CN108711107A - 智能融资服务推荐方法及其系统 - Google Patents

Abstract

本申请涉及金融服务计算机技术领域，公开了一种智能融资服务推荐方法及其系统。该方法使用历史数据对逻辑回归模型、决策树模型和支持向量机模型训练分别进行训练，再将这三个模型的输出的预测概率值作为特征值输入到神经网络进行二次训练，训练完成后，逻辑回归模型、决策树模型、支持向量机模型和神经网络形成多模型融合系统以预测特定客户需求匹配特定融资产品的成功概率，根据成功概率为客户需求推荐融资产品，可以使得推荐成功率大大提升。

Description

智能融资服务推荐方法及其系统

技术领域

本申请涉及金融服务计算机技术领域，特别涉及智能融资服务推荐技术。

背景技术

近年来，在金融科技领域，智能融顾(智能融资顾问)日益普及。智能融顾也可理解为机器人理财，是虚拟机器人基于客户自身理财需求，通过数据算法和产品来完成以往人工提供的理财顾问服务。

进一步地说，智能融顾也是一种智能化推荐，其本质就是根据客户的历史融资信息和行为，向客户推荐适合的融资产品。随着互联网的不断扩大，移动互联网无处不在，融资产品的日益增多，面对多样的融资产品，融资专员如何为客户推荐最适合的产品，如何将客户大量的非结构化异构信息进行有效的分析并得出可靠满意的结果并且解决信息超载问题，从而诞生了智能融顾。

智能融资的一个工作是，针对特定的客户需求，如何在大量的融资产品中选出融资成功率较高的融资产品？以前的做法主要是通过人工的方式阅读理解客户需求，根据融资专员的经验为客户推荐融资产品，成功率严重依赖于融资专员的经验，而融资专员但水平参差不齐，即使是资深的融资专员也不可能对所有的融资产品都很理解，所以总体来说推荐效率低，错误率高、风险较高。

如何以自动化的方式，以比较高效率、准确率和成功率向客户推荐融资产品，就是本领域急需解决的问题。

发明内容

本申请的目的在于提供一种智能融资服务推荐方法及其系统，通过技术手段解决传统的人工推荐效率低，错误率高、风险较高的问题。

为解决上述技术问题，本发明的实施方式公开了一种智能融资服务推荐方法，包括：

在训练阶段：

使用第一历史数据分别对逻辑回归模型、决策树模型和支持向量机模型分别进行训练；

逻辑回归模型、决策树模型和支持向量机模型训练完成之后，使用第二历史数据，将逻辑回归模型、决策树模型和支持向量机模型输出的预测概率值作为特征信息，输入到神经网络，对神经网络进行训练；

其中历史数据包括客户需求的特征信息、融资产品的特征信息、和客户和融资产品的匹配信息；

在使用阶段：

获取客户需求的特征信息和融资产品的特征信息，分别输入到逻辑回归模型、决策树模型和支持向量机模型进行概率预测，将得到的三个预测概率值输出到神经网络，得到神经网络输出的成功概率；

根据成功概率确定推荐的融资产品。

本发明的实施方式还公开了一种智能融资服务推荐系统，包括：

存储器，用于存储计算机可执行指令；以及，

处理器，用于在执行计算机可执行指令时实现如上文至7中任意一项的方法中的步骤。

本发明的实施方式还公开了一种计算机可读存储介质，计算机可读存储介质中存储有计算机可执行指令，计算机可执行指令被处理器执行时实现如上文至7中任意一项的方法中的步骤。

本申请技术方案使得融资产品的推荐成功率大大提升，大大减少了融资专员的工作量，提高了融资产品推荐的效率、准确率和成功率。

本申请的说明书中记载了大量的技术特征，分布在各个技术方案中，如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话，会使得说明书过于冗长。为了避免这个问题，本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载)，除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征A+B+C，在另一个例子中公开了特征A+B+D+E，而特征C和D是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征E技术上可以与特征C相组合，则，A+B+C+D的方案因技术不可行而应当不被视为已经记载，而A+B+C+E的方案应当视为已经被记载。

附图说明

图1是本发明第一实施方式中一种智能融资服务推荐方法的流程示意图。

具体实施方式

在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

部分概念的说明：

ROC曲线：根据一系列不同的二分类方式(分界值或阈值)，以真阳性率(灵敏度)为纵坐标，假阳性率(1-特异度)为横坐标绘制的曲线

AUC面积：ROC曲线下的面积

F1值：精确值和召回率的调和均值

下面概要说明本申请的部分创新点

本申请实施方式使用历史数据对逻辑回归模型、决策树模型和支持向量机模型训练分别进行训练，再将这三个模型的输出的预测概率值作为特征值输入到神经网络进行二次训练，训练完成后，逻辑回归模型、决策树模型、支持向量机模型和神经网络形成多模型融合系统以预测特定客户需求匹配特定融资产品的成功概率，根据成功概率为客户需求推荐融资产品，可以使得推荐成功率大大提升。

从技术效果上说，根据该多模型融合系统最终输出的成功概率，系统可以将融资成功率较高的融资产品进行标记，并且按照融资成功率的高低对多个融资产品进行排序，客户通常只需要查看被标记或排位靠前的少量融资产品就可以找到合适的融资产品(现有技术中可能需要查看更多融资产品的具体信息)，这使得客户所使用的终端通常只需要向服务器请求下载少量融资产品的具体信息，从而大大减少了数据传输量，当客户使用移动终端时可以大大节约该移动终端的电能消耗(不但通信流量少了，客户实际在移动终端上查看和选择融资产品的总时间也少了)。

逻辑回归(LR)为线性模型，决策树(DT)为非线性模型，支持向量机(SVM)为将低维的非线性模型转化为高维线性模型，在这三种本质不同的模型独立训练的基础上，通过神经网络的二次训练将这三种不同类型的模型进行融合，取其长避其短，从而使得预测成功率大大提高。

发明人还发现，通过ROC曲线，AUC面积准确率，召回率，正确率，和F1值的组合来评估模型训练的效果，可以全面地评价训练的效果，使得模型训练的效果比较好。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请的实施方式作进一步地详细描述。

本发明方法实施方式涉及一种智能融资服务推荐方法。图1是该智能融资服务推荐方法的流程示意图。该方法包括两个阶段：训练阶段和使用阶段。

在训练阶段：

在步骤101中，使用第一历史数据分别对逻辑回归模型、决策树模型和支持向量机模型分别进行训练。

在步骤102中，在逻辑回归模型、决策树模型和支持向量机模型训练完成之后，使用第二历史数据，将逻辑回归模型、决策树模型和支持向量机模型输出的预测概率值作为特征信息，输入到神经网络，对神经网络进行训练。

其中第一和第二历史数据包括客户需求的特征信息、融资产品的特征信息和客户和融资产品的匹配信息。可选地，第一历史数据和第二历史数据是相同的历史数据集合。可选地，第一历史数据和第二历史数据是不同的历史数据集合，例如，可以把整个历史数据分成两个集合，分别作为第一历史数据和第二历史数据。

在使用阶段：

在步骤103中，获取客户需求的特征信息和融资产品的特征信息。

此后进入步骤104，将客户需求的特征信息和融资产品的特征信息分别输入到逻辑回归模型、决策树模型和支持向量机模型进行概率预测，

此后进入步骤105，将从上述三个模型得到的三个预测概率值输出到神经网络，得到神经网络输出的成功概率。

此后进入步骤106，根据神经网络输出的成功概率确定推荐的融资产品。

通过上述方案使得融资产品的推荐成功率大大提升。本申请的申请人利用公司已有的历史数据(非训练数据)进行了检验，准确度在90％的情况，成功率提高了2倍以上。

可选地，步骤101之前，还包括步骤：从客户需求的历史数据中采集信息，并对所采集的信息进行聚类降维，得到客户需求的特征信息。通过聚类降维可以简化特征信息，从而大大减少模型训练的工作量。

可选地,在步骤106中，如果成功概率大于阈值，则为融资产品设置推荐的标记。

可选地,在步骤106中，根据客户需求对各个融资产品的成功概率，对各个融资产品进行排序，将排序后的融资产品列表显示在客户端。

可选地，客户需求信息可以包括以下之一或其任意组合：

个人信息，车辆，公司，信用卡，贷款需求，机器设备，担保，房产，保险，职业，其他资产。

可选地，客户和融资产品的匹配信息可以是融资客户放款信息。

可选地，在逻辑回归模型、决策树模型和支持向量机模型的训练，和神经网络的训练中，使用以下信息的组合综合评估训练的效果：ROC曲线，AUC面积，Accuracy(准确率),Precision(精确率),Recall(召回率)，Fmeasure(f1值)。各个指标需要综合评估，而不是看一个指标，比如，有100个客户，系统预测一个客户，并预测成功，那么得到的准确率为100％，但召回率只有1％，显然不是最优模型，综合指标需要看AUC和ROC曲线分布图。在另一些实施例中,也可以只使用其中的一部分指标评估训练的效果。在另一些实施例中，还可以使用其他的指标和上述指标的组合来评估训练的效果。

可选地，在对客户需求信息进行采集和处理时，采用了以下手段：

1).对于二分类指标比如：(性别)[男，女]，系统无法识别这个指标，需要转换为数值型指标0和1，使计算机能够识别。

2).对于无序字符型指标比如：(身份信息)[企业主,个体户，上班族，其他]，需要处理为哑变量，哑变量的含义是指将指标的N个信息转化为N个指标，并做二分类数值处理，这样就可以精确训练每类信息对目标值的影响程度。

3).对于有序字符型指标比如：(学历)[高中及以下，大专，本科，研究生，博士及以上]，对指标的每个信息赋值，体现出学历的等级，进而进行训练。

4).对于数值型指标极值比较大的情况，比如客户的收入，数值和极值比较大导致数据分布稀疏，导致影响因素降低，处理的方法是将指标做对数(log)处理，使数据的分布更加平稳，提高训练效率，防止过拟合。

为了更好的理解本发明的技术方案，下面介绍一个训练阶段的实施例，该实施例中的内容不应当被理解为唯一的实现方法。

根据项目需求对数据进行提取和整合，分析数据仓库中的交易数据：

1.客户需求信息(个人信息,车辆,公司,信用卡,贷款需求,机器设备,担保,房产,保险,职业,其他资产)、2.融资产品信息(一级产品和二级产品)、3.融资客户放款信息(客户实际融资的产品信息)，即客户和融资产品的匹配信息。从这些信息中挑选有用的特征变量，将各个数据库中的数据放到环境内存中。

本实例中目标客户为融资需求客户，主要分为成功融资的客户和未成功融资的客户。

根据客户需求书信息和融资产品信息，对融资需求书信息和融资产品信息进行关联匹配，并整合为一张宽表，为特征的筛选做好基础。

数据探索：对每个维度进行初步的数据分析，统计数据的分布情况，常用的方法，有数据质量分析，异常值分析，分布分析，对比分析，画图分析，交叉分析，相关性分析等。

数据预处理：包括数据清洗，数据集成，数据变换，数据规约。

对融资产品信息(贷款需求信息)进行聚类(K-means)，建立分类模型。

进行数据标准化:对每个特征转为为均值为0方差为1的数据，目的是为了防止某个特征数据过大而影响目标变量。

特征筛选：利用回归方法和决策树，通过数据筛选，选取出对目标值有价值的信息，防止模型复杂而产生的过拟合现象。

对贷款需求信息、归类后产品信息和放款信息(成功为1，未成功为0)构建训练集和测试集，训练集与测试集的比例为7:3。

建立逻辑回归模型、决策树模型和支持向量机模型。

在训练集中训练模型，在测试集中测试模型，通过ROC曲线，AUC面积，准确率，召回率，正确率，F1值，综合评估模型的效果。

将逻辑回归模型、决策树模型和支持向量机模型输出的预测概率值作为特征信息，输入到神经网络，对神经网络进行训练。

需要说明的是，本领域技术人员应当理解，本发明实施方式的技术方案本质上或者说对现有技术做出贡献的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方式所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施方式不限制于任何特定的硬件和软件结合。

相应地，本发明实施方式还提供一种计算机存储介质，其中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现本发明的各方法实施方式。

此外，本发明实施方式还提供一种智能融资服务推荐系统，其中包括用于存储计算机可执行指令的存储器，以及，处理器；该处理器用于在执行该存储器中的计算机可执行指令时实现上述方法实施方式中的步骤。

需要说明的是，在本专利的申请文件中，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。本专利的申请文件中，如果提到根据某要素执行某行为，则是指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。

在本申请提及的所有文献都在本申请中引用作为参考，就如同每一篇文献被单独引用作为参考那样。此外应理解，在阅读了本申请的上述讲授内容之后，本领域技术人员可以对本申请作各种改动或修改，这些等价形式同样落于本申请所要求保护的范围。

Claims (9)

1.一种智能融资服务推荐方法，其特征在于，包括：

在训练阶段：

使用第一历史数据分别对逻辑回归模型、决策树模型和支持向量机模型分别进行训练；

所述逻辑回归模型、决策树模型和支持向量机模型训练完成之后，使用第二历史数据，将所述逻辑回归模型、决策树模型和支持向量机模型输出的预测概率值作为特征信息，输入到神经网络，对所述神经网络进行训练；

其中所述历史数据包括客户需求的特征信息、融资产品的特征信息、和客户和融资产品的匹配信息；

在使用阶段：

获取客户需求的特征信息和融资产品的特征信息，分别输入到所述逻辑回归模型、决策树模型和支持向量机模型进行概率预测，将得到的三个预测概率值输出到所述神经网络，得到所述神经网络输出的成功概率；

根据所述成功概率确定推荐的融资产品。

2.根据权利要求1所述的智能融资服务推荐方法，其特征在于，所述使用第一历史数据分别对逻辑回归模型、决策树模型和支持向量机模型分别进行训练的步骤之前，还包括以下步骤：

从客户需求的历史数据中采集信息，并对所采集的信息进行聚类降维，得到所述客户需求的特征信息。

3.根据权利要求1所述的智能融资服务推荐方法，其特征在于，所述根据所述最终概率确定推荐的融资产品，包括：

如果所述成功概率大于阈值，则为所述融资产品设置推荐的标记。

4.根据权利要求1所述的智能融资服务推荐方法，其特征在于，所述根据所述最终概率确定推荐的融资产品，包括：

根据所述客户需求对各个融资产品的成功概率，对各个融资产品进行排序，将排序后的融资产品列表显示在客户端。

5.根据权利要求1所述的智能融资服务推荐方法，其特征在于，所述客户需求信息包括以下之一或其任意组合：

个人信息，车辆，公司，信用卡，贷款需求，机器设备，担保，房产，保险，职业，其他资产。

6.根据权利要求1所述的智能融资服务推荐方法，其特征在于，所述客户和融资产品的匹配信息包括融资客户放款信息。

7.根据权利要求1所述的智能融资服务推荐方法，其特征在于，在所述逻辑回归模型、决策树模型和支持向量机模型的训练，和所述神经网络的训练中，使用以下信息的组合综合评估训练的效果：

ROC曲线，AUC面积，准确率，召回率，正确率，F1值。

8.一种智能融资服务推荐系统，其特征在于，包括：

存储器，用于存储计算机可执行指令；以及，

处理器，用于在执行所述计算机可执行指令时实现如权利要求1至7中任意一项所述的方法中的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1至7中任意一项所述的方法中的步骤。