CN113205338A - 基于人工智能的外汇业务处理方法及装置 - Google Patents
基于人工智能的外汇业务处理方法及装置 Download PDFInfo
- Publication number
- CN113205338A CN113205338A CN202110637056.8A CN202110637056A CN113205338A CN 113205338 A CN113205338 A CN 113205338A CN 202110637056 A CN202110637056 A CN 202110637056A CN 113205338 A CN113205338 A CN 113205338A
- Authority
- CN
- China
- Prior art keywords
- foreign exchange
- client
- attribute
- exchange product
- customer
- 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
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/381—Currency conversion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的外汇业务处理方法及装置,涉及人工智能技术领域,该方法包括:接收目标客户发起的外汇产品业务请求;根据外汇产品业务请求,获取目标客户的属性信息;将目标客户的属性信息,输入至预先训练好的客户分类模型中,输出目标客户的客户分类;根据目标客户的客户分类,获取对应的外汇产品牌价信息;根据外汇产品牌价信息,执行外汇产品业务请求对应的外汇产品业务。本发明基于客户的属性信息预测客户分类,进而获取对应的外汇产品牌价信息执行外汇产品业务,能够实现外汇产品的因客定价,增强外汇产品业务的用户体验。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的外汇业务处理方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前,银行等金融机构的外汇产品业务系统,对客展示的外汇产品牌价都是相同的,没有智能实现因客定价的功能。
发明内容
本发明实施例中提供了一种基于人工智能的外汇业务处理方法,用以解决现有外汇产品业务系统无法实现因客定价的技术问题,该方法包括:接收目标客户发起的外汇产品业务请求;根据外汇产品业务请求,获取目标客户的属性信息;将目标客户的属性信息,输入至预先训练好的客户分类模型中,输出目标客户的客户分类;根据目标客户的客户分类,获取对应的外汇产品牌价信息;根据外汇产品牌价信息,执行外汇产品业务请求对应的外汇产品业务。
本发明实施例中还提供了一种基于人工智能的外汇业务处理装置,用以解决现有外汇产品业务系统无法实现因客定价的技术问题,该装置包括:外汇产品业务请求模块,用于接收目标客户发起的外汇产品业务请求;客户属性信息获取模块,用于根据外汇产品业务请求,获取目标客户的属性信息;客户分类预测模块,用于将目标客户的属性信息,输入至预先训练好的客户分类模型中,输出目标客户的客户分类;外汇牌价确定模块,用于根据目标客户的客户分类,获取对应的外汇产品牌价信息;外汇业务处理模块,用于根据外汇产品牌价信息,执行外汇产品业务请求对应的外汇产品业务。
本发明实施例中还提供了一种计算机设备,用以解决现有外汇产品业务系统无法实现因客定价的技术问题,该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基于人工智能的外汇业务处理方法。
本发明实施例中还提供了一种计算机可读存储介质,用以解决现有外汇产品业务系统无法实现因客定价的技术问题,该计算机可读存储介质存储有执行上述基于人工智能的外汇业务处理方法的计算机程序。
本发明实施例中提供的基于人工智能的外汇业务处理方法、装置、计算机设备及计算机可读存储介质,在接收到目标客户发起的外汇产品业务请求后,根据外汇产品业务请求,获取目标客户的属性信息,进而将目标客户的属性信息,输入至预先训练好的客户分类模型中,输出目标客户的客户分类,最后根据目标客户的客户分类,获取对应的外汇产品牌价信息,以便根据外汇产品牌价信息,执行外汇产品业务请求对应的外汇产品业务。
与现有技术中直接根据金融机构确定的外汇产品牌价执行外汇产品业务的技术方案相比,本发明实施例中,基于客户的属性信息预测客户分类,进而获取对应的外汇产品牌价信息执行外汇产品业务,能够实现外汇产品的因客定价,增强外汇产品业务的用户体验。
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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中提供的一种基于人工智能的外汇业务处理方法流程图;
图2为本发明实施例中提供的一种机器学习流程图;
图3为本发明实施例中提供的一种可选的基于人工智能的外汇业务处理方法流程图;
图4为本发明实施例中提供的一种属性映射关系表生成流程图;
图5为本发明实施例中提供的一种基于人工智能的外汇业务处理装置示意图;
图6为本发明实施例中提供的一种可选的基于人工智能的外汇业务处理装置示意图;
图7为本发明实施例中提供的一种可选的基于人工智能的外汇业务处理装置示意图;
图8为本发明实施例中提供的一种可选的基于人工智能的外汇业务处理装置示意图;
图9为本发明实施例中提供的一种计算机设备示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本发明实施例中提供了一种基于人工智能的外汇业务处理方法,图1为本发明实施例中提供的一种基于人工智能的外汇业务处理方法流程图,如图1所示,该方法包括如下步骤:
S101,接收目标客户发起的外汇产品业务请求。
需要说明的是,本发明实施例中的外汇产品是指一种货币与另外一种货币进行交换的金融产品,例如,美元/日元表示美元与日元兑换的外汇产品。上述S101中接收到的外汇产品业务请求可以是目标客户通过客户端发起的线上外汇产品交易请求,也可以是目标客户通过柜台发起的线下外汇产品交易请求。
S102,根据外汇产品业务请求,获取目标客户的属性信息。
无论外汇产品业务请求是线上业务请求,还是线下业务请求,均可根据目标客户发起的外汇产品业务请求,获取该目标客户的各种属性信息,在一个实施例中,可以通过区块链网络存储每个客户在多个金融机构业务系统的属性信息,每个金融机构业务系统均可与该区块链网络通信,根据目标客户发起的外汇产品业务请求,从区块链网络上查询该目标客户的属性信息。
本发明实施例中,将每个客户在多个金融机构业务系统的属性信息存储到区块链网络上,能够实现各个金融机构业务系统中客户属性信息的共享,例如,当某个客户在第一金融机构业务系统发起线下外汇产品业务请求时,可通过区块链网络查询该客户先前在第二金融机构业务系统录入的属性信息,进而快速办理该客户在第一金融机构业务系统的外汇产品业务。
S103,将目标客户的属性信息,输入至预先训练好的客户分类模型中,输出目标客户的客户分类。
需要说明的是,本发明实施例中的客户分类模型是指预先通过机器学习训练得到的一个能够根据某个客户的属性信息预测该客户所属的客户分类的模型,该模型的输入数据为:客户的属性信息,输出数据为客户对应的客户分类。
S104,根据目标客户的客户分类,获取对应的外汇产品牌价信息。
在具体实施时,可以预先配置不同客户分类对应的外汇产品牌价信息,以便在确定目标客户的客户分类后,快速查询对应的外汇产品牌价信息。
S105,根据外汇产品牌价信息,执行外汇产品业务请求对应的外汇产品业务。
在根据目标客户的属性信息确定目标客户的客户分类后,可根据该客户分类的外汇产品牌价信息,执行相应的外汇产品业务,从而实现外汇产品的因客定价。
在一个实施例中,如图2所示,本发明实施例中提供的基于人工智能的外汇业务处理方法,还可以通过如下机器学习流程来训练得到一个客户分类模型:
S201,采集多个外汇产品客户的属性信息,其中,属性信息包括:多个属性特征;
S202,基于预先配置的属性映射关系表,将每个外汇产品客户的属性信息映射为对应的属性权重数据,其中,属性映射关系表中包含多个属性特征及每个属性特征对应的权重值;
S203,根据每个外汇产品客户的属性权重数据,确定每个外汇产品客户的客户分类;
S204,将外汇产品客户的客户分类和对应的属性权重数据,作为训练样本数据,对SVM模型进行训练,得到一个客户分类模型,其中,客户分类模型用于对未知客户分类的外汇产品客户进行客户分类。
在具体实施时,本发明实施例中,首先利用80%的样本数据对SVM模型进行机器学习,训练得到一个客户分类模型,然后利用20%的样本数据测试模型的正确性,持续优化,最终得出一个预测准确率较高的客户分类模型。
在一个实施例中,如图3所示,在根据每个外汇产品客户的属性权重数据,确定每个外汇产品客户的客户分类之前,本发明实施例中提供的基于人工智能的外汇业务处理方法还可包括如下步骤:
S301,采用主成分分析方法,对每个外汇产品客户的属性权重数据进行降维;
S302,根据每个外汇产品客户降维后的属性权重数据,确定每个外汇产品客户的客户分类。
在一个实施例中,如图4所示,本发明实施例中提供的基于人工智能的外汇业务处理方法,还可通过如下步骤来生成属性映射关系表:
S401,确定多个属性特征;
S402,配置每个属性特征对应的权重值;
S403,根据多个属性特征和对应的权重值,生成属性映射关系表。
需要说明的是,根据不同的业务场景,选取的客户属性特征可以不同,针对不同的属性特征,可配置不同的权重值。
作为一种可选的实施方式,本发明实施例中提供的基于人工智能的外汇业务处理方法,可具体包括如下步骤:
①制定用户属性映射关系表。
在具体实施时,可选取50个客户属性,配置属性映射关系表,即用户属性的权重数值,用于后续将用户属性映射为对应的权重数值。一个实施例中,属性映射关系表的样式如表1所示。
表1属性映射关系表
②对客户分类打标。
采集现有的客户信息,并人为的对客户进行分类打标,作为训练模型的原始数据。分别为每一个客户标记VIP客户、优质客户、较好客户、一般客户、较差客户五类中的一类,并简记为A、B、C、D、E。
③将客户的属性映射成对应的权重数值,用于后续降维处理。
根据属性映射关系表将客户的属性映射成对应的权重数值,用于后续降维处理。映射后的数据样式如表2所示。
表2降维前的客户属性信息
年龄 | 性别 | 所在地 | 存款额 | 贷款额 | …… | 属性50 | 类别 | |
客户1 | 0.3 | 0.7 | 0.2 | 0.4 | …… | …… | A | |
客户2 | 0.5 | 0.3 | 0.8 | 0.2 | …… | …… | C | |
客户3 | 0.3 | 0.7 | 0.8 | 0.1 | …… | …… | D | |
客户4 | ||||||||
…… |
④将客户的属性映射成对应的权重数值,用于后续降维处理。
利用主成分分析法PCA,对属性映射后的数据进行降维处理,最终保留20个比较重要的属性特征,用于客户分类模型的训练。经过降维后的数据样式如表3所示。
表3降维后的客户属性信息
⑤对降维后的数据利用SVM分类算法训练模型,用于后续对客户分别。
对降维后的数据利用SVM分类算法训练模型,用于后续对客户分别。VIP客户、优质客户、较好客户、一般客户、较差客户分别为七种分类,简记为A、B、C、D、E。利用80%的数据训练模型,利用20%的数据对模型进行测试,持续优化,最终得到一个正确率较高的客户分类模型。
⑥输入新客户的属性信息,模型输出VIP客户、优质客户、较好客户、一般客户、较差客户五种类别中的一种。
将待预测客户的属性信息,输入到训练好的客户分类模型中,输出对应的客户分类,即VIP客户、优质客户、较好客户、一般客户、较差客户五种类别中的一种。
⑦根据制定的客户分类对应的外汇产品牌价信息,下个不同客户分类的客户提供不同的外汇产品牌价信息。
在具体实施时,在确定当前办理外汇产品业务的客户的客户分类后,根据制定的客户分类对应的外汇产品牌价信息,给予该客户相应的外汇牌价信息,例如,某客户属于VIP客户,则优惠7个点,某客户属于优质客户,则优惠6个点。
由上可知,本发明实施例中,基于人工智能实现对客户进行分类,然后针对每类客户在发起外汇交易时,分别给予不同程序的价格优惠,能够实现外汇产品的因客定价,提高客户体验,吸引更多的外汇产品客户。
基于同一发明构思,本发明实施例中还提供了一种基于人工智能的外汇业务处理装置,如下面的实施例所述。由于该装置解决问题的原理与基于人工智能的外汇业务处理方法相似,因此该装置的实施可以参见基于人工智能的外汇业务处理方法的实施,重复之处不再赘述。
图5为本发明实施例中提供的一种基于人工智能的外汇业务处理装置示意图,如图5所示,该装置包括:外汇产品业务请求模块501、客户属性信息获取模块502、客户分类预测模块503、外汇牌价确定模块504和外汇业务处理模块505。
其中,外汇产品业务请求模块501,用于接收目标客户发起的外汇产品业务请求;客户属性信息获取模块502,用于根据外汇产品业务请求,获取目标客户的属性信息;客户分类预测模块503,用于将目标客户的属性信息,输入至预先训练好的客户分类模型中,输出目标客户的客户分类;外汇牌价确定模块504,用于根据目标客户的客户分类,获取对应的外汇产品牌价信息;外汇业务处理模块505,用于根据外汇产品牌价信息,执行外汇产品业务请求对应的外汇产品业务。
在一个实施例中,如图6所示,本发明实施例中提供的基于人工智能的外汇业务处理装置还可包括:客户属性信息采集模块506,用于采集多个外汇产品客户的属性信息,其中,属性信息包括:多个属性特征;客户属性权重映射模块507,用于基于预先配置的属性映射关系表,将每个外汇产品客户的属性信息映射为对应的属性权重数据,其中,属性映射关系表中包含多个属性特征及每个属性特征对应的权重值;客户分类模块508,用于根据每个外汇产品客户的属性权重数据,确定每个外汇产品客户的客户分类;客户分类模型训练模块509,用于将外汇产品客户的客户分类和对应的属性权重数据,作为训练样本数据,对SVM模型进行训练,得到一个客户分类模型,其中,客户分类模型用于对未知客户分类的外汇产品客户进行客户分类。
在一个实施例中,如图7所示,本发明实施例中提供的基于人工智能的外汇业务处理装置还可包括:主成分分析模块510,用于采用主成分分析方法,对每个外汇产品客户的属性权重数据进行降维;其中,客户分类模块508还用于根据每个外汇产品客户降维后的属性权重数据,确定每个外汇产品客户的客户分类。
在一个实施例中,如图8所示,本发明实施例中提供的基于人工智能的外汇业务处理装置还可包括:属性特征确定模块511、属性权重配置模块512和属性映射关系表生成模块513。
其中,属性特征确定模块511,用于确定多个属性特征;属性权重配置模块512,用于配置每个属性特征对应的权重值;属性映射关系表生成模块513,用于根据多个属性特征和对应的权重值,生成属性映射关系表。
本发明实施例中还提供了一种计算机设备,用以解决现有外汇产品业务系统无法实现因客定价的技术问题,图9为本发明实施例中提供的一种计算机设备示意图,如图9所示,该计算机设备90包括存储器901、处理器902及存储在存储器901上并可在处理器902上运行的计算机程序,处理器902执行计算机程序时实现上述基于人工智能的外汇业务处理方法。
本发明实施例中还提供了一种计算机可读存储介质,用以解决现有外汇产品业务系统无法实现因客定价的技术问题,该计算机可读存储介质存储有执行上述基于人工智能的外汇业务处理方法的计算机程序。
综上所述,本发明实施例中提供的基于人工智能的外汇业务处理方法、装置、计算机设备及计算机可读存储介质,在接收到目标客户发起的外汇产品业务请求后,根据外汇产品业务请求,获取目标客户的属性信息,进而将目标客户的属性信息,输入至预先训练好的客户分类模型中,输出目标客户的客户分类,最后根据目标客户的客户分类,获取对应的外汇产品牌价信息,以便根据外汇产品牌价信息,执行外汇产品业务请求对应的外汇产品业务。
与现有技术中直接根据金融机构确定的外汇产品牌价执行外汇产品业务的技术方案相比,本发明实施例中,基于客户的属性信息预测客户分类,进而获取对应的外汇产品牌价信息执行外汇产品业务,能够实现外汇产品的因客定价,增强外汇产品业务的用户体验。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的外汇业务处理方法,其特征在于,包括:
接收目标客户发起的外汇产品业务请求;
根据所述外汇产品业务请求,获取所述目标客户的属性信息;
将所述目标客户的属性信息,输入至预先训练好的客户分类模型中,输出所述目标客户的客户分类;
根据所述目标客户的客户分类,获取对应的外汇产品牌价信息;
根据所述外汇产品牌价信息,执行所述外汇产品业务请求对应的外汇产品业务。
2.如权利要求1所述的方法,其特征在于,在将所述目标客户的属性信息,输入至预先训练好的客户分类模型中,输出所述目标客户的客户分类之前,所述方法还包括:
采集多个外汇产品客户的属性信息,其中,所述属性信息包括:多个属性特征;
基于预先配置的属性映射关系表,将每个外汇产品客户的属性信息映射为对应的属性权重数据,其中,所述属性映射关系表中包含多个属性特征及每个属性特征对应的权重值;
根据每个外汇产品客户的属性权重数据,确定每个外汇产品客户的客户分类;
将所述外汇产品客户的客户分类和对应的属性权重数据,作为训练样本数据,对SVM模型进行训练,得到一个客户分类模型,其中,所述客户分类模型用于对未知客户分类的外汇产品客户进行客户分类。
3.如权利要求2所述的方法,其特征在于,在根据每个外汇产品客户的属性权重数据,确定每个外汇产品客户的客户分类之前,所述方法还包括:
采用主成分分析方法,对每个外汇产品客户的属性权重数据进行降维;
根据每个外汇产品客户降维后的属性权重数据,确定每个外汇产品客户的客户分类。
4.如权利要求2所述的方法,其特征在于,在基于预先配置的属性映射关系表,将每个外汇产品客户的属性信息映射为对应的属性权重数据之前,所述方法还包括:
确定多个属性特征;
配置每个属性特征对应的权重值;
根据多个属性特征和对应的权重值,生成属性映射关系表。
5.一种基于人工智能的外汇业务处理装置,其特征在于,包括:
外汇产品业务请求模块,用于接收目标客户发起的外汇产品业务请求;
客户属性信息获取模块,用于根据所述外汇产品业务请求,获取所述目标客户的属性信息;
客户分类预测模块,用于将所述目标客户的属性信息,输入至预先训练好的客户分类模型中,输出所述目标客户的客户分类;
外汇牌价确定模块,用于根据所述目标客户的客户分类,获取对应的外汇产品牌价信息;
外汇业务处理模块,用于根据所述外汇产品牌价信息,执行所述外汇产品业务请求对应的外汇产品业务。
6.如权利要求5所述的装置,其特征在于,所述装置还包括:
客户属性信息采集模块,用于采集多个外汇产品客户的属性信息,其中,所述属性信息包括:多个属性特征;
客户属性权重映射模块,用于基于预先配置的属性映射关系表,将每个外汇产品客户的属性信息映射为对应的属性权重数据,其中,所述属性映射关系表中包含多个属性特征及每个属性特征对应的权重值;
客户分类模块,用于根据每个外汇产品客户的属性权重数据,确定每个外汇产品客户的客户分类;
客户分类模型训练模块,用于将所述外汇产品客户的客户分类和对应的属性权重数据,作为训练样本数据,对SVM模型进行训练,得到一个客户分类模型,其中,所述客户分类模型用于对未知客户分类的外汇产品客户进行客户分类。
7.如权利要求6所述的装置,其特征在于,所述装置还包括:
主成分分析模块,用于采用主成分分析方法,对每个外汇产品客户的属性权重数据进行降维;
其中,所述客户分类模块还用于根据每个外汇产品客户降维后的属性权重数据,确定每个外汇产品客户的客户分类。
8.如权利要求6所述的装置,其特征在于,所述装置还包括:
属性特征确定模块,用于确定多个属性特征;
属性权重配置模块,用于配置每个属性特征对应的权重值;
属性映射关系表生成模块,用于根据多个属性特征和对应的权重值,生成属性映射关系表。
9.一种计算机设备,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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一项所述基于人工智能的外汇业务处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至4任一项所述基于人工智能的外汇业务处理方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637056.8A CN113205338A (zh) | 2021-06-08 | 2021-06-08 | 基于人工智能的外汇业务处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637056.8A CN113205338A (zh) | 2021-06-08 | 2021-06-08 | 基于人工智能的外汇业务处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113205338A true CN113205338A (zh) | 2021-08-03 |
Family
ID=77024575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110637056.8A Pending CN113205338A (zh) | 2021-06-08 | 2021-06-08 | 基于人工智能的外汇业务处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205338A (zh) |
-
2021
- 2021-06-08 CN CN202110637056.8A patent/CN113205338A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210103858A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
CN109035028B (zh) | 智能投顾策略生成方法及装置、电子设备、存储介质 | |
CN109636482B (zh) | 基于相似度模型的数据处理方法及系统 | |
CN112765230B (zh) | 基于互联网金融的支付大数据分析方法及大数据分析系统 | |
CN107203772B (zh) | 一种用户类型识别方法及装置 | |
CN111563187A (zh) | 关系确定方法、装置、系统和电子设备 | |
CN113792134B (zh) | 一种基于数字孪生技术的用户服务方法及系统 | |
CN111667307B (zh) | 一种理财产品销量的预测方法及装置 | |
CN112308623A (zh) | 基于监督学习的优质客户流失预测方法、装置及存储介质 | |
CN112330373A (zh) | 用户行为分析方法、装置及计算机可读存储介质 | |
CN115660814A (zh) | 风险预测方法、装置、计算机可读存储介质及电子设备 | |
CN113205338A (zh) | 基于人工智能的外汇业务处理方法及装置 | |
CN114943563A (zh) | 一种权益推送方法、装置、计算机设备及存储介质 | |
CN112699168B (zh) | 基于互联网金融和大数据的业务推荐方法及系统 | |
CN115293867A (zh) | 财务报销用户画像优化方法、装置、设备及存储介质 | |
CN114581130A (zh) | 基于客户画像的银行网点派号方法及装置、存储介质 | |
CN113129139A (zh) | 基于人工智能的贷款利率参数信息确定方法及装置 | |
CN113515383B (zh) | 系统资源数据分配方法和装置 | |
CN111932018B (zh) | 银行业务绩效贡献信息预测方法及装置 | |
US11037126B2 (en) | Systems and methods for assessing electronic payment readiness | |
CN110059905B (zh) | 风险量化方法、风险识别方法、系统及存储介质 | |
CN116362895A (zh) | 理财产品推荐方法、装置及存储介质 | |
CN113344709A (zh) | 客户理财风险测评方法及装置 | |
WO2021120226A1 (zh) | 一种转化预估方法及装置 | |
CN114881658A (zh) | 交易风险的确定方法、装置、存储介质以及电子设备 |
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 |