CN112017028B - 一种汇款路径推荐方法及装置 - Google Patents
一种汇款路径推荐方法及装置 Download PDFInfo
- Publication number
- CN112017028B CN112017028B CN202010884059.7A CN202010884059A CN112017028B CN 112017028 B CN112017028 B CN 112017028B CN 202010884059 A CN202010884059 A CN 202010884059A CN 112017028 B CN112017028 B CN 112017028B
- Authority
- CN
- China
- Prior art keywords
- remittance
- path
- money transfer
- information
- analysis model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012546 transfer Methods 0.000 claims abstract description 311
- 238000012549 training Methods 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 2
- 235000014466 Douglas bleu Nutrition 0.000 description 1
- 240000001416 Pseudotsuga menziesii Species 0.000 description 1
- 235000005386 Pseudotsuga menziesii var menziesii Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Technology Law (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种汇款路径推荐方法及装置,该方法包括:获取网点柜员基于柜员终端输入的客户的汇款请求;将汇款信息作为路径分析模型的输入,基于路径分析模型对汇款信息进行处理,输出推荐汇款路径,路径分析模型利用历史汇款信息进行训练得到,汇款路径包括汇款渠道;将推荐汇款路径反馈至网点柜员,以便于网点柜员基于推荐汇款路径执行相应的汇款操作。在本发明实施例中,不需要通过人工的经验进行汇款路径选择,可以通过预先构建的路径分析模型自动预测出与汇款信息对应的推荐汇款路径,从而提高汇款路径选择的准确性,进而提高客户的消费体验和网点柜员的服务效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种汇款路径推荐方法及装置。
背景技术
随着全球化的快速发展,跨境汇款交易业务的规模也在不断扩大。
目前,在进行跨境汇款交易时,常根据商业银行的网点柜员根据个人的经验代客选择汇款路径进行汇款,由于各渠道之间相互独立,客户汇款信息分散在不同的系统中,无法有效联动,导致汇款路径选择不准确。
有鉴于此,如何提高推荐汇款路径的准确性,是目前亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供一种汇款路径推荐方法及装置,以解决现有技术中汇款路径选择不准确,以及柜员的服务效率低的问题。
为实现上述目的,本发明实施例提供如下技术方案:
本发明实施例第一方面示出了一种汇款路径推荐方法,所述汇款路径推荐方法包括:
获取网点柜员基于柜员终端输入的客户的汇款请求,所述汇款请求携带有汇款信息;
将所述汇款信息作为路径分析模型的输入,基于所述路径分析模型对所述汇款信息进行处理,输出推荐汇款路径,所述路径分析模型利用历史汇款信息进行训练得到,所述汇款路径包括汇款渠道;
将所述推荐汇款路径反馈至所述网点柜员,以便于所述网点柜员基于所述推荐汇款路径执行相应的汇款操作。
可选的,所述采用历史汇款信息对大数据的机器学习模型进行训练得到所述路径分析模型的过程包括:
获取客户的历史汇款信息;
预处理所述客户的历史汇款信息,并提取所述历史汇款信息中的汇款特征数据;
对所述特征数据进行聚类训练,得到聚类结果,并构建初始路径分析模型,其中,所述聚类结果包括多个聚类簇;
分别度量多个聚类簇的评价指标,得到评价指标结果,所述评价指标结果用于指示每一指标的准确率和召回率;
基于所述评价指标结果,调整所述历史汇款信息的特征数据;
利用调整后的所述历史汇款信息的特征数据对所述初始路径分析模型进行训练学习,得到路径分析模型。
可选的,所述预处理所述客户的历史汇款信息,包括:
根据所述历史汇款信息中的汇款结果对汇款路径进行标记,所述标记包括有效路径标记和无效路径标记;
将所述有效路径标记的汇款路径,以及所述历史汇款信息中的汇款渠道、汇款到账时间和汇款中转费用信息进行存储。
可选的,还包括:
根据第一预设时间间隔获取网点柜员采纳所述推荐汇款路径的采纳次数;
根据所述采纳次数更新所述路径分析模型。
可选的,还包括:
获取根据市场动态变化规则调整后的汇款路径;
基于所述调整后的汇款路径确定历史汇款路径中由有效汇款路径变更为无效汇款路径的第一路径信息,以及由无效汇款路径变更为有效汇款路径的第二路径信息;
根据所述第一路径信息和所述第二路径信息更新所述路径分析模型。
可选的,所述将所述汇款信息作为路径分析模型的输入,基于所述路径分析模型对所述汇款信息进行处理,输出推荐汇款路径,包括:
提取所述汇款信息中的特征数据;
将所述汇款信息中的特征数据输入所述路径分析模型;
所述路径分析模型基于所述汇款信息中的特征数据确定对应的推荐汇款路径;
所述路径分析模型输出所述推荐汇款路径。
本发明实施例第二方面示出了一种汇款路径推荐装置,所述装置包括:
获取模块,用于获取网点柜员基于柜员终端输入的客户的汇款请求,所述汇款请求携带有汇款信息;
路径分析模型,用于将所述汇款信息作为路径分析模型的输入,基于所述路径分析模型对所述汇款信息进行处理,输出推荐汇款路径,所述路径分析模型通过构建模块利用历史汇款信息进行构建,所述汇款路径包括汇款渠道;
推荐模块,用于将所述推荐汇款路径反馈至所述网点柜员,以便于所述网点柜员基于所述推荐的汇款路径执行相应的汇款操作。
可选的,所述构建模块包括:
获取单元,用于获取客户的历史汇款信息;
预处理单元,用于预处理所述客户的历史汇款信息,并提取所述历史汇款信息中的汇款特征数据;
构建单元,用于对所述特征数据进行聚类训练,得到聚类结果,并构建初始路径分析模型,其中,所述聚类结果包括多个聚类簇;
度量单元,用于分别度量多个聚类簇的评价指标,得到评价指标结果,所述评价指标结果用于指示每一指标的准确率和召回率;
调整单元,用于基于所述评价指标结果,调整所述历史汇款信息的特征数据;
得到单元,用于利用调整后的所述历史汇款信息的特征数据对所述初始路径分析模型进行训练学习,得到路径分析模型。
可选的,还包括:
第一优化模块,用于根据第一预设时间间隔获取网点柜员采纳所述推荐汇款路径的采纳次数;根据所述采纳次数更新所述路径分析模型。
可选的,还包括:
第二优化模块,用于获取根据市场动态变化规则调整后的汇款路径;基于所述调整后的汇款路径确定历史汇款路径中由有效汇款路径变更为无效汇款路径的第一路径信息,以及由无效汇款路径变更为有效汇款路径的第二路径信息;根据所述第一路径信息和所述第二路径信息更新所述路径分析模型。
基于上述本发明实施例提供的一种汇款路径推荐方法及装置,该方法包括:获取网点柜员基于柜员终端输入的客户的汇款请求,汇款请求携带有汇款信息;将汇款信息作为路径分析模型的输入,基于路径分析模型对汇款信息进行处理,输出推荐汇款路径,路径分析模型利用历史汇款信息进行训练得到,汇款路径包括汇款渠道;将推荐汇款路径反馈至网点柜员,以便于网点柜员基于推荐汇款路径执行相应的汇款操作。在本发明实施例中,不需要通过人工的经验进行汇款路径选择,可以通过预先构建的路径分析模型自动预测出与汇款信息对应的推荐汇款路径,从而提高汇款路径选择的准确性,进而提高客户的消费体验和网点柜员的服务效率。
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为本发明实施例提供的多个柜员终端和服务器的应用架构图;
图2为本发明实施例提供的一种汇款路径推荐方法的流程示意图;
图3为本发明实施例提供的路径分析模型处理汇款信息的流程示意图;
图4本发明实施例提供的构建路径分析模型的流程示意图;
图5为本发明实施例提供的一种汇款路径推荐装置的结构示意图。
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。
在本申请中,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。
在本发明实施例中,不需要通过人工的经验进行汇款路径选择,可以通过预先构建的路径分析模型自动预测出与汇款信息对应的推荐汇款路径,从而提高汇款路径选择的准确性,进而提高客户的消费体验和网点柜员的服务效率。
如图1所示,为本发明提供的多个柜员终端和服务器的应用架构图。
多个柜员终端至少包括柜员终端11、柜员终端12、柜员终端13和柜员终端14。
基于该应用架构实现针对汇款路径推荐的处理过程包括:
网点柜员代替客户将客户待办理的汇款信息输入柜员终端11,其中,网点柜员也可以通过柜员终端12或柜员终端13等其他终端代替客户输入汇款信息,并通过柜员终端11提交携带有汇款信息的汇款请求至服务器15。
服务器15实时获取携带有汇款信息的汇款请求。
服务器15将汇款信息作为路径分析模型的输入,在路径分析模型中对汇款信息进行处理,得到推荐汇款路径。
服务器15将推荐汇款路径反馈给柜员终端11,以便于网点柜员基于推荐汇款路径执行相应的汇款操作。
需要说明的是,其他的网点柜员也可以通过其他的柜员终端执行代客选择汇款路径的操作。
在本发明实施例中,不需要通过人工的经验进行汇款路径选择,可以通过预先构建的路径分析模型自动预测出与汇款信息对应的推荐汇款路径,从而提高汇款路径选择的准确性,进而提高客户的消费体验和网点柜员的服务效率。
基于上述本发明实施例公开的应用架构,参见图2,为本发明实施例公开的一种汇款路径推荐方法的流程示意图,该汇款路径推荐方法包括:
步骤S201:获取网点柜员基于柜员终端输入的客户的汇款请求。
在步骤S201中,汇款请求携带有汇款信息。
需要说明的是,汇款信息至少包括汇款要求、汇款方、收款方、汇款币种、汇款金额、汇款账户、汇款姓名、收款账号和收款姓名等信息。
在具体实现步骤S201的过程中,获取基于柜员终端输入汇款要求、汇款方、收款方、汇款币种和汇款金额生成的汇款请求。
步骤S202:将汇款信息作为路径分析模型的输入,基于路径分析模型对汇款信息进行处理,输出推荐汇款路径。
在步骤S202中,路径分析模型利用历史汇款信息进行训练得到。汇款路径包括汇款渠道。
在具体实现步骤S202的过程中,将汇款要求、汇款方、收款方、汇款币种和汇款金额作为路径分析模型的输入,基于路径分析模型对汇款要求、汇款方、收款方、汇款币种和汇款金额进行处理,输出推荐汇款路径。
需要说明的是,汇款渠道是指银行汇款业务所使用的支付系统渠道,比如:环球同业银行金融电讯协会SWIFT渠道、中国人民银行第一代大额实时支付系统HVPS渠道或纽约清算所协会清算所银行间支付系统CHIPS渠道等。
汇款路径是指银行汇款业务中的汇款方发至收款方所经转的途径,比如:汇款路径A是选择SWIFT渠道从中国银行国内B分行到中国银行纽约C分行,最后转入美国花旗银行。
进一步,需要说明的是,不同的汇款渠道,和/或,不同的汇款信息所对应的汇款路径是不同的。
步骤S203:将推荐汇款路径反馈至网点柜员,以便于网点柜员基于推荐汇款路径执行相应的汇款操作。
在具体实现步骤S203的过程中,将路径分析模型输出的推荐汇款路径发送至柜员终端。
可选的,当柜员终端接收到推荐汇款路径时,使得网点柜员基于推荐汇款路径执行汇款信息对应的汇款交易,也就是说,柜员终端获取网点柜员基于推荐汇款路径输入的执行指令,并根据执行指令执行汇款信息对应的汇款交易,然后将采纳的推荐汇款路径进行记录,并累计采纳推荐汇款路径的采纳次数。
可选的,当柜员终端接收到推荐汇款路径时,若网点柜员基于柜员终端拒绝采纳推荐汇款路径,则将拒绝采纳的推荐汇款路径进行记录。
在本发明实施例中,获取网点柜员基于柜员终端输入的客户的汇款请求,汇款请求携带有汇款信息;将汇款信息作为路径分析模型的输入,基于路径分析模型对汇款信息进行处理,输出推荐汇款路径,路径分析模型利用历史汇款信息进行训练得到,汇款路径包括汇款渠道;将推荐汇款路径反馈至网点柜员,以便于网点柜员基于推荐汇款路径执行相应的汇款操作。可以看出,在本方案中,不需要通过人工的经验进行汇款路径选择,可以通过预先构建的路径分析模型自动预测出与汇款信息对应的推荐汇款路径,从而提高汇款路径选择的准确性,进而提高客户的消费体验和网点柜员的服务效率。
基于上述本发明实施例示出的汇款路径推荐方法,在执行步骤S202将所述汇款信息作为路径分析模型的输入,基于所述路径分析模型对所述汇款信息进行处理,输出推荐汇款路径,如图3所示,包括以下步骤:
步骤S301:提取汇款信息中的特征数据。
在具体实现步骤S301的过程中,提取汇款信息中的汇款要求、汇款方、收款方、汇款币种和汇款金额。
步骤S302:将汇款信息中的特征数据输入路径分析模型。
在具体实现步骤S302的过程中,将汇款要求、汇款方、收款方、汇款币种和汇款金额输入路径分析模型。
步骤S303:路径分析模型基于汇款信息中的特征数据确定对应的推荐汇款路径。
在具体实现步骤S303的过程中,路径分析模型基于汇款要求、汇款方、收款方、汇款币种和汇款金额确定与特征数据对应的聚类簇,并利用聚类簇确定与特征数据对应的推荐汇款路径。
步骤S304:路径分析模型输出推荐汇款路径。
在本发明实施例中,将汇款要求、汇款方、收款方、汇款币种和汇款金额输入路径分析模型,基于路径分析模型对汇款信息进行处理,输出推荐汇款路径,以便于后续将推荐汇款路径反馈至网点柜员。在本方案中,不需要通过人工的经验进行汇款路径选择,可以通过预先构建的路径分析模型自动预测出与汇款信息对应的推荐汇款路径,从而提高汇款路径选择的准确性,进而提高客户的消费体验和网点柜员的服务效率。
基于上述本发明实施例示出的汇款路径推荐方法,在执行步骤S202利用历史汇款信息进行训练,得到路径分析模型的构建过程,如图4所示,包括以下步骤:
步骤S401:获取客户的历史汇款信息。
在步骤S401中,历史汇款信息至少包括历史汇款交易对应的汇款渠道、汇款行、收款行、中转行、汇款到账时间、汇款中转费、汇款金额、汇款账户、汇款姓名、收款账号和收款姓名等。
需要说明的是,历史汇款信息是指历史所有汇款成功的客户的汇款数据。
在具体实现步骤S401的过程中,获取预设历史时间段内的历史汇款交易对应的汇款渠道、汇款行、收款行、中转行、汇款到账时间和汇款中转费。
其中,可根据银行数据库获取预设历史时间段内的历史汇款交易对应的汇款渠道、汇款行、收款行、中转行、汇款到账时间和汇款中转费。
需要说明的是,预设历史时间段是通过多次实验设定,也可以根据技术人员的经验进行设置,比如:可设置为3年。
步骤S402:预处理客户的历史汇款信息,并提取历史汇款信息中的汇款特征数据。
需要说明的是,汇款特征数据至少包括汇款路径、汇款渠道、汇款时效、汇款费用和汇款结果。
其中,汇款路径包括汇款行、收款行和中转行等。
在具体实现步骤S402的过程中,对客户的历史汇款信息进行预处理,并根据历史汇款信息提取历史汇款信息中的汇款路径、汇款渠道、汇款时效、汇款费用和汇款结果。
需要说明的是,汇款时效是指在一定时期内能够发生汇款的效应。
在本发明实施例中,步骤S402中涉及的对客户的历史汇款信息进行预处理的过程包括以下步骤:
步骤S11:根据历史汇款信息中的汇款结果对汇款路径进行标记。
在步骤S11中,标记包括有效路径标记和无效路径标记。
需要说明的是,汇款结果包括汇款成功结果和汇款结果。
在具体实现步骤S11的过程中,若汇款结果为汇款成功结果时,根据历史汇款信息中的汇款成功结果,对与该汇款成功结果对应的汇款路径进行有效路径标记;若汇款结果为汇款失败结果时,根据历史汇款信息中的汇款失败结果,对与该汇款失败结果对应的汇款路径进行无效路径标记,并将其丢弃。
步骤S12:将有效路径标记的汇款路径,以及历史汇款信息中的汇款渠道、汇款到账时间和汇款中转费用信息进行存储。
在具体实现步骤S12的过程中,提取历史汇款信息中的汇款渠道、汇款到账时间和汇款中转费用信息,并将历史汇款信息中的汇款渠道、汇款到账时间和汇款中转费用信息,及有效路径标记的汇款路径存入银行数据库。
步骤S403:对特征数据进行聚类训练,得到聚类结果,并构建初始路径分析模型。
在步骤S403中,聚类结果包括多个聚类簇。
需要说明的是,聚类训练是指利用无监督学习算法对特征数据进行训练。
在具体实现步骤S403的过程中,按照汇款路径的性质和规律,利用无监督学习算法对银行数据库中存储的特征数据进行训练,以划分成若干个不相交的聚类簇,即集合,并根据若干个不相交的聚类簇构建初始路径分析模型。
比如:可按照汇款路径中的汇款行和收款行的一致性,利用无监督学习算法对特征数据进行训练,以划分成多个聚类簇,并根据多个聚类簇构建初始路径分析模型。
其中,每个聚类簇中至少包括一个对象,即特征数据,且每个聚类簇内部的对象的相似度高,且不同的聚类簇之间的对象的相似度低。
需要说明的是,聚类结果是指训练得到的若干组聚类簇。
步骤S404:分别度量多个聚类簇的评价指标,得到评价指标结果。
在步骤S404中,评价指标结果用于指示每一指标的准确率和召回率。
为了确保每一聚类簇中的对象的相似度高,且不同的聚类簇之间的对象的相似度低,需要对每一聚类簇的准确率和召回率进行验证。具体的,对每一聚类簇中的对象进行聚类性度量,得到汇款时效对应的时效性指标的准确率和召回率,汇款费用对应的费用指标的准确率和召回率,以及汇款路径对应的路径有效性指标的准确率和召回率等。
步骤S405:基于评价指标结果,调整历史汇款信息的特征数据。
在具体实现步骤S405的过程中,基于汇款时效对应的时效性指标的准确率和召回率,汇款费用对应的费用指标的准确率和召回率,以及汇款路径对应的路径有效性指标的准确率和召回率,调整历史汇款信息的特征数据。
步骤S406:利用调整后的历史汇款信息的特征数据对初始路径分析模型进行训练学习,得到路径分析模型。
在具体实现步骤S406的过程中,按照汇款路径的性质和规律,利用无监督学习算法对调整后的特征数据对初始路径分析模型进行调整,得到路径分析模型,以使得每一聚类簇中的对象的相似度高,且不同的聚类簇之间的对象的相似度低。
在本发明实施例中,获取客户的历史汇款信息;通过对历史汇款信息进行预处理,并提取历史汇款信息中的汇款特征数据;对特征数据进行聚类训练,得到聚类结果,并构建初始路径分析模型,其中,聚类结果包括多个聚类簇。为了确保每一聚类簇中的对象的相似度高,且不同的聚类簇之间的对象的相似度低,需要对每一聚类簇的准确率和召回率进行验证,分别度量多个聚类簇的评价指标,得到评价指标结果;基于评价指标结果,调整历史汇款信息的特征数据;利用调整后的历史汇款信息的特征数据对所述初始路径分析模型进行训练学习,得到路径分析模型。在本方案中,通过构建的路径分析模型能够自动推荐汇款路径,从而提高汇款路径选择的准确性,进而提高客户的消费体验和网点柜员的服务效率。
可选的,在本发明实施例的一种实施例方式中,基于本发明上述示出的汇款路径推荐方法的基础上,还包括以下步骤:
步骤S21:根据第一预设时间间隔获取网点柜员采纳推荐汇款路径的采纳次数。
在具体实现步骤S21的过程中,根据第一预设时间间隔,获取累计的网点柜员采纳推荐汇款路径的采纳次数。
需要说明的是,第一预设时间间隔是根据技术人员的经验进行设置。
步骤S22:根据采纳次数更新路径分析模型。
在具体实现步骤S22的过程中,根据采纳次数,增加训练路径分析模型的特征数据,即业务特征数据;对业务特征数据进行聚类训练,优化路径分析模型。
需要说明的是,优化路径分析模型用于指示更新聚类结果。
在本发明实施例中,根据第一预设时间间隔获取网点柜员采纳推荐汇款路径的采纳次数,根据采纳次数增加训练路径分析模型的特征数据,对业务特征数据进行聚类训练,从而优化路径分析模型。能够增加路径分析模型预测的准确性。
可选的,在本发明实施例的另一种实施例方式中,基于本发明上述示出的汇款路径推荐方法的基础上,还包括以下步骤:
步骤S31:获取根据市场动态变化规则调整后的汇款路径。
需要说明的是,市场动态变化规则是根据市场变化实时获取的。
在具体实现步骤S31的过程中,根据市场动态变化规则调整历史汇款路径,并获取。
步骤S32:基于调整后的汇款路径确定历史汇款路径中由有效汇款路径变更为无效汇款路径的第一路径信息,以及由无效汇款路径变更为有效汇款路径的第二路径信息。
步骤S33:根据第一路径信息和第二路径信息更新路径分析模型。
在具体实现步骤S33的过程中,根据第一路径信息和第二路径信息更新历史汇款信息中的特征数据;对更新后的特征数据进行聚类训练,更迭路径分析模型。
可选的,在本发明实施例的又一种实施例方式中,除了获取根据市场动态变化规则调整后的汇款路径,还可以获取网点柜员录入的汇款成功的新汇款路径对应的汇款信息。并对第一路径信息、第二路径信息和新汇款路径对应的汇款信息进行聚类训练,更迭路径分析模型。
综上所述,由于根据市场动态变化规则调整后的汇款路径更新路径分析模型的更新方式比较单一,而根据市场动态变化规则调整后的汇款路径,和网点柜员录入的汇款成功的新汇款路径对应的汇款信息的更新方式比较多维,从而使得优化后的路径分析模型预测结果更准确。
在本发明实施例中,基于调整后的汇款路径确定历史汇款路径中由有效汇款路径变更为无效汇款路径的第一路径信息,以及由无效汇款路径变更为有效汇款路径的第二路径信息;根据第一路径信息和第二路径信息更新历史汇款信息中的特征数据;对更新后的特征数据进行聚类训练,更迭路径分析模型。能够增加路径分析模型预测的准确性。
为了更好的理解上述本发明实施例示出的汇款路径推荐方法,下面以一具体应用实例对柜员终端和服务器之间的数据传输过程进行解释说明。
假设汇款要求为速度到账,汇款方为A,收款方为B,汇款币种为Q币和汇款金额为3000欧,汇款账户为1111222233334444,汇款姓名为张三,收款账号为4444333322221111,收款姓名为李四。
柜员终端获取网点柜员a代替客户输入的汇款要求为速度到账,汇款方A,收款方B,汇款币种Q币和汇款金额3000欧,汇款账户1111222233334444,汇款姓名张三,收款账号4444333322221111,收款姓名李四。
服务器通过获取网点柜员a代替客户输入汇款要求为速度到账,汇款方A,收款方B,汇款币种Q币和汇款金额3000欧,汇款账户1111222233334444,汇款姓名张三,收款账号4444333322221111,收款姓名李四。
服务器提取汇款信息中的汇款方A,收款方B,汇款币种Q币和汇款金额3000欧。
服务器将汇款方A,收款方B,汇款币种Q币和汇款金额3000欧输入路径分析模型。路径分析模型基于汇款方A,收款方B,汇款币种Q币和汇款金额3000欧确定与特征数据对应的聚类簇G,并利用聚类簇确定与特征数据对应的推荐汇款路径F。路径分析模型输出推荐汇款路径F。
其中,推荐汇款路径F为选择HVPS渠道从汇款方A到中转行R,最后转入收款方B。
服务器将推荐汇款路径F发送至柜员终端。
当柜员终端接收到推荐汇款路径时,使得网点柜员基于推荐汇款路径F执行将汇款姓名为张三,账户1111222233334444中的汇款金额3000欧通过HVPS渠道从汇款方A到中转行R,最后转入收款方B旗下的收款姓名李四的收款账号4444333322221111。
在本发明实施例中,获取网点柜员基于柜员终端输入的客户的汇款请求,汇款请求携带有汇款信息;将汇款信息作为路径分析模型的输入,基于路径分析模型对汇款信息进行处理,输出推荐汇款路径,路径分析模型利用历史汇款信息进行训练得到,汇款路径包括汇款渠道;将推荐汇款路径反馈至网点柜员,以便于网点柜员基于推荐汇款路径执行相应的汇款操作。在本发明实施例中,不需要通过人工的经验进行汇款路径选择,可以通过预先构建的路径分析模型自动预测出与汇款信息对应的推荐汇款路径,从而提高汇款路径选择的准确性,进而提高客户的消费体验和网点柜员的服务效率。
与上述本发明实施例公开的汇款路径推荐方法相比,本发明实施例还对应公开了一种汇款路径推荐装置,如图5所示,为本发明实施例公开的一种汇款路径推荐装置的结构示意图,该汇款路径推荐装置包括:
获取模块501,用于获取网点柜员基于柜员终端输入的客户的汇款请求。
需要说明的是,汇款请求携带有汇款信息。
路径分析模型502,用于将汇款信息作为路径分析模型的输入,基于路径分析模型对汇款信息进行处理,输出推荐汇款路径。路径分析模型通过构建模块504利用历史汇款信息进行构建。
需要说明的是,汇款路径包括汇款渠道。
推荐模块503,用于将推荐汇款路径反馈至网点柜员,以便于网点柜员基于推荐的汇款路径执行相应的操作。
需要说明的是,上述本发明实施例公开的汇款路径推荐装置中的各个模块具体的原理和执行过程,与上述本发明实施的汇款路径推荐方法相同,可参见上述本发明实施例公开的汇款路径推荐方法中相应的部分,这里不再进行赘述。
在本发明实施例中,获取网点柜员基于柜员终端输入的客户的汇款请求,汇款请求携带有汇款信息;将汇款信息作为路径分析模型的输入,基于路径分析模型对汇款信息进行处理,输出推荐汇款路径,路径分析模型利用历史汇款信息进行训练得到,汇款路径包括汇款渠道;将推荐汇款路径反馈至网点柜员,以便于网点柜员基于推荐汇款路径执行相应的汇款操作。在方案中,不需要通过人工的经验进行汇款路径选择,可以通过预先构建的路径分析模型自动预测出与汇款信息对应的推荐汇款路径,从而提高汇款路径选择的准确性,进而提高客户的消费体验和网点柜员的服务效率。
基于上述本发明实施例示出的汇款路径推荐装置,构建模块504包括:
获取单元,用于获取客户的历史汇款信息。
预处理单元,用于预处理客户的历史汇款信息,并提取历史汇款信息中的汇款特征数据。
可选的,预处理单元具体用于:根据历史汇款信息中的汇款结果对汇款路径进行标记;将有效路径标记的汇款路径,以及历史汇款信息中的汇款渠道、汇款到账时间和汇款中转费用信息进行存储。
需要说明的是,标记包括有效路径标记和无效路径标记。
构建单元,用于对特征数据进行聚类训练,得到聚类结果,并构建初始路径分析模型。
需要说明的是,聚类结果包括多个聚类簇。
度量单元,用于分别度量多个聚类簇的评价指标,得到评价指标结果。
需要说明的是,评价指标结果用于指示每一指标的准确率和召回率。
调整单元,用于基于评价指标结果,调整历史汇款信息的特征数据。
得到单元,用于利用调整后的历史汇款信息的特征数据对初始路径分析模型进行训练学习,得到路径分析模型。
在本发明实施例中,获取客户的历史汇款信息;通过对历史汇款信息进行预处理,并提取历史汇款信息中的汇款特征数据;对特征数据进行聚类训练,得到聚类结果,并构建初始路径分析模型,其中,聚类结果包括多个聚类簇。为了确保每一聚类簇中的对象的相似度高,且不同的聚类簇之间的对象的相似度低,需要对每一聚类簇的准确率和召回率进行验证,分别度量多个聚类簇的评价指标,得到评价指标结果;基于评价指标结果,调整历史汇款信息的特征数据;利用调整后的历史汇款信息的特征数据对所述初始路径分析模型进行训练学习,得到路径分析模型。在本方案中,通过构建的路径分析模型能够自动推荐汇款路径,从而提高汇款路径选择的准确性,进而提高客户的消费体验和网点柜员的服务效率。
基于上述本发明实施例示出的汇款路径推荐装置,还包括:
第一优化模块,用于根据第一预设时间间隔获取网点柜员采纳所述推荐汇款路径的采纳次数;根据所述采纳次数更新所述路径分析模型。
在本发明实施例中,根据第一预设时间间隔获取网点柜员采纳推荐汇款路径的采纳次数,根据采纳次数增加训练路径分析模型的特征数据,对业务特征数据进行聚类训练,从而优化路径分析模型。能够增加路径分析模型预测的准确性。
基于上述本发明实施例示出的汇款路径推荐装置,还包括:
第二优化模块,用于获取根据市场动态变化规则调整后的汇款路径;基于调整后的汇款路径确定历史汇款路径中由有效汇款路径变更为无效汇款路径的第一路径信息,以及由无效汇款路径变更为有效汇款路径的第二路径信息;根据第一路径信息和第二路径信息更新路径分析模型。
在本发明实施例中,基于调整后的汇款路径确定历史汇款路径中由有效汇款路径变更为无效汇款路径的第一路径信息,以及由无效汇款路径变更为有效汇款路径的第二路径信息;根据第一路径信息和第二路径信息更新历史汇款信息中的特征数据;对更新后的特征数据进行聚类训练,更迭路径分析模型。能够增加路径分析模型预测的准确性。
基于上述本发明实施例示出的汇款路径推荐装置,该路径推荐模型具体用于:提取汇款信息中的特征数据;将汇款信息中的特征数据输入路径分析模型;路径分析模型基于汇款信息中的特征数据确定对应的推荐汇款路径;路径分析模型输出所述推荐汇款路径。
在本发明实施例中,将汇款要求、汇款方、收款方、汇款币种和汇款金额输入路径分析模型,基于路径分析模型对汇款信息进行处理,输出推荐汇款路径,以便于后续将推荐汇款路径反馈至网点柜员。在本方案中,不需要通过人工的经验进行选择,可以通过预先构建的路径分析模型自动预测出与汇款信息对应的推荐汇款路径,从而提高汇款路径选择的准确性,进而提高客户的消费体验和网点柜员的服务效率。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明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 (8)
1.一种汇款路径推荐方法,其特征在于,所述汇款路径推荐方法包括:
获取网点柜员基于柜员终端输入的客户的汇款请求,所述汇款请求携带有汇款信息;所述汇款信息包括汇款要求、汇款方、收款方、汇款币种和汇款金额;所述汇款要求包括速度到账;
将所述汇款信息作为路径分析模型的输入,基于所述路径分析模型对所述汇款信息进行处理,输出推荐汇款路径,所述路径分析模型利用历史汇款信息进行训练得到;所述汇款路径指的是银行汇款业务中的汇款方发至收款方的经传途径,包括汇款渠道和中转行;所述汇款渠道为银行汇款业务所使用的支付系统渠道,包括环球同业银行金融电讯协会SWIFT渠道、中国人民银行第一代大额实时支付系统HVPS渠道或纽约清算所协会清算所银行间支付系统CHIPS渠道;
将所述推荐汇款路径反馈至所述网点柜员,以便于所述网点柜员基于所述推荐汇款路径执行相应的汇款操作;
其中,采用历史汇款信息对大数据的机器学习模型进行训练得到所述路径分析模型的过程包括:
获取客户的历史汇款信息;所述历史汇款信息包括历史汇款交易对应的汇款渠道、汇款行、收款行、中转行、汇款到账时间和汇款中转费;
预处理所述客户的历史汇款信息,并提取所述历史汇款信息中的汇款特征数据;所述汇款特征数据至少包括汇款路径、汇款渠道、汇款时效、汇款费用和汇款结果;
对所述特征数据进行聚类训练,得到聚类结果,并构建初始路径分析模型,其中,所述聚类结果包括多个聚类簇;
分别度量多个聚类簇的评价指标,得到评价指标结果,所述评价指标结果用于指示每一指标的准确率和召回率;
基于所述评价指标结果,调整所述历史汇款信息的特征数据;
利用调整后的所述历史汇款信息的特征数据对所述初始路径分析模型进行训练学习,得到路径分析模型。
2.根据权利要求1所述的方法,其特征在于,所述预处理所述客户的历史汇款信息,包括:
根据所述历史汇款信息中的汇款结果对汇款路径进行标记,所述标记包括有效路径标记和无效路径标记;
将所述有效路径标记的汇款路径,以及所述历史汇款信息中的汇款渠道、汇款到账时间和汇款中转费用信息进行存储。
3.根据权利要求1所述的方法,其特征在于,还包括:
根据第一预设时间间隔获取网点柜员采纳所述推荐汇款路径的采纳次数;
根据所述采纳次数更新所述路径分析模型。
4.根据权利要求1所述的方法,其特征在于,还包括:
获取根据市场动态变化规则调整后的汇款路径;
基于所述调整后的汇款路径确定历史汇款路径中由有效汇款路径变更为无效汇款路径的第一路径信息,以及由无效汇款路径变更为有效汇款路径的第二路径信息;
根据所述第一路径信息和所述第二路径信息更新所述路径分析模型。
5.根据权利要求1所述的方法,其特征在于,所述将所述汇款信息作为路径分析模型的输入,基于所述路径分析模型对所述汇款信息进行处理,输出推荐汇款路径,包括:
提取所述汇款信息中的特征数据;
将所述汇款信息中的特征数据输入所述路径分析模型;
所述路径分析模型基于所述汇款信息中的特征数据确定对应的推荐汇款路径;
所述路径分析模型输出所述推荐汇款路径。
6.一种汇款路径推荐装置,其特征在于,所述装置包括:
获取模块,用于获取网点柜员基于柜员终端输入的客户的汇款请求,所述汇款请求携带有汇款信息;所述汇款信息包括汇款要求、汇款方、收款方、汇款币种和汇款金额;所述汇款要求包括速度到账;
路径分析模型,用于将所述汇款信息作为路径分析模型的输入,基于所述路径分析模型对所述汇款信息进行处理,输出推荐汇款路径,所述路径分析模型通过构建模块利用历史汇款信息进行构建;所述汇款路径指的是银行汇款业务中的汇款方发至收款方的经传途径,包括汇款渠道和中转行;所述汇款渠道为银行汇款业务所使用的支付系统渠道,包括环球同业银行金融电讯协会SWIFT渠道、中国人民银行第一代大额实时支付系统HVPS渠道或纽约清算所协会清算所银行间支付系统CHIPS渠道;
推荐模块,用于将所述推荐汇款路径反馈至所述网点柜员,以便于所述网点柜员基于所述推荐的汇款路径执行相应的汇款操作;
其中,所述构建模块包括:
获取单元,用于获取客户的历史汇款信息;所述历史汇款信息包括历史汇款交易对应的汇款渠道、汇款行、收款行、中转行、汇款到账时间和汇款中转费;
预处理单元,用于预处理所述客户的历史汇款信息,并提取所述历史汇款信息中的汇款特征数据;所述汇款特征数据至少包括汇款路径、汇款渠道、汇款时效、汇款费用和汇款结果;
构建单元,用于对所述特征数据进行聚类训练,得到聚类结果,并构建初始路径分析模型,其中,所述聚类结果包括多个聚类簇;
度量单元,用于分别度量多个聚类簇的评价指标,得到评价指标结果,所述评价指标结果用于指示每一指标的准确率和召回率;
调整单元,用于基于所述评价指标结果,调整所述历史汇款信息的特征数据;
得到单元,用于利用调整后的所述历史汇款信息的特征数据对所述初始路径分析模型进行训练学习,得到路径分析模型。
7.根据权利要求6所述的装置,其特征在于,还包括:
第一优化模块,用于根据第一预设时间间隔获取网点柜员采纳所述推荐汇款路径的采纳次数;根据所述采纳次数更新所述路径分析模型。
8.根据权利要求6所述的装置,其特征在于,还包括:
第二优化模块,用于获取根据市场动态变化规则调整后的汇款路径;基于所述调整后的汇款路径确定历史汇款路径中由有效汇款路径变更为无效汇款路径的第一路径信息,以及由无效汇款路径变更为有效汇款路径的第二路径信息;根据所述第一路径信息和所述第二路径信息更新所述路径分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010884059.7A CN112017028B (zh) | 2020-08-28 | 2020-08-28 | 一种汇款路径推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010884059.7A CN112017028B (zh) | 2020-08-28 | 2020-08-28 | 一种汇款路径推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112017028A CN112017028A (zh) | 2020-12-01 |
CN112017028B true CN112017028B (zh) | 2024-04-30 |
Family
ID=73503773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010884059.7A Active CN112017028B (zh) | 2020-08-28 | 2020-08-28 | 一种汇款路径推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112017028B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633895A (zh) * | 2021-01-05 | 2021-04-09 | 交通银行股份有限公司 | 银行线上网点业务数字货币交易的风险控制方法及系统 |
CN113450205A (zh) * | 2021-06-28 | 2021-09-28 | 中国工商银行股份有限公司 | 批量汇款最优汇款路径确定方法及装置 |
CN113592474A (zh) * | 2021-07-30 | 2021-11-02 | 中国工商银行股份有限公司 | 跨境汇款服务方式确定方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108650194A (zh) * | 2018-05-14 | 2018-10-12 | 南开大学 | 基于K_means和KNN融合算法的网络流量分类方法 |
CN108764863A (zh) * | 2018-05-24 | 2018-11-06 | 腾讯科技(深圳)有限公司 | 一种虚拟资源转移方法、装置、服务器和存储介质 |
CN109670797A (zh) * | 2018-09-11 | 2019-04-23 | 深圳平安财富宝投资咨询有限公司 | 支付路由选取方法、装置、设备及存储介质 |
CN110852503A (zh) * | 2019-11-06 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 一种支付渠道的选择方法和设备、支付渠道路由 |
CN111210215A (zh) * | 2020-01-13 | 2020-05-29 | 中国银行股份有限公司 | 一种银行支付路径选择的处理方法、装置及电子设备 |
CN111553790A (zh) * | 2020-04-29 | 2020-08-18 | 支付宝实验室(新加坡)有限公司 | 跨境汇款方法及装置、电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190340583A1 (en) * | 2018-05-02 | 2019-11-07 | SOURCE Ltd. | System and method for optimizing routing of a scheme of transactions over a computer network |
CA3046235A1 (en) * | 2018-06-11 | 2019-12-11 | Pungle Inc. | Systems and methods of transaction routing |
-
2020
- 2020-08-28 CN CN202010884059.7A patent/CN112017028B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108650194A (zh) * | 2018-05-14 | 2018-10-12 | 南开大学 | 基于K_means和KNN融合算法的网络流量分类方法 |
CN108764863A (zh) * | 2018-05-24 | 2018-11-06 | 腾讯科技(深圳)有限公司 | 一种虚拟资源转移方法、装置、服务器和存储介质 |
CN109670797A (zh) * | 2018-09-11 | 2019-04-23 | 深圳平安财富宝投资咨询有限公司 | 支付路由选取方法、装置、设备及存储介质 |
CN110852503A (zh) * | 2019-11-06 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 一种支付渠道的选择方法和设备、支付渠道路由 |
CN111210215A (zh) * | 2020-01-13 | 2020-05-29 | 中国银行股份有限公司 | 一种银行支付路径选择的处理方法、装置及电子设备 |
CN111553790A (zh) * | 2020-04-29 | 2020-08-18 | 支付宝实验室(新加坡)有限公司 | 跨境汇款方法及装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112017028A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112017028B (zh) | 一种汇款路径推荐方法及装置 | |
US7004382B2 (en) | Payment validation network | |
US20070124242A1 (en) | Funds transfer system | |
US20130204783A1 (en) | System and method for performing remote check presentment (rcp) transactions by a check cashing company | |
US20030130933A1 (en) | Method and apparatus for determining a customer's likelihood of paying off a financial account | |
CN106157007A (zh) | 一种交易币的应用平台及方法 | |
WO2022115081A1 (en) | A savings account management system | |
CN104899740A (zh) | 一种本地化的支票信息处理方法及支票信息处理系统 | |
KR20180023603A (ko) | 대출 중개 시스템 및 이에 이용되는 중개 서버 | |
CN111178994A (zh) | 一种电子银票全流程自动化智能风控贴现系统及贴现方法 | |
CN109461083A (zh) | 一种优惠汇率的确定方法及装置 | |
KR20160078933A (ko) | 통장 잔액을 기반으로 한 예금 서비스 방법 | |
KR20150094571A (ko) | 통장 잔액을 기반으로 한 예금 서비스 방법 | |
EP3540606B1 (en) | Product delivery system and method | |
CN113205404A (zh) | 跨境汇款成本估算模型建立方法、路径确定方法及装置 | |
KR20120132729A (ko) | Cms 기능을 이용한 송금 대행 서비스 방법 및 송금 대행 시스템 | |
JP2010079555A (ja) | 与信判定システム及び書類改竄判定方法 | |
CN111754325B (zh) | 一种业务数据的处理方法及系统 | |
CN113177785B (zh) | 基于收款省级集中的电力营销系统的电费管理方法及装置 | |
CN111738842B (zh) | 一种业务数据的处理方法及装置 | |
CN115170099B (zh) | 一种支付渠道确定方法及系统 | |
KR20180117086A (ko) | 거래 원장에 기반한 계정간 사회적 관계 도출 방법 및 그 장치와 그를 이용한 소셜 미디어 서비스 제공 방법 및 그 장치 | |
CN111127023A (zh) | 一种资产信息的处理方法、装置以及设备 | |
US20150046314A1 (en) | Computerized System for Trading | |
RU2718821C1 (ru) | Система и способ автоматизированной обработки данных о маркетинговых акциях |
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 |