具体实施方式

本申请实施例提供了一种交易风险识别方法、装置及计算机存储介质，用于提高交易风险的识别和评估效率以及提高风险识别评估结果的准确性。

请参阅图1，本申请实施例中交易风险识别方法一个实施例包括：

101、获取预先训练完成的交易风险评分卡模型；

本实施例的方法可应用于交易风险识别装置，该装置可以是终端、服务器等计算机设备。本实施例的方法可以对融资请求方的交易风险进行识别和评估，其中融资请求方可以是社会经济活动中任意的经营实体，例如可以是企业、个体工商户等经营实体。任意的经营实体有融资需求时，可以向金融机构发出融资请求。金融机构可以使用交易风险识别装置来评估融资请求方是否存在交易风险，则交易风险识别装置接收融资请求方的融资请求，并在后续步骤中执行对该请求的处理操作。

具体的，本实施例基于交易风险评分卡模型来评估融资请求方的交易风险。因此，交易风险识别装置获取预先训练完成的交易风险评分卡模型，交易风险评分卡模型由机器学习算法对多组训练样本训练得到，且每组训练样本包括目标特征数据样本以及目标特征数据样本的评分，目标特征数据样本包括特征变量和特征变量对应的变量值；特征变量为用于表征经营行为的指标，如营业收入、开业时间、开票记录等用于表征经营行为的指标，则特征变量对应的变量值即为指标对应的值，如营业收入指标，其对应的变量值为100万；开业时间对应的变量值为2020年1月1日等等。

102、获取融资请求方的进销项发票数据，从融资请求方的进销项发票数据中确定出目标特征数据；

本实施例根据融资请求方的进销项发票数据来识别融资请求方的交易风险。因此，交易风险识别装置还获取融资请求方的进销项发票数据，从融资请求方的进销项发票数据中确定出目标特征数据。同样的，目标特征数据也包括了特征变量和特征变量对应的变量值。

103、将目标特征数据输入至交易风险评分卡模型，以得到交易风险评分卡模型输出的目标特征数据的评分；

在确定出目标特征数据之后，将目标特征数据输入至交易风险评分卡模型，交易风险评分卡模型基于预先训练获得的数据处理逻辑输出目标特征数据的评分。

104、根据目标特征数据的评分计算得到融资请求方的交易风险评分；

在获得目标特征数据的评分之后，可以根据预设的计算方式将目标特征数据的评分转换为融资请求方的交易风险评分。其中，预设的计算方式可以是加权求和，或者是其他能够将目标特征数据的评分转换为交易风险评分的计算方式，具体此处不作限定。

本实施例中，交易风险识别装置获取交易风险评分卡模型以及融资请求方的进销项发票数据，从融资请求方的进销项发票数据中确定出目标特征数据，将目标特征数据输入至交易风险评分卡模型，得到交易风险评分卡模型输出的目标特征数据的评分，根据目标特征数据的评分计算得到融资请求方的交易风险评分，因此，交易风险的识别和评估不再需要依靠人工进行实地的现场调查，相比于人工线下的深入调查分析来确定交易风险，可以提高交易风险识别评估的工作效率，同时也避免了交易风险评估掺杂人为的主观因素，可以提高交易风险识别评估结果的准确性。

下面将在前述图1所示实施例的基础上，进一步详细地描述本申请实施例。请参阅图2，本申请实施例中交易风险识别方法另一实施例包括：

201、获取预先训练完成的交易风险评分卡模型；

本实施例中，交易风险评分卡模型的训练步骤包括：采集进销项发票数据样本，从进销项发票数据样本中确定出目标特征数据样本；对目标特征数据样本进行分箱操作以及证据权重转换WOE转换(weight ofEvidence，WOE)，得到目标特征数据样本的分箱系数和WOE值；将目标特征数据样本的分箱系数与WOE值的乘积作为目标特征数据样本的评分；将多个目标特征数据样本的评分相加，得到的和值作为交易风险评分。

其中，从进销项发票数据样本中确定出目标特征数据样本，其具体方式可以是，从进销项发票数据样本中确定出多个候选特征数据样本，候选特征数据样本包括第一特征变量和第一特征变量对应的变量值；第一特征变量为用于表征经营行为的指标；依据支持度、可信度和作用度，为第一特征变量设置频繁模式树FP-Tree(frequent pattern tree，FP-tree)，根据设置的FP-Tree从多个第一特征变量中确定出第二特征变量；对多个第二特征变量进行分箱操作以及WOE转换，利用KS值、AR值、IV值和VIF值对多个第二特征变量进行筛选；通过逻辑回归算法拟合第二特征变量与目标特征变量的关系，从多个第二特征变量中确定出目标特征变量，目标特征变量以及目标特征变量对应的变量值构成目标特征数据样本。因此，通过上述具体方式确定出的目标特征数据样本，可以真实地反映融资请求方的经营状况和交易情况，从而根据目标特征数据样本可以更加准确地评估融资请求方的交易风险。

为便于数据处理以及模型训练，在从进销项发票数据样本中确定出目标特征数据样本之后，还可以对目标特征数据样本执行预处理操作，具体的预处理操作可以是，对目标特征数据样本进行数据清洗和/或数据加工，数据清洗包括对目标特征数据样本进行缺失值处理和/或异常值处理，数据加工包括对目标特征数据样本进行数据转置和/或数据求和。对目标特征数据样本的预处理操作可以有多种，只要能够使得数据在后续的处理过程中更加便于使用即可。

202、获取融资请求方的进销项发票数据，从融资请求方的进销项发票数据中确定出目标特征数据；

本实施例中，融资请求方可以通过自己的终端向交易风险识别装置发送融资请求，该融资请求携带融资请求方的个人信息和授权标识，授权标识用于表示授予交易风险识别装置获取融资请求方的进销项发票数据的权利。

具体的，融资请求，可以是设备融资的请求，也可以是产品融资的请求，或者是以其他形式的资产进行融资的请求，具体的融资形式不作限定。

从融资请求方的进销项发票数据中确定出目标特征数据的具体实施方式，与从进销项发票数据样本中确定出目标特征数据样本的具体实施方式类似，从进销项发票数据样本中确定出目标特征数据样本的具体实施方式已在前文提及，此处不再赘述从融资请求方的进销项发票数据中确定出目标特征数据的具体实施方式。

203、将目标特征数据输入至交易风险评分卡模型，以得到交易风险评分卡模型输出的目标特征数据的评分；

由于交易风险评分卡模型是基于目标特征数据样本以及目标特征数据样本的评分来训练的，在训练过程中，交易风险评分卡模型会拟合目标特征数据样本与目标特征数据样本的评分之间的函数关系，该函数关系可以应用于其他计算特征数据的评分的场景中。因此，在后续需要计算出目标特征数据的评分时，只需将目标特征数据输入至交易风险评分卡模型，则交易风险评分卡模型将根据拟合出来的函数关系计算目标特征数据的评分，并输出计算得到的评分。

204、根据目标特征数据的评分计算得到融资请求方的交易风险评分；

本实施例中，根据目标特征数据的评分计算交易风险评分，可以有多种计算方式。在一种计算方式中，可以对多个目标特征数据的评分进行加权求和，将加权求和的计算结果作为融资请求方的交易风险评分。

除此之外，也可以不需要对多个目标特征数据的评分进行加权求和，而是直接将多个目标特征数据的评分相加，得到的和值作为交易风险评分。本实施例对根据目标特征数据的评分计算交易风险评分的具体计算方式不作限定。

205、设置多个评分分段，确定融资请求方的交易风险评分所在的目标评分分段，将目标评分分段对应的交易风险程度等级确定为融资请求方的交易风险程度等级；

在得到融资请求方的交易风险评分之后，还可以进一步确定融资请求方的交易风险程度等级。具体的，可以预先设置多个评分分段，其中每个评分分段分别对应一种交易风险程度等级，进而确定融资请求方的交易风险评分所在的目标评分分段，将目标评分分段对应的交易风险程度等级确定为融资请求方的交易风险程度等级。

例如，融资请求方的交易风险评分所在的评分分段为80～90分，而该评分分段对应的交易风险程度等级为较大风险，则可以确定融资请求方的交易风险程度等级为较大风险，表明融资请求方存在较大的交易风险。

本实施例中，提供了交易风险评分卡模型的具体训练方式以及从进销项发票数据样本中确定出目标特征数据样本的具体实施方式，可以确保训练获得的交易风险评分卡模型能够更加准确地计算出交易风险评分，进一步提高交易风险识别评估结果的准确性和真实性。

上面对本申请实施例中的交易风险识别方法进行了描述，下面对本申请实施例中的交易风险识别装置进行描述，请参阅图3，本申请实施例中交易风险识别装置一个实施例包括：

获取单元301，用于获取预先训练完成的交易风险评分卡模型，交易风险评分卡模型由机器学习算法对多组训练样本训练得到，且每组训练样本包括目标特征数据样本以及目标特征数据样本的评分，目标特征数据样本包括特征变量和特征变量对应的变量值；特征变量为用于表征经营行为的指标；

获取单元301还用于获取融资请求方的进销项发票数据，从融资请求方的进销项发票数据中确定出目标特征数据，目标特征数据包括特征变量和特征变量对应的变量值；

数据处理单元302，用于将目标特征数据输入至交易风险评分卡模型，以得到交易风险评分卡模型输出的目标特征数据的评分；

计算单元303，用于根据目标特征数据的评分计算得到融资请求方的交易风险评分。

本实施例一种优选的实施方式中，装置还包括：

训练单元304，用于执行交易风险评分卡模型的训练步骤；交易风险评分卡模型的训练步骤包括：

采集进销项发票数据样本，从进销项发票数据样本中确定出目标特征数据样本；

对目标特征数据样本进行分箱操作以及WOE转换，得到目标特征数据样本的分箱系数和WOE值；

将目标特征数据样本的分箱系数与WOE值的乘积作为目标特征数据样本的评分；

将多个目标特征数据样本的评分相加，得到的和值作为交易风险评分。

本实施例一种优选的实施方式中，执行从进销项发票数据样本中确定出目标特征数据样本的步骤时，训练单元304具体用于从进销项发票数据样本中确定出多个候选特征数据样本，候选特征数据样本包括第一特征变量和第一特征变量对应的变量值；第一特征变量为用于表征经营行为的指标；依据支持度、可信度和作用度，为第一特征变量设置FP-Tree，根据设置的FP-Tree从多个第一特征变量中确定出第二特征变量；对多个第二特征变量进行分箱操作以及WOE转换，利用KS值、AR值、IV值和VIF值对多个第二特征变量进行筛选；通过逻辑回归算法拟合第二特征变量与目标特征变量的关系，从多个第二特征变量中确定出目标特征变量，目标特征变量以及目标特征变量对应的变量值构成目标特征数据样本。

本实施例一种优选的实施方式中，装置还包括：

预处理单元305，用于对目标特征数据样本进行数据清洗和/或数据加工，数据清洗包括对目标特征数据样本进行缺失值处理和/或异常值处理，数据加工包括对目标特征数据样本进行数据转置和/或数据求和。

本实施例一种优选的实施方式中，计算单元303具体用于对多个目标特征数据的评分进行加权求和，将加权求和的计算结果作为融资请求方的交易风险评分。

本实施例一种优选的实施方式中，装置还包括：

风险评级单元306，用于设置多个评分分段，每个评分分段分别对应一种交易风险程度等级；确定融资请求方的交易风险评分所在的目标评分分段，将目标评分分段对应的交易风险程度等级确定为融资请求方的交易风险程度等级。

本实施例中，交易风险识别装置中各单元所执行的操作与前述图1至图2所示实施例中描述的类似，此处不再赘述。

本实施例中，获取单元301获取交易风险评分卡模型以及融资请求方的进销项发票数据，从融资请求方的进销项发票数据中确定出目标特征数据，数据处理单元302将目标特征数据输入至交易风险评分卡模型，得到交易风险评分卡模型输出的目标特征数据的评分，计算单元303根据目标特征数据的评分计算得到融资请求方的交易风险评分，因此，交易风险的识别和评估不再需要依靠人工进行实地的现场调查，相比于人工线下的深入调查分析来确定交易风险，可以提高交易风险识别评估的工作效率，同时也避免了交易风险评估掺杂人为的主观因素，可以提高交易风险识别评估结果的准确性。

下面对本申请实施例中的交易风险识别装置进行描述，请参阅图4，本申请实施例中交易风险识别装置一个实施例包括：

该交易风险识别装置400可以包括一个或一个以上中央处理器(centralprocessing units，CPU)401和存储器405，该存储器405中存储有一个或一个以上的应用程序或数据。

其中，存储器405可以是易失性存储或持久存储。存储在存储器405的程序可以包括一个或一个以上模块，每个模块可以包括对交易风险识别装置中的一系列指令操作。更进一步地，中央处理器401可以设置为与存储器405通信，在交易风险识别装置400上执行存储器405中的一系列指令操作。

交易风险识别装置400还可以包括一个或一个以上电源402，一个或一个以上有线或无线网络接口403，一个或一个以上输入输出接口404，和/或，一个或一个以上操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等。

该中央处理器401可以执行前述图1至图2所示实施例中交易风险识别装置所执行的操作，具体此处不再赘述。

本申请实施例还提供了一种计算机存储介质，其中一个实施例包括：该计算机存储介质中存储有指令，该指令在计算机上执行时，使得该计算机执行前述图1至图2所示实施例中交易风险识别装置所执行的操作。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以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，本申请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全部或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)执行本申请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-onlymemory)、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。