企业信用评估方法、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，特别是涉及一种企业信用评估方法、装置、计算机设备和存储介质。

背景技术：

随着科学技术的飞速发展，企业的数量逐渐增多，企业的类型也日益增多。然而，一个企业的好坏对整个社会的影响是重大的，企业的信用好坏能够很大程度上反映整个企业的好坏情况。因此，评估企业的信用非常重要。

传统方法中，通常是根据针对企业的外界舆情信息的正负评价，来评估企业的信用，然而，舆情信息缺乏一定的规范性和准确性，所以，这样会导致企业的信用评价不够准确。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够企业对象的奖惩处理准确性的企业信用评估方法、装置、计算机设备和存储介质。

一种企业信用评估方法，所述方法包括：

从第一数据库中，获取目标企业的信用评价记录；

从第二数据库中，获取所述目标企业的信用评价关联通知；

将信用评价记录输入预设的信用分析模型中，输出目标企业的可信度；

将所述信用评价关联通知与预设的合规规则表达式进行匹配；

获取针对匹配的合规规则表达式设置的合规分数，作为目标企业的合规度；

根据所述目标企业的可信度和合规度，确定目标企业的最终信用评分；

根据目标企业的最终信用评分，构建目标企业的信用画像。

在其中一个实施例中，所述将所述信用评价关联通知与预设的合规规则表达式进行匹配包括：

确定所述信用评价关联通知所适用于的信用关联法规；

获取针对所述信用关联法规预设的合规规则表达式；

将所述信用评价关联通知与所获取的所述合规规则表达式进行匹配；

所述获取针对匹配的合规规则表达式设置的合规分数，作为目标企业的合规度包括：

当所述信用评价关联通知与所述合规规则表达式匹配时，则获取针对所述合规规则表达式设置的合规分数，作为目标企业的合规度。

在其中一个实施例中，所述将信用评价记录输入预设的信用分析模型中，输出目标企业的可信度包括：

确定所述目标企业所属行业的行业类型；

获取针对所述行业类型预先设置的信用分析模型；

将所述信用评价记录输入所述信用分析模型中进行信用分析处理，输出所述目标企业的可信度。

在其中一个实施例中，所述根据目标企业的最终信用评分，构建目标企业的信用画像包括：

获取所述最终信用评分所位于的预设的评分阈值区间；

根据预先设置的评分阈值区间和信用画像标签之间的对应关系，确定与所述评分阈值区间对应的信用画像标签；

根据所述信用画像标签，构建目标企业的信用画像。

在其中一个实施例中，所述根据所述目标企业的可信度和合规度，确定目标企业的最终信用评分包括：

获取预设的第一评分权重和第二评分权重；

将所述可信度和所述合规度分别按照所述第一评分权重和第二评分权重进行加权求和处理，得到所述目标企业的最终信用评分。

在其中一个实施例中，所述方法还包括：

从第一数据库中筛选预设数量的信用评价记录，作为样本信用评价记录；

获取针对各样本信用评价记录添加的企业信用标签；

将所述样本信用评价记录和相应的企业信用标签作为样本数据，输入初始机器学习模型中，进行迭代地机器学习训练直至达到训练停止条件，得到信用评价模型。

在其中一个实施例中，所述第一数据库中包括至少一个公众平台提供的公共来源数据和信用评估平台中存储的源数据；

在所述将所述样本信用评价记录和相应的企业信用标签作为样本数据之前，所述方法还包括：

对获取的信用评价记录进行错误纠正和去冗余的初级处理；

将初级处理后的信用评价记录按照该统一数据存储标准，调整为统一格式；

所述将所述样本信用评价记录和相应的企业信用标签作为样本数据包括：

将调整为统一格式的信用评价记录和相应的企业信用标签作为样本数据。

一种企业信用评估装置，所述装置包括：

获取模块，用于从第一数据库中，获取目标企业的信用评价记录；从第二数据库中，获取所述目标企业的信用评价关联通知；

可信度确定模块，用于将信用评价记录输入预设的信用分析模型中，输出目标企业的可信度；

合规度确定模块，用于将所述信用评价关联通知与预设的合规规则表达式进行匹配；获取针对匹配的合规规则表达式设置的合规分数，作为目标企业的合规度；

信用画像构建模块，用于根据所述目标企业的可信度和合规度，确定目标企业的最终信用评分；根据目标企业的最终信用评分，构建目标企业的信用画像。

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：

从第一数据库中，获取目标企业的信用评价记录；

从第二数据库中，获取所述目标企业的信用评价关联通知；

将信用评价记录输入预设的信用分析模型中，输出目标企业的可信度；

将所述信用评价关联通知与预设的合规规则表达式进行匹配；

获取针对匹配的合规规则表达式设置的合规分数，作为目标企业的合规度；

根据所述目标企业的可信度和合规度，确定目标企业的最终信用评分；

根据目标企业的最终信用评分，构建目标企业的信用画像。

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：

从第一数据库中，获取目标企业的信用评价记录；

从第二数据库中，获取所述目标企业的信用评价关联通知；

将信用评价记录输入预设的信用分析模型中，输出目标企业的可信度；

将所述信用评价关联通知与预设的合规规则表达式进行匹配；

获取针对匹配的合规规则表达式设置的合规分数，作为目标企业的合规度；

根据所述目标企业的可信度和合规度，确定目标企业的最终信用评分；

根据目标企业的最终信用评分，构建目标企业的信用画像。

上述企业信用评估方法、装置、计算机设备和存储介质，将第一数据库和第二数据库结合起来，综合构建目标企业的信用画像，以对目标企业进行综合信用评估。将从第一数据库中获取的目标企业的信用评价记录，输入信用分析模型中，即根据历史产生的信用评价记录来进行信用分析，能够较准确地得到目标企业的可信度。将第二数据库中目标企业的信用评价关联通知与预设的合规规则表达式进行匹配，将针对匹配的合规规则表达式设置的合规分数，作为目标企业的合规度。即针对第二数据库实现了信用量化处理。综合考虑根据第一数据库得到的所述目标企业的可信度与根据第二数据库量化得到的合规度，来综合确定目标企业的最终信用评分，根据目标企业的最终信用评分，构建目标企业的信用画像。构建的目标企业的信用画像更加地准确，因而能够提高企业信用评估准确性。

附图说明

图1为一个实施例中企业信用评估方法的应用场景图；

图2为一个实施例中企业信用评估方法的流程示意图；

图3为一个实施例中信用分析步骤的流程示意图；

图4为一个实施例中企业信用评估装置的结构框图；

图5为另一个实施例中企业信用评估装置的结构框图；

图6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。

本申请提供的企业信用评估方法，可以应用于如图1所示的应用环境中。后台服务器110通过网络分别与官方服务器120和非官方服务器130进行通信连接。其中，后台服务器110、官方服务器120以及非官方服务器130，皆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。

官方服务器120，是政府部门的服务器。非官方服务器130，是非政府部门的服务器。在一个实施例中，非官方服务器130，包括公众平台服务器和信用评估平台服务器。信用评估平台，是用于执行本申请各实施例中企业信用评估方法的平台。公众平台，是对公众开放的平台，比如，新闻媒体平台和社交网络平台等。非官方服务器130提供第一数据库，官方服务器120提供第二数据库。

后台服务器110可以从非官方服务器130所提供的第一数据库中，获取目标企业的信用评价记录，以及从官方服务器120所提供的第二数据库中，获取目标企业的信用评价关联通知。后台服务器110可以将信用评价记录输入预设的信用分析模型中，输出目标企业的可信度，并将信用评价关联通知与预设的合规规则表达式进行匹配。后台服务器110可以获取针对匹配的合规规则表达式设置的合规分数，作为目标企业的合规度。后台服务器110可以根据目标企业的可信度和合规度，确定目标企业的最终信用评分；根据目标企业的最终信用评分，构建目标企业的信用画像。

在一个实施例中，如图2所示，提供了一种企业信用评估方法，以该方法应用于图1中的后台服务器110为例进行说明，包括以下步骤：

s202，从第一数据库中，获取目标企业的信用评价记录。

需要说明的是，第一数据库，是非政府部门的数据库。第二数据库，是政府部门的数据库。

其中，信用评价记录，是已经产生的、且能够用于直接或间接体现企业信用的记录信息。目标企业，是需要进行信用评估的企业。

在一个实施例中，企业的信用评价记录，包括企业的经营信息、风险信息、关联信息和奖惩信息等方面的信息。

在一个实施例中，企业的经营信息，包括经营范围变动、经营活动事件、经营的年报等信息。

在一个实施例中，企业的风险信息，包括监管到企业资本异常、从业人数异动、营业执照到期等风险信息。

在一个实施例中，企业的关联信息，包括关联的企业信息、关联的企业主信息、关联的经营事件等。

在一个实施例中，奖惩信息，包括政府对企业做出的奖励和惩罚信息。

具体地，后台服务器可以调用非官方服务器的接口，从非官方服务器所提供的第一数据库中，获取目标企业的信用评价记录。

可以理解，后台服务器可以获取指定的信用评价事项，按照信用评价事项，从第一数据库中，获取对应于该信用评价事项的信用评价记录。后台服务器也可以获取预设的信用关键词，从第一数据库中，筛选出包括信用关键词的记录信息，得到信用评价记录。其中，信用关键词，是表示信用的词，比如，“失信”即属于信用关键词。

s204，从第二数据库中，获取目标企业的信用评价关联通知。

其中，信用评价关联通知，是官方发布的与企业信用相关的、且能够用于对企业进行信用评价的通知。

在一个实施例中，可以理解，政府单位会由固定的事项来专门记录相应的公布通知，所以，政府中有固定的一个或多个信用关联事项，来专门用于发布和记录企业的信用评价关联通知。服务器可以从预设的信用关联事项中，获取目标企业的信用评价关联通知。其中，信用关联事项，是与信用相关的事项。

在另一个实施例中，服务器还可以获取目标企业的企业标识，并将该企业标识作为键值，从官方服务器的第二数据库中查找与该企业标识对应的官方数据，并从查找到的官方数据中筛选出包括信用关键词的数据，作为信用评价关联通知。

s206，将信用评价记录输入预设的信用分析模型中，输出目标企业的可信度。

其中，信用分析模型，是预先训练的用于进行信用分析处理的机器学习模型。可信度，是预测的目标企业可被信任的程度。

在一个实施例中，后台服务器可以将信用评价记录输入预设的信用分析模型中进行信用分析处理，直接输出该目标企业的可信度。

在一个实施例中，后台服务器可以将信用评价记录输入预设的信用分析模型中，通过企业信用评价模型预测出目标企业的违约概率，并根据企业信用评价模型中设置的违约概率和可信度之间的对应关系，确定与预测出的违约概率对应的可信度，即为该目标企业的可信度。

在一个实施例中，后台服务器可通过企业信用评价模型从经营指标、风险指标、关联指标、鼓励指标和贡献指标等指标预测目标企业的违约概率。

s208，将信用评价关联通知与预设的合规规则表达式进行匹配。

s210，获取针对匹配的合规规则表达式设置的合规分数，作为目标企业的合规度。

其中，规则表达式，是事先定义好的一些特定字符及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。合规规则表达式，用于判断针对企业的官方通知是否符合相应法规的规定。如果信用评价关联通知与该合规规则表达式匹配，则说明该信用评价关联通知，表示企业符合该合规规则表达式所对应的法规规定。如果信用评价关联通知与该合规规则表达式不匹配，则说明信用评价关联通知，表示企业不符合该合规规则表达式所对应的法规规定。

实质上，合规规则表达式，是将描述企业符合法规的信用评价关联通知的模板，用事先定义好的一些特定字符及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。通过该过滤逻辑可以过滤出描述企业符合法规的信用评价关联通知，该过滤出的信用评价关联通知，即与该合规规则表达式匹配。可以理解，官方通知，通常都是按照一定规范的格式进行发布的，所以能够用合规规则表达式来进行表示。

合规度，表示企业符合法律法规的程度。后台服务器中预先针对各个合规规则表达式设置了相应的合规分数。

在一个实施例中，后台服务器中预先针对政府的各条信用关联法规，生成相应的合规规则表达式。后台服务器可以将信用评价关联通知与预设的各个合规规则表达式进行匹配。可以理解，匹配结果，可以是存在与信用评价关联通知匹配的合规规则表达式(即，信用评价关联通知，表示企业符合所匹配的合规规则表达式所对应的法规规定)，也可以是不存在与信用评价关联通知匹配的合规规则表达式(即，信用评价关联通知，表示企业不符合法规)。当存在与信用评价关联通知匹配的合规规则表达式时，后台服务器可以获取针对匹配的合规规则表达式设置的合规分数，作为目标企业的合规度。

在另一个实施例中，步骤s208将信用评价关联通知与预设的合规规则表达式进行匹配包括：确定信用评价关联通知所适用于的信用关联法规；获取针对信用关联法规预设的合规规则表达式；将信用评价关联通知与所获取的合规规则表达式进行匹配。步骤s210获取针对匹配的合规规则表达式设置的合规分数，作为目标企业的合规度包括：当信用评价关联通知与合规规则表达式匹配时，则获取针对合规规则表达式设置的合规分数，作为目标企业的合规度。

可以理解，政府官文中，通常会带上相应的法条法规，所以，信用评价关联通知中包括信用关联法规的自然语言表述。后台服务器可以对信用评价关联通知进行语义识别处理，以确定出信用评价关联通知所适用的信用关联法规。

后台服务器可以根据预设的法规与合规规则表达式之间的对应关系，查找与所判定的信用关联法规相应的合规规则表达式。进一步地，后台服务器可以将信用评价关联通知与所获取的合规规则表达式进行匹配。需要说明的是，合规规则表达式，是将描述企业符合法规的信用评价关联通知以规则表达式的形式进行表示。信用评价关联通知与合规规则表达式匹配，则说明企业符合相应信用联合规则的规定。

可以理解，一个企业的信用评价关联通知，可以是描述企业不符合信用关联法规规定的通知，这种情况下，信用评价关联通知则必然与该信用关联法规所对应的合规规则表达式不匹配。如果，信用评价关联通知，是描述企业符合信用关联法规规定的通知，那么，信用评价关联通知则必然与该信用关联法规所对应的合规规则表达式匹配。

当信用评价关联通知与该合规规则表达式匹配时，则获取针对合规规则表达式设置的合规分数，作为目标企业的合规度。当信用评价关联通知与合规规则表达式不匹配时，则可以将目标企业的合规度默认为零。

为了便于理解，现举例说明。比如，信用评价关联通知1和2是针对信用关联法规a做出的通知，信用评价关联通知1中公示了企业f1存在偷税漏税行为，不符合法规a的规定，信用评价关联通知2中公示了企业f2属于正常缴税的企业，符合法规a的规定。预先针对信用关联法规a设置了合规规则表达式a。那么，信用评价关联通知1则必然与合规规则表达式a不匹配，信用评价关联通知2则与合规规则表达式a匹配。因此，可以获取针对合规规则表达式a设置的合规分数，比如20分，作为企业f2的合规度。而将企业f1的合规度默认为零，可以理解，在其他实施例中，当信用评价关联通知与合规规则表达式不匹配时，还可以将目标企业的合规度默认为预设负数。本申请实施例对此不做限定。

s212，根据目标企业的可信度和合规度，确定目标企业的最终信用评分。

在一个实施例中，后台服务器可以直接对目标企业的可信度和合规度求和，得到目标企业的最终信用评分。

在另一个实施例中，步骤s212根据目标企业的可信度和合规度，确定目标企业的最终信用评分包括：获取预设的第一评分权重和第二评分权重；将可信度和合规度分别按照第一评分权重和第二评分权重进行加权求和处理，得到目标企业的最终信用评分。

其中，第一评分权重，是针对非官方维度设置的评分权重。第二评分权重，是针对官方维度设置的评分权重。

具体地，后台服务器可以将可信度乘以第一评分权重得到第一乘积，以及将合规度乘以第二评分权重得到第二乘积，将第一乘积和第二乘积相加，得到目标企业的最终信用评分。

s214，根据目标企业的最终信用评分，构建目标企业的信用画像。

在一个实施例中，步骤s214根据目标企业的最终信用评分，构建目标企业的信用画像包括：获取最终信用评分所位于的预设的评分阈值区间；根据预先设置的评分阈值区间和信用画像标签之间的对应关系，确定与评分阈值区间对应的信用画像标签；根据信用画像标签，构建目标企业的信用画像。

具体地，后台服务器预先设置了评分阈值区间和信用画像标签之间的对应关系，后台服务器可以确定最终信用评分所位于的预设的评分阈值区间，并根据该对应关系，查找与所位于的评分阈值区间对应的信用画像标签。后台服务器可以根据信用画像标签，构建目标企业的信用画像。

比如，最终信用评分在95分及以上对应信用优秀企业标签，80-94分对应信用良好企业标签，60-79对应信用风险企业标签，60分以下对应失信企业标签。

可以理解，目标企业的信用画像，即为对目标企业的信用评估结果，能够反映目前企业的信用情况。

上述企业信用评估方法，将第一数据库和第二数据库结合起来，综合构建目标企业的信用画像，以对目标企业进行综合信用评估。将从第一数据库中获取的目标企业的信用评价记录，输入信用分析模型中，即根据历史产生的信用评价记录来进行信用分析，能够较准确地得到目标企业的可信度。将第二数据库中目标企业的信用评价关联通知与预设的合规规则表达式进行匹配，将针对匹配的合规规则表达式设置的合规分数，作为目标企业的合规度。即针对第二数据库实现了信用量化处理。综合考虑根据第一数据库得到的所述目标企业的可信度与根据第二数据库量化得到的合规度，来综合确定目标企业的最终信用评分，根据目标企业的最终信用评分，构建目标企业的信用画像。构建的目标企业的信用画像更加地准确，因而能够提高企业信用评估准确性。

如图3所示，在一个实施例中，所述将信用评价记录输入预设的信用分析模型中，输出目标企业的可信度(简称信用分析步骤)，具体包括以下步骤：

s302，确定目标企业所属行业的行业类型。

具体地，后台服务器可以获取目标企业的基本信息，从基本信息中查找目标企业所属行业。后台服务器中预先存储了行业类型清单，行业类型清单中描述了各个行业类型以及对应于各行业类型的行业。后台服务器可以从行业类型清单中，查找与目标企业所属行业对应的行业类型。

在一个实施例中，行业类型，可以包括餐饮业类型、教育业类型和电子商务业类型等至少一种。可以理解，一个行业类型可以包括至少一个行业。比如，教育业类型，可以包括早教行业、成教行业、课外辅导行业等。

s304，获取针对行业类型预先设置的信用分析模型。

可以理解，后台服务器针对不同行业类型，都预先训练有对应的信用分析模型，并建立了信用分析模型和行业类型之间的关联关系。后台服务器可以根据该关联关系，获取针对所确定的行业类型设置的信用分析模型。

s306，将信用评价记录输入信用分析模型中进行信用分析处理，输出目标企业的可信度。

具体地，后台服务器可以将信用评价记录输入所获取的信用分析模型中，进行信用分析处理，通过该信用分析模型，输出目标企业的可信度。

上述实施例中，以行业类型为维度，建立对应于各个行业类型的信用分析模型，这样一来，同一个行业类型的企业，都可以使用该行业专有的信用分析模型来进行信用评价处理，得到的企业可信度更加的准确。

在一个实施例中，该方法还包括信用分析模型的训练步骤，具体包括以下步骤：从第一数据库中筛选预设数量的信用评价记录，作为样本信用评价记录；获取针对各样本信用评价记录添加的企业信用标签；将样本信用评价记录和相应的企业信用标签作为样本数据，输入初始机器学习模型中，进行迭代地机器学习训练直至达到训练停止条件，得到信用评价模型。

其中，样本信用评价记录，是用于作为机器学习训练的样本数据的信用评价记录。

具体地，后台服务器可以从第一数据库中筛选预设数量的信用评价记录，作为样本信用评价记录。后台服务器可以将该样本信用评价记录输出，以通过人工标记的方式，获取针对各样本信用评价记录添加的企业信用标签。后台服务器可以获取初始的机器学习模型，并将样本信用评价记录和相应的企业信用标签作为样本数据，输入初始机器学习模型中，迭代地进行机器学习训练，以迭代地调整模型参数，直至达到训练停止条件后停止机器学习训练，得到训练后的信用评价模型。

其中，训练停止条件是停止机器学习训练的条件。训练停止条件可以是迭代次数达到预设次数阈值或模型参数达到稳定。

在一个实施例中，第一数据库中包括至少一个公众平台提供的公共来源数据和信用评估平台中存储的源数据。在将样本信用评价记录和相应的企业信用标签作为样本数据之前，该方法还包括：对获取的信用评价记录进行错误纠正和去冗余的初级处理；将初级处理后的信用评价记录按照该统一数据存储标准，调整为统一格式。本申请实施例中，将样本信用评价记录和相应的企业信用标签作为样本数据包括：将调整为统一格式的信用评价记录和相应的企业信用标签作为样本数据。

公众平台，是对公众开放使用的平台，比如，新闻媒体平台和社交网络平台等。公共来源数据，是从公众平台中收集的、能够被公众知晓的源数据。信用评估平台，是用于执行本申请各实施例中企业信用评估方法的平台。

可以理解，本申请实施例中，第一数据库中包括至少一个公众平台提供的公共来源数据和信用评估平台中存储的源数据，而公共来源数据和信用评估平台中存储的源数据可能不一致，不同公共来源数据之间的数据格式也可能存在不一致的情况。训练信用分析模型时的样本数据，又包括有从第一数据库中筛选的信用评价记录，那么，样本数据中的信用评价记录之间可能存在数据格式不一致的情况。因此，在根据包括信用评价记录的样本数据训练信用分析模型之前，可以对包括信用评价记录的样本数据进行数据清洗处理。

具体地，后台服务器可以对获取的信用评价记录进行错误纠正和去冗余的初级处理。即对信用评价记录中存在的数据值错误、数据类型错误、数据格式错误以及缺失值等错误情况进行纠正。可以理解，不同公共来源数据以及信用评估平台中存储的源数据之间可能存在重复的数据，因此，后台服务器还可以对样本数据中包括的信用评价记录进行去冗余处理，以去除重复的数据。后台服务器中设置了统一数据存储标准，后台服务器可以将初级处理后的信用评价记录按照该统一数据存储标准，调整为统一格式。后台服务器可以将调整为统一格式的信用评价记录和相应的企业信用标签作为样本数据。

上述实施例中，对样本数据中所包括的由不同数据源提供的信用评价记录进行错误纠正和去冗余的初级数据清洗处理，并将初级清洗后的信用评价记录按照该统一数据存储标准，调整为统一格式。根据统一格式的样本数据来训练信用分析模型，能够提高信用分析模型的准确性。

在一个实施例中，后台服务器可以按照上述企业信用评估方法，确定出多个企业的信用画像；根据各个企业的信用画像，确定出信用问题企业，并对信用问题企业进行双随机抽查，即从信用问题企业中随机确定抽检企业，并随机确定抽查人员，向随机确定的抽查人员制定并下发针对抽检企业的抽查任务。

其中，信用问题企业，是存在信用问题的企业。

在一个实施例中，服务器可以并将抽查任务下发至随机的抽查人员所任职的监管部门的监管任务分配终端，使监管任务分配终端对该抽查任务进行智能语音播报，从而可以使任务分配人员在听到智能语音播报时，及时地将抽查任务分配至相应的随机抽查人员所使用的终端。

应该理解的是，虽然图2和图3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和图3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4所示，提供了一种企业信用评估装置400，包括：获取模块402、可信度确定模块404、合规度确定模块406以及信用画像构建模块408；其中：

获取模块402，用于从第一数据库中，获取目标企业的信用评价记录；从第二数据库中，获取目标企业的信用评价关联通知。

可信度确定模块404，用于将信用评价记录输入预设的信用分析模型中，输出目标企业的可信度。

合规度确定模块406，用于将信用评价关联通知与预设的合规规则表达式进行匹配；获取针对匹配的合规规则表达式设置的合规分数，作为目标企业的合规度。

信用画像构建模块408，用于根据目标企业的可信度和合规度，确定目标企业的最终信用评分；根据目标企业的最终信用评分，构建目标企业的信用画像。

在一个实施例中，合规度确定模块406还用于确定信用评价关联通知所适用于的信用关联法规；获取针对信用关联法规预设的合规规则表达式；将信用评价关联通知与所获取的合规规则表达式进行匹配；当信用评价关联通知与合规规则表达式匹配时，则获取针对合规规则表达式设置的合规分数，作为目标企业的合规度。

如图5所示，在一个实施例中，可信度确定模块404，包括：

行业类型确定模块404a，用于确定目标企业所属行业的行业类型。

信用分析模块404b，用于获取针对行业类型预先设置的信用分析模型；将信用评价记录输入信用分析模型中进行信用分析处理，输出目标企业的可信度。

在一个实施例中，信用画像构建模块408还用于获取最终信用评分所位于的预设的评分阈值区间；根据预先设置的评分阈值区间和信用画像标签之间的对应关系，确定与评分阈值区间对应的信用画像标签；根据信用画像标签，构建目标企业的信用画像。

在一个实施例中，信用画像构建模块408还用于获取预设的第一评分权重和第二评分权重；将可信度和合规度分别按照第一评分权重和第二评分权重进行加权求和处理，得到目标企业的最终信用评分。

在一个实施例中，可信度确定模块404还用于从第一数据库中筛选预设数量的信用评价记录，作为样本信用评价记录；获取针对各样本信用评价记录添加的企业信用标签；将样本信用评价记录和相应的企业信用标签作为样本数据，输入初始机器学习模型中，进行迭代地机器学习训练直至达到训练停止条件，得到信用评价模型。

在一个实施例中，第一数据库中包括至少一个公众平台提供的公共来源数据和信用评估平台中存储的源数据。可信度确定模块404还用于对获取的信用评价记录进行错误纠正和去冗余的初级处理；将初级处理后的信用评价记录按照该统一数据存储标准，调整为统一格式；将调整为统一格式的信用评价记录和相应的企业信用标签作为样本数据。

关于企业信用评估装置的具体限定可以参见上文中对于企业信用评估方法的限定，在此不再赘述。上述企业信用评估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图1中的后台服务器110，其内部结构图可以如图6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，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质可存储操作系统和计算机程序。该计算机程序被执行时，可使得处理器执行一种企业信用评估方法。该计算机设备的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。该内存储器中可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行一种企业信用评估方法。计算机设备的网络接口用于进行网络通信。

本领域技术人员可以理解，图6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，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述企业信用评估方法的步骤。此处企业信用评估方法的步骤可以是上述各个实施例的企业信用评估方法中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述企业信用评估方法的步骤。此处企业信用评估方法的步骤可以是上述各个实施例的企业信用评估方法中的步骤。

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。