CN114519631A - 基于产品匹配的融资数据处理方法及装置 - Google Patents
基于产品匹配的融资数据处理方法及装置 Download PDFInfo
- Publication number
- CN114519631A CN114519631A CN202210047423.3A CN202210047423A CN114519631A CN 114519631 A CN114519631 A CN 114519631A CN 202210047423 A CN202210047423 A CN 202210047423A CN 114519631 A CN114519631 A CN 114519631A
- Authority
- CN
- China
- Prior art keywords
- financing
- user
- target
- data
- agent
- 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 20
- 238000011156 evaluation Methods 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 53
- 238000003062 neural network model Methods 0.000 claims description 26
- 230000010365 information processing Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 description 146
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于产品匹配的融资数据处理方法及装置,其中该方法包括:获取目标用户的用户信息和信用数据;根据所述用户信息和所述信用数据,从多个代理商中确定最适配所述目标用户的目标代理商;所述目标代理商用于与所述目标用户进行接洽并获得所述目标用户的融资需求数据;获取所述目标用户的历史融资评价信息;所述历史融资评价信息为所述目标用户在历史时间段进行的融资操作所对应的代理商的评价信息;根据所述目标用户的所述融资需求数据、所述信用数据和所述历史融资评价信息,从多个融资产品中确定最适配所述目标用户的目标融资产品;所述目标融资产品用于推荐给所述目标用户。可见,本发明能够为用户提供更加智能化的融资服务。
Description
技术领域
本发明涉及产品推荐算法技术领域,尤其涉及一种基于产品匹配的融资数据处理方法及装置。
背景技术
随着中小型企业或个人的融资需求增加,越来越多的融资服务公司在采用电子化系统进行自动的融资数据处理和融资产品推荐,但现有的电子化系统在执行这些任务时,一般仅采用人工或简单的标签匹配方式进行融资数据处理和融资产品的推荐,这种处理方式需要人工进行复杂地判断,严重受限于操作人员的经验水平,效率低且出错率高,可见现有技术存在缺陷,亟待解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于产品匹配的融资数据处理方法及装置,能够提高融资任务分配的准确度和融资产品推荐的有效度,为用户提供更加智能化的融资服务。
为了解决上述技术问题,本发明第一方面公开了一种基于产品匹配的融资数据处理方法,所述方法包括:
获取目标用户的用户信息和信用数据;
根据所述用户信息和所述信用数据,从多个代理商中确定最适配所述目标用户的目标代理商;所述目标代理商用于与所述目标用户进行接洽并获得所述目标用户的融资需求数据;
获取所述目标用户的历史融资评价信息;所述历史融资评价信息为所述目标用户在历史时间段进行的融资操作所对应的代理商的评价信息;
根据所述目标用户的所述融资需求数据、所述信用数据和所述历史融资评价信息,从多个融资产品中确定最适配所述目标用户的目标融资产品;所述目标融资产品用于推荐给所述目标用户。
作为一种可选的实施方式,在本发明第一方面中,所述用户信息包括名称信息、地区信息、资产信息和行业信息中的至少一种;和/或,所述信用数据的类型包括工商信息数据、税务申报数据、税务征收数据、投资方数据、分支机构数据、工商变更数据、欠税数据、违法违章数据、法律案件数据和资产数据中的至少一种;和/或,所述融资需求数据包括融资金额、融资用途和融资对象中的至少一种。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述用户信息和所述信用数据,从多个代理商中确定最适配所述目标用户的目标代理商,包括:
将所述用户信息和所述信用数据输入至组合分类神经网络模型,以确定所述目标用户对应的用户类型;
根据预设的类型-代理商映射关系,从预设的多个代理商组中确定所述用户类型对应的目标代理商组;
根据所述目标代理商组中所有代理商的历史代理数据,从所述目标代理商组中确定最适配所述目标用户的目标代理商。
作为一种可选的实施方式,在本发明第一方面中,所述组合分类神经网络模型包括用户信息处理网络模型和信用数据处理网络模型;以及,所述将所述用户信息和所述信用数据输入至组合分类神经网络模型,以确定所述目标用户对应的用户类型,包括:
将所述用户信息输入至所述用户信息处理网络模型,以得到多个第一用户类型和对应的多个第一概率;所述用户信息处理网络模型通过包括有多个训练用户信息和对应的标注用户类型的训练数据集进行训练得到;所述用户信息处理网络模型包括第一卷积网络和第一分类层;所述第一分类层用于处理所述第一卷积网络对所述用户信息处理后的特征数据以得到所述特征数据属于任一所述第一用户类型的所述第一概率;
将所述信用数据输入至所述信用数据处理网络模型,以得到多个第二用户类型和对应的多个第二概率;所述信用数据处理网络模型通过包括有多个训练信用数据和对应的标注用户类型的训练数据集进行训练得到;所述信用数据处理网络模型包括第二卷积网络和第二分类层;所述第二分类层用于处理所述第二卷积网络对所述用户信息处理后的特征数据以得到所述特征数据属于任一所述第二用户类型的所述第二概率;
根据所述多个第一用户类型和对应的多个第一概率,和所述多个第二用户类型和对应的多个第二概率,确定所述目标用户对应的用户类型。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述多个第一用户类型和对应的多个第一概率,和所述多个第二用户类型和对应的多个第二概率,确定所述目标用户对应的用户类型,包括:
根据所述用户信息处理网络模型的第一历史预测准确率,确定所述第一概率对应的第一权重;所述第一权重与所述第一历史预测准确率成正比;
根据所述信用数据处理网络模型的第二历史预测准确率,确定所述第二概率对应的第二权重;所述第二权重与所述第二历史预测准确率成正比;所述第一权重和所述第二权重之和为1;
对于任意一种所述用户类型,根据该用户类型与任意一个所述第一用户类型和所述第二用户类型之间的对应关系,确定该用户类型的所述第一概率和所述第二概率;
根据所述第一权重和所述第二权重,计算该用户类型的所述第一概率和所述第二概率的加权求和平均数;
确定所有所述用户类型中所述加权求和平均数最大的用户类型为所述目标用户对应的用户类型。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述目标代理商组中所有代理商的历史代理数据,从所述目标代理商组中确定最适配所述目标用户的目标代理商,包括:
对于所述目标代理商组中的任一代理商,根据该代理商的历史代理数据,计算该代理商在历史时间段代理的融资行为的成功率和平均融资差额;所述平均融资差额为所有所述融资行为的最终融资额和融资需求额的差值的平均值;
计算所述成功率和所述平均融资差额的加权求和结果,以得到该代理商的代理评价参数;所述成功率和所述平均融资差额的权重之和为1;所述成功率的权重大于所述平均融资差额的权重;
将所述目标代理商组的所有代理商中所述代理评价参数最高的代理商确定为目标代理商。
作为一种可选的实施方式,在本发明第一方面中,所述历史融资评价信息为文本评价信息;以及,所述根据所述目标用户的所述融资需求数据、所述信用数据和所述历史融资评价信息,从多个融资产品中确定最适配所述目标用户的目标融资产品,包括:
基于词性标注算法,确定所述历史融资评价信息对应的信誉评价参数;所述信誉评价参数用于指示所述代理商对所述目标用户的信誉评价;
将所述融资需求数据和所述信用数据输入至产品推荐神经网络模型,以确定所述目标用户对应的多个推荐的融资产品;所述产品推荐神经网络模型通过包括有多个训练融资需求数据和训练信用数据和对应的训练融资产品的训练数据集训练得到;
根据预设的评价-产品映射关系,从预设的多个融资产品组中确定所述信誉评价参数对应的目标融资产品组;
根据所述目标融资产品组和所述多个推荐的融资产品,确定最适配所述目标用户的目标融资产品。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述目标融资产品组和所述多个推荐的融资产品,确定最适配所述目标用户的目标融资产品,包括:
计算所述目标融资产品组和所述多个推荐的融资产品之间的重合的至少一个融资产品,确定为目标融资产品;
和/或,
计算所述目标融资产品组中的任意一个第一融资产品和所述多个推荐的融资产品中的任意一个第二融资产品之间的相似度;
将所述相似度高于预设的相似度阈值的所述第一融资产品和/或所述第二融资产品,确定为目标融资产品。
本发明第二方面公开了一种基于产品匹配的融资数据处理装置,其包括:
第一获取模块,用于获取目标用户的用户信息和信用数据;
第一确定模块,用于根据所述用户信息和所述信用数据,从多个代理商中确定最适配所述目标用户的目标代理商;所述目标代理商用于与所述目标用户进行接洽并获得所述目标用户的融资需求数据;
第二获取模块,用于获取所述目标用户的历史融资评价信息;所述历史融资评价信息为所述目标用户在历史时间段进行的融资操作所对应的代理商的评价信息;
第二确定模块,用于根据所述目标用户的所述融资需求数据、所述信用数据和所述历史融资评价信息,从多个融资产品中确定最适配所述目标用户的目标融资产品;所述目标融资产品用于推荐给所述目标用户。
作为一种可选的实施方式,在本发明第二方面中,所述用户信息包括名称信息、地区信息、资产信息和行业信息中的至少一种;和/或,所述信用数据的类型包括工商信息数据、税务申报数据、税务征收数据、投资方数据、分支机构数据、工商变更数据、欠税数据、违法违章数据、法律案件数据和资产数据中的至少一种;和/或,所述融资需求数据包括融资金额、融资用途和融资对象中的至少一种。
作为一种可选的实施方式,在本发明第二方面中,所述第一确定模块根据所述用户信息和所述信用数据,从多个代理商中确定最适配所述目标用户的目标代理商的具体方式,包括:
将所述用户信息和所述信用数据输入至组合分类神经网络模型,以确定所述目标用户对应的用户类型;
根据预设的类型-代理商映射关系,从预设的多个代理商组中确定所述用户类型对应的目标代理商组;
根据所述目标代理商组中所有代理商的历史代理数据,从所述目标代理商组中确定最适配所述目标用户的目标代理商。
作为一种可选的实施方式,在本发明第二方面中,所述组合分类神经网络模型包括用户信息处理网络模型和信用数据处理网络模型;以及,所述第一确定模块将所述用户信息和所述信用数据输入至组合分类神经网络模型,以确定所述目标用户对应的用户类型的具体方式,包括:
将所述用户信息输入至所述用户信息处理网络模型,以得到多个第一用户类型和对应的多个第一概率;所述用户信息处理网络模型通过包括有多个训练用户信息和对应的标注用户类型的训练数据集进行训练得到;所述用户信息处理网络模型包括第一卷积网络和第一分类层;所述第一分类层用于处理所述第一卷积网络对所述用户信息处理后的特征数据以得到所述特征数据属于任一所述第一用户类型的所述第一概率;
将所述信用数据输入至所述信用数据处理网络模型,以得到多个第二用户类型和对应的多个第二概率;所述信用数据处理网络模型通过包括有多个训练信用数据和对应的标注用户类型的训练数据集进行训练得到;所述信用数据处理网络模型包括第二卷积网络和第二分类层;所述第二分类层用于处理所述第二卷积网络对所述用户信息处理后的特征数据以得到所述特征数据属于任一所述第二用户类型的所述第二概率;
根据所述多个第一用户类型和对应的多个第一概率,和所述多个第二用户类型和对应的多个第二概率,确定所述目标用户对应的用户类型。
作为一种可选的实施方式,在本发明第二方面中,所述第一确定模块根据所述多个第一用户类型和对应的多个第一概率,和所述多个第二用户类型和对应的多个第二概率,确定所述目标用户对应的用户类型的具体方式,包括:
根据所述用户信息处理网络模型的第一历史预测准确率,确定所述第一概率对应的第一权重;所述第一权重与所述第一历史预测准确率成正比;
根据所述信用数据处理网络模型的第二历史预测准确率,确定所述第二概率对应的第二权重;所述第二权重与所述第二历史预测准确率成正比;所述第一权重和所述第二权重之和为1;
对于任意一种所述用户类型,根据该用户类型与任意一个所述第一用户类型和所述第二用户类型之间的对应关系,确定该用户类型的所述第一概率和所述第二概率;
根据所述第一权重和所述第二权重,计算该用户类型的所述第一概率和所述第二概率的加权求和平均数;
确定所有所述用户类型中所述加权求和平均数最大的用户类型为所述目标用户对应的用户类型。
作为一种可选的实施方式,在本发明第二方面中,所述第一确定模块根据所述目标代理商组中所有代理商的历史代理数据,从所述目标代理商组中确定最适配所述目标用户的目标代理商的具体方式,包括:
对于所述目标代理商组中的任一代理商,根据该代理商的历史代理数据,计算该代理商在历史时间段代理的融资行为的成功率和平均融资差额;所述平均融资差额为所有所述融资行为的最终融资额和融资需求额的差值的平均值;
计算所述成功率和所述平均融资差额的加权求和结果,以得到该代理商的代理评价参数;所述成功率和所述平均融资差额的权重之和为1;所述成功率的权重大于所述平均融资差额的权重;
将所述目标代理商组的所有代理商中所述代理评价参数最高的代理商确定为目标代理商。
作为一种可选的实施方式,在本发明第二方面中,所述历史融资评价信息为文本评价信息;以及,所述第二确定模块根据所述目标用户的所述融资需求数据、所述信用数据和所述历史融资评价信息,从多个融资产品中确定最适配所述目标用户的目标融资产品的具体方式,包括:
基于词性标注算法,确定所述历史融资评价信息对应的信誉评价参数;所述信誉评价参数用于指示所述代理商对所述目标用户的信誉评价;
将所述融资需求数据和所述信用数据输入至产品推荐神经网络模型,以确定所述目标用户对应的多个推荐的融资产品;所述产品推荐神经网络模型通过包括有多个训练融资需求数据和训练信用数据和对应的训练融资产品的训练数据集训练得到;
根据预设的评价-产品映射关系,从预设的多个融资产品组中确定所述信誉评价参数对应的目标融资产品组;
根据所述目标融资产品组和所述多个推荐的融资产品,确定最适配所述目标用户的目标融资产品。
作为一种可选的实施方式,在本发明第二方面中,所述第二确定模块根据所述目标融资产品组和所述多个推荐的融资产品,确定最适配所述目标用户的目标融资产品的具体方式,包括:
计算所述目标融资产品组和所述多个推荐的融资产品之间的重合的至少一个融资产品,确定为目标融资产品;
和/或,
计算所述目标融资产品组中的任意一个第一融资产品和所述多个推荐的融资产品中的任意一个第二融资产品之间的相似度;
将所述相似度高于预设的相似度阈值的所述第一融资产品和/或所述第二融资产品,确定为目标融资产品。
本发明第三方面公开了另一种基于产品匹配的融资数据处理装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的基于产品匹配的融资数据处理方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,获取目标用户的用户信息和信用数据;根据所述用户信息和所述信用数据,从多个代理商中确定最适配所述目标用户的目标代理商;所述目标代理商用于与所述目标用户进行接洽并获得所述目标用户的融资需求数据;获取所述目标用户的历史融资评价信息;所述历史融资评价信息为所述目标用户在历史时间段进行的融资操作所对应的代理商的评价信息;根据所述目标用户的所述融资需求数据、所述信用数据和所述历史融资评价信息,从多个融资产品中确定最适配所述目标用户的目标融资产品;所述目标融资产品用于推荐给所述目标用户。可见,本发明能够提高通过代理商进行融资任务分配和融资产品推荐的自动化程度,并提高融资任务分配的准确度和融资产品推荐的有效度,为用户提供更加智能化的融资服务。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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是本发明实施例公开的一种基于产品匹配的融资数据处理方法的流程示意图;
图2是本发明实施例公开的一种基于产品匹配的融资数据处理装置的结构示意图;
图3是本发明实施例公开的另一种基于产品匹配的融资数据处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于产品匹配的融资数据处理方法及装置,能够提高通过代理商进行融资任务分配和融资产品推荐的自动化程度,并提高融资任务分配的准确度和融资产品推荐的有效度,为用户提供更加智能化的融资服务。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于产品匹配的融资数据处理方法的流程示意图。其中,图1所描述的方法可以应用于相应的融资数据处理终端、融资数据处理设备或融资数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器。具体地,如图1所示,该基于产品匹配的融资数据处理方法可以包括以下操作:
101、获取目标用户的用户信息和信用数据.。
可选的,目标用户可以为需要进行融资的企业用户或个人用户。可选的,用户信息可以包括名称信息、地区信息、资产信息和行业信息中的至少一种。可选的,信用数据的类型可以包括工商信息数据、税务申报数据、税务征收数据、投资方数据、分支机构数据、工商变更数据、欠税数据、违法违章数据、法律案件数据和资产数据中的至少一种。
102、根据用户信息和信用数据,从多个代理商中确定最适配目标用户的目标代理商。
其中,目标代理商用于与目标用户进行接洽并获得目标用户的融资需求数据。可选的,目标用户的融资需求数据可以包括融资金额、融资用途和融资对象中的至少一种。可选的,代理商可以为代理相关融资业务的公司或个人,例如线下公司机构,可以以自己的品牌进行推广并承接融资业务,或是渠道机构,即手头已经累积了一定量的客户的公司或个人,与融资平台合作实现互利共赢,或是企业金融顾问,即为企业提供融资、财务规划、税务筹划等服务的个人,或是其他与融资平台合作的相关服务机构,比如:银行、小贷公司、培训机构、法务机构、知识产权机构和营销机构等。可选的,目标代理商与目标用户进行接洽的方式,可以为线下的接洽,或是通过预设的通信方式进行通信的接洽。
103、获取目标用户的历史融资评价信息。
其中,历史融资评价信息为目标用户在历史时间段进行的融资操作所对应的代理商的评价信息。可选的,历史融资评价信息可以是代理商在代理了目标用户的融资业务后对目标用户做出的评价,其可以通过跟进贷款审批状态、提款、还款等情况,或跟进客户的金融状况,发现潜在的风险,以对客户进行相应评价,比如打分,打标签,写评语等方式,将其对客户的各方面的响应程度和诚信程度的了解进行记录,以便于后续的数据处理。
104、根据目标用户的融资需求数据、信用数据和历史融资评价信息,从多个融资产品中确定最适配目标用户的目标融资产品。
具体的,目标融资产品用于推荐给目标用户进行融资操作或后续的进一步的融资咨询。
可见,通过上述方案,能够根据目标用户的信息为其匹配最适合的代理商进行接洽并获取用户的融资需求,再根据目标用户的需求为其匹配最适合的融资产品,从而能够提高通过代理商进行融资任务分配和融资产品推荐的自动化程度,并提高融资任务分配的准确度和融资产品推荐的有效度,为用户提供更加智能化的融资服务
作为一种可选的实施方式,上述步骤102中的,根据用户信息和信用数据,从多个代理商中确定最适配目标用户的目标代理商,包括:
将用户信息和信用数据输入至组合分类神经网络模型,以确定目标用户对应的用户类型;
根据预设的类型-代理商映射关系,从预设的多个代理商组中确定用户类型对应的目标代理商组;
根据目标代理商组中所有代理商的历史代理数据,从目标代理商组中确定最适配目标用户的目标代理商。
作为一种可选的实施方式,组合分类神经网络模型包括用户信息处理网络模型和信用数据处理网络模型;以及,上述步骤中的,将用户信息和信用数据输入至组合分类神经网络模型,以确定目标用户对应的用户类型,包括:
将用户信息输入至用户信息处理网络模型,以得到多个第一用户类型和对应的多个第一概率;
将信用数据输入至信用数据处理网络模型,以得到多个第二用户类型和对应的多个第二概率;
根据多个第一用户类型和对应的多个第一概率,和多个第二用户类型和对应的多个第二概率,确定目标用户对应的用户类型。
其中,用户信息处理网络模型通过包括有多个训练用户信息和对应的标注用户类型的训练数据集进行训练得到,具体的,用户信息处理网络模型包括第一卷积网络和第一分类层,其中,第一分类层用于处理第一卷积网络对用户信息处理后的特征数据以得到特征数据属于任一第一用户类型的第一概率。
其中,信用数据处理网络模型通过包括有多个训练信用数据和对应的标注用户类型的训练数据集进行训练得到,具体的,信用数据处理网络模型包括第二卷积网络和第二分类层,其中,第二分类层用于处理第二卷积网络对用户信息处理后的特征数据以得到特征数据属于任一第二用户类型的第二概率。
通过上述方案,能够利用同时具备两个神经网络模型的分类模型同时处理信用数据和用户信息以得到该目标用户属于不同用户类型的概率,同时再结合这些概率最终确定目标用户的类型,以提高目标用户的分类精度。
作为一种可选的实施方式,上述步骤中的,根据多个第一用户类型和对应的多个第一概率,和多个第二用户类型和对应的多个第二概率,确定目标用户对应的用户类型,包括:
根据用户信息处理网络模型的第一历史预测准确率,确定第一概率对应的第一权重;其中,第一权重与第一历史预测准确率成正比;
根据信用数据处理网络模型的第二历史预测准确率,确定第二概率对应的第二权重;其中,第二权重与第二历史预测准确率成正比,且第一权重和第二权重之和为1;
对于任意一种用户类型,根据该用户类型与任意一个第一用户类型和第二用户类型之间的对应关系,确定该用户类型的第一概率和第二概率;
根据第一权重和第二权重,计算该用户类型的第一概率和第二概率的加权求和平均数;
确定所有用户类型中加权求和平均数最大的用户类型为目标用户对应的用户类型。
其中,第一用户类型和第二用户类型实际上均有可能是任意一种用户类型,因此其必然存在对应的关系,此处的第一和第二仅用于标识其来源的不同,并不用于指代其内容的差异。
在一些情况中,一种用户类型可能仅对应一个第一用户类型/第二用户类型,而没有对应的第二用户类型/第一用户类型,此时其第二概率/第一概率为0。
通过上述方案,可以通过两个网络模型各自的历史预测准确率来确定其预测概率的权重,再对模型的预测结果进行加权求和以最终确定用户的用户类型,以提高目标用户的分类精度。
作为一种可选的实施方式,上述步骤中的,根据目标代理商组中所有代理商的历史代理数据,从目标代理商组中确定最适配目标用户的目标代理商,包括:
对于目标代理商组中的任一代理商,根据该代理商的历史代理数据,计算该代理商在历史时间段代理的融资行为的成功率和平均融资差额;其中,平均融资差额为所有融资行为的最终融资额和融资需求额的差值的平均值;
计算成功率和平均融资差额的加权求和结果,以得到该代理商的代理评价参数;其中,成功率和平均融资差额的权重之和为1,且成功率的权重大于平均融资差额的权重;
将目标代理商组的所有代理商中代理评价参数最高的代理商确定为目标代理商。
通过上述方案,能够根据代理商的历史时间段代理的融资行为的成功率和平均融资差额来确定其代理的表征参数,并根据这一表征参数确定出最优先的代理商来为客户进行服务,从而能够为用户推荐更加合适和优秀的代理商。
作为一种可选的实施方式,历史融资评价信息为文本评价信息,具体的,其可以为任意一种语言或是数字,其文体和字体和采取的文字数据格式不限。相应的,上述步骤104中的,根据目标用户的融资需求数据、信用数据和历史融资评价信息,从多个融资产品中确定最适配目标用户的目标融资产品,包括:
基于词性标注算法,确定历史融资评价信息对应的信誉评价参数;
可选的,信誉评价参数用于指示代理商对目标用户的信誉评价;
将融资需求数据和信用数据输入至产品推荐神经网络模型,以确定目标用户对应的多个推荐的融资产品;
其中,产品推荐神经网络模型通过包括有多个训练融资需求数据和训练信用数据和对应的训练融资产品的训练数据集训练得到;
根据预设的评价-产品映射关系,从预设的多个融资产品组中确定信誉评价参数对应的目标融资产品组;
根据目标融资产品组和多个推荐的融资产品,确定最适配目标用户的目标融资产品。
可选的,基于词性标注算法,确定历史融资评价信息对应的信誉评价参数,可以包括:
基于词性标注算法,以及预设的词性数据库,确定历史融资评价信息中的褒义词的数量和贬义词的数量;
根据所有褒义词距离目标用户的用户信息相关名词的距离的第一总和,确定褒义词的数量对应的第一权重;第一权重与第一总和成正比;
根据所有贬义词距离目标用户的用户信息相关名词的距离的第二总和,确定贬义词的数量对应的第二权重;第二权重与第二总和成正比;且第一权重和第二权重之和为1;
对褒义词的数量和贬义词数量根据第一权重和第二权重进行求和,以得到历史融资评价信息对应的信誉评价参数。
作为一种可选的实施方式,上述步骤中的,根据目标融资产品组和多个推荐的融资产品,确定最适配目标用户的目标融资产品,包括:
计算目标融资产品组和多个推荐的融资产品之间的重合的至少一个融资产品,确定为目标融资产品。
作为一种可选的实施方式,上述步骤中的,根据目标融资产品组和多个推荐的融资产品,确定最适配目标用户的目标融资产品,包括:
计算目标融资产品组中的任意一个第一融资产品和多个推荐的融资产品中的任意一个第二融资产品之间的相似度;
将相似度高于预设的相似度阈值的第一融资产品和/或第二融资产品,确定为目标融资产品。
其中,计算融资产品之间的相似度的方法,可以为:
对第一融资产品的产品信息进行向量化得到第一描述向量;
对第二融资产品的产品信息进行向量化得到第二描述向量;
计算第一描述向量和第二描述向量之间的欧氏距离,得到融资产品之间的相似度。
其中,融资产品的产品信息可以包括产品介绍、产品类型、产品指标等数据中的至少一种。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于产品匹配的融资数据处理装置的结构示意图。其中,图2所描述的装置可以应用于相应的融资数据处理终端、融资数据处理设备或融资数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。具体地,如图2所示,该装置可以包括:
第一获取模块201,用于获取目标用户的用户信息和信用数据;
第一确定模块202,用于根据用户信息和信用数据,从多个代理商中确定最适配目标用户的目标代理商;目标代理商用于与目标用户进行接洽并获得目标用户的融资需求数据;
第二获取模块203,用于获取目标用户的历史融资评价信息;历史融资评价信息为目标用户在历史时间段进行的融资操作所对应的代理商的评价信息;
第二确定模块204,用于根据目标用户的融资需求数据、信用数据和历史融资评价信息,从多个融资产品中确定最适配目标用户的目标融资产品;目标融资产品用于推荐给目标用户。
作为一种可选的实施方式,用户信息包括名称信息、地区信息、资产信息和行业信息中的至少一种;和/或,信用数据的类型包括工商信息数据、税务申报数据、税务征收数据、投资方数据、分支机构数据、工商变更数据、欠税数据、违法违章数据、法律案件数据和资产数据中的至少一种;和/或,融资需求数据包括融资金额、融资用途和融资对象中的至少一种。
作为一种可选的实施方式,第一确定模块202根据用户信息和信用数据,从多个代理商中确定最适配目标用户的目标代理商的具体方式,包括:
将用户信息和信用数据输入至组合分类神经网络模型,以确定目标用户对应的用户类型;
根据预设的类型-代理商映射关系,从预设的多个代理商组中确定用户类型对应的目标代理商组;
根据目标代理商组中所有代理商的历史代理数据,从目标代理商组中确定最适配目标用户的目标代理商。
作为一种可选的实施方式,组合分类神经网络模型包括用户信息处理网络模型和信用数据处理网络模型;以及,第一确定模块202将用户信息和信用数据输入至组合分类神经网络模型,以确定目标用户对应的用户类型的具体方式,包括:
将用户信息输入至用户信息处理网络模型,以得到多个第一用户类型和对应的多个第一概率;用户信息处理网络模型通过包括有多个训练用户信息和对应的标注用户类型的训练数据集进行训练得到;用户信息处理网络模型包括第一卷积网络和第一分类层;第一分类层用于处理第一卷积网络对用户信息处理后的特征数据以得到特征数据属于任一第一用户类型的第一概率;
将信用数据输入至信用数据处理网络模型,以得到多个第二用户类型和对应的多个第二概率;信用数据处理网络模型通过包括有多个训练信用数据和对应的标注用户类型的训练数据集进行训练得到;信用数据处理网络模型包括第二卷积网络和第二分类层;第二分类层用于处理第二卷积网络对用户信息处理后的特征数据以得到特征数据属于任一第二用户类型的第二概率;
根据多个第一用户类型和对应的多个第一概率,和多个第二用户类型和对应的多个第二概率,确定目标用户对应的用户类型。
作为一种可选的实施方式,第一确定模块202根据多个第一用户类型和对应的多个第一概率,和多个第二用户类型和对应的多个第二概率,确定目标用户对应的用户类型的具体方式,包括:
根据用户信息处理网络模型的第一历史预测准确率,确定第一概率对应的第一权重;第一权重与第一历史预测准确率成正比;
根据信用数据处理网络模型的第二历史预测准确率,确定第二概率对应的第二权重;第二权重与第二历史预测准确率成正比;第一权重和第二权重之和为1;
对于任意一种用户类型,根据该用户类型与任意一个第一用户类型和第二用户类型之间的对应关系,确定该用户类型的第一概率和第二概率;
根据第一权重和第二权重,计算该用户类型的第一概率和第二概率的加权求和平均数;
确定所有用户类型中加权求和平均数最大的用户类型为目标用户对应的用户类型。
作为一种可选的实施方式,第一确定模块202根据目标代理商组中所有代理商的历史代理数据,从目标代理商组中确定最适配目标用户的目标代理商的具体方式,包括:
对于目标代理商组中的任一代理商,根据该代理商的历史代理数据,计算该代理商在历史时间段代理的融资行为的成功率和平均融资差额;平均融资差额为所有融资行为的最终融资额和融资需求额的差值的平均值;
计算成功率和平均融资差额的加权求和结果,以得到该代理商的代理评价参数;成功率和平均融资差额的权重之和为1;成功率的权重大于平均融资差额的权重;
将目标代理商组的所有代理商中代理评价参数最高的代理商确定为目标代理商。
作为一种可选的实施方式,历史融资评价信息为文本评价信息;以及,第二确定模块204根据目标用户的融资需求数据、信用数据和历史融资评价信息,从多个融资产品中确定最适配目标用户的目标融资产品的具体方式,包括:
基于词性标注算法,确定历史融资评价信息对应的信誉评价参数;信誉评价参数用于指示代理商对目标用户的信誉评价;
将融资需求数据和信用数据输入至产品推荐神经网络模型,以确定目标用户对应的多个推荐的融资产品;产品推荐神经网络模型通过包括有多个训练融资需求数据和训练信用数据和对应的训练融资产品的训练数据集训练得到;
根据预设的评价-产品映射关系,从预设的多个融资产品组中确定信誉评价参数对应的目标融资产品组;
根据目标融资产品组和多个推荐的融资产品,确定最适配目标用户的目标融资产品。
作为一种可选的实施方式,第二确定模块204根据目标融资产品组和多个推荐的融资产品,确定最适配目标用户的目标融资产品的具体方式,包括:
计算目标融资产品组和多个推荐的融资产品之间的重合的至少一个融资产品,确定为目标融资产品;
和/或,
计算目标融资产品组中的任意一个第一融资产品和多个推荐的融资产品中的任意一个第二融资产品之间的相似度;
将相似度高于预设的相似度阈值的第一融资产品和/或第二融资产品,确定为目标融资产品。
实施例三
请参阅图3,图3是本发明实施例公开的又一种基于产品匹配的融资数据处理装置的结构示意图。如图3所示,该装置可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于产品匹配的融资数据处理方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于产品匹配的融资数据处理方法中的部分或全部步骤。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例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。
本说明书是参照根据本说明书实施例的方法、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。可提供这些计算机程序指令到通用计算机、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后应说明的是:本发明实施例公开的一种基于产品匹配的融资数据处理方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于产品匹配的融资数据处理方法,其特征在于,所述方法包括:
获取目标用户的用户信息和信用数据;
根据所述用户信息和所述信用数据,从多个代理商中确定最适配所述目标用户的目标代理商;所述目标代理商用于与所述目标用户进行接洽并获得所述目标用户的融资需求数据;
获取所述目标用户的历史融资评价信息;所述历史融资评价信息为所述目标用户在历史时间段进行的融资操作所对应的代理商的评价信息;
根据所述目标用户的所述融资需求数据、所述信用数据和所述历史融资评价信息,从多个融资产品中确定最适配所述目标用户的目标融资产品;所述目标融资产品用于推荐给所述目标用户。
2.根据权利要求1所述的基于产品匹配的融资数据处理方法,其特征在于,所述用户信息包括名称信息、地区信息、资产信息和行业信息中的至少一种;和/或,所述信用数据的类型包括工商信息数据、税务申报数据、税务征收数据、投资方数据、分支机构数据、工商变更数据、欠税数据、违法违章数据、法律案件数据和资产数据中的至少一种;和/或,所述融资需求数据包括融资金额、融资用途和融资对象中的至少一种。
3.根据权利要求2所述的基于产品匹配的融资数据处理方法,其特征在于,所述根据所述用户信息和所述信用数据,从多个代理商中确定最适配所述目标用户的目标代理商,包括:
将所述用户信息和所述信用数据输入至组合分类神经网络模型,以确定所述目标用户对应的用户类型;
根据预设的类型-代理商映射关系,从预设的多个代理商组中确定所述用户类型对应的目标代理商组;
根据所述目标代理商组中所有代理商的历史代理数据,从所述目标代理商组中确定最适配所述目标用户的目标代理商。
4.根据权利要求3所述的基于产品匹配的融资数据处理方法,其特征在于,所述组合分类神经网络模型包括用户信息处理网络模型和信用数据处理网络模型;以及,所述将所述用户信息和所述信用数据输入至组合分类神经网络模型,以确定所述目标用户对应的用户类型,包括:
将所述用户信息输入至所述用户信息处理网络模型,以得到多个第一用户类型和对应的多个第一概率;所述用户信息处理网络模型通过包括有多个训练用户信息和对应的标注用户类型的训练数据集进行训练得到;所述用户信息处理网络模型包括第一卷积网络和第一分类层;所述第一分类层用于处理所述第一卷积网络对所述用户信息处理后的特征数据以得到所述特征数据属于任一所述第一用户类型的所述第一概率;
将所述信用数据输入至所述信用数据处理网络模型,以得到多个第二用户类型和对应的多个第二概率;所述信用数据处理网络模型通过包括有多个训练信用数据和对应的标注用户类型的训练数据集进行训练得到;所述信用数据处理网络模型包括第二卷积网络和第二分类层;所述第二分类层用于处理所述第二卷积网络对所述用户信息处理后的特征数据以得到所述特征数据属于任一所述第二用户类型的所述第二概率;
根据所述多个第一用户类型和对应的多个第一概率,和所述多个第二用户类型和对应的多个第二概率,确定所述目标用户对应的用户类型。
5.根据权利要求4所述的基于产品匹配的融资数据处理方法,其特征在于,所述根据所述多个第一用户类型和对应的多个第一概率,和所述多个第二用户类型和对应的多个第二概率,确定所述目标用户对应的用户类型,包括:
根据所述用户信息处理网络模型的第一历史预测准确率,确定所述第一概率对应的第一权重;所述第一权重与所述第一历史预测准确率成正比;
根据所述信用数据处理网络模型的第二历史预测准确率,确定所述第二概率对应的第二权重;所述第二权重与所述第二历史预测准确率成正比;所述第一权重和所述第二权重之和为1;
对于任意一种所述用户类型,根据该用户类型与任意一个所述第一用户类型和所述第二用户类型之间的对应关系,确定该用户类型的所述第一概率和所述第二概率;
根据所述第一权重和所述第二权重,计算该用户类型的所述第一概率和所述第二概率的加权求和平均数;
确定所有所述用户类型中所述加权求和平均数最大的用户类型为所述目标用户对应的用户类型。
6.根据权利要求5所述的基于产品匹配的融资数据处理方法,其特征在于,所述根据所述目标代理商组中所有代理商的历史代理数据,从所述目标代理商组中确定最适配所述目标用户的目标代理商,包括:
对于所述目标代理商组中的任一代理商,根据该代理商的历史代理数据,计算该代理商在历史时间段代理的融资行为的成功率和平均融资差额;所述平均融资差额为所有所述融资行为的最终融资额和融资需求额的差值的平均值;
计算所述成功率和所述平均融资差额的加权求和结果,以得到该代理商的代理评价参数;所述成功率和所述平均融资差额的权重之和为1;所述成功率的权重大于所述平均融资差额的权重;
将所述目标代理商组的所有代理商中所述代理评价参数最高的代理商确定为目标代理商。
7.根据权利要求6所述的基于产品匹配的融资数据处理方法,其特征在于,所述历史融资评价信息为文本评价信息;以及,所述根据所述目标用户的所述融资需求数据、所述信用数据和所述历史融资评价信息,从多个融资产品中确定最适配所述目标用户的目标融资产品,包括:
基于词性标注算法,确定所述历史融资评价信息对应的信誉评价参数;所述信誉评价参数用于指示所述代理商对所述目标用户的信誉评价;
将所述融资需求数据和所述信用数据输入至产品推荐神经网络模型,以确定所述目标用户对应的多个推荐的融资产品;所述产品推荐神经网络模型通过包括有多个训练融资需求数据和训练信用数据和对应的训练融资产品的训练数据集训练得到;
根据预设的评价-产品映射关系,从预设的多个融资产品组中确定所述信誉评价参数对应的目标融资产品组;
根据所述目标融资产品组和所述多个推荐的融资产品,确定最适配所述目标用户的目标融资产品。
8.根据权利要求7所述的基于产品匹配的融资数据处理方法,其特征在于,所述根据所述目标融资产品组和所述多个推荐的融资产品,确定最适配所述目标用户的目标融资产品,包括:
计算所述目标融资产品组和所述多个推荐的融资产品之间的重合的至少一个融资产品,确定为目标融资产品;
和/或,
计算所述目标融资产品组中的任意一个第一融资产品和所述多个推荐的融资产品中的任意一个第二融资产品之间的相似度;
将所述相似度高于预设的相似度阈值的所述第一融资产品和/或所述第二融资产品,确定为目标融资产品。
9.一种基于产品匹配的融资数据处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标用户的用户信息和信用数据;
第一确定模块,用于根据所述用户信息和所述信用数据,从多个代理商中确定最适配所述目标用户的目标代理商;所述目标代理商用于与所述目标用户进行接洽并获得所述目标用户的融资需求数据;
第二获取模块,用于获取所述目标用户的历史融资评价信息;所述历史融资评价信息为所述目标用户在历史时间段进行的融资操作所对应的代理商的评价信息;
第二确定模块,用于根据所述目标用户的所述融资需求数据、所述信用数据和所述历史融资评价信息,从多个融资产品中确定最适配所述目标用户的目标融资产品;所述目标融资产品用于推荐给所述目标用户。
10.一种基于产品匹配的融资数据处理装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-8任一项所述的基于产品匹配的融资数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210047423.3A CN114519631A (zh) | 2022-01-17 | 2022-01-17 | 基于产品匹配的融资数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210047423.3A CN114519631A (zh) | 2022-01-17 | 2022-01-17 | 基于产品匹配的融资数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114519631A true CN114519631A (zh) | 2022-05-20 |
Family
ID=81596667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210047423.3A Pending CN114519631A (zh) | 2022-01-17 | 2022-01-17 | 基于产品匹配的融资数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519631A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649260A (zh) * | 2016-10-19 | 2017-05-10 | 中国计量大学 | 基于评论文本挖掘的产品特征结构树构建方法 |
CN106779506A (zh) * | 2017-03-09 | 2017-05-31 | 深圳微众税银信息服务有限公司 | 一种企业融资需求处理方法及融资需求处理系统 |
CN108711107A (zh) * | 2018-05-25 | 2018-10-26 | 上海钱智金融信息服务有限公司 | 智能融资服务推荐方法及其系统 |
KR101975334B1 (ko) * | 2018-02-05 | 2019-05-07 | 주식회사 텐스페이스 | 소셜네트워크의 분석을 통해 사용자를 평가하는 서버, 소셜네트워크의 분석을 통해 사용자를 평가하는 방법 및 시스템 |
CN109859051A (zh) * | 2019-01-15 | 2019-06-07 | 国网电子商务有限公司 | 一种融资方法及装置 |
CN110135690A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品评论数据分析方法、装置、计算机设备和存储介质 |
CN110189222A (zh) * | 2019-06-06 | 2019-08-30 | 广东企数标普互联网信息服务有限公司 | 一种融资信贷管理方法与装置 |
DE102018112795A1 (de) * | 2018-05-29 | 2019-12-05 | Giromatch GmbH | Verfahren zur Erzeugung eines Finanzierungsangebots |
-
2022
- 2022-01-17 CN CN202210047423.3A patent/CN114519631A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649260A (zh) * | 2016-10-19 | 2017-05-10 | 中国计量大学 | 基于评论文本挖掘的产品特征结构树构建方法 |
CN106779506A (zh) * | 2017-03-09 | 2017-05-31 | 深圳微众税银信息服务有限公司 | 一种企业融资需求处理方法及融资需求处理系统 |
KR101975334B1 (ko) * | 2018-02-05 | 2019-05-07 | 주식회사 텐스페이스 | 소셜네트워크의 분석을 통해 사용자를 평가하는 서버, 소셜네트워크의 분석을 통해 사용자를 평가하는 방법 및 시스템 |
CN108711107A (zh) * | 2018-05-25 | 2018-10-26 | 上海钱智金融信息服务有限公司 | 智能融资服务推荐方法及其系统 |
DE102018112795A1 (de) * | 2018-05-29 | 2019-12-05 | Giromatch GmbH | Verfahren zur Erzeugung eines Finanzierungsangebots |
CN109859051A (zh) * | 2019-01-15 | 2019-06-07 | 国网电子商务有限公司 | 一种融资方法及装置 |
CN110135690A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品评论数据分析方法、装置、计算机设备和存储介质 |
CN110189222A (zh) * | 2019-06-06 | 2019-08-30 | 广东企数标普互联网信息服务有限公司 | 一种融资信贷管理方法与装置 |
Non-Patent Citations (1)
Title |
---|
颜端武 等: "基于产品特征树和LSTM模型的产品评论情感分析", 《情报理论与实践》, vol. 42, no. 12, 16 August 2019 (2019-08-16), pages 134 - 138 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858970B (zh) | 一种用户行为预测方法、装置及存储介质 | |
CN109934697A (zh) | 一种基于图结构模型的信用风险控制方法、装置以及设备 | |
CN111080304B (zh) | 一种可信关系识别方法、装置及设备 | |
CN110335115A (zh) | 一种业务订单处理方法及装置 | |
CN111539811B (zh) | 风险账户的识别方法及装置 | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN111401777A (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
CN110033382B (zh) | 一种保险业务的处理方法、装置及设备 | |
CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
CN111639687A (zh) | 一种模型训练以及异常账号识别方法及装置 | |
CN110633989A (zh) | 一种风险行为生成模型的确定方法及装置 | |
CN112214652B (zh) | 一种报文生成方法、装置及设备 | |
CN110390182B (zh) | 一种确定小程序类目的方法、系统及设备 | |
CN112529584A (zh) | 交易纠纷数据处理方法、装置、设备及存储介质 | |
CN112015909A (zh) | 知识图谱的构建方法及装置、电子设备、存储介质 | |
CN110738562B (zh) | 一种风险提醒信息的生成方法、装置及设备 | |
CN112561681A (zh) | 确定潜在贷款企业的方法、装置、电子设备及存储介质 | |
CN110033092B (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
CN112163962A (zh) | 一种模型训练和业务风控的方法及装置 | |
CN110263817B (zh) | 一种基于用户账号的风险等级划分方法及装置 | |
CN113010562B (zh) | 一种信息推荐的方法以及装置 | |
CN110263816B (zh) | 一种企业的分类方法以及装置 | |
CN116029556B (zh) | 一种业务风险的评估方法、装置、设备及可读存储介质 |
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 |