CN112308710A - 贷款数据处理方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及数据处理技术，尤其涉及一种贷款数据处理方法、装置、设备及存储介质。该贷款数据处理方法包括接收目标客户触发的贷款推荐请求；其中，所述贷款推荐请求包括客户信息、贷款需求数据以及需求数据类型；采用与所述需求数据类型对应的提取方式，提取所述贷款需求数据中的多个需求实体信息；将所述客户信息输入至预先创建好的风控模型中进行处理，得到所述目标客户的信用评分；根据所述多个需求实体信息和所述信用评分，确定目标客户对应的推荐贷款模式；将所述推荐贷款模式对应的推荐贷款产品推荐给所述目标客户。本发明还涉及区块链领域，所述客户信息可存储于区块链中。该贷款数据处理方法可快速准确地推荐适合客户的贷款模式。

Description

贷款数据处理方法、装置、计算机设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种贷款数据处理方法、装置、计算机设备及存储介质。

背景技术

随着社会生活水平的快速提升和人们消费观念的快速升级，越来越多的人们通过贷款方式来提升自身的生活水平。目前，针对客户多样化的需求，企业推出了各种模式的贷款产品，但由于客户对于各贷款产品所掌握的知识有限，故无法快速获取到与自身情况相符合的贷款产品。

发明内容

本发明实施例提供一种贷款数据处理方法、装置、计算机设备及存储介质，以解决目前客户无法快速获取到与自身情况相符合的贷款产品的问题。

一种贷款数据处理方法，包括：

接收目标客户触发的贷款推荐请求；其中，所述贷款推荐请求包括客户信息、贷款需求数据以及需求数据类型；

采用与所述需求数据类型对应的提取方式，提取所述贷款需求数据中的多个需求实体信息；

将所述客户信息输入至预先创建好的风控模型中进行处理，得到所述目标客户的信用评分；

根据所述多个需求实体信息和所述信用评分，确定目标客户对应的推荐贷款模式；

将所述推荐贷款模式对应的推荐贷款产品推荐给所述目标客户。

一种贷款推荐装置，包括：

贷款推荐请求获取模块，用于接收目标客户触发的贷款推荐请求；其中，所述贷款推荐请求包括客户信息、贷款需求数据以及需求数据类型；

实体信息提取模块，用于采用与所述需求数据类型对应的提取方式，提取所述贷款需求数据中的多个需求实体信息；

信用评分获取模块，用于将所述客户信息输入至预先创建好的风控模型中进行处理，得到所述目标客户的信用评分；

推荐贷款模式确定模块，用于根据所述多个需求实体信息和所述信用评分，确定目标客户对应的推荐贷款模式；

贷款推荐模块，用于将所述推荐贷款模式对应的推荐贷款产品推荐给所述目标客户。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述贷款数据处理方法的步骤。

一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述贷款数据处理方法的步骤。

上述贷款数据处理方法、装置、计算机设备及存储介质中，通过获取贷款需求数据，以针对不同类型的贷款需求数据进行提取，提取多个实体信息，无需人工提取贷款需求数据，在贷款推荐需求量较大时，可有效提高业务人员的工作效率。然后，通过综合考虑信用评分以及客户的贷款需求这两个方面，以推荐适合客户的贷款模式，与一般传统通过训练神经网络模型相比，更加贴合实际，可在保证效率的同时保证准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中贷款数据处理方法的一应用环境示意图；

图2是本发明一实施例中贷款数据处理方法的一流程图；

图3是图2中步骤S204的一具体流程图；

图4是本发明一实施例中贷款数据处理方法的一流程图；

图5是图4中步骤S402的一具体流程图；

图6是本发明一实施例中贷款数据处理方法的一流程图；

图7是本发明一实施例中贷款数据处理方法的一流程图；

图8是本发明一实施例中贷款数据处理方法的一流程图；

图9是本发明一实施例中贷款推荐装置的一示意图；

图10是本发明一实施例中计算机设备的一示意图。

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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

该贷款数据处理方法可应用在如图1的应用环境中，其中，计算机设备通过网络与服务器进行通信。计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器来实现。

在一实施例中，如图2所示，提供一种贷款数据处理方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

S201：接收目标客户触发的贷款推荐请求；其中，贷款推荐请求包括客户信息、贷款需求数据以及需求数据类型。

具体地，本方法可应用在一种信贷业务系统中，以根据客户的客户信息进行智能推荐，无需客户对每个贷款产品进行了解，进而快速获取到与自身情况相符合的贷款产品。

其中，客户信息包括但不限于消费水平(例如每月收入)、之前是否有过贷款历史、是否逾期、工作行业、工作性质以及征信等级等。贷款需求数据为客户在贷款推荐界面中输入的贷款需求。该贷款需求包括但不限于贷款用途、最高额度以及还款期限。需求数据类型包括结构化需求数据以及非结构化需求数据。需要强调的是，为进一步保证上述客户信息的私密和安全性，上述客户信息还可以存储于一区块链的节点中。

进一步地，客户可通过预设的多个需求项进行选择，以得到结构化需求数据；或者，针对年龄较大的客户，为方便其输入贷款需求，还可通过预设的语音采集模块录入语音信息，以获取语音文本，该语音文本即为非结构化数据。

S202：采用与需求数据类型对应的提取方式，提取贷款需求数据中的多个需求实体信息。

其中，实体信息包括但不限于贷款用途、还款方式以及需求额度。可以理解地，若客户根据系统预设的多个需求项进行选择所得到的需求数据，即则认为该简历信息为标准结构化信息，可直接从结构化信息中通过结构化数据提取函数(如JsonPath提取)提取多个实体信息，无需通过自然语言处理技术(NLP)进行提取。

若需求数据为客户通过预设的语音采集模块录入的语音文本所得到的，由于该语音文本是针对语音信息转换所得到的，儿由于不同人的说话方式不同，认为该数据类型对应的贷款需求数据属于非标准结构化信息，故可采用自然语言处理技术(NLP)进行语义分析，以提取该简历信息中的多个实体信息。其中，NLP(Natural Language Processing，自然语言处理)是计算机以一种聪明而有用的方式分析、理解和从人类语言中获取意义的一种方式，通过NLP技术可实现文本的结构化提取。本实施例中通过预先创建多个实体类型，以基于NLP技术，采用多条标注好的语料数据训练模型，使模型具备实体识别能力，进而实现从贷款需求数据中提取多个实体信息的目的。本实施例中，通过获取贷款需求数据，以针对不同类型的贷款需求数据进行提取，提取多个实体信息，无需人工提取贷款需求数据，在贷款推荐需求量较大时，可有效提高业务人员的工作效率。

S203：将客户信息输入至预先创建好的风控模型中进行处理，得到目标客户的信用评分。

其中，风控模型为预先通过客户信息与标注的信用评分作为训练数据进行训练所得到的，用于分析目标客户的信用评分。具体地，将客户信息输入至预先创建的风控模型中进行非线性变化处理，得到目标客户的信用评分。

S204：根据多个需求实体信息和信用评分，确定目标客户对应的推荐贷款模式。

其中，该推荐贷款模式包括但不限于快速贷款模式和普通贷款模式。具体地，不同的推荐贷款模式对应的贷款条件不同，该贷款条件包括但不限于贷款用途、最高额度以及还款期限等维度。

具体地，通过将多个需求信息多个需求实体信息和信用评分，确定目标客户对应的推荐贷款模式，即当信用评分满足第一预设评分阈值且多个需求实体信息满足快速贷款模式的贷款条件，则确定目标客户对应的推荐贷款模式为快速贷款模式；当信用评分满足第二预设评分阈值且多个需求实体信息满足普通贷款模式的贷款条件，则确定标客户对应的推荐贷款模式为普通贷款模式。该第一预设评分阈值大于第二预设评分阈值，由于普通贷款模式需要进行进行贷款申请材料审核的等复杂流程，以规避风险，故该模式下的信用评分相对较低，而快速贷款模式下无需进行繁琐的贷款申请材料审核的等流程，故该模式下的信用评分相对较高，以默认信用评分较高的用户更适合快速贷款模式，节省时间。

S205：将推荐贷款模式对应的推荐贷款产品推荐给目标客户。

具体地，不同的贷款模式对应的信贷产品不同，通过确定客户所适合的推荐贷款模式，以便将该推荐贷款模式对应的多个推荐贷款产品推荐给客户。

进一步地，也可在目标客户对应的应用程序界面中按照不同贷款产品对应的产品授信额度按照从大到小的顺序进行显示，以供用户选择。

本实施例中，通过获取贷款需求数据，以针对不同类型的贷款需求数据进行提取，提取多个实体信息，无需人工提取贷款需求数据，在贷款推荐需求量较大时，可有效提高业务人员的工作效率。然后，通过综合考虑信用评分以及客户的贷款需求这两个方面，以推荐适合客户的贷款模式，与一般传统通过训练神经网络模型相比，更加贴合实际，可在保证效率的同时保证准确率。

在一实施例中，如图3所示，步骤S204中，即根据多个需求实体信息和信用评分，确定目标客户对应的推荐贷款模式，具体包括如下步骤：

S301：当信用评分满足第一预设评分阈值且多个需求实体信息满足快速贷款模式的贷款条件，则确定目标客户对应的推荐贷款模式为快速贷款模式。

S302：当信用评分满足第二预设评分阈值且多个需求实体信息满足普通贷款模式的贷款条件，则确定标客户对应的推荐贷款模式为普通贷款模式。

其中，第一预设评分阈值为预先设定的用于判断客户是否适合快速贷款模式的信用评分阈值。第二评分阈值为预先设定的用于判断客户是否适合普通贷款模式的信用评分阈值。可以理解地，由于快速贷款模式的审核周期短，故对该模式下的信用评分要求较高，而普通贷款模式的审核周期长，故对该模式下的相比较快速贷款模式的信用评分要求较低，因此本实施例中该第二预设评分阈值大于第一预设评分阈值。

示例性地，对于快速贷款模式(即为随借随还模式)来说，该贷款条件包括贷款用途为短期资金周转、最高额度相对较小、还款期限相对较短；而对于普通贷款模式，该贷款条件包括：贷款用途可为房贷或车贷等、最高额度相对较高且还款期限相对较长。需要说明的是，本实施例中所描述的相对概念是针对普通贷款模式以及快速贷款模式进行说明。

具体地，由于传统的贷款推荐，一般通过历史数据进行深度挖掘客户所适合的贷款模式，不同的客户当下的需求不同以及客户信息的多样化，导致该种推荐方式的泛化性以及准确性无法保证。而本实施例中，通过综合考虑信用评分以及客户的贷款需求这两个方面，以推荐适合客户的贷款模式，与一般传统通过训练神经网络模型相比，更加贴合实际，可在保证效率的同时保证准确率。

在一实施例中，目标客户对应一初始授信额度；如图4所示，步骤S205之后中，该贷款数据处理方法还包括如下步骤：

S401：在快速借款模式下，接收目标客户基于贷款交易平台触发的放款请求；其中，放款请求包括目标贷款产品对应的待交易信息；待交易信息包括一贷款需求额度。

其中，贷款交易平台是供客户发起贷款和还款的贷款交易平台。待交易信息包括但不限于交易标识以及贷款需求额度。交易标识用于唯一识别贷款交易，防止多次发起贷款交易，导致出现额度管理漏洞。贷款需求额度即本次交易所需的贷款的额度。初始授信额度是根据客户的信用评分所确定的可供客户使用的授信额度，例如100000。

可以理解地，快速贷款模式可允许目标客户在一授信期限内随时发起借贷请求以及还款请求。而普通贷款模式则是指确定目标客户的信用额度后，直接一次性放款的，并按期还款的模式。故不同的模式对应的放款流程不同，此处以快速贷款模式为例进行说明。具体地，当目标客户在该贷款交易平台中发起目标贷款产品的借贷请求时，该贷款交易平台会进行初步审核，例如审核该目标客户是否已注册、是否具有授信额度等，当审核通过后，会发送一放款请求，以使服务器接收该放款请求。

S402：当初始授信额度的额度动用状态为可用状态时，则调用借贷校验接口对待交易信息进行校验，得到校验结果，并将校验结果发送给贷款交易平台。

具体地，当初始授信额度的额度动用状态为可用状态时，则认为该目标客户的授信额度可被使用，则调用借贷校验接口对待交易信息进行校验，得到检验结果，以便进一步确定该贷款需求额度是否可成功动用。

S403：当校验结果为通过，则接收贷款交易平台反馈的放款数据；其中，放款数据包括放款结果。

S404：当放款结果为放款成功且贷款需求额度等于初始授信额度，则更新额度动用状态为不可用状态，并将初始授信额度与贷款需求额度的差值作为剩余授信额度。

具体地，若校验结果为不通过，则不允许贷款交易平台放款；若校验结果为通过，则允许贷款交易平台放款，并接收贷款交易平台反馈的放款数据，该放款数据包括放款结果，当放款结果为放款成功且贷款需求额度等于初始授信额度，认为无可用额度，则更新额度动用状态为不可用状态，并将初始授信额度与需求额度的差值作为剩余授信额度，即0。

S405：接收贷款交易平台反馈的目标客户的还款数据；其中，还款数据包括还款结果以及还款金额。

S406：当还款结果为还款成功，则更新额度动用状态为可用状态，将剩余授信额度与还款金额的和作为剩余授信额度，以更新剩余授信额度。

示例性地，若贷款需求额度为8000、初始授信额度为8000，则贷款需求额度等于初始授信额度，则认为该客户的额度全部被使用，更新额度动用状态为不可用状态，剩余授信额度为0，则当再次接收放款请求时可直接返回校验失败的结果。进一步地，当客户还款成功，则回复客户的授信额度，可再次发起借款，即若还款金额为3000，则更新剩余授信额度即0+3000＝3000。

本实施例中，由于该快速借贷模式已确认了目标客户的信用评分较高，信用风险较低，故无需进行提交贷款申请材料，并等待长时间的审核流程，借贷流程简单，当还款成功后，还可再次通过监控贷款交易平台发起贷款请求，实现随借随换、循环动用。

在一实施例中，如图5所示，步骤S402中，即调用借贷校验接口对待交易信息进行校验，得到校验结果中，具体包括如下步骤：

S501：判断目标客户对应的初始授信额度中的贷款需求额度是否处于占用状态。

S502：若处于占用状态，则判断目标客户对应的初始授信额度中的贷款需求额度是否未动用。

S503：若未动用，则将待交易信息记录至预先创建好的额度支用信息表中，得到校验成功的校验结果。

其中，额度支用信息表是用于保存目标客户每次动用额度时的相关交易数据，例如，动用日期、动用额度、还款日期等。通过创建该额度支用信息表以保证客户的每次交易都有迹可循。

具体地，由于客户可在授信额度内可申请不同的贷款产品，而由于当用户在发起多个贷款产品的贷款请求时，由于不同的交易间存在时间差，若该贷款标识对应的贷款需求额度未处于占用状态，则该部分额度该部分额度会出现被目标客户发起的其他交易所使用，造成额度溢出的风险；若该贷款标识对应的贷款需求额度处于占用状态，则认为该部分额度已被锁定，则返回校验不通过的结果。当目标客户对应的初始授信额度中的贷款需求额度为已占用状态，则进一步判断初始授信维度中的该部分额度(即贷款需求额度)是否未动用，即该贷款需求额度是否被其他贷款产品所使用，以避免出现交叉使用的风险；如不是，则证明该部分被占用的贷款需求额度可被动用，则将待交易信息记录至预先创建好的额度支用信息表中，得到校验成功的校验结果。

示例性地，假设当前的初始授信额度为8000，当用户申请使用5000的贷款需求额度，则首先需要判断该初始授信额度中，是否有5000的额度是处于被占用状态，若有，则认为该额度是被占用了，不会出现该5000在本次交易中还未被动用时，被同时发起的其他贷款产品的贷款交易所动用，且由于不同的交易间存在时间差，故通过判断该部分额度的占用状态，可有效避免该部分额度被目标客户发起的其他贷款交易所使用，造成额度溢出的风险。

本实施例中，通过对贷款需求额度的占用状态以及动用状态的结合验证，以有效规避额度溢出以及交叉使用的风险。

在一实施例中，放款数据包括目标贷款产品对应的已交易信息和放款结果；如图6所示，步骤S403之后，该贷款数据处理方法还包括如下步骤：

S601：当放款结果为放款成功时，则获取额度支用信息表中目标贷款产品对应的待交易信息，判断待交易信息和已交易信息是否一致。

具体地，当放款结果为放款成功时，则获取额度支用信息表中目标贷款产品对应的待交易信息，并判断待交易信息和已交易信息是否一致，如已放款额度与贷款需求额度是否一致、交易标识是否一致，等等。

S602：若一致，则更新预先创建好的贷款支用合同表中目标贷款产品对应的额度动用合同的合同状态。

其中，合同状态包括已动用或未动用状态。该贷款支用合同表中存储有多个贷款产品对应的额度动用合同，每一额度动用合同中可包括客户信息、额度动用日期、已动用额度以及还款日期等。

本实施例中，对于用户所申请的不同贷款产品可创建对应的额度动用合同，该申请合同可作为一凭证存储于区块链中，保证客户每一笔交易的真实可靠性，防止数据篡改。

在一实施例中，如图7所示，步骤S602之后，该贷款数据处理方法还包括如下步骤：

S701：按照预设信息字段从贷款支用合同表中获取每一预设信息字段对应的属性值，生成目标客户的账户数据。

S702：将通过异步调用预先创建的同步接口，同步账户数据给多个第三方系统。

其中，账户数据包括额度动用日期、已动用额度、还款日期等。预设信息字段包括但不限于预设字段，如客户标识、账户创建日期、贷款产品、额度使用日期等。该第三方系统包括但不限与客户行为分析系统、大数据系统等。本实施例中，通过异步调用预先创建的同步接口，以将同步账户数据至多个第三系统，以实现不同系统间的数据共享。可以理解地，通过异步调用的方式可以等多次调用的结果(如同步结果)出来后，再统一返回一次结果集合，可有效提高响应效率。

本实施例中，通过异步调用预先创建的同步接口，以将同步账户数据至多个第三系统，以实现不同系统间的数据共享。

在一实施例中，如图8所示，步骤S205之后，该贷款数据处理方法还包括如下步骤：

S801：获取贷款问题咨询请求；其中，贷款问题咨询请求包括一咨询数据类型和咨询问题。

S802：当咨询数据类型为语音类型时，则调用语音识别接口识别咨询问题，得到对应的问题文本。

其中，咨询数据类型可为语音类型或文本类型，如是语音类型则需要调用语音识别接口识别咨询问题，得到对应的文本数据即问题文本。

S803：对问题文本进行智能分类，确定问题文本的问题类型。

具体地，数据库中会预先存储有历史问答数据，该历史问答数据包括客户问题以及对应的问题类型。通过预先对历史问答数据进行分词，得到多个词元，再将进行数值化处理，得到向量化表示的第一特征向量；将问题文本进行相同处理，得到问题文本对应的第二特征向量，然后，对第一特征向量和第二特征向量进行特征相似度对比，将与第二特征向量相似的第一特征向量对应的问题类型作为问题文本的问题类型。

S804：根据问题类型，查询数据库，得到问题类型对应的目标答案。

具体地，由于目前应用程序一般采用机器智能回答客户所选择的预设问题，这种方式对于对于自身所要询问的贷款问题无法准确判断是都属于哪一问题类型的客户来说，则无法进行准确问答。故本实施例中的贷款系统还增加一问题处理机制，即将客户输入的咨询问题进行智能分类，以便确定该客户的所咨询的问题类型，再根据根据问题类型，查询数据库，得到问题类型对应的目标答案，保证智能问答的泛化性。

本实施例中，通过增加智能问答的补偿机制，即客户在不知道实际问题类型的情况下，可根据客户的描述进行智能分类，实现贷款流程的全自动化。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种贷款推荐装置，该贷款推荐装置与上述实施例中贷款数据处理方法一一对应。如图10所示，该贷款推荐装置包括证书更新贷款推荐请求获取模块10、实体信息提取模块20、信用评分获取模块30、推荐贷款模式确定模块40和贷款推荐模块50。各功能模块详细说明如下：

贷款推荐请求获取模块10，用于接收目标客户触发的贷款推荐请求；其中，贷款推荐请求包括客户信息、贷款需求数据以及需求数据类型。

实体信息提取模块20，用于采用与需求数据类型对应的提取方式，提取贷款需求数据中的多个需求实体信息。

信用评分获取模块30，用于将客户信息输入至预先创建好的风控模型中进行处理，得到目标客户的信用评分。

推荐贷款模式确定模块40，用于根据多个需求实体信息和信用评分，确定目标客户对应的推荐贷款模式。

贷款推荐模块50，用于将推荐贷款模式对应的推荐贷款产品推荐给目标客户。

具体地，推荐贷款模式确定模块包括第一模式推荐模块和第二模式推荐模块。

第一模式推荐模块，用于当信用评分满足第一预设评分阈值且多个需求实体信息满足快速贷款模式的贷款条件，则确定目标客户对应的推荐贷款模式为快速贷款模式。

第二模式推荐模块，用于当信用评分满足第二预设评分阈值且多个需求实体信息满足普通贷款模式的贷款条件，则确定标客户对应的推荐贷款模式为普通贷款模式。

具体地，目标客户对应一初始授信额度；该贷款数据处理装置还包括放款请求接收模块、校验模块、放款数据接收模块、额度动用状态更新模块、还款数据接收模块以及剩余授信额度更新模块。

放款请求接收模块，用于在快速借款模式下，接收目标客户基于贷款交易平台触发的放款请求；其中，放款请求包括目标贷款产品对应的待交易信息；待交易信息包括一贷款需求额度。

校验模块，用于当初始授信额度的额度动用状态为可用状态时，则调用借贷校验接口对待交易信息进行校验，得到校验结果，并将校验结果发送给贷款交易平台。

放款数据接收模块，用于当校验结果为通过，则接收贷款交易平台反馈的放款数据；其中，放款数据包括放款结果。

额度动用状态更新模块，用于当放款结果为放款成功且贷款需求额度等于初始授信额度，则更新额度动用状态为不可用状态，并将初始授信额度与贷款需求额度的差值作为剩余授信额度。

还款数据接收模块，用于接收贷款交易平台反馈的目标客户的还款数据；其中，还款数据包括还款结果以及还款金额。

剩余授信额度更新模块，用于当还款结果为还款成功，则更新额度动用状态为可用状态，将剩余授信额度与还款金额的和作为剩余授信额度，以更新剩余授信额度。

具体地，校验模块包括占用状态判断单元、动用状态判断单元和检验结果获取单元。

占用状态判断单元，用于判断目标客户对应的初始授信额度中的贷款需求额度是否处于占用状态。

动用状态判断单元，用于若处于占用状态，则判断目标客户对应的初始授信额度中的贷款需求额度是否未动用。

检验结果获取单元，用于若未动用，则将待交易信息记录至预先创建好的额度支用信息表中，得到校验成功的校验结果。

具体地，放款数据包括目标贷款产品对应的已交易信息和放款结果；该贷款数据处理装置还包括交易信息验证模块和合同状态更新模块。

交易信息验证模块，用于当放款结果为放款成功时，则获取额度支用信息表中目标贷款产品对应的待交易信息，判断待交易信息和已交易信息是否一致。

合同状态更新模块，用于若一致，则更新预先创建好的贷款支用合同表中目标贷款产品对应的额度动用合同的合同状态。

具体地，该贷款数据处理装置还包括账户数据生成模块和数据同步模块。

账户数据生成模，用于按照预设信息字段从贷款支用合同表中获取每一预设信息字段对应的属性值，生成目标客户的账户数据。

数据同步模块，用于通过异步调用预先创建的同步接口，同步账户数据给多个第三方系统。

具体地，该贷款数据处理装置还包括贷款咨询模块、问题文本获取模块、智能分类模块和目标答案获取模块。

贷款咨询模块，用于获取贷款问题咨询请求；其中，贷款问题咨询请求包括一咨询数据类型和咨询问题。

问题文本获取模块，用于当咨询数据类型为语音类型时，则调用语音识别接口识别咨询问题，得到对应的问题文本。

智能分类模块，用于对问题文本进行智能分类，确定问题文本的问题类型。

目标答案获取模块，用于根据问题类型，查询数据库，得到问题类型对应的目标答案。

关于贷款推荐装置的具体限定可以参见上文中对于贷款数据处理方法的限定，在此不再赘述。上述贷款推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括计算机存储介质、内存储器。该计算机存储介质存储有操作系统、计算机程序和数据库。该内存储器为计算机存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行贷款数据处理方法过程中生成或获取的数据，如账户数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种贷款数据处理方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中的贷款数据处理方法的步骤，例如图2所示的步骤S201-S205，或者图3至图8中所示的步骤。或者，处理器执行计算机程序时实现贷款推荐装置这一实施例中的各模块/单元的功能，例如图9所示的各模块/单元的功能，为避免重复，这里不再赘述。

在一实施例中，提供一计算机存储介质，该计算机存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中贷款数据处理方法的步骤，例如图2所示的步骤S201-S205，或者图3至图8中所示的步骤，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现上述贷款推荐装置这一实施例中的各模块/单元的功能，例如图9所示的各模块/单元的功能，为避免重复，这里不再赘述。

本发明所指数据处理是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。数据处理(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。数据处理可以包括数据处理底层平台、平台产品服务层以及应用服务层等。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种贷款数据处理方法，其特征在于，包括：

接收目标客户触发的贷款推荐请求；其中，所述贷款推荐请求包括客户信息、贷款需求数据以及需求数据类型；

采用与所述需求数据类型对应的提取方式，提取所述贷款需求数据中的多个需求实体信息；

将所述客户信息输入至预先创建好的风控模型中进行处理，得到所述目标客户的信用评分；

根据所述多个需求实体信息和所述信用评分，确定目标客户对应的推荐贷款模式；

将所述推荐贷款模式对应的推荐贷款产品推荐给所述目标客户。

2.如权利要求1所述贷款数据处理方法，其特征在于，所述根据所述多个需求实体信息和所述信用评分，确定目标客户对应的推荐贷款模式，包括：

当所述信用评分满足第一预设评分阈值且所述多个需求实体信息满足快速贷款模式的贷款条件，则确定所述目标客户对应的推荐贷款模式为所述快速贷款模式；

当所述信用评分满足第二预设评分阈值且所述多个需求实体信息满足普通贷款模式的贷款条件，则确定所述标客户对应的推荐贷款模式为所述普通贷款模式。

3.如权利要求2所述贷款数据处理方法，其特征在于，所述目标客户对应一初始授信额度；在所述将所述推荐贷款模式对应的推荐贷款产品推荐给所述目标客户之后，所述贷款数据处理方法还包括：

在所述快速借款模式下，接收所述目标客户基于贷款交易平台触发的放款请求；其中，所述放款请求包括目标贷款产品对应的待交易信息；所述待交易信息包括一贷款需求额度；

当初始授信额度的额度动用状态为可用状态时，则调用借贷校验接口对所述待交易信息进行校验，得到校验结果，并将所述校验结果发送给所述贷款交易平台；

当所述校验结果为通过，则接收所述贷款交易平台反馈的放款数据；其中，所述放款数据包括放款结果；

当所述放款结果为放款成功且所述贷款需求额度等于所述初始授信额度，则更新所述额度动用状态为不可用状态，并将所述初始授信额度与所述贷款需求额度的差值作为剩余授信额度；

接收所述贷款交易平台反馈的所述目标客户的还款数据；其中，所述还款数据包括还款结果以及还款金额；

当所述还款结果为还款成功，则更新所述额度动用状态为可用状态，将所述剩余授信额度与所述还款金额的和作为所述剩余授信额度，以更新所述剩余授信额度。

4.如权利要求3所述贷款数据处理方法，其特征在于，所述调用借贷校验接口对所述待交易信息进行校验，得到校验结果，包括：

判断所述目标客户对应的初始授信额度中的所述贷款需求额度是否处于占用状态；

若处于占用状态，则判断所述目标客户对应的初始授信额度中的所述贷款需求额度是否未动用；

若未动用，则将所述待交易信息记录至预先创建好的额度支用信息表中，得到校验成功的校验结果。

5.如权利要求4所述贷款数据处理方法，其特征在于，所述放款数据包括所述目标贷款产品对应的已交易信息和放款结果；在所述接收所述贷款交易平台反馈的放款数据之后，所述贷款数据处理方法还包括：

当所述放款结果为放款成功时，则获取所述额度支用信息表中所述目标贷款产品对应的待交易信息，判断所述待交易信息和所述已交易信息是否一致；

若一致，则更新预先创建好的贷款支用合同表中所述目标贷款产品对应的额度动用合同的合同状态。

6.如权利要求5所述贷款数据处理方法，其特征在于，在所述更新贷款支用合同表中所述目标贷款产品对应的额度动用合同的合同状态之后，所述贷款数据处理方法还包括：

按照预设信息字段从所述贷款支用合同表中获取每一所述预设信息字段对应的属性值，生成所述目标客户的账户数据；

通过异步调用预先创建的同步接口，同步账户数据给多个第三方系统。

7.如权利要求1所述贷款数据处理方法，其特征在于，在所述将所述推荐贷款模式对应的推荐贷款产品推荐给所述目标客户之后，所述贷款数据处理方法还包括：

获取贷款问题咨询请求；其中，所述贷款问题咨询请求包括一咨询数据类型和咨询问题；

当所述咨询数据类型为语音类型时，则调用语音识别接口识别所述咨询问题，得到对应的问题文本；

对所述问题文本进行智能分类，确定所述问题文本的问题类型；

根据所述问题类型，查询数据库，得到所述问题类型对应的目标答案。

8.一种贷款推荐装置，其特征在于，包括：

贷款推荐请求获取模块，用于接收目标客户触发的贷款推荐请求；其中，所述贷款推荐请求包括客户信息、贷款需求数据以及需求数据类型；

实体信息提取模块，用于采用与所述需求数据类型对应的提取方式，提取所述贷款需求数据中的多个需求实体信息；

信用评分获取模块，用于将所述客户信息输入至预先创建好的风控模型中进行处理，得到所述目标客户的信用评分；

推荐贷款模式确定模块，用于根据所述多个需求实体信息和所述信用评分，确定目标客户对应的推荐贷款模式；

贷款推荐模块，用于将所述推荐贷款模式对应的推荐贷款产品推荐给所述目标客户。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述贷款数据处理方法的步骤。

10.一种计算机存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述贷款数据处理方法的步骤。

Images