(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 202210353146.9 (22)申请日 2022.04.06 (71)申请人 北京市农林科 学院信息技 术研究中 心 地址 100097 北京市海淀区曙光 花园中路 11号农科大厦A座1 107 (72)发明人 潘守慧　王开义　赵向宇　韩焱云　 刘忠强　杨锋　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 代理人 郭亮 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 50/02(2012.01) G06Q 10/06(2012.01)G06F 16/36(2019.01) G06N 20/00(2019.01) (54)发明名称 数据驱动的新型农业经营主体信用等级生 成方法及装置 (57)摘要 本发明提供一种数据驱动的新型农业经营 主体信用等级生成方法及装置， 该方法包括： 从 多个数据源获取下属各经营主体相关的评价数 据； 根据不同信用评级指标集， 基于评价数据计 算出每个经营主体的所有信用评级指标值； 将评 级指标值输入至预设的信用等级划分模型， 输出 每个经营主体的信用等级； 构建经营主体知 识图 谱， 对经营主体的信用信息进行可视化表达和知 识推理； 其中， 信用等级划分模型是根据每个信 用服务器基于本地训练数据进行本地训练后， 再 根据所有信用服务器的训练参数进行全局训练 后得到。 该方法可保障本地数据隐私， 较好地解 决了模型训练中的数据孤岛、 数据隐私等问题， 并使信用评级结果更客观、 准确地反映经营主体 信用状况。 权利要求书3页 说明书13页 附图3页 CN 114429398 A 2022.05.03 CN 114429398 A 1.一种数据驱动的新型农业经 营主体信用等级生成方法， 其特 征在于， 包括： 每个信用服务器定期 从多个数据源分别获取下属各经营主体相关的评价数据， 并存储 在每个经营主体对应的唯一信用档案中； 根据预设的不同经营主体类型所对应的信用评级指标集， 基于对应信用档案中的评价 数据， 计算出每 个经营主体的所有信用评级指标值； 将每个经营主体的所有信用评级指标值， 分别输入至预设的基于机器学习的信用等级 划分模型， 输出每 个经营主体的信用等级； 根据所有经营主体的信用等级， 构建经营主体知识图谱， 对经营主体的信用信息进行 可视化表达和知识推理； 其中， 所述信用等级划分模型， 是根据每个信用服务器基于本地训练数据进行本地训 练后， 再利用所有信用服务器的训练参数进 行全局协同训练后得到； 所述本地训练数据， 为 标准信用等级和对应信用评级指标值的组合； 所述标准信用等级为每个信用服务器下属经 营主体已确定的不同信用等级。 2.根据权利要求1所述的数据驱动的新型农业经营主体信用等级生成方法， 其特征在 于， 所述定期从多个数据源分别获取 下属各经营主体相关的评价数据之前， 还 包括： 根据每个下属经营主体的属性信息， 生成全局唯一的标识符， 基于所述标识符为每个 下属经营主体建立信用档案； 其中， 所述属性信息包括经 营主体类型、 统一社会信用代码、 地 域编码和校验码。 3.根据权利要求1所述的数据驱动的新型农业经营主体信用等级生成方法， 其特征在 于， 所述定期从多个数据源分别获取下属各经营主体相关的评价数据， 并存储在每个经营 主体对应的唯一信用档案中， 包括： 定期向各数据源服务器发送数据查询 指令； 所述数据查询 指令用于各数据源服务器收 到数据查询指令后， 检索出符合查询条件的评价数据集R， 并计算出评价数据集R的消息摘 要 ， 以及利用私钥对消息摘要 进行加密得到消息摘要 ， 并将评价数据集R和加密 后的消息摘要 发送给信用服 务器； 接收数据源服务器发送的包括评价数据集R和消息摘要 的数据包， 计算数据集R的消 息摘要得到 ， 使用公钥对消息摘要 进行解密， 得到 ； 若 与 的值相等， 则数据真实性验证通过， 提取评价数据存储到每个经营主体 对应的唯一信用档案中。 4.根据权利要求1所述的数据驱动的新型农业经营主体信用等级生成方法， 其特征在 于， 所述定期从多个数据源分别获取下属各经营主体相关的评价数据之后， 存储在每个经 营主体对应的唯一信用档案中之前， 还 包括： 对所获取的所有评价数据进行预处理， 所述预处理包括动态脱敏、 数据清洗、 缺失值处 理、 噪声数据处 理、 数据归一 化和标准 化中任意 一种或多种； 对所获取的所有评价数据进行数据融合， 所述数据融合包括综合运用本体对齐、 实体 链接、 冲突解决和关系推演技术， 对不同来源的评价数据进 行语义关联， 消除不同来源数据 之间的异构性； 其中， 所述信用档案， 按评价数据来源渠道或权属关系分组后， 被分散存储在若干个分 布式信用服 务器中。权　利　要　求　书 1/3 页 2 CN 114429398 A 25.根据权利要求1所述的数据驱动的新型农业经营主体信用等级生成方法， 其特征在 于， 所述将每个经营主体的所有信用评级指标值， 分别输入至预设的基于机器学习的信用 等级划分模型之前， 还 包括： 从多个数据源服务器中分别获取各经营主体相关的评价数据， 并确定每个经营主体的 信用等级， 将每 个经营主体的评价数据和对应的信用等级的组合作为本地的训练样本； 基于本地训练样本， 对初始的信用等级划分模型进行本地训练； 将信用等级划分模型本地训练后的模型信息发送到由多个信用服务器构成的区块链 网络中， 以用于区块链网络根据共识机制从所有信用服务器中选出全局 服务器， 所述全局 服务器用于根据每个信用服务器发送的模型信息， 计算全局模型 的梯度， 并生成包括全局 模型梯度新的新区块； 每个数据源服 务器从所述 新区快中， 获取全局模型的梯度， 对本地模型进行 更新； 其中， 所述模型信息包括模型参数、 损失函数值和训练时间。 6.根据权利要求5所述的数据驱动的新型农业经营主体信用等级生成方法， 其特征在 于， 所述基于 本地训练样本， 对初始的信用等级划分模型进行本地训练， 包括： 根据如下损失函数， 基于 本地训练样本， 对初始的信用等级划分模型进行本地训练： ； 其中， ， 为模型参数 对单个训练样本 的代价函数； 表示第i个训练样本的信用评级指标向量， 表示i个训练样本的信用等级； 表示第 个 信 用 服 务 器 ； 为 第 个 信 用 服 务 器 本 地 模 型 上 的 训 练 样 本 数 ； 为第 个信用服务器上的数据样本集合； 为参数向量 的 范数； 为正则化参数； 相应地， 所述根据每个信用服务器发送的模型信息， 计算全局模型的梯度， 包括基于如 下损失函数计算全局梯度： ； 其中， 为参与训练的信用服务器总个数， 所有信用服务器本地模型上的总样本数为 ； 为第 轮迭代时全局模型的损失函数， 是第 轮迭代时的模型参数， 为第 个本地模型在第 轮迭代时的预测值与真实值的离差平方和， 表 示i个训练样本的信用等级预测值， 为所有本地模型在第 轮迭代时的离差平方 和的总和， 为预设常数。 7.根据权利要求1所述的数据驱动的新型农业经营主体信用等级生成方法， 其特征在 于， 所述根据所有 经营主体的信用等级， 构建经营主体知识图谱， 对 经营主体的信用信息进 行可视化表达和知识推理， 包括：权　利　要　求　书 2/3 页 3 CN 114429398 A 3