CN111625555A - 一种订单匹配方法、装置、设备及存储介质 - Google Patents

一种订单匹配方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111625555A
CN111625555A CN202010454431.0A CN202010454431A CN111625555A CN 111625555 A CN111625555 A CN 111625555A CN 202010454431 A CN202010454431 A CN 202010454431A CN 111625555 A CN111625555 A CN 111625555A
Authority
CN
China
Prior art keywords
fund
matched
order
data
passing rate
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
Application number
CN202010454431.0A
Other languages
English (en)
Other versions
CN111625555B (zh
Inventor
张日
赵豫陕
李双秀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Lexin Information Service Co ltd
Original Assignee
Shenzhen Dingsheng Computer Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Dingsheng Computer Technology Co ltd filed Critical Shenzhen Dingsheng Computer Technology Co ltd
Priority to CN202010454431.0A priority Critical patent/CN111625555B/zh
Publication of CN111625555A publication Critical patent/CN111625555A/zh
Application granted granted Critical
Publication of CN111625555B publication Critical patent/CN111625555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • 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"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明实施例公开了一种订单匹配的方法、装置、设备及存储介质。该方法包括：获取被测订单的被测订单数据，以及与所述被测订单对应的至少一个待匹配资金方的被测资金方数据，并根据所述被测订单数据和各所述被测资金方数据确定至少一个被测特征数据；将各所述被测特征数据输入到预先训练完成的通过率预测模型中，得到输出的与各所述待匹配资金方对应的预测通过率；基于所述预测通过率对各所述待匹配资金方进行排序，并基于排序结果将所述被测订单与各所述待匹配资金方依次进行匹配。本发明实施例通过通过率预测模型输出的预设通过率对待匹配资金方进行排序，解决了订单匹配次数较多的问题，降低了订单匹配的时耗，从而提高了订单匹配的效率。

Description

一种订单匹配方法、装置、设备及存储介质
技术领域
本发明实施例涉及互联网金融技术领域，尤其涉及一种订单匹配方法、装置、设备及存储介质。
背景技术
随着互联网技术的发展，金融机构资产管理业务不断攀升。一笔资产订单往往会对应多个候选匹配的资金方，在资金方和资产订单进行匹配的过程中，该资产订单需依次送往各资金方进行审核。如果当前候选匹配的资金方审核授信，则该资产订单与当前资金方匹配成功，且该资产订单不再与下一候选匹配的资金方进行匹配。同理，如果当前候选匹配的资金方审核授信失败，则将该资产订单与当前资金方匹配失败，且将该资产订单送往下一候选匹配的资金方进行审核。
实现资产订单和资金方的优化和高效匹配开始受到金融行业的关注。目前资产资金匹配一般由人工运营实现，但随着资产订单和资金量级的不断增大，人工运行很难保证匹配过程的高效性以及资金订单对低时耗的性能要求。
发明内容
本发明实施例提供了一种订单匹配方法、装置、设备及存储介质，以降低订单匹配的时耗，进而提高订单匹配的效率。
第一方面，本发明实施例提供了一种订单匹配方法，该方法包括：
获取被测订单的被测订单数据，以及与所述被测订单对应的至少一个待匹配资金方的被测资金方数据，并根据所述被测订单数据和各所述被测资金方数据确定至少一个被测特征数据；
将各所述被测特征数据输入到预先训练完成的通过率预测模型中，得到输出的与各所述待匹配资金方对应的预测通过率；
基于所述预测通过率对各所述待匹配资金方进行排序，并基于排序结果将所述被测订单与各所述待匹配资金方依次进行匹配。
第二方面，本发明实施例还提供了一种订单匹配装置，该装置包括：
被测特征数据确定模块，用于获取被测订单的被测订单数据，以及与所述被测订单对应的至少一个待匹配资金方的被测资金方数据，并根据所述被测订单数据和各所述被测资金方数据确定至少一个被测特征数据；
预测通过率输出模块，用于将各所述被测特征数据输入到预先训练完成的通过率预测模型中，得到输出的与各所述待匹配资金方对应的预测通过率；
订单匹配模块，用于基于所述预测通过率对各所述待匹配资金方进行排序，并基于排序结果将所述被测订单与各所述待匹配资金方依次进行匹配。
第三方面，本发明实施例还提供了一种设备，该设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述所涉及的任一所述的订单匹配方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的订单匹配方法。
本发明实施例通过通过率预测模型输出的预设通过率对待匹配资金方进行排序，解决了订单匹配次数较多的问题，降低了订单匹配的时耗和人工运营成本，进而提高了订单匹配的效率。
附图说明
图1是本发明实施例一提供的一种订单匹配方法的流程图。
图2是本发明实施例二提供的一种订单匹配方法的流程图。
图3是本发明实施例二提供的一种待匹配资金方排序的示意图。
图4是本发明实施例三提供的一种订单匹配方法的流程图。
图5是本发明实施例四提供的一种订单匹配装置的示意图。
图6是本发明实施例五提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种订单匹配方法的流程图，本实施例可适用于资产方订单与资金方进行匹配审核的情况，该方法可以由订单匹配装置来执行，该装置可采用软件和/或硬件的方式实现，该装置可以配置于终端设备中。
具体包括如下步骤：
S110、获取被测订单的被测订单数据，以及与被测订单对应的至少一个待匹配资金方的被测资金方数据，并根据被测订单数据和各被测资金方数据确定至少一个被测特征数据。
其中，示例性的，被测订单可以是资产方提供的交易数据。在一个实施例中，可选的，被测订单数据包括资产方数据和/或订单交易数据。其中，示例性的，资产方数据可以包括资产方个人信息，如资产方年龄、资产方性别和资产方学历等数据。资产方数据也可以包括资产方公司信息，如公司名称、公司成立时间、公司注册资金和公司征信等数据。其中，示例性的，订单交易数据可以包括交易客体、交易时间和付款方式等数据。此处对被测订单数据不作具体限定。其中，示例性的，被测资金方数据包括但不限于资金方名称和资金方类型等，具体的，资金方类型可以是银行、证券、基金或信托等。
在一个实施例中，可选地，建立资产方与待匹配资金方之间的映射关系，根据映射关系确定与资产方提供的被测订单对应的至少一个待匹配资金方。
在一个实施例中，可选地，将被测订单数据和被测资金方数据进行拼接，确定被测特征数据。示例性的，待匹配资金方包括资金方A、资金方B和资金方C，则资金方A、资金方B和资金方C的被测资金方数据分别为数据A、数据B和数据C。将被测订单数据与数据A进行拼接得到被测特征数据A，被测订单数据与数据B进行拼接得到被测特征数据B，被测订单数据与数据C进行拼接得到被测特征数据C。此处对被测订单数据和被测资金方数据拼接的方式不作限定。
S120、将各被测特征数据输入到预先训练完成的通过率预测模型中，得到输出的与各待匹配资金方对应的预测通过率。
其中，示例性的，通过率预测模型的类型包括二分类模型，具体的，通过率预测模型可以是基于XGboost算法的二分类模型，也可以是二分类Logistic回归模型。此处对通过率预测模型使用的二分类模型的类型不作限定。
其中，通过率预测模型的输出结果包括各待匹配资金方对该被测订单审核匹配的预测通过率。如针对被测订单1，待匹配资金方A的预测通过率为0.8，待匹配资金方B的预测通过率为0.3等等。
S130、基于预测通过率对各待匹配资金方进行排序，并基于排序结果将被测订单与各待匹配资金方依次进行匹配。
其中，示例性的，待匹配资金方A、B和C对应的预测通过率分数分别为0.8、0.9和0.4，则排序结果为待匹配资金方B、待匹配资金方A和待匹配资金方C。
其中，具体的，基于上述排序结果将被测订单与各待匹配资金方依次进行匹配，包括：将被测订单送往预测通过率最高的待匹配资金方B进行审核匹配，如果审核通过，则认为匹配成功，并停止后续审核匹配过程。如果审核未通过，则认为匹配失败，将被测订单送往待匹配资金方A进行审核匹配，直到匹配成功或完成所有待匹配资金方的审核匹配过程。
本实施例的技术方案，通过通过率预测模型输出的预设通过率对待匹配资金方进行排序，解决了订单匹配次数较多的问题，降低了订单匹配的时耗和人工运营成本，进而提高了订单匹配的效率。
实施例二
图2是本发明实施例二提供的一种订单匹配方法的流程图，本实施例的技术方案是上述实施例的基础上的进一步细化。可选的，所述基于所述预测通过率对各所述待匹配资金方进行排序，包括：根据各所述待匹配资金方对应的预测通过率和各所述待匹配资金方的预设通过率阈值，对各所述待匹配资金方进行分类得到至少一个资金方队列；根据各所述资金方队列和所述预测通过率，对各所述待匹配资金方进行排序。
本实施例的具体实施步骤包括：
S210、获取被测订单的被测订单数据，以及与被测订单对应的至少一个待匹配资金方的被测资金方数据，并根据被测订单数据和各被测资金方数据确定至少一个被测特征数据。
S220、将各被测特征数据输入到预先训练完成的通过率预测模型中，得到输出的与各待匹配资金方对应的预测通过率。
S230、根据各待匹配资金方对应的预测通过率和各待匹配资金方的预设通过率阈值，对各待匹配资金方进行分类得到至少一个资金方队列。
其中，通过率预测模型输出的是待匹配资金方通过该被测订单的概率值，即预测通过率。预设通过率阈值用于对待匹配资金方进行分类，具体的，预设通过阈值可将预测通过率转化为类别，其中，类别包括预测审核匹配成功和预测审核匹配失败。
在一个实施例中，可选地，针对每个待匹配资金方，判断待匹配资金方对应的预测通过率是否大于等于待匹配资金方的预设通过率阈值；如果是，则将待匹配资金方添加到第一资金方队列；如果否，则将待匹配资金方添加到第二资金方队列。
其中，第一资金方队列和第二资金方队列可分别表示预测审核匹配成功队列和预测审核匹配失败队列。具体的，如果待匹配资金方对应的预测通过率大于等于待匹配资金方的预设通过率阈值，说明该待匹配资金方对该被测订单预测审核匹配成功，将该待匹配资金方添加到第一资金方队列。如果待匹配资金方对应的预测通过率小于待匹配资金方的预设通过率阈值，说明该待匹配资金方对该被测订单预测审核匹配失败，将该待匹配资金方添加到第二资金方队列。
S240、根据各资金方队列和预测通过率，对各待匹配资金方进行排序。
在一个实施例中，可选地，根据第一资金方队列中的待匹配资金方对应的预测通过率，对第一资金方队列中的待匹配资金方进行排序；根据第二资金方队列中的待匹配资金方对应的预测通过率，对第二资金方队列中的待匹配资金方进行排序；其中，第一资金方队列中的待匹配资金方的排序等级高于第二资金方队列中的待匹配资金方的排序等级。
其中，具体的，将第一资金方队列和第二资金方队列进行排序，将第一资金方队列中的待匹配资金方的排序等级高于第二资金方队列中的待匹配资金方的排序等级。分别根据预测通过率，对各资金方队列中的待匹配资金方进行排序。图3是本发明实施例二提供的一种待匹配资金方排序的示意图。其中，示例性的，与被测订单对应的待匹配资金方包括民生银行、新网银行、幸福消金、山东工行和四川工行，假设通过率预测模型输出的与上述各待匹配资金方对应的预测通过率分别0.7、0.8、0.9、0.6和0.5，且与各待匹配资金方对应的预设通过率阈值分别为0.8、0.7、0.6、0.5和0.7。其中，预测通过率大于等于预设通过率阈值的待匹配资金方分别为新网银行、幸福消金和山东工行，添加到第一资金方队列。预测通过率小于预设通过率阈值的待匹配资金方分别为民生银行和四川工行，添加到第二资金方队列。则最终的排序结果为1幸福消金、2新网银行、3山东工行、4民生银行和5四川工行。
S250、基于排序结果将被测订单与各待匹配资金方依次进行匹配。
本实施例的技术方案，通过根据预测通过率和至少一个资金方队列，对各待匹配资金方进行排序，解决了待匹配资金方排序结果不准确的问题，在提高订单匹配的效率的同时提高了订单匹配的准确度。
实施例三
图4是本发明实施例三提供的一种订单匹配方法的流程图，本实施例的技术方案是上述实施例的基础上的进一步细化。可选的，所述方法还包括：获取样本资金方的样本资金方数据，以及与所述样本资金方对应的至少一个样本订单的样本订单数据，并根据所述样本资金方数据、各所述样本订单数据和与所述样本资金方对应的历史订单审核记录，确定至少一个样本特征数据；将各所述样本特征数据输入到初始通过率预测模型中，根据输出结果对所述初始通过率预测模型中的模型参数进行调整，以得到训练完成的通过率预测模型。
本实施例的具体实施步骤包括：
S310、获取样本资金方的样本资金方数据，以及与样本资金方对应的至少一个样本订单的样本订单数据，并根据样本资金方数据、各样本订单数据和与样本资金方对应的历史订单审核记录，确定至少一个样本特征数据。
其中，示例性的，样本资金方数据包括但不限于资金方名称和资金方类型等。其中，样本订单包括样本资金方审核处理过的订单，具体的，样本订单包括样本资金方审核匹配成功的订单和样本资金方审核匹配不成功的订单。在一个实施例中，可选的，样本订单数据包括资产方数据和/或订单交易数据。
在一个实施例中，可选地，根据样本资金方数据、各样本订单数据和与样本资金方对应的历史订单审核记录，确定至少一个样本特征数据，包括：针对每个样本订单数据，根据历史订单审核记录确定样本订单与样本资金方的订单通过标签；将样本订单数据、样本资金方数据和订单通过标签进行拼接生成样本特征数据。
其中，历史订单审核记录用于记录该样本资金方的订单审核情况，如该样本资金方审核处理过3笔样本订单，则历史订单审核记录包括该3笔样本订单是否审核匹配成功。其中，针对每个样本订单数据，订单通过标签用于记录该样本订单在样本资金方处是否审核匹配成功。示例性的，订单通过标签可以用0和1表示，例如，如果审核匹配成功，则该订单通过标签为1，如果审核匹配不成功，则该订单通过标签为0。
其中，示例性的，样本订单数据中的资金方性别可以用0和1表示，如1表示男性，0表示女性。示例性的，资金方学历可以用1和2表示，如1表示本科以下，2表示本科以上。在一个实施例中，可选的，样本资金方数据的类型包括one-hot编码数据。其中，one-hot编码是一种采用N为状态寄存器来对N个状态进行编码的方式，将分类向量以二进制向量的方式表示。
其中，示例性的，样本特征数据包括该样本资金方、样本订单数据A和通过率标签拼接得到的样本特征数据A，该样本资金方、样本订单数据B和通过率标签拼接得到的样本特征数据B和该样本资金方、样本订单数据C和通过率标签拼接得到的样本特征数据C。
S320、将各样本特征数据输入到初始通过率预测模型中，根据输出结果对初始通过率预测模型中的模型参数进行调整，以得到训练完成的通过率预测模型。
在一个实施例中，可选地，根据输出结果、历史订单审核记录和预设评价指标，计算得到初始通过率预测模型的评价分数；如果评价分数不满足预设评价阈值，则对初始通过率预测模型中的模型参数进行调整，直到下一迭代训练的初始通过率预测模型的评价分数满足预设评价阈值。
在一个实施例中，预设评价指标包括混淆矩阵、P-R曲线、AUC指标(Area Underthe ROC Curve，ROC曲线下的面积)和KS曲线(Kolmogorov-Smirnov curve，柯尔莫可洛夫-斯米洛曲线)中至少一种。其中，具体的，以预设评价指标为AUC指标为例，TP表示历史订单审核记录中样本订单A审核通过且输出结果中样本订单A审核通过；FP表示历史订单审核记录中样本订单A审核未通过但输出结果中样本订单A审核通过；FN表示历史订单审核记录中样本订单A审核通过但输出结果中样本订单A审核未通过；TN表示历史订单审核记录中样本订单A审核未通过且输出结果中样本订单A审核未通过。TP、FP、FN和TN满足公式：
TPR＝TP/(TP+FN)；
FPR＝FP/(FP+TN)
其中，TPR表示输出结果中预测审核通过的样本订单数量与历史订单审核记录中审核通过的订单数量之间的比值。FPR表示输出结果中预测审核未通过的样本订单数量与历史订单审核记录中审核未通过的订单数量之间的比值。以TPR为纵轴、FPR为横轴作图可得到ROC曲线(Receiver Operating Characteristic,受试者工作特征曲线)，AUC指标为ROC曲线下的面积。在一个实施例中，具体的，根据输出结果、历史订单审核记录和AUC指标，计算得到初始通过率预测模型的AUC评价分数，判断评价分数是否满足预设评价阈值。其中，示例性的，预设评价阈值可以是0.8。如果评价分数大于0.8，则认为评价分数满足预设评价阈值，即停止迭代训练，得到训练完成的通过率预测模型。
S330、获取被测订单的被测订单数据，以及与被测订单对应的至少一个待匹配资金方的被测资金方数据，并根据被测订单数据和各被测资金方数据确定至少一个被测特征数据。
S340、将各被测特征数据输入到预先训练完成的通过率预测模型中，得到输出的与各待匹配资金方对应的预测通过率。
S350、基于预测通过率对各待匹配资金方进行排序，并基于排序结果将被测订单与各待匹配资金方依次进行匹配。
本实施例的技术方案，通过样本特征数据对二分类模型进行训练得到通过率预测模型，解决了人工预测通过率的问题，降低了人工成本和订单匹配的时耗，从而提高了订单匹配的效率。
实施例四
图5是本发明实施例四提供的一种订单匹配装置的示意图。本实施例可适用于资产方订单与资金方进行匹配审核的情况，该装置可采用软件和/或硬件的方式实现，该装置可以配置于终端设备中。该订单匹配装置包括：被测特征数据确定模块410、预测通过率输出模块420和订单匹配模块430。
被测特征数据确定模块410，用于获取被测订单的被测订单数据，以及与被测订单对应的至少一个待匹配资金方的被测资金方数据，并根据被测订单数据和各被测资金方数据确定至少一个被测特征数据；
预测通过率输出模块420，用于将各被测特征数据输入到预先训练完成的通过率预测模型中，得到输出的与各待匹配资金方对应的预测通过率；
订单匹配模块430，用于基于预测通过率对各待匹配资金方进行排序，并基于排序结果将被测订单与各待匹配资金方依次进行匹配。
本实施例的技术方案，通过通过率预测模型输出的预设通过率对待匹配资金方进行排序，解决了订单匹配次数较多的问题，降低了订单匹配的时耗和人工运营成本，进而提高了订单匹配的效率。
在上述技术方案的基础上，可选地，订单匹配模块430包括：
资金方队列确定单元，用于根据各待匹配资金方对应的预测通过率和各待匹配资金方的预设通过率阈值，对各待匹配资金方进行分类得到至少一个资金方队列；
待匹配资金方排序单元，用于根据各资金方队列和预测通过率，对各待匹配资金方进行排序。
在上述技术方案的基础上，可选地，资金方队列确定单元具体用于：
针对每个待匹配资金方，判断待匹配资金方对应的预测通过率是否大于等于待匹配资金方的预设通过率阈值；
如果是，则将待匹配资金方添加到第一资金方队列；
如果否，则将待匹配资金方添加到第二资金方队列。
在上述技术方案的基础上，可选地，待匹配资金方排序单元具体用于：
根据第一资金方队列中的待匹配资金方对应的预测通过率，对第一资金方队列中的待匹配资金方进行排序；
根据第二资金方队列中的待匹配资金方对应的预测通过率，对第二资金方队列中的待匹配资金方进行排序；其中，第一资金方队列中的待匹配资金方的排序等级高于第二资金方队列中的待匹配资金方的排序等级。
在上述技术方案的基础上，可选地，该装置还包括：
样本特征数据确定模块，用于获取样本资金方的样本资金方数据，以及与样本资金方对应的至少一个样本订单的样本订单数据，并根据样本资金方数据、各样本订单数据和与样本资金方对应的历史订单审核记录，确定至少一个样本特征数据；
通过率预测模型训练模块，用于将各样本特征数据输入到初始通过率预测模型中，根据输出结果对初始通过率预测模型中的模型参数进行调整，以得到训练完成的通过率预测模型。
在上述技术方案的基础上，可选地，通过率预测模型训练模块具体用于：
根据输出结果、历史订单审核记录和预设评价指标，计算得到初始通过率预测模型的评价分数；
如果评价分数不满足预设评价阈值，则对初始通过率预测模型中的模型参数进行调整，直到下一迭代训练的初始通过率预测模型的评价分数满足预设评价阈值。
在上述技术方案的基础上，可选地，样本特征数据确定模块具体用于：
针对每个样本订单数据，根据历史订单审核记录确定样本订单与样本资金方的订单通过标签；
将样本订单数据、样本资金方数据和订单通过标签进行拼接生成样本特征数据。
本发明实施例所提供的订单匹配装置可以用于执行本发明实施例所提供的订单匹配方法，具备执行方法相应的功能和有益效果。
值得注意的是，上述订单匹配装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例五
图6是本发明实施例五提供的一种设备的结构示意图，本发明实施例为本发明上述实施例的订单匹配方法的实现提供服务，可配置上述实施例中的订单匹配装置。图6示出了适于用来实现本发明实施方式的示例性设备12的框图。图6显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的订单匹配方法。
通过上述设备，解决了订单匹配次数较多的问题，降低了订单匹配的时耗和人工运营成本，进而提高了订单匹配的效率。
实施例六
本发明实施例六还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种订单匹配方法，该方法包括：
获取被测订单的被测订单数据，以及与被测订单对应的至少一个待匹配资金方的被测资金方数据，并根据被测订单数据和各被测资金方数据确定至少一个被测特征数据；
将各被测特征数据输入到预先训练完成的通过率预测模型中，得到输出的与各待匹配资金方对应的预测通过率；
基于预测通过率对各待匹配资金方进行排序，并基于排序结果将被测订单与各待匹配资金方依次进行匹配。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的订单匹配方法中的相关操作。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种订单匹配方法，其特征在于，包括：
获取被测订单的被测订单数据，以及与所述被测订单对应的至少一个待匹配资金方的被测资金方数据，并根据所述被测订单数据和各所述被测资金方数据确定至少一个被测特征数据；
将各所述被测特征数据输入到预先训练完成的通过率预测模型中，得到输出的与各所述待匹配资金方对应的预测通过率；
基于所述预测通过率对各所述待匹配资金方进行排序，并基于排序结果将所述被测订单与各所述待匹配资金方依次进行匹配。
2.根据权利要求1所述的方法，其特征在于，所述基于所述预测通过率对各所述待匹配资金方进行排序，包括：
根据各所述待匹配资金方对应的预测通过率和各所述待匹配资金方的预设通过率阈值，对各所述待匹配资金方进行分类得到至少一个资金方队列；
根据各所述资金方队列和所述预测通过率，对各所述待匹配资金方进行排序。
3.根据权利要求2所述的方法，其特征在于，所述根据各所述待匹配资金方对应的预测通过率和各所述待匹配资金方的预测通过率阈值，对各所述待匹配资金方进行分类得到至少一个资金方队列，包括：
针对每个待匹配资金方，判断所述待匹配资金方对应的预测通过率是否大于等于所述待匹配资金方的预设通过率阈值；
如果是，则将所述待匹配资金方添加到第一资金方队列；
如果否，则将所述待匹配资金方添加到第二资金方队列。
4.根据权利要求3所述的方法，其特征在于，所述根据各所述资金方队列和所述预测通过率，对各所述待匹配资金方进行排序，包括：
根据所述第一资金方队列中的待匹配资金方对应的预测通过率，对所述第一资金方队列中的待匹配资金方进行排序；
根据所述第二资金方队列中的待匹配资金方对应的预测通过率，对所述第二资金方队列中的待匹配资金方进行排序；其中，所述第一资金方队列中的待匹配资金方的排序等级高于所述第二资金方队列中的待匹配资金方的排序等级。
5.根据权利要求1所述的方法，其特征在于，还包括：
获取样本资金方的样本资金方数据，以及与所述样本资金方对应的至少一个样本订单的样本订单数据，并根据所述样本资金方数据、各所述样本订单数据和与所述样本资金方对应的历史订单审核记录，确定至少一个样本特征数据；
将各所述样本特征数据输入到初始通过率预测模型中，根据输出结果对所述初始通过率预测模型中的模型参数进行调整，以得到训练完成的通过率预测模型。
6.根据权利要求5所述的方法，其特征在于，所述根据输出结果对所述初始通过率预测模型中的模型参数进行调整，以得到训练完成的通过率预测模型，包括：
根据输出结果、所述历史订单审核记录和预设评价指标，计算得到所述初始通过率预测模型的评价分数；
如果所述评价分数不满足预设评价阈值，则对所述初始通过率预测模型中的模型参数进行调整，直到下一迭代训练的初始通过率预测模型的评价分数满足预设评价阈值。
7.根据权利要求5所述的方法，其特征在于，所述根据所述样本资金方数据、各所述样本订单数据和与所述样本资金方对应的历史订单审核记录，确定至少一个样本特征数据，包括：
针对每个样本订单数据，根据所述历史订单审核记录确定所述样本订单与所述样本资金方的订单通过标签；
将所述样本订单数据、所述样本资金方数据和所述订单通过标签进行拼接生成样本特征数据。
8.一种订单匹配装置，其特征在于，包括：
被测特征数据确定模块，用于获取被测订单的被测订单数据，以及与所述被测订单对应的至少一个待匹配资金方的被测资金方数据，并根据所述被测订单数据和各所述被测资金方数据确定至少一个被测特征数据；
预测通过率输出模块，用于将各所述被测特征数据输入到预先训练完成的通过率预测模型中，得到输出的与各所述待匹配资金方对应的预测通过率；
订单匹配模块，用于基于所述预测通过率对各所述待匹配资金方进行排序，并基于排序结果将所述被测订单与各所述待匹配资金方依次进行匹配。
9.一种设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的订单匹配方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的订单匹配方法。
CN202010454431.0A 2020-05-26 2020-05-26 一种订单匹配方法、装置、设备及存储介质 Active CN111625555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010454431.0A CN111625555B (zh) 2020-05-26 2020-05-26 一种订单匹配方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010454431.0A CN111625555B (zh) 2020-05-26 2020-05-26 一种订单匹配方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111625555A true CN111625555A (zh) 2020-09-04
CN111625555B CN111625555B (zh) 2023-10-31

Family

ID=72259966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010454431.0A Active CN111625555B (zh) 2020-05-26 2020-05-26 一种订单匹配方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111625555B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907382A (zh) * 2021-04-06 2021-06-04 深圳市分期乐网络科技有限公司 一种订单分发方法、装置、电子设备和存储介质
CN112926892A (zh) * 2021-04-02 2021-06-08 深圳鼎盛电脑科技有限公司 一种资金匹配方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242044A (zh) * 2018-09-30 2019-01-18 江苏满运软件科技有限公司 车货匹配模型的训练方法、装置、存储介质及电子设备
US20190130301A1 (en) * 2017-06-16 2019-05-02 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for allocating service requests
CN110838031A (zh) * 2019-11-11 2020-02-25 深圳乐信软件技术有限公司 一种基于ABtest的数据运营方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190130301A1 (en) * 2017-06-16 2019-05-02 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for allocating service requests
CN109242044A (zh) * 2018-09-30 2019-01-18 江苏满运软件科技有限公司 车货匹配模型的训练方法、装置、存储介质及电子设备
CN110838031A (zh) * 2019-11-11 2020-02-25 深圳乐信软件技术有限公司 一种基于ABtest的数据运营方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓爱民;熊剑;张凡;: "基于BP神经网络的订单融资风险预警模型" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926892A (zh) * 2021-04-02 2021-06-08 深圳鼎盛电脑科技有限公司 一种资金匹配方法、装置、电子设备及存储介质
CN112907382A (zh) * 2021-04-06 2021-06-04 深圳市分期乐网络科技有限公司 一种订单分发方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN111625555B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN111343161B (zh) 异常信息处理节点分析方法、装置、介质及电子设备
CN111127178A (zh) 数据处理方法与装置、存储介质、电子设备
US20230099864A1 (en) User profiling based on transaction data associated with a user
CN112990294B (zh) 行为判别模型的训练方法、装置、电子设备及存储介质
CN111222981A (zh) 可信度确定方法、装置、设备和存储介质
CN110633991A (zh) 风险识别方法、装置和电子设备
CN110688536A (zh) 一种标签预测方法、装置、设备和存储介质
CN110310123B (zh) 风险判断方法和装置
CN111612037A (zh) 异常用户检测方法、装置、介质及电子设备
CN111625555B (zh) 一种订单匹配方法、装置、设备及存储介质
CN112883990A (zh) 数据分类方法及装置、计算机存储介质、电子设备
CN111598122B (zh) 数据校验方法、装置、电子设备和存储介质
CN113034046A (zh) 一种数据风险计量方法、装置、电子设备及存储介质
WO2023067025A1 (en) Mixed quantum-classical method for fraud detection with quantum feature selection
CN111046184A (zh) 文本的风险识别方法、装置、服务器和存储介质
CN111738290B (zh) 图像检测方法、模型构建和训练方法、装置、设备和介质
CN110930242B (zh) 一种可信度预测方法、装置、设备和存储介质
CN116245630A (zh) 一种反欺诈检测方法、装置、电子设备及介质
CN111815435A (zh) 一种群体风险特征的可视化方法、装置、设备及存储介质
CN111402034A (zh) 一种信用审核方法、装置、设备及存储介质
CN115762704A (zh) 一种处方审核方法、装置、设备和存储介质
US11386357B1 (en) System and method of training machine learning models to generate intuitive probabilities
CN113516398A (zh) 基于分层抽样的风险设备识别方法、装置及电子设备
CN113554154A (zh) 一种卷积运算方法、装置、设备及存储介质
CN114386506A (zh) 特征筛选方法、装置、电子设备及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20211014

Address after: 518000 1801, China energy storage building, 3099 Keyuan South Road, high tech community, Yuehai street, Nanshan District, Shenzhen, Guangdong

Applicant after: Shenzhen Lexin Information Service Co.,Ltd.

Address before: 26th floor, China energy storage building, 3099 Keyuan South Road, Yuehai street, Nanshan District, Shenzhen, Guangdong 518000

Applicant before: SHENZHEN DINGSHENG COMPUTER TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant