CN111833180A - 一种资源分配方法以及装置 - Google Patents
一种资源分配方法以及装置 Download PDFInfo
- Publication number
- CN111833180A CN111833180A CN202010699956.0A CN202010699956A CN111833180A CN 111833180 A CN111833180 A CN 111833180A CN 202010699956 A CN202010699956 A CN 202010699956A CN 111833180 A CN111833180 A CN 111833180A
- Authority
- CN
- China
- Prior art keywords
- training
- resource
- target user
- user
- loan
- 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
- 238000000034 method Methods 0.000 title claims abstract description 156
- 238000013468 resource allocation Methods 0.000 title claims abstract description 113
- 238000007726 management method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 412
- 230000006399 behavior Effects 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 239000013589 supplement Substances 0.000 description 6
- 238000012550 audit Methods 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000012384 transportation and delivery 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本说明书实施例提供一种资源分配方法及装置,其中,所述方法包括接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息;将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合;为所述目标用户集合中的每个目标用户匹配对应的资源管理方;接收所述资源管理方发送的与对应的目标用户关联的资源管理凭证,为所述目标用户集合中的每个目标用户分配对应的资源。
Description
技术领域
本说明书实施例涉及计算机技术领域,特别涉及一种资源分配方法。本说明书一个或者多个实施例同时涉及一种资源分配装置,一种基于互联网的借贷方法,一种基于互联网的借贷装置,一种计算设备,以及一种计算机可读存储介质。
背景技术
随着社会经济的发展,金融借贷规模的增长,为了在一定程度上降低贷款人的资损风险,采用第三方中间担保的技术在借贷业务中也越来越多的被运用,例如使用第三方信用卡担保的方式预订商品等。
目前,传统的担保模式,担保公司在接收到银行或者用户的担保申请后,需要通过人工对银行或用户的信息进行单线调查、审核,以确定银行或用户的还款能力,基于银行或用户的还款能力判断是否可以为其做担保方,但是通过此种担保模式,担保业务效率低、流程复杂,且风险控制难度大。
因此,急需提供一种可以提高效率以及实现批量处理的资源分配方法。
发明内容
有鉴于此,本说明书施例提供了一种资源分配方法。本说明书一个或者多个实施例同时涉及一种资源分配装置,一种基于互联网的借贷方法,一种基于互联网的借贷装置,一种计算设备,以及一种计算机可读存储介质,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种资源分配方法,应用于资源提供方,包括:
接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息;
将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合;
为所述目标用户集合中的每个目标用户匹配对应的资源管理方;
接收所述资源管理方发送的与对应的目标用户关联的资源管理凭证,为所述目标用户集合中的每个目标用户分配对应的资源。
根据本说明书实施例的第二方面,提供了一种资源分配装置,包括:
请求接收模块,被配置为接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息;
获得模块,被配置为将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合;
匹配模块,被配置为为所述目标用户集合中的每个目标用户匹配对应的资源管理方;
资源分配模块,被配置为接收所述资源管理方发送的与对应的目标用户关联的资源管理凭证,为所述目标用户集合中的每个目标用户分配对应的资源。
根据本说明书实施例的第三方面,提供了一种基于互联网的借贷方法,包括:
贷款提供方获取包括至少一个初始用户的初始用户集合;
所述贷款提供方将所述至少一个初始用户输入预先训练的风险模型,获得目标用户集合;
所述贷款提供方接收至少一个用户的贷款获取请求,在确定所述至少一个用户为所述目标用户集合中的目标用户的情况下,为所述目标用户匹配对应的担保方;
所述贷款提供方接收所述担保方发送的与对应的目标用户关联的担保协议,将所述目标用户请求获取的贷款发送至对应的目标用户。
根据本说明书实施例的第四方面,提供了一种基于互联网的借贷装置,包括:
初始用户获取模块,被配置为所述贷款提供方获取包括至少一个初始用户的初始用户集合;
目标用户获取模块,被配置为所述贷款提供方将所述至少一个初始用户输入预先训练的风险模型,获得目标用户集合;
贷款请求接收模块,被配置为所述贷款提供方接收至少一个用户的贷款获取请求,在确定所述至少一个用户为所述目标用户集合中的目标用户的情况下,为所述目标用户匹配对应的担保方;
贷款发送模块,被配置为所述贷款提供方接收所述担保方发送的与对应的目标用户关联的担保协议,将所述目标用户请求获取的贷款发送至对应的目标用户。
根据本说明书实施例的第五方面,提供了一种资源分配方法,包括:
接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息;
将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合;
在确定所述目标用户集合中的目标用户不满足资源管理方的预设匹配条件的情况下,为所述目标用户集合中的目标用户分配对应的资源。
根据本说明书实施例的第六方面,提供了一种资源分配装置,包括:
接收模块,被配置为接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息;
训练模块,被配置为将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合;
分配模块,被配置为在确定所述目标用户集合中的目标用户不满足资源管理方的预设匹配条件的情况下,为所述目标用户集合中的目标用户分配对应的资源。
根据本说明书实施例的第七方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器执行所述计算机可执行指令时实现所述资源分配方法以及所述基于互联网的借贷方法的步骤。
根据本说明书实施例的第八方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现所述资源分配方法以及所述基于互联网的借贷方法的步骤。
本说明书一个实施例实现了一种资源分配方法及装置,其中,所述方法包括接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息;将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合;为所述目标用户集合中的每个目标用户匹配对应的资源管理方;接收所述资源管理方发送的与对应的目标用户关联的资源管理凭证,为所述目标用户集合中的每个目标用户分配对应的资源;
所述资源分配方法将大数据风险前置,基于风险模型预先对待资源获取的多个用户进行批量审核,基于审核结果对审核通过的用户实现在线批量资源分配,提升资源分配效率。
附图说明
图1是本说明书一个实施例提供的一种应用于互联网贷款服务场景的一种资源分配系统;
图2是本说明书一个实施例提供的一种应用于资源提供方的资源分配方法的流程图;
图3是本说明书一个实施例提供的一种资源分配方法的处理过程流程图;
图4是本说明书一个实施例提供的一种资源分配方法中资源分配的具体流程图;
图5是本说明书一个实施例提供的一种资源分配装置的结构示意图;
图6是本说明书一个实施例提供的一种基于互联网的借贷方法的流程图;
图7是本说明书一个实施例提供的一种基于互联网的借贷装置的结构示意图;
图8是本说明书一个实施例提供的一种资源分配方法的流程图;
图9是本说明书一个实施例提供的另一种资源分配装置的结构示意图;
图10是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
互联网贷款服务:指面向符合特定准入标准的企业、小微企业、个人经营者、农村经营者和农户提供的用于日常经营用途的贷款服务。
互联网担保服务:指担保机构作为担保人,在贷款服务的借款人贷款逾期后,根据协议向贷款人承担担保代偿责任的服务。
借款人(也称“客户”):指贷款服务项下申请和/或使用贷款服务的借款人,借款人也同时是担保业务的债务人。
互联网贷款文件:简称贷款文件,包括客户与银行、担保公司通过贷款平台在线签署的约定授信或贷款服务等相关内容的数据电文形式的贷款合同(含担保协议)、授信申请、放还款指令或通知等相关法律文件。
贷款平台:指银行运营的面向客户直接承载贷款服务项下贷款服务的互联网平台,包括普通万维网、移动客户端、其他页面等形式。
机构服务平台:由网商及合作方提供,供担保机构用于自助管理和运营、对接贷款平台的系统。
债权人:一般情况下,债权人即贷款合同上显示的贷款人;担保代偿后,债权人也包括通过代偿获得债权的担保人;如因任何原因债权发生转让的,债权人也拓展包括债权的受让人。除非有相反合法合理的证据,债权人名单均应以甲方系统记录为准。
担保代偿率上限:以承办担保机构为单位核算,计算公式为:合作期担保代偿率=累计担保代偿金额(包含本金、正常利息)/(累计年化担保贷款本金×80%)。
担保代偿备付金账户:担保机构在银行设立的担保代偿补偿备付金账户,并委托银行分行管理,主要用于不良发生时进行代偿。
在本说明书中,提供了一种资源分配方法。本说明书一个或者多个实施例同时涉及一种资源分配装置,一种基于互联网的借贷方法,一种基于互联网的借贷装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
本说明书实施例提供的所述资源分配方法的具体应用场景包括但不限于融资担保场景、债券担保场景、投资担保场景、互联网贷款服务场景、图书馆借书场景以及商品租赁场景等,即存在多方责任关系的应用场景均可适用,本说明书对此不做任何限定。
而为了便于理解,以下说明书实施例以互联网贷款服务贷款场景为主要应用场景对本方案进行详细介绍,但并不排除为了使得本方案更加清楚,使用其他应用场景作为具体实例的可能性。
参见图1,图1示出了根据本说明书一个实施例提供的应用于互联网贷款服务场景的一种资源分配系统,包括借款方102、担保方104、第一放款方106、第二放款方108、以及技术提供方110,其中,担保方104提供互联网担保服务,借款方102也可以称为借款人或客户,技术提供方110即机构服务平台。
具体的,第一放款方106与第二放款方108之间建立关联关系,例如针对联合贷款模式建立合作关系;技术提供方110与第一放款方106、第二放款方108、担保方104建立关联关系,即技术提供方110分别为第一放款方106、第二放款方108、担保方104提供技术服务,使得第一放款方106、第二放款方108、担保方104通过技术提供方110实现技术操作,例如对借款方102的身份核实等技术操作;借款方102分别与第一放款方106、第二放款方108、担保方104建立关联关系,例如签署借款合同,形成的互联网贷款文件;第一放款方106以及第二放款方108分别与担保方104建立关联关系,例如针对担保事项签署合作协议;担保方104与借款方102之间建立关联关系,例如针对担保违约事项签署合作协议;所述资源分配系统还可以包括第二担保方,实际应用中,若需要两层担保的情况下,担保方104与第二担保方之间建立关联关系即可;其中,借款方102至少为三个或三个以上,担保方104至少包括一个。
具体实施时,借款方102向第一放款方106发出贷款申请,第一放款方106调用技术提供方110的技术服务,基于大数据模型对借款方102的还款能力进行检测,具体的,技术提供方110获取多个借款方102中每个借款方102的多维度的用户属性信息,例如用户的年龄、身高、购物习惯、消费水平、职业等属性信息,然后将多个借款方102的多维度的用户属性信息输入预先训练好的大数据风险模型中进行预测,获得每个借款方102的还款能力的风险程度,将还款能力的风险程度小于等于预设风险阈值的借款方102作为目标借款方102,第一放款方106在确定出目标借款方102之后,基于目标借款方102的贷款申请为每个目标借款方102匹配对应的担保方104,担保方104与对应的每个目标借款方102签署担保协议,建立关联关系,然后将协议签署结果返回给对应的每个目标借款方102、第一放款方106以及第二放款方108,第一放款方106与第二放款方108接收到担保方104与对应目标借款方102的协议签署结果后,基于目标借款方102的贷款申请中的贷款金额,通过第一放款方106的贷款平台将为每个目标借款方102分配对应的贷款发送至担保方104,由担保方104实现下级贷款发放。
具体的,担保方104在与第一放款方106、第二放款方108以及借款方102建立合作关系时,均可以调用技术提供方110提供的技术服务,实现对第一放款方106、第二放款方108以及借款方102的资产、身份信息的核实。
本说明书实施例提供的所述资源分配系统,在接收到多借款方102的贷款申请时,第一放款方106会调用技术提供方110的技术服务,基于大数据风控前置,提前对多借款方102进行担保准入、还款能力审核,针对审核通过的多借款方102,通过所述资源分配系统线上实现第一放款方106、第二放款方108与每个借款方102的贷款协议、担保方104与第一放款方106、第二放款方108的担保协议、担保方104与每个借款方102的担保协议的自动签署、贷款发放、信息同步、以及后续的保费和保证金线上对账收费、互联网催收、甚至协同诉讼于一体的批量贷款担保模式,将担保风控核心以考察借款方102的还款能力和担保能力,转变为监控第一放款方106对特定借款方102的整体风控能力,利用大数据风控前置借款方102白名单准入、批量、精准的实现对借款方102的贷款请求的处理。
参见图2,图2示出了根据本说明书一个实施例提供的一种应用于资源提供方的资源分配方法的流程图,包括以下步骤:
步骤202:接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息。
具体的,资源根据具体的应用场景确定,根据应用场景的不同,资源不同,资源获取请求也不同,例如贷款场景中,资源可以理解为贷款,资源获取请求则可以理解为贷款获取请求;图书馆借书场景中,资源可以理解为图书,资源获取请求则可以理解为图书获取请求;商品租赁场景中,资源可以理解为商品,资源获取请求则可以理解为商品获取请求。
而用户的属性信息包括但不限于用户的年龄、性别、职业、学历、消费习惯以及信用记录等。
具体实施时,接收至少一个用户的资源获取请求,则可以理解为接收一个、两个或多个用户的、携带有每个用户的属性信息的资源获取请求。
仍以贷款场景为例,本说明书实施例的至少一个用户则为多个想要向金融机构等进行借贷的用户,对应上述实施例中的多个借款方,那么接收至少一个用户的资源获取请求则可以理解为,接收多个借款方的贷款获取请求,该贷款获取请求中携带有每个借款方的属性信息。
步骤204:将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合。
具体的,在接收至少一个用户的资源获取请求之后,可以通过大数据预先训练的风险模型对目标用户进行筛选,以获得目标用户集合,其中,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型的训练方法包括:
所述多个第二训练参与方分别将基于本地训练数据训练得到的模型参数,发送至所述第一训练参与方,其中,所述本地训练数据包括本地用户的属性信息以及对应的风险标签;
所述第一训练参与方对所述多个第二训练参与方发送的模型参数进行整合,得到目标模型参数;
所述第一训练参与方基于所述目标模型参数对风险模型进行训练,得到所述风险模型。
其中,所述第一训练参与方包括云端服务器,所述第二训练参与方包括本地终端。
具体的,在第一训练参与方为云端服务器的情况下,多个第二训练参与方为多个本地终端,例如放款方、担保方等本地终端;在另外一种可实现方案中,第一训练参与方与第二训练参与方均可以为本地终端,区别仅在于为不同的本地终端,实际应用中对风险模型训练时,仍旧可以采用本说明书实施例提供的风险模型训练方法获得最终的风险模型。
具体训练时,每个第二训练参与方基于本地训练数据得到模型参数,然后将在本地训练获得的模型参数发送至第一训练参与方,实际应用中,每个第二训练参与方均会基于同类型的神经网络模型进行训练,即每个第二训练参与方均基于各自的本地训练数据对同类型的神经网络模型进行训练,获得各自的模型参数,然后分别将各自获得的模型参数发送至第一训练参与方;第一参与方会将多个第二训练参与方发送的模型参数进行整合,得到目标模型参数,然后基于所述目标模型参数对风险模型进行训练,得到所述风险模型。
本说明书实施例中,通过多个第二训练参与方基于本地训练数据得到的模型参数对第一训练参与方的风险模型进行训练,每个第二训练参与方各自完成训练,极大的分担了第一训练参与方的训练工作量,且将模型参数发送到第一训练参与方实现对风险模型的训练,又保证了风险模型的训练精度。
实际应用中,为了保证第一训练参与方与第二训练参与方可以基于同类型的神经网络对同一个训练目标进行模型训练,获得最终的风险模型,第一训练参与方会对初始风险模型以及模型的隐含层参数进行预先定义,以保证第一训练参与方与多个第二训练参与方可以基于同一个初始风险模型进行训练,获得最终的可以实现相同训练目标的风险模型,具体实现方式如下所述:
所述多个第二训练参与方分别将基于本地训练数据训练得到的模型参数包括:
所述第一训练参与方基于训练目标,确定初始风险模型以及所述初始风险模型的隐含层参数;
将所述初始风险模型以及所述初始风险模型的隐含层参数发送至所述多个第二训练参与方;
所述第二训练参与方基于所述初始风险模型以及所述初始风险模型的隐含层参数对所述本地训练数据进行训练,得到对应的模型参数。
其中,训练目标即为风险模型可以实现的功能,例如对每个借款方进行还款能力预测的功能。
具体的,第一训练参与方首先基于训练目标,确定初始风险模型以及该初始风险模型的隐含层参数,然后将这个初始风险模型以及该初始风险模型的隐含层参数分别发送给每一个第二训练参与方,每一个第二训练参与方接收到该初始风险模型以及该初始风险模型的隐含层参数后,基于本地训练数据对该初始风险模型进行训练,得到每个第二训练参与方对应的模型参数。
本说明书另一实施例中,为了避免模型参数传输过程中出现的误差,保证最终训练得到的风险模型的准确性,可以直接将多个第二训练参与方获取的本地训练数据全部传输到第一训练参与方上进行风险模型训练,具体实现方式如下所述:
所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
多个第二训练参与方基于所述第一训练参与方的训练数据需求,分别获取本地的用户的属性信息和对应的风险标签;
多个第二训练参与方分别将获取的本地的用户的属性信息和对应的风险标签发送至所述第一训练参与方,形成所述第一训练参与方的训练数据;
所述第一训练参与方基于所述训练数据对初始风险模型进行训练,得到风险模型。
本说明书实施例中,训练数据需求即可以理解为第一训练参与方训练风险模型时对训练数据的类型、范围等需求。
具体的,每个第二训练参与方均基于第一训练参与方的训练数据需求,获取与所述训练数据需求对应的本地的训练数据,即本地的用户的属性信息和对应的风险标签,其中,根据风险标签可以确定用户是否为目标用户,即是否具备还款潜质的用户。
本说明书另一实施例中,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型的训练方法包括:
所述第一训练参与方获取训练样本集,其中,所述训练样本集中包括至少一个用户的属性信息以及对应的风险标签;
基于所述训练样本集对初始风险模型进行训练,得到第一风险模型;
将所述第一风险模型分别发送至所述多个第二训练参与方进行训练,获得所述多个第二训练参与方返回的多个模型参数;
根据所述多个模型参数对所述第一风险模型进行训练,得到所述风险模型。
具体的,第一训练参与方预先获取一批训练样本集,基于该训练样本集对初始风险模型进行训练,得到第一风险模型,然后将第一风险模型分别发送给每一个第二训练参与方,最后基于获得的每个第二训练参与方基于该第一风险模型训练获得的模型参数训练最终的风险模型。
具体实施时,所述将所述第一风险模型分别发送至所述多个第二训练参与方进行训练包括:
将所述第一风险模型分别发送至所述多个第二训练参与方;
每个第二训练参与方均获取的本地用户的属性信息以及对应的风险标签,形成对应的训练数据;
基于每个第二训练参与方对应的训练数据对所述第一风险模型进行训练。
具体的,由于每个第二训练参与方的本地训练数据均为隐私的本地数据,那么为了保证本地数据的安全性、隐私性,又要保证风险模型可以应用于每个第二训练参与方的情况下,就需要第一训练参与方首先通过一个初始训练数据训练获得一个统一的第一风险模型,然后将这个统一的第一风险模型分别发送到每个第二训练参与方进行训练,将每个第二训练参与方获得的模型参数再综合发送到第一训练参与方进行风险模型训练,使得后续每个第二训练参与方可以通过最终的风险模型准确的实现对用户的风险预测;通过此种多方安全计算的方式解决了第二训练参与方的本地数据的安全性问题以及风险模型的精确训练的问题。
具体实施时,所述方法,还包括:
所述第一训练参与方将所述风险模型分别发送至每个第二训练参与方。
本说明书实施例中,在第一训练参与方基于上述任何一种训练方法训练获得风险模型后,均会将该风险模型分别发送至每一个第二训练参与方,使得每个第二训练参与方可以基于该风险模型实现对用户的风险预测,增强用户体验。
本说明书另一实施例中,所述将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合包括:
将所述至少一个用户的属性信息输入预先训练的风险模型,获得每个用户的属性信息对应的风险标签;
确定满足预设标签要求的目标风险标签,基于所述目标风险标签对应的用户的属性信息获取目标用户集合。
其中,每个用户的属性信息对应的风险标签可以为每个用户的属性信息对应的风险得分或者是风险预测率。
那么在所述风险标签为风险得分或者风险预测率的情况下,预设标签要求则包括但不限于风险得分小于预设风险得分阈值以及风险预测率小于预设风险预测阈值。
例如风险标签为风险得分,预设风险得分阈值为30,那么将每个用户的属性信息输入预先训练的风险模型,获得每个用户的属性信息对应风险得分,然后将风险得分小于预设风险得分阈值30分的风险得分作为目标风险标签;最后将目标风险标签对应的用户的属性信息确定为目标用户。
本说明书实施例中,接收至少一个用户的资源获取请求,即可以理解为接收多个用户的资源获取请求,在接收到多个用户的资源获取请求后,首先通过大数据对多个用户的多维度的属性信息进行获取,然后基于大数据以及多方安全计算预先训练获得的风险模型对多用户的属性信息进行风险预测,基于该风险模型确定最终的安全的、不具备风险的目标用户集合,后续使用中可以不用再对该目标用户集合中的每个用户进行单独的审核,实现对多个用户的批量审核和资源分配,提升用户体验。
具体实施时,所述接收至少一个用户的资源获取请求之前,还包括:
建立与所述资源管理方的关联关系,并接收所述资源管理方发送的保证资源。
具体的,在接收至少一个用户的资源获取请求之前,还需要预先建立与资源管理方的关联关系,并接收资源管理方发送的保证资源。
仍以贷款场景为例,资源提供方可以看作放款方,例如银行等,资源管理方可以看作担保方。
实际应用中,放款方在接收多个借款方的贷款获取请求之前,需要预先与担保方确定合作模式,签署相关的合作协议,建立放款方与担保方之间的关联关系,在放款方与担保方建立合作关系之后,担保方在具有关联关系的放款方开户,存储对应的保证金(即保证资源)。
本说明书实施例中,预先建立于资源管理方的关联关系以及接收资源管理方发送的保证资源,在确定目标用户集合之后,后续可以直接为目标用户集合中的每个目标用户匹配对应的资源管理方,而无需资源管理方再对目标用户进行审核,节省资源分配流程,提高资源分配效率。
步骤206:为所述目标用户集合中的每个目标用户匹配对应的资源管理方。
具体的,所述为所述目标用户集合中的每个目标用户匹配对应的资源管理方包括:
获取所述资源管理方的保证资源;
基于预设的保证资源与目标用户的数量之间的对应关系,为所述目标用户集合中的每个目标用户匹配对应的资源管理方。
具体实施时,获得目标用户集合后,对目标用户集合中的目标用户进行统计以确定目标用户的数量,同时获取所述资源管理方的保证资源,基于预设的保证资源与目标用户的数量之间的对应关系,为所述目标用户集合中的每个目标用户匹配对应的资源管理方。
仍以贷款场景为例,若预设的保证金为十万的情况下,可以为十个借款方进行担保,此时若存在3个担保方:担保方1、担保方2、担保方3,三个担保方均预先存储保证金10万,且之前均没有匹配借款人,那么若获取的目标用户集合中的目标借款方为20个,则按照每个目标借款方的风险得分对其进行排序后,将前10个目标借款方匹配给担保方1,将后10个目标借款方匹配给担保方2,后续如果再有新的目标借款方则可以顺序匹配给担保方3;实际应用中,若目标借款方的数量超出了担保方可担保的人数的情况下,可以使得担保方增加保证金的情况下,满足目标借款方与担保方之间的匹配关系。
本说明书实施例中,在获得目标用户集合后可以直接在线为每个目标用户匹配对应的担保方,实现担保匹配关系自动化,增强用户体验。
本说明书另一实施例中,所述为所述目标用户集合中的每个目标用户分配对应的资源之后,还包括:
基于预设的时间间隔获取所述资源管理方的当前保证资源,以及与所述资源管理方对应的所有目标用户分配的总资源;
根据预设的资源表确定所述总资源大于所述资源管理方的当前保证资源对应的分配资源的情况下,接收所述资源管理方发送的补充保证资源;
其中,所述资源表包括所述资源管理方的保证资源与所述资源管理方的分配资源的对应关系;通过该资源表可以获取资源管理方的当前保证资源与分配资源之间的对应关系,例如当前保证资源为十万,那么对应的分配资源为一百万,那么若总资源大于一百万,则可以说明资源管理方的当前保证资源不充足,需要补充保证资源。
具体的,预设的时间间隔可以根据实际应用进行设置,本说明书对此不做任何限定,例如设置为10天、15天或者30天均可。
仍以贷款场景为例,与所述资源管理方对应的所有目标用户分配的总资源,则为与担保方存在关联关系的所有借款方的总贷款额度;实际应用中,每个担保方缴纳的保证金对应有一定的担保贷款额度,例如担保方1缴纳了十万的担保金,那么该担保方1只能担保额度为一百万的贷款,若超出了一百万,则需要担保方1补充缴纳保证金。
具体的,放款方每隔预设的时间间隔获取每个担保方的保证金,以及与每个担保方对应的所有目标借款方的总贷款额度;根据预设的资源表确定总贷款额度大于该担保方目前保证金可担保贷款额度的情况下,通知担保方补充相应的保证金,其中,预设的资源表中包括担保方的保证金对应的可担保贷款额度,例如十万保证金对应的可担保贷款额度为一百万,二十万的保证金对应的可担保贷款额度为两百万等。
本说明书实施例中,资源提供方基于预设的时间间隔获取每个资源管理方的保证资源,以及与每个资源管理方对应的所有目标用户的待获取的总资源;在根据预设的资源表确定所述总资源已经超出了该资源管理方当前缴纳的保证资源对应的可担保总资源的情况下,给资源管理方发送补充保证资源的通知,最后接收资源管理方发送的针对超出资源补充的补充保证资源,通过此种方式避免在借款方逾期的情况下,资源提供方也可以基于资源管理方缴纳的足够的保证资源缓解压力,增强体验。
步骤208:接收所述资源管理方发送的与对应的目标用户关联的资源管理凭证,为所述目标用户集合中的每个目标用户分配对应的资源。
具体的,在为每个目标用户匹配了对应的资源管理方,以及接收资源管理方发送的与对应的目标用户关联的资源管理凭证之后,资源提供方会将每个目标用户待分配的资源发送至对应的目标用户。
其中,应用在贷款场景中,该资源管理凭证即担保方与每个目标用户签订的担保协议。
具体实施时,在为每个借款方匹配了对应的担保方,且接收到每个借款方与担保方之间的担保协议之后,放款方即可根据每个借款方的贷款请求为每个借款方分配对应的贷款。
实际应用中,也可以先获取多个初始用户作为训练数据,对风险模型进行训练,以训练获得风险模型,再基于该风险模型对待获取资源的批量用户进行筛选,以确定目标用户集合。
本说明书实施例中,所述资源分配方法在基于风险模型获得目标用户集合中的多个目标用户后,即可为多个目标用户分配对应的资源管理方,使得每个目标用户自动建立于资源提供方以及资源管理方的关联关系,实现将大数据风险前置,基于风险模型预先对待资源获取的多个用户进行批量审核,以及基于审核结果对审核通过的用户实现在线批量资源分配,提升资源分配效率。
本说明书另一实施例中,所述资源提供方包括第一资源提供方和第二资源提供方;
相应的,所述为所述目标用户集合中的每个目标用户分配对应的资源包括:
通过所述第一资源提供方和所述第二资源提供方为所述目标用户集合中的每个目标用户分配对应的资源。
具体实施时,所述通过所述第一资源提供方和所述第二资源提供方为所述目标用户集合中的每个目标用户分配对应的资源包括:
通过所述第一资源提供方为所述目标用户集合中满足第一匹配条件的目标用户分配对应的资源;
通过所述第二资源提供方为所述目标用户集合中满足第二匹配条件的目标用户分配对应的资源。
其中,第一匹配条件为第一资源提供方设置的满足其预设需求的条件,例如目标用户的年收入为三万,有固定职业等,第二匹配条件为第二资源提供方设置的满足其预设需求的条件,例如目标用户的年收入为五万,本科毕业等;那么若目标用户集合中存在满足第一匹配条件的用户,则由第一资源提供方为该用户分配对应的资源,若目标用户集合中存在满足第二匹配条件的用户,则由第二资源提供方为该用户分配对应的资源。
具体的,资源提供方包括两种类型,即第一资源提供方和第二资源提供方,其中,第一资源提供方可以为一个或多个,第二资源提供方也可以为一个或多个。
仍以贷款场景为例进行说明,若第一资源提供方为第一放款方,第二资源提供方为第二放款方;具体的,若目标用户集合中的借款方满足第一放款方设置的第一匹配条件的情况下,则第一放款方实现为目标用户集合中的借款方放款,若目标用户集合中的借款方满足第二放款方设置的第二匹配条件的情况下,则第二放款方实现为目标用户集合中的借款方放款。
本说明书实施例中,可以基于每个资源提供方的匹配条件为目标用户集合中的目标用户分组,由目标用户对应的资源提供方为其进行资源分配,既能满足目标用户的贷款获取请求,又能满足资源提供方的贷款方法控制条件,可以将贷款发放给其符合自身条件的用户,增强资源提供方的放贷体验;此外,由于每个资源提供方提供的资源均是有限的,那么为了保证目标用户集合中的每个目标用户均可以分配到对应的资源,保证用户体验,也可以先由第一资源提供方为目标用户分配资源,而在第一资源提供方的可分配资源不充足的情况下,可以与其他第二资源提供方合作实现为每个目标用户分配资源,即保证了用户的体验,又使得第一资源提供方和第二资源提供方实现合作共赢,增强彼此的信任度和依赖关系。
另外一种可实现方案中,即使第一资源提供方的分配资源可以满足目标用户集合中的每个目标用户的资源分配,为了保证与第二资源提供方的合作关系,也可以从第二资源提供方获取相应的分配资源为用户进行资源分配,那么具体的分配资源的比例可以根据实际需要进行配置,本说明书对此不做任何限定。
本说明书另一实施例中,所述为所述目标用户集合中的每个目标用户分配对应的资源之后,还包括:
监控与所述资源管理方对应的目标用户针对分配的资源的返回行为;
若所述返回行为的执行时间大于预设资源返回时间,则基于所述返回行为的执行时间以及所述预设资源返回时间从所述资源管理方获取逾期资源。
具体的,在资源提供方为每个目标用户分配了对应的资源之后,会对每个目标用户进行实时监控,实时监控每个目标用户针对分配的资源的返回行为;若目标用户针对分配的资源的返回行为的执行时间大于预设资源返回时间的情况下,则基于超出的时间从资源管理方获取逾期资源,而具体的可以从资源管理方缴纳的保证资源中扣除逾期资源,也可以从资源管理方的其他账户中扣除逾期资源。
仍以贷款场景为例进行详细介绍,此时与所述资源管理方对应的目标用户针对分配的资源的返回行为,即可以理解为与担保方对应的借款方返还贷款的行为。
实际应用中,放款方在为每个目标借款方发放贷款后,会对每个目标借款方的返还贷款的返回行为进行监控,由于放款方与目标借款方之间建立关联关系时约定的有最迟的还款时间,即预设资源返回时间;若放款方监控到目标借款的返还贷款的返回行为的执行时间晚于两者约定的最迟的还款时间,则需要基于超期时间从担保方的担保代偿备付金账户进行逾期金额扣除以填充自己的损失,但是实际应用中,担保方的代偿率是存在上限的,在达到担保代偿率上限的情况下,担保方就可以与借款方终止合同,以避免损失扩大。
本说明书实施例中,资源提供方在为每个目标用户分配资源之后,会对每个目标用户针对该资源的返回行为进行实时监控,在确定目标用户针对资源的返回行为的执行时间超出了约定的资源返回时间的情况下,根据所述返回行为的执行时间以及所述预设资源返回时间计算出具体的逾期时间,从资源管理方扣除与逾期时间对应的逾期资源,以确保其自身不会遭受损失,以此提升后续的资源分配积极性。
可选的,所述为所述目标用户集合中的每个目标用户分配对应的资源之后,还包括:
在预设时间段内接收与所述资源管理方对应的目标用户返回的资源;
在返回的资源与分配的资源相同的情况下,解除与所述资源管理方的关联关系,且向所述资源管理方返回保证资源。
具体的,资源提供方与目标用户在建立关联关系时,约定的有资源返回时间段,在该时间段内接收到目标用户的返回资源,且返回的资源与分配的资源相同的情况下,可以确定目标用户已经基于约定向资源提供方返还了资源,此时,系统则会自动解除资源提供方与资源管理方、目标用户,资源管理方与用户之间的关联关系,且将资源管理方缴纳的保证资源进行返还。
实际应用中,在基于资源分配方法实现为目标用户进行批量的资源分配之后,第三方平台会基于本次的批量资源分配行为给与资源提供方以及资源管理方一定的奖励,以激励资源提供方和资源管理方的下次参与资源分配的积极性,具体实现方式如下所述:
所述向所述资源管理方返回保证资源之后,还包括:
接收第三方平台针对所述资源管理方发送的目标资源。
本说明书另一实施例中,为了更加清楚的体现大数据风控前置,资源提供方可以实时获取满足资源获取请求的初始用户,预先对初始用户进行筛选,形成目标用户白名单,在接收到用户的资源获取请求时,基于该白名单实现对目标用户的确认,具体实现方式如下所述:
获取满足预设要求的初始用户集合,其中,所述初始用户集合中包括至少一个初始用户;
将所述至少一个初始用户输入预先训练的风险模型,获得目标用户集合;
接收至少一个用户的资源获取请求,在确定所述多个用户为所述目标用户集合中的目标用户的情况下,为所述目标用户集合中的每个目标用户匹配对应的资源管理方;
接收所述资源管理方发送的与对应的目标用户关联的资源管理凭证,为所述目标用户集合中的每个目标用户分配对应的资源。
其中,至少一个用户在实际应用中一般为三个或三个以上的多个用户,预设要求可以根据实际应用设置,仍以贷款场景为例,预设要求可以为年收入为十万的个人、企业或者是个体工商户等。
具体实施时,本说明书实施例的所述资源分配方法仅在对目标用户集合的确认顺序上与上述实施例提供的资源分配方法不同,其风险模型的训练以及实质的处理流程与上述实施例提供的资源分配方法相同,在此不再赘述。
本说明书实施例提供的所述资源分配方法,资源提供方实时获取满足预设要求的初始用户集合,基于风险模型确定目标用户集合,建立白名单,在接收到多个用户的资源获取请求的情况下,基于该白名单即可确定目标用户,批量的为每个目标用户分配对应的资源,通过大数据风控前置预先对初始满足贷款客群进行准入审核,后续实现批量、精准的对目标用户进行资源分配,提升资源分配速度和流程。
下述结合附图3,以本说明书提供的资源分配方法在贷款场景的应用为例,对所述资源分配方法进行进一步说明。其中,图3示出了本说明书一个实施例提供的一种资源分配方法的处理过程流程图,具体步骤包括以下步骤:
具体的,基于所述资源分配方法实现放款银行基于担保公司对客户的批量贷款分配。
步骤302:确定合作模式、签署相关协议。
具体的,放款银行与担保公司之间确定合作模式、签署相关协议,例如在协议中规定逾期金额、逾期时间以及保证金等信息。
步骤304:担保公司开户,存入保证金。
具体的,担保公司在放款银行开户,然后在放款银行存入相应的保证金。
步骤306:确定目标客群、规模测算,客群信息同步担保公司。
具体的,基于大数据模型确定目标客户群,基于目标客户群中的目标客户数量对目标客户的规模进行测算,同时将每个目标客户的属性信息同步发送给担保公司,便于后续担保公司与对应目标客户的担保协议签订。
步骤308:客户识别、申贷签署借款以及担保协议。
具体的,基于上述目标客户群对发送资源获取请求的多个客户中的目标客户进行识别,且放款银行与目标客户签署借款协议以及接收担保公司与目标客户之间签署的担保协议。
步骤310:按月与担保公司对账,缴保费以及通知担保公司补充保证金。
具体的,每个月与担保公司进行以此对账,缴纳保费,且通知担保公司基于担保目标客户的数量补充保证金,其具体保证金的补充方式可以参见上述实施例,在此不再赘述。
步骤312:担保公司代偿预期。
具体的,放款银行在确定目标客户逾期还款的情况下,从该目标客户对应的担保公司进行逾期保证金的扣划。
步骤314:向担保公司出具解保书等凭证。
具体的,放款银行在规定的时间内接收到目标客户返还贷款的情况下,与担保公司接触担保协议,向担保公司出具解保书等凭证,结束本次贷款流程。
本说明书实施例提供的所述资源分配方法,通过全线上无人工干预的贷款批量担保,可大幅提升放款银行、担保公司以及客户等的交互和事项确认效率,降低人工参与可能导致的道德和操作风险,以及通过AI(人工智能,Artificial Intelligence)、模型算法等手段,利用大数据降低贷款逃逸的风险概率。
参见图4,图4示出了本说明书实施例提供的一种资源分配方法中资源分配的具体流程图,包括以下步骤:
步骤402:放款银行向担保公司发放贷款,以及同步目标客户的属性信息。
步骤404:第一担保公司将目标客户的属性信息同步发送至第二担保公司。
步骤406:第一担保公司代偿不良,保证金扣划。
具体的,放款银行在确定目标客户逾期还款的情况下,由第一担保公司为其目标客户代偿不良还款金额,放款银行从第一担保公司缴纳的保证金中扣划对应的金额。
步骤408:第二担保公司向第一担保公司申请再担保补偿。
具体的,本说明书实例中存在第二担保公司,第二担保公司可以通过第一担保公司向第三方平台申请再担保补偿。
步骤410:第一担保公司从第三平台获取担保补贴。
本说明书实施例中,放款银行在确定了目标客户之后,将贷款发放到担保公司,由担保公司向对应的目标客户发送,后续由担保公司对目标客户的不良行为负责,极大的保护了其自身利益的安全性,且担保公司在实现担保之后会接收到第三方平台的担保补贴,极大的提升了担保公司的担保积极性。
与上述资源分配方法实施例相对应,本说明书还提供了资源分配装置实施例,图5示出了本说明书一个实施例提供的一种资源分配装置的结构示意图。如图5所示,该装置包括:
请求接收模块502,被配置为接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息;
获得模块504,被配置为将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合;
匹配模块506,被配置为为所述目标用户集合中的每个目标用户匹配对应的资源管理方;
资源分配模块508,被配置为接收所述资源管理方发送的与对应的目标用户关联的资源管理凭证,为所述目标用户集合中的每个目标用户分配对应的资源。
可选的,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型通过模型训练模块训练得到,其中,所述模型训练模块,被配置为:
所述多个第二训练参与方分别将基于本地训练数据训练得到的模型参数,发送至所述第一训练参与方,其中,所述本地训练数据包括本地用户的属性信息以及对应的风险标签;
所述第一训练参与方对所述多个第二训练参与方发送的模型参数进行整合,得到目标模型参数;
所述第一训练参与方基于所述目标模型参数对风险模型进行训练,得到所述风险模型。
可选的,所述模型训练模块,进一步被配置为:
所述第一训练参与方基于训练目标,确定初始风险模型以及所述初始风险模型的隐含层参数;
将所述初始风险模型以及所述初始风险模型的隐含层参数发送至所述多个第二训练参与方;
所述第二训练参与方基于所述初始风险模型以及所述初始风险模型的隐含层参数对所述本地训练数据进行训练,得到对应的模型参数。
可选的,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型通过模型训练模块训练得到,其中,所述模型训练模块,被配置为:
多个第二训练参与方基于所述第一训练参与方的训练数据需求,分别获取本地的用户的属性信息和对应的风险标签;
多个第二训练参与方分别将获取的本地的用户的属性信息和对应的风险标签发送至所述第一训练参与方,形成所述第一训练参与方的训练数据;
所述第一训练参与方基于所述训练数据对初始风险模型进行训练,得到风险模型。
可选的,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型通过模型训练模块训练得到,其中,所述模型训练模块,被配置为:
所述第一训练参与方获取训练样本集,其中,所述训练样本集中包括至少一个用户的属性信息以及对应的风险标签;
基于所述训练样本集对初始风险模型进行训练,得到第一风险模型;
将所述第一风险模型分别发送至所述多个第二训练参与方进行训练,获得所述多个第二训练参与方返回的多个模型参数;
根据所述多个模型参数对所述第一风险模型进行训练,得到所述风险模型。
可选的,所述模型训练模块,进一步被配置为:
将所述第一风险模型分别发送至所述多个第二训练参与方;
每个第二训练参与方均获取的本地用户的属性信息以及对应的风险标签,形成对应的训练数据;
基于每个第二训练参与方对应的训练数据对所述第一风险模型进行训练。
可选的,所述装置,还包括:
发送模块,被配置为所述第一训练参与方将所述风险模型分别发送至每个第二训练参与方。
可选的,所述第一训练参与方包括云端服务器,所述第二训练参与方包括本地终端。
可选的,获得模块504,进一步被配置为:
将所述至少一个用户的属性信息输入预先训练的风险模型,获得每个用户的属性信息对应的风险标签;
确定满足预设标签要求的目标风险标签,基于所述目标风险标签对应的用户的属性信息获取目标用户集合。
可选的,所述装置,还包括:
关系建立模块,被配置为建立与所述资源管理方的关联关系,并接收所述资源管理方发送的保证资源。
可选的,匹配模块506,进一步被配置为:
获取所述资源管理方的保证资源;
基于预设的保证资源与目标用户的数量之间的对应关系,为所述目标用户集合中的每个目标用户匹配对应的资源管理方。
可选的,所述装置,还包括:
保证资源接收模块,被配置为基于预设的时间间隔获取所述资源管理方的当前保证资源,以及与所述资源管理方对应的所有目标用户分配的总资源;
根据预设的资源表确定所述总资源大于所述资源管理方的当前保证资源对应的分配资源的情况下,接收所述资源管理方发送的补充保证资源;
其中,所述资源表包括所述资源管理方的保证资源与分配资源的对应关系。
可选的,所述资源提供方包括第一资源提供方和第二资源提供方;
相应的,所述资源分配模块508,进一步被配置为:
通过所述第一资源提供方和所述第二资源提供方为所述目标用户集合中的每个目标用户分配对应的资源。
可选的,所述资源分配模块508,进一步被配置为:
通过所述第一资源提供方为所述目标用户集合中满足第一匹配条件的目标用户分配对应的资源;
通过所述第二资源提供方为所述目标用户集合中满足第二匹配条件的目标用户分配对应的资源。
可选的,所述装置,还包括:
逾期资源获取模块,被配置为监控与所述资源管理方对应的目标用户针对分配的资源的返回行为;
若所述返回行为的执行时间大于预设资源返回时间,则基于所述返回行为的执行时间以及所述预设资源返回时间从所述资源管理方获取逾期资源。
可选的,所述装置,还包括:
解除模块,被配置为在预设时间段内接收与所述资源管理方对应的目标用户返回的资源;
在返回的资源与分配的资源相同的情况下,解除与所述资源管理方的关联关系,且向所述资源管理方返回保证资源。
可选的,所述装置,还包括:
目标资源接收模块,被配置为接收第三方平台针对所述资源管理方发送的目标资源。
本说明书实施例提供的所述资源分配装置,将大数据风险前置,基于风险模型预先对待资源获取的多个用户进行批量审核,基于审核结果对审核通过的用户实现在线批量资源分配,提升资源分配效率。
上述为本实施例的一种资源分配装置的示意性方案。需要说明的是,该资源分配装置的技术方案与上述的应用于资源提供方的资源分配方法的技术方案属于同一构思,资源分配装置的技术方案未详细描述的细节内容,均可以参见上述资源分配方法的技术方案的描述。
参见图6,图6示出了根据本说明书一个实施例提供的一种基于互联网的借贷方法的流程图,包括以下步骤:
步骤602:所述贷款提供方获取包括至少一个初始用户的初始用户集合。
步骤604:所述贷款提供方将所述至少一个初始用户输入预先训练的风险模型,获得目标用户集合。
步骤606:所述贷款提供方接收至少一个用户的贷款获取请求,在确定所述至少一个用户为所述目标用户集合中的目标用户的情况下,为所述目标用户匹配对应的担保方。
步骤608:所述贷款提供方接收所述担保方发送的与对应的目标用户关联的担保协议,将所述目标用户请求获取的贷款发送至对应的目标用户。
其中,贷款提供方包括但不限于线上或线下的银行,担保方包括但不限于线上或者线下的融资担保机构,实际应用中,贷款提供方以及担保方均至少包括一个,而具体的贷款提供方以及担保方的数量可以根据实际用户的贷款规模进行确定,本说明书对此并不做任何限定。
实际应用中,所述基于互联网的借贷方法中的至少一个均可以理解为多个。
本说明书实施例提供的所述基于互联网的借贷方法,基于大数据风控前置对符合贷款条件的用户进行批量的获取,然后通过预先建立的风险模型筛选出目标贷款客户群体,建立白名单,后续在接收到用户贷款的情况下可以直接基于白名单就可以实现对待借款用户的准入审核,提高审核效率以及放款效率,提升用户体验;并且针对审核通过的目标客户群体实现互联网线上自动签署贷款协议、担保协议以及后续可以在线上实现保证金的对账等批量担保模式,极大的降低了担保机构的工作量,提高担保效率以及担保风险。
可选的,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型的训练方法包括:
所述多个第二训练参与方分别将基于本地训练数据训练得到的模型参数,发送至所述第一训练参与方,其中,所述本地训练数据包括本地用户的属性信息以及对应的风险标签;
所述第一训练参与方对所述多个第二训练参与方发送的模型参数进行整合,得到目标模型参数;
所述第一训练参与方基于所述目标模型参数对风险模型进行训练,得到所述风险模型。
可选的,所述多个第二训练参与方分别将基于本地训练数据训练得到的模型参数包括:
所述第一训练参与方基于训练目标,确定初始风险模型以及所述初始风险模型的隐含层参数;
将所述初始风险模型以及所述初始风险模型的隐含层参数发送至所述多个第二训练参与方;
所述第二训练参与方基于所述初始风险模型以及所述初始风险模型的隐含层参数对所述本地训练数据进行训练,得到对应的模型参数。
可选的,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型的训练方法包括:
多个第二训练参与方基于所述第一训练参与方的训练数据需求,分别获取本地的用户的属性信息和对应的风险标签;
多个第二训练参与方分别将获取的本地的用户的属性信息和对应的风险标签发送至所述第一训练参与方,形成所述第一训练参与方的训练数据;
所述第一训练参与方基于所述训练数据对初始风险模型进行训练,得到风险模型。
可选的,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型的训练方法包括:
所述第一训练参与方获取训练样本集,其中,所述训练样本集中包括至少一个用户的属性信息以及对应的风险标签;
基于所述训练样本集对初始风险模型进行训练,得到第一风险模型;
将所述第一风险模型分别发送至所述多个第二训练参与方进行训练,获得所述多个第二训练参与方返回的多个模型参数;
根据所述多个模型参数对所述第一风险模型进行训练,得到所述风险模型。
可选的,所述将所述第一风险模型分别发送至所述多个第二训练参与方进行训练包括:
将所述第一风险模型分别发送至所述多个第二训练参与方;
每个第二训练参与方均获取的本地用户的属性信息以及对应的风险标签,形成对应的训练数据;
基于每个第二训练参与方对应的训练数据对所述第一风险模型进行训练。
可选的,所述方法,还包括:
所述第一训练参与方将所述风险模型分别发送至每个第二训练参与方。
可选的,所述第一训练参与方包括云端服务器,所述第二训练参与方包括本地终端。
可选的,所述将所述至少一个初始用户输入预先训练的风险模型,获得目标用户集合包括:
将所述初始用户集合中的每个初始用户的属性信息输入预先训练的风险模型,获得每个初始用户的属性信息对应的风险标签;
确定满足预设标签要求的目标风险标签,基于所述目标风险标签对应的初始用户的属性信息获取目标用户集合。
可选的,所述接收至少一个用户的贷款获取请求之前,还包括:
所述贷款提供方建立与所述担保方的关联关系,并接收所述担保方发送的保证金。
可选的,所述为所述目标用户匹配对应的担保方包括:
获取所述担保方的保证金;
基于预设的保证金与目标用户的数量之间的对应关系,为所述目标用户匹配对应的担保方。
所述将所述目标用户请求获取的贷款发送至对应的目标用户之后,还包括:
所述贷款提供方基于预设的时间间隔获取所述担保方的当前保证金,以及与所述担保方对应的所有目标用户分配的总贷款;
根据预设的贷款表确定所述总贷款大于所述担保方的当前保证金对应的担保贷款的情况下,发送补充保证金请求,以及接收所述担保方发送的所述补充保证金;
其中,所述贷款表包括所述担保方的保证金与担保贷款对应关系。
可选的,所述贷款提供方包括第一贷款提供方和第二贷款提供方;
相应的,所述将所述目标用户请求获取的贷款发送至对应的目标用户包括:
所述第一贷款提供方和所述第二贷款提供方将所述目标用户请求获取的贷款发送至对应的目标用户。
可选的,所述第一贷款提供方和所述第二贷款提供方将所述目标用户请求获取的贷款发送至对应的目标用户包括:
所述第一贷款提供方将满足第一匹配条件的目标用户请求获取的贷款发送至对应的目标用户;
所述第二贷款提供方将满足第二匹配条件的目标用户请求获取的贷款发送至对应的目标用户。
可选的,所述将所述目标用户请求获取的贷款发送至对应的目标用户之后,还包括:
所述贷款提供方监控与所述担保方对应的目标用户的还贷行为;
若所述还贷行为的执行时间大于预设贷款返回时间,则基于所述还贷行为的执行时间以及所述预设贷款返回时间从所述担保方获取逾期贷款。
可选的,所述将所述目标用户请求获取的贷款发送至对应的目标用户之后,还包括:
所述贷款提供方在预设时间段内接收与所述担保方对应的目标用户返回的贷款;
在返回的贷款与分配的贷款金额相同的情况下,解除与所述担保方的关联关系,且向所述担保方返回保证金。
可选的,所述向所述担保方返回保证金之后,还包括:
所述担保方接收所述保证金,以及接收第三方奖励平台发放的奖励金。
本说明书实施例提供的所述基于互联网的借贷方法,将担保风险核心,例如考察借款客户的还款能力以及信用能力等,由担保机构转移给贷款提供方,由贷款提供方基于大数据风险前置实现对贷款客群的担保准入审核,通过贷款提供方对目标借款客户群体进行整体的风控能力把控,通过大数据风控前置实现的目标借款客户群体白名单的方式实现对批量借款用户的批量、精确的审核,并且通过互联网全线上无人工干预的贷款批量担保,可极大提升贷款提供方、担保方以及借款用户的交互流程以及事项确认效率、降低人工参与可能导致的道德和操作风险,利用大数据模型的技术手段极大的降低担保方以及贷款提供方的风险概率。
参见图7,图7示出了根据本说明书一个实施例提供的一种基于互联网的借贷装置的结构框图,包括:
初始用户获取模块702,被配置为被配置为所述贷款提供方获取包括至少一个初始用户的初始用户集合;
目标用户获取模块704,被配置为所述贷款提供方将所述至少一个初始用户输入预先训练的风险模型,获得目标用户集合;
贷款请求接收模块706,被配置为所述贷款提供方接收至少一个用户的贷款获取请求,在确定所述至少一个用户为所述目标用户集合中的目标用户的情况下,为所述目标用户匹配对应的担保方;
贷款发送模块708,被配置为所述贷款提供方接收所述担保方发送的与对应的目标用户关联的担保协议,将所述目标用户请求获取的贷款发送至对应的目标用户。
可选的,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型通过风险模型训练模块训练得到,其中,所述风险模型训练模块,被配置为:
所述多个第二训练参与方分别将基于本地训练数据训练得到的模型参数,发送至所述第一训练参与方,其中,所述本地训练数据包括本地用户的属性信息以及对应的风险标签;
所述第一训练参与方对所述多个第二训练参与方发送的模型参数进行整合,得到目标模型参数;
所述第一训练参与方基于所述目标模型参数对风险模型进行训练,得到所述风险模型。
可选的,所述风险模型训练模块,进一步被配置为:
所述第一训练参与方基于训练目标,确定初始风险模型以及所述初始风险模型的隐含层参数;
将所述初始风险模型以及所述初始风险模型的隐含层参数发送至所述多个第二训练参与方;
所述第二训练参与方基于所述初始风险模型以及所述初始风险模型的隐含层参数对所述本地训练数据进行训练,得到对应的模型参数。
可选的,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型通过风险模型训练模块训练得到,其中,所述风险模型训练模块,被配置为:
多个第二训练参与方基于所述第一训练参与方的训练数据需求,分别获取本地的用户的属性信息和对应的风险标签;
多个第二训练参与方分别将获取的本地的用户的属性信息和对应的风险标签发送至所述第一训练参与方,形成所述第一训练参与方的训练数据;
所述第一训练参与方基于所述训练数据对初始风险模型进行训练,得到风险模型。
可选的,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型通过风险模型训练模块训练得到,其中,所述风险模型训练模块,被配置为:
所述第一训练参与方获取训练样本集,其中,所述训练样本集中包括至少一个用户的属性信息以及对应的风险标签;
基于所述训练样本集对初始风险模型进行训练,得到第一风险模型;
将所述第一风险模型分别发送至所述多个第二训练参与方进行训练,获得所述多个第二训练参与方返回的多个模型参数;
根据所述多个模型参数对所述第一风险模型进行训练,得到所述风险模型。
可选的,所述风险模型训练模块,进一步被配置为:
将所述第一风险模型分别发送至所述多个第二训练参与方;
每个第二训练参与方均获取的本地用户的属性信息以及对应的风险标签,形成对应的训练数据;
基于每个第二训练参与方对应的训练数据对所述第一风险模型进行训练。
可选的,所述装置,还包括:
风险模型发送模块,被配置为所述第一训练参与方将所述风险模型分别发送至每个第二训练参与方。
可选的,所述第一训练参与方包括云端服务器,所述第二训练参与方包括本地终端。
可选的,所述目标用户获取模块704,进一步被配置为:
将所述初始用户集合中的每个初始用户的属性信息输入预先训练的风险模型,获得每个初始用户的属性信息对应的风险标签;
确定满足预设标签要求的目标风险标签,基于所述目标风险标签对应的初始用户的属性信息获取目标用户集合。
可选的,所述装置,还包括:
保证金接收模块,被配置为所述贷款提供方建立与所述担保方的关联关系,并接收所述担保方发送的保证金。
可选的,所述贷款请求接收模块706,进一步被配置为:
获取所述担保方的保证金;
基于预设的保证金与目标用户的数量之间的对应关系,为所述目标用户匹配对应的担保方。
可选的,所述装置,还包括:
保证金补充模块,被配置为所述贷款提供方基于预设的时间间隔获取所述担保方的当前保证金,以及与所述担保方对应的所有目标用户分配的总贷款;
根据预设的贷款表确定所述总贷款大于所述担保方的当前保证金对应的担保贷款的情况下,发送补充保证金请求,以及接收所述担保方发送的所述补充保证金;
其中,所述贷款表包括所述担保方的保证金与担保贷款对应关系。
可选的,所述贷款提供方包括第一贷款提供方和第二贷款提供方;
相应的,所述贷款发送模块708,进一步被配置为:
所述第一贷款提供方和所述第二贷款提供方将所述目标用户请求获取的贷款发送至对应的目标用户。
可选的,所述贷款发送模块708,进一步被配置为:
所述第一贷款提供方将满足第一匹配条件的目标用户请求获取的贷款发送至对应的目标用户;
所述第二贷款提供方将满足第二匹配条件的目标用户请求获取的贷款发送至对应的目标用户。
可选的,所述装置,还包括:
逾期贷款获取模块,被配置为所述贷款提供方监控与所述担保方对应的目标用户的还贷行为;
若所述还贷行为的执行时间大于预设贷款返回时间,则基于所述还贷行为的执行时间以及所述预设贷款返回时间从所述担保方获取逾期贷款。
可选的,所述装置,还包括:
关联关系解除模块,被配置为所述贷款提供方在预设时间段内接收与所述担保方对应的目标用户返回的贷款;
在返回的贷款与分配的贷款金额相同的情况下,解除与所述担保方的关联关系,且向所述担保方返回保证金。
可选的,所述装置,还包括:
奖励金接收模块,被配置为所述担保方接收所述保证金,以及接收第三方奖励平台发放的奖励金。
本说明书实施例提供的所述基于互联网的借贷装置,将担保风险核心,例如考察借款客户的还款能力以及信用能力等,由担保机构转移给贷款提供方,由贷款提供方基于大数据风险前置实现对贷款客群的担保准入审核,通过贷款提供方对目标借款客户群体进行整体的风控能力把控,通过大数据风控前置实现的目标借款客户群体白名单的方式实现对批量借款用户的批量、精确的审核,并且通过互联网全线上无人工干预的贷款批量担保,可极大提升贷款提供方、担保方以及借款用户的交互流程以及事项确认效率、降低人工参与可能导致的道德和操作风险,利用大数据模型的技术手段极大的降低担保方以及贷款提供方的风险概率。
参见图8,图8示出了根据本说明书一个实施例提供的一种资源分配方法的流程图。
步骤802:接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息。
步骤804:将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合。
步骤806:在确定所述目标用户集合中的目标用户不满足资源管理方的预设匹配条件的情况下,为所述目标用户集合中的目标用户分配对应的资源。
其中,预设匹配条件可以理解为资源管理方的设置的针对目标用户的匹配条件,例如资源管理方针对目标用户的年龄、性别、年收入、职业或者学历等的限制条件。
例如预设匹配条件为目标用户的年龄为20-30,性别为男,年收入为20万以上,那么目标用户集合中的目标用户不满足该预设匹配条件的情况下,由资源提供方为目标用户集合中的目标用户分配对应的资源。
本说明书另一实施例中,所述将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合之后,还包括:
在确定所述目标用户集合中的目标用户满足资源管理方的预设匹配条件的情况下,为所述目标用户集合中的目标用户匹配对应的资源管理方;
接收所述资源管理方发送的与对应的目标用户关联的资源管理凭证,为所述目标用户集合中的目标用户分配对应的资源。
本说明书实施例中,所述资源分配方法,在接收到用户的资源获取请求后,将用户的属性信息输入风险模型,以确定目标用户,在目标用户不满足资源管理方的预设匹配条件的情况下,由资源提供方为目标用户分配对应的资源,而在目标用户满足资源管理方的预设匹配条件的情况下,不仅由资源提供方为目标用户分配对应的资源,还会由资源管理方为该目标用户进行资源担保,以在目标用户没有能力进行资源返回的情况下,由资源管理方进行代偿,不会对其其他资产进行查封等,降低其资产风险,提升用户体验。
参见图9,图9示出了根据本说明书一个实施例提供的另一种资源分配装置的结构示意图。
接收模块902,被配置为接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息;
训练模块904,被配置为将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合;
分配模块906,被配置为在确定所述目标用户集合中的目标用户不满足资源管理方的预设匹配条件的情况下,为所述目标用户集合中的目标用户分配对应的资源。
可选的,所述装置,还包括:
匹配模块,被配置为在确定所述目标用户集合中的目标用户满足资源管理方的预设匹配条件的情况下,为所述目标用户集合中的目标用户匹配对应的资源管理方;
接收所述资源管理方发送的与对应的目标用户关联的资源管理凭证,为所述目标用户集合中的目标用户分配对应的资源。
本说明书实施例中,所述资源分配装置,在接收到用户的资源获取请求后,将用户的属性信息输入风险模型,以确定目标用户,在目标用户不满足资源管理方的预设匹配条件的情况下,由资源提供方为目标用户分配对应的资源,而在目标用户满足资源管理方的预设匹配条件的情况下,不仅由资源提供方为目标用户分配对应的资源,还会由资源管理方为该目标用户进行资源担保,以在目标用户没有能力进行资源返回的情况下,由资源管理方进行代偿,不会对其其他资产进行查封等,降低其资产风险,提升用户体验。
上述为本实施例的另一种资源分配方法及装置的示意性方案。需要说明的是,该资源分配方法及装置的技术方案与上述的资源分配方法或所述基于互联网的借贷方法的技术方案属于同一构思,该资源分配方法及装置的技术方案未详细描述的细节内容,均可以参见上述资源分配方法或所述基于互联网的借贷方法的技术方案的描述。
图10示出了根据本说明书一个实施例提供的一种计算设备1000的结构框图。该计算设备1000的部件包括但不限于存储器1010和处理器1020。处理器1020与存储器1010通过总线1030相连接,数据库1050用于保存数据。
计算设备1000还包括接入设备1040,接入设备1040使得计算设备1000能够经由一个或多个网络1060通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备1040可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备1000的上述部件以及图10中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图10所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备1000可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备1000还可以是移动式或静止式的服务器。
其中,处理器1020用于执行如下计算机可执行指令,所述处理器1020执行所述计算机可执行指令时实现所述资源分配方法以及所述基于互联网的借贷方法的步骤。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的资源分配方法或所述基于互联网的借贷方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述资源分配方法或所述基于互联网的借贷方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现所述资源分配方法以及所述基于互联网的借贷方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的资源分配方法或所述基于互联网的借贷方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述资源分配方法或所述基于互联网的借贷方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (41)
1.一种资源分配方法,应用于资源提供方,包括:
接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息;
将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合;
为所述目标用户集合中的每个目标用户匹配对应的资源管理方;
接收所述资源管理方发送的与对应的目标用户关联的资源管理凭证,为所述目标用户集合中的每个目标用户分配对应的资源。
2.根据权利要求1所述的资源分配方法,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型的训练方法包括:
所述多个第二训练参与方分别将基于本地训练数据训练得到的模型参数,发送至所述第一训练参与方,其中,所述本地训练数据包括本地用户的属性信息以及对应的风险标签;
所述第一训练参与方对所述多个第二训练参与方发送的模型参数进行整合,得到目标模型参数;
所述第一训练参与方基于所述目标模型参数对风险模型进行训练,得到所述风险模型。
3.根据权利要求2所述的资源分配方法,所述多个第二训练参与方分别将基于本地训练数据训练得到的模型参数包括:
所述第一训练参与方基于训练目标,确定初始风险模型以及所述初始风险模型的隐含层参数;
将所述初始风险模型以及所述初始风险模型的隐含层参数发送至所述多个第二训练参与方;
所述第二训练参与方基于所述初始风险模型以及所述初始风险模型的隐含层参数对所述本地训练数据进行训练,得到对应的模型参数。
4.根据权利要求1所述的资源分配方法,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型的训练方法包括:
多个第二训练参与方基于所述第一训练参与方的训练数据需求,分别获取本地的用户的属性信息和对应的风险标签;
多个第二训练参与方分别将获取的本地的用户的属性信息和对应的风险标签发送至所述第一训练参与方,形成所述第一训练参与方的训练数据;
所述第一训练参与方基于所述训练数据对初始风险模型进行训练,得到风险模型。
5.根据权利要求1所述的资源分配方法,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型的训练方法包括:
所述第一训练参与方获取训练样本集,其中,所述训练样本集中包括至少一个用户的属性信息以及对应的风险标签;
基于所述训练样本集对初始风险模型进行训练,得到第一风险模型;
将所述第一风险模型分别发送至所述多个第二训练参与方进行训练,获得所述多个第二训练参与方返回的多个模型参数;
根据所述多个模型参数对所述第一风险模型进行训练,得到所述风险模型。
6.根据权利要求5所述的资源分配方法,所述将所述第一风险模型分别发送至所述多个第二训练参与方进行训练包括:
将所述第一风险模型分别发送至所述多个第二训练参与方;
每个第二训练参与方均获取的本地用户的属性信息以及对应的风险标签,形成对应的训练数据;
基于每个第二训练参与方对应的训练数据对所述第一风险模型进行训练。
7.根据权利要求2或4或5所述的资源分配方法,所述方法,还包括:
所述第一训练参与方将所述风险模型分别发送至每个第二训练参与方。
8.根据权利要求2或4或5所述的资源分配方法,所述第一训练参与方包括云端服务器,所述第二训练参与方包括本地终端。
9.根据权利要求8所述的资源分配方法,所述将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合包括:
将所述至少一个用户的属性信息输入预先训练的风险模型,获得每个用户的属性信息对应的风险标签;
确定满足预设标签要求的目标风险标签,基于所述目标风险标签对应的用户的属性信息获取目标用户集合。
10.根据权利要求1所述的资源分配方法,所述接收至少一个用户的资源获取请求之前,还包括:
建立与所述资源管理方的关联关系,并接收所述资源管理方发送的保证资源。
11.根据权利要求10所述的资源分配方法,所述为所述目标用户集合中的每个目标用户匹配对应的资源管理方包括:
获取所述资源管理方的保证资源;
基于预设的保证资源与目标用户的数量之间的对应关系,为所述目标用户集合中的每个目标用户匹配对应的资源管理方。
12.根据权利要求10所述的资源分配方法,所述为所述目标用户集合中的每个目标用户分配对应的资源之后,还包括:
基于预设的时间间隔获取所述资源管理方的当前保证资源,以及与所述资源管理方对应的所有目标用户分配的总资源;
根据预设的资源表确定所述总资源大于所述资源管理方的当前保证资源对应的分配资源的情况下,接收所述资源管理方发送的补充保证资源;
其中,所述资源表包括所述资源管理方的保证资源与分配资源的对应关系。
13.根据权利要求1所述的资源分配方法,所述资源提供方包括第一资源提供方和第二资源提供方;
相应的,所述为所述目标用户集合中的每个目标用户分配对应的资源包括:
通过所述第一资源提供方和所述第二资源提供方为所述目标用户集合中的每个目标用户分配对应的资源。
14.根据权利要求13所述的资源分配方法,所述通过所述第一资源提供方和所述第二资源提供方为所述目标用户集合中的每个目标用户分配对应的资源包括:
通过所述第一资源提供方为所述目标用户集合中满足第一匹配条件的目标用户分配对应的资源;
通过所述第二资源提供方为所述目标用户集合中满足第二匹配条件的目标用户分配对应的资源。
15.根据权利要求10所述的资源分配方法,所述为所述目标用户集合中的每个目标用户分配对应的资源之后,还包括:
监控与所述资源管理方对应的目标用户针对分配的资源的返回行为;
若所述返回行为的执行时间大于预设资源返回时间,则基于所述返回行为的执行时间以及所述预设资源返回时间从所述资源管理方获取逾期资源。
16.根据权利要求10所述的资源分配方法,所述为所述目标用户集合中的每个目标用户分配对应的资源之后,还包括:
在预设时间段内接收与所述资源管理方对应的目标用户返回的资源;
在返回的资源与分配的资源相同的情况下,解除与所述资源管理方的关联关系,且向所述资源管理方返回保证资源。
17.根据权利要求16所述的资源分配方法,所述向所述资源管理方返回保证资源之后,还包括:
接收第三方平台针对所述资源管理方发送的目标资源。
18.一种资源分配装置,包括:
请求接收模块,被配置为接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息;
获得模块,被配置为将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合;
匹配模块,被配置为为所述目标用户集合中的每个目标用户匹配对应的资源管理方;
资源分配模块,被配置为接收所述资源管理方发送的与对应的目标用户关联的资源管理凭证,为所述目标用户集合中的每个目标用户分配对应的资源。
19.一种基于互联网的借贷方法,包括:
贷款提供方获取包括至少一个初始用户的初始用户集合;
所述贷款提供方将所述至少一个初始用户输入预先训练的风险模型,获得目标用户集合;
所述贷款提供方接收至少一个用户的贷款获取请求,在确定所述至少一个用户为所述目标用户集合中的目标用户的情况下,为所述目标用户匹配对应的担保方;
所述贷款提供方接收所述担保方发送的与对应的目标用户关联的担保协议,将所述目标用户请求获取的贷款发送至对应的目标用户。
20.根据权利要求19所述的基于互联网的借贷方法,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型的训练方法包括:
所述多个第二训练参与方分别将基于本地训练数据训练得到的模型参数,发送至所述第一训练参与方,其中,所述本地训练数据包括本地用户的属性信息以及对应的风险标签;
所述第一训练参与方对所述多个第二训练参与方发送的模型参数进行整合,得到目标模型参数;
所述第一训练参与方基于所述目标模型参数对风险模型进行训练,得到所述风险模型。
21.根据权利要求20所述的基于互联网的借贷方法,所述多个第二训练参与方分别将基于本地训练数据训练得到的模型参数包括:
所述第一训练参与方基于训练目标,确定初始风险模型以及所述初始风险模型的隐含层参数;
将所述初始风险模型以及所述初始风险模型的隐含层参数发送至所述多个第二训练参与方;
所述第二训练参与方基于所述初始风险模型以及所述初始风险模型的隐含层参数对所述本地训练数据进行训练,得到对应的模型参数。
22.根据权利要求19所述的基于互联网的借贷方法,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型的训练方法包括:
多个第二训练参与方基于所述第一训练参与方的训练数据需求,分别获取本地的用户的属性信息和对应的风险标签;
多个第二训练参与方分别将获取的本地的用户的属性信息和对应的风险标签发送至所述第一训练参与方,形成所述第一训练参与方的训练数据;
所述第一训练参与方基于所述训练数据对初始风险模型进行训练,得到风险模型。
23.根据权利要求19所述的基于互联网的借贷方法,所述风险模型利用第一训练参与方和多个第二训练参与方协同训练;
所述风险模型的训练方法包括:
所述第一训练参与方获取训练样本集,其中,所述训练样本集中包括至少一个用户的属性信息以及对应的风险标签;
基于所述训练样本集对初始风险模型进行训练,得到第一风险模型;
将所述第一风险模型分别发送至所述多个第二训练参与方进行训练,获得所述多个第二训练参与方返回的多个模型参数;
根据所述多个模型参数对所述第一风险模型进行训练,得到所述风险模型。
24.根据权利要求23所述的基于互联网的借贷方法,所述将所述第一风险模型分别发送至所述多个第二训练参与方进行训练包括:
将所述第一风险模型分别发送至所述多个第二训练参与方;
每个第二训练参与方均获取的本地用户的属性信息以及对应的风险标签,形成对应的训练数据;
基于每个第二训练参与方对应的训练数据对所述第一风险模型进行训练。
25.根据权利要求20或22或23所述的基于互联网的借贷方法,所述方法,还包括:
所述第一训练参与方将所述风险模型分别发送至每个第二训练参与方。
26.根据权利要求20或22或23所述的基于互联网的借贷方法,所述第一训练参与方包括云端服务器,所述第二训练参与方包括本地终端。
27.根据权利要求26所述的基于互联网的借贷方法,所述将所述至少一个初始用户输入预先训练的风险模型,获得目标用户集合包括:
所述贷款提供方将所述初始用户集合中的每个初始用户的属性信息输入预先训练的风险模型,获得每个初始用户的属性信息对应的风险标签;
所述贷款提供方确定满足预设标签要求的目标风险标签,基于所述目标风险标签对应的初始用户的属性信息获取目标用户集合。
28.根据权利要求19所述的基于互联网的借贷方法,所述接收至少一个用户的贷款获取请求之前,还包括:
所述贷款提供方建立与所述担保方的关联关系,并接收所述担保方发送的保证金。
29.根据权利要求28所述的基于互联网的借贷方法,所述为所述目标用户匹配对应的担保方包括:
所述贷款提供方获取所述担保方的保证金;
所述贷款提供方基于预设的保证金与目标用户的数量之间的对应关系,为所述目标用户匹配对应的担保方。
30.根据权利要求28所述的基于互联网的借贷方法,所述将所述目标用户请求获取的贷款发送至对应的目标用户之后,还包括:
所述贷款提供方基于预设的时间间隔获取所述担保方的当前保证金,以及与所述担保方对应的所有目标用户分配的总贷款;
根据预设的贷款表确定所述总贷款大于所述担保方的当前保证金对应的担保贷款的情况下,发送补充保证金请求,以及接收所述担保方发送的所述补充保证金;
其中,所述贷款表包括所述担保方的保证金与担保贷款对应关系。
31.根据权利要求19所述的基于互联网的借贷方法,所述贷款提供方包括第一贷款提供方和第二贷款提供方;
相应的,所述将所述目标用户请求获取的贷款发送至对应的目标用户包括:
所述第一贷款提供方和所述第二贷款提供方将所述目标用户请求获取的贷款发送至对应的目标用户。
32.根据权利要求31所述的基于互联网的借贷方法,所述第一贷款提供方和所述第二贷款提供方将所述目标用户请求获取的贷款发送至对应的目标用户包括:
所述第一贷款提供方将满足第一匹配条件的目标用户请求获取的贷款发送至对应的目标用户;
所述第二贷款提供方将满足第二匹配条件的目标用户请求获取的贷款发送至对应的目标用户。
33.根据权利要求28所述的基于互联网的借贷方法,所述将所述目标用户请求获取的贷款发送至对应的目标用户之后,还包括:
所述贷款提供方监控与所述担保方对应的目标用户的还贷行为;
若所述还贷行为的执行时间大于预设贷款返回时间,则所述贷款提供方基于所述还贷行为的执行时间以及所述预设贷款返回时间从所述担保方获取逾期贷款。
34.根据权利要求28所述的基于互联网的借贷方法,所述将所述目标用户请求获取的贷款发送至对应的目标用户之后,还包括:
所述贷款提供方在预设时间段内接收与所述担保方对应的目标用户返回的贷款;
在返回的贷款与分配的贷款金额相同的情况下,解除与所述担保方的关联关系,且向所述担保方返回保证金。
35.根据权利要求34所述的基于互联网的借贷方法,所述向所述担保方返回保证金之后,还包括:
所述担保方接收所述保证金,以及接收第三方奖励平台发放的奖励金。
36.一种基于互联网的借贷装置,包括:
初始用户获取模块,被配置为贷款提供方获取包括至少一个初始用户的初始用户集合;
目标用户获取模块,被配置为所述贷款提供方将所述至少一个初始用户输入预先训练的风险模型,获得目标用户集合;
贷款请求接收模块,被配置为所述贷款提供方接收至少一个用户的贷款获取请求,在确定所述至少一个用户为所述目标用户集合中的目标用户的情况下,为所述目标用户匹配对应的担保方;
贷款发送模块,被配置为所述贷款提供方接收所述担保方发送的与对应的目标用户关联的担保协议,将所述目标用户请求获取的贷款发送至对应的目标用户。
37.一种资源分配方法,包括:
接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息;
将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合;
在确定所述目标用户集合中的目标用户不满足资源管理方的预设匹配条件的情况下,为所述目标用户集合中的目标用户分配对应的资源。
38.根据权利要求37所述的资源分配方法,所述将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合之后,还包括:
在确定所述目标用户集合中的目标用户满足资源管理方的预设匹配条件的情况下,为所述目标用户集合中的目标用户匹配对应的资源管理方;
接收所述资源管理方发送的与对应的目标用户关联的资源管理凭证,为所述目标用户集合中的目标用户分配对应的资源。
39.一种资源分配装置,包括:
接收模块,被配置为接收至少一个用户的资源获取请求,其中,所述资源获取请求中携带有每个用户的属性信息;
训练模块,被配置为将所述至少一个用户的属性信息输入预先训练的风险模型,获得目标用户集合;
分配模块,被配置为在确定所述目标用户集合中的目标用户不满足资源管理方的预设匹配条件的情况下,为所述目标用户集合中的目标用户分配对应的资源。
40.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,其中,所述处理器执行所述计算机可执行指令时实现权利要求1-17或37-38任意一项所述资源分配方法或者权利要求19-35任意一项所述基于互联网的借贷方法的步骤。
41.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时权利要求1-17或37-38任意一项所述资源分配方法或者权利要求19-35任意一项所述基于互联网的借贷方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010699956.0A CN111833180A (zh) | 2020-07-17 | 2020-07-17 | 一种资源分配方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010699956.0A CN111833180A (zh) | 2020-07-17 | 2020-07-17 | 一种资源分配方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833180A true CN111833180A (zh) | 2020-10-27 |
Family
ID=72923072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010699956.0A Pending CN111833180A (zh) | 2020-07-17 | 2020-07-17 | 一种资源分配方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833180A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330367A (zh) * | 2020-11-13 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 虚拟资源分配方法、装置、系统、电子设备及存储介质 |
CN112990662A (zh) * | 2021-02-07 | 2021-06-18 | 支付宝(杭州)信息技术有限公司 | 目标资源确定方法及装置 |
CN113822524A (zh) * | 2021-07-13 | 2021-12-21 | 支付宝(杭州)信息技术有限公司 | 一种基于商品粒度的资源分配方法、装置以及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584043A (zh) * | 2018-10-25 | 2019-04-05 | 平安科技(深圳)有限公司 | 基于区块链的贷款数据处理方法、装置、设备及存储介质 |
CN110705177A (zh) * | 2019-09-29 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 基于机器学习的终端风险评估模型的生成方法及其系统 |
CN110827140A (zh) * | 2019-10-31 | 2020-02-21 | 辽宁振兴银行股份有限公司 | 一种基于智能合约的混合风控经济模型 |
CN111275491A (zh) * | 2020-01-21 | 2020-06-12 | 深圳前海微众银行股份有限公司 | 一种数据处理方法及装置 |
-
2020
- 2020-07-17 CN CN202010699956.0A patent/CN111833180A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584043A (zh) * | 2018-10-25 | 2019-04-05 | 平安科技(深圳)有限公司 | 基于区块链的贷款数据处理方法、装置、设备及存储介质 |
CN110705177A (zh) * | 2019-09-29 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 基于机器学习的终端风险评估模型的生成方法及其系统 |
CN110827140A (zh) * | 2019-10-31 | 2020-02-21 | 辽宁振兴银行股份有限公司 | 一种基于智能合约的混合风控经济模型 |
CN111275491A (zh) * | 2020-01-21 | 2020-06-12 | 深圳前海微众银行股份有限公司 | 一种数据处理方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330367A (zh) * | 2020-11-13 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 虚拟资源分配方法、装置、系统、电子设备及存储介质 |
CN112990662A (zh) * | 2021-02-07 | 2021-06-18 | 支付宝(杭州)信息技术有限公司 | 目标资源确定方法及装置 |
CN113822524A (zh) * | 2021-07-13 | 2021-12-21 | 支付宝(杭州)信息技术有限公司 | 一种基于商品粒度的资源分配方法、装置以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738844A (zh) | 基于区块链的资源分配系统、方法以及装置 | |
WO2020192272A1 (zh) | 基于区块链的转账方法、系统、计算设备及存储介质 | |
US20170161827A1 (en) | Enhanced transaction resolution techniques | |
CN111833179A (zh) | 资源分配平台、资源分配方法及装置 | |
US8504468B2 (en) | System and method for compiling information for resolving transactions | |
US8903741B2 (en) | Dynamic credit score alteration | |
US8694390B2 (en) | System and method for resolving transactions with lump sum payment capabilities | |
US8321339B2 (en) | System and method for resolving transactions with variable offer parameter selection capabilities | |
CN111833180A (zh) | 一种资源分配方法以及装置 | |
DE112013001379T5 (de) | Vorab-Zuordnung einer Händler-ID in einem System einer Kreditkartenverarbeitungseinheit durch einen Haupthändler | |
US12079879B2 (en) | Computer systems and software for self-executing code and distributed database | |
WO2011087914A2 (en) | System and method for resolving transactions employing optional benefit offers | |
CN115936824A (zh) | 基于区块链的资源处理方法以及装置 | |
CN115393074A (zh) | 一种融资方案的确定方法及相关设备 | |
CN114003879A (zh) | 资产代理方法、装置、电子设备以及存储介质 |
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 |