授信额度配置方法、装置、计算机设备和存储介质与流程

本申请涉及计算机技术领域，特别是涉及一种授信额度配置方法、装置、计算机设备和存储介质。

背景技术：

统一授信是指银行作为一个整体，按照一定标准和程序，对单一客户统一确定授信额度，并加以集中统一控制的信用风险管理制度，统一授信项下业务品种包括贷款、商业汇票贴现、商业汇票承兑、保函等表内外授信业务。现有的银行在向企业集团进行授信时，通常是对企业集团内各法人(或关联企业)逐一进行授信，通常都需要人工去收集企业集团内关联企业的信用状况。但是由于企业集团内关联企业，关系复杂，人工收集会浪费大量的人力物力，导致授信的效率低下。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高授信效率的授信额度配置方法、装置、计算机设备和存储介质。

一种授信额度配置方法，所述方法包括：

获取统一授信请求，所述统一授信请求携带目标标识，并获取预设目标知识图谱；

根据所述目标标识在所述预设目标知识图谱中查询目标标识对应目标的关联关系；

当在所述预设目标知识图谱中查询到所述目标的关联关系时，根据所述关联关系得到所述目标的信用状况，根据所述信用状况确定所述目标的信用等级；

当所述目标的信用等级大于预设信用等级时，根据所述信用状况计算第一目标授信额度，根据所述第一目标授信额度对所述目标统一授信。

在其中一个实施例中，所述获取统一授信请求，所述统一授信请求携带目标标识，并获取预设目标知识图谱之前，还包括：

接收所述目标知识图谱的建立指令，根据所述建立指令获取目标的信用状况；

根据所述目标的信用状况识别所述目标的关联关系和所述目标实体，根据所述目标的关联关系和目标实体建立预设目标知识图谱。

在其中一个实施例中，在所述根据所述目标标识在所述预设目标知识图谱中查询目标的关联关系之后，还包括：

当在所述预设目标知识图谱中未查询到所述目标的关联关系时，根据所述统一授信请求向第三方服务器发送信用报告获取请求，所述信用报告获取请求携带所述目标标识；

获取所述第三方服务器返回的所述目标标识对应目标的信用报告，根据所述信用报告得到所述目标的信用等级；

当所述目标的信用等级大于预设等级时，根据所述信用报告计算第二目标授信额度，根据所述第二目标授信额度对所述目标统一授信。

在其中一个实施例中，根据所述信用状况确定所述目标的信用等级，包括：

根据所述信用状况得到目标信用特征向量，将所述目标信用特征向量输入到已训练的目标信用等级评估模型中进行计算，得到目标信用等级特征向量，其中，所述目标信用等级评估模型是使用有监督机器学习算法根据历史目标信用报告和对应的目标信用等级进行训练得到的。

根据所述目标信用等级特征向量确定所述目标的信用等级。

在其中一个实施例中，所述已训练的目标信用等级评估模型的生成步骤包括：

获取历史目标信用报告和对应的历史目标信用等级，根据所述历史目标信用报告进行特征选择，得到目标信用特征，根据所述历史目标信用等级建立目标信用等级特征；

根据所述历史目标信用报告和所述目标信用特征计算目标信用特征向量，根据所述历史目标信用等级和所述目标信用等级特征计算目标信用等级特征向量；

将所述目标信用特征向量作为神经网络模型的输入，将所述目标信用等级特征向量作为标签进行训练，当达到预设条件时，得到所述已训练的目标信用等级评估模型。

在其中一个实施例中，根据所述信用状况计算第一目标授信额度，包括：

根据所述信用状况得到授信额度影响因子，获取所述授信额度影响因子对应的预设权值；

根据所述授信额度影响因子和所述授信额度影响因子对应的预设权值计算所述第一目标授信额度。

在其中一个实施例中，根据所述信用状况计算第一目标授信额度，包括：

根据所述信用状况得到目标授信特征向量，将所述目标授信特征向量输入到已训练的授信额度计算模型中，得到目标授信额度向量，其中，所述授信额度计算模型是使用有监督机器学习算法根据历史目标信用状况和对应的目标授信额度进行训练得到的；

根据所述目标授信额度向量得到所述第一目标授信额度。

一种授信额度配置装置，所述装置包括：

图谱获取模块，用于获取统一授信请求，所述统一授信请求携带目标标识，并获取预设目标知识图谱；

关系查询模块，用于根据所述目标标识在所述预设目标知识图谱中查询所述目标标识对应目标的关联关系；

信用等级确定模块，用于当在所述预设目标知识图谱中查询到所述目标的关联关系时，根据所述关联关系得到所述目标的信用状况，根据所述信用状况确定所述目标的信用等级；

授信模块，用于当所述目标的信用等级大于预设信用等级时，根据所述信用状况计算第一目标授信额度，根据所述第一目标授信额度对所述目标统一授信。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取统一授信请求，所述统一授信请求携带目标标识，并获取预设目标知识图谱；

根据所述目标标识在所述预设目标知识图谱中查询所述目标标识对应目标的关联关系；

当在所述预设目标知识图谱中查询到所述目标的关联关系时，根据所述关联关系得到所述目标的信用状况，根据所述信用状况确定所述目标的信用等级；

当所述目标的信用等级大于预设信用等级时，根据所述信用状况计算第一目标授信额度，根据所述第一目标授信额度对目标统一授信。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取统一授信请求，所述统一授信请求携带目标标识，并获取预设目标知识图谱；

根据所述目标标识在所述预设目标知识图谱中查询所述目标标识对应目标的关联关系；

当在所述预设目标知识图谱中查询到所述目标的关联关系时，根据所述关联关系得到所述目标的信用状况，根据所述信用状况确定所述目标的信用等级；

当所述目标的信用等级大于预设信用等级时，根据所述信用状况计算第一目标授信额度，根据所述第一目标授信额度对所述目标统一授信。

上述授信额度配置方法、装置、计算机设备和存储介质，通过获取统一授信请求，所述统一授信请求携带目标标识，并获取预设目标知识图谱；根据所述目标标识在所述预设目标知识图谱中查询所述目标标识对应目标的关联关系；当在所述预设目标知识图谱中查询到所述目标的关联关系时，根据所述关联关系得到所述目标的信用状况，根据所述信用状况确定所述目标的信用等级；当所述目标的信用等级大于预设信用等级时，根据所述信用状况计算第一目标授信额度，根据所述第一目标授信额度对目标统一授信。

附图说明

图1为一个实施例中授信额度配置方法的应用场景图；

图2为一个实施例中授信额度配置方法的流程示意图；

图3为一个实施例中建立预设目标知识图谱的流程示意图；

图4为另一个实施例中进行统一授信的流程示意图；

图5为一个实施例中得到信用等级的流程示意图；

图6为一个实施例中得到目标信用等级评估模型的流程示意图；

图7为一个实施例中计算第一目标授信额度的流程示意图；

图8为另一个实施例中计算第一目标授信额度的流程示意图；

图9为一个实施例中授信额度配置装置的结构框图；

图10为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的授信额度配置方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104获取终端102发送的统一授信请求，统一授信请求携带目标标识，并获取预设目标知识图谱。服务器104根据目标标识在预设目标知识图谱中查询目标标识对应目标的关联关系。当在预设目标知识图谱中查询到目标的关联关系时，根据关联关系得到目标的信用状况，根据信用状况确定目标的信用等级。服务器104在目标的信用等级大于预设信用等级时，根据信用状况计算第一目标授信额度，根据第一目标授信额度对目标统一授信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种授信额度配置方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

s202，获取统一授信请求，统一授信请求携带目标标识，并获取预设目标知识图谱。

其中，目标标识用于唯一标识目标，该目标可以是个人组成的集体，也可以是企业集团，企业集团是具有独立法人资格的有限责任公司，是为了一定的目的组织起来共同行动的团体公司，是指以资本为主要联结纽带，以母子公司为主体，以集团章程为共同行为规范的，由母公司、子公司、参股公司及其他成员共同组成的企业法人联合体。预设目标知识图谱是指预先根据各个目标对应的各种关联关系信息建立的各个目标之间的知识图谱。

具体地，服务器获取到目标终端发送的统一授信请求，该统一授信请求中携带目标标识，并获取到已经预先建立好的目标知识图谱。例如：服务器获取到对“某某集团”的统一授信请求，该统一授信请求中携带有该“某某集团”标识，该“某某集团”标识可以是该企业集团的编号，也可以是母公司注册号等等。此时的预设目标知识图谱可以是预设企业集团知识图谱。该预设企业集团知识图谱是预先根据各个企业集团中公司之间关联关系建立的知识图谱。

s204，根据目标标识在预设目标知识图谱中查询目标标识对应目标的关联关系。

其中，关联关系是指目标与目标或者目标内部之间的影响关系，比如目标为企业集团时，则企业集团中公司之间的关联关系可以包括：增信关系、事件关系、投资关系和信贷关系等。

具体地，根据目标标识在预设目标知识图谱中查询目标标识对应目标的关联关系。例如：当目标标识为企业集团的名称时，可以根据企业集团的名称在预设企业集团知识图谱中该企业集团中各个企业之间的关联关系。可以是母公司与子公司的关系，可以是子公司与子公司的关系，还可以是公司与自然人之间的关系等等。

s206，当在预设目标知识图谱中查询到目标的关联关系时，根据关联关系得到目标的信用状况，根据信用状况确定目标的信用等级。

其中，信用状况是指用于描述该目标的信用信息，当该目标为企业集团时，该企业集团信用信息包括：企业集团基本信息、企业集团经营业务信息、财务信息、公共记录信息和企业集团发展信息等等。信用等级用于反映该目标的偿债能力、获利能力、经营管理、履约情况、发展能力与潜力等，信用等级包括正常类、关注类、次级类、可疑类和损失类等。

具体地，当该目标标识在该预设目标知识图谱中时，即可以在预设目标知识图谱中查询到该目标的关联关系，根据目标之间的关联关系和目标对应的实体属性信息可以得到目标的信用状况，根据该目标的信用状况来确定目标的信用等级，然后可以根据目标的信用状况和对应的目标的信用等级生成该目标的信用报告并保存在服务器数据库中。例如：当该目标为“某某集团”时，当可以在预设企业集团知识图谱中查询到该“某某集团”中的关联关系时，根据该关联关系和该企业集团中企业实体属性得到该企业集团的信用状况，根据该信用状况确定目标的信用等级。

s208，当目标的信用等级大于预设信用等级时，根据信用状况计算第一目标授信额度，根据第一目标授信额度对目标统一授信。

其中，预设信用等级是指预先设置好能够进行统一授信的信用等级。

具体地，当目标的信用等级大于预设信用等级时，说明可以对该目标进行统一授信，服务器根据信用状况计算出该目标对应的第一授信额度，根据该第一目标授信额度对该目标进行统一授信。当目标的信用等级不大于预设信用等级时，说明该目标的信用不足，无法进行统一授信，则向该目标终端返回信用等级不足无法授信的提示。比如，得到企业集团的信用等级为正常类，大于预设的信用等级次级类。此时，就可以根据该企业集团的信用状况计算对该企业集团的授信额度，根据计算出来的授信额度对该企业集团进行授信处理。当得到企业集团集团的信用等级为可疑类时，无法向该企业集团集团进行统一授信。

在上述实施例中，通过获取统一授信请求，统一授信请求携带目标标识，并获取预设目标知识图谱，根据目标标识在预设目标知识图谱中查询目标标识对应目标的关联关系。当在预设目标知识图谱中查询到目标的关联关系时，根据关联关系得到目标的信用状况，根据信用状况确定目标的信用等级。当目标的信用等级大于预设信用等级时，根据信用状况计算第一目标授信额度，根据第一目标授信额度对目标统一授信，通过从预设目标知识图谱中获取到目标的信用状况，根据该信用状况得到信用等级，根据信用等级判断是否进行授信，当能够授信时，计算授信额度进行统一授信，实现了对目标的统一授信，提高了目标授信的效率。

在一个实施例中，如图3所示，步骤s202之前，即获取统一授信请求，统一授信请求携带目标标识，并获取预设目标知识图谱之前，还包括步骤：

s302，接收目标知识图谱的建立指令，根据建立指令获取目标的信用状况；

具体地，服务器接收目标知识图谱的建立指令，根据该建立指令服务器可以从各种渠道采集已被合法公开的目标信用状况信息和从服务器内部数据库中获取保存的未被公开的目标信用状况信息，得到目标的信用状况。在一个实施例中，获取到的未被公开的目标信用状况信息是经过加密算法加密的，此时，需要经过授权获取到解密密钥对加密的目标信用状况信息进行解密，保证未被公开的目标信用状况信息的安全性。其中，该目标可以是企业集团，也可以是个人集体。

s304，根据目标的信用状况识别目标的关联关系和目标实体，根据目标的关联关系和目标实体建立预设目标知识图谱。

具体地，当服务器获取到目标的信用状况信息时，可以对该信用状况信息进行数据加工，可以使用数据仓库技术对信用状况信息进行数据加工，识别出目标之间的关联关系、目标各个实体和各个实体属性，然后根据目标的关联关系和目标实体建立预设目标知识图谱，并将建立的预设目标知识图谱中关系型数据保存到图数据库中，该图数据库可以使用neo4j(一个高性能的nosql图形数据库)数据库。

在上述实施例中，通过接收目标知识图谱的建立指令，根据建立指令获取目标的信用状况，根据目标的信用状况识别目标的关联关系和目标实体，根据目标的关联关系和目标实体建立预设目标知识图谱，可以预先建立好目标知识图谱，在进行统一授信时可以直接使用该建立好的目标知识图谱，提高授信额度配置的效率。

在一个实施例中，如图4所示，在步骤s204之后，在根据目标标识在预设目标知识图谱中查询目标的关联关系之后，还包括步骤：

s402，当在预设目标知识图谱中未查询到目标的关联关系时，根据统一授信请求向第三方服务器发送信用报告获取请求，信用报告获取请求携带目标标识。

其中，信用报告是指征信机构以合法的方式从不同渠道收集信用信息，整理加工后提供给经授权的人或者企业使用的书面报告。例如，该信用报告为企业集团的信用报告时，该信用报告中包括企业集团基本信息、企业集团经营业务信息、财务信息、公共记录信息、企业集团信用等级信息和企业集团发展信息等。

具体地，当服务器在预设目标知识图谱中未查询到目标的关联关系时，说明该目标还未建立知识图谱，此时，根据统一授信请求服务器向第三方服务器发送信用报告获取请求，信用报告获取请求携带目标标识，其中，第三方服务器是指征信机构的服务器。征信机构是指依法设立的、独立于信用交易双方的第三方主要经营征信业务的机构。

s404，获取第三方服务器返回的目标标识对应目标的信用报告，根据信用报告得到目标的信用等级。

具体地，服务器获取到第三方服务器返回的该目标标识对应的信用报告，该信用报告中就记录了该目标的信用等级。

s406，当目标的信用等级大于预设等级时，根据信用报告计算第二目标授信额度，根据第二目标授信额度对目标统一授信。

具体地，当该目标的信用等级大于预设等级时，根据该信用报告中目标的信息计算出第二目标授信额度，根据该第二目标授信额度对目标统一授信，当该目标的信用等级不大于预设等级时，向该目标终端返回信用等级不足，无法统一授信的提示。

在上述实施例中，通过当在预设目标知识图谱中未查询到目标的关联关系时，根据统一授信请求向第三方服务器发送信用报告获取请求，信用报告获取请求携带目标标识，获取第三方服务器返回的目标标识对应的信用报告，根据信用报告得到信用等级，当目标的信用等级大于预设等级时，根据信用报告计算第二目标授信额度，根据第二目标授信额度对目标统一授信，能够在未建立该目标知识图谱时，通过第三方获取到信用报告，根据信用报告进行统一授信，实现了对该目标的统一授信，提高授信效率。

在一个实施例中，如图5所示，步骤s206，即根据信用状况确定目标的信用等级，包括步骤：

s502，根据信用状况得到目标信用特征向量，将目标信用特征向量输入到已训练的目标信用等级评估模型中进行计算，得到目标信用等级特征向量，其中，目标信用等级评估模型是使用有监督机器学习算法根据历史目标信用报告和对应的目标信用等级进行训练得到的。

其中，有监督机器学习算法使用的是bp神经网络算法，bp神经网络算法是一种按照误差逆向传播算法训练的多层前馈神经网络。使用s型函数作为激活函数。目标信用特征向量是根据历史目标信用状况建立的。

具体地，服务器根据信用状况得到目标信用特征向量，将目标信用特征向量输入到已训练的目标信用等级评估模型中进行计算，得到目标信用等级特征向量。

s504，根据目标信用等级特征向量确定目标的信用等级。

具体地，根据预先设置好的目标信用等级特征向量和目标的信用等级之间的对应关系确定得到的目标信用等级特征向量对应的目标的信用等级。

在上述实施例中，通过根据信用状况得到目标信用特征向量，将目标信用特征向量输入到已训练的目标信用等级评估模型中进行计算，得到目标信用等级特征向量，根据目标信用等级特征向量确定目标的信用等级。通过已训练的目标信用等级评估模型计算出目标信用等级，提高了授信的效率。

在一个实施例中，如图6所示，已训练的目标信用等级评估模型的生成步骤包括：

s602，获取历史目标信用报告和对应的历史目标信用等级，根据历史目标信用报告进行特征选择，得到目标信用特征，根据历史目标信用等级建立目标信用等级特征。

其中，目标信用特征用于描述目标信用状况，经过特征选择得到的，当目标信用特征为企业集团信用特征时，可以包括企业集团基本信息特征、企业集团经营业务信息特征、财务信息特征、公共记录(企业正面和负面信息)信息特征和企业集团发展信息特征等。

具体地，服务器获取到数据库中保存的历史目标信用报告，根据该历史目标信用报告得到对应的历史目标信用等级，根据历史目标信用报告进行特征选择，得到目标信用特征，根据历史目标信用等级建立目标目标信用等级特征。

s604，根据历史目标信用报告和目标信用特征计算目标信用特征向量，根据历史目标信用等级和目标信用等级特征计算目标信用等级特征向量。

具体地，根据历史目标信用报告和目标信用特征计算该历史目标信用报告的目标信用特征向量，根据对应的历史目标信用等级和目标信用等级特征计算目标信用等级特征向量。比如：企业集团信用特征中公共记录信息特征根据历史集团信用报告得到该公共记录信息中正面信息多与负面信息，则该公共记录信息特征对应的向量为[1,0]。根据历史企业集团信用报告得到该财务信息为良好，该历史企业集团信用报告总共有五类财务信息，包括优秀、良好、一般、差和极差，当该企业集团的财务信息为良好时，则得到的财务信息特征对应的特征为[0,1,0,0,0]。最后根据各个企业集团信用特征对应的向量组合得到企业集团信用特征向量。企业信用等级包括正常类、关注类、次级类、可疑类和损失类，当该历史集团信用报告中企业信用等级为次级类时，计算得到的企业信用等级特征向量为[0,0,1,0,0]。

s606，将目标信用特征向量作为神经网络模型的输入，将目标信用等级特征向量作为标签进行训练，当达到预设条件时，得到已训练的目标信用等级评估模型。

具体地，服务器将得到的目标信用特征向量作为bp神经网络模型的输入，将目标信用特征向量对应的目标信用等级特征向量作为标签进行训练，当输出的企业信用等级达到预设准确率或者达到最大迭代次数时，训练完成，就得到了已训练的目标信用等级评估模型。其中，预设准确率可以设置为90％以上，最大迭代次数可以设置为1000次以上。

在上述实施例中，通过历史目标信用报告和对应的历史目标信用等级训练得到目标信用等级评估模型，可以在进行统一授信时对目标的信用等级进行确定，提高了统一授信的效率。

在一个实施例中，如图7所示，步骤s208，即根据信用状况计算第一目标授信额度，包括步骤：

s702，根据信用状况得到授信额度影响因子，获取授信额度影响因子对应的预设权值。

其中，授信额度影响因子是指影响授信额度的因素，包括目标申请额度、目标财务状况、目标经营状况、目标银行往来状况和目标上限授信额度等。

具体地，根据该目标的信用状况得到该目标各个授信额度影响因子，并获取到各个授信额度影响因子对应的预设权值。

s704，根据授信额度影响因子和授信额度影响因子对应的预设权值计算第一目标授信额度。

具体地，根据授信额度影响因子和该授信额度影响因子对应的预设权值计算得到第一目标授信额度。比如：企业集团申请额度为5000万，其对应的预设权值是0.3。企业集团的财务状况良好，其对应的预设权值为0.2。企业集团经营状况良好、其对应的预设权值为0.2、企业集团银行往来状况无其它银行往来，其对应的预设权值为0.1，企业集团上限额度为1亿，其对应的预设权值为0.2则计算得到的第一目标授信额度为3000万，则可以对该企业集团统一授信，授信额度为3000万。

上述实施例中，通过根据信用状况得到授信额度影响因子，获取授信额度影响因子对应的预设权值，根据授信额度影响因子和授信额度影响因子对应的预设权值计算第一目标授信额度，能够快速计算得到第一目标授信额度，从而可以进行统一授信，提高了统一授信的效率。

在一个实施例中，如图8所示，步骤s208，根据信用状况计算第一目标授信额度，包括步骤：

s802，根据信用状况得到目标授信特征向量，将目标授信特征向量输入到已训练的授信额度计算模型中，得到目标授信额度向量，其中，授信额度计算模型是使用有监督机器学习算法根据历史目标信用状况和对应的目标授信额度进行训练得到的。

其中，有监督机器学习算法可以是线性回归算法，使用平方误差函数作为损失函数。

具体地，服务器根据信用状况得到目标授信特征向量，将目标授信特征向量输入到已训练的首先额度计算模块中，得到目标授信额度向量，其中，授信额度计算模型是使用线性回归算法根据历史目标信用状况和对应的历史目标授信额度进行训练得到的。服务器根据各个历史信用状况进行特征选择得到目标授信特征，根据该目标授信额度对应得到目标授信额度特征，使用历史信用状况和对应的目标授信额度得到历史目标授信特征向量和对应的历史目标授信额度向量，将历史目标授信特征向量作为线性回归模型是输入，将历史目标授信额度向量作为线性回归模型的标签，当该线性回归模型的准确率达到预设阈值或者达到最大迭代次数时，训练完成，就得到已训练的授信额度计算模型。

s804，根据目标授信额度向量得到第一目标授信额度。

具体地，在训练授信额度计算模型时已经设置好了第一目标授信额度与目标授信额度向量之间的对应关系，根据该对应关系和目标授信额度向量就得到了第一目标授信额度。比如，计算得到的目标授信额度向量为[3000]，则得到的第一目标授信额度为3000万。

上述实施例中，通过根据信用状况得到目标授信特征向量，将目标授信特征向量输入到已训练的授信额度计算模型中，得到目标授信额度向量，根据目标授信额度向量得到第一目标授信额度。使用已训练的授信额度计算模型计算得到第一目标授信额度，能够更快速，更准确得到第一目标授信额度，提高统一授信效率。

应该理解的是，虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图9所示，提供了一种授信额度配置装置900，包括：图谱获取模块902、关系查询模块904、信用等级确定模块906和授信模块910，其中：

图谱获取模块902，用于获取统一授信请求，统一授信请求携带目标标识，并获取预设目标知识图谱；

关系查询模块904，用于根据目标标识在预设目标知识图谱中查询目标标识对应目标的关联关系；

信用等级确定模块906，用于当在预设目标知识图谱中查询到目标的关联关系时，根据关联关系得到目标的信用状况，根据信用状况确定目标的信用等级；

第一授信模块910，用于当目标的信用等级大于预设信用等级时，根据信用状况计算第一目标授信额度，根据第一目标授信额度对目标统一授信。

在一个实施例中，授信额度配置装置900，还包括：

信用状况获取模块，用于接收目标知识图谱的建立指令，根据建立指令获取目标的信用状况；

图谱建立模块，用于根据目标的信用状况识别目标的关联关系和目标实体，根据目标的关联关系和目标实体建立预设目标知识图谱。

在一个实施例中，授信额度配置装置900，还包括：

请求发送模块，用于当在预设目标知识图谱中未查询到目标的关联关系时，根据统一授信请求向第三方服务器发送信用报告获取请求，信用报告获取请求携带目标标识；

等级得到模块，用于获取第三方服务器返回的目标标识对应目标的信用报告，根据信用报告得到目标的信用等级；

第二授信模块，用于当目标的信用等级大于预设等级时，根据信用报告计算第二目标授信额度，根据第二目标授信额度对目标统一授信。

在一个实施例中，信用等级确定模块906，包括：

模型计算模块，用于根据信用状况得到目标信用特征向量，将目标信用特征向量输入到已训练的目标信用等级评估模型中进行计算，得到目标信用等级特征向量，其中，目标信用等级评估模型是使用有监督机器学习算法根据历史目标信用报告和对应的目标信用等级进行训练得到的。

信用等级确定模块，用于根据目标信用等级特征向量确定目标的信用等级。

在一个实施例中，授信额度配置装置900，还包括：

特征选择模块，用于获取历史目标信用报告和对应的历史目标信用等级，根据历史目标信用报告进行特征选择，得到目标信用特征，根据历史目标信用等级建立目标信用等级特征；

向量计算模块，用于根据历史目标信用报告和目标信用特征计算目标信用特征向量，根据历史目标信用等级和目标信用等级特征计算目标信用等级特征向量；

训练模块，用于将目标信用特征向量作为神经网络模型的输入，将目标信用等级特征向量作为标签进行训练，当达到预设条件时，得到已训练的目标信用等级评估模型。

在一个实施例中，第一授信模块910，包括：

权值获取模块，用于根据信用状况得到授信额度影响因子，获取授信额度影响因子对应的预设权值；

额度计算模块，用于根据授信额度影响因子和授信额度影响因子对应的预设权值计算第一目标授信额度。

在一个实施例中，第一授信模块910，包括：

额度向量得到模块，用于根据信用状况得到目标授信特征向量，将目标授信特征向量输入到已训练的授信额度计算模型中，得到目标授信额度向量，其中，授信额度计算模型是使用有监督机器学习算法根据历史目标信用状况和对应的目标授信额度进行训练得到的；

授信额度得到模块，用于根据目标授信额度向量得到第一目标授信额度。

关于授信额度配置装置的具体限定可以参见上文中对于标授信额度配置方法的限定，在此不再赘述。上述授信额度配置装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储信用报告数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种授信额度配置方法。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取统一授信请求，统一授信请求携带目标标识，并获取预设目标知识图谱；根据目标标识在预设目标知识图谱中查询目标标识对应目标的关联关系；当在预设目标知识图谱中查询到目标的关联关系时，根据关联关系得到目标的信用状况，根据信用状况确定目标的信用等级；当目标的信用等级大于预设信用等级时，根据信用状况计算第一目标授信额度，根据第一目标授信额度对目标统一授信。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：接收目标知识图谱的建立指令，根据建立指令获取目标的信用状况；根据目标的信用状况识别目标的关联关系和目标实体，根据目标的关联关系和目标实体建立预设目标知识图谱。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：当在预设目标知识图谱中未查询到目标的关联关系时，根据统一授信请求向第三方服务器发送信用报告获取请求，信用报告获取请求携带目标标识；获取第三方服务器返回的目标标识对应目标的信用报告，根据信用报告得到目标的信用等级；当目标的信用等级大于预设等级时，根据信用报告计算第二目标授信额度，根据第二目标授信额度对目标统一授信。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据信用状况得到目标信用特征向量，将目标信用特征向量输入到已训练的目标信用等级评估模型中进行计算，得到目标信用等级特征向量，其中，目标信用等级评估模型是使用有监督机器学习算法根据历史目标信用报告和对应的目标信用等级进行训练得到的。根据目标信用等级特征向量确定目标的信用等级。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史目标信用报告和对应的历史目标信用等级，根据历史目标信用报告进行特征选择，得到目标信用特征，根据历史目标信用等级建立目标信用等级特征；根据历史目标信用报告和目标信用特征计算目标信用特征向量，根据历史目标信用等级和目标信用等级特征计算目标信用等级特征向量；将目标信用特征向量作为神经网络模型的输入，将目标信用等级特征向量作为标签进行训练，当达到预设条件时，得到已训练的目标信用等级评估模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据信用状况得到授信额度影响因子，获取授信额度影响因子对应的预设权值；根据授信额度影响因子和授信额度影响因子对应的预设权值计算第一目标授信额度。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据信用状况得到目标授信特征向量，将目标授信特征向量输入到已训练的授信额度计算模型中，得到目标授信额度向量，其中，授信额度计算模型是使用有监督机器学习算法根据历史目标信用状况和对应的目标授信额度进行训练得到的；根据目标授信额度向量得到第一目标授信额度。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取统一授信请求，统一授信请求携带目标标识，并获取预设目标知识图谱；根据目标标识在预设目标知识图谱中查询目标标识对应目标的关联关系；当在预设目标知识图谱中查询到目标的关联关系时，根据关联关系得到目标的信用状况，根据信用状况确定目标的信用等级；当目标的信用等级大于预设信用等级时，根据信用状况计算第一目标授信额度，根据第一目标授信额度对目标统一授信。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收目标知识图谱的建立指令，根据建立指令获取目标的信用状况；根据目标的信用状况识别目标的关联关系和目标实体，根据目标的关联关系和目标实体建立预设目标知识图谱。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当在预设目标知识图谱中未查询到目标的关联关系时，根据统一授信请求向第三方服务器发送信用报告获取请求，信用报告获取请求携带目标标识；获取第三方服务器返回的目标标识对应目标的信用报告，根据信用报告得到目标的信用等级；当目标的信用等级大于预设等级时，根据信用报告计算第二目标授信额度，根据第二目标授信额度对目标统一授信。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据信用状况得到目标信用特征向量，将目标信用特征向量输入到已训练的目标信用等级评估模型中进行计算，得到目标信用等级特征向量，其中，目标信用等级评估模型是使用有监督机器学习算法根据历史目标信用报告和对应的目标信用等级进行训练得到的。根据目标信用等级特征向量确定目标的信用等级。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史目标信用报告和对应的历史目标信用等级，根据历史目标信用报告进行特征选择，得到目标信用特征，根据历史目标信用等级建立目标信用等级特征；根据历史目标信用报告和目标信用特征计算目标信用特征向量，根据历史目标信用等级和目标信用等级特征计算目标信用等级特征向量；将目标信用特征向量作为神经网络模型的输入，将目标信用等级特征向量作为标签进行训练，当达到预设条件时，得到已训练的目标信用等级评估模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据信用状况得到授信额度影响因子，获取授信额度影响因子对应的预设权值；根据授信额度影响因子和授信额度影响因子对应的预设权值计算第一目标授信额度。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据信用状况得到目标授信特征向量，将目标授信特征向量输入到已训练的授信额度计算模型中，得到目标授信额度向量，其中，授信额度计算模型是使用有监督机器学习算法根据历史目标信用状况和对应的目标授信额度进行训练得到的；根据目标授信额度向量得到第一目标授信额度。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。