CN116862668B - 一种提升催收效率的智能催收方法 - Google Patents
一种提升催收效率的智能催收方法 Download PDFInfo
- Publication number
- CN116862668B CN116862668B CN202311133446.7A CN202311133446A CN116862668B CN 116862668 B CN116862668 B CN 116862668B CN 202311133446 A CN202311133446 A CN 202311133446A CN 116862668 B CN116862668 B CN 116862668B
- Authority
- CN
- China
- Prior art keywords
- compliance
- cases
- collecting
- collection
- communication
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 97
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 241000257303 Hymenoptera Species 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 239000003016 pheromone Substances 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000002431 foraging effect Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012789 harvest method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供一种提升催收效率的智能催收方法,属于数据处理技术领域,具体包括:基于待分配案件的逾期用户的催收沟通接通率、还款情况、逾期天数以及所述逾期金额,确定待分配案件的处理优先值的确定;通过催收人员的催收记录进行所述催收人员的不同的催收案件的催收合规度的评估,并结合催收人员的不合规的沟通数据以及催收合规度不满足要求的催收案件数据进行催收人员的综合合规度的确定,并根据催收人员的综合合规度和已有案件数量、待分配案件的处理优先值和优先级进行所述待分配案件的分配,从而进一步提升了催收的效率和合规度。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种提升催收效率的智能催收方法。
背景技术
为了实现对逾期用户的催收效率的提升,在发明专利CN113706295A《基于数据分析的催收案件分配方法、装置、设备及介质》中通过定时接收逾期案件,获取逾期案件关联的案件信息;根据逾期案件的案件信息分别计算对应的客户信用评级、借款额等级和逾期等级,综合计算得到逾期案件的催收案件评分,根据待催收案件的案件评分将待催案件匹配至对应级别的自动分案策略集,根据自动分案策略集将待催收案件分配至对应的催收机构及下属的催收员,从而实现资源分配最优化,减少催收人力成本和时间成本,提高平台催收效率和成功率,但是却存在以下技术问题:
1、在进行待分配案件的确定时,未考虑不同案件的分配的优先顺序,对于不同的待分配案件,其金额、逾期时间各不相同,因此若进行随机分配,特别是待分配案件较多时,无法进行一次性处理,则其催收效率和催收金额都会受到很大影响。
3、在进行待分配案件的分配顺序确定时,未能首先依据待分配案件的金额、待分配案件的逾期时间等数据对待分配案件进行评估,仅仅依靠催收案件评分以及借款额等级和逾期等级的形式,不仅会使得整个系统的处理效率过低,同时也会导致金额和逾期期间的影响程度被忽视,例如对于待分配案件甲一个金额为52万,逾期时间为11天,而另外一个案件乙金额为50万,逾期时间为10天,采用等级的形式,两者的优先程度一致,但明显甲的优先等级大于乙的优先等级,因此同样会使得催收的效率变低。
针对上述技术问题,本发明提供了一种提升催收效率的智能催收方法。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种提升催收效率的智能催收方法。
一种提升催收效率的智能催收方法,其特征在于,具体包括:
S11获取待分配案件的逾期金额,判断所述待分配案件的逾期金额是否大于预设金额,若是,则将所述待分配案件的优先级设置为第一等级,若否,则进入步骤S12;
S12获取所述待分配案件的逾期天数,判断所述逾期天数是否大于预设天数,若是,则将所述待分配案件的优先级设置为第一等级,若否,则进入步骤S13;
S13将剩余的待分配案件的优先级设置为第二等级,并基于所述待分配案件的逾期用户的催收沟通接通率、还款情况、逾期天数以及所述逾期金额,确定所述待分配案件的处理优先值的确定;
S14通过催收人员的催收记录进行所述催收人员的不同的催收案件的催收合规度的评估,并结合所述催收人员的敏感沟通数据以及所述催收合规度不满足要求的催收案件数据进行所述催收人员的综合合规度的确定,并根据所述催收人员的综合合规度、所述待分配案件的处理优先值和优先级进行所述待分配案件的分配。
通过首先基于待分配案件的逾期金额,然后再基于所述待分配案件的逾期天数,最后基于待分配案件的待分配案件的处理优先值进行待分配案件的优先级的设置,从而不仅保证了逾期金额较多的待分配案件能够得到最快的处理,同时也使得进行处理优先值评估的待分配案件的数量进一步降低,从而进一步提升了整体的处理效率,并且优先处理逾期金额较大的待分配案件,也充分考虑到逾期金额的重要程度大于逾期天数大于处理优先值,进一步提升了催收的效率和针对性。
通过基于所述待分配案件的逾期用户的催收沟通接通率、还款情况、逾期天数以及逾期金额,确定所述待分配案件的处理优先值,从而不仅仅结合单方面的还款金额的影响,同时也考虑到逾期用户的催收沟通接通率,也即联系稳定性的影响,为进一步提升催收效率奠定了基础。
另一方面,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种提升催收效率的智能催收方法。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显;
图1是一种提升催收效率的智能催收方法的流程图;
图2是待分配案件的处理优先值构建的具体步骤的流程图;
图3是催收案件的催收合规度的评估的方法的流程图;
图4是催收人员的综合合规度的确定的方法的流程图。
图5是一种计算机存储介质的框架图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
申请人发现,在进行待分配案件的分配时,由于不同的待分配案件的金额以及逾期天数等存在较大的差异,因此若不能进行待分配案件的分配优先级的确定,则无法实现对催收效率的提升;
同时对于不同的催收人员其在催收过程中可能存在违规催收的催收案件,例如通过恐吓等方式实现对案件的催收,对于存在多个类似违规的催收案件的催收人员,若不能将上述的催收人员识别并排除,则有可能导致待分配的案件也有可能存在类似的情况。
为了解决上述技术问题,申请人采用以下技术方案:
首先通过逾期金额以及逾期时间进行高处理优先级的待分配案件的催收等级的确定;
同时对于低优先级的待分配案件,则通过对其逾期金额、时间以及还款情况等实现对待分配案件的处理优先值的确定,在实际的处理过程中,可以通过模型亦或者构建数学经验公式的方式实现对处理优先值的确定;
在确定待分配案件的处理优先级以及处理优先值的基础上,得到了不同的待分配案件的处理顺序,进一步的通过对在多个催收案件中存在违规催收案件的催收人员进行识别,首先对不同的催收案件的催收合规度进行评估,在得到催收合规度不满足要求的催收案件的数量的基础上,过存在违规催收的催收案件的数量等实现对催收人员的合规情况的确定,并优先将待分配案件分配至合规度较高的催收人员,从而提升催收效率和催收合规度。
为了解决上述的技术问题,本申请采用一个方法类实施例以及介质类实施例对上述技术方案进行进一步解释。
为解决上述问题,根据本发明的一个方面,如图1所示,提供了一种提升催收效率的智能催收方法,其特征在于,具体包括:
S11获取待分配案件的逾期金额,判断所述待分配案件的逾期金额是否大于预设金额,若是,则将所述待分配案件的优先级设置为第一等级,若否,则进入步骤S12;
具体的,所述预设金额根据所有待分配案件的逾期金额的中位值或者根据所述待分配案件的逾期金额的平均值进行确定。
具体的,第一等级表示待分配案件的逾期金额均较大,因此第一等级表示待分配案件的处理的优先级最高,当均属于第一等级时,则基于待分配案件的金额进行排序,作为处理的优先顺序。
具体的举个例子,预设金额为3万,当待分配案件的逾期金额为4万时,此时大于预设金额,则将所述待分配案件的优先级设置为第一等级。
S12获取所述待分配案件的逾期天数,判断所述逾期天数是否大于预设天数,若是,则将所述待分配案件的优先级设置为第一等级,若否,则进入步骤S13;
具体的举个例子,预设天数为90天,当待分配案件的逾期天数为120天时,此时的逾期天数大于预设天数,将所述待分配案件的优先级设置为第一等级。
通过首先基于待分配案件的逾期金额,然后再基于所述待分配案件的逾期天数,最后基于待分配案件的待分配案件的处理优先值进行待分配案件的优先级的设置,从而不仅保证了逾期金额较多的待分配案件能够得到最快的处理,同时也使得进行处理优先值评估的待分配案件的数量进一步降低,从而进一步提升了整体的处理效率,并且优先处理逾期金额较大的待分配案件,也充分考虑到逾期金额的重要程度大于逾期天数大于处理优先值,进一步提升了催收的效率和针对性。
S13将剩余的待分配案件的优先级设置为第二等级,并基于所述待分配案件的逾期用户的催收沟通接通率、还款情况、逾期天数以及所述逾期金额,确定所述待分配案件的处理优先值的确定;
具体的,在进行所述待分配案件的处理优先值确定之前,还需要判断是否所述预设金额与待分配案件的逾期金额的偏差量满足要求且预设天数与所述待分配案件的逾期天数的偏差量满足要求,若是,则将所述待分配案件的优先级设置为第一等级。
具体的举个例子,第二预设金额为2.5万元,而第二天数阈值为55天,则若待分配案件的逾期金额为2.7万元,且逾期时间为58天,则待分配案件的优先级仍为第一等级。
具体的举个例子,当均属于第一等级时,小于第二预设金额以下的待分配案件根据逾期时间进行排序,逾期时间越久,则其处理的优先级越高。
具体的,如图2所示,在上述步骤S13中的待分配案件的处理优先值构建的具体步骤为:
S21获取所述逾期用户的催收沟通接通率,判断所述催收沟通接通率是否大于接通率设置值,若是,则进入步骤S22,若否,则将所述待分配案件的处理优先值设置为零;
具体的,逾期用户的催收沟通接通率根据前期逾期通知的电话的接通情况进行确定,根据接通的电话数量除以所有的电话数量进行确定。
S22将所述逾期用户的最近的预设时间内的还款金额与贷款金额的比值作为所述逾期用户的最近的预设时间内的还款比,将所述逾期用户的累计还款金额与贷款金额的比值作为所述逾期用户的累计还款比;
S23基于所述催收沟通接通率、最近的预设时间内的还款比、累计还款比与所述逾期时间构建输入集,并将所述输入集传输至基于BP神经网络算法的评估模型中,得到还款评估结果;
具体的,在上述步骤S23中的评估模型采用GA算法遗传算法对BP神经网络的超参数优化思路主要有两种:一种是对隐藏层神经元节点数进行优化,另一种是对网络初始权值和阈值进行优化;对BP 神经网络算法理论和算法本身优缺点进行分析,发现隐藏层神经元节点个数对神经网络的学习拟合程度会造成影响,理论上节点数越多,拟合程度越高,但是会造成过拟合现象;而 BP 神经网络最佳初始的权值和阈值无法通过简单的对照实验得到,而网络对于选取的初始权值和阈值选取非常敏感,初始权值的不同,会使网络收敛于不同的局部极值;对于网络结构优化算法,由于权值和阈值每次随机初始化,即使相同的网络结构每次预测的结果都不同,算法优化效果有限,所以与优化隐藏层节点数相比,初始权值和阈值的优化更加重要
具体的,还款评估结果构建的具体步骤为:
(1)确定BP神经网络的结构;该步骤是确定 BP 神经网络输入层、隐藏层和输出层的神经元节点数,用于计算单个个体编码长度;
(2)确定遗传算法的相关参数;这一步包括染色体编码方法的确定、适应度函数的选择、选择操作实现算法的确定、交叉和变异操作的概率以及操作参数的设置。
(3)对初始种群进行编码;根据BP神经网络的结构,随机生成原始种群,并对原始种群中的个体进行实数编码,个体编码包括网络的权重和阈值信息。
(4)计算个体适应度;这一步主要评估群体中每个个体的适应性;优秀的个体将遗传到下一代群体中,进行交叉和变异;经过多次迭代,遗传算法最终输出最优个体。
(5)对最优个体进行解码,将最优初始权值和阈值分配 BP神经网络,并根据最优权值和阈值对网络进行训练和预测,以催收沟通接通率、最近的预设时间内的还款比、累计还款比与所述逾期时间构建输入集,得到还款评估结果。
具体的,考虑到网络精度和训练时间,本文模型的预测精度较高,最终确定隐层数为6层。
具体的,网络的训练函数采用反传和动态自适应学习率的梯度下降 BP 算法训练函数 traingdx。
具体的, BP 神经网络的最大学习次数为1000次,初始学习速率为0.1,初始动量因子为0.3,最终的训练要求精度为0.00001。
具体的,还款评估结果的取值范围在0到1之间,还款评估结果越大,则逾期用户的还款意愿越高。
S24基于所述待分配案件的逾期金额,对所述还款评估结果进行修正,得到所述待分配案件的处理优先值。
具体的,在上述步骤S24中的所述处理优先值的计算公式为:其中Y1为还款评估结果,M为待分配案件的逾期金额,M1为第二预设金额,min()为取最小值函数。
在本实施例中,通过基于逾期金额的分段函数的构建,从而综合考虑到不同的逾期金额对处理优先值的影响情况,使得逾期金额较少的用户的处理优先值进一步提升,使得逾期金额较多的用户的处理优先值进一步降低,保证了最终的评估结果的准确性。
在本实施例中,通过综合多方面的因素实现对用户的处理优先值的构建,从而不仅保证了用户的处理优先值能够更加准确的反应实际的用户的处理优先值,同时也保证了最终的评估结果的全面性和一致性,也为提升催收效率垫定了基础。
在本实施例中,通过基于所述待分配案件的逾期用户的催收沟通接通率、最近的预设时间内的还款金额与贷款金额的比值、累计还款金额与贷款金额的比值,确定所述待分配案件的处理优先值,从而不仅仅结合单方面的还款金额的影响,同时也考虑到逾期用户的催收沟通接通率,也即联系稳定性的影响,不仅使得最终的处理优先值的评估更加全面准确,同时进一步提升了整体的处理优先值评估的可靠性,为进一步提升催收效率奠定了基础。
S14通过催收人员的催收记录进行所述催收人员的不同的催收案件的催收合规度的评估,并结合所述催收人员的不合规沟通数据以及所述催收合规度不满足要求的催收案件数据进行所述催收人员的综合合规度的确定,并根据所述催收人员的综合合规度和已有案件数量、所述待分配案件的处理优先值和优先级进行所述待分配案件的分配。
在本实施例中,通过催收记录可以实现对催收人员的不同的催收案件的催收合规度的确定,并对存在多个催收合规度不满足要求的催收案件的催收人员的分配顺序延后,甚至不为其分配待分配催收案件,对于不存在催收合规度不满足要求的催收案件的催收人员,则按照设定好的优先级以及处理优先值进行待分配案件的分配。
具体的,如图3所示,上述步骤S13中的所述催收案件的催收合规度的评估的方法为:
S31根据所述催收人员在所述催收案件中的催收记录进行所述催收案件的沟通次数以及不同的沟通次数的敏感词的识别,并根据所述催收案件的不同的沟通次数的敏感词的数量进行不合规沟通的沟通次数以及严重违规沟通的沟通次数的确定,并判断所述催收案件是否存在不合规沟通,若是,则确定所述催收案件的催收合规度为1,若否,则进入下一步骤;
需要说明的是,当所述催收案件的沟通中存在敏感词时,根据所述敏感词的数量确定所述沟通属于不合规沟通或者严重违规沟通。
具体的,所述催收案件的催收合规度的取值范围在0到1之间,其中所述催收案件的催收合规度越小,则所述催收人员在所述催收案件的催收情况越不合规。
S32判断所述催收案件是否存在严重违规沟通,若是,则进入步骤S35,若否,则进入下一步骤;
S33获取所述催收案件的不合规沟通的沟通次数,并判断所述催收案件的不合规沟通的沟通次数是否大于预设次数,若是,则进入步骤S35,若否,则进入步骤S34;
S34根据所述催收案件的不合规沟通的沟通次数、不合规沟通的敏感词数量以及不合规沟通的累计沟通时长进行所述催收案件的不合规沟通的催收合规度的确定,并判断所述催收案件的不合规沟通的催收合规度是否满足要求,若是,则根据所述催收案件的不合规沟通的催收合规度以及合规沟通的沟通次数进行所述催收案件的催收合规度的确定,若否,则进入下一步骤;
S35通过所述不合规沟通的催收合规度、合规沟通的沟通次数以及沟通时长、严重违规沟通的沟通次数以及沟通时长进行所述催收案件的催收合规度的确定。
具体的,所述催收案件的催收合规度采用基于GA-ACO-LSTM算法的模型进行确定,其实现的原理是:将蚁群觅食路径赋值为LSTM神经网络的隐藏层第一层神经元数量L1、第二层神经元数量L2、迭代次数K和基础学习率lr四个超参数,通过蚂蚁觅食路线来表征待优化问题的可行解,蚁群中所有个体的觅食路径构成待优化问题的解空间,在较短路径上的蚂蚁所释放的信息素更浓,选择这条路径的蚂蚁也逐渐增多,最终整个蚁群在正反馈的作用下选择此路径,这条路径所对应的解便是最优的权值和阈值;在蚁群进行搜索时,通过遗传算法对信息素大于第一浓度阈值的蚁群个体进行交叉变异处理,随机生成的蚁群加快了算法的收敛速度,提高了蚁群算法寻优的准确性。
具体的,基于GA-ACO-LSTM算法的核心值评估模型的构建的具体步骤为:
(1)初始化网络。包括LSTM神经网络的隐藏层第一层神经元数量L1、第二层神经元数量L2、迭代次数K和基础学习率lr四个超参数寻优,将全部待优化参数记作p1,p2,pn,针对任意参数,随机选取N个非零值,组成集合Ipi(1≤i≤n),集合Ipi中元素的信息素为τj(Ipi)(t)=C,(1≤j≤N),蚁群算法中蚂蚁数量为 S,目标函数误差为 E。
(2)所有蚂蚁进行搜索,依据概率公式在集合Ipi中随机选择路径,全部蚂蚁完成路径搜索为止;在集合Ipi中,蚂蚁a(a=1, 2, S)任意挑选第j个元素的概率为:(3)构造解空间,更新信息素;从蚁群中随机挑h个蚂蚁,h=[rxS],r为动态变化选取率,最优解为信息素浓度最大的蚂蚁个体MAX(τj(Ipi)),蚂蚁i下次迭代行走的路径为:/>蚁群遍历完所有元素后,使用Ant-Cycle更新集合Ipi中每个元素的信息素,得式中:ρ为信息素挥发系数;∆βj k(Ipi) 为蚂蚁k本次迭代中在集合Ipi中第j个元素路径的信息素。
(4)使用遗传算法对蚁群进行交叉变异操作;随机选择交叉点,对两个染色体进行交叉处理,获得两个新的序列;依据变异概率,随机确定变异个体和变异位置。
(5)依据适应度函数F-FMeasure计算蚂蚁个体适应度,同时还需计算每个个体搜寻路径的时间,若满足最优解条件,转入步骤(6),反之转入步骤(3)。
(6)将GA-ACO算法获取的待优化参数输入至 LSTM网络中,计算预测误差的差值E。
(7)若输出结果满足要求,得到最优解算法结束,否则重复过程(2)~(6)。
具体的,所述LSTM网络的误差函数为:其中/>为第i个评估结果的预测结果,/>为第i个评估结果的实际值,/>为平均值。
需要说明的是,如图4所示,所述催收人员的综合合规度的确定的方法为:
S41根据所述催收人员的催收合规度不满足要求的催收案件数据判断所述催收人员是否存在催收合规度不满足要求的催收案件,若是,则进入下一步骤,若否,则根据所述催收人员的催收案件的催收合规度的最小值进行所述催收人员的综合合规度的确认;
S42将所述催收人员的催收合规度不满足要求的催收案件作为违规催收案件,并根据所述违规催收案件的数量以及在所述催收人员的所有的催收案件中的比例确定所述催收人员是否属于违规人员,若是,则进入步骤S54,若否,则进入步骤S53;
S43根据所述催收人员的不合规的沟通数据进行所述催收人员的不合规的累计沟通次数的确定,并根据所述催收人员的不合规的累计沟通次数以及所述催收人员在所述累计沟通次数中的敏感词的数量确定所述催收人员是否属于违规人员,若是,则进入步骤S44,若否,则通过所述催收人员的违规催收案件的催收合规度以及所处违规催收案件的数量进行所述催收人员的综合合规度的确认;
S44通过所述催收人员的违规催收案件的催收合规度、数量以及在所述催收人员的所有的催收案件中的比例进行所述催收人员的违规催收案件的违规评估值的确定,通过所述催收人员的不合规的累计沟通次数以及所述催收人员在所述累计沟通次数中的敏感词的数量进行所述催收人员的沟通违规评估值的确定,根据所述催收人员的沟通违规评估值以及违规催收案件的违规评估值进行所述催收人员的综合合规度的确认。
具体的,根据所述催收人员的综合合规度和已有案件数量、所述待分配案件的处理优先值和优先级进行所述待分配案件的分配,具体包括:
根据所述催收人员的综合合规度进行所述催收人员的分配顺序的确定,并通过所述催收人员的已有案件数量进行所述催收人员的可分配案件的确定;
根据所述待分配案件的优先级和处理优先值进行所述待分配案件的分配顺序的确定,并根据所述待分配案件的分配顺序、催收人员的分配顺序和可分配案件进行所述待分配案件的分配。
另一方面,如图5所示,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种提升催收效率的智能催收方法。
具体的,上述的一种提升催收效率的智能催收方法,具体包括:
基于待分配案件的逾期用户的催收沟通接通率、还款情况、逾期天数以及所述逾期金额,确定所述待分配案件的处理优先值的确定;
通过催收人员的催收记录进行所述催收人员的不同的催收案件的催收合规度的评估,并结合所述催收人员的不合规的沟通数据以及所述催收合规度不满足要求的催收案件数据进行所述催收人员的综合合规度的确定;
根据所述催收人员的综合合规度进行所述催收人员的分配顺序的确定,并通过所述催收人员的已有案件数量进行所述催收人员的可分配案件的确定;
根据所述待分配案件的处理优先值进行所述待分配案件的分配顺序的确定,并根据所述待分配案件的分配顺序、催收人员的分配顺序和可分配案件进行所述待分配案件的分配。
具体的,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以 通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可 包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM (PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括 随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得, 诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强 型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM (RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,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系统、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,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方式中,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。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (7)
1.一种提升催收效率的智能催收方法,其特征在于,具体包括:
获取待分配案件的逾期金额,判断所述待分配案件的逾期金额是否大于预设金额,若是,则将所述待分配案件的优先级设置为第一等级,若否,则进入下一步骤;
获取所述待分配案件的逾期天数,判断所述逾期天数是否大于预设天数,若是,则将所述待分配案件的优先级设置为第一等级,若否,则进入下一步骤;
将剩余的待分配案件的优先级设置为第二等级,并基于所述待分配案件的逾期用户的催收沟通接通率、还款情况、逾期天数以及所述逾期金额,确定所述待分配案件的处理优先值的确定;
所述待分配案件的处理优先值构建的具体步骤为:
获取所述逾期用户的催收沟通接通率,判断所述催收沟通接通率是否大于接通率设置值,若是,则进入下一步骤,若否,则将所述待分配案件的处理优先值设置为零;
将所述逾期用户的最近的预设时间内的还款金额与贷款金额的比值作为所述逾期用户的最近的预设时间内的还款比,将所述逾期用户的累计还款金额与贷款金额的比值作为所述逾期用户的累计还款比;
基于所述催收沟通接通率、最近的预设时间内的还款比、累计还款比与逾期时间构建输入集,并将所述输入集传输至基于BP神经网络算法的评估模型中,得到还款评估结果;
基于所述待分配案件的逾期金额,对所述还款评估结果进行修正,得到所述待分配案件的处理优先值;
所述处理优先值的计算公式为:其中Y1为还款评估结果,M为待分配案件的逾期金额,M1为第二预设金额,min()为取最小值函数;
通过催收人员的催收记录进行所述催收人员的不同的催收案件的催收合规度的评估,并结合所述催收人员的不合规的沟通数据以及所述催收合规度不满足要求的催收案件数据进行所述催收人员的综合合规度的确定,根据所述催收人员的综合合规度和已有案件数量、所述待分配案件的处理优先值和优先级进行所述待分配案件的分配;
所述催收案件的催收合规度的评估的方法为:
S31根据所述催收人员在所述催收案件中的催收记录进行所述催收案件的沟通次数以及不同的沟通次数的敏感词的识别,并根据所述催收案件的不同的沟通次数的敏感词的数量进行不合规沟通的沟通次数以及严重违规沟通的沟通次数的确定,并判断所述催收案件是否存在不合规沟通,若否,则确定所述催收案件的催收合规度为1,若是,则进入下一步骤;
S32判断所述催收案件是否存在严重违规沟通,若是,则进入步骤S35,若否,则进入下一步骤;
S33获取所述催收案件的不合规沟通的沟通次数,并判断所述催收案件的不合规沟通的沟通次数是否大于预设次数,若是,则进入步骤S35,若否,则进入步骤S34;
S34根据所述催收案件的不合规沟通的沟通次数、不合规沟通的敏感词数量以及不合规沟通的累计沟通时长进行所述催收案件的不合规沟通的催收合规度的确定,并判断所述催收案件的不合规沟通的催收合规度是否满足要求,若是,则根据所述催收案件的不合规沟通的催收合规度以及合规沟通的沟通次数进行所述催收案件的催收合规度的确定,若否,则进入下一步骤;
S35通过所述不合规沟通的催收合规度、合规沟通的沟通次数以及沟通时长、严重违规沟通的沟通次数以及沟通时长进行所述催收案件的催收合规度的确定;
所述催收人员的综合合规度的确定的方法为:
S41根据所述催收人员的催收合规度不满足要求的催收案件数据判断所述催收人员是否存在催收合规度不满足要求的催收案件,若是,则进入下一步骤,若否,则根据所述催收人员的催收案件的催收合规度的最小值进行所述催收人员的综合合规度的确认;
S42将所述催收人员的催收合规度不满足要求的催收案件作为违规催收案件,并根据所述违规催收案件的数量以及在所述催收人员的所有的催收案件中的比例确定所述催收人员是否属于违规人员,若是,则进入步骤S44,若否,则进入步骤S43;
S43根据所述催收人员的不合规的沟通数据进行所述催收人员的不合规的累计沟通次数的确定,并根据所述催收人员的不合规的累计沟通次数以及所述催收人员在所述累计沟通次数中的敏感词的数量确定所述催收人员是否属于违规人员,若是,则进入步骤S44,若否,则通过所述催收人员的违规催收案件的催收合规度以及所处违规催收案件的数量进行所述催收人员的综合合规度的确认;
S44通过所述催收人员的违规催收案件的催收合规度、数量以及在所述催收人员的所有的催收案件中的比例进行所述催收人员的违规催收案件的违规评估值的确定,通过所述催收人员的不合规的累计沟通次数以及所述催收人员在所述累计沟通次数中的敏感词的数量进行所述催收人员的沟通违规评估值的确定,根据所述催收人员的沟通违规评估值以及违规催收案件的违规评估值进行所述催收人员的综合合规度的确认。
2.如权利要求1所述的智能催收方法,其特征在于,所述预设金额根据所有待分配案件的逾期金额的中位值或者根据所述待分配案件的逾期金额的平均值进行确定。
3.如权利要求1所述的智能催收方法,其特征在于,在进行所述待分配案件的处理优先值确定之前,还需要判断是否所述预设金额与待分配案件的逾期金额的偏差量满足要求且预设天数与所述待分配案件的逾期天数的偏差量满足要求,若是,则将所述待分配案件的优先级设置为第一等级。
4.如权利要求1所述的智能催收方法,其特征在于,当所述催收案件的沟通中存在敏感词时,根据所述敏感词的数量确定所述沟通属于不合规沟通或者严重违规沟通。
5.如权利要求1所述的智能催收方法,其特征在于,所述催收案件的催收合规度的取值范围在0到1之间,其中所述催收案件的催收合规度越小,则所述催收人员在所述催收案件的催收情况越不合规。
6.如权利要求1所述的智能催收方法,其特征在于,根据所述催收人员的综合合规度和已有案件数量、所述待分配案件的处理优先值和优先级进行所述待分配案件的分配,具体包括:
根据所述催收人员的综合合规度进行所述催收人员的分配顺序的确定,并通过所述催收人员的已有案件数量进行所述催收人员的可分配案件的确定;
根据所述待分配案件的优先级和处理优先值进行所述待分配案件的分配顺序的确定,并根据所述待分配案件的分配顺序、催收人员的分配顺序和可分配案件进行所述待分配案件的分配。
7.一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-6任一项所述的一种提升催收效率的智能催收方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133446.7A CN116862668B (zh) | 2023-09-05 | 2023-09-05 | 一种提升催收效率的智能催收方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133446.7A CN116862668B (zh) | 2023-09-05 | 2023-09-05 | 一种提升催收效率的智能催收方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116862668A CN116862668A (zh) | 2023-10-10 |
CN116862668B true CN116862668B (zh) | 2023-11-24 |
Family
ID=88225379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311133446.7A Active CN116862668B (zh) | 2023-09-05 | 2023-09-05 | 一种提升催收效率的智能催收方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862668B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117319559B (zh) * | 2023-11-24 | 2024-02-02 | 杭州度言软件有限公司 | 一种基于智能语音机器人的催收方法与系统 |
CN117476011B (zh) * | 2023-12-28 | 2024-03-01 | 杭州度言软件有限公司 | 一种基于语音信号的催收对象识别方法与系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150101434A (ko) * | 2015-08-05 | 2015-09-03 | 우석대학교 산학협력단 | 통신 상에서의 여행 상품 판매 방법 및 시스템 |
CN106447488A (zh) * | 2016-09-07 | 2017-02-22 | 北京量科邦信息技术有限公司 | 一种通过技术手段提高催收效率的方法及系统 |
CN107038165A (zh) * | 2016-02-03 | 2017-08-11 | 腾讯科技(深圳)有限公司 | 一种业务参数获取方法及装置 |
CN108090826A (zh) * | 2017-11-13 | 2018-05-29 | 平安科技(深圳)有限公司 | 一种电话催收方法及终端设备 |
CN108711047A (zh) * | 2018-04-09 | 2018-10-26 | 平安科技(深圳)有限公司 | 一种自动还款方法、系统及终端设备 |
CN110009480A (zh) * | 2019-03-06 | 2019-07-12 | 平安科技(深圳)有限公司 | 司法催收路径的推荐方法、装置、介质、电子设备 |
CN111062518A (zh) * | 2019-11-22 | 2020-04-24 | 成都铂锡金融信息技术有限公司 | 基于人工智能的处理催收业务的方法、装置及存储介质 |
CN111523748A (zh) * | 2019-12-31 | 2020-08-11 | 金瓜子科技发展(北京)有限公司 | 案件分配方法、装置及系统 |
CN111611609A (zh) * | 2020-04-07 | 2020-09-01 | 布比(北京)网络技术有限公司 | 一种基于安全多方计算与区块链的风险数据分享方法及系统 |
CN111882431A (zh) * | 2020-08-04 | 2020-11-03 | 武汉众邦银行股份有限公司 | 一种基于nlp深度学习智能消息推送方法 |
CN112700223A (zh) * | 2021-01-04 | 2021-04-23 | 深圳市恒鑫科技服务有限公司 | 一种催收系统的催收任务优先级智能编排方法 |
CN113191888A (zh) * | 2021-05-26 | 2021-07-30 | 中国建设银行股份有限公司 | 催收评分方法及装置 |
CN113240066A (zh) * | 2021-05-14 | 2021-08-10 | 中国民航大学 | 一种基于Shapley值的改进蚁群算法 |
CN113706295A (zh) * | 2021-08-31 | 2021-11-26 | 平安普惠企业管理有限公司 | 基于数据分析的催收案件分配方法、装置、设备及介质 |
CN114240639A (zh) * | 2022-01-13 | 2022-03-25 | 平安普惠企业管理有限公司 | 催收案件分案方法、装置、设备及存储介质 |
CN114399379A (zh) * | 2022-01-11 | 2022-04-26 | 平安普惠企业管理有限公司 | 基于人工智能的催收行为识别方法、装置、设备及介质 |
WO2023277805A1 (en) * | 2021-06-30 | 2023-01-05 | Gp Network Asia Pte. Ltd. | Repayment server and method for providing payback of a loan |
CN115660816A (zh) * | 2022-11-10 | 2023-01-31 | 杭州度言软件有限公司 | 一种催收款案件分配方法、系统以及计算机可读存储介质 |
CN116341879A (zh) * | 2023-05-26 | 2023-06-27 | 杭州度言软件有限公司 | 一种逾期资产清收智能分案方法与系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7949597B2 (en) * | 2007-02-02 | 2011-05-24 | Zadoorian James A | Method of collecting delinquent specialized debt |
US20230214919A1 (en) * | 2021-12-31 | 2023-07-06 | Billd, Llc | Automated project documentation workflows |
-
2023
- 2023-09-05 CN CN202311133446.7A patent/CN116862668B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150101434A (ko) * | 2015-08-05 | 2015-09-03 | 우석대학교 산학협력단 | 통신 상에서의 여행 상품 판매 방법 및 시스템 |
CN107038165A (zh) * | 2016-02-03 | 2017-08-11 | 腾讯科技(深圳)有限公司 | 一种业务参数获取方法及装置 |
CN106447488A (zh) * | 2016-09-07 | 2017-02-22 | 北京量科邦信息技术有限公司 | 一种通过技术手段提高催收效率的方法及系统 |
CN108090826A (zh) * | 2017-11-13 | 2018-05-29 | 平安科技(深圳)有限公司 | 一种电话催收方法及终端设备 |
CN108711047A (zh) * | 2018-04-09 | 2018-10-26 | 平安科技(深圳)有限公司 | 一种自动还款方法、系统及终端设备 |
CN110009480A (zh) * | 2019-03-06 | 2019-07-12 | 平安科技(深圳)有限公司 | 司法催收路径的推荐方法、装置、介质、电子设备 |
CN111062518A (zh) * | 2019-11-22 | 2020-04-24 | 成都铂锡金融信息技术有限公司 | 基于人工智能的处理催收业务的方法、装置及存储介质 |
CN111523748A (zh) * | 2019-12-31 | 2020-08-11 | 金瓜子科技发展(北京)有限公司 | 案件分配方法、装置及系统 |
CN111611609A (zh) * | 2020-04-07 | 2020-09-01 | 布比(北京)网络技术有限公司 | 一种基于安全多方计算与区块链的风险数据分享方法及系统 |
CN111882431A (zh) * | 2020-08-04 | 2020-11-03 | 武汉众邦银行股份有限公司 | 一种基于nlp深度学习智能消息推送方法 |
CN112700223A (zh) * | 2021-01-04 | 2021-04-23 | 深圳市恒鑫科技服务有限公司 | 一种催收系统的催收任务优先级智能编排方法 |
CN113240066A (zh) * | 2021-05-14 | 2021-08-10 | 中国民航大学 | 一种基于Shapley值的改进蚁群算法 |
CN113191888A (zh) * | 2021-05-26 | 2021-07-30 | 中国建设银行股份有限公司 | 催收评分方法及装置 |
WO2023277805A1 (en) * | 2021-06-30 | 2023-01-05 | Gp Network Asia Pte. Ltd. | Repayment server and method for providing payback of a loan |
CN113706295A (zh) * | 2021-08-31 | 2021-11-26 | 平安普惠企业管理有限公司 | 基于数据分析的催收案件分配方法、装置、设备及介质 |
CN114399379A (zh) * | 2022-01-11 | 2022-04-26 | 平安普惠企业管理有限公司 | 基于人工智能的催收行为识别方法、装置、设备及介质 |
CN114240639A (zh) * | 2022-01-13 | 2022-03-25 | 平安普惠企业管理有限公司 | 催收案件分案方法、装置、设备及存储介质 |
CN115660816A (zh) * | 2022-11-10 | 2023-01-31 | 杭州度言软件有限公司 | 一种催收款案件分配方法、系统以及计算机可读存储介质 |
CN116341879A (zh) * | 2023-05-26 | 2023-06-27 | 杭州度言软件有限公司 | 一种逾期资产清收智能分案方法与系统 |
Non-Patent Citations (1)
Title |
---|
我国商业银行小微企业催收评分技术应用研究;王林;《改革探索》(第6期);第33-35、52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116862668A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116862668B (zh) | 一种提升催收效率的智能催收方法 | |
CN107767262B (zh) | 信息处理方法、装置和计算机可读存储介质 | |
CN110570111A (zh) | 企业风险预测方法、模型训练方法、装置及设备 | |
CN108475393A (zh) | 通过合成特征和梯度提升决策树进行预测的系统和方法 | |
CN113240509A (zh) | 一种基于多源数据联邦学习的贷款风险评估方法 | |
CN110147925B (zh) | 一种风险决策方法、装置、设备及系统 | |
CN113011895B (zh) | 关联账户样本筛选方法、装置和设备及计算机存储介质 | |
Eddy et al. | Credit scoring models: Techniques and issues | |
CN111062486B (zh) | 一种评价数据的特征分布和置信度的方法及装置 | |
Adhikary et al. | Edge assisted crime prediction and evaluation framework for machine learning algorithms | |
CN116777213A (zh) | 基于大数据的碳交易市场风险预警系统以及方法 | |
US8364614B2 (en) | Method for building predictive models with incomplete data | |
Kinneer et al. | Information reuse and stochastic search: Managing uncertainty in self-* systems | |
CN113657990A (zh) | 一种蚁狮算法优化narx神经网络风险预测系统及方法 | |
CN112052990B (zh) | 一种基于CNN-BiLSTM混合模型的多角度业务流程下一活动预测方法 | |
CN113379536A (zh) | 一种基于引力搜索算法优化递归神经网络的违约概率预测方法 | |
CN112836750A (zh) | 一种系统资源分配方法、装置及设备 | |
Caschera et al. | MONDE: a method for predicting social network dynamics and evolution | |
CN116861480A (zh) | 一种敏感数据识别方法、装置、设备及存储介质 | |
CN115526315A (zh) | 评分卡模型的生成方法和装置 | |
KR102368010B1 (ko) | 운동 생활정보에 기초한 인공지능 기반의 대안적 신용평가정보 제공 방법 및 시스템 | |
CN115222040A (zh) | 属性预测模型的训练方法、属性预测方法和装置 | |
CN113378158A (zh) | 一种移动网络风险脆弱性的评估方法及装置 | |
Faghri et al. | Artificial neural network–based approach to modeling trip production | |
CN105389337A (zh) | 用于统计显著性模式的搜索大数据空间的方法 |
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 |