CN110009482A - 一种数据处理方法及装置 - Google Patents
一种数据处理方法及装置 Download PDFInfo
- Publication number
- CN110009482A CN110009482A CN201910185293.8A CN201910185293A CN110009482A CN 110009482 A CN110009482 A CN 110009482A CN 201910185293 A CN201910185293 A CN 201910185293A CN 110009482 A CN110009482 A CN 110009482A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- type
- numerical value
- transfer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Abstract
本发明实施例公开了一种数据处理方法及装置,该方法适用于业务过程优化,可以优化数据转移业务的多样性。该方法包括:获取目标用户的目标转移数据量、用户信息;获取与用户信息对应的期数信息、转移数据总量以及个人征信信息;将个人征信信息输入神经网络模型,确定目标用户的用户类型;根据用户类型获取目标数据转移类型,基于转移数据总量、期数信息以及目标数据转移类型,得到期数信息中每个时间周期的周期转移数值;将目标转移数据量、周期转移数值发送至目标服务器,以使目标服务器对目标转移数据量进行数据提前转移处理,并将原始转移数值替换为周期转移数值。采用本发明实施例,可以有效提高业务数据处理方式的多样性。
Description
技术领域
本发明涉及信息通信技术领域,尤其涉及一种数据处理方法及装置。
背景技术
随着互联网技术与信息技术的快速发展,用户通过终端处理日常业务的频率日益增加,已经成为一项不可或缺的用户需求。
现有技术中,用户在使用终端设备上的客户端处理与时间周期相关联的业务时,主要在某一时间周期内通过对需要处理的业务发起请求,在该请求得到响应后,可以通过后台对用户提供的数据进行业务处理,在数据处理的过程中,基于该时间周期可优化业务中的时间信息。然而,针对上述与时间周期相关联的业务,在发起业务处理请求时,只对业务中时间信息进行处理,并未对业务数据本身进行优化,导致每个时间周期内的业务数据的处理方式过于单一。
发明内容
本发明实施例提供一种数据处理方法及装置,可以提高业务数据处理方式的多样性。
本发明实施例一方面提供了一种数据处理方法,该方法包括:
获取针对目标用户的数据转移请求,所述数据转移请求包括目标转移数据量、用户信息;
获取与所述用户信息对应的期数信息、转移数据总量以及个人征信信息;
将所述个人征信信息输入神经网络模型,通过所述神经网络模型确定所述目标用户的用户类型;
根据所述用户类型获取目标数据转移类型,基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,得到所述期数信息中每个时间周期的周期转移数值;
将所述目标转移数据量、所述周期转移数值发送至目标服务器,以使所述目标服务器对所述目标转移数据量进行数据提前转移处理,将所述期数信息中每个时间周期内的原始转移数值替换为所述周期转移数值。
其中,所述将所述个人征信信息输入神经网络模型,通过所述神经网络模型确定所述目标用户的用户类型,包括:
生成所述个人征信信息对应的用户向量;
将所述用户向量输入神经网络模型中,生成所述用户向量对应的目标特征值;
获取所述目标特征值与所述神经网络模型中的多个用户类型分别对应的预设特征值之间的匹配度,将具有最高匹配度对应的预设特征值所属的用户类型确定为所述目标用户的用户类型。
其中,所述根据所述用户类型获取目标数据转移类型,包括:
根据所述用户类型,确定待选数据转移类型;
将所述待选数据转移类型发送至用户客户端,以使所述目标用户确定目标数据转移类型;
接收所述用户客户端发送的目标数据转移类型。
其中,所述基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,得到所述期数信息中每个时间周期的周期转移数值,包括:
基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,确定所述期数信息内每个时间周期的转移数值;
若所述转移数值为非整数,则对所述转移数值取整,将取整后的转移数值确定为周期转移数值,所述期数信息中的最后一个时间周期的周期转移数值由所述转移数据总量与其余周期转移数值所确定,所述其余周期转移数值包括所述期数信息中除了最后一个时间周期以外的周期转移数值。
其中,该方法还包括:
获取样本征信信息以及与所述样本征信信息对应的类型标签,所述类型标签用于表征所述样本征信信息的用户类型;
根据所述样本征信信息与所述类型标签之间的映射关系,训练所述神经网络模型。
本发明实施例另一方面提供了一种数据处理装置,该装置包括:
第一获取模块,用于获取针对目标用户的数据转移请求,所述数据转移请求包括目标转移数据量、用户信息;
第二获取模块,用于获取与所述用户信息对应的期数信息、转移数据总量以及个人征信信息;
用户类型确定模块,用于将所述个人征信信息输入神经网络模型,通过所述神经网络模型确定所述目标用户的用户类型;
转移数值确定模块,用于根据所述用户类型获取目标数据转移类型,基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,得到所述期数信息中每个时间周期的周期转移数值;
数据发送模块,用于将所述目标转移数据量、所述周期转移数值发送至目标服务器,以使所述目标服务器对所述目标转移数据量进行数据提前转移处理,将所述期数信息中每个时间周期内的原始转移数值替换为所述周期转移数值。
其中,所述用户类型确定模块,包括:
第一生成单元,用于生成所述个人征信信息对应的用户向量;
第二生成单元,用于将所述用户向量输入神经网络模型中,生成所述目标用户向量对应的目标特征值;
匹配单元,用于获取所述目标特征值与所述神经网络模型中的多个用户类型分别对应的预设特征值之间的匹配度,将具有最高匹配度对应的预设特征值所属的用户类型确定为所述目标用户的用户类型。
其中,所述转移数值确定模块,包括:
第一确定单元,用于根据所述用户类型,确定待选数据转移类型;
发送单元,用于将所述待选数据转移类型发送至用户客户端,以使所述用户确定目标数据转移类型;
接收单元,用于接收所述用户客户端发送的目标数据转移类型。
其中,所述转移数值确定模块,包括:
第二确定单元,用于基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,确定所述期数信息内每个时间周期的转移数值;
取整单元,用于若所述转移数值为非整数,则对所述转移数值取整,将取整后的转移数值确定为周期转移数值,所述期数信息中的最后一个时间周期的周期转移数值由所述转移数据总量与其余周期转移数值所确定,所述其余周期转移数值包括所述期数信息中除了最后一个时间周期以外的周期转移数值。
其中,所述装置还包括:
第三获取模块,用于获取样本征信信息以及与所述样本征信信息对应的类型标签,所述类型标签用于表征所述样本征信信息的用户类型;
模型训练模块,用于根据所述样本征信信息与所述类型标签之间的映射关系,训练所述神经网络模型。
本发明实施例另一方面提供了一种数据处理装置,包括:处理器和存储器;
所述处理器和存储器相连,其中,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行如本发明实施例中一方面中的方法。
本发明实施例另一方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时,执行如本发明实施例中一方面中的方法。
本发明实施例可通过获取目标用户的目标转移数据量、用户信息,从而获取与该目标用户对应的个人征信信息,可通过神经网络模型得到上述个人征信信息对应的类型标签,进而确定该目标用户的用户类型。随后,可根据用户类型获取该目标用户的目标数据转移类型,从而得到该目标用户在期数信息中每个时间周期的周期转移数值,可以避免每个时间周期内的业务数据的处理方式过于单一,从而提高业务数据处理方式的多样性。
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是本发明实施例提供的一种网络架构示意图;
图2是本发明实施例提供的一种数据处理方法的流程示意图;
图3是本发明实施例提供的另一种数据处理方法的流程示意图;
图4是本发明实施例提供的另一种数据处理方法的流程示意图;
图5是本发明实施例提供的一种数据处理装置的结构示意图;
图6是本发明实施例提供的另一种数据处理装置的结构示意图。
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。
请参见图1,图1是本发明实施例提供的一种网络架构示意图。如图1所示,该架构可以包括终端设备100、服务器200a、服务器200b,其中,终端设备100可以安装可为用户提供业务办理功能的各类客户端,服务器200a可表示为进行业务数据处理的服务器,服务器200b可表示为用户办理业务过程中数据转移处理的目的平台对应的后台服务器。用户可以在终端设备100的客户端上对需要进行办理的业务发起请求,服务器200a可获取该用户发起的请求,且获取该用户提供的上述业务办理需要的数据以及该用户的相关信息(例如,用户信息、期数信息、转移数据总量、个人征信信息),可通过一个神经网络模型确定该用户的用户类型(例如,高级用户类型与普通用户类型),可根据不同的用户类型提供不同的数据转移类型,通过与上述终端设备100上的客户端之间的交互获取最终确定的目标数据转移类型,从而重新计算出期数信息中每个时间周期的周期转移数值,将用户为业务办理提供的数据与上述周期转移数值发送给服务器200b,也就表示在上述业务处理过程中,用户可通过终端设备100的客户端与上述服务器200a进行交互,且上述客户端可与服务器200a进行信息传递与数据传输,服务器200a与服务器200b之间也可进行数据传输。终端设备100可以包括手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internetdevice,MID)、可穿戴设备(例如智能手表、智能手环等)。
进一步的,下面将结合图2-图4对本发明提供的一种数据处理方法的具体流程进行说明。
请参见图2,图2是本发明实施例提供的一种数据处理方法的流程示意图。如图2所示,本发明实施例提供的方法可结合步骤S101至步骤S105进行具体说明。
S101,获取针对目标用户的数据转移请求,所述数据转移请求包括目标转移数据量、用户信息。
在一些可行的实施方式中,用户可通过终端设备上的客户端进行日常业务的处理,例如与时间周期相关联的业务,用户可根据客户端上显示的操作流程进行操作就可完成业务的处理过程。当用户在客户端上发起业务办理的请求且提供了业务办理所需的数据后,业务处理服务器可获取到一个针对该用户(即目标用户)的数据转移请求,该数据转移请求可包括目标转移数据量、用户信息。其中,上述目标数据转移量可表示上述目标用户为业务办理提供的数据,用户信息可表示上述目标用户的个人基本信息,包括但不限于该目标用户的姓名、性别、证件号。
在一些可行的实施方式中,用户在通过客户端进行业务处理时,需要在该客户端上填写个人基本信息进行注册,客户端可将用户的个人基本信息进行数据存储,以便后期读取用户的个人基本信息数据。
S102,获取与所述用户信息对应的期数信息、转移数据总量以及个人征信信息。
在一些可行的实施方式中,基于上述获取的用户信息,服务器可从数据系统中获取与上述用户信息对应的期数信息、转移数据总量以及个人征信信息。其中,上述期数信息可表示为上述与时间周期相关联的业务的周期期数,上述转移数据总量可表示为上述目标用户在上述业务的期数信息内除上述目标转移数据量之外还应转移的数据量,上述个人征信信息可表示为上述目标用户的个人信用情况。
在一些可行的实施方式中,上述业务处理服务器可与其他平台的数据系统对接,可获取其他平台数据系统的准入资格,进而可获取用户的业务相关信息以及该用户的个人征信信息,上述业务相关信息可包括期数信息、转移数据总量。
S103,将所述个人征信信息输入神经网络模型,通过所述神经网络模型确定所述目标用户的用户类型。
在一些可行的实施方式中,将上述获取的个人征信信息输入训练好的神经网络模型中,由于该神经网络模型已经通过样本征信信息与该样本征信信息对应的类型标签训练完成,也就是说已具备分类功能。因此利用神经网络模型的分类功能得到上述个人征信信息对应的类型标签,从而确定上述目标用户的用户类型。其中,类型标签可用于标记上述个人征信信息的用户类型,用户类型可以是表示个人征信信息对应的信用类别,也可以是个人征信信息对应的收入类别。类型标签可以用数字表示,例如,类型标签为数值1,则表示对应的用户类型为“高级用户”;类型标签为数值0,则表示对应的用户类型为“普通用户”,换句话说,类型标签与用户类型存在一个映射关系。
S104,根据所述用户类型获取目标数据转移类型,基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,得到所述期数信息中每个时间周期的周期转移数值。
在一些可行的实施方式中,可基于上述确定的用户类型,为上述目标用户提供多种可选择的数据转移类型,并在多种可选择的数据转移类型中自动为上述目标用户匹配一种最佳的数据转移类型并推荐给目标用户,目标用户可自行选择一种最符合自身情况的数据转移类型,并将目标用户选择的最终数据转移类型确定为目标数据转移类型,随后,在上述目标数据转移类型的前提下,可根据上述期数信息以及上述转移数据总量,计算出上述期限信息中每个时间周期的周期转移数值,每个时间周期的周期转移数据可以存在差异,这是由上述目标数据转移类型所决定的。
其中,针对不同的用户类型,为目标用户提供的数据转移类型的种类及数量均是不同的。例如,若目标用户的用户类型为“高级用户”,则可提供至少三种数据转移类型可供该目标用户选择;目标用户的用户类型为“普通用户”,则向该目标用户提供的数据转移类型比较单一,只为该目标用户匹配一种最佳的数据转移类型可供目标用户确定。
S105,将所述目标转移数据量、所述周期转移数值发送至目标服务器,以使所述目标服务器对所述目标转移数据量进行数据提前转移处理,将所述期数信息中每个时间周期内的原始转移数值替换为所述周期转移数值。
在一些可行的实施方式中,服务器可将上述获得的目标转移数据量与上述重新计算得到的周期转移数值发送至目标服务器,以便目标服务器可对目标转移数据量进行提前转移处理,对上述目标用户的原始转移数值进行更新处理。其中,上述目标服务器可指上述业务处理过程中数据转移的目的平台对应的后台服务器,与上述客户端可以进行业务往来。上述目标服务器可对上述目标转移数据量进行用户数据匹配,保存该目标用户此次业务处理记录信息,更新该用户的业务处理状态,可将上述期数信息中每个时间周期的原始转移数值替换成上述周期转移数值,并进行保存。
本发明实施例可通过获取目标用户的目标转移数据量、用户信息,从而获取与该目标用户对应的个人征信信息,可利用神经网络模型的分类功能,得到上述个人征信信息对应的类型标签,进而确定该目标用户的用户类型。随后,可根据用户类型获取该目标用户的目标数据转移类型,从而得到该目标用户在期数信息中每个时间周期的周期转移数值,可以避免每个时间周期内的业务数据的处理方式过于单一,从而提高业务数据处理方式的多样性。
请参见图3,图3是本发明实施例提供的另一种数据处理方法的流程示意图。如图3所示,本发明实施例提供的方法可结合步骤S201至步骤S211进行具体说明。
S201,获取针对目标用户的数据转移请求,所述数据转移请求包括目标转移数据量、用户信息。
在一些可行的实施方式中,以提前还款业务为例,对步骤S201进行具体说明。用户可在客户端上进行小额还贷中提前还款业务的处理,客户端可向用户提供提前还款业务的操作流程,用户只需按照流程进行处理即可。当用户在客户端上发起提前还款业务办理的请求,并通过第三方支付公司向服务器支付了提前还款金额后,服务器可获取到一个针对该用户(即目标用户)的数据转移请求,即提前还款金额转移请求。上述数据转移请求中的目标转移数据量可指目标用户通过第三方支付公司支付的提前还款金额,用户信息可指目标用户的个人基本信息,包括但不限于用户的姓名、性别、证件号。
可选的,用户在通过客户端进行提前还款业务处理时,需要在该客户端上填写个人基本信息进行注册,客户端可将用户的个人基本信息进行数据存储,以便后期读取用户的个人基本信息数据。
S202,获取与所述用户信息对应的期数信息、转移数据总量以及个人征信信息。
在一些可行的实施方式中,以提前还款业务为例,基于上述获取的用户信息,服务器可从数据系统中获取与上述用户信息相对应的期数信息、转移数据总量以及个人征信信息。其中,上述期数信息可指目标用户在小额还贷期间的还款期限信息,也就是该目标用户进行分期还款期间剩余的期数信息,上述转移数据总量可指该用户在完成此次提前还款业务后所欠的剩余金额,上述个人征信信息可指该用户的个人信用情况,可包括该用户近几年的收入情况、贷款信息、信用卡信息等,其中,收入情况可指该用户在工作单位中得到的稳定收入以及其余副业(如投资、兼职、炒股等)产生的收入,贷款信息可包括贷款发放银行、贷款额、贷款期限、还款方式、实际还款记录等,信用卡信息可包括发卡银行、授信额度、还款记录等。
在一些可行的实施方式中,上述服务器可与小贷公司及各银行的数据系统对接,获取小贷公司及各银行的数据系统准入资格,进而可获取用户的相关信息,例如用户的个人基本信息、收入信息以及银行信用记录信息。可以理解,用户在向小贷公司或银行贷款前,需要填写个人基本信息进行实名登记或注册,且需要说明个人的收入情况,小贷公司或各银行会将用户的上述信息进行数据存储,以便后期进行数据读取,至于用户的贷款还款等情况,银行或小贷公司都会进行记录。
S203,生成所述个人征信信息对应的用户向量。
在一些可行的实施方式中,可将上述个人征信信息转换成向量的形式,将生成的向量称为用户向量。以提前还款业务为例,上述个人征信信息可包括多个因素(分别对应多个特征),例如,上述多个因素可以包括目标用户的月收入、信用状况、每月应偿还的贷款总数,将上述多个因素信息转换成向量形式,并对该向量进行归一化处理,得到上述个人征信信息对应的用户向量。其中,上述月收入与上述应偿还的贷款总数均以人民币表示,以元为单位,进行归一化处理后,均可用一个0~1的数值表示,数值越大,说明金额越大;上述信用状况可根据目标用户的借贷及还贷情况来确定,可用取值范围为0~1的数值表示,数值越大,说明信用状况越好。
S204,将所述用户向量输入神经网络模型中,生成所述用户向量对应的目标特征值。
在一些可行的实施方式中,将上述生成的用户向量输入到训练好的神经网络模型中,神经网络模型可以包括输入层、隐含层和输出层,因此用户向量首先输入至神经网络模型的输入层,随后进入隐含层,隐含层可进行非线性映射,输出上述用户向量对应的目标特征值。需要说明的是,神经网络模型中的隐含层可以只有一层也可以有多层。
S205,获取所述目标特征值与所述神经网络模型中的多个用户类型分别对应的预设特征值之间的匹配度,将具有最高匹配度对应的预设特征值所属的用户类型确定为所述目标用户的用户类型。
在一些可行的实施方式中,训练好的神经网络模型是一个分类器,上述分类器的结点数与上述类型标签的类别数相同,也与上述用户类型的类别数相同,该分类器的每一个分类结点包括从每一种类型标签类别所对应的用户向量生成的目标特征值。当生成上述用户向量对应的目标特征值后,将目标特征值与上述神经网络模型中的多个用户类型分别对应的预设特征值进行相似度比较,相似度可以采用距离度量的方式,若两个特征的距离越近,说明两个特征的相似度越大,距离度量方式可以包括欧式距离度量方式、马氏距离度量方式或者汉明距离度量方式,具有最大相似度对应的预设特征值所属的类型标签即为上述用户向量所述的类型标签,从而可以确定上述目标用户的用户类型。以提前还款业务为例,若用户类型包括高级用户类型与普通用户类型,也就是有两种类型标签,则在神经网络模型中可对应2个输出,根据输出结果可确定目标用户的用户类型。例如,输出的结果向量为(1,0),则表示该目标用户的用户类型为高级用户,若输出的结果向量为(0,1),则表示该目标用户的用户类型为普通用户。
S206,根据所述用户类型,确定待选数据转移类型。
在一些可行的实施方式中,基于上述神经网络模型确定的用户类型,可为目标用户提供多种数据转移类型,并为目标用户匹配一种最佳的数据转移类型。以提前还款业务为例,上述待选数据转移类型可指为目标用户提供的多种还款方式,根据上述确定的用户类型,可为目标用户提供多种不同的还款方式。例如,若目标用户为高级用户,则可为该目标用户提供等额还款、等息还款、提前结清等多种还款方式;若目标用户为普通用户,则可以只为该目标用户提供一种还款方式。
S207,将所述待选数据转移类型发送至用户客户端,以使所述目标用户确定目标数据转移类型。
在一些可行的实施方式中,可将上述待选数据转移类型发送至用户客户端,即目标用户发起业务办理请求的客户端,并在上述用户客户端上进行显示,以便目标用户能够选择最符合自身情况的数据转移类型,目标用户选择完成后,上述用户客户端可将目标用户选择的数据转移类型(即目标数据转移类型)发送至服务器。可以理解,目标用户只可以选择一种数据转移类型作为目标数据转移类型。以提前还款业务为例,上述目标数据转移类型可指目标用户最终选择的还款方式。将上述为目标用户提供的多种待选还款方式发送至该目标用户发起提前还款业务办理请求的客户端,可以在客户端上显示上述多种还款方式,并在为目标用户自动匹配的还款方式后面显示“推荐”两个汉字作为标志,每一种待选还款方式前面均对应一个选择按钮,可供目标用户从多种待选还款方式中选择最符合自身情况的还款方式,目标用户最终选择的还款方式可称为目标数据转移类型。客户端获取到目标用户最终选择的还款方式后,可将上述选择的还款方式发送至服务器。
S208,接收所述用户客户端发送的目标数据转移类型。
在一些可行的实施方式中,以提前还款业务为例,服务器可接收上述用户客户端发送的目标用户最终选择的还款方式。
S209,基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,确定所述期数信息内每个时间周期的转移数值。
在一些可行的实施方式中,以提前还款业务为例,在最终确定的还款方式前提下,根据目标用户所欠的剩余金额(除去此次提前还款金额后)、剩余的期限信息,重新计算目标用户剩余期限中每个月应偿还的金额数。选择的还款方式不同,计算得到的每个月应偿还的金额数也不同。例如,若目标用户确定选择等额还款方式,则计算得到的目标用户在剩余期限中每月应偿还的金额数是相同的;若目标用户确定选择等息还款方式,则计算得到的目标用户在剩余期限中每月应偿还的金额数是有所差异的。可以理解,在分期还贷期间,一般是以一个月为周期进行还款。
S210,若所述转移数值为非整数,则对所述转移数值取整,将取整后的转移数值确定为周期转移数值,所述期数信息中的最后一个时间周期的周期转移数值由所述转移数据总量与其余周期转移数值所确定。
在一些可行的实施方式中,以提前还款业务为例,上述周期转移数值可指目标用户在后续期数信息中的每月规定还款金额。若重新计算得到的每个月应偿还的金额数为非整数,则对上述金额数进行取整,全部转换成整数,取整的方式可包括四舍五入法、向下取整法、向上取整法,将转换成整数的每月应偿还的金额数确定为每月规定还款金额,当然,为了目标用户在后续期数信息中偿还的金额数与所欠的剩余金额相等,目标用户最后一个月的规定还款金额等于目标用户所欠的剩余金额减去后续期数信息中前面所有月份的规定还款金额。例如,目标用户的期数信息为11个月,所欠的剩余金额为7000元,取整后的每月规定还款金额为636元,则最后一个月的规定还款金额为7000-636*10=640元。
S211,将所述目标转移数据量、所述周期转移数值发送至目标服务器,以使所述目标服务器对所述目标转移数据量进行数据提前转移处理,将所述期数信息中每个时间周期内的原始转移数值替换为所述周期转移数值。
在一些可行的实施方式中,以提前还款业务为例,上述目标服务器表示银行对应的后台服务器,上述原始转移数值可指该用户在提前还款之前每月的规定还款金额。在计算得出上述周期转移数值(即每月的规定还款金额)后,可将上述目标转移数据量(即提前还款金额)、上述周期转移数值(即重新计算出的每月的规定还款金额)发送至银行,以便银行对接收到的数据信息进行相应的处理。银行对于接收到的提前还款金额,通过与银行数据系统中的用户信息进行匹配,保存该用户此次交易信息记录,并更新用户的还款状态;对于收到的每月的规定还款金额,通过与银行数据系统中的用户信息进行匹配将该用户的还款信息中原来每月应收还款金额替换成重构后的每月的规定还款金额。其中,还款状态包括但不限于该用户截止到当前时刻所欠的总金额、当月还款是否已全部偿还,已偿还的全部金额等。
在本发明实施例中,以提前还款业务为例,在用户通过客户端上发起提前还款业务办理请求并通过第三方支付公司向服务器支付了提前还款金额后,服务器可获取目标用户的提前转移金额、用户信息,从而获取与该目标用户对应的所欠剩余金额、期数信息以及个人征信信息,可利用神经网络模型的分类功能得到上述个人征信信息对应的类型标签,进而确定该目标用户的用户类型;根据用户类型为目标用户提供多种待选还款方式,并将多种待选还款方式发送至客户端以便目标用户选择出最终的还款方式;服务器接收客户端发送的最终的还款方式,从而计算出该目标用户后续的每月规定还款金额,可以避免每个时间周期内的业务数据的处理方式过于单一,从而提高业务数据处理方式的多样性。
请参见图4,图4是本发明实施例提供的另一种数据处理方法的流程示意图。如图4所示,本发明实施例提供的方法可结合步骤S301至步骤S307进行具体说明。
S301,获取样本征信信息以及与所述样本征信信息对应的类型标签,所述类型标签用于表征所述样本征信信息的用户类型。
在一些可行的实施方式中,可以从数据库中获取已经为每一个样本用户对应的样本征信信息打上类型标签的个人征信信息,其中类型标签可以用于表征样本征信信息的用户类型,即样本用户的用户类型。以提前还款业务为例,可从银行或小贷公司的数据库系统中获取样本用户对应的个人征信信息作为样本征信信息,其中每一个样本用户均已经确定了用户类型,即已经为每一个样本征信信息打上了类型标签,类型标签可以用数字表示。例如,类型标签为数值0时,对应的样本征信信息为普通用户类型;类型标签为数值1时,对应的样本征信信息为高级用户类型。
S302,根据所述样本征信信息与所述类型标签之间的映射关系,训练所述神经网络模型。
在一些可行的实施方式中,样本征信信息都携带对应的类型标签,相同的类型标签为同一类,每个样本征信信息表示一个数据样本,以提前还款业务为例,每个数据样本(即样本征信信息)均可以转换成一个用户向量,可包括多个特征,例如,可以包括3个特征,分别表示样本用户的月收入、信用状况、每月应偿还的贷款总数,可以将上述3个特征作为神经网络模型的3个输入,样本征信信息的数量若为50,用户的类型标签的种类为2,分别用数值0和1表示,则神经网络模型的输入可以为一个3×50的矩阵,输出是一个2×50的矩阵。由于每个样本征信信息都携带对应的类型标签,也就是输入神经网络模型的每个数据样本均有一个期望输出值(即携带的标签),每经过神经网络模型的一次计算可以得到一个实际输出值,可以通过期望输出值与实际输出值之间的误差不断调整神经网络模型的参数,直至期望输出值与实际输出值之间的误差不超过目标误差值,完成神经网络模型的训练过程,并保存网络模型的参数,此时的神经网络模型已经具备了较好的分类功能。
S303,获取针对目标用户的数据转移请求,所述数据转移请求包括目标转移数据量、用户信息。
S304,获取与所述用户信息对应的期数信息、转移数据总量以及个人征信信息;
S305,将所述个人征信信息输入神经网络模型,通过所述神经网络模型确定所述目标用户的用户类型;
S306,根据所述用户类型获取目标数据转移类型,基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,得到所述期数信息中每个时间周期的周期转移数值;
S307,将所述目标转移数据量、所述周期转移数值发送至目标服务器,以使所述目标服务器对所述目标转移数据量进行数据提前转移处理,将所述期数信息中每个时间周期内的原始转移数值替换为所述周期转移数值。
其中,上述步骤S303-步骤S307的具体实现过程可参见上述图2所对应实施例中对步骤S101-步骤S105或图3所对应实施例中对步骤S201-步骤S211的描述。
本发明实施例可通过获取目标用户的目标转移数据量、用户信息,从而获取与该目标用户对应的个人征信信息,可利用神经网络模型的分类功能,得到上述个人征信信息对应的类型标签,进而确定该目标用户的用户类型。随后,可根据用户类型获取该目标用户的目标数据转移类型,从而得到该目标用户在期数信息中每个时间周期的周期转移数值,可以避免每个时间周期内的业务数据的处理方式过于单一,从而提高业务数据处理方式的多样性。
请参见图5,图5是本发明实施例提供的一种数据处理装置的结构示意图。如图5所示,上述数据处理装置1可以应用于上述图1所对应实施例中的服务器200a,该数据处理装置1可以包括:第一获取模块10、第二获取模块20、用户类型确定模块30、转移数值确定模块40、数据发送模块50;
第一获取模块10,用于获取针对目标用户的数据转移请求,所述数据转移请求包括目标转移数据量、用户信息;
第二获取模块20,用于获取与所述用户信息对应的期数信息、转移数据总量以及个人征信信息;
用户类型确定模块30,用于将所述个人征信信息输入神经网络模型,通过所述神经网络模型确定所述目标用户的用户类型;
转移数值确定模块40,用于根据所述用户类型获取目标数据转移类型,基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,得到所述期数信息中每个时间周期的周期转移数值;
数据发送模块50,用于将所述目标转移数据量、所述周期转移数值发送至目标服务器,以使所述目标服务器对所述目标转移数据量进行数据提前转移处理,将所述期数信息中每个时间周期内的原始转移数值替换为所述周期转移数值。
其中,上述第一获取模块10、第二获取模块20、用户类型确定模块30、转移数值确定模块40以及数据发送模块50的具体功能实现方式可以参见上述图1对应实施例中的步骤S101-步骤S105,这里不再进行赘述。
再请一并参见图5,上述数据处理装置1还可以包括:第三获取模块60、模型训练模块70;
第三获取模60,用于获取样本征信信息以及与所述样本征信信息对应的类型标签,所述类型标签用于表征所述样本征信信息的用户类型;
模型训练模块70,用于根据所述样本征信信息与所述类型标签之间的映射关系,训练所述神经网络模型。
其中,上述第三获取模块60、模型训练模块70的具体功能实现方式可以参见上述图4对应实施例中的步骤S301-步骤S302,这里不再进行赘述。
再请一并参见图5,上述用户类型确定模块30可以包括:第一生成单元301、第二生成单元302、匹配单元303;
第一生成单301,用于生成所述个人征信信息对应的用户向量;
第二生成单元302,用于将所述用户向量输入神经网络模型中,生成所述目标用户向量对应的目标特征值;
匹配单元303,用于获取所述目标特征值与所述神经网络模型中的多个用户类型分别对应的预设特征值之间的匹配度,将具有最高匹配度对应的预设特征值所属的用户类型确定为所述目标用户的用户类型。
其中,上述第一生成单元301、第二生成单元302、匹配单元303的具体功能实现方式可以参见上述图3对应实施例中的步骤S203-步骤S205,这里不再进行赘述。
再请一并参见图5,上述转移数值确定模块40可以包括:第一确定单元401、发送单元402、接收单元403、第二确定单元404、取整单元405;
第一确定单元401,用于根据所述用户类型,确定待选数据转移类型;
发送单元402,用于将所述待选数据转移类型发送至用户客户端,以使所述用户确定目标数据转移类型;
接收单元403,用于接收所述用户客户端发送的目标数据转移类型;
第二确定单元404,用于基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,确定所述期数信息内每个时间周期的转移数值;
取整单元405,用于若所述转移数值为非整数,则对所述转移数值取整,将取整后的转移数值确定为周期转移数值,所述期数信息中的最后一个时间周期的周期转移数值由所述转移数据总量与其余周期转移数值所确定,所述其余周期转移数值包括所述期数信息中除了最后一个时间周期以外的周期转移数值。
其中,上述第一确定单元401、发送单元402、接收单元403、第二确定单元404、取整单元405的具体功能实现方式可以参见上述图3对应实施例中的步骤S206-步骤S210,这里不再进行赘述。
本发明实施例可通过获取目标用户的目标转移数据量、用户信息,从而获取与该目标用户对应的个人征信信息,可通过神经网络模型得到上述个人征信信息对应的类型标签,进而确定该目标用户的用户类型。随后,可根据用户类型获取该目标用户的目标数据转移类型,从而得到该目标用户在期数信息中每个时间周期的周期转移数值,可以避免每个时间周期内的业务数据的处理方式过于单一,从而提高业务数据处理方式的多样性。
请参见图6,图6是本发明实施例提供的另一种数据处理装置的结构示意图。如图6所示,本发明实施例中的数据处理装置500可以包括:一个或多个处理器501和存储器502。上述处理器501和存储器502通过总线503连接。存储器502用于存储计算机程序,该计算机程序包括程序指令,处理器501用于执行存储器502存储的程序指令,执行如下操作:
获取针对目标用户的数据转移请求,所述数据转移请求包括目标转移数据量、用户信息;
获取与所述用户信息对应的期数信息、转移数据总量以及个人征信信息;
将所述个人征信信息输入神经网络模型,通过所述神经网络模型确定所述目标用户的用户类型;
根据所述用户类型获取目标数据转移类型,基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,得到所述期数信息中每个时间周期的周期转移数值;
将所述目标转移数据量、所述周期转移数值发送至目标服务器,以使所述目标服务器对所述目标转移数据量进行数据提前转移处理,将所述期数信息中每个时间周期内的原始转移数值替换为所述周期转移数值。
在一些可行的实施方式中,上述处理器501在执行上述将所述个人征信信息输入神经网络模型,通过所述神经网络模型确定所述目标用户的用户类型时,具体用于:
生成所述个人征信信息对应的用户向量;
将所述用户向量输入神经网络模型中,生成所述用户向量对应的目标特征值;
获取所述目标特征值与所述神经网络模型中的多个用户类型分别对应的预设特征值之间的匹配度,将具有最高匹配度对应的预设特征值所属的用户类型确定为所述目标用户的用户类型。
在一些可行的实施方式中,上述处理器501在执行上述根据所述用户类型获取目标数据转移类型时,具体用于:
根据所述用户类型,确定待选数据转移类型;
将所述待选数据转移类型发送至用户客户端,以使所述目标用户确定目标数据转移类型;
接收所述用户客户端发送的目标数据转移类型。
在一些可行的实施方式中,上述处理器501在执行上述基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,得到所述期数信息中每个时间周期的周期转移数值时,具体用于:
基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,确定所述期数信息内每个时间周期的转移数值;
若所述转移数值为非整数,则对所述转移数值取整,将取整后的转移数值确定为周期转移数值,所述期数信息中的最后一个时间周期的周期转移数值由所述转移数据总量与其余周期转移数值所确定,所述其余周期转移数值包括所述期数信息中除了最后一个时间周期以外的周期转移数值。
在一些可行的实施方式中,上述处理器501还可以用于:
获取样本征信信息以及与所述样本征信信息对应的类型标签,所述类型标签用于表征所述样本征信信息的用户类型;
根据所述样本征信信息与所述类型标签之间的映射关系,训练所述神经网络模型。
在一些可行的实施方式中,上述处理器501可以是中央处理单元(centralprocessing unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field-programmable gate array,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。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。
该存储器502可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器502的一部分还可以包括非易失性随机存取存储器。例如,存储器502还可以存储设备类型的信息。
应当理解,上述数据处理装置500可执行前文图2-图4所对应实施例中对数据处理方法的描述,也可执行图5所对应实施例中对数据处理装置的描述,在此不再进行赘述。
本发明实施例可通过获取目标用户的目标转移数据量、用户信息,从而获取与该目标用户对应的个人征信信息,可通过神经网络模型得到上述个人征信信息对应的类型标签,进而确定该目标用户的用户类型。随后,可根据用户类型获取该目标用户的目标数据转移类型,从而得到该目标用户在期数信息中每个时间周期的周期转移数值,可以避免每个时间周期内的业务数据的处理方式过于单一,从而提高业务数据处理方式的多样性。
此外,这里需要指出的是:本发明实施例还提供了一种计算机可读存储介质,且上述计算机可读存储介质中存储有前文提及的数据处理装置1所执行的计算机程序,且上述计算机程序包括程序指令,当处理器执行上述程序指令时,能够执行前文图3所对应实施例中对上述数据处理方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本发明所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本发明方法实施例的描述。
在本发明中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。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。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。
本发明实施例提供的方法及相关装置是参照本发明实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。
本发明说明书、权利要求书和附图中出现的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取针对目标用户的数据转移请求,所述数据转移请求包括目标转移数据量、用户信息;
获取与所述用户信息对应的期数信息、转移数据总量以及个人征信信息;
将所述个人征信信息输入神经网络模型,通过所述神经网络模型确定所述目标用户的用户类型;
根据所述用户类型获取目标数据转移类型,基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,得到所述期数信息中每个时间周期的周期转移数值;
将所述目标转移数据量、所述周期转移数值发送至目标服务器,以使所述目标服务器对所述目标转移数据量进行数据提前转移处理,将所述期数信息中每个时间周期内的原始转移数值替换为所述周期转移数值。
2.根据权利要求1所述的方法,其特征在于,所述将所述个人征信信息输入神经网络模型,通过所述神经网络模型确定所述目标用户的用户类型,包括:
生成所述个人征信信息对应的用户向量;
将所述用户向量输入神经网络模型中,生成所述用户向量对应的目标特征值;
获取所述目标特征值与所述神经网络模型中的多个用户类型分别对应的预设特征值之间的匹配度,将具有最高匹配度对应的预设特征值所属的用户类型确定为所述目标用户的用户类型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述用户类型获取目标数据转移类型,包括:
根据所述用户类型,确定待选数据转移类型;
将所述待选数据转移类型发送至用户客户端,以使所述目标用户确定目标数据转移类型;
接收所述用户客户端发送的目标数据转移类型。
4.根据权利要求1所述的方法,其特征在于,所述基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,得到所述期数信息中每个时间周期的周期转移数值,包括:
基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,确定所述期数信息内每个时间周期的转移数值;
若所述转移数值为非整数,则对所述转移数值取整,将取整后的转移数值确定为周期转移数值,所述期数信息中的最后一个时间周期的周期转移数值由所述转移数据总量与其余周期转移数值所确定,所述其余周期转移数值包括所述期数信息中除了最后一个时间周期以外的周期转移数值。
5.根据权利要求1所述的方法,其特征在于,还包括:
获取样本征信信息以及与所述样本征信信息对应的类型标签,所述类型标签用于表征所述样本征信信息的用户类型;
根据所述样本征信信息与所述类型标签之间的映射关系,训练所述神经网络模型。
6.一种数据处理装置,其特征在于,包括:
第一获取模块,用于获取针对目标用户的数据转移请求,所述数据转移请求包括目标转移数据量、用户信息;
第二获取模块,用于获取与所述用户信息对应的期数信息、转移数据总量以及个人征信信息;
用户类型确定模块,用于将所述个人征信信息输入神经网络模型,通过所述神经网络模型确定所述目标用户的用户类型;
转移数值确定模块,用于根据所述用户类型获取目标数据转移类型,基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,得到所述期数信息中每个时间周期的周期转移数值;
数据发送模块,用于将所述目标转移数据量、所述周期转移数值发送至目标服务器,以使所述目标服务器对所述目标转移数据量进行数据提前转移处理,将所述期数信息中每个时间周期内的原始转移数值替换为所述周期转移数值。
7.根据权利要求6所述的装置,其特征在于,所述转移数值确定模块,包括:
第一确定单元,用于根据所述用户类型,确定待选数据转移类型;
发送单元,用于将所述待选数据转移类型发送至用户客户端,以使所述目标用户确定目标数据转移类型;
接收单元,用于接收所述用户客户端发送的目标数据转移类型。
8.根据权利要求6所述的装置,其特征在于,所述转移数值确定模块,包括:
第二确定单元,用于基于所述转移数据总量、所述期数信息以及所述目标数据转移类型,确定所述期数信息内每个时间周期的转移数值;
取整单元,用于若所述转移数值为非整数,则对所述转移数值取整,将取整后的转移数值确定为周期转移数值,所述期数信息中的最后一个时间周期的周期转移数值由所述转移数据总量与其余周期转移数值所确定,所述其余周期转移数值包括所述期数信息中除了最后一个时间周期以外的周期转移数值。
9.一种数据处理装置,其特征在于,包括:处理器和存储器;
所述处理器和存储器相连,其中,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行如权利要求1-5任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时,执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185293.8A CN110009482A (zh) | 2019-03-12 | 2019-03-12 | 一种数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185293.8A CN110009482A (zh) | 2019-03-12 | 2019-03-12 | 一种数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110009482A true CN110009482A (zh) | 2019-07-12 |
Family
ID=67166906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910185293.8A Pending CN110009482A (zh) | 2019-03-12 | 2019-03-12 | 一种数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009482A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160314442A1 (en) * | 2015-04-21 | 2016-10-27 | Xiaomi Inc. | Numerical value transfer method, terminal, cloud server and storage medium |
CN106408413A (zh) * | 2016-09-23 | 2017-02-15 | 快睿登信息科技(上海)有限公司 | 一种多循环分期决策的方法及系统 |
CN106952156A (zh) * | 2017-03-08 | 2017-07-14 | 中国银行股份有限公司 | 一种分期还款计划的生成方法及装置 |
CN108280757A (zh) * | 2017-02-13 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 用户信用评估方法及装置 |
CN109034783A (zh) * | 2018-07-04 | 2018-12-18 | 广州唯品会信息科技有限公司 | 账单还款计算方法、装置及计算机可读存储介质 |
CN109166033A (zh) * | 2018-09-03 | 2019-01-08 | 平安国际融资租赁有限公司 | 贷款额度计算方法、装置、计算机设备和存储介质 |
-
2019
- 2019-03-12 CN CN201910185293.8A patent/CN110009482A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160314442A1 (en) * | 2015-04-21 | 2016-10-27 | Xiaomi Inc. | Numerical value transfer method, terminal, cloud server and storage medium |
CN106408413A (zh) * | 2016-09-23 | 2017-02-15 | 快睿登信息科技(上海)有限公司 | 一种多循环分期决策的方法及系统 |
CN108280757A (zh) * | 2017-02-13 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 用户信用评估方法及装置 |
CN106952156A (zh) * | 2017-03-08 | 2017-07-14 | 中国银行股份有限公司 | 一种分期还款计划的生成方法及装置 |
CN109034783A (zh) * | 2018-07-04 | 2018-12-18 | 广州唯品会信息科技有限公司 | 账单还款计算方法、装置及计算机可读存储介质 |
CN109166033A (zh) * | 2018-09-03 | 2019-01-08 | 平安国际融资租赁有限公司 | 贷款额度计算方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cassimon et al. | Compound real option valuation with phase-specific volatility: A multi-phase mobile payments case study | |
CN109242672A (zh) | 贷款的还款信息预测方法、装置以及计算机可读存储介质 | |
CN107371146A (zh) | 一种选择短信通道的方法及终端 | |
CN110349004A (zh) | 基于用户节点关系网络的欺诈风险侦测方法及装置 | |
CN106327196A (zh) | 一种支付阈值获取方法和装置 | |
CN110827138A (zh) | 一种推送信息确定方法及装置 | |
KR102092461B1 (ko) | 투자성공률 제공방법 | |
CN108492170A (zh) | 一种还款方法、计算机可读存储介质及终端设备 | |
CN111815169A (zh) | 业务审批参数配置方法及装置 | |
CN110046944A (zh) | 基于区块链的发票创建方法和装置、电子设备 | |
CN110276674A (zh) | 数据处理方法及系统、存储介质、电子装置 | |
CN107767152A (zh) | 产品购买倾向分析方法及服务器 | |
CN109409933A (zh) | 智能计费方法、计算机可读存储介质和终端设备 | |
CN109102282A (zh) | 一种多币种退款业务处理方法及装置 | |
CN108765134A (zh) | 订单数据处理方法及装置、电子设备、存储介质 | |
CN108681871A (zh) | 一种提示信息的方法、终端设备及计算机可读存储介质 | |
CN110458633A (zh) | 基于区块链技术的发票数据生成方法、系统和计算机设备 | |
CN107247775A (zh) | 一种数据更新方法、装置及电子设备 | |
CN109636617A (zh) | 基金组合产品的调仓方法及装置 | |
CN110264368A (zh) | 目标加密货币的情绪指数的生成方法及装置 | |
CN108876604A (zh) | 股市风险预测方法、装置、计算机设备及存储介质 | |
CN113158124A (zh) | 基于人工智能的数据处理方法、装置及存储介质 | |
CN110009483A (zh) | 一种基于时间信息的数据处理方法及装置 | |
KR102174608B1 (ko) | 기계 학습 기반의 채무불이행 예측 장치 및 방법 | |
CN110009482A (zh) | 一种数据处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |