CN113807941B - 风险检测方法、装置、计算机设备和存储介质 - Google Patents
风险检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113807941B CN113807941B CN202011596632.0A CN202011596632A CN113807941B CN 113807941 B CN113807941 B CN 113807941B CN 202011596632 A CN202011596632 A CN 202011596632A CN 113807941 B CN113807941 B CN 113807941B
- Authority
- CN
- China
- Prior art keywords
- overdue
- risk
- information
- repayment
- risk information
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000013507 mapping Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013145 classification model Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 210000001061 forehead Anatomy 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提出一种风险检测方法、装置、计算机设备和存储介质,其中,方法包括:获取逾期用户的多维度特征,其中,多维度特征用于表征各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数中的多个组合,根据多维度特征和多维度特征与预测风险信息之间的映射关系,确定逾期用户的预测风险信息,根据预测风险信息,对逾期用户进行还款提醒,根据还款提醒的反馈信息和/或逾期用户的实际还款信息,确定逾期用户的实际风险信息,基于还款提醒的反馈信息和还款的信息,分析多维度特征和/或映射关系确定的准确性,通过不断的调整多维度特征和/或映射关系,使得预测风险信息的准确度提升,提高了风险检测的准确性,进而提高了还款提醒的效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种风险检测方法、装置、计算机设备和存储介质。
背景技术
逾期用户风险检测是指对逾期用户或者即将逾期的用户的不还款状况的风险评估。然而,目前的风险检测方法,对案件的风险评估不够准确,增加了还款提醒的成本。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种风险检测方法,通过从多个维度和映射关系确定用户的预测风险信息,并基于还款提醒的反馈信息和还款的信息,分析多维度特征和/或映射关系确定的准确性,通过不断的调整多维度特征和/或映射关系,使得预测风险信息的准确度提升,提高了风险检测的准确性,进而提高了还款提醒的成功率。
本申请的第二个目的在于提出一种风险检测装置。
本申请的第三个目的在于提出一种计算机设备。
本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
本申请的第五个目的在于提出一种计算机程序产品。
为达上述目的,本申请第一方面实施例提出了一种风险检测方法,包括:
获取逾期用户的多维度特征;其中,所述多维度特征用于表征各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数中的多个组合;
根据所述多维度特征和多维度特征与预测风险信息之间的映射关系,确定所述逾期用户的预测风险信息;
根据所述预测风险信息,对所述逾期用户进行还款提醒;
根据所述还款提醒的反馈信息和/或所述逾期用户的实际还款信息,确定所述逾期用户的实际风险信息;
根据所述逾期用户的实际风险信息和所述预测风险信息之间的差异,重新选取所述多维度特征,和/或,调整所述映射关系。
为达上述目的,本申请第二方面实施例提出了一种风险检测装置,包括:
获取模块,用于获取逾期用户的多维度特征;其中,所述多维度特征用于表征各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数中的多个组合;
确定模块,用于根据所述多维度特征和多维度特征与预测风险信息之间的映射关系,确定所述逾期用户的预测风险信息;
处理模块,用于根据所述预测风险信息,对所述逾期用户进行还款提醒;
分析模块,用于根据所述还款提醒的反馈信息和/或所述逾期用户的实际还款信息,确定所述逾期用户的实际风险信息;
调整模块,用于根据所述逾期用户的实际风险信息和所述预测风险信息之间的差异,重新选取所述多维度特征,和/或,调整所述映射关系。
为达上述目的,本申请第三方面实施例提出了一种计算机设备,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,所述处理器执行所述程序时,实现如第一方面所述的风险检测方法。
为了实现上述目的,本申请第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的风险检测方法。
为了实现上述目的,本申请第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,实现如第一方面所述的风险检测方法。
本申请实施例提供的技术方案至少包含如下的有益效果:
获取逾期用户的多维度特征,其中,多维度特征用于表征各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数中的多个组合,根据多维度特征和多维度特征与预测风险信息之间的映射关系,确定逾期用户的预测风险信息,根据预测风险信息,对逾期用户进行还款提醒,根据还款提醒的反馈信息和/或逾期用户的实际还款信息,确定逾期用户的实际风险信息,基于还款提醒的反馈信息和还款的信息,分析多维度特征和/或映射关系确定的准确性,通过不断的调整多维度特征和/或映射关系,使得预测风险信息的准确度提升,提高了风险检测的准确性,进而提高了还款提醒的成功率。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例所提供的一种风险检测方法的流程示意图;
图2为本申请实施例提供的另一种风险检测方法的流程示意图;
图3为本申请实施例提供的另一种风险检测方法的流程示意图;
图4为本申请实施例提供的另一种风险检测方法的流程示意图;
图5为本申请实施例提供的另一种风险检测方法的流程示意图;
图6为本申请实施例提供的一种风险检测装置的结构示意图;
图7为本申请实施例提供的一种计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的风险检测方法、装置、计算机设备和存储介质。
图1为本申请实施例所提供的一种风险检测方法的流程示意图。
如图1所示,该方法包括以下步骤:
步骤101,获取逾期用户的多维度特征,其中,多维度特征用于表征各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数中的多个组合。
在本申请实施例的一种实现方式中,查询逾期用户的贷款记录,将贷款记录中现金贷的贷款金额与消费贷的贷款金额之间的比值,确定为多维度特征中用于表征贷款金额占比的特征,根据贷款记录中逾期金额、额度使用率和逾期天数,确定多维度特征中对应维度的特征,作为一种实现方式,根据逾期金额确定多维度特征中逾期金额的特征;根据额度使用率确定多维度特征中额度使用率的特征;根据逾期天数确定多维度特征中逾期天数的特征。
步骤102,根据多维度特征和多维度特征与预测风险信息之间的映射关系,确定逾期用户的预测风险信息。
本实施例中,通过获取的多维度特征,综合判断逾期用户的风险信息,相较于通过单一维度的特征确定逾期用户的风险信息,提高了风险信息确定的准确性。
作为一种实现方式,多维度特征与预测风险信息之间的映射关系,包含了多维度特征对应的权重,基于多维特征和权重,可以确定预测风险信息。
作为另一种实现方式,映射关系还可以基于分类模型指示,也就是说基于该分类模型,可以确定多维度特征对应的预测风险信息。
需要说明的是,确定预测风险信息的具体实现方式,后续实施例中会具体说明。
步骤103,根据预测风险信息,对逾期用户进行还款提醒。
其中,预测风险信息,指示了逾期用户还款提醒达成的难度高低。
本实施例中,根据逾期用户的预测风险信息,确定对应的还款提醒策略,还款提醒策略中包含人工等级的还款提醒策略和自动还款提醒策略,通过不同的还款提醒策略,进行还款提醒处理,可以降低还款提醒的成本。
其中,还款提醒策略对应不能难度等级的还款提醒,或者是不同的话术还款提醒,后续实施例中会具体说明。
步骤104,根据还款提醒的反馈信息和/或逾期用户的实际还款信息,确定逾期用户的实际风险信息。
其中,还款提醒的反馈信息,是指向逾期用户发送还款提醒后,用户针对还款提醒给予的反馈信息,反馈信息包含用户话术的回复,例如,给予发送还款提醒的方式,反馈的信息,如,还款提醒是通过短信发送的,则反馈信息也可以是通过短信反馈的,如,好的,我尽快还款。
逾期用户的实际还款信息,是用户根据还款提醒进行还款后生成的还款提示信息,例如通过短信通知的还款信息,或者在公众号中推送的还款信息。
在本实施例的一种实现方式中,根据反馈信息确定逾期用户的状态,其中,状态包含还款中状态或者失联状态。将实际还款信息和逾期用户的状态,与各风险等级设定的匹配规则进行匹配,以根据匹配的风险等级确定逾期用户的实际风险信息。
作为一种实现方式,本实施例中已经预先建立了实际还款信息和逾期用户的状态,与风险等级的匹配规则,该匹配规则可以以对应表格的方式呈现,也就是说通过查询匹配规则表格,确定和实际还款信息和逾期用户的状态,匹配的风险等级,将匹配的风险等级确定为逾期用户的实际风险信息,实现了基于预测得到的预测风险等级,进一步基于实际还款信息和逾期用户的状态,确定实际风险信息,提高了该用户风险等级确定的可靠性。
进一步,作为一种可能的实现方式,根据反馈信息确定逾期用户的状态之后,若确定状态为失联状态的情况,则根据实际还款信息,对逾期用户的状态进行校验,以提高逾期用户状态确定的准确性。
步骤105,根据逾期用户的实际风险信息和预测风险信息之间的差异,重新选取多维度特征,和/或,调整映射关系。
在本申请实施例的一种实现方式中,若实际风险信息指示的风险等级,和预测风险信息指示的风险等级之间的差异大于等级阈值,则随机选取设定个数的维度进行删除或者添加,以得到下一次预测所采用的多维度特征。通过该调整方式,多次调整用于预测的多维度特征,可以提高逾期用户预测风险信息确定的准确性。
作为另一种实现方式,若实际风险信息指示的风险等级,和预测风险信息指示的风险等级之间的差异大于等级阈值,则根据差异调整映射关系中的权重,或者,调整指示映射关系的分类模型的模型参数。通过该调整方式,迭代调整,可以提高逾期用户预测风险信息确定的准确性。
作为第三种可能的实现方式,若实际风险信息指示的风险等级,和预测风险信息指示的风险等级之间的差异大于等级阈值,则随机选取设定个数的维度进行删除或者添加,以得到下一次预测所采用的多维度特征,并根据差异调整映射关系中的权重,或者,调整指示映射关系的分类模型的模型参数。通过该调整方式,迭代调整,可以提高逾期用户预测风险信息确定的准确性。
需要说明的是,重复上述步骤,风险预测的准确性即可不断提高。
本实施例的风险检测方法中,获取逾期用户的多维度特征,其中,多维度特征用于表征各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数中的多个组合,根据多维度特征和多维度特征与预测风险信息之间的映射关系,确定逾期用户的预测风险信息,根据预测风险信息,对逾期用户进行还款提醒,根据还款提醒的反馈信息和/或逾期用户的实际还款信息,确定逾期用户的实际风险信息,基于还款提醒的反馈信息和还款的信息,分析多维度特征和/或映射关系确定的准确性,通过不断的调整多维度特征和/或映射关系,使得预测风险信息的准确度提升,提高了风险检测的准确性,进而提高了还款提醒的效率。
基于上一实施例,本实施例提供了另一种风险检测方法,进一步说明了获取的逾期用户的多维度特征中包含的多种维度,通过增加包含的维度以提高风险检测的准确性。
根据贷款记录指示的历史最大逾期天数、历史逾期次数、最近一次还款时间、最近一次还款金额、未清偿的贷款业务笔数和额度使用率中的一个或多个组合,确定多维度特征中对应维度的特征。
本实施例的一个示例中,通过查询预期用户的贷款记录,根据贷款记录中包含的现金贷的贷款金额与消费贷的贷款金额之间的比值,确定为多维度特征中用于表征贷款金额占比的特征;根据贷款记录中逾期金额确定多维度特征中逾期金额的特征;根据贷款记录中逾期金额确定多维度特征中额度使用率的特征;根据贷款记录中逾期金额确定多维度特征中逾期天数的特征。其中,各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数的特征,可以视为核心特征,也就是说可用于确定预期用户的风险信息,确定的风险信息的准确度较高。
需要说明的是,也可以是根据上述多个组合,来确定对应的一个维度的特征,,例如,根据贷款记录中指示的历史最大逾期天数和历史逾期次数,共同确定历史逾期特征,对于多维度特征中包含的维度信息,本实施例中不进行限定。
进一步,为了增加多维度特征中包含的特征的维度,在本实施例的一种示例中,在查询获取预期用户的贷款记录后,还可以根据贷款记录指示的历史最大逾期天数、历史逾期次数、最近一次还款时间、最近一次还款金额、未清偿的贷款业务笔数和额度使用率中的一个或多个组合,确定多维度特征中对应维度的特征。
在本实施例的另一种示例中,还可以进一步查询逾期用户的个人属性信息,根据个人属性信息中的收入水平和/或职业,确定多维度特征中对应个人信息维度的特征。本实施例中,个人信息维度的特征,也可以表征逾期用户的还款能力,以用于确定逾期用户的风险信息,提高逾期用户风险信息确定的准确性。
基于上一实施例,本实施例提供了另一种风险检测方法,说明了基于可指示多维度特征与预测风险信息之间的映射关系的分类模型,确定预测风险信息。图2为本申请实施例提供的另一种风险检测方法的流程示意图。
如图2所示,步骤102包括以下步骤:
步骤201,将多维度特征,输入经过训练的分类模型,得到分类模型输出的用于表征逾期用户的风险等级的预测风险信息。
其中,其中,分类模型已学习得到输入的各维度特征与输出的预测风险等级之间的对应关系。
本实施例中,预测风险等级指示了逾期用户还款的难度。例如,预测风险等级高,指示了逾期用户还款的难度较大,而风险等级低,指示了逾期用户还款的难度较小,也就是说预测风险信息用于后续确定还款提醒处理的策略。
表1示出了一种风险等级和各维度特征之间的对应关系,具体如下表1所示。
表1
需要说明的是,表1中仅示意性的示出了一部分维度的特征,本申请中并不对多维度特征的数量进行限定。
需要理解的是,本实施例中,不同的维度特征,在取值不同时,可以多个取值对应一个等级,也可以不同取值对应一个等级,其中,A1的风险等级小于A2的风险等级。本实施例中不进行限定。
本实施例的风险检测方法中,通过训练好的分类模型,从多个维度确定用户的预测风险信息,提高了预测风险检测的准确性,进而基于不同的预测风险信息,实行不同的还款提醒处理策略,降低了还款提醒的成本。
基于上述实施例,本实施例提供了另一种风险检测方法,说明了映射关系包括多维度特征对应的权重,根据多维度特征对应的权重,确定逾期用户的预测风险信息。图3为本申请实施例提供的另一种风险检测方法的流程示意图,如图3所示,步骤102包含以下步骤:
步骤301,根据多维度特征对应的权重,对多维度特征进行加权,得到逾期用户的预测风险信息。
其中,用于表征各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数的特征所对应权重,大于多维度特征中的其余特征所对应权重。其中,其余特征例如为个人属性信息对应维度的特征、历史最大逾期天数对应的特征、历史逾期次数对应的特征、最近一次还款时间对应的特征、最近一次还款金额对应的特征、未清偿的贷款业务笔数对应的特征和额度使用率对应的特征。本实施例中不进行限定。
本实施例中,多维度特征与预测风险信息之间的映射关系,包含了多维度特征对应的权重,表2中示出了一种多维度特征和对应的权重。
表2
需要理解的是,根据加权确定的各个逾期用户的预测风险信息,该预测风险信息也可以用风险等级来指示,以表示相应逾期用户还款的难易程度。其中,预测风险信息不同,可以对应不同的风险等级,也可以多个预测风险信息对应一个风险等级,以满足不同的场景需求。
本实施例的风险检测方法中,通过多维度特征对应的权重,对多维度特征进行加权,得到逾期用户的预测风险信息,提高了预测风险检测的准确性,进而基于不同的风险信息,实行不同的还款提醒处理策略,降低了还款提醒的成本。
为了实现上述实施例,本实施例提供了另一种风险检测方法,图4为本申请实施例提供的另一种风险检测方法的流程示意图,具体说明了进行还款提醒时,还款提醒场景为人工实施还款提醒的场景时,如何进行还款提醒处理。如图4所示,步骤103包含以下步骤:
步骤401,根据预测风险信息,生成对应难度等级的提醒任务。
本实施例中,预测风险信息不同,对应的还款提醒的难度等级不同,而不同的难度等级可以设定不同的提醒任务。难度等级低,对应的提醒任务的难度较低,难度等级高,对应的提醒任务的难度较高。
步骤402,根据难度等级,分发提醒任务。
例如,预测风险信息对应的还款提醒的难度等级按照由小到大的顺序排列为B1,B2,B3,B4和B5。其中,B1、B2对应的还款提醒达成的难度等级较小,可以作为容易达成的提醒任务,分发给经验不足的还款提醒机构或者是还款提醒专员;B3,B4和B5对应的还款提醒达成的难度等级较大,作为不容易达成的提醒任务,分发给经验充足的还款提醒机构或还款提醒专员处理,以提高提醒任务达成的成功率。
进一步,作为又一种可能的实现方式,其中,提醒任务中包含多维度特征中至少一个维度特征所对应的话术还款提醒。也就是说,在人工达成提醒任务时,还可以辅助自动还款提醒,具体可以通过相应维度特征对应的话术还款提醒来实现,以满足不同场景的需求,提高还款提醒的效率和成功率。
例如,针对个人信息的特征,例如,职业为A1的用户,话术还款提醒包含:影响用户征信或妨碍找工作的轻微警示话术,以提高还款提醒的成功率。针对最近一次还款的时间的特征,由于最近一次还款的时间较近,说明逾期用户还款可能性较大,可以采用较为柔和的话术还款提醒,以提醒用户尽快还款。相反,如果最近一次还款的时间特征指示最近一次还款的时间较久远,则说明逾期用户还款的可能性不大,则采用压力较大的话术还款提醒,例如,将采用法律手段等,以提高逾期用户还款的可能性,提高还款提醒的达成率。
本实施例的风险检测方法中,通过将不同的风险信息,生成对应难度等级的提醒任务,并分发相应的提醒任务,以提高提醒任务达成的准确度。
基于上述实施例,本实施例提供了另一种风险检测方法,图5为本申请实施例提供的另一种风险检测方法的流程示意图,具体说明了还款提醒场景为自动还款提醒的场景时,如何进行还款提醒。如图5所示,步骤103包含以下步骤:
步骤501,根据预测风险信息,确定对应的话术模板。
本实施例中,不同的预测风险信息,对应不同的话术模板,而不同的话术米板可以生成对应的还款提醒,以实现精细化划分还款提醒的目的,以提高还款提醒效率,降低还款提醒的成本。
步骤502,根据话术模板,生成还款提醒。
步骤503,向逾期用户对应的设备,推送还款提醒。
本实施例的应用场景主要为自动进行还款提醒的场景。
例如,B1对应的风险信息等级较低,其对应的话术模板中,还款提醒内容较柔和,即给逾期用户的压力较轻,例如,通过短信的方式,将还款提醒发送至用户的电子设备,提醒用户存在逾期未还款,需要尽快还款。B4对应的风险信息等级较高,其对应的话术模板中,还款提醒内容给逾期用户的压力较重,例如,通过自动外呼的方式,将还款提醒发送至逾期用户的电子设备,以提示逾期用户当前已经3期未正常还款,需要立即还款,否则将采用法律手段。
本实施例中,不同的风险信息,对应不同的话术模板,而不同的话术米板可以生成对应的还款提醒,以实现精细化划分还款提醒的目的,以提高还款提醒的效率,降低还款提醒的成本。
为了实现上述实施例,本申请还提出一种风险检测装置。
图6为本申请实施例提供的一种风险检测装置的结构示意图。
如图6所示,该装置包括:获取模块61、确定模块62、处理模块63、分析模块64和调整模块65。
获取模块61,用于获取逾期用户的多维度特征;其中,所述多维度特征用于表征各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数中的多个组合。
确定模块62,用于用于根据所述多维度特征和多维度特征与预测风险信息之间的映射关系,确定所述逾期用户的预测风险信息。
处理模块63,用于根据所述风险信息,对所述逾期用户进行还款提醒。
分析模块64,用于根据所述还款提醒的反馈信息和/或所述逾期用户的实际还款信息,确定所述逾期用户的实际风险信息。
调整模块65,用于根据所述逾期用户的实际风险信息和所述预测风险信息之间的差异,重新选取所述多维度特征,和/或,调整所述映射关系。
进一步地,在本申请实施例的一种可能的实现方式中,分析模块64,具体用于:
根据反馈信息确定逾期用户的状态;状态是还款中状态或者失联状态;将实际还款信息和逾期用户的状态,与各风险等级设定的匹配规则进行匹配,以根据匹配的风险等级确定逾期用户的实际风险信息。
在本申请实施例的一种可能的实现方式中,分析模块64,还用于:
在所述状态为失联状态的情况下,根据所述实际还款信息,对所述逾期用户的状态进行校验。
在本申请实施例的一种可能的实现方式中,调整模块,具体用于:
若实际风险信息指示的风险等级,和预测风险信息指示的风险等级之间的差异大于等级阈值,则随机选取设定个数的维度进行删除或者添加,以得到下一次预测所采用的多维度特征;和/或,若所述实际风险信息指示的风险等级,和所述预测风险信息指示的风险等级之间的差异大于等级阈值,则根据所述差异调整所述映射关系中的权重,或者,调整指示所述映射关系的分类模型的模型参数。
在本申请实施例的一种可能的实现方式中,上述获取模块61,具体用于:
查询所述逾期用户的贷款记录;
将所述贷款记录中现金贷的贷款金额与消费贷的贷款金额之间的比值,确定为所述多维度特征中用于表征所述贷款金额占比的特征;
根据所述贷款记录中逾期金额、额度使用率和逾期天数,确定所述多维度特征中对应维度的特征。
进一步地,在本申请实施例的一种可能的实现方式中,上述获取模块61,具体还用于:
根据所述贷款记录指示的历史最大逾期天数、历史逾期次数、最近一次还款时间、最近一次还款金额、未清偿的贷款业务笔数和额度使用率中的一个或多个组合,确定所述多维度特征中对应维度的特征。
进一步地,在本申请实施例的一种可能的实现方式中,上述获取模块61,还包括:
查询所述逾期用户的个人属性信息;
根据所述个人属性信息中的收入水平和/或职业,确定所述多维度特征中对应维度的特征。
进一步地,在本申请实施例的一种可能的实现方式中,上述处理模块63,具体用于:
根据所述预测风险信息,生成对应难度等级的提醒任务;
根据所述难度等级,分发所述提醒任务;
其中,所述提醒任务中包含所述多维度特征中至少一个维度特征所对应的话术还款提醒。
进一步地,在本申请实施例的一种可能的实现方式中,上述处理模块63,具体用于:
根据所述预测风险信息,确定对应的话术模板;
根据所述话术模板,生成还款提醒;
向所述逾期用户对应的设备,推送所述还款提醒。
进一步地,在本申请实施例的一种可能的实现方式中,上述确定模块62,具体用于:
将所述多维度特征,输入经过训练的分类模型,得到所述分类模型输出的用于表征所述逾期用户的风险等级的预测风险信息;其中,所述分类模型用于指示所述映射关系;
其中,所述分类模型已学习得到输入的各维度特征与输出的预测风险等级之间的对应关系。
进一步地,在本申请实施例的一种可能的实现方式中,映射关系包括所述多维度特征对应的权重,上述确定模块62,具体还用于:
根据所述多维度特征对应的权重,对所述多维度特征进行加权,得到所述逾期用户的预测风险信息;
其中,用于表征各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数的特征所对应权重,大于所述多维度特征中的其余特征所对应权重。
需要说明的是,前述对方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
本实施例的风险检测装置中,获取逾期用户的多维度特征,其中,多维度特征用于表征各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数中的多个组合,根据多维度特征,确定逾期用户的预测风险信息,根据预测风险信息,对逾期用户进行还款提醒,通过从多个维度确定用户的预测风险信息,提高了风险检测的准确性,基于不同的预测风险信息,实行还款提醒,并根据还款的反馈信息和/或实际还款信息,确定实际风险信息,基于预测风险信息和实际风险信息的差异,调整用于进行预测的多维度特征和/或映射关系,重复上述过程,通过多次调整,以提高风险预测的准确性。
为了实现上述实施例,本申请还提出一种计算机设备,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,所述处理器执行所述程序时,实现如第一方面所述的风险检测方法。
为了实现上述实施例,本申请还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的风险检测方法。
为了实现上述实施例,本申请还提出一种计算机程序产品,当所述计算机程序产品中的指令被处理器执行时,实现如第一方面所述的风险检测方法。
图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图7显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (16)
1.一种风险检测方法,其特征在于,所述方法包括以下步骤:
获取逾期用户的多维度特征;其中,所述多维度特征用于表征各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数中的多个组合;
根据所述多维度特征和多维度特征与预测风险信息之间的映射关系,确定所述逾期用户的预测风险信息;
根据所述预测风险信息,对所述逾期用户进行还款提醒;
根据所述还款提醒的反馈信息和所述逾期用户的实际还款信息,确定所述逾期用户的实际风险信息;
根据所述逾期用户的实际风险信息和所述预测风险信息之间的差异,重新选取所述多维度特征,和/或,调整所述映射关系;
其中,所述根据所述还款提醒的反馈信息和所述逾期用户的实际还款信息,确定所述逾期用户的实际风险信息,包括:
根据所述反馈信息确定所述逾期用户的状态;所述状态是还款中状态或者失联状态;
将所述实际还款信息和所述逾期用户的状态,与各风险等级设定的匹配规则进行匹配,以根据匹配的风险等级确定所述逾期用户的实际风险信息。
2.根据权利要求1所述的风险检测方法,其特征在于,所述根据所述反馈信息确定所述逾期用户的状态之后,还包括:
在所述状态为失联状态的情况下,根据实际还款信息,对所述逾期用户的状态进行校验。
3.根据权利要求1所述的风险检测方法,其特征在于,所述根据所述逾期用户的实际风险信息和所述预测风险信息之间的差异,重新选取所述多维度特征,和/或,调整所述映射关系,包括:
若所述实际风险信息指示的风险等级,和所述预测风险信息指示的风险等级之间的差异大于等级阈值,则随机选取设定个数的维度进行删除或者添加,以得到下一次预测所采用的多维度特征;
和/或,若所述实际风险信息指示的风险等级,和所述预测风险信息指示的风险等级之间的差异大于等级阈值,则根据所述差异调整所述映射关系中的权重,或者,调整指示所述映射关系的分类模型的模型参数。
4.根据权利要求1-3任一项所述的风险检测方法,其特征在于,所述获取逾期用户的多维度特征,包括:
查询所述逾期用户的贷款记录;
将所述贷款记录中现金贷的贷款金额与消费贷的贷款金额之间的比值,确定为所述多维度特征中用于表征所述贷款金额占比的特征;
根据所述贷款记录中逾期金额、额度使用率和逾期天数,确定所述多维度特征中对应维度的特征。
5.根据权利要求4所述的风险检测方法,其特征在于,所述查询所述逾期用户的贷款记录之后,还包括:
根据所述贷款记录指示的历史最大逾期天数、历史逾期次数、最近一次还款时间、最近一次还款金额、未清偿的贷款业务笔数和额度使用率中的一个或多个组合,确定所述多维度特征中对应维度的特征。
6.根据权利要求4所述的风险检测方法,其特征在于,所述获取逾期用户的多维度特征,还包括:
查询所述逾期用户的个人属性信息;
根据所述个人属性信息中的收入水平和/或职业,确定所述多维度特征中对应维度的特征。
7.根据权利要求1-3任一项所述的风险检测方法,其特征在于,所述根据所述预测风险信息,对所述逾期用户进行还款提醒,包括:
根据所述预测风险信息,生成对应难度等级的提醒任务;
根据所述难度等级,分发所述提醒任务;
其中,所述提醒任务中包含所述多维度特征中至少一个维度特征所对应话术的还款提醒。
8.根据权利要求1-3任一项所述的风险检测方法,其特征在于,所述根据所述预测风险信息,对所述逾期用户进行还款提醒,包括:
根据所述预测风险信息,确定对应的话术模板;
根据所述话术模板,生成还款提醒;
向所述逾期用户对应的设备,推送所述还款提醒。
9.根据权利要求1-3任一项所述的风险检测方法,其特征在于,所述根据所述多维度特征和多维度特征与预测风险信息之间的映射关系,确定所述逾期用户的预测风险信息,包括:
将所述多维度特征,输入经过训练的分类模型,得到所述分类模型输出的用于表征所述逾期用户的风险等级的预测风险信息;其中,所述分类模型用于指示所述映射关系;
其中,所述分类模型已学习得到输入的各维度特征与输出的预测风险等级之间的对应关系。
10.根据权利要求1-3任一项所述的风险检测方法,其特征在于,所述映射关系包括所述多维度特征对应的权重;所述根据所述多维度特征和多维度特征与预测风险信息之间的映射关系,确定所述逾期用户的预测风险信息,包括:
根据所述多维度特征对应的权重,对所述多维度特征进行加权,得到所述逾期用户的预测风险信息;
其中,用于表征各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数的特征所对应权重,大于所述多维度特征中的其余特征所对应权重。
11.一种风险检测装置,其特征在于,包括:
获取模块,用于获取逾期用户的多维度特征;其中,所述多维度特征用于表征各类贷款的贷款金额占比、逾期金额、额度使用率和逾期天数中的多个组合;
确定模块,用于根据所述多维度特征和多维度特征与预测风险信息之间的映射关系,确定所述逾期用户的预测风险信息;
处理模块,用于根据所述预测风险信息,对所述逾期用户进行还款提醒;
分析模块,用于根据所述还款提醒的反馈信息和所述逾期用户的实际还款信息,确定所述逾期用户的实际风险信息;
调整模块,用于根据所述逾期用户的实际风险信息和所述预测风险信息之间的差异,重新选取所述多维度特征,和/或,调整所述映射关系;
其中,所述分析模块,具体用于:
根据所述反馈信息确定所述逾期用户的状态;所述状态是还款中状态或者失联状态;
将所述实际还款信息和所述逾期用户的状态,与各风险等级设定的匹配规则进行匹配,以根据匹配的风险等级确定所述逾期用户的实际风险信息。
12.根据权利要求11所述的风险检测装置,其特征在于,所述分析模块,还用于:
在所述状态为失联状态的情况下,根据实际还款信息,对所述逾期用户的状态进行校验。
13.根据权利要求11所述的风险检测装置,其特征在于,所述调整模块,具体用于:
若所述实际风险信息指示的风险等级,和所述预测风险信息指示的风险等级之间的差异大于等级阈值,则随机选取设定个数的维度进行删除或者添加,以得到下一次预测所采用的多维度特征;
和/或,若所述实际风险信息指示的风险等级,和所述预测风险信息指示的风险等级之间的差异大于等级阈值,则根据所述差异调整所述映射关系中的权重,或者,调整指示所述映射关系的分类模型的模型参数。
14.根据权利要求11-13任一项所述的风险检测装置,其特征在于,所述获取模块,具体用于:
查询所述逾期用户的贷款记录;
将所述贷款记录中现金贷的贷款金额与消费贷的贷款金额之间的比值,确定为所述多维度特征中用于表征所述贷款金额占比的特征;
根据所述贷款记录中逾期金额、额度使用率和逾期天数,确定所述多维度特征中对应维度的特征。
15.一种计算机设备,其特征在于,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,所述处理器执行所述程序时,实现如权利要求1-10中任一所述的风险检测方法。
16.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-10中任一所述的风险检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011596632.0A CN113807941B (zh) | 2020-12-29 | 2020-12-29 | 风险检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011596632.0A CN113807941B (zh) | 2020-12-29 | 2020-12-29 | 风险检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807941A CN113807941A (zh) | 2021-12-17 |
CN113807941B true CN113807941B (zh) | 2024-03-05 |
Family
ID=78943609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011596632.0A Active CN113807941B (zh) | 2020-12-29 | 2020-12-29 | 风险检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807941B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7392216B1 (en) * | 2000-09-27 | 2008-06-24 | Ge Capital Mortgage Corporation | Methods and apparatus for utilizing a proportional hazards model to evaluate loan risk |
WO2017014469A1 (ko) * | 2015-07-22 | 2017-01-26 | 주식회사 케이티 | 질병 위험도 예측 방법 및 이를 수행하는 장치 |
CN108564467A (zh) * | 2018-05-09 | 2018-09-21 | 平安普惠企业管理有限公司 | 一种用户风险等级的确定方法及设备 |
WO2019178914A1 (zh) * | 2018-03-23 | 2019-09-26 | 卫盈联信息技术(深圳)有限公司 | 欺诈检测和风险评估方法、系统、设备及存储介质 |
CN110717821A (zh) * | 2019-09-09 | 2020-01-21 | 上海凯京信达科技集团有限公司 | 一种车辆贷款评估方法、装置及计算机存储介质、电子设备 |
CN111192136A (zh) * | 2019-12-24 | 2020-05-22 | 中信百信银行股份有限公司 | 一种信贷业务的催收方法、装置、电子设备及存储介质 |
CN111815432A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 金融服务风险预测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040186804A1 (en) * | 2003-03-19 | 2004-09-23 | Anindya Chakraborty | Methods and systems for analytical-based multifactor multiobjective portfolio risk optimization |
US20130138554A1 (en) * | 2011-11-30 | 2013-05-30 | Rawllin International Inc. | Dynamic risk assessment and credit standards generation |
US20150269668A1 (en) * | 2014-03-21 | 2015-09-24 | Xerox Corporation | Voting mechanism and multi-model feature selection to aid for loan risk prediction |
US11176616B2 (en) * | 2018-02-21 | 2021-11-16 | Hartford Fire Insurance Company | System to predict impact of existing risk relationship adjustments |
US20200357060A1 (en) * | 2019-05-10 | 2020-11-12 | Fair Ip, Llc | Rules/model-based data processing system for intelligent default risk prediction |
-
2020
- 2020-12-29 CN CN202011596632.0A patent/CN113807941B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7392216B1 (en) * | 2000-09-27 | 2008-06-24 | Ge Capital Mortgage Corporation | Methods and apparatus for utilizing a proportional hazards model to evaluate loan risk |
WO2017014469A1 (ko) * | 2015-07-22 | 2017-01-26 | 주식회사 케이티 | 질병 위험도 예측 방법 및 이를 수행하는 장치 |
WO2019178914A1 (zh) * | 2018-03-23 | 2019-09-26 | 卫盈联信息技术(深圳)有限公司 | 欺诈检测和风险评估方法、系统、设备及存储介质 |
CN108564467A (zh) * | 2018-05-09 | 2018-09-21 | 平安普惠企业管理有限公司 | 一种用户风险等级的确定方法及设备 |
CN110717821A (zh) * | 2019-09-09 | 2020-01-21 | 上海凯京信达科技集团有限公司 | 一种车辆贷款评估方法、装置及计算机存储介质、电子设备 |
CN111192136A (zh) * | 2019-12-24 | 2020-05-22 | 中信百信银行股份有限公司 | 一种信贷业务的催收方法、装置、电子设备及存储介质 |
CN111815432A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 金融服务风险预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113807941A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210157862A1 (en) | Automatic document negotiation | |
US20210224832A1 (en) | Method and apparatus for predicting customer purchase intention, electronic device and medium | |
US7831427B2 (en) | Concept monitoring in spoken-word audio | |
CN109241256B (zh) | 对话处理方法、装置、计算机设备和可读存储介质 | |
KR100921618B1 (ko) | 기술창업기업에 대한 기술평가방법 | |
CN104809132A (zh) | 一种获取网络主体社交关系类型的方法及装置 | |
JP5460853B2 (ja) | 与信評価を補完するための詳細な商取引支払実績を動的に作成する方法およびシステム | |
AU2005319673A1 (en) | System and method for predictive product requirements analysis | |
CN110955640A (zh) | 跨系统数据文件的处理方法、装置、服务器和存储介质 | |
CN113807941B (zh) | 风险检测方法、装置、计算机设备和存储介质 | |
CN115760404A (zh) | 一种股票减持方案生成方法、系统、终端及存储介质 | |
CN109816540A (zh) | 承保保单建立方法、装置、终端和计算机可读存储介质 | |
CN115391514A (zh) | 问答语句生成方法、装置、电子设备及存储介质 | |
CN110929005A (zh) | 基于情绪分析的任务跟催方法、装置、设备及存储介质 | |
JPH10111867A (ja) | ワード長分布状態分析によるドキュメントの類別方法及び該方法を記録した記録媒体及び該方法を実行するためのコンピュータシステム | |
CN111651555A (zh) | 业务处理方法、系统和计算机可读存储介质 | |
CN111127043A (zh) | 信用评分方法、装置、计算机设备及存储介质 | |
CN110852392A (zh) | 一种用户分群方法、装置、设备和介质 | |
US11941593B2 (en) | Blockchain payment notification system | |
CN116383391B (zh) | 一种文本分类方法及装置 | |
CN114548945A (zh) | 一种基于多方协作的业务匹配方法及相关装置 | |
CN114997704A (zh) | 风险识别策略的推荐方法及装置 | |
CN115221391A (zh) | 对象筛选方法、装置及设备 | |
CN113313619A (zh) | 信息推送方法、装置、电子设备及存储介质 | |
CN117951265A (zh) | 营销话术实时生成方法、装置、设备及存储介质 |
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 |