黑名单筛查方法、装置、计算机设备及存储介质与流程

本发明涉及智能决策领域，尤其涉及一种黑名单筛查方法、装置、计算机设备及存储介质。

背景技术：

目前，针对用户进行信用分析时，往往是停留在单一方面，例如获取用户的金融逾期信息、个人犯罪信息等，并不能以多个角度全方位的获取客户失信信息来综合分析用户信息度，也即不能根据综合的用户信息度从指定的用户名单中筛选出信用度低于预设信用度阈值的目标用户。

技术实现要素：

本发明实施例提供了一种黑名单筛查方法、装置、计算机设备及存储介质，旨在解决现有技术中针对用户进行信用分析时是基于单一维度而筛选出信用度低于预设信用度阈值的目标用户，无法综合考虑多维度的的问题。

第一方面，本发明实施例提供了一种黑名单筛查方法，其包括：

将根据预设的用户名单所爬取的各用户信息分别进行标注，得到与各用户信息一一对应的标注序列，以组成标注序列集合；其中，所述用户名单中各用户的用户信息至少包括2种属性信息；

将所述标注序列集合中每一标注序列作为待训练卷积神经网络的输入，将所述标注序列集合中每一标注序列对应的自然人失信概率作为待训练卷积神经网络的输出，对所述待训练卷积神经网络进行训练，得到用于预测自然人失信概率的卷积神经网络模型；

若检测到待预测失信人概率的目标用户信息，获取所述目标用户信息对应的目标标注序列；

将所述目标标注序列输入至所述卷积神经网络模型，计算得到与所述目标用户信息对应的目标自然人失信概率；

若所述目标自然人失信概率大于预设的失信人概率阈值，将所述目标用户信息对应的添加至黑名单清单。

第二方面，本发明实施例提供了一种黑名单筛查装置，其包括：

集合获取单元，用于将根据预设的用户名单所爬取的各用户信息分别进行标注，得到与各用户信息一一对应的标注序列，以组成标注序列集合；其中，所述用户名单中各用户的用户信息至少包括2种属性信息；

模型训练单元，用于将所述标注序列集合中每一标注序列作为待训练卷积神经网络的输入，将所述标注序列集合中每一标注序列对应的自然人失信概率作为待训练卷积神经网络的输出，对所述待训练卷积神经网络进行训练，得到用于预测自然人失信概率的卷积神经网络模型；

目标序列获取单元，用于若检测到待预测失信人概率的目标用户信息，获取所述目标用户信息对应的目标标注序列；

概率获取单元，用于将所述目标标注序列输入至所述卷积神经网络模型，计算得到与所述目标用户信息对应的目标自然人失信概率；以及

清单更新单元，用于若所述目标自然人失信概率大于预设的失信人概率阈值，将所述目标用户信息对应的添加至黑名单清单。

第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的黑名单筛查方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的黑名单筛查方法。

本发明实施例提供了一种黑名单筛查方法、装置、计算机设备及存储介质。该方法包括将根据预设的用户名单所爬取的各用户信息分别进行标注，得到与各用户信息一一对应的标注序列，以组成标注序列集合；将所述标注序列集合中每一标注序列作为待训练卷积神经网络的输入，将所述标注序列集合中每一标注序列对应的自然人失信概率作为待训练卷积神经网络的输出，对所述待训练卷积神经网络进行训练，得到用于预测自然人失信概率的卷积神经网络模型；若检测到待预测失信人概率的目标用户信息，获取所述目标用户信息对应的目标标注序列；将所述目标标注序列输入至所述卷积神经网络模型，计算得到与所述目标用户信息对应的目标自然人失信概率；以及若所述目标自然人失信概率大于预设的失信人概率阈值，将所述目标用户信息对应的添加至黑名单清单。该方法通过自动爬取用户数据，利用大数据分析多维度数据，实现了多维度分析用户失信风险。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的黑名单筛查方法的应用场景示意图；

图2为本发明实施例提供的黑名单筛查方法的流程示意图；

图3为本发明实施例提供的黑名单筛查方法的另一流程示意图；

图4为本发明实施例提供的黑名单筛查方法的子流程示意图；

图5为本发明实施例提供的黑名单筛查方法的另一子流程示意图；

图6为本发明实施例提供的黑名单筛查装置的示意性框图；

图7为本发明实施例提供的黑名单筛查装置的另一示意性框图；

图8为本发明实施例提供的黑名单筛查装置的子单元示意性框图；

图9为本发明实施例提供的黑名单筛查装置的另一子单元示意性框图；

图10为本发明实施例提供的计算机设备的示意性框图。

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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的黑名单筛查方法的应用场景示意图，图2为本发明实施例提供的黑名单筛查方法的流程示意图，该黑名单筛查方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。

如图2所示，该方法包括步骤s110～s150。

s110、将根据预设的用户名单所爬取的各用户信息分别进行标注，得到与各用户信息一一对应的标注序列，以组成标注序列集合；其中，所述用户名单中各用户的用户信息至少包括2种属性信息。

在本实施例中，当用户端上传用户名单至服务器时，服务器针对用户端上传的用户名单中每一用户爬取用户信息，然后对所爬取的用户信息进行标注后对应得到标注序列集合，将标注序列集合作为训练用于预测自然人失信概率的卷积神经网络模型的数据基础。为了多维度的获取与用户信用相关的信息，所爬取的各用户信息至少包括两种属性信息，例如个人实体维度的属性信息，及企业法人维度的属性信息。

在一实施例中，如图3所示，步骤s110之前还包括：

s101、通过爬虫工具爬取预设的用户名单中各用户对应的用户信息，将所爬取的用户信息以每一用户的唯一识别标识为主键分别存储至数据表格。

即当用户端将预设的用户名单上传至服务器后，服务器启动爬虫工具爬取预设的用户名单中各用户对应的用户信息，其中用户端初始上传的用户名单中每一用户除了包括用户姓名，还包括与用户姓名对应的授权文件。在此过程中主要爬取两大维度的用户信息，一是个人实体维度，二是企业法人维度(即这一用户若还担任企业法人，还需分析其企业法人维度的信用度)。

在个人实体维度中，针对预设的用户名单中每一用户需要爬取的信息为个人犯罪信息，非银信贷信息，金融逾期信息，高法失信信息等信息；

在企业法人维度，所需爬取的信息包括企业诉讼信息，违法欺骗信息，发展改革委受惩信息，食药监局黑名单信息，重大税收违法信息等信息；

通过对个人实体维度和企业法人维度的信息进行搜集，能全面的分析用户的诚信度，单一从个人实体维度或企业法人维度都有失偏颇。

通过爬虫工具爬取预设的用户名单中各用户对应的用户信息，即每一用户都对应爬取到了个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息、企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息。为了存储所爬取到的上述信息，需将所爬取的用户信息以每一用户的唯一识别标识为主键分别存储至数据表格。例如将用户的唯一识别标识设置为身份证号，则每一条用户信息包括身份证号、个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息、企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息等字段的信息。

在一实施例中，如图4所示，步骤s101包括：

s1011、获取所述用户名单中每一用户对应的授权文件，通过图像识别获取每一授权文件中的唯一识别标识；

s1012、通过所述爬虫工具爬取预设的网址中所存储的用户信息，若检测到预设的网址中存在身份验证，将与所述用户名单中每一用户对应的授权文件上传至对应的网址以进行身份验证；

s1013、若所述授权文件通过身份验证，爬取与所述授权文件对应的用户信息，以得到与所述用户名单中每一用户对应的用户信息；

s1014、以所述用户名单中每一用户对应的唯一识别标识为主键，将每一用户对应的用户信息组成一条用户数据，并存储于数据表格中对应的区域。

在本实施例中，当用户端将预设的用户名单上传至服务器后，服务器启动爬虫工具爬取预设的用户名单中各用户对应的用户信息，其中用户端初始上传的用户名单中每一用户除了包括用户姓名，还包括与用户姓名对应的授权文件。一般授权文件为身份证图片，此时可以通过图像识别获取每一授权文件中的唯一识别标识(如身份证号)。

当根据用户名单在此时为了确保能从预设的网址(例如查询个人犯罪信息需登录公安系统的网址、查询非银信贷信息和金融逾期信息需登录征信系统查看贷款记录和逾期记录、查询高法失信信息需要登录法院系统的网址等)，而登录上述预设的网址时，可能需用户上传授权文件，而用户所上传的授权文件一般是身份证图片或扫描件格式的文件，此时上传并通过验证后即可爬取用户的个人实体维度和企业法人维度的各种信息。在爬取了用户名单中每一用户的上述信息后，以所述用户名单中每一用户对应的唯一识别标识为主键，将每一用户对应的用户信息组成一条用户数据，并存储于数据表格中对应的区域。

在一实施例中，如图5所示，步骤s110包括：

s111、据所述用户名单获取每一用户对应的用户类型；

s112、若当前用户对应的用户类型为个人用户，根据预设的个人用户标注策略获取当前用户所对应的用户信息中每一字段信息的字段取值，以根据各字段取值组成与当前用户对应的标注序列；

s113、若当前用户对应的用户类型为企业用户，根据预设的企业用户标注策略获取当前用户所对应的用户信息中每一字段信息的字段取值，以根据各字段取值组成与当前用户对应的标注序列；

s114、由与各用户信息一一对应的标注序列组成标注序列集合。

在一实施例中，步骤s112包括：

统计当前用户对应的用户信息中各字段信息对应的信息条数，以作为每一字段信息的字段取值，并根据各字段取值组成与当前用户对应的标注序列。

在本实施例中，预设的个人用户标注策略为：根据个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息各自对应的信息条数，作为上述各字段的取值，并将企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息各自对应的信息条数取0。

预设的企业用户标注策略为：根据个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息、企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息各自对应的信息条数，作为上述各字段的取值。

用户名单中是有至少两类用户，一类是个人用户，另一类是企业用户。个人用户表示该用户并未在企业中担任法人，企业用户表示该用户在企业中担任法人。例如个人用户的用户信息爬取后，根据个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息各自对应的信息条数，作为上述各字段的取值，而企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息自对应的信息条数取值为0。企业用户的用户信息爬取后根据个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息、企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息各自对应的信息条数，作为上述各字段的取值。企业用户与个人用户的区别在于，企业用户的企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息可能有非0的取值。

在组成与每一用户对应的标注序列时，按照个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息、企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息这9个字段的取值依序组成一个序列。得到了与各用户信息一一对应的标注序列，由由与各用户信息一一对应的标注序列组成标注序列集合。通过上述转化策略，将能考量用户信用指标参数均进行量化处理，便于后续模型训练使用。

s120、将所述标注序列集合中每一标注序列作为待训练卷积神经网络的输入，将所述标注序列集合中每一标注序列对应的自然人失信概率作为待训练卷积神经网络的输出，对所述待训练卷积神经网络进行训练，得到用于预测自然人失信概率的卷积神经网络模型。

在本实施例中，对用户信息进行标注时，从个人犯罪信息，非银信贷信息，金融逾期信息，高法失信信息、企业诉讼信息，违法欺骗信息，发展改革委受惩信息，食药监局黑名单信息，重大税收违法信息进行标注，例如存在个人犯罪信息则统计犯罪信息总条数并对应根据犯罪信息总条数进行标注，如个人犯罪信息总条数为10，则将个人犯罪信息标注为10，不存在非银信贷信息则标注为0，存在2条金融逾期信息则标注为2，不存在高法失信则标注为0，存在8条诉讼信息则标注为8，存在11条违法欺骗信息则标注为11，存在3条发展改革委受惩信息则标注为3，存在1条食药监局黑名单信息则标注为1，存在2条重大税收违法信息则标注为2，即该条用户信息进行标注后为[10020811312],将该用户的自然人失信概率标注为0.91，当通过大量的数据对所述待训练卷积神经网络进行训练，得到预测自然人失信概率的卷积神经网络模型。

s130、若检测到待预测失信人概率的目标用户信息，获取所述目标用户信息对应的目标标注序列。

在本实施例中，当需对某一个或多个用户进行失信人概率预测时，同样需通过授权文件爬取对应用户的个人犯罪信息，非银信贷信息，金融逾期信息，高法失信信息、企业诉讼信息，违法欺骗信息，发展改革委受惩信息，食药监局黑名单信息，重大税收违法信息，之后将其转化为用户信息序列作为卷积神经网络模型的输入，计算得到与所述目标用户信息对应的目标自然人失信概率。

s140、将所述目标标注序列输入至所述卷积神经网络模型，计算得到与所述目标用户信息对应的目标自然人失信概率。

在本实施中，当获取了待预测失信人概率的目标用户信息对应的目标标注序列后，即可根据已训练的卷积神经网络模型来计算得到对应的目标自然人失信概率，以作为判断待预测失信人概率的目标用户信息对应的目标用户是否为大概率失信人的依据。

s150、若所述目标自然人失信概率大于预设的失信人概率阈值，将所述目标用户信息对应的添加至黑名单清单。

在本实施例中，当与所述待预测失信人概率用户信息对应的失信人概率(如0.92)大于预设的失信人概率阈值(如将失信人概率阈值设置为0.8)，则表示该用户极大概率为失信人，应对其进行失信人标识，并加入黑名单清单。

该方法通过自动爬取用户数据，利用大数据分析多维度数据，实现了多维度分析用户失信风险。

本发明实施例还提供一种黑名单筛查装置，该黑名单筛查装置用于执行前述黑名单筛查方法的任一实施例。具体地，请参阅图6，图6是本发明实施例提供的黑名单筛查装置的示意性框图。该黑名单筛查装置100可以配置于服务器中。

如图6所示，黑名单筛查装置100包括集合获取单元110、模型训练单元120、目标序列获取单元130、概率获取单元140、清单更新单元150。

集合获取单元110，用于将根据预设的用户名单所爬取的各用户信息分别进行标注，得到与各用户信息一一对应的标注序列，以组成标注序列集合；其中，所述用户名单中各用户的用户信息至少包括2种属性信息。

在本实施例中，当用户端上传用户名单至服务器时，服务器针对用户端上传的用户名单中每一用户爬取用户信息，然后对所爬取的用户信息进行标注后对应得到标注序列集合，将标注序列集合作为训练用于预测自然人失信概率的卷积神经网络模型的数据基础。为了多维度的获取与用户信用相关的信息，所爬取的各用户信息至少包括两种属性信息，例如个人实体维度的属性信息，及企业法人维度的属性信息。

在一实施例中，如图7所示，黑名单筛查装置100还包括：

信息爬取单元101，用于通过爬虫工具爬取预设的用户名单中各用户对应的用户信息，将所爬取的用户信息以每一用户的唯一识别标识为主键分别存储至数据表格。

即当用户端将预设的用户名单上传至服务器后，服务器启动爬虫工具爬取预设的用户名单中各用户对应的用户信息，其中用户端初始上传的用户名单中每一用户除了包括用户姓名，还包括与用户姓名对应的授权文件。在此过程中主要爬取两大维度的用户信息，一是个人实体维度，二是企业法人维度(即这一用户若还担任企业法人，还需分析其企业法人维度的信用度)。

在个人实体维度中，针对预设的用户名单中每一用户需要爬取的信息为个人犯罪信息，非银信贷信息，金融逾期信息，高法失信信息等信息；

在企业法人维度，所需爬取的信息包括企业诉讼信息，违法欺骗信息，发展改革委受惩信息，食药监局黑名单信息，重大税收违法信息等信息；

通过对个人实体维度和企业法人维度的信息进行搜集，能全面的分析用户的诚信度，单一从个人实体维度或企业法人维度都有失偏颇。

通过爬虫工具爬取预设的用户名单中各用户对应的用户信息，即每一用户都对应爬取到了个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息、企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息。为了存储所爬取到的上述信息，需将所爬取的用户信息以每一用户的唯一识别标识为主键分别存储至数据表格。例如将用户的唯一识别标识设置为身份证号，则每一条用户信息包括身份证号、个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息、企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息等字段的信息。

在一实施例中，如图8所示，信息爬取单元101包括：

标识识别单元1011，用于获取所述用户名单中每一用户对应的授权文件，通过图像识别获取每一授权文件中的唯一识别标识；

身份验证单元1012，用于通过所述爬虫工具爬取预设的网址中所存储的用户信息，若检测到预设的网址中存在身份验证，将与所述用户名单中每一用户对应的授权文件上传至对应的网址以进行身份验证；

用户信息获取单元1013，用于若所述授权文件通过身份验证，爬取与所述授权文件对应的用户信息，以得到与所述用户名单中每一用户对应的用户信息；

信息存储单元1014，用于以所述用户名单中每一用户对应的唯一识别标识为主键，将每一用户对应的用户信息组成一条用户数据，并存储于数据表格中对应的区域。

在本实施例中，当用户端将预设的用户名单上传至服务器后，服务器启动爬虫工具爬取预设的用户名单中各用户对应的用户信息，其中用户端初始上传的用户名单中每一用户除了包括用户姓名，还包括与用户姓名对应的授权文件。一般授权文件为身份证图片，此时可以通过图像识别获取每一授权文件中的唯一识别标识(如身份证号)。

当根据用户名单在此时为了确保能从预设的网址(例如查询个人犯罪信息需登录公安系统的网址、查询非银信贷信息和金融逾期信息需登录征信系统查看贷款记录和逾期记录、查询高法失信信息需要登录法院系统的网址等)，而登录上述预设的网址时，可能需用户上传授权文件，而用户所上传的授权文件一般是身份证图片或扫描件格式的文件，此时上传并通过验证后即可爬取用户的个人实体维度和企业法人维度的各种信息。在爬取了用户名单中每一用户的上述信息后，以所述用户名单中每一用户对应的唯一识别标识为主键，将每一用户对应的用户信息组成一条用户数据，并存储于数据表格中对应的区域。

在一实施例中，如图9所示，集合获取单元110包括：

用户类型判断单元111，用于据所述用户名单获取每一用户对应的用户类型；

第一序列获取单元112，用于若当前用户对应的用户类型为个人用户，根据预设的个人用户标注策略获取当前用户所对应的用户信息中每一字段信息的字段取值，以根据各字段取值组成与当前用户对应的标注序列；

第二序列获取单元113，用于若当前用户对应的用户类型为企业用户，根据预设的企业用户标注策略获取当前用户所对应的用户信息中每一字段信息的字段取值，以根据各字段取值组成与当前用户对应的标注序列；

序列组合单元114，用于由与各用户信息一一对应的标注序列组成标注序列集合。

在一实施例中，第一序列获取单元112还用于：

统计当前用户对应的用户信息中各字段信息对应的信息条数，以作为每一字段信息的字段取值，并根据各字段取值组成与当前用户对应的标注序列。

在本实施例中，预设的个人用户标注策略为：根据个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息各自对应的信息条数，作为上述各字段的取值，并将企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息各自对应的信息条数取0。

预设的企业用户标注策略为：根据个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息、企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息各自对应的信息条数，作为上述各字段的取值。

用户名单中是有至少两类用户，一类是个人用户，另一类是企业用户。个人用户表示该用户并未在企业中担任法人，企业用户表示该用户在企业中担任法人。例如个人用户的用户信息爬取后，根据个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息各自对应的信息条数，作为上述各字段的取值，而企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息自对应的信息条数取值为0。企业用户的用户信息爬取后根据个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息、企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息各自对应的信息条数，作为上述各字段的取值。企业用户与个人用户的区别在于，企业用户的企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息可能有非0的取值。

在组成与每一用户对应的标注序列时，按照个人犯罪信息、非银信贷信息、金融逾期信息、高法失信信息、企业诉讼信息、违法欺骗信息、发展改革委受惩信息、食药监局黑名单信息、重大税收违法信息这9个字段的取值依序组成一个序列。得到了与各用户信息一一对应的标注序列，由由与各用户信息一一对应的标注序列组成标注序列集合。通过上述转化策略，将能考量用户信用指标参数均进行量化处理，便于后续模型训练使用。

模型训练单元120，用于将所述标注序列集合中每一标注序列作为待训练卷积神经网络的输入，将所述标注序列集合中每一标注序列对应的自然人失信概率作为待训练卷积神经网络的输出，对所述待训练卷积神经网络进行训练，得到用于预测自然人失信概率的卷积神经网络模型。

在本实施例中，对用户信息进行标注时，从个人犯罪信息，非银信贷信息，金融逾期信息，高法失信信息、企业诉讼信息，违法欺骗信息，发展改革委受惩信息，食药监局黑名单信息，重大税收违法信息进行标注，例如存在个人犯罪信息则统计犯罪信息总条数并对应根据犯罪信息总条数进行标注，如个人犯罪信息总条数为10，则将个人犯罪信息标注为10，不存在非银信贷信息则标注为0，存在2条金融逾期信息则标注为2，不存在高法失信则标注为0，存在8条诉讼信息则标注为8，存在11条违法欺骗信息则标注为11，存在3条发展改革委受惩信息则标注为3，存在1条食药监局黑名单信息则标注为1，存在2条重大税收违法信息则标注为2，即该条用户信息进行标注后为[10020811312],将该用户的自然人失信概率标注为0.91，当通过大量的数据对所述待训练卷积神经网络进行训练，得到预测自然人失信概率的卷积神经网络模型。

目标序列获取单元130，用于若检测到待预测失信人概率的目标用户信息，获取所述目标用户信息对应的目标标注序列。

在本实施例中，当需对某一个或多个用户进行失信人概率预测时，同样需通过授权文件爬取对应用户的个人犯罪信息，非银信贷信息，金融逾期信息，高法失信信息、企业诉讼信息，违法欺骗信息，发展改革委受惩信息，食药监局黑名单信息，重大税收违法信息，之后将其转化为用户信息序列作为卷积神经网络模型的输入，计算得到与所述目标用户信息对应的目标自然人失信概率。

概率获取单元140，用于将所述目标标注序列输入至所述卷积神经网络模型，计算得到与所述目标用户信息对应的目标自然人失信概率。

在本实施中，当获取了待预测失信人概率的目标用户信息对应的目标标注序列后，即可根据已训练的卷积神经网络模型来计算得到对应的目标自然人失信概率，以作为判断待预测失信人概率的目标用户信息对应的目标用户是否为大概率失信人的依据。

清单更新单元150，用于若所述目标自然人失信概率大于预设的失信人概率阈值，将所述目标用户信息对应的添加至黑名单清单。

在本实施例中，当与所述待预测失信人概率用户信息对应的失信人概率(如0.92)大于预设的失信人概率阈值(如将失信人概率阈值设置为0.8)，则表示该用户极大概率为失信人，应对其进行失信人标识，并加入黑名单清单。

该装置通过自动爬取用户数据，利用大数据分析多维度数据，实现了多维度分析用户失信风险。

上述黑名单筛查装置可以实现为计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。

请参阅图10，图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行黑名单筛查方法。

该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行黑名单筛查方法。

该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图10中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500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。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：将根据预设的用户名单所爬取的各用户信息分别进行标注，得到与各用户信息一一对应的标注序列，以组成标注序列集合；将所述标注序列集合中每一标注序列作为待训练卷积神经网络的输入，将所述标注序列集合中每一标注序列对应的自然人失信概率作为待训练卷积神经网络的输出，对所述待训练卷积神经网络进行训练，得到用于预测自然人失信概率的卷积神经网络模型；若检测到待预测失信人概率的目标用户信息，获取所述目标用户信息对应的目标标注序列；将所述目标标注序列输入至所述卷积神经网络模型，计算得到与所述目标用户信息对应的目标自然人失信概率；以及若所述目标自然人失信概率大于预设的失信人概率阈值，将所述目标用户信息对应的添加至黑名单清单。

在一实施例中，处理器502在执行所述将根据预设的用户名单所爬取的各用户信息进行标注，得到与各用户一一对应的标注序列，以组成标注序列集合的步骤之前，还执行如下操作：通过爬虫工具爬取预设的用户名单中各用户对应的用户信息，将所爬取的用户信息以每一用户的唯一识别标识为主键分别存储至数据表格。

在一实施例中，处理器502在执行所述通过爬虫工具爬取预设的用户名单中各用户对应的用户信息，将所爬取的用户信息以每一用户的唯一识别标识为主键分别存储至数据表格的步骤时，执行如下操作：获取所述用户名单中每一用户对应的授权文件，通过图像识别获取每一授权文件中的唯一识别标识；通过所述爬虫工具爬取预设的网址中所存储的用户信息，若检测到预设的网址中存在身份验证，将与所述用户名单中每一用户对应的授权文件上传至对应的网址以进行身份验证；若所述授权文件通过身份验证，爬取与所述授权文件对应的用户信息，以得到与所述用户名单中每一用户对应的用户信息；以所述用户名单中每一用户对应的唯一识别标识为主键，将每一用户对应的用户信息组成一条用户数据，并存储于数据表格中对应的区域。

在一实施例中，处理器502在执行所述将根据预设的用户名单所爬取的各用户信息分别进行标注，得到与各用户信息一一对应的标注序列，以组成标注序列集合的步骤时，执行如下操作：根据所述用户名单获取每一用户对应的用户类型；若当前用户对应的用户类型为个人用户，根据预设的个人用户标注策略获取当前用户所对应的用户信息中每一字段信息的字段取值，以根据各字段取值组成与当前用户对应的标注序列；若当前用户对应的用户类型为企业用户，根据预设的企业用户标注策略获取当前用户所对应的用户信息中每一字段信息的字段取值，以根据各字段取值组成与当前用户对应的标注序列；由与各用户信息一一对应的标注序列组成标注序列集合。

在一实施例中，处理器502在执行所述根据预设的个人用户标注策略获取当前用户所对应的用户信息中每一字段信息的字段取值，以根据各字段取值组成与当前用户对应的标注序列的步骤时，执行如下操作：统计当前用户对应的用户信息中各字段信息对应的信息条数，以作为每一字段信息的字段取值，并根据各字段取值组成与当前用户对应的标注序列。

本领域技术人员可以理解，图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图10所示实施例一致，在此不再赘述。

应当理解，在本发明实施例中，处理器502可以是中央处理单元(centralprocessingunit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现以下步骤：将根据预设的用户名单所爬取的各用户信息分别进行标注，得到与各用户信息一一对应的标注序列，以组成标注序列集合；将所述标注序列集合中每一标注序列作为待训练卷积神经网络的输入，将所述标注序列集合中每一标注序列对应的自然人失信概率作为待训练卷积神经网络的输出，对所述待训练卷积神经网络进行训练，得到用于预测自然人失信概率的卷积神经网络模型；若检测到待预测失信人概率的目标用户信息，获取所述目标用户信息对应的目标标注序列；将所述目标标注序列输入至所述卷积神经网络模型，计算得到与所述目标用户信息对应的目标自然人失信概率；以及若所述目标自然人失信概率大于预设的失信人概率阈值，将所述目标用户信息对应的添加至黑名单清单。

在一实施例中，所述将根据预设的用户名单所爬取的各用户信息进行标注，得到与各用户一一对应的标注序列，以组成标注序列集合之前，还包括：通过爬虫工具爬取预设的用户名单中各用户对应的用户信息，将所爬取的用户信息以每一用户的唯一识别标识为主键分别存储至数据表格。

在一实施例中，所述通过爬虫工具爬取预设的用户名单中各用户对应的用户信息，将所爬取的用户信息以每一用户的唯一识别标识为主键分别存储至数据表格，包括:获取所述用户名单中每一用户对应的授权文件，通过图像识别获取每一授权文件中的唯一识别标识；通过所述爬虫工具爬取预设的网址中所存储的用户信息，若检测到预设的网址中存在身份验证，将与所述用户名单中每一用户对应的授权文件上传至对应的网址以进行身份验证；若所述授权文件通过身份验证，爬取与所述授权文件对应的用户信息，以得到与所述用户名单中每一用户对应的用户信息；以所述用户名单中每一用户对应的唯一识别标识为主键，将每一用户对应的用户信息组成一条用户数据，并存储于数据表格中对应的区域。

在一实施例中，所述将根据预设的用户名单所爬取的各用户信息分别进行标注，得到与各用户信息一一对应的标注序列，以组成标注序列集合，包括：根据所述用户名单获取每一用户对应的用户类型；若当前用户对应的用户类型为个人用户，根据预设的个人用户标注策略获取当前用户所对应的用户信息中每一字段信息的字段取值，以根据各字段取值组成与当前用户对应的标注序列；若当前用户对应的用户类型为企业用户，根据预设的企业用户标注策略获取当前用户所对应的用户信息中每一字段信息的字段取值，以根据各字段取值组成与当前用户对应的标注序列；由与各用户信息一一对应的标注序列组成标注序列集合。

在一实施例中，所述根据预设的个人用户标注策略获取当前用户所对应的用户信息中每一字段信息的字段取值，以根据各字段取值组成与当前用户对应的标注序列，包括：统计当前用户对应的用户信息中各字段信息对应的信息条数，以作为每一字段信息的字段取值，并根据各字段取值组成与当前用户对应的标注序列。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，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发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。