一种信贷风险预测方法、装置、电子设备及存储介质与流程

1.本发明涉及金融信息技术领域，更具体的说，涉及一种信贷风险预测方法、装置、电子设备及存储介质。


背景技术：

2.随着社会经济的高速发展，各大银行作为金融服务的中心，越来越多的客户通过银行办理各种金融贷款业务，以满足客户的日常生活需求。其中，主要办理的金融信贷业务为贷款业务，而贷款业务是基于贷款当事人的信用为基础进行的金融业务。由于是以信用为基础，因此对于银行等金融机构来说，这笔贷款存在一定的逾期风险。能够提高对于此类金融风险的防范能力，对于银行等金融机构的发展有至关重要的作用。
3.现有的信贷风险预测方案是通过人力根据先验知识和规范条例制定一些规则来判断客户是否面临贷款资金使用不规范或无法偿还的风险，因此，信贷风险预测结果受人为因素影响较大，准确性不高。


技术实现要素：

4.有鉴于此，本发明公开一种信贷风险预测方法、装置、电子设备及存储介质，以解决现有的信贷风险预测结果受人为因素影响较大，准确性不高的问题。
5.一种信贷风险预测方法，包括：
6.将客户提交的信贷资料转换成预设格式的文本信息；
7.将所述文本信息输入至预先训练的信贷风险算法模型，预测所述文本信息在各风险类别中的概率分布，得到第一信贷风险预测结果；
8.基于所述文本信息的关键词在信贷场景下的知识图谱中进行查询，得到所有的信贷特征信息；
9.将所有的所述信贷特征信息进行拼接并输入至预先训练的朴素贝叶斯模型，预测所述文本信息在各风险类别中的概率分布，得到第二信贷风险预测结果；
10.基于所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的相似性，确定最终的目标信贷风险预测结果。
11.可选的，所述基于所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的相似性，确定最终的目标信贷风险预测结果，包括：
12.基于余弦相似度算法，计算所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的余弦相似度；
13.当所述余弦相似度大于预设阈值时，将所述第一信贷风险预测结果确定为所述目标信贷风险预测结果。
14.可选的，还包括：
15.当所述余弦相似度不大于所述预设阈值时，确定本次信贷风险预测失败，并放弃所述第一信贷风险预测结果。
16.可选的，所述信贷特征信息包括：客户亲属朋友的信贷信息。
17.可选的，所述将客户提交的信贷资料转换成预设格式的文本信息，包括：
18.采用光学字符识别技术，将所述信贷资料转换成预设格式的所述文本信息。
19.可选的，当所述风险类别包括：信贷高风险、信贷中风险和信贷低风险时，所述第一信贷风险预测结果和所述第二信贷风险预测结果均为一个三维向量，所述三维向量表示所述文本信息在所述信贷高风险、所述信贷中风险和所述信贷低风险中的概率分布。
20.可选的，所述信贷风险算法模型的训练过程包括：
21.分别向多种有监督机器学习分类算法模型输入具有信贷风险标记的文本语料进行训练，并将训练效果最佳的算法模型确定为所述信贷风险算法模型。
22.一种信贷风险预测装置，包括：
23.格式转换单元，用于将客户提交的信贷资料转换成预设格式的文本信息；
24.第一预测单元，用于将所述文本信息输入至预先训练的信贷风险算法模型，预测所述文本信息在各风险类别中的概率分布，得到第一信贷风险预测结果；
25.查询单元，用于基于所述文本信息的关键词在信贷场景下的知识图谱中进行查询，得到所有的信贷特征信息；
26.第二预测单元，用于将所有的所述信贷特征信息进行拼接并输入至预先训练的朴素贝叶斯模型，预测所述文本信息在各风险类别中的概率分布，得到第二信贷风险预测结果；
27.预测结果确定单元，用于基于所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的相似性，确定最终的目标信贷风险预测结果。
28.可选的，所述预测结果确定单元包括：
29.相似度计算子单元，用于基于余弦相似度算法，计算所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的余弦相似度；
30.预测结果确定子单元，用于当所述余弦相似度大于预设阈值时，将所述第一信贷风险预测结果确定为所述目标信贷风险预测结果。
31.一种电子设备，所述电子设备包括存储器和处理器；
32.所述存储器用于存储至少一个指令；
33.所述处理器用于执行所述至少一个指令以实现上述所述的信贷风险预测方法。
34.一种计算机可读存储介质，所述计算机可读存储介质存储至少一个指令，所述至少一个指令被处理器执行时实现上述所述的信贷风险预测方法。
35.从上述的技术方案可知，本发明公开了一种信贷风险预测方法、装置、电子设备及存储介质，将客户提交的信贷资料转换成预设格式的文本信息，一方面将文本信息输入至信贷风险算法模型，预测文本信息在各风险类别中的概率分布得到第一信贷风险预测结果，另一方面基于文本信息的关键词在信贷场景下的知识图谱中进行查询得到所有的信贷特征信息，将所有的信贷特征信息进行拼接并输入至朴素贝叶斯模型，预测文本信息在各风险类别中的概率分布得到第二信贷风险预测结果，基于第一信贷风险预测结果和第二信贷风险预测结果之间的相似性，得到最终的目标信贷风险预测结果。本发明采用两种不同的风险预测模型得到两个信贷风险预测结果，并结合两个信贷风险预测结果确定最终的目标信贷风险预测结果，整个过程不受人为因素影响，因此大大提高了信贷风险预测的准确
性。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据公开的附图获得其他的附图。
37.图1为本发明实施例公开的一种信贷风险预测方法流程图；
38.图2为本发明实施例公开的一种知识图谱的示意图；
39.图3为本发明实施例公开的一种知识图谱查询结果的示意图；
40.图4为本发明实施例公开的一种基于第一信贷风险预测结果和第二信贷风险预测结果之间的相似性确定最终的目标信贷风险预测结果的方法流程图；
41.图5为本发明实施例公开的一种信贷风险预测装置的结构示意图；
42.图6为本发明实施例公开的一种电子设备的结构示意图。
具体实施方式
43.需要说明的是，本发明提供的信贷风险预测方法、装置、电子设备及存储介质可用于人工智能领域或金融领域。上述仅为示例，并不对本发明提供的一种信贷风险预测方法、装置、电子设备及存储介质的应用领域进行限定。
44.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
45.本发明实施例公开了一种信贷风险预测方法、装置、电子设备及存储介质，将客户提交的信贷资料转换成预设格式的文本信息，一方面将文本信息输入至信贷风险算法模型，预测文本信息在各风险类别中的概率分布得到第一信贷风险预测结果，另一方面基于文本信息的关键词在信贷场景下的知识图谱中进行查询得到所有的信贷特征信息，将所有的信贷特征信息进行拼接并输入至朴素贝叶斯模型，预测文本信息在各风险类别中的概率分布得到第二信贷风险预测结果，基于第一信贷风险预测结果和第二信贷风险预测结果之间的相似性，得到最终的目标信贷风险预测结果。本发明采用两种不同的风险预测模型得到两个信贷风险预测结果，并结合两个信贷风险预测结果确定最终的目标信贷风险预测结果，整个过程不受人为因素影响，因此大大提高了信贷风险预测的准确性。
46.参见图1，本发明实施例公开的一种信贷风险预测方法流程图，该方法包括：
47.步骤s101、将客户提交的信贷资料转换成预设格式的文本信息。
48.在实际应用中，可以采用ocr(optical character recognition，光学字符识别)技术，将信贷资料转换成预设格式的文本信息。
49.ocr是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。即针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软
件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。
50.其中，预设格式可以为word或pdf等。
51.步骤s102、将所述文本信息输入至预先训练的信贷风险算法模型，预测所述文本信息在各风险类别中的概率分布，得到第一信贷风险预测结果。
52.在实际应用中，可以通过flink(弗林克)将文本信息输入至信贷风险算法模型。
53.本实施例中风险类别可以包括：信贷高风险、信贷中风险和信贷低风险，通过将文本信息输入至信贷风险算法模型，可以得到文本信息在信贷高风险、信贷中风险和信贷低风险中的概率分布，即一个三维向量，记为第一三维向量，第一三维向量也即第一信贷风险预测结果，表示文本信息在信贷高风险、信贷中风险和信贷低风险中的概率分布。
54.步骤s103、基于所述文本信息的关键词在信贷场景下的知识图谱中进行查询，得到所有的信贷特征信息。
55.其中，文本信息的关键词依据实际需要而定，比如唯一确定客户身份的客户身份证号。
56.在实际应用中，可以将文本信息的关键词作为flink流在信贷场景下的知识图谱中进行查询，得到所有的信贷特征信息。
57.步骤s104、将所有的所述信贷特征信息进行拼接并输入至预先训练的朴素贝叶斯模型，预测所述文本信息在各风险类别中的概率分布，得到第二信贷风险预测结果。
58.通过将所有的信贷特征信息进行拼接可以得到一个文本，将该文本输入至朴素贝叶斯模型可以预测文本信息在各风险类别中的概率分布，从而得到第二信贷风险预测结果。
59.信贷特征信息依据实际需要而定，比如，客户亲属朋友的信贷信息。也即利用客户亲属朋友的信贷信息和朴素贝叶斯模型，预测得到第二信贷风险预测结果。
60.本实施例中风险类别可以包括：信贷高风险、信贷中风险和信贷低风险，通过将所有的信贷特征信息进行拼接并输入至朴素贝叶斯模型，可以得到文本信息在信贷高风险、信贷中风险和信贷低风险中的概率分布，即一个三维向量，记为第二三维向量，第二三维向量也即第二信贷风险预测结果，表示文本信息在信贷高风险、信贷中风险和信贷低风险中的概率分布。
61.朴素贝叶斯模型采用具有信贷风险标记(高、中、低)的文本语料对朴素贝叶斯算法训练得到。
62.步骤s105、基于所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的相似性，确定最终的目标信贷风险预测结果。
63.根据目标信贷风险预测结果即可确定客户的风险属性，以便为客户办理业务提供依据。
64.综上可知，本发明公开了一种信贷风险预测方法，将客户提交的信贷资料转换成预设格式的文本信息，一方面将文本信息输入至信贷风险算法模型，预测文本信息在各风险类别中的概率分布得到第一信贷风险预测结果，另一方面基于文本信息的关键词在信贷场景下的知识图谱中进行查询得到所有的信贷特征信息，将所有的信贷特征信息进行拼接并输入至朴素贝叶斯模型，预测文本信息在各风险类别中的概率分布得到第二信贷风险预测结果，基于第一信贷风险预测结果和第二信贷风险预测结果之间的相似性，得到最终的
目标信贷风险预测结果。本发明采用两种不同的风险预测模型得到两个信贷风险预测结果，并结合两个信贷风险预测结果确定最终的目标信贷风险预测结果，整个过程不受人为因素影响，因此大大提高了信贷风险预测的准确性。
65.另外，在信贷领域文本多而杂的情况下，相对于现有信贷风险预测方案而言，本发明提供的信贷风险预测方法降低了人力成本和时间成本，从而实现对信贷风险的快速识别，提高业务处理效率，进而提高银行整体效益。
66.需要说明的是，本发明中知识图谱基于信贷场景下的银行的历史信贷资料构建。在实际应用中，可以在知识图谱中标记上标签或是挖掘新的关联关系。
67.举例说明，参见图2，本发明实施例公开的一种知识图谱的示意图，知识图谱上的标签可以包括：任职、朋友、亲属、借贷和管理。
68.基于文本信息的关键词(比如唯一确定客户身份的客户身份证号)在知识图谱中进行查询，得到所有的信贷特征信息，详见图3所示的查询结果，从图3中可以看出，客户任职公司b，客户的朋友任职公司a，客户的亲属李四与公司c存在借贷关系。
69.为进一步优化上述实施例，参见图4，本发明实施例公开的一种基于第一信贷风险预测结果和第二信贷风险预测结果之间的相似性确定最终的目标信贷风险预测结果的方法流程图，该方法包括：
70.步骤s201、基于余弦相似度算法，计算第一信贷风险预测结果和第二信贷风险预测结果之间的余弦相似度。
71.其中，余弦相似度算法的计算公式如下：
[0072][0073]
式中，a为第一信贷风险预测结果，b为第二信贷风险预测结果。
[0074]
步骤s202、判断余弦相似度是否大于预设阈值，如果是，则执行步骤s203；
[0075]
其中，预设阈值的取值依据实际需要而定，本发明在此不做限定。
[0076]
步骤s203、将第一信贷风险预测结果确定为目标信贷风险预测结果。
[0077]
本实施例中，第一信贷风险预测结果和第二信贷风险预测结果之间的余弦相似度越高，表明第一信贷风险预测结果和第二信贷风险预测结果越接近，在这种情况下，将第一信贷风险预测结果确定为目标信贷风险预测结果。由于本发明结合第一信贷风险预测结果和第二信贷风险预测结果确定最终的目标信贷风险预测结果，且两个信贷风险预测结果不受人为因素影响，因此，本发明大大提高了信贷风险预测的准确性。
[0078]
另外，在信贷领域文本多而杂的情况下，相对于现有信贷风险预测方案而言，本发明提供的信贷风险预测方法降低了人力成本和时间成本，从而实现对信贷风险的快速识别，提高业务处理效率，进而提高银行整体效益。
[0079]
为进一步优化上述实施例，当步骤s202判断为否时，还可以包括：
[0080]
步骤s204、确定本次信贷风险预测失败，并放弃第一信贷风险预测结果。
[0081]
本实施例中，当第一信贷风险预测结果和第二信贷风险预测结果之间的余弦相似度低于预设阈值时，表明第一信贷风险预测结果和第二信贷风险预测结果相差较多，预测结果存在较大误差，在这种情况下，放弃第一信贷风险预测结果，重新进行信贷风险预测。
[0082]
为进一步优化上述实施例，本发明还公开了信贷风险算法模型的训练过程，具体如下：
[0083]
分别向多种有监督机器学习分类算法模型输入具有信贷风险标记的文本语料进行训练，并将训练效果最佳的算法模型确定为信贷风险算法模型。
[0084]
其中，具有信贷风险标记的文本语料指的是具有信贷风险标记(高、中、低)的文本语料。
[0085]
需要说明的是，本发明在确定最终的目标信贷风险预测结果后，可以将目标信贷风险预测结果传回至前端页面，以便柜员根据目标信贷风险预测结果选择对应的处理方式为客户办理业务。
[0086]
与上述方法实施例相对应，本发明还公开了一种信贷风险预测装置。
[0087]
参见图5，本发明实施例公开的一种信贷风险预测装置的结构示意图，该装置包括：
[0088]
格式转换单元301，用于将客户提交的信贷资料转换成预设格式的文本信息。
[0089]
在实际应用中，可以采用ocr技术将信贷资料转换成预设格式的文本信息。
[0090]
其中，预设格式可以为word或pdf等。
[0091]
第一预测单元302，用于将所述文本信息输入至预先训练的信贷风险算法模型，预测所述文本信息在各风险类别中的概率分布，得到第一信贷风险预测结果。
[0092]
本实施例中风险类别可以包括：信贷高风险、信贷中风险和信贷低风险，通过将文本信息输入至信贷风险算法模型，可以得到文本信息在信贷高风险、信贷中风险和信贷低风险中的概率分布，即一个三维向量，记为第一三维向量，第一三维向量也即第一信贷风险预测结果。
[0093]
查询单元303，用于基于所述文本信息的关键词在知识图谱中进行查询，得到所有的信贷特征信息。
[0094]
其中，文本信息的关键词依据实际需要而定，比如唯一确定客户身份的客户身份证号。
[0095]
第二预测单元304，用于将所有的所述信贷特征信息进行拼接并输入至预先训练的朴素贝叶斯模型，预测所述文本信息在各风险类别中的概率分布，得到第二信贷风险预测结果。
[0096]
通过将所有的信贷特征信息进行拼接可以得到一个文本，将该文本输入至朴素贝叶斯模型可以预测文本信息在各风险类别中的概率分布，从而得到第二信贷风险预测结果。
[0097]
本实施例中风险类别可以包括：信贷高风险、信贷中风险和信贷低风险，通过将所有的信贷特征信息进行拼接并输入至朴素贝叶斯模型，可以得到文本信息在信贷高风险、信贷中风险和信贷低风险中的概率分布，即一个三维向量，记为第二三维向量，第二三维向量也即第二信贷风险预测结果。
[0098]
预测结果确定单元305，用于基于所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的相似性，确定最终的目标信贷风险预测结果。
[0099]
根据目标信贷风险预测结果即可确定客户的风险属性，以便为客户办理业务提供依据。
[0100]
综上可知，本发明公开了一种信贷风险预测装置，将客户提交的信贷资料转换成预设格式的文本信息，一方面将文本信息输入至信贷风险算法模型，预测文本信息在各风险类别中的概率分布得到第一信贷风险预测结果，另一方面基于文本信息的关键词在信贷场景下的知识图谱中进行查询得到所有的信贷特征信息，将所有的信贷特征信息进行拼接并输入至朴素贝叶斯模型，预测文本信息在各风险类别中的概率分布得到第二信贷风险预测结果，基于第一信贷风险预测结果和第二信贷风险预测结果之间的相似性，得到最终的目标信贷风险预测结果。本发明采用两种不同的风险预测模型得到两个信贷风险预测结果，并结合两个信贷风险预测结果确定最终的目标信贷风险预测结果，整个过程不受人为因素影响，因此大大提高了信贷风险预测的准确性。
[0101]
另外，在信贷领域文本多而杂的情况下，相对于现有信贷风险预测方案而言，本发明提供的信贷风险预测方法降低了人力成本和时间成本，从而实现对信贷风险的快速识别，提高业务处理效率，进而提高银行整体效益。
[0102]
为进一步优化上述实施例，预测结果确定单元305可以包括：
[0103]
相似度计算子单元，用于基于余弦相似度算法，计算所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的余弦相似度；
[0104]
预测结果确定子单元，用于当所述余弦相似度大于预设阈值时，将所述第一信贷风险预测结果确定为所述目标信贷风险预测结果。
[0105]
预测结果确定单元305还可以包括：
[0106]
预测失败确定子单元，用于当余弦相似度不大于预设阈值时，确定本次信贷风险预测失败，并放弃第一信贷风险预测结果。
[0107]
为进一步优化上述实施例，信贷风险预测装置还可以包括：
[0108]
模型训练单元，用于分别向多种有监督机器学习分类算法模型输入具有信贷风险标记的文本语料进行训练，并将训练效果最佳的算法模型确定为信贷风险算法模型。
[0109]
与上述实施例相对应，如图6所示，本发明还公开了一种电子设备，电子设备可以包括：处理器1和存储器2；
[0110]
其中，处理器1和存储器2通过通信总线3完成相互间的通信；
[0111]
处理器1，用于执行至少一个指令；
[0112]
存储器2，用于存储至少一个指令；
[0113]
处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
[0114]
存储器2可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0115]
其中，处理器执行至少一个指令实现如下功能：
[0116]
将客户提交的信贷资料转换成预设格式的文本信息；
[0117]
将所述文本信息输入至预先训练的信贷风险算法模型，预测所述文本信息在各风险类别中的概率分布，得到第一信贷风险预测结果；
[0118]
基于所述文本信息的关键词在信贷场景下的知识图谱中进行查询，得到所有的信贷特征信息；
[0119]
将所有的所述信贷特征信息进行拼接并输入至预先训练的朴素贝叶斯模型，预测所述文本信息在各风险类别中的概率分布，得到第二信贷风险预测结果；
[0120]
基于所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的相似性，确定最终的目标信贷风险预测结果。
[0121]
综上可知，本发明公开了一种电子设备，将客户提交的信贷资料转换成预设格式的文本信息，一方面将文本信息输入至信贷风险算法模型，预测文本信息在各风险类别中的概率分布得到第一信贷风险预测结果，另一方面基于文本信息的关键词在信贷场景下的知识图谱中进行查询得到所有的信贷特征信息，将所有的信贷特征信息进行拼接并输入至朴素贝叶斯模型，预测文本信息在各风险类别中的概率分布得到第二信贷风险预测结果，基于第一信贷风险预测结果和第二信贷风险预测结果之间的相似性，得到最终的目标信贷风险预测结果。本发明采用两种不同的风险预测模型得到两个信贷风险预测结果，并结合两个信贷风险预测结果确定最终的目标信贷风险预测结果，整个过程不受人为因素影响，因此大大提高了信贷风险预测的准确性。
[0122]
与上述实施例相对应，本发明还公开了一种计算机可读存储介质，计算机可读存储介质存储至少一个指令，所述至少一个指令被处理器执行时实现如下功能：
[0123]
将客户提交的信贷资料转换成预设格式的文本信息；
[0124]
将所述文本信息输入至预先训练的信贷风险算法模型，预测所述文本信息在各风险类别中的概率分布，得到第一信贷风险预测结果；
[0125]
基于所述文本信息的关键词在信贷场景下的知识图谱中进行查询，得到所有的信贷特征信息；
[0126]
将所有的所述信贷特征信息进行拼接并输入至预先训练的朴素贝叶斯模型，预测所述文本信息在各风险类别中的概率分布，得到第二信贷风险预测结果；
[0127]
基于所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的相似性，确定最终的目标信贷风险预测结果。
[0128]
综上可知，本发明公开了一种计算机可读存储介质，将客户提交的信贷资料转换成预设格式的文本信息，一方面将文本信息输入至信贷风险算法模型，预测文本信息在各风险类别中的概率分布得到第一信贷风险预测结果，另一方面基于文本信息的关键词在信贷场景下的知识图谱中进行查询得到所有的信贷特征信息，将所有的信贷特征信息进行拼接并输入至朴素贝叶斯模型，预测文本信息在各风险类别中的概率分布得到第二信贷风险预测结果，基于第一信贷风险预测结果和第二信贷风险预测结果之间的相似性，得到最终的目标信贷风险预测结果。本发明采用两种不同的风险预测模型得到两个信贷风险预测结果，并结合两个信贷风险预测结果确定最终的目标信贷风险预测结果，整个过程不受人为因素影响，因此大大提高了信贷风险预测的准确性。
[0129]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排
除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0130]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0131]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种信贷风险预测方法，其特征在于，包括：将客户提交的信贷资料转换成预设格式的文本信息；将所述文本信息输入至预先训练的信贷风险算法模型，预测所述文本信息在各风险类别中的概率分布，得到第一信贷风险预测结果；基于所述文本信息的关键词在信贷场景下的知识图谱中进行查询，得到所有的信贷特征信息；将所有的所述信贷特征信息进行拼接并输入至预先训练的朴素贝叶斯模型，预测所述文本信息在各风险类别中的概率分布，得到第二信贷风险预测结果；基于所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的相似性，确定最终的目标信贷风险预测结果。2.根据权利要求1所述的信贷风险预测方法，其特征在于，所述基于所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的相似性，确定最终的目标信贷风险预测结果，包括：基于余弦相似度算法，计算所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的余弦相似度；当所述余弦相似度大于预设阈值时，将所述第一信贷风险预测结果确定为所述目标信贷风险预测结果。3.根据权利要求2所述的信贷风险预测方法，其特征在于，还包括：当所述余弦相似度不大于所述预设阈值时，确定本次信贷风险预测失败，并放弃所述第一信贷风险预测结果。4.根据权利要求1所述的信贷风险预测方法，其特征在于，所述信贷特征信息包括：客户亲属朋友的信贷信息。5.根据权利要求1所述的信贷风险预测方法，其特征在于，所述将客户提交的信贷资料转换成预设格式的文本信息，包括：采用光学字符识别技术，将所述信贷资料转换成预设格式的所述文本信息。6.根据权利要求1所述的信贷风险预测方法，其特征在于，当所述风险类别包括：信贷高风险、信贷中风险和信贷低风险时，所述第一信贷风险预测结果和所述第二信贷风险预测结果均为一个三维向量，所述三维向量表示所述文本信息在所述信贷高风险、所述信贷中风险和所述信贷低风险中的概率分布。7.根据权利要求1所述的信贷风险预测方法，其特征在于，所述信贷风险算法模型的训练过程包括：分别向多种有监督机器学习分类算法模型输入具有信贷风险标记的文本语料进行训练，并将训练效果最佳的算法模型确定为所述信贷风险算法模型。8.一种信贷风险预测装置，其特征在于，包括：格式转换单元，用于将客户提交的信贷资料转换成预设格式的文本信息；第一预测单元，用于将所述文本信息输入至预先训练的信贷风险算法模型，预测所述文本信息在各风险类别中的概率分布，得到第一信贷风险预测结果；查询单元，用于基于所述文本信息的关键词在信贷场景下的知识图谱中进行查询，得到所有的信贷特征信息；
第二预测单元，用于将所有的所述信贷特征信息进行拼接并输入至预先训练的朴素贝叶斯模型，预测所述文本信息在各风险类别中的概率分布，得到第二信贷风险预测结果；预测结果确定单元，用于基于所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的相似性，确定最终的目标信贷风险预测结果。9.根据权利要求8所述的信贷风险预测装置，其特征在于，所述预测结果确定单元包括：相似度计算子单元，用于基于余弦相似度算法，计算所述第一信贷风险预测结果和所述第二信贷风险预测结果之间的余弦相似度；预测结果确定子单元，用于当所述余弦相似度大于预设阈值时，将所述第一信贷风险预测结果确定为所述目标信贷风险预测结果。10.一种电子设备，其特征在于，所述电子设备包括存储器和处理器；所述存储器用于存储至少一个指令；所述处理器用于执行所述至少一个指令以实现如权利要求1～7任意一项所述的信贷风险预测方法。11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1～7任意一项所述的信贷风险预测方法。

技术总结
本申请公开了一种信贷风险预测方法、装置、电子设备及存储介质，可应用于人工智能领域或金融领域。将客户提交的信贷资料转换成预设格式的文本信息，将文本信息输入至信贷风险算法模型预测文本信息在各风险类别中的概率分布得到第一信贷风险预测结果，基于文本信息的关键词在信贷场景下的知识图谱中进行查询得到所有的信贷特征信息，将所有的信贷特征信息进行拼接并输入至朴素贝叶斯模型预测文本信息在各风险类别中的概率分布得到第二信贷风险预测结果，基于第一信贷风险预测结果和第二信贷风险预测结果之间的相似性，得到最终的目标信贷风险预测结果。本发明整个过程不受人为因素影响，因此大大提高了信贷风险预测的准确性。确性。确性。


技术研发人员：余静莹 汪翊琪 张海洋 范佳佳 张文韬 夏鼎玺 牛鑫鑫 武馨屿 任帅 张旭
受保护的技术使用者：中国银行股份有限公司
技术研发日：2023.04.23
技术公布日：2023/7/25