[发明专利]用于评估信用风险的深度学习方法

权利要求书

1.一种被配置为利用文档模型和企业模型来评估实体的信用质量的系统，所述系统包括：

一个或多个物理计算机处理器，所述一个或多个物理计算机处理器由计算机可读指令配置为：

获得与一实体相关的一组文档；

利用文档模型，基于所述一组文档的文本，为所述一组文档生成文档分数和文档表示向量，所述文档分数包括针对所述一组文档中的每一个文档的文档分数，所述文档表示向量包括针对所述一组文档中的每一个文档的文档表示向量，其中，针对单个文档的文档分数表示基于所述单个文档，所述实体发生一个或多个未来财务事件的可能性；

聚合所述文档分数和所述文档表示向量；

创建文档模型状态向量作为所述文档模型的输出，所述文档模型状态向量表示在所述一组文档的每一个文档中以及跨所述一组文档识别的关系；以及

利用企业模型，基于所述文档模型状态向量，产生违约概率分数序列，

所述违约概率分数序列表示一个或多个未来财务事件发生的总体可能性。

2.根据权利要求1所述的系统，其中，利用包括所述文档模型和所述企业模型的神经网络来产生所述违约概率分数序列。

3.根据前述权利要求中任一项所述的系统，其中，所述一个或多个处理器还被配置为：

基于所述违约概率分数序列为所述实体生成企业分数，所述企业分数包括在零(0)和一(1)之间的值，并表示所述实体的违约概率。

4.根据前述权利要求中任一项所述的系统，其中，所述一个或多个未来财务事件包括违约或破产中的一者或多者。

5.根据前述权利要求中任一项所述的系统，其中，为了产生所述违约概率分数序列，所述一个或多个处理器还被配置为：

聚合针对所述实体的所述文档模型状态向量和财务信息，其中，所述违约概率分数序列是基于聚合的所述文档模型状态向量和财务信息确定的。

6.根据前述权利要求中任一项所述的系统，其中，所述一个或多个处理器还被配置为：

利用所述企业模型，基于所述文档模型状态向量生成内部状态向量，其中，所述内部状态向量包括第一企业模型状态向量。

7.根据权利要求6所述的系统，其中，所述一个或多个处理器还被配置为：

将第二文档模型状态向量和所述第一企业模型状态向量输入到所述企业模型中，其中，所述第二文档模型状态向量基于针对第二组文档的、聚合的文档分数和文档表示向量；

利用所述企业模型，至少基于所述第二文档模型状态向量，产生第二违约概率分数序列，所述第二违约概率分数序列表示一个或多个未来财务事件发生的总体可能性；以及

利用所述企业模型，生成第二内部状态向量，所述第二内部状态向量包括基于所述第二文档模型状态向量的第二企业模型状态向量和所述第一企业模型状态向量。

8.根据前述权利要求中任一项所述的系统，其中，所述一个或多个处理器还被配置为：

使用反向传播算法在单个训练步骤中训练所述文档模型和所述企业模型。

9.一种用于利用文档模型和企业模型来评估实体的信用质量的方法，所述方法包括：

获得与一实体相关的一组文档；

利用文档模型，基于所述一组文档的文本，为所述一组文档生成文档分数和文档表示向量，所述文档分数包括针对所述一组文档中的每一个文档的文档分数，所述文档表示向量包括针对所述一组文档中的每一个文档的文档表示向量，其中，给定文档的文档分数表示基于所述给定文档，所述实体发生一个或多个未来财务事件的可能性；

聚合所述文档分数和所述文档表示向量；

创建文档模型状态向量作为所述文档模型的输出，所述文档模型状态向量表示在所述一组文档的每一个文档中以及跨所述一组文档识别的关系；以及

利用企业模型，基于所述文档模型状态向量，产生违约概率分数序列，所述违约概率分数序列表示一个或多个未来财务事件发生的总体可能性。