基于大數(shù)據(jù)的企業(yè)信用評估方法及系統(tǒng)專利

創(chuàng)造專利申請申請公布號申請公布日申請?zhí)柹暾埲?11.01申請人路璐地址100125北京朝陽區(qū)霄云路創(chuàng)造人路璐專利代理機構(gòu)代理人Int.CI.權(quán)利要求書2頁說明書7頁附圖3頁創(chuàng)造名稱基于大數(shù)據(jù)企業(yè)信用評定方法及系統(tǒng)摘要本創(chuàng)造包括一個基于大數(shù)據(jù)企業(yè)本創(chuàng)造包括一個基于大數(shù)據(jù)企業(yè)信用評定方法及系統(tǒng)，以處理怎樣利用大數(shù)據(jù)對當(dāng)前企業(yè)信用狀態(tài)進行評定、指導(dǎo)決議和預(yù)測等。該方法包含：S1、得到影響企業(yè)信用影響原因和數(shù)據(jù)，對其做眾因子加權(quán)聚合處理；S2、得到影響企業(yè)信用影響原因權(quán)重系數(shù)；S3、得到影響企業(yè)信用原因權(quán)重系數(shù)隨環(huán)境改變修正值；S4、得到反應(yīng)企業(yè)信用偏離度，用其達成風(fēng)險監(jiān)測預(yù)警；S5、綜合評定當(dāng)前企業(yè)信用水平，自動生成評定匯報。經(jīng)過該評定方法，能夠得到當(dāng)前企業(yè)信用影響原因和數(shù)據(jù)、影響企業(yè)信用原因權(quán)重系數(shù)及修正值、當(dāng)前企業(yè)信用等級和風(fēng)險監(jiān)測預(yù)警偏離度、當(dāng)前企業(yè)信用評定匯報，實現(xiàn)對企業(yè)信用整體評定。S1S1、得到影響企業(yè)信用影響原因和數(shù)據(jù)，對其做眾因子加權(quán)聚合處理；S2、得到影響企業(yè)信用影響原因權(quán)重系數(shù)；S3、得到影響企業(yè)信用原因權(quán)重系數(shù)隨環(huán)境改變修正值；S4、得到反應(yīng)企業(yè)信用偏離度，用其達成風(fēng)險監(jiān)測預(yù)警；S5、綜合評定當(dāng)前企業(yè)信用水平，自動生成評定匯報。S2、得到影響企業(yè)信用影響原因權(quán)重系數(shù)；S3、得到影響企業(yè)信用原因權(quán)重系數(shù)隨環(huán)境改變修正值；S4、得到反應(yīng)企業(yè)信用偏離度，用其達成風(fēng)險監(jiān)測預(yù)警；S5、綜合評定當(dāng)前企業(yè)信用水平，自動生成評定匯報。 權(quán)利要求書 1/2頁一個基于大數(shù)據(jù)企業(yè)信用評定方法，其特征在于，包含：S1、得到影響企業(yè)信用影響原因和數(shù)據(jù)，利用眾因子加權(quán)聚合貝葉斯算法，計算償債環(huán)境、償債起源、財富創(chuàng)造能力和償債能力眾因子對評定主體信用影響程度；S2、依照層次分析模型構(gòu)建指標(biāo)體系，對指標(biāo)體系中償債環(huán)境、償債起源、財富創(chuàng)造能力和償債能力眾影響因子權(quán)重進行計算。經(jīng)過判斷矩陣進行特征值和特征向量計算，進行一致性檢驗，以教授打分和層次分析相結(jié)合方法確定權(quán)重。S3、使影響因子在學(xué)習(xí)樣本中用機器學(xué)習(xí)方法訓(xùn)練權(quán)重，用期望輸出與實際輸出差異引導(dǎo)著學(xué)習(xí)過程，權(quán)重值會伴隨學(xué)習(xí)速度和失敗次數(shù)而不停更新,使權(quán)重伴隨環(huán)境改變而實現(xiàn)偏差糾正，達成信用分值和級別越來越準(zhǔn)確。S4、計算企業(yè)信用偏離度和可調(diào)式關(guān)鍵指數(shù)，企業(yè)偏離度相對于行業(yè)偏離度形成安全區(qū)間，時間軸上偏離度以線性函數(shù)存在，經(jīng)過函數(shù)預(yù)測算法能夠確定未來周期內(nèi)受評主體信用情況，達成企業(yè)信用風(fēng)險預(yù)測。S5、依照企業(yè)信用影響原因和數(shù)據(jù)、影響企業(yè)信用原因權(quán)重系數(shù)、企業(yè)信用風(fēng)險監(jiān)測預(yù)警偏離度分析當(dāng)前企業(yè)信用水平，以評定匯報形式展現(xiàn)。在場景預(yù)測法基礎(chǔ)上，使評定匯報模塊化，伴隨受評主體在大公中央數(shù)據(jù)庫信息改變，經(jīng)過評級指標(biāo)運算結(jié)果，對應(yīng)評定匯報各模塊隨之改變，整個過程脫離信用分析師主觀意識，直接由數(shù)據(jù)決定評定匯報，用自然語言生成技術(shù)對評定匯報優(yōu)化，從而實現(xiàn)高質(zhì)量評定匯報自動生成。2．依照權(quán)利要求1所述方法，其特征在于，所述步驟S1詳細包含：構(gòu)建企業(yè)信用指標(biāo)體系和獲取企業(yè)信用影響原因定量數(shù)據(jù)；對企業(yè)信用影響原因定量數(shù)據(jù)進行無量綱化方法預(yù)處理；對企業(yè)信用影響原因智能識別和數(shù)據(jù)分類；依照S3中企業(yè)信用影響原因權(quán)重系數(shù)修正值、預(yù)處理過定量數(shù)據(jù)和多個教授評分算術(shù)平均數(shù)，對影響原因做加權(quán)聚共計算，加權(quán)聚合貝葉斯算法，處理影響原因間重復(fù)對企業(yè)信用貢獻，得到企業(yè)信用綜合評分、級別、級別含義、企業(yè)信用在同行業(yè)排行榜、可視化輸出信用信息分析結(jié)論。3．依照權(quán)利要求1所述方法，其特征在于，所述步驟S2還包含：企業(yè)信用評定影響原因權(quán)重判斷矩陣自動修正、判斷矩陣自動補全能力。 權(quán)利要求書 2/2頁4．依照權(quán)利要求1所述方法，其特征在于，所述步驟S3中所述確定企業(yè)信用影響原因權(quán)重優(yōu)化方法為基于機器學(xué)習(xí)和BP神經(jīng)網(wǎng)絡(luò)方法。5.依照權(quán)利要求1所述方法，其特征在于，所述步驟S4還包含：企業(yè)信用評定偏離度是指每一個償債起源與財富創(chuàng)造能力距離。6.一個基于大數(shù)據(jù)企業(yè)信用評定系統(tǒng)，其特征在于，包含：數(shù)字化智能評定單元，用于獲取企業(yè)信用評定影響原因和數(shù)據(jù)，對數(shù)據(jù)做標(biāo)準(zhǔn)化處理，對影響原因智能識別和數(shù)據(jù)分類，計算企業(yè)信用綜合評分和級別，生成企業(yè)信用在同行業(yè)排行榜，可視化輸出信用信息分析結(jié)論；數(shù)字化評級權(quán)重自動生成單元，依照層次分析模型構(gòu)建指標(biāo)體系，以教授打分和層次分析相結(jié)合方法，對企業(yè)信用評定指標(biāo)體系中償債環(huán)境、償債起源、財富創(chuàng)造能力和償債能力眾影響因子權(quán)重系數(shù)進行計算；數(shù)字化評級機器學(xué)習(xí)權(quán)重優(yōu)化單元，用于優(yōu)化企業(yè)信用影響原因權(quán)重，使權(quán)重伴隨環(huán)境改變而實現(xiàn)偏差糾正，達成信用分值和級別越來越準(zhǔn)確；信用風(fēng)險監(jiān)測預(yù)警單元，是依靠于線性函數(shù)預(yù)測算法風(fēng)險預(yù)測系統(tǒng)，基于偏離度及可調(diào)式關(guān)鍵指數(shù)，經(jīng)過函數(shù)預(yù)測算法確定未來周期內(nèi)受評主體信用情況，達成信用風(fēng)險預(yù)測效果；評定匯報自然語言生成單元，用場景預(yù)測法，使評定匯報模塊化，伴隨企業(yè)在中央數(shù)據(jù)庫信息改變，經(jīng)過評級指標(biāo)運算結(jié)果，對應(yīng)評定匯報各模塊隨之改變，直接由數(shù)據(jù)決定評定匯報，用自然語言生成技術(shù)對評定匯報優(yōu)化，實現(xiàn)高質(zhì)量評定匯報自動生成。

說明書 1/7頁基于大數(shù)據(jù)企業(yè)信用評定方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本創(chuàng)造包括企業(yè)信用分析技術(shù)領(lǐng)域，尤其是包括一個基于大數(shù)據(jù)企業(yè)評定方法和一個基于大數(shù)據(jù)企業(yè)評定系統(tǒng)。背景技術(shù)[0002]信用評級關(guān)系人類經(jīng)濟社會安全發(fā)展，現(xiàn)存國際評級體系堅持維護所在國利益立場，把其價值觀和意識形態(tài)作為評級標(biāo)準(zhǔn)，成為危機制造者，而不能負(fù)擔(dān)世界評級責(zé)任。然而，處于信用經(jīng)濟社會發(fā)展階段人類社會依然需要公正評級才能可連續(xù)發(fā)展，面對一個控制著人類生存與發(fā)展命脈超級評級強權(quán)，人類前行路在哪里？回答這個關(guān)系全人類發(fā)展前途時代問題是最具挑戰(zhàn)歷史使命。[0003]面對新信用評級業(yè)變革，建立以數(shù)字化為關(guān)鍵評級體系，是信用評級業(yè)適應(yīng)高技術(shù)戰(zhàn)爭根本保障。數(shù)字化是信用評級業(yè)實現(xiàn)跨越式發(fā)展必由之路，信息化關(guān)鍵是數(shù)字化?，F(xiàn)在信用評級業(yè)，是網(wǎng)絡(luò)化信用評級業(yè)、數(shù)字化信用評級業(yè)、智能化信用評級業(yè)、虛擬化信用評級業(yè)，數(shù)字化已成為先進信用評級業(yè)關(guān)鍵和重點。[0004]所以，建立一套全新、滿足現(xiàn)在我國信用評級產(chǎn)業(yè)現(xiàn)實狀況和發(fā)展需求評定或分析方法成為我國信用評級產(chǎn)業(yè)發(fā)展當(dāng)務(wù)之急。創(chuàng)造內(nèi)容[0005]本創(chuàng)造所要處理技術(shù)問題是怎樣利用大數(shù)據(jù)對當(dāng)前企業(yè)信用進行分析。[0006]為處理上述技術(shù)問題，本創(chuàng)造提出了一個基于大數(shù)據(jù)企業(yè)信用評定方法及系統(tǒng)。[0007]第首先，該方法包含：[0008]S1、得到影響企業(yè)信用影響原因和數(shù)據(jù)，利用眾因子加權(quán)聚合貝葉斯算法，計算償債環(huán)境、償債起源、財富創(chuàng)造能力和償債能力眾因子對評定主體信用影響程度；[0009]S2、依照層次分析模型構(gòu)建指標(biāo)體系，對指標(biāo)體系中償債環(huán)境、償債起源、財富創(chuàng)造能力和償債能力眾影響因子權(quán)重進行計算。經(jīng)過判斷矩陣進行特征值和特征向量計算，進行一致性檢驗，以教授打分和層次分析相結(jié)合方法確定權(quán)重。說明書 2/7頁[0010]S3、使影響因子在學(xué)習(xí)樣本中用機器學(xué)習(xí)方法訓(xùn)練權(quán)重，用期望輸出與實際輸出差異引導(dǎo)著學(xué)習(xí)過程，權(quán)重值會伴隨學(xué)習(xí)速度和失敗次數(shù)而不停更新,使權(quán)重伴隨環(huán)境改變而實現(xiàn)偏差糾正，達成信用分值和級別越來越準(zhǔn)確。[0011]S4、計算企業(yè)信用偏離度和可調(diào)式關(guān)鍵指數(shù)，企業(yè)偏離度相對于行業(yè)偏離度形成安全區(qū)間，時間軸上偏離度以線性函數(shù)存在，經(jīng)過函數(shù)預(yù)測算法能夠確定未來周期內(nèi)受評主體信用情況，達成企業(yè)信用風(fēng)險預(yù)測。[0012]S5、依照企業(yè)信用影響原因和數(shù)據(jù)、影響企業(yè)信用原因權(quán)重系數(shù)、企業(yè)信用風(fēng)險監(jiān)測預(yù)警偏離度分析當(dāng)前企業(yè)信用水平，以評定匯報形式展現(xiàn)。在場景預(yù)測法基礎(chǔ)上，使評定匯報模塊化，伴隨受評主體在大公中央數(shù)據(jù)庫信息改變，經(jīng)過評級指標(biāo)運算結(jié)果，對應(yīng)評定匯報各模塊隨之改變，整個過程脫離信用分析師主觀意識，直接由數(shù)據(jù)決定評定匯報，用自然語言生成技術(shù)對評定匯報優(yōu)化，從而實現(xiàn)高質(zhì)量評定匯報自動生成。[0013]深入地，所述步驟S1還包含：[0014]構(gòu)建企業(yè)信用指標(biāo)體系和獲取企業(yè)信用影響原因定量數(shù)據(jù)；[0015]對企業(yè)信用影響原因定量數(shù)據(jù)進行無量綱化方法預(yù)處理；[0016]對企業(yè)信用影響原因智能識別和數(shù)據(jù)分類；[0017]依照S3中企業(yè)信用影響原因權(quán)重系數(shù)修正值、預(yù)處理過定量數(shù)據(jù)和多個教授評分算術(shù)平均數(shù)，對影響原因做加權(quán)聚共計算，加權(quán)聚合貝葉斯算法，處理影響原因間重復(fù)對企業(yè)信用貢獻，得到企業(yè)信用綜合評分、級別、級別含義、企業(yè)信用在同行業(yè)排行榜、可視化輸出信用信息分析結(jié)論。[0018]深入地，所述步驟S2還包含：[0019]企業(yè)信用評定影響原因權(quán)重判斷矩陣自動修正、判斷矩陣自動補全能力。[0020]深入地，所述步驟S3中所述確定企業(yè)信用影響原因權(quán)重優(yōu)化方法為基于機器學(xué)習(xí)和BP神經(jīng)網(wǎng)絡(luò)方法。[0021]深入地，所述步驟S4還包含：[0022]企業(yè)信用評定偏離度是指每一個償債起源與財富創(chuàng)造能力距離。[0023]第二方面，該系統(tǒng)包含：說明書 3/7頁[0024]數(shù)字化智能評定單元，用于獲取企業(yè)信用評定影響原因和數(shù)據(jù)，對數(shù)據(jù)做標(biāo)準(zhǔn)化處理，對影響原因智能識別和數(shù)據(jù)分類，計算企業(yè)信用綜合評分和級別，生成企業(yè)信用在同行業(yè)排行榜，可視化輸出信用信息分析結(jié)論；[0025]數(shù)字化評級權(quán)重自動生成單元，依照層次分析模型構(gòu)建指標(biāo)體系，以教授打分和層次分析相結(jié)合方法，對企業(yè)信用評定指標(biāo)體系中償債環(huán)境、償債起源、財富創(chuàng)造能力和償債能力眾影響原因權(quán)重系數(shù)進行計算；[0026]數(shù)字化評級機器學(xué)習(xí)權(quán)重優(yōu)化單元，用于優(yōu)化企業(yè)信用影響原因權(quán)重，使權(quán)重伴隨環(huán)境改變而實現(xiàn)偏差糾正，達成信用分值和級別越來越準(zhǔn)確；[0027]信用風(fēng)險監(jiān)測預(yù)警單元，是依靠于線性函數(shù)預(yù)測算法風(fēng)險預(yù)測系統(tǒng)，基于偏離度及可調(diào)式關(guān)鍵指數(shù)，經(jīng)過函數(shù)預(yù)測算法確定未來周期內(nèi)受評主體信用情況，達成信用風(fēng)險預(yù)測效果；[0028]評定匯報自然語言生成單元，用場景預(yù)測法，使評定匯報模塊化，伴隨企業(yè)在中央數(shù)據(jù)庫信息改變，經(jīng)過評級指標(biāo)運算結(jié)果，對應(yīng)評定匯報各模塊隨之改變，直接由數(shù)據(jù)決定評定匯報，用自然語言生成技術(shù)對評定匯報優(yōu)化，實現(xiàn)高質(zhì)量評定匯報自動生成。附圖說明[0029]經(jīng)過參考附圖會愈加清楚了解本創(chuàng)造特征和優(yōu)點，附圖是示意性而不應(yīng)了解為對本創(chuàng)造進行任何限制，在附圖中：[0030]圖1示出了依照本創(chuàng)造基于大數(shù)據(jù)企業(yè)信用評定方法一實施例流程示意圖；[0031]圖2示出了建立神經(jīng)網(wǎng)絡(luò)模型流程示意圖；[0032]圖3示出了依照本創(chuàng)造基于大數(shù)據(jù)企業(yè)信用評定系統(tǒng)一實施例結(jié)構(gòu)框圖。詳細實施方式[0033]為了能夠更清楚地了解本創(chuàng)造上述目標(biāo)、特征和優(yōu)點，下面結(jié)合附圖和詳細實施方式對本創(chuàng)造進行深入詳細描述。需要說明是，在不沖突情況下，本申請實施例及實施例中特征能夠相互組合。說明書 4/7頁[0034]在下面描述中闡述了很多詳細細節(jié)方便于充分了解本創(chuàng)造，不過，本創(chuàng)造還能夠采取其余不一樣于在此描述其余方式來實施，所以，本創(chuàng)造保護范圍并不受下面公開詳細實施例限制。[0035]本創(chuàng)造提供了一個基于大數(shù)據(jù)企業(yè)信用評定方法，如圖1所述，該方法包含：[0036]S1、得到影響企業(yè)信用影響原因和數(shù)據(jù)，利用眾因子加權(quán)聚合貝葉斯算法，計算償債環(huán)境、償債起源、財富創(chuàng)造能力和償債能力眾因子對評定主體信用影響程度；[0037]S2、依照層次分析模型構(gòu)建指標(biāo)體系，對指標(biāo)體系中償債環(huán)境、償債起源、財富創(chuàng)造能力和償債能力眾影響因子權(quán)重進行計算。經(jīng)過判斷矩陣進行特征值和特征向量計算，進行一致性檢驗，以教授打分和層次分析相結(jié)合方法確定權(quán)重。[0038]S3、使影響因子在學(xué)習(xí)樣本中用機器學(xué)習(xí)方法訓(xùn)練權(quán)重，用期望輸出與實際輸出差異引導(dǎo)著學(xué)習(xí)過程，權(quán)重值會伴隨學(xué)習(xí)速度和失敗次數(shù)而不停更新,使權(quán)重伴隨環(huán)境改變而實現(xiàn)偏差糾正，達成信用分值和級別越來越準(zhǔn)確。[0039]S4、計算企業(yè)信用偏離度和可調(diào)式關(guān)鍵指數(shù)，企業(yè)偏離度相對于行業(yè)偏離度形成安全區(qū)間，時間軸上偏離度以線性函數(shù)存在，經(jīng)過函數(shù)預(yù)測算法能夠確定未來周期內(nèi)受評主體信用情況，達成企業(yè)信用風(fēng)險預(yù)測。[0040]S5、依照企業(yè)信用影響原因和數(shù)據(jù)、影響企業(yè)信用原因權(quán)重系數(shù)、企業(yè)信用風(fēng)險監(jiān)測預(yù)警偏離度分析當(dāng)前企業(yè)信用水平，以評定匯報形式展現(xiàn)。在場景預(yù)測法基礎(chǔ)上，使評定匯報模塊化，伴隨受評主體在大公中央數(shù)據(jù)庫信息改變，經(jīng)過評級指標(biāo)運算結(jié)果，對應(yīng)評定匯報各模塊隨之改變，整個過程脫離信用分析師主觀意識，直接由數(shù)據(jù)決定評定匯報，用自然語言生成技術(shù)對評定匯報優(yōu)化，從而實現(xiàn)高質(zhì)量評定匯報自動生成。[0041]步驟S1中，獲取是影響企業(yè)信用影響原因和數(shù)據(jù)，所謂影響原因數(shù)據(jù)是指對企業(yè)信用評定指標(biāo)體系中償債環(huán)境、償債起源、財富創(chuàng)造能力和償債能力眾影響原因。[0042]所述企業(yè)信用影響原因數(shù)據(jù)能夠為不一樣預(yù)設(shè)時間段內(nèi)影響原因數(shù)據(jù)，這么話，步驟S1可詳細包含：[0043]獲取企業(yè)信用評定不一樣預(yù)設(shè)時間段內(nèi)所述信用評定指標(biāo)體系中償債環(huán)境、償債起源、財富創(chuàng)造能力和償債能力影響原因數(shù)據(jù)；說明書 5/7頁[0044]對不一樣預(yù)設(shè)時間段內(nèi)所述企業(yè)信用影響原因數(shù)據(jù)進行預(yù)處理；[0045]依照預(yù)處理后企業(yè)信用影響原因數(shù)據(jù)，在所在行業(yè)對應(yīng)知識庫內(nèi)進行數(shù)據(jù)智能識別和數(shù)據(jù)分類；[0046]定量數(shù)據(jù)和多個教授打分后定性數(shù)據(jù)用貝葉斯算法進行運算，輸出企業(yè)信用評級分值、級別、級別含義；[0047]依照企業(yè)信用評級分值大小，形成企業(yè)信用排行榜；[0048]可視化輸出信用數(shù)據(jù)分析結(jié)論。[0049]上述過程中預(yù)處理能夠為指標(biāo)規(guī)范化處理。[0050]步驟S1可詳細包含：[0051]制作層次結(jié)構(gòu)模型；[0052]判斷矩陣生成及兩兩比較數(shù)據(jù)輸入；[0053]判斷矩陣一致性百分比及排序權(quán)重計算；[0054]不一致判斷矩陣自動修正，在最大程度保留教授決議數(shù)據(jù)前提下修正判斷矩陣使之滿足一致性百分比。標(biāo)識需要修正判斷矩陣，整個修正過程自動完成；[0055]殘缺但可接收判斷矩陣計算，采取缺失項最大百分比來限制自動補全條件，表示一個殘缺矩陣只有其中缺失項所占百分比小于此參數(shù)值時才能使用自動補全功效；[0056]總目標(biāo)或子目標(biāo)排序權(quán)重計算，不論是備選方案對總目標(biāo)排序權(quán)重，還是備選方案對層次結(jié)構(gòu)中其余非方案層要素排序權(quán)重，都能夠快速地計算完成。而且能夠查看詳細判斷矩陣數(shù)據(jù)、中間計算數(shù)據(jù)以及最終計算結(jié)果；[0057]依照總目標(biāo)或子目標(biāo)排序權(quán)重加權(quán)分?jǐn)?shù)計算，計算出總目標(biāo)/子目標(biāo)排序權(quán)重后，還能夠深入計算加權(quán)分?jǐn)?shù)，也就是依照備選方案權(quán)重和備選方案實際得分，計算最終加權(quán)得分；[0058]生成結(jié)論，導(dǎo)出權(quán)重計算數(shù)據(jù)。[0059]步驟S3中，如圖2所表示，預(yù)先設(shè)置機器學(xué)習(xí)模型建立過程大致包含：在影響因子學(xué)習(xí)樣本中用機器學(xué)習(xí)方法訓(xùn)練權(quán)重，用期望輸出與實際輸出差異引導(dǎo)著學(xué)習(xí)過程，權(quán)重值會伴隨學(xué)習(xí)速度和失敗次數(shù)而不停更新,使權(quán)重伴隨環(huán)境改變而實現(xiàn)偏差糾正，直到全部誤差小于一個預(yù)設(shè)極小值，模型收斂，至此模型建立完成。利用該機器學(xué)習(xí)模型對影響原因權(quán)重系數(shù)進行分析，便得到了權(quán)重系數(shù)優(yōu)化。說明書 6/7頁[0060]步驟S4中，企業(yè)信用評定偏離度是指每一個償債起源與財富創(chuàng)造能力距離。給偏離度數(shù)學(xué)建模，實現(xiàn)主要因子能夠調(diào)整偏離度指數(shù)，依照偏離度在時間軸上線性函數(shù)曲線走勢，進行預(yù)測，企業(yè)偏離度伴隨時間而發(fā)生改變，與行業(yè)和其余企業(yè)做比較，擁有安全區(qū)間。[0061]步驟S5中，用場景預(yù)測法對不一樣級別偏離度進行定義，眾多場景模塊式組成評級匯報，用自然語言生成技術(shù)對評級匯報優(yōu)化，從而自動生成高質(zhì)量評級匯報，最大可能排除評定分析師主觀干擾。[0062]本創(chuàng)造還提供一個基于大數(shù)據(jù)企業(yè)信用評定系統(tǒng)，如圖3所表示，該系統(tǒng)100包含：[0062]數(shù)字化智能評定單元101，用于獲取企業(yè)信用評定影響原因和數(shù)據(jù)，對數(shù)據(jù)做標(biāo)準(zhǔn)化處理，對影響原因智能識別和數(shù)據(jù)分類，計算企業(yè)信用綜合評分和級別，生成企業(yè)信用在同行業(yè)排行榜，可視化輸出信用信息分析結(jié)論；[0063]數(shù)字化評級權(quán)重自動生成單元102，依照層次分析模型構(gòu)建指標(biāo)體系，以教授打分和層次分析相結(jié)合方法，對企業(yè)信用評定指標(biāo)體系中償債環(huán)境、償債起源、財富創(chuàng)造能力和償債能力眾影響原因權(quán)重系數(shù)進行計算；[0064]數(shù)字化評級機器學(xué)習(xí)權(quán)重優(yōu)化單元103，用于優(yōu)化企業(yè)信用影響原因權(quán)重，使權(quán)重伴隨環(huán)境改變而實現(xiàn)偏差糾正，達成信用分值和級別越來越準(zhǔn)確；[0065]信用風(fēng)險監(jiān)測預(yù)警單元104，是依靠于線性函數(shù)預(yù)測算法風(fēng)險預(yù)測系統(tǒng)，基于偏離度及可調(diào)式關(guān)鍵指數(shù)，經(jīng)過函數(shù)預(yù)測算法確定未來周期內(nèi)受評主體信用情況，達成信用風(fēng)險預(yù)測效果；[0066]評定匯報自然語言生成單元105