CN109800947B - 基于机器学习的贷款业务处理方法、装置、计算机设备 - Google Patents

Abstract

本发明公开一种基于机器学习的贷款业务处理方法，包括：获取任一贷款申请未通过用户的包括资质信息、申请未通过的贷款产品信息的贷款请求；每隔预置时间段，基于预先训练好的征信度分类模型对贷款申请未通过用户的资质信息进行分析以获取贷款申请未通过用户的征信度评分，征信度分类模型中的预置演化参数信息每隔预置时间段更新一次；判断贷款申请未通过用户的征信度评分是否达到申请未通过贷款产品的预置通过分数阈值；若是，则向贷款申请未通过用户发送与申请未通过的贷款产品相关的通知消息。本发明利用基于机器学习训练形成的征信度分类模型实现对用户征信度的智能分析，解决贷款业务中用户转化率不理想的问题，可提高用户转化率。

Description

基于机器学习的贷款业务处理方法、装置、计算机设备

技术领域

本发明涉及计算机技术领域，具体涉及一种基于机器学习的贷款业务处理方法、装置、计算机设备。

背景技术

随着经济的迅猛发展，贷款业务也越来越普及。目前，贷款产品的申请模式通常是用户根据自身需求选择现有贷款产品，比如基于房产、证券等质押物的抵押贷、基于收入资质的信用贷等。通常情况下，用户可通过与贷款相关的应用程序(APP)提出贷款请求，由于每个用户所对应的资信情况都不同且贷款机构的评估机制较为复杂，因此，很可能出现某用户多次申请同一贷款产品却屡屡不能通过的情况，或者，虽然贷款申请通过，但用户对于放款额度、放款时间、利率等不满意的情况。

在上述情形中，按照相关规定不允许用户在短时间内重复提出同样的贷款请求，因此，用户很容易失去耐心而放弃再次提出贷款请求或者去寻找其他贷款平台提出贷款请求，造成用户流失，从而导致用户转化率不理想的问题。

相关技术中针对贷款业务中用户转化率不理想的问题，目前尚未提出有效的解决方案。

发明内容

本发明的目的在于提供一种基于机器学习的贷款业务处理方法、装置、计算机设备及可读存储介质，进而在一定程度上克服上述现有技术中存在的问题，可改善用户流失的情况，进而提高用户转化率。

本发明是通过下述技术方案来解决上述技术问题：

根据本发明的一个方面，提供了一种基于机器学习的贷款业务处理方法，包括如下步骤：

S01，获取任一贷款申请未通过用户的贷款请求，所述贷款请求中包括该贷款申请未通过用户的资质信息、申请未通过的贷款产品信息；

S02，每隔预置时间段，基于预先训练好的征信度分类模型对该贷款申请未通过用户的资质信息进行分析，以获取该贷款申请未通过用户的征信度评分，其中，所述征信度分类模型中的预置演化参数信息每隔所述预置时间段更新一次；

S03，判断该贷款申请未通过用户的征信度评分是否达到所述申请未通过的贷款产品所对应的预置通过分数阈值；

S04，若是，则向该贷款申请未通过用户发送与所述申请未通过的贷款产品相关的通知消息。

进一步的，所述贷款申请未通过用户的资质信息包括贷款申请未通过用户的个人信息、资产信息、交易信息、所在地的公共信息。

进一步的，所述征信度分类模型为基于K-means算法的模型，训练过程包括如下步骤：

步骤11，获取n个贷款申请未通过用户的资质信息，将其中每个用户的资质信息抽象为一个m维向量，其中每一维向量代表根据资质信息中任一项信息对应设置的预置标签的归一化评分；

步骤12，将n个贷款申请未通过用户的资质信息分别对应的m维向量作为n个数据对象，并从中选取k个数据对象作为初始聚类中心，其中，k<n；

步骤13，计算剩余的每个数据对象到k个初始聚类中心的距离，并将剩余的每个数据对象划分到与该数据对象距离最小的初始聚类中心的类别中，以形成k个聚类；

步骤14，分别计算k个聚类中包含的数据对象的均值以做为新的聚类中心；

步骤15，计算k个聚类中每个数据对象到新的聚类中心的距离，并将每个数据对象划分到与该数据对象距离最小的新的聚类中心的类别中，以形成新的k个聚类；

重复步骤13至15，直至k个聚类不再发生变化，以形成k个征信度分类。

进一步的，S02中基于预先训练好的征信度分类模型对该贷款申请未通过用户的资质信息进行分析，以获取该贷款申请未通过用户的征信度评分，包括：

将该贷款申请未通过用户的资质信息在各预置标签对应的预置范围中进行归类；

根据归类结果确定该贷款申请未通过用户在各预置标签中的归类分数；

根据该贷款申请未通过用户在各预置标签中的归类分数与各预置标签的权重计算得到该贷款申请未通过用户在各预置标签中的评分；

计算该贷款申请未通过用户在所有预置标签中的评分的总和，以作为该贷款申请未通过用户的征信度评分。

进一步的，所述方法还包括：

每隔预置时间段，对预置标签、预置标签中包含的预置范围、每个预置范围对应的分数及每个预置标签对应的权重进行调整。

进一步的，在S04中向该贷款申请未通过用户发送与所述申请未通过的贷款产品相关的通知消息之后，还包括：

在该贷款申请未通过用户进入贷款申请页面时，获取该贷款申请未通过用户的资质信息并加载到所述贷款申请页面中，其中，资质信息中与预置演化参数信息相关的信息为更新后的信息；

将所述更新后的信息进行突出显示；

接收对贷款申请页面中的资质信息的修改操作，以便根据修改结果再次提出贷款请求。

进一步的，所述方法，还包括：

在该贷款申请未通过用户的征信度评分达到其他贷款产品对应的预置通过分数阈值时，向该贷款申请未通过用户发送与所述其他贷款产品相关的通知消息。

为了实现上述目的，本发明还提供一种基于机器学习的贷款业务处理装置，包括：

贷款请求获取模块，用于获取任一贷款申请未通过用户的贷款请求，所述贷款请求中包括该贷款申请未通过用户的资质信息、申请未通过的贷款产品信息；

征信度评分获取模块，用于每隔预置时间段，基于预先训练好的征信度分类模型对该贷款申请未通过用户的资质信息进行分析，以获取该贷款申请未通过用户的征信度评分，其中，所述征信度分类模型中的预置演化参数信息每隔所述预置时间段更新一次；

判断模块，用于判断该贷款申请未通过用户的征信度评分是否达到所述申请未通过的贷款产品所对应的预置通过分数阈值；

通知消息发送模块，用于在判断模块的判断结果为是时，向该贷款申请未通过用户发送与所述申请未通过的贷款产品相关的通知消息。

进一步的，所述贷款申请未通过用户的资质信息包括贷款申请未通过用户的个人信息、资产信息、交易信息、所在地的公共信息。

进一步的，所述征信度分类模型为基于K-means算法的模型，训练过程包括如下步骤：

步骤11，获取n个贷款申请未通过的用户的资质信息，将其中每个用户的资质信息抽象为一个m维向量，其中每一维向量代表根据资质信息中任一项信息对应设置的预置标签的归一化评分；

步骤12，将n个贷款申请未通过用户的资质信息分别对应的m维向量作为n个数据对象，并从中选取k个数据对象作为初始聚类中心，其中，k<n；

步骤13，计算剩余的每个数据对象到k个初始聚类中心的距离，并将剩余的每个数据对象划分到与该数据对象距离最小的初始聚类中心的类别中，以形成k个聚类；

步骤14，分别计算k个聚类中包含的数据对象的均值以做为新的聚类中心；

步骤15，计算k个聚类中每个数据对象到新的聚类中心的距离，并将每个数据对象划分到与该数据对象距离最小的新的聚类中心的类别中，以形成新的k个聚类；

重复步骤13至15，直至k个聚类不再发生变化，以形成k个征信度分类。

进一步的，征信度评分获取模块，具体包括：

归类单元，用于将该贷款申请未通过用户的资质信息在各预置标签对应的预置范围中进行归类；

归类分数确定单元，用于根据归类结果确定该贷款申请未通过用户在各预置标签中的归类分数；

第一计算单元，用于根据该贷款申请未通过用户在各预置标签中的归类分数与各预置标签的权重计算得到该贷款申请未通过用户在各预置标签中的评分；

第二计算单元，用于计算该贷款申请未通过用户在所有预置标签中的评分的总和，以作为该贷款申请未通过用户的征信度评分。

进一步的，所述装置还包括：

标签内容调整模块，用于每隔预置时间段，对预置标签、预置标签中包含的预置范围、每个预置范围对应的分数及每个预置标签对应的权重进行调整。

进一步的，所述装置还包括：

资质信息加载模块，用于在该贷款申请未通过用户进入贷款申请页面时，获取该贷款申请未通过用户的资质信息并加载到所述贷款申请页面中，其中，资质信息中与预置演化参数信息相关的信息为更新后的信息；

突出显示模块，用于将所述更新后的信息进行突出显示；

修改模块，用于接收对贷款申请页面中的资质信息的修改操作，以便根据修改结果再次提出贷款请求。

进一步的，所述通知消息发送模块，还用于：

在该贷款申请未通过用户的征信度评分达到其他贷款产品对应的预置通过分数阈值时，向该贷款申请未通过用户发送与所述其他贷款产品相关的通知消息。

为了实现上述目的，本发明还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

为了实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法的步骤。

本发明提供的基于机器学习的贷款业务处理方法、装置、计算机设备及可读存储介质，可设定每隔预置时间段对预先训练好的征信度分类模型中的预置演化参数信息进行一次更新，基于此，可先获取任一贷款申请未通过用户的贷款请求(包括贷款申请未通过用户的资质信息、申请未通过的贷款产品信息)，然后每隔预置时间段基于征信度分类模型对该贷款申请未通过用户的资质信息进行分析以获取其征信度评分，并在其征信度评分达到申请未通过的贷款产品所对应的预置通过分数阈值时，向该贷款申请未通过用户发送与申请未通过的贷款产品相关的通知消息。通过本方案，可将贷款申请未通过用户看作存量用户，利用基于机器学习训练形成且加入了时间演化因素的征信度分类模型，每隔一定的时间对存量用户的资质信息进行一次智能分析，以得到可根据实际情况发生变化的存量用户的征信度评分，并可根据分析结果(也即征信度评分)确定存量用户是否具有被转化为贷款用户的潜力，进而对具有转化潜力的存量用户进行相关的转化操作，以此，一方面，可改善现有贷款用户流失的情况，提高贷款业务中用户(尤其是存量用户)的转化率；另一方面，相对于从外部购买或导入新流量(新的用户)，在存量用户中发现潜力用户并进行转化，更加能够确保用户资质信息的准确性及有效性，从而可更为有效的控制转化后的贷款用户的风险。

附图说明

图1是根据本发明实施例的基于机器学习的贷款业务处理方法的一种可选的流程示意图；

图2是根据本发明实施例的基于机器学习的贷款业务处理装置的一种可选的程序模块示意图；

图3是根据本发明实施例的基于机器学习的贷款业务处理装置的另一种可选的程序模块示意图；

图4是根据本发明实施例的计算机设备的一种可选的硬件架构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。

实施例一

下面结合附图对本发明提供的基于机器学习的贷款业务处理方法进行说明。

图1为本发明基于机器学习的贷款业务处理方法的一种可选的流程示意图，如图1所示，该方法可以包括以下步骤：

S01，获取任一贷款申请未通过用户的贷款请求。

其中，贷款请求中可包括该贷款申请未通过用户的资质信息、申请未通过的贷款产品信息等信息。

在本实施例中，本方案可应用于与贷款业务相关的应用程序(APP)中，具体的，其可应用于常规的贷款申请过程中，也可应用于某些贷款营销活动的推广过程中等。根据实际需要，该APP可安装用于贷款办理人员(比如贷款客户经理等)的终端中，也可安装于贷款用户的终端中。当贷款用户想要申请贷款时，则可到相关贷款机构通过贷款办理人员的对其终端进行操作或者通过在自己的终端上操作，进入APP中的贷款申请页面中填写资质信息、想要申请的贷款产品信息等以提出贷款请求，以便贷款机构可根据贷款用户的贷款请求，对贷款用户的资质信息等进行审核并得到审核结果。

其中，所谓贷款申请未通过用户，可理解为曾经提出过贷款请求，但由于资质信息审核未通过等原因，贷款请求未能被贷款机构批准的用户。

在实际应用中，为了保证贷款机构能够在针对某用户的贷款申请的审核过程中更为客观准确，需要全面广泛的了解用户的各方面信息，因此，贷款请求中所包括的用户资质信息所涵盖的内容较为广泛，在本实施例中，需要办理贷款申请的用户提供的资质信息可包括用户的个人信息、用户的资产信息、用户的交易信息、用户的所在地的公共信息，其中：

用户的个人信息，可具体包括用户的性别、所在行业、所在单位性质、所在单位的工作年限、工作职称、学历情况、子女情况、手机运营商等；

用户的资产信息，可具体包括用户的收入、用户名下的房产、车产、保单、存单、大额资产(超过预定金额(比如100万)的资产)等；

用户的交易信息，可具体包括第一预置时间(比如6个月)内的贷款查询次数、第二预置时间(比如12个月)内取现笔数、第三预置时间(比如1个月)内交易笔数、贷记卡额度使用率等；

用户的所在地的公共信息，可具体包括用户所在地的社保缴纳比例、公积金系数、物价水平指数。

在本实施例中，可在APP中提供用于输入申请信息的贷款申请页面，在该贷款申请页面中比如可包括多个输入框，以用于输入上述资质信息、贷款产品信息(比如贷款产品的名称、额度、还款期限等信息)等；此外，在该贷款申请页面中，还可包括用于确定提出贷款请求的操作选项(比如为“请求贷款”的按钮等)，当用户通过上述多个输入框输入资质信息、贷款产品信息完毕后，触发该“请求贷款”按钮，即相当于用户通过终端发送贷款请求，此时，与该APP对应的服务器即可接收到终端发送的贷款请求，并可根据该贷款请求执行下一步操作。

在S01中，可获取上述任一贷款申请未通过用户的贷款请求，并进一步获取该贷款请求中所包括的该贷款申请未通过用户的资质信息、贷款产品信息等，将该贷款申请未通过用户看作存量用户，在后续步骤利用本方案中特有的基于机器学习形成的分类模型，对存量用户的资质信息进行智能分析并作出评价，然后可根据评价结果确定存量用户是否有被转化为贷款用户的潜力，进而对具有转化潜力的存量用户进行相关的转化操作，以此，一方面，可改善现有贷款用户流失的情况，提高贷款业务存量用户的转化率；另一方面，在存量用户中发现潜力用户并进行转化，比从外部购买或导入新的用户，更加能够确保用户资质信息的准确性及有效性，从而可更为有效的控制转化后的贷款用户的风险。

S02，每隔预置时间段，基于预先训练好的征信度分类模型对该贷款申请未通过用户的资质信息进行分析，以获取该贷款申请未通过用户的征信度评分。其中，征信度分类模型中的预置演化参数信息可为每隔预置时间段更新一次。

在本实施例中，该征信度分类模型可为基于K-means算法的模型，由于K-means算法为一种聚类算法，聚类又属于机器学习中的无监督学习，因此，该征信度分类模型可看作是基于无监督学习的模型，在本方案中，可为利用该基于无监督学习的模型根据用户的资质信息实现对用户征信度的智能分析。

首先，对征信度分类模型的训练过程进行说明，该训练过程可以包括如下步骤：

步骤11，获取n个贷款申请未通过的用户的资质信息，将其中每个用户的资质信息抽象为一个m维向量，其中每一维向量可代表根据资质信息中任一项信息对应设置的预置标签的归一化评分。

其中，n、m可根据实际需求任意取值，在本实施例中对此不做限制。

在本实施例中，可根据资质信息对应设置标签(可称为预置标签)，比如，资质信息可包括年龄、性别、所在行业、学历等，则对应的预置标签可为年龄、性别、所在行业、学历等。

步骤12，将n个贷款申请未通过用户的资质信息分别对应的m维向量作为n个数据对象，并从中选取k个数据对象作为初始聚类中心，其中，k<n。

步骤13，计算剩余的每个数据对象到k个初始聚类中心的距离，并将剩余的每个数据对象划分到与该数据对象距离最小的初始聚类中心的类别中，以形成k个聚类。

在本实施例中，比如可采用欧氏距离等计算除了k个初始聚类中心之外的每个数据对象到该k个初始聚类中心的距离，当然，也可以根据实际需要采用其他方式对距离进行计算。

步骤14，分别计算k个聚类中包含的数据对象的均值以做为新的聚类中心。

步骤15，计算k个聚类中每个数据对象到新的聚类中心的距离，并将每个数据对象划分到与该数据对象距离最小的新的聚类中心的类别中，以形成新的k个聚类。

在本实施例中，比如可采用欧氏距离等计算每个数据对象到新的聚类中心的距离，当然，也可以根据实际需要采用其他方式计算该距离。

重复步骤13至15，直至k个聚类不再发生变化，以形成k个征信度分类。

在具体实现时，通过上述训练好的征信度分类模型对上述贷款申请未通过用户的资质信息进行分析，以获取该贷款申请未通过用户的征信度评分，可包括如下步骤：

首先，可将上述贷款申请未通过用户的资质信息在各预置标签对应的预置范围中进行归类。

其中，可如上文所述根据资质信息预先设置多个标签(即预置标签)，比如可包括年龄、性别、所在行业、学历等。

在每个预置标签中，还可预先设置多个范围，比如在年龄标签中可设置的范围如下：25岁以下、26岁至30岁、31岁至35岁、36岁至40岁、41岁至45岁、45岁以上、空(比如未填写的情况)等。

同时，每个范围可预先设置(或者根据预置规则预先计算，比如通过归一化处理等方式)对应的分数，比如：25岁以下对应的分数为“-6.3”、26至30岁对应的分数为“-2.3”、31岁至35岁对应的分数为“0.3”、36岁至40岁对应的分数为“1.5”、41岁至45岁对应的分数为“3”、45岁以上对应的分数为“4.2”，空对应分数为缺失值“0”，等等。

而且，可为每个预置标签设置一个对应的权重，比如年龄标签对应的权重为“0.3”。

在本实施例中，与预置标签、预置标签中包含的预置范围、每个预置范围对应的归类分数、每个预置标签的权重相关的内容可通过数据表的方式来体现并预先存储于相关服务器中，具体的，可参看如下表1所示的标签、标签范围、归类分数、标签权重对照表，表1仅为示例说明，仅显示一部分预置标签的相关内容，在实际应用中，对照表中可涵盖所有预置标签的相关内容。

表1标签、标签范围、归类分数、标签权重对照表

然后，比如可参看上述表1，根据归类结果确定该贷款申请未通过用户在各预置标签中的归类分数。

接下来，可根据该贷款申请未通过用户在各预置标签中的归类分数与各预置标签的权重，计算得到该贷款申请未通过用户在各预置标签中的评分。

具体的，可通过计算该贷款申请未通过用户在各预置标签中的归类分数与各预置标签的权重的乘积，并将计算结果作为该贷款申请未通过用户在各预置标签中的评分。

例如，该用户年龄为26岁，则该用户在年龄标签中的评分为-2.3×0.3＝-0.69。

最后，可计算该贷款申请未通过用户在所有预置标签中的评分的总和，以作为该贷款申请未通过用户的征信度评分。

在本实施例中，可根据实际需要，每隔预置时间段(比如一年、一个季度、一个月等)，对预置标签、预置标签中包含的预置范围、每个预置范围对应的分数及每个预置标签对应的权重进行调整，以使得模型中的标签内容更完善更符合实际情况。

比如，未来某一天，大部分人都有能力购买飞机，就可以加入与飞机作为抵押物相关的标签(范围比如可包括：飞机大小，飞机型号，飞机价值，飞机机龄等)，以及与用户驾驶情况相关的标签(范围比如可包括，飞行时间，事故率，航线等)，同时，可根据现有内容相关标签或者根据实际需求，对与新加入的标签的每个范围对应的分数及标签的权重进行相应的设置。

由此，上述形成的k个征信度分类可看作不同的聚类中的相似指标，以用来区分不同征信情况的用户群体，可将获取到的用户的资质信息与各征信度分类中所涵盖的用户资质信息进行交叉分析，以得到用户的征信度评分。

在本实施例中，在上述训练好的征信度分类模型中，可预先设置可更新的演化参数，比如，演化参数可根据上述用户资质信息中的用户所在地的公共信息、用户的资产信息相关的信息进行设置，比如，预置的演化参数信息可包括用户所在的社保缴纳比例、公积金系数、物价水平指数、用户名下的房产、用户名下的车产、用户名下的保单等信息。

由于上述预置演化参数信息都属于会随着时间变化而被统一调整、或者随着市场行情变化而发生变化的，因此，可根据实际需要，每隔预置时间段，将征信度分类模型中的预置演化参数信息更新一次，比如，每个月更新一次、每季度更新一次或者每半年更新一次，等等。

也就是说，在本实施例的征信度分类模型中，加入了时间演化的因素，因此，随着时间的变化，基于该征信度分类模型得到的用户的征信度评分会随着预置演化参数信息的更新而发生变化。比如，用户所在地的社保缴纳比例提高了、用户名下的房产升值了，征信度分类模型根据该变化情况对预置演化参数信息进行了更新，此时重新得到的用户的征信度评分，要高于预置演化参数信息更新之前得到的征信度评分。

将发生变化的征信度评分，尤其是提高的征信度评分作为评价结果，用于后续确定贷款申请未通过用户(也就是存量用户)是否有被转化为贷款用户的潜力，进而对具有转化潜力的存量用户进行相关的转化操作，以有效利用存量用户资源，尽可能的实现将存量用户转为贷款用户，从而提高贷款业务中用户的转化率。

S03，判断该贷款申请未通过用户的征信度评分是否达到申请未通过的贷款产品所对应的预置通过分数阈值。

在S02获取到贷款申请未通过用户的征信度评分之后，可进一步将该征信度评分，与该贷款申请未通过用户之前申请的贷款产品对应的预置通过分数阈值进行比较，以确定该贷款申请未通过用户当前是否具备再次申请该贷款产品的资格。

在具体实现时，可为每种贷款产品预先设置对应的通过分数阈值，在贷款用户提出针对某贷款产品的贷款请求后，可将基于上述征信度分类模型获取到的该贷款用户的征信度评分，与该贷款产品的预置通过分数阈值进行比较。如果比较结果为该贷款用户的征信度评分达到该贷款产品的预置通过分数阈值，则可确定该贷款用户可以通过该贷款申请；如果比较结果为该贷款用户的征信度评分未能达到该贷款产品的预置通过分数阈值，则可确定该贷款用户不能通过该贷款申请(也即该贷款用户为针对此次贷款申请的“贷款申请未通过用户”)。

S04，若是，则向该贷款申请未通过用户发送与申请未通过的贷款产品相关的通知消息。

也就是说，当S03的判断结果为该贷款申请未通过用户的征信度评分能够达到上次申请未通过的贷款产品所对应的预置通过分数阈值时，则可认为该贷款申请未通过用户(即存量用户)已经具备了再次申请上述申请未通过的贷款产品的资格，也就是说，该存量用户具备被转化为贷款用户的潜力，此时，则可对该具备被转化为贷款用户的潜力的存量用户进行相关的转化操作。

在本实施例中，可向该贷款申请未通过用户发送与上次申请未通过的贷款产品相关的通知消息，比如，可向该贷款申请未通过用户的客户端推送与上次申请未通过的贷款产品相关的营销活动信息、或者向该贷款申请未通过用户的手机中发送用于提示用户可以对上次申请未通过的贷款产品进行再次申请的短信，等等。

总之，可借助该贷款申请未通过的贷款产品相关的通知消息，提醒用户可以再次关注或者再次申请该贷款产品，由于用户之前已经对该贷款产品具有非常大的兴趣，因此，很容易基于上述通知消息再次关注该贷款产品，也更有可能再次申请该贷款产品，以此，可提高贷款业务中存量用户的转化率。

当然，在实际操作中，对于上述贷款申请未通过用户接收到与申请未通过的贷款产品相关的通知消息后，再次提出相同贷款申请的情况下，通常结果是该用户会大概率通过该贷款申请，但是，也存在比如由于对该用户的资质信息审核过程中，发现了比如欺诈、贷款逾期未还等风险因素，在具备此种风险因素的情况下，该用户再次提出的贷款申请也存在再次无法通过的可能性。

此外，在本实施例中，还可以在该贷款申请未通过用户的征信度评分达到其他贷款产品对应的预置通过分数阈值时，向该贷款申请未通过用户发送与其他贷款产品相关的通知消息。

比如，可向该贷款申请未通过用户的客户端推送与其他贷款产品相关的营销活动信息、或者向该贷款申请未通过用户的手机中发送用于提示用户可以申请其他贷款产品的短信，等等。

以此，可基于贷款申请未通过用户(即存量用户)的征信度评分确定该存量用户更适合的、更容易通过申请的贷款产品并告知该存量用户，当该存量用户对该其他贷款产品感兴趣并提出贷款请求的情况下，可保证该存量用户大概率的通过该其他贷款产品的申请，从而可提高贷款业务中存量用户的转化率。

在本实施例中，在向该贷款申请未通过用户发送与申请未通过的贷款产品相关的通知消息之后，该贷款申请未通过用户很可能会选择再次申请上次未通过的贷款产品。

因此，在该贷款申请未通过用户再次申请上次未通过的贷款产品时，则会再次进入贷款申请页面时，此时，可获取该贷款申请未通过用户的资质信息并加载到该贷款申请页面中，其中，资质信息中与预置演化参数信息相关的信息为更新后的信息。

然后，可将更新后的信息(即更新后的与预置演化参数信息相关的信息)进行突出显示，以提醒用户需要特别关注这些发生改变的信息，以便用户重点查看这些信息并确定其准确性。

在实际操作中，这些发生改变的信息有可能并不准确，此时用户可能需要将不准确的信息进行修改，以符合自己的真实情况，以此，可接收用户对贷款申请页面中的资质信息的修改操作并可进行保存，以便根据修改结果再次提出贷款请求。

以此，通过将资质信息加载到贷款申请页面，可更方便贷款用户操作，简化贷款用户在再次贷款申请时的操作步骤，提高贷款用户的操作效率，从而可提高贷款业务整体的处理效率。

根据本实施例的各个实施方式，可设定每隔预置时间段对预先训练好的征信度分类模型中的预置演化参数信息进行一次更新，基于此，可先获取任一贷款申请未通过用户的贷款请求(包括贷款申请未通过用户的资质信息、申请未通过的贷款产品信息)，然后每隔预置时间段基于征信度分类模型对该贷款申请未通过用户的资质信息进行分析以获取其征信度评分，并在其征信度评分达到申请未通过的贷款产品所对应的预置通过分数阈值时，向该贷款申请未通过用户发送与申请未通过的贷款产品相关的通知消息。通过本方案，可将贷款申请未通过用户看作存量用户，利用基于机器学习训练形成且加入了时间演化因素的征信度分类模型，每隔一定的时间对存量用户的资质信息进行一次智能分析，以得到可根据实际情况发生变化的存量用户的征信度评分，并可根据分析结果(也即征信度评分)确定存量用户是否具有被转化为贷款用户的潜力，进而对具有转化潜力的存量用户进行相关的转化操作，以此，一方面，可改善现有贷款用户流失的情况，提高贷款业务中用户(尤其是存量用户)的转化率；另一方面，相对于从外部购买或导入新流量(新的用户)，在存量用户中发现潜力用户并进行转化，更加能够确保用户资质信息的准确性及有效性，从而可更为有效的控制转化后的贷款用户的风险。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

实施例二

基于上述实施例一中提供的基于机器学习的贷款业务处理方法，本实施例中提供一种基于机器学习的贷款业务处理装置，具体地，图2至3示出了该基于机器学习的贷款业务处理装置的可选的结构框图，该基于机器学习的贷款业务处理装置被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合描述基于机器学习的贷款业务处理装置在存储介质中的执行过程，以下描述将具体介绍本实施例各程序模块的功能。

如图2所示，该基于机器学习的贷款业务处理装置20可包括：

贷款请求获取模块21，可用于获取任一贷款申请未通过用户的贷款请求，其中，贷款请求中包括该贷款申请未通过用户的资质信息、申请未通过的贷款产品信息；

征信度评分获取模块22，可用于每隔预置时间段，基于预先训练好的征信度分类模型对该贷款申请未通过用户的资质信息进行分析，以获取该贷款申请未通过用户的征信度评分，其中，征信度分类模型中的预置演化参数信息每隔预置时间段更新一次；

判断模块23，可用于判断该贷款申请未通过用户的征信度评分是否达到申请未通过的贷款产品所对应的预置通过分数阈值；

通知消息发送模块24，可用于在判断模块23的判断结果为是时，向该贷款申请未通过用户发送与申请未通过的贷款产品相关的通知消息。

在本实施例中，贷款申请未通过用户的资质信息可包括贷款申请未通过用户的个人信息、资产信息、交易信息、所在地的公共信息。

进一步的，征信度分类模型为基于K-means算法的模型，训练过程可包括如下步骤：

步骤11，获取n个贷款申请未通过用户的资质信息，将其中每个用户的资质信息抽象为一个m维向量，其中每一维向量代表根据资质信息中任一项信息对应设置的预置标签的归一化评分；

步骤12，将n个贷款申请未通过用户的资质信息分别对应的m维向量作为n个数据对象，并从中选取k个数据对象作为初始聚类中心，其中，k<n；

步骤13，计算剩余的每个数据对象到k个初始聚类中心的距离，并将剩余的每个数据对象划分到与该数据对象距离最小的初始聚类中心的类别中，以形成k个聚类；

步骤14，分别计算k个聚类中包含的数据对象的均值以做为新的聚类中心；

步骤15，计算k个聚类中每个数据对象到新的聚类中心的距离，并将每个数据对象划分到与该数据对象距离最小的新的聚类中心的类别中，以形成新的k个聚类；

重复步骤13至15，直至k个聚类不再发生变化，以形成k个征信度分类。

参看图3所示，在具体实现时，征信度评分获取模块22，可具体包括：

归类单元221，可用于将该贷款申请未通过用户的资质信息在各预置标签对应的预置范围中进行归类；

归类分数确定单元222，可用于根据归类结果确定该贷款申请未通过用户在各预置标签中的归类分数；

第一计算单元223，可用于根据该贷款申请未通过用户在各预置标签中的归类分数与各预置标签的权重计算得到该贷款申请未通过用户在各预置标签中的评分；

第二计算单元224，可用于计算该贷款申请未通过用户在所有预置标签中的评分的总和，以作为该贷款申请未通过用户的征信度评分。

此外，该装置还可包括：

标签内容调整模块，可用于每隔预置时间段，对预置标签、预置标签中包含的预置范围、每个预置范围对应的分数及每个预置标签对应的权重进行调整。

进一步的，该装置还可包括：

资质信息加载模块，可用于在该贷款申请未通过用户进入贷款申请页面时，获取该贷款申请未通过用户的资质信息并加载到贷款申请页面中，其中，资质信息中与预置演化参数信息相关的信息为更新后的信息；

突出显示模块，可用于将更新后的信息进行突出显示；

修改模块，可用于接收对贷款申请页面中的资质信息的修改操作，以便根据修改结果再次提出贷款请求。

此外，通知消息发送模块24，还可用于：

在该贷款申请未通过用户的征信度评分达到其他贷款产品对应的预置通过分数阈值时，向该贷款申请未通过用户发送与其他贷款产品相关的通知消息。

关于上述实施例中的装置，其中各个单元、模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

通过本实施例的各个实施方式，可设定每隔预置时间段对预先训练好的征信度分类模型中的预置演化参数信息进行一次更新，基于此，可先获取任一贷款申请未通过用户的贷款请求(包括贷款申请未通过用户的资质信息、申请未通过的贷款产品信息)，然后每隔预置时间段基于征信度分类模型对该贷款申请未通过用户的资质信息进行分析以获取其征信度评分，并在其征信度评分达到申请未通过的贷款产品所对应的预置通过分数阈值时，向该贷款申请未通过用户发送与申请未通过的贷款产品相关的通知消息。通过本方案，可将贷款申请未通过用户看作存量用户，利用基于机器学习训练形成且加入了时间演化因素的征信度分类模型，每隔一定的时间对存量用户的资质信息进行一次智能分析，以得到可根据实际情况发生变化的存量用户的征信度评分，并可根据分析结果(也即征信度评分)确定存量用户是否具有被转化为贷款用户的潜力，进而对具有转化潜力的存量用户进行相关的转化操作，以此，一方面，可改善现有贷款用户流失的情况，提高贷款业务中用户(尤其是存量用户)的转化率；另一方面，相对于从外部购买或导入新流量(新的用户)，在存量用户中发现潜力用户并进行转化，更加能够确保用户资质信息的准确性及有效性，从而可更为有效的控制转化后的贷款用户的风险。

实施例三

本实施例还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图4所示，本实施例的计算机设备40至少包括但不限于：可通过系统总线相互通信连接的存储器41、处理器42，如图4所示。需要指出的是，图4仅示出了具有组件41-42的计算机设备40，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器41(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器41可以是计算机设备40的内部存储单元，例如该计算机设备40的硬盘或内存。在另一些实施例中，存储器41也可以是计算机设备40的外部存储设备，例如该计算机设备40上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器41还可以既包括计算机设备40的内部存储单元也包括其外部存储设备。本实施例中，存储器41通常用于存储安装于计算机设备40的操作系统和各类应用软件，例如实施例二的基于机器学习的贷款业务处理装置的程序代码等。此外，存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制计算机设备40的总体操作。本实施例中，处理器42用于运行存储器41中存储的程序代码或者处理数据，例如基于机器学习的贷款业务处理装置等。

实施例四

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于基于机器学习的贷款业务处理装置，被处理器执行时实现实施例一的基于机器学习的贷款业务处理方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于机器学习的贷款业务处理方法，其特征在于，包括如下步骤：

S01，获取任一贷款申请未通过用户的贷款请求，所述贷款请求中包括该贷款申请未通过用户的资质信息、申请未通过的贷款产品信息；

S02，每隔预置时间段，基于预先训练好的征信度分类模型对该贷款申请未通过用户的资质信息进行分析，以获取该贷款申请未通过用户的征信度评分，其中，所述征信度分类模型中的预置演化参数信息每隔所述预置时间段更新一次，且预置演化参数信息根据用户资质信息中的会随着时间变化而被统一调整、或者随着市场行情变化而发生变化的信息进行设置；

S03，判断该贷款申请未通过用户的征信度评分是否达到所述申请未通过的贷款产品所对应的预置通过分数阈值；

S04，若是，则向该贷款申请未通过用户发送与所述申请未通过的贷款产品相关的通知消息；

其中，S02中基于预先训练好的征信度分类模型对该贷款申请未通过用户的资质信息进行分析，以获取该贷款申请未通过用户的征信度评分，包括：

预先根据资质信息设置多个预置标签并为每个预置标签设置对应的权重，以及预先在每个预置标签中设置多个范围以及为每个范围设置对应的分数；

将该贷款申请未通过用户的资质信息在各预置标签对应的预置范围中进行归类；

根据归类结果确定该贷款申请未通过用户在各预置标签中的归类分数；

根据该贷款申请未通过用户在各预置标签中的归类分数与各预置标签的权重计算得到该贷款申请未通过用户在各预置标签中的评分；

计算该贷款申请未通过用户在所有预置标签中的评分的总和，以作为该贷款申请未通过用户的征信度评分。

2.根据权利要求1所述的基于机器学习的贷款业务处理方法，其特征在于，所述贷款申请未通过用户的资质信息包括贷款申请未通过用户的个人信息、资产信息、交易信息、所在地的公共信息。

3.根据权利要求1所述的基于机器学习的贷款业务处理方法，其特征在于，所述征信度分类模型为基于K-means算法的模型，训练过程包括如下步骤：

步骤11，获取n个贷款申请未通过用户的资质信息，将其中每个用户的资质信息抽象为一个m维向量，其中每一维向量代表根据资质信息中任一项信息对应设置的预置标签的归一化评分；

步骤12，将n个贷款申请未通过用户的资质信息分别对应的m维向量作为n个数据对象，并从中选取k个数据对象作为初始聚类中心，其中，k<n；

步骤13，计算剩余的每个数据对象到k个初始聚类中心的距离，并将剩余的每个数据对象划分到与该数据对象距离最小的初始聚类中心的类别中，以形成k个聚类；

步骤14，分别计算k个聚类中包含的数据对象的均值以做为新的聚类中心；

步骤15，计算k个聚类中每个数据对象到新的聚类中心的距离，并将每个数据对象划分到与该数据对象距离最小的新的聚类中心的类别中，以形成新的k个聚类；

重复步骤13至15，直至k个聚类不再发生变化，以形成k个征信度分类。

4.根据权利要求1所述的基于机器学习的贷款业务处理方法，其特征在于，还包括：

每隔预置时间段，对预置标签、预置标签中包含的预置范围、每个预置范围对应的分数及每个预置标签对应的权重进行调整。

5.根据权利要求1所述的基于机器学习的贷款业务处理方法，其特征在于，在S04中向该贷款申请未通过用户发送与所述申请未通过的贷款产品相关的通知消息之后，还包括：

在该贷款申请未通过用户进入贷款申请页面时，获取该贷款申请未通过用户的资质信息并加载到所述贷款申请页面中，其中，资质信息中与预置演化参数信息相关的信息为更新后的信息；

将所述更新后的信息进行突出显示；

接收对贷款申请页面中的资质信息的修改操作，以便根据修改结果再次提出贷款请求。

6.根据权利要求1所述的基于机器学习的贷款业务处理方法，其特征在于，还包括：

在该贷款申请未通过用户的征信度评分达到其他贷款产品对应的预置通过分数阈值时，向该贷款申请未通过用户发送与所述其他贷款产品相关的通知消息。

7.一种基于机器学习的贷款业务处理装置，其特征在于，包括：

贷款请求获取模块，用于获取任一贷款申请未通过用户的贷款请求，所述贷款请求中包括该贷款申请未通过用户的资质信息、申请未通过的贷款产品信息；

征信度评分获取模块，用于每隔预置时间段，基于预先训练好的征信度分类模型对该贷款申请未通过用户的资质信息进行分析，以获取该贷款申请未通过用户的征信度评分，其中，所述征信度分类模型中的预置演化参数信息每隔所述预置时间段更新一次，且预置演化参数信息根据用户资质信息中的会随着时间变化而被统一调整、或者随着市场行情变化而发生变化的信息进行设置；

判断模块，用于判断该贷款申请未通过用户的征信度评分是否达到所述申请未通过的贷款产品所对应的预置通过分数阈值；

通知消息发送模块，用于在判断模块的判断结果为是时，向该贷款申请未通过用户发送与所述申请未通过的贷款产品相关的通知消息；

其中，所述征信度评分获取模块，具体用于：

预先根据资质信息设置多个预置标签并为每个预置标签设置对应的权重，以及预先在每个预置标签中设置多个范围以及为每个范围设置对应的分数；

将该贷款申请未通过用户的资质信息在各预置标签对应的预置范围中进行归类；

根据归类结果确定该贷款申请未通过用户在各预置标签中的归类分数；

根据该贷款申请未通过用户在各预置标签中的归类分数与各预置标签的权重计算得到该贷款申请未通过用户在各预置标签中的评分；

计算该贷款申请未通过用户在所有预置标签中的评分的总和，以作为该贷款申请未通过用户的征信度评分。

8.一种计算机设备，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。

Images