CN116883007A - 一种催收动作推荐方法、系统、电子设备及存储介质 - Google Patents
一种催收动作推荐方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116883007A CN116883007A CN202310927031.0A CN202310927031A CN116883007A CN 116883007 A CN116883007 A CN 116883007A CN 202310927031 A CN202310927031 A CN 202310927031A CN 116883007 A CN116883007 A CN 116883007A
- Authority
- CN
- China
- Prior art keywords
- risk
- information
- client
- rule
- overdue
- 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
- 230000009471 action Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000002068 genetic effect Effects 0.000 claims abstract description 22
- 238000011084 recovery Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 7
- 230000037430 deletion Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000035772 mutation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种催收动作推荐方法、系统、电子设备及存储介质,涉及催收领域,方法包括获取逾期客户信息;根据所述逾期客户信息利用风险规则计算客户风险度;所述风险规则是根据历史逾期客户信息利用遗传规划算法确定的;根据所述客户风险度进行催收动作推荐,得到不同所述客户风险度对应的催收动作。本发明能自动推荐最佳的催收动作,提高催收效果。
Description
技术领域
本发明涉及催收领域,特别是涉及一种催收动作推荐方法、系统、电子设备及存储介质。
背景技术
当前,催收工作面临着诸多挑战,如催收人员数量有限、催收策略缺乏针对性等问题。传统的催收方法主要依赖人工经验和固定的催收流程,效率较低且容易出现误判。因此,需要一种智能化的催收动作推荐方法,能够根据客户特征和历史还款情况,自动推荐最佳的催收动作,提高催收效果。
发明内容
本发明的目的是提供一种催收动作推荐方法、系统、电子设备及存储介质,以自动推荐最佳的催收动作,提高催收效果。
为实现上述目的,本发明提供了如下方案:
一种催收动作推荐方法,包括:
获取逾期客户信息;
根据所述逾期客户信息利用风险规则计算客户风险度;所述风险规则是根据历史逾期客户信息利用遗传规划算法确定的;
根据所述客户风险度进行催收动作推荐,得到不同所述客户风险度对应的催收动作。
可选地,在获取逾期客户信息之后还包括:
对所述逾期客户信息进行数据清洗;所述逾期客户信息包括基本信息、贷款信息、行为信息、逾期信息和往期催收信息;所述数据清洗包括异常值删除和缺失值填充。
可选地,所述风险规则的确定过程具体包括:
根据历史逾期客户信息生成规则子;
根据所述规则子生成初始的风险规则并计算初始的风险规则对应的适应度;
将所述初始的风险规则作为遗传规划算法的初始种群进行迭代,得到风险规则和每个所述风险规则对应的适应度。
可选地,所述客户风险度的表达式为:
其中,Pi为第i个客户的风险度,wj为第j个风险规则的权重,δij为第i个客户是否命中第j个风险规则,n为风险规则数。
可选地,根据所述客户风险度进行催收动作推荐,得到不同所述客户风险度对应的催收动作,具体包括:
将所述客户风险度进行排序和等级划分,得到多个客户风险等级;
根据多个所述客户风险等级确定不同所述客户风险度对应的催收动作;所述催收动作包括法律诉讼、电话催收、智能外呼催收、短信催收和暂不催收。
本发明还提供一种催收动作推荐系统,包括:
数据获取模块,用于获取逾期客户信息;
催收动作推荐模块,用于根据所述逾期客户信息利用风险规则计算客户风险度;所述风险规则是根据历史逾期客户信息利用遗传规划算法确定的;根据所述客户风险度进行催收动作推荐,得到不同所述客户风险度对应的催收动作。
可选地,催收动作推荐系统还包括:
数据清洗模块,用于对所述逾期客户信息进行数据清洗;所述逾期客户信息包括基本信息、贷款信息、行为信息、逾期信息和往期催收信息;所述数据清洗包括异常值删除和缺失值填充。
本发明还提供一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
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如所述的方法。
本发明还提供一种计算机存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如所述的方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明获取逾期客户信息;根据所述逾期客户信息利用风险规则计算客户风险度;所述风险规则是根据历史逾期客户信息利用遗传规划算法确定的;根据所述客户风险度进行催收动作推荐,得到不同所述客户风险度对应的催收动作。通过不同的客户风险度对客户进行不同的催收动作,从而实现自动推荐最佳的催收动作,提高催收效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的催收动作推荐方法流程图;
图2为本发明提供的催收动作推荐系统示意图;
图3为风险规则的二叉树形示意图;
图4为风险规则交叉过程示意图;
图5为规则子生成风险规则示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种催收动作推荐方法、系统、电子设备及存储介质,以自动推荐最佳的催收动作,提高催收效果。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的一种催收动作推荐方法,包括:
步骤101:获取逾期客户信息。数据获取模块自动从大数据平台获取逾期客户信息,包括:基本信息(年龄、性别、婚姻状况、职业、教育类型、工作年限等)、贷款信息(贷款金额、首付比例、月还款额、贷款期限等)、行为信息(已还期数、已还期数占比、剩余期数、剩余期数占比、贷款余额等)、逾期信息(逾期天数、逾期金额等)、往期催收信息(联络次数、是否失联等)。
在获取逾期客户信息之后还包括:对所述逾期客户信息进行数据清洗;所述逾期客户信息包括基本信息、贷款信息、行为信息、逾期信息和往期催收信息;所述数据清洗包括异常值删除和缺失值填充。对于基本信息中的类别型特征(如:教育类型)进行one-hot变换。
步骤102:根据所述逾期客户信息利用风险规则计算客户风险度;所述风险规则是根据历史逾期客户信息利用遗传规划算法确定的。其中,风险规则也可通过机器学习、xgboost等方法确定。
所述风险规则的确定过程具体包括:根据历史逾期客户信息生成规则子;根据所述规则子生成初始的风险规则并计算初始的风险规则对应的适应度;将所述初始的风险规则作为遗传规划算法的初始种群进行迭代,得到风险规则和每个所述风险规则对应的适应度。
算法处理模块通过遗传规划算法,生成风险规则及其权重,具体过程如下:
遗传规划算法(Genetic Programming,GP)是一种进化计算技术,它模拟了生物进化中的遗传机制和自然选择过程,用于解决优化和机器学习问题。
遗传规划算法的基本思想是通过模拟进化的过程来寻找问题的最优解或近似最优解。它通过构建一组初始解(称为种群)来开始算法的执行,每个解都是问题的一个候选解。然后,通过一系列的进化操作(如选择、交叉和变异),种群中的解逐代进化,逐渐趋向于更优的解。
遗传规划算法中的基本概念和操作如下:
表示解:遗传规划算法通常使用树结构来表示解,其中每个节点表示一个函数或终止条件,例如加法、减法、乘法等。树的根节点代表整个解。
初始化种群:算法开始时,随机生成一组初始解(树)作为种群。
适应度评估:对于每个解,通过一个适应度函数来评估它的优劣程度。适应度函数根据问题的特定要求来定义,可以是问题的目标函数或其他衡量指标。
选择:根据解的适应度,从当前种群中选择一部分解作为下一代的父代。通常使用轮盘赌选择或竞争选择等选择策略。
交叉:从父代中选择两个解,通过交叉操作生成子代。交叉操作可以是对树结构进行部分交换或重组。
变异:对子代进行变异操作,以引入新的基因信息。变异可以是随机改变树中的节点或连接。
替换:用子代替换当前种群中的一部分解,形成新的种群。
终止条件:算法根据预定的终止条件(例如达到最大迭代次数或找到满足要求的解)来判断是否停止执行。
通过不断迭代上述步骤,遗传规划算法能够搜索解空间,逐渐找到更好的解。它在解决复杂的优化问题、函数逼近、符号回归和机器学习等领域具有广泛的应用。
从数据清洗模块获取清洗后的数据。
算法初始化单位进行算法的初始化操作,如下:
(1)生成规则子:初始化单元将算子、特征、特征值送入规则子池单元;规则子池单元随机选取某一特征,算子,特征值,算子包括>、<、≥、≤、=,生成规则子,重复本操作生成大量规则子,形成“规则子”池,如表1所示。
表1规则子示例
特征 | 算子 | 特征值 | 说明 |
年龄 | > | 30 | 年龄>30 |
性别 | = | 男 | 性别=男 |
已还期数 | ≤ | 3 | 已还期数≤3 |
... | ... | ... | ... |
(2)初始化种群:生成n个风险规则做为初始化种群P(t)={x1,,x2,x3...xn},单个风险规则的生成过程如下:
从规则子池单元中随机选取某几个规则子,形成规则子序列,如表2所示。
表2规则子序列示例
规则子1 | 规则子2 | 规则子3 | 规则子4 | 规则子5 | ... |
在规则子序列中随机添加规则子作用符及作用符的计算优先级,作用符为∩(和)、∪(并),形成风险规则,如图5所示,表示成如图3所示的二叉树形(风险规则树)。
风险规则的含义为:
根据规则子,筛选命中各个规则子的数据集,根据规则子间的运算符及运算符优先级执行数据集的∩(和)或∪(并)运算,得到最终命中风险规则的数据集Si。
适应度计算单元计算风险规则的适应度,计算n个风险规则的适应度,适应度s(i,t)公式如下:
s(i,t)=ω1c′i+ω2g′i+ω3z′i
c'i为归一化后的风险规则复杂度项,计算方式:
其中,ci为第i个风险规则原始复杂度,li为第i个风险规则对应的风险子序列长度。
g'i为归一化后的效用度项,计算方式:
其中,gi为第i个风险规则原始效用度,为第i个风险规则对应的数据集Si中,最终未还款客户占比,pS为原始数据集S中,最终未还款客户占比。
z'i为归一化后的完整度项,计算方式:
其中,zi为第i个风险规则原始完整度。
ω1、ω2、ω3为权重因子,且:
ω1+ω2+ω3=1
其中,风险规则:比如(逾期天数>30)∩(逾期金额>10000)。“逾期天数”、“逾期金额”就是逾期客户信息。
种群演化单元对第t代种群中的个体适应度从大到小排序,保留最大的n‘个个体,并对保留下来的个体执行交叉、变异操作:
交叉:n‘个个体两两间以Pc的概率进行交叉,并繁衍形成新个体,繁衍过程为随机选取父个体和母个体风险规则树中非叶节点进行交叉操作,如图4所示。
变异:n‘个个体,每个个体以Pv的概率进行变异并形成新个体,个体变异包括:
①删除:随机在规则子序列中删除某一个或几个规则子及其相关运算符。
②插入:随机在规则子序列某一位置插入一个或多个新规则子、运算符及优先级。
③变化:随机在规则子序列中将某一规则子替换为新规则子、或随机改变运算符优先级、或随机改变运算符。
将第t代种群中保留下来的n‘个个体,与通过交叉、变异过程生成的m个新个体合并形成第t+1代种群。
算法终止条件判断单元进行终止条件判断,当满足终止条件时,算法终止运行,并输出最终保留下来的风险规则集,及每个风险规则的适应度,并将适应度做为风险规则权重。否则,循环迭代执行适应度计算单元、种群演化单元两个过程,算法终止条件为满足最大迭代次数或满足:
其中,St为迭代t代后保留下来的个体,St-1为迭代t-1代后保留下来的个体,T为终止阈值。
步骤103:根据所述客户风险度进行催收动作推荐,得到不同所述客户风险度对应的催收动作。
步骤103,具体包括:将所述客户风险度进行排序和等级划分,得到多个客户风险等级;根据多个所述客户风险等级确定不同所述客户风险度对应的催收动作;所述催收动作包括法律诉讼、电话催收、智能外呼催收、短信催收和暂不催收。
具体为,催收动作推荐模块从数据清洗模块获取清洗后的数据,从算法处理模块获取风险规则及权重,进行催收动作的推荐,并输出逾期案件对应的催收动作,过程如下:
1、从算法处理模块,通过遗传规划算法,生成风险规则,如总计生成n个风险规则。
2、风险度计算单元计算客户风险度并进行标准差标准化,如总共有m个逾期客户,则第i个客户风险度计算公式如下:
其中,n为风险规则数,Pi为第i个客户的风险度,wj是第j个风险规则的权重,δij表示第i个客户是否命中第j个风险规则:
风险度标准差标准化:
其中,P'i为第i个客户标准化后的风险度,Pmean为客户风险度均值,Pstd为客户风险度标准差。
3、催收动作匹配单元为每个案件匹配催收动作,过程如下:
将m个客户的风险度从高到底排序,如表3所示。
表3客户风险度排序示例
按比例将m个客户划分为不同风险等级,从高到低共5级,5级风险最高,1级风险最低,如表4所示。
表4客户风险等级示例
客户编号 | 风险等级 |
1 | 5 |
2 | 4 |
3 | 3 |
... | ... |
234 | 2 |
235 | 1 |
将不同风险等级的逾期客户分配至对应的催收动作,如表5所示,所说的催收动作即为表5中的催收方式。
表5风险等级对应的催收方式
风险等级 | 催收方式 |
5 | 法律诉讼 |
4 | 电话催收 |
3 | 智能外呼催收 |
2 | 短信催收 |
1 | 暂不催收 |
催收动作执行模块从催收动作推荐模块,获取逾期案件及其对应的催收动作,分配至各个催收动作对应的单元并执行具体的催收动作。
如图2所示,本发明还提供一种催收动作推荐系统,包括:
数据获取模块,用于获取逾期客户信息。
催收动作推荐模块,用于根据所述逾期客户信息利用风险规则计算客户风险度;所述风险规则是根据历史逾期客户信息利用遗传规划算法确定的;根据所述客户风险度进行催收动作推荐,得到不同所述客户风险度对应的催收动作。
作为一种可选的实施方式,催收动作推荐系统还包括:
数据清洗模块,用于对所述逾期客户信息进行数据清洗;所述逾期客户信息包括基本信息、贷款信息、行为信息、逾期信息和往期催收信息;所述数据清洗包括异常值删除和缺失值填充。
本发明还提供一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;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如所述的方法。
本发明还提供一种计算机存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如所述的方法。
本发明通过遗传规划算法生成风险规则,通过风险规则计算客户风险度,通过风险度将客户划分为不同的风险等级,通过客户风险等级,匹配与之对应的催收动作。客户风险等级越高,意味着,从历史表现看,越难以催收成功,因此需及时使用更为严厉的催收手段;此外,在催收人员有限的情况下,将预期风险等级较高、催收成功率较低的客户及时进行法律诉讼,避免了人力的浪费,提升了催收效率。
本发明具有以下优势:
输出的风险规则泛化能力强,在定义适应度的时候,同时考虑了规则复杂度、效用度以及完整度。风险规则挖掘效率高,通过使用遗传规划,可大批量生成风险规则。整个催收动作推荐过程,完全基于历史数据并自动进行,无需人力的参与,效率高。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种催收动作推荐方法,其特征在于,包括:
获取逾期客户信息;
根据所述逾期客户信息利用风险规则计算客户风险度;所述风险规则是根据历史逾期客户信息利用遗传规划算法确定的;
根据所述客户风险度进行催收动作推荐,得到不同所述客户风险度对应的催收动作。
2.根据权利要求1所述的催收动作推荐方法,其特征在于,在获取逾期客户信息之后还包括:
对所述逾期客户信息进行数据清洗;所述逾期客户信息包括基本信息、贷款信息、行为信息、逾期信息和往期催收信息;所述数据清洗包括异常值删除和缺失值填充。
3.根据权利要求1所述的催收动作推荐方法,其特征在于,所述风险规则的确定过程具体包括:
根据历史逾期客户信息生成规则子;
根据所述规则子生成初始的风险规则并计算初始的风险规则对应的适应度;
将所述初始的风险规则作为遗传规划算法的初始种群进行迭代,得到风险规则和每个所述风险规则对应的适应度。
4.根据权利要求1所述的催收动作推荐方法,其特征在于,所述客户风险度的表达式为:
其中,Pi为第i个客户的风险度,wj为第j个风险规则的权重,δij为第i个客户是否命中第j个风险规则,n为风险规则数。
5.根据权利要求1所述的催收动作推荐方法,其特征在于,根据所述客户风险度进行催收动作推荐,得到不同所述客户风险度对应的催收动作,具体包括:
将所述客户风险度进行排序和等级划分,得到多个客户风险等级;
根据多个所述客户风险等级确定不同所述客户风险度对应的催收动作;所述催收动作包括法律诉讼、电话催收、智能外呼催收、短信催收和暂不催收。
6.一种催收动作推荐系统,其特征在于,包括:
数据获取模块,用于获取逾期客户信息;
催收动作推荐模块,用于根据所述逾期客户信息利用风险规则计算客户风险度;所述风险规则是根据历史逾期客户信息利用遗传规划算法确定的;根据所述客户风险度进行催收动作推荐,得到不同所述客户风险度对应的催收动作。
7.根据权利要求6所述的催收动作推荐系统,其特征在于,还包括:
数据清洗模块,用于对所述逾期客户信息进行数据清洗;所述逾期客户信息包括基本信息、贷款信息、行为信息、逾期信息和往期催收信息;所述数据清洗包括异常值删除和缺失值填充。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
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如权利要求1至5中任意一项所述的方法。
9.一种计算机存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310927031.0A CN116883007A (zh) | 2023-07-26 | 2023-07-26 | 一种催收动作推荐方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310927031.0A CN116883007A (zh) | 2023-07-26 | 2023-07-26 | 一种催收动作推荐方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116883007A true CN116883007A (zh) | 2023-10-13 |
Family
ID=88256706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310927031.0A Pending CN116883007A (zh) | 2023-07-26 | 2023-07-26 | 一种催收动作推荐方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883007A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372153A (zh) * | 2023-10-31 | 2024-01-09 | 金扁担(北京)数字科技有限公司 | 基于欺诈风险模型和信用风险模型催收方法 |
-
2023
- 2023-07-26 CN CN202310927031.0A patent/CN116883007A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372153A (zh) * | 2023-10-31 | 2024-01-09 | 金扁担(北京)数字科技有限公司 | 基于欺诈风险模型和信用风险模型催收方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106647262B (zh) | 一种面向敏捷卫星多目标任务规划的差分进化方法 | |
Pelikan et al. | Estimation of distribution algorithms | |
CN110175168B (zh) | 一种基于生成对抗网络的时间序列数据填补方法及系统 | |
CN111898689B (zh) | 一种基于神经网络架构搜索的图像分类方法 | |
CN108733631A (zh) | 一种数据评估方法、装置、终端设备及存储介质 | |
US20120123980A1 (en) | Optimization technique using evolutionary algorithms | |
Rahman et al. | Discretization of continuous attributes through low frequency numerical values and attribute interdependency | |
CN109214503B (zh) | 基于kpca-la-rbm的输变电工程造价预测方法 | |
CN108564117B (zh) | 一种基于svm的贫困生辅助认定方法 | |
CN116883007A (zh) | 一种催收动作推荐方法、系统、电子设备及存储介质 | |
CN110070116A (zh) | 基于深度树状训练策略的分段式选择集成图像分类方法 | |
CN109740722A (zh) | 一种基于Memetic算法的网络表示学习方法 | |
CN113822419A (zh) | 一种基于结构信息的自监督图表示学习运行方法 | |
Sadiq et al. | Data missing solution using rough set theory and swarm intelligence | |
CN116170328A (zh) | 图形编码的使用带宽预测方法及装置 | |
CN111476418A (zh) | 基于深度神经网络和多任务学习的股票数据波动预测方法 | |
Farooq | Genetic algorithm technique in hybrid intelligent systems for pattern recognition | |
CN113239199A (zh) | 一种基于多方数据集的信用分类方法 | |
Phon-Amnuaisuk | Evolving and discovering Tetris gameplay strategies | |
CN106991432A (zh) | 基于评分机制的森林优化算法的特征选择方法 | |
Almazini et al. | Enhanced feature clustering method based on ant colony optimization for feature selection | |
CN106960064B (zh) | 一种基于自学习的几何辅助线添加方法 | |
JP3287738B2 (ja) | 関係関数探索装置 | |
Carmona et al. | Non-dominated multi-objective evolutionary algorithm based on fuzzy rules extraction for subgroup discovery | |
Gachoki et al. | Features Selection in Statistical Classification of High Dimensional Image Derived Maize (Zea Mays L.) Phenomic Data |
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 |