企业信贷审核方法、装置、设备及计算机可读存储介质与流程
本申请涉及数据分析的技术领域，尤其涉及一种企业信贷审核方法、装置、设备及计算机可读存储介质。
背景技术：
企业信用贷款，是指银行向小企业法定代表人或控股股东发放的，用于补充企业流动性资金周转等合法指定用途的无抵押、无担保贷款。企业向银行申请信用贷款时，需要提供企业相关资料，如企业营销执照、税务登记证、组织机构代码证和近六个月增值税等，然后由银行进行审核，以确定申请贷款的企业的贷款额度。
目前，可以通过从企业相关资料中提取特征，并基于特征对申请贷款的进行审核，然而现有的特征提取算法仅涉及简单的线性计算，无法提取空间扭曲后的隐含信息，仅通过提取到的线性特征对贷款进行审核，无法保证企业信用贷款的审核结果的准确性。因此，如何提高企业信用贷款的审核准确性是目前亟待解决的问题。
技术实现要素：
本申请的主要目的在于提供一种企业信贷审核方法、装置、设备及计算机可读存储介质，旨在提高提高企业信用贷款的审核准确性。
第一方面，本申请提供一种企业信贷审核方法，所述企业信贷审核方法包括以下步骤：
当监测到企业信贷审核请求时，根据所述企业信贷审核请求，获取目标企业的信贷审核视频和企业多维画像数据；
对所述信贷审核视频进行微表情识别和语音情绪识别，得到微表情类型集合和语音情绪类别；
根据所述微表情类型集合和所述语音情绪类别，对所述企业多维画像数据进行校验；
当所述企业多维画像数据通过校验时，通过预设的随机森林模型中的各层多个随机森林对所述企业多维画像数据进行分析，得到多维风险预测结果；
根据所述多维风险预测结果，判断所述目标企业是否通过贷款审核。
第二方面，本申请还提供一种企业信贷审核装置，所述企业信贷审核装置包括：
获取模块，用于当监测到企业信贷审核请求时，根据所述企业信贷审核请求，获取目标企业的信贷审核视频和企业多维画像数据；
识别模块，用于对所述信贷审核视频进行微表情识别和语音情绪识别，得到微表情类型集合和语音情绪类别；
校验模块，用于根据所述微表情类型集合和所述语音情绪类别，对所述企业多维画像数据进行校验；
分析模块，用于当所述企业多维画像数据通过校验时，通过预设的随机森林模型中的各层多个随机森林对所述企业多维画像数据进行分析，得到多维风险预测结果；
判断模块，用于根据所述多维风险预测结果，判断所述目标企业是否通过贷款审核。
第三方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的企业信贷审核方法的步骤。
第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的企业信贷审核方法的步骤。
本申请提供一种企业信贷审核方法、装置、设备及计算机可读存储介质，本申请通过对信贷审核视频进行微表情识别和语音情绪识别，得到微表情类型集合和语音情绪类别，再根据微表情类型集合和语音情绪类别，对企业多维画像数据进行校验，而当企业多维画像数据通过校验时，通过预设的随机森林模型中的各层多个随机森林对企业多维画像数据进行分析，可以得到准确的多维风险预测结果，最后根据该多维风险预测结果，判断目标企业是否通过贷款审核，通过微表情识别和语音情绪识别，可以在一定程度上保证多维画像数据的真实性，同时通过对多维画像数据进行分析，可以准确的得到贷款审核结果，有效的提高企业信用贷款的审核准确性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种企业信贷审核方法的流程示意图；
图2为图1中的企业信贷审核方法的子步骤流程示意图；
图3为本申请实施例提供的另一种企业信贷审核方法的流程示意图；
图4为本申请实施例提供的一种企业信贷审核装置的示意性框图；
图5为图4中的企业信贷审核装置的子模块的示意性框图；
图6为本申请实施例提供的另一种企业信贷审核装置的示意性框图；
图7为本申请一实施例涉及的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供一种企业信贷审核方法、装置、计算机设备及计算机可读存储介质。其中，该企业信贷审核方法可应用于服务器中，该服务器可以为单台的服务器，也可以为由多台服务器组成的服务器集群。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，图1为本申请的实施例提供的一种企业信贷审核方法的流程示意图。
如图1所示，该企业信贷审核方法包括步骤s101至步骤s105。
步骤s101、当监测到企业信贷审核请求时，根据所述企业信贷审核请求，获取目标企业的信贷审核视频和企业多维画像数据。
其中，企业多维画像数据包括企业申请信贷时提交的自身画像数据、银行内部业务员对企业采集的画像数据和在网站上爬取的企业画像数据。具体包括企业规模、企业合作对象、企业年营业额或、融资情况、企业成立时间、近半年开票额、企业营销执照、税务登记证、组织机构代码证、最近验资报告、近六个月增值税或所得税缴税证明、近一年财务报表、企业近六个月的银行对账单、企业负债率、企业主要成员与拥有超过设定比例的企业股份的持股人员身份证或护照或其他相关的企业征信数据等信息。
当企业向银行申请企业信贷时，银行工作人员可以现场或远程通过视频问询的方式对企业法人、股东和/或主要人员进行问询，在问询的过程中，通过录像设备或终端设备采集被问询者的面部数据和语音数据，从而生成对应的信贷审核视频，然后通过录像设备或终端设备将信贷审核视频上传至后台的服务器，由服务器基于企业标签关联存储信贷审核视频，此外，服务器基于企业标签关联存储企业多维画像数据。其中，该企业标签用于唯一表示申请贷款的企业，该终端设备可以为手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
当监测到企业信贷审核请求时，服务器根据该企业信贷审核请求，获取目标企业的信贷审核视频和企业多维画像数据，即从该企业信贷审核请求中获取企业标签，并获取该企业标签关联的信贷审核视频和企业多维画像数据。
其中，目标企业为该企业信贷审核请求中的企业标签唯一表示的企业，企业信贷审核请求的触发方式包括定时触发和实时触发，定时触发为服务器通过定时任务定时查询贷款审核任务队列中是否存在未审核的贷款审核任务，如果贷款审核任务队列中存在未审核的贷款审核任务，则根据未审核的贷款审核任务触发企业信贷审核请求；而实时触发为当监测到审核人员输入的审核指令时，查询贷款审核任务队列中是否存在未审核的贷款审核任务，如果贷款审核任务队列中存在未审核的贷款审核任务，则根据未审核的贷款审核任务触发企业信贷审核请求。
步骤s102、对所述信贷审核视频进行微表情识别和语音情绪识别，得到微表情类型集合和语音情绪类别。
在获取到信贷审核视频和企业多维画像数据之后，需要基于信贷审核视频对企业多维画像数据进行校验，具体为对该信贷审核视频进行微表情识别和语音情绪识别，得到微表情类型集合和语音情绪类别，再基于微表情类型集合和语音情绪类别对企业多维画像数据进行校验。
具体实施中，在也可以在通过现场或远程通过视频问询企业法人、股东和/或主要人员时，通过终端设备对被询问者进行微表情识别和语音情绪识别，得到微表情类型集合和语音情绪类别，并将得到的微表情类型集合和语音情绪类别上传至服务器，由服务器基于企业标签关联存储微表情类型集合和语音情绪类别。
在一实施例中，如图2所示，步骤s102包括：子步骤s1021至子步骤s1023。
子步骤s1021，对所述信贷审核视频进行音视频分离得到待识别的目标视频和目标音频。
具体地，对该信贷审核视频进行音视频分离得到待识别的目标视频和目标音频，可选地，获取预设音频格式，并将该信贷审核视频的格式转换为该预设音频格式，以实现音视频分离，从而得到待识别的目标视频和目标音频。需要说明的是，上述预设音频格式可基于实际情况进行设置，本申请对此不作具体限定。
子步骤s1022、对所述目标视频进行微表情识别，得到微表情类型集合。
具体地，获取预存的微表情识别模型，并通过微表情识别模型对该目标视频进行微表情识别，得到微表情类型集合。其中，该微表情识别模型可选为基于深度学习的微表情识别模型，通过训练的方式，得到微表情识别模型。
训练方式具体为：准备数据集，包含微表情的视频片段采集、视频图像归一化处理、训练/验证/测试集分割等；基于卷积神经网络和循环神经网络设计待训练的微表情识别模型，并通过训练集对待训练的微表情识别模型进行训练直至模型收敛，然后利用验证集和测试集对收敛后的微表情识别模型进行验证和测试，在满足要求后，固化微表情识别模型。
其中，对目标视频进行微表情识别的方式具体还可以为：对目标视频中的每一帧图像进行微表情识别，确定每一帧图像的微表情类型，并汇集每一图像帧的微表情类型，得到微表情类型集合。具体实施中，存在微表情类型相同的情况，为此，在汇集每一图像帧的微表情类型时，如果存在图像帧的微表情类型相同，则仅汇集其中一个图像帧的微表情类型，保证微表情类型集合中的微表情类型不重复。
其中，每一帧图像的微表情类型的确定方式为：将该目标视频拆分为若干帧图像，并同时提取若干帧图像中每一帧图像的目标特征向量，且获取预存的微表情库，然后计算每一图像帧的目标特征向量与该微表情库中的每个预设微表情的特征向量之间的相似概率，并将该相似概率大于预设相似概率对应的微表情类型确定为该图像帧的微表情类型。需要说明的是，上述预设相似概率可基于实际情况进行设置，本申请对此不作具体限定。
子步骤s1023、对所述目标音频进行语音情绪识别，得到所述目标音频的目标情绪类别。
具体地，对该目标音频进行特征提取，得到语音特征，并通过预设的语音情绪识别模型和该语音特征，确定目标音频的目标情绪类别。其中，语音特征包括但不限于时长相关特征、基频相关特征、能量相关特征、倒谱系数和mel频率倒谱系数。
需要说明的是，语音情绪识别模型是通过训练得到的，训练方式具体为：建立语音特征训练样本集和待训练的语音情绪识别模型，利用语音特征训练样本集对语音情绪识别模型迭代训练，直到语音情绪识别模型收敛。可选地，语音情绪识别模型包括能够从语音特征中提取语音情感特征并能输出对应情绪类别的深度特征提取神经网络。
步骤s103、根据所述微表情类型集合和所述语音情绪类别，对所述企业多维画像数据进行校验。
在得到微表情类型集合和语音情绪类别之后，根据该微表情类型集合和语音情绪类别，对企业多维画像数据进行校验。具体为：统计微表情类型集合包含预设的微表情类型组中的微表情类型的个数，记为类型相同个数，并判断该类型相同个数是否大于或等于预设个数，以及判断语音情绪类别是否为预设情绪类别；若该类型相同个数大于或等于预设个数，且语音情绪类别不为预设情绪类别，则确定企业多维画像数据通过校验；若类型相同个数小于预设个数或所述语音情绪类别为预设情绪类别，则确定企业多维画像数据未通过校验。
需要说明的是，预设个数、预设的微表情类型组和预设情绪类别可基于实际情况进行设置，本申请对此不作具体限定，可选地，预存的微表情类型组中存储有用于表示用户是否说谎的微表情类型标签，如表示连续眨眼、眼球迅速来回移动和嘴巴说话停顿等微表情类型标签，预设情绪类别用于表示用户是否说谎的情绪类别。
步骤s104、当所述企业多维画像数据通过校验时，通过预设的随机森林模型中的各层多个随机森林对所述企业多维画像数据进行分析，得到多维风险预测结果。
当企业多维画像数据通过校验时，才进一步地对目标企业进行贷款审核，具体为通过预设的随机森林模型中的各层多个随机森林对该企业多维画像数据进行分析，得到多维风险预测结果。其中，预设的随机森林模型是基于训练得到的，且随机森林模型包括多层随机森林体系，且每层的随机森林体系包括多个随机森林。
在一实施例中，对该企业多维画像数据进行分析的方式具体为：将企业多维画像数据转换为多维画像矩阵；通过预设的随机森林模型中的各层多个随机森林对该多维画像矩阵进行分析，得到多维风险预测结果，其中，随机森林模型中的每层多个随机森林的输入数据包括上一层多个随机森林的输入数据与输出数据，随机森林模型中的第一层多个随机森林的输入数据为多维画像矩阵，第一层多个随机森林的输出数据为风险预测序列。
需要说明的是，不同层的随机森林数量可以相同，也可以不相同，且随机森林模型的层数可基于实际情况进行设置，本申请对此不作具体限定，以下以包括三层随机森林体系，且每层的随机森林体系的随机森林数相同的随机森林模型，解释说明对该多维画像矩阵进行分析的过程。
通过随机森林模型的第一层的多个随机森林对多维画像矩阵进行分析，得到第一风险预测序列；将第一风险预测序列添加至多维画像矩阵中，得到第一扩维画像矩阵；通过随机森林模型中第二层的多个随机森林对第一扩维画像矩阵进行分析，得到第二风险预测序列；将第二风险预测序列添加至第一扩维画像矩阵中，得到第二扩维画像矩阵；通过随机森林模型中第三层，即最后一层的多个随机森林对第二扩维画像矩阵进行分析，得到第三风险预测序列；将第三风险预测序列确定为目标企业的多维风险预测结果。
其中，每个随机森林对画像矩阵进行分析之后，均会输出0或1，如果输出0，则表示企业不存在违约风险，如果输出为1，则表示企业存在违约风险，而风险预测序列由每个随机森林输出的0或1组成，风险预测序列中的1越多，则表示企业的违约风险越高，而风险预测序列中的0越多，则表示企业的违约风险越低。
步骤s105、根据所述多维风险预测结果，判断所述目标企业是否通过贷款审核。
在得到多维风险预测结果，判断目标企业是否通过贷款审核，具体为：从多维风险预测结果中获取每个随机森林输出的风险预测结果，以形成风险预测结果组；统计风险预测结果组中风险预测结果为预设结果的数量，并判断数量是否大于或等于预设阈值；如果该数量大于或等于预设阈值，则确定目标企业通过贷款审核；如果该数量小于预设阈值，则确定目标企业未通过贷款审核。需要说明的是，上述预设阈值可基于实际情况进行设置，本申请对此不作具体限定。
上述实施例提供的企业信贷审核方法，通过微表情识别和语音情绪识别，可以在一定程度上保证多维画像数据的真实性，同时通过对多维画像数据进行分析，可以准确的得到贷款审核结果，有效的提高企业信用贷款的审核准确性。
请参照图3，图3为本申请实施例提供的另一种企业信贷审核方法的流程示意图。
如图3所示，该企业信贷审核方法包括步骤s201至207。
步骤s201、当监测到企业信贷审核请求时，根据所述企业信贷审核请求，获取目标企业的信贷审核视频和企业多维画像数据。
当监测到企业信贷审核请求时，服务器根据该企业信贷审核请求，获取目标企业的信贷审核视频和企业多维画像数据，即从该企业信贷审核请求中获取企业标签，并获取该企业标签关联的信贷审核视频和企业多维画像数据。
步骤s202、对所述信贷审核视频进行微表情识别和语音情绪识别，得到微表情类型集合和语音情绪类别。
在获取到信贷审核视频和企业多维画像数据之后，需要基于信贷审核视频对企业多维画像数据进行校验，具体为对该信贷审核视频进行微表情识别和语音情绪识别，得到微表情类型集合和语音情绪类别，再基于微表情类型集合和语音情绪类别对企业多维画像数据进行校验。
步骤s203、根据所述微表情类型集合和所述语音情绪类别，对所述企业多维画像数据进行校验。
在得到微表情类型集合和语音情绪类别之后，根据该微表情类型集合和语音情绪类别，对企业多维画像数据进行校验。具体为：统计微表情类型集合包含预设的微表情类型组中的微表情类型的个数，记为类型相同个数，并判断该类型相同个数是否大于或等于预设个数，以及判断语音情绪类别是否为预设情绪类别；若该类型相同个数大于或等于预设个数，且语音情绪类别不为预设情绪类别，则确定企业多维画像数据通过校验；若类型相同个数小于预设个数或所述语音情绪类别为预设情绪类别，则确定企业多维画像数据未通过校验。
步骤s204、当所述企业多维画像数据通过校验时，计算所述企业多维画像数据中每两个维度的画像数据之间的相关系数。
当企业多维画像数据通过校验时，计算企业多维画像数据中每两个维度的画像数据之间的相关系数。其中，相关系数的计算公式如下：
其中，r为相关系数，xi为两个维度中其中一个维度的画像数据的第i组数据，
步骤s205、根据每两个维度的画像数据之间的相关系数，对所述企业多维画像数据进行筛选，得到目标多维画像数据。
在计算得到每两个维度的画像数据之间的相关系数之后，据每两个维度的画像数据之间的相关系数，对企业多维画像数据进行筛选，得到目标多维画像数据，即获取相关系数的绝对值大于或等于预设相关系数的两个目标维度的画像数据，并从企业多维画像数据中删除两个目标维度中任一目标维度的画像数据，得到目标多维画像数据。需要说明的是，上述预设相关系数为正数，可基于实际情况进行设置，本申请对此不作具体限定。
步骤s206、通过预设的随机森林模型中的各层多个随机森林对所述目标多维画像数据进行分析，得到多维风险预测结果。
在得到多维画像数据之后，通过预设的随机森林模型中的各层多个随机森林对所述目标多维画像数据进行分析，得到多维风险预测结果，即将目标多维画像数据转换为多维画像矩阵；通过预设的随机森林模型中的各层多个随机森林对该多维画像矩阵进行分析，得到多维风险预测结果。
其中，随机森林模型中的每层多个随机森林的输入数据包括上一层多个随机森林的输入数据与输出数据，随机森林模型中的第一层多个随机森林的输入数据为多维画像矩阵，第一层多个随机森林的输出数据为风险预测序列。
步骤s207、根据所述多维风险预测结果，判断所述目标企业是否通过贷款审核。
在得到多维风险预测结果，判断目标企业是否通过贷款审核，具体为：从多维风险预测结果中获取每个随机森林输出的风险预测结果，以形成风险预测结果组；统计风险预测结果组中风险预测结果为预设结果的数量，并判断数量是否大于或等于预设阈值；如果该数量大于或等于预设阈值，则确定目标企业通过贷款审核；如果该数量小于预设阈值，则确定目标企业未通过贷款审核。
上述实施例提供的企业信贷审核方法，通过对企业多维画像数据进行筛选可以减少数据冗余，可以提高数据处理速度，从而间接的提高贷款审核的效率。
请参照图4，图4为本申请实施例提供的一种企业信贷审核装置的示意性框图。
如图4所示，该企业信贷审核装置300，包括：获取模块301、识别模块302、校验模块303、分析模块304和判断模块305。
获取模块301，用于当监测到企业信贷审核请求时，根据所述企业信贷审核请求，获取目标企业的信贷审核视频和企业多维画像数据。
识别模块302，用于对所述信贷审核视频进行微表情识别和语音情绪识别，得到微表情类型集合和语音情绪类别。
在一实施例中，如图5所示，所述识别模块302包括：
分离子模块3021，用于对所述信贷审核视频进行音视频分离得到待识别的目标视频和目标音频。
微表情识别子模块3022，用于对所述目标视频进行微表情识别，得到微表情类型集合。
情绪识别子模块3023，用一个对所述目标音频进行语音情绪识别，得到所述目标音频的目标情绪类别。
校验模块303，用于根据所述微表情类型集合和所述语音情绪类别，对所述企业多维画像数据进行校验。
在一实施例中，所述校验模块303，还用于统计所述微表情类型集合包含预设的微表情类型组中的微表情类型的个数，并判断所述个数是否大于或等于预设个数，以及判断所述语音情绪类别是否为预设情绪类别；若所述个数大于或等于预设个数，且所述语音情绪类别不为预设情绪类别，则确定所述企业多维画像数据通过校验；若所述个数小于预设个数或所述语音情绪类别为预设情绪类别，则确定所述企业多维画像数据未通过校验。
分析模块304，用于当所述企业多维画像数据通过校验时，通过预设的随机森林模型中的各层多个随机森林对所述企业多维画像数据进行分析，得到多维风险预测结果。
在一个实施例中，所述分析模块304，还用于将所述企业多维画像数据转换为多维画像矩阵；通过预设的随机森林模型中的各层多个随机森林对所述多维画像矩阵进行分析，得到多维风险预测结果，其中，所述随机森林模型中的每层多个随机森林的输入数据包括上一层多个随机森林的输入数据与输出数据，所述随机森林模型中的第一层多个随机森林的输入数据为所述多维画像矩阵，所述第一层多个随机森林的输出数据为风险预测序列。
判断模块305，用于根据所述多维风险预测结果，判断所述目标企业是否通过贷款审核。
在一个实施例中，所述判断模块305，还用于从所述多维风险预测结果中获取每个随机森林输出的风险预测结果，以形成风险预测结果组；统计所述风险预测结果组中风险预测结果为预设结果的数量，并判断所述数量是否大于或等于预设阈值；若所述数量大于或等于预设阈值，则确定所述目标企业通过贷款审核；若所述数量小于预设阈值，则确定所述目标企业未通过贷款审核。
请参照图6，图6为本申请实施例提供的另一种企业信贷审核装置的示意性框图。
如图6所示，该企业信贷审核装置400，包括：获取模块401、识别模块402、校验模块403、分析模块404和判断模块405。
获取模块401，用于当监测到企业信贷审核请求时，根据所述企业信贷审核请求，获取目标企业的信贷审核视频和企业多维画像数据。
识别模块402，用于对所述信贷审核视频进行微表情识别和语音情绪识别，得到微表情类型集合和语音情绪类别。
校验模块403，用于根据所述微表情类型集合和所述语音情绪类别，对所述企业多维画像数据进行校验。
分析模块404，用于当所述企业多维画像数据通过校验时，通过预设的随机森林模型中的各层多个随机森林对所述企业多维画像数据进行分析，得到多维风险预测结果。
在一实施例中，如图6所示，所述分析模块404包括：
计算子模块4041，用于当所述企业多维画像数据通过校验时，计算所述企业多维画像数据中每两个维度的画像数据之间的相关系数。
筛选子模块4042，用于根据每两个维度的画像数据之间的相关系数，对所述企业多维画像数据进行筛选，得到目标多维画像数据。
分析子模块4043，用于通过预设的随机森林模型中的各层多个随机森林对所述目标多维画像数据进行分析，得到多维风险预测结果。
在一实施例中，所述筛选子模块4042，还用于获取所述相关系数大于或等于预设相关系数的两个目标维度的画像数据；从所述企业多维画像数据中删除所述两个目标维度中任一目标维度的画像数据，得到目标多维画像数据。
判断模块405，用于根据所述多维风险预测结果，判断所述目标企业是否通过贷款审核。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块及单元的具体工作过程，可以参考前述企业信贷审核方法实施例中的对应过程，在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为服务器。
如图7所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种企业信贷审核方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种企业信贷审核方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图7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。
应当理解的是，处理器可以是中央处理单元(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
当监测到企业信贷审核请求时，根据所述企业信贷审核请求，获取目标企业的信贷审核视频和企业多维画像数据；
对所述信贷审核视频进行微表情识别和语音情绪识别，得到微表情类型集合和语音情绪类别；
根据所述微表情类型集合和所述语音情绪类别，对所述企业多维画像数据进行校验；
当所述企业多维画像数据通过校验时，通过预设的随机森林模型中的各层多个随机森林对所述企业多维画像数据进行分析，得到多维风险预测结果；
根据所述多维风险预测结果，判断所述目标企业是否通过贷款审核
在一个实施例中，所述处理器在实现对所述信贷审核视频进行微表情识别和语音情绪识别，得到微表情类型集合和语音情绪类别时，用于实现：
对所述信贷审核视频进行音视频分离得到待识别的目标视频和目标音频；
对所述目标视频进行微表情识别，得到微表情类型集合；
对所述目标音频进行语音情绪识别，得到所述目标音频的目标情绪类别。
在一个实施例中，所述处理器在实现根据所述微表情类型集合和所述语音情绪类别，对所述企业多维画像数据进行校验时，用于实现：
统计所述微表情类型集合包含预设的微表情类型组中的微表情类型的个数，并判断所述个数是否大于或等于预设个数，以及判断所述语音情绪类别是否为预设情绪类别；
若所述个数大于或等于预设个数，且所述语音情绪类别不为预设情绪类别，则确定所述企业多维画像数据通过校验；
若所述个数小于预设个数或所述语音情绪类别为预设情绪类别，则确定所述企业多维画像数据未通过校验。
在一个实施例中，所述处理器在实现通过预设的随机森林模型中的各层多个随机森林对所述企业多维画像数据进行分析时，用于实现：
将所述企业多维画像数据转换为多维画像矩阵；
通过预设的随机森林模型中的各层多个随机森林对所述多维画像矩阵进行分析，得到多维风险预测结果，其中，所述随机森林模型中的每层多个随机森林的输入数据包括上一层多个随机森林的输入数据与输出数据，所述随机森林模型中的第一层多个随机森林的输入数据为所述多维画像矩阵，所述第一层多个随机森林的输出数据为风险预测序列。
在一个实施例中，所述处理器在实现根据所述多维风险预测结果，判断所述目标企业是否通过贷款审核时，用于实现：
从所述多维风险预测结果中获取每个随机森林输出的风险预测结果，以形成风险预测结果组；
统计所述风险预测结果组中风险预测结果为预设结果的数量，并判断所述数量是否大于或等于预设阈值；
若所述数量大于或等于预设阈值，则确定所述目标企业通过贷款审核；
若所述数量小于预设阈值，则确定所述目标企业未通过贷款审核。
其中，在另一实施例中，所述处理器用于运行存储在存储器中的计算机程序，实现当所述企业多维画像数据通过校验时，通过预设的随机森林模型中的各层多个随机森林对所述企业多维画像数据进行分析，得到多维风险预测结果时，用于实现：
当所述企业多维画像数据通过校验时，计算所述企业多维画像数据中每两个维度的画像数据之间的相关系数；
根据每两个维度的画像数据之间的相关系数，对所述企业多维画像数据进行筛选，得到目标多维画像数据；
通过预设的随机森林模型中的各层多个随机森林对所述目标多维画像数据进行分析，得到多维风险预测结果。
在一个实施例中，所述处理器在实现根据每两个维度的画像数据之间的相关系数，对所述企业多维画像数据进行筛选，得到目标多维画像数据时，用于实现：
获取所述相关系数大于或等于预设相关系数的两个目标维度的画像数据；
从所述企业多维画像数据中删除所述两个目标维度中任一目标维度的画像数据，得到目标多维画像数据。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本申请企业信贷审核方法的各个实施例。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！