關(guān)于評(píng)估的專利

發(fā)明專利申請(qǐng)申請(qǐng)公布號(hào)申請(qǐng)公布日申請(qǐng)?zhí)柹暾?qǐng)日2016.11.01申請(qǐng)人地址100125北京朝陽(yáng)區(qū)霄云路26號(hào)a座29樓大公國(guó)際信用評(píng)級(jí)集團(tuán)發(fā)明人路璐專利代理機(jī)構(gòu)代理人Int.CI.權(quán)利要求書2頁(yè)說(shuō)明書7頁(yè)附圖3頁(yè)發(fā)明名稱基于大數(shù)據(jù)的企業(yè)信用評(píng)估方法及系統(tǒng)摘要本發(fā)明涉及一種基于大數(shù)據(jù)的企業(yè)本發(fā)明涉及一種基于大數(shù)據(jù)的企業(yè)信用評(píng)估方法及系統(tǒng)，以解決如何利用大數(shù)據(jù)對(duì)當(dāng)前企業(yè)的信用狀態(tài)進(jìn)行評(píng)估、指導(dǎo)決策和預(yù)測(cè)等。改方法包括：S1、得到影響企業(yè)信用的影響因素和數(shù)據(jù)，對(duì)其做眾因子加權(quán)聚合處理；S2、得到影響企業(yè)信用的影響因素的權(quán)重系數(shù)；S3、得到影響企業(yè)信用的影響因素的權(quán)重系數(shù)隨環(huán)境變化的修正值；S4、得到反映企業(yè)信用的偏離度，用其達(dá)到風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警；S5、綜合評(píng)估當(dāng)前企業(yè)信用水平，自動(dòng)生成評(píng)估報(bào)告。通過該評(píng)估方法，可以得到當(dāng)前企業(yè)信用的影響因素和數(shù)據(jù)、影響企業(yè)信用因素的權(quán)重系數(shù)及修正值、當(dāng)前企業(yè)信用等級(jí)和風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警、當(dāng)前企業(yè)信用評(píng)估報(bào)告，實(shí)現(xiàn)對(duì)企業(yè)信用的整體評(píng)估。S1S1、得到影響企業(yè)信用的影響因素和數(shù)據(jù)，對(duì)其做眾因子加權(quán)聚合處理；S2、得到影響企業(yè)信用的影響因素的權(quán)重系數(shù)；S3、得到影響企業(yè)信用的影響因素的權(quán)重系數(shù)隨環(huán)境變化的修正值；S4、得到反映企業(yè)信用，用其達(dá)到風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警；S5、綜合評(píng)估當(dāng)前企業(yè)信用水平，自動(dòng)生成評(píng)估報(bào)告。

S2、得到影響企業(yè)信用的影響因素的權(quán)重系數(shù)；S3、得到影響企業(yè)信用的影響因素的權(quán)重系數(shù)隨環(huán)境變化的修正值；S4、得到反映企業(yè)信用，用其達(dá)到風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警；S5、綜合評(píng)估當(dāng)前企業(yè)信用水平，自動(dòng)生成評(píng)估報(bào)告。 權(quán)利要求書 1/2頁(yè)一種基于大數(shù)據(jù)的企業(yè)信用評(píng)估方法，其特征在于，包括：S1、得到影響企業(yè)信用的影響因素和數(shù)據(jù)，運(yùn)用眾因子加權(quán)聚合貝葉斯算法，計(jì)算眾因子對(duì)評(píng)估主體的信用影響程度；S2、根據(jù)層次分析模型構(gòu)建指標(biāo)體系，對(duì)指標(biāo)體系中的眾影響因子的權(quán)重進(jìn)行計(jì)算。通過判斷矩陣進(jìn)行特征值和特征向量的計(jì)算，進(jìn)行一致性檢驗(yàn)，以專家打分和層次分析相結(jié)合的方法確定權(quán)重。S3、使影響因子在學(xué)習(xí)樣本中用機(jī)器學(xué)習(xí)的方法訓(xùn)練權(quán)重，用期望輸出與實(shí)際輸出的差異引導(dǎo)著學(xué)習(xí)過程，權(quán)重值會(huì)隨著學(xué)習(xí)的速度和失敗的次數(shù)而不斷更新,使權(quán)重隨著環(huán)境的變化而實(shí)現(xiàn)偏差糾正，達(dá)到信用分值和級(jí)別越來(lái)越準(zhǔn)確。S4、計(jì)算企業(yè)信用的可調(diào)式核心指數(shù)，企業(yè)相對(duì)于行業(yè)形成安全區(qū)間，時(shí)間軸上以線性函數(shù)存在，通過函數(shù)預(yù)測(cè)算法可以確定未來(lái)周期內(nèi)受評(píng)主體的信用情況，達(dá)到企業(yè)信用風(fēng)險(xiǎn)預(yù)測(cè)。S5、根據(jù)企業(yè)信用的影響因素和數(shù)據(jù)、影響企業(yè)信用因素的權(quán)重系數(shù)、企業(yè)信用風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警分析當(dāng)前企業(yè)信用水平，以評(píng)估報(bào)告形式展現(xiàn)。在場(chǎng)景預(yù)測(cè)法基礎(chǔ)上，使評(píng)估報(bào)告模塊化，隨著受評(píng)主體在大公中央數(shù)據(jù)庫(kù)信息的變化，通過評(píng)級(jí)指標(biāo)運(yùn)算的結(jié)果，對(duì)應(yīng)的評(píng)估報(bào)告各模塊隨之改變，整個(gè)過程脫離信用分析師的主觀意識(shí)，直接由數(shù)據(jù)決定評(píng)估報(bào)告，用自然語(yǔ)言生成技術(shù)對(duì)評(píng)估報(bào)告優(yōu)化，從而實(shí)現(xiàn)高質(zhì)量的評(píng)估報(bào)告的自動(dòng)生成。2．根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S1具體包括：構(gòu)建企業(yè)信用的指標(biāo)體系和獲取企業(yè)信用影響因素的定量數(shù)據(jù)；對(duì)企業(yè)信用影響因素的定量數(shù)據(jù)進(jìn)行無(wú)量綱化方法預(yù)處理；對(duì)企業(yè)信用影響因素智能識(shí)別和數(shù)據(jù)分類；根據(jù)S3中的企業(yè)信用影響因素的權(quán)重系數(shù)的修正值、預(yù)處理過的定量數(shù)據(jù)和多個(gè)專家評(píng)分算術(shù)平均數(shù)，對(duì)影響因素做加權(quán)聚合計(jì)算，加權(quán)聚合的貝葉斯算法，處理影響因素間重復(fù)對(duì)企業(yè)信用的貢獻(xiàn)，得到企業(yè)信用的綜合評(píng)分、級(jí)別、級(jí)別含義、企業(yè)信用在同行業(yè)的排行榜、可視化輸出信用信息分析結(jié)論。3．根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S2還包含：企業(yè)信用評(píng)估影響因素的權(quán)重判斷矩陣的自動(dòng)修正、判斷矩陣的自動(dòng)補(bǔ)全的能力。 權(quán)利要求書 2/2頁(yè)4．根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3中所述確定的企業(yè)信用影響因素權(quán)重優(yōu)化方法為基于機(jī)器學(xué)習(xí)和BP神經(jīng)網(wǎng)絡(luò)的方法。5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S4還包含：企業(yè)信用評(píng)估是指距離。6.一種基于大數(shù)據(jù)的企業(yè)信用評(píng)估系統(tǒng)，其特征在于，包括：數(shù)字化智能評(píng)估單元，用于獲取企業(yè)信用評(píng)估影響因素和數(shù)據(jù)，對(duì)數(shù)據(jù)做標(biāo)準(zhǔn)化處理，對(duì)影響因素智能識(shí)別和數(shù)據(jù)分類，計(jì)算企業(yè)信用的綜合評(píng)分和級(jí)別，生成企業(yè)信用在同行業(yè)的排行榜，可視化輸出信用信息分析結(jié)論；數(shù)字化評(píng)級(jí)權(quán)重自動(dòng)生成單元，根據(jù)層次分析模型構(gòu)建指標(biāo)體系，以專家打分和層次分析相結(jié)合的方法，對(duì)企業(yè)信用評(píng)估指標(biāo)體系中的眾影響因子的權(quán)重系數(shù)進(jìn)行計(jì)算；數(shù)字化評(píng)級(jí)機(jī)器學(xué)習(xí)權(quán)重優(yōu)化單元，用于優(yōu)化企業(yè)信用影響因素權(quán)重，使權(quán)重隨著環(huán)境的變化而實(shí)現(xiàn)偏差糾正，達(dá)到信用分值和級(jí)別越來(lái)越準(zhǔn)確；信用風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警單元，是依托于線性函數(shù)的預(yù)測(cè)算法的風(fēng)險(xiǎn)預(yù)測(cè)系統(tǒng)，基于可調(diào)式核心指數(shù)，通過函數(shù)預(yù)測(cè)算法確定未來(lái)周期內(nèi)受評(píng)主體的信用情況，達(dá)到信用風(fēng)險(xiǎn)預(yù)測(cè)的效果；評(píng)估報(bào)告自然語(yǔ)言生成單元，用場(chǎng)景預(yù)測(cè)法，使評(píng)估報(bào)告模塊化，隨著企業(yè)在中央數(shù)據(jù)庫(kù)信息的變化，通過評(píng)級(jí)指標(biāo)運(yùn)算的結(jié)果，對(duì)應(yīng)的評(píng)估報(bào)告各模塊隨之改變，直接由數(shù)據(jù)決定評(píng)估報(bào)告，用自然語(yǔ)言生成技術(shù)對(duì)評(píng)估報(bào)告優(yōu)化，實(shí)現(xiàn)高質(zhì)量的評(píng)估報(bào)告的自動(dòng)生成。

說(shuō)明書 1/7頁(yè)基于大數(shù)據(jù)的企業(yè)信用評(píng)估方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及企業(yè)信用分析技術(shù)領(lǐng)域，尤其是涉及一種基于大數(shù)據(jù)的企業(yè)評(píng)估方法和一種基于大數(shù)據(jù)的企業(yè)評(píng)估系統(tǒng)。背景技術(shù)[0002]信用評(píng)級(jí)關(guān)系人類經(jīng)濟(jì)社會(huì)安全發(fā)展，現(xiàn)存國(guó)際評(píng)級(jí)體系堅(jiān)持維護(hù)所在國(guó)利益的立場(chǎng)，把其價(jià)值觀和意識(shí)形態(tài)作為評(píng)級(jí)標(biāo)準(zhǔn)，成為危機(jī)的制造者，而不能承擔(dān)世界評(píng)級(jí)責(zé)任。[0003]面對(duì)新信用評(píng)級(jí)業(yè)變革，建立以數(shù)字化為核心的評(píng)級(jí)體系，是信用評(píng)級(jí)業(yè)適應(yīng)高技術(shù)戰(zhàn)爭(zhēng)的根本保障。數(shù)字化是信用評(píng)級(jí)業(yè)實(shí)現(xiàn)跨越式發(fā)展的必由之路，信息化的核心是數(shù)字化?，F(xiàn)在的信用評(píng)級(jí)業(yè)，是網(wǎng)絡(luò)化的信用評(píng)級(jí)業(yè)、數(shù)字化的信用評(píng)級(jí)業(yè)、智能化的信用評(píng)級(jí)業(yè)、虛擬化的信用評(píng)級(jí)業(yè)，數(shù)字化已成為先進(jìn)信用評(píng)級(jí)業(yè)的核心和重點(diǎn)。[0004]因此，建立一套全新的、滿足目前我國(guó)信用評(píng)級(jí)產(chǎn)業(yè)的現(xiàn)狀和發(fā)展需求的評(píng)估或分析方法成為我國(guó)信用評(píng)級(jí)產(chǎn)業(yè)發(fā)展的當(dāng)務(wù)之急。發(fā)明內(nèi)容[0005]本發(fā)明所要解決的技術(shù)問題是如何利用大數(shù)據(jù)對(duì)當(dāng)前企業(yè)信用進(jìn)行分析。[0006]為解決上述技術(shù)問題，本發(fā)明提出了一種基于大數(shù)據(jù)的企業(yè)信用評(píng)估方法及系統(tǒng)。[0007]第一方面，該方法包括：[0008]S1、得到影響企業(yè)信用的影響因素和數(shù)據(jù)，運(yùn)用眾因子加權(quán)聚合貝葉斯算法，計(jì)算眾因子對(duì)評(píng)估主體的信用影響程度；[0009]S2、根據(jù)層次分析模型構(gòu)建指標(biāo)體系，對(duì)指標(biāo)體系中的眾影響因子的權(quán)重進(jìn)行計(jì)算。通過判斷矩陣進(jìn)行特征值和特征向量的計(jì)算，進(jìn)行一致性檢驗(yàn)，以專家打分和層次分析相結(jié)合的方法確定權(quán)重。說(shuō)明書 2/7頁(yè)[0010]S3、使影響因子在學(xué)習(xí)樣本中用機(jī)器學(xué)習(xí)的方法訓(xùn)練權(quán)重，用期望輸出與實(shí)際輸出的差異引導(dǎo)著學(xué)習(xí)過程，權(quán)重值會(huì)隨著學(xué)習(xí)的速度和失敗的次數(shù)而不斷更新,使權(quán)重隨著環(huán)境的變化而實(shí)現(xiàn)偏差糾正，達(dá)到信用分值和級(jí)別越來(lái)越準(zhǔn)確。[0011]S4、計(jì)算企業(yè)信用的可調(diào)式核心指數(shù)，企業(yè)相對(duì)于行業(yè)形成安全區(qū)間，時(shí)間軸上以線性函數(shù)存在，通過函數(shù)預(yù)測(cè)算法可以確定未來(lái)周期內(nèi)受評(píng)主體的信用情況，達(dá)到企業(yè)信用風(fēng)險(xiǎn)預(yù)測(cè)。[0012]S5、根據(jù)企業(yè)信用的影響因素和數(shù)據(jù)、影響企業(yè)信用因素的權(quán)重系數(shù)、企業(yè)信用風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警的偏離度分析當(dāng)前企業(yè)信用水平，以評(píng)估報(bào)告形式展現(xiàn)。在場(chǎng)景預(yù)測(cè)法基礎(chǔ)上，使評(píng)估報(bào)告模塊化，隨著受評(píng)主體在大公中央數(shù)據(jù)庫(kù)信息的變化，通過評(píng)級(jí)指標(biāo)運(yùn)算的結(jié)果，對(duì)應(yīng)的評(píng)估報(bào)告各模塊隨之改變，整個(gè)過程脫離信用分析師的主觀意識(shí)，直接由數(shù)據(jù)決定評(píng)估報(bào)告，用自然語(yǔ)言生成技術(shù)對(duì)評(píng)估報(bào)告優(yōu)化，從而實(shí)現(xiàn)高質(zhì)量的評(píng)估報(bào)告的自動(dòng)生成。[0013]進(jìn)一步地，所述步驟S1還包括：[0014]構(gòu)建企業(yè)信用的指標(biāo)體系和獲取企業(yè)信用影響因素的定量數(shù)據(jù)；[0015]對(duì)企業(yè)信用影響因素的定量數(shù)據(jù)進(jìn)行無(wú)量綱化方法預(yù)處理；[0016]對(duì)企業(yè)信用影響因素智能識(shí)別和數(shù)據(jù)分類；[0017]根據(jù)S3中的企業(yè)信用影響因素的權(quán)重系數(shù)的修正值、預(yù)處理過的定量數(shù)據(jù)和多個(gè)專家評(píng)分算術(shù)平均數(shù)，對(duì)影響因素做加權(quán)聚合計(jì)算，加權(quán)聚合的貝葉斯算法，處理影響因素間重復(fù)對(duì)企業(yè)信用的貢獻(xiàn)，得到企業(yè)信用的綜合評(píng)分、級(jí)別、級(jí)別含義、企業(yè)信用在同行業(yè)的排行榜、可視化輸出信用信息分析結(jié)論。[0018]進(jìn)一步地，所述步驟S2還包括：[0019]企業(yè)信用評(píng)估影響因素的權(quán)重判斷矩陣的自動(dòng)修正、判斷矩陣的自動(dòng)補(bǔ)全的能力。[0020]進(jìn)一步地，所述步驟S3中所述確定的企業(yè)信用影響因素權(quán)重優(yōu)化方法為基于機(jī)器學(xué)習(xí)和BP神經(jīng)網(wǎng)絡(luò)的方法。[0021]進(jìn)一步地，所述步驟S4還包含：[0022]企業(yè)信用評(píng)估是距離。[0023]第二方面，該系統(tǒng)包括：說(shuō)明書 3/7頁(yè)[0024]數(shù)字化智能評(píng)估單元，用于獲取企業(yè)信用評(píng)估影響因素和數(shù)據(jù)，對(duì)數(shù)據(jù)做標(biāo)準(zhǔn)化處理，對(duì)影響因素智能識(shí)別和數(shù)據(jù)分類，計(jì)算企業(yè)信用的綜合評(píng)分和級(jí)別，生成企業(yè)信用在同行業(yè)的排行榜，可視化輸出信用信息分析結(jié)論；[0025]數(shù)字化評(píng)級(jí)權(quán)重自動(dòng)生成單元，根據(jù)層次分析模型構(gòu)建指標(biāo)體系，以專家打分和層次分析相結(jié)合的方法，對(duì)企業(yè)信用評(píng)估指標(biāo)體系中的眾影響因素的權(quán)重系數(shù)進(jìn)行計(jì)算；[0026]數(shù)字化評(píng)級(jí)機(jī)器學(xué)習(xí)權(quán)重優(yōu)化單元，用于優(yōu)化企業(yè)信用影響因素權(quán)重，使權(quán)重隨著環(huán)境的變化而實(shí)現(xiàn)偏差糾正，達(dá)到信用分值和級(jí)別越來(lái)越準(zhǔn)確；[0027]信用風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警單元，是依托于線性函數(shù)的預(yù)測(cè)算法的風(fēng)險(xiǎn)預(yù)測(cè)系統(tǒng)，基于可調(diào)式核心指數(shù)，通過函數(shù)預(yù)測(cè)算法確定未來(lái)周期內(nèi)受評(píng)主體的信用情況，達(dá)到信用風(fēng)險(xiǎn)預(yù)測(cè)的效果；[0028]評(píng)估報(bào)告自然語(yǔ)言生成單元，用場(chǎng)景預(yù)測(cè)法，使評(píng)估報(bào)告模塊化，隨著企業(yè)在中央數(shù)據(jù)庫(kù)信息的變化，通過評(píng)級(jí)指標(biāo)運(yùn)算的結(jié)果，對(duì)應(yīng)的評(píng)估報(bào)告各模塊隨之改變，直接由數(shù)據(jù)決定評(píng)估報(bào)告，用自然語(yǔ)言生成技術(shù)對(duì)評(píng)估報(bào)告優(yōu)化，實(shí)現(xiàn)高質(zhì)量的評(píng)估報(bào)告的自動(dòng)生成。附圖說(shuō)明[0029]通過參考附圖會(huì)更加清楚的理解本發(fā)明的特征和優(yōu)點(diǎn)，附圖是示意性的而不應(yīng)理解為對(duì)本發(fā)明進(jìn)行任何限制，在附圖中：[0030]圖1示出了根據(jù)本發(fā)明基于大數(shù)據(jù)的企業(yè)信用評(píng)估方法一實(shí)施例的流程示意圖；[0031]圖2示出了建立神經(jīng)網(wǎng)絡(luò)模型的流程示意圖；[0032]圖3示出了根據(jù)本發(fā)明基于大數(shù)據(jù)的企業(yè)信用評(píng)估系統(tǒng)一實(shí)施例的結(jié)構(gòu)框圖。具體實(shí)施方式[0033]為了能夠更清楚地理解本發(fā)明的上述目的、特征和優(yōu)點(diǎn)，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明進(jìn)行進(jìn)一步的詳細(xì)描述。需要說(shuō)明的是，在不沖突的情況下，本申請(qǐng)的實(shí)施例及實(shí)施例中的特征可以相互組合。說(shuō)明書 4/7頁(yè)[0034]在下面的描述中闡述了很多具體細(xì)節(jié)以便于充分理解本發(fā)明，但是，本發(fā)明還可以采用其他不同于在此描述的其他方式來(lái)實(shí)施，因此，本發(fā)明的保護(hù)范圍并不受下面公開的具體實(shí)施例的限制。[0035]本發(fā)明提供了一種基于大數(shù)據(jù)的企業(yè)信用評(píng)估方法，如圖1所述，該方法包括：[0036]S1、得到影響企業(yè)信用的影響因素和數(shù)據(jù)，運(yùn)用眾因子加權(quán)聚合貝葉斯算法，計(jì)算眾因子對(duì)評(píng)估主體的信用影響程度；[0037]S2、根據(jù)層次分析模型構(gòu)建指標(biāo)體系，對(duì)指標(biāo)體系中的償債環(huán)境、償債來(lái)源、財(cái)富創(chuàng)造能力和償債能力的眾影響因子的權(quán)重進(jìn)行計(jì)算。通過判斷矩陣進(jìn)行特征值和特征向量的計(jì)算，進(jìn)行一致性檢驗(yàn)，以專家打分和層次分析相結(jié)合的方法確定權(quán)重。[0038]S3、使影響因子在學(xué)習(xí)樣本中用機(jī)器學(xué)習(xí)的方法訓(xùn)練權(quán)重，用期望輸出與實(shí)際輸出的差異引導(dǎo)著學(xué)習(xí)過程，權(quán)重值會(huì)隨著學(xué)習(xí)的速度和失敗的次數(shù)而不斷更新,使權(quán)重隨著環(huán)境的變化而實(shí)現(xiàn)偏差糾正，達(dá)到信用分值和級(jí)別越來(lái)越準(zhǔn)確。[0039]S4、計(jì)算企業(yè)信用可調(diào)式核心指數(shù)，企業(yè)相對(duì)于行業(yè)形成安全區(qū)間，時(shí)間軸上的以線性函數(shù)存在，通過函數(shù)預(yù)測(cè)算法可以確定未來(lái)周期內(nèi)受評(píng)主體的信用情況，達(dá)到企業(yè)信用風(fēng)險(xiǎn)預(yù)測(cè)。[0040]S5、根據(jù)企業(yè)信用的影響因素和數(shù)據(jù)、影響企業(yè)信用因素的權(quán)重系數(shù)、企業(yè)信用風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警分析當(dāng)前企業(yè)信用水平，以評(píng)估報(bào)告形式展現(xiàn)。在場(chǎng)景預(yù)測(cè)法基礎(chǔ)上，使評(píng)估報(bào)告模塊化，隨著受評(píng)主體在大公中央數(shù)據(jù)庫(kù)信息的變化，通過評(píng)級(jí)指標(biāo)運(yùn)算的結(jié)果，對(duì)應(yīng)的評(píng)估報(bào)告各模塊隨之改變，整個(gè)過程脫離信用分析師的主觀意識(shí)，直接由數(shù)據(jù)決定評(píng)估報(bào)告，用自然語(yǔ)言生成技術(shù)對(duì)評(píng)估報(bào)告優(yōu)化，從而實(shí)現(xiàn)高質(zhì)量的評(píng)估報(bào)告的自動(dòng)生成。[0041]步驟S1中，獲取的是影響企業(yè)信用的影響因素和數(shù)據(jù)，所謂的影響因素?cái)?shù)據(jù)是指對(duì)企業(yè)信用評(píng)估指標(biāo)體系中的眾影響因素。[0042]所述企業(yè)信用影響因素?cái)?shù)據(jù)可以為不同預(yù)設(shè)時(shí)間段內(nèi)的影響因素?cái)?shù)據(jù)，這樣的話，步驟S1可具體包括：[0043]獲取企業(yè)信用評(píng)估的不同預(yù)設(shè)時(shí)間段內(nèi)的所述信用評(píng)估指標(biāo)體系中的影響因素?cái)?shù)據(jù)；說(shuō)明書 5/7頁(yè)[0044]對(duì)不同預(yù)設(shè)時(shí)間段內(nèi)的所述企業(yè)信用影響因素?cái)?shù)據(jù)進(jìn)行預(yù)處理；[0045]根據(jù)預(yù)處理后的企業(yè)信用影響因素?cái)?shù)據(jù)，在所在行業(yè)對(duì)應(yīng)的知識(shí)庫(kù)內(nèi)進(jìn)行數(shù)據(jù)智能識(shí)別和數(shù)據(jù)分類；[0046]定量數(shù)據(jù)和多個(gè)專家打分后的定性數(shù)據(jù)用貝葉斯算法進(jìn)行運(yùn)算，輸出企業(yè)信用評(píng)級(jí)分值、級(jí)別、級(jí)別含義；[0047]根據(jù)企業(yè)信用評(píng)級(jí)分值大小，形成企業(yè)信用排行榜；[0048]可視化輸出信用數(shù)據(jù)分析結(jié)論。[0049]上述過程中的預(yù)處理可以為指標(biāo)規(guī)范化處理。[0050]步驟S1可具體包括：[0051]制作層次結(jié)構(gòu)模型；[0052]判斷矩陣生成及兩兩比較數(shù)據(jù)輸入；[0053]判斷矩陣一致性比例及排序權(quán)重計(jì)算；[0054]不一致判斷矩陣自動(dòng)修正，在最大程度保留專家決策數(shù)據(jù)的前提下修正判斷矩陣使之滿足一致性比例。標(biāo)記需要修正的判斷矩陣，整個(gè)修正過程自動(dòng)完成；[0055]殘缺但可接受判斷矩陣的計(jì)算，采用缺失項(xiàng)最大比例來(lái)限制自動(dòng)補(bǔ)全的條件，表示一個(gè)殘缺矩陣只有其中缺失項(xiàng)所占百分比小于此參數(shù)的值時(shí)才能使用自動(dòng)補(bǔ)全功能；[0056]總目標(biāo)或子目標(biāo)排序權(quán)重計(jì)算，無(wú)論是備選方案對(duì)總目標(biāo)的排序權(quán)重，還是備選方案對(duì)層次結(jié)構(gòu)中其他非方案層要素的排序權(quán)重，都可以快速地計(jì)算完成。并且能夠查看詳細(xì)的判斷矩陣數(shù)據(jù)、中間計(jì)算數(shù)據(jù)以及最終計(jì)算結(jié)果；[0057]根據(jù)總目標(biāo)或子目標(biāo)排序權(quán)重的加權(quán)分?jǐn)?shù)計(jì)算，計(jì)算出總目標(biāo)/子目標(biāo)排序權(quán)重后，還可以進(jìn)一步計(jì)算加權(quán)分?jǐn)?shù)，也就是根據(jù)備選方案的權(quán)重和備選方案的實(shí)際得分，計(jì)算最終的加權(quán)得分；[0058]生成結(jié)論，導(dǎo)出權(quán)重計(jì)算數(shù)據(jù)。[0059]步驟S3中，如圖2所示，預(yù)先設(shè)置的機(jī)器學(xué)習(xí)模型的建立過程大致包括：在影響因子的學(xué)習(xí)樣本中用機(jī)器學(xué)習(xí)的方法訓(xùn)練權(quán)重，用期望輸出與實(shí)際輸出的差異引導(dǎo)著學(xué)習(xí)過程，權(quán)重值會(huì)隨著學(xué)習(xí)的速度和失敗的次數(shù)而不斷更新,使權(quán)重隨著環(huán)境的變化而實(shí)現(xiàn)偏差糾正，直到全部誤差小于一個(gè)預(yù)設(shè)的極小值，模型收斂，至此模型建立完畢。利用該機(jī)器學(xué)習(xí)模型對(duì)影響因素權(quán)重系數(shù)進(jìn)行分析，便得到了權(quán)重系數(shù)的優(yōu)化。說(shuō)明書 6/7頁(yè)[0060]步驟S4中，企業(yè)信用評(píng)估是指距離。給偏離度數(shù)學(xué)建模，實(shí)現(xiàn)重要因子可以調(diào)節(jié)指數(shù)，根據(jù)在時(shí)間軸上的線性函數(shù)的曲線走勢(shì)，進(jìn)行預(yù)測(cè)，企業(yè)隨著時(shí)間而發(fā)生變化，與行業(yè)和其他企業(yè)做比較，擁有安全區(qū)間。[0061]步驟S5中，用場(chǎng)景預(yù)測(cè)法對(duì)不同級(jí)別進(jìn)行定義，眾多場(chǎng)景模塊式組成評(píng)級(jí)報(bào)告，用自然語(yǔ)言生成技術(shù)對(duì)評(píng)級(jí)報(bào)告優(yōu)化，從而自動(dòng)生成高質(zhì)量的評(píng)級(jí)報(bào)告，最大可能的排除評(píng)估分析師的主觀干擾。[0062]本發(fā)明還提供一種基于大數(shù)據(jù)的企業(yè)信用評(píng)估系統(tǒng)，如圖3所示，該系統(tǒng)100包括：[0062]數(shù)字化智能評(píng)估單元101，用于獲取企業(yè)信用評(píng)估影響因素和數(shù)據(jù)，對(duì)數(shù)據(jù)做標(biāo)準(zhǔn)化處理，對(duì)影響因素智能識(shí)別和數(shù)據(jù)分類，計(jì)算企業(yè)信用的綜合評(píng)分和級(jí)別，生成企業(yè)信用在同行業(yè)的排行榜，可視化輸出信用信息分析結(jié)論；[0063]數(shù)字化評(píng)級(jí)權(quán)重自動(dòng)生成單元102，根據(jù)層次分析模型構(gòu)建指標(biāo)體系，以專家打分和層次分析相結(jié)合的方法，對(duì)企業(yè)信用評(píng)估指標(biāo)體系中的眾影響因素的權(quán)重系數(shù)進(jìn)行計(jì)算；[0064]數(shù)字化評(píng)級(jí)機(jī)器學(xué)習(xí)權(quán)重優(yōu)化單元103，用于優(yōu)化企業(yè)信用影響因素權(quán)重，使權(quán)重隨著環(huán)境的變化而實(shí)現(xiàn)偏差糾正，達(dá)到信用分值和級(jí)別越來(lái)越準(zhǔn)確；[0065]信用風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警單元104，是依托于線性函數(shù)的預(yù)測(cè)算法的風(fēng)險(xiǎn)預(yù)測(cè)系統(tǒng)，基于偏離度及可調(diào)式核心指數(shù)，通過函數(shù)預(yù)測(cè)算法確定未來(lái)周期內(nèi)受評(píng)主體的信用情況，達(dá)到信用風(fēng)險(xiǎn)預(yù)測(cè)的效果；[0066]評(píng)估報(bào)告自然語(yǔ)言生成單元105，用場(chǎng)景預(yù)測(cè)法，使評(píng)估報(bào)告模塊化，隨著企業(yè)在中央數(shù)據(jù)庫(kù)信息的變化，通過