(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 202111638424.7 (22)申请日 2021.12.2 9 (71)申请人 重庆富民银行股份有限公司 地址 401121 重庆市渝北区财富 东路2号涉 外商务区一期B1栋 (72)发明人 王雪乔　刘思源　张小为　张锐　 濮奉天　刘明杨　 (74)专利代理 机构 重庆强大凯创专利代理事务 所(普通合伙) 50217 代理人 赵玉乾 (51)Int.Cl. G06K 9/62(2022.01) G06Q 10/06(2012.01) (54)发明名称 基于分类特征识别的量化多因子信用评级 系统及方法 (57)摘要 本发明涉及数据处理技术领域， 具体涉及一 种基于分类特征识别的量化多因子信用评级系 统及方法， 所述系统包括数据采集模块： 用于获 取原始数据， 以及获取原始数据的加工指标； 数 据加工模块： 用于根据加工指标对原始数据进行 指标加工， 以生成所需的指标数据； 数据分类模 块： 用于构建决策树模型和优化决策树模型； 授 信评级模块： 用于计算对应叶节点的评分， 再由 叶节点进一步加权求和得到上一层子树节点的 评分， 逐级计算直至得到根节点的评分， 再根据 根节点的评分进行授信评级。 本发 明能适用于各 种企业的授信评级， 而且授信评级更科学和更合 理。 权利要求书2页 说明书8页 附图1页 CN 114330552 A 2022.04.12 CN 114330552 A 1.基于分类特 征识别的量 化多因子信用评级系统， 其特 征在于， 包括： 数据采集模块： 用于获取目标用户的原 始数据； 数据加工模块： 用于对原 始数据进行指标加工， 以生成所需的指标 数据； 用户分类模块： 用于构建决策树模型， 并根据指标 数据对目标用户进行用户类型分类； 特征分析模块： 用于根据分类结果识别指标 数据中的风险特 征； 授信评级模块： 用于根据风险特征构建各指标数据之间复合关系的指标组织， 并根据 指标组织构建授信评级模型； 还用于调整指标组织中各个指标数据的评分条件和评分权 值， 并根据授信评级模型分析计算目标用户的授信评级。 2.根据权利要求1所述的基于分类特征识别的量化多因子信用评级系统， 其特征在于： 所述授信评级模块中的指标 组织设置为带权树， 所述带权树的每个节点代表指标组织中对 应的指标 数据。 3.根据权利要求2所述的基于分类特征识别的量化多因子信用评级系统， 其特征在于： 所述节点包括叶节点、 父节点和根节点； 所述授信评级模块具体包括以下子模块： 模型构建子模块： 用于将指标数据中的风险特征带入到带权树的父节点或根节点， 将 其余指标数据带入到带权树的叶节点， 并根据带权树获得授信评级模型； 分析计算子模块： 用于在带权树中为若干叶节点和父节点分别设置对应的分数与权 重； 并通过加权求和得到对应叶节点的评分， 再 由叶节点进一步加权求和得到上一层父节 点的评分， 逐级计算直至得到根节点的评分， 再根据根节点的评分进行目标用户的授信评 级。 4.根据权利要求1所述的基于分类特征识别的量化多因子信用评级系统， 其特征在于 还包括以下模块： 数据预处理模块： 用于在获取到原始数据后， 对原始数据进行预处理以提高数据的价 值密度； 所述预处 理包括数据校对、 数据修 订和数据整合； 数据存储模块： 用于存 储完成预处 理的原始数据。 5.根据权利要求4所述的基于分类特征识别的量化多因子信用评级系统， 其特征在于： 还包括以下模块： 数据整理优化模块： 用于根据原始数据的数据量大小和数据之间的交互， 映射出一个 或多个表结构对原始数据进行进一步整理， 使原始数据总体呈现金字塔形的业务数据模 型。 6.基于分类特 征识别的量 化多因子信用评级方法， 其特 征在于， 包括以下步骤： 数据采集 步骤： 从第三方 数据源中获取目标用户的原 始数据； 数据加工步骤： 对原 始数据进行指标加工， 以生成所需的指标 数据； 用户分类步骤： 构建决策树模型， 并根据指标 数据对目标用户进行用户类型分类； 特征分析步骤： 根据分类结果识别指标 数据中的风险特 征； 授信评级步骤： 根据风险特征构建各指标数据之间复合关系的指标组织， 并根据指标 组织构建授信评级模型； 再调整指标组织中各个指标数据的评分条件和评分权值， 并根据 授信评级模型分析计算目标用户的授信评级。 7.根据权利要求6所述的基于分类特征识别的量化多因子信用评级方法， 其特征在于： 还包括以下步骤：权　利　要　求　书 1/2 页 2 CN 114330552 A 2数据预处理步骤： 在获取到原始数据后， 对原始数据进行预处理以提高数据的价值密 度； 所述预处 理包括数据校对、 数据修 订和数据整合； 数据存储步骤： 将完成预处 理的原始数据存 储到数据存 储模块中。 8.根据权利要求7所述的基于分类特征识别的量化多因子信用评级方法， 其特征在于： 还包括以下步骤： 数据整理优化步骤： 根据原始数据的数据量大小和数据之间的交互， 映射出一个或多 个表结构对原 始数据进行进一 步整理， 使原 始数据总体呈现金字塔形的业 务数据模型。 9.根据权利要求6所述的基于分类特征识别的量化多因子信用评级方法， 其特征在于： 还包括以下步骤： 将所述授信 评级步骤中的指标组织设置为带权树， 所述带权树的每个节点代表指标组 织中对应的指标 数据。 10.根据权利要求9所述的基于分类特征识别的量化多因子信用评级方法， 其特征在 于： 所述节点包括叶节点、 父节点和根节点； 所述授信评级步骤具体包括以下子步骤： 模型构建子步骤： 将指标数据中的风险特征带入到带权树的父节点或根节点， 将其余 指标数据带入到带权树的叶节点， 并根据带权树获得授信评级模型； 分析计算子步骤： 在带权树中为若干 叶节点和父节点分别设置对应的分数与权重； 并 通过加权求和得到对应叶节点的评 分， 再由叶节 点进一步加权求和得到上一层父节点的评 分， 逐级计算 直至得到根节点的评分， 再根据根节点的评分进行目标用户的授信评级。权　利　要　求　书 2/2 页 3 CN 114330552 A 3