CN114493849A - 基于人工智能的目标推荐方法、系统、设备及介质 - Google Patents
基于人工智能的目标推荐方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN114493849A CN114493849A CN202210135420.5A CN202210135420A CN114493849A CN 114493849 A CN114493849 A CN 114493849A CN 202210135420 A CN202210135420 A CN 202210135420A CN 114493849 A CN114493849 A CN 114493849A
- Authority
- CN
- China
- Prior art keywords
- target object
- financial
- matching
- products
- 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
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种基于人工智能的目标推荐方法、系统、设备及介质,涉及人工智能技术领域,获取目标对象的金融数据;根据金融数据确定出目标对象的信贷标签;获取预设数据库中的多个金融产品,以及每个金融产品的准入规则;将目标对象的信贷标签与每个金融产品的准入规则进行匹配,获取目标对象与每个金融产品的匹配分数值;筛选出匹配分数值大于预设分值的金融产品,并将筛选出的金融产品推荐给目标对象。本发明在进行金融产品匹配时,不需要人工干预,可以由金融平台智能运作。本发明可以根据他们填写的信息自动进行金融产品推荐,将金融平台上所有满足条件的金融产品或融资产品按照符合程度进行列表排序,方便企业用户或个人用户进行挑选。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种基于人工智能的目标推荐方法、系统、设备及介质。
背景技术
近年来,随着移动互联网以及信息技术在互联网支付、移动支付、网上银行、金融服务外包及网上贷款、网上保险、网上基金等金融行业的广泛应用,数字金融作为新一代金融服务得到了快速的发展。一般而言,数字金融服务是指通过互联网及信息技术手段与传统金融服务业态相结合的方式。在数字金融服务不断深入大众群体的过程中,人工智能在数字金融领域也得到了较多的应用,例如通过对用户在使用数字金融业务服务的过程中的行为特征数据进行大数据分析,以利于后期业务的推广,提升服务的用户感知。其中,人工智能(Artificial Intelligence,AI)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、技术及应用系统。例如,可以利用人工智能进行自然语言识别,判断文字是否相似,然后进行精准的数据推荐(例如金融产品数据推荐)等。
然而现有的数据推荐方法在推荐效率和推荐精准度都较为低下,例如现有的数据或产品推荐方法一般都是随机推荐,不会对某个或某些用户进行特定推荐,使得真正需要这些数据或产品的对象无法在短时间内接收到随机推荐的数据。因此,如何提高数据或产品的推荐效率和精准率,是当前亟需解决的问题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于人工智能的目标推荐方法、系统、设备及介质,用于解决如何提高数据或产品的推荐效率和精准率的问题。
为实现上述目的及其他相关目的,本发明提供一种基于人工智能的目标推荐方法,所述方法包括以下步骤:
获取目标对象的金融数据;
根据所述金融数据确定出所述目标对象的信贷标签;
获取预设数据库中的多个金融产品,以及每个金融产品的准入规则;
将所述目标对象的信贷标签与每个金融产品的准入规则进行匹配,获取所述目标对象与每个金融产品的匹配分数值;
筛选出匹配分数值大于预设分值的金融产品,并将筛选出的金融产品推荐给所述目标对象。
可选地,根据所述金融数据确定出所述目标对象的信贷标签的过程包括:
获取预先设定的用户标签库,所述用户标签库包括多个标签;
对所述目标对象的金融数据进行结构化处理,得到所述目标对象的结构化信息;所述结构化信息包括:身份、信用、年龄、经营状态、注册地、住所地、纳税状态、房产状态及车辆状态;
获取所述结构化信息的特征信息或特征值,并将所述特征信息或特征值与所述用户标签库中的每个标签进行匹配,得到对应的匹配结果;
将所述目标对象的每个标签匹配结果进行汇总,作为所述目标对象的信贷标签。
可选地,将所述目标对象的信贷标签与每个金融产品的准入规则进行匹配,获取所述目标对象与每个金融产品的匹配分数值的过程包括:
获取所述目标对象的信贷标签,并利用分词器对所述信贷标签进行词项切分,获取多个关键字,记为第一关键字;
获取每个金融产品的准入规则中预先设定的关键字,记为第二关键字;
对所述第一关键字和所述第二关键字进行相似度匹配,并将匹配结果输入至预设评分模型中进行评分,获取所述目标对象与每个金融产品的匹配分数值。
可选地,将筛选出的金融产品推荐给所述目标对象前,还包括:
根据所述目标对象的金融数据确定所述目标对象在不同时间段的平均消费水平;
判断所述目标对象的平均消费水平的波动范围是否在预设范围内;
若所述波动范围在所述预设范围内,则确定所述目标对象不存在骗贷行为;
若所述波动范围未在所述预设范围内,则确定所述目标对象存在骗贷行为。
可选地,将筛选出的贷款产品推荐给所述贷款对象的过程包括:
获取所述目标对象预留的文件接收类型和文件接收地址;
获取筛选出的一个或多个贷款产品,并将每个贷款产品所对应的产品信息转换为所述目标对象预留的文件接收类型;
将转换后的文件发送至所述目标对象预留的文件地址,向所述目标对象进行保险产品推荐。
可选地,所述方法还包括:
将所述目标对象的金融数据进行字符转化,生成目标数据;
将所述目标数据输入至违约预测模型中,预测出所述目标对象的违约类别和违约概率;
其中,所述违约预测模型的训练过程包括:
获取用于进行违约预测训练的金融数据,记为训练金融数据;
对所述训练金融数据中的浮点特征值进行离散化处理,并将离散化处理结果输入至预设决策树算法中进行训练,生成违约预测模型。
可选地,根据所述金融数据确定出所述目标对象的信贷标签前,还包括:
获取目标对象在预设金融产品问卷上填写的认证信息;
根据目标对象填写的认证信息对所述目标对象进行身份认证,并在完成身份认证后,开始确定所述目标对象的信贷标签。
本发明还提供一种基于人工智能的目标推荐系统,所述系统包括有:
数据采集模块,用于获取目标对象的金融数据;
信贷标签模块,用于根据所述金融数据确定出所述目标对象的信贷标签;
规则采集模块,用于获取预设数据库中的多个金融产品,以及每个金融产品的准入规则;
规则匹配模块,用于将所述目标对象的信贷标签与每个金融产品的准入规则进行匹配,获取所述目标对象与每个金融产品的匹配分数值;
推荐模块,用于筛选出匹配分数值大于预设分值的金融产品,并将筛选出的金融产品推荐给所述目标对象。
本发明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可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述中任一项所述方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述中任一项所述方法的步骤。
如上所述,本发明提供一种基于人工智能的目标推荐方法、系统、设备及介质,具有以下有益效果:本发明首先获取目标对象的金融数据;根据金融数据确定出目标对象的信贷标签;获取预设数据库中的多个金融产品,以及每个金融产品的准入规则;将目标对象的信贷标签与每个金融产品的准入规则进行匹配,获取目标对象与每个金融产品的匹配分数值;筛选出匹配分数值大于预设分值的金融产品,并将筛选出的金融产品推荐给目标对象。由此可知,本发明在进行金融产品匹配时,不需要人工干预,可以由金融平台智能运作。当企业用户或个人用户在填写完自身信息时,或在企业用户或个人用户每次登录金融平台时,本发明可以根据他们填写的信息自动进行金融产品推荐,将金融平台上所有满足条件的金融产品或融资产品按照符合程度进行列表排序,方便企业用户或个人用户进行挑选。其中,本发明中的金融产品可以是贷款产品,也可以是理财产品。所以,本发明能够为企业或个人提供更多优质低价的贷款产品,在满足企业或个人多样化需求的同时,还可以促进金融机构间的良性竞争。而且本发明通过智能匹配,可以快速地为中小微企业匹配信贷产品,解决中小微企业信贷融资服务可得性低、成本高、业务流程复杂、效率低等问题。
附图说明
图1为一实施例提供的基于人工智能的目标推荐方法的流程示意图;
图2为另一实施例提供的基于人工智能的目标推荐方法的流程示意图;
图3为一实施例提供的规则引擎的工作流程示意图;
图4为一实施例提供的标签产生原理示意图;
图5为一实施例提供的基于人工智能的目标推荐系统的硬件结构示意图;
图6为另一实施例提供的基于人工智能的目标推荐系统的硬件结构示意图;
图7为一实施例提供的计算机设备的硬件结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1所示,本发明提供一种基于人工智能的目标推荐方法,所述方法包括以下步骤:
S100,获取目标对象的金融数据。作为示例,目标对象可以是有贷款需求的个人和企业;例如个人用户、中小微企业的法定代表人、中小企业等。其中,目标对象的金融数据包括但不限于:目标对象的工商数据、法院数据、税务数据等多维数据。其中,税务数据既可以从已办理贷款业务的企业或个人的工作记录中提取,也可以在获得授权后,从税务部门的数据库接口,调用企业或个人的税务数据。税务数据中,包括多个种类的信息,通过对多个维度的信息进行分析,可以初步反映企业的经营状况,也可以反应个人的收入状况,从而方便根据企业的经营状况或个人收入状况来推荐合适的贷款产品。工商数据可以在获得授权后,从工商部门的数据库接口,调用企业或个人的工商数据。企业的工商数据中,包含企业的各类工商信息,如注册资金、股东、子公司、所述行业、主营产品等数据。个人工商数据中,包含个体的主营产品、经营年限等数据。法院数据可以在获得授权后,从各地法院的数据库接口,调用企业或个人的法院数据。法院数据中,包含企业或个人的经济纠纷诉讼等数据,通过这些经济纠纷诉讼等数据,可以反应出企业或个人当前财务状态以及当前企业或个人的信用状态,例如是否为失信执行人,是否存在被强制执行等。
S200,根据所述金融数据确定出所述目标对象的信贷标签。在本实施例中,信贷标签用于表示目标对象的用户标签。本实施例中,根据所述金融数据确定出所述目标对象的信贷标签的过程可以是:获取预先设定的用户标签库,所述用户标签库包括多个标签;例如用户标签库包括标签编号、标签类型、标签名称、标签简称、适用主体和标签值。对所述目标对象的金融数据进行结构化处理,得到所述目标对象的结构化信息;所述结构化信息包括:身份、信用、年龄、经营状态、注册地、住所地、纳税状态、房产状态及车辆状态;获取所述结构化信息的特征信息或特征值,并将所述特征信息或特征值与所述用户标签库中的每个标签进行匹配,得到对应的匹配结果;将所述目标对象的每个标签匹配结果进行汇总,作为所述目标对象的信贷标签。其中,结构化信息的特征信息可以是文本信息,例如住所地中的具体地址信息、经营状态中的“正常经营”、“异常经营”等;结构化信息的特征值可以是数值,例如某企业的纳税状态为1000万,则某企业的结构化信息的特征值至少包括数值1000万。
根据上述记载,本方法中预先设定的用户标签库如表1所示,根据表1可知,对某目标对象A确定出的信贷标签可以包括:有车辆、小型轿车、购车年限2年、行驶里程20000公里、未抵押、纯电动车、车辆出厂年限2年。
表1预先设定的用户标签库
由此可知,本实施例在根据金融数据确定出目标对象的信贷标签前,可以利用预先设定的用户标签库来确定目标对象的信贷标签。
S300,获取预设数据库中的多个金融产品,以及每个金融产品的准入规则。在本实施例中,预设数据库中的多个金融产品可以是通过银行或其他金融机构的接口提取到的金融产品,也可以是预先存储在服务器中用于给目标对象进行展示的来自银行或其他金融机构的金融产品。其中,给目标对象进行展示的过程可以是通过文字、图片、音频等方式进行展示。例如,将金融产品在手机或电脑等客户端上展示给目标对象,以便目标对象进行浏览这些金融产品。或者,在某些时间段内,给预留联系方式的目标对象发送短信、邮件等文字信息,以便目标对象进行知晓这些金融产品。作为示例,本方法中的金融产品可以是贷款产品,也可以是理财产品。
S400,将所述目标对象的信贷标签与每个金融产品的准入规则进行匹配,获取所述目标对象与每个金融产品的匹配分数值。具体地,获取所述目标对象与每个金融产品的匹配分数值的过程包括:获取所述目标对象的信贷标签,并利用分词器对所述信贷标签进行词项切分,获取多个关键字,记为第一关键字;获取每个金融产品的准入规则中预先设定的关键字,记为第二关键字;对所述第一关键字和所述第二关键字进行相似度匹配,并将匹配结果输入至预设评分模型中进行评分,获取所述目标对象与每个金融产品的匹配分数值。
S500,筛选出匹配分数值大于预设分值的金融产品,并将筛选出的金融产品推荐给所述目标对象。在本实施例,将筛选出的贷款产品推荐给所述贷款对象的过程可以包括:获取所述目标对象预留的文件接收类型和文件接收地址;获取筛选出的一个或多个贷款产品,并将每个贷款产品所对应的产品信息转换为所述目标对象预留的文件接收类型;将转换后的文件发送至所述目标对象预留的文件地址,向所述目标对象进行保险产品推荐。作为示例,目标对象预留的文件接收类型可以是文字类型,也可以是图片类型,还可以是音频类型等。目标对象预留的文件接收地址可以是实际地址、邮箱地址,也可以是手机号码,还可以微信号码、QQ号码等通讯地址,还可以是目标对象发起贷款请求的客户端。
根据上述记载可知,本实施例首先获取目标对象的金融数据;根据金融数据确定出目标对象的信贷标签;获取预设数据库中的多个金融产品,以及每个金融产品的准入规则;将目标对象的信贷标签与每个金融产品的准入规则进行匹配,获取目标对象与每个金融产品的匹配分数值;筛选出匹配分数值大于预设分值的金融产品,并将筛选出的金融产品推荐给目标对象。由此可知,本实施例在进行金融产品匹配时,不需要人工干预,可以由金融平台智能运作。当企业用户或个人用户在填写完自身信息时,或在企业用户或个人用户每次登录金融平台时,本实施例可以根据他们填写的信息自动进行金融产品推荐,将金融平台上所有满足条件的金融产品或融资产品按照符合程度进行列表排序,方便企业用户或个人用户进行挑选。其中,本实施例中的金融产品可以是贷款产品,也可以是理财产品。所以,本实施例能够为企业或个人提供更多优质低价的贷款产品,在满足企业或个人多样化需求的同时,还可以促进金融机构间的良性竞争。而且本实施例通过智能匹配,可以快速地为中小微企业匹配信贷产品,解决中小微企业信贷融资服务可得性低、成本高、业务流程复杂、效率低等问题。
根据上述记载,在一示例性实施例中,将筛选出的金融产品推荐给所述目标对象前,还包括:
根据所述目标对象的金融数据确定所述目标对象在不同时间段的平均消费水平。作为示例,若目标对象为个人时,则可以先获取目标对象的银行卡消费记录,然后根据目标对象的银行卡消费记录计算目标对象在不同时间段的平均消费水平。可以理解的是,在银行卡消费记录中,可以知道目标对象历史以来的消费记录。该时间段可根据具体需要而设置,如可将每个季度设置为一个时间段,或者将每两个月设置为一个时间段等。如贷款系统可根据银行卡消费记录计算目标对象每个季度的平均消费水平,或者计算目标对象两个月的平均消费水平。贷款系统计算每个季度的平均消费水平的过程为:将该季度对应三个月内的消费金额相加,再除以3,得到该季度对应的平均消费水平。
判断所述目标对象的平均消费水平的波动范围是否在预设范围内。作为示例,提供贷款产品的银行或其他金融机构在得到目标对象在不同时间段的平均消费水平后,可以利用银行或金融机构内部的贷款系统计算目标对象平均消费水平的波动范围。贷款系统计算目标对象平均消费水平的波动范围的过程为:贷款系统计算前后时间段对应平均消费水平之间的差值,将计算所得差值的最小值作为波动范围的最小值,计算所得差值的最大值作为波动范围的最大值。如计算春季与夏季对应平均消费水平之间的差值、夏季与秋季对应平均消费水平之间的差值、秋季与冬季对应平均消费水平之间的差值、冬季与春季对应平均消费水平之间的差值。当贷款系统计算得到平均消费水平的波动范围后,判断平均消费水平的波动范围是否在预设范围内,即判断波动范围的最小值是否大于或者等于预设范围的最小值,波动范围的最大值是否小于或者等于预设范围的最大值。其中,预设范围对应的最大值和最小值可根据具体需要而设置,本实施例中对预设范围的最大值和最小值不做具体限制。
若所述波动范围在所述预设范围内,则确定所述目标对象不存在骗贷行为。其中,波动范围在预设范围内,即表明波动范围的最小值大于或者等于预设范围的最小值,且波动范围的最大值小于或者等于预设范围的最大值。若所述波动范围未在所述预设范围内,则确定所述目标对象存在骗贷行为。其中,波动范围不在预设范围内,即表明波动范围的最小值小于预设范围的最小值,和/或波动范围的最大值大于预设范围的最大值。
根据上述记载,在一示例性实施例中,本方法还包括:将所述目标对象的金融数据进行字符转化,生成目标数据;将所述目标数据输入至违约预测模型中,预测出所述目标对象的违约类别和违约概率。其中,所述违约预测模型的训练过程包括:获取用于进行违约预测训练的金融数据,记为训练金融数据;对所述训练金融数据中的浮点特征值进行离散化处理,并将离散化处理结果输入至预设决策树算法中进行训练,生成违约预测模型。作为示例,本实施例中的决策树算法包括:分类和回归的方法,大多用于分类,训练思想与Gradient Boosting类似,根据损失函数最小化原则建立模型。分裂方式分为两类,一类是按叶子分裂的学习方法(Leaf-wise learning),一类是按层分裂的学习方法(Level-wiselearning)。例如,本实施例中的决策树算法可以选择LightGBM(Light GradientBoosting Machine),其是一款基于决策树算法的分布式梯度提升框架。本实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)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、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
根据上述记载,在一示例性实施例中,根据所述金融数据确定出所述目标对象的信贷标签前,还包括:获取目标对象在预设金融产品问卷上填写的认证信息;根据目标对象填写的认证信息对所述目标对象进行身份认证,并在完成身份认证后,开始确定所述目标对象的信贷标签。其中,金融产品问卷可以根据由银行或其他金融机构进行自行确定。本实施例中的金融产品可以是贷款产品,也可以是理财产品。例如,对于目标对象是个人时,预设的贷款产品问卷上需要填写的认证信息可以是:身份证、手机号和姓名等信息。对于目标对象是企业时,预设的贷款产品问卷上需要填写的认证信息可以是:企业名称、企业社会统一信用代码、联系人等信息。在对目标对象进行身份认证时,可以将当前时刻目标对象填写的认证信息与参考信息进行比对,然后对目标对象进行身份认证。在本实施例中,参考信息可以是由公开数据源中得到,例如对于企业可以,可以从政府部门中公开展示的信息中得到对应企业的名称、社会统一信用代码和法定代表人等。而对目标对象进行身份认证时,也可以由银行或其他金融机构进行自行确定认证方式。例如对于目标对象是企业时,可以认证当前填写的联系人是否是该企业对应的法定代表人,从而进行人体关系校验认证。
在一示例性实施例中,若金融产品为贷款产品时,则对应的贷款产品准入规则库中可以包括:贷款产品序号、准入规则类型、准入规则名称、准入规则描述以及准入规则匹配逻辑。作为示例,本实施例可以预先设定每个贷款产品的准入规则,然后形成贷款产品准入规则库,其中,预先设定的贷款产品准入规则库如下表2所示。
表2预先设定的贷款产品准入规则库
作为示例,若目标对象A的信贷标签包括:小型轿车、2年购车年限、行驶里程20000公里、未抵押、纯电动车、2年车辆出厂年限;则目标对象A与贷款产品B中部分准入规则匹配的过程如下:
目标对象A与贷款产品B的准入规则PP27进行匹配的过程包括:将目标对象A的纯电动车信贷标签与贷款产品B的准入规则PP27的匹配逻辑进行车辆使用性质匹配。如果通过匹配,则对目标对象A加上准入规则PP27的预设通过分数值;如果未通过匹配,则对目标对象A加上准入规则PP27的预设未通过分数值。其中,所有贷款产品的准入规则PP27的通过分数值和未通过分数值可以根据实际进行设定,本实施不对其进行具体数值限定。作为示例,例如通过匹配,可以给目标对象A加上5分,未通过匹配,可以给目标对象A加上0分。
目标对象A与贷款产品B的准入规则PP28进行匹配的过程包括:将目标对象A的2年车辆出厂年限信贷标签与贷款产品B的准入规则PP28的匹配逻辑进行车辆出厂年限匹配。如果通过匹配,则对目标对象A加上准入规则PP28的预设通过分数值;如果未通过匹配,则对目标对象A加上准入规则PP28的预设未通过分数值。其中,所有贷款产品的准入规则PP28的通过分数值和未通过分数值可以根据实际进行设定,本实施不对其进行具体数值限定。作为示例,例如通过匹配,可以给目标对象A加上5分,未通过匹配,可以给目标对象A加上0分。
同理,目标对象A与贷款产品B的其他准入规则的匹配方式参照上述实施过程,本实施例不再进行赘述。在完成匹配后,将目标对象A在贷款产品B的准入规则PP23至PP28的所有得分进行相加,记为车辆匹配得分;同时再将目标对象A的车辆匹配得分与目标对象A在贷款产品B中其他准入规则的得分进行相加,得到最终的总分数值,作为目标对象A与贷款产品B的匹配分数值。同理,目标对象A与其他贷款产品的其他准入规则的匹配方式参照上述实施过程,以及其他目标对象与贷款产品B或其他贷款产品的准入规则的匹配方式参照上述实施过程,本实施例不再进行赘述。
在一示例性实施例中,筛选贷款产品时的预设分值可以预先设定,例如可以设定为85分。作为示例,若目标对象A与银行C中的贷款产品E、F、G、H、I、J、K这7个贷款产品的匹配分数值分别为:93分、86分、92分、66分、74分、55分、78分;则可以从银行C中筛选出E、F、G则3个贷款产品推荐给目标对象A。其中,本实施例在得到匹配分数值时,还可以对匹配分数值进行数值排序,例如按照从大到小排序或从小到大排序。通过排序,可以更快的筛选出匹配分数值大于预设分值时所对应的贷款产品,从而提高贷款产品推荐效率。
在一示例性实施例中,如图2所示,本发明提供一种基于人工智能的目标推荐方法,包括:
30,通过用户模块获取注册用户账号,企业工商信息,用户问卷信息;
31,通过定时批处理模块调用第三方数据源系统获取第三方金融数据,如税务,流水等;
32,获取用户在系统中产生的历史金融数据,如额度失效、放款时效;
33,将用户的金融数据按照标签模块系统中的关键字匹配产生用户的标签;
34,将用户的标签数据发送给规则引擎模块产生出匹配的产品及分数;
35,将匹配的产品通过短信/站内信/小程序等渠道通知用户。
如图3所示,上述步骤33可以具体细化为步骤331-335:
331,根据金融系统经验设定一些关键字和对应标签,和用户的金融数据进行匹配,匹配出用户的精准标签;
332,根据导入的产品特点和产品准入条件按照中文分词器拆分出关键字,根据拆分的关键字和用户的金融数据匹配,并产生用户的匹配标签;
333,将用户标签按照精准标签和匹配标签汇总,并将精准标签进行优先排序输出给用户模块;
334,根据历史金融交易信息,获取实际交易中对应的用户标签对已有系统的标签进行统计,更新标签的实际关联系数;
335,根据金融机构预设的规则信息,对已有系统的标签进行统计并更新标签的实际关联系数。
如图4所示,述步骤34可以具体细化为步骤341-345:
341,获取用户金融数据,获取用户标签数据;
342,金融机构录入金融产品,编辑产品规则;
343,规则引擎根据用户标签和规则依次运行规则;
344,规则引擎根据规则运行的结果导入评分模型并产生分数;
345,规则引擎将最终匹配的标签和产品分数输出给标签系统进行标签优化和训练,输出到用户系统推荐给用户。由此可知,即使在银行贷款产品种类繁多的条件下,本方法也可以为中小企业在多种贷款产品中推荐适合的贷款产品,从而能够帮助中小企业解决融资难的问题。不仅能够节约中小企业访问金融网页的时间和精力,还能够帮助金融机构实现精准化推荐,提高金融数据的推荐效率和精准率。
综上所述,本发明提供一种基于人工智能的目标推荐方法,首先获取目标对象的金融数据;根据金融数据确定出目标对象的信贷标签;获取预设数据库中的多个金融产品,以及每个金融产品的准入规则;将目标对象的信贷标签与每个金融产品的准入规则进行匹配,获取目标对象与每个金融产品的匹配分数值;筛选出匹配分数值大于预设分值的金融产品,并将筛选出的金融产品推荐给目标对象。由此可知,本方法在进行金融产品匹配时,不需要人工干预,可以由金融平台智能运作。当企业用户或个人用户在填写完自身信息时,或在企业用户或个人用户每次登录金融平台时,本方法可以根据他们填写的信息自动进行金融产品推荐,将金融平台上所有满足条件的金融产品或融资产品按照符合程度进行列表排序,方便企业用户或个人用户进行挑选。其中,本方法中的金融产品可以是贷款产品,也可以是理财产品。所以,本方法能够为企业或个人提供更多优质低价的贷款产品,在满足企业或个人多样化需求的同时,还可以促进金融机构间的良性竞争。而且本方法通过智能匹配,可以快速地为中小微企业匹配信贷产品,解决中小微企业信贷融资服务可得性低、成本高、业务流程复杂、效率低等问题。
如图5所示,本发明提供一种基于人工智能的目标推荐系统,所述系统包括有:
数据采集模块M10,用于获取目标对象的金融数据;
信贷标签模块M20,用于根据所述金融数据确定出所述目标对象的信贷标签;
规则采集模块M30,用于获取预设数据库中的多个金融产品,以及每个金融产品的准入规则;
规则匹配模块M40,用于将所述目标对象的信贷标签与每个金融产品的准入规则进行匹配,获取所述目标对象与每个金融产品的匹配分数值;
推荐模块M50,用于筛选出匹配分数值大于预设分值的金融产品,并将筛选出的金融产品推荐给所述目标对象。
在本实施例中,该系统用于执行上述方法,具体功能和技术效果参照上述实施例即可,此处不再赘述。例如数据采集模块M10可以用于执行步骤S100及相关步骤,信贷标签模块M20可以用于执行步骤S200及相关步骤,规则采集模块M30可以用于执行步骤S300及相关步骤,规则匹配模块M40可以用于执行步骤S400及相关步骤,推荐模块M50可以用于执行步骤S500及相关步骤等。
在一示例性实施例中,如图6所示,本发明还提供一种基于人工智能的目标推荐系统,包括有:用户模块、认证问卷模块,数据源模块、标签模块、产品模块、规则引擎模块。所述用户模块与认证问卷模块相连接,标签模块与用户信息和产品模块相连接。产品模块与规则引擎模块相连接。参照图1系统模块示意图。
所述用户模块主要包含用户注册及认证。获取实名认证信息及用户填写的问卷信息。
获取第三方金融数据,通过数据源模块对接第三方系统,获取用户授权进而获取如税务,流水等具有金融价值的数据。
所述标签模块是根据用户金融数据及产品准入条件及特点根据关键字及其算法生成高频精准的标签。标签主要通过以下两种算法产生:一是根据常规经验预设一些精准关键字并产生标签。二是根据金融产品准入条件和特点拆分出关键字并不断训练优化。
所述产品模块是提供金融机构录入或接入产品的入口,并提供产品特定规则配置。所述规则引擎模块是标签产生及产品推荐的核心模块,根据设定的规则和决策跑出标签结果和推荐的产品分数。
本实施例通过注册用户主动填入的问卷信息,及授权的第三方金融数据传入标签模块产融对应的用户标签。金融机构通过系统推荐的标签和准入规则导入产品信息及设定准入规则。系统后台根据用户的匹配请求或者定时消息将用户的标签和产品信息推送到规则引擎模块,通过设定的规则跑出对应的产品匹配相关系数及其分数,进而推荐给用户。系统后台通过对已产生的交易数据,对匹配的标签和规则进行统计进而优化系统中的标签和规则。
综上所述,本发明提供一种基于人工智能的目标推荐系统,首先获取目标对象的金融数据;根据金融数据确定出目标对象的信贷标签;获取预设数据库中的多个金融产品,以及每个金融产品的准入规则;将目标对象的信贷标签与每个金融产品的准入规则进行匹配,获取目标对象与每个金融产品的匹配分数值;筛选出匹配分数值大于预设分值的金融产品,并将筛选出的金融产品推荐给目标对象。由此可知,本系统在进行金融产品匹配时,不需要人工干预,可以由金融平台智能运作。当企业用户或个人用户在填写完自身信息时,或在企业用户或个人用户每次登录金融平台时,本系统可以根据他们填写的信息自动进行金融产品推荐,将金融平台上所有满足条件的金融产品或融资产品按照符合程度进行列表排序,方便企业用户或个人用户进行挑选。其中,本系统中的金融产品可以是贷款产品,也可以是理财产品。所以,本系统能够为企业或个人提供更多优质低价的贷款产品,在满足企业或个人多样化需求的同时,还可以促进金融机构间的良性竞争。而且本系统通过智能匹配,可以快速地为中小微企业匹配信贷产品,解决中小微企业信贷融资服务可得性低、成本高、业务流程复杂、效率低等问题。
本申请实施例还提供了一种计算机设备,例如金融产品推荐设备,该设备包括: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计算机程序时实现如图1所述方法的步骤。图7示出了一种计算机设备1000的结构示意图,参阅图7所示,计算机设备1000包括:处理器1010、存储器1020、电源1030、显示单元1040、输入单元1060。
处理器1010是计算机设备1000的控制中心,利用各种接口和线路连接各个部件,通过运行或执行存储在存储器1020内的软件程序和/或数据,执行计算机设备1000的各种功能,从而对计算机设备1000进行整体监控。本申请实施例中,处理器1010调用存储器1020中存储的计算机程序时执行如图1所述的方法。可选的,处理器1010可包括一个或多个处理单元;优选的,处理器1010可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用等,调制解调处理器主要处理无线通信。在一些实施例中,处理器、存储器、可以在单一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
存储器1020可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、各种应用等;存储数据区可存储根据计算机设备1000的使用所创建的数据等。此外,存储器1020可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件等。
计算机设备1000还包括给各个部件供电的电源1030(比如电池),电源可以通过电源管理系统与处理器1010逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗等功能。
显示单元1040可用于显示由用户输入的信息或提供给用户的信息以及计算机设备1000的各种菜单等,本发明实施例中主要用于显示计算机设备1000中各应用的显示界面以及显示界面中显示的文本、图片等对象。显示单元1040可以包括显示面板1050。显示面板1050可以采用液晶显示屏(Liquid Crystal Display,LCD)、有机发光二极管(OrganicLight-Emitting Diode,OLED)等形式来配置。
输入单元1060可用于接收用户输入的数字或字符等信息。输入单元1060可包括触控面板1070以及其他输入设备1080。其中,触控面板1070,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触摸笔等任何适合的物体或附件在触控面板1070上或在触控面板1070附近的操作)。
具体的,触控面板1070可以检测用户的触摸操作,并检测触摸操作带来的信号,将这些信号转换成触点坐标,发送给处理器1010,并接收处理器1010发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1070。其他输入设备1080可以包括但不限于物理键盘、功能键(比如音量控制按键、开关机按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
当然,触控面板1070可覆盖显示面板1050,当触控面板1070检测到在其上或附近的触摸操作后,传送给处理器1010以确定触摸事件的类型,随后处理器1010根据触摸事件的类型在显示面板1050上提供相应的视觉输出。虽然在图7中,触控面板1070与显示面板1050是作为两个独立的部件来实现计算机设备1000的输入和输出功能,但是在某些实施例中,可以将触控面板1070与显示面板1050集成而实现计算机设备1000的输入和输出功能。
计算机设备1000还可包括一个或多个传感器,例如压力传感器、重力加速度传感器、接近光传感器等。当然,根据具体应用中的需要,上述计算机设备1000还可以包括摄像头等其它部件。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如图1所述方法的步骤。
本领域技术人员可以理解的是,图7仅仅是计算机设备的举例,并不构成对该设备的限定,该设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。为了描述的方便,以上各部分按照功能划分为各模块(或单元)分别描述。当然,在实施本申请时,可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白,本申请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。本申请是参照根据本申请实施例的方法、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,应理解为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。这些计算机程序指令可应用至通用计算机、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中以产生一个机器,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。
应当理解的是,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等,但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一预设范围也可以被称为第二预设范围,类似地,第二预设范围也可以被称为第一预设范围。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于人工智能的目标推荐方法,其特征在于,所述方法包括以下步骤:
获取目标对象的金融数据;
根据所述金融数据确定出所述目标对象的信贷标签;
获取预设数据库中的多个金融产品,以及每个金融产品的准入规则;
将所述目标对象的信贷标签与每个金融产品的准入规则进行匹配,获取所述目标对象与每个金融产品的匹配分数值;
筛选出匹配分数值大于预设分值的金融产品,并将筛选出的金融产品推荐给所述目标对象。
2.根据权利要求1所述的基于人工智能的目标推荐方法,其特征在于,根据所述金融数据确定出所述目标对象的信贷标签的过程包括:
获取预先设定的用户标签库,所述用户标签库包括多个标签;
对所述目标对象的金融数据进行结构化处理,得到所述目标对象的结构化信息;所述结构化信息包括:身份、信用、年龄、经营状态、注册地、住所地、纳税状态、房产状态及车辆状态;
获取所述结构化信息的特征信息或特征值,并将所述特征信息或特征值与所述用户标签库中的每个标签进行匹配,得到对应的匹配结果;
将所述目标对象的每个标签匹配结果进行汇总,作为所述目标对象的信贷标签。
3.根据权利要求1或2所述的基于人工智能的目标推荐方法,其特征在于,将所述目标对象的信贷标签与每个金融产品的准入规则进行匹配,获取所述目标对象与每个金融产品的匹配分数值的过程包括:
获取所述目标对象的信贷标签,并利用分词器对所述信贷标签进行词项切分,获取多个关键字,记为第一关键字;
获取每个金融产品的准入规则中预先设定的关键字,记为第二关键字;
对所述第一关键字和所述第二关键字进行相似度匹配,并将匹配结果输入至预设评分模型中进行评分,获取所述目标对象与每个金融产品的匹配分数值。
4.根据权利要求1所述的基于人工智能的目标推荐方法,其特征在于,将筛选出的金融产品推荐给所述目标对象前,还包括:
根据所述目标对象的金融数据确定所述目标对象在不同时间段的平均消费水平;
判断所述目标对象的平均消费水平的波动范围是否在预设范围内;
若所述波动范围在所述预设范围内,则确定所述目标对象不存在骗贷行为;
若所述波动范围未在所述预设范围内,则确定所述目标对象存在骗贷行为。
5.根据权利要求1或4所述的基于人工智能的目标推荐方法,其特征在于,将筛选出的贷款产品推荐给所述贷款对象的过程包括:
获取所述目标对象预留的文件接收类型和文件接收地址;
获取筛选出的一个或多个贷款产品,并将每个贷款产品所对应的产品信息转换为所述目标对象预留的文件接收类型;
将转换后的文件发送至所述目标对象预留的文件地址,向所述目标对象进行保险产品推荐。
6.根据权利要求1所述的基于人工智能的目标推荐方法,其特征在于,所述方法还包括:
将所述目标对象的金融数据进行字符转化,生成目标数据;
将所述目标数据输入至违约预测模型中,预测出所述目标对象的违约类别和违约概率;
其中,所述违约预测模型的训练过程包括:
获取用于进行违约预测训练的金融数据,记为训练金融数据;
对所述训练金融数据中的浮点特征值进行离散化处理,并将离散化处理结果输入至预设决策树算法中进行训练,生成违约预测模型。
7.根据权利要求1所述的基于人工智能的目标推荐方法,其特征在于,根据所述金融数据确定出所述目标对象的信贷标签前,还包括:
获取目标对象在预设金融产品问卷上填写的认证信息;
根据目标对象填写的认证信息对所述目标对象进行身份认证,并在完成身份认证后,开始确定所述目标对象的信贷标签。
8.一种基于人工智能的目标推荐系统,其特征在于,所述系统包括有:
数据采集模块,用于获取目标对象的金融数据;
信贷标签模块,用于根据所述金融数据确定出所述目标对象的信贷标签;
规则采集模块,用于获取预设数据库中的多个金融产品,以及每个金融产品的准入规则;
规则匹配模块,用于将所述目标对象的信贷标签与每个金融产品的准入规则进行匹配,获取所述目标对象与每个金融产品的匹配分数值;
推荐模块,用于筛选出匹配分数值大于预设分值的金融产品,并将筛选出的金融产品推荐给所述目标对象。
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1-7中任一项所述方法的步骤。
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1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210135420.5A CN114493849A (zh) | 2022-02-15 | 2022-02-15 | 基于人工智能的目标推荐方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210135420.5A CN114493849A (zh) | 2022-02-15 | 2022-02-15 | 基于人工智能的目标推荐方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493849A true CN114493849A (zh) | 2022-05-13 |
Family
ID=81480312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210135420.5A Pending CN114493849A (zh) | 2022-02-15 | 2022-02-15 | 基于人工智能的目标推荐方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493849A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115292612A (zh) * | 2022-10-10 | 2022-11-04 | 北京锘崴信息科技有限公司 | 基于隐私保护的信息和金融信息推荐方法及装置 |
-
2022
- 2022-02-15 CN CN202210135420.5A patent/CN114493849A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115292612A (zh) * | 2022-10-10 | 2022-11-04 | 北京锘崴信息科技有限公司 | 基于隐私保护的信息和金融信息推荐方法及装置 |
CN115292612B (zh) * | 2022-10-10 | 2023-01-24 | 北京锘崴信息科技有限公司 | 基于隐私保护的信息和金融信息推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3985578A1 (en) | Method and system for automatically training machine learning model | |
CA3129745C (en) | Neural network system for text classification | |
CN111177569B (zh) | 基于人工智能的推荐处理方法、装置及设备 | |
US11574026B2 (en) | Analytics-driven recommendation engine | |
WO2020020088A1 (zh) | 神经网络模型的训练方法和系统以及预测方法和系统 | |
WO2022141861A1 (zh) | 情感分类方法、装置、电子设备及存储介质 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
Sharma et al. | Supervised Machine Learning Method for Ontology-based Financial Decisions in the Stock Market | |
CN114880449B (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN114387061A (zh) | 产品推送方法、装置、电子设备及可读存储介质 | |
CN113689233A (zh) | 广告投放选品方法及其相应的装置、设备、介质 | |
CN116468460A (zh) | 基于人工智能的消费金融客户画像识别系统及其方法 | |
CN115392237A (zh) | 情感分析模型训练方法、装置、设备及存储介质 | |
CN114493849A (zh) | 基于人工智能的目标推荐方法、系统、设备及介质 | |
CN116402166B (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
Jin et al. | Textual content prediction via fuzzy attention neural network model without predefined knowledge | |
CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN115577172A (zh) | 物品推荐方法、装置、设备及介质 | |
Singgalen | Sentiment Classification of Robot Hotel Content using NBC and SVM Algorithm | |
CN113095078A (zh) | 关联资产确定方法、装置和电子设备 | |
Kawan et al. | Multiclass Resume Categorization Using Data Mining | |
CN117150245B (zh) | 一种企业智能诊断信息生成方法、装置、设备和存储介质 | |
Vannucci et al. | Big data in marketing intelligence | |
Li | An Evaluation of Automation on Misogyny Identification (AMI) and Deep-Learning Approaches for Hate Speech-Highlight on Graph Convolutional Networks and Neural Networks | |
CN114239595B (zh) | 回访名单智能生成方法、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 |