CN116308759A - 一种信贷机构的推荐方法和装置 - Google Patents

一种信贷机构的推荐方法和装置 Download PDF

Info

Publication number
CN116308759A
CN116308759A CN202310311172.XA CN202310311172A CN116308759A CN 116308759 A CN116308759 A CN 116308759A CN 202310311172 A CN202310311172 A CN 202310311172A CN 116308759 A CN116308759 A CN 116308759A
Authority
CN
China
Prior art keywords
credit
mechanisms
score
agency
target
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
Application number
CN202310311172.XA
Other languages
English (en)
Inventor
陈翱
孙锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Xurong Network Technology Co ltd
Original Assignee
Shanghai Xurong Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Xurong Network Technology Co ltd filed Critical Shanghai Xurong Network Technology Co ltd
Priority to CN202310311172.XA priority Critical patent/CN116308759A/zh
Publication of CN116308759A publication Critical patent/CN116308759A/zh
Pending legal-status Critical Current

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及一种信贷机构的推荐方法和装置，该方法包括：获取目标用户在每个信贷机构上的模型得分，模型得分用于指示信贷机构对目标用户进行授信的概率；获取多个信贷机构之间的授信相关性，授信相关性与第一矩阵和第二矩阵相关，第一矩阵中的元素为不同用户在多个信贷机构中的其中一个信贷机构的模型得分，第二矩阵中的元素为不同用户在另一个信贷机构的模型得分；按照授信相关性对多个信贷机构进行分类；从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给目标用户。通过本申请，解决了相关技术中的助贷平台缺少成熟的机构推荐体系的问题，实现了提高为用户推荐信贷机构的准确度，进而增加用户对信贷平台的粘性和依赖度的效果。

Description

一种信贷机构的推荐方法和装置
技术领域
本发明涉及金融信贷技术领域，尤其涉及一种信贷机构的推荐方法、装置、计算机设备和计算机可读存储介质。
背景技术
在金融信贷领域，尤其是互联网小微贷领域中，贷款申请人往往通过一些应用程序、软件、助贷平台对接金融机构，机构或助贷平台通过对申请人资质的审核，决定是否对其授信以及授信额度和息费。在实际业务应用中，有相当多的用户会通过下载助贷平台的App申请贷款，而助贷平台会连接多家小贷机构或资方，以帮助用户获得贷款。通过这套机制，申贷用户仅需要下载一款App，就有可能实现与多家金融机构对接。
不同的金融机构对于用户和风险的偏好自然有所不同，因此，同一个用户在不同的机构就会有不同的申领额度、期限和息费，用户也从而有了更多的选择权利。整个流程中，助贷平台作为流量方，也会对用户的资质进行一定的审核和风控，不符合条件的用户是无法推送到机构的；而对于符合条件的用户，助贷平台都在着力搭建一套推荐体系，使得用户能通过助贷平台得到贷款。
目前关于助贷平台上的机构推荐策略，还没有成熟的推荐体系。在实际层面，助贷平台一般面临如下几个瓶颈或问题：
1.怎样的用户能满足机构的要求？如何量化？
2.机构的偏好和机构间偏好的相关度如何量化？
3.同一个用户在不同机构的授信可能性如何相比？
4.根据授信可能性和机构的偏好，该制定一套怎样的策略，使得授信率(出额率)能得到提升？
目前，针对相关技术中的助贷平台缺少成熟的机构推荐体系的问题，尚未提出有效的解决方案。
发明内容
本申请的目的是针对现有技术中的不足，提供一种信贷机构的推荐方法、装置、计算机设备和计算机可读存储介质，以至少解决相关技术中的助贷平台缺少成熟的机构推荐体系的问题。
为实现上述目的，本申请采取的技术方案是：
第一方面，本申请实施例提供了一种信贷机构的推荐方法，包括：
获取目标用户在每个信贷机构上的模型得分，其中，所述模型得分用于指示信贷机构对所述目标用户进行授信的概率；
获取多个信贷机构之间的授信相关性，其中，所述授信相关性与第一矩阵和第二矩阵相关，所述第一矩阵中的元素为不同用户在所述多个信贷机构中的其中一个信贷机构的模型得分，所述第二矩阵中的元素为不同用户在所述多个信贷机构中的另一个信贷机构的模型得分；
按照所述授信相关性对所述多个信贷机构进行分类；
从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户。
在其中一些实施例中，获取多个信贷机构之间的授信相关性包括：
按照以下公式计算信贷机构A与信贷机构B之间的授信相关性rho(A,B)：
Figure BDA0004148539110000021
其中，u＝[score(A1),score(A2),score(A3),...,score(An)],v＝[score(B1),score(B2),score(B3),...,score(Bn)]，所述score(An)用于表示第n个用户在所述信贷机构A上的模型得分，所述score(Bn)用于表示第n个用户在所述信贷机构B上的模型得分。
在其中一些实施例中，按照所述授信相关性对所述多个信贷机构进行分类包括：
将所述多个授信机构中两两授信相关性超过第一数值的信贷机构归为第一类别；
将与所述多个授信机构中的其余授信机构的授信相关性都低于第二数值的授信机构归为第二类别；
对所述多个授信机构中除了所述第一类别与所述第二类别之外的剩余授信机构，若所述剩余授信机构与所述第一类别中超过目标数量的授信机构的授信相关性超过所述第一数值，则将所述剩余授信机构归为所述第一类别，否则将所述剩余授信机构归为第三类别。
在其中一些实施例中，从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户包括：
按照每个类别内授信机构的授信概率的排序，从每个类别内选择所述目标数量的信贷机构组成目标信贷机构组合；
将所述目标信贷机构组合推荐给所述目标用户。
在其中一些实施例中，在从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户之后，还包括：
按照以下公式计算所述目标用户在所述目标信贷机构组合上的总体授信概率p(A,B)，其中，所述目标信贷机构组合包括信贷机构A和信贷机构B：
Figure BDA0004148539110000031
其中，p1表示所述目标用户在所述信贷机构A上的授信概率，p2表示所述目标用户在所述信贷机构B上的授信概率。
第二方面，本申请实施例提供了一种信贷机构的推荐装置，包括：
第一获取单元，用于获取目标用户在每个信贷机构上的模型得分，其中，所述模型得分用于指示信贷机构对所述目标用户进行授信的概率；
第二获取单元，用于获取多个信贷机构之间的授信相关性，其中，所述授信相关性与第一矩阵和第二矩阵相关，所述第一矩阵中的元素为不同用户在所述多个信贷机构中的其中一个信贷机构的模型得分，所述第二矩阵中的元素为不同用户在所述多个信贷机构中的另一个信贷机构的模型得分；
分类单元，用于按照所述授信相关性对所述多个信贷机构进行分类；
推荐单元，用于从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户。
在其中一些实施例中，所述第二获取单元包括：
计算模块，用于按照以下公式计算信贷机构A与信贷机构B之间的授信相关性rho(A,B)：
Figure BDA0004148539110000032
其中，u＝[score(A1),score(A2),score(A3),...,score(An)],v＝[score(B1),score(B2),score(B3),...,score(Bn)]，所述score(An)用于表示第n个用户在所述信贷机构A上的模型得分，所述score(Bn)用于表示第n个用户在所述信贷机构B上的模型得分。
在其中一些实施例中，所述分类单元包括：
第一分类模块，用于将所述多个授信机构中两两授信相关性超过第一数值的信贷机构归为第一类别；
第二分类模块，用于将与所述多个授信机构中的其余授信机构的授信相关性都低于第二数值的授信机构归为第二类别；
第三分类模块，用于对所述多个授信机构中除了所述第一类别与所述第二类别之外的剩余授信机构，若所述剩余授信机构与所述第一类别中超过目标数量的授信机构的授信相关性超过所述第一数值，则将所述剩余授信机构归为所述第一类别，否则将所述剩余授信机构归为第三类别。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并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如上述第一方面所述的信贷机构的推荐方法。
第四方面，本申请实施例提供了一种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上述第一方面所述的信贷机构的推荐方法。
本申请采用以上技术方案，与现有技术相比，本申请实施例提供的信贷机构的推荐方法，通过获取目标用户在每个信贷机构上的模型得分，然后获取多个信贷机构之间的授信相关性；然后按照所述授信相关性对所述多个信贷机构进行分类；最后从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户，解决了相关技术中的助贷平台缺少成熟的机构推荐体系的问题，实现了提高为用户推荐信贷机构的准确度，进而增加用户对信贷平台的粘性和依赖度的效果。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例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移动终端的结构框图；
图2是根据本申请实施例的信贷机构的推荐方法的流程图；
图3是根据本申请实施例的信贷机构的推荐装置的结构框图；
图4为根据本申请实施例的计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“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申请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。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“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模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本实施例提供了一种移动终端。图1是根据本申请实施例的移动终端的结构框图。如图1所示，该移动终端包括：射频(Radio Frequency，简称为RF)电路110、存储器120、输入单元130、显示单元140、传感器150、音频电路160、无线保真(wireless fidelity，简称为WiFi)模块170、处理器180、以及电源190等部件。本领域技术人员可以理解，图1中示出的移动终端结构并不构成对移动终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图1对移动终端的各个构成部件进行具体的介绍：
RF电路110可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器180处理；另外，将设计上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，简称为LNA)、双工器等。此外，RF电路110还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，简称为GSM)、通用分组无线服务(GeneralPacket Radio Service，简称为GPRS)、码分多址(Code Division Multiple Access，简称为CDMA)、宽带码分多址(Wideband Code Division Multiple Access，简称为WCDMA)、长期演进(Long Term Evolution，简称为LTE)、电子邮件、短消息服务(Short MessagingService，简称为SMS)等。
存储器120可用于存储软件程序以及模块，处理器180通过运行存储在存储器120的软件程序以及模块，从而执行移动终端的各种功能应用以及数据处理。存储器120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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据移动终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器120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。
输入单元130可用于接收输入的数字或字符信息，以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地，输入单元130可包括触控面板131以及其他输入设备132。触控面板131，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、触笔等任何适合的物体或附件在触控面板131上或在触控面板131附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板131可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器180，并能接收处理器180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131。除了触控面板131，输入单元130还可以包括其他输入设备132。具体地，其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元140可用于显示由用户输入的信息或提供给用户的信息以及移动终端的各种菜单。显示单元140可包括显示面板141，可选的，可以采用液晶显示器(LiquidCrystal Display，简称为LCD)、有机发光二极管(Organic Light-Emitting Diode，简称为OLED)等形式来配置显示面板141。进一步的，触控面板131可覆盖显示面板141，当触控面板131检测到在其上或附近的触摸操作后，传送给处理器180以确定触摸事件的类型，随后处理器180根据触摸事件的类型在显示面板141上提供相应的视觉输出。虽然在图1中，触控面板131与显示面板141是作为两个独立的部件来实现移动终端的输入和输入功能，但是在某些实施例中，可以将触控面板131与显示面板141集成而实现移动终端的输入和输出功能。
移动终端还可包括至少一种传感器150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板141的亮度，接近传感器可在移动终端移动到耳边时，关闭显示面板141和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于移动终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路160中的扬声器161，传声器162可提供用户与移动终端之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号，传输到扬声器161，由扬声器161转换为声音信号输出；另一方面，传声器162将收集的声音信号转换为电信号，由音频电路160接收后转换为音频数据，再将音频数据输出处理器180处理后，经RF电路110以发送给比如另一移动终端，或者将音频数据输出至存储器120以便进一步处理。
WiFi属于短距离无线传输技术，移动终端通过WiFi模块170可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块170，但是可以理解的是，其并不属于移动终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略，或者替换为其他的短距离无线传输模块，例如Zigbee模块、或者WAPI模块等。
处理器180是移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分，通过运行或执行存储在存储器120内的软件程序和/或模块，以及调用存储在存储器120内的数据，执行移动终端的各种功能和处理数据，从而对移动终端进行整体监控。可选的，处理器180可包括一个或多个处理单元；优选的，处理器180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、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。
移动终端还包括给各个部件供电的电源190(比如电池)，优选的，电源可以通过电源管理系统与处理器180逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出，移动终端还可以包括摄像头、蓝牙模块等，在此不再赘述。
在本实施例中，处理器180被配置为：
获取目标用户在每个信贷机构上的模型得分，其中，所述模型得分用于指示信贷机构对所述目标用户进行授信的概率；
获取多个信贷机构之间的授信相关性，其中，所述授信相关性与第一矩阵和第二矩阵相关，所述第一矩阵中的元素为不同用户在所述多个信贷机构中的其中一个信贷机构的模型得分，所述第二矩阵中的元素为不同用户在所述多个信贷机构中的另一个信贷机构的模型得分；
按照所述授信相关性对所述多个信贷机构进行分类；
从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户。
在其中一些实施例中，处理器180还被配置为：
按照以下公式计算信贷机构A与信贷机构B之间的授信相关性rho(A,B)：
Figure BDA0004148539110000081
其中，u＝[score(A1),score(A2),score(A3),...,score(An)],v＝[score(B1),score(B2),score(B3),...,score(Bn)]，所述score(An)用于表示第n个用户在所述信贷机构A上的模型得分，所述score(Bn)用于表示第n个用户在所述信贷机构B上的模型得分。
在其中一些实施例中，处理器180还被配置为：
将所述多个授信机构中两两授信相关性超过第一数值的信贷机构归为第一类别；
将与所述多个授信机构中的其余授信机构的授信相关性都低于第二数值的授信机构归为第二类别；
对所述多个授信机构中除了所述第一类别与所述第二类别之外的剩余授信机构，若所述剩余授信机构与所述第一类别中超过目标数量的授信机构的授信相关性超过所述第一数值，则将所述剩余授信机构归为所述第一类别，否则将所述剩余授信机构归为第三类别。
在其中一些实施例中，处理器180还被配置为：
按照每个类别内授信机构的授信概率的排序，从每个类别内选择所述目标数量的信贷机构组成目标信贷机构组合；
将所述目标信贷机构组合推荐给所述目标用户。
在其中一些实施例中，处理器180还被配置为：
在从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户之后，按照以下公式计算所述目标用户在所述目标信贷机构组合上的总体授信概率p(A,B)，其中，所述目标信贷机构组合包括信贷机构A和信贷机构B：
Figure BDA0004148539110000082
其中，p1表示所述目标用户在所述信贷机构A上的授信概率，p2表示所述目标用户在所述信贷机构B上的授信概率。
本实施例提供了一种信贷机构的推荐方法。图2是根据本申请实施例的信贷机构的推荐方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取目标用户在每个信贷机构上的模型得分，其中，所述模型得分用于指示信贷机构对所述目标用户进行授信的概率；
步骤S202，获取多个信贷机构之间的授信相关性，其中，所述授信相关性与第一矩阵和第二矩阵相关，所述第一矩阵中的元素为不同用户在所述多个信贷机构中的其中一个信贷机构的模型得分，所述第二矩阵中的元素为不同用户在所述多个信贷机构中的另一个信贷机构的模型得分；
步骤S203，按照所述授信相关性对所述多个信贷机构进行分类；
步骤S204，从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户。
通过上述步骤，获取目标用户在每个信贷机构上的模型得分，然后获取多个信贷机构之间的授信相关性；然后按照所述授信相关性对所述多个信贷机构进行分类；最后从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户，解决了相关技术中的助贷平台缺少成熟的机构推荐体系的问题，实现了提高为用户推荐信贷机构的准确度，进而增加用户对信贷平台的粘性和依赖度的效果。
在其中一些实施例中，本申请实施例针对每一个授信机构搭建授信模型，通过特征工程，将模型有效的变量提取出来，并通过机器学习的方法，搭建授信模型。经线上验证，授信模型总体误杀率都能控制在10％以内，因此，可以认为模型得分能够非常好的将机构偏好表达出来。本申请实施例对具体建模的细节不做具体限定。
基于授信模型，对任何用户(标为数字1,2,3...)在任何授信机构(标为字母A,B,C...)，都能计算出其模型得分和相应的授信概率，即Score(A1)和P(A1)。于是，针对所有线上可申请的授信机构A,B,C...，都可以计算出P(A1),P(B1),...。再对这些概率进行排序，不失一般性，我们可以认为
P(A1)>＝P(B1)>＝P(C1)>＝...
如果想构建一个相对“朴素”的推荐策略版本，就可以按照这些授信概率排序，把用户推送给出额概率相对较高的授信机构即可。但事实上，这种策略并没有把机构相互间对于用户的偏好考虑进去，因此，这样的算法也不大可能达到出额率最大化的目的。基于这个考虑，本申请实施例设计了更为高效的推荐策略，本申请实施例将每一个用户在各个授信机构上的授信概率计算出来，并通过构建机构间授信相关性矩阵将机构分类，以类别为依据选择类内最合适的机构推送给用户，最后计算出该用户在所推荐机构组合上的总体授信概率，以评估推荐策略的性能。
授信机构之间的授信行为其实是存在相关性的，其根源在于每一家授信机构都可能对某一类用户有偏好，而有些授信机构的偏好会比较类似和接近，而另一些授信机构的偏好会比较特殊、与众不同。所以，把这些信息整理清楚，有助于对于整体机构特质的把控。
在其中一些实施例中，获取多个信贷机构之间的授信相关性包括：
按照以下公式计算信贷机构A与信贷机构B之间的授信相关性rho(A,B)：
Figure BDA0004148539110000101
其中，u＝[score(A1),score(A2),score(A3),...,score(An)],v＝[score(B1),score(B2),score(B3),...,score(Bn)]，所述score(An)用于表示第n个用户在所述信贷机构A上的模型得分，所述score(Bn)用于表示第n个用户在所述信贷机构B上的模型得分。
在其中一些实施例中，按照所述授信相关性对所述多个信贷机构进行分类包括：
将所述多个授信机构中两两授信相关性超过第一数值的信贷机构归为第一类别；
将与所述多个授信机构中的其余授信机构的授信相关性都低于第二数值的授信机构归为第二类别；
对所述多个授信机构中除了所述第一类别与所述第二类别之外的剩余授信机构，若所述剩余授信机构与所述第一类别中超过目标数量的授信机构的授信相关性超过所述第一数值，则将所述剩余授信机构归为所述第一类别，否则将所述剩余授信机构归为第三类别。
例如，归类的过程如下：
第一步：将两两相关性超过60％的所有机构归为第一类别；
第二步：将与所有其余机构相关性都低于30％的机构，凡是出现一个，即归为第二类别；
第三步：剩余机构中，如果其与第一类超过2/3的机构相关性超过60％，即将其归入第一类别；否则，即归入剩下的第三类别；
根据实践，第一类别往往涵盖最多的机构，通常可以达到一半甚至三分之二的机构数。这样构造类使得类之内的机构授信相互高关联，类与类的关联性不大。一般来说，分成三到四类是比较合适的。此外，用主成分分析(Principal ComponentAnalysis,简称为PCA)的办法也交叉验证了类别的个数，得到的结论也是三到四类可以涵盖至少90％以上的变化度。
在其中一些实施例中，从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户包括：
按照每个类别内授信机构的授信概率的排序，从每个类别内选择所述目标数量的信贷机构组成目标信贷机构组合；
将所述目标信贷机构组合推荐给所述目标用户。
在其中一些实施例中，在从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户之后，还包括：
按照以下公式计算所述目标用户在所述目标信贷机构组合上的总体授信概率p(A,B)，其中，所述目标信贷机构组合包括信贷机构A和信贷机构B：
Figure BDA0004148539110000111
其中，p1表示所述目标用户在所述信贷机构A上的授信概率，p2表示所述目标用户在所述信贷机构B上的授信概率。
从上面的公式其实可以看到，如果两个机构授信极高度相关，即rho＝1，则p1＝p2，并可以很容易的推出p(A,B)＝p1＝p2.换句话说，如果两个机构高度相关，整体的授信概率并不会有任何增长，因此这也直接影响我们机构选取的策略的制定。上面的公式其实也可以进行迭代和扩展，即可以认为B代表了用户在两个机构C和D上整体的授信概率，从而使用上述公式，实际计算出了用户在A，C，D三个机构上的总体授信概率，即至少在一个机构上获得授信的概率。其中相关性的估计可以使用模型分取均值的办法来估算。更多机构的情况也可以照此类推。
本申请实施例在选取授信机构的时候，将会尽量保持每一个大类中都有机构入围，或者说机构的覆盖度尽量横跨尽多的机构类别。具体来说，即选择每一个大类中授信概率排名靠前的若干机构。这样的话，会使得整体授信率会有更多的成长空间。然后，根据选择的机构计算总体授信概率，以此来推算策略的总体进阶效果。
此外，为了保证不过多地推送机构，本申请实施例要求在每一个大类中最多只有该类的一半机构可以被推送。这样的话，用户在下次登陆的时候，也还会有一定量的机构可以申请，可以增加用户对于App的粘性和依赖度。
如下表1所示，计算了一定时期内大量的用户申请行为，其中运营策略V1为根据运营批次的静态策略，而运营策略V2为本申请所对应的动态推荐策略。
表1
Figure BDA0004148539110000112
Figure BDA0004148539110000121
从中可以看出，本申请实施例的推荐策略能一定程度上减少进件机构数，然而，在整体出额率(授信率)方面，两个操作系统上都体现出了上升，尤其在数据量更大的安卓系统上，提升非常明显，达到了相对30％。
本申请实施例能够实现以下技术效果：
第一，能精准地将用户和机构相匹配；
第二，增加用户的授信概率和机构进件名额的使用率；
第三，增加用户对于App的粘性和贷款申请的续航能力。
需要说明的是，在上述流程中或者附图的流程图中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。
本实施例提供了一种信贷机构的推荐装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本申请实施例的信贷机构的推荐装置的结构框图，如图3所示，该装置包括：
第一获取单元31，用于获取目标用户在每个信贷机构上的模型得分，其中，所述模型得分用于指示信贷机构对所述目标用户进行授信的概率；
第二获取单元32，用于获取多个信贷机构之间的授信相关性，其中，所述授信相关性与第一矩阵和第二矩阵相关，所述第一矩阵中的元素为不同用户在所述多个信贷机构中的其中一个信贷机构的模型得分，所述第二矩阵中的元素为不同用户在所述多个信贷机构中的另一个信贷机构的模型得分；
分类单元33，用于按照所述授信相关性对所述多个信贷机构进行分类；
推荐单元34，用于从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户。
在其中一些实施例中，所述第二获取单元32包括：
计算模块，用于按照以下公式计算信贷机构A与信贷机构B之间的授信相关性rho(A,B)：
Figure BDA0004148539110000122
其中，u＝[score(A1),score(A2),score(A3),...,score(An)],v＝[score(B1),score(B2),score(B3),...,score(Bn)]，所述score(An)用于表示第n个用户在所述信贷机构A上的模型得分，所述score(Bn)用于表示第n个用户在所述信贷机构B上的模型得分。
在其中一些实施例中，所述分类单元33包括：
第一分类模块，用于将所述多个授信机构中两两授信相关性超过第一数值的信贷机构归为第一类别；
第二分类模块，用于将与所述多个授信机构中的其余授信机构的授信相关性都低于第二数值的授信机构归为第二类别；
第三分类模块，用于对所述多个授信机构中除了所述第一类别与所述第二类别之外的剩余授信机构，若所述剩余授信机构与所述第一类别中超过目标数量的授信机构的授信相关性超过所述第一数值，则将所述剩余授信机构归为所述第一类别，否则将所述剩余授信机构归为第三类别。
在其中一些实施例中，所述推荐单元34包括：
排序模块，用于按照每个类别内授信机构的授信概率的排序，从每个类别内选择所述目标数量的信贷机构组成目标信贷机构组合；
推荐模块，用于将所述目标信贷机构组合推荐给所述目标用户。
在其中一些实施例中，该装置还包括：
计算单元，用于在从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户之后，按照以下公式计算所述目标用户在所述目标信贷机构组合上的总体授信概率p(A,B)，其中，所述目标信贷机构组合包括信贷机构A和信贷机构B：
Figure BDA0004148539110000131
其中，p1表示所述目标用户在所述信贷机构A上的授信概率，p2表示所述目标用户在所述信贷机构B上的授信概率。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
实施例提供了一种计算机设备。结合本申请实施例信贷机构的推荐方法可以由计算机设备来实现。图4为根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括处理器41以及存储有计算机程序指令的存储器42。
具体地，上述处理器41可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器42可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器42可包括硬盘驱动器(Hard DiskDrive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器42可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器42可在数据处理装置的内部或外部。在特定实施例中，存储器42是非易失性(Non-Volatile)存储器。在特定实施例中，存储器42包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器42可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器41所执行的可能的计算机程序指令。
处理器41通过读取并执行存储器42中存储的计算机程序指令，以实现上述实施例中的任意一种信贷机构的推荐方法。
在其中一些实施例中，计算机设备还可包括通信接口43和总线40。其中，如图4所示，处理器41、存储器42、通信接口43通过总线40连接并完成相互间的通信。
通信接口43用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口43还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线40包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线40包括但不限于以下至少之一：数据总线(DataBus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线40可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(FrontSide Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线40可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
另外，结合上述实施例中的信贷机构的推荐方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种信贷机构的推荐方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种信贷机构的推荐方法，其特征在于，包括：
获取目标用户在每个信贷机构上的模型得分，其中，所述模型得分用于指示信贷机构对所述目标用户进行授信的概率；
获取多个信贷机构之间的授信相关性，其中，所述授信相关性与第一矩阵和第二矩阵相关，所述第一矩阵中的元素为不同用户在所述多个信贷机构中的其中一个信贷机构的模型得分，所述第二矩阵中的元素为不同用户在所述多个信贷机构中的另一个信贷机构的模型得分；
按照所述授信相关性对所述多个信贷机构进行分类；
从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户。
2.根据权利要求1所述的信贷机构的推荐方法，其特征在于，获取多个信贷机构之间的授信相关性包括：
按照以下公式计算信贷机构A与信贷机构B之间的授信相关性rho(A,B)：
Figure FDA0004148539100000011
其中，u＝[score(A1),score(A2),score(A3),...,score(An)],v＝[score(B1),score(B2),score(B3),...,score(Bn)]，所述score(An)用于表示第n个用户在所述信贷机构A上的模型得分，所述score(Bn)用于表示第n个用户在所述信贷机构B上的模型得分。
3.根据权利要求1所述的信贷机构的推荐方法，其特征在于，按照所述授信相关性对所述多个信贷机构进行分类包括：
将所述多个授信机构中两两授信相关性超过第一数值的信贷机构归为第一类别；
将与所述多个授信机构中的其余授信机构的授信相关性都低于第二数值的授信机构归为第二类别；
对所述多个授信机构中除了所述第一类别与所述第二类别之外的剩余授信机构，若所述剩余授信机构与所述第一类别中超过目标数量的授信机构的授信相关性超过所述第一数值，则将所述剩余授信机构归为所述第一类别，否则将所述剩余授信机构归为第三类别。
4.根据权利要求1所述的信贷机构的推荐方法，其特征在于，从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户包括：
按照每个类别内授信机构的授信概率的排序，从每个类别内选择所述目标数量的信贷机构组成目标信贷机构组合；
将所述目标信贷机构组合推荐给所述目标用户。
5.根据权利要求1至4中任一项所述的信贷机构的推荐方法，其特征在于，在从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户之后，还包括：
按照以下公式计算所述目标用户在所述目标信贷机构组合上的总体授信概率p(A,B)，其中，所述目标信贷机构组合包括信贷机构A和信贷机构B：
Figure FDA0004148539100000021
其中，p1表示所述目标用户在所述信贷机构A上的授信概率，p2表示所述目标用户在所述信贷机构B上的授信概率。
6.一种信贷机构的推荐装置，其特征在于，包括：
第一获取单元，用于获取目标用户在每个信贷机构上的模型得分，其中，所述模型得分用于指示信贷机构对所述目标用户进行授信的概率；
第二获取单元，用于获取多个信贷机构之间的授信相关性，其中，所述授信相关性与第一矩阵和第二矩阵相关，所述第一矩阵中的元素为不同用户在所述多个信贷机构中的其中一个信贷机构的模型得分，所述第二矩阵中的元素为不同用户在所述多个信贷机构中的另一个信贷机构的模型得分；
分类单元，用于按照所述授信相关性对所述多个信贷机构进行分类；
推荐单元，用于从每个类别内选择目标数量的信贷机构组成目标信贷机构组合推荐给所述目标用户。
7.根据权利要求6所述的信贷机构的推荐装置，其特征在于，所述第二获取单元包括：
计算模块，用于按照以下公式计算信贷机构A与信贷机构B之间的授信相关性rho(A,B)：
Figure FDA0004148539100000022
其中，u＝[score(A1),score(A2),score(A3),...,score(An)],v＝[score(B1),score(B2),score(B3),...,score(Bn)]，所述score(An)用于表示第n个用户在所述信贷机构A上的模型得分，所述score(Bn)用于表示第n个用户在所述信贷机构B上的模型得分。
8.根据权利要求6所述的信贷机构的推荐装置，其特征在于，所述分类单元包括：
第一分类模块，用于将所述多个授信机构中两两授信相关性超过第一数值的信贷机构归为第一类别；
第二分类模块，用于将与所述多个授信机构中的其余授信机构的授信相关性都低于第二数值的授信机构归为第二类别；
第三分类模块，用于对所述多个授信机构中除了所述第一类别与所述第二类别之外的剩余授信机构，若所述剩余授信机构与所述第一类别中超过目标数量的授信机构的授信相关性超过所述第一数值，则将所述剩余授信机构归为所述第一类别，否则将所述剩余授信机构归为第三类别。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述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如权利要求1至5中任一项所述的信贷机构的推荐方法。
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，该程序被处理器执行时实现如权利要求1至5中任一项所述的信贷机构的推荐方法。
CN202310311172.XA 2023-03-28 2023-03-28 一种信贷机构的推荐方法和装置 Pending CN116308759A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310311172.XA CN116308759A (zh) 2023-03-28 2023-03-28 一种信贷机构的推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310311172.XA CN116308759A (zh) 2023-03-28 2023-03-28 一种信贷机构的推荐方法和装置

Publications (1)

Publication Number Publication Date
CN116308759A true CN116308759A (zh) 2023-06-23

Family

ID=86835955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310311172.XA Pending CN116308759A (zh) 2023-03-28 2023-03-28 一种信贷机构的推荐方法和装置

Country Status (1)

Country Link
CN (1) CN116308759A (zh)

Similar Documents

Publication Publication Date Title
CN110598802B (zh) 一种内存检测模型训练的方法、内存检测的方法及装置
CN106528745B (zh) 在移动终端上推荐资源的方法、装置及移动终端
CN108121803B (zh) 一种确定页面布局的方法和服务器
CN107948748B (zh) 推荐视频的方法、设备、移动终端及计算机存储介质
CN108156508B (zh) 弹幕信息处理的方法、装置、移动终端、服务器及系统
CN107797866B (zh) 处理器资源的分配方法及移动终端和介质产品
CN110741346B (zh) 应用管理方法及终端
CN107317918B (zh) 参数设置方法及相关产品
CN107103074B (zh) 一种分享信息的处理方法和移动终端
US10324134B2 (en) Method and device for ascertaining required charging time
CN106534288A (zh) 一种数据传输方法及移动终端
CN110770716A (zh) 联想词推荐方法、移动终端以及计算机可读存储介质
KR102239616B1 (ko) 메시지 통지 방법 및 단말기
CN108491733A (zh) 隐私应用推荐方法和装置、存储介质、电子设备
CN106569916A (zh) 一种数据备份方法及移动终端
CN105550316A (zh) 音频列表的推送方法及装置
CN106095567B (zh) 一种安装任务的分配方法及移动终端
CN109902484B (zh) 一种关联应用的处理方法以及终端
CN116308759A (zh) 一种信贷机构的推荐方法和装置
CN112181508B (zh) 一种页面自动刷新方法、装置及计算机设备
CN108111677A (zh) 电子装置的触控显示屏显示方法及相关产品
CN111104823B (zh) 人脸识别方法、装置及存储介质、终端设备
CN113648659A (zh) 一种确定用户活跃度的方法和相关装置
CN113254212A (zh) 处理方法、移动终端及存储介质
CN112016345A (zh) 一种图像识别方法和装置

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