本技術(shù)涉及人工智能，特別涉及一種對象評級方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、隨著金融科技，尤其是互聯(lián)網(wǎng)科技金融的不斷發(fā)展，越來越多的技術(shù)應(yīng)用在金融領(lǐng)域，但金融業(yè)也對技術(shù)提出了更高的要求，如金融業(yè)對企業(yè)評級也有更高的要求。然而現(xiàn)有技術(shù)中，需要由金融從業(yè)人員來對企業(yè)進行評級，這種方法不但存在主觀性較強的問題，而且還需要評級人員花費大量時間來對企業(yè)經(jīng)營相關(guān)的資源進行篩選和分析，影響企業(yè)評級效率和準確性。

2、因而現(xiàn)有技術(shù)還有待改進和提高。

技術(shù)實現(xiàn)思路

1、本技術(shù)要解決的技術(shù)問題在于，針對現(xiàn)有技術(shù)的不足，提供一種對象評級方法、裝置、設(shè)備及存儲介質(zhì)。

2、為了解決上述技術(shù)問題，本技術(shù)第一方面提供了一種對象評級方法，其中，所述的對象評級方法具體包括：

3、基于已有評級報告構(gòu)建評級方法集，所述評級方法集包括若干評級方法和各評級方法對應(yīng)的若干評分項，所述評分項包括多個評分數(shù)據(jù)目標評級方法所；

4、根據(jù)所述評級方法集確定待評級對象對應(yīng)的目標評級方法及所述目標評級方法對應(yīng)的目標評分項；

5、獲取所述目標評分項中第一量化類別的第一目標評分項，確定所述第一目標評分項的第一目標評分數(shù)據(jù)，并基于所述第一目標評分數(shù)據(jù)和預設(shè)大語言模型對待評級對象進行評分，確定第一評分；

6、獲取所述目標評分項中第二量化類別的第二目標評分項，確定所述第二目標評分項的第二目標評分數(shù)據(jù)，并基于所述第二目標評分數(shù)據(jù)對待評級對象進行評分，確定第二評分；

7、根據(jù)所述第一評分和所述第二評分，確定所述待評級對象的評分等級。

8、所述的對象評級方法，其中，所述基于已有評級報告構(gòu)建評級方法集具體包括：

9、獲取若干已有評級報告；

10、分別獲取每個已有評級報告的檢測目標和所述檢測目標對應(yīng)的檢測數(shù)據(jù)，其中，所述檢測目標包括標題、自然段及表格，所述檢測數(shù)據(jù)包括類別信息、位置信息和文本內(nèi)容；

11、基于每個已有評級報告的所有檢測目標的檢測數(shù)據(jù)確定每個已有評級報告所采用的評級方法、所述評級方法對應(yīng)的若干評分項以及所述評分項的多個評分數(shù)據(jù)；

12、根據(jù)確定的各評級方法、各所述評級方法對應(yīng)的若干評分項以及所述評分項的多個評分數(shù)據(jù)構(gòu)建評級方法集。

13、所述的對象評級方法，其中，所述分別獲取所述每個已有評級報告的檢測目標和所述檢測目標對應(yīng)的檢測數(shù)據(jù)，具體包括：

14、將每個所述已有評級報告輸入經(jīng)過訓練的文本布局檢測模型，通過所述文本布局檢測模型輸出所述每個已有評級報告中的檢測目標以及所述檢測目標的類別信息和位置信息；

15、基于各所述檢測目標的位置信息分別在對應(yīng)的已有評級報告中提取各所述檢測目標的文本內(nèi)容；

16、將所述類別信息、所述位置信息和所述文本內(nèi)容作為檢測目標的檢測數(shù)據(jù)，以得到每個已有評級報告的檢測目標和所述檢測目標對應(yīng)的檢測數(shù)據(jù)。

17、所述的對象評級方法，其中，所述經(jīng)過訓練的文本布局檢測模型，具體包括：

18、獲取文本布局數(shù)據(jù)集，其中，所述文本布局數(shù)據(jù)集包括若干訓練文本以及訓練文本對應(yīng)的標注目標信息；

19、使用所述文本布局數(shù)據(jù)中的訓練文本對預設(shè)目標檢測模型進行訓練，得到經(jīng)過訓練的文本布局檢測模型。

20、所述的對象評級方法，其中，所述基于每個已有評級報告的所有檢測目標的檢測數(shù)據(jù)確定每個已有評級報告所采用的評級方法、所述評級方法對應(yīng)的若干評分項以及所述評分項的多個評分數(shù)據(jù)具體包括：

21、基于所述自然段的檢測數(shù)據(jù)，確定所述已有評級報告所采用的評級方法；

22、基于所述檢測目標的檢測數(shù)據(jù)，確定所述評級方法對應(yīng)的若干評分項及評分項的多個評分數(shù)據(jù)。

23、所述的對象評級方法，其中，所述評分數(shù)據(jù)包括評分項名稱、評分值、評分依據(jù)及量化數(shù)據(jù)，所述基于所述檢測目標的檢測數(shù)據(jù)，確定所述評級方法對應(yīng)的若干評分項及評分項的評分數(shù)據(jù)，具體包括：

24、基于所述表格的檢測數(shù)據(jù)確定所述評級方法對應(yīng)的若干評分項及各評分項的評分項名稱及評分值；

25、基于所述標題和所述自然段的檢測數(shù)據(jù)確定各評分項的評分依據(jù)；

26、獲取各評分項對應(yīng)的評級量化方法，并基于所述評級量化方法通過預設(shè)大語言模型確定各評分項的量化數(shù)據(jù)。

27、所述的對象評級方法，其中，所述基于所述標題和所述自然段的檢測數(shù)據(jù)確定各評分項的評分依據(jù)具體包括：

28、確定各評分項對應(yīng)的目標標題，并獲取所述目標標題對應(yīng)的目標自然段；

29、基于所述目標標題的檢測數(shù)據(jù)中的文本內(nèi)容與所述目標自然段的檢測數(shù)據(jù)中的文本內(nèi)容，確定所述評分項名稱的評分依據(jù)。

30、所述的對象評級方法，其中，所述確定各評分項對應(yīng)的目標標題，并獲取所述目標標題對應(yīng)的目標自然段具體包括：

31、獲取所述已有評級報告的結(jié)構(gòu)化目錄，其中，所述結(jié)構(gòu)化目錄由多級標題及各級標題包含的內(nèi)容組成；

32、根據(jù)各評分項的評分項名稱和所述結(jié)構(gòu)化目錄，確定所述各評分項對應(yīng)的目標標題；

33、根據(jù)所述目標標題包含的報告內(nèi)容確定所述目標標題對應(yīng)的目標自然段。

34、所述的對象評級方法，其中，所述結(jié)構(gòu)化目錄的構(gòu)建過程具體包括：

35、確定已有評級報告中的各標題的標題等級，并基于根據(jù)所述各標題的標題等級以及所述各標題的位置信息確定各標題間的從屬關(guān)系以及各標題包含的內(nèi)容；

36、基于各標題間的從屬關(guān)系及各標題包含的內(nèi)容，構(gòu)建所述已有評級報告的結(jié)構(gòu)化目錄。

37、所述的對象評級方法，其中，所述確定已有評級報告中的各標題的標題等級具體包括：

38、獲取各標題的標題字號和標題序號；

39、基于所述獲取到的各標題字號和標題序號，確定各標題的標題等級。

40、所述的對象評級方法，其中，所述各標題包含的內(nèi)容的確定過程具體包括：

41、基于各檢測目標的位置信息，將各檢測目標按照在已有評級報告中的先后順序進行排序，以得到檢測目標序列；

42、將所述檢測目標序列中的相鄰的兩個同級標題之間的檢測目標和檢測數(shù)據(jù)作為排序在前的標題包含的內(nèi)容。

43、所述的對象評級方法，其中，所述基于所述第一目標評分數(shù)據(jù)和預設(shè)大語言模型對待評級對象進行評分，確定第一評分具體包括：

44、獲取所述第一目標評分項對應(yīng)的若干關(guān)鍵詞；

45、基于所述待評級對象的對象名稱和所述若干關(guān)鍵詞，確定關(guān)于若干關(guān)鍵詞的總結(jié)文本；

46、基于所述總結(jié)文本，在所述評級方法集中為所述第一目標評分項選取第一目標評分數(shù)據(jù)；

47、基于所述總結(jié)文本及所述第一目標評分數(shù)據(jù)，通過預設(shè)大語言模型對待評級對象進行評分，確定第一評分。

48、所述的對象評級方法，其中，所述基于所述總結(jié)文本及所述第一目標評分數(shù)據(jù)，通過預設(shè)大語言模型對待評級對象進行評分，確定第一評分具體包括：

49、為所述第一目標評分項構(gòu)建評分提示詞；

50、將所述評分提示詞、第一目標評分項和第一目標評分項的第一目標評分數(shù)據(jù)以及所述總結(jié)文本進行拼接后輸入預設(shè)大語言模型，通過所述預設(shè)大語言模型輸出所述第一目標評分項的第一評分。

51、所述的對象評級方法，其中，所述獲取所述第一目標評分項對應(yīng)的若干關(guān)鍵詞具體包括：

52、在所述評級方法集中選取所述第一目標評分項對應(yīng)的所有評分數(shù)據(jù)，并將所述第一目標評分數(shù)據(jù)中的評分依據(jù)進行分詞以得到若干詞語；

53、分別計算各詞語與所述第一目標評分項的評分項名稱的相似度以及各詞語的詞頻-逆文件頻率；

54、基于各詞語的所述相似度和所述詞頻-逆文件頻率，確定各詞語的重要度；

55、基于各詞語的重要度在若干詞語中選取若干關(guān)鍵詞，以得到第一目標評分項對應(yīng)的若干關(guān)鍵詞。

56、所述的對象評級方法，其中，所述基于所述待評級對象的對象名稱和所述若干關(guān)鍵詞，確定關(guān)于若干關(guān)鍵詞的總結(jié)文本具體包括：

57、基于所述待評級對象的對象名稱和若干關(guān)鍵詞，搜索所述待評級對象的文本資源；

58、將搜索到的文本資源劃分為若干自然段，并基于所述對象名稱和若干關(guān)鍵詞在所述若干自然段中選取預設(shè)數(shù)量的代表自然段；

59、基于所述預設(shè)數(shù)量的代表自然段和所述若干關(guān)鍵詞，通過預設(shè)大語言模型確定關(guān)于若干關(guān)鍵詞的總結(jié)文本。

60、所述的對象評級方法，其中，所述基于所述第二目標評分數(shù)據(jù)對待評級對象進行評分，確定第二評分具體包括：

61、獲取所述第二目標評分數(shù)據(jù)中的量化數(shù)據(jù)，其中，所述量化數(shù)據(jù)包括評級量化方法對應(yīng)的代碼函數(shù)以及評級量化方法所需的量化指標；

62、獲取所述量化指標對應(yīng)的量化指標數(shù)據(jù)；

63、將所述量化指標數(shù)據(jù)作為所述代碼函數(shù)的輸入，得到所述第二目標評分項的第二評分。

64、所述的對象評級方法，其中，所述根據(jù)所述第一評分和所述第二評分，確定所述待評級對象的評分等級具體包括：

65、將所述第一評分和所述第二評分進行加權(quán)，得到最終評分；

66、按照預設(shè)的評分等級與評分的對應(yīng)關(guān)系，確定所述最終評分對應(yīng)的評分等級，以得到所述待評級對象的評分等級。

67、本技術(shù)第二方面提供了一種對象評級裝置，其中，所述的對象評級裝置具體包括：

68、構(gòu)建模塊，用于基于已有評級報告構(gòu)建評級方法集，所述評級方法集包括若干評級方法和各評級方法對應(yīng)的若干評分項，所述評分項包括多個評分數(shù)據(jù)目標評級方法所；

69、評級方法確定模塊，用于根據(jù)所述評級方法集確定待評級對象對應(yīng)的目標評級方法及所述目標評級方法對應(yīng)的目標評分項；

70、第一處理模塊，用于獲取所述目標評分項中第一量化類別的第一目標評分項，確定所述第一目標評分項的第一目標評分數(shù)據(jù)，并基于所述第一目標評分數(shù)據(jù)和預設(shè)大語言模型對待評級對象進行評分，確定第一評分；

71、第二處理模塊，用于獲取所述目標評分項中第二量化類別的第二目標評分項，確定所述第二目標評分項的第二目標評分數(shù)據(jù)，并基于所述第二目標評分數(shù)據(jù)對待評級對象進行評分，確定第二評分；

72、等級確定模塊，用于根據(jù)所述第一評分和所述第二評分，確定所述待評級對象的評分等級。

73、本技術(shù)第三方面提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執(zhí)行，以實現(xiàn)如上任一所述的對象評級方法中的步驟。

74、本技術(shù)第四方面提供了一種終端設(shè)備，其包括：處理器和存儲器；

75、所述存儲器上存儲有可被所述處理器執(zhí)行的計算機可讀程序；

76、所述處理器執(zhí)行所述計算機可讀程序時實現(xiàn)如上任一所述的對象評級方法中的步驟。

77、有益效果：

78、1、本技術(shù)以從已有對象（如企業(yè)）評估報告中提取到的對象評級方法作為先驗知識，通過大語言模型來確定待評級對象（如企業(yè)）的評分等級，減少了對象評級對評級人員的專業(yè)能力的依賴。

79、2、本技術(shù)以基于評分項對待評估評級對象（如企業(yè)）企業(yè)的相關(guān)資料進行篩選和整合來確定用于評級的關(guān)鍵資源信息，這樣可以減少花費在對象經(jīng)營相關(guān)的資源篩選和分析上的時間，提升了影響企業(yè)對象評級效率和準確性。

80、3、本技術(shù)采用反映經(jīng)營狀況的總結(jié)文本在所有評分數(shù)據(jù)中選取與待評級對象具有相同經(jīng)營狀態(tài)的對象的目標評分數(shù)據(jù)，并將這些目標評分數(shù)據(jù)作為大模型的先驗知識，可以保證相同經(jīng)營狀況的對象的評分結(jié)果的一致性，提高了待評級對象的評級準確性。