CN114330847A - 用于票据评分计算的数据处理方法以及相关装置 - Google Patents

Abstract

本申请公开了一种用于票据评分计算的数据处理方法以及相关装置。该方法包括通过数据集获取预设特征数据，其中所述预设特征数据包括票据特征数据、用户特征数据；将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型并基于票据的预设属性进行得分预测；根据所述得分预测结果，得到票据的评分值。本申请解决了没有票据评分功能的技术问题。通过本申请能够从一定程度上反应票据价值，并且票据的评分结果可以作为用户挑选票据的参考依据。

Description

用于票据评分计算的数据处理方法以及相关装置

技术领域

本申请涉及数据处理领域，具体而言，涉及一种用于票据评分计算的数据处理方法以及相关装置。

背景技术

票据可用于承兑，不同的票据的价值在承兑时都会有所不同。

对于票据的价值无法直观判断，用户通过票据交易平台进行票据选择时，也没有可以参考的依据。

针对相关技术中没有票据评分功能的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种用于票据评分计算的数据处理方法以及相关装置，以解决没有票据评分功能的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种用于票据评分计算的数据处理方法。

根据本申请的用于票据评分计算的数据处理方法包括：通过数据集获取预设特征数据，其中所述预设特征数据包括票据特征数据、用户特征数据，所述票据特征数据至少包括如下之一：承兑企业的财务数据、承兑企业的舆情数据，所述用户特征数据包括用户历史购买记录数据；将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型并基于票据的预设属性进行得分预测，其中所述预设预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：票据样本数据和所述票据样本数据的价值标签；根据所述得分预测结果，得到票据的评分值。

进一步地，所述将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型基于票据的预设属性进行得分预测，还包括：所述票据样本数据包括：基于已承兑汇票获取的不同价值的票据数据；所述票据样本数据的价值标签包括：不同类别票据数据的价值标签；使用书多组票据样本数据通过机器学习训练得出所述预设预测模型，并基于票据的预设属性中的固有属性以及流通属性进行得分预测。

进一步地，获取所述用户历史购买记录数据包括：购买票据计息天数、购买票据类型、购买票据背书次数、购买票据瑕疵情况、购买票据承兑总行、购买票据挂单次数、购买票据成交次数、购买票据成交率，购买票据挂单年化。

进一步地，所述根据所述得分预测结果，得到票据的评分值，包括：计算预设预测模型在所述数据集的样本集中的均方根误差；根据所述均方根误差对票据数据进行预测，并将预测结果转化为预设区间范围的评分值；将打分结果的评分值实时进行展示。

进一步地，所述预设预测模型TensorFlow serving进行上线部署。

进一步地，所述预设预测模型在线下训练后基于Kubernetes容器化进行上线部署。

进一步地，所述预设预测模型采用XGBoost训练并建立预设XGBoost模型，其中预设XGBoost模型用于对不同类型的票据价值进行拟合。

为了实现上述目的，根据本申请的另一方面，提供了一种用于票据评分计算的数据处理装置。

根据本申请的用于票据评分计算的数据处理装置包括：输入模块，用于通过数据集获取预设特征数据，其中所述预设特征数据包括票据特征数据、用户特征数据，所述票据特征数据至少包括如下之一：承兑企业的财务数据、承兑企业的舆情数据，所述用户特征数据包括用户历史购买记录数据；预测模块，用于将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型并基于票据的预设属性进行得分预测，其中所述预设预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：票据样本数据和所述票据样本数据的价值标签；输出模块，用于根据所述得分预测结果，得到票据的评分值。

为了实现上述目的，根据本申请的又一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述方法。

为了实现上述目的，根据本申请的再一方面，提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述的方法。

在本申请实施例中用于票据评分计算的数据处理方法以及相关装置，采用通过数据集获取预设特征数据的方式，通过将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型并基于票据的预设属性进行得分预测，达到了根据所述得分预测结果，得到票据的评分值的目的，从而实现了充分利用平台票据交易以及企业相关数据，能够较好地的衡量票据的价值情况，从而可以作为用户购买票据的依据的技术效果，进而解决了没有票据评分功能的技术问题。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的用于票据评分计算的数据处理方法；

图2是根据本申请实施例的用于票据评分计算的数据处理方法；

图3是根据本申请实施例的用于票据评分计算的数据处理方法；

图4是根据本申请实施例的用于票据评分计算的数据处理方法。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

用户通过票据交易平台找到心仪的价值票都是费时费力的活，为了促进票据的流动转化，满足用户的迫切需求，票据价格预测是一项迫切的需求，然而当前市场上的票据平台还没有相关的票据打分服务，用户只能凭经验在茫茫票海中找寻高价值的票据。

本申请提出了基于树模型的票据价值预测模型，该模型依托于同城票据网交易平台，以用户的历史购买数据以及汇票承兑企业的财务和舆情等数据作为特征输入，根据票据的固有属性和流通属性对票据进行评分，量化票的价值。用户仅需要关注票据分值，即可找到高价值的票。并且本申请中的方法能够从一定程度上反应票据价值，可以作为用户挑选票据的参考依据。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，本申请实施例中的硬件结构包括：用户端400、票据特征数据的数据库300、票据交易平台200、服务器100。所述用户端400通过票据交易平台200进行票据交易，同时获取相关的票据推荐信息。所述票据特征数据的数据库300存储了海量的票据数据。所述服务器100用于响应所述用户端400在所述票据交易平台200上的请求。所述用户端400可以查看票据交易平台200对某个票据的评分结果，从而作为用户挑选票据的参考依据。

如图2所示，该方法包括如下的步骤S201至步骤S203：

步骤S201，通过数据集获取预设特征数据，其中所述预设特征数据包括票据特征数据、用户特征数据，所述票据特征数据至少包括如下之一：承兑企业的财务数据、承兑企业的舆情数据，所述用户特征数据包括用户历史购买记录数据；

步骤S202，将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型并基于票据的预设属性进行得分预测，其中所述预设预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：票据样本数据和所述票据样本数据的价值标签；

步骤S203，根据所述得分预测结果，得到票据的评分值。

从以上的描述中，可以看出，本申请实现了如下技术效果：

采用通过数据集获取预设特征数据的方式，通过将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型并基于票据的预设属性进行得分预测，达到了根据所述得分预测结果，得到票据的评分值的目的，从而实现了充分利用平台票据交易以及企业相关数据，能够较好地的衡量票据的价值情况，从而可以作为用户购买票据的依据的技术效果，进而解决了没有票据评分功能的技术问题。

上述步骤S201中在服务端通过数据集获取预设特征数据。所述数据集作为初始数据集，需要经过预设特征数据处理之后，才可用于训练。

作为一种可选地实施方式，所述预设特征数据包括票据特征数据、用户特征数据，所述票据特征数据至少包括如下之一：承兑企业的财务数据、承兑企业的舆情数据，所述用户特征数据包括用户历史购买记录数据。在所述设特征数据中的票据特征数据、用户特征数据分别通过票据交易平台获取，或者通过票据数据库中的历史数据获取。

作为一种可选地实施方式，用户历史购买记录数据单独存储。

上述步骤S202中将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型并基于票据的预设属性进行得分预测。该模型依托于同城票据网交易平台，以用户的历史购买数据以及汇票承兑企业的财务和舆情等数据作为特征输入。

作为一种可选地实施方式，所述预设预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：票据样本数据和所述票据样本数据的价值标签。所述预设预测模型的多组数据中的每组数据均包括票据样本数据、所述述票据样本数据的价值标签。这些数据作为训练集需要提前进行人工标注。

上述步骤S203中服务端根据所述得分预测结果，得到票据的评分值。根据票据的固有属性和流通属性对票据进行评分，量化票的价值。

作为一种可选地实施方式，采用树形模型对票据进行评级。

作为一种可选地实施方式，采用树形模型对票据进行评分计算。

作为本实施例中的优选，所述将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型基于票据的预设属性进行得分预测，还包括：所述票据样本数据包括：基于已承兑汇票获取的不同价值的票据数据；所述票据样本数据的价值标签包括：不同类别票据数据的价值标签；使用书多组票据样本数据通过机器学习训练得出所述预设预测模型，并基于票据的预设属性中的固有属性以及流通属性进行得分预测。

具体实施时，首先，基于已承兑汇票获取的不同价值的票据数据；然后根据不同类别票据数据的价值标签；使用书多组票据样本数据通过机器学习训练得出所述预设预测模型，并基于票据的预设属性中的固有属性以及流通属性进行得分预测。对于具体预测方法，对于本领域技术人员而言是公知的，并不用于限定本申请的保护范围。

作为本实施例中的优选，获取所述用户历史购买记录数据包括：购买票据计息天数、购买票据类型、购买票据背书次数、购买票据瑕疵情况、购买票据承兑总行、购买票据挂单次数、购买票据成交次数、购买票据成交率，购买票据挂单年化。

具体实施时，依据现有的数据，对票据进行人工打分，这部分票据包含不同价值票据，保证每种价值的票据数量分布均匀，根据时间选取不同种类的票据，并获取计息天数、票据类型、背书次数、瑕疵情况、承兑总行、挂单次数、成交次数、成交率、挂单年华、承兑企业近期舆情、承兑企业财务状况等数据，

作为本实施例中的优选，所述根据所述得分预测结果，得到票据的评分值，包括：计算预设预测模型在所述数据集的样本集中的均方根误差；根据所述均方根误差对票据数据进行预测，并将预测结果转化为预设区间范围的评分值；将打分结果的评分值实时进行展示。

作为本实施例中的优选，所述预设预测模型采用XGBoost训练并建立预设XGBoost模型，其中预设XGBoost模型用于对不同类型的票据价值进行拟合。

作为本实施例中的优选，所述预设预测模型TensorFlow serving进行上线部署。为了方便训练和上线部署，采取了Kubernetes容器化+TensorFlow serving构建模型服务，Kubernetes容器化能够方便对服务进行监控，方便部署，并且在服务失效的情况下，进行快速自我修复，同时针对用户流量的提升，能够实现服务的水平扩展，能够自动实现负载均衡。

作为本实施例中的优选，所述预设预测模型在线下训练后基于Kubernetes容器化进行上线部署。TensorFlow serving具有自带REST和GRPC接口服务，无需编写服务端代码，同时能够同时部署多个模型，能够自动检测并加载新的模型文件，能够实现在服务不终止的情况下完成模型的热更新等优点。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

根据本申请实施例，还提供了一种用于实施上述用于票据评分计算的数据处理方法的用于票据评分计算的数据处理装置，如图3所示，该装置包括：

输入模块301，用于通过数据集获取预设特征数据，其中所述预设特征数据包括票据特征数据、用户特征数据，所述票据特征数据至少包括如下之一：承兑企业的财务数据、承兑企业的舆情数据，所述用户特征数据包括用户历史购买记录数据；

预测模块302，用于将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型并基于票据的预设属性进行得分预测，其中所述预设预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：票据样本数据和所述票据样本数据的价值标签；

输出模块301，用于根据所述得分预测结果，得到票据的评分值。

本申请实施例的输入模块301中在服务端通过数据集获取预设特征数据。所述数据集作为初始数据集，需要经过预设特征数据处理之后，才可用于训练。

作为一种可选地实施方式，所述预设特征数据包括票据特征数据、用户特征数据，所述票据特征数据至少包括如下之一：承兑企业的财务数据、承兑企业的舆情数据，所述用户特征数据包括用户历史购买记录数据。在所述设特征数据中的票据特征数据、用户特征数据分别通过票据交易平台获取，或者通过票据数据库中的历史数据获取。

作为一种可选地实施方式，用户历史购买记录数据单独存储。

本申请实施例的预测模块302中将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型并基于票据的预设属性进行得分预测。该模型依托于同城票据网交易平台，以用户的历史购买数据以及汇票承兑企业的财务和舆情等数据作为特征输入。

作为一种可选地实施方式，所述预设预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：票据样本数据和所述票据样本数据的价值标签。所述预设预测模型的多组数据中的每组数据均包括票据样本数据、所述述票据样本数据的价值标签。这些数据作为训练集需要提前进行人工标注。

本申请实施例的输出模块303中服务端根据所述得分预测结果，得到票据的评分值。根据票据的固有属性和流通属性对票据进行评分，量化票的价值。

作为一种可选地实施方式，采用树形模型对票据进行评级。

作为一种可选地实施方式，采用树形模型对票据进行评分计算。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

为了更好的理解上述用于票据评分计算的数据处理方法流程，以下结合优选实施例对上述技术方案进行解释说明，但不用于限定本发明实施例的技术方案。

本申请实施例中的用于票据评分计算的数据处理方法，充分利用平台票据交易和企业相关数据，能够很好的衡量票据的价值情况，可以作为用户购买票据的依据，同时采用Kubernetes容器化结合TensorFlow serving的方式构建模型服务，能够实现模型的快速更新和多模型的部署快速高效，与Kubernetes结合，使得模型服务的调度管理更加可靠，能够动态适应访问量的变化，使服务更加可靠。

如图4所示，是本申请实施例中用于票据评分计算的数据处理方法的流程示意图，具体过程包括如下步骤：

首先，采用树形模型对票据进行评级，根据业务人员从业经验，抽取出部分承兑汇票，依据现有的数据，对票据进行人工打分，这部分票据包含不同价值票据，保证每种价值的票据数量分布均匀，根据时间选取不同种类的票据，并获取计息天数、票据类型、背书次数、瑕疵情况、承兑总行，挂单次数，成交次数，成交率，挂单年华，承兑企业近期舆情，承兑企业财务状况等数据。

具体实施时，对收集到的票据数据/用户数据，进行归一化处理，对于类别特征进行onehot编码，对于部分连续特征进行分箱操作，计算特征的重要程度，筛选出少量有效的特征，采用XGBoost对票据价值进行拟合，将样本按照2:8比例进行划分，其中8为训练集，并计算模型在样本集上的RMSE，最后RMSE的值为0.37，接着对数据进行预测，并将预测结果转化为0到5的评分。最后将打分结果实时展示给用户，方便用户对票据进行选择。

其次，为了方便训练和上线部署，采取Kubernetes容器化以及TensorFlowserving构建模型服务，Kubernetes容器化能够方便对服务进行监控，方便部署，并且在服务失效的情况下，进行快速自我修复，同时针对用户流量的提升，能够实现服务的水平扩展，能够自动实现负载均衡。

最后，TensorFlow serving具有自带REST和GRPC接口服务，无需编写服务端代码，同时能够同时部署多个模型，能够自动检测并加载新的模型文件，能够实现在服务不终止的情况下完成模型的热更新等优点。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种用于票据评分计算的数据处理方法，其特征在于，包括：

通过数据集获取预设特征数据，其中所述预设特征数据包括票据特征数据、用户特征数据，所述票据特征数据至少包括如下之一：承兑企业的财务数据、承兑企业的舆情数据，所述用户特征数据包括用户历史购买记录数据；

将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型并基于票据的预设属性进行得分预测，其中所述预设预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：票据样本数据和所述票据样本数据的价值标签；

根据所述得分预测结果，得到票据的评分值。

2.根据权利要求1所述的方法，其特征在于，所述将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型基于票据的预设属性进行得分预测，还包括：

所述票据样本数据包括：基于已承兑汇票获取的不同价值的票据数据；

所述票据样本数据的价值标签包括：不同类别票据数据的价值标签；

使用书多组票据样本数据通过机器学习训练得出所述预设预测模型，并基于票据的预设属性中的固有属性以及流通属性进行得分预测。

3.根据权利要求2所述的方法，其特征在于，获取所述用户历史购买记录数据包括：购买票据计息天数、购买票据类型、购买票据背书次数、购买票据瑕疵情况、购买票据承兑总行、购买票据挂单次数、购买票据成交次数、购买票据成交率，购买票据挂单年化。

4.根据权利要求1所述的方法，其特征在于，所述根据所述得分预测结果，得到票据的评分值，包括：

计算预设预测模型在所述数据集的样本集中的均方根误差；

根据所述均方根误差对票据数据进行预测，并将预测结果转化为预设区间范围的评分值；

将打分结果的评分值实时进行展示。

5.根据权利要求1所述的方法，其特征在于，所述预设预测模型TensorFlow serving进行上线部署。

6.根据权利要求1所述的方法，其特征在于，所述预设预测模型在线下训练后基于Kubernetes容器化进行上线部署。

7.根据权利要求1所述的方法，其特征在于，所述预设预测模型采用XGBoost训练并建立预设XGBoost模型，其中预设XGBoost模型用于对不同类型的票据价值进行拟合。

8.一种用于票据评分计算的数据处理装置，其特征在于，包括：

输入模块，用于通过数据集获取预设特征数据，其中所述预设特征数据包括票据特征数据、用户特征数据，所述票据特征数据至少包括如下之一：承兑企业的财务数据、承兑企业的舆情数据，所述用户特征数据包括用户历史购买记录数据；

预测模块，用于将所述承兑企业的财务数据、承兑企业的舆情数据以及所述用户历史购买记录数据输入预设预测模型并基于票据的预设属性进行得分预测，其中所述预设预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：票据样本数据和所述票据样本数据的价值标签；

输出模块，用于根据所述得分预测结果，得到票据的评分值。

9.一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中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项所述的方法。

10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项所述的方法。

Images