本技術涉及數(shù)據(jù)處理，具體而言，涉及一種基于分類模型選擇目標企業(yè)的方法及裝置。

背景技術：

1、小微企業(yè)、個體工商戶融資時存在融資難、融資貴的問題，一部分原因是因為小微企業(yè)的財務數(shù)據(jù)缺失，銀企信息不對稱。目前對于小微企業(yè)的準入，需要其對應的財務指標、納稅等指標符合一定條件后，才能進入到貸前審核環(huán)節(jié)，或者直接放貸給以前貸款信用良好的企業(yè)。

2、這些準入的小微企業(yè)往往都是信譽非常良好或者已經有過貸款的企業(yè)，而對于那些征信白戶，由于信貸相關數(shù)據(jù)不足，基本會被認為不符合預設征信條件，很難進入準入名單，就無法享受普惠金融帶來的支持。

3、現(xiàn)有技術中針對這些不符合預設征信條件的企業(yè)的準入評估，往往需要人工分析、評估，主觀因素強，且效率低。

技術實現(xiàn)思路

1、有鑒于此，本技術的目的在于提供一種基于分類模型選擇目標企業(yè)的方法、裝置、電子設備及介質，能夠自動選取優(yōu)質的小微企業(yè)進入后續(xù)的信貸審核節(jié)點，評估結果客觀且評估效率高，減少對已貸過款的企業(yè)重復授信，增加信貸審核流程的自動化程度。

2、本技術實施例提供的基于分類模型選擇目標企業(yè)的方法，應用于服務器或終端設備，所述方法包括：

3、預先接入目標數(shù)據(jù)平臺，并從所述目標數(shù)據(jù)平臺獲取多個滿足信貸獲取條件的對標企業(yè)的信貸信息，所述對標企業(yè)的信貸信息包括目標類型的政務數(shù)據(jù)；

4、從所述目標數(shù)據(jù)平臺獲取征信信息不滿足預設征信條件的第一候選企業(yè)的信貸信息；所述第一候選企業(yè)的信貸信息同樣包括目標類型的政務數(shù)據(jù)；所述第一候選企業(yè)為待進入信貸審核節(jié)點的企業(yè)；

5、從所述對標企業(yè)中抽樣選取第一部分對標企業(yè)，所述第一部分對標企業(yè)和第一候選企業(yè)組成樣本候選企業(yè)集，剩余的第二部分對標企業(yè)組成樣本對標企業(yè)集；所述樣本對標企業(yè)集和樣本候選企業(yè)集中包括企業(yè)對應的目標類型的政務數(shù)據(jù)；所述樣本候選企業(yè)集的類別為準入類別；

6、基于所述樣本對標企業(yè)集和樣本候選企業(yè)集訓練構建好的準入分類模型，直至所述準入分類模型滿足預設訓練停止條件，得到訓練好的準入分類模型；所述訓練好的準入分類模型輸出第一部分對標企業(yè)和第一候選企業(yè)屬于準入類別的置信度；

7、根據(jù)第一部分對標企業(yè)的所述置信度、第一候選企業(yè)的所述置信度，從所述第一候選企業(yè)中選取待進入信貸審核節(jié)點的目標企業(yè)。

8、在一些實施例中，所述的基于分類模型選擇目標企業(yè)的方法還包括：

9、處理所述目標類型的政務數(shù)據(jù)，得到每種類型的政務數(shù)據(jù)在多個時間維度上的多個指標；

10、所述樣本對標企業(yè)集和樣本候選企業(yè)集中的企業(yè)對應的目標類型的政務數(shù)據(jù)，為所述每種類型的政務數(shù)據(jù)在多個時間維度上的多個指標。

11、在一些實施例中，所述的基于分類模型選擇目標企業(yè)的方法中，處理所述目標類型的政務數(shù)據(jù)，得到每種類型的政務數(shù)據(jù)在多個時間維度上的多個指標，包括：

12、針對所述目標類型的政務數(shù)據(jù)，計算不同的時間維度上的每種類型的政務數(shù)據(jù)的均值；

13、基于不同的時間維度上的每種政務數(shù)據(jù)的均值，計算該種政務數(shù)據(jù)的均值在該時間維度上的均值同比增長率。

14、在一些實施例中，所述的基于分類模型選擇目標企業(yè)的方法中，在基于所述樣本對標企業(yè)集和樣本候選企業(yè)集訓練構建好的準入分類模型之前，所述方法還包括：

15、將所述每種類型的政務數(shù)據(jù)在多個時間維度上的多個指標作為入模變量，構建基于二分類算法的準入分類模型。

16、在一些實施例中，所述的基于分類模型選擇目標企業(yè)的方法中，所述信貸獲取條件，包括：

17、所述對標企業(yè)獲得的貸款的類型為指定類型，且所述對標企業(yè)獲得的貸款的時間在第一預設期限之內，且所述對標企業(yè)在第二預設期限內未發(fā)生指定風險事件。

18、在一些實施例中，所述的基于分類模型選擇目標企業(yè)的方法中，根據(jù)第一部分對標企業(yè)的所述置信度、第一候選企業(yè)的所述置信度，從所述第一候選企業(yè)中選取待進入信貸審核節(jié)點的目標企業(yè)，包括：

19、基于所述第一部分對標企業(yè)的所述置信度確定第一候選企業(yè)的準入閾值；

20、基于所述準入閾值，從所述第一候選企業(yè)中一次篩選出置信度超過所述準入閾值的待準入的第一候選企業(yè)；

21、從待準入的第一候選企業(yè)中二次選取置信度排序在先的預設數(shù)目個第一候選企業(yè)作為進入信貸審核節(jié)點的目標企業(yè)。

22、在一些實施例中，所述的基于分類模型選擇目標企業(yè)的方法中，從所述第一候選企業(yè)中選取待進入信貸審核節(jié)點的目標企業(yè)之后，所述方法還包括：

23、當目標數(shù)據(jù)平臺檢測到不滿足預設征信條件的第二候選企業(yè)時，從所述目標數(shù)據(jù)平臺獲取所述第二候選企業(yè)的信貸信息；所述第二候選企業(yè)的信貸信息同樣包括目標類型的政務數(shù)據(jù)；

24、處理所述第二候選企業(yè)的信貸信息中目標類型的政務數(shù)據(jù)，確定第二候選企業(yè)的多種類型的政務數(shù)據(jù)在多個時間維度上的多個指標；

25、通過所述訓練好的準入分類模型處理第二候選企業(yè)的多種類型的政務數(shù)據(jù)在多個時間維度上的多個指標，輸出所述第二候選企業(yè)屬于準入類別的置信度；

26、基于所述第二候選企業(yè)的置信度，確定所述第二候選企業(yè)是否進入信貸審核節(jié)點。

27、在一些實施例中，還提供一種基于分類模型選擇目標企業(yè)的裝置，應用于服務器或終端設備，所述裝置包括：

28、第一獲取模塊，用于預先接入目標數(shù)據(jù)平臺，并從所述目標數(shù)據(jù)平臺獲取多個滿足信貸獲取條件的對標企業(yè)的信貸信息，所述對標企業(yè)的信貸信息包括目標類型的政務數(shù)據(jù)；

29、第二獲取模塊，用于從所述目標數(shù)據(jù)平臺獲取征信信息不滿足預設征信條件的第一候選企業(yè)的信貸信息；所述第一候選企業(yè)的信貸信息同樣包括目標類型的政務數(shù)據(jù)；所述第一候選企業(yè)為待進入信貸審核節(jié)點的企業(yè)；

30、抽樣模塊，用于從所述對標企業(yè)中抽樣選取第一部分對標企業(yè)，所述第一部分對標企業(yè)和第一候選企業(yè)組成樣本候選企業(yè)集，剩余的第二部分對標企業(yè)組成樣本對標企業(yè)集；所述樣本對標企業(yè)集和樣本候選企業(yè)集中包括企業(yè)對應的目標類型的政務數(shù)據(jù)；所述樣本候選企業(yè)集的類別為準入類別；

31、訓練模塊，用于基于所述樣本對標企業(yè)集和樣本候選企業(yè)集訓練構建好的準入分類模型，直至所述準入分類模型滿足預設訓練停止條件，得到訓練好的準入分類模型；所述訓練好的準入分類模型輸出第一部分對標企業(yè)和第一候選企業(yè)屬于準入類別的置信度；

32、選取模塊，用于根據(jù)第一部分對標企業(yè)的所述置信度、第一候選企業(yè)的所述置信度，從所述第一候選企業(yè)中選取待進入信貸審核節(jié)點的目標企業(yè)。

33、在一些實施例中，還提供一種電子設備，包括：處理器、存儲器和總線，所述存儲器存儲有所述處理器可執(zhí)行的機器可讀指令，當電子設備運行時，所述處理器與所述存儲器之間通過總線通信，所述機器可讀指令被所述處理器執(zhí)行時執(zhí)行所述的基于分類模型選擇目標企業(yè)的方法的步驟。

34、在一些實施例中，還提供一種計算機可讀存儲介質，該計算機可讀存儲介質上存儲有計算機程序，該計算機程序被處理器運行時執(zhí)行所述的基于分類模型選擇目標企業(yè)的方法的步驟。

35、本技術實施例中，具體提供一種基于分類模型選擇目標企業(yè)的方法及裝置，應用于服務器或終端設備，所述方法包括：預先接入目標數(shù)據(jù)平臺，并從所述目標數(shù)據(jù)平臺獲取多個滿足信貸獲取條件的對標企業(yè)的信貸信息，所述對標企業(yè)的信貸信息包括目標類型的政務數(shù)據(jù)；從所述目標數(shù)據(jù)平臺獲取征信信息不滿足預設征信條件的第一候選企業(yè)的信貸信息；所述第一候選企業(yè)的信貸信息同樣包括目標類型的政務數(shù)據(jù)；所述第一候選企業(yè)為待進入信貸審核節(jié)點的企業(yè)；從所述對標企業(yè)中抽樣選取第一部分對標企業(yè)，所述第一部分對標企業(yè)和第一候選企業(yè)組成樣本候選企業(yè)集，剩余的第二部分對標企業(yè)組成樣本對標企業(yè)集；所述樣本對標企業(yè)集和樣本候選企業(yè)集中包括企業(yè)對應的目標類型的政務數(shù)據(jù)；所述樣本候選企業(yè)集的類別為準入類別；基于所述樣本對標企業(yè)集和樣本候選企業(yè)集訓練構建好的準入分類模型，直至所述準入分類模型滿足預設訓練停止條件，得到訓練好的準入分類模型；所述訓練好的準入分類模型輸出第一部分對標企業(yè)和第一候選企業(yè)屬于準入類別的置信度；根據(jù)第一部分對標企業(yè)的所述置信度、第一候選企業(yè)的所述置信度，從所述第一候選企業(yè)中選取待進入信貸審核節(jié)點的目標企業(yè)；首先，所述方法能夠自動選取優(yōu)質的小微企業(yè)進入后續(xù)的信貸審核節(jié)點，評估結果客觀且評估效率高，減少對已貸過款的企業(yè)重復授信，增加信貸審核流程的自動化程度；其次，通過將不分滿足信貸獲取條件的對標企業(yè)混入不滿足預設征信條件的第一候選企業(yè)中，從而降低分類模型正負樣本集的差異，提高準入分類模型的泛化能力，第一候選企業(yè)的準入閾值基于對標企業(yè)的的置信度結果確定，提高選取的準確率，從而能夠進入信貸審核節(jié)點的目標企業(yè)的范圍進一步擴大，減少對已貸過款的企業(yè)重復授信，解決了征信白戶企業(yè)的準入冷啟動問題。