(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111369215.7 (22)申请日 2021.11.18 (71)申请人 上海浦东发展银行股份有限公司 地址 200001 上海市黄浦区中山 东一路12 号 (72)发明人 沈晓文　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 代理人 黄晓庆 (51)Int.Cl. G06Q 10/10(2012.01) G06N 20/00(2019.01) (54)发明名称 面向目标对象的信息处理方法、 装置、 计算 机设备 (57)摘要 本公开涉及一种面向目标对象的信息处理 方法、 装置、 计算机设备， 所述方法包括： 接收目 标对象发起的合作请求； 获得所述目标对象 的风 险因子的评分和审批总评分； 基于所述风险因子 的评分和审 批总评分， 接收对所述目标对象 的第 一审批结果； 对 所述第一审批结果为审批不通过 的目标对象进行标注， 将所述目标对象的身份信 息、 风险因子的评分、 审批总评分、 第一审批 结果 以及所述第一审批结果为审批不通过的目标对 象的标注存储至样本数据库； 根据所述样本数据 构建机器学习审批模型。 本公开不仅可以减少对 人工的依赖， 提高审批效率； 同时还可 以获得目 标对象的各个风险因子的评分， 有助于对机器学 习审批模型进行后续验证 。 权利要求书3页 说明书14页 附图11页 CN 114240318 A 2022.03.25 CN 114240318 A 1.一种面向目标对象的信息处 理方法， 其特 征在于， 所述方法包括： 接收目标对象发起的合作请求， 基于所述 合作请求获取 所述目标对象的身份信息； 利用预先构建的专家评分模型对所述目标对象进行审批， 获得所述目标对象的风险因 子的评分和审批总评分； 基于所述风险因子的评分和审批总评分， 接收对所述目标对象的第一审批结果， 所述 第一审批结果包括审批通过和审批不 通过； 对所述第一审批结果为审批不通过的目标对象进行标注， 将所述目标对象的身份信 息、 风险因子的评分、 审批总评 分、 第一审批结果以及所述第一审批结果为审批不通过的目 标对象的标注存 储至样本数据库； 从所述样本数据库中获取样本数据， 根据所述样本数据构建机器学习审批模型， 利用 所述机器学习审批模型对所述目标对象进 行审批处理， 所述机器学习审批模型用于输出所 述目标对象的第二审批结果， 以及输出 所述目标对象的风险因子的评分。 2.根据权利要求1所述的方法， 其特征在于， 所述利用预先构建的专家评分模型对所述 目标对象进行审批， 获得 所述目标对象的风险因子的评分和审批总评分之前还 包括： 根据所述目标对象的身份信息， 对所述目标对象进行强制规则筛 选。 3.根据权利要求1所述的方法， 其特 征在于， 所述专 家评分模型的构建步骤 包括： 接收针对所述目标对象设定的风险因子、 针对所述风险因子设定的算法规则、 针对所 述风险因子设定的权 重； 根据所述风险因子、 针对所述风险因子设定的算法规则、 针对所述风险因子设定的权 重建立所述专家评 分模型， 所述专家评 分模型用于根据所述目标对象的身份信息输出所述 目标对象的风险因子的评分和审批总评分。 4.根据权利要求3所述的方法， 其特征在于， 所述对所述第 一审批结果为审批不通过的 目标对象进行 标注包括： 对审批不通过的所述目标对象进行标注， 在标注清单上选择所述目标对象审批不通过 原因的标签， 并按照预设规则对所述标签排序， 将所述标签和标签顺序存储至所述样本数 据库； 根据所述目标对象的标签和标签顺序对所述专 家评分模型进行优化更新。 5.根据权利要求1所述的方法， 其特 征在于， 所述机器学习审批模型的构建步骤 包括： 从所述样本数据库中获取目标对象的第 一审批结果的样本数据， 所述样本数据包括所 述目标对象的第一审批结果、 所述目标对象的风险因子的评分以及所述第一审批结果为审 批不通过的目标对象的标注； 根据所述样本数据中目标对象的身份信 息和风险因子的评分建立风险子模型， 根据 所 述样本中目标对象的身份信息和 第一审批结果建立审批结果子模型， 所述风险子模型和所 述审批结果子模型构成所述机器学习审批模型； 所述风险子模型与所述风险因子一一对 应。 6.根据权利要求5所述的方法， 其特征在于， 所述根据所述样本数据中目标对象的身份 信息和风险因子的评分建立风险子模型， 根据所述样本中目标对象的身份信息和 第一审批 结果建立审批结果子模型， 所述风险子模型和所述审批结果子模型构成所述机器学习审批 模型； 所述 风险子模型与所述 风险因子一 一对应包括：权　利　要　求　书 1/3 页 2 CN 114240318 A 2根据所述目标对象的身份信息提取入 模特征变量； 基于线性回归算法对所述入 模特征变量进行计算， 得到审批通过和不 通过的概 率比； 将所述概率比转换为所述目标对象的风险因子的评分和总评分； 对所述风险子模型和审批结果子模型进行有效性检验， 在检验通过的情况下， 建立所 述机器学习审批模型。 7.根据权利要求6所述的方法， 其特征在于， 所述根据所述目标对象的身份信 息提取入 模特征变量包括： 根据所述目标对象的身份信 息提取特征变量形成特征宽表， 对所述特征宽表进行初步 筛选形成候选特 征池； 对所述候选特征池中的特 征变量进行二次筛 选， 获取有效特 征变量； 对所述有效特征变量进行卡方分箱， 调整分箱 的坐标点阈值， 根据各个分箱 的证据权 重确定入 模特征变量。 8.一种面向目标对象的信息处 理装置， 其特 征在于， 所述装置包括： 合作请求模块， 用于接收目标对象发起的合作请求， 基于所述合作请求获取所述目标 对象的身份信息； 专家评分模块， 用于利用预先构建的专家评分模型对所述目标对象进行审批， 获得所 述目标对象的风险因子的评分和审批总评分； 专家审批模块， 用于基于所述风险因子的评分和审批总评分， 接收对所述目标对象的 第一审批结果； 所述第一审批结果包括审批通过和审批不 通过； 样本模块， 用于对所述第一审批结果为审批不通过的目标对象进行标注， 将所述目标 对象的身份信息、 风险因子的评 分、 审批总评 分、 第一审 批结果以及所述第一审批结果为审 批不通过的目标对象的标注存 储至样本数据库； 模型审批模块， 用于从所述样本数据库中获取样本数据， 根据所述样本数据构建机器 学习审批模型， 利用所述机器学习审批模型对所述 目标对象进行审批， 所述机器学习审批 模型用于 输出所述目标对象的第二审批结果， 以及输出 所述目标对象的风险因子的评分。 9.根据权利要求8所述的装置， 其特 征在于， 所述装置还 包括： 强制筛选模块， 用于根据所述目标对象的身份信息， 对所述目标对象进行强制规则筛 选。 10.根据权利要求8所述的装置， 其特 征在于， 所述专 家评分模块包括： 专家设定单元， 用于接收针对所述目标对象设定的风险因子、 针对所述风险因子设定 的算法规则、 针对所述 风险因子设定的权 重； 评分计算单元， 用于根据 所述风险因子、 针对所述风险因子设定的算法规则、 针对所述 风险因子设定的权重建立所述专家评分模型， 所述专家评 分模型用于根据所述目标对象的 身份信息 输出所述目标对象的风险因子的评分和审批总评分。 11.根据权利要求10所述的装置， 其特 征在于， 所述样本模块还 包括： 标注单元， 用于对审批不通过的所述目标对象进行标注， 在标注清单上选择所述目标 对象审批不通过原因的标签， 并按照预设规则对所述标签排序， 将所述标签和标签顺序存 储至所述样本数据库； 优化单元， 用于根据 所述目标对象的标签和标签顺序对所述专家评分模型进行优化更权　利　要　求　书 2/3 页 3 CN 114240318 A 3