信用评级方法、装置和电子设备与流程

1.本发明涉及大数据处理技术领域，尤其涉及一种信用评级方法、装置和电子设备。


背景技术：

2.随着科技和网络的发展，信用评级成为了一种基本工具，评级结果能够体现企业、个人的信用风险。在评级过程中，专家需要对企业进行几个月的调研，收集数据，然后再对每个评级要素进行评分，最终综合所有要素的评分，给出企业的信用风险等级。评级过程繁琐复杂，需要耗费大量的人力、物力和财力。


技术实现要素：

3.本发明提供一种信用评级方法、装置和电子设备，用以解决现有技术中信用评级效率低下的缺陷。
4.本发明提供一种信用评级方法，包括：获取目标对象的经营指标信息以及异质信息，所述异质信息用于表征所述目标对象与其他对象之间的多种关系；将所述经营指标信息输入至信用评级模型中的特征图网络，通过所述特征图网络获得所述经营指标信息对应的第一特征图；其中，所述信用评级模型还包括异质交互网络以及分类器；将所述第一特征图与所述异质信息输入所述异质交互网络，获得融合了所述异质信息的第二特征图；将所述第二特征图输入所述分类器，得到所述目标对象的信用级别。
5.根据本发明提供的一种实施方式，所述特征图网络包括嵌入层以及第一交互层；所述通过所述特征图网络获得所述经营指标信息对应的第一特征图，包括：通过所述嵌入层将所述经营指标信息转化为对应的嵌入表示；通过所述交互层计算所述嵌入表示中不同特征的相似度；根据所述嵌入表示以及所述相似性获得所述第一特征图。
6.根据本发明提供的一种实施方式，所述异质交互网络包括图构建层、第二交互层；所述将所述第一特征图与所述异质信息输入所述异质交互网络，获得融合了所述异质信息的第二特征图，包括：将所述第一特征图与所述目标对象的异质信息输入所述图构建层，其中，所述图构建层中包括多个其他对象；通过所述图构建层确定所述目标对象与所述其他对象的所述异质信息之间的异质关系；将所述异质交互图输入第二交互层，通过所述第二交互层将所述异质关系与所述第一特征图进行融合，得到第二特征图。
7.根据本发明提供的一种实施方式，该方法还包括：获取样本数据，所述样本数据中包括包含评级标签的第一指标信息，以及不包含所述评级标签的第二指标信息；确定所述第二指标信息的伪标签；基于所述第一指标信息以及对应的所述评级标签、所述第二指标信息以及对应的所述伪标签，对所述信用评级模型进行训练。
8.根据本发明提供的一种实施方式，所述分类器包括第一分类模块、第二分类模块以及第三分类模块，所述对所述信用评级模型进行训练，包括：
9.将所述样本数据输入所述信用评级模型，获得所述第一分类模块针对所述第一指标信息的第一输出结果，确定所述第一输出结果与所述第一指标信息对应的评级标签之间
的第一差异；获取所述第二分类模块针对所述第二指标信息的第二输出结果，确定所述第二输出结果与所述第二指标信息对应的所述伪标签之间的第二差异；获取所述第三分类模块针对所述样本数据输出的置信度；结合所述第一差异、所述第二差异以及所述置信度，对所述信用评级模型进行训练。
10.根据本发明提供的一种实施方式，所述第二交互层包括图注意力网络和残差连接单元，所述通过所述第二交互层将所述异质关系与所述第一特征图进行融合，得到第二特征图，包括：通过图注意力网络将所述异质关系与所述第一特征图进行融合，得到融合结果；通过残差连接单元将所述第一特征图与所述融合结果进行融合，得到融合后的第二特征图。
11.根据本发明提供的一种实施方式，所述异质信息至少包括目标对象与其他对象之间的行业关系、主营业务关系、概念关系以及基金持仓关系。
12.本发明还提供一种信用评级装置，包括：数据获取模块，用于获取目标对象的经营指标信息以及异质信息，所述异质信息用于表征所述目标对象与其他对象之间的多种关系；特征确定模块，用于将所述经营指标信息输入至信用评级模型中的特征图网络，通过所述特征图网络获得所述经营指标信息对应的第一特征图；其中，所述信用评级模型还包括异质交互网络以及分类器；特征交互模块，用于将所述第一特征图与所述目标对象的异质信息输入所述异质交互网络，获得融合了所述异质信息的第二特征图；模型输出模块，用于将所述第二特征图输入所述分类器，得到所述目标对象的信用级别。
13.在本发明的一种实施方式中，所述特征图网络包括嵌入层以及第一交互层；所述特征确定模块具体包括：嵌入表示模块，用于通过所述嵌入层将所述经营指标信息转化为对应的嵌入表示；相似计算模块，用于通过所述交互层计算所述嵌入表示中不同特征的相似度；根据所述嵌入表示以及所述相似性获得所述第一特征图。
14.在本发明的一种实施方式中，所述异质交互网络包括图构建层、第二交互层；特征交互模块具体可以包括：特征输入模块，用于将所述第一特征图与所述异质信息输入所述图构建层，其中，所述图构建层中包括多个其他对象；关系确定模块，用于通过所述图构建层确定所述目标对象与所述其他对象的所述异质信息之间的异质关系；关系交互模块，用于将所述异质交互图输入第二交互层，通过所述第二交互层将所述异质关系与所述第一特征图进行融合，得到第二特征图。
15.在本发明的一种实施方式中，该信用评级装置还包括：样本获取模块，用于获取样本数据，所述样本数据中包括包含评级标签的第一指标信息，以及不包含所述评级标签的第二指标信息；标签确定模块，用于确定所述第二指标信息的伪标签；模型训练模块，用于基于所述第一指标信息以及对应的所述评级标签、所述第二指标信息以及对应的所述伪标签，对所述信用评级模型进行训练。
16.在本发明的一种实施方式中，所述分类器包括第一分类模块、第二分类模块以及第三分类模块，所述模型训练模块具体可以包括：第一差异确定模块，用于将所述样本数据输入所述信用评级模型，获得所述第一分类模块针对所述第一指标信息的第一输出结果，确定所述第一输出结果与所述第一指标信息对应的评级标签之间的第一差异；第二差异确定模块，用于获取所述第二分类模块针对所述第二指标信息的第二输出结果，确定所述第二输出结果与所述第二指标信息对应的所述伪标签之间的第二差异；置信度确定模块，用
于获取所述第三分类模块针对所述样本数据输出的置信度；差异融合模块，用于结合所述第一差异、所述第二差异以及所述置信度，对所述信用评级模型进行训练。
17.在本发明的一种实施方式中，所述第二交互层包括图注意力网络和残差连接单元，所述关系交互模块具体可包括：注意力模块，用于通过图注意力网络将所述异质关系与所述第一特征图进行融合，得到融合结果；残差模块，用于通过残差连接单元将所述第一特征图与所述融合结果进行融合，得到融合后的第二特征图。
18.在本发明的一种实施方式中，所述异质信息至少包括目标对象与其他对象之间的行业关系、主营业务关系、概念关系以及基金持仓关系。
19.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述信用评级方法。
20.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述信用评级方法。
21.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述信用评级方法。
22.本发明提供的信用评级方法、装置和电子设备，将目标对象的经营指标信息转化为第一特征图，通过异质信息将目标对象的第一特征图与其他对象进行交互，得到交互后的第二特征图，然后利用第二特征图分类得到目标对象的信用级别。通过该技术方案，能够自动对需要评级的对象进行信用评级，可以节省人力物力。并且，在评级过程中，考虑了多个对象之间特征的交互，能够充分表征对象间的关系，提高信用评级的准确性。
附图说明
23.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
24.图1是本发明提供的信用评级方法的流程示意图；
25.图2是本发明提供的信用评级方法中信用评级模型的结构示意图；
26.图3是本发明提供的信用评级装置的结构示意图；
27.图4是本发明提供的电子设备的结构示意图。
具体实施方式
28.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
29.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
30.附图中所示的流程图仅是示例性说明，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，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
31.本说明书中，用语“第一”、“第二”、“第三”等仅作为标记使用，不是对其对象的数量或顺序限制。
32.下面结合附图描述本发明的信用评级方法、装置和电子设备。
33.本发明实施例首先提供一种信用评级方法。示例性的，该信用评级方法可应用于手机、平板电脑、笔记本电脑、增强现实设备、虚拟现实设备、可穿戴智能设备等各种电子设备中，也可以应用于服务器、个人计算机等电子设备，本实施方式对此不作特殊限定。
34.如图1所示，该方法可以包括以下步骤：
35.步骤10：获取目标对象的经营指标信息以及异质信息，所述异质信息用于表征所述目标对象与其他对象之间的多种关系。
36.其中，目标对象指的是需要进行信用评级的企业。经营指标信息可以包括企业的财务数据、税务信用等级等数据。示例性的，从经济金融数据库中可以收集企业的年报数据，从新闻网站中可以搜索企业的非财务指标，如企业的税务信用等级等，得到经营指标信息。
37.异质信息中包括企业与其他企业之间的多种关系，例如行业关系、主营业务关系、概念关系、基金持仓关系等。其中，行业关系指的是企业与企业之间所属的行业相同，例如食品、服装等、主营业务关系指的是主营业务相同，例如食品加工，服装制造等、概念关系指的是概念相同，例如电商、外卖等，基金持仓关系则指的是持仓的股票，例如，同一基金持仓的不同股票、同一只股票被不同的基金持有。异质信息可以由人工预先根据每个企业确定。
38.步骤20：将所述经营指标信息输入至信用评级模型中的特征图网络，通过所述特征图网络获得所述经营指标信息对应的第一特征图。
39.其中，信用评级模型是预先训练的神经网络模型。该模型的结构可以如图2所示。预先构建模型200，并获取获取样本数据，该样本数据中包括包含评级标签的第一指标信息，以及不包含评级标签的第二指标信息；然后确定第二指标信息的伪标签；基于第一指标信息以及对应的评级标签、第二指标信息以及对应的伪标签，对该模型200进行训练，得到训练完成后的信用评级模型。
40.其中，样本数据指的是除目标对象之外的其他企业的经营指标信息和企业的信用等级。示例性的，先获取多个企业的经营指标信息，然后再获取一些评级平台或评级企业在历史时段的评级数据，该评级数据中可包括多个企业的评级结果，将该评级结果可以作为企业的评级标签。通常评级企业会将信用风险等级划分为aaa+，aaa，aaa-，aa+，aa，aa-，a+，a，a-，...，b+，b，b-，...，c+，c，c-，共计27个标签类别。根据获取的评级标签可以将各个企业的经营指标信息分为有评级标签的第一指标信息、和没有对应评级标签的第二指标信息。
41.示例性的，本实施方式中，将已有的27个标签类别可以划分为：aaa，aa，a，bbb，bb，b，ccc，cc，c，9个标签类别，可以简化分类过程，提高识别速度。
42.然后，针对没有历史评级结果的第二指标信息，可以先采用梯度提升决策树(gradient boosting decision tree，gbdt)模型来对第二指标信息进行预测，得到第二指
标信息的信用等级，该信用等级作为第二指标信息的伪标签。其中，gbdt模型可以利用第一指标信息与其对应的评级标签进行训练。利用训练后的gbdt模型再对第二指标信息进行预测，从而为第二指标信息打上伪标签，可以保证对样本数据的充分利用，从而增加信用评级模型的样本量，提高准确率。
43.每条样本数据中均包括多个特征，示例性的，对样本数据可以进行多种预处理过程，提升样本数据的鲁棒性。具体的，先进行数据清洗，清除样本数据中特征缺失较多的样本，例如特征缺失达到百分之九十的样本；并清除值缺失较多的特征。然后对清洗后的样本数据进行标准化、正则化处理。例如，采用z-score方法进行标准化，使用样本数据的均值和标准差来对样本数据进行标准化，具体如下：
[0044][0045]
其中，c为标准化后的样本数据，c为标准前的样本数据，μ为样本数据的均值，σ为样本数据的标准差。
[0046]
正则化处理可以采用lp范数的方法实现，本实施方式不限于此。
[0047]
得到第一指标信息与第二指标信息各自的标签后，可以利用标签对模型200进行训练。具体的，将第一指标信息分为训练集和测试集，例如将80％作为训练集，将20％作为测试集。然后将训练集输入到模型200中，首先通过特征图网络201将训练集中的每条样本数据转化为一个特征图，每个特征图可以表征一个企业的特征。在该特征图中节点为样本数据中的特征，边为特征与特征的关系。该特征图作为异质交互网络202的输入，再通过异质交互网络确定企业与企业之间的关系，进而将关系进行融合，得到融合后的特征图。融合后的特征图作为分类器203的输入，通过分类器203进行解码，得到对应的信用级别。通过计算分类器203输出的信用级别与样本数据对应的评级标签之间的差异，来反向调整模型200的参数，直到模型200针对样本数据输出的信用级别与样本数据对应的评级标签之间的损失小于预设值为止，训练完成。
[0048]
训练完成的模型200可以通过测试集进行测试，确定模型200的准确率、召回率和f1-score等评价指标。通过评价指标可以确定模型200的性能好坏。若评价指标不能满足需求，还可以再对模型200进行优化，保证模型的准确率。
[0049]
示例性的，分类器203中可以包括第一分类模块2031、第二分类模块2032以及第三分类模块2033。第一分类模块2031可以用于对样本数据中的第一指标信息对应的特征图进行解码，得到对应的信用级别。第二分类模块2032则用于对第二指标信息对应的特征图进行解码，得到对应的信用级别。第三分类模块2033用于确定每条样本数据的置信度。
[0050]
将样本数据输入到模型200中，可以获得第一分类模块针对第一指标信息的第一输出结果，确定第一输出结果与第一指标信息对应的评级标签之间的第一差异；并获取第二分类模块针对所述第二指标信息的第二输出结果，确定第二输出结果与第二指标信息对应的伪标签之间的第二差异；获取第三分类模块针对样本数据输出的置信度；结合第一差异、第二差异以及置信度，对信用评级模型进行训练。
[0051]
第一分类模块2031可以采用多层感知机实现，损失函数如下：
[0052]
[0053]
其中，α和γ是focal loss的参数，当γ＝0且α＝1时，其便退化为普通的交叉熵损失函数，δ
l
为第一分类模块2031的参数，λ
l
是第一分类模块2031的正则化参数，可以根据人为经验设置，c
l
为第一指标信息的数量，即有评级标签的样本的数量，m为类别数。y
l
(i,j)指的是第一指标信息的预测结果，即第一输出结果。为第一指标信息对应的评级标签。通过上述公式(2)可以计算第一输出结果与第一指标信息对应的评级标签之间的第一差异。
[0054]
第二分类模块2032也采用多层感知机来实现，损失函数可以与第一分类模型2031相同。同理，通过上述公式(2)也可以计算第二输出结果与伪标签之间的第二差异，该第二差异记为。
[0055]
第三分类模块2033为二分类分类器，可以使用最后一层为sigmoid激活函数的多层感知机来实现，损失如下：
[0056][0057]
其中，cu为第二指标信息的数量，c
lout
为第一指标信息对应的特征图，c
uout
为第二指标信息对应的特征图。dis(
·
)为第三分类模块3033，δ
l
为第三分类模块3033的参数，λ
ad
为第三分类模块3033的正则化参数。通过该公式(3)可以确定当前样本数据，即第一指标信息或第二指标信息的置信度。
[0058]
结合上述计算出的第一差异、第二差异以及置信度来确定最终的损失，如公式(4)所示：
[0059][0060]
其中，λ1，λ2是预设的正则化参数，用于调节第二分类模块2032和第三分类模块2033所带来的影响程度。在均值为0，标准差为0.1的情况下，对模型200中的所有参数进行初始化，确定各个参数的初始值。通过多个样本数据计算出来的损失对参数进行反复调整，直到最终得到的损失小于预设值为止，训练完成。
[0061]
示例性的，训练完成后可以删除模型200中的第二分类模块2032与第三分类模块2033，简化模型的结构，避免占用过多的空间。第一分类模块2021经过训练后，可以在无标签、有标签以及置信度的平衡下，取得最高的准确率。
[0062]
通过训练完成的模型200来对步骤20中目标对象的经营指标信息进行识别。经营指标信息输入到训练后的模型200中之后，首先由特征图网络201进行处理，得到对应的第一特征图。在该第一特征图中，节点为经营指标信息中的特征，边为特征与特征之间的关系。
[0063]
经营指标信息中包括多个特征。特征图网络中可以包括嵌入层和第一交互层。经营指标信息输入到模型200中后，先通过嵌入层来获得目标对象的嵌入表示。具体如下：
[0064]
x＝sigmoid(cw+b)
ꢀꢀꢀ
(5)
[0065]
其中，x为嵌入表示，c为经营指标信息中的特征，w、b为嵌入层的参数，sigmoid为非线性激活函数。
[0066]
得到经营指标信息的嵌入表示后，将该嵌入表示作为节点，然后通过第一交互层来确定各个节点之间的关系。示例性的，通过余弦相似度来衡量各节点之间的相似性，构建节点之间的关系。计算得到各个节点之间的相似性后，可以通过激活函数提取重要的信息，激活函数如下公式所示：
[0067][0068]
其中，为节点i与节点j之间的相似性，a为激活函数处理后的相似性，r为模型要学习的参数。通过该激活函数处理后，可以得到只含0或1的布尔对称矩阵，又称为邻接矩阵。
[0069]
该邻接矩阵可以表示节点之间的关系，然后构建特征图为。其中表示图中的d个节点。当a
ij
＝1时，每条边(vi,vj)∈ε，代表特征节点vi与特征节点vj拥有着比较强的关系。
[0070]
通过多层的图注意力网络(graph attention network，gat)对上述特征图进行交互，如下：
[0071]
x
fg
＝sigmoid(concat(x
(0)
,x
(1)
,
…
,x
(l)
)w
fg
+b
fg
)
ꢀꢀꢀ
(7)
[0072]
其中，x
fg
为输出结果,即交互后的特征的嵌入表示，w
fg
,b
fg
是模型的参数，x
(0)
表示原始的特征，x
(l)
表示第l层图注意力网络输出的交互的特征，l为正整数。
[0073]
通过多层图注意力网络进行特征交互，将交互后的特征作为节点，将上述计算出的相似性a作为节点之间的边，可以得到第一特征图。根据上述方法也同样可以得到其他对象的特征图。
[0074]
示例性的，对第一特征图可以进行池化，例如采用最大池化、平均池化的方式等。通过池化可以减少特征维度，降低计算量。
[0075]
步骤30：将第一特征图与异质信息输入异质交互网络，获得融合了异质信息的第二特征图。
[0076]
上述特征图网络201输出的第一特征图与异质信息作为异质交互网络202的输入，可以得到异质交互网络202的输出，即第二特征图。在异质交互网络202中，将第一特征图作为节点，构建第一特征图与其他对象的特征图之间的关系，根据该关系构建边，得到第二特征图。示例性的，异质交互网络202可以包括图构建层、第二交互层。通过图构建层，确定目标对象与其他对象之间的异质关系。举例来说，通过异质信息可以获取目标对象与其他对象的行业关系、主营业务关系、概念关系以及基金持仓关系等异质关系。然后在具有异质关系的节点之间构建边，得到新的图结构，称为异质交互图。在该异质交互图中节点为各个企业的特征图，边表示各特征图之间的关系。示例性的，还可以通过自适应图模块作为补充关系，来学习除了上述四种异质关系之外的关系。该自适应图模块为包含上述节点的全连接图网络。也就是说，异质交互图中的各节点之间可以存在四种异质关系和自适应关系。
[0077]
上述异质交互图作为第二交互层的输入，通过第二交互层对异质关系和第一特征图进行融合，得到融合后的结果，即第二特征图。示例性的，第二交互层可以分为图注意力网络和残差连接单元，通过图注意力网络来对异质交互图进行融合，得到不同异质关系下
节点的嵌入表达。然后再通过另一图注意力网络将不同异质关系的嵌入表达进行融合，得到最终融合了四种异质关系的嵌入表达，即融合结果，如下：
[0078][0079]
其中，β为注意力系数，x为特定的异质关系下节点(第一特征图)的嵌入表达。r为上述四种异质关系加自适应关系，五种关系。
[0080]
通过残差连接单元可以将第一特征图与其对应的融合结果x
cg
，进行融合，得到最终的第二特征图。或者，将目标对象的经营指标信息的嵌入表示，与第一特征图和上述融合结果x
cg
进行连接，得到最终的第二特征图。
[0081]
步骤40：将所述第二特征图输入所述分类器，得到所述目标对象的信用级别。
[0082]
第二特征图可以作为分类器204(上述第一分类模块)的输入，训练后的第一分类模型可以确定将第二特征图解码为一种评级标签，即目标对象的信用级别。本实施方式充分考虑企业之间的多种异质关系，并添加了自适应关系模块作为补充，分类的准确率大大提升。
[0083]
进一步的，本发明还提供一种信用评级装置，可用于执行上述信用评级方法。下面对本发明提供的信用评级装置进行描述，下文描述的信用评级装置与上文描述的信用评级方法可相互对应参照。
[0084]
如图3所示，该信用评级装置30可以包括数据获取模块31，用于获取目标对象的经营指标信息以及异质信息，所述异质信息用于表征所述目标对象与其他对象之间的多种关系；特征确定模块32，用于将所述经营指标信息输入至信用评级模型中的特征图网络，通过所述特征图网络获得所述经营指标信息对应的第一特征图；其中，所述信用评级模型还包括异质交互网络以及分类器；特征交互模块33，用于将所述第一特征图与所述异质信息输入所述异质交互网络，获得融合了所述异质信息的第二特征图；模型输出模块34，用于将所述第二特征图输入所述分类器，得到所述目标对象的信用级别。
[0085]
在本发明的一种实施方式中，所述特征图网络包括嵌入层以及第一交互层；所述特征确定模块32具体包括：嵌入表示模块，用于通过所述嵌入层将所述经营指标信息转化为对应的嵌入表示；相似计算模块，用于通过所述交互层计算所述嵌入表示中不同特征的相似度；根据所述嵌入表示以及所述相似性获得所述第一特征图。
[0086]
在本发明的一种实施方式中，所述异质交互网络包括图构建层、第二交互层；特征交互模块33具体可以包括：特征输入模块，用于将所述第一特征图与所述目标对象的异质信息输入所述图构建层，其中，所述图构建层中包括多个其他对象；关系确定模块，用于通过所述图构建层确定所述目标对象与所述其他对象的所述异质信息之间的异质关系；关系交互模块，用于将所述异质交互图输入第二交互层，通过所述第二交互层将所述异质关系与所述第一特征图进行融合，得到第二特征图。
[0087]
在本发明的一种实施方式中，该信用评级装置30还包括：样本获取模块，用于获取样本数据，所述样本数据中包括包含评级标签的第一指标信息，以及不包含所述评级标签的第二指标信息；标签确定模块，用于确定所述第二指标信息的伪标签；模型训练模块，用于基于所述第一指标信息以及对应的所述评级标签、所述第二指标信息以及对应的所述伪标签，对所述信用评级模型进行训练。
[0088]
在本发明的一种实施方式中，所述分类器包括第一分类模块、第二分类模块以及第三分类模块，所述模型训练模块具体可以包括：第一差异确定模块，用于将所述样本数据输入所述信用评级模型，获得所述第一分类模块针对所述第一指标信息的第一输出结果，确定所述第一输出结果与所述第一指标信息对应的评级标签之间的第一差异；第二差异确定模块，用于获取所述第二分类模块针对所述第二指标信息的第二输出结果，确定所述第二输出结果与所述第二指标信息对应的所述伪标签之间的第二差异；置信度确定模块，用于获取所述第三分类模块针对所述样本数据输出的置信度；差异融合模块，用于结合所述第一差异、所述第二差异以及所述置信度，对所述信用评级模型进行训练。
[0089]
在本发明的一种实施方式中，所述第二交互层包括图注意力网络和残差连接单元，所述关系交互模块具体可包括：注意力模块，用于通过图注意力网络将所述异质关系与所述第一特征图进行融合，得到融合结果；残差模块，用于通过残差连接单元将所述第一特征图与所述融合结果进行融合，得到融合后的第二特征图。
[0090]
在本发明的一种实施方式中，所述异质信息至少包括目标对象与其他对象之间的行业关系、主营业务关系、概念关系以及基金持仓关系。
[0091]
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communications interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行信用评级方法，该方法包括：获取目标对象的经营指标信息以及异质信息，所述异质信息用于表征所述目标对象与其他对象之间的多种关系；将所述经营指标信息输入至信用评级模型中的特征图网络，通过所述特征图网络获得所述经营指标信息对应的第一特征图；其中，所述信用评级模型还包括异质交互网络以及分类器；将所述第一特征图与所述异质信息输入所述异质交互网络，获得融合了所述异质信息的第二特征图；将所述第二特征图输入所述分类器，得到所述目标对象的信用级别。
[0092]
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0093]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的信用评级方法，该方法包括：获取目标对象的经营指标信息以及异质信息，所述异质信息用于表征所述目标对象与其他对象之间的多种关系；将所述经营指标信息输入至信用评级模型中的特征图网络，通过所述特征图网络获得所述经营指标信息对应的第一特征图；其中，所述信用评级模型还包括异质交互网络以及分类器；将所述第一特征图与所述异质信息输入所述异质交互网络，获得融合了所述异质
信息的第二特征图；将所述第二特征图输入所述分类器，得到所述目标对象的信用级别。
[0094]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的信用评级方法，该方法包括：获取目标对象的经营指标信息以及异质信息，所述异质信息用于表征所述目标对象与其他对象之间的多种关系；将所述经营指标信息输入至信用评级模型中的特征图网络，通过所述特征图网络获得所述经营指标信息对应的第一特征图；其中，所述信用评级模型还包括异质交互网络以及分类器；将所述第一特征图与所述异质信息输入所述异质交互网络，获得融合了所述异质信息的第二特征图；将所述第二特征图输入所述分类器，得到所述目标对象的信用级别。
[0095]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0096]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0097]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。