CN111524001A - 用户授信额度的预测方法、装置和相关设备 - Google Patents
用户授信额度的预测方法、装置和相关设备 Download PDFInfo
- Publication number
- CN111524001A CN111524001A CN202010341705.5A CN202010341705A CN111524001A CN 111524001 A CN111524001 A CN 111524001A CN 202010341705 A CN202010341705 A CN 202010341705A CN 111524001 A CN111524001 A CN 111524001A
- Authority
- CN
- China
- Prior art keywords
- target user
- user
- asset
- model
- function
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012417 linear regression Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 152
- 239000013598 vector Substances 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 11
- 238000012549 training Methods 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 7
- 238000000547 structure data Methods 0.000 description 7
- 238000011835 investigation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种用户授信额度的预测方法、装置和相关设备,获得目标用户的用户属性数据和预设时间段内的多个资产数据;每个资产数据均对应于预设时间段内的一个时间戳,资产数据表示,在对应的时间戳时目标用户的可支配资产;用资产数据构建反映目标用户的可支配资产和时间的函数关系的资产函数,利用额度预测模型处理目标用户的资产函数和用户属性数据,得到作为办理目标用户的授信业务的依据的授信额度预测值;额度预测模型是基于多个历史用户的样本数据构建的半函数型部分线性回归模型。额度预测模型能够直接处理用户的资产函数,从而结合用户的资产情况的变化趋势进行授信额度的预测,因此,本方案能够获得更准确的授信额度预测值。
Description
技术领域
本发明涉及智能决策技术领域,特别涉及一种用户授信额度的预测方法、装置和相关设备。
背景技术
对个人用户的授信业务是商业银行开展的一类重要业务,如信用卡业务,个人贷款业务等均可以认为是一种授信业务。用户请求办理授信业务时,银行需要基于用户的相关数据确定该用户的授信额度,例如,若用户申请信用卡,则需要确定向该用户发放的信用卡的消费额度。
目前,确定用户的授信额度的方法主要是对用户当前的资产情况(例如,可以是用户的收入)和征信记录进行评估,根据评估结果确定授信额度。例如,对于收入较低或者有不良征信记录的用户配置较低的授信额度,对收入较高或者征信记录良好的用户发放较高的授信额度。
然而,用户的资产情况会随时间推移而变化,仅仅评估用户当前的资产情况无法准确反映用户获得相应的授信额度一段时间内真实的偿还能力和消费需要,也就是说,现有的确定授信额度的方法准确度较低,无法精准地满足用户和银行的需求。
发明内容
基于上述现有技术的缺点,本申请提供一种用户授信额度的预测方法、装置和相关设备,以提供一种能够精准地满足用户和银行的需求的授信额度预测方案。
本申请第一方面提供一种用户授信额度的预测方法,包括:
获得目标用户的用户属性数据,以及预设时间段内所述目标用户的多个资产数据;其中,每一个所述资产数据均对应于所述预设时间段内的一个时间戳,所述资产数据表示,在对应的时间戳时,所述目标用户的可支配资产;
基于所述目标用户的多个资产数据,构建所述目标用户的资产函数;其中,所述目标用户的资产函数用于表示所述预设时间段内所述目标用户的可支配资产和时间的函数关系;
利用预先构建的额度预测模型处理所述目标用户的资产函数和所述目标用户的用户属性数据,得到所述目标用户的授信额度预测值;其中,所述目标用户的授信额度预测值用于作为办理所述目标用户的授信业务的依据,所述额度预测模型是,基于多个已办理授信业务的历史用户对应的样本数据构建的半函数型部分线性回归模型;每一个所述样本数据,均包括对应的所述历史用户的资产函数,所述历史用户的用户属性数据和所述历史用户的实际授信额度。
可选的,构建所述额度预测模型的方法包括:
确定半函数型部分线性回归模型的函数算子的表达式和所述半函数型部分线性回归模型的参数向量的维数,并生成半函数型部分线性回归模型的第一模型参数集;
计算所述第一模型参数集的模型损失值;其中,所述第一模型参数集的模型损失值,用于表征基于所述第一模型参数集构建的额度预测模型处理所述样本数据得到的所述历史用户的授信额度预测值,和所述历史用户的实际授信额度之间的偏差;
若所述第一模型参数集的模型损失值大于或等于预设的损失阈值,更新所述第一模型参数集,并返回执行所述计算所述第一模型参数集的模型损失值,直至所述第一模型参数集的模型损失值小于所述损失阈值为止;
将所述第一模型参数集包括的数据代入所述半函数型部分线性回归模型的函数算子和参数向量,得到基于所述第一模型参数集构建的额度预测模型。
可选的,所述计算所述第一模型参数集的模型损失值之前,还包括:
随机生成多个参考模型参数集,并计算每一个所述参考模型参数集的模型损失值;
其中,所述计算所述第一模型参数集的模型损失值,包括:
针对每一个所述参考模型参数集,计算所述参考模型参数集和所述第一模型参数集的相似度;
按相似度的大小由大至小选择k个参考模型参数集作为所述第一模型参数集的邻居参数集,并将每一个所述邻居参数集和所述第一模型参数集的相似度确定为所述邻居参数集的权重;其中,所述k是预设的正整数;
基于所述邻居参数集,计算所述多个邻居参数集的模型损失值的加权平均值,并将计算得到的加权平均值作为所述第一模型参数集的模型损失值。
可选的,所述利用预先构建的额度预测模型处理所述目标用户的资产函数和所述目标用户的用户属性数据,得到所述目标用户的授信额度预测值之后,还包括:
接收所述目标用户的客户端的授信额度查询请求;
向所述目标用户的客户端发送多个参考用户的用户数据,所述目标用户的授信额度预测值和所述目标用户的资产函数;其中,每一个所述参考用户的用户数据,均包括所述参考用户的资产函数,和所述参考用户的实际授信额度。
可选的,所述额度预测模型包括函数算子和参数向量;
其中,所述利用预先构建的额度预测模型处理所述目标用户的资产函数和所述目标用户的用户属性数据,得到所述目标用户的授信额度预测值,包括:
利用所述额度预测模型的函数算子计算所述目标用户的资产函数,得到所述目标用户的资产函数预测值;
利用所述额度预测模型的参数向量计算所述目标用户的用户属性数据,得到所述目标用户的用户属性预测值;
计算所述目标用户的资产函数预测值和所述目标用户的用户属性预测值之和,得到所述目标用户的授信额度预测值。
本申请第二方面提供一种用户授信额度的预测装置,包括:
获得单元,用于获得目标用户的用户属性数据,以及预设时间段内所述目标用户的多个资产数据;其中,每一个所述资产数据均对应于所述预设时间段内的一个时间戳,所述资产数据表示,在对应的时间戳时,所述目标用户的可支配资产;
构建单元,用于基于所述目标用户的多个资产数据,构建所述目标用户的资产函数;其中,所述目标用户的资产函数用于表示所述预设时间段内所述目标用户的可支配资产和时间的函数关系;
处理单元,用于利用预先构建的额度预测模型处理所述目标用户的资产函数和所述目标用户的用户属性数据,得到所述目标用户的授信额度预测值;其中,所述目标用户的授信额度预测值用于作为办理所述目标用户的授信业务的依据,所述额度预测模型是,基于多个已办理授信业务的历史用户对应的样本数据构建的半函数型部分线性回归模型;每一个所述样本数据,均包括对应的所述历史用户的资产函数,所述历史用户的用户属性数据和所述历史用户的实际授信额度。
可选的,所述预测装置还包括:
发送单元,用于接收所述目标用户的客户端的授信额度查询请求,并向所述目标用户的客户端发送多个参考用户的用户数据,所述目标用户的授信额度预测值和所述目标用户的资产函数;其中,每一个所述参考用户的用户数据,均包括所述参考用户的资产函数,和所述参考用户的实际授信额度。
可选的,所述额度预测模型包括函数算子和参数向量;
其中,所述处理单元利用预先构建的额度预测模型处理所述目标用户的资产函数和所述目标用户的用户属性数据,得到所述目标用户的授信额度预测值时,具体用于:
利用所述额度预测模型的函数算子计算所述目标用户的资产函数,得到所述目标用户的资产函数预测值;
利用所述额度预测模型的参数向量计算所述目标用户的用户属性数据,得到所述目标用户的用户属性预测值;
计算所述目标用户的资产函数预测值和所述目标用户的用户属性预测值之和,得到所述目标用户的授信额度预测值。
本申请第三方面提供一种电子设备,包括存储器和处理器;
所述存储器用于存储程序;
所述处理器用于执行所述程序,所述程序被执行时,具体用于实现本申请第一方面任意一项所提供的用户授信额度的预测方法。
本申请第四方面提供一种计算机存储介质,用于存储程序,所述程序被执行时,具体用于实现本申请第一方面任意一项所提供的预测方法。
本申请提供一种用户授信额度的预测方法、装置和相关设备,获得目标用户的用户属性数据和预设时间段内的多个资产数据;每一个资产数据均对应于预设时间段内的一个时间戳,资产数据表示,在对应的时间戳时,目标用户的可支配资产;基于资产数据,构建反映预设时间段内目标用户的可支配资产和时间的函数关系的资产函数,利用预先构建的额度预测模型处理目标用户的资产函数和目标用户的用户属性数据,得到目标用户的授信额度预测值;其中,目标用户的授信额度预测值用于作为办理目标用户的授信业务的依据,额度预测模型是,基于多个已办理授信业务的历史用户对应的样本数据构建的半函数型部分线性回归模型;每一个样本数据,均包括对应的历史用户的资产函数,历史用户的用户属性数据和历史用户的实际授信额度。额度预测模型能够直接处理用户的资产函数,从而结合用户的资产情况的变化趋势进行授信额度的预测,因此,本方案能够获得更准确的授信额度预测值。
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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种用户授信额度的预测方法的流程图;
图2为本申请实施例提供的一种构建额度预测模型的方法的流程图;
图3为本申请实施例提供的一种利用近邻算法计算模型参数集的模型损失值的方法的流程图;
图4为本申请又一实施例提供的一种用户授信额度的预测方法的流程图;
图5为本申请实施例提供的一种用户授信额度的预测装置的结构示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
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。
取70%的数据作为训练数据通过kNN方法确定模型中的非参数算子以及参数向量,再取30%的数据用于模型的优化,从而确定额度预测的最终模型。
本申请第一个实施例提供一种用户授信额度的预测方法,请参考图1,该方法具体包括以下步骤:
S101、获得目标用户的用户属性数据,以及预设时间段内目标用户的多个资产数据。
其中,每一个资产数据均对应于预设时间段内的一个时间戳,资产数据表示,在对应的时间戳时,目标用户的可支配资产。
具体的,预设时间段可以是,从当前日期开始的最近5年内的时间段。例如,若当前日期为2020年2月10日,那么上述预设时间段内的资产数据,就是2015年2月10日至2020年2月10日这段时间内获得的目标用户的多个资产数据。
步骤S101所述的资产数据,可以是任意一种能够表示目标用户在对应的时间戳的可支配资产的数据。例如,所述资产数据可以是目标用户在对应的时间戳的银行存款。
银行可以按一定的周期定时统计银行的每个用户当前的银行存款,例如,每隔一天或者每个一个月统计每个用户当前的银行存款,并且每次统计后将统计得到的每个用户的存款额度和当前的时间戳一并记录在数据库中,从而得到银行的每个用户在当前时间戳的资产数据。
通过这种方式,当需要执行步骤S101时,只需要在确定预设时间段后,从数据库中获取目标用户的每一个对应的时间戳位于预设时间段内的资产数据即可。
可选的,考虑到银行存款的变动频率较低,也可以不采用按一定周期实时统计的方式,而是针对银行的每一个用户,每当该用户在银行的存款发生变动时(即用户取款和存款时),记录变动后该用户的存款额度,以及发生存款变动的时间戳,就可以得到发生存款变动之后该用户的一个资产数据,而未发生存款变动的时刻用户的存款额度,则可以通过最近一次存款变动之后的额度和银行规定的存款利率计算得到。通过这种方式,也可以得到任意一个用户预设时间段内在各个时间戳的银行存款额度,即用户的资产数据。
目标用户的用户属性数据包括但不限于目标用户的征信数据,目标用户的职业数据和目标用户的家庭结构数据。
目标用户的征信数据可以通过以下方法获得:首先获得目标用户在最近一段时间内(例如,最近一年或最近三年内)的所有征信记录,然后按一定的计算方法根据这段时间内目标用户的征信记录计算得到目标用户的信用度,若目标用户的征信记录良好,在最近一段时间内没有任何违约记录,则可以获得较高的信用度,反之,若目标用户的征信记录较差,在最近一段时间内有若干项违约记录,则会获得较低的信用度。计算得到的信用度,就可以作为目标用户的征信数据。
目标用户的职业数据的获取方式是,预先对社会上的各种职业按一定粒度进行分类,获得多个职业类别,并对每一个职业类别设定一个职业类别编号。由此,确定目标用户的职业之后,就可以判断目标用户的职业属于哪个职业类别,并将这个职业类别的职业类别编号确定为该用户的职业数据。
目标用户的家庭结构数据的获取方式和职业数据类似,可以预先对多种可能的家庭结构进行分类,分类标准可以包括是否和父母居住,是否结婚,有无子女,子女数量,关系亲密的亲戚或朋友的数量等,并为每一个家庭结构类型设定结构类型编号,最后就可以将目标用户的家庭结构所对应的结构类型编号作为目标用户的家庭数据。
S102、基于目标用户的多个资产数据,构建目标用户的资产函数。
其中,目标用户的资产函数用于表示预设时间段内目标用户的可支配资产和时间的函数关系。
具体的,可以将步骤S101中获得的预设时间段内的多个资产数据视为多个数据点,然后采用多项式曲线拟合的方法拟合这些数据点,最后得到一条可以用一个多项式表示的时间-资产曲线,这条曲线就可以认为是目标用户的资产函数的函数曲线,表示该曲线的多项式就可以认为是目标用户的资产函数。
多项式曲线拟合是目前常用的一种数据拟合方法,该方法的主要实现原理是,首先给出一个最高次项的幂为N的多项式,其中每一项的系数未定,若N等于5,那么这个多项式可以表示为下述公式(1):
Y=a×Z5+b×Z4+c×Z3+d×Z2+e×Z……(1)
其中,Z表示自变量,在本实施例中Z就表示时间,Y为因变量,在本实施例中即在时间Z时目标用户的可支配资产数量(例如,目标用户的银行存款)。a,b,c,d和e分别是多项式中待确定的系数。
确定多项式的结构后,就可以基于步骤S101获得的多个资产数据反复的调整多项式中各个系数的取值,以使得上述多项式对应的曲线尽可能接近于每一个资产数据对应的数据点,通过这种方式最终可以获得一组对应的曲线和每一个资产数据对应的数据点的综合距离最小的系数,由这种系数所确定的多项式,就是目标用户的资产函数。
当然,目标用户的资产函数也可以采用其他的方式获得,而不限于上述多项式曲线拟合的方法。
S103、利用预先构建的额度预测模型处理目标用户的资产函数和目标用户的用户属性数据,得到目标用户的授信额度预测值。
其中,目标用户的授信额度预测值用于作为办理目标用户的授信业务的依据。
例如,用户向银行申领信用卡就是一项授信业务,在用户申领信用卡时,银行首先需要判断该用户是否满足基本的发卡条件,例如是否成年,有无稳定收入来源等,在确定该用户满足基本的发卡条件之后,银行还需要基于该用户的财务状况确定为该用户发放的信用卡的支付额度,在这种情况下,通过本实施例提供的方法所确定的这个用户的授信额度预测值就可以作为确定该用户的信用卡的支付额度的参考。具体的,可以直接将预测得到的该用户的授信额度预测值作为发放给该用户的信用卡的支付额度,也可以对该用户的授信额度预测值在一定范围内进行调整,将调整后数值作为该用户的信用卡的支付额度。
步骤S103所述的额度预测模型是,基于多个已办理授信业务的历史用户对应的样本数据构建的半函数型部分线性回归模型。
每一个样本数据,均包括对应的历史用户的资产函数,历史用户的用户属性数据和历史用户的实际授信额度。历史用户的实际授信额度,指代银行为该用户办理完授信业务后,实际为该用户配置的授信额度。具体的,若历史用户办理的授信业务是信用卡申领业务,那么,这个历史用户的实际授信额度,就是最终发放给这个历史用户的信用卡的实际支付额度。
半函数型部分线性回归模型(Semi Functional Partial Linear RegressionModel,SFPLR)是一种包括由参数模型和函数型模型组合构成的数学模型,将半函数型部分线性回归模型用于数值预测时,半函数型部分线性回归模型既有参数模型优良的预测能力,并且也具有非参数模型(函数型模型就是一种非参数模型)的良好的可解释性。
函数型模型是一种基于函数型数据分析(Functional Data Analysis,FDA)而构建的数学模型,FDA是一种近几十年才发展起来的专门研究连续型数据或者可以函数化的离散型数据的统计分析方法,相比传统数据分析方法,FDA更大维度地展现了数据中包含的信息,使得预测结果更合理,更全面。
函数型数据(Functional Data,FD),是一种连续型数据,在本申请中,目标用户在预设时间段内的多个资产数据,就可以认为是一种函数型数据。
本申请实施例可以使用由函数算子和参数向量构成的半函数型部分线性回归模型作为额度预测模型,其中,函数算子就是一种函数型模型,参数向量就是一种参数模型。
步骤S103的具体执行过程可以包括:
利用额度预测模型的函数算子计算目标用户的资产函数,得到目标用户的资产函数预测值。
函数算子是额度预测模型中预先设定好的一个函数,该函数的自变量和目标用户的资产函数的自变量一致,利用额度预测模型的函数算子计算目标用户的资产函数,是指,将函数算子和目标用户的资产函数相乘,得到一个乘积函数,然后计算这个乘积函数在资产函数对应的预设时间段的定积分,得到的结果就是目标用户的资产函数预测值。
参考下述公式(2):
其中,M1就是目标用户的资产函数预测值,H(t)就是额度预测模型中的函数算子,F(t)就是目标用户的资产函数,T0是目标用户的资产函数所对应的预设时间段的起始时刻,T1则是预设时间段的结束时刻。
利用额度预测模型的参数向量计算目标用户的用户属性数据,得到目标用户的用户属性预测值。
参数向量包括多个设定好的参数,参数的个数等于用户属性数据的数量,例如,若用户属性数据包括征信数据(记为N1),职业数据(记为N2)和家庭结构数据(记为N3),那么对应的参数向量就包括三个参数,依次记为P1,P2和P3,通过下述公式(3)就可以计算得到目标用户的用户属性预测值M2:
M2=P1×N1+P2×N2+P3×N3
最后,计算目标用户的资产函数预测值和目标用户的用户属性预测值之和,也就是将上述M1和M2相加,得到的结果就是目标用户的授信额度预测值。
本申请提供一种用户授信额度的预测方法,获得目标用户的用户属性数据和预设时间段内的多个资产数据;每一个资产数据均对应于预设时间段内的一个时间戳,资产数据表示,在对应的时间戳时,目标用户的可支配资产;基于资产数据,构建反映预设时间段内目标用户的可支配资产和时间的函数关系的资产函数,利用预先构建的额度预测模型处理目标用户的资产函数和目标用户的用户属性数据,得到目标用户的授信额度预测值;其中,目标用户的授信额度预测值用于作为办理目标用户的授信业务的依据,额度预测模型是,基于多个已办理授信业务的历史用户对应的样本数据构建的半函数型部分线性回归模型;每一个样本数据,均包括对应的历史用户的资产函数,历史用户的用户属性数据和历史用户的实际授信额度。额度预测模型能够直接处理用户的资产函数,从而结合用户的资产情况的变化趋势进行授信额度的预测,因此,本方案能够获得更准确的授信额度预测值。
本申请实施例还提供一种额度预测模型的构建方法,请参考图2,该方法包括以下步骤:
S201、生成训练样本集。
具体的,可以获得每一个已办理授信业务的历史用户的样本数据,然后将其中70%的样本数据确定为训练样本集,剩余的30%的样本数据则确定Wie测试样本集。
S202、确定半函数型部分线性回归模型的函数算子的表达式和半函数型部分线性回归模型的参数向量的维数。
参数向量的维数就是参数向量中包括的参数的个数,结合前述实施例,参数向量的维数,就等于训练样本集中每个样本数据包括的用户属性数据的数量,若每个样本数据包括的用户属性数据均为对应征信数据,职业数据和家庭结构数据,那么参数向量的维数就等于3。
确定函数算子的表达式,就是确定前述公式(2)中函数算子H(t)的基本形式。该步骤可以通过对训练样本集中的多个历史用户的资产函数进行函数主成分分析实现,其具体过程如下:
训练样本集的每一个历史用户(记为用户i)的资产函数F(t)i可以构成一个函数集合,对于一个函数集合,若存在一个函数K1(t),使得下述公式(4)的取值S达到最大:
并且函数K1(t)满足下述公式(5):
则函数K1(t)可以认为是这个函数集合的一个主成分。
其中,T表示函数的自变量的定义域,在本申请中,T就对应于用户的资产函数所覆盖的预设时间段,即最近5年,L等于训练样本集中的资产函数的数量。
在本申请中,公式(5)的积分符号和公式(2)的积分符号含义一致,均表示计算被积函数在资产函数所覆盖的预设时间段上的积分。
换言之,只需要用以上的公式作为相应的优化条件,采用现有的优化算法求解,就可以得到训练样本集的所有资产函数构成的函数集合的一个主成分。
进一步的,一个函数集合可以有多个主成分,每一个主成分需要在满足上述公式(4)和公式(5)所规定的条件的基础上,需要满足下述公式(6):
其中,i和j不相等,也就是说Ki(t)和Kj(t)表示一个函数集合的两个不相同的主成分。公式(6)的含义是,对于一个函数集合,这个函数集合的任意两个不相同的主成分的乘积在自变量的定义域T上的积分均为0。
结合公式(4),(5)和(6),就可以用现有的优化算法求解得到训练样本集中的资产函数构成的资产函数集合所对应的多个主成分Ki(t),i的取值范围可以根据实际需要设定,例如,可以将i设定为大于或等于1,小于6的正整数,那么,最终可以求解得到资产函数集合的5个主成分。
确定了训练样本集的资产函数集合所对应的多个主成分之后(假设确定了5个主成分),半函数型部分线性回归模型的函数算子H(t)的表达式就可以用下述公式(7)表示:
其中,h1至h5就是函数算子H(t)中具体取值待定的5个参数,可以发现,确定了公式(7)所述的表达式之后,只要确定其中的5个参数的取值,就可以唯一的确定一个函数算子。
确定了函数算子的表达式和参数向量的维数(假设维数为3)之后,需要训练的半函数型部分线性回归模型就可以用下述公式(8)表示:
其中,M表示目标用户的授信额度预测值,F(t)表示目标用户的资产函数,P1至P3表示参数向量包括的三个参数,N1至N3分别表示目标用户的征信数据,职业数据和家庭结构数据。
可以发现,执行完步骤S202之后,只需要确定上述P1至P3三个参数,以及函数算子中h1至h5五个参数的取值,就可以得到一个额度预测模型。
S203、生成半函数型部分线性回归模型的第一模型参数集。
所述第一模型参数集包括R个实数,R的数量等于步骤S202中确定的半函数型部分线性回归模型的架构中需要确定的参数的数量,在前述例子中,R就等于5,每一个实数均对应于半函数型部分线性回归模型中的一个参数。
所述第一模型参数集的各个实数可以随机生成,也可以在已有的模型参数集的基础上进行调整得到。
S204、计算第一模型参数集的模型损失值。
其中,第一模型参数集的模型损失值,用于表征基于第一模型参数集构建的额度预测模型处理样本数据得到的历史用户的授信额度预测值,和历史用户的实际授信额度之间的偏差。
如前文所述,第一模型参数集的每一个实数对应于半函数型部分线性回归模型中的一个参数。
一种计算模型损失值的方法是:
将第一模型参数集的各个实数代入到相应的参数中,就可以得到一个基于第一模型参数集构建的额度预测模型,利用这个额度预测模型可以处理训练样本集中每一个样本数据的资产函数和用户属性数据,得到每一个历史用户的授信额度预测值。
最后,可以针对训练样本集的每一个历史用户,计算该历史用户的授信额度预测值和实际授信额度之间的差值,然后计算训练样本集的所有历史用户的差值的平方和,得到的结果就是当前的第一模型参数集对应的模型损失值。
上述模型损失值的计算方法的计算量较大,如果每次更新第一模型参数集之后都采用上述方法计算模型损失值,会导致额度预测模型的训练效率降低,因此,也可以采用后续实施例提供的方法计算模型损失值。
S205、判断模型损失值是否小于损失阈值。
损失阈值是一个预先设定的阈值。其具体取值可以根据实际情况设定,此处不做限定。
若第一模型参数集的模型损失值大于或等于预设的损失阈值,执行步骤S206,若第一模型参数集的模型损失值小于损失阈值,则执行步骤S207。
S206、更新第一模型参数集。
步骤S206结束后,返回执行步骤S204。
所述更新,是指,依据当前的模型损失值调整第一模型参数集中某几个实数的取值,从而得到更新后的第一模型参数集。
S207、将第一模型参数集的实数代入半函数型部分线性回归模型的函数算子和参数向量,得到额度预测模型。
本申请实施例还提供一种计算前述实施例中的第一模型参数集的模型损失值的方法,请参考图3,该方法包括以下步骤:
首先需要说明的是,本实施例提供的方法,主要是:基于近邻算法(k-NearestNeighbor,kNN),结合当前的第一模型参数集所接近的其他模型参数集的模型损失值估计当前的第一模型参数值的模型损失值。相比于前述实施例中实际将第一模型参数集的数据代入对应参数的方法,本实施例提供的方法计算模型损失值时计算量较小,因此可以提高额度预测模型的训练效率。
S301、随机生成多个参考模型参数集,并计算每一个参考模型参数集的模型损失值。
和前述实施例的第一模型参数集一致,每个参考模型参数集均包括多个实数,实数的数量等于额度预测模型中待确定的参数的数量。
此处每个参考模型参数集的模型损失值的计算方法和前述实施例中步骤S204所述的方法一致,不再赘述。
S302、针对每一个参考模型参数集,计算参考模型参数集和第一模型参数集的相似度。
对于任意两个模型参数集,可以将这两个模型参数集当做两个维数相同的一维向量,这两个一维向量的余弦相似度,就是这两个模型参数集的相似度。
两个一维向量的余弦相似度的计算方法可以参考相关的现有技术此处不再赘述。
S303、按相似度的大小由大至小选择k个参考模型参数集作为第一模型参数集的邻居参数集。
其中,k是预设的正整数。
具体的,可以将多个参考模型参数集按照和第一模型参数集的相似度的大小进行排序,相似度大的参考模型参数集在前,相似度小的参考模型参数集在后,然后选取前k个参考模型参数集作为第一模型参数集的邻居参数集。
S304、计算第一模型参数集的所有邻居参数集的模型损失值的加权平均值,得到第一模型参数集的模型损失值。
其中,任意一个邻居参数集的权重,等于这个邻居参数集和第一模型参数集之间的相似度。
本申请实施例还提供一种用户授信额度的预测方法,请参考图4,该方法包括以下步骤:
S401、获得目标用户的用户属性数据,以及预设时间段内目标用户的多个资产数据。
S402、基于目标用户的多个资产数据,构建目标用户的资产函数。
S403、利用预先构建的额度预测模型处理目标用户的资产函数和目标用户的用户属性数据,得到目标用户的授信额度预测值。
S404、接收目标用户的客户端的授信额度查询请求。
在目标用户向银行申请办理授信业务时(例如,向银行申请信用卡时),以及在目标用户完成授信业务的办理之后(例如,银行向目标用户发放信用卡之后),目标用户均可以通过客户端向银行的系统发送授信额度查询请求。
S405、向目标用户的客户端发送多个参考用户的用户数据,目标用户的授信额度预测值和目标用户的资产函数。
客户端收到上述数据后,会在相应的显示设备上向目标用户展示以上数据。
其中,每一个参考用户的用户数据,均包括参考用户的资产函数,和参考用户的实际授信额度。
所述参考用户,可以是银行系统从多个已办理授信业务的历史用户中选择得到的,对应的资产函数和目标用户的资产函数相似度较高的用户。
通过向目标用户展示步骤S405中提及的参考用户的数据,可以便于目标用户理解银行系统为这个目标用户配置的实际授信额度,从而提高用户体验。
结合本申请任一实施例提供的授信额度的预测方法,本申请实施例还提供一种用户授信额度的预测装置,请参考图5,该装置包括以下单元:
获得单元501,用于获得目标用户的用户属性数据,以及预设时间段内目标用户的多个资产数据。
其中,每一个资产数据均对应于预设时间段内的一个时间戳,资产数据表示,在对应的时间戳时,目标用户的可支配资产。
构建单元502,用于基于目标用户的多个资产数据,构建目标用户的资产函数。
其中,目标用户的资产函数用于表示预设时间段内目标用户的可支配资产和时间的函数关系。
处理单元503,用于利用预先构建的额度预测模型处理目标用户的资产函数和目标用户的用户属性数据,得到目标用户的授信额度预测值。
其中,目标用户的授信额度预测值用于作为办理目标用户的授信业务的依据,额度预测模型是,基于多个已办理授信业务的历史用户对应的样本数据构建的半函数型部分线性回归模型;每一个样本数据,均包括对应的历史用户的资产函数,历史用户的用户属性数据和历史用户的实际授信额度。
可选的,预测装置还包括:
发送单元504,用于接收目标用户的客户端的授信额度查询请求,并向目标用户的客户端发送多个参考用户的用户数据,目标用户的授信额度预测值和目标用户的资产函数。
其中,每一个参考用户的用户数据,均包括参考用户的资产函数,和参考用户的实际授信额度。
额度预测模型包括函数算子和参数向量。
处理单元503利用预先构建的额度预测模型处理目标用户的资产函数和目标用户的用户属性数据,得到目标用户的授信额度预测值时,具体用于:
利用额度预测模型的函数算子计算目标用户的资产函数,得到目标用户的资产函数预测值;
利用额度预测模型的参数向量计算目标用户的用户属性数据,得到目标用户的用户属性预测值;
计算目标用户的资产函数预测值和目标用户的用户属性预测值之和,得到目标用户的授信额度预测值。
预测装置还包括:
训练单元505,用于通过执行下述方法构建额度预测模型:
确定半函数型部分线性回归模型的函数算子的表达式和半函数型部分线性回归模型的参数向量的维数,并生成半函数型部分线性回归模型的第一模型参数集;
计算第一模型参数集的模型损失值;其中,第一模型参数集的模型损失值,用于表征基于第一模型参数集构建的额度预测模型处理样本数据得到的历史用户的授信额度预测值,和历史用户的实际授信额度之间的偏差;
若第一模型参数集的模型损失值大于或等于预设的损失阈值,更新第一模型参数集,并返回执行计算第一模型参数集的模型损失值,直至第一模型参数集的模型损失值小于损失阈值为止;
将第一模型参数集包括的数据代入半函数型部分线性回归模型的函数算子和参数向量,得到基于第一模型参数集构建的额度预测模型。
具体的,训练单元505还用于:
随机生成多个参考模型参数集,并计算每一个参考模型参数集的模型损失值。
其中,训练单元505计算第一模型参数集的模型损失值时,具体用于:
针对每一个参考模型参数集,计算参考模型参数集和第一模型参数集的相似度;
按相似度的大小由大至小选择k个参考模型参数集作为第一模型参数集的邻居参数集,并将每一个邻居参数集和第一模型参数集的相似度确定为邻居参数集的权重;其中,k是预设的正整数;
基于邻居参数集,计算多个邻居参数集的模型损失值的加权平均值,并将计算得到的加权平均值作为第一模型参数集的模型损失值。
本申请实施例提供的用户授信额度的预测装置的具体工作原理可以参考本申请任一实施例所提供的用户授信额度的预测方法,此处不再赘述。
本申请提供一种用户授信额度的预测装置,获得单元501获得目标用户的用户属性数据和预设时间段内的多个资产数据;每个资产数据均对应于预设时间段内的一个时间戳,资产数据表示,在对应的时间戳时目标用户的可支配资产;构建单元502用资产数据构建反映目标用户的可支配资产和时间的函数关系的资产函数,处理单元503利用额度预测模型处理目标用户的资产函数和用户属性数据,得到作为办理目标用户的授信业务的依据的授信额度预测值;额度预测模型是基于多个历史用户的样本数据构建的半函数型部分线性回归模型。额度预测模型能够直接处理用户的资产函数,从而结合用户的资产情况的变化趋势进行授信额度的预测,因此,本方案能够获得更准确的授信额度预测值。
本申请实施例还提供一种计算机存储介质,用于存储程序,所述程序被执行时,具体用于实现如本申请任一实施例所述的用户授信额度的预测方法。
本申请实施例还提供一种电子设备,请参考图6,该电子设备包括存储器601和处理器602。
其中,存储器601用于存储程序,处理器602用于执行程序,具体用于实现本申请任一实施例提供的用户授信额度的预测方法。
最后,还需要说明的是,在本文中,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。
需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种用户授信额度的预测方法,其特征在于,包括:
获得目标用户的用户属性数据,以及预设时间段内所述目标用户的多个资产数据;其中,每一个所述资产数据均对应于所述预设时间段内的一个时间戳,所述资产数据表示,在对应的时间戳时,所述目标用户的可支配资产;
基于所述目标用户的多个资产数据,构建所述目标用户的资产函数;其中,所述目标用户的资产函数用于表示所述预设时间段内所述目标用户的可支配资产和时间的函数关系;
利用预先构建的额度预测模型处理所述目标用户的资产函数和所述目标用户的用户属性数据,得到所述目标用户的授信额度预测值;其中,所述目标用户的授信额度预测值用于作为办理所述目标用户的授信业务的依据,所述额度预测模型是,基于多个已办理授信业务的历史用户对应的样本数据构建的半函数型部分线性回归模型;每一个所述样本数据,均包括对应的所述历史用户的资产函数,所述历史用户的用户属性数据和所述历史用户的实际授信额度。
2.根据权利要求1所述的预测方法,其特征在于,构建所述额度预测模型的方法包括:
确定半函数型部分线性回归模型的函数算子的表达式和所述半函数型部分线性回归模型的参数向量的维数,并生成半函数型部分线性回归模型的第一模型参数集;
计算所述第一模型参数集的模型损失值;其中,所述第一模型参数集的模型损失值,用于表征基于所述第一模型参数集构建的额度预测模型处理所述样本数据得到的所述历史用户的授信额度预测值,和所述历史用户的实际授信额度之间的偏差;
若所述第一模型参数集的模型损失值大于或等于预设的损失阈值,更新所述第一模型参数集,并返回执行所述计算所述第一模型参数集的模型损失值,直至所述第一模型参数集的模型损失值小于所述损失阈值为止;
将所述第一模型参数集包括的数据代入所述半函数型部分线性回归模型的函数算子和参数向量,得到基于所述第一模型参数集构建的额度预测模型。
3.根据权利要求2所述的预测方法,其特征在于,所述计算所述第一模型参数集的模型损失值之前,还包括:
随机生成多个参考模型参数集,并计算每一个所述参考模型参数集的模型损失值;
其中,所述计算所述第一模型参数集的模型损失值,包括:
针对每一个所述参考模型参数集,计算所述参考模型参数集和所述第一模型参数集的相似度;
按相似度的大小由大至小选择k个参考模型参数集作为所述第一模型参数集的邻居参数集,并将每一个所述邻居参数集和所述第一模型参数集的相似度确定为所述邻居参数集的权重;其中,所述k是预设的正整数;
基于所述邻居参数集,计算所述多个邻居参数集的模型损失值的加权平均值,并将计算得到的加权平均值作为所述第一模型参数集的模型损失值。
4.根据权利要求1所述的预测方法,其特征在于,所述利用预先构建的额度预测模型处理所述目标用户的资产函数和所述目标用户的用户属性数据,得到所述目标用户的授信额度预测值之后,还包括:
接收所述目标用户的客户端的授信额度查询请求;
向所述目标用户的客户端发送多个参考用户的用户数据,所述目标用户的授信额度预测值和所述目标用户的资产函数;其中,每一个所述参考用户的用户数据,均包括所述参考用户的资产函数,和所述参考用户的实际授信额度。
5.根据权利要求1所述的预测方法,其特征在于,所述额度预测模型包括函数算子和参数向量;
其中,所述利用预先构建的额度预测模型处理所述目标用户的资产函数和所述目标用户的用户属性数据,得到所述目标用户的授信额度预测值,包括:
利用所述额度预测模型的函数算子计算所述目标用户的资产函数,得到所述目标用户的资产函数预测值;
利用所述额度预测模型的参数向量计算所述目标用户的用户属性数据,得到所述目标用户的用户属性预测值;
计算所述目标用户的资产函数预测值和所述目标用户的用户属性预测值之和,得到所述目标用户的授信额度预测值。
6.一种用户授信额度的预测装置,其特征在于,包括:
获得单元,用于获得目标用户的用户属性数据,以及预设时间段内所述目标用户的多个资产数据;其中,每一个所述资产数据均对应于所述预设时间段内的一个时间戳,所述资产数据表示,在对应的时间戳时,所述目标用户的可支配资产;
构建单元,用于基于所述目标用户的多个资产数据,构建所述目标用户的资产函数;其中,所述目标用户的资产函数用于表示所述预设时间段内所述目标用户的可支配资产和时间的函数关系;
处理单元,用于利用预先构建的额度预测模型处理所述目标用户的资产函数和所述目标用户的用户属性数据,得到所述目标用户的授信额度预测值;其中,所述目标用户的授信额度预测值用于作为办理所述目标用户的授信业务的依据,所述额度预测模型是,基于多个已办理授信业务的历史用户对应的样本数据构建的半函数型部分线性回归模型;每一个所述样本数据,均包括对应的所述历史用户的资产函数,所述历史用户的用户属性数据和所述历史用户的实际授信额度。
7.根据权利要求6所述的预测装置,其特征在于,所述预测装置还包括:
发送单元,用于接收所述目标用户的客户端的授信额度查询请求,并向所述目标用户的客户端发送多个参考用户的用户数据,所述目标用户的授信额度预测值和所述目标用户的资产函数;其中,每一个所述参考用户的用户数据,均包括所述参考用户的资产函数,和所述参考用户的实际授信额度。
8.根据权利要求6所述的预测装置,其特征在于,所述额度预测模型包括函数算子和参数向量;
其中,所述处理单元利用预先构建的额度预测模型处理所述目标用户的资产函数和所述目标用户的用户属性数据,得到所述目标用户的授信额度预测值时,具体用于:
利用所述额度预测模型的函数算子计算所述目标用户的资产函数,得到所述目标用户的资产函数预测值;
利用所述额度预测模型的参数向量计算所述目标用户的用户属性数据,得到所述目标用户的用户属性预测值;
计算所述目标用户的资产函数预测值和所述目标用户的用户属性预测值之和,得到所述目标用户的授信额度预测值。
9.一种电子设备,其特征在于,包括存储器和处理器;
所述存储器用于存储程序;
所述处理器用于执行所述程序,所述程序被执行时,具体用于实现如权利要求1至4任意一项所述的用户授信额度的预测方法。
10.一种计算机存储介质,其特征在于,用于存储程序,所述程序被执行时,具体用于实现如权利要求1至4任意一项所述的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010341705.5A CN111524001B (zh) | 2020-04-27 | 2020-04-27 | 用户授信额度的预测方法、装置和相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010341705.5A CN111524001B (zh) | 2020-04-27 | 2020-04-27 | 用户授信额度的预测方法、装置和相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111524001A true CN111524001A (zh) | 2020-08-11 |
CN111524001B CN111524001B (zh) | 2024-02-02 |
Family
ID=71902897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010341705.5A Active CN111524001B (zh) | 2020-04-27 | 2020-04-27 | 用户授信额度的预测方法、装置和相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111524001B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232945A (zh) * | 2020-10-15 | 2021-01-15 | 中国农业银行股份有限公司 | 一种确定个人客户授信的方法及装置 |
CN112801781A (zh) * | 2021-03-22 | 2021-05-14 | 中国工商银行股份有限公司 | 信用卡额度管理方法和装置 |
CN113362176A (zh) * | 2021-06-29 | 2021-09-07 | 中国农业银行股份有限公司 | 数据处理方法和数据处理装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019075412A1 (en) * | 2017-10-13 | 2019-04-18 | QCash Financial, LLC | STATISTICAL MODEL FOR TAKING LOAN DECISIONS |
CN110060144A (zh) * | 2019-03-18 | 2019-07-26 | 平安科技(深圳)有限公司 | 额度模型训练方法、额度评估方法、装置、设备及介质 |
-
2020
- 2020-04-27 CN CN202010341705.5A patent/CN111524001B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019075412A1 (en) * | 2017-10-13 | 2019-04-18 | QCash Financial, LLC | STATISTICAL MODEL FOR TAKING LOAN DECISIONS |
CN110060144A (zh) * | 2019-03-18 | 2019-07-26 | 平安科技(深圳)有限公司 | 额度模型训练方法、额度评估方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
尹航: "半参数信用评分模型" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232945A (zh) * | 2020-10-15 | 2021-01-15 | 中国农业银行股份有限公司 | 一种确定个人客户授信的方法及装置 |
CN112232945B (zh) * | 2020-10-15 | 2023-10-13 | 中国农业银行股份有限公司 | 一种确定个人客户授信的方法及装置 |
CN112801781A (zh) * | 2021-03-22 | 2021-05-14 | 中国工商银行股份有限公司 | 信用卡额度管理方法和装置 |
CN113362176A (zh) * | 2021-06-29 | 2021-09-07 | 中国农业银行股份有限公司 | 数据处理方法和数据处理装置 |
CN113362176B (zh) * | 2021-06-29 | 2024-03-22 | 中国农业银行股份有限公司 | 数据处理方法和数据处理装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111524001B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6259568B2 (ja) | ユーザ間の親密度に基づいて友人の友人を推薦するソーシャルネットワークサービスシステム及びその提供方法 | |
CN111524001B (zh) | 用户授信额度的预测方法、装置和相关设备 | |
US20130151423A1 (en) | Valuation of data | |
US20150112874A1 (en) | Method and system for performing owner association analytics | |
Arroyo et al. | Smoothing methods for histogram‐valued time series: an application to value‐at‐risk | |
Carrillo et al. | Can tightness in the housing market help predict subsequent home price appreciation? Evidence from the United States and the Netherlands | |
CN110009502B (zh) | 理财数据分析方法、装置、计算机设备和存储介质 | |
WO2009065134A1 (en) | Method for deal-based pricing and estimation of deal winning probability using multiple prospective models | |
JP6727356B2 (ja) | 特許評価システム | |
US20200065837A1 (en) | Systems and methods for use in evaluating aggregate merchant sets | |
CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
CN114756764A (zh) | 基于企业的内容信息流推荐方法、装置、电子设备及存储介质 | |
CN116362823A (zh) | 用于行为稀疏场景的推荐模型训练方法、推荐方法及装置 | |
CN114943582A (zh) | 一种信息推荐方法、系统及推荐服务器 | |
Loehnert | About statistical analysis of qualitative survey data | |
CN113421014A (zh) | 一种目标企业确定方法、装置、设备和存储介质 | |
Zhang et al. | The approaches to contextual transaction trust computation in e‐Commerce environments | |
JP4777941B2 (ja) | 需要予測方法および装置 | |
KR102188251B1 (ko) | 특허 자산들을 이용한 기술 분야 사이즈들에 대한 보고 | |
Wang | Pricing through ambiguity: a flocking model of the inter-dynamics between pricing practices and market uncertainties | |
Chornous et al. | Modeling and Forecasting Dynamic Factors of Pricing in E-commerce. | |
CN110246026A (zh) | 一种数据转移的输出组合设定方法、装置及终端设备 | |
CN115587846A (zh) | 房屋价值评估方法、装置、计算机设备和存储介质 | |
Sebastião et al. | The Relationship between USD/EUR official exchange rates and implied exchange rates from the Bitcoin market | |
Guterstam et al. | Exploring a personal property pricing method in insurance context using multiple regression analysis |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |