申请/专利权人：腾讯科技(深圳)有限公司

申请日：2019-06-14

公开（公告）日：2024-04-26

公开（公告）号：CN110232525B

主分类号：G06Q10/0635

分类号：G06Q10/0635;G06F18/2431

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2020.11.27#实质审查的生效;2019.09.13#公开

摘要：本申请提供一种企业风险获取方法、装置、服务器及存储介质，该方法通过确定待进行获取的至少一个企业以及该至少一个企业待进行获取的风险类型，并针对与该风险类型匹配的至少一个维度中的每个维度，分别获取至少一个企业中每个企业在该维度的特征数据，进而基于孤立森林算法结合至少一个企业中每个企业在至少一个维度中每个维度的特征数据对至少一个企业进行风险获取的方式，可以得到风险获取结果以实现对企业风险的获取。本申请并不需要由专家人工构建风险获取规则，因此可以避免现有企业风险获取技术因需专家人工构建风险获取规则，而导致的费时费力的问题。

主权项：1.一种企业风险获取方法，其特征在于，包括：确定待进行获取的至少一个企业以及所述至少一个企业待进行获取的风险类型；获取所述企业在与所述风险类型匹配的至少一个维度中的每个所述维度的特征数据；当所述风险类型为财务风险类型时，针对所述至少一个维度中的每个所述维度，根据所述至少一个企业中每个所述企业在该维度的特征数据，确定该维度的分割点；利用所述维度的分割点修正所述至少一个企业中每个所述企业在所述维度的特征数据；基于孤立森林算法对所述至少一个企业在所述至少一个维度中每个所述维度的修正后的特征数据进行分割，得到随机二叉树；针对所述至少一个企业中的每个所述企业，在运行多次所述孤立森林算法所得到的多棵随机二叉树中，统计所述企业在每棵所述随机二叉树中落入的叶子节点；根据所述企业在每棵所述随机二叉树中落入的叶子节点，确定所述企业是否存在所述风险类型的风险。

全文数据：一种企业风险监控方法、装置、服务器及存储介质技术领域本发明涉及风险监控技术领域，更具体地说，涉及一种企业风险监控方法、装置、服务器及存储介质。背景技术企业风险监控在风险监控领域占据举足轻重的作用，其不仅可以及时发现存在风险的企业保证企业的良好发展，而且还可以便于企业在风险发生之前做出防范，保证企业安全性。目前企业风险监控依赖于风险监控专家根据财务会计、企业管理等方面的知识人工构建企业风险监控规则，采集企业公开的数据，通过企业分析监控规则指定的各项风险监控指标实现对企业风险的监控。该方法虽然可以实现对企业风险的监控，但因需要专家人工构建风险监控规则，因此通常存在费时费力的问题。有鉴于此，如何提供一种企业风险监控方法、装置、服务器及存储介质，以避免现有企业风险监控技术费时费力的问题，是亟待解决的问题。发明内容有鉴于此，为解决上述问题，本发明提供一种企业风险监控方法、装置、服务器及存储介质，以避免现有企业风险监控技术费时费力的问题。技术方案如下：一种企业风险监控方法，包括：确定待进行监控的至少一个企业以及所述至少一个企业待进行监控的风险类型；获取所述企业在与所述风险类型匹配的至少一个维度中的每个所述维度的特征数据；基于孤立森林算法结合所述至少一个企业在所述至少一个维度中每个所述维度的特征数据，对所述至少一个企业进行风险监控，得到风险监控结果。一种企业风险监控装置，包括：信息确定单元，用于确定待进行监控的至少一个企业以及所述至少一个企业待进行监控的风险类型；特征数据获取单元，用于获取所述企业在与所述风险类型匹配的至少一个维度中的每个所述维度的特征数据；风险监控单元，用于基于孤立森林算法结合所述至少一个企业在所述至少一个维度中每个所述维度的特征数据，对所述至少一个企业进行风险监控，得到风险监控结果。一种服务器，包括：至少一个存储器和至少一个处理器；所述存储器存储有程序，所述处理器调用所述存储器存储的程序，所述程序用于实现所述企业风险监控方法。一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行所述企业风险监控方法。本申请提供一种企业风险监控方法、装置、服务器及存储介质，该方法通过确定待进行监控的至少一个企业以及该至少一个企业待进行监控的风险类型，并针对与该风险类型匹配的至少一个维度中的每个维度，分别获取至少一个企业中每个企业在该维度的特征数据，进而基于孤立森林算法结合至少一个企业中每个企业在至少一个维度中每个维度的特征数据对至少一个企业进行风险监控的方式，可以得到风险监控结果以实现对企业风险的监控。本申请在实现企业风险监控的过程中并不需要由专家人工构建风险监控规则，因此可以避免现有企业风险监控技术因需专家人工构建风险监控规则，而导致的费时费力的问题。附图说明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，还可以根据提供的附图获得其他的附图。图1为本申请实施例提供的一种服务器的硬件结构框图；图2为本申请实施例提供的一种企业风险监控方法流程图；图3为本申请实施例提供的另一种企业风险监控方法流程图；图4为本申请实施例提供的一种根据至少一个企业中每个企业在维度的特征数据，确定维度的分割点的方法流程图；图5为本申请实施例提供的一种企业风险监控方法中的利用维度的分割点修正至少一个企业中每个企业在该维度的特征数据的方法流程图；图6为本申请实施例提供的一种基于孤立森林算法结合至少一个企业在至少一个维度中每个维度的修正后的特征数据，对至少一个企业进行风险监控，得到风险监控结果的方法流程图；图7为本申请实施例提供的一种确定企业发生风险类型的风险的原因的方法流程图；图8为本申请实施例提供的一种企业风险监控装置的结构示意图。具体实施方式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。实施例：本申请实施例提供一种企业风险监控方法，该方法不依赖于由专家人工构建的风险监控规则风险监控规则包括多项风险监控指标，因此，可以避免现有企业风险监控技术因需专家人工构建风险监控规则，以基于风险监控规则指示的风险监控指标实现对企业风险的监控，所存在的费时费力的问题。本申请实施例提供的一种企业风险监控方法可应用于服务器，该服务器可以是网络侧为用户提供服务的服务设备，其可能是多台服务器组成的服务器集群，也可能是单台服务器。可选的，图1示出了服务器的硬件结构框图，参照图1，服务器的硬件结构可以包括：处理器11，通信接口12，存储器13和通信总线14；在本发明实施例中，处理器11、通信接口12、存储器13、通信总线14的数量均可以为至少一个，且处理器11、通信接口12、存储器13通过通信总线14完成相互间的通信；处理器11可能是一个中央处理器CPU，或者是特定集成电路ASICApplicationSpecificIntegratedCircuit，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等；存储器13可能包含高速RAM存储器，也可能还包括非易失性存储器non-volatilememory等，例如至少一个磁盘存储器；其中，存储器存储有程序，处理器可调用存储器存储的程序，程序用于：确定待进行监控的至少一个企业以及至少一个企业待进行监控的风险类型；获取企业在与风险类型匹配的至少一个维度中的每个维度的特征数据；基于孤立森林算法结合至少一个企业在至少一个维度中每个维度的特征数据，对至少一个企业进行风险监控，得到风险监控结果。为了便于对适用于上述服务器的企业风险监控方法的理解，现对本申请实施例提供的一种企业风险监控方法进行详细介绍。图2为本申请实施例提供的一种企业风险监控方法流程图。如图2所示，该方法包括：S201、确定待进行监控的至少一个企业以及至少一个企业待进行监控的风险类型；在本申请实施例中，风险类型包括财务风险类型、行业风险类型、实证风险类型和负面舆情风险类型中的任意一项或多项。针对每个风险类型，可以预先设置与该风险类型匹配的至少一个维度；比如，预先设置与财务风险类型匹配的至少一个维度，预先设置与行业风险类型匹配的至少一个维度，预先设置与实证风险类型匹配的至少一个维度，预先设置与负面舆情风险类型匹配的至少一个维度。不同的风险类型所匹配的至少一个维度不同，比如，与财务风险类型匹配的至少一个维度不同于与行业风险类型匹配的至少一个维度。在本申请实施例中，优选的，与财务风险类型匹配的至少一个维度可以分成三大类，这三类分别为：每个季度通用利润、通用现金流、通用资产负债。其中，一个季度通用利润可以看成是一个维度，通用现金流可以看成是一个维度，通用资产负债可以看成是一个维度。比如，一个企业在与财务风险类型匹配的至少一个维度的特征数据可以包括第一季度的通用利润为689187341.1元。在本申请实施例中，优选的，与实证风险类型匹配的至少一个维度包括工商处罚维度、行政处罚维度等等。比如，一个企业在与实证风险类型匹配的至少一个维度的特征数据可以包括：20181005责令停止发布违法广告，罚款18778.9元。在本申请实施例中，优选的，与行业风险类型匹配的至少一个维度可以参考申万的分类体系，构造三级行业分类，细分为230个行业。比如，一个企业在与行业风险类型匹配的至少一个维度的特征数据包括取行业分类计算行业特征：XX产业净利润率8.3％。在本申请实施例中，优选的，与负面舆情风险类型匹配的至少一个维度包括企业最近时间段负面舆情频次。比如，一个企业在与负面舆情风险类型匹配的至少一个维度的特征数据可以包括：企业出现负面舆情10次，这10次负面舆情可以被划分成3个等级，分别为极高等级，高级等级以及中级等级，这10次负面舆情中有3次负面舆情属于极高等级，5次负面舆情属于高级等级，2次负面舆情属于中级等级；企业出现的10次负面舆情中属于极高等级的负面舆情次数、属于高级等级的负面舆情次数和属于中级等级的负面舆情次数的比例为3:5:2。以上仅仅是本申请实施例提供的与不同的风险类型匹配的至少一个维度的优选内容，有关风险类型所匹配的至少一个维度的具体内容，发明人可根据自己的需求进行设置，在此不做限定。S202、获取企业在与风险类型匹配的至少一个维度中的每个维度的特征数据；在本申请实施例中，可以确定待进行监控的风险类型，以及待进行该风险类型的监控的至少一个企业；进而确定预先设置的与该风险类型匹配的至少一个维度，并针对至少一个维度中的每个维度，获取至少一个企业中每个企业在该维度的特征数据。比如，在维度是第一季度的通用利润时，企业在该维度的特征数据为企业在第一季度的通用利润。在本申请实施例中，针对一个维度，在获取某个企业在该维度的特征数据时，若发现该企业未披露在维度的特征数据，可以将该企业在该维度的特征数据设置为无穷大，即，将无穷大作为该企业在该维度的特征数据。S203、基于孤立森林算法结合至少一个企业在至少一个维度中每个维度的特征数据，对至少一个企业进行风险监控，得到风险监控结果。在本申请实施例中，针对与风险类型匹配的至少一个维度中的每个维度而言，在确定至少一个企业中每个企业在该维度的特征数据后，可以运行孤立森林算法，将至少一个企业中每个企业在至少一个维度中每个维度的特征数据输入到孤立森林算法的根节点，由孤立森林算法对至少一个企业中每个企业在至少一个维度中每个维度的特征数据进行分割，以实现对至少一个企业的风险监控，得到该风险类型的风险监控结果。在本申请实施例中，当风险类型为财务风险类型时，为了进一步提高对财务风险类型的风险监控结果的准确性，本申请实施例还提供另一种企业风险监控方法，参见图3。如图3所示，该方法包括：S301、确定待进行监控的至少一个企业以及至少一个企业待进行监控的风险类型；在本申请实施例中，可以确定待进行监控的至少一个企业，以及该至少一个企业待进行监控的风险类型，此时，该至少一个企业待进行监控的风险类型为财务风险类型。S302、获取企业在与风险类型匹配的至少一个维度中的每个维度的特征数据；在本申请实施例中，确定与财务风险类型匹配的至少一个维度，针对所确定的至少一个维度中的每个维度，确定至少一个企业中每个企业在该维度的特征数据。比如，若与财务风险类型匹配的至少一个维度中包括两个维度，这两个维度分别为“第一季度的通用利润”维度和“第二季度的通用利润”维度；如果至少一个企业包括企业1、企业2和企业3，则需要确定企业1在“第一季度的通用利润”维度的特征数据和企业1在“第二季度的通用利润”维度的特征数据，企业2在“第一季度的通用利润”维度的特征数据以及企业2在“第二季度的通用利润”维度的特征数据，以及，企业3在“第一季度的通用利润”维度的特征数据以及企业3在“第二季度的通用利润”维度的特征数据。S303、针对至少一个维度中的每个维度，根据至少一个企业中每个企业在该维度的特征数据，确定该维度的分割点；在本申请实施例中，针对至少一个维度中的每个维度而言，至少一个企业中每个企业在该维度都存在特征数据，基于至少一个企业中每个企业在该维度的特征数据，可以确定该维度的分割点。在本申请实施例中，根据至少一个企业中每个企业在该维度的特征数据确定该维度的分割点的方式，可以参见下文对“根据至少一个企业中每个企业在维度的特征数据确定维度的分割点”步骤的详细描述，在此不做赘述。S304、利用维度的分割点修正至少一个企业中每个企业在维度的特征数据；在本申请实施例中，针对至少一个维度中的每个维度而言，至少一个企业中每个企业都存在该维度的特征数据，在确定该维度的分割点后，可以基于该维度的分割点分别对至少一个企业中每个企业在该维度的特征数据进行修正，得到修正后的特征数据。比如，可以根据企业1在“第一季度的通用利润”维度的特征数据、企业2在“第一季度的通用利润”维度的特征数据和企业3在“第一季度的通用利润”维度的特征数据，计算“第一季度的通用利润”维度的分割点；进而基于“第一季度的通用利润”维度的分割点修正企业1在“第一季度的通用利润”维度的特征数据得到企业1在“第一季度的通用利润”维度的修正后的特征数据，基于“第一季度的通用利润”维度的分割点修正企业2在“第一季度的通用利润”维度的特征数据得到企业2在“第一季度的通用利润”维度的修正后的特征数据，以及基于“第一季度的通用利润”维度的分割点修正企业3在“第一季度的通用利润”维度的特征数据得到企业3在“第一季度的通用利润”维度的修正后的特征数据。S305、基于孤立森林算法结合至少一个企业在至少一个维度中每个维度的修正后的特征数据，对至少一个企业进行风险监控，得到风险监控结果。在本申请实施例中，针对与风险类型匹配的至少一个维度中的每个维度而言，在确定至少一个企业中每个企业在该维度的修正后的特征数据后，可以运行孤立森林算法，将至少一个企业中每个企业在至少一个维度中每个维度的修正后的特征数据输入到孤立森林算法的根节点，由孤立森林算法对至少一个企业中每个企业在至少一个维度中每个维度的修正后的特征数据进行分割，以实现对至少一个企业的风险监控，得到该风险类型的风险监控结果。为了便于理解，现对“针对一个维度而言，根据至少一个企业中每个企业在该维度的特征数据确定该维度的分割点”方式进行详细介绍。在本申请实施例中，至少一个维度中存在一个目标维度，在风险类型为财务风险类型时，与财务风险类型匹配的至少一个维度中的目标维度可以为“净利润”维度。以上仅仅是本申请实施例提供的目标维度的优选内容，有关目标维度的具体内容，发明人可根据自己的需求进行设置，在此不做限定。针对与财务风险类型匹配的至少一个维度中的每个维度而言，需要计算该维度的分割点。参见图4为本申请实施例提供的一种根据至少一个企业中每个企业在维度的特征数据确定维度的分割点的方法流程图。如图4所示，该方法包括：S401、统计至少一个企业中在维度的特征数据大于0的企业，得到第一企业数量；S402、统计至少一个企业中在维度的特征数据小于0的企业，得到第二企业数量；在本申请实施例中，针对于一个维度，确定该维度的分割点的方式可以为：确定至少一个企业中每个企业在该维度的特征数据，并统计至少一个企业中在该维度的特征数据大于0的企业的数量，并将该数量作为第一企业数量；以及统计至少一个企业中在该维度的特征数据小于0的企业的数量，并将该数量作为第二企业数量。S403、判断维度是否为目标维度；若维度为目标维度，执行步骤S404；若维度不为目标维度，执行步骤S405；S404、基于第一企业数量和第二企业数量，计算维度的分割点。在本申请实施例中，针对于一个维度，若该维度不为目标维度，统计出至少一个企业中在该维度的特征数据大于0的企业的第一企业数量，以及至少一个企业中在该维度的特征数据小于0的企业的第二企业数量后，可以对第一企业数量和第二企业数量进行加和计算，得到企业数量；进而将第一企业数量占据企业数量的比例，作为该维度的分割点。比如，针对一个维度，如果该维度不为目标维度，若统计出的至少一个企业中在该维度的特征数据大于0的企业的第一企业数量为90，以及至少一个企业中在该维度的特征数据小于0的企业的第二企业数量为219后，可以将30990+219＝309作为企业数量，进而将0.2990309＝0.29【注意，此处进行了四舍五入】作为该维度的分割点。S405、基于第一企业数量和第二企业数量修正目标维度的先验分布，得到维度的分割点。在本申请实施例中，计算目标维度的先验分布的方式可以为：统计至少一个企业中在目标维度的特征数据大于0的企业的数量，得到第三企业数量；以及至少一个企业中在目标维度的特征数据小于0的企业的数量，得到第四企业数量，将第三企业数量和第四企业数量带入先验分布公式，得到目标维度的先验分布。进一步的，针对一个维度而言，若该维度不为目标维度，可以根据至少一个企业中在该维度的特征数据大于0的第一企业数量和至少一个企业中在该维度的特征数据小于0的第二企业数量，对目标维度的先验分布进行修正，以得到该维度的分割点。作为本申请实施例的一种优选实施方式，针对一个维度而言，若该维度不为目标维度，可以统计至少一个企业中在该维度的特征数据大于0的第一企业数量和至少一个企业中在该维度特征数据小于0的第二企业数量，通过第一企业数量修正目标维度的先验分布中的第三企业数量，以及通过第二企业数量修正目标维度的先验分布中的第四企业数量，以得到修正后的分布该修正后的分布可以认为是后验分布，即，该维度的分割点。在本申请实施例中，针对一个维度而言，有时企业在该维度的特征数据等于0，此时，可以设置其不对上述企业数量的统计造成影响，也可以设置其对企业数量的统计造成影响；针对一个维度而言，可以将一个在该维度的特征数据等于0的企业看成是一个在该维度的特征数据大于0的企业进行企业数量统计，也可以将一个在该维度的特征数据等于0的企业看成是一个在该维度的特征数据小于0的企业进行企业数量统计。为了便于理解，现对本申请实施例提供的一种企业风险监控方法中的利用维度的分割点修正至少一个企业中每个企业在该维度的特征数据的方法进行详细说明，具体请参见图5。如图5所示，该方法包括：S501、检测企业在维度的特征数据是否大于维度的分割点；若企业在维度的特征数据不大于维度的分割点，执行步骤S502；若企业在维度的特征数据大于维度的分割点，执行步骤S503；S502、保留企业在维度的特征数据；S503、将企业在维度的特征数据置为预设值；在本申请实施例中，在确定维度的分割点后，若基于该维度的分割点对企业在该维度的特征数据进行修正的方式为：判断企业在该维度的特征数据是否大于该维度的分割点，若企业在该维度的特征数据不大于该维度的分割点，则不对该企业在该维度的特征数据进行修正，即保留企业在该维度的特征数据比如，维度的分割点为0.29时，若企业在该维度的特征数据为0.27，则不对该企业在该维度的特征数据进行修正，即该企业在该维度的特征数据仍为0.27；若企业在该维度的特征数据大于该维度的分割点，则将该企业在该维度的特征数据置为预设值维度的分割点为0.29时，若企业在该维度的特征数据为0.3，则将该企业在该维度的特征数据置为预设值。在本申请实施例中，预设值可以为1、20等等，以上仅仅是本申请实施例提供的预设值的优选内容，有关预设值的具体数值发明人可根据自己的需求进行设置，在此不做限定。比如，在预设值为1时，可以若维度的分割点为0.29，企业在该维度的特征数据为0.3，则可以将该企业在该维度的特征数据置为1。S504、对至少一个企业中各个企业在维度的特征数据进行归一化处理，得到至少一个企业中每个企业在维度的目标特征数据。在本申请实施例中，针对一个维度，在确定该维度的分割点，基于分割点对至少一个企业中每个企业在该维度的特征数据均执行一次步骤S501-S503后，可以得到至少一个企业中每个企业在该维度的初始修正后的特征数据；进而还可以进一步对至少一个企业中各个企业在该维度的初始修正后的特征数据进行归一化处理，得到至少一个企业中每个企业在该维度的修正后的特征数据，即，至少一个企业中每个企业在该维度的目标特征数据。作为本申请实施例的一种优选是实现方式，对一个企业在一个维度的初始修正后的特征数据进行归一化处理的方式可以为：获取至少一个企业中在该维度的特征数据的最大值和最小值；计算该企业在该维度的初始修正后的特征数据减去最小值的结果为了便于区分，暂将该结果称为第一数据；计算该最大值减去最小值的结果为了便于区分，暂将该结果称为第二数据；将第一数据除以第二数据的结果作为该企业在该维度的目标特征数据。在本申请实施例中，在得到至少一个企业中的每个企业在至少一个维度中的每个维度的目标特征数据后，可以将得到的所有的目标特征数据作为输入信息输入至孤立森林算法的根节点，并运行孤立森林算法，基于孤立森林算法对目标特征数据进行分割，实现对至少一个企业的风险监控，得到风险监控结果。孤立森林算法运行时可以对至少一个企业中每个企业对至少一个维度中每个维度的目标特征数据进行随机分割，以生成随机二叉树，并且针对至少一个企业中的每个企业而言，该企业会落入该随机二叉树中的一个叶子节点。本申请实施例为了保证对企业风险监控的准确性，可以运行多次孤立森林算法，以生成多棵随机二叉树。为了便于理解，现对本申请实施例中的一种基于孤立森林算法结合至少一个企业在至少一个维度中每个维度的修正后的特征数据，对至少一个企业进行风险监控，得到风险监控结果的方法进行详细说明，具体请参见图6。如图6所示，该方法包括：S601、基于孤立森林算法对至少一个企业在至少一个维度中每个维度的修正后的特征数据进行分割，得到随机二叉树；在本申请实施例中，运行多次孤立森林算法，每次运行孤立森林算法时，均将至少一个企业中每个企业对至少一个维度中每个维度的目标特征数据作为孤立森林算法的输入信息，由孤立森林算法对输入信息进行分割，得到一个随机二叉树。相应的，每运行一次孤立森林算法得到一棵随机二叉树，运行多次孤立森林算法得到多棵随机二叉树，进而基于得到的多棵随机二叉树实现对至少一个企业的企业风险的监控。S602、针对至少一个企业中的每个企业，在运行多次孤立森林算法所得到的多棵随机二叉树中，统计企业在每棵随机二叉树中落入的叶子节点；在本申请实施例中，每运行一次孤立森林算法得到一棵随机二叉树，运行多次孤立森林算法得到多棵随机二叉树；针对至少一个企业中的每个企业，确定该企业分别在每棵随机二叉树中落入的叶子节点，进而基于该企业在各棵随机二叉树中落入的叶子节点，确定该企业是否存在风险。S603、根据企业在每棵随机二叉树中落入的叶子节点，确定企业是否存在风险类型的风险。在本申请实施例中，针对多棵随机二叉树中的每棵随机二叉树而言，确定企业落入该棵随机二叉树的叶子节点在该棵随机二叉树中的深度；进而针对任意一个深度，统计得到该企业在多棵随机二叉树中落入的该深度的叶子节点的次数，进而获取与风险类型匹配的风险条件，判断企业在多棵随机二叉树中落入预设深度的叶子节点的次数是否满足该风险条件，若满足，确定企业存在该风险类型的风险，若不满足，确定企业不存在该风险类型的风险。比如，运行5次孤立森林算法，得到5棵随机二叉树，分别为随机二叉树1、随机二叉树2、随机二叉树3、随机二叉树4和随机二叉树5，企业1落入随机二叉树1的叶子节点在随机二叉树1中的深度为2；企业1落入随机二叉树2的叶子节点在随机二叉树2中的深度为3；企业1落入随机二叉树3的叶子节点在随机二叉树3中的深度为2；企业1落入随机二叉树4的叶子节点在随机二叉树4中的深度为2；企业1落入随机二叉树5的叶子节点在随机二叉树5中的深度为3；则统计得到企业1落入深度为2的叶子节点的次数为3，企业1落入深度为3的叶子节点的次数为2。作为本申请实施例的一种优选实施方式，判断企业在多棵随机二叉树中落入预设深度的叶子节点的次数是否满足预设的与风险类型匹配的风险条件的方式可以为：判断企业在多棵随机二叉树中落入预设深度的叶子节点的次数是否大于阈值，若大于，则确定企业存在风险类型的风险；若不大于，则确定企业不存在风险类型的风险。其中，预设深度可以由至少一个深度构成，比如，预设深度包括深度1-3、预设深度包括深度2、预设深度包括深度3等等。以上仅仅是本申请实施例提供的预设深度的优选方式，有关预设深度的具体内容，发明人可根据自己的需求进行设置，在此不做限定。比如，预设深度为深度2，阈值为3时，若确定企业1在多棵随机二叉树中落入深度为2的叶子节点的次数大于3，则确定企业1存在风险类型的风险；若确定企业1在多棵随机二叉树中落入深度为2的叶子节点的次数不大于3，则确定企业1不存在风险类型的风险。比如，预设深度为深度2-3，阈值为5时，若确定企业1在多棵随机二叉树中落入深度2的叶子节点的次数和企业1在多棵随机二叉树中落入深度为3的叶子节点的次数的和大于5，则确定企业1存在风险类型的风险；若确定企业1在多棵随机二叉树中落入深度为2的叶子节点的次数和企业1在多棵随机二叉树中落入深度为3的叶子节点的次数的和不大于5，则确定企业1不存在风险类型的风险。进一步的，本申请实施例提供的一种企业风险监控方法，在确定企业存在风险类型的风险时，还可以进一步确定企业存在风险类型的风险的原因。在确定企业是否存在风险类型的风险时，需要先确定与风险类型匹配的至少一个维度，并获取企业在至少一个维度中的每个维度的特征数据，并分别对每个特征数据进行修正得到修正后的特征数据即，目标特征数据；进而基于企业的各个目标特征数据确定企业是否存在风险类型的风险。基于此，在基于企业的各个目标特征数据确定企业存在风险类型的风险时，可以确定是企业的哪些目标特征数据导致了企业发生了风险类型的风险，进而将所确定的导致企业发生了风险类型的风险的目标特征所属的维度，确定为企业发生风险类型的风险的原因。孤立森林算法在运算时，可以将至少一个企业中每个企业在至少一个维度中每个维度的目标特征数据输入至孤立森林算法的根节点，随机二叉树中的父节点随机选择一个维度对至少一个企业中当前未落入到随机二叉树的叶子节点的各个企业在该维度的特征数据进行分割。结合上述共性，在此对本申请实施例提供的一种确定企业发生风险类型的风险的原因的方法进行详细说明，具体请参见图7。如图7所示，该方法包括：S701、针对每棵随机二叉树，获取随机二叉树在生成时利用到的企业的目标特征数据以及目标特征数据所属的目标节点，目标特征数据所属的目标节点为随机二叉树中基于目标特征数据所属维度对至少一个企业在该维度的目标特征数据进行分割的节点；在本申请实施例中，若确定企业存在风险类型的风险时，可以确定企业存在该风险类型的风险的原因，该方法可以为：针对得到的每棵随机二叉树，确定该随机二叉树在生成时利用到的该企业的目标特征数据以及该目标特征数据在该棵随机二叉树中所属的目标节点。其中，目标特征数据在该棵随机二叉树中所属的目标节点为：该棵随机二叉树中基于该目标特征数据所属的维度对目标企业中该维度的目标特征数据进行分割的父节点，目标企业为至少一个企业中落入该棵随机二叉树的叶子节点的各个企业。S702、统计在多棵随机二叉树生成时利用到企业的各个目标特征数据以及每个目标特征数据分别在每棵随机二叉树中所属的目标节点；比如，运行3次孤立森林算法，得到3棵随机二叉树，分别为随机二叉树6、随机二叉树7和随机二叉树8。若基于随机二叉树6、随机二叉树7和随机二叉树8确定企业1存在风险类型的风险时，可以获取在生成随机二叉树6时所利用到的企业1的各个目标特征数据以及目标特征数据在随机二叉树6中所属的目标节点；获取在生成随机二叉树7时所利用到的企业1的各个目标特征数据以及目标特征数据在随机二叉树7中所属的目标节点；以及，获取在生成随机二叉树8时所利用到的企业1的各个目标特征数据以及目标特征数据在随机二叉树8中所属的目标节点。在生成随机二叉树6时所利用到的企业1的各个目标特征数据可以为目标特征数据1和目标特征数据2，其中，目标特征数据1在随机二叉树6中所属的目标节点为节点1，目标特征数据2在随机二叉树6中所属的目标节点为节点2。在生成随机二叉树7时所利用到的企业1的各个目标特征数据可以为目标特征数据1和目标特征数据3，其中，目标特征数据1在随机二叉树7中所属的目标节点为节点3，目标特征数据3在随机二叉树7中所属的目标节点为节点4。在生成随机二叉树8时所利用到的企业1的各个目标特征数据可以为目标特征数据1和目标特征数据2，其中，目标特征数据1在随机二叉树8中所属的目标节点为节点5，目标特征数据2在随机二叉树8中所属的目标节点为节点6。基于此，可以确定企业1的目标特征数据1在多棵随机二叉树中所属的目标节点为分别为随机二叉树6中的节点1、随机二叉树7中的节点3以及随机二叉树8中的节点5；企业1的目标特征数据2在多棵随机二叉树中所属的目标节点分别为随机二叉树6中的节点2和随机二叉树8中的节点6；企业1的目标特征数据3在多棵随机二叉树中所属的目标节点为随机二叉树7中的节点4。S703、检测目标特征数据分别在每棵随机二叉树中所属的目标节点是否满足预设的风险产生条件；若满足，执行步骤S604；若不满足，执行步骤S605；在本申请实施例中，检测企业的目标特征数据分别在每棵随机二叉树中所属的目标节点是否满足预设的风险产生条件的方式可以为：确定企业的目标特征数据分别在每棵随机二叉树中所属的目标节点，获取所确定的目标节点在其所属的随机二叉树中的深度，获取所确定的目标节点中处于目标预设深度的目标节点的数量，判断该数量是否大于目标阈值，若大于，则确定目标特征数据分别在每棵随机二叉树中所属的目标节点满足预设的风险产生条件，若不大于，则确定目标特征数据分别在每棵随机二叉树中所属的目标节点不满足预设的风险产生条件。比如，仍以上述实施例为例，确定企业1的目标特征数据1在多棵随机二叉树中所属的目标节点为分别为随机二叉树6中的节点1、随机二叉树7中的节点3以及随机二叉树8中的节点5；企业1的目标特征数据2在多棵随机二叉树中所属的目标节点分别为随机二叉树6中的节点2和随机二叉树8中的节点6；企业1的目标特征数据3在多棵随机二叉树中所属的目标节点为随机二叉树7中的节点4。若目标预设深度为深度2-3时，若节点1在随机二叉树6中的深度为深度2，节点2在随机二叉树6中的深度为深度3，节点3在随机二叉树7中的深度为深度2，节点4在随机二叉树7中的深度为深度4，节点5在随机二叉树8中的深度为深度2，节点6在随机二叉树8中的深度为深度3；则企业1的目标特征数据1落入深度2-3的节点的数量为3个；企业1的目标特征数据2落入深度2-3的节点的数量为2个；企业1的目标特征数据4落入深度2-3的节点的数量为0个。如果目标阈值为2，则可以确定企业1的目标特征数据1落入深度2-3的节点的数量大于目标阈值，进而可以确定目标特征数据1所属的维度是企业1存在风险类型的风险的原因；而企业1的目标特征数据2落入深度2-3的节点的数量不大于目标阈值，则可以确定目标特征数据2所属的维度不是企业1存在风险类型的风险的原因；企业1的目标特征数据3落入深度2-3的节点的数量不大于目标阈值，则可以确定目标特征数据3所属的维度不是企业1存在风险类型的风险的原因。S704、将目标特征数据所属的维度确定为企业存在风险类型的风险的原因；S705、确定目标特征数据所属的维度不为企业存在风险类型的风险的原因。本申请实施例提供的一种企业风险监控方法，在实现企业风险监控的过程中并不需要由专家人工构建风险监控规则，因此可以避免现有企业风险监控技术因需专家人工构建风险监控规则，而导致的费时费力的问题。本申请实施例在提供的上述企业风险监控方法的基础上，还可以提供一种企业风险监控装置，参见图8为本申请实施例提供的一种企业风险监控装置的结构示意图。如图8所示，该企业风险监控装置包括：信息确定单元81，用于确定待进行监控的至少一个企业以及至少一个企业待进行监控的风险类型；特征数据获取单元82，用于获取企业在与风险类型匹配的至少一个维度中的每个维度的特征数据；风险监控单元83，用于基于孤立森林算法结合至少一个企业在至少一个维度中每个维度的特征数据，对至少一个企业进行风险监控，得到风险监控结果。进一步的，本申请实施例提供的一种风险监控装置还包括：分割点确定单元，用于针对至少一个维度中的每个维度，根据至少一个企业中每个企业在该维度的特征数据，确定该维度的分割点；特征数据修正单元，用于利用维度的分割点修正至少一个企业中每个企业在维度的特征数据；相应的，风险监控单元具体用于基于孤立森林算法结合至少一个企业在至少一个维度中每个维度的修正后的特征数据，对至少一个企业进行风险监控，得到风险监控结果。在本申请实施例中，优选的，分割点确定单元包括：第一统计单元，用于统计至少一个企业中在维度的特征数据大于0的企业，得到第一企业数量；第二统计单元，用于统计至少一个企业中在维度的特征数据小于0的企业，得到第二企业数量；判断单元，用于判断维度是否为目标维度；第一分割点确定子单元，用于若维度为目标维度，基于第一企业数量和第二企业数量，计算维度的分割点；第二分割点确定子单元，用于若维度不为目标维度，基于第一企业数量和第二企业数量修正目标维度的先验分布，得到维度的分割点。在本申请实施例中，优选的，特征数据修正单元包括：第一检测单元，用于检测企业在维度的特征数据是否大于维度的分割点；保留单元，用于若企业在维度的特征数据不大于维度的分割点，保留企业在维度的特征数据；修正单元，用于若企业在维度的特征数据大于维度的分割点，将企业在维度的特征数据置为预设值；处理单元，用于对至少一个企业中各个企业在维度的特征数据进行归一化处理，得到至少一个企业中每个企业在维度的目标特征数据。在本申请实施例中，优选的，风险监控单元包括：随机二叉树生成单元，用于基于孤立森林算法对至少一个企业在至少一个维度中每个维度的修正后的特征数据进行分割，得到随机二叉树；叶子节点分析单元，用于针对至少一个企业中的每个企业，在运行多次孤立森林算法所得到的多棵随机二叉树中，统计企业在每棵随机二叉树中落入的叶子节点；风险监控子单元，用于根据企业在每棵随机二叉树中落入的叶子节点，确定企业是否存在风险类型的风险。在本申请实施例中，优选的，风险监控子单元，包括：叶子节点统计单元，用于根据企业在每棵随机二叉树中落入的叶子节点，统计企业在多棵随机二叉树中落入同一深度的叶子节点的次数；判断单元，用于判断企业在多棵随机二叉树中落入预设深度的叶子节点的次数是否满足预设的与风险类型匹配的风险条件；第一确定单元，用于若满足，确定企业存在风险类型的风险；第二确定单元，用于若不满足，确定企业不存在风险类型的风险。进一步的，本申请实施例提供的一种企业风险监控装置还包括原因定位单元，该原因定位单元包括：目标节点确定单元，用于在风险监控结果表征企业存在风险类型的风险时，针对每棵随机二叉树，获取随机二叉树在生成时利用到的企业的修正后的特征数据以及修正后的特征数据所属的目标节点，修正后的特征数据所属的目标节点为随机二叉树中基于修正后的特征数据所属维度对至少一个企业在维度的修正后的特征数据进行分割的节点；目标节点统计单元，用于统计在多棵随机二叉树生成时利用到企业的各个修正后的特征数据以及每个修正后的特征数据分别在每个随机二叉树中所属的目标节点；第二检测单元，用于检测修正后的特征数据分别在每棵随机二叉树中所属的目标节点是否满足预设的风险产生条件；第三确定单元，用于若满足，将修正后的特征数据所属的维度确定为企业存在风险类型的风险的原因；第四确定单元，用于若不满足，确定修正后的特征数据所属的维度不为企业存在风险类型的风险的原因。进一步的，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机可执行指令，该计算机可执行指令用于执行上述企业风险监控方法。可选的，计算机可执行指令的细化功能和扩展功能可参照上文描述。本申请提供一种企业风险监控方法、装置、服务器及存储介质，该方法通过确定待进行监控的至少一个企业以及该至少一个企业待进行监控的风险类型，并针对与该风险类型匹配的至少一个维度中的每个维度，分别获取至少一个企业中每个企业在该维度的特征数据，进而基于孤立森林算法结合至少一个企业中每个企业在至少一个维度中每个维度的特征数据对至少一个企业进行风险监控的方式，可以得到风险监控结果以实现对企业风险的监控。本申请在实现企业风险监控的过程中并不需要由专家人工构建风险监控规则，因此可以避免现有企业风险监控技术因需专家人工构建风险监控规则，而导致的费时费力的问题。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。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器RAM、内存、只读存储器ROM、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。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核心思想或范围的情况下，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。

权利要求：1.一种企业风险监控方法，其特征在于，包括：确定待进行监控的至少一个企业以及所述至少一个企业待进行监控的风险类型；获取所述企业在与所述风险类型匹配的至少一个维度中的每个所述维度的特征数据；基于孤立森林算法结合所述至少一个企业在所述至少一个维度中每个所述维度的特征数据，对所述至少一个企业进行风险监控，得到风险监控结果。2.根据权利要求1所述的方法，其特征在于，当所述风险类型为财务风险类型时，该方法还包括：针对所述至少一个维度中的每个所述维度，根据所述至少一个企业中每个所述企业在该维度的特征数据，确定该维度的分割点；利用所述维度的分割点修正所述至少一个企业中每个所述企业在所述维度的特征数据；所述基于孤立森林算法结合所述至少一个企业在所述至少一个维度中每个所述维度的特征数据，对所述至少一个企业进行风险监控，得到风险监控结果，包括：基于孤立森林算法结合所述至少一个企业在所述至少一个维度中每个所述维度的修正后的特征数据，对所述至少一个企业进行风险监控，得到风险监控结果。3.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个企业中每个所述企业在所述维度的特征数据，确定所述维度的分割点，包括：统计所述至少一个企业中在所述维度的特征数据大于0的企业，得到第一企业数量；统计所述至少一个企业中在所述维度的特征数据小于0的企业，得到第二企业数量；判断所述维度是否为目标维度；若所述维度为目标维度，基于所述第一企业数量和第二企业数量，计算所述维度的分割点；若所述维度不为目标维度，基于所述第一企业数量和第二企业数量修正所述目标维度的先验分布，得到所述维度的分割点。4.根据权利要求2所述的方法，其特征在于，所述利用所述维度的分割点修正所述至少一个企业中每个所述企业在所述维度的特征数据，包括：检测所述企业在所述维度的特征数据是否大于所述维度的分割点；若所述企业在所述维度的特征数据不大于所述维度的分割点，保留所述企业在所述维度的特征数据；若所述企业在所述维度的特征数据大于所述维度的分割点，将所述企业在所述维度的特征数据置为预设值；对所述至少一个企业中各个所述企业在所述维度的特征数据进行归一化处理，得到所述至少一个企业中每个所述企业在所述维度的目标特征数据。5.根据权利要求2所述的方法，其特征在于，所述基于孤立森林算法结合所述至少一个企业在所述至少一个维度中每个所述维度的修正后的特征数据，对所述至少一个企业进行风险监控，得到风险监控结果，包括：基于孤立森林算法对所述至少一个企业在所述至少一个维度中每个所述维度的修正后的特征数据进行分割，得到随机二叉树；针对所述至少一个企业中的每个所述企业，在运行多次所述孤立森林算法所得到的多棵随机二叉树中，统计所述企业在每棵所述随机二叉树中落入的叶子节点；根据所述企业在每棵所述随机二叉树中落入的叶子节点，确定所述企业是否存在所述风险类型的风险。6.根据权利要求5所述的方法，其特征在于，所述根据所述企业在每棵所述随机二叉树中落入的叶子节点，确定所述企业是否存在所述风险类型的风险，包括：根据所述企业在每棵所述随机二叉树中落入的叶子节点，统计所述企业在多棵所述随机二叉树中落入同一深度的叶子节点的次数；判断所述企业在多棵所述随机二叉树中落入预设深度的叶子节点的次数是否满足预设的与所述风险类型匹配的风险条件；若满足，确定所述企业存在所述风险类型的风险；若不满足，确定所述企业不存在所述风险类型的风险。7.根据权利要求5所述的方法，其特征在于，若所述风险监控结果表征所述企业存在所述风险类型的风险时，该方法还包括：针对每棵所述随机二叉树，获取所述随机二叉树在生成时利用到的所述企业的修正后的特征数据以及所述修正后的特征数据所属的目标节点，所述修正后的特征数据所属的目标节点为所述随机二叉树中基于所述修正后的特征数据所属维度对所述至少一个企业在所述维度的修正后的特征数据进行分割的节点；统计在所述多棵随机二叉树生成时利用到所述企业的各个修正后的特征数据以及每个所述修正后的特征数据分别在每个所述随机二叉树中所属的目标节点；检测所述修正后的特征数据分别在每棵所述随机二叉树中所属的目标节点是否满足预设的风险产生条件；若满足，将所述修正后的特征数据所属的维度确定为所述企业存在所述风险类型的风险的原因；若不满足，确定所述修正后的特征数据所属的维度不为所述企业存在所述风险类型的风险的原因。8.一种企业风险监控装置，其特征在于，包括：信息确定单元，用于确定待进行监控的至少一个企业以及所述至少一个企业待进行监控的风险类型；特征数据获取单元，用于获取所述企业在与所述风险类型匹配的至少一个维度中的每个所述维度的特征数据；风险监控单元，用于基于孤立森林算法结合所述至少一个企业在所述至少一个维度中每个所述维度的特征数据，对所述至少一个企业进行风险监控，得到风险监控结果。9.一种服务器，其特征在于，包括：至少一个存储器和至少一个处理器；所述存储器存储有程序，所述处理器调用所述存储器存储的程序，所述程序用于实现如权利要求1-7任意一项所述的企业风险监控方法。10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1-7任意一项所述的企业风险监控方法。

百度查询： 腾讯科技(深圳)有限公司 一种企业风险获取方法、装置、服务器及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD