企业信用等级分类模型训练方法、装置、设备及存储介质

技术领域

本发明涉及模型训练领域，特别涉及一种企业信用等级分类模型训练方法、装置、设备及存储介质。

背景技术

互联网和大数据等技术的快速发展促使各行各业越来越重视数据的利用价值，技术人员通过使用数据挖掘等相关技术对已有数据进行加工利用，可以为企业带来了良好的经济效益。例如，工商行政管理部门在履行职能的过程中积累了大量的数据，对这些数据中与企业信用状况相关的数据进行分析，不仅有助于工商行政管理部门对注册企业的管理，还能加深对市场主体信用整体情况的理解，提升企业信用等级分类预测方法的科学性，优化诚信企业机制的建设，对于社会信用体系的构建有着深远的影响。

然而，目前能够实现企业信用评价及相关数据处理的方法中，基于传统机器学习模型的企业信用等级分类评价方法能够对低维、简单数据进行检测分类，在面对高维、复杂数据时，模型的识别精度较低，难以得到较大的提升；并且，现有的复杂模型在模型的泛化性和鲁棒性方面的性能较差，有待进一步提升。

发明内容

有鉴于此，本发明的目的在于提供一种企业信用等级分类模型训练方法、装置、设备及存储介质，可以提高模型训练后得到的目标企业信用等级分类模型对高维、复杂数据的识别精度，并且能够提升目标企业信用等级分类模型的泛化性和鲁棒性。其具体方案如下：

第一方面，本申请提供了一种企业信用等级分类模型训练方法，包括：

获取历史企业征信数据，并对所述历史企业征信数据进行数据预处理操作，以得到目标训练样本；

将所述目标训练样本输入至基于注意力机制构造的预设深度学习模型中，以基于所述目标训练样本和预设包围求解算法确定出所述预设深度学习模型的目标参数，以便得到训练后深度学习模型；所述预设包围求解算法为基于用于对参数搜索器的搜索位置进行移动的第一移动方式和第二移动方式构建的算法；所述第一移动方式为基于包围机制的移动方式，所述第二移动方式为基于螺旋方程的移动方式；

将所述训练后深度学习模型确定为目标企业信用等级分类模型，以便利用所述目标企业信用等级分类模型进行企业信用等级分类操作。

可选的，所述对所述历史企业征信数据进行数据预处理操作，以得到目标训练样本，包括：

对所述历史企业征信数据进行数据清洗操作，以得到清洗后征信数据；

对所述清洗后征信数据依次进行数据集成操作和数据降维操作，以得到降维后征信数据；

生成与所述降维后征信数据对应的词向量特征，以得到目标训练样本。

可选的，所述对所述历史企业征信数据进行数据清洗操作，以得到清洗后征信数据，包括：

利用预设数据清洗方法对所述历史企业征信数据进行数据清洗操作，以得到清洗后征信数据；所述预设数据清洗方法包括缺失值补全、重复值去除、降噪处理和离群点去除中的任意一种或几种的组合。

可选的，所述确定出所述预设深度学习模型的目标参数，包括：

确定当前随机数；

基于所述当前随机数从所述预设包围求解算法中筛选所述第一移动方式或所述第二移动方式作为当前参数搜索器移动方式；

利用所述当前参数搜索器移动方式对所述参数搜索器的当前搜索位置进行移动，然后重新跳转至所述确定当前随机数，直到满足预设结束条件，以得到迭代后输出的目标搜索器；

基于所述目标搜索器确定出最优参数搜索器，并利用所述最优参数搜索器确定出所述预设深度学习模型的目标参数。

可选的，所述基于所述目标搜索器确定出最优参数搜索器，包括：

根据预设随机搜索器确定规则确定出随机搜索器；

从所述随机搜索器和所述目标搜索器中筛选出最优参数搜索器。

可选的，所述将所述目标训练样本输入至基于注意力机制构造的预设深度学习模型中之前，还包括：

构造依次连接的第一卷积层、第一最大池化层、第一分组卷积注意力模块、第二分组卷积注意力模块、第二最大池化层、全连接层以及激活函数的深度学习模型，以得到所述预设深度学习模型；

其中，所述第一分组卷积注意力模块和所述第二分组卷积注意力模块均为基于注意力机制构造的用于进行分组卷积的模块。

可选的，任一所述分组卷积注意力模块中，均包括：第二卷积层、第一组卷积层、第二组卷积层、第三组卷积层以及用于进行加权平均处理的运算模块；

其中，所述第一组卷积层、所述第二组卷积层、所述第三组卷积层中均包含若干依次连接的卷积层；所述第二卷积层的输出端分别与所述第一组卷积层、所述第二组卷积层、所述第三组卷积层的输入端连接，所述运算模块的输入端分别与所述第一组卷积层、所述第二组卷积层、所述第三组卷积层的输出端连接。

第二方面，本申请提供了一种企业信用等级分类模型训练装置，包括：

样本获取模块，用于获取历史企业征信数据，并对所述历史企业征信数据进行数据预处理操作，以得到目标训练样本；

模型训练模块，用于将所述目标训练样本输入至基于注意力机制构造的预设深度学习模型中，以基于所述目标训练样本和预设包围求解算法确定出所述预设深度学习模型的目标参数，以便得到训练后深度学习模型；所述预设包围求解算法为基于用于对参数搜索器的搜索位置进行移动的第一移动方式和第二移动方式构建的算法；所述第一移动方式为基于包围机制的移动方式，所述第二移动方式为基于螺旋方程的移动方式；

目标模型确定模块，用于将所述训练后深度学习模型确定为目标企业信用等级分类模型，以便利用所述目标企业信用等级分类模型进行企业信用等级分类操作。

第三方面，本申请提供了一种电子设备，包括：

存储器，用于保存计算机程序；

处理器，用于执行所述计算机程序以实现前述的企业信用等级分类模型训练方法。

第四方面，本申请提供了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的企业信用等级分类模型训练方法。

本申请中，获取历史企业征信数据，并对所述历史企业征信数据进行数据预处理操作，以得到目标训练样本；将所述目标训练样本输入至基于注意力机制构造的预设深度学习模型中，以基于所述目标训练样本和预设包围求解算法确定出所述预设深度学习模型的目标参数，以便得到训练后深度学习模型；所述预设包围求解算法为基于用于对参数搜索器的搜索位置进行移动的第一移动方式和第二移动方式构建的算法；所述第一移动方式为基于包围机制的移动方式，所述第二移动方式为基于螺旋方程的移动方式；将所述训练后深度学习模型确定为目标企业信用等级分类模型，以便利用所述目标企业信用等级分类模型进行企业信用等级分类操作。这样一来，通过基于预设包围求解算法对预设深度学习模型进行训练，避免了对传统的机器学习模型进行训练，从而提高了模型训练后得到的目标企业信用等级分类模型对高维、复杂数据的识别精度，并且所述预设深度学习模型为基于注意力机制构造的模型，可以提高模型分类精度，同时提升目标企业信用等级分类模型的泛化性和鲁棒性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种企业信用等级分类模型训练方法流程图；

图2为本申请提供的一种历史企业征信数据预处理流程图；

图3为本申请提供的一种深度学习模型结构示意图；

图4为本申请提供的一种分组卷积注意力模块结构示意图；

图5为本申请提供的一种目标参数确定方法流程图；

图6为本申请提供的一种企业信用等级分类模型训练装置结构示意图；

图7为本申请提供的一种电子设备结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前能够实现企业信用评价及相关数据处理的模型面对高维、复杂数据时的识别精度较低，并且，模型在泛化性和鲁棒性方面的性能较差。因此，本申请公开了一种企业信用等级分类模型训练方法，可以提高模型训练后得到的目标企业信用等级分类模型对高维、复杂数据的识别精度，并且能够提升目标企业信用等级分类模型的泛化性和鲁棒性。

参见图1所示，本发明实施例公开了一种企业信用等级分类模型训练方法，包括：

步骤S11、获取历史企业征信数据，并对所述历史企业征信数据进行数据预处理操作，以得到目标训练样本。

本实施例中，获取历史企业征信数据，由于所述历史企业征信数据难以直接作为训练样本输入至模型中进行训练，因此需要对所述历史企业征信数据进行数据预处理操作，以得到目标训练样本。

可以理解的是，所述对所述历史企业征信数据进行数据预处理操作，以得到目标训练样本，包括：对所述历史企业征信数据进行数据清洗操作，以得到清洗后征信数据；对所述清洗后征信数据依次进行数据集成操作和数据降维操作，以得到降维后征信数据；对所述降维后征信数据进行数据变换操作并生成相应的词向量特征，以得到目标训练样本。对所述历史企业征信数据进行数据预处理操作可以如图2所示，首先可以对历史企业征信数据进行数据清洗操作，需要指出的是，所述对所述历史企业征信数据进行数据清洗操作，以得到清洗后征信数据，包括：利用预设数据清洗方法对所述历史企业征信数据进行数据清洗操作，以得到清洗后征信数据；所述预设数据清洗方法包括缺失值补全、重复值去除、降噪处理和离群点去除中的任意一种或几种的组合。其中，在所述缺失值补全操作中，可以利用全局填充法来进行缺失值的补全；在所述重复值去除操作中，对于所述历史企业征信数据中的重复值可以只保留重复数据中最先被检测到的数据，以降低对存储空间的占用；在所述降噪处理操作中可以采用噪声光滑分箱法对噪声进行处理；在所述离群点去除操作中可以通过利用箱线图进行识别并将所述历史企业征信数据中的离群点从数据中剔除。

本实施例中，可以对清洗后征信数据依次进行数据集成操作数据降维操作，其中，所述数据降维操作可以采用主成分分析法。这样一来，可以解决数据冗余问题，并且可以控制数据集的大小，以保证数据挖掘的效果。

并且，可以对降维后征信数据进行数据变换操作并生成相应的词向量特征，其中，所述数据变换操作包括标准化方法和正则化方法，标准化方法可以缩放数据的范围，将不同量纲的数据统一归为无量纲数据；正则化方法可以对连续特征使用概念分层，对数据进行离散化操作。然后，考虑到要将变换后的征信数据输入到模型中进行训练，因此需要对变换后的征信数据进行词向量化操作，以生成相应的词向量特征，从而得到目标训练样本。

步骤S12、将所述目标训练样本输入至基于注意力机制构造的预设深度学习模型中，以基于所述目标训练样本和预设包围求解算法确定出所述预设深度学习模型的目标参数，以便得到训练后深度学习模型；所述预设包围求解算法为基于用于对参数搜索器的搜索位置进行移动的第一移动方式和第二移动方式构建的算法；所述第一移动方式为基于包围机制的移动方式，所述第二移动方式为基于螺旋方程的移动方式。

本实施例中，需要指出的是，所述将所述目标训练样本输入至基于注意力机制构造的预设深度学习模型中之前，还包括：构造依次连接的第一卷积层、第一最大池化层、第一分组卷积注意力模块、第二分组卷积注意力模块、第二最大池化层、全连接层以及激活函数的深度学习模型，以得到所述预设深度学习模型；其中，所述第一分组卷积注意力模块和所述第二分组卷积注意力模块均为基于注意力机制构造的用于进行分组卷积的模块。可以理解的是，任一所述分组卷积注意力模块中，均包括：第二卷积层、第一组卷积层、第二组卷积层、第三组卷积层以及用于进行加权平均处理的运算模块；其中，所述第一组卷积层、所述第二组卷积层、所述第三组卷积层中均包含若干依次连接的卷积层；所述第二卷积层的输出端分别与所述第一组卷积层、所述第二组卷积层、所述第三组卷积层的输入端连接，所述运算模块的输入端分别与所述第一组卷积层、所述第二组卷积层、所述第三组卷积层的输出端连接。也即，本实施例中构造的深度学习模型可以如图3所示，其中，所述第一分组卷积注意力模块的架构可以如图4所示。这样一来，本申请基于注意力机制构造深度学习模型，可以提高模型分类精度，并提升目标企业信用等级分类模型的泛化性和鲁棒性。

此外，本实施例基于所述目标训练样本和预设包围求解算法确定出所述预设深度学习模型的目标参数，以便得到训练后深度学习模型；所述预设包围求解算法为基于用于对参数搜索器的搜索位置进行移动的第一移动方式和第二移动方式构建的算法；所述第一移动方式为基于包围机制的移动方式，所述第二移动方式为基于螺旋方程的移动方式。也即，可以预先设定预设参数搜索器和初始参数搜索器在预设参数空间的搜索位置，并确定出相应的预设参数向量和当前参数向量，然后根据所述预设参数向量和所述当前参数向量之间的差值确定出初始参数搜索器下一次迭代时需要搜索的位置。所述第一移动方式可以用以下预设包围公式表示。

其中，

其中，

所述第二移动方式可以用以下预设螺旋公式表示。

其中，b是螺旋公式中的系数，可以是一个常数；l为[-1,1]之间的随机数。这样一来，初始参数搜索器可以在不断缩小的范围中行动，并且沿着旋转形路径移动，直至当前迭代次数大于预设次数阈值，从而确定出目标参数。

通过上述方案，相对于目前在深度学习中大多基于梯度下降算法进行算法模型优化的深度学习模型，本申请可以避免梯度消失和梯度爆炸的问题，从而进一步提高模型的训练速度。

步骤S13、将所述训练后深度学习模型确定为目标企业信用等级分类模型，以便利用所述目标企业信用等级分类模型进行企业信用等级分类操作。

本实施例中，将得到的训练后深度学习模型确定为目标企业信用等级分类模型，以便利用所述目标企业信用等级分类模型进行企业信用等级分类操作，然后可以根据分类结果确定评价机制。

本实施例中，获取历史企业征信数据，并对所述历史企业征信数据进行数据预处理操作，以得到目标训练样本；将所述目标训练样本输入至基于注意力机制构造的预设深度学习模型中，以基于所述目标训练样本和预设包围求解算法确定出所述预设深度学习模型的目标参数，以便得到训练后深度学习模型；所述预设包围求解算法为基于用于对参数搜索器的搜索位置进行移动的第一移动方式和第二移动方式构建的算法；所述第一移动方式为基于包围机制的移动方式，所述第二移动方式为基于螺旋方程的移动方式；将所述训练后深度学习模型确定为目标企业信用等级分类模型，以便利用所述目标企业信用等级分类模型进行企业信用等级分类操作。这样一来，通过基于预设包围求解算法对预设深度学习模型进行训练，避免了对传统的机器学习模型进行训练，从而提高了模型训练后得到的目标企业信用等级分类模型对高维、复杂数据的识别精度，并且所述预设深度学习模型为基于注意力机制构造的模型，可以提高模型分类精度，同时提升目标企业信用等级分类模型的泛化性和鲁棒性。

上述实施例中介绍了一种训练企业信用等级分类模型的方法，本实施例将具体介绍一种目标参数确定方法。

参见图5所示，本发明实施例公开了一种目标参数确定方法，包括：

步骤S21、确定当前随机数。

本实施例中，可以根据预设随机数确定方法确定出当前随机数。

步骤S22、基于所述当前随机数从预设包围求解算法中筛选第一移动方式或第二移动方式作为当前参数搜索器移动方式。

本实施例中，可以理解的是，所述基于所述当前随机数从预设包围求解算法中筛选第一移动方式或第二移动方式作为当前参数搜索器移动方式，可以如下随机筛选公式所示。

其中，p为[0,1]之间的随机数。也即，若p小于0.5，则从预设包围求解算法中筛选出第一移动方式作为当前参数搜索器移动方式；若p大于或等于0.5，则从预设包围求解算法中筛选出第二移动方式作为当前参数搜索器移动方式。

步骤S23、利用所述当前参数搜索器移动方式对参数搜索器的当前搜索位置进行移动，然后重新跳转至所述确定当前随机数，直到满足预设结束条件，以得到迭代后输出的目标搜索器。

本实施例中，利用当前参数搜索器移动方式对参数搜索器的当前搜索位置进行移动，然后重新跳转至所述确定当前随机数的步骤，直到满足预设结束条件，以得到迭代后输出的目标搜索器。这样一来，通过根据随机数确定当前参数搜索器移动方式，避免了当前参数搜索器只按照单一移动方式进行移动，从而降低了确定出的目标搜索器是局部最优搜索器的可能性。可以理解的是，所述预设结束条件可以由用户根据自身需求进行设定，例如，当确定当前随机数的步骤执行次数大于100次时，则判定满足预设结束条件。

步骤S24、基于所述目标搜索器确定出最优参数搜索器，并利用所述最优参数搜索器确定出预设深度学习模型的目标参数。

本实施例中，需要指出的是，所述基于所述目标搜索器确定出最优参数搜索器，包括：根据预设随机搜索器确定规则确定出随机搜索器；从所述随机搜索器和所述目标搜索器中筛选出最优参数搜索器。考虑到进一步降低得到的最优参数搜索器是局部最优的可能性，可以在确定出目标搜索器之后，根据预设随机搜索器确定规则确定出随机搜索器，然后从所述随机搜索器和所述目标搜索器中筛选出最优参数搜索器。例如，确定出目标搜索器M后，若确定出随机搜索器N，且相比于所述目标搜索器M对应的参数向量，所述随机搜索器N对应的参数向量与预设参数向量之间的差值更小，则可以将所述随机搜索器N确定为最优参数搜索器。

本实施例中，确定当前随机数；基于所述当前随机数从预设包围求解算法中筛选第一移动方式或第二移动方式作为当前参数搜索器移动方式；利用所述当前参数搜索器移动方式对参数搜索器的当前搜索位置进行移动，然后重新跳转至所述确定当前随机数，直到满足预设结束条件，以得到迭代后输出的目标搜索器；基于所述目标搜索器确定出最优参数搜索器，并利用所述最优参数搜索器确定出预设深度学习模型的目标参数。这样一来，可以根据得到的当前随机数确定当前参数搜索器移动方式，避免了当前参数搜索器只按照单一移动方式进行移动，降低了确定出的目标搜索器是局部最优搜索器的可能性，从而提高了模型的训练效果。

参加图6所示，本申请公开了一种企业信用等级分类模型训练装置，包括：

样本获取模块11，用于获取历史企业征信数据，并对所述历史企业征信数据进行数据预处理操作，以得到目标训练样本；

模型训练模块12，用于将所述目标训练样本输入至基于注意力机制构造的预设深度学习模型中，以基于所述目标训练样本和预设包围求解算法确定出所述预设深度学习模型的目标参数，以便得到训练后深度学习模型；所述预设包围求解算法为基于用于对参数搜索器的搜索位置进行移动的第一移动方式和第二移动方式构建的算法；所述第一移动方式为基于包围机制的移动方式，所述第二移动方式为基于螺旋方程的移动方式；

目标模型确定模块13，用于将所述训练后深度学习模型确定为目标企业信用等级分类模型，以便利用所述目标企业信用等级分类模型进行企业信用等级分类操作。

本申请中，获取历史企业征信数据，并对所述历史企业征信数据进行数据预处理操作，以得到目标训练样本；将所述目标训练样本输入至基于注意力机制构造的预设深度学习模型中，以基于所述目标训练样本和预设包围求解算法确定出所述预设深度学习模型的目标参数，以便得到训练后深度学习模型；所述预设包围求解算法为基于用于对参数搜索器的搜索位置进行移动的第一移动方式和第二移动方式构建的算法；所述第一移动方式为基于包围机制的移动方式，所述第二移动方式为基于螺旋方程的移动方式；将所述训练后深度学习模型确定为目标企业信用等级分类模型，以便利用所述目标企业信用等级分类模型进行企业信用等级分类操作。这样一来，通过基于预设包围求解算法对预设深度学习模型进行训练，避免了对传统的机器学习模型进行训练，从而提高了模型训练后得到的目标企业信用等级分类模型对高维、复杂数据的识别精度，并且所述预设深度学习模型为基于注意力机制构造的模型，可以提高模型分类精度，同时提升目标企业信用等级分类模型的泛化性和鲁棒性。

在一些具体实施例中，所述样本获取模块11，具体可以包括：

数据清洗子模块，用于对所述历史企业征信数据进行数据清洗操作，以得到清洗后征信数据；

数据集成降维单元，用于对所述清洗后征信数据依次进行数据集成操作和数据降维操作，以得到降维后征信数据；

特征生成单元，用于生成与所述降维后征信数据对应的词向量特征，以得到目标训练样本。

在一些具体实施例中，所述数据清洗子模块，具体可以包括：

数据清洗操作执行单元，用于利用预设数据清洗方法对所述历史企业征信数据进行数据清洗操作，以得到清洗后征信数据；所述预设数据清洗方法包括缺失值补全、重复值去除、降噪处理和离群点去除中的任意一种或几种的组合。

在一些具体实施例中，所述模型训练模块12，具体可以包括：

随机数确定单元，用于确定当前随机数；

移动方式筛选单元，用于基于所述当前随机数从所述预设包围求解算法中筛选所述第一移动方式或所述第二移动方式作为当前参数搜索器移动方式；

目标搜索器获取单元，用于利用所述当前参数搜索器移动方式对所述参数搜索器的当前搜索位置进行移动，然后重新跳转至所述确定当前随机数，直到满足预设结束条件，以得到迭代后输出的目标搜索器；

最优参数搜索器确定子模块，用于基于所述目标搜索器确定出最优参数搜索器，并利用所述最优参数搜索器确定出所述预设深度学习模型的目标参数。

在一些具体实施例中，所述最优参数搜索器确定子模块，具体可以包括：

随机搜索器确定单元，用于根据预设随机搜索器确定规则确定出随机搜索器；

最优参数搜索器筛选单元，用于从所述随机搜索器和所述目标搜索器中筛选出最优参数搜索器。

在一些具体实施例中，所述企业信用等级分类模型训练装置，具体还可以包括：

模型构造单元，用于构造依次连接的第一卷积层、第一最大池化层、第一分组卷积注意力模块、第二分组卷积注意力模块、第二最大池化层、全连接层以及激活函数的深度学习模型，以得到所述预设深度学习模型；

其中，所述第一分组卷积注意力模块和所述第二分组卷积注意力模块均为基于注意力机制构造的用于进行分组卷积的模块，并且，任一所述分组卷积注意力模块中，均包括：第二卷积层、第一组卷积层、第二组卷积层、第三组卷积层以及用于进行加权平均处理的运算模块；

其中，所述第一组卷积层、所述第二组卷积层、所述第三组卷积层中均包含若干依次连接的卷积层；所述第二卷积层的输出端分别与所述第一组卷积层、所述第二组卷积层、所述第三组卷积层的输入端连接，所述运算模块的输入端分别与所述第一组卷积层、所述第二组卷积层、所述第三组卷积层的输出端连接。

进一步的，本申请实施例还公开了一种电子设备，图7是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。

图7为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的企业信用等级分类模型训练方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。

本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。

其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的企业信用等级分类模型训练方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。

进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的企业信用等级分类模型训练方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。