CN116630017A - 贷款产品自动匹配方法及系统 - Google Patents

贷款产品自动匹配方法及系统 Download PDF

Info

Publication number
CN116630017A
CN116630017A CN202310501738.5A CN202310501738A CN116630017A CN 116630017 A CN116630017 A CN 116630017A CN 202310501738 A CN202310501738 A CN 202310501738A CN 116630017 A CN116630017 A CN 116630017A
Authority
CN
China
Prior art keywords
loan
product
data
value
feature point
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.)
Granted
Application number
CN202310501738.5A
Other languages
English (en)
Other versions
CN116630017B (zh
Inventor
劳子辉
陈晖�
施诗
王艳芳
聂枫叶
彭秋如
严杰
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.)
Guangzhou Liangce Network Technology Co ltd
Original Assignee
Guangzhou Liangce 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 Guangzhou Liangce Network Technology Co ltd filed Critical Guangzhou Liangce Network Technology Co ltd
Priority to CN202310501738.5A priority Critical patent/CN116630017B/zh
Publication of CN116630017A publication Critical patent/CN116630017A/zh
Application granted granted Critical
Publication of CN116630017B publication Critical patent/CN116630017B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明揭示了一种贷款产品自动匹配方法，将基于贷款方贷款数据生成的贷款矩阵，基于预设贷款产品数据生成的产品矩阵作为输入，通过匹配算法计算对比矩阵，可为贷款方自动匹配合适的贷款产品，具有匹配效率高的优点，同时，对比矩阵还用于对贷款产品数据自动更新，基于贷款方的评价数据确定待更新贷款产品数据后，通过对比矩阵可以快速定位待更新产品特征点取值，并采用相应的贷款特征点取值进行修正，无需人工进行更新数据的收集、整理、录入操作且无需贷款发放方线上公开渠道更新数据的支持，具有贷款产品数据更新效率高的优点，还通过清洗算法保障了贷款产品数据更新的准确性。

Description

贷款产品自动匹配方法及系统
技术领域
本发明涉及现代金融服务技术领域，具体涉及一种贷款产品自动匹配方法及系统。
背景技术
随着我国经济高速发展，在很多方面需要贷款，例如买房、经商或消费等。如何将贷款方的贷款需求(可接受的利率、年限、金额等)、资质(年龄、年收入、征信情况等)和贷款发放方的贷款产品匹配在一起，是贷款业务中很重要的一环。由于贷款发放方(主要是各类银行)数量较多且产品丰富，造成贷款产品数量庞大且要求各异，普通贷款方很难自主匹配合适的贷款产品。
目前，进行匹配的常规做法是通过第三方贷款金融机构的业务人员与贷款方一对一沟通，业务人员基于自身对贷款产品的了解以及沟通过程中对贷款方需求、资质的了解进行匹配，为贷款方推荐合适的贷款产品。该种匹配方式要求业务人员对各个贷款产品要有较高的熟悉度。而即使是熟练的业务人员，完成匹配的时间成本和人力成本都很高。
更为先进的，有采用贷款产品自动匹配系统来进行匹配的方式，但现有的贷款产品自动匹配系统还处于起步阶段，至少具有以下缺陷。
贷款发放方会根据市场环境变化，不定期的调整贷款产品的要求。现实情况中贷款发放方通常做不到在线上公开渠道(例如官网)实时、完整更新贷款产品要求调整的数据，甚至选择不在公开渠道更新某些贷款产品的调整数据，而采用线下沟通的方式为上门的贷款方介绍更新后的贷款产品。所以，贷款产品自动匹配系统自动从贷款发放方的线上公开渠道实时、完整的获取贷款产品数据调整情况，进而对自身数据库中录入的贷款产品数据进行更新，客观上不具有实操条件。这就会造成贷款产品自动匹配系统中录入的贷款产品数据过时，基于过时的贷款产品数据为贷款方进行贷款产品匹配，常得出错误的匹配结果。为使贷款产品自动匹配系统中的贷款产品数据能跟随贷款发放方的调整进行更新，现有做法是通过大量业务人员与各贷款发放方通过线下渠道去沟通了解更新情况，然后由业务人员整理更新数据，再录入系统中进行更新，无论是更新数据的收集、整理还是录入，都会耗费大量的人力、时间成本。
现有的贷款产品自动匹配系统在获取贷款方的贷款数据后，习惯将所有数据统一存储在设备上，缺少保密措施，一旦出现数据泄露，他方可以轻易获取完整的贷款方贷款数据。
发明内容
本发明的目的在于提供一种贷款产品自动匹配方法及系统。
为实现上述发明目的之一，本发明采用如下技术方案：
一种贷款产品自动匹配方法，包括以下步骤：
获取贷款方的贷款数据，提取贷款数据中的贷款特征点取值并根据预设对照表生成二值化的贷款矩阵；
获取预设贷款产品数据，提取贷款产品数据中的产品特征点取值并根据预设对照表生成二值化的产品矩阵；
根据贷款矩阵和产品矩阵，通过匹配算法计算得到标识贷款特征点取值、产品特征点取值差异的对比矩阵，通过对比矩阵为贷款方匹配贷款产品；
获取贷款方对贷款数据匹配推荐贷款产品的评价数据，提取评价数据中的差评数据，通过差评数据确定待更新贷款产品数据，通过对比矩阵确定待更新产品特征点取值和相应的贷款特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正。
作为本发明进一步改进的技术方案，根据贷款矩阵和产品矩阵，通过匹配算法计算得到标识贷款特征点取值、产品特征点取值差异的对比矩阵，根据以下公式执行：
Ci-(Ci*Pl)＝Vil
其中，Ci为贷款数据i对应的贷款矩阵，Pl为贷款产品数据l对应的产品矩阵，Vil为标识贷款数据i中贷款特征点取值和贷款产品数据l中产品特征点取值差异的对比矩阵，Ci*Pl采用矩阵的列乘列运算得到标识贷款数据i中贷款特征点取值和贷款产品数据l中产品特征点取值重合的中间矩阵Fil，Ci-Fil采用矩阵的减法运算；
通过对比矩阵为贷款方匹配贷款产品，根据以下公式执行：
sum(Vil)＝Nil
其中，Nil为对比矩阵Vil中每个元素求和的值，Nil越小表示贷款数据i与贷款产品数据l的匹配度越高。
作为本发明进一步改进的技术方案，获取贷款方对贷款数据匹配推荐贷款产品的评价数据，所述评价数据包括贷款方对推荐贷款产品的评分、贷款方实际办理成功的贷款产品；
提取评价数据中的差评数据，所述差评数据包括推荐贷款产品中评分为差评的贷款产品和贷款方实际办理成功但未推荐的贷款产品；
将推荐贷款产品中评分为差评的贷款产品和贷款方实际办理成功但未推荐的贷款产品确定为待更新贷款产品，获取对应的贷款产品数据；
通过对比矩阵确定待更新产品特征点取值和相应的贷款特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正。
作为本发明进一步改进的技术方案，对于数值区间类待更新产品特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正的方法为：
比较贷款特征点取值与待更新产品特征点取值数值区间的边界值，将与贷款特征点取值差值较小的一侧边界值替换为贷款特征点取值。
作为本发明进一步改进的技术方案，对于数值区间类待更新产品特征点取值，采用清洗算法对贷款特征点取值进行清洗，采用清洗后的贷款特征点取值对待更新产品特征点取值进行修正；
清洗算法包括：
获取多个与待更新产品特征点取值对应的贷款特征点取值，采用以下公式计算清洗后的贷款特征点取值：
其中，B为清洗后的贷款特征点取值，Ei为第i个与待更新产品特征点取值对应的贷款特征点取值，Ai为第i个与待更新产品特征点取值对应的贷款特征点取值的权重；
Ai基于恶意评价事件特征，通过归一化算法算得：
x通过以下公式算得：
其中，Ei为第i个与待更新产品特征点取值对应的贷款特征点取值，E为多个与待更新产品特征点取值对应的贷款特征点取值的中位数，Ti为多个与待更新产品特征点取值对应的贷款特征点取值中相应贷款方身份信息在预设时间段内出现的次数。
作为本发明进一步改进的技术方案，为贷款方匹配贷款产品之后还包括：
将贷款方的贷款数据分割为贷款需求数据、贷款资质数据，将贷款需求数据和贷款资质数据以唯一随机标识符相关联，将带有唯一随机标识符的贷款需求数据和贷款资质数据中，任一存储于业务端设备，另一存储于管理端设备。
为实现上述另一发明目的，本发明采用如下技术方案：
一种贷款产品自动匹配系统，包括：
贷款矩阵生成模块，设置为获取贷款方的贷款数据，提取贷款数据中的贷款特征点取值并根据预设对照表生成二值化的贷款矩阵；
产品矩阵生成模块，设置为获取预设贷款产品数据，提取贷款产品数据中的产品特征点取值并根据预设对照表生成二值化的产品矩阵；
匹配模块，设置为根据贷款矩阵和产品矩阵，通过匹配算法计算得到标识贷款特征点取值、产品特征点取值差异的对比矩阵，通过对比矩阵为贷款方匹配贷款产品；
更新模块，设置为获取贷款方对贷款数据匹配推荐贷款产品的评价数据，提取评价数据中的差评数据，通过差评数据确定待更新贷款产品数据，通过对比矩阵确定待更新产品特征点取值和相应的贷款特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正。
作为本发明进一步改进的技术方案，匹配模块根据贷款矩阵和产品矩阵，通过匹配算法计算得到标识贷款特征点取值、产品特征点取值差异的对比矩阵，根据以下公式执行：
Ci-(Ci*Pl)＝Vil
其中，Ci为贷款数据i对应的贷款矩阵，Pl为贷款产品数据l对应的产品矩阵，Vil为标识贷款数据i中贷款特征点取值和贷款产品数据l中产品特征点取值差异的对比矩阵，Ci*Pl采用矩阵的列乘列运算得到标识贷款数据i中贷款特征点取值和贷款产品数据l中产品特征点取值重合的中间矩阵Fil，Ci-Fil采用矩阵的减法运算；
匹配模块通过对比矩阵为贷款方匹配贷款产品，根据以下公式执行：
sum(Vil)＝Nil
其中，Nil为对比矩阵Vil中每个元素求和的值，Nil越小表示贷款数据i与贷款产品数据l的匹配度越高。
作为本发明进一步改进的技术方案，更新模块获取贷款方对贷款数据匹配推荐贷款产品的评价数据，所述评价数据包括贷款方对推荐贷款产品的评分、贷款方实际办理成功的贷款产品；
提取评价数据中的差评数据，所述差评数据包括推荐贷款产品中评分为差评的贷款产品和贷款方实际办理成功但未推荐的贷款产品；
将推荐贷款产品中评分为差评的贷款产品和贷款方实际办理成功但未推荐的贷款产品确定为待更新贷款产品，获取对应的贷款产品数据；
通过对比矩阵确定待更新产品特征点取值和相应的贷款特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正。
作为本发明进一步改进的技术方案，更新模块对于数值区间类待更新产品特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正的方法为：
比较贷款特征点取值与待更新产品特征点取值数值区间的边界值，将与贷款特征点取值差值较小的一侧边界值替换为贷款特征点取值。
相对于现有技术，本发明的技术效果在于：
将基于贷款方贷款数据生成的贷款矩阵，基于预设贷款产品数据生成的产品矩阵作为输入，通过匹配算法计算对比矩阵，可为贷款方自动匹配合适的贷款产品，具有匹配效率高的优点。
对比矩阵还用于对贷款产品数据自动更新，基于贷款方的评价数据确定待更新贷款产品数据后，通过对比矩阵可以快速定位待更新产品特征点取值，并采用相应的贷款特征点取值进行修正，无需人工进行更新数据的收集、整理、录入操作且无需贷款发放方线上公开渠道更新数据的支持，具有贷款产品数据更新效率高的优点。
对于数值区间类待更新产品特征点取值，采用清洗算法对贷款特征点取值进行清洗，采用清洗后的贷款特征点取值对待更新产品特征点取值进行修正，降低了潜在恶意评价事件对贷款产品数据更新准确性的影响，保障了贷款产品数据更新的准确性。
将贷款方的贷款数据分割为贷款需求数据、贷款资质数据，并以唯一随机标识符相关联后，分别进行存储，在出现数据泄露的情况下，他方难以获取完整的贷款数据，贷款数据的保密性好。
附图说明
图1是本发明实施方式中贷款产品自动匹配方法的实现流程示意图；
图2是本发明实施方式中贷款产品自动匹配系统的构成框图示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
请参见图1，一种贷款产品自动匹配方法，包括以下步骤：
获取贷款方的贷款数据，提取贷款数据中的贷款特征点取值并根据预设对照表生成二值化的贷款矩阵；
获取预设贷款产品数据，提取贷款产品数据中的产品特征点取值并根据预设对照表生成二值化的产品矩阵；
根据贷款矩阵和产品矩阵，通过匹配算法计算得到标识贷款特征点取值、产品特征点取值差异的对比矩阵，通过对比矩阵为贷款方匹配贷款产品；
获取贷款方对贷款数据匹配推荐贷款产品的评价数据，提取评价数据中的差评数据，通过差评数据确定待更新贷款产品数据，通过对比矩阵确定待更新产品特征点取值和相应的贷款特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正。
需要说明的是，出于风控考虑，贷款发放方对每个贷款产品都有各种要求或限制，比如：年龄要求、收入要求、贷款年限、最小和最高的贷款金额或利率等，这些要求统一称为特征点。贷款方符合某贷款产品的要求贷款发放方才会审批通过。
预设对照表以总结出的市场上所有贷款产品的特征点为横轴，以贷款产品特征点的可选取值为纵轴，如下方表1所示，表1中示例性的，是以市场上所有贷款产品的特征点为“性别”、“年龄”、“贷款金额”，贷款产品特征点的可选值为“男”、“女”、“20-30岁”、“30-40岁”、“40-50岁”、“1万-10万”、“10万-20万”、“20-30”万，为最小模型生成的预设对照表。现实预设对照表中的特征点、特征点的可选取值会更多。
性别 年龄 贷款金额
男
女
20-30岁
30-40岁
40-50岁
1万-10万
10万-20万
20-30万
表1
通过贷款方在测算界面完成关于特征点问题的问卷，获取贷款方的贷款数据，问卷中贷款方关于特征点问题的答案即是贷款特征点取值，提取后在预设对照表中以贷款特征点取值为标点，即可根据标点在预设对照表中的行列位置生成二值化的贷款矩阵。
例如，贷款方A完成问卷的答案是，性别：男，年龄：32，贷款金额：25万，在预设对照表中的标点如表2所示。
性别 年龄 贷款金额
男 √
女
20-30岁
30-40岁 √
40-50岁
1万-10万
10万-20万
20-30万 √
表2
生成贷款方A贷款数据对应的贷款矩阵为：
系统预先将市场上所有贷款产品的产品特征点取值，与贷款产品一一对应，存储为贷款产品数据，获取某款贷款产品的贷款产品数据即可提取到与该款贷款产品对应的产品特征点取值，提取后在预设对照表中以产品特征点取值为标点，即可根据标点在预设对照表中的行列位置生成该款贷款产品的贷款产品数据二值化的产品矩阵。所有贷款产品的产品矩阵都可根据其产品特征点取值和预设对照表生成。
例如，贷款产品B的产品特征点取值是，性别：男或女，年龄：20-30岁，贷款金额：1-10万，在预设对照表中的标点如表3所示。
性别 年龄 贷款金额
男 √
女 √
20-30岁 √
30-40岁
40-50岁
1万-10万 √
10万-20万
20-30万
表3
生成贷款产品B贷款产品数据对应的产品矩阵为：
匹配过程中，将系统中预设的所有贷款产品数据生成产品矩阵，将各产品矩阵逐一与贷款矩阵通过匹配算法计算得到相应的对比矩阵，通过对比矩阵中元素求和的方式判断贷款产品数据与贷款数据的匹配度，将匹配度最高的贷款产品推荐给贷款方。
进一步的，根据贷款矩阵和产品矩阵，通过匹配算法计算得到标识贷款特征点取值、产品特征点取值差异的对比矩阵，根据以下公式执行：
Ci-(Ci*Pl)＝Vil
其中，Ci为贷款数据i对应的贷款矩阵，Pl为贷款产品数据l对应的产品矩阵，Vil为标识贷款数据i中贷款特征点取值和贷款产品数据l中产品特征点取值差异的对比矩阵，Ci*Pl采用矩阵的列乘列运算得到标识贷款数据i中贷款特征点取值和贷款产品数据l中产品特征点取值重合的中间矩阵Fil，Ci-Fil采用矩阵的减法运算。
以上述贷款方A贷款数据对应的贷款矩阵为C，贷款产品B贷款产品数据对应的产品矩阵为P，作为示例计算对比矩阵V的过程如下：
中间矩阵F采用矩阵的列乘列运算算得，即贷款矩阵C的第一列与产品矩阵P的第一列相乘作为中间矩阵F的第一列，贷款矩阵C的第二列与产品矩阵P的第二列相乘作为中间矩阵F的第二列，贷款矩阵C的第三列与产品矩阵P的第三列相乘作为中间矩阵F的第三列。只有贷款特征点取值与产品特征点取值重合时，中间矩阵F对应元素值才为1。
对比矩阵V进一步采用矩阵的减法运算算得，即贷款矩阵C与中间矩阵F行列相同的对应元素相减得到对比矩阵V。当贷款特征点取值和产品特征点取值存在差异时，对比矩阵V对应元素值为1。
通过对比矩阵为贷款方匹配贷款产品，根据以下公式执行：
sum(Vil)＝Nil
其中，Nil为对比矩阵Vil中每个元素求和的值，Nil越小表示贷款数据i与贷款产品数据l的匹配度越高。
接上例，对比矩阵V中每个元素求和的值为2，表示贷款方A贷款数据的贷款特征点取值中有2处与贷款产品B贷款产品数据的产品特征点取值存在差异。
假设另有贷款产品C、贷款产品D，算得的N值分别为0、1，则将贷款产品C推荐给贷款方。
进一步的，贷款方按匹配结果到贷款发放方办理业务后，邀请贷款方对匹配结果进行评分，获取贷款方对贷款数据匹配推荐贷款产品的评价数据，所述评价数据包括贷款方对推荐贷款产品的评分、贷款方实际办理成功的贷款产品。
提取评价数据中的差评数据，所述差评数据包括推荐贷款产品中评分为差评的贷款产品和贷款方实际办理成功但未推荐的贷款产品。
其中，贷款方实际办理成功但未推荐的贷款产品，由贷款方实际办理成功的贷款产品与系统匹配的推荐贷款产品进行比对，若贷款方实际办理成功的贷款产品未在系统推荐的贷款产品中，则为贷款方实际办理成功但未推荐的贷款产品。
将推荐贷款产品中评分为差评的贷款产品和贷款方实际办理成功但未推荐的贷款产品确定为待更新贷款产品，获取对应的贷款产品数据；
通过对比矩阵(差评当次贷款数据与待更新贷款产品对应贷款产品数据匹配得到的对比矩阵)确定待更新产品特征点取值和相应的贷款特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正。
例如，贷款方C完成问卷的答案是，性别：男，年龄：20，贷款金额：12万，预设的贷款产品B的产品特征点取值是，性别：男或女，年龄：20-30岁，贷款金额：1-10万，而贷款发放方将贷款金额调整到了1-15万，贷款方C在贷款发放方处实际办理了贷款产品B。系统进行匹配时，由于贷款方C的贷款金额与贷款产品B预设贷款金额存在差异，未推荐贷款产品B，在通过评价数据得知贷款方C实际办理了贷款产品B后，将贷款产品B确定为待更新贷款产品。通过对比矩阵数值为1的元素处，可以判断贷款方C的贷款金额与贷款产品B贷款金额存在差异，采用贷款方C进行匹配测算时填写的贷款金额12万，对贷款产品B的贷款金额区间进行修正，贷款产品B的贷款金额区间修正后为1-12万，相对于预设的1-10万，更接近调整后的1-15万。经过一到多次更新迭代后，系统中的产品特征点取值会接近或等于调整后的取值。
又如，贷款方C完成问卷的答案是，性别：男，年龄：20，贷款金额：12万，预设的贷款产品B的产品特征点取值是，性别：男或女，年龄：20-30岁，贷款金额：1-15万，而贷款发放方将贷款金额调整到了1-10万，系统进行匹配时推荐了贷款产品B，贷款方C在贷款发放方处实际办理贷款产品B时审批未通过。在通过评价数据得知贷款方C对推荐的贷款产品B做差评后，将贷款产品B确定为待更新贷款产品。通过对比矩阵的元素全部为0，可以判断贷款发放方对贷款产品B的数值边界进行了限缩，由于无法判断待更新产品特征点取值的位置，将贷款产品B的产品特征点取值全部确定为待更新产品特征点取值，采用贷款方C进行匹配测算时填写的贷款特征点取值，对贷款产品B的产品特征点取值进行修正，贷款产品B的产品特征点取值修正后为性别：男，年龄：20-30岁，贷款金额：1-12万，贷款金额：相对于预设的1-15万，更接近调整后的1-10万。而贷款产品B的产品特征点取值性别：女的缺失，在后续更新过程中，可以通过其他贷款方反馈的“贷款方实际办理成功但未推荐的贷款产品”情形，通过对比矩阵确定需修改位置后，扩充修回。经过一到多次更新迭代后，系统中的产品特征点取值会接近或等于调整后的取值。
现实中，贷款发放方每次对数值区间类产品特征点取值的调整幅度不会很大，通常不会超过原数值区间的一半，基于此得出以下修正方法，以明确对于数值区间类待更新产品特征点取值进行修正时，采用贷款特征点取值替换待更新产品特征点取值数值区间的最小边界值还是最大边界值。
进一步的，对于数值区间类待更新产品特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正的方法为：
比较贷款特征点取值与待更新产品特征点取值数值区间的边界值，将与贷款特征点取值差值较小的一侧边界值替换为贷款特征点取值。
实际使用场景中偶尔会出现恶意评价事件，所谓恶意评价事件是指恶意评价者在评价过程中虚假制造差评数据，较为典型的，同一恶意评价者会以贷款方身份在短时间内多次使用系统进行贷款产品匹配，在回答问卷时故意输入偏差较大的贷款数据，匹配时系统正确的并未向其推荐某贷款产品，但恶意评价者在评价时却将该贷款产品标选取为实际办理成功的贷款产品，导致系统将该贷款产品确定为待更新贷款产品，在更新过程中，会采用偏差较大的的贷款特征点取值对待更新产品特征点取值进行修正。尤其是数值区间类特征点取值，难以判断贷款特征点取值的真假(与数值区间类特征点取值对应的是选择类特征点取值，例如是否有房产，选择类特征点取值比较好判断真假，只需在将该贷款产品选取为实际办理成功的贷款产品对应的贷款数据中统计两种选择的数量，数量多的为真)，且将数值区间按故意输入的偏差较大的取值进行更新后，在短期内该贷款产品会出现大量的匹配错误，影响用户体验。
例如，某贷款产品中要求贷款金额为10-20万，恶意评价者在使用系统时，输入贷款金额为1000万，且在评价时将该贷款产品选取为实际办理成功的贷款产品，系统更新后该贷款产品预设的贷款金额变为10-1000万。假设其他贷款方满足该贷款产品的剩余要求，则系统会向填写贷款金额在10-1000万范围内的贷款方都推荐该贷款产品，而实际上贷款金额在20-1000万区间内的贷款方到贷款发放方实际办理业务时是不会成功的。
进一步的，对于数值区间类待更新产品特征点取值，采用清洗算法对贷款特征点取值进行清洗，采用清洗后的贷款特征点取值对待更新产品特征点取值进行修正；
清洗算法包括：
获取多个与待更新产品特征点取值对应的贷款特征点取值(除本次差评对应的贷款特征点取值外，还包括若干相同贷款产品被贷款方选取为实际办理成功的贷款产品时填写的贷款特征点取值，优先选取评价也为差评的若干相同贷款产品被贷款方选取为实际办理成功的贷款产品时填写的贷款特征点取值)，采用以下公式计算清洗后的贷款特征点取值：
其中，B为清洗后的贷款特征点取值，Ei为第i个与待更新产品特征点取值对应的贷款特征点取值，Ai为第i个与待更新产品特征点取值对应的贷款特征点取值的权重；
Ai基于恶意评价事件特征，通过归一化算法算得：
x通过以下公式算得：
其中，Ei为第i个与待更新产品特征点取值对应的贷款特征点取值，E为多个与待更新产品特征点取值对应的贷款特征点取值的中位数，Ti为多个与待更新产品特征点取值对应的贷款特征点取值中相应贷款方身份信息在预设时间段内出现的次数。n-1的含义为剔除中位数，即不计算中位数贷款特征点取值的权重，也不将中位数贷款特征点取值代入公式中计算。E-Ei|的含义为第i个贷款特征点取值与中位数的绝对差值。
以下以一示例对清洗后的贷款特征点取值的计算过程进行说明。
例如，某贷款产品的预设贷款金额为10-20万，现贷款发放方将贷款金额调整为10-25万。恶意评价者输入的贷款金额是1000万(E6)，该恶意评价者的身份信息在预设24小时内共使用了10次(T6)系统，另外6位给出差评的贷款方输入的贷款金额分别是21万(E1)、22万(E2)、22万(E3)、23万、24万(E4)、25万(E5)，则中位数位23万，这6位贷款方在预设24小时内都仅使用了1次(T1-5)系统。
解方程：
算得x约等于0.2499；
则A1约等于0.1249；A2约等于0.2499；A3约等于0.2499；A4约等于0.2499；A5约等于0.1249；A6约等于0.0005；
B＝0.1249*21+0.2499*22+0.2499*22++0.2499*24+0.1249*25+0.0005*1000＝23.2386将贷款产品的预设贷款金额修正为10-23.2386万。
进一步的，为贷款方匹配贷款产品之后还包括：
将贷款方的贷款数据分割为贷款需求数据、贷款资质数据，将贷款需求数据和贷款资质数据以唯一随机标识符相关联，将带有唯一随机标识符的贷款需求数据和贷款资质数据中，任一存储于业务端设备，另一存储于管理端设备。
贷款需求数据、贷款资质数据可在系统中预定义，例如贷款方可接受的利率、年限、金额等划归为贷款需求数据，贷款方的年龄、年收入、征信情况等划归为贷款资质数据。唯一随机标识符是采用随机算法生成的，用于建立分割后贷款需求数据、贷款资质数据的一一对应关系。系统为贷款方进行贷款产品匹配后，将采用唯一随机标识符关联的贷款需求数据、贷款资质数据分别存储在业务端设备和管理端设备，只有在需要时(例如更新时)采用管理端设备向业务端设备调用另一半数据暂存，并通过唯一随机标识符对应合并为完整的贷款数据，使用完毕后管理端设备仍然将调用的数据删除。系统日常运行中，业务端设备和管理端设备各保存一部分贷款数据，可以提高贷款数据的保密性。
业务端设备、管理端设备为具有数据存储、运算、人机交互等功能的智能设备，例如PC机。
请参见图2，一种贷款产品自动匹配系统100，包括：
贷款矩阵生成模块61，设置为获取贷款方的贷款数据，提取贷款数据中的贷款特征点取值并根据预设对照表生成二值化的贷款矩阵；
产品矩阵生成模块62，设置为获取预设贷款产品数据，提取贷款产品数据中的产品特征点取值并根据预设对照表生成二值化的产品矩阵；
匹配模块63，设置为根据贷款矩阵和产品矩阵，通过匹配算法计算得到标识贷款特征点取值、产品特征点取值差异的对比矩阵，通过对比矩阵为贷款方匹配贷款产品；
更新模块64，设置为获取贷款方对贷款数据匹配推荐贷款产品的评价数据，提取评价数据中的差评数据，通过差评数据确定待更新贷款产品数据，通过对比矩阵确定待更新产品特征点取值和相应的贷款特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正。
进一步的，匹配模块根据贷款矩阵和产品矩阵，通过匹配算法计算得到标识贷款特征点取值、产品特征点取值差异的对比矩阵，根据以下公式执行：
Ci-(Ci*Pl)＝Vil
其中，Ci为贷款数据i对应的贷款矩阵，Pl为贷款产品数据l对应的产品矩阵，Vil为标识贷款数据i中贷款特征点取值和贷款产品数据l中产品特征点取值差异的对比矩阵，Ci*Pl采用矩阵的列乘列运算得到标识贷款数据i中贷款特征点取值和贷款产品数据l中产品特征点取值重合的中间矩阵Fil，Ci-Fil采用矩阵的减法运算；
匹配模块通过对比矩阵为贷款方匹配贷款产品，根据以下公式执行：
sum(Vil)＝Nil
其中，Nil为对比矩阵Vil中每个元素求和的值，Nil越小表示贷款数据i与贷款产品数据l的匹配度越高。
进一步的，更新模块获取贷款方对贷款数据匹配推荐贷款产品的评价数据，所述评价数据包括贷款方对推荐贷款产品的评分、贷款方实际办理成功的贷款产品；
提取评价数据中的差评数据，所述差评数据包括推荐贷款产品中评分为差评的贷款产品和贷款方实际办理成功但未推荐的贷款产品；
将推荐贷款产品中评分为差评的贷款产品和贷款方实际办理成功但未推荐的贷款产品确定为待更新贷款产品，获取对应的贷款产品数据；
通过对比矩阵确定待更新产品特征点取值和相应的贷款特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正。
进一步的，更新模块对于数值区间类待更新产品特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正的方法为：
比较贷款特征点取值与待更新产品特征点取值数值区间的边界值，将与贷款特征点取值差值较小的一侧边界值替换为贷款特征点取值。
相对于现有技术，本发明的技术效果在于：
将基于贷款方贷款数据生成的贷款矩阵，基于预设贷款产品数据生成的产品矩阵作为输入，通过匹配算法计算对比矩阵，可为贷款方自动匹配合适的贷款产品，具有匹配效率高的优点。
对比矩阵还用于对贷款产品数据自动更新，基于贷款方的评价数据确定待更新贷款产品数据后，通过对比矩阵可以快速定位待更新产品特征点取值，并采用相应的贷款特征点取值进行修正，无需人工进行更新数据的收集、整理、录入操作且无需贷款发放方线上公开渠道更新数据的支持，具有贷款产品数据更新效率高的优点。
对于数值区间类待更新产品特征点取值，采用清洗算法对贷款特征点取值进行清洗，采用清洗后的贷款特征点取值对待更新产品特征点取值进行修正，降低了潜在恶意评价事件对贷款产品数据更新准确性的影响，保障了贷款产品数据更新的准确性。
将贷款方的贷款数据分割为贷款需求数据、贷款资质数据，并以唯一随机标识符相关联后，分别进行存储，在出现数据泄露的情况下，他方难以获取完整的贷款数据，贷款数据的保密性好。
最后应说明的是：以上实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式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方式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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施方式技术方案的精神和范围。

Claims (10)

1.一种贷款产品自动匹配方法，其特征在于，包括以下步骤：
获取贷款方的贷款数据，提取贷款数据中的贷款特征点取值并根据预设对照表生成二值化的贷款矩阵；
获取预设贷款产品数据，提取贷款产品数据中的产品特征点取值并根据预设对照表生成二值化的产品矩阵；
根据贷款矩阵和产品矩阵，通过匹配算法计算得到标识贷款特征点取值、产品特征点取值差异的对比矩阵，通过对比矩阵为贷款方匹配贷款产品；
获取贷款方对贷款数据匹配推荐贷款产品的评价数据，提取评价数据中的差评数据，通过差评数据确定待更新贷款产品数据，通过对比矩阵确定待更新产品特征点取值和相应的贷款特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正。
2.根据权利要求1所述的一种贷款产品自动匹配方法，其特征在于，根据贷款矩阵和产品矩阵，通过匹配算法计算得到标识贷款特征点取值、产品特征点取值差异的对比矩阵，根据以下公式执行：
Ci-(Ci*Pl)＝Vil
其中，Ci为贷款数据i对应的贷款矩阵，Pl为贷款产品数据l对应的产品矩阵，Vil为标识贷款数据i中贷款特征点取值和贷款产品数据l中产品特征点取值差异的对比矩阵，Ci*Pl采用矩阵的列乘列运算得到标识贷款数据i中贷款特征点取值和贷款产品数据l中产品特征点取值重合的中间矩阵Fil，Ci-Fil采用矩阵的减法运算；
通过对比矩阵为贷款方匹配贷款产品，根据以下公式执行：
sum(Vil)＝Nil
其中，Nil为对比矩阵Vil中每个元素求和的值，Nil越小表示贷款数据i与贷款产品数据l的匹配度越高。
3.根据权利要求1所述的一种贷款产品自动匹配方法，其特征在于，获取贷款方对贷款数据匹配推荐贷款产品的评价数据，所述评价数据包括贷款方对推荐贷款产品的评分、贷款方实际办理成功的贷款产品；
提取评价数据中的差评数据，所述差评数据包括推荐贷款产品中评分为差评的贷款产品和贷款方实际办理成功但未推荐的贷款产品；
将推荐贷款产品中评分为差评的贷款产品和贷款方实际办理成功但未推荐的贷款产品确定为待更新贷款产品，获取对应的贷款产品数据；
通过对比矩阵确定待更新产品特征点取值和相应的贷款特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正。
4.根据权利要求3所述的一种贷款产品自动匹配方法，其特征在于，对于数值区间类待更新产品特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正的方法为：
比较贷款特征点取值与待更新产品特征点取值数值区间的边界值，将与贷款特征点取值差值较小的一侧边界值替换为贷款特征点取值。
5.根据权利要求4所述的一种贷款产品自动匹配方法，其特征在于，对于数值区间类待更新产品特征点取值，采用清洗算法对贷款特征点取值进行清洗，采用清洗后的贷款特征点取值对待更新产品特征点取值进行修正；
清洗算法包括：
获取多个与待更新产品特征点取值对应的贷款特征点取值，采用以下公式计算清洗后的贷款特征点取值：
其中，B为清洗后的贷款特征点取值，Ei为第i个与待更新产品特征点取值对应的贷款特征点取值，Ai为第i个与待更新产品特征点取值对应的贷款特征点取值的权重；
Ai基于恶意评价事件特征，通过归一化算法算得：
x通过以下公式算得：
其中，Ei为第i个与待更新产品特征点取值对应的贷款特征点取值，E为多个与待更新产品特征点取值对应的贷款特征点取值的中位数，Ti为多个与待更新产品特征点取值对应的贷款特征点取值中相应贷款方身份信息在预设时间段内出现的次数。
6.根据权利要求1所述的一种贷款产品自动匹配方法，其特征在于，为贷款方匹配贷款产品之后还包括：
将贷款方的贷款数据分割为贷款需求数据、贷款资质数据，将贷款需求数据和贷款资质数据以唯一随机标识符相关联，将带有唯一随机标识符的贷款需求数据和贷款资质数据中，任一存储于业务端设备，另一存储于管理端设备。
7.一种贷款产品自动匹配系统，其特征在于，包括：
贷款矩阵生成模块，设置为获取贷款方的贷款数据，提取贷款数据中的贷款特征点取值并根据预设对照表生成二值化的贷款矩阵；
产品矩阵生成模块，设置为获取预设贷款产品数据，提取贷款产品数据中的产品特征点取值并根据预设对照表生成二值化的产品矩阵；
匹配模块，设置为根据贷款矩阵和产品矩阵，通过匹配算法计算得到标识贷款特征点取值、产品特征点取值差异的对比矩阵，通过对比矩阵为贷款方匹配贷款产品；
更新模块，设置为获取贷款方对贷款数据匹配推荐贷款产品的评价数据，提取评价数据中的差评数据，通过差评数据确定待更新贷款产品数据，通过对比矩阵确定待更新产品特征点取值和相应的贷款特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正。
8.根据权利要求7所述的一种贷款产品自动匹配系统，其特征在于，匹配模块根据贷款矩阵和产品矩阵，通过匹配算法计算得到标识贷款特征点取值、产品特征点取值差异的对比矩阵，根据以下公式执行：
Ci-(Ci*Pl)＝Vil
其中，Ci为贷款数据i对应的贷款矩阵，Pl为贷款产品数据l对应的产品矩阵，Vil为标识贷款数据i中贷款特征点取值和贷款产品数据l中产品特征点取值差异的对比矩阵，Ci*Pl采用矩阵的列乘列运算得到标识贷款数据i中贷款特征点取值和贷款产品数据l中产品特征点取值重合的中间矩阵Fil，Ci-Fil采用矩阵的减法运算；
匹配模块通过对比矩阵为贷款方匹配贷款产品，根据以下公式执行：
sum(Vil)＝Nil
其中，Nil为对比矩阵Vil中每个元素求和的值，Nil越小表示贷款数据i与贷款产品数据l的匹配度越高。
9.根据权利要求7所述的一种贷款产品自动匹配系统，其特征在于，更新模块获取贷款方对贷款数据匹配推荐贷款产品的评价数据，所述评价数据包括贷款方对推荐贷款产品的评分、贷款方实际办理成功的贷款产品；
提取评价数据中的差评数据，所述差评数据包括推荐贷款产品中评分为差评的贷款产品和贷款方实际办理成功但未推荐的贷款产品；
将推荐贷款产品中评分为差评的贷款产品和贷款方实际办理成功但未推荐的贷款产品确定为待更新贷款产品，获取对应的贷款产品数据；
通过对比矩阵确定待更新产品特征点取值和相应的贷款特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正。
10.根据权利要求9所述的一种贷款产品自动匹配系统，其特征在于，更新模块对于数值区间类待更新产品特征点取值，采用贷款特征点取值对待更新产品特征点取值进行修正的方法为：
比较贷款特征点取值与待更新产品特征点取值数值区间的边界值，将与贷款特征点取值差值较小的一侧边界值替换为贷款特征点取值。
CN202310501738.5A 2023-05-06 2023-05-06 贷款产品自动匹配方法及系统 Active CN116630017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310501738.5A CN116630017B (zh) 2023-05-06 2023-05-06 贷款产品自动匹配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310501738.5A CN116630017B (zh) 2023-05-06 2023-05-06 贷款产品自动匹配方法及系统

Publications (2)

Publication Number Publication Date
CN116630017A true CN116630017A (zh) 2023-08-22
CN116630017B CN116630017B (zh) 2023-11-21

Family

ID=87640897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310501738.5A Active CN116630017B (zh) 2023-05-06 2023-05-06 贷款产品自动匹配方法及系统

Country Status (1)

Country Link
CN (1) CN116630017B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008228211A (ja) * 2007-03-15 2008-09-25 Sharp Corp 画像出力方法、画像処理装置、画像形成装置、画像読取装置、コンピュータプログラム及び記録媒体
CN103823889A (zh) * 2014-03-10 2014-05-28 北京大学 基于l1范数全局几何一致性检验的错误匹配检测方法
US20170091595A1 (en) * 2015-09-29 2017-03-30 Huami Inc. Method, apparatus and system for biometric identification
CN107729443A (zh) * 2017-09-29 2018-02-23 平安科技（深圳）有限公司 贷款产品推广方法、装置及计算机可读存储介质
CN107871276A (zh) * 2017-07-25 2018-04-03 平安科技（深圳）有限公司 贷款产品的查询装置、方法及计算机可读存储介质
CN108958728A (zh) * 2018-05-18 2018-12-07 深圳壹账通智能科技有限公司 贷款产品开发方法、装置、设备和计算机存储介质
CN109711974A (zh) * 2018-11-20 2019-05-03 平安科技（深圳）有限公司 贷款产品自动匹配方法、装置、计算机设备和存储介质
CN109783730A (zh) * 2019-01-03 2019-05-21 深圳壹账通智能科技有限公司 产品推荐方法、装置、计算机设备和存储介质
CN110135944A (zh) * 2019-04-15 2019-08-16 深圳壹账通智能科技有限公司 贷款产品推荐方法、装置、计算机设备和存储介质
CN114119644A (zh) * 2021-12-06 2022-03-01 宁夏巨能机器人股份有限公司 一种基于边缘特征的模板匹配方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008228211A (ja) * 2007-03-15 2008-09-25 Sharp Corp 画像出力方法、画像処理装置、画像形成装置、画像読取装置、コンピュータプログラム及び記録媒体
CN103823889A (zh) * 2014-03-10 2014-05-28 北京大学 基于l1范数全局几何一致性检验的错误匹配检测方法
US20170091595A1 (en) * 2015-09-29 2017-03-30 Huami Inc. Method, apparatus and system for biometric identification
CN107871276A (zh) * 2017-07-25 2018-04-03 平安科技（深圳）有限公司 贷款产品的查询装置、方法及计算机可读存储介质
WO2019019798A1 (zh) * 2017-07-25 2019-01-31 平安科技（深圳）有限公司 贷款产品的查询装置、方法及计算机可读存储介质
CN107729443A (zh) * 2017-09-29 2018-02-23 平安科技（深圳）有限公司 贷款产品推广方法、装置及计算机可读存储介质
WO2019061612A1 (zh) * 2017-09-29 2019-04-04 平安科技（深圳）有限公司 贷款产品推广方法、装置及计算机可读存储介质
CN108958728A (zh) * 2018-05-18 2018-12-07 深圳壹账通智能科技有限公司 贷款产品开发方法、装置、设备和计算机存储介质
CN109711974A (zh) * 2018-11-20 2019-05-03 平安科技（深圳）有限公司 贷款产品自动匹配方法、装置、计算机设备和存储介质
CN109783730A (zh) * 2019-01-03 2019-05-21 深圳壹账通智能科技有限公司 产品推荐方法、装置、计算机设备和存储介质
CN110135944A (zh) * 2019-04-15 2019-08-16 深圳壹账通智能科技有限公司 贷款产品推荐方法、装置、计算机设备和存储介质
CN114119644A (zh) * 2021-12-06 2022-03-01 宁夏巨能机器人股份有限公司 一种基于边缘特征的模板匹配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林建华;: "一种用于确定小微贷款额的盲数模型及其应用", 海南金融, no. 04 *

Also Published As

Publication number Publication date
CN116630017B (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
De Fontnouvelle et al. Using loss data to quantify operational risk
CN107862602A (zh) 一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统
TW201723968A (zh) 監控可疑交易的方法
CN109472626B (zh) 一种面向手机租赁业务的智能金融风险控制方法及系统
EP4068173A1 (en) System and method for analyzing cause of product defect and computer-readable medium
CN105528465A (zh) 信用状况评估方法及装置
CN107993142A (zh) 一种金融反欺诈风险控制系统
CN108446291A (zh) 用户信用的实时评分方法及评分系统
CN108830492B (zh) 一种基于大数据的确定抽检商家的方法
CN111369006B (zh) 召回模型的生成方法及装置
CN114202413A (zh) 基于产业链数字化场景金融模型建立金融风控体系的方法
CN110288142B (zh) 一种基于XGBoost算法的工程超期预测方法
CN116630017B (zh) 贷款产品自动匹配方法及系统
CN109583782B (zh) 支持多数据源的汽车金融风控方法
CN115204590A (zh) 基于神经网络的企业涉税风险的自动识别方法及装置
CN112801779A (zh) 一种企业融资信用评价系统及方法
CN110059126B (zh) 基于lkj异常值数据的复杂关联网络分析方法及系统
CN110738565A (zh) 基于数据集合的房产金融人工智能复合风控模型
CN111105317A (zh) 一种基于购药记录的医疗保险欺诈检测方法
JP2007004828A (ja) 与信審査を利用したスコアリングモデル評価装置および審査システム
CN113239250B (zh) 一种数据采集关键节点的筛选方法
CN112464168B (zh) 一种综合能源潜力用户靶向评估提取方法
CN114881394A (zh) 一种企业成长性智能化评估的大数据处理系统和方法
CN111626572A (zh) 数字化智能风控方法及相关产品
CN110084441A (zh) 基于组合最优化的自动化分箱算法

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
GR01 Patent grant
GR01 Patent grant