CN115271933B - 贷款决策方法及装置、决策设备及计算机可读存储介质 - Google Patents

Abstract

本发明提供了一种贷款决策方法及装置、决策设备及计算机可读存储介质，涉及计算机技术领域，在进行贷款决策时，当获取到用户在可视化界面配置的策略流程图时，根据策略流程图，生成相应的策略规则及策略标识号；当接收到携带有目标策略标识号和贷款数据的决策请求时，获取与目标策略标识号对应的目标策略规则；根据目标策略规则和基于人工智能算法预训练的风控模型，对贷款数据进行贷款决策，得到目标决策结果。这样用户可以通过可视化界面配置所需的策略规则，无需编写代码即可完成复杂业务规则的配置，降低了对使用者的要求；并且结合了人工智能算法，提高了决策结果的准确性。

Description

贷款决策方法及装置、决策设备及计算机可读存储介质

技术领域

本发明涉及计算机技术领域，尤其是涉及一种贷款决策方法及装置、决策设备及计算机可读存储介质。

背景技术

贷款决策是在对贷款项目及其借款企业全面综合评价的基础上进行的，银行贷款决策是商业银行经营管理的核心问题。进行贷款决策时，需要拥有充分的资料和可靠的信息，以进行相关因素的定性与定量分析。

决策引擎是一种通用工具，适用于所有需要进行快速决策的场景，可以将各个领域的内容梳理成一系列规则，从而为相应领域的决策事件判断过程提供处理策略和处理结果，因此可以通过决策引擎进行贷款决策。在互联网时代背景下，贷款决策方面的信息量在快速增长，需要使用者在决策引擎中配置相应的规则脚本。

目前的决策引擎只能依据使用者配置的规则脚本进行贷款决策，对使用者的要求较高（需要使用者具有开发背景），且决策结果的准确性较低。

发明内容

本发明的目的在于提供一种贷款决策方法及装置、决策设备及计算机可读存储介质，以降低对使用者的要求，提高决策结果的准确性。

第一方面，本发明实施例提供了一种贷款决策方法，包括：

当获取到用户在可视化界面配置的策略流程图时，根据策略流程图，生成相应的策略规则及策略标识号；

当接收到携带有目标策略标识号和贷款数据的决策请求时，获取与目标策略标识号对应的目标策略规则；

根据目标策略规则和基于人工智能算法预训练的风控模型，对贷款数据进行贷款决策，得到目标决策结果。

进一步地，上述根据策略流程图，生成相应的策略规则及策略标识号的步骤，包括：

获取与策略流程图对应的规则函数；

根据规则函数，将策略流程图转换为相应的策略规则，并生成相应的策略标识号。

进一步地，上述策略流程图由多个可视化组件连接构成；上述获取与策略流程图对应的规则函数的步骤，包括：

从策略流程图中解析得到多个可视化组件；

从规则函数数据源中，获取每个可视化组件对应的规则函数。

进一步地，上述根据目标策略规则和基于人工智能算法预训练的风控模型，对贷款数据进行贷款决策，得到目标决策结果的步骤，包括：

根据目标策略规则，对贷款数据进行决策，得到初始决策结果；

获取输入为贷款数据时，风控模型输出的模型分；

根据初始决策结果和模型分，生成目标决策结果。

进一步地，上述根据目标策略规则，对贷款数据进行决策，得到初始决策结果的步骤，包括：

对目标策略规则进行依赖分析，得到与目标策略规则对应的业务规则解析器；

通过业务规则解析器对目标策略规则进行计算机语言转换，得到目标规则脚本；

通过原语执行器执行目标规则脚本，对贷款数据进行决策，得到初始决策结果。

进一步地，上述根据目标策略规则和基于人工智能算法预训练的风控模型，对贷款数据进行贷款决策，得到目标决策结果的步骤之后，上述贷款决策方法还包括：

根据贷款数据在目标策略规则下的贷款决策过程和预设的监控指标，生成监控大盘。

进一步地，上述根据贷款数据在目标策略规则下的贷款决策过程和预设的监控指标，生成监控大盘的步骤之后，上述贷款决策方法还包括：

根据基于监控指标预先配置的告警规则，生成贷款数据对应的告警结果；

根据告警结果，进行预设告警方式的告警通知。

第二方面，本发明实施例还提供了一种贷款决策装置，包括：

生成模块，用于当获取到用户在可视化界面配置的策略流程图时，根据策略流程图，生成相应的策略规则及策略标识号；

获取模块，用于当接收到携带有目标策略标识号和贷款数据的决策请求时，获取与目标策略标识号对应的目标策略规则；

决策模块，用于根据目标策略规则和基于人工智能算法预训练的风控模型，对贷款数据进行贷款决策，得到目标决策结果。

第三方面，本发明实施例还提供了一种决策设备，包括存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现第一方面的贷款决策方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行第一方面的贷款决策方法。

本发明实施例提供的贷款决策方法及装置、决策设备及计算机可读存储介质，在进行贷款决策时，当获取到用户在可视化界面配置的策略流程图时，根据策略流程图，生成相应的策略规则及策略标识号；当接收到携带有目标策略标识号和贷款数据的决策请求时，获取与目标策略标识号对应的目标策略规则；根据目标策略规则和基于人工智能算法预训练的风控模型，对贷款数据进行贷款决策，得到目标决策结果。这样用户可以通过可视化界面配置所需的策略规则，无需编写代码即可完成复杂业务规则的配置，降低了对使用者的要求；并且结合了人工智能算法，提高了决策结果的准确性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种贷款决策方法的流程示意图；

图2为本发明实施例提供的一种用户在可视化界面配置的策略流程图；

图3为本发明实施例提供的另一种贷款决策方法的流程示意图；

图4为本发明实施例提供的一种配置告警规则的可视化界面示意图；

图5为本发明实施例提供的一种贷款决策装置的结构示意图；

图6为本发明实施例提供的一种决策设备的结构示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做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。

目前利用决策引擎进行贷款决策，然而银行业务系统运行过程中难免会发生业务规则变化的情形，需要具有开发背景的使用者对业务规则进行修改，因此基于传统决策引擎的贷款决策方式，对使用者的要求较高，且决策结果的准确性较低。基于此，本发明实施例提供的一种贷款决策方法及装置、决策设备及计算机可读存储介质，无需开发背景甚至无需算法建模背景，支持业务规则的可视化配置，且将大数据与人工智能算法应用到贷款决策中，可以实现业务规则的随需应便，同时提高决策结果的准确性。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种贷款决策方法进行详细介绍。

本发明实施例提供了一种贷款决策方法，该贷款决策方法可以由具有数据处理能力的决策设备实现。参见图1所示的一种贷款决策方法的流程示意图，该贷款决策方法主要包括如下步骤S102~步骤S106：

步骤S102，当获取到用户在可视化界面配置的策略流程图时，根据策略流程图，生成相应的策略规则及策略标识号。

用户可以在可视化界面上进行策略流程图的配置，从而得到相应的策略规则及策略标识号。在一些可能的实施例中，上述步骤S102可以通过如下过程实现：获取与策略流程图对应的规则函数；根据规则函数，将策略流程图转换为相应的策略规则，并生成相应的策略标识号。

可视化界面是一个可视化易操作的代码流程编写界面，可视化界面上提供了多种可供选择的可视化组件，例如一些代码流程上需要用到的方法，用户可以根据实际需求选择所需的可视化组件，进行复杂流程的可视化配置，包括分支节点、子流程节点等，从而实现可视化的规则配置，包括条件语句、决策表、评分卡等类型。一种可能的策略流程图，如图2所示，策略流程图由多个可视化组件连接构成。基于此，可以从策略流程图中解析得到多个可视化组件，然后从规则函数数据源中，获取每个可视化组件对应的规则函数。

步骤S104，当接收到携带有目标策略标识号和贷款数据的决策请求时，获取与目标策略标识号对应的目标策略规则。

贷款数据包括税务数据和人行征信数据等。策略规则数据源中存储有所有的策略规则及相应的策略标识号，因此可以从策略规则数据源中查找得到与目标策略标识号对应的目标策略规则。

步骤S106，根据目标策略规则和基于人工智能算法预训练的风控模型，对贷款数据进行贷款决策，得到目标决策结果。

在一些可能的实施例中，上述步骤S106可以通过如下过程实现：根据目标策略规则，对贷款数据进行决策评分，得到初始决策结果；获取输入为贷款数据时，风控模型输出的模型分；根据初始决策结果和模型分，生成目标决策结果。

在一种可能的实现方式中，可以通过如下过程对贷款数据进行决策，得到初始决策结果：对目标策略规则进行依赖分析，得到与目标策略规则对应的业务规则解析器；通过该业务规则解析器对目标策略规则进行计算机语言转换，得到目标规则脚本；通过原语执行器执行目标规则脚本，对贷款数据进行决策，得到初始决策结果。其中，依赖分析指分析规则之间的引用关系。

风控模型是根据人工智能算法如贝叶斯算法等生成的，风控模型会输出贷款数据对应的模型分，作为决策引擎的入参；决策引擎会调用该模型分，并结合规则侧的执行分（目标策略规则对应的初始决策结果），生成最终的目标决策结果。所得到的目标决策结果还可以被大数据平台采集，用于更新风控模型。初始决策结果可以包括是否可贷款和贷款额度，可以根据模型分对初始决策结果进行修改（修改是否可贷款的结果或者修改贷款额度），得到目标决策结果。

为了便于理解，下面对基于策略规则的决策方式进行示例性介绍。

1、“如果年龄小于18岁，那么就拒绝处理”，这条规则可以抽象建模成如下条件表达式：

特征（年龄） 运算符（小于） 阈值（18） 触发结果（拒绝）

这里产生几个概念：特征feature、运算符operator、阈值value，这三要素构成条件表达式condition，加上触发结果decision，组成了规则rule的基础元素。

2、“如果年龄小于18岁或年龄大于50岁，那么就拒绝处理”，这条规则的抽象建模结果如下：

条件表达式1：特征（年龄） 运算符（小于） 阈值（18）

条件表达式2：特征（年龄） 运算符（大于） 阈值（50）

逻辑关系：（或）

触发结果：（拒绝） 任何一个为false即为拒绝

这里多了逻辑关系，规则可由多个条件表达式组成，对表达式结果再进行逻辑运算。

3、“如果职业是学生，那么就拒绝处理”，这条规则的抽象建模结果如下：

条件表达式：特征（职业） 运算符（等于） 阈值（学生） 触发结果（拒绝）

其他可选阈值可以为：老师、工人、农民、程序员等。

4、“如果订单返回结果中包含exception字样，那么就异常处理”，这条规则的抽象建模结果如下：

条件表达式：特征（订单返回结果） 运算符（contain) 阈值（exception）触发结果（异常）

这里有了不同的特征类型，一般特征类型总结如下：

1）数值型，对应运算符可以有：>、<、=、>=、<=、==、!=等，值必须为数字；

2）枚举型，对应运算符只有==，值为字符串数组[...]，如{"学生","老师","工人","农民","程序员"}；

3）字符串型，对应运算符有=、!=、like、in、contain等，值为字符串或字符串数组。

触发结果可以为“通过”、“拒绝”、“记录”、“告警”、“异常”等，也可以是任意自定义结果。

对于一些名单类特征，比如规则是“命中黑名单则触发拒绝”，将命中结果抽象为枚举型特征，对应条件表达式就是：命中黑名单 等于 true/false。

总结如下：一条规则的执行，先通过数据（身份证号）计算出特征（年龄），然后带入条件表达式（年龄<18）计算，并对多个表达式结果做逻辑运算，最终根据逻辑运算决定是否触发结果。

本发明实施例提供的贷款决策方法，在进行贷款决策时，当获取到用户在可视化界面配置的策略流程图时，根据策略流程图，生成相应的策略规则及策略标识号；当接收到携带有目标策略标识号和贷款数据的决策请求时，获取与目标策略标识号对应的目标策略规则；根据目标策略规则和基于人工智能算法预训练的风控模型，对贷款数据进行贷款决策，得到目标决策结果。这样用户可以通过可视化界面配置所需的策略规则，无需编写代码即可完成复杂业务规则的配置，降低了对使用者的要求；并且结合了人工智能算法，提高了决策结果的准确性。

为了便于理解，本发明实施例还提供了如图3所示的另一种贷款决策方法的流程示意图，具体如下：

业务人员在可视化界面上配置规则，可视化界面上新增策略流程图，之后从规则函数数据源中获取相应的规则函数，并根据规则函数和新增的策略流程图，生成新的策略规则及其策略标识号，存储在策略规则数据源中。外部的业务系统通过调用策略执行接口发起决策请求，此时触发器向决策引擎发起执行命令，执行命令携带有指定的策略标识号和贷款数据；决策引擎从策略规则数据源中获取该策略标识号对应的目标策略规则，对目标策略规则进行依赖分析，确定对应的业务规则解析器，然后通过业务规则解析器解析规则字符串，将目标策略规则转换成可供原语执行器识别的表达式形式，再通过原语执行器对贷款数据进行决策，得到初始决策结果，最后结合风控模型输出的模型分，生成目标决策结果，并将目标决策结果返回给触发器，由触发器返回给相应的业务系统。

本发明实施例提供的决策引擎，将复杂的业务逻辑从代码中剥离出来，可以显著降低业务逻辑实现的难度，降低实现复杂业务逻辑的组件的复杂性，降低应用程序的维护和可扩展性成本；剥离的业务规则使用决策引擎实现，可以使多变的业务规则变的可维护、易维护；配合决策引擎提供的良好的业务规则设计器，不用编码就可以快速编辑复杂的业务规则；即使是完全不懂编程的业务人员，也可以使用决策引擎来定义复杂的业务规则；业务系统运行过程中难免会发生业务规则变化的情形，有了决策引擎，业务规则部分采用决策引擎实现，这样在系统正常运行的情况就可以利用决策引擎对业务规则进行修改，从而实现业务规则的随需应便。

本发明实施例还支持监控管理功能，基于决策引擎执行过程的上下文内容，用户通过简单的监控规则配置，加工成用户关心的监控指标，能自动生成可视化的监控大盘。基于此，上述贷款决策方法还包括：根据贷款数据在目标策略规则下的贷款决策过程和预设的监控指标，生成监控大盘。

监控指标可以是拒绝原因码等。优选地，支持从时间（如近1日、近一周、近1月，或者从2022-08-31 00:00:00至2022-08-31 19:00:00等）、指标类型（如新增值、缺失率、完件数、累计数或值分布等）、对比项（如上一周期）等多个维度进行监控大盘的个性化展示。

另外，用户还可以基于监控指标，进行可视化的告警规则配置，如图4所示。用户可以从指标类型(新增值、缺失率、完件数等)、比较方法(同比、环比、绝对比率、绝对数量等)、阈值上下线、限制条件等多维度进行可视化的告警规则配置。基于此，上述贷款决策方法还包括：根据基于监控指标预先配置的告警规则，生成贷款数据对应的告警结果；根据告警结果，进行预设告警方式的告警通知。

告警通知支持多种告警方式，如邮件、短信、电话、钉钉等。另外，触发告警后会留下告警记录，方便后续用户对告警通知进行跟踪处理，实现监控告警闭环。

对应于上述的贷款决策方法，本发明实施例还提供了一种贷款决策装置。参见图5所示的一种贷款决策装置的结构示意图，该贷款决策装置包括：

生成模块52，用于当获取到用户在可视化界面配置的策略流程图时，根据策略流程图，生成相应的策略规则及策略标识号；

获取模块54，用于当接收到携带有目标策略标识号和贷款数据的决策请求时，获取与目标策略标识号对应的目标策略规则；

决策模块56，用于根据目标策略规则和基于人工智能算法预训练的风控模型，对贷款数据进行贷款决策，得到目标决策结果。

本发明实施例提供的贷款决策装置，在进行贷款决策时，当获取到用户在可视化界面配置的策略流程图时，根据策略流程图，生成相应的策略规则及策略标识号；当接收到携带有目标策略标识号和贷款数据的决策请求时，获取与目标策略标识号对应的目标策略规则；根据目标策略规则和基于人工智能算法预训练的风控模型，对贷款数据进行贷款决策，得到目标决策结果。这样用户可以通过可视化界面配置所需的策略规则，无需编写代码即可完成复杂业务规则的配置，降低了对使用者的要求；并且结合了人工智能算法，提高了决策结果的准确性。

进一步地，上述生成模块52具体用于：获取与策略流程图对应的规则函数；根据规则函数，将策略流程图转换为相应的策略规则，并生成相应的策略标识号。

进一步地，上述策略流程图由多个可视化组件连接构成；上述生成模块52还用于：从策略流程图中解析得到多个可视化组件；从规则函数数据源中，获取每个可视化组件对应的规则函数。

进一步地，上述决策模块56具体用于：根据目标策略规则，对贷款数据进行决策，得到初始决策结果；获取输入为贷款数据时，风控模型输出的模型分；根据初始决策结果和模型分，生成目标决策结果。

进一步地，上述决策模块56还用于：对目标策略规则进行依赖分析，得到与目标策略规则对应的业务规则解析器；通过业务规则解析器对目标策略规则进行计算机语言转换，得到目标规则脚本；通过原语执行器执行目标规则脚本，对贷款数据进行决策，得到初始决策结果。

进一步地，上述贷款决策装置还包括与决策模块56连接的监控模块，监控模块用于：根据贷款数据在目标策略规则下的贷款决策过程和预设的监控指标，生成监控大盘。

进一步地，上述监控模块还用于：根据基于监控指标预先配置的告警规则，生成贷款数据对应的告警结果；根据告警结果，进行预设告警方式的告警通知。

本实施例所提供的贷款决策装置，其实现原理及产生的技术效果和前述贷款决策方法实施例相同，为简要描述，贷款决策装置实施例部分未提及之处，可参考前述贷款决策方法实施例中相应内容。

如图6所示，本发明实施例提供的一种决策设备600，包括：处理器601、存储器602和总线，存储器602存储有可在处理器601上运行的计算机程序，当决策设备600运行时，处理器601与存储器602之间通过总线通信，处理器601执行计算机程序，以实现上述贷款决策方法。

具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前面方法实施例中所述的贷款决策方法。该计算机可读存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，简称ROM）、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

附图中的流程图和框图显示了根据本发明的多个实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种贷款决策方法，其特征在于，包括：

当获取到用户在可视化界面上进行可视化的规则配置得到的策略流程图时，根据所述策略流程图，生成相应的策略规则及策略标识号；

当接收到携带有目标策略标识号和贷款数据的决策请求时，获取与所述目标策略标识号对应的目标策略规则；

根据所述目标策略规则和基于人工智能算法预训练的风控模型，对所述贷款数据进行贷款决策，得到目标决策结果；其中，所述人工智能算法包括贝叶斯算法；

所述根据所述目标策略规则和基于人工智能算法预训练的风控模型，对所述贷款数据进行贷款决策，得到目标决策结果的步骤，包括：

根据所述目标策略规则，对所述贷款数据进行决策，得到初始决策结果；

获取输入为所述贷款数据时，所述风控模型输出的模型分；

根据所述初始决策结果和所述模型分，生成目标决策结果。

2.根据权利要求1所述的贷款决策方法，其特征在于，所述根据所述策略流程图，生成相应的策略规则及策略标识号的步骤，包括：

获取与所述策略流程图对应的规则函数；

根据所述规则函数，将所述策略流程图转换为相应的策略规则，并生成相应的策略标识号。

3.根据权利要求2所述的贷款决策方法，其特征在于，所述策略流程图由多个可视化组件连接构成；所述获取与所述策略流程图对应的规则函数的步骤，包括：

从所述策略流程图中解析得到多个可视化组件；

从规则函数数据源中，获取每个所述可视化组件对应的规则函数。

4.根据权利要求1所述的贷款决策方法，其特征在于，所述根据所述目标策略规则，对所述贷款数据进行决策，得到初始决策结果的步骤，包括：

对所述目标策略规则进行依赖分析，得到与所述目标策略规则对应的业务规则解析器；

通过所述业务规则解析器对所述目标策略规则进行计算机语言转换，得到目标规则脚本；

通过原语执行器执行所述目标规则脚本，对所述贷款数据进行决策，得到初始决策结果。

5.根据权利要求1所述的贷款决策方法，其特征在于，所述根据所述目标策略规则和基于人工智能算法预训练的风控模型，对所述贷款数据进行贷款决策，得到目标决策结果的步骤之后，所述贷款决策方法还包括：

根据所述贷款数据在所述目标策略规则下的贷款决策过程和预设的监控指标，生成监控大盘。

6.根据权利要求5所述的贷款决策方法，其特征在于，所述根据所述贷款数据在所述目标策略规则下的贷款决策过程和预设的监控指标，生成监控大盘的步骤之后，所述贷款决策方法还包括：

根据基于所述监控指标预先配置的告警规则，生成所述贷款数据对应的告警结果；

根据所述告警结果，进行预设告警方式的告警通知。

7.一种贷款决策装置，其特征在于，包括：

生成模块，用于当获取到用户在可视化界面上进行可视化的规则配置得到的策略流程图时，根据所述策略流程图，生成相应的策略规则及策略标识号；

获取模块，用于当接收到携带有目标策略标识号和贷款数据的决策请求时，获取与所述目标策略标识号对应的目标策略规则；

决策模块，用于根据所述目标策略规则和基于人工智能算法预训练的风控模型，对所述贷款数据进行贷款决策，得到目标决策结果；其中，所述人工智能算法包括贝叶斯算法；

所述决策模块具体用于：根据所述目标策略规则，对所述贷款数据进行决策，得到初始决策结果；获取输入为所述贷款数据时，所述风控模型输出的模型分；根据所述初始决策结果和所述模型分，生成目标决策结果。

8.一种决策设备，其特征在于，包括存储器、处理器；所述存储器中存储有可在所述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权利要求1-6中任一项所述的贷款决策方法。

9.一种计算机可读存储介质，所述计算机可读存储介质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运行时执行权利要求1-6中任一项所述的贷款决策方法。

Images