CN113724064A - 基于人工智能的参数确定方法、装置、电子设备 - Google Patents

基于人工智能的参数确定方法、装置、电子设备 Download PDF

Info

Publication number
CN113724064A
CN113724064A CN202111005504.9A CN202111005504A CN113724064A CN 113724064 A CN113724064 A CN 113724064A CN 202111005504 A CN202111005504 A CN 202111005504A CN 113724064 A CN113724064 A CN 113724064A
Authority
CN
China
Prior art keywords
loan
target object
target
interest rate
data
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
Application number
CN202111005504.9A
Other languages
English (en)
Inventor
黄福华
郑文琛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WeBank Co Ltd
Original Assignee
WeBank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202111005504.9A priority Critical patent/CN113724064A/zh
Publication of CN113724064A publication Critical patent/CN113724064A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/21—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
    • G06F18/2415—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Finance (AREA)
  • Computing Systems (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请提供了一种基于人工智能的参数确定方法、装置；方法包括：响应于针对目标对象的贷款利率获取指令，获取目标对象的对象数据；基于对象数据，对目标对象进行贷款金额的预测，得到用于表征目标对象所对应贷款金额的第一预测结果，对目标对象进行贷款时长的预测，得到用于表征目标对象所对应贷款时长的第二预测结果；构建目标对象的至少两个参数组合，参数组合包括第一预测结果、第二预测结果及贷款利率，不同参数组合中的贷款利率不同；确定对应各参数组合的贷款收益值，基于贷款收益值，从至少两个贷款利率中选取与目标对象相适配的目标贷款利率；输出与目标对象相适配的目标贷款利率。通过本申请，提高不同目标对象的贷款利率确定效率。

Description

基于人工智能的参数确定方法、装置、电子设备
技术领域
本申请涉及人工智能技术，尤其涉及一种基于人工智能的参数确定方法、装置、电子设备及计算机可读存储介质。
背景技术
人工智能(AI，Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
金融领域中，尤其涉及贷款业务时，利率是一个很重要的因素。对于客户来说，利率直接影响客户是否进行提款、提款多少，通常来说，贷款利率低，提款率和提款金额高。相关技术中，对贷款客户的贷款利率都是通过人工进行确定，针对不同的贷款客户，根据客户的具体情况确定合适的贷款利率，使得贷款利率的确定效率低。
发明内容
本申请实施例提供一种基于人工智能的参数确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够提高不同目标对象的贷款利率确定效率。
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种基于人工智能的参数确定方法，包括：
响应于针对目标对象的贷款利率获取指令，获取目标对象的对象数据，所述对象数据包括对象属性数据及对象行为数据；
基于所述对象数据，对所述目标对象进行贷款金额的预测，得到用于表征所述目标对象所对应贷款金额的第一预测结果，并对所述目标对象进行贷款时长的预测，得到用于表征所述目标对象所对应贷款时长的第二预测结果；
构建对应所述目标对象的至少两个参数组合，每个所述参数组合包括所述第一预测结果、所述第二预测结果及贷款利率，其中，不同所述参数组合中的贷款利率不同；
分别确定对应各所述参数组合的贷款收益值，并基于确定的贷款收益值，从至少两个贷款利率中选取一个作为与所述目标对象相适配的目标贷款利率；
输出与所述目标对象相适配的目标贷款利率。
本申请实施例提供一种基于人工智能的参数确定装置，包括：
获取模块，用于响应于针对目标对象的贷款利率获取指令，获取目标对象的对象数据，所述对象数据包括对象属性数据及对象行为数据；
预测模块，用于基于所述对象数据，对所述目标对象进行贷款金额的预测，得到用于表征所述目标对象所对应贷款金额的第一预测结果，并对所述目标对象进行贷款时长的预测，得到用于表征所述目标对象所对应贷款时长的第二预测结果；
构建模块，用于构建对应所述目标对象的至少两个参数组合，每个所述参数组合包括所述第一预测结果、所述第二预测结果及贷款利率，其中，不同所述参数组合中的贷款利率不同；
选取模块，用于分别确定对应各所述参数组合的贷款收益值，并基于确定的贷款收益值，从至少两个贷款利率中选取一个作为与所述目标对象相适配的目标贷款利率；
输出模块，用于输出与所述目标对象相适配的目标贷款利率。
上述方案中，所述预测模块，还用于将所述对象数据输入至贷款金额预测模型；
通过所述贷款金额预测模型的特征提取层，对所述对象数据进行特征提取，得到对应所述对象数据的第一特征数据；
通过所述贷款金额预测模型的预测层，基于所述第一特征数据对所述对象数据进行贷款金额预测，得到用于表征所述目标对象所对应贷款金额的第一预测结果。
上述方案中，所述预测模块，还用于将所述对象数据输入至贷款时长预测模型；
通过所述贷款时长预测模型的特征提取层，对所述对象数据进行特征提取，得到对应所述对象数据的第二特征数据；
通过所述贷款时长预测模型的预测层，基于所述第一特征数据对所述对象数据进行贷款时长预测，得到用于表征所述目标对象所对应贷款时长的第二预测结果。
上述方案中，所述构建模块，还用于获取贷款利率的取值范围，并从所述取值范围中选取互不相同的至少两个贷款利率；
基于选取的至少两个贷款利率、所述第一预测结果及所述第二预测结果，构建对应所述目标对象的至少两个参数组合。
上述方案中，所述构建模块，还用于获取利率调整步长、贷款利率的最小值或者贷款利率的最大值；
根据所述利率调整步长，对所述最小值或所述最大值进行调整，得到互不相同的至少两个贷款利率。
上述方案中，所述选取模块，还用于获取所述参数组合与所述贷款收益值之间的映射关系；
分别将构建的各所述参数组合代入所述映射关系，得到相应的贷款收益值。
上述方案中，所述选取模块，还用于获取确定的至少两个贷款收益值中的贷款收益最大值；
将所述贷款收益最大值对应的所述贷款利率作为与所述目标对象相适配的目标贷款利率。
上述方案中，所述输出模块，还用于当所述目标对象的数量不少于两个时，确定与所述目标对象的数量相同的比对对象；
获取各所述比对对象对应的目标参数组合，每个所述目标参数组合包括预设的贷款金额、预设的贷款时长及预设的贷款利率；
基于所述目标参数组合，分别确定各所述比对对象的贷款收益；
基于各所述目标对象的贷款收益，以及各所述比对对象的贷款收益，生成并输出贷款收益对比报告。
本申请实施例提供一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的基于人工智能的参数确定方法。
本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的基于人工智能的参数确定方法。
本申请实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本申请实施例提供的基于人工智能的参数确定方法。
本申请实施例具有以下有益效果：
与相关技术中，采用人工规则确定贷款利率的方式相比，本申请实施例为目标对象设置至少两个参数组合，每个参数组合包括贷款金额、贷款时长以及贷款利率，并根据至少两个参数组合，确定贷款收益最大值对应的贷款利率，作为与目标对象相适配的贷款利率。如此，能够自动实现为每个目标对象确定相适配的贷款利率，提高了贷款利率的确定效率，同时，由于贷款利率是和目标对象相适配的，实现了贷款利率的个性化，进而能够使得对应目标对象的贷款收益值最大化。
附图说明
图1是本申请实施例提供的基于人工智能的参数确定系统的一个可选的结构示意图；
图2是本申请实施例提供的电子设备的一个可选的结构示意图；
图3是本申请实施例提供的基于人工智能的参数确定方法的流程示意图；
图4是本申请实施例提供的贷款参数之间的关系示意图；
图5是本申请实施例提供的贷款金额的预测方法示意图；
图6A是本申请实施例提供的贷款金额预测模型组成示意图；
图6B是本申请实施例提供的贷款金额预测模型的训练过程示意图；
图7是本申请实施例提供的贷款时长的预测方法示意图；
图8是本申请实施例提供的贷款时长预测模型组成示意图；
图9是本申请实施例提供的参数组合设置方法示意图；
图10是本申请实施例提供的贷款收益的比对报告生成流程示意图；
图11是本申请实施例提供的比对报告生成的另一示意图；
图12是本申请实施例提供的基于人工智能的参数确定方法的另一流程示意图；
图13是本申请实施例提供的目标利率确定方法示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
如果申请文件中出现“第一/第二”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。
1)逻辑回归(LR，Logistic Regression)模型：是在线性回归的基础上添加了一个Sigmoid函数(非线形)映射，从而可以使逻辑回归成为一个优秀的分类算法。逻辑回归假设数据服从伯努利分布，通过极大化似然函数的方法，运用梯度下降来求解参数，来达到将数据二分类的目的。
相比于协同过滤和矩阵分解利用用户的物品“相似度”进行推荐，LR将问题看成一个分类问题，通过预测正样本的概率对物品进行排序，因此逻辑回归模型将推荐问题转化成了一个点击率预估问题。
2)梯度提升树(GBDT，Gradient Boosting Decison Tree)：是传统机器学习中对真实分布拟合最好的几种算法之一。GBDT通过采用加法模型(即基函数的线性组合)，以及不断减小训练过程产生的误差来达到将数据分类或者回归的算法。GBDT每轮产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练。GBDT对弱分类器的要求只要求足够简单，并且地方低方差高偏差(欠拟合)。由此，每个分类回归树的深度不会很深，最终的总分类器是将每轮训练得到的弱分类器加权求和得到。GBDT来解决二分类和回归问题的本质一样，都是通过不断构建决策树，使预测结果一步步接近目标值。GBDT在回归问题上一般使用平方损失，而在二分类问题中，GBDT和逻辑回归一样，使用交叉熵。
3)均方误差(MSE，Mean Squared Error)：均方误差是回归算法的评价指标，均方误差是指参数估计值与参数真值之差平方的期望值，MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。
本申请实施例提供一种基于人工智能的参数确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够自动实现为每个目标对象确定相适配的贷款利率，提高了贷款利率的确定效率，同时，由于贷款利率是和目标对象相适配的，实现了贷款利率的个性化，进而能够使得对应目标对象的贷款收益值最大化。
基于上述对本申请实施例中涉及的名词和术语的解释，首先对本申请实施例提供的基于人工智能的参数确定系统进行说明，参见图1，图1是本申请实施例提供的基于人工智能的参数确定系统的一个可选的架构示意图，在基于人工智能的参数确定系统100中，终端400通过网络300连接服务器200，网络300可以是广域网或者局域网，又或者是二者的组合，使用无线链路实现数据传输。在一些实施例中，终端400可以是笔记本电脑，平板电脑，台式计算机，智能手机，专用消息设备，便携式游戏设备，智能音箱，智能手表等，但并不局限于此。服务器200可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN，Content Delivery Network)、以及大数据和人工智能平台等基础云计算服务的云服务器。网络300可以是广域网或者局域网，又或者是二者的组合。终端400以及服务器200可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例中不做限制。
终端400，用于发送携带目标对象的对象数据的贷款利率获取请求至服务器200，以请求服务器200返回与目标对象相适配的目标贷款利率。
服务器200，用于接收终端400发出的针对目标对象的贷款利率获取指令响应于该指令，获取目标对象的对象数据；基于对象数据，对目标对象进行贷款金额的预测，得到用于表征目标对象所对应贷款金额的第一预测结果，并对目标对象进行贷款时长的预测，得到用于表征目标对象所对应贷款时长的第二预测结果；构建对应目标对象的至少两个参数组合，每个参数组合包括第一预测结果、第二预测结果及贷款利率，其中，不同参数组合中的贷款利率不同；分别确定对应各参数组合的贷款收益值，并基于确定的贷款收益值，从至少两个贷款利率中选取一个作为与目标对象相适配的目标贷款利率；输出与目标对象相适配的目标贷款利率。
在一些实施例中，终端400上设置有贷款利率定价客户端410，用户基于贷款利率定价客户端410触发针对目标对象的贷款利率获取指令，贷款利率定价客户端410响应于贷款利率获取指令，发送携带目标对象的对象数据的贷款利率获取请求至服务器；服务器200响应于针对目标对象的贷款利率获取指令，获取目标对象的对象数据；基于对象数据，对目标对象进行贷款金额的预测，得到用于表征目标对象所对应贷款金额的第一预测结果，并对目标对象进行贷款时长的预测，得到用于表征目标对象所对应贷款时长的第二预测结果；构建对应目标对象的至少两个参数组合，每个参数组合包括第一预测结果、第二预测结果及贷款利率，其中，不同参数组合中的贷款利率不同；分别确定对应各参数组合的贷款收益值，并基于确定的贷款收益值，从至少两个贷款利率中选取一个作为与目标对象相适配的目标贷款利率；输出与目标对象相适配的目标贷款利率至贷款利率定价客户端410。
参见图2，图2是本申请实施例提供的电子设备的一个可选的结构示意图，在实际应用中，电子设备500可以实施为图1中的终端400或服务器200，以电子设备为图1所示的服务器200为例，对实施本申请实施例的基于人工智能的参数确定方法的电子设备进行说明。图2所示的电子设备500包括：至少一个处理器510、存储器550、至少一个网络接口520和用户接口530。电子设备500中的各个组件通过总线系统540耦合在一起。可以理解，总线系统540用于实现这些组件之间的连接通信。总线系统540除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统540。
处理器510可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
用户接口530包括使得能够呈现媒体内容的一个或多个输出装置531，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口530还包括一个或多个输入装置532，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。
存储器550可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器550可选地包括在物理位置上远离处理器510的一个或多个存储设备。
存储器550包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM，Read Only Memory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本申请实施例描述的存储器550旨在包括任意适合类型的存储器。
在一些实施例中，存储器550能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。
操作系统551，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；
网络通信模块552，用于经由一个或多个(有线或无线)网络接口520到达其他计算设备，示例性的网络接口520包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；
呈现模块553，用于经由一个或多个与用户接口530相关联的输出装置531(例如，显示屏、扬声器等)使得能够呈现信息(例如，用于操作外围设备和显示内容和信息的用户接口)；
输入处理模块554，用于对一个或多个来自一个或多个输入装置532之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
在一些实施例中，本申请实施例提供的基于人工智能的参数确定装置可以采用软件方式实现，图2示出了存储在存储器550中的基于人工智能的参数确定装置555，其可以是程序和插件等形式的软件，包括以下软件模块：获取模块5551、预测模块5552、构建模块5553、提取模块5554和选取模块5555，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
在另一些实施例中，本申请实施例提供的基于人工智能的参数确定装置可以采用硬件方式实现，作为示例，本申请实施例提供的基于人工智能的参数确定装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的基于人工智能的参数确定方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。
接下来说明本申请实施例提供的基于人工智能的参数确定方法。在一些实施例中，本申请实施例提供的基于人工智能的参数确定方法可以由终端或服务器单独实施，或者由终端及服务器协同实施。以服务器实施为例，参见图3，图3是本申请实施例提供的基于人工智能的参数确定方法的流程示意图，将结合图3示出的步骤进行说明。
在步骤101中，服务器响应于针对目标对象的贷款利率获取指令，获取目标对象的对象数据，对象数据包括对象属性数据及对象行为数据。
在一些实施例中，服务器接收到针对目标对象的贷款利率获取指令时，表明目标对象可能具有贷款需求，服务器根据获取到的目标对象的对象信息，为该目标对象制定个性化的贷款策略。贷款策略可以用于表征贷款金额、贷款时长以及贷款利率之间的关系。根据相适配的贷款策略，服务器可以为目标对象设置满足目标对象贷款需求信息的贷款金额、贷款时长及贷款利率等，贷款需求信息表征目标对象对贷款的具体需求，例如申请贷款额度、申请贷款年限等等。
在实际应用中，以目标对象的对象数据为金融机构(如银行)存储的客户数据为例，对象属性信息可以包括客户的身份信息、交易信息、资产数据、授信数据等，对象行为信息可以包括客户对应的金融交易行为、网络行为数据、购买记录、浏览记录和通讯信息等。身份信息可以包括：用户的性别、年龄、户籍、居住地等；交易信息可以包括：通过账户与商家发生的各种交易；资产数据：客户的存款情况、房产情况等。金融交易行为包括：信用卡、储蓄卡购买金融产品的类型、偏好、金额、周期等信息。网络行为数据包括：在手机银行中查询账单的信息、搜索理财产品的信息等。
在步骤102中，基于对象数据，对目标对象进行贷款金额的预测，得到用于表征目标对象所对应贷款金额的第一预测结果，并对目标对象进行贷款时长的预测，得到用于表征目标对象所对应贷款时长的第二预测结果。
在实际应用中，目标对象针对金融机构发放的贷款产品的需求度，与贷款产品的贷款利率紧密相关。贷款产品的贷款利率，往往会直接影响目标对象是否对贷款产品进行贷款、针对贷款产品的贷款金额的多少以及贷款时长等。
在实际实施时，参见图4，图4是本申请实施例提供的贷款参数之间的关系示意图，图4中以一种贷款产品进行说明，根据贷款产品的特点，为每个目标对象设置不同的贷款金额(贷款额度)，为每个贷款金额设置不同的贷款时长，并为每个贷款金额对应不同的贷款时长设置多个各不相同的贷款利率，并确定对应每个贷款利率的贷款收益。金融机构根据贷款收益，确定对应贷款产品，适配目标对象的贷款金额、贷款时长以及贷款利率。
在实际应用中，金融机构通常会根据贷款产品的实际特点为目标对象设置适配的贷款利率。此处，对应目标对象的贷款利率一般能够满足以下两个条件：对目标对象而言，贷款产品的贷款利率越低越好；对发放贷款产品的金融机构(如银行等)而言，针对目标贷款产品，设定的与目标对象对应的贷款利率可以使贷款收益值(贷款收入)最大。因此，金融机构往往根据客户针对贷款产品的贷款金额、贷款时长以及贷款利率以及三者的关联关系确定对应贷款产品的贷款收益值。
在一些实施例中，确定目标对象对相应贷款产品的需求程度时，需要获取目标对象对应相应贷款产品的贷款金额(贷款额度)，相同贷款产品不同的贷款额度，目标对象的需求度不同。为了使目标对象对贷款产品的需求度最大化，需要确定目标对象对应贷款产品的贷款金额。
首先，对获取目标对象对应的贷款金额的方式进行说明，在一些实施例中，可以通过机器学习模型对目标对象进行贷款金额的预测。参见图5，图5是本申请实施例提供的贷款金额的预测方法示意图，结合图5示出的步骤进行说明。
步骤201，服务器将对象数据输入至贷款金额预测模型。
对象数据包括对象属性数据以及对象行为数据，以金融结构客户的客户数据为例，对象属性信息可以包括客户的身份信息、交易信息、资产数据、授信数据等，对象行为信息可以包括客户对应的金融交易行为、网络行为数据、购买记录、浏览记录和通讯信息等。
步骤202，通过贷款金额预测模型的特征提取层，对对象数据进行特征提取，得到对应对象数据的第一特征数据。
在一些实施例中，参见图6A，图6A是本申请实施例提供的贷款金额预测模型组成示意图，如图中所示，贷款金额预测模型的模型结构可以包括用于对目标对象的对象数据进行特征提取的特征提取层(编号1)，以及用于对目标对象的对象数据进行贷款金额预测的预测层(编号2)。将目标对象的对象数据输入至训练完成的贷款金额预测模型，经过贷款金额预测模型的特征提取层获取与对象数据中贷款金额相关的特征数据作为第一特征数据，然后经过预测层的处理，输出表征目标对象的贷款金额的预测结果。
在实施实施时，贷款金额预测模型可以是线性或非线性回归模型，比如逻辑回归LR模型、梯度提升树GBDT、深度神经网络DNN模型等，贷款时长预测模型可以采用上述任何一种机器学习模型，也可以采用上述多种机器学习模型的组合方式。
步骤203，通过贷款金额预测模型的预测层，基于第一特征数据对对象数据进行贷款金额预测，得到用于表征目标对象所对应贷款金额的第一预测结果。
通过贷款金额预测模型的预测层，并结合与贷款金额相关的特征数据，预测对象数据针对目标贷款产品可能的贷款金额(需求最大的贷款金额)。在实际情况中，针对对象数据得到的贷款金额可以包含多个数值，这与为贷款产品设定的贷款策略相关。
对于贷款金额(贷款额度)，服务器在接收到针对目标对象的贷款利率获取指令时，会根据不同的对象数据为目标对象确定个性化的贷款策略。服务器设定与目标对象对应的贷款策略时，会根据目标对象的对象数据分别对对象的贷款金额、贷款时长进行预测，得到对应目标对象的贷款金额、贷款时长，然后根据贷款利率调整范围对贷款利率进行调整，得到相应的贷款策略。
在一些实施例中，在使用训练完成的贷款金额预测模型进行贷款预测之前，还需要对贷款金额预测模型进行训练。参见图6B，图6B是本申请实施例提供的贷款金额预测模型的训练过程示意图，具体可通过以下方式实现：服务器获取携带标签的样本对象的对象数据，对象数据包括对象属性数据及对象行为数据，标签用于表征目标对象所对应贷款金额；通过贷款金额预测模型的特征提取层(图中编号1)，对样本对象的对象数据进行特征提取，得到对应对象数据的第一特征数据；通过贷款金额预测模型的预测层(图中编号2)，基于对象特征数据对样本对象进行贷款金额预测，得到预测结果(图中编号3对应的对象标识，以及编号4对应的预测贷款金额)。基于样本对象的预测结果(预测值)与标签(真实值)之间的差异，更新贷款金额预测模型的模型参数。重复执行上述过程，直至贷款金额预测模型达到收敛条件，得到训练完成的贷款金额预测模型。其中，收敛条件可以是模型损失函数收敛或者是模型参数收敛或者是达到最大迭代次数或者是达到最大训练时间。
在实际实施时，贷款金额预测模型为通过历史样本对象的对象数据和贷款金额的关系进行训练得到的。贷款金额预测模型可以是任意回归模型，比如LR模型、GBDT模型等，贷款时长预测模型可以采用上述任何一种机器学习模型，也可以采用上述多种机器学习模型的组合方式。具体依据实际样本对象数量和对象数据的属性数据以及行为数据而定。
以历史样本对象为金融机构的客户为例，对应的客户为企业时，对应的历史数据可以包括企业基本信息、企业征信数据、工商数据、行内税务数据、国税数据、企业代发工资数据、公积金缴交情况数据及企业流水数据等。对应的客户为为个人时，对应的历史业务数据可以包括个人用户基本信息、行内用户评分数据、用户等级数据、个人征信数据、贷款合约数据、贷款账户数据、贷款账户交易流水数据、贷款放款流水数据、贷记卡合约数据、贷记卡账户数据、贷记卡账户流水数据等。
示例性地，训练贷款金额预测模型(回归模型)时，可以使用预测结果(预测值)和标签数据(真实值)的均方方差MSE作为损失函数L，并使得L的值最小(L收敛)。L公式如下：
Figure BDA0003237027390000121
在公式(1)中，
Figure BDA0003237027390000122
表示真实值和预测值的误差。
其次，对获取目标对象对应的贷款时长的方式进行说明，在一些实施例中，可以通过机器学习模型对目标对象进行贷款时长的预测。参见图7，图7是本申请实施例提供的贷款时长的预测方法示意图，结合图7示出的步骤进行说明。
步骤301，服务器将对象数据输入至贷款时长预测模型。
需要说明的是，对象数据与输入贷款金额预测模型的对象数据是一致的。
步骤302，通过贷款时长预测模型的特征提取层，对对象数据进行特征提取，得到对应对象数据的第二特征数据。
在一些实施例中，参见图8，图8是本申请实施例提供的贷款时长预测模型组成示意图，如图中所示，贷款时长预测模型的模型结构可以包括用于对目标对象的对象数据进行特征提取的特征提取层(编号1)，以及用于对目标对象的对象数据进行贷款时长预测的预测层(编号2)。将目标对象的对象数据输入至训练完成的贷款时长预测模型，经过特征提取层的处理得到与对象数据中贷款时长相关的特征数据作为第二特征数据，然后经过预测层的处理，输出表征目标对象的贷款时长的预测结果。
在实施实施时，贷款时长预测模型可以是线性或非线性回归模型，比如逻辑回归LR模型、梯度提升树GBDT、深度神经网络DNN模型等，贷款时长预测模型可以采用上述任何一种机器学习模型，也可以采用上述多种机器学习模型的组合方式。
步骤303，通过贷款时长预测模型的预测层，基于第一特征数据对对象数据进行贷款时长预测，得到用于表征目标对象所对应贷款时长的第二预测结果。
在实际实施时，得到的第二预测结果可以是对象标识以及对应的贷款时长。
需要说明的是，在使用贷款时长预测模型对目标对象的贷款时长进行预测之前，需要先对贷款时长预测模型进行训练。贷款时长预测模型为通过历史样本对象的对象数据和贷款时长的关系进行训练得到的。具体的训练过程与前述贷款金额预测模型的训练过程相似，此处不再赘述。
在步骤103中，构建对应目标对象的至少两个参数组合，每个参数组合包括第一预测结果、第二预测结果及贷款利率，其中，不同参数组合中的贷款利率不同。
在一些实施例中，贷款金额、贷款时长以及贷款利率等参数信息都是影响目标对象的贷款需求以及金融机构贷款收益的直接因素。为了能够对用户的贷款需求进行准确的分析，需要为不同目标对象确定个性化的贷款策略，进而获取与目标对象相适配的贷款利率，即预先构建与目标对象对应的多组参数数据。参见图9，图9是本申请实施例提供的参数组合设置方法示意图，基于图3，图3示出的步骤103可以通过步骤1031至步骤1032实现，将结合各步骤进行说明。
步骤1031，服务器获取贷款利率的取值范围，并从取值范围中选取互不相同的至少两个贷款利率。
对于贷款利率，在为目标对象确定贷款发放信息时，通常会设置贷款额度和贷款时长等所对应的贷款利率。
在一些实施例中，可以根据贷款利率调整范围对贷款利率进行调整(即从贷款利率的调整范围(取值范围)中，选取互不相同的多个贷款利率)，其中，根据利率取值范围获取多个贷款利率的方式可以有多种，一种可能的实现方式如下：服务器获取利率调整步长、贷款利率的最小值或者贷款利率的最大值；根据利率调整步长，对最小值或所述最大值进行调整，得到互不相同的至少两个贷款利率。
在实际实施时，服务器根据利率调整步长、贷款利率的最小值或者贷款利率的最大值，最多确定n个互不相同的贷款利率，n≥2且n为整数。服务器从确定的n个贷款利率中选取至少两个贷款利率。
示例性地，设置贷款利率的调整范围是[0.01-0.05]，利率调整步长(调整精度)是0.001，则在取值范围[0.01-0.05]之间，根据调整步长0.001，若不包括范围最小值0.01以及最大值0.05，则可以获取贷款利率值的个数为(0.05-0.01)/0.01＝40个，具体贷款利率值为[0.011、0.002、……、0.049]；也可以是包括0.01以及0.05的取值集合，即[0.01、0.011、0.002、……、0.049、0.05]共42个贷款利率值。服务器从这42个贷款利率中选取互不相同的至少两个贷款利率，需要说明的是，贷款利率的选取个数可根据服务器的实际计算能力进行设定，在服务器计算能力允许的情况下，可以直接选取确定所有的n个贷款利率。
步骤1032，基于选取的至少两个贷款利率、第一预测结果及第二预测结果，构建对应目标对象的至少两个参数组合。
在一些实施例中，承接步骤1031中的至少两个贷款利率、并结合步骤102中预测得到的表征目标对象的贷款额度的第一预测结果、以及预测得到的表征目标对象的贷款时长的第二预测结果，构成至少两个参数组合，即每个参数组合中均包括贷款金额、贷款时长以及贷款利率。
示例性地，承接步骤1031中的示例，从42个贷款利率中选取了10个候选贷款利率，与通过贷款金额预测模型预测得到的目标对象对应的贷款金额50万、以及通过贷款时长预测模型得到的目标对象对应的贷款时长240个月，构成多个参数组合，此时，由于对应目标对象的贷款金额和贷款时长是固定值，则构成的参数组合的个数与选取的贷款利率的个数相同，在贷款金额和贷款时长固定的情况下，针对目标对象而言贷款利率越低、贷款需求越高；而针对金融机构而言，贷款利率越高、贷款收益越高，因此在实际应用中，通常结合实际情况，从取值范围中选取既能提高目标贷款需求，又能保证金融机构贷款收益的至少两个贷款利率。
在另一些实施例中，通过预测金额模型得到目标对象对应的贷款金额可以是一个集合M(包含m个贷款金额，m≥2且为整数)，通过预测时长模型得到目标对象对应的贷款时长可以是一个集合T(包含t个贷款时长，t≥1且为整数)，得到的贷款利率集合R(包含r个贷款利率，r≥1且为整数)，然后将贷款金额集合M、贷款时长T以及贷款利率集合R中的各贷款金额、各贷款时长以及各贷款利率互相组合，得到m×t×r个参数组合。例如，参见图4中的贷款金额、贷款时长以及贷款利率三者之间的相互关系。
示例性地，目标对象u对应的贷款金额集合M{10万、20万}、贷款时长T{120月、240月}、选取的贷款利率集合R{0.036、0.065}，则得到对应目标对象u的参数组合为{10万、120月、0.036}、{10万、240月、0.036}、{10万、120月、0.065}、{10万、240月、0.065}等共8个。
在步骤104中，分别确定对应各参数组合的贷款收益值，并基于确定的贷款收益值，从至少两个贷款利率中选取一个作为与目标对象相适配的目标贷款利率。
在一些实施例中，确定参数组合对应的贷款收益值，可以通过以下方式实现：服务器获取参数组合与贷款收益值之间的映射关系；分别将构建的各参数组合代入映射关系，得到相应的贷款收益值。
在实际实施时，参数组合中的贷款金额、贷款时长以及贷款利率三者之间可以存在以下映射关系：贷款收益＝贷款利率×贷款金额×用款时长。在贷款金额相同、用款时长相同的情况，根据上述映射关系可以确定不同的贷款利率对应的不同的贷款收益。
示例性地，参见图4，目标对象1针对目标贷款产品，通过进行贷款金额预测，得到m个贷款金额{贷款金额1、……、贷款金额m}，针对每个{目标对象-贷款金额}组合设置多个贷款时长，以{目标对象1-贷款金额1}为例，设置有贷款时长{贷款时长1、……、贷款金额t}，对应每个{目标对象-贷款金额-贷款时长}设置有多个贷款利率，以{目标对象1-贷款金额1-贷款时长1}为例，设置有贷款利率{贷款利率1、……、贷款利率r}。如此，针对目标对象1，设置的参数组合为{贷款金额1-贷款时长1-贷款利率1}、{贷款金额1-贷款时长1-贷款利率2}、……、{贷款金额m-贷款时长t-贷款利率r}，共m×t×r对参数组合。分别确定每个参数组合对应的贷款收益{贷款收益1、……、贷款利率v、……}，共m×t×r个贷款收益值。
在一些实施例中，基于确定的贷款收益值，确定与目标对象相适配的目标贷款利率的方式，可以通过以下方式实现：服务器获取确定的至少两个贷款收益值中的贷款收益最大值；将贷款收益最大值对应的贷款利率作为与目标对象相适配的目标贷款利率。
在实际实施时，从多个确定的贷款收益值中获取贷款收益最大值的方式，可以采用常用的排序查找算法，如冒泡排序、堆排序、直接插入排序等算法。基于常用的排序查找算法查找得到贷款收益最大值，并将贷款收益最大值对应的贷款利率作为目标利率。
示例性地，参见图4，以目标对象1为例，获取m×t×r个贷款收益值中的最大值，并将贷款收益最大值对应的贷款利率作为目标对象1的目标贷款利率。
在步骤105中，输出与目标对象相适配的目标贷款利率。
服务器将目标对象的目标贷款利率输出至客户端显示。
在一些实施例中，基于图3，在步骤105之后，还会执行对本申请实施例提供的基于人工智能的参数确定方法对贷款收益的比对报告，参见图10，图10是本申请实施例提供的贷款收益的比对报告生成流程示意图，结合图10示出的步骤对比对报告的生成流程进行说明。
步骤401，当目标对象的数量不少于两个时，服务器确定与目标对象的数量相同的比对对象。
在实际实施时，当目标对象的数量不少于两个时，服务器获取与目标对象的数量相同的比对对象，通过后续步骤获取各比对对象在人工制定的贷款策略中的贷款收益。
步骤402，获取各比对对象对应的目标参数组合，每个目标参数组合包括预设的贷款金额、预设的贷款时长及预设的贷款利率。
在一些实施例中，通过人工定价策略为各比对对象配置多个目标参数组合，目标参数包括预设贷款金额、预设贷款时长、预设贷款利率等。
在实际实施时，人工定价策略通常包括以下方式：必须大于等于风控基础利率；根据不同对象的对象数据确定不同的利率，对象数据比如：地区，渠道等，针对不同的标签值，使用不同的利率等。
步骤403，基于目标参数组合，分别确定各比对对象的贷款收益。
在一些实施例中，参见图11，图11是本申请实施例提供的比对报告生成的另一示意图，图中服务器根据比对对象的各目标参数组合，以及各目标参数之间的映射关系，确定各目标参数组合的贷款收益作为各比对对象的贷款收益(图中编号1所示)。
在实际实施时，目标参数组合中各目标参数存在如下映射关系：贷款收益＝贷款金额×贷款时长×贷款利率；但在实际应用中，受社会经济情况或国际局势影响等各种外部因素，目标参数组合中各目标参数还可以存在以下映射关系：贷款收益＝贷款金额×贷款时长×贷款利率×影响因子，其中，影响因子是根据实际经济形势与居民收入等情况确定的。
步骤404，基于各目标对象的贷款收益，以及各比对对象的贷款收益，生成并输出贷款收益对比报告。
在一些实施例中，基于图3中的步骤101至105，确定各目标对象的贷款收益(图11中编号2所示的目标对象的贷款收益确定流程)，依据步骤403中预设的目标参数之间的映射关系确定的各比对对象的贷款收益(图11中编号1所示的比对对象的贷款收益确定流程)，生成贷款收益的比对报告。
在实际实施时，当对应目标对象的贷款收益高于对应比对对象的贷款收益时，说明本申请实施例提供的在贷款业务中基于人工智能的参数确定方法能够有效提升金融机构的贷款收益。
本申请实施例通过对目标对象进行贷款金额的预测，得到相应的贷款金额，并对目标对象进行贷款时长的预测，得到相应的贷款时长；然后通过得到的贷款金额、贷款时长以及贷款利率构建对应目标对象的多个参数组合，不同参数组合中的贷款利率不同；最后分别确定对应各参数组合的贷款收益值，获取贷款收益最大值所对应的贷款利率作为与目标对象相适配的目标贷款利率。如此，能够自动实现为每个目标对象确定相适配的贷款利率，提高了贷款利率的确定效率，同时，由于贷款利率是和目标对象相适配的，实现了贷款利率的个性化，进而能够使得对应目标对象的贷款收益值最大化，同时能够实现对不同目标对象的精细化运营。
下面，将说明本申请实施例在一个实际的应用场景中的示例性应用。
在企业贷款业务中，利率是一个很重要的因素。对于客户来说，影响客户是否进行提款、提款多少，通常来说，贷款利率低，提款率和提款金额高。对于银行来说，在贷款金额和用款时长相同的情况下，贷款利率高，贷款收入高，贷款利率低，贷款收入低。因此，如果确定利率，以最大化客户贷款带来的收入(即贷款收入，贷款收入＝贷款金额×贷款利率×用款时长)，就成了一个有价值且具有挑战性的问题。
相关技术中，使用人工规则确定利率。通常的人工规则例如：必须大于等于风控基础利率；不同客户标签确定不同的利率，客户标签比如：地区，渠道等，针对不同的标签值，使用不同的利率。这些人工规则存在几个问题：由于人类经验的限制(和计算机相比)，只能考虑影响利率的少数客户标签；只能使用简单的规则组合标签，无法洞察客户标签(客户标签即客户特征，以下两次混用)之间的复杂关系；无法很好地从已贷款和确定不贷款的客户的特征中，学习到足够好的经验；无法细化到每个客户为粒度的不同利率定价；无法使贷款收入达到最优解。
针对以上相关技术中出现的问题，参见图12，图12是本申请实施例提供的基于人工智能的参数确定方法的另一流程示意图，解决所有以上5点不足，使用本申请申请实施例提供的方法能够自动化地进行利率定价，从而能够达到最大化贷款收入。
步骤501，服务器获取历史客户数据作为训练样本，构造训练数据集。
在实际实施时，参加图13，图13是本申请实施例提供的目标利率确定方法示意图，图中采用历史已提款和不提款的客户数据构造训练样本。客户的特征包括客户的个性化特征和贷款利率，标签包括提款金额(或称贷款金额)和用款时长(或称贷款时长)。
步骤502，采用构造的训练数据集，训练得到提款金额预测模型。
在实际实施时，通过步骤501的客户特征数据和提款金额label(图13中提款金额标签y1)，训练提款金额预测模型(也可称为贷款金额预测模型)。提款金额预测模型可以是任意回归模型，需训练至离线测试指标误差足够小，离线指标比如MSE。
步骤503，采用构造的训练数据集。训练用款时长预测模型。
在实际实施时，除使用用款时长作为模型标签外，其他操作同步骤503，即用款时长预测模型可以是任意回归模型，需训练至离线测试指标误差足够小，离线指标比如MSE。
步骤504，构造新客户样本，并对新客户样本进行随机划分，得到自动定价组以及人工定价组。
在实际实施时，对需要进行利率定价的客户，使用和步骤503一样的方式，构造样本，使其客户个性化特征和步骤501中客户个性化特征一致，但无需构造贷款利率、标签信息(提款金额、用款时长)。采用预设划分方式，对新客户样本进行划分，得到自动定价组以及人工定价组。预设划分方式包括随机划分或者按照预设比例进行划分。
示例性地，将新客户样本进行随机划分为2部分，各50％，或其他适当的比例皆可，划分得到自动化定价组和人工定价组。
步骤505，对自动化定价组中各客户样本进行提款金额的预测，得到客户样本所对应提款金额，并对各客户样本进行用款时长的预测，得到客户样本所对应提款时长。
在实际实施时，对步骤505得到的自动化定价组中的每个客户获取对应的提款金额以及用款时长。具体的可以使用步骤502训练完成的提款金额预测模型预测相应的提款金额，并使用步骤503训练完成的用款时长预测模型预测用款时长。
步骤506，根据利率取值范围、提款金额以及用款时长，确定自动定价组中各客户样本对应的目标利率。
在实际实施时，从步骤505中确定的提款金额、用款时长，以及基于利率取值范围所调整的各利率值的组合中，取使贷款收入达到最大的利率，并将所该利率值作为客户样本的目标利率。其中，贷款收入＝利率×预测提款金额×预测用款时长。利率的取值范围为根据贷款允许的最大最小值之间，比如0.01-0.05，调整的步长根据需要的精度确定，比如0.001。最后，将该定价通过某种方式让客户知晓。
至此，本申请实施例通过上述步骤501至506的操作，能够自动化地进行利率定价，并为不同的客户样本制定个性化的贷款利率，从而能够达到最大化贷款收入。
但在一些实施例中，通常还需要对上述目标利率的定价方法进行验证，验证该方法对提高贷款收入的影响报告，并输出相应的报告。报告生成的方式具体是：将自动化定价组和人工定价组的贷款收入进行比较，并基于比较结果生成比对报告。在实际实施时，如果自动化定价组贷款收入高，则验证自动化定价提高了贷款收入。
本申请实施例通过使用从数据中学习的机器学习模型进行定价，结合双模型和以贷款收入为最优化目标，从数据中学习，以最大化贷款收入为优化目标，实现利率自动化定价。比人工定价，具有能够更加个性化、利率调整更加细粒度、从数据中学习大量特征的优势。
下面继续说明本申请实施例提供的基于人工智能的参数确定装置555的实施为软件模块的示例性结构，在一些实施例中，如图2所示，存储在存储器540的基于人工智能的参数确定装置555中的软件模块可以包括：
获取模块5551，用于响应于针对目标对象的贷款利率获取指令，获取目标对象的对象数据，所述对象数据包括对象属性数据及对象行为数据；
预测模块5552，用于基于所述对象数据，对所述目标对象进行贷款金额的预测，得到用于表征所述目标对象所对应贷款金额的第一预测结果，并对所述目标对象进行贷款时长的预测，得到用于表征所述目标对象所对应贷款时长的第二预测结果；
构建模块5553，用于构建对应所述目标对象的至少两个参数组合，每个所述参数组合包括所述第一预测结果、所述第二预测结果及贷款利率，其中，不同所述参数组合中的贷款利率不同；
选取模块5554，用于分别确定对应各所述参数组合的贷款收益值，并基于确定的贷款收益值，从至少两个贷款利率中选取一个作为与所述目标对象相适配的目标贷款利率；
输出模块5555，用于输出与所述目标对象相适配的目标贷款利率。
在一些实施例中，所述预测模块5552，还用于将所述对象数据输入至贷款金额预测模型；通过所述贷款金额预测模型的特征提取层，对所述对象数据进行特征提取，得到对应所述对象数据的第一特征数据；通过所述贷款金额预测模型的预测层，基于所述第一特征数据对所述对象数据进行贷款金额预测，得到用于表征所述目标对象所对应贷款金额的第一预测结果。
在一些实施例中，所述预测模块5552，还用于将所述对象数据输入至贷款时长预测模型；通过所述贷款时长预测模型的特征提取层，对所述对象数据进行特征提取，得到对应所述对象数据的第二特征数据；通过所述贷款时长预测模型的预测层，基于所述第一特征数据对所述对象数据进行贷款时长预测，得到用于表征所述目标对象所对应贷款时长的第二预测结果。
在一些实施例中，所述构建模块5553，还用于获取贷款利率的取值范围，并从所述取值范围中选取互不相同的至少两个贷款利率；基于选取的至少两个贷款利率、所述第一预测结果及所述第二预测结果，构建对应所述目标对象的至少两个参数组合。
在一些实施例中，所述构建模块5553，还用于获取利率调整步长、贷款利率的最小值或者贷款利率的最大值；根据所述利率调整步长，对所述最小值或所述最大值进行调整，得到互不相同的至少两个贷款利率。
在一些实施例中，所述选取模块5554，还用于获取所述参数组合与所述贷款收益值之间的映射关系；分别将构建的各所述参数组合代入所述映射关系，得到相应的贷款收益值。
在一些实施例中，所述选取模块5554，还用于获取确定的至少两个贷款收益值中的贷款收益最大值；将所述贷款收益最大值对应的所述贷款利率作为与所述目标对象相适配的目标贷款利率。
在一些实施例中，所述输出模块5555，还用于当所述目标对象的数量不少于两个时，确定与所述目标对象的数量相同的比对对象；获取各所述比对对象对应的目标参数组合，每个所述目标参数组合包括预设的贷款金额、预设的贷款时长及预设的贷款利率；基于所述目标参数组合，分别确定各所述比对对象的贷款收益；基于各所述目标对象的贷款收益，以及各所述比对对象的贷款收益，生成并输出贷款收益对比报告。
需要说明的是，本申请实施例装置的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。
本申请实施例提供了一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现本申请实施例提供的基于人工智能的参数确定方法。
本申请实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的方法，例如，如图3示出的基于人工智能的参数确定方法。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
综上所述，通过本申请实施例能够自动实现为每个目标对象确定相适配的贷款利率，提高了贷款利率的确定效率，同时，由于贷款利率是和目标对象相适配的，实现了贷款利率的个性化，进而能够使得对应目标对象的贷款收益值最大化，同时能够实现对不同目标对象的精细化运营。
以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。

Claims (12)

1.一种基于人工智能的参数确定方法，其特征在于，所述方法包括：
响应于针对目标对象的贷款利率获取指令，获取目标对象的对象数据，所述对象数据包括对象属性数据及对象行为数据；
基于所述对象数据，对所述目标对象进行贷款金额的预测，得到用于表征所述目标对象所对应贷款金额的第一预测结果，并对所述目标对象进行贷款时长的预测，得到用于表征所述目标对象所对应贷款时长的第二预测结果；
构建对应所述目标对象的至少两个参数组合，每个所述参数组合包括所述第一预测结果、所述第二预测结果及贷款利率，其中，不同所述参数组合中的贷款利率不同；
分别确定对应各所述参数组合的贷款收益值，并基于确定的贷款收益值，从至少两个贷款利率中选取一个作为与所述目标对象相适配的目标贷款利率；
输出与所述目标对象相适配的目标贷款利率。
2.根据权利要求1所述的方法，其特征在于，所述基于所述对象数据，对所述目标对象进行贷款金额的预测，得到用于表征所述目标对象所对应贷款金额的第一预测结果，包括：
将所述对象数据输入至贷款金额预测模型；
通过所述贷款金额预测模型的特征提取层，对所述对象数据进行特征提取，得到对应所述对象数据的第一特征数据；
通过所述贷款金额预测模型的预测层，基于所述第一特征数据对所述对象数据进行贷款金额预测，得到用于表征所述目标对象所对应贷款金额的第一预测结果。
3.根据权利要求1所述的方法，其特征在于，所述对所述目标对象进行贷款时长的预测，得到用于表征所述目标对象所对应贷款时长的第二预测结果，包括：
将所述对象数据输入至贷款时长预测模型；
通过所述贷款时长预测模型的特征提取层，对所述对象数据进行特征提取，得到对应所述对象数据的第二特征数据；
通过所述贷款时长预测模型的预测层，基于所述第一特征数据对所述对象数据进行贷款时长预测，得到用于表征所述目标对象所对应贷款时长的第二预测结果。
4.根据权利要求1所述的方法，其特征在于，所述构建对应所述目标对象的至少两个参数组合，包括：
获取贷款利率的取值范围，并从所述取值范围中选取互不相同的至少两个贷款利率；
基于选取的至少两个贷款利率、所述第一预测结果及所述第二预测结果，构建对应所述目标对象的至少两个参数组合。
5.根据权利要求4所述的方法，其特征在于，所述从所述取值范围中选取互不相同的至少两个贷款利率，包括：
获取利率调整步长、贷款利率的最小值或者贷款利率的最大值；
根据所述利率调整步长，对所述最小值或所述最大值进行调整，得到互不相同的至少两个贷款利率。
6.根据权利要求1所述的方法，其特征在于，所述分别确定对应各所述参数组合的贷款收益值，包括：
获取所述参数组合与所述贷款收益值之间的映射关系；
分别将构建的各所述参数组合代入所述映射关系，得到相应的贷款收益值。
7.根据权利要求1所述的方法，其特征在于，所述基于确定的贷款收益值，从至少两个贷款利率中选取一个作为与所述目标对象相适配的目标贷款利率，包括：
获取确定的至少两个贷款收益值中的贷款收益最大值；
将所述贷款收益最大值对应的所述贷款利率作为与所述目标对象相适配的目标贷款利率。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述目标对象的数量不少于两个时，确定与所述目标对象的数量相同的比对对象；
获取各所述比对对象对应的目标参数组合，每个所述目标参数组合包括预设的贷款金额、预设的贷款时长及预设的贷款利率；
基于所述目标参数组合，分别确定各所述比对对象的贷款收益；
基于各所述目标对象的贷款收益，以及各所述比对对象的贷款收益，生成并输出贷款收益对比报告。
9.一种基于人工智能的参数确定装置，其特征在于，包括：
获取模块，用于响应于针对目标对象的贷款利率获取指令，获取目标对象的对象数据，所述对象数据包括对象属性数据及对象行为数据；
预测模块，用于基于所述对象数据，对所述目标对象进行贷款金额的预测，得到用于表征所述目标对象所对应贷款金额的第一预测结果，并对所述目标对象进行贷款时长的预测，得到用于表征所述目标对象所对应贷款时长的第二预测结果；
构建模块，用于构建对应所述目标对象的至少两个参数组合，每个所述参数组合包括所述第一预测结果、所述第二预测结果及贷款利率，其中，不同所述参数组合中的贷款利率不同；
选取模块，用于分别确定对应各所述参数组合的贷款收益值，并基于确定的贷款收益值，从至少两个贷款利率中选取一个作为与所述目标对象相适配的目标贷款利率；
输出模块，用于输出与所述目标对象相适配的目标贷款利率。
10.一种基于人工智能的参数确定设备，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至8任一项所述的基于人工智能的参数确定方法。
11.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于被处理器执行时，实现权利要求1至8任一项所述的基于人工智能的参数确定方法。
12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8任一项所述的基于人工智能的参数确定方法。
CN202111005504.9A 2021-08-30 2021-08-30 基于人工智能的参数确定方法、装置、电子设备 Pending CN113724064A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111005504.9A CN113724064A (zh) 2021-08-30 2021-08-30 基于人工智能的参数确定方法、装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111005504.9A CN113724064A (zh) 2021-08-30 2021-08-30 基于人工智能的参数确定方法、装置、电子设备

Publications (1)

Publication Number Publication Date
CN113724064A true CN113724064A (zh) 2021-11-30

Family

ID=78679127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111005504.9A Pending CN113724064A (zh) 2021-08-30 2021-08-30 基于人工智能的参数确定方法、装置、电子设备

Country Status (1)

Country Link
CN (1) CN113724064A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160061183A (ko) * 2014-11-21 2016-05-31 (주)오에스비저축은행 스마트 기기를 이용한 주택담보 대출 서비스 시스템 및 방법
CN109410032A (zh) * 2018-09-26 2019-03-01 深圳壹账通智能科技有限公司 一种信息处理方法、服务器及计算机存储介质
CN109559216A (zh) * 2018-10-17 2019-04-02 阿里巴巴集团控股有限公司 利用深度强化学习预测用户行为的方法及装置
KR20200042731A (ko) * 2018-10-16 2020-04-24 주식회사 전북은행 고객에게 대출 상품을 제공하는 방법, 전자 장치 및 컴퓨터 판독 가능한 기록 매체
CN111583014A (zh) * 2020-04-09 2020-08-25 上海淇毓信息科技有限公司 一种基于gbst的金融风险管理方法、装置和电子设备
CN112241915A (zh) * 2020-09-25 2021-01-19 中国建设银行股份有限公司 一种贷款产品的生成方法和装置
CN112862014A (zh) * 2021-03-31 2021-05-28 中国工商银行股份有限公司 客户信用预警方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160061183A (ko) * 2014-11-21 2016-05-31 (주)오에스비저축은행 스마트 기기를 이용한 주택담보 대출 서비스 시스템 및 방법
CN109410032A (zh) * 2018-09-26 2019-03-01 深圳壹账通智能科技有限公司 一种信息处理方法、服务器及计算机存储介质
KR20200042731A (ko) * 2018-10-16 2020-04-24 주식회사 전북은행 고객에게 대출 상품을 제공하는 방법, 전자 장치 및 컴퓨터 판독 가능한 기록 매체
CN109559216A (zh) * 2018-10-17 2019-04-02 阿里巴巴集团控股有限公司 利用深度强化学习预测用户行为的方法及装置
CN111583014A (zh) * 2020-04-09 2020-08-25 上海淇毓信息科技有限公司 一种基于gbst的金融风险管理方法、装置和电子设备
CN112241915A (zh) * 2020-09-25 2021-01-19 中国建设银行股份有限公司 一种贷款产品的生成方法和装置
CN112862014A (zh) * 2021-03-31 2021-05-28 中国工商银行股份有限公司 客户信用预警方法及装置

Similar Documents

Publication Publication Date Title
EP3985578A1 (en) Method and system for automatically training machine learning model
CN109977151B (zh) 一种数据分析方法及系统
US11120347B2 (en) Optimizing data-to-learning-to-action
CN109783730A (zh) 产品推荐方法、装置、计算机设备和存储介质
US11526579B1 (en) System and methods for performing automatic data aggregation
US11436550B2 (en) Cash forecast system, apparatus, and method
WO2016209213A1 (en) Recommending analytic tasks based on similarity of datasets
Chen et al. Design and implementation of bank CRM system based on decision tree algorithm
US20210117889A1 (en) Co-operative resource pooling system
CN110135976A (zh) 用户画像生成方法、装置、电子设备和计算机可读介质
Akerkar Advanced data analytics for business
Xia et al. Incorporating multilevel macroeconomic variables into credit scoring for online consumer lending
CN109690581A (zh) 用户指导系统及方法
CN111738331A (zh) 用户分类方法及装置、计算机可读存储介质、电子设备
CN113609193A (zh) 训练用于预测客户交易行为的预测模型的方法及装置
Ang et al. Learning knowledge-enriched company embeddings for investment management
Zhang et al. An attention‐based Logistic‐CNN‐BiLSTM hybrid neural network for credit risk prediction of listed real estate enterprises
CN111178656A (zh) 信用模型训练方法、信用评分方法、装置及电子设备
CN113724064A (zh) 基于人工智能的参数确定方法、装置、电子设备
CN112836742A (zh) 系统资源调整方法、装置及设备
US11836143B1 (en) Apparatus and methods for generating an instruction set for a user
Huang et al. Variable selection in classification model via quadratic programming
US20230419344A1 (en) Attribute selection for matchmaking
CN115860815A (zh) 商户优惠分配方法、装置、设备和介质
Le et al. Cryptocurrency Investment Using the Analytic Hierarchy Process

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