企业资质审核方法、装置、计算机设备和存储介质

摘要

本申请涉及一种企业资质审核方法、装置、计算机设备和存储介质。所述方法包括：确定待审核企业所申请业务的业务类型；基于所述业务类型对应的资质审核条件选取随机森林模型；获取所述待审核企业的企业维度信息，并通过所述随机森林模型中的至少两个决策树模型分别对所述企业维度信息进行决策，得到各所述决策树模型的决策结果；根据每个所述决策树模型的投票权重对相应的决策结果进行加权处理；依据加权处理后的决策结果，判断所述待审核企业是否具有执行所述申请业务的资质。采用本方法能够提高对企业资质进行审核的审核效率。

说明书

技术领域

本申请涉及计算机技术领域，特别是涉及一种企业资质审核方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，企业或者个人通过各种电商平台或者其他提供交易服务的平台完成交易，平台需要对入驻企业的资质进行审核，以保证交易安全。

传统技术中，企业在向平台申请业务服务时，平台通过人工方式对企业是否具有与所申请的业务服务对应的资质进行审核，但是人工审核的方式效率较低，审核时间较长，无法满足实际需求。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高审核效率的企业资质审核方法、装置、计算机设备和存储介质。

一种企业资质审核方法，所述方法包括：

确定待审核企业所申请业务的业务类型；

基于所述业务类型对应的资质审核条件选取随机森林模型；

获取所述待审核企业的企业维度信息，并通过所述随机森林模型中的至少两个决策树模型分别对所述企业维度信息进行决策，得到各所述决策树模型的决策结果；

根据每个所述决策树模型的投票权重对相应的决策结果进行加权处理；

依据加权处理后的决策结果，判断所述待审核企业是否具有执行所述申请业务的资质。

在一个实施例中，所述基于所述业务类型对应的资质审核条件选取随机森林模型包括：

确定与所述资质审核条件对应的目标企业分群层级；

根据所述目标企业分群层级和所述企业维度信息确定与所述待审核企业匹配的目标企业分群；

获取所述目标企业分群对应的随机森林模型。

在一个实施例中，所述方法还包括：

根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对所述企业库中的各企业进行分群处理；

所述根据所述目标企业分群层级和所述企业维度信息确定与所述待审核企业匹配的目标企业分群包括：

从分群处理所得的企业分群中获取所述目标分群层级下的全部企业分群；

根据所述待审核企业的企业维度信息从所述全部企业分群中选取所述目标企业分群。

在一个实施例中，所述根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对所述企业库中的各企业进行分群处理包括：

根据关联模型确定第一个企业分群层级；

根据企业库中各企业的企业维度信息和所述第一个企业分群层级下的分群条件，对所述企业库中的各企业进行分群，得到所述第一个分群层级下的企业分群；

从根据所述关联模型确定的第二个企业分群层级开始，根据当前企业分群层级下的分群条件和所述企业库中各企业的企业维度信息，对所述当前企业分群层级的上一企业分群层级下的企业分群再次进行分群，直到最后一个企业分群层级。

在一个实施例中，所述获取所述目标企业分群对应的随机森林模型之前，所述方法还包括：

根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对所述企业库中的各企业进行分群处理，得到至少一个企业分群；

针对所述至少一个企业分群中的每个企业分群，根据针对的企业分群中企业的企业维度信息生成与所述针对的企业分群对应的随机森林模型；

所述获取所述目标企业分群对应的随机森林模型包括：

从所述至少一个企业分群对应的随机森林模型中选取所述目标企业分群对应的随机森林模型。

在一个实施例中，所述根据针对的企业分群中企业的企业维度信息生成与所述针对的企业分群对应的随机森林模型包括：

从所述针对的企业分群中选取部分企业作为训练样本，并将未被选取的剩余企业作为测试样本；

从所述训练样本中有放回地抽取企业，得到至少两份决策树样本；

针对所述至少两份决策树样本中的每个决策树样本，根据针对的决策树样本中企业对应的企业维度信息生成决策树模型；

基于所述测试样本对生成的各决策树模型进行测试，得到审核正确率；所述审核正确率为所述生成的各决策树模型，对所述测试样本中各企业是否具有执行所述申请业务的资质进行审核的正确率；

在所述生成的各决策树模型中，将所述审核正确率小于正确率阈值时所对应的决策树模型删除；

根据删除后剩余的各决策树模型组合得到随机森林模型；所述随机森林模型中的各决策树模型具有投票权重，所述投票权重是根据删除后剩余的各决策树模型对应的审核正确率计算所得。

在一个实施例中，所述根据针对的决策树样本中企业对应的企业维度信息生成决策树模型包括：

创建决策根节点；所述决策根节点对应的根节点决策条件，是根据所述针对的决策树样本中企业对应的企业维度信息确定的决策特征所得的；

通过所述决策根节点对应的所述根节点决策条件对所述针对的决策树样本中的企业进行决策，以根据决策所得的决策信息创建子节点；

当创建的子节点满足递归停止条件时，确定所述满足递归停止条件的子节点为叶子节点；

当创建的子节点不满足所述递归停止条件时，确定不满足所述递归停止条件的子节点为中间节点，基于所述中间节点对应的决策条件对流入所述中间节点的决策信息进行决策，以使依据所述中间节点进行决策所得的决策信息创建的子节点满足所述递归停止条件时，将所述中间节点进行决策所得的决策信息创建的子节点确定为叶子节点；

生成由所述决策根节点、所述中间节点和所述叶子节点组成的决策树模型。

一种企业资质审核装置，所述装置包括：

确定模块，用于确定待审核企业所申请业务的业务类型；

选取模块，用于基于所述业务类型对应的资质审核条件选取随机森林模型；

获取模块，用于获取所述待审核企业的企业维度信息，并通过所述随机森林模型中的至少两个决策树模型分别对所述企业维度信息进行决策，得到各所述决策树模型的决策结果；

加权处理模块，用于根据每个所述决策树模型的投票权重对相应的决策结果进行加权处理；

判断模块，用于依据加权处理后的决策结果，判断所述待审核企业是否具有执行所述申请业务的资质。

在一个实施例中，所述选取模块，还用于：

确定与所述资质审核条件对应的目标企业分群层级；

根据所述目标企业分群层级和所述企业维度信息确定与所述待审核企业匹配的目标企业分群；

获取所述目标企业分群对应的随机森林模型。

在一个实施例中，所述装置还包括：

分群处理模块，用于根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对所述企业库中的各企业进行分群处理；

所述选取模块，还用于从分群处理所得的企业分群中获取所述目标分群层级下的全部企业分群；根据所述待审核企业的企业维度信息从所述全部企业分群中选取所述目标企业分群。

在一个实施例中，所述分群处理模块，还用于：

根据关联模型确定第一个企业分群层级；

根据企业库中各企业的企业维度信息和所述第一个企业分群层级下的分群条件，对所述企业库中的各企业进行分群，得到所述第一个分群层级下的企业分群；

从根据所述关联模型确定的第二个企业分群层级开始，根据当前企业分群层级下的分群条件和所述企业库中各企业的企业维度信息，对所述当前企业分群层级的上一企业分群层级下的企业分群再次进行分群，直到最后一个企业分群层级。

在一个实施例中，所述装置还包括：

所述分群处理模块，还用于根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对所述企业库中的各企业进行分群处理，得到至少一个企业分群；

生成模块，用于针对所述至少一个企业分群中的每个企业分群，根据针对的企业分群中企业的企业维度信息生成与所述针对的企业分群对应的随机森林模型；

所述获取模块，还用于：

从所述至少一个企业分群对应的随机森林模型中选取所述目标企业分群对应的随机森林模型。

在一个实施例中，所述生成模块，还用于：

从所述针对的企业分群中选取部分企业作为训练样本，并将未被选取的剩余企业作为测试样本；

从所述训练样本中有放回地抽取企业，得到至少两份决策树样本；

针对所述至少两份决策树样本中的每个决策树样本，根据针对的决策树样本中企业对应的企业维度信息生成决策树模型；

基于所述测试样本对生成的各决策树模型进行测试，得到审核正确率；所述审核正确率为所述生成的各决策树模型，对所述测试样本中各企业是否具有执行所述申请业务的资质进行审核的正确率；

在所述生成的各决策树模型中，将所述审核正确率小于正确率阈值时所对应的决策树模型删除；

根据删除后剩余的各决策树模型组合得到随机森林模型；所述随机森林模型中的各决策树模型具有投票权重，所述投票权重是根据删除后剩余的各决策树模型对应的审核正确率计算所得。

在一个实施例中，所述生成模块，还用于：

创建决策根节点；所述决策根节点对应的根节点决策条件，是根据所述针对的决策树样本中企业对应的企业维度信息确定的决策特征所得的；

通过所述决策根节点对应的所述根节点决策条件对所述针对的决策树样本中的企业进行决策，以根据决策所得的决策信息创建子节点；

当创建的子节点满足递归停止条件时，确定所述满足递归停止条件的子节点为叶子节点；

当创建的子节点不满足所述递归停止条件时，确定不满足所述递归停止条件的子节点为中间节点，基于所述中间节点对应的决策条件对流入所述中间节点的决策信息进行决策，以使依据所述中间节点进行决策所得的决策信息创建的子节点满足所述递归停止条件时，将所述中间节点进行决策所得的决策信息创建的子节点确定为叶子节点；

生成由所述决策根节点、所述中间节点和所述叶子节点组成的决策树模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述企业资质审核方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述企业资质审核方法的步骤。

上述实施例中，服务器对待审核企业的企业资质进行审核时，首先确定待审核企业所申请业务的业务类型，基于业务类型对应的资质审核条件选取随机森林模型。然后，服务器将获取的待审核企业的企业维度信息输入随机森林模型，并通过随机森林模型中的至少两个决策树模型分别对企业维度信息进行决策，得到各决策树模型的决策结果。最后，服务器根据每个决策树模型的投票权重对相应的决策结果进行加权处理，依据加权处理后的决策结果，判断待审核企业是否具有执行申请业务的资质。服务器通过调用随机森林模型对待审核企业的企业资质进行审核，缩短了审核时间，降低了工作量，提高了审核的效率。并且服务器根据待审核企业所申请的业务类型有针对性的选取随机森林模型，使选取的随机森林模型针对待审核企业所申请的业务类型对企业资质进行审核，提高了审核结果的准确性。

附图说明

图1为一个实施例中企业资质审核方法的流程示意图；

图2为一个实施例中获取随机森林模型步骤的流程示意图；

图3为一个实施例中获取待审核企业对应的目标企业分群的方法的流程示意图；

图4为一个实施例中根据关联模型对企业库中企业进行分群的流程示意图；

图5为一个实施例中选取与目标企业分群对应的随机森林模型的流程示意图；

图6为一个实施例中生成随机森林模型的流程示意图；

图7为一个实施例中生成决策树模型的流程示意图；

图8为一个实施例中对待审核企业进行审核的流程示意图；

图9为一个实施例中企业资质审核装置的结构框图；

图10为另一个实施例中企业资质审核装置的结构框图；

图11为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的企业资质审核方法，服务器对待审核企业的企业资质进行审核时，首先确定待审核企业所申请业务的业务类型，基于业务类型对应的资质审核条件选取随机森林模型。然后，服务器将获取的待审核企业的企业维度信息输入随机森林模型，并通过随机森林模型中的至少两个决策树模型分别对企业维度信息进行决策，得到各决策树模型的决策结果。最后，服务器根据每个决策树模型的投票权重对相应的决策结果进行加权处理，依据加权处理后的决策结果，判断待审核企业是否具有执行申请业务的资质。其中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图1所示，提供了一种企业资质审核方法，包括以下步骤：

S102，服务器确定待审核企业所申请业务的业务类型。

其中，当企业向交易平台申请业务服务时，交易平台需要对企业资质进行审核，以确定申请业务服务的企业是否具有获得所申请的业务服务的资质。待审核企业是已经向交易平台提交了请求获取特定业务服务的申请，等待交易平台对该企业是否具有相应资质进行审核的企业。

其中，业务类型是按照该业务所提供的服务对业务进行的划分。例如可以是注册业务；例如还可以是金融业务，例如，货款代收业务等；例如还可以是仓储业务或者物流服务业务等。

S104，服务器基于业务类型对应的资质审核条件选取随机森林模型。

其中，资质审核条件是针对不同的业务类型对待审核企业进行审核时的条件。例如，待审核企业申请注册业务时，采用一级资质审核条件对待审核企业进行审核，待审核企业申请仓储业务时，采用二级资质审核条件对待审核企业进行审核，待审核企业申请注册业务时，采用三级资质审核条件对待审核企业进行审核等。

其中，随机森林模型是包含多个决策树模型的分类器，输入随机森林模型的企业可以被分为审核通过和审核不通过。随机森林模型中的每个决策树模型由特定的训练样本训练得到，并经过测试样本的测试。

其中，训练得到的决策树模型具有树形结构，每个根节点和中间节点对应一个决策条件，通过该决策条件使输入的待审核企业流向不同的分支，并最终流向叶子节点，根据所流向的叶子节点得到决策结果，也即得到该待审核企业是否被审核通过的结果。

其中，不同的业务类型对应的资质审核条件不同，服务器针对待审核企业所申请业务对应的资质审核条件选取对应的随机森林模型，使随机森林模型有针对性的对企业资质进行审核。而不同的随机森林模型是通过将不同的企业分群中的企业作为训练样本训练得到的。

S106，服务器获取待审核企业的企业维度信息，并通过随机森林模型中的至少两个决策树模型分别对企业维度信息进行决策，得到各决策树模型的决策结果。

其中，企业维度是对企业资质进行描述和度量的参数。例如，企业的注册资金、年营业额、缴纳税金、净资产收益率、主营业务利润率等。

其中，企业维度信息是企业的各个企业维度的参数值。例如，企业A的注册资金是2千万、年营业额300万、缴纳税金30万等。

服务器获取待审核企业的企业维度信息之后，将企业维度信息输入随机森林模型。根据随机森林模型中的决策树模型对企业维度信息进行决策。

在一个实施例中，决策树模型的根节点首先根据对应的根节点决策条件对待审核企业的年营业额进行决策，根据决策结果使待审核企业流向下级的中间节点，然后中间节点再根据对应的决策条件对待审核企业的利润率进行决策，根据决策结果使待审核企业流向决策树模型的其中一个末端的叶子节点。如果该末端叶子节点对应的审核结果是通过，则该决策树模型对该待审核企业的决策结果是通过。

S108，服务器根据每个决策树模型的投票权重对相应的决策结果进行加权处理。

其中，投票权重是各决策树模型的决策结果在随机森林模型输出的审核结果中所占的比重。

在一个实施例中，服务器在训练得到决策树模型后，用测试样本对各决策树模型进行测试，得到每个决策树模型对测试样本中企业的资质进行审核的审核结果的正确率。服务器根据各决策树模型对测试样本进行审核的审核结果的正确率配置各决策树模型的投票权重。服务器对决策树模型配置的投票权重与该决策树模型对应的审核结果的正确率成正比。

在一个实施例中，服务器在得到各决策树模型的决策结果后，用各决策树模型对应的投票权重对各决策结果进行加权计算。例如，第一个决策树模型的投票权重是0.3，决策结果是通过，为1；第二个决策树模型的投票权重是0.4，决策结果也是通过，为1；第三个决策树模型的投票权重是0.3，决策结果是不通过，为0。所以加权处理后的结果是0.3×1+0.4×1+0.3×0＝0.7。

S110，服务器依据加权处理后的决策结果，判断待审核企业是否具有执行申请业务的资质。

其中，加权处理后的决策结果是按照各决策树对应的投票权重对各决策树的决策结果进行加权计算后的结果。

在一个实施例中，如果加权处理后的决策结果大于通过阈值，则确定待审核企业具有执行申请业务的资质。例如，待审核企业申请在交易平台进行注册，服务器将待审核企业的企业维度信息输入所选取的随机森林模型后，得到的加权处理后的决策结果是0.8，大于通过阈值0.5，则确定该待审核企业通过审核，可以在交易平台注册。

上述实施例中，服务器对待审核企业的企业资质进行审核时，首先确定待审核企业所申请业务的业务类型，基于业务类型对应的资质审核条件选取随机森林模型。然后，服务器将获取的待审核企业的企业维度信息输入随机森林模型，并通过随机森林模型中的至少两个决策树模型分别对企业维度信息进行决策，得到各决策树模型的决策结果。最后，服务器根据每个决策树模型的投票权重对相应的决策结果进行加权处理，依据加权处理后的决策结果，判断待审核企业是否具有执行申请业务的资质。服务器通过调用随机森林模型对待审核企业的企业资质进行审核，缩短了审核时间，降低了工作量，提高了审核的效率。并且服务器根据待审核企业所申请的业务类型有针对性的选取随机森林模型，使选取的随机森林模型针对待审核企业所申请的业务类型对企业资质进行审核，提高了审核结果的准确性。

在一个实施例中，如图2所示，服务器基于业务类型对应的资质审核条件选取随机森林模型包括如下步骤：

S202，服务器确定与资质审核条件对应的目标企业分群层级。

S204，服务器根据目标企业分群层级和企业维度信息确定与待审核企业匹配的目标企业分群。

S206，服务器获取目标企业分群对应的随机森林模型。

其中，企业分群层级是依照关联模型中各相互关联的企业维度对企业库中企业进行分群的层级。服务器逐层对企业库中企业进行分群，在当前层级对上一层级分群后得到的各企业分群进一步进行细分，对于在上一层级分群后得到的每个企业分群，在当前层级再继续细分为至少一个企业分群。

其中，目标企业分群层级是与资质审核条件对应的企业分群层级。当资质审核条件对应的审核内容较多，审核的比较细致时，对应的企业分群层级的层数较多。在目标企业分群层级，企业库中企业按照分群条件被分成了多个企业分群。例如，在目标企业分群层级，企业库中企业被分成A

服务器根据企业维度信息在目标企业分群层级对应的所有企业分群中确定和待审核企业匹配的目标企业分群。也就是说，服务器确定的目标企业分群中的企业和待审核企业属于同一类企业。例如，在目标企业分群层级，企业库中企业被分成A

其中，目标企业分群对应的随机森林模型是将目标企业分群中企业作为样本，经过训练得到的随机森林模型。

在一个实施例中，服务器在对待审核企业进行审核时，首先根据待审核企业所申请的业务的业务类型对应的资质审核条件，根据资质审核条件以及关联模型确定和待审核企业匹配的分群，根据待审核企业所匹配的分群获取待审核企业对应的随机森林模型。

服务器首先确定与资质审核条件对应的目标企业分群层级。资质审核条件对应的审核内容越多，审核越细致，对应的企业分群层级的层数越多，所以该目标企业分群层级的企业分群越多，对企业的划分越细致，也即同一企业分群中的企业的特征更相近。服务器根据待审核企业所申请的业务类型对应的资质审核条件确定不同的目标企业分群层级，进而选取不同的随机森林模型。所以，服务器在资质审核条件对应的审核内容越多时，在分级层数较多的企业分群层级选取对应的随机森林模型，对待审核企业进行严格的审核；而在资质审核条件对应的审核内容越少时，在分级层数较少的企业分群层级选取对应的随机森林模型，对待审核企业进行宽松的审核。服务器通过根据业务类型对应的资质审核条件选取不同的随机森林模型对待审核企业有针对性的进行审核，提高了审核结果的正确率，并且使审核结果能够适应业务需求。

在一个实施例中，如图3所示，企业资质审核方法还包括如下步骤：

S302，服务器根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对企业库中的各企业进行分群处理。

S304，服务器从分群处理所得的企业分群中获取目标分群层级下的全部企业分群。

S306，服务器根据待审核企业的企业维度信息从全部企业分群中选取目标企业分群。

其中，分群条件是在特定企业分群层级下，对企业库中企业进行分群所依据的条件。例如，在按照企业年营业额对企业进行分群的层级，分群条件可以是当企业年营业额在0-300万之间时，分为A企业分群；当企业年营业额在300-1000万之间时，分为B企业分群，当企业年营业额在1000万以上时，分为C企业分群。

服务器对企业库中企业进行分群后，在每个分群层级均得到多个企业分群。例如，服务器在第一分群层级按照企业类型对企业库中企业进行分群，得到A、B、C三个企业分群，在第二分群层级按照企业年营业额对A、B、C三个企业分群继续进行分群，得到A

在一个实施例中，如图4所示，服务器根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对企业库中的各企业进行分群处理包括如下步骤：

S402，服务器根据关联模型确定第一个企业分群层级。

S404，服务器根据企业库中各企业的企业维度信息和第一个企业分群层级下的分群条件，对企业库中的各企业进行分群，得到第一个分群层级下的企业分群。

S406，服务器从根据关联模型确定的第二个企业分群层级开始，根据当前企业分群层级下的分群条件和企业库中各企业的企业维度信息，对当前企业分群层级的上一企业分群层级下的企业分群再次进行分群，直到最后一个企业分群层级。

其中，关联模型由相互关联的企业维度组成，每个企业维度对应一个企业分群层级。例如，关联模型中相互关联的企业维度是：企业类型和企业年营业额相关联、企业年营业额和企业利润率相关联、企业利润率和企业缴纳税金相关联。则关联模型确定了第一个分群层级按照企业类型对企业库中企业进行分群；在第二个分群层级按照企业年营业额对经过按照企业类型分群后得到的每个企业分群再次进行分群；在第三个分群层级按照企业利润率对经过按照企业年营业额分群后得到的每个企业分群再次进行分群；在第四个分群层级按照企业缴纳税金对经过按照企业利润率分群后得到的每个企业分群再次进行分群，得到最终的分群结果。

在一个实施例中，关联模型确定了年营业额和利润率两个相关联的企业维度，每个企业维度对应一个分群层级。服务器首先在第一分群层级按照年营业额将企业分为三个企业分群，即年营业额在0-100万之间的为企业分群A，年营业额在100-500万之间的为企业分群B，年营业额在500万以上的为企业分群C。然后，服务器在第二分群层级按照利润率对A、B、C三个企业分群进行细分。对于A企业分群，将利润率在0-5％之间的划分为A

在一个实施例中，在每个分群层级，服务器可以根据该企业分群层级对应的分群条件对企业库中企业进行分群。在关联模型中的当前企业维度对应的企业分群层级对上一企业分群层级下的企业分群再次进行分群，直到最后一个企业分群层级。如果待审核企业在某个企业维度对应的分群层级进行分群，则服务器根据待审核企业的企业维度信息以及该分群层级对应的分群条件对待审核企业进行分群。

在一个实施例中，对于每个分群层级，服务器可以设置在对应的企业维度进行分群的分群条件，以根据设置的分群条件对企业库中企业进行分群。在每个分群层级，服务器也可以对基于多个企业维度设置的分群条件进行组合，以根据实际需要灵活的设置分群条件。例如，服务器可以将分群条件设置为年营业额大于500万或者注册资金大于2000万。例如，服务器也可以将分群条件设置为利润率大于5％并且缴纳税金大于200万。

关联模型确定了在各个分群层级对企业库中企业进行分群的企业维度。所以，服务器可以通过关联模型，并根据企业库中各企业的企业维度信息自动对企业库中企业进行分群，而不需要人工对企业库中企业进行分群，提高了对企业进行分群的效率，降低了工作量，缩短了分群的时间，并且可以避免因人为因素而造成的分群错误，提高了分群的准确性。

在一个实施例中，如图5所示，服务器获取目标企业分群对应的随机森林模型之前，还包括如下步骤：

S502，服务器根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对企业库中的各企业进行分群处理，得到至少一个企业分群。

S504，服务器针对至少一个企业分群中的每个企业分群，根据针对的企业分群中企业的企业维度信息生成与针对的企业分群对应的随机森林模型。

S506，服务器从至少一个企业分群对应的随机森林模型中选取目标企业分群对应的随机森林模型。

服务器对企业库中企业进行分群后，将企业库中企业分为至少一个企业分群。然后，针对每个企业分群，服务器以该企业分群中企业为样本训练得到对应的随机森林模型。服务器在训练得到各随机森林模型之后，确定与目标企业分群对应的随机森林模型。

服务器对企业库中企业进行分群，然后针对得到的每个企业分群，训练得到对应的随机森林模型，可以使对随机模型进行训练的样本更加精确，从而使训练得到的随机森林模型在对与训练样本中企业同类的企业进行审核时，审核的准确性更高。并且，通过训练得到随机森林模型对待审核企业进行审核，可以避免因人工审核而造成的审核效率低，审核时间长，受主观因素影响大的问题。

在一个实施例中，如图6所示，服务器根据针对的企业分群中企业的企业维度信息生成与针对的企业分群对应的随机森林模型包括如下步骤：

S602，服务器从针对的企业分群中选取部分企业作为训练样本，并将未被选取的剩余企业作为测试样本。

S604，服务器从训练样本中有放回地抽取企业，得到至少两份决策树样本。

S606，服务器针对至少两份决策树样本中的每个决策树样本，根据针对的决策树样本中企业对应的企业维度信息生成决策树模型。

S608，服务器基于测试样本对生成的各决策树模型进行测试，得到审核正确率；审核正确率为生成的各决策树模型，对测试样本中各企业是否具有执行申请业务的资质进行审核的正确率。

S610，服务器在生成的各决策树模型中，将审核正确率小于正确率阈值时所对应的决策树模型删除。

S612，服务器根据删除后剩余的各决策树模型组合得到随机森林模型。随机森林模型中的各决策树模型具有投票权重，投票权重是根据删除后剩余的各决策树模型对应的审核正确率计算所得。

其中，训练样本是用于使模型对特征进行学习，从而使模型的输出与预期相符的数据。

其中，测试样本是对模型的输出结果进行测试的数据。例如，企业库中企业A是审核通过的企业，而将企业A输入训练得到的决策树模型，得到决策树模型的决策结果是不通过，则说明训练得到的决策树模型对企业A的审核结果错误。

在一个实施例中，针对每个企业分群，服务器按照企业库中审核通过的企业和审核不通过的企业之间的比值确定训练样本数量和测试样本数量的比值。

其中，决策树样本是从训练样本中随机有放回的抽取的样本。针对每个决策树模型，服务器随机有放回的从训练样本中抽取样本，得到决策树样本。

服务器在得到决策树样本后，根据决策树样本中各企业的企业维度信息进行训练，得到对应的决策树模型。然后用测试样本对各决策树模型进行测试，得到各决策树模型对测试样本中企业进行审核的审核结果的正确率。

当决策树模型对应的正确率小于正确率阈值时，说明该决策树模型不可用或者需要进行调整。所以，将该决策树模型删除。

在一个实施例中，服务器通过公式(1)计算得到各决策树模型的投票权重。

其中，q

在一个实施例中，如图7所示，服务器根据针对的决策树样本中企业对应的企业维度信息生成决策树模型包括如下步骤：

S702，服务器创建决策根节点；决策根节点对应的根节点决策条件，是根据针对的决策树样本中企业对应的企业维度信息确定的决策特征所得的。

S704，服务器通过决策根节点对应的根节点决策条件对针对的决策树样本中的企业进行决策，以根据决策所得的决策信息创建子节点。

S706，当创建的子节点满足递归停止条件时，服务器确定满足递归停止条件的子节点为叶子节点。

S708，当创建的子节点不满足递归停止条件时，服务器确定不满足递归停止条件的子节点为中间节点，基于中间节点对应的决策条件对流入中间节点的决策信息进行决策，以使依据中间节点进行决策所得的决策信息创建的子节点满足递归停止条件时，将中间节点进行决策所得的决策信息创建的子节点确定为叶子节点。

S710，服务器生成由决策根节点、中间节点和叶子节点组成的决策树模型。

其中，决策条件是决策树中节点进行决策的依据。对于每个节点，服务器根据决策树样本中企业对应的企业维度信息生成与该节点对应的决策条件，并根据决策条件进行决策生成不同的决策分支。

其中，决策特征是在对应的节点，确定决策条件的特征。决策特征是根据针对的决策树样本中企业对应的企业维度信息，从决策树样本特征中选取的。决策树样本特征是从与企业资质相关的企业特征中选取的。例如，与企业资质相关的企业特征包括：年营业额、利润率、缴纳税金、注册资金、亏损额、净资产收益率。例如，在某个中间节点A，根据决策树样本中企业对应的企业维度信息，确定的决策特征是利润率，根据利润率确定的决策条件是企业的利润率是否大于10％。

在一个实施例中，服务器通过spearman关联性分析从与企业资质相关的企业特征中选取与企业资质强相关的企业特征。然后，服务器通过Boruta算法在与企业资质强相关的企业特征中选取随机森林模型特征。最后，再从随机森林模型特征中为针对的各决策树样本选取决策树样本特征。

在一个实施例中，随机森林模型特征的数量是N，所选取的决策树样本特征的数量是n，其中，

在一个实施例中，对于根节点和各子节点，服务器对于每个节点分别计算各决策树样本特征的基尼指数，根据各决策树样本特征的基尼指数从决策树样本特征中为每个节点选取对应的决策特征。

在一个实施例中，服务器在每个节点分别计算各决策树样本特征的基尼指数。由于基尼指数越小，对应的特征划分越合理，所以针对每个节点，服务器从决策树样本特征中，选取对应的基尼指数最小的特征为该节点对应的决策特征。

其中，决策信息是对应的节点对输入的企业进行决策所得的结果。例如，根节点对应的决策条件是年营业额是否大于500万。则将针对的决策树样本中的企业(A、B、C、D、E、F、G、H、I)输入根节点，根节点根据决策条件判断企业A、B、C、D的年营业额大于500万，企业E、F、G、H、I的年营业额小于500万，则在根节点得到的决策信息是企业A、B、C、D的年营业额大于500万，企业E、F、G、H、I的年营业额小于500万。服务器根据企业A、B、C、D创建一个子节点，然后再根据企业E、F、G、H、I创建一个子节点。

其中，递归停止条件是判断是否停止对子节点继续进行递归分裂的条件。例如，递归停止条件可以是在对应的子节点，各决策树样本特征的基尼指数均大于指数阈值；例如，递归停止条件可以是创建子节点的决策信息中所包含的企业的数量小于企业数量阈值；例如，递归停止条件可以是分裂得到的子节点的数量达到子节点数量阈值等。

服务器根据决策树样本中企业对应的企业维度信息确定各节点对应的决策特征，然后利用决策特征确定的决策条件对相应的节点进行递归分裂，最终生成决策树模型。

在一个实施例中，如图8所示，服务器对企业资质进行审核包括如下步骤：

S802，服务器建立关联模型。

S804，服务器根据关联模型确定第一个企业分群层级。

S806，服务器根据企业库中各企业的企业维度信息和第一个企业分群层级下的分群条件，对企业库中的各企业进行分群，得到第一个分群层级下的企业分群。

S808，服务器从根据关联模型确定的第二个企业分群层级开始，根据当前企业分群层级下的分群条件和企业库中各企业的企业维度信息，对当前企业分群层级的上一企业分群层级下的企业分群再次进行分群，直到最后一个企业分群层级。

S810，服务器针对分群得到的每个企业分群，根据针对的企业分群中企业的企业维度信息生成与针对的企业分群对应的随机森林模型。

S812，服务器确定待审核企业所申请业务的业务类型。

S814，服务器基于业务类型对应的资质审核条件选取随机森林模型。

S816，服务器获取待审核企业的企业维度信息，并通过随机森林模型中的至少两个决策树模型分别对企业维度信息进行决策，得到各决策树模型的决策结果。

S818，服务器根据每个决策树模型的投票权重对相应的决策结果进行加权处理。

S820，服务器依据加权处理后的决策结果，判断待审核企业是否具有执行申请业务的资质。

S802至S820的具体内容可以参考上文所述的具体实现过程。

应该理解的是，虽然图1-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图9所示，提供了一种企业资质审核装置，包括：确定模块902、选取模块904、获取模块906、加权处理模块908和判断模块910，其中：

确定模块902，用于确定待审核企业所申请业务的业务类型；

选取模块904，用于基于业务类型对应的资质审核条件选取随机森林模型；

获取模块906，用于获取待审核企业的企业维度信息，并通过随机森林模型中的至少两个决策树模型分别对企业维度信息进行决策，得到各决策树模型的决策结果；

加权处理模块908，用于根据每个决策树模型的投票权重对相应的决策结果进行加权处理；

判断模块910，用于依据加权处理后的决策结果，判断待审核企业是否具有执行申请业务的资质。

上述实施例中，服务器对待审核企业的企业资质进行审核时，首先确定待审核企业所申请业务的业务类型，基于业务类型对应的资质审核条件选取随机森林模型。然后，服务器将获取的待审核企业的企业维度信息输入随机森林模型，并通过随机森林模型中的至少两个决策树模型分别对企业维度信息进行决策，得到各决策树模型的决策结果。最后，服务器根据每个决策树模型的投票权重对相应的决策结果进行加权处理，依据加权处理后的决策结果，判断待审核企业是否具有执行申请业务的资质。服务器通过调用随机森林模型对待审核企业的企业资质进行审核，缩短了审核时间，降低了工作量，提高了审核的效率。并且服务器根据待审核企业所申请的业务类型有针对性的选取随机森林模型，使选取的随机森林模型针对待审核企业所申请的业务类型对企业资质进行审核，提高了审核结果的准确性。

在一个实施例中，选取模块904，还用于：

确定与资质审核条件对应的目标企业分群层级；

根据目标企业分群层级和企业维度信息确定与待审核企业匹配的目标企业分群；

获取目标企业分群对应的随机森林模型。

在一个实施例中，如图10所示，装置还包括：

分群处理模块912，用于根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对企业库中的各企业进行分群处理；

选取模块904，还用于从分群处理所得的企业分群中获取目标分群层级下的全部企业分群；根据待审核企业的企业维度信息从全部企业分群中选取目标企业分群。

在一个实施例中，分群处理模块912，还用于：

根据关联模型确定第一个企业分群层级；

根据企业库中各企业的企业维度信息和第一个企业分群层级下的分群条件，对企业库中的各企业进行分群，得到第一个分群层级下的企业分群；

从根据关联模型确定的第二个企业分群层级开始，根据当前企业分群层级下的分群条件和企业库中各企业的企业维度信息，对当前企业分群层级的上一企业分群层级下的企业分群再次进行分群，直到最后一个企业分群层级。

在一个实施例中，装置还包括：

分群处理模块912，还用于根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对企业库中的各企业进行分群处理，得到至少一个企业分群；

生成模块914，用于针对至少一个企业分群中的每个企业分群，根据针对的企业分群中企业的企业维度信息生成与针对的企业分群对应的随机森林模型；

获取模块906，还用于：

从至少一个企业分群对应的随机森林模型中选取目标企业分群对应的随机森林模型。

在一个实施例中，生成模块914，还用于：

从针对的企业分群中选取部分企业作为训练样本，并将未被选取的剩余企业作为测试样本；

从训练样本中有放回地抽取企业，得到至少两份决策树样本；

针对至少两份决策树样本中的每个决策树样本，根据针对的决策树样本中企业对应的企业维度信息生成决策树模型；

基于测试样本对生成的各决策树模型进行测试，得到审核正确率；审核正确率为生成的各决策树模型，对测试样本中各企业是否具有执行申请业务的资质进行审核的正确率；

在生成的各决策树模型中，将审核正确率小于正确率阈值时所对应的决策树模型删除；

根据删除后剩余的各决策树模型组合得到随机森林模型；随机森林模型中的各决策树模型具有投票权重，投票权重是根据删除后剩余的各决策树模型对应的审核正确率计算所得。

在一个实施例中，生成模块914，还用于：

创建决策根节点；决策根节点对应的根节点决策条件，是根据针对的决策树样本中企业对应的企业维度信息确定的决策特征所得的；

通过决策根节点对应的根节点决策条件对针对的决策树样本中的企业进行决策，以根据决策所得的决策信息创建子节点；

当创建的子节点满足递归停止条件时，确定满足递归停止条件的子节点为叶子节点；

当创建的子节点不满足递归停止条件时，确定不满足递归停止条件的子节点为中间节点，基于中间节点对应的决策条件对流入中间节点的决策信息进行决策，以使依据中间节点进行决策所得的决策信息创建的子节点满足递归停止条件时，将中间节点进行决策所得的决策信息创建的子节点确定为叶子节点；

生成由所述决策根节点、所述中间节点和所述叶子节点组成的决策树模型。

关于企业资质审核装置的具体限定可以参见上文中对于企业资质审核方法的限定，在此不再赘述。上述企业资质审核装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储企业资质审核数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种企业资质审核方法。

本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：确定待审核企业所申请业务的业务类型；基于业务类型对应的资质审核条件选取随机森林模型；获取待审核企业的企业维度信息，并通过随机森林模型中的至少两个决策树模型分别对企业维度信息进行决策，得到各决策树模型的决策结果；根据每个决策树模型的投票权重对相应的决策结果进行加权处理；依据加权处理后的决策结果，判断待审核企业是否具有执行申请业务的资质。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定与资质审核条件对应的目标企业分群层级；根据目标企业分群层级和企业维度信息确定与待审核企业匹配的目标企业分群；获取目标企业分群对应的随机森林模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对企业库中的各企业进行分群处理；根据目标企业分群层级和企业维度信息确定与待审核企业匹配的目标企业分群包括：从分群处理所得的企业分群中获取目标分群层级下的全部企业分群；根据待审核企业的企业维度信息从全部企业分群中选取目标企业分群。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据关联模型确定第一个企业分群层级；根据企业库中各企业的企业维度信息和第一个企业分群层级下的分群条件，对企业库中的各企业进行分群，得到第一个分群层级下的企业分群；从根据关联模型确定的第二个企业分群层级开始，根据当前企业分群层级下的分群条件和企业库中各企业的企业维度信息，对当前企业分群层级的上一企业分群层级下的企业分群再次进行分群，直到最后一个企业分群层级。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对企业库中的各企业进行分群处理，得到至少一个企业分群；针对至少一个企业分群中的每个企业分群，根据针对的企业分群中企业的企业维度信息生成与针对的企业分群对应的随机森林模型；获取目标企业分群对应的随机森林模型包括：从至少一个企业分群对应的随机森林模型中选取目标企业分群对应的随机森林模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：从针对的企业分群中选取部分企业作为训练样本，并将未被选取的剩余企业作为测试样本；从训练样本中有放回地抽取企业，得到至少两份决策树样本；针对至少两份决策树样本中的每个决策树样本，根据针对的决策树样本中企业对应的企业维度信息生成决策树模型；基于测试样本对生成的各决策树模型进行测试，得到审核正确率；审核正确率为生成的各决策树模型，对测试样本中各企业是否具有执行申请业务的资质进行审核的正确率；在生成的各决策树模型中，将审核正确率小于正确率阈值时所对应的决策树模型删除；根据删除后剩余的各决策树模型组合得到随机森林模型；随机森林模型中的各决策树模型具有投票权重，投票权重是根据删除后剩余的各决策树模型对应的审核正确率计算所得。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：创建决策根节点；决策根节点对应的根节点决策条件，是根据针对的决策树样本中企业对应的企业维度信息确定的决策特征所得的；通过决策根节点对应的根节点决策条件对针对的决策树样本中的企业进行决策，以根据决策所得的决策信息创建子节点；当创建的子节点满足递归停止条件时，确定满足递归停止条件的子节点为叶子节点；当创建的子节点不满足递归停止条件时，确定不满足递归停止条件的子节点为中间节点，基于中间节点对应的决策条件对流入中间节点的决策信息进行决策，以使依据中间节点进行决策所得的决策信息创建的子节点满足递归停止条件时，将中间节点进行决策所得的决策信息创建的子节点确定为叶子节点；生成由决策根节点、中间节点和叶子节点组成的决策树模型。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：确定待审核企业所申请业务的业务类型；基于业务类型对应的资质审核条件选取随机森林模型；获取待审核企业的企业维度信息，并通过随机森林模型中的至少两个决策树模型分别对企业维度信息进行决策，得到各决策树模型的决策结果；根据每个决策树模型的投票权重对相应的决策结果进行加权处理；依据加权处理后的决策结果，判断待审核企业是否具有执行申请业务的资质。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定与资质审核条件对应的目标企业分群层级；根据目标企业分群层级和企业维度信息确定与待审核企业匹配的目标企业分群；获取目标企业分群对应的随机森林模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对企业库中的各企业进行分群处理；根据目标企业分群层级和企业维度信息确定与待审核企业匹配的目标企业分群包括：从分群处理所得的企业分群中获取目标分群层级下的全部企业分群；根据待审核企业的企业维度信息从全部企业分群中选取目标企业分群。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据关联模型确定第一个企业分群层级；根据企业库中各企业的企业维度信息和第一个企业分群层级下的分群条件，对企业库中的各企业进行分群，得到第一个分群层级下的企业分群；从根据关联模型确定的第二个企业分群层级开始，根据当前企业分群层级下的分群条件和企业库中各企业的企业维度信息，对当前企业分群层级的上一企业分群层级下的企业分群再次进行分群，直到最后一个企业分群层级。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据企业库中各企业的企业维度信息和相应企业分群层级下的分群条件，对企业库中的各企业进行分群处理，得到至少一个企业分群；针对至少一个企业分群中的每个企业分群，根据针对的企业分群中企业的企业维度信息生成与针对的企业分群对应的随机森林模型；获取目标企业分群对应的随机森林模型包括：从至少一个企业分群对应的随机森林模型中选取目标企业分群对应的随机森林模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从针对的企业分群中选取部分企业作为训练样本，并将未被选取的剩余企业作为测试样本；从训练样本中有放回地抽取企业，得到至少两份决策树样本；针对至少两份决策树样本中的每个决策树样本，根据针对的决策树样本中企业对应的企业维度信息生成决策树模型；基于测试样本对生成的各决策树模型进行测试，得到审核正确率；审核正确率为生成的各决策树模型，对测试样本中各企业是否具有执行申请业务的资质进行审核的正确率；在生成的各决策树模型中，将审核正确率小于正确率阈值时所对应的决策树模型删除；根据删除后剩余的各决策树模型组合得到随机森林模型；随机森林模型中的各决策树模型具有投票权重，投票权重是根据删除后剩余的各决策树模型对应的审核正确率计算所得。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：创建决策根节点；决策根节点对应的根节点决策条件，是根据针对的决策树样本中企业对应的企业维度信息确定的决策特征所得的；通过决策根节点对应的根节点决策条件对针对的决策树样本中的企业进行决策，以根据决策所得的决策信息创建子节点；当创建的子节点满足递归停止条件时，确定满足递归停止条件的子节点为叶子节点；当创建的子节点不满足递归停止条件时，确定不满足递归停止条件的子节点为中间节点，基于中间节点对应的决策条件对流入中间节点的决策信息进行决策，以使依据中间节点进行决策所得的决策信息创建的子节点满足递归停止条件时，将中间节点进行决策所得的决策信息创建的子节点确定为叶子节点；生成由决策根节点、中间节点和叶子节点组成的决策树模型。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。