CN116485526A - 业务处理方法、装置以及电子设备 - Google Patents
业务处理方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN116485526A CN116485526A CN202310460567.6A CN202310460567A CN116485526A CN 116485526 A CN116485526 A CN 116485526A CN 202310460567 A CN202310460567 A CN 202310460567A CN 116485526 A CN116485526 A CN 116485526A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- target
- service
- initial
- 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 28
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种业务处理方法、装置以及电子设备。涉及人工智能领域。该方法包括:获取目标用户的初始用户信息和待办理业务,并将用户信息进行预处理,得到目标用户信息;将目标用户信息输入预测模型中,得到预测结果,其中,预测结果表征目标用户的风险概率,预测模型根据样本用户信息和样本用户风险概率训练得到;根据风险概率确定目标用户的风险等级,确定待办理业务的目标业务等级,并根据风险等级和目标业务等级对待办理业务进行处理。通过本申请,解决了相关技术中依赖人工经验和规则确定用户风险的准确率和效率低的问题。
Description
技术领域
本申请涉及人工智能领域,具体而言,涉及一种业务处理方法、装置以及电子设备。
背景技术
企业信用风险评估是金融业务中非常重要的一环。随着经济的发展,金融机构面向企业提供的业务的种类越来越繁多,如何做好企业用户和个人用户的信用评分是金融行业要面临的首要问题。传统的信用风险评估方法主要依赖于人工经验和规则,缺乏数据支撑和客观性,难以适应复杂多变的市场环境和客户需求。
针对相关技术中依赖人工经验和规则确定用户风险的准确率和效率低的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供一种业务处理方法、装置以及电子设备,以解决相关技术中依赖人工经验和规则确定用户风险的准确率和效率低的问题。
根据本申请的一个方面,提供了一种业务处理方法。该方法包括:获取目标用户的初始用户信息和待办理业务,并将用户信息进行预处理,得到目标用户信息;将目标用户信息输入预测模型中,得到预测结果,其中,预测结果表征目标用户的风险概率,预测模型根据样本用户信息和样本用户风险概率训练得到;根据风险概率确定目标用户的风险等级,确定待办理业务的目标业务等级,并根据风险等级和目标业务等级对待办理业务进行处理。
可选地,将用户信息进行预处理包括:判断用户信息中是否存在缺失值;在用户信息中存在缺失值的情况下,获取缺失值所属的缺失特征信息,并确定目标用户所属的目标用户类型;获取用户类型为目标用户类型的历史用户的用户信息,得到多个历史用户信息,并从每个历史用户信息中获取缺失特征信息的特征值,得到多个特征值;计算多个特征值的平均值,并将平均值作为用户信息中缺失特征信息的特征值。
可选地,用户信息中包括多个初始特征信息,以及每个初始特征信息的特征值集合,将用户信息进行预处理包括:对于每个初始特征信息,获取初始特征信息的特征值集合中的多个特征值,以及特征值的预设取值范围;获取多个特征值中在预设取值范围之外的特征值的数量,得到第一数量;判断第一数量是否大于预设数量;在第一数量大于预设数量的情况下,确定特征值集合的初始特征选取时间,重新获取初始特征信息的特征值集合,得到更新后的特征值集合,其中,更新后的特征值集合的特征选取时间与初始特征选取时间不同,更新后的特征值集合的第一数量小于等于预设数量;在第一数量小于等于预设数量的情况下,删除特征值集合中在取值范围之外的特征值,得到更新后的特征值集合。
可选地,在将目标用户信息输入预测模型中,得到预测结果之前,该方法还包括:从历史用户数据中获取样本用户数据,得到多个样本用户数据,以及每个样本用户数据所属的样本用户的风险概率,其中,有风险的样本用户与无风险的样本用户之间的数量的比值大于预设比值;将多个样本用户数据以及每个样本用户数据所属的样本用户的风险概率输入初始模型中,对初始模型进行训练,得到预测模型。
可选地,对初始模型进行训练,得到预测模型包括:获取初始模型输出的初始预测结果,得到多个初始预测结果,其中,每个初始预测结果对应一个样本用户数据;获取样本用户的风险概率为无风险的样本用户数据对应的初始预测结果,得到多个第一预测结果;获取样本用户的风险概率为有风险的样本用户数据对应的初始预测结果,得到多个第二预测结果;获取多个第一预测结果中的正确预测结果的比例,得到第一比例值;获取多个第二预测结果中的正确预测结果的比例,得到第二比例值;将第一比例值与第二比例值相除,得到第三比例值,并在第三比例值大于预设比例值的情况下,确定初始模型完成训练,得到预测模型。
可选地,确定待办理业务的目标业务等级,并根据风险等级和目标业务等级对待办理业务进行处理包括:根据预设等级表确定待办理业务对应的等级,得到目标业务等级,其中,预设等级表中包括多个业务,以及每个业务的业务等级;确定目标用户的用户等级,并根据用户等级对风险等级进行调整,得到更新后的风险等级;判断更新后的风险等级是否大于等于预设等级,并判断目标业务等级是否大于等于预设等级;在更新后的风险等级和目标业务等级均大于等于预设等级的情况下,发出告警信息,其中,告警信息表征禁止目标用户办理待办理业务;在更新后的风险等级和/或目标业务等级均小于预设等级的情况下,允许目标用户办理待办理业务。
可选地,将用户信息进行预处理,得到目标用户信息包括:获取用户信息中的多个初始特征信息,并确定每个初始特征信息与待办理业务之间的相关度,得到M个第一相关度;获取第一相关度大于预设相关度的特征信息,得到N个候选特征信息,其中,N小于等于M;将N个候选特征信息输入共线性检测模型中进行筛选,得到P个目标特征信息,并由P个目标特征信息组成目标用户信息,其中,共线性检测模型用于计算任意两个候选特征信息之间的第二相似度,确定第二相似度大于预设相似度的多组候选特征信息,并删除每组候选特征信息中的任意一个候选特征信息。
可选地,预测模型中的机器学习算法为逻辑回归算法或支持向量机分类算法。
根据本申请的另一方面,提供了一种业务处理装置。该装置包括:处理单元,用于获取目标用户的初始用户信息和待办理业务,并将用户信息进行预处理,得到目标用户信息;预测单元,用于将目标用户信息输入预测模型中,得到预测结果,其中,预测结果表征目标用户的风险概率,预测模型根据样本用户信息和样本用户风险概率训练得到;确定单元,用于根据风险概率确定目标用户的风险等级,确定待办理业务的目标业务等级,并根据风险等级和目标业务等级对待办理业务进行处理。
根据本发明的另一方面,还提供了一种计算机存储介质,计算机存储介质用于存储程序,其中,程序运行时控制计算机存储介质所在的设备执行一种业务处理方法。
根据本发明的另一方面,还提供了一种电子设备,包含一个或多个处理器和存储器;存储器中存储有计算机可读指令,处理器用于运行计算机可读指令,其中,计算机可读指令运行时执行一种业务处理方法。
通过本申请,采用以下步骤:获取目标用户的初始用户信息和待办理业务,并将用户信息进行预处理,得到目标用户信息;将目标用户信息输入预测模型中,得到预测结果,其中,预测结果表征目标用户的风险概率,预测模型根据样本用户信息和样本用户风险概率训练得到;根据风险概率确定目标用户的风险等级,确定待办理业务的目标业务等级,并根据风险等级和目标业务等级对待办理业务进行处理。解决了相关技术中依赖人工经验和规则确定用户风险的准确率和效率低的问题。通过对初始用户信息进行处理,并通过对机器学习模型进行训练,得到预测模型,从而可以通过预测模型对用户风险概率进行预测,进而可以与用户想要执行的待执行业务的等级进行对比,从而准确确定该用户能否执行待执行业务,进而达到了准确确定用户可以执行的业务,减少金融机构的业务办理风险的效果。
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,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提供的业务处理方法的流程图;
图2是根据本申请实施例提供的可选的业务处理方法的流程图;
图3是根据本申请实施例提供的业务处理装置的示意图;
图4为根据本申请实施例提供的一种电子设备的示意图。
具体实施方式
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。
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。
需要说明的是,本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
需要说明的是,本公开所确定的业务处理方法、装置以及电子设备可用于人工智能领域,也可用于除人工智能领域之外的任意领域,本公开所确定的业务处理方法、装置以及电子设备的应用领域不做限定。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据,业务数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
根据本申请的实施例,提供了一种业务处理方法。
图1是根据本申请实施例提供的业务处理方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取目标用户的初始用户信息和待办理业务,并将用户信息进行预处理,得到目标用户信息。
具体的,目标用户的初始用户信息可以为该用户在金融机构中留存的全部信息,可以包括用户的个人信息,例如,企业类型、企业状态、行业门类、成立日期、在金融机构的业务办理年限、企业等级、性别、年龄等信息,还可以包括用户办理过的业务,以及办理过的业务的办理情况,例如:
1、财务数据:如资产负债表、利润表、现金流量表等,反映企业的财务状况、盈利能力、偿债能力,以及企业所得税、长期借款情况等。
2、还款记录:如信用报告、征信系统等,反映企业的还款意愿和还款能力。
3、经营数据:如经营规模、经营范围、经营效率等,反映企业的市场地位和竞争优势。
4、行业数据:如行业发展趋势、行业风险因素、行业平均水平等,反映企业所处的行业环境。
5、市场数据:如市场需求、市场价格、市场竞争等,反映企业的市场前景和盈利潜力等。
进一步的,在得到初始用户信息后,由于用户信息中的信息量较大,因此,需要根据待办理业务对初始用户信息进行处理,使得用户信息可以更好的用于对用户风险概率的预测,从而得到目标用户信息。
步骤S102,将目标用户信息输入预测模型中,得到预测结果,其中,预测结果表征目标用户的风险概率,预测模型根据样本用户信息和样本用户风险概率训练得到。
具体的,在得到预测模型之后,可以将对初始用户信息进行处理后得到的目标用户信息输入预测模型中进行预测,即可得到该用户的风险概率。
需要说明的是,在对模型进行训练的时候,需要使用在本金融机构中进行过业务办理的企业或用户的历史信息,以及每个用户的风险概率,其中,风险概率可以通过用户办理的多个业务中的每个业务的办理结果确定,例如,A企业办理10个业务,其中,8个业务正常进行,2个业务存在异常,则风险概率为20%。
需要说明的是,可选地,在本申请实施例提供的业务处理方法中,预测模型中的机器学习算法为逻辑回归算法或支持向量机分类算法。
逻辑回归是一个监督学习算法,输入数据采用特定类型的数据,而出数据采用离散值。因此,在逻辑回归中,特征提取是一个非常关键的步骤。在训练期间,将样本用户信息和样本用户风险概率相结合,以便模型可以学习如何确定用户的风险概率。
在初始化逻辑回归模型时,我们可以选择多变种逻辑回归,如L1正则化、L2正则化、多项式逻辑回归等。尝试多次选择效果较优的模型参数。需要注意的是,当我们在选择正则化时,正则化参数C可以控制模型的过拟合和欠拟合的程度,较大的C值对应更弱的正则化,可以减少欠拟合,但可能会增加过拟合,较小的C值对应更强的正则化,可以减少过拟合,但可能会增加欠拟合,在正则化结束后需要使用交叉验证来选择最优的C值。
SVM(Support Vector Machine支持向量机)是一种用于分类、回归和异常检测等机器学习问题的算法。它的一般原理是将数据映射到高维空间中,使得可以直接将不可分的低维数据点分开。SVM的基本思想是在样本空间中找到一个最大间隔超平面,使得距离该超平面最近的样本点与该超平面的距离最大化。这个最大化间隔可以看作是最小化分类错误率的一种惩罚方式。SVM基本上是一种二分类模型,但它也可以扩展到多分类任务。实际使用我们使用了多个改进版SVM,如半监督学习SVM等。
步骤S103,根据风险概率确定目标用户的风险等级,确定待办理业务的目标业务等级,并根据风险等级和目标业务等级对待办理业务进行处理。
具体的,在确定了风险概率后,即可根据预设的风险概率和风险等级的对照表确定目标用户的风险等级,并判断风险等级是否与业务等级相匹配,例如,在风险等级高并且业务等级高的情况下,用户无法办理待办理业务,也即不匹配,从而准确确定目标用户能否进行业务办理,降低金融机构的业务受理风险,保障金融机构的安全运行。
本申请实施例提供的业务处理方法,通过获取目标用户的初始用户信息和待办理业务,并将用户信息进行预处理,得到目标用户信息;将目标用户信息输入预测模型中,得到预测结果,其中,预测结果表征目标用户的风险概率,预测模型根据样本用户信息和样本用户风险概率训练得到;根据风险概率确定目标用户的风险等级,确定待办理业务的目标业务等级,并根据风险等级和目标业务等级对待办理业务进行处理。解决了相关技术中依赖人工经验和规则确定用户风险的准确率和效率低的问题。通过对初始用户信息进行处理,并通过对机器学习模型进行训练,得到预测模型,从而可以通过预测模型对用户风险概率进行预测,进而可以与用户想要执行的待执行业务的等级进行对比,从而准确确定该用户能否执行待执行业务,进而达到了准确确定用户可以执行的业务,减少金融机构的业务办理风险的效果。
可选地,在本申请实施例提供的业务处理方法中,将用户信息进行预处理包括:判断用户信息中是否存在缺失值;在用户信息中存在缺失值的情况下,获取缺失值所属的缺失特征信息,并确定目标用户所属的目标用户类型;获取用户类型为目标用户类型的历史用户的用户信息,得到多个历史用户信息,并从每个历史用户信息中获取缺失特征信息的特征值,得到多个特征值;计算多个特征值的平均值,并将平均值作为用户信息中缺失特征信息的特征值。
具体的,由于用户信息中的数据量较大,并且部分数据需要根据连续性和变化程度确定用户的风险概率,因此,在存在缺失值的情况下,需要将缺失值进行补充,此时,可以确定缺失值对应的特征信息,例如,缺失的值为用户在某月的存款金额,在确定特征信息后,可以先在大量历史数据中确定与该用户的用户类型相同的用户或企业,并从与该用户的用户类型相同的用户或企业的历史用户信息中获取缺失特征信息的特征值,并计算上述特征值的平均值作为目标用户此处的缺失值,进而达到填补缺失值的效果。
例如,如果一个企业的财务报表中有一些项目缺失了数值,则可以用该项目在同行业中的平均值来填充,从而保证数据的准确性,进而保证预测模型的预测的准确性。
可选地,在本申请实施例提供的业务处理方法中,用户信息中包括多个初始特征信息,以及每个初始特征信息的特征值集合,将用户信息进行预处理包括:对于每个初始特征信息,获取初始特征信息的特征值集合中的多个特征值,以及特征值的预设取值范围;获取多个特征值中在预设取值范围之外的特征值的数量,得到第一数量;判断第一数量是否大于预设数量;在第一数量大于预设数量的情况下,确定特征值集合的初始特征选取时间,重新获取初始特征信息的特征值集合,得到更新后的特征值集合,其中,更新后的特征值集合的特征选取时间与初始特征选取时间不同,更新后的特征值集合的第一数量小于等于预设数量;在第一数量小于等于预设数量的情况下,删除特征值集合中在取值范围之外的特征值,得到更新后的特征值集合。
具体的,由于部分特征值可能出现两极化,也即过大或过小,导致整体数据波动较大,影响风险概率的判断,因此,在得到每个特征信息对应的特征值集合后,需要确定该特征信息对应的特征值的预设取值范围,并确定在该取值范围外的特征值的数量。
在数量小于等于预设数量的情况下,表征异常特征值的数量较少,此时,删除特征值集合中在取值范围之外的特征值,使得原位置的数值为空,并采用上述数据填充方法进行数据填充,进而保证数据的准确性,,提高预测的准确率。
在数量大于预设数量的情况下,表征数据中的大量数据均存在异常,此时,需要重新选取该特征信息下的特征值集合,可以采用更换特征值采集时间的方式重新选取特征值集合中的特征值,例如,原特征值集合中的特征值选取时间为1月1日的数据,则可以变更为选取2月1日的数据,进而保证数据的准确性,提高预测的准确率。
可选地,在本申请实施例提供的业务处理方法中,在将目标用户信息输入预测模型中,得到预测结果之前,该方法还包括:从历史用户数据中获取样本用户数据,得到多个样本用户数据,以及每个样本用户数据所属的样本用户的风险概率,其中,有风险的样本用户与无风险的样本用户之间的数量的比值大于预设比值;将多个样本用户数据以及每个样本用户数据所属的样本用户的风险概率输入初始模型中,对初始模型进行训练,得到预测模型。
具体的,在确定样本用户数据的时候,需要同时包含有风险用户和无风险用户两种用户的数据,才能够准确的对模型进行训练,其中,有风险可以为风险概率不为0,无风险可以为风险概率为0,为了保证训练数据的有效性,需要确保有风险的样本用户与无风险的样本用户之间的数量的比值大于预设比值,从而保证有风险的样本数据和无风险的样本数据之间的数据平衡,进而保证了模型训练的准确性。
可选地,在本申请实施例提供的业务处理方法中,对初始模型进行训练,得到预测模型包括:获取初始模型输出的初始预测结果,得到多个初始预测结果,其中,每个初始预测结果对应一个样本用户数据;获取样本用户的风险概率为无风险的样本用户数据对应的初始预测结果,得到多个第一预测结果;获取样本用户的风险概率为有风险的样本用户数据对应的初始预测结果,得到多个第二预测结果;获取多个第一预测结果中的正确预测结果的比例,得到第一比例值;获取多个第二预测结果中的正确预测结果的比例,得到第二比例值;将第一比例值与第二比例值相除,得到第三比例值,并在第三比例值大于预设比例值的情况下,确定初始模型完成训练,得到预测模型。
具体的,在对模型进行训练的时候,需要通过模型的输出结果确定该模型是否完成训练,此时,需要对数输出结果进行处理,才能进行准确的分析。
需要说明的是,在进行输出结果分析的时候,需要用到以下4个参数,分别为:TP(True Positive)表示真正例,也即样本真实结果为无风险,模型预测结果也为无风险,TN(True Negative)表示真负例,也即样本真实结果为有风险,模型预测结果也为有风险,FP(False Positive)表示假正例,也即样本真实结果为有风险,模型预测结果为无风险,FN(False Negative)表示假负例,也即样本真实结果为无风险,模型预测结果也为有风险。
在获取第一预测结果的时候,可以使用样本用户的风险概率为无风险的样本用户数据对应的初始预测结果,也即TP和FN,同样的,在获取第二预测结果的时候,可以使用样本用户的风险概率为有风险的样本用户数据对应的初始预测结果,也即TN和FP。
进一步的,在获取到第一预测结果和第二预测结果后,需要计算第一比例值和第二比例值,其中,第一比例值的计算公式如公式1所示:
其中,TPR为真正类率,也即第一比例值。
同样的,第二比例值的计算公式如公式2所示:
其中,FPR为伪正类率,也即第二比例值。
在得到第一比例值和第二比例值后,由于在第一比例值越高,并且第二比例值越低的情况下,模型的预测能力越好,因此,可以计算第一比例值与第二比例值的比例,得到第三比例值,并判断第三比例值是否大于预设比例值,并在第三比例值大于预设比例值的情况下,确定初始模型完成训练,从而得到预测模型,进而保证了模型训练的准确性。
进一步的,还可以通过计算准确率确定模型是否完成训练,计算准确率的公式如公式3所示:
其中,Accuracy为准确率,在准确率大于预设准确率的情况下,也可以确定模型完成训练,得到预测模型。
可选地,图2是根据本申请实施例提供的可选的业务处理方法的流程图,如图2所示,在本申请实施例提供的业务处理方法中,步骤S103中,确定待办理业务的目标业务等级,并根据风险等级和目标业务等级对待办理业务进行处理包括:
步骤S201,根据预设等级表确定待办理业务对应的等级,得到目标业务等级,其中,预设等级表中包括多个业务,以及每个业务的业务等级;步骤S202,确定目标用户的用户等级,并根据用户等级对风险等级进行调整,得到更新后的风险等级;步骤S203,判断更新后的风险等级是否大于等于预设等级,并判断目标业务等级是否大于等于预设等级;步骤S204,在更新后的风险等级和目标业务等级均大于等于预设等级的情况下,发出告警信息,其中,告警信息表征禁止目标用户办理待办理业务;步骤S205,在更新后的风险等级和/或目标业务等级均小于预设等级的情况下,允许目标用户办理待办理业务。
具体的,在确定待办理业务后,可以根据预设等级表确定该业务对应的业务等级,例如,存款业务为1级,贷款业务为8级等,并确定用户的用户等级,例如,在用户为vip用户的情况下,用户等级较高,用户是黑名单用户,则等级较低。
进一步的,在确定了用户等级后,需要根据用户等级对预测模型预测出的结果进行修正,例如,在模型预测的风险等级为5的情况下,若用户等级较低,则由风险等级5提高为6,从而对预测结果进行二次调整。
最后,判断业务等级和风险等级是否均大于预设等级,在均大于预设等级的情况下,表征风险高的同时业务较为重要,则不允许该用户进行办理,在风险高但是业务等级低的情况下,也可以为该用户进行办理,进而达到对待办理业务进行灵活办理的效果。
可选地,在本申请实施例提供的业务处理方法中,将用户信息进行预处理,得到目标用户信息包括:获取用户信息中的多个初始特征信息,并确定每个初始特征信息与待办理业务之间的相关度,得到M个第一相关度;获取第一相关度大于预设相关度的特征信息,得到N个候选特征信息,其中,N小于等于M;将N个候选特征信息输入共线性检测模型中进行筛选,得到P个目标特征信息,并由P个目标特征信息组成目标用户信息,其中,共线性检测模型用于计算任意两个候选特征信息之间的第二相似度,确定第二相似度大于预设相似度的多组候选特征信息,并删除每组候选特征信息中的任意一个候选特征信息。
具体的,特征选择是从原始特征中选择最具代表性的特征,以提高模型的分类效果,可以先直接剔除字面意义上的无关特征:在这些特征变量中存在与代办理业务相关性低、甚至不相关的特征,如果将所有的变量代入模型可能导致模型效率低下,计算时间过长,因此,需要先确定每个初始特征信息与待办理业务之间的第一相关度,并根据第一相关度先筛选部分初始特征信息,得到N个候选特征信息。
进一步的,由于多个特征变量之间可能存在共线性,也即两个变量之间的相似度较高,因此,可以利用共线性检测模型对候选特征信息进行二次筛选,将相似度较高的特征变量进行删除,得到目标特征信息,也即进行模型训练时使用的特征信息,其中,共线性检测模型可以利用皮尔逊相关系数算法来删除存在相关性较大的多余变量。例如,企业信息类别中管辖机构和登记机构若存在明显共线性,可剔除其中之一,从而精简特征信息。
同样的,还可以使用随机森林分类器对特征进行再一次筛选,使用SelectFromModel函数从随机森林分类器中选择重要的特征,从而完成特征选取。
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。
本申请实施例还提供了一种业务处理装置,需要说明的是,本申请实施例的业务处理装置可以用于执行本申请实施例所提供的用于业务处理方法。以下对本申请实施例提供的业务处理装置进行介绍。
图3是根据本申请实施例提供的业务处理装置的示意图。如图3所示,该装置包括:处理单元31,预测单元32,确定单元33。
处理单元31,用于获取目标用户的初始用户信息和待办理业务,并将用户信息进行预处理,得到目标用户信息。
预测单元32,用于将目标用户信息输入预测模型中,得到预测结果,其中,预测结果表征目标用户的风险概率,预测模型根据样本用户信息和样本用户风险概率训练得到。
确定单元33,用于根据风险概率确定目标用户的风险等级,确定待办理业务的目标业务等级,并根据风险等级和目标业务等级对待办理业务进行处理。
本申请实施例提供的业务处理装置,通过处理单元31获取目标用户的初始用户信息和待办理业务,并将用户信息进行预处理,得到目标用户信息;预测单元32将目标用户信息输入预测模型中,得到预测结果,其中,预测结果表征目标用户的风险概率,预测模型根据样本用户信息和样本用户风险概率训练得到;确定单元33根据风险概率确定目标用户的风险等级,确定待办理业务的目标业务等级,并根据风险等级和目标业务等级对待办理业务进行处理。解决了相关技术中依赖人工经验和规则确定用户风险的准确率和效率低的问题。通过对初始用户信息进行处理,并通过对机器学习模型进行训练,得到预测模型,从而可以通过预测模型对用户风险概率进行预测,进而可以与用户想要执行的待执行业务的等级进行对比,从而准确确定该用户能否执行待执行业务,进而达到了准确确定用户可以执行的业务,减少金融机构的业务办理风险的效果。
可选地,在本申请实施例提供的业务处理装置中,处理单元31包括:第一判断模块,用于判断用户信息中是否存在缺失值;第一获取模块,用于在用户信息中存在缺失值的情况下,获取缺失值所属的缺失特征信息,并确定目标用户所属的目标用户类型;第二获取模块,用于获取用户类型为目标用户类型的历史用户的用户信息,得到多个历史用户信息,并从每个历史用户信息中获取缺失特征信息的特征值,得到多个特征值;第一计算模块,用于计算多个特征值的平均值,并将平均值作为用户信息中缺失特征信息的特征值。
可选地,在本申请实施例提供的业务处理装置中,用户信息中包括多个初始特征信息,以及每个初始特征信息的特征值集合,处理单元31包括:第三获取模块,用于对于每个初始特征信息,获取初始特征信息的特征值集合中的多个特征值,以及特征值的预设取值范围;第四获取模块,用于获取多个特征值中在预设取值范围之外的特征值的数量,得到第一数量;第二判断模块,用于判断第一数量是否大于预设数量;第一确定模块,用于在第一数量大于预设数量的情况下,确定特征值集合的初始特征选取时间,重新获取初始特征信息的特征值集合,得到更新后的特征值集合,其中,更新后的特征值集合的特征选取时间与初始特征选取时间不同,更新后的特征值集合的第一数量小于等于预设数量;删除模块,用于在第一数量小于等于预设数量的情况下,删除特征值集合中在取值范围之外的特征值,得到更新后的特征值集合。
可选地,在本申请实施例提供的业务处理装置中,该装置还包括:获取单元,用于从历史用户数据中获取样本用户数据,得到多个样本用户数据,以及每个样本用户数据所属的样本用户的风险概率,其中,有风险的样本用户与无风险的样本用户之间的数量的比值大于预设比值;训练单元,用于将多个样本用户数据以及每个样本用户数据所属的样本用户的风险概率输入初始模型中,对初始模型进行训练,得到预测模型。
可选地,在本申请实施例提供的业务处理装置中,训练单元包括:第五获取模块,用于获取初始模型输出的初始预测结果,得到多个初始预测结果,其中,每个初始预测结果对应一个样本用户数据;第六获取模块,用于获取样本用户的风险概率为无风险的样本用户数据对应的初始预测结果,得到多个第一预测结果;第七获取模块,用于获取样本用户的风险概率为有风险的样本用户数据对应的初始预测结果,得到多个第二预测结果;第八获取模块,用于获取多个第一预测结果中的正确预测结果的比例,得到第一比例值;第九获取模块,用于获取多个第二预测结果中的正确预测结果的比例,得到第二比例值;第二计算模块,用于将第一比例值与第二比例值相除,得到第三比例值,并在第三比例值大于预设比例值的情况下,确定初始模型完成训练,得到预测模型。
可选地,在本申请实施例提供的业务处理装置中,确定单元33包括:第二确定模块,用于根据预设等级表确定待办理业务对应的等级,得到目标业务等级,其中,预设等级表中包括多个业务,以及每个业务的业务等级;第三确定模块,用于确定目标用户的用户等级,并根据用户等级对风险等级进行调整,得到更新后的风险等级;第三判断模块,用于判断更新后的风险等级是否大于等于预设等级,并判断目标业务等级是否大于等于预设等级;告警模块,用于在更新后的风险等级和目标业务等级均大于等于预设等级的情况下,发出告警信息,其中,告警信息表征禁止目标用户办理待办理业务;办理模块,用于在更新后的风险等级和/或目标业务等级均小于预设等级的情况下,允许目标用户办理待办理业务。
可选地,在本申请实施例提供的业务处理装置中,处理单元31包括:第四确定模块,用于获取用户信息中的多个初始特征信息,并确定每个初始特征信息与待办理业务之间的相关度,得到M个第一相关度;第十获取模块,用于获取第一相关度大于预设相关度的特征信息,得到N个候选特征信息,其中,N小于等于M;筛选模块,用于将N个候选特征信息输入共线性检测模型中进行筛选,得到P个目标特征信息,并由P个目标特征信息组成目标用户信息,其中,共线性检测模型用于计算任意两个候选特征信息之间的第二相似度,确定第二相似度大于预设相似度的多组候选特征信息,并删除每组候选特征信息中的任意一个候选特征信息。
可选地,在本申请实施例提供的业务处理装置中,预测模型中的机器学习算法为逻辑回归算法或支持向量机分类算法。
上述业务处理装置包括处理器和存储器,上述处理单元31,预测单元32,确定单元33等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决相关技术中依赖人工经验和规则确定用户风险的准确率和效率低的问题。
存储器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),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现所述业务处理方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述业务处理方法。
如图4所示,本发明实施例提供了一种电子设备,电子设备40包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现上述业务处理步骤。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有上述业务处理方法步骤的程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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。
存储器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)。存储器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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (10)
1.一种业务处理方法,其特征在于,包括:
获取目标用户的初始用户信息和待办理业务,并将所述用户信息进行预处理,得到目标用户信息;
将所述目标用户信息输入预测模型中,得到预测结果,其中,所述预测结果表征所述目标用户的风险概率,所述预测模型根据样本用户信息和样本用户风险概率训练得到;
根据所述风险概率确定所述目标用户的风险等级,确定所述待办理业务的目标业务等级,并根据所述风险等级和所述目标业务等级对所述待办理业务进行处理。
2.根据权利要求1所述的方法,其特征在于,将所述用户信息进行预处理包括:
判断所述用户信息中是否存在缺失值;
在所述用户信息中存在缺失值的情况下,获取所述缺失值所属的缺失特征信息,并确定所述目标用户所属的目标用户类型;
获取用户类型为所述目标用户类型的历史用户的用户信息,得到多个历史用户信息,并从每个历史用户信息中获取所述缺失特征信息的特征值,得到多个特征值;
计算所述多个特征值的平均值,并将所述平均值作为所述用户信息中所述缺失特征信息的特征值。
3.根据权利要求1所述的方法,其特征在于,所述用户信息中包括多个初始特征信息,以及每个初始特征信息的特征值集合,将所述用户信息进行预处理包括:
对于每个初始特征信息,获取初始特征信息的特征值集合中的多个特征值,以及所述特征值的预设取值范围;
获取所述多个特征值中在所述预设取值范围之外的特征值的数量,得到第一数量;
判断所述第一数量是否大于预设数量;
在所述第一数量大于所述预设数量的情况下,确定所述特征值集合的初始特征选取时间,重新获取所述初始特征信息的特征值集合,得到更新后的特征值集合,其中,所述更新后的特征值集合的特征选取时间与所述初始特征选取时间不同,所述更新后的特征值集合的第一数量小于等于所述预设数量;
在所述第一数量小于等于所述预设数量的情况下,删除所述特征值集合中在所述取值范围之外的特征值,得到更新后的特征值集合。
4.根据权利要求1所述的方法,其特征在于,在将所述目标用户信息输入预测模型中,得到预测结果之前,所述方法还包括:
从历史用户数据中获取样本用户数据,得到多个样本用户数据,以及每个样本用户数据所属的样本用户的风险概率,其中,有风险的样本用户与无风险的样本用户之间的数量的比值大于预设比值;
将所述多个样本用户数据以及每个样本用户数据所属的样本用户的风险概率输入初始模型中,对所述初始模型进行训练,得到所述预测模型。
5.根据权利要求4所述的方法,其特征在于,对所述初始模型进行训练,得到所述预测模型包括:
获取所述初始模型输出的初始预测结果,得到多个初始预测结果,其中,每个初始预测结果对应一个样本用户数据;
获取样本用户的风险概率为无风险的样本用户数据对应的初始预测结果,得到多个第一预测结果;
获取样本用户的风险概率为有风险的样本用户数据对应的初始预测结果,得到多个第二预测结果;
获取所述多个第一预测结果中的正确预测结果的比例,得到第一比例值;
获取所述多个第二预测结果中的正确预测结果的比例,得到第二比例值;
将所述第一比例值与所述第二比例值相除,得到第三比例值,并在所述第三比例值大于预设比例值的情况下,确定所述初始模型完成训练,得到所述预测模型。
6.根据权利要求1所述的方法,其特征在于,确定所述待办理业务的目标业务等级,并根据所述风险等级和所述目标业务等级对所述待办理业务进行处理包括:
根据预设等级表确定所述待办理业务对应的等级,得到所述目标业务等级,其中,所述预设等级表中包括多个业务,以及每个业务的业务等级;
确定所述目标用户的用户等级,并根据所述用户等级对所述风险等级进行调整,得到更新后的风险等级;
判断所述更新后的风险等级是否大于等于预设等级,并判断所述目标业务等级是否大于等于预设等级;
在所述更新后的风险等级和所述目标业务等级均大于等于所述预设等级的情况下,发出告警信息,其中,所述告警信息表征禁止所述目标用户办理所述待办理业务;
在所述更新后的风险等级和/或所述目标业务等级均小于所述预设等级的情况下,允许所述目标用户办理所述待办理业务。
7.根据权利要求1所述的方法,其特征在于,将所述用户信息进行预处理,得到目标用户信息包括:
获取所述用户信息中的多个初始特征信息,并确定每个初始特征信息与所述待办理业务之间的相关度,得到M个第一相关度;
获取所述第一相关度大于预设相关度的特征信息,得到N个候选特征信息,其中,N小于等于M;
将所述N个候选特征信息输入共线性检测模型中进行筛选,得到P个目标特征信息,并由所述P个目标特征信息组成所述目标用户信息,其中,所述共线性检测模型用于计算任意两个候选特征信息之间的第二相似度,确定第二相似度大于预设相似度的多组候选特征信息,并删除每组候选特征信息中的任意一个候选特征信息。
8.根据权利要求1所述的方法,其特征在于,所述预测模型中的机器学习算法为逻辑回归算法或支持向量机分类算法。
9.一种业务处理装置,其特征在于,包括:
处理单元,用于获取目标用户的初始用户信息和待办理业务,并将所述用户信息进行预处理,得到目标用户信息;
预测单元,用于将所述目标用户信息输入预测模型中,得到预测结果,其中,所述预测结果表征所述目标用户的风险概率,所述预测模型根据样本用户信息和样本用户风险概率训练得到;
确定单元,用于根据所述风险概率确定所述目标用户的风险等级,确定所述待办理业务的目标业务等级,并根据所述风险等级和所述目标业务等级对所述待办理业务进行处理。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至8中任意一项所述的业务处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310460567.6A CN116485526A (zh) | 2023-04-25 | 2023-04-25 | 业务处理方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310460567.6A CN116485526A (zh) | 2023-04-25 | 2023-04-25 | 业务处理方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116485526A true CN116485526A (zh) | 2023-07-25 |
Family
ID=87215264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310460567.6A Pending CN116485526A (zh) | 2023-04-25 | 2023-04-25 | 业务处理方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485526A (zh) |
-
2023
- 2023-04-25 CN CN202310460567.6A patent/CN116485526A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vanneschi et al. | An artificial intelligence system for predicting customer default in e-commerce | |
Paleologo et al. | Subagging for credit scoring models | |
Fahrenkrog-Petersen et al. | Fire now, fire later: alarm-based systems for prescriptive process monitoring | |
US20200184487A1 (en) | Adaptive transaction processing system | |
US11544627B1 (en) | Machine learning-based methods and systems for modeling user-specific, activity specific engagement predicting scores | |
Petrides et al. | Cost-sensitive learning for profit-driven credit scoring | |
CN116450951A (zh) | 业务推荐方法、装置、存储介质及电子设备 | |
Murugan | Large-scale data-driven financial risk management & analysis using machine learning strategies | |
Balakayeva et al. | The solution to the problem of processing Big Data using the example of assessing the solvency of borrowers | |
CN114529400A (zh) | 一种消费贷款预授信评估方法、设备及介质 | |
US20220207420A1 (en) | Utilizing machine learning models to characterize a relationship between a user and an entity | |
Biswas et al. | Automated credit assessment framework using ETL process and machine learning | |
El-Shazly | Designing an early warning system for currency crises: an empirical treatment | |
CN116485526A (zh) | 业务处理方法、装置以及电子设备 | |
Khiem Tran et al. | Towards Improved Bankruptcy Prediction: Utilizing Variational Autoencoder Latent Representations in a Norwegian Context | |
Zand | Towards intelligent risk-based customer segmentation in banking | |
US20240211967A1 (en) | Adaptive transaction processing system | |
US20230419098A1 (en) | Utilizing selective transformation and replacement with high-dimensionality projection layers to implement neural networks in tabular data environments | |
Ashofteh | Big data for credit risk analysis: Efficient machine learning models using pyspark | |
Sastry | Business analytics and business intelligence machine learning model to predict bank loan defaults | |
Meliones et al. | Automated Stock Price Motion Prediction Using Technical Analysis Datasets and Machine Learning | |
Rangoonwala et al. | Application of Artificial Neural Network to Predict Wilful Default for Commercial Banks in India | |
Ertuğrul | Customer Transaction Predictive Modeling via Machine Learning Algorithms | |
Deshmukh et al. | AI Insights: Unleashing Financial Distress Signals | |
Raimundo et al. | Credit Risk Scoring: A Stacking Generalization Approach |
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 |