AI征信专利技术现状.pdf

中国科技信息 2024 年第 10 期CHINA SCIENCE AND TECHNOLOGY INFORMATION May.2024-32-专利分析自 20 世纪 90 年代提出人工智能概念后，经历发展期、低迷期直到 2010 年以后的爆炸式迅速发展后，其应用和形式越来越广泛，包括由决策树、神经网络、机器学习等日益成熟的算法以及AI+教育、AI+驾驶、AI+商业、AI+金融等。近年来，人工智能在金融领域应用的范围也逐渐增多，人工智能技术在金融领域应用的范围包括投资理财、保险理赔、市场预测、精准营销、市场交易监管等方面。市场交易监管主要是对在人工智能金融领域中包括经济、金融、交易等的监控管理以及非法异常交易的交易管理中涉及了风控和征信模型方向的监管。其中人工智能技术在征信方向的应用越来越多；本文将针对人工智能结合征信方向做具体的专利态势分析以及技术功效矩阵分析。专利申请情况分析通过对全球范围内专利申请数据整理分析，全球专利申请总量较少，共 1 694 组专利申请。对全球主要专利局申请进行统计得到 AI 征信申请量的变化趋势，如图 1。从图 1 可以看出，AI 征信技术专利申请发展较晚。全球专利申请总量较少，共 1 694 组专利申请，且国内申请晚于国外申请。人工智能本身也是 2010 年以后开始迅速发展的，因此基于 AI 技术的征信技术专利在 2010 年之前几乎是停滞的，该技术专利萌芽于 2004 年，全球仅偶有部分申请。起始人工智能技术并不成熟，基于当时的计算能力限制以及无法获取大数据训练的支持，其应用仅限于实验，可应用于商业金融方向的技术非常有限。2010 年以后 AI 征信专利技术也经行业曲线开放度创新度生态度检索量持续度可替代度影响力行业关联度AI 征信专利技术现状谭碧云 王 爽 陈国灿谭碧云 王 爽（等同第一作者）陈国灿（等同第一作者）国家知识产权局专利局专利审查协作江苏中心谭碧云，女，硕士研究生，审查员，助理研究员，主要从事人工智能、商业方法等领域的专利审查工作。王爽，女，硕士研究生，审查员，助理研究员，主要从事人工智能、商业方法等领域的专利审查工作。陈国灿，硕士研究生，审查员，助理研究员，主要从事人工智能、商业方法等领域的专利审查工作。图 1 AI 征信全球主要专利局申请趋势-33-CHINA SCIENCE AND TECHNOLOGY INFORMATION May.2024中国科技信息 2024 年第 10 期专利分析历了几年的低沉期，直至 2016 年开始迅速发展。随着硬件计算平台的发展，计算机时间和大数据应用技术的不断成熟，各个企业逐渐被AI带来的精准营销所吸引，在利润的驱使下，开始加大在该方面的技术投入。由此，申请量骤增。申请主要集中在美国、中国、韩国等；中美韩在人工智能技术方面确实是遥遥领先，相应的在 AI 征信技术方向亦是位居前列。随着中国企业对创新的重视和通过专利对创新进行保护的意识不断加强，中国专利申请量急剧增加，成为 AI 征信全球申请量快速增长的主要推手。经过对 AI 征信技术的技术构成分析，全球申请分类号第一小组为 G06Q40/02（银行业务，例如：利息计算或账户维护），第二小组为 G06N20/00（机器学习），第三小组为 G06Q30/02（营销；价格估计或确定；筹款），可见 AI 征信技术的技术分类主要集中在人工智能以及商业金融分支。从全球专利申请聚焦到中国专利申请，国内的申请主要集中在北京、广东、上海、浙江以及江苏等省市；北京遥遥领先申请了 182 份专利，广东紧随其后申请了 106 份申请；源于银行申请大多在北京，而涉及网商的科技型企业在广东较多。主要申请人技术主题分布分析对全球前 10 主要申请人在 AI 征信领域中技术手段和技术效果的分布进行分析，如图 23 所示。申请人主要集中在银行如中国四大行之工行、中行以及建行、平安银行、美国的第一资本和富国银行，咨询机构如埃森哲，以及涉及网商的科技企业如百度、腾讯等。如图 2 展示的各申请人在征信模型的技术手段分支分布所示，上述科技型公司以及银行在优化样本集、信用数据来源、算法模型改进以及多种信用数据组合上均有较多的布局。信用数据来源的选择是各企业、银行布局最多的方向；而多种信用数据组合以及优化样本集相对其他技术手段明显少了很多。根据图 2 可以看出，银行、咨询机构更侧重于信用数据来源的选择以及算法模型的改进方向的布局；而腾讯、百度在优化样本集与其他方向的技术手段的布局更为均衡。如图 3 展示的各申请人在征信模型的技术效果分支分布所示，上述科技型公司以及银行在提高信用评分的准确性和提高信用评估的广泛度上亦均有较多的布局。与技术手段相似的是，工行和中行在各个技术效果上的申请布局依然遥遥领先。提高信用评分的准确性是大多数企业、银行、咨询机构布局最多的方向。技术功效矩阵分析对征信模型以技术手段及技术效果进行分析得出征信模型在不同技术分支上的分布，如图 4 所示。由图 4 可知，征信模型布局的技术效果主要方向是提高信用评分的准确性，而在提高信用评估的广泛度上的布局则相对较少。信用数据来源的选择是提高信用评分的准确性和提高信用评分的广泛度是最常见的手段；多种信用数据组合以及算法模型改进同样也是进行提高信用评分的准确性和提高信用评分的广泛度较多应用的技术手段；而利用优化样本集的技术手段在多个技术效果上则相对较少。除了银行外，其他类型企业如网商等重新在其他领域方向挖掘出用户的征信数据，如网络行为、关联企业用户评价等，重新选择了信用数据的来源，以提高信用评估的广泛度。摒弃单一的信用数据已成为评估用户信用的趋势，选择多种信用数据组合不仅能提高信用评估广泛度，而且能提高信用评分的准确度。重点专利解读阿里巴巴于 2015 年申请了一种模型训练方法、装置及系统以及样本集优化方法、装置（CN106934413A），实现优化样本集来提高信用评分的准确性。个人信用模型训练系统包括：原始个人信用建立系统、样本优化系统、信用模型训练系统，其中，所述原始个人信用建立系统，用于根据用户对应的特征和特征值，建立原始个人信用样本集；所述样本优化系统，用于利用样本集的优化方法，对原始个人信用样本集进行优化，生成优化样本集；所述信用模型训练系图 2 AI 征信领域中各技术手段的分布图 3 AI 征信领域中各技术效果的分布图 4 AI 征信模型领域的技术功效矩阵图中国科技信息 2024 年第 10 期CHINA SCIENCE AND TECHNOLOGY INFORMATION May.2024-34-专利分析统，用于根据优化样本集训练信用模型。腾讯科技于 2016 年申请了一种信用数据处理方法和装置（CN106156941A），实现信用数据来源选择来提高信用评分的准确性。其方法可以包括：获取第一实体在终端上执行操作所得到的第一时间相关数据，该第一时间相关数据用于表征第一实体与时间信息间可信赖的关联关系；根据第一时间相关数据进行特征构造，生成第一模型，该第一模型用于评估第一实体的可信程度；获取第一实体的当前用户行为，将其作为待检测的终端使用记录输入第一模型，得到对第一实体当前用户行为的信用评估结果。腾讯科技于 2016 年申请了一种信用数据的处理方法及服务器（CN106097043A），实现信用数据来源选择来提高信用评估的广泛度。其方法可以包括：获取第一实体在终端上执行操作所得到的第一时间相关数据，该第一时间相关数据用于表征第一实体与时间信息间可信赖的关联关系；根据第一时间相关数据进行特征构造，生成第一模型，该第一模型用于评估第一实体的可信程度；获取第一实体的当前用户行为，将其作为待检测的终端使用记录输入第一模型，得到对第一实体当前用户行为的信用评估结果。工商银行于 2020 年申请了一种信用评估方法及装置、存储介质和电子设备涉及人工智能领域（CN114240615A），实现算法模型改进来提高信用评分的准确性。其方法包括：在待信用评估数据中获取至少一个第一目标对象对应的目标数据信息一，其中，目标数据信息一用于表示第一目标对象的历史信用信息一；将目标数据信息一输入到信用评估模型中，得到第一目标对象的信用评估结果，其中，信用评估模型中的惩罚因子和核函数的参数是由麻雀搜索算法确定；输出第一目标对象的信用评估结果。通过本申请，解决了相关技术中采用现有模型评估客户信用，导致信用评估的准确率较低的问题。中国银行于 2021 年申请了一种用户信用评分预测方法及相关设备（CN113743678A），实现了算法模型改进来提高信用评估的广泛度。该用户信用评分预测方法可以利用预设领域自适应算法对源域用户初始数据和目标域用户数据进行特征融合，获得待训练源域数据集，待训练源域数据集包括与源域用户初始数据对应的源域用户目标数据；利用源域用户目标数据和目标域用户数据，获得目标用户信用评分预测模型；通过目标用户信用评分预测模型，获得与目标用户数据对应的用户信用评分预测结果。本公开通过预设领域自适应算法对源域和目标域的数据进行特征融合，实现了不同领域数据之间的知识迁移。百度于 2022 年申请了一种数据处理、模型训练方法、装置、设备、存储介质及程序（CN114547448A），实现了多种信用数据组合来提高信用评分的准确性。其方法包括：获取第一用户的属性信息和历史行为信息；根据属性信息和历史行为信息，确定第一用户对应的第一用户特征信息，第一用户特征信息包括 M 个特征项对应的特征信息；对 M 个特征项中不同特征项对应的特征信息进行组合，得到多个组合特征信息；根据第一用户特征信息和多个组合特征信息，确定第一用户的目标类别。上述过程中，通过对 M 个特征项中不同特征项对应的特征信息进行组合，能够产生出更多的组合特征信息，使得在分类时考虑的特征信息更加丰富，因此，能够提高用户分类结果的准确性。建设银行于 2023 年申请了一种模型训练方法、信用评价方法、装置、设备及存储介质（CN116739746A），实现了多种信用数据组合来提高信用评估的广泛度。其方法包括：获取多个评估主体的信用信息，其中，每个评估主体的信用信息包括评估主体的至少两项信用指标以及评估主体的实际信用值；根据评估主体的每项信用指标，确定评估主体的信用参数；根据每个评估主体的至少两项信用参数以及评估主体的实际信用值，对原始信用评价模型进行训练，获取目标信用评价模型，其中，目标信用评价模型包括各信用参数对应的目标权重，该目标信用评价模型具有良好的可解释性和可迁移性。小结本文对 AI 征信领域的专利申请情况进行了分析，并具体从专利申请的趋势、申请人、技术功效矩阵以及重点专利进行了分析。随着人工智能在各行业的广泛应用，其在金融商业中的应用还处于快速发展期，金融商业中利用人工智能与征信结合的技术尚在研究阶段，尤其是其中优化样本集与提高信用评估的广泛度的技术分支有很大空间可以布局，希望能够给创新主体一些启发。