(19)中华 人民共和国 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 202111589482.5 (22)申请日 2021.12.23 (71)申请人 四川新网银行股份有限公司 地址 610094 四川省成 都市成都高新区吉 泰三路8号1栋1单 元26楼1-8号 (72)发明人 罗俊超　罗文　 (74)专利代理 机构 成都智言知识产权代理有限 公司 51282 代理人 蒋秀清 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 基于半监督学习的企业信用评级 方法、 系统 及存储介质 (57)摘要 本发明公开了一种基于半监督学习的企业 信用评级方法、 系统及存储介质， 属于信用评级 技术领域。 本发明包括： 步骤1： 收集企业征信特 征， 并对企业征信特征进行预处理， 所述预处理 包括对企业征信特征的数据类型识别、 数据内容 识别以及数据类型转换； 步骤2： 利用预处理后的 企业征信特征对GBDT模型进行训练， 得到初始预 测模型； 步骤3： 对初始预测模型进行调优， 得到 最终预测模型； 步骤4： 将待评估企业的企业征信 特征根据步骤1预处理后的数据输入到最终预测 模型中， 得到该企业的信用等级。 本发明可以根 据每一个企业征信信息数据输出评分值， 能够更 为准确的判定每个企业的信用程度， 从而根据信 用程度确定企业的信用评级。 权利要求书2页 说明书6页 附图1页 CN 114429395 A 2022.05.03 CN 114429395 A 1.一种基于半监 督学习的企业信用评级方法， 其特 征在于， 包括以下步骤： 步骤1： 收集企业征信特征， 并对企业征信特征进行预处理， 所述预处理包括对企业征 信特征的数据类型识别、 数据内容识别以及数据类型转换， 并在存储空间中建立对应的用 于保存预处 理后的企业征信特 征的存储结构； 步骤2： 利用预处 理后的企业征信特 征对GBDT模型进行训练， 得到初始预测模型； 步骤3： 对初始预测模型进行调优， 得到最终预测模型， 将所述最终预测模型保存在特 定的存储结构中； 步骤4： 从所述特定的存储结构中读取出所述最终预测模型， 并将待评估企业的企业征 信特征根据步骤1预处 理后的数据输入到最终预测模型中， 得到该企业的信用等级。 2.根据权利要求1所述的一种基于半监督学习的企业信用评级方法， 其特征在于： 所述 企业征信特征包括 企业的基本概况信息特征、 借贷交易记录数据特征、 信贷逾期数据特征、 担保账户数据特 征、 相关还款责任数据特 征和欠税记录信息特 征。 3.根据权利要求1所述的一种基于半监督学习的企业信用评级方法， 其特征在于： 步骤 1中所述的预 处理包括对数值的结构类型及 对应的存储方式进 行变换、 对数据分箱、 对各数 据的内容按预设的分隔符进行识别后， 对各数据进行截断、 对各数据进行标准化和归一化 处理。 4.根据权利要求1所述的一种基于半监督学习的企业信用评级方法， 其特征在于： 步骤 3具体包括以下步骤： 步骤3.1： 将 没有逾期记录的客户按8:2的比例进行随机拆分， 分别记为P1和 P2， 将未授 信的客户记为U； 步骤3.2： 使用P1+U客户的企业征信 特征生成一棵CART决策树Ti(x, θ1),用以拟合客户 是否被授信并标记的y； x为企业征信特征， θ表 示模型最优参数， y代表是否为已知好客户， y ＝0或1， y＝0代表未放过款的客户， y＝1代表通过现有信息能够明确判定为没有逾期记录 的客户； 步骤3.3： 根据CART决策树的输出值 outputgbdt1与y计算交叉熵损失L ossgbdt1： Lossgbdt1＝Crossentropy(y,outputgbdt1)； 计算损失函数的梯度grad1： 步骤3.4： 使用企业征信特征x生成一棵CART决策树Ti(x, θi)， 用以拟 合上一步的损失函 数梯度gradi‑1； 步骤3.5： 将新 生成的CART决策树Ti(x, θi)乘以学习率 μ累加到模型中， 构成新的模型； 步骤3.6： 计算 新模型的损失函数梯度gradi 步骤3.7： 重复执行步骤3.4 ‑3.6， 直到CART决策树的迭代次数达到预先设定的次数M， 得到训练好的模型； 步骤3.8： 将P2客户的企业征信特征输入训练好的模型， 计算没有逾期记录的客户被标 记的概率c：权　利　要　求　书 1/2 页 2 CN 114429395 A 2步骤3.9： 调整初始模型值,得到最终预测模型， 记为model： 5.一种用于权利要求1至4之一所述方法的基于半监督学习的企业信用评级系统， 其特 征在于， 包括： 特征收集模块： 用于收集企业征信特 征； 特征加工模块： 用于对企业征信特 征进行预处理； 模型训练模块： 用于根据预处理后的企业征信特征对GBDT模型进行训练， 得到初始预 测模型； 模型调优 模块： 用于对初始预测模型进行调优， 得到最终预测模型； 信用等级输出模块： 用于将预处理后的待评估企业的企业征信特征输入到最终预测模 型中， 输出待评估企业的信用等级。 6.一种计算机存储介质， 其特征在于： 所述计算机存储介质存储有执行如权利要求1 ‑4 任一项所述的基于半监 督学习的企业信用评级方法的计算机程序。权　利　要　求　书 2/2 页 3 CN 114429395 A 3