CN113205409A - 贷款业务处理方法及装置 - Google Patents
贷款业务处理方法及装置 Download PDFInfo
- Publication number
- CN113205409A CN113205409A CN202110593623.4A CN202110593623A CN113205409A CN 113205409 A CN113205409 A CN 113205409A CN 202110593623 A CN202110593623 A CN 202110593623A CN 113205409 A CN113205409 A CN 113205409A
- Authority
- CN
- China
- Prior art keywords
- public opinion
- enterprise
- loan
- data
- risk
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 60
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012804 iterative process Methods 0.000 claims description 8
- 238000013499 data model Methods 0.000 claims 2
- 238000000034 method Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种贷款业务处理方法及装置,属于人工智能技术领域。该贷款业务处理方法包括:接收贷款业务,根据贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额;将贷款企业舆情文本输入基于舆情训练文本创建的舆情分类模型中,得到企业舆情风险数据;将企业舆情风险数据和企业特征数据输入基于企业特征训练数据创建的企业风险识别模型中,得到企业风险数据;根据企业风险数据对应的贷款阈值与贷款金额的比较结果处理贷款业务。本发明可以高效准确处理贷款业务,降低贷款风险和银行利益损失。
Description
技术领域
本发明涉及人工智能技术领域,具体地,涉及一种贷款业务处理方法及装置。
背景技术
为了保证银行贷款业务质量和银行盈利能力,银行在向企业进行贷款时会对企业风险进行大量的评估工作。在现有技术中,审批人员可以借助企业风险识别工具或其它手段对企业反欺诈风险进行评估以节约人力并降低时间成本。为了不让银行利益受损,降低贷款业务风险,建立实时精确处理贷款业务的贷款业务系统是银行风险控制体系的关键。
现有技术一般通过企业产业链信息建立指定规则模型或者利用逻辑回归、决策树或随机森林等机器学习算法预测企业风险以办理企业贷款业务,虽然在一定程度上解决了信息孤岛问题,但是对关系数据的挖掘能力有所欠缺。由于各企业之间可能存在风险叠加、传染与扩散的关系,因此现有的企业风险识别准确度不高。另外,现有技术的数据源种类与内容不够丰富,在市场环境不断变化的情况下会受到不确定因素或不可预知因素的影响。例如,网络舆情热点带来的潜在风险可能导致企业状况严重偏离预期,现有技术无法获取网络舆情热点给企业带来的潜在影响,进而无法高效准确处理企业贷款业务。
发明内容
本发明实施例的主要目的在于提供一种贷款业务处理方法及装置,以高效准确处理贷款业务,降低贷款风险和银行利益损失。
为了实现上述目的,本发明实施例提供一种贷款业务处理方法,包括:
接收贷款业务,根据贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额;
将贷款企业舆情文本输入基于舆情训练文本创建的舆情分类模型中,得到企业舆情风险数据;
将企业舆情风险数据和企业特征数据输入基于企业特征训练数据创建的企业风险识别模型中,得到企业风险数据;
根据企业风险数据对应的贷款阈值与贷款金额的比较结果处理贷款业务。
本发明实施例还提供一种贷款业务处理装置,包括:
获取模块,用于接收贷款业务,根据贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额;
舆情分类模块,用于将贷款企业舆情文本输入基于舆情训练文本创建的舆情分类模型中,得到企业舆情风险数据;
企业风险识别模块,用于将企业舆情风险数据和企业特征数据输入基于企业特征训练数据创建的企业风险识别模型中,得到企业风险数据;
贷款业务处理模块,用于根据企业风险数据对应的贷款阈值与贷款金额的比较结果处理贷款业务。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并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所述的贷款业务处理方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现所述的贷款业务处理方法的步骤。
本发明实施例的贷款业务处理方法及装置先根据贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额,再将贷款企业舆情文本输入舆情分类模型中,得到企业舆情风险数据,将企业舆情风险数据和企业特征数据输入企业风险识别模型中,得到企业风险数据,最后根据企业风险数据对应的贷款阈值与贷款金额高效准确处理贷款业务,降低贷款风险和银行利益损失。
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。
图1是本发明一实施例中贷款业务处理方法的流程图;
图2是本发明另一实施例中贷款业务处理方法的流程图;
图3是本发明一实施例中创建舆情分类模型的流程图;
图4是本发明另一实施例中创建舆情分类模型的流程图;
图5是本发明实施例中舆情分类模型的示意图;
图6是本发明实施例中S201的流程图;
图7是本发明一实施例中创建企业风险识别模型的流程图;
图8是本发明另一实施例中创建企业风险识别模型的流程图;
图9是本发明实施例中企业风险识别模型的示意图;
图10是本发明实施例中贷款业务处理装置的结构框图;
图11是本发明实施例中计算机设备的结构框图。
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。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
鉴于现有技术对关系数据的挖掘能力有所欠缺,在市场环境不断变化的情况下会受到不确定因素或不可预知因素的影响,进而无法高效准确处理企业贷款业务,本发明实施例提供一种贷款业务处理方法,以高效准确处理贷款业务,降低贷款风险和银行利益损失。以下结合附图对本发明进行详细说明。
图1是本发明一实施例中贷款业务处理方法的流程图。图2是本发明另一实施例中贷款业务处理方法的流程图。如图1和图2所示,贷款业务处理方法包括:
S101:接收贷款业务,根据贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额。
其中,S101中的贷款企业舆情文本、企业特征数据和贷款金额均为当前实时获得的数据。企业特征数据包括企业成长能力、企业每季度盈利额、企业股东数和企业最大股东股权占比。
具体实施时,先从银行数据库中获取贷款企业信息数据(包括贷款企业名称)、贷款企业的关联企业信息数据(包括关联企业名称)、股东和产业链等以确定企业关键字信息,然后在各监控网站中输入企业关键字信息、贷款企业名称和关联企业名称,利用爬取工具爬取由企业关键字信息、贷款企业名称和关联企业名称搜索出来的文章(可根据需求或者各个公开网站的影响力爬取指定数量的文章),获得文章中的摘要、正文,以及用户的点击浏览量、回帖数和评论数等贷款企业舆情文本。
S102:将贷款企业舆情文本输入基于舆情训练文本创建的舆情分类模型中,得到企业舆情风险数据。
其中,企业舆情风险数据包括积极、中性、较负面和严重负面。
S103:将企业舆情风险数据和企业特征数据输入基于企业特征训练数据创建的企业风险识别模型中,得到企业风险数据。
具体实施时,可以将企业成长能力、企业每季度盈利额和企业股东数作为节点的特征,将企业最大股东股权占比和企业舆情风险数据作为每条边的特征,使用Z-score标准化将上述数据进行归一化,将归一化后的数据输入企业风险识别模型中,得到企业风险数据。
S104:根据企业风险数据对应的贷款阈值与贷款金额的比较结果处理贷款业务。
各企业风险数据均对应不同的贷款阈值。当申请贷款业务的企业的企业风险数据对应的贷款阈值小于该企业申请的贷款金额时,不允许该企业进行贷款,返回贷款业务处理失败信息。当申请贷款业务的企业的企业风险数据对应的贷款阈值大于或等于该企业申请的贷款金额时,允许该企业进行贷款,返回贷款业务处理成功信息。
图1所示的贷款业务处理方法的执行主体可以为计算机。由图1所示的流程可知,本发明实施例的贷款业务处理方法先根据贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额,再将贷款企业舆情文本输入舆情分类模型中,得到企业舆情风险数据,将企业舆情风险数据和企业特征数据输入企业风险识别模型中,得到企业风险数据,最后根据企业风险数据对应的贷款阈值与贷款金额高效准确处理贷款业务,降低贷款风险和银行利益损失。
图3是本发明一实施例中创建舆情分类模型的流程图。图4是本发明另一实施例中创建舆情分类模型的流程图。图5是本发明实施例中舆情分类模型的示意图。如图3-图5所示,本发明基于双向循环神经网络搭建舆情分类模型,结合输入序列在前向和后向两个方向上的信息有效获取深层次、高质量的网络舆情信息,进而使得对舆情情感分类精确度更高。基于舆情训练文本创建舆情分类模型包括:
执行如下迭代处理:
S201:根据舆情训练文本和舆情分类模型参数确定舆情预测数据。
舆情训练文本为训练集中经过标注的历史企业舆情文本。本发明对文本的情感类别分为4个标签:积极、中性、较负面和严重负面。可以将所有标注的数据按比例随机分成训练集与验证集,供后续舆情分类模型训练和验证。
其中,舆情分类模型参数包括第一舆情分类模型参数、第二舆情分类模型参数和第三舆情分类模型参数。
图6是本发明实施例中S201的流程图。如图6所示,S201包括:
S301:根据舆情训练文本和第一舆情分类模型参数生成第一舆情分类输出数据。
其中,第一舆情分类模型参数包括第一输入权重矩阵、第二输入权重矩阵和第一偏置,第一舆情分类输出数据为双向循环神经网络第一层的输出数据。
具体实施时,可以通过如下公式获得第一舆情分类输出数据:
ct=f(Wct-1+Uxt+bc);
其中,ct为t时刻(第t次迭代)的第一舆情分类输出数据,f为第一激活函数,W为第一输入权重矩阵,U为第二输入权重矩阵,ct-1为t-1时刻(第t-1次迭代)的第一舆情分类输出数据,xt为t时刻(第t次迭代)的舆情训练文本,bc为第一偏置。
S302:根据舆情训练文本和第二舆情分类模型参数生成第二舆情分类输出数据。
其中,第二舆情分类模型参数包括第三输入权重矩阵、第四输入权重矩阵和第二偏置,第二舆情分类输出数据为双向循环神经网络第二层的输出数据。
具体实施时,可以通过如下公式获得第二舆情分类输出数据:
c′t=f(W′c′t+1+U′xt+b′c);
其中,c′t为t时刻(第t次迭代)的第二舆情分类输出数据,W′为第三输入权重矩阵,U′为第四输入权重矩阵,c′t+1为t+1时刻(第t+1次迭代)的第二舆情分类输出数据,b′c为第二偏置。
S303:根据第一舆情分类输出数据、第一舆情分类输出数据和第三舆情分类模型参数确定舆情预测数据。
其中,第三舆情分类模型参数包括第一输出权重矩阵、第二输出权重矩阵和第三偏置,舆情预测数据为双向循环神经网络输出层的输出数据。
具体实施时,可以通过如下公式确定舆情预测数据:
yt=g(Vct+V′c′t+by);
其中,yt为t时刻(第t次迭代)的舆情预测数据,g为第二激活函数,V为第一输出权重矩阵,V′为第二输出权重矩阵,by为第三偏置。
S202:根据舆情预测数据和舆情训练文本对应的舆情实际数据确定舆情损失函数。
其中,舆情实际数据为舆情训练文本对应的标签,包括积极、中性、较负面和严重负面。
S203:判断舆情损失函数是否小于预设舆情损失函数阈值。
S204:当舆情损失函数小于预设舆情损失函数阈值时,根据舆情分类模型参数创建舆情分类模型。
一实施例中,当舆情损失函数小于预设舆情损失函数阈值时,可以根据验证集中经过标注的历史企业舆情文本对S204中根据舆情分类模型参数创建的舆情分类模型进行验证,S102利用验证通过的舆情分类模型得到企业舆情风险数据。
S205:当舆情损失函数大于或等于预设舆情损失函数阈值时,根据舆情损失函数更新舆情分类模型参数,继续执行迭代处理。
具体实施时,可以通过Nadam梯度下降算法和舆情损失函数训练优化舆情分类模型参数。
图7是本发明一实施例中创建企业风险识别模型的流程图。图8是本发明另一实施例中创建企业风险识别模型的流程图。图9是本发明实施例中企业风险识别模型的示意图。如图7-图9所示,本发明基于图神经网络搭建企业风险识别模型,通过图数据处理和拓扑连接关系建模,充分挖掘企业关系数据。基于企业特征训练数据创建企业风险识别模型包括:
执行如下迭代处理:
S401:根据企业特征训练数据和神经网络模型参数确定风险预测数据。
表1
特征 | 定义 |
Q | 企业成长能力 |
P | 企业每季度盈利额 |
V | 企业股东数 |
Y | 企业最大股东股权占比 |
F | 舆情实际数据 |
由于搭建企业风险识别模型使用图神经网络,该类型网络模型的输入为图数据,所以需要确定图数据中每个节点和边的特征。表1是本发明实施例中企业特征训练数据的示意表。如表1所示,企业特征训练数据为训练集中的历史企业特征数据和舆情实际数据F,企业特征数据包括企业成长能力Q、企业每季度盈利额P、企业股东数V和企业最大股东股权占比Y。
企业特征训练数据中的每个企业都构成图数据中的一个节点,节点的特征对应企业特征数据,本发明将企业成长能力Q、企业每季度盈利额P和企业股东数V作为节点的特征,因此图数据中每个节点的特征向量是一个三维向量[Q,P,V]。本发明还将企业最大股东股权占比Y和舆情实际数据F作为每条边的特征,因此图数据中每条边的特征是一个二维向量[Y,F]。为避免特征之间数值差异过大带来的难收敛问题,使用Z-score标准化将企业特征训练数据进行归一化。归一化后的企业特征训练数据结合邻接矩阵代表的拓扑信息组成企业风险识别模型训练时输入的图数据。将所有图数据按比例随机分成训练集与验证集,供后续企业风险识别模型训练与验证。
S401具体包括:
a、使用FCN(全连接神经网络)对输入的图数据(企业特征训练数据)进行特征变换,将3维的节点输入特征和2维的边输入特征分别通过两个FCN将图数据变换到64维。
b、将上述64维特征依次输入至两个GNN(图卷积神经网络)隐藏层,各隐藏层之间使用ReLU作为激活函数。第二个GNN隐藏层的输出经过图池化层之后可以得到长度为128的图嵌入向量。
c、将图嵌入向量依次输入至两个FCN层,两个FCN层的神经元的个数分别为128和4。将最后一个FCN层的输出经过softmax分类器,可以对输入的图数据进行分类,得到风险预测数据。
S402:根据风险预测数据和企业特征训练数据对应的风险实际数据确定风险损失函数。
风险实际数据包括高风险、中风险、低风险和无风险。
S403:判断风险损失函数是否小于预设风险损失函数阈值。
S404:当风险损失函数小于预设风险损失函数阈值时,根据神经网络模型参数创建企业风险识别模型。
一实施例中,当风险损失函数小于预设风险损失函数阈值时,可以根据验证集中的历史企业特征数据和舆情实际数据对S404中根据神经网络模型参数创建的企业风险识别模型进行验证,S103利用验证通过的企业风险识别模型得到企业风险数据。
S405:当风险损失函数大于或等于预设风险损失函数阈值时,根据风险损失函数更新神经网络模型参数,继续执行迭代处理。
具体实施时,可以通过Nadam梯度下降算法和风险损失函数训练优化神经网络模型参数。
本发明实施例的具体流程如下:
1、根据舆情训练文本和第一舆情分类模型参数生成第一舆情分类输出数据。
2、根据舆情训练文本和第二舆情分类模型参数生成第二舆情分类输出数据。
3、根据第一舆情分类输出数据、第一舆情分类输出数据和第三舆情分类模型参数确定舆情预测数据。
4、根据舆情预测数据和舆情训练文本对应的舆情实际数据确定舆情损失函数。
5、当舆情损失函数小于预设舆情损失函数阈值时,根据舆情分类模型参数创建舆情分类模型,否则根据舆情损失函数更新舆情分类模型参数,返回步骤1。
6、根据企业特征训练数据和神经网络模型参数确定风险预测数据。
7、根据风险预测数据和企业特征训练数据对应的风险实际数据确定风险损失函数。
8、当风险损失函数小于预设风险损失函数阈值时,根据神经网络模型参数创建企业风险识别模型,否则根据风险损失函数更新神经网络模型参数,返回步骤6。
9、接收贷款业务,根据贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额。
10、将贷款企业舆情文本输入舆情分类模型中,得到企业舆情风险数据。
11、将企业舆情风险数据和企业特征数据输入企业风险识别模型中,得到企业风险数据。
12、根据企业风险数据对应的贷款阈值与贷款金额的比较结果处理贷款业务。
综上所述,本发明实施例提供的贷款业务处理具有以下有益效果:
(1)利用图计算技术,根据贷款企业的企业特征数据和企业舆情风险数据构建企业关系图数据,搭建图神经网络模型充分挖掘企业关系数据,提高企业风险识别精确度。
(2)结合网络舆情热点信息建立贷款企业的舆情分类模型,实时动态预测不确定因素和不可预知因素对企业的潜在风险。
(3)根据企业风险数据对应的贷款阈值与贷款金额高效准确处理贷款业务,降低贷款风险和银行利益损失。
基于同一发明构思,本发明实施例还提供了一种贷款业务处理装置,由于该装置解决问题的原理与贷款业务处理方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
图10是本发明实施例中贷款业务处理装置的结构框图。如图10所示,贷款业务处理装置包括:
获取模块,用于接收贷款业务,根据贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额;
舆情分类模块,用于将贷款企业舆情文本输入基于舆情训练文本创建的舆情分类模型中,得到企业舆情风险数据;
企业风险识别模块,用于将企业舆情风险数据和企业特征数据输入基于企业特征训练数据创建的企业风险识别模型中,得到企业风险数据;
贷款业务处理模块,用于根据企业风险数据对应的贷款阈值与贷款金额的比较结果处理贷款业务。
在其中一种实施例中,舆情分类模块具体用于:执行如下迭代处理:
根据舆情训练文本和舆情分类模型参数确定舆情预测数据;
根据舆情预测数据和舆情训练文本对应的舆情实际数据确定舆情损失函数;
当舆情损失函数小于预设舆情损失函数阈值时,根据舆情分类模型参数创建舆情分类模型,否则根据舆情损失函数更新舆情分类模型参数,继续执行迭代处理。
在其中一种实施例中,舆情分类模型参数包括第一舆情分类模型参数、第二舆情分类模型参数和第三舆情分类模型参数;
舆情分类模块具体用于:
根据舆情训练文本和第一舆情分类模型参数生成第一舆情分类输出数据;
根据舆情训练文本和第二舆情分类模型参数生成第二舆情分类输出数据;
根据第一舆情分类输出数据、第一舆情分类输出数据和第三舆情分类模型参数确定舆情预测数据。
在其中一种实施例中,企业风险识别模块具体用于:执行如下迭代处理:
根据企业特征训练数据和神经网络模型参数确定风险预测数据;
根据风险预测数据和企业特征训练数据对应的风险实际数据确定风险损失函数;
当风险损失函数小于预设风险损失函数阈值时,根据神经网络模型参数创建企业风险识别模型,否则根据风险损失函数更新神经网络模型参数,继续执行迭代处理。
综上,本发明实施例的贷款业务处理装置先根据贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额,再将贷款企业舆情文本输入舆情分类模型中,得到企业舆情风险数据,将企业舆情风险数据和企业特征数据输入企业风险识别模型中,得到企业风险数据,最后根据企业风险数据对应的贷款阈值与贷款金额高效准确处理贷款业务,降低贷款风险和银行利益损失。
本发明实施例还提供能够实现上述实施例中的贷款业务处理方法中全部步骤的一种计算机设备的具体实施方式。图11是本发明实施例中计算机设备的结构框图,参见图11,所述计算机设备具体包括如下内容:
处理器(processor)1101和存储器(memory)1102。
所述处理器1101用于调用所述存储器1102中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的贷款业务处理方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
接收贷款业务,根据贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额;
将贷款企业舆情文本输入基于舆情训练文本创建的舆情分类模型中,得到企业舆情风险数据;
将企业舆情风险数据和企业特征数据输入基于企业特征训练数据创建的企业风险识别模型中,得到企业风险数据;
根据企业风险数据对应的贷款阈值与贷款金额的比较结果处理贷款业务。
综上,本发明实施例的计算机设备先根据贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额,再将贷款企业舆情文本输入舆情分类模型中,得到企业舆情风险数据,将企业舆情风险数据和企业特征数据输入企业风险识别模型中,得到企业风险数据,最后根据企业风险数据对应的贷款阈值与贷款金额高效准确处理贷款业务,降低贷款风险和银行利益损失。
本发明实施例还提供能够实现上述实施例中的贷款业务处理方法中全部步骤的一种计算机可读存储介质,所述计算机可读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的贷款业务处理方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
接收贷款业务,根据贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额;
将贷款企业舆情文本输入基于舆情训练文本创建的舆情分类模型中,得到企业舆情风险数据;
将企业舆情风险数据和企业特征数据输入基于企业特征训练数据创建的企业风险识别模型中,得到企业风险数据;
根据企业风险数据对应的贷款阈值与贷款金额的比较结果处理贷款业务。
综上,本发明实施例的计算机可读存储介质先根据贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额,再将贷款企业舆情文本输入舆情分类模型中,得到企业舆情风险数据,将企业舆情风险数据和企业特征数据输入企业风险识别模型中,得到企业风险数据,最后根据企业风险数据对应的贷款阈值与贷款金额高效准确处理贷款业务,降低贷款风险和银行利益损失。
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。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元,或装置都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
Claims (10)
1.一种贷款业务处理方法,其特征在于,包括:
接收贷款业务,根据所述贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额;
将所述贷款企业舆情文本输入基于舆情训练文本创建的舆情分类模型中,得到企业舆情风险数据;
将所述企业舆情风险数据和所述企业特征数据输入基于企业特征训练数据创建的企业风险识别模型中,得到企业风险数据;
根据所述企业风险数据对应的贷款阈值与所述贷款金额的比较结果处理所述贷款业务。
2.根据权利要求1所述的贷款业务处理方法,其特征在于,基于舆情训练文本创建舆情分类模型包括:
执行如下迭代处理:
根据所述舆情训练文本和舆情分类模型参数确定舆情预测数据;
根据所述舆情预测数据和所述舆情训练文本对应的舆情实际数据确定舆情损失函数;
当所述舆情损失函数小于预设舆情损失函数阈值时,根据所述舆情分类模型参数创建舆情分类模型,否则根据所述舆情损失函数更新所述舆情分类模型参数,继续执行所述迭代处理。
3.根据权利要求2所述的贷款业务处理方法,其特征在于,所述舆情分类模型参数包括第一舆情分类模型参数、第二舆情分类模型参数和第三舆情分类模型参数;
根据所述舆情训练文本和舆情分类模型参数确定舆情预测数据包括:
根据所述舆情训练文本和所述第一舆情分类模型参数生成第一舆情分类输出数据;
根据所述舆情训练文本和所述第二舆情分类模型参数生成第二舆情分类输出数据;
根据所述第一舆情分类输出数据、所述第一舆情分类输出数据和所述第三舆情分类模型参数确定舆情预测数据。
4.根据权利要求1所述的贷款业务处理方法,其特征在于,基于企业特征训练数据创建企业风险识别模型包括:
执行如下迭代处理:
根据所述企业特征训练数据和神经网络模型参数确定风险预测数据;
根据所述风险预测数据和所述企业特征训练数据对应的风险实际数据确定风险损失函数;
当所述风险损失函数小于预设风险损失函数阈值时,根据所述神经网络模型参数创建企业风险识别模型,否则根据所述风险损失函数更新所述神经网络模型参数,继续执行所述迭代处理。
5.一种贷款业务处理装置,其特征在于,包括:
获取模块,用于接收贷款业务,根据所述贷款业务获取贷款企业舆情文本、企业特征数据和贷款金额;
舆情分类模块,用于将所述贷款企业舆情文本输入基于舆情训练文本创建的舆情分类模型中,得到企业舆情风险数据;
企业风险识别模块,用于将所述企业舆情风险数据和所述企业特征数据输入基于企业特征训练数据创建的企业风险识别模型中,得到企业风险数据;
贷款业务处理模块,用于根据所述企业风险数据对应的贷款阈值与所述贷款金额的比较结果处理所述贷款业务。
6.根据权利要求5所述的贷款业务处理装置,其特征在于,舆情分类模块具体用于:执行如下迭代处理:
根据所述舆情训练文本和舆情分类模型参数确定舆情预测数据;
根据所述舆情预测数据和所述舆情训练文本对应的舆情实际数据确定舆情损失函数;
当所述舆情损失函数小于预设舆情损失函数阈值时,根据所述舆情分类模型参数创建舆情分类模型,否则根据所述舆情损失函数更新所述舆情分类模型参数,继续执行所述迭代处理。
7.根据权利要求6所述的贷款业务处理装置,其特征在于,所述舆情分类模型参数包括第一舆情分类模型参数、第二舆情分类模型参数和第三舆情分类模型参数;
所述舆情分类模块具体用于:
根据所述舆情训练文本和所述第一舆情分类模型参数生成第一舆情分类输出数据;
根据所述舆情训练文本和所述第二舆情分类模型参数生成第二舆情分类输出数据;
根据所述第一舆情分类输出数据、所述第一舆情分类输出数据和所述第三舆情分类模型参数确定舆情预测数据。
8.根据权利要求5所述的贷款业务处理装置,其特征在于,所述企业风险识别模块具体用于:执行如下迭代处理:
根据所述企业特征训练数据和神经网络模型参数确定风险预测数据;
根据所述风险预测数据和所述企业特征训练数据对应的风险实际数据确定风险损失函数;
当所述风险损失函数小于预设风险损失函数阈值时,根据所述神经网络模型参数创建企业风险识别模型,否则根据所述风险损失函数更新所述神经网络模型参数,继续执行所述迭代处理。
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任一项所述的贷款业务处理方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4任一项所述的贷款业务处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110593623.4A CN113205409A (zh) | 2021-05-28 | 2021-05-28 | 贷款业务处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110593623.4A CN113205409A (zh) | 2021-05-28 | 2021-05-28 | 贷款业务处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113205409A true CN113205409A (zh) | 2021-08-03 |
Family
ID=77023639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110593623.4A Pending CN113205409A (zh) | 2021-05-28 | 2021-05-28 | 贷款业务处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205409A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762343A (zh) * | 2021-08-04 | 2021-12-07 | 德邦证券股份有限公司 | 处理舆情信息和训练分类模型的方法、装置以及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846547A (zh) * | 2018-05-06 | 2018-11-20 | 成都信息工程大学 | 一种动态调整的企业信用风险评估方法 |
CN109800976A (zh) * | 2019-01-07 | 2019-05-24 | 平安科技(深圳)有限公司 | 项目投资决策方法、装置、计算机设备和存储介质 |
CN110163752A (zh) * | 2019-04-16 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种外汇交易量预测方法、装置及系统 |
CN111008896A (zh) * | 2019-12-05 | 2020-04-14 | 中国银行股份有限公司 | 金融风险预警方法、装置、电子设备及存储介质 |
CN111144575A (zh) * | 2019-12-05 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 舆情预警模型的训练方法、预警方法、装置、设备及介质 |
CN112529633A (zh) * | 2020-12-18 | 2021-03-19 | 科大讯飞股份有限公司 | 审计定价方法、装置、电子设备及存储介质 |
CN112669161A (zh) * | 2020-12-24 | 2021-04-16 | 王健英 | 基于区块链、舆情和核心算法的金融风控系统 |
CN112711705A (zh) * | 2020-11-30 | 2021-04-27 | 泰康保险集团股份有限公司 | 舆情数据处理方法、设备及存储介质 |
-
2021
- 2021-05-28 CN CN202110593623.4A patent/CN113205409A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846547A (zh) * | 2018-05-06 | 2018-11-20 | 成都信息工程大学 | 一种动态调整的企业信用风险评估方法 |
CN109800976A (zh) * | 2019-01-07 | 2019-05-24 | 平安科技(深圳)有限公司 | 项目投资决策方法、装置、计算机设备和存储介质 |
CN110163752A (zh) * | 2019-04-16 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种外汇交易量预测方法、装置及系统 |
CN111008896A (zh) * | 2019-12-05 | 2020-04-14 | 中国银行股份有限公司 | 金融风险预警方法、装置、电子设备及存储介质 |
CN111144575A (zh) * | 2019-12-05 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 舆情预警模型的训练方法、预警方法、装置、设备及介质 |
CN112711705A (zh) * | 2020-11-30 | 2021-04-27 | 泰康保险集团股份有限公司 | 舆情数据处理方法、设备及存储介质 |
CN112529633A (zh) * | 2020-12-18 | 2021-03-19 | 科大讯飞股份有限公司 | 审计定价方法、装置、电子设备及存储介质 |
CN112669161A (zh) * | 2020-12-24 | 2021-04-16 | 王健英 | 基于区块链、舆情和核心算法的金融风控系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762343A (zh) * | 2021-08-04 | 2021-12-07 | 德邦证券股份有限公司 | 处理舆情信息和训练分类模型的方法、装置以及存储介质 |
CN113762343B (zh) * | 2021-08-04 | 2024-03-15 | 德邦证券股份有限公司 | 处理舆情信息和训练分类模型的方法、装置以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020253358A1 (zh) | 业务数据的风控分析处理方法、装置和计算机设备 | |
CN109255506B (zh) | 一种基于大数据的互联网金融用户贷款逾期预测方法 | |
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
CN112905876B (zh) | 基于深度学习的信息推送方法、装置和计算机设备 | |
CN111815432B (zh) | 金融服务风险预测方法及装置 | |
CN111199474A (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN111222976A (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN109063983B (zh) | 一种基于社交媒体数据的自然灾害损失实时评估方法 | |
CN111767319A (zh) | 基于资金流向的客户挖掘方法及装置 | |
CN115587543A (zh) | 基于联邦学习和lstm的刀具剩余寿命预测方法及系统 | |
CN113344615A (zh) | 一种基于gbdt和dl融合模型的营销活动预测方法 | |
CN115409518A (zh) | 用户交易风险预警方法及装置 | |
CN114036405A (zh) | 一种基于图卷积网络的社交推荐方法与系统 | |
CN113205409A (zh) | 贷款业务处理方法及装置 | |
CN114240659A (zh) | 一种基于动态图卷积神经网络的区块链异常节点识别方法 | |
CN117290508A (zh) | 一种基于自然语言处理的贷后文本数据处理方法和系统 | |
CN116503158A (zh) | 基于数据驱动的企业破产风险预警方法、系统及装置 | |
US11636536B2 (en) | Systems and methods for automating pricing desk operation | |
CN113220447B (zh) | 基于边缘计算的金融风控系统及方法 | |
CN114723012A (zh) | 基于分布式训练系统的计算方法和装置 | |
Neysiani et al. | A framework for improving find best marketing targets using a hybrid genetic algorithm and neural networks | |
Singh et al. | Analysing Data Mining Techniques on Bank Customers for Credit Score | |
CN111768306A (zh) | 基于智能数据分析的风险识别方法及系统 | |
CN113255935A (zh) | 基于联邦学习的模型更新方法和装置以及存储介质 | |
Liu et al. | A comparison of machine learning algorithms for prediction of past due service in commercial credit |
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 |