CN109509085A - 贷前信息处理方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种贷前信息处理方法、装置、计算机设备及储存介质，包括下述步骤：获取目标用户的用户信息；根据所述用户信息,将用户信息输入到已训练至收敛的神经网络模型中，根据用户信息对贷款状态进行判断，确定所述目标用户是否处于待放款状态；若所述用户处于待放款状态，根据所述用户信息与预设的放贷规则确定所述目标用户的贷款额度。通过这种方法，可以快速判断用户的贷前状态，并且可以根据用户的信息计算用户的贷款额度，相比于人工审核计算贷款额度，有效地节省了人力与时间，确保了放贷数额的准确性，提高了放贷的速度，优化用户体验。

Description

贷前信息处理方法、装置、计算机设备及存储介质

技术领域

本发明涉及信息处理技术领域，特别是涉及一种贷前信息处理方法、装置、计算机设备及储存介质。

背景技术

当前，最迫切需要的是提高国民的消费水平与能力。要通过减税让利等方式扶持与促进企业发展，同时通过收入分配制度改革与税收政策调节国民收入差距，让多数国民具有不断扩大消费的经济能力。比如：通过出台更为严厉的房地产市场宏观调控政策，将房价稳定在与国民普遍消费能力相适应的水平等等；还有，不断健全社会保障制度建设，提高社会保障制度的保障水平，解除国民消费上的后顾之忧。只有在国民消费水平与能力不断得到提升，敢于放心大胆地消费的情况下，再借助于消费金融公司等贷款制度创新，才能在更大程度上实现促进消费、扩大内需的目的。

目前金融公司的贷款系统有很多种，但各个系统用于判断状态的字段不相同，各个系统用于判断状态的条件也不相同，导致目前并不能通过一个公共的程序实现对所有贷前系统申请件申请状态的判断。若使用简单的判断语句实现对所有系统的贷前申请状态判断，则需要较大的代码量，扩展性比较差，在需要改动一个状态的或者新增一个判断条件时，都要进行代码的改动。

发明内容

本发明实施例能够提供一种提高放贷数额准确性、有效节省人力和时间的贷前信息处理方法、装置、计算机设备及存储介质。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种贷前信息处理方法，包括以下步骤：

获取目标用户的用户信息；

根据所述用户信息确定所述目标用户是否处于待放款状态；

若所述用户处于待放款状态，根据所述用户信息与预设的放贷规则确定所述目标用户的贷款额度。

可选地，所述获取目标用户的用户信息的步骤，包括以下步骤：

获取所述目标用户的贷款资料；

将所述贷款资料输入到预设的内容识别模型中，提取所述贷款资料的贷款信息关键字，其中，所述内容识别模型为训练至收敛状态用于提取信息中的关键内容的神经网络模型；

定义所述贷款信息关键字的集合为所述用户信息。

可选地，所述根据所述用户信息确定所述目标用户是否处于待放款状态的步骤，包括以下步骤：

根据所述用户信息确定所述目标用户适用的目标系统；

根据所述用户信息和所述目标系统判断所述目标用户是否处于待放款状态。

可选地，所述根据所述用户信息确定所述目标用户选择的目标系统的步骤，包括以下步骤：

根据所述用户信息生成材料清单；

在预设的贷款系统库中查找与所述材料清单具有映射关系的至少一个贷款系统；

定义所述至少一个贷款系统为目标系统。

可选地，所述根据所述用户信息和所述目标系统判断所述目标用户是否处于待放款状态的步骤，包括下述步骤：

获取所述目标系统的判断模型；

将所述用户信息输入到所述判断模型中，所述判断模型为训练至收敛状态用于根据数据对数据所表征的贷款状态进行分类的神经网络模型；

根据所述判断模型的输出结果确定所述目标用户的是否处于待放款状态。

可选地，所述若所述用户处于待放款状态，根据所述用户信息与预设的放贷规则确定所述目标用户的贷款额度的步骤，包括下述步骤：

根据所述用户信息计算所述目标用户的用户评分；

在预设的放贷等级梯度中查找与所述用户评分相匹配的放贷等级；

定义所述放贷等级所对应的放贷额度为所述目标用户的贷款额度。

可选地，所述用户信息包含多个项目，所述根据所述用户信息计算所述目标用户的用户评分的步骤，包括下述步骤：

将所述用户信息输入预设的评分计算模型中，其中，所述评分计算模型为训练至收敛状态用于根据数据对数据所表征的分数进行分类的神经网络模型；

获取所述评分计算模型输出的所述用户信息中多个项目分别对应的分值；

定义所述多个项目分别对应的分值之和为所述用户评分。

为解决上述技术问题，本发明实施例还提供一种贷前信息处理装置，包括：

获取模块，用于获取目标用户的用户信息；

处理模块，用于根据所述用户信息确定所述目标用户是否处于待放款状态；

执行模块，用于若所述用户处于待放款状态，根据所述用户信息与预设的放贷规则确定所述目标用户的贷款额度。

可选地，所述贷前信息处理装置，还包括：

第一获取子模块，用于获取所述目标用户的贷款资料；

第一输入子模块，用于将所述贷款资料输入到预设的内容识别模型中，提取所述贷款资料的贷款信息关键字，其中，所述内容识别模型为训练至收敛状态用于提取信息中的关键内容的神经网络模型；

第一执行子模块，用于定义所述贷款信息关键字的集合为所述用户信息。

可选地，所述贷前信息处理装置，还包括：

第一处理子模块，用于根据所述用户信息确定所述目标用户适用的目标系统；

第二执行子模块，用于根据所述用户信息和所述目标系统判断所述目标用户是否处于待放款状态。

可选地，所述贷前信息处理装置，还包括：

第二处理子模块，用于根据所述用户信息生成材料清单；

第一查找子模块，用于在预设的贷款系统库中查找与所述材料清单具有映射关系的至少一个贷款系统；

第三执行子模块，用于定义所述至少一个贷款系统为目标系统。

可选地，所述贷前信息处理装置，还包括：

第二获取子模块，用于获取所述目标系统的判断模型；

第二输入子模块，用于将所述用户信息输入到所述判断模型中，所述判断模型为训练至收敛状态用于根据数据对数据所表征的贷款状态进行分类的神经网络模型；

第四执行子模块，用于根据所述判断模型的输出结果确定所述目标用户的是否处于待放款状态。

可选地，所述贷前信息处理装置，还包括：

第三处理子模块，用于根据所述用户信息计算所述目标用户的用户评分；

第二查找子模块，用于在预设的放贷等级梯度中查找与所述用户评分相匹配的放贷等级；

第五执行子模块，用于定义所述放贷等级所对应的放贷额度为所述目标用户的贷款额度。

可选地，所述贷前信息处理装置，还包括：

第三输入子模块，用于将所述用户信息输入预设的评分计算模型中，其中，所述评分计算模型为训练至收敛状态用于根据数据对数据所表征的分数进行分类的神经网络模型；

第三获取子模块，用于获取所述评分计算模型输出的所述用户信息中多个项目分别对应的分值；

第六执行子模块，用于定义所述多个项目分别对应的分值之和为所述用户评分。

为解决上述技术问题，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述贷前信息处理方法的步骤。

为解决上述技术问题，本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述贷前信息处理方法的步骤。

本发明实施例的有益效果是：通过获取用户的信息，使用统一的系统判断用户的贷前状态，避免了不同贷款系统的判断条件不同，用户或者管理人员需要根据实际情况选择贷款系统的问题，使贷前状态判断更加便捷，也确保了贷前状态判断的准确性。当用户处于待放款状态时，通过用户信息和预设的放贷规则确定用户的贷款额度，有效地减少计算和审核的时间和人力消耗，提高了放贷速度，同时确保了准确性，避免了人工计算误差或理解偏差导致的计算方法不统一的问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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为本发明实施例贷前信息处理方法的基本流程示意图；

图2为本发明实施例获取用户信息的流程示意图；

图3为本发明实施例确认用户是否处于待放款状态的流程示意图；

图4为本发明实施例确定目标系统的流程示意图；

图5为本发明实施例判断目标用户的贷前状态的流程示意图；

图6为本发明实施例确定放款额度的流程示意图；

图7为本发明实施例计算用户评分的流程示意图；

图8为本发明实施例贷前信息处理装置的基本结构框图；

图9为本发明实施例计算机设备基本结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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。

在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

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，本领域技术人员在没有作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。

本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(PersonalCommunicationsService，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(PersonalDigitalAssistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(GlobalPositioningSystem，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(MobileInternetDevice，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。

具体地请参阅图1，图1为本实施例贷前信息处理方法的基本流程示意图。

如图1所示，一种贷前信息处理方法，包括以下步骤：

S1100、获取目标用户的用户信息；

获取所述目标用户的贷款资料，将所述贷款资料输入到预设的内容识别模型中，提取所述贷款资料的贷款信息关键字，其中，所述内容识别模型为训练至收敛状态用于提取信息中的关键内容的神经网络模型，定义所述贷款信息关键字的集合为所述用户信息。

S1200、根据所述用户信息确定所述目标用户是否处于待放款状态；

根据所述用户信息确定所述目标用户适用的目标系统，在一些实施方式中，将多个贷款系统整合为一个判断系统，每个系统都具有不一样的判断条件和需要的资料等等内容，例如，个人贷款需要身份证和收入证明等材料，企业贷款需要营业执照和经营纳税证明等材料，首先根据用户信息确定用户所适用的是哪一个系统，再根据所述用户信息和目标系统判断用户的贷前状态，确定目标用户是否处于待放款状态。

S1300、若所述用户处于待放款状态，根据所述用户信息与预设的放贷规则确定所述目标用户的贷款额度；

当判断用户处于待放款状态中时，根据所述用户信息计算目标用户的用户评分，然后在预设的放贷等级梯度中查找与用户评分相匹配的放贷等级，根据放贷等级查找相对应的放贷额度，定义该放贷额度为目标用户的贷款额度。

如图2所示，步骤S1100具体包括以下步骤：

S1110、获取所述目标用户的贷款资料；

贷款资料的获取方式可以是用户自行上传的，也可以是工作人员整理上传的内容；贷款资料可以以电子文档的格式，也可以通过扫描或者拍照等方式上传的图像文件。具体地，用户在准备资料之前，通过查阅贷款公司发布的信息或咨询工作人员，了解自己适合的贷款方式并准备该贷款方式所需要的资料，资料准备完成后，用户通过智能终端的应用程序将资料的文档文件或图像文件上传到服务器中，或者将资料交由工作人员，由工作人员上传至服务器。

S1120、将所述贷款资料输入到预设的内容识别模型中，提取所述贷款资料的贷款信息关键字，其中，所述内容识别模型为训练至收敛状态用于提取信息中的关键内容的神经网络模型；

将获取到的贷款资料输入到内容识别模型中，其中，贷款资料可以是多份不同的文件，通过文字识别技术，识别并提取贷款资料中的贷款信息关键字。具体地，每份贷款资料上传的时候可以选择文件类型，例如身份证、收入证明或者个人信用评价报告等等，但不限于此。首先通过文字识别技术提取各贷款资料中的关键信息，不同文件类型提取的信息关键字各不相同，例如，身份证文件提取其中的姓名、住址和身份证号码等信息，收入证明提取其中的年收入和就业公司等信息。在一些实施方式中可以通过预设的模版进行定位，再抽取图像文件中特定位置的内容，识别该位置内容所包含的文字信息，作为信息关键字，例如，通过身份证文件中“姓名”和“住址”两个词的位置对图像进行定位，识别图像中与这两个词所在的位置具有预设相对距离的位置的内容，作为信息关键字。

S1130、定义所述贷款信息关键字的集合为所述用户信息；

统计所有从贷款资料中提取的贷款信息关键字，将贷款信息关键字的合集定义为用户信息。因此，用户信息中包含有众多贷款相关的元素，例如姓名、身份证号、信用评价、婚姻情况、年收入、工作单位和学历等等，但不限于此。

通过上述方法，通过获取用户的贷款资料，从资料中提取出贷款信息关键字作为用户信息，提高了信息录入的效率，同时避免了人工录入信息造成的错误，通过资料的方式提取保证了信息的真实性。

如图3所示，步骤S1200具体包括以下步骤：

S1210、根据所述用户信息确定所述目标用户适用的目标系统；

用户信息中包括用户贷款材料的材料名称，例如身份证、收入证明和信用报告等，但不限于此。根据用户信息中的材料名称生成材料清单，材料清单包括用户信息中所有材料名称，在预设的贷款系统库中查找与材料清单具有映射关系的至少一个贷款系统，定义查找到的至少一个贷款系统为目标系统。

S1220、根据所述用户信息和所述目标系统判断所述目标用户是否处于待放款状态；

每个贷款系统都具有自己的判断模型，用于根据用户信息判断用户的贷前状态，在确定目标系统后，获取目标系统的判断模型，将用户信息输入到判断模型中，通过判断模型的输出结果确定用户的贷前状态，判断用户是否处于待放款状态。

通过上述方法，根据用户信息查找匹配相对应的贷款系统，从多个贷款系统中获取用户需要的目标系统，再根据系统的判断模型判断用户的贷前状态，实现了对多个贷款系统的统一，不同需求的用户都可以通过一个接入点进行贷款状态判断，用户不需要自己查找对应的系统，方便用户的操作，提高便捷性，优化用户体验。

如图4所示，步骤S1210具体包括以下步骤：

S1211、根据所述用户信息生成材料清单；

用户信息中包括用户贷款材料的材料名称，例如身份证、收入证明和信用报告等，但不限于此。根据用户信息中的材料名称生成材料清单，材料清单包括用户信息中所有材料名称。

S1212、在预设的贷款系统库中查找与所述材料清单具有映射关系的至少一个贷款系统；

贷款系统库中包含有多个贷款系统，每个贷款系统具备自己的所需材料，所需材料是该贷款系统判断贷款状态和放贷额度需要的所有材料名称的合集。在获取到材料清单之后，在贷款系统库中查找所需材料与材料清单相匹配的系统，例如，个人贷款需要的材料为身份证、学历证明和收入证明等，企业贷款需要的材料为营业执照和经营纳税证明等。当获取到用户的身份证、学历证明和收入证明时，从贷款系统库中查到与之相匹配的个人贷款系统。在一些实施方式中，若查找不到相匹配的系统，则发出欠缺材料的提醒，提醒用户查阅相关的贷款指南，补充所需材料，贷前状态判断为“欠缺材料”。

S1213、定义所述至少一个贷款系统为目标系统；

将查找到与用户信息相匹配的贷款系统定义为目标系统，目标系统可以为一个或多个，当用户的材料清单比较模糊，与多个系统都具有映射关系的时候，将这多个系统都定义为目标系统，以进行下一步判断。

通过上述方法，根据用户信息确定目标系统，可以从多个贷款系统中筛选出用户意向的贷款系统，根据用户需求进行匹配，实现了对多个贷款系统入口的统一，方便操作。

如图5所示，步骤S1220具体包括下述步骤：

S1221、获取所述目标系统的判断模型；

确定目标系统之后，获取目标系统的判断模型，贷款系统库中每个系统都具有自己的判断模型，用于根据用户信息对用户的贷款状态进行判断，每个系统的判断模型都是根据系统本身的贷款状态判断规则对用户信息进行分类判断的神经网络模型。

S1222、将所述用户信息输入到所述判断模型中，所述判断模型为训练至收敛状态用于根据数据对数据所表征的贷款状态进行分类的神经网络模型；

将获取的用户信息输入到已经预先训练至收敛的神经网络模型，本实施方式中的神经网络模型能够是CNN卷积神经网络模型或者VGG卷积神经网络模型。所述神经网络模型在训练时，通过获取大量用户信息作为训练样本集，根据贷款状态的不同，对训练样本集进行分组，将同一组的多个用户信息依次输入到预设的分类模型中，分别获取多个用户信息的贷款状态分类值，以数值为限定条件对多个用户信息的贷款状态分类值进行排序，确认所述排序结果中处于中间位置的贷款状态分类值为所述同组用户信息的期望分类值。

S1223、根据所述判断模型的输出结果确定所述目标用户的是否处于待放款状态；

在一些实施方式中，所述判断模型设有多个贷款状态分类，且各贷款状态分类分别对应一个贷款状态分类标准值，因此，判断模型输出的分类数据为用户信息属于各贷款状态分类的概率值，获取各个贷款状态分类对应的概率值，并根据数值的大小对各概率值进行降幂排序。

根据排序结果获取多个分类值中最大的分类值，即排序结果中排列在第一位的分类值，该分类值对应一个贷款状态分类。说明判断模型的分类结果表明用户信息属于该类别的概率最大，即分类结果表明用户信息的贷款状态分类属于分类值最大的数对应的贷款状态分类。

确认分类结果后获取该分类结果对应的贷款状态数据，在一些实施方式中，将贷款状态数据划分为不同的类别，例如“不符合条件”、“需进一步审核”和“待放款”等。贷款状态的划分不局限于此，根据具体应用贷款系统的不同，贷款状态分类可以更详细，也可以更粗略。

定义判断模型输入的分类结果所对应的贷款状态为目标用户的贷款状态，同时判断贷款状态是否处于“待放款”。

通过这种方法，可以更快更准确地判断出目标用户的贷款状态，确认用户是否处于待放款状态，以便下一步操作。

如图6所示，步骤S1300具体包括下述步骤：

S1310、根据所述用户信息计算所述目标用户的用户评分；

将用户信息输入到预设的评分计算模型中，获取评分计算模型输出的用户信息中多个项目分别对应的分值，计算多个项目分别对应的分值之和作为用户评分。在一些实施方式中，每个贷款系统都具有不同的评分规则，需要的信息有所不同，根据目标系统的评分规则设定评分计算模型，根据评分规则对用户的信息进行评分。用户信息中包括有多个项目，例如个人贷款中，用户信息中需要进行评分的内容包括：年收入、学历、家庭负债和信用评价等，但不限于此。将所有项目的评分结果求和，得出总的结果作为用户评分。

S1320、在预设的放贷等级梯度中查找与所述用户评分相匹配的放贷等级；

每个系统中设有对应的放贷等级梯度，每个等级梯度对应有一个范围的用户评分，例如：1～5分对应1级，6～10分对应2级，11～15分对应3级，以此类推，根据实际系统的判断条件不同，放贷等级对应的分数期间可以不同，每个放贷等级间的分数差也可以不同，例如1～3分对应1级，4～10分对应2级等等。获取到用户评分之后，查找目标系统的放贷等级梯度，根据放贷等级所对应的分数区间确定用户评分所处的放贷等级。

S1330、定义所述放贷等级所对应的放贷额度为所述目标用户的贷款额度。

放贷等级所对应的放贷额度可以是每个系统根据各自的规则制定的，也可以是统一的对应方式。在一些实施方式中，每个系统根据各自的放贷规则制定放贷等级对应的放贷额度，每个系统之间的放贷额度相互独立互不干扰，在获取到用户的放贷等级之后，查找目标系统中放贷等级对应的放贷额度，作为用户的贷款额度。在另一些实施方式中，所有系统的放贷等级对应的放贷额度都是相同的，例如统一1级对应5万，2级对应10万等等，每个系统根据自身的规则确定放贷等级，其中贷款额度较大的系统对应的放贷等级较高，贷款额度较少的系统对应的放贷等级较低，例如，企业贷款中最低放款额度是20万，20万对应放贷等级4级，因此企业贷款中最低的放贷等级是4级；个人贷款中最高放款额度是10万，10万对应放贷等级2级，因此个人贷款中最高的贷款等级是2级，获取到用户的放贷等级之后，查找相对应的放贷额度作为用户的贷款额度。

通过这种方法，根据用户信息计算出贷款额度，减少了对信息进行统计和核查等步骤，直接通过计算模型进行计算，节省了时间和人力成本，并确保了贷款额度计算的准确性，不易出错，提高了确定贷款额度的速度。

如图7所示，步骤S1310具体包括下述步骤：

S1311、将所述用户信息输入预设的评分计算模型中，其中，所述评分计算模型为训练至收敛状态用于根据数据对数据所表征的分数进行分类的神经网络模型；

每个系统分别设置有不同的评分计算模型，计算规则根据系统的放贷规则进行设定，每个系统需要的用户信息也不近相同，例如，个人贷款中需要进行评分的信息包括年收入、家庭负债、信用卡透支额度和学历等，但不限于此，企业贷款中需要进行评分的信息包括企业年纳税额、运营成本和负债等，但不限于此。每个关键信息中不同的类别对应不同的分值，例如，“学历”对应的分值为：“中专及以下”1分、“大专”2分、“本科”3分和“硕士研究生及以上”4分，根据贷款系统的放贷规则不同，分会设置的区间可以不同。将获取到的用户信息输入到评分计算模型中，评分计算模型为训练至收敛状态用于根据数据对数据所表征的分数进行分类的神经网络模型，评分计算模型分别对用户信息中的不同关键字进行分类，分类结果所表征的数据作为分数。

S1312、获取所述评分计算模型输出的所述用户信息中多个项目分别对应的分值；

获取评分计算模型输出的分类结果，分类结果表征的数据作为一个信息关键字获得的分值，根据分类结果得到用户信息中所有需评分的关键字的分值，例如，获取到年收入2分、学历3分和房产抵押3分等。

S1313、定义所述多个项目分别对应的分值之和为所述用户评分。

将获取到的用户信息所获得的所有分值进行求和，得出的结果作为用户评分，例如，获取到年收入2分、学历3分和房产抵押3分，即用户评分为2+3+3＝8分。在一些实施方式中，可以对不同项目的分值进行加权求和，每一个项目具有不同的系数，反应出该项目对放贷额度影响的重要性，例如年收入系数为2，学历系数为1，房产抵押系数为5，获取到年收入2分、学历3分和房产抵押3分，即用户评分为2*2+3*1+3*5＝22分。

为解决上述技术问题，本发明实施例还提供一种贷前信息处理装置。具体请参阅图8，图8为本实施贷前信息处理装置的基本结构框图。

如图8所示，贷前信息处理装置，包括：获取模块2100、处理模块2200和执行模块2300。其中，获取模块用于获取目标用户的用户信息；处理模块用于根据所述用户信息确定所述目标用户是否处于待放款状态；执行模块用于若所述用户处于待放款状态，根据所述用户信息与预设的放贷规则确定所述目标用户的贷款额度。

通过获取用户的信息，使用统一的系统判断用户的贷前状态，避免了不同贷款系统的判断条件不同，用户或者管理人员需要根据实际情况选择贷款系统的问题，使贷前状态判断更加便捷，也确保了贷前状态判断的准确性。当用户处于待放款状态时，通过用户信息和预设的放贷规则确定用户的贷款额度，有效地减少计算和审核的时间和人力消耗，提高了放贷速度，同时确保了准确性，避免了人工计算误差或理解偏差导致的计算方法不统一的问题。

在一些实施方式中，贷前信息处理装置还包括：第一获取子模块、第一输入子模块、第一执行子模块。其中第一获取子模块用于获取所述目标用户的贷款资料；第一输入子模块用于将所述贷款资料输入到预设的内容识别模型中，提取所述贷款资料的贷款信息关键字，其中，所述内容识别模型为训练至收敛状态用于提取信息中的关键内容的神经网络模型；第一执行子模块用于定义所述贷款信息关键字的集合为所述用户信息。

在一些实施方式中，贷前信息处理装置还包括：第一处理子模块、第二执行子模块。其中，第一处理子模块用于根据所述用户信息确定所述目标用户适用的目标系统；第二执行子模块用于根据所述用户信息和所述目标系统判断所述目标用户是否处于待放款状态。

在一些实施方式中，贷前信息处理装置还包括：第二处理子模块、第一查找子模块、第三执行子模块。其中，第二处理子模块用于根据所述用户信息生成材料清单；第一查找子模块用于在预设的贷款系统库中查找与所述材料清单具有映射关系的至少一个贷款系统；第三执行子模块用于定义所述至少一个贷款系统为目标系统。

在一些实施方式中，贷前信息处理装置还包括：第二获取子模块、第二输入子模块、第四执行子模块。其中，第二获取子模块用于获取所述目标系统的判断模型；第二输入子模块用于将所述用户信息输入到所述判断模型中，所述判断模型为训练至收敛状态用于根据数据对数据所表征的贷款状态进行分类的神经网络模型；第四执行子模块用于根据所述判断模型的输出结果确定所述目标用户的是否处于待放款状态。

在一些实施方式中，贷前信息处理装置还包括：第三处理子模块、第二查找子模块、第五执行子模块。其中，第三处理子模块用于根据所述用户信息计算所述目标用户的用户评分；第二查找子模块用于在预设的放贷等级梯度中查找与所述用户评分相匹配的放贷等级；第五执行子模块用于定义所述放贷等级所对应的放贷额度为所述目标用户的贷款额度。

在一些实施方式中，贷前信息处理装置还包括：第三输入子模块、第三获取子模块、第六执行子模块。其中，第三输入子模块用于将所述用户信息输入预设的评分计算模型中，其中，所述评分计算模型为训练至收敛状态用于根据数据对数据所表征的分数进行分类的神经网络模型；第三获取子模块用于获取所述评分计算模型输出的所述用户信息中多个项目分别对应的分值；第六执行子模块用于定义所述多个项目分别对应的分值之和为所述用户评分。

为解决上述技术问题，本发明实施例还提供一种计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。

如图9所示，计算机设备的内部结构示意图。如图9所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种贷前信息处理方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种贷前信息处理方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图中示出的结构，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。

本实施方式中处理器用于执行图8中获取模块2100、处理模块2200和执行模块2300的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有贷前信息处理装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。

本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述贷前信息处理方法的步骤。

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，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)等非易失性存储介质，或随机存储记忆体(RandomAccessMemory，RAM)等。

应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述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发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种贷前信息处理方法，其特征在于，包括以下步骤：

获取目标用户的用户信息；

根据所述用户信息确定所述目标用户是否处于待放款状态；

若所述用户处于待放款状态，根据所述用户信息与预设的放贷规则确定所述目标用户的贷款额度。

2.如权利要求1所述的贷前信息处理方法，其特征在于，所述获取目标用户的用户信息的步骤，包括以下步骤：

获取所述目标用户的贷款资料；

将所述贷款资料输入到预设的内容识别模型中，提取所述贷款资料的贷款信息关键字，其中，所述内容识别模型为训练至收敛状态用于提取信息中的关键内容的神经网络模型；

定义所述贷款信息关键字的集合为所述用户信息。

3.如权利要求1所述的贷前信息处理方法，其特征在于，所述根据所述用户信息确定所述目标用户是否处于待放款状态的步骤，包括以下步骤：

根据所述用户信息确定所述目标用户适用的目标系统；

根据所述用户信息和所述目标系统判断所述目标用户是否处于待放款状态。

4.如权利要求3所述的贷前信息处理方法，其特征在于，所述根据所述用户信息确定所述目标用户选择的目标系统的步骤，包括以下步骤：

根据所述用户信息生成材料清单；

在预设的贷款系统库中查找与所述材料清单具有映射关系的至少一个贷款系统；

定义所述至少一个贷款系统为目标系统。

5.如权利要求3所述的贷前信息处理方法，其特征在于，所述根据所述用户信息和所述目标系统判断所述目标用户是否处于待放款状态的步骤，包括下述步骤：

获取所述目标系统的判断模型；

将所述用户信息输入到所述判断模型中，所述判断模型为训练至收敛状态用于根据数据对数据所表征的贷款状态进行分类的神经网络模型；

根据所述判断模型的输出结果确定所述目标用户的是否处于待放款状态。

6.如权利要求1所述的贷前信息处理方法，其特征在于，所述若所述用户处于待放款状态，根据所述用户信息与预设的放贷规则确定所述目标用户的贷款额度的步骤，包括下述步骤：

根据所述用户信息计算所述目标用户的用户评分；

在预设的放贷等级梯度中查找与所述用户评分相匹配的放贷等级；

定义所述放贷等级所对应的放贷额度为所述目标用户的贷款额度。

7.如权利要求6所述的贷前信息处理方法，其特征在于，所述用户信息包含多个项目，所述根据所述用户信息计算所述目标用户的用户评分的步骤，包括下述步骤：

将所述用户信息输入预设的评分计算模型中，其中，所述评分计算模型为训练至收敛状态用于根据数据对数据所表征的分数进行分类的神经网络模型；

获取所述评分计算模型输出的所述用户信息中多个项目分别对应的分值；

定义所述多个项目分别对应的分值之和为所述用户评分。

8.一种贷前信息处理装置，其特征在于，包括：

获取模块，用于获取目标用户的用户信息；

处理模块，用于根据所述用户信息确定所述目标用户是否处于待放款状态；

执行模块，用于若所述用户处于待放款状态，根据所述用户信息与预设的放贷规则确定所述目标用户的贷款额度。

9.一种计算机设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述权利要求1-7任意一项所述的贷前信息处理方法。

10.一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种贷前信息处理方法，所述方法包括上述权利要求1-7任意一项所述的贷前信息处理方法。