(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 202210933136.2 (22)申请日 2022.08.04 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 张云云　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 钱娜 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) (54)发明名称 信用风险评估方法及 装置、 存储介质及电子 设备 (57)摘要 本申请公开了一种信用风险评估方法及装 置、 存储介质及电子设备， 可应用于大数据领域 或金融领域， 该方法包括： 收集待评估的供应链 金融中的每个企业的各个指标数据； 对各个指标 数据进行处理， 得到各个标准指标数据； 基于各 个标准指标数据， 构建多个训练集， 每个训练集 中包含多个样本数据； 对于每个训练集， 应用训 练集中的各个样本数据， 构建与训练集对应的决 策树； 将各个决策树组成随机森林模型， 并应用 随机森林模型输出所述供应链金融的信用风险 评估结果。 本发 明采集供应链金融中每个企业的 数据， 采集的数据覆盖面广， 由此构建的随机森 林模型可以对 供应链金融全面的进行风险评估， 得到的信用风险评估结果更加的准确、 精度更 高。 权利要求书2页 说明书9页 附图3页 CN 115205033 A 2022.10.18 CN 115205033 A 1.一种信用风险评估方法， 其特 征在于， 包括： 收集待评估的供应链金融 中的每个企业的各个指标 数据； 对各个所述指标 数据进行处 理， 得到各个标准指标 数据； 基于各个所述标准指标 数据， 构建多个训练集， 每 个所述训练集中包 含多个样本数据； 对于每个所述训练集， 应用所述训练集中的各个样本数据， 构建与所述训练集对应的 决策树； 将各个所述决策树组成随机森林模型， 并应用所述随机森林模型输出所述供应链金融 的信用风险评估结果。 2.根据权利要求1所述的方法， 其特征在于， 所述收集待评估的供应链金融中的每个企 业的各个指标 数据， 包括： 确定预设的指标体系， 所述指标体系中包括各个指标维度， 每个指标维度包含多个评 估指标； 对于每个所述企业， 采集所述企业在每个指标维度的多个数值组， 所述数值组中包含 其所属的指标维度的每 个评估指标的指标值； 基于每个所述企业的各个数值组， 组成每 个所述企业的各个指标 数据。 3.根据权利要求1所述的方法， 其特征在于， 各个指标维度包括行业状况、 融资企业自 身状况、 核心企业资信状况以及供应链关系状况。 4.根据权利要求3所述的方法， 其特征在于， 所述行业状况的各个评估指标包括宏观环 境、 行业发展前景以及企业基本素质； 所述融资企业自身状况的各个评估指标包括盈利能 力、 营运能力、 短期偿债、 长期偿债以及信用记录； 所述核心企业资信状况的各个评估指标 包括盈利能力、 营运能力、 短期偿债以及信用状况； 所述供应链关系状态的各个评估指标包 括关系强度、 关系质量、 关系久度以及融资企业 地位。 5.根据权利要求1所述的方法， 其特征在于， 所述应用所述训练集中的各个样本数据， 构建与所述训练集对应的决策树， 包括： 为所述训练集设置信用评估方向； 从所述训练集的各个样本数据中提取与所述信用评估方向对应的特 征数据； 使用所述特 征数据构建各个特 征节点， 并使用各个所述特 征节点构成决策树。 6.一种信用风险评估 装置， 其特 征在于， 包括： 收集单元， 用于收集待评估的供应链金融 中的每个企业的各个指标 数据； 处理单元， 用于对各个所述指标 数据进行处 理， 得到各个标准指标 数据； 第一构建单元， 用于基于各个所述标准指标数据， 构建多个训练集， 每个所述训练集中 包含多个样本数据； 第二构建单元， 用于对于每个所述训练集， 应用所述训练集中的各个样本数据， 构建与 所述训练集对应的决策树； 输出单元， 用于将各个所述决策树组成随机森林模型， 并应用所述随机森林模型输出 所述供应链金融的信用风险评估结果。 7.根据权利要求6所述的装置， 其特 征在于， 所述收集单 元， 包括： 第一确定子单元， 用于确定预设的指标体系， 所述指标体系中包括各个指标维度， 每个 指标维度包 含多个评估指标；权　利　要　求　书 1/2 页 2 CN 115205033 A 2采集子单元， 用于对于每个所述企业， 采集所述企业在每个指标维度的多个数值组， 所 述数值组中包 含其所属的指标维度的每 个评估指标的指标值； 组成子单元， 用于基于每个所述企业的各个数值组， 组成每个所述企业的各个指标数 据。 8.根据权利要求6所述的装置， 其特 征在于， 所述第二构建单 元， 包括： 设置子单元， 用于为所述训练集设置信用评估方向； 提取子单元， 用于从所述训练集的各个样本数据中提取与所述信用评估方向对应的特 征数据； 构建子单元， 用于使用所述特征数据构建各个特征节点， 并使用各个所述特征节点构 成决策树。 9.一种存储介质， 其特征在于， 所述存储介质包括存储的指令， 其中， 在所述指令运行 时控制所述存 储介质所在的设备 执行如权利要求1 ‑5任意一项所述的信用风险评估方法。 10.一种电子设备， 其特征在于， 包括存储器， 以及一个或者一个以上的指令， 其中一个 或者一个以上指令存储于存储器中， 且经配置以由一个 或者一个以上 处理器执行如权利要 求1‑5任意一项所述的信用风险评估方法。权　利　要　求　书 2/2 页 3 CN 115205033 A 3