[发明专利]一种基于文本相似度的资料虚假识别系统及方法

权利要求书

1.一种基于文本相似度的资料虚假识别系统，其特征在于，包括：

数据采集模块：用于汇总所有客户文本信息；

同质聚类模块：用于将数据采集模块采集到的文本信息进行同质聚类；

相似度计算模块：用于对同类的文本信息进行相似度计算，并构造相似度特征；

资料虚假模型模块：用于根据相似度特征构建资料虚假模型并输出模型分析的结果；

决策模块：用于根据模型分析的结果对客户风险进行评估并进行决策。

2.一种基于文本相似度的资料虚假识别方法，其特征在于，包括以下步骤：

步骤1：当客户发起一笔授信时，数据采集模块汇总来自于各个来源的客户文本信息；

步骤2：同质聚类模块对步骤1中采集到的文本信息进行同质聚类；

步骤3：基于同质聚类后的文本信息，进行同簇间文本信息的两两相似度计算，并构造同簇类相似度特征；

步骤4：基于相似度特征，构建资料虚假模型，输出模型分析的结果；

步骤5：当客户发起一笔授信申请时，根据资料虚假模型输出的结果对客户风险进行评估，输出风险结果，并根据风险结果进行决策。

3.根据权利要求1所述的一种基于文本相似度的资料虚假识别方法，其特征在于，步骤1中所述的客户文本信息包括客户提交的资料信息、金融机构采集的信息和征信机构查询的信息，客户提交的资料信息包括公司名称、公司地址、联系人电话、联系人姓名和身份证号，金融机构采集的信息包括客户的IP地址、GPS经纬度，征信机构查询的信息包括手机号列表和工作地址列表。

4.根据权利要求1所述的一种基于文本相似度的资料虚假识别方法，其特征在于，步骤2具体为：将步骤1中收集到的文本信息进行同质聚类，分为手机号类信息、姓名类信息、公司名称类信息以及地址明细类信息。

5.根据权利要求4所述的一种基于文本相似度的资料虚假识别方法，其特征在于，所述手机号类信息为该客户关联的所有手机号类的文本信息；所述姓名类信息为该客户关联的所有姓名类的文本信息；所述公司名称类信息为该客户关联的所有公司名称类的文本信息；所述地址明细类信息为该客户关联的所有地址明细类的文本信息。

6.根据权利要求1所述的一种基于文本相似度的资料虚假识别方法，其特征在于，步骤3具体包括以下步骤：

步骤3.1：选择度量文本相似度的方法；

步骤3.2：采用步骤3.1中选择的方法，计算每簇文本信息中任意两个文本信息的相似度，得到原始相似度特征；

步骤3.3：对每簇生成的相似度特征，进行统计加工生成深度加工相似度特征。

7.根据权利要求1所述的一种基于文本相似度的资料虚假识别方法，其特征在于，步骤4具体包括以下步骤：

步骤4.1：基于步骤3得到的相似度特征定义资料虚假目标变量，定义任意维度的信息虚假为总模型的资料虚假目标变量，定义某一单维度的信息虚假为子模型的资料虚假目标变量；

步骤4.2：选择一种有监督的机器学习算法，基于总模型的资料虚假目标变量以及子模型的资料虚假目标变量，构建资料虚假模型；

步骤4.3：针对每个资料虚假目标变量构建目标变量模型，资料虚假模型针对每个目标变量模型输出一个模型分析的结果。

8.根据权利要求7所述的一种基于文本相似度的资料虚假识别方法，其特征在于，步骤4.3中所述模型分析的结果包括：资料虚假模型集结果、资料虚假总模型的目标变量名称、资料虚假总模型的模型分、资料虚假总模型的风险等级、子模型的模型名称、子模型的模型分以及子模型的风险等级，并将所述结果以数组或数据库表的数据结构形式保存在存储空间中。

9.根据权利要求8所述的一种基于文本相似度的资料虚假识别方法，其特征在于，所述模型分取值为0-100分，通过WOE分箱的方式确定临界点，并根据临界点将模型分划分为低风险段、中风险段和高风险段，所述风险等级根据目标变量模型的模型分所处的风险段确定。

10.根据权利要求8所述的一种基于文本相似度的资料虚假识别方法，其特征在于，步骤5具体为：当客户发起一笔授信申请时，根据资料虚假模型集结果对客户风险进行评估，如果模型结果中任意一个资料虚假模型的风险等级为高风险，则拒绝该客户，否则认为风险等级较弱，通过审核。