[发明专利]信用状况评估方法及装置

权利要求书

1.一种信用状况评估方法，其特征在于，包括：

实时爬取与目标主体相关联的在第一预设时间段内的所有新闻 数据；

对所爬取的每条新闻数据进行分词处理；

利用预设的利好利空分类模型对经分词处理后的每条新闻数据 进行分类处理，对所得到的与所述每条新闻数据相对应的利好状况 或利空状况进行统计得到与所述目标主体相关联的消息面利好或利 空指数；

获取与所述目标主体相关联的多个当前固定收益因子；

利用预设的信用评估模型，根据所述消息面利好或利空指数以 及所述多个当前固定收益因子评估所述目标主体的信用状况。

2.根据权利要求1所述的方法，其特征在于，在对所爬取的每 条新闻数据进行分词处理之后，所述方法还包括：

将经分词处理的每条新闻数据与预设事件库中的关键事件的数 据相匹配，每当一条经分词处理的新闻数据与一个所述关键事件的 数据相匹配时，向持有由所述目标主体发行的固定收益类产品的用 户推送与该关键事件相对应的通知。

3.根据权利要求1所述的方法，其特征在于，在评估得到所述 目标主体的信用状况之后，所述方法还包括：

将所述目标主体的信用状况推送至持有由所述目标主体发行的 固定收益类产品的用户。

4.根据权利要求3所述的方法，其特征在于，在所述将所述目 标主体的信用状况推送至持有由所述目标主体发行的固定收益类产 品的用户的同时，将所爬取的新闻数据中最新的新闻数据推送至所 述用户。

5.根据权利要求1所述的方法，其特征在于，所述实时爬取与 所述目标主体相关联的在第一预设时间段内的所有新闻数据，包括：

从各政府机构网站、财经网站、所述目标主体的门户网站、以 及社交媒体网站中的一个或几个的组合中实时爬取与所述目标主体 相关联的在第一预设时间段内的所有新闻数据。

6.根据权利要求1所述的方法，其特征在于，所述预设的利好 利空分类模型是通过以下步骤预先建立的：

获取针对固定收益业务的多个利好利空消息样本，每个所述利 好利空消息样本包括一条已分词的与一个主体相关联的第一历史新 闻数据和与该已分词的第一历史新闻数据相对应的已确定利好或利 空状况；

将所述多个利好利空消息样本分为一组训练用利好利空消息样 本以及一组测试用利好利空消息样本；

利用所述一组训练用利好利空消息样本对贝叶斯模型或 adaboosting模型进行训练，利用所述一组测试用利好利空消息样本 对经训练的贝叶斯模型或adaboosting模型进行检验，并在检验结果 满足第一预设条件时将所述经训练的贝叶斯模型或adaboosting模 型设定为所述预设的利好利空分类模型。

7.根据权利要求1所述的方法，其特征在于，所述预设的信用 评估模型是通过以下步骤预先建立的：

获取多条历史样本数据，每条所述历史样本数据与一个样本主 体相对应，并包括与该样本主体相关联的历史消息面利好或利空指 数、多个历史固定收益因子、以及历史实际信用状况，所述历史固 定收益因子为所述历史实际信用状况的确定时间点处对应的固定收 益因子，

其中所述历史消息面利好或利空指数是通过对历史爬取的在第 二预设时间段内的所有第二历史新闻数据进行分词处理、利用所述 预设的利好利空分类模型对经分词处理的每条第二历史新闻数据进 行分类处理并对分类后的结果进行统计得到的，每条所述第二历史 新闻数据均与所述样本主体相关联，所述第二预设时间段的截止时 间点早于且紧邻所述历史实际信用状况的确定时间点，

将所述多条历史样本数据分为一组训练样本数据和一组测试样 本数据；

利用所述一组训练样本数据对神经网络模型进行训练，利用所 述一组测试样本数据检验经训练的神经网络模型，并在检验结果满 足第二预设条件时将所述经训练的神经网络模型设定为所述预设的 信用评估模型。