不足运算时,通过运算公式获得,其运算公式为:
B(i)=(x=b?x=n:x=m)±(x÷c*|(x-b)|)
其中x是待比较值,b是比较的值,n是比较成功的取值,m是比较失败的取值,
?表示比较符,:表示另一种情况±表示加或者减运算,c代表加分的基数,||表示取绝对值。
一种面向建筑业企业的信用评价方法,其中所述指标模型配置包括如下步骤:
创建指标节点:根据评分运算模型中的运算公式、最终运算结果进行指标节点的创建,其中创建的指标节点包括:名称、编码、分值、所属指标;
观测点节点:对创建后的指标节点配置一个及一个以上观测节点,对已有观测点节点中的信息项进行定义完成评分细则配置,形成评分细则中的名称、至最低分的具体评分细则配置,且对数据绘制表单进行定义,形成评分数据项,对同一个评价对象提交的同一观测点下的数据内容、重复率校验;通过关联算法群组对观测点节点的评分细则和数据内容进行整合获得单条观测节点的评价执行规则。
一种面向建筑业企业的信用评价方法,其中所述观测点节点包括如下步骤:
评分细则配置:对创建后的指标节点配置一个及一个以上观测节点,对已有观测点节点中的信息项进行定义完成评分细则配置,形成评分细则中的名称、至最低分的具体评分细则配置;
数据汇集表单:选择是否自动生成表单、当判定为是进行自动表单的生成,当判定为否对接定制化表单,根据指定参数生成定制化表单;根据指标数据选取参与评价的信息项进行规范化配置生成表单、配置化数据;
重复校验:对同一个评价对象提交的同一观测点下的数据内容设定一组及一组以上关键词,通过对关键词及其近似词、同义词进行语意关联匹配,获得重复率支撑数据归集、评价结果;
评分:通过关联算法群组对观测点节点的评分细则和数据内容进行整合获得单条观测节点的评价执行规则,评分算法群组。
一种面向建筑业企业的信用评价方法,其中所述数据汇聚包括如下步骤:
统一认证:依据评价对象的类型提供认证模式,根据内置数据和评价对象的身份进行资格核验认证,通过与第三方认证数据源、评价用户相关身份信息进行资格核验认证;
数据聚合:将通过统一认证的评价对象、评价用户整理汇聚进入评价资格队列,并进行指标数据的自动抽取、交互汇聚;对未通过统一认证的评价对象、评价用户,保存历史信息;
构建评价数据源:从指标模型配置中调取数据汇聚表单各信息项,与存储于大数据仓库中的信息模型进行处理去除干扰项、合并信息模型、运算信息模型获得最终评价数据。
一种面向建筑业企业的信用评价方法,其中所述数据聚合的具体步骤:将通过统一认证的评价对象、评价用户整理汇聚进入评价资格队列,并进行指标数据的自动抽取、交互汇聚;对未通过统一认证的评价对象、评价用户,保存历史信息;
汇聚资格:将通过统一认证的评价对象、评价用户整理汇聚进入评价资格队列,评价资格队列进行实时检测;判定当前时间点评价对象的汇聚资格有效则继续后续数据汇聚工作;反之则暂停该评价对象、评价用户资格,待评价对象、评价用户重新具备相关资格时对其开启启用模式;
自动抽取:对满足汇聚资格的评价对象、评价用户自动纳入数据抽取队列,进行评价指标模型数据的抽取,通过公开的公共数据库进行数据接口的认证与对接,将评价对象、评价用户与模型数据进行数据比对,当数据比对出现差异信息时对差异信息进行分析比对,获取差异信息;当数据比对结果一致时,则进行下一步流程;将评价对象信息的对象逐一与公共数据库中的数据模型进行检索匹配,将匹配结果同步到本地数据库中,对本地数据库记录历史版本并进行定时更新;其中评价指标模型数据包括:企业数据、人员数据、资质数据、业绩数据;
交互汇聚:满足汇聚资格的评价对象、评价用户自主填报的良好信息模型并提供相关的证明材料按照审批流程提交,审核人员通过人机交互模式对相关信息进行校验,对符合要求的良好信息模型存储至大数据仓库中,对不符合要求的良好信息模型进行退回修改与再次审核流程;审核人员通过监管记录对评价对象、评价用户进行负面数据模型搜索,当搜索到相关的负面数据模型时,从监管记录中提取相关评价对象、评价用户的负面数据填充到负面数据模型中并将该负面数据模型进行发布,评价对象、评价用户进行查阅确认,当未能搜索到相关书面数据模型时流程结束。
一种面向建筑业企业的信用评价方法,其中所述专项评价包括如下步骤:
评价限定:根据评价规则设定评价禁止条款,根据禁止条款将评价对象、评价用户的特性数据进行逐一比对,当判定满足禁止条款不进入评价对象、评价用户名单,当判定不满足禁止条款则通过限制条款审核流程;根据限制条款的评价标准对评价对象、评价用户的特性数据进行逐一比对,当判定均满足限定条款赋予指定分值且进入评价对象、评价用户名单,当判定满足新纳入企业的限定条款要求对该评价对象、评价用户赋予指定分值且进入评价对象、评价用户名单;当判定部分满足限定条款等待评价运算;
评价计算:调取各评价对象用户名单和与其匹配的评价数据、指标模型,作为计算引擎的参数进行多线程并行计算,得到运算结果、过程日志并进行异常日志消息推送,并采用非结构化分布式存储对全过程日志和运算结果进行存储;
结果推送:定义一个及以上推送任务且对任务所涵的信息项、推送时段、网络环境及约定加密\解密规则进行配置;将配置完成的推送任务进行推送;
其中,所述结果托送包括如下步骤:
信息公示:从大数据仓库中调取良好信息模型并将其纳入至自动公示流程中,在指定公示期未收到异议则判定纳入评价数据源;
结果共享:通过数据对接认证接口将评价基准信息、评价结果信息共享至公开的公共数据库进行数据数据共享。
一种面向建筑业企业的信用评价方法,其中所述评价计算包括如下步骤:
获取数据源:分别调取最终评价数据、指标模型、评价对象评价用户名单形成参数集参与运算;
计算引擎:将评价对象评价用户名单按照顺序进行序列分组并根据实际需求布设一台以上数据处理器且数据处理器进行多线程运算模式,依据评价数据参数和指标模型参数循环对序列内的数据进行异步运算,对异步过程中的进度、消息、状态、异常进行实时监控形成全过程日志及运算结果;当显示异常任务、异常结果时,待运算结束后对该异常任务、异常结果进行循环运算,若判定为运算结果为非异日常结果形成全过程日志,若判定此次运算结果为异常结果则记录该日志并同时将日志消息向管理者进行推送;
公式:
其中score代表最终算出的评分值sources(i)是数据源,company是企业数据,scoring(i)是计算引擎,箭头表示数据流向,base(i)是基础信息,good(i)是良好信息,bad(i)是不良信息,management(i)是经营信息;
持久化存储:采用非结构化分布式存储模式对全过程日志及运算结果进行存储。
由此可见:
本发明实施例中的一种面向建筑业企业的信用评价方法通过接入不同建筑业企业资质信用评价标准,提供统一的标准指标分析,主要从类型、追溯时长、数据来源、归集模式等方面进行分析。通过指标数据分析,形成指标提取数据的数据模型,以一类信息为例,形成标准指标信息。通过提取的指标数据进行计算方面的逻辑抽取形成通用的计算规则;通过分组、拆分、限制等计算逻辑把整个指标的计算模块化、细分化,形成一套可配置的、模块化的计算规则体系。基于对指标规则分析形成的指标模型创建一套基于机构化数据的指标模型配置;基于模块化编程技术将指标模型的配置分为评分细则、数据汇集表单、重复校验、评分算法,实现了可配置化编程、后续标准改动只需要添加对应模块即可;使用深度学习技术,通过对现有指标分析的建模,通过训练其自我学习的能力,逐步实现自动化优化指标模型的模块;基于模块化的思想结合单一职责原则,实现了录入表单动态生成、录入数据全局校验、评分规则通用配置、评分算法细粒度化等功能。提供数据抽取和自主数据汇聚两种数据归集方式。其中,自主数据汇聚通过人机互审的方式进行数据有效性核验。人审提供三级审核(初审、复审、确认),初期或复杂信息需要人员干预审核。机审内置机器学习模块,通过对人审数据和数据模型的不断学习和样例数据的积累,后期逐步实现机器审核+人工复核的方式进行。基于Java预研自研评分计算引擎。多线程技术实现千万级数据的实时计算、使用分布式计算大大提高了评分的计算效率;实现了计算过程全异步化,避免了线程的阻塞,包含异步任务、异步消息、异步异常处理等;实现了断点续评功能,在评分由于不可抗因素而断掉的时候可以实现类似于断点续传的断点续评功能;整个评分过程提供全过程数据可跟踪,包括评分的数据实时监控、全评价过程的日志记录。为保证数据的查询的速度系统采用分布式大数据存储系统,采用非结构化数据大大提高了数据的查询速度;部分配置数据采用结构化数据存储,提高了数据的可读性。
附图说明
图1为本发明的实施例提供的一种面向建筑业企业的信用评价方法的整体流程示意图;
图2为本发明的实施例提供的一种面向建筑业企业的信用评价方法中标准建模步骤的流程示意图;
图3为本发明的实施例提供的一种面向建筑业企业的信用评价方法中标准指标提取分析步骤的流程示意图;
图4为本发明的实施例提供的一种面向建筑业企业的信用评价方法中指标计算规则分析步骤的流程示意图;
图5为本发明的实施例提供的一种面向建筑业企业的信用评价方法中指标模型配置步骤的流程示意图;
图6为本发明的实施例提供的一种面向建筑业企业的信用评价方法中观测点节点步骤的流程示意图;
图7为本发明的实施例提供的一种面向建筑业企业的信用评价方法中数据汇聚步骤的流程示意图;
图8为本发明的实施例提供的一种面向建筑业企业的信用评价方法中数据聚合步骤的流程示意图;
图9为本发明的实施例提供的一种面向建筑业企业的信用评价方法中专项评价步骤的流程示意图;
图10为本发明的实施例提供的一种面向建筑业企业的信用评价方法中评价计算步骤的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合附图以及具体实施例来详细说明本发明,在此本发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
实施例1:
图1为一种面向建筑业企业的信用评价方法,如图1所示,该方法包括如下步骤:
标准建模:提取指标中的数据类型、时长、来源、归集模式特性,完成指标数据提取分析,依据指标特性提炼具体指标的计算规则,并建立指标模型中指标节点、观测节点、评分细则、汇聚表单、重复校验、评分算法配置,形成标准模型库;
数据汇聚:对通过统一认证的评价对象、评价用户进行汇聚资格的实时检测,检测通过后自动具备汇聚资格并进行评价指标模型的自动抽取、交互汇聚,完成评价数据源的构建,形成最终的评价数据;进行本评价周期的数据汇聚;
专项评价:对通过评价限定的评价对象、评价用户执行调取最终评价数据、指标模型等数据源作为参数带入计算引擎进行过程日志记录、获取运算结果和持久化存储。
如图2所示一种面向建筑业企业的信用评价方法,其中,所述标准建模包括如下步骤:
标准指标提取分析:将评价标准进行梳理分组形成数据类型,将数据类型中的有效期关键词进行追溯时长分析,将数据来源进行准确性判断分析形成评级数据源,对评级数据源根据企业申报数据、共享数据、数据爬取类型进行归集,为数据汇聚形成前期储备;
指标数据提取分析:对指标数据中的类型进行分析获得指定指标数据项,再通过追溯时长分析对该指定指标数据按照实时数据和指定时效分析;通过数据来源分析确定指定指标数据项的数据源,通过自动对接、数据共享、人机结合方式完成指定指标数据项的归集;形成指标数据提取规则;
指标计算规则分析:通过对提取的指定指标数据通过运算公式获得逻辑抽取形成通用的计算规则后再通过分组、拆分、限制等计算逻辑把整个指标的计算模块化、细分化,形成一套可配置的评分运算模型;
指标模型配置:根据评分运算模型中的运算公式、最终运算结果进行指标节点的创建,对创建后的指标节点配置一个及一个以上观测节点,对已有观测点节点中的信息项进行定义完成评分细则配置,形成评分细则中的名称、至最低分的具体评分细则配置,且对数据绘制表单进行定义,形成评分数据项,对同一个评价对象提交的同一观测点下的数据内容、重复率校验;通过关联算法群组对观测点节点的评分细则和数据内容进行整合并运算获得单条观测节点的评价结果;
标准模型库管理:将评分细则配置、已生成表单、评价执行规则、重复校验规则构成指标模型并存储至数据库中;当有新的指标模型加入时自动对该新指标模型与数据库中的指标模型进行数据扩展整合。
如图3所示一种面向建筑业企业的信用评价方法,其中,所述标准指标提取分析包括如下步骤:
分析数据获得数据类型:将评价标准中的评价内容、评分标准进行梳理,获得梳理后的信息类型,再将相关信息按照类型进行分组获得基础信息、经营业绩、良好信息、不良行为信息4种数据类型;
追溯时长分析:对各个数据类型中关于时效性的数据依据关键词进行有效期时长分析;
数据来源分析:对各评指标中的各类数据的来源进行准确性的判断分析,获得评价数据源,为数据归集进行前期储备;
数据归集模式分析:对数据来源分析形成的评价数据源通过企业申报数据、共享数据、数据爬取进行分类归集与格式统一化处理后的数据进行缓存,为数据汇集进行前期储备。
如图4所示一种面向建筑业企业的信用评价方法,其中,指标计算规则分析包括如下步骤:
同组计算逻辑:按照指标数据提取规则对指定指标数据进行同组划分后对组内数据进行计算逻辑的规定形成同组计算逻辑;公式为:
其中GROUP(i)表示对评价数据的分组计算规则,
指标数据提取规则:对同组计算逻辑后的组内指定指标数据根据实际需求进行赋值、拆算、分类、超时中的一组及一组以上的数据提取规则进行运算获得符合要求的指标数据提取规则及运算结果;
边界计算逻辑:通过对组内的运算结果与规定边界数据进行比对分析,获得符合要求的边界计算逻辑及最终运算结果;公式为:
其中MIN代表边界最小值,MAX代表边界最大值,∩表示并且
构建评分运算模型:通过对最终运算结果与获得通用的同组计算逻辑、指标数据提取规则、边界计算逻辑进行物理匹配形成符合要求的评分运算模型,在该模型中含有一个及一个以上评分运算公式;
在进行区间判定包含上限运算时通过公式运算获得,其运算公式为:
其中a、b、c代表比较后取的值,x、y、z表示对比的值
在进行区间判定包含下限运算时通过公式运算获得,其运算公式为:
其中a、b、c代表比较后取的值,x、y、z表示对比的值
在进行比对运算时,通过公式运算获得,其运算公式为:
B(i)=(x=b?x=n:x=m)
其中x是待比较值,b是比较的值,n是比较成功的取值,m是比较失败的取值,
?表示比较符,:表示另一种情况
在进行比对后超出与不足运算时,通过运算公式获得,其运算公式为:
B(i)=(x=b?x=n:x=m)±(x÷c*|(x-b)|)
其中x是待比较值,b是比较的值,n是比较成功的取值,m是比较失败的取值,
?表示比较符,:表示另一种情况±表示加或者减运算,c代表加分的基数,||表示取绝对值。
如图5所示一种面向建筑业企业的信用评价方法,其中,所述指标模型配置包括如下步骤:
创建指标节点:根据评分运算模型中的运算公式、最终运算结果进行指标节点的创建,其中创建的指标节点包括:名称、编码、分值、所属指标;
观测点节点:对创建后的指标节点配置一个及一个以上观测节点,对已有观测点节点中的信息项进行定义完成评分细则配置,形成评分细则中的名称、至最低分的具体评分细则配置,且对数据绘制表单进行定义,形成评分数据项,对同一个评价对象提交的同一观测点下的数据内容、重复率校验;通过关联算法群组对观测点节点的评分细则和数据内容进行整合获得单条观测节点的评价执行规则。
如图6所示一种面向建筑业企业的信用评价方法,其中,所述观测点节点包括如下步骤:
评分细则配置:对创建后的指标节点配置一个及一个以上观测节点,对已有观测点节点中的信息项进行定义完成评分细则配置,形成评分细则中的名称、至最低分的具体评分细则配置;
数据汇集表单:选择是否自动生成表单、当判定为是进行自动表单的生成,当判定为否对接定制化表单,根据指定参数生成定制化表单;根据指标数据选取参与评价的信息项进行规范化配置生成表单、配置化数据;
重复校验:对同一个评价对象提交的同一观测点下的数据内容设定一组及一组以上关键词,通过对关键词及其近似词、同义词进行语意关联匹配,获得重复率支撑数据归集、评价结果;
评分:通过关联算法群组对观测点节点的评分细则和数据内容进行整合获得单条观测节点的评价执行规则,评分算法群组。
如图7所示一种面向建筑业企业的信用评价方法,其中,所述数据汇聚包括如下步骤:
统一认证:依据评价对象的类型提供认证模式,根据内置数据和评价对象的身份进行资格核验认证,通过与第三方认证数据源、评价用户相关身份信息进行资格核验认证;
数据聚合:将通过统一认证的评价对象、评价用户整理汇聚进入评价资格队列,并进行指标数据的自动抽取、交互汇聚;对未通过统一认证的评价对象、评价用户,保存历史信息;
构建评价数据源:从指标模型配置中调取数据汇聚表单各信息项,与存储于大数据仓库中的信息模型进行处理去除干扰项、合并信息模型、运算信息模型获得最终评价数据。
如图8所示一种面向建筑业企业的信用评价方法,其中,所述数据聚合的具体步骤:将通过统一认证的评价对象、评价用户整理汇聚进入评价资格队列,并进行指标数据的自动抽取、交互汇聚;对未通过统一认证的评价对象、评价用户,保存历史信息;
汇聚资格:将通过统一认证的评价对象、评价用户整理汇聚进入评价资格队列,评价资格队列进行实时检测;判定当前时间点评价对象的汇聚资格有效则继续后续数据汇聚工作;反之则暂停该评价对象、评价用户资格,待评价对象、评价用户重新具备相关资格时对其开启启用模式;
自动抽取:对满足汇聚资格的评价对象、评价用户自动纳入数据抽取队列,进行评价指标模型数据的抽取,通过公开的公共数据库进行数据接口的认证与对接,将评价对象、评价用户与模型数据进行数据比对,当数据比对出现差异信息时对差异信息进行分析比对,获取差异信息;当数据比对结果一致时,则进行下一步流程;将评价对象信息的对象逐一与公共数据库中的数据模型进行检索匹配,将匹配结果同步到本地数据库中,对本地数据库记录历史版本并进行定时更新;其中评价指标模型数据包括:企业数据、人员数据、资质数据、业绩数据;
交互汇聚:满足汇聚资格的评价对象、评价用户自主填报的良好信息模型并提供相关的证明材料按照审批流程提交,审核人员通过人机交互模式对相关信息进行校验,对符合要求的良好信息模型存储至大数据仓库中,对不符合要求的良好信息模型进行退回修改与再次审核流程;审核人员通过监管记录对评价对象、评价用户进行负面数据模型搜索,当搜索到相关的负面数据模型时,从监管记录中提取相关评价对象、评价用户的负面数据填充到负面数据模型中并将该负面数据模型进行发布,评价对象、评价用户进行查阅确认,当未能搜索到相关书面数据模型时流程结束。
如图9所示一种面向建筑业企业的信用评价方法,其中,所述专项评价包括如下步骤:
评价限定:根据评价规则设定评价禁止条款,根据禁止条款将评价对象、评价用户的特性数据进行逐一比对,当判定满足禁止条款不进入评价对象、评价用户名单,当判定不满足禁止条款则通过限制条款审核流程;根据限制条款的评价标准对评价对象、评价用户的特性数据进行逐一比对,当判定均满足限定条款赋予指定分值且进入评价对象、评价用户名单,当判定满足新纳入企业的限定条款要求对该评价对象、评价用户赋予指定分值且进入评价对象、评价用户名单;当判定部分满足限定条款等待评价运算;
评价计算:调取各评价对象用户名单和与其匹配的评价数据、指标模型,作为计算引擎的参数进行多线程并行计算,得到运算结果、过程日志并进行异常日志消息推送,并采用非结构化分布式存储对全过程日志和运算结果进行存储;
结果推送:定义一个及以上推送任务且对任务所涵的信息项、推送时段、网络环境及约定加密\解密规则进行配置;将配置完成的推送任务进行推送;
其中,所述结果托送包括如下步骤:
信息公示:从大数据仓库中调取良好信息模型并将其纳入至自动公示流程中,在指定公示期未收到异议则判定纳入评价数据源;
结果共享:通过数据对接认证接口将评价基准信息、评价结果信息共享至公开的公共数据库进行数据数据共享。
如图10所示一种面向建筑业企业的信用评价方法,其中,所述评价计算包括如下步骤:
获取数据源:分别调取最终评价数据、指标模型、评价对象评价用户名单形成参数集参与运算;
计算引擎:将评价对象评价用户名单按照顺序进行序列分组并根据实际需求布设一台以上数据处理器且数据处理器进行多线程运算模式,依据评价数据参数和指标模型参数循环对序列内的数据进行异步运算,对异步过程中的进度、消息、状态、异常进行实时监控形成全过程日志及运算结果;当显示异常任务、异常结果时,待运算结束后对该异常任务、异常结果进行循环运算,若判定为运算结果为非异日常结果形成全过程日志,若判定此次运算结果为异常结果则记录该日志并同时将日志消息向管理者进行推送;
公式:
其中score代表最终算出的评分值sources(i)是数据源,company是企业数据,scoring(i)是计算引擎,箭头表示数据流向,base(i)是基础信息,good(i)是良好信息,bad(i)是不良信息,management(i)是经营信息;
持久化存储:采用非结构化分布式存储模式对全过程日志及运算结果进行存储。
由此可见:本发明实施例中的一种面向建筑业企业的信用评价方法:通过接入不同建筑业企业资质信用评价标准,提供统一的标准指标分析,主要从类型、追溯时长、数据来源、归集模式等方面进行分析。通过指标数据分析,形成指标提取数据的数据模型,以一类信息为例,形成标准指标信息。通过提取的指标数据进行计算方面的逻辑抽取形成通用的计算规则;通过分组、拆分、限制等计算逻辑把整个指标的计算模块化、细分化,形成一套可配置的、模块化的计算规则体系。基于对指标规则分析形成的指标模型创建一套基于机构化数据的指标模型配置;基于模块化编程技术将指标模型的配置分为评分细则、数据汇集表单、重复校验、评分算法,实现了可配置化编程、后续标准改动只需要添加对应模块即可;使用深度学习技术,通过对现有指标分析的建模,通过训练其自我学习的能力,逐步实现自动化优化指标模型的模块;基于模块化的思想结合单一职责原则,实现了录入表单动态生成、录入数据全局校验、评分规则通用配置、评分算法细粒度化等功能。提供数据抽取和自主数据汇聚两种数据归集方式。其中,自主数据汇聚通过人机互审的方式进行数据有效性核验。人审提供三级审核(初审、复审、确认),初期或复杂信息需要人员干预审核。机审内置机器学习模块,通过对人审数据和数据模型的不断学习和样例数据的积累,后期逐步实现机器审核+人工复核的方式进行。基于Java预研自研评分计算引擎。多线程技术实现千万级数据的实时计算、使用分布式计算大大提高了评分的计算效率;实现了计算过程全异步化,避免了线程的阻塞,包含异步任务、异步消息、异步异常处理等;实现了断点续评功能,在评分由于不可抗因素而断掉的时候可以实现类似于断点续传的断点续评功能;整个评分过程提供全过程数据可跟踪,包括评分的数据实时监控、全评价过程的日志记录。为保证数据的查询的速度系统采用分布式大数据存储系统,采用非结构化数据大大提高了数据的查询速度;部分配置数据采用结构化数据存储,提高了数据的可读性。
虽然通过实施例描绘了本发明实施例,本领域普通技术人员知道,本发明有许多变形和变化而不脱离本发明的精神,希望所附的权利要求包括这些变形和变化而不脱离本发明的精神。
机译: 基于深度学习的企业信用评级服务器及使用该方法的企业信用评级方法
机译: 基于深度学习的企业信用评级服务器和使用相同方法的企业信用评级方法
机译: 企业价值评价装置,评价方法及程序评价方法