CN117252689B - 基于大数据的农业用户信贷决策支持方法及系统 - Google Patents
基于大数据的农业用户信贷决策支持方法及系统 Download PDFInfo
- Publication number
- CN117252689B CN117252689B CN202311499465.1A CN202311499465A CN117252689B CN 117252689 B CN117252689 B CN 117252689B CN 202311499465 A CN202311499465 A CN 202311499465A CN 117252689 B CN117252689 B CN 117252689B
- Authority
- CN
- China
- Prior art keywords
- semantic
- hard
- data item
- implicit
- training
- 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 29
- 239000013598 vector Substances 0.000 claims abstract description 130
- 230000004927 fusion Effects 0.000 claims abstract description 103
- 230000003993 interaction Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 103
- 238000005457 optimization Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000012502 risk assessment Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 16
- 238000011156 evaluation Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013479 data entry Methods 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种基于大数据的农业用户信贷决策支持方法及系统，涉及农业用户信贷技术领域，其获取农业用户的硬性条件数据和隐性条件数据；分别对硬性条件数据中的各个数据项进行语义编码以得到硬性条件数据项语义编码特征向量的序列；分别对隐性条件数据中的各个数据项进行语义编码以得到隐性条件数据项语义编码特征向量的序列；对硬性条件数据项语义编码特征向量的序列和隐性条件数据项语义编码特征向量的序列进行特征交互融合以得到硬性‑隐性数据项语义融合特征；基于硬性‑隐性数据项语义融合特征，确定农业用户的违约风险等级标签，实现对农业用户信贷风险的多维度评估，并根据评估结果对农业用户进行违约风险分级，为金融机构提供信贷决策的支持。
Description
技术领域
本申请涉及农业用户信贷技术领域，并且更具体地，涉及一种基于大数据的农业用户信贷决策支持方法及系统。
背景技术
农业用户信贷是指金融机构向从事农业生产和经营的用户提供的贷款，是农业发展的重要支撑。信贷作为金融业务的重要组成部分，在农业客户进行信贷时，商业银行或金融机构需对客户的信贷风险进行评估，根据信贷风险评估结果决定是否进行放贷。
在评估过程中，传统的评估方法仅通过征信报告借助个人信用评分系统构建打分卡模型来对信贷客户的信贷风险进行评估。也就是说，在评估过程中，主要侧重于客户基本信用，即征信报告，而征信报告仅能体现客户的违约情况，无法对客户的收入、生活守信和能力等情况进行体现，导致传统评估方法评估维度单一，不具备全面性。并且，传统评估方案的评估侧重点在于申请人违约风险，而忽略了其还款及消费能力，难以准确反映农业用户的信贷风险，导致金融机构对农业用户信贷的供给不足或不合理。
因此，期望一种基于大数据的农业用户信贷决策支持系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的农业用户信贷决策支持方法及系统，其获取农业用户的硬性条件数据和隐性条件数据；分别对硬性条件数据中的各个数据项进行语义编码以得到硬性条件数据项语义编码特征向量的序列；分别对隐性条件数据中的各个数据项进行语义编码以得到隐性条件数据项语义编码特征向量的序列；对硬性条件数据项语义编码特征向量的序列和隐性条件数据项语义编码特征向量的序列进行特征交互融合以得到硬性-隐性数据项语义融合特征；基于硬性-隐性数据项语义融合特征，确定农业用户的违约风险等级标签。这样，能够实现对农业用户信贷风险的多维度评估，并根据评估结果对农业用户进行违约风险分级，为金融机构提供信贷决策的支持。
第一方面，提供了一种基于大数据的农业用户信贷决策支持系统，其包括：
农业用户数据采集模块，用于获取农业用户的硬性条件数据和隐性条件数据；
农业用户硬性条件语义理解模块，用于分别对所述硬性条件数据中的各个数据项进行语义编码以得到硬性条件数据项语义编码特征向量的序列；
农业用户隐性条件语义理解模块，用于分别对所述隐性条件数据中的各个数据项进行语义编码以得到隐性条件数据项语义编码特征向量的序列；
农业用户硬性-隐性数据项语义融合模块，用于对所述硬性条件数据项语义编码特征向量的序列和所述隐性条件数据项语义编码特征向量的序列进行特征交互融合以得到硬性-隐性数据项语义融合特征；
农业用户违约风险评估模块，用于基于所述硬性-隐性数据项语义融合特征，确定农业用户的违约风险等级标签。
第二方面，提供了一种基于大数据的农业用户信贷决策支持方法，其包括：
获取农业用户的硬性条件数据和隐性条件数据；
分别对所述硬性条件数据中的各个数据项进行语义编码以得到硬性条件数据项语义编码特征向量的序列；
分别对所述隐性条件数据中的各个数据项进行语义编码以得到隐性条件数据项语义编码特征向量的序列；
对所述硬性条件数据项语义编码特征向量的序列和所述隐性条件数据项语义编码特征向量的序列进行特征交互融合以得到硬性-隐性数据项语义融合特征；
基于所述硬性-隐性数据项语义融合特征，确定农业用户的违约风险等级标签。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，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为根据本申请实施例的基于大数据的农业用户信贷决策支持系统的框图。
图2为根据本申请实施例的基于大数据的农业用户信贷决策支持方法的流程图。
图3为根据本申请实施例的基于大数据的农业用户信贷决策支持方法架构的示意图。
图4为根据本申请实施例的基于大数据的农业用户信贷决策支持系统的应用场景图。
具体实施方式
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描述，显然，所描述的实施例是本申请一部分实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图1为根据本申请实施例的基于大数据的农业用户信贷决策支持系统的框图。如图1所示，根据本申请实施例的基于大数据的农业用户信贷决策支持系统100，包括：农业用户数据采集模块110，用于获取农业用户的硬性条件数据和隐性条件数据；农业用户硬性条件语义理解模块120，用于分别对所述硬性条件数据中的各个数据项进行语义编码以得到硬性条件数据项语义编码特征向量的序列；农业用户隐性条件语义理解模块130，用于分别对所述隐性条件数据中的各个数据项进行语义编码以得到隐性条件数据项语义编码特征向量的序列；农业用户硬性-隐性数据项语义融合模块140，用于对所述硬性条件数据项语义编码特征向量的序列和所述隐性条件数据项语义编码特征向量的序列进行特征交互融合以得到硬性-隐性数据项语义融合特征；农业用户违约风险评估模块150，用于基于所述硬性-隐性数据项语义融合特征，确定农业用户的违约风险等级标签。
应可以理解，农业用户的信贷数据通常包括硬性条件数据和隐性调节数据，其中，硬性条件数据，包括：农业用户的信用记录：包括过去的贷款记录、还款能力、信用评级等；农业用户的收入和财务状况：包括年收入、资产负债表、现金流量等；农业用户的经营历史和经验：包括经营年限、农业经验、行业认可等；农业用户的土地所有权和使用权：包括土地证书、租赁合同等相关文件；农业用户的市场前景和销售渠道：包括产品市场需求、销售渠道、合作伙伴等。隐性条件数据，包括：农业用户的经验和专业知识：包括农业经验、技术水平、专业培训等；农业用户的管理能力和决策能力：包括农业生产管理、市场营销策略、风险管理等；农业用户的创新能力和适应能力：包括农业技术创新、适应市场变化、应对灾害等；农业用户的人际关系和合作能力：包括与供应商、合作伙伴、农业社区等的关系；农业用户的市场前景和销售渠道：包括产品市场需求、销售渠道、合作伙伴等。特别地，通过对这些数据的综合考虑可以帮助金融机构评估农业用户的信用状况、还款能力、经营能力和市场竞争力。硬性条件数据提供了客观的财务和经营信息，而隐性条件数据则提供了更多关于农业用户的个人素质、能力和潜力的信息。综合考虑这些数据可以更准确地评估农业用户的信贷风险和潜在回报，从而做出更明智的信贷决策。
基于此，在本申请的技术方案中，提出了一种基于大数据的农业用户信贷决策支持系统，其能够通过利用大数据技术获取和分析农业用户贷款主体的硬性条件数据和隐性条件数据，构建预测判定模型，实现对农业用户信贷风险的多维度评估，并根据评估结果对农业用户进行违约风险分级，为金融机构提供信贷决策的支持。
具体地，在本申请的技术方案中，首先，获取农业用户的硬性条件数据和隐性条件数据。应可以理解，通过对于农业用户的硬性条件数据和隐性条件数据进行分析可以帮助金融机构评估农业用户的信用状况、还款能力、经营能力和市场竞争力。值得一提的是，这里，所述硬性条件数据提供了客观的财务和经营信息，而所述隐性条件数据则提供了更多关于农业用户的个人素质、能力和潜力的信息。综合考虑这些数据可以更准确地评估农业用户的信贷风险和潜在回报，从而帮助金融机构做出更明智的信贷决策。
然后，考虑到由于所述硬性调节数据包括农业用户的信用记录，农业用户的收入和财务状况，农业用户的经营历史和经验，农业用户的土地所有权和使用权：包括土地证书、租赁合同等相关文件和农业用户的市场前景和销售渠道，为了能够对于所述硬性条件数据中的各个数据项进行语义理解和分析以更好地表示和表达各个数据项的含义，以便后续的农业用户违约风险分类任务，在本申请的技术方案中，进一步分别对所述硬性条件数据中的各个数据项进行语义编码以得到硬性条件数据项语义编码特征向量的序列。
在本申请的一个具体实施例中，所述农业用户硬性条件语义理解模块，用于：使用所述硬性条件语义编码器的词嵌入层对所述硬性条件数据中的各个数据项进行向量嵌入化以得到所述硬性条件数据项语义编码特征向量的序列。
接着，还考虑到由于所述隐性条件数据包括农业用户的经验和专业知识、农业用户的管理能力和决策能力、农业用户的创新能力和适应能力、农业用户的人际关系和合作能力和农业用户的市场前景和销售渠道，为了能够对于所述隐性条件数据中的各个数据项进行语义理解和分析以更好地表示和表达各个数据项的语义含义，以便后续的农业用户违约风险分类任务，在本申请的技术方案中，进一步分别对所述隐性条件数据中的各个数据项进行语义编码以得到隐性条件数据项语义编码特征向量的序列。
在本申请的一个具体实施例中，所述农业用户隐性条件语义理解模块，包括：使用所述隐性条件语义编码器的词嵌入层对所述隐性条件数据中的各个数据项进行向量嵌入化以得到所述隐性条件数据项语义编码特征向量的序列。
进一步地，由于硬性条件数据提供了客观的财务和经营信息，而隐性条件数据则提供了更多关于农业用户的个人素质、能力和潜力的信息。这些数据可以帮助金融机构评估农业用户的信用状况、还款能力、经营能力和市场竞争力，综合考虑这些数据可以更准确地评估农业用户的信贷风险和潜在回报，从而做出更明智的信贷决策。因此，在得到所述硬性条件数据项语义编码特征向量的序列和所述隐性条件数据项语义编码特征向量的序列后，需要融合所述硬性条件的各个数据项语义特征和所述隐性条件的各个数据项语义特征。基于此，在本申请的技术方案中，进一步将所述硬性条件数据项语义编码特征向量的序列和所述隐性条件数据项语义编码特征向量的序列通过基于门机制注意力模型的特征交互融合单元进行融合，以得到硬性-隐性数据项语义融合特征向量，从而提升融合语义的表达效果。特别地，这里，在特征交互融合过程中，基于门机制的注意力模型可以自动学习不同特征之间的关联和重要性。通过计算注意力权重，模型可以确定硬性条件数据项和隐性条件数据项之间的相关性，并根据其对全局语义的贡献程度来调整特征的权重。这样做的好处是可以将更多的注意力放在对于融合语义有贡献的特征上，从而提高融合特征向量的表达能力，使得所述硬性-隐性数据项语义融合特征向量对于融合语义的表达效果得到提升。
在本申请的一个具体实施例中，所述农业用户硬性-隐性数据项语义融合模块，用于：将所述硬性条件数据项语义编码特征向量的序列和所述隐性条件数据项语义编码特征向量的序列通过基于门机制注意力模型的特征交互融合单元以得到硬性-隐性数据项语义融合特征向量作为所述硬性-隐性数据项语义融合特征。
进一步地，所述农业用户硬性-隐性数据项语义融合模块，包括：重要度计算单元，用于计算所述硬性条件数据项语义编码特征向量的序列中的各个硬性条件数据项语义编码特征向量相对于所述隐性条件数据项语义编码特征向量的序列的重要程度以得到重要程度向量的序列；权重分配修正单元，用于基于所述重要程度向量的序列和所述隐性条件数据项语义编码特征向量的序列对所述硬性条件数据项语义编码特征向量的序列进行权重分配修正以得到修正后硬性条件数据项语义编码特征向量的序列；语义交互融合单元，用于基于所述隐性条件数据项语义编码特征向量的序列，对所述修正后硬性条件数据项语义编码特征向量的序列进行基于注意力的上下文编码处理以得到所述硬性-隐性数据项语义融合特征向量。
继而，再将所述硬性-隐性数据项语义融合特征向量通过分类器以得到分类结果，所述分类结果用于表示农业用户的违约风险等级标签。也就是说，利用所述农业用户的硬性条件语义特征和隐性条件语义特征之间的交互融合特征信息来进行分类处理，以此来实现对农业用户信贷风险的多维度评估，并根据评估结果对农业用户进行违约风险分级，为金融机构提供信贷决策的支持。
在本申请的一个具体实施例中，所述农业用户违约风险评估模块，用于：将所述硬性-隐性数据项语义融合特征向量通过分类器以得到分类结果，所述分类结果用于表示农业用户的违约风险等级标签。
在本申请的一个实施例中，所述基于大数据的农业用户信贷决策支持系统，还包括用于对所述包含词嵌入层的硬性条件语义编码器、所述包含词嵌入层的隐性条件语义编码器、所述基于门机制注意力模型的特征交互融合单元和所述分类器进行训练的训练模块。所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括农业用户的训练硬性条件数据和训练隐性条件数据，以及，所述农业用户的违约风险等级标签的真实值；训练农业用户硬性条件语义编码单元，用于使用所述包含词嵌入层的硬性条件语义编码器分别对所述训练硬性条件数据中的各个数据项进行语义编码以得到训练硬性条件数据项语义编码特征向量的序列；训练农业用户隐性条件语义编码单元，用于使用所述包含词嵌入层的隐性条件语义编码器分别对所述训练隐性条件数据中的各个数据项进行语义编码以得到训练隐性条件数据项语义编码特征向量的序列；训练硬性调节-隐性调节语义交互融合单元，用于将所述训练硬性条件数据项语义编码特征向量的序列和所述训练隐性条件数据项语义编码特征向量的序列通过所述基于门机制注意力模型的特征交互融合单元以得到训练硬性-隐性数据项语义融合特征向量；特征优化单元，用于对所述训练硬性-隐性数据项语义融合特征向量进行了正则式优化以得到优化后训练硬性-隐性数据项语义融合特征向量；分类损失单元，用于将所述优化后训练硬性-隐性数据项语义融合特征向量通过所述分类器以得到分类损失函数值；模型训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含词嵌入层的硬性条件语义编码器、所述包含词嵌入层的隐性条件语义编码器、所述基于门机制注意力模型的特征交互融合单元和所述分类器进行训练。
其中，所述分类损失单元，用于：所述分类器以如下训练分类公式对所述优化后训练硬性-隐性数据项语义融合特征向量进行处理以生成训练分类结果，其中，所述训练分类公式为：，其中/>表示所述优化后训练硬性-隐性数据项语义融合特征向量，/>至/>为权重矩阵，/>至/>表示偏置矩阵；以及，计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
特别地，在本申请的技术方案中，这里，所述训练硬性条件数据项语义编码特征向量的序列和所述训练隐性条件数据项语义编码特征向量的序列分别表达所述训练硬性条件数据和所述训练隐性条件数据的编码文本语义，将其通过基于门机制注意力模型的特征交互融合单元后，可以基于文本的编码语义对于隐藏特征的贡献程度，即对于全局语义的相关性来进行特征权重调整，从而使得所述训练硬性-隐性数据项语义融合特征向量对于融合语义的表达效果得到提升。但是，这也会导致所述训练硬性-隐性数据项语义融合特征向量对于编码文本语义的表达相对于编码文本的语义维度存在较大偏移，影响所述训练硬性-隐性数据项语义融合特征向量通过分类器进行分类回归时的回归效率。
因此，本申请的申请人对所述训练硬性-隐性数据项语义融合特征向量进行了正则式优化，具体表示为：以如下优化公式对所述训练硬性-隐性数据项语义融合特征向量进行了正则式优化；其中，所述优化公式为：
其中，是所述训练硬性-隐性数据项语义融合特征向量的第/>个位置的特征值，/>是所述训练硬性-隐性数据项语义融合特征向量的所有特征值的全局均值，且/>是所述训练硬性-隐性数据项语义融合特征向量的最大特征值，/>是所述优化后训练硬性-隐性数据项语义融合特征向量的第/>个位置的特征值，/>表示以数值为幂的自然指数函数值。
也就是，通过应用基于软L1正则式的仿函数的概念，上述正则式优化基于所述训练硬性-隐性数据项语义融合特征向量的全局分布的参数向量式表征，来以分类回归概率的正则式表达模拟代价函数，从而对所述训练硬性-隐性数据项语义融合特征向量在高维特征空间内的特征流形表征对于分类回归概率下的基于分类器的权重矩阵的逐点回归特性进行建模，以捕获待分类特征经由分类器模型的参数空间在高维特征流形的场景几何形状下的参数平滑式优化轨迹，提高所述训练硬性-隐性数据项语义融合特征向量在分类概率回归下的训练效率。这样，能够通过利用大数据技术获取和分析农业用户贷款主体的硬性条件数据和隐性条件数据，以实现对农业用户信贷风险的多维度评估，并根据评估结果对农业用户进行违约风险分级，为金融机构提供信贷决策的支持。
在本申请的一个实施例中，当客户端进行信贷申请时，可通过客户端自住填入信息，同时可通过邀约客户经理上门办理信贷业务，或客户至柜台进行信贷业务办理，当客户录入模块检测到新客户信息录入时，则建立由客户姓名+身份证号命名的数据文件夹，并将对应客户信息存储数据文件夹内，通过无线信号传输至存储模块的临时库内，当客户签约时，则对应所属数据文件夹转移至系统库内进行加密存储。
当客户申请信贷并完成信息录入后，客户所属数据文件夹存入临时库内，若客户规定时间内未完成信贷签约，则临时库内对应所述数据文件夹自动销毁，确保客户信息保密性的同时，可清理临时库内的废弃数据，增加临时库的存储空间。
在本实施例中，存储模块配置为数据存储中心，可采用一个数据服务器或多个数据服务器来完成。
其中客户签约时间根据信贷企业规定时间设置。
在本申请实施例中，信贷数据仓库管理系统，其系统可通过一个具有处理器的计算机和信息存储机房实现，包括录入模块、存储模块和读取模块，多模块之间通过无线信号建立通信连接，通过信号无线信号建立多个模块之间的信号连接，其中无线信号包括5G通信、4G通信、无线网或局域网通信。
录入模块包括客户端录入、移动端录入和固定端录入，其中客户端录入配置为客户主动录入端口，移动端录入配置为客户经理移动智能设备录入端口，固定端录入配置为柜台录入端口，通过多端口录入，完成客户信息的收集。
存储模块配置为数据存储中心，存储模块包括多个临时库和一个系统库，多个临时库配置为临时数据存储模块，系统库配置为业务客户信息存储模块，系统库数据通过加密通信渠道进行存储，通过存储模块，可对客户信息数据进行临时存放及加密存放，其中加密存放方法可为嵌入式加密，为本领域人员所公知，再此不做赘述。
当临时库存储数据所属客户进行信贷签约，则其数据自动加密转入系统库，当临时库存储数据所属客户额定时间内未进行签约，则数据自动删除，根据临时库数据定时清理，从而减轻临时库的数据存储压力。
读取模块配置为数据读取通道，读取模块分别与临时库和系统库建立信号连接，读取模块与系统库之间的信号通道加载有权限审核模块，其中权限审核模块为现有技术，再次不做赘述。
读取模块与录入模块绑定安装。
录入模块包括文字信息录入、图像信息录入和视频信息录入，当录入模块创建录入通道时，根据通道录入文字信息创建所属信息存储文件夹，并将同一录入通道内录入信息归属于对应文件夹内，通过读取模块可获取客户登录申请端口的次数及客户主动上传的数据，从而获取客户信贷申请的基本数据。
当读取模块与录入模块同时加载于客户端时，对应客户端仅能读取临时库内本端口录入信息，当读取模块需要获取系统库内数据时，需活的所属客户本人授权，确保客户信息的保密性。
读取模块配置有主动读取模块和被动读取模块，主动读取模块配置为客户主动读取所属数据，被动读取模块为信贷风险评估被动获取所属客户信息，通过被动读取模块获取客户补充提交数据，完善所属信贷数据资料。
在进行信贷风险审核时，根据客户录入数据及历史数据完成数据的获取，其中数据包括必填数据和选填数据，必填数据包括：姓名、身份证号码、征信报告、收入证明、银行流水(或电子支付账单)、负债情况，选填数据包括：婚姻情况、家庭成员、固定资产、消费比重、超前消费次数、工作情况、社会关系等，当数据录入后，根据客户输入数据进行信贷风险审核，并根据信贷风险审核生成决策结果。
在本申请实施例中，信贷决策方法，包括上述的信贷数据仓库管理系统及如下步骤：
步骤1：数据录入，根据客户主动录入及被动获取数据，来获取客户所属信贷评估数据。
步骤2：数据审核，根据步骤1获取的客户所属信贷评估数据，对所属客户信贷风险进行评估。
步骤3：结果决策，根据步骤2数据评估审核结构判定信贷评估结构，完成所属客户的信贷评估决策。
步骤1数据录入包括数据仓库主动获取数据和客户补充数据，数据录入包括必填数据和选填数据。
步骤2数据审核包括数据汇总、数据比对及阈值判定，其中数据汇总将步骤1所获取的录入数据及库数据进行汇总，生成所属信贷审核数据，数据比对根据信贷数据内容，对信贷风险进行评估，在信贷风险评估过程中，分为硬性条件评估和隐性条件评估。
步骤3结果决策根据步骤2的信贷数据评估结果，将评估所属信贷数据分为一类数据、二类数据和三类数据，其中一类数据为优质数据，二类数据为合格数据，三类数据为风险数据。
在本申请中，步骤2数据审核还包括如下步骤：
步骤21：将上传数据及系统数据进行汇总，生成信贷审核数据；
步骤22：根据数据汇总，进行信贷风险评估，评估过程分为硬性条件和隐性条件；
步骤23：根据设定阈值判定审核结果。
其中系统数据通过信贷数据仓库获取，上传数据为客户主动上传补充数据。
硬性条件包括：征信、收入、固定资产、工作稳定性(是否属于高风险工作)，社会守规(即客户违法、违规情况)等。
隐性条件包括：婚姻情况、家庭情况、风险承受能力、文化水平、配偶收入(已婚)、配偶征信情况(已婚)等。
在进行信贷风险评估时，硬性条件在评估中占比60％，隐性条件占比40％，根据评分结果将数据划分为一类数据、二类数据和三类数据，其中，一类数据信贷风险最低，为优质数据，二类数据中等风险，为合格数据，三类数据具有信贷风险，为风险数据。
分值计算方式如下：
信贷风险＝硬性分值60％+隐性条件/>40％
并根据最终得分对数据所属数据进行分级，完成对数据的等级划分，对所属分析数据信贷与否进行决策。
综上，基于本申请实施例的基于大数据的农业用户信贷决策支持系统100被阐明，其能够通过利用大数据技术获取和分析农业用户贷款主体的硬性条件数据和隐性条件数据，构建预测判定模型，实现对农业用户信贷风险的多维度评估，并根据评估结果对农业用户进行违约风险分级，为金融机构提供信贷决策的支持。
如上所述，根据本申请实施例的基于大数据的农业用户信贷决策支持系统 100可以实现在各种终端设备中，例如用于基于大数据的农业用户信贷决策支持的服务器等。在一个示例中，根据本申请实施例的基于大数据的农业用户信贷决策支持系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于大数据的农业用户信贷决策支持系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于大数据的农业用户信贷决策支持系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于大数据的农业用户信贷决策支持系统100与该终端设备也可以是分立的设备，并且该基于大数据的农业用户信贷决策支持系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中，图2为根据本申请实施例的基于大数据的农业用户信贷决策支持方法的流程图。图3为根据本申请实施例的基于大数据的农业用户信贷决策支持方法架构的示意图。如图2和图3所示，所述基于大数据的农业用户信贷决策支持方法，包括：210，获取农业用户的硬性条件数据和隐性条件数据；220，分别对所述硬性条件数据中的各个数据项进行语义编码以得到硬性条件数据项语义编码特征向量的序列；230，分别对所述隐性条件数据中的各个数据项进行语义编码以得到隐性条件数据项语义编码特征向量的序列；240，对所述硬性条件数据项语义编码特征向量的序列和所述隐性条件数据项语义编码特征向量的序列进行特征交互融合以得到硬性-隐性数据项语义融合特征；250，基于所述硬性-隐性数据项语义融合特征，确定农业用户的违约风险等级标签。
本领域技术人员可以理解，上述基于大数据的农业用户信贷决策支持方法中的各个步骤的具体操作已经在上面参考图1的基于大数据的农业用户信贷决策支持系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图4为根据本申请实施例的基于大数据的农业用户信贷决策支持系统的应用场景图。如图4所示，在该应用场景中，首先，获取农业用户的硬性条件数据（例如，如图4中所示意的C1）和隐性条件数据（例如，如图4中所示意的C2）；然后，将获取的硬性条件数据和隐性条件数据输入至部署有基于大数据的农业用户信贷决策支持算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于大数据的农业用户信贷决策支持算法对所述硬性条件数据和所述隐性条件数据进行处理，以确定农业用户的违约风险等级标签。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种基于大数据的农业用户信贷决策支持系统，其特征在于，包括：
农业用户数据采集模块，用于获取农业用户的硬性条件数据和隐性条件数据；
农业用户硬性条件语义理解模块，用于分别对所述硬性条件数据中的各个数据项进行语义编码以得到硬性条件数据项语义编码特征向量的序列；
农业用户隐性条件语义理解模块，用于分别对所述隐性条件数据中的各个数据项进行语义编码以得到隐性条件数据项语义编码特征向量的序列；
农业用户硬性-隐性数据项语义融合模块，用于对所述硬性条件数据项语义编码特征向量的序列和所述隐性条件数据项语义编码特征向量的序列进行特征交互融合以得到硬性-隐性数据项语义融合特征；
农业用户违约风险评估模块，用于基于所述硬性-隐性数据项语义融合特征，确定农业用户的违约风险等级标签；
所述系统还包括用于对包含词嵌入层的硬性条件语义编码器、包含词嵌入层的隐性条件语义编码器、基于门机制注意力模型的特征交互融合单元和分类器进行训练的训练模块；
所述训练模块，包括：
训练数据采集单元，用于获取训练数据，所述训练数据包括农业用户的训练硬性条件数据和训练隐性条件数据，以及，所述农业用户的违约风险等级标签的真实值；
训练农业用户硬性条件语义编码单元，用于使用所述包含词嵌入层的硬性条件语义编码器分别对所述训练硬性条件数据中的各个数据项进行语义编码以得到训练硬性条件数据项语义编码特征向量的序列；
训练农业用户隐性条件语义编码单元，用于使用所述包含词嵌入层的隐性条件语义编码器分别对所述训练隐性条件数据中的各个数据项进行语义编码以得到训练隐性条件数据项语义编码特征向量的序列；
训练硬性调节-隐性调节语义交互融合单元，用于将所述训练硬性条件数据项语义编码特征向量的序列和所述训练隐性条件数据项语义编码特征向量的序列通过所述基于门机制注意力模型的特征交互融合单元以得到训练硬性-隐性数据项语义融合特征向量；
特征优化单元，用于对所述训练硬性-隐性数据项语义融合特征向量进行了正则式优化以得到优化后训练硬性-隐性数据项语义融合特征向量；
分类损失单元，用于将所述优化后训练硬性-隐性数据项语义融合特征向量通过所述分类器以得到分类损失函数值；
模型训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含词嵌入层的硬性条件语义编码器、所述包含词嵌入层的隐性条件语义编码器、所述基于门机制注意力模型的特征交互融合单元和所述分类器进行训练；
以如下优化公式对所述训练硬性-隐性数据项语义融合特征向量进行了正则式优化；其中，所述优化公式为：其中，/>是所述训练硬性-隐性数据项语义融合特征向量的第/>个位置的特征值，/>是所述训练硬性-隐性数据项语义融合特征向量的所有特征值的全局均值，且/>是所述训练硬性-隐性数据项语义融合特征向量的最大特征值，/>是所述优化后训练硬性-隐性数据项语义融合特征向量的第/>个位置的特征值，/>表示以数值为幂的自然指数函数值。
2.根据权利要求1所述的基于大数据的农业用户信贷决策支持系统，其特征在于，所述农业用户硬性条件语义理解模块，用于：
使用所述硬性条件语义编码器的词嵌入层对所述硬性条件数据中的各个数据项进行向量嵌入化以得到所述硬性条件数据项语义编码特征向量的序列。
3.根据权利要求2所述的基于大数据的农业用户信贷决策支持系统，其特征在于，所述农业用户隐性条件语义理解模块，包括：
使用所述隐性条件语义编码器的词嵌入层对所述隐性条件数据中的各个数据项进行向量嵌入化以得到所述隐性条件数据项语义编码特征向量的序列。
4.根据权利要求3所述的基于大数据的农业用户信贷决策支持系统，其特征在于，所述农业用户硬性-隐性数据项语义融合模块，用于：将所述硬性条件数据项语义编码特征向量的序列和所述隐性条件数据项语义编码特征向量的序列通过基于门机制注意力模型的特征交互融合单元以得到硬性-隐性数据项语义融合特征向量作为所述硬性-隐性数据项语义融合特征。
5.根据权利要求4所述的基于大数据的农业用户信贷决策支持系统，其特征在于，所述农业用户硬性-隐性数据项语义融合模块，包括：
重要度计算单元，用于计算所述硬性条件数据项语义编码特征向量的序列中的各个硬性条件数据项语义编码特征向量相对于所述隐性条件数据项语义编码特征向量的序列的重要程度以得到重要程度向量的序列；
权重分配修正单元，用于基于所述重要程度向量的序列和所述隐性条件数据项语义编码特征向量的序列对所述硬性条件数据项语义编码特征向量的序列进行权重分配修正以得到修正后硬性条件数据项语义编码特征向量的序列；
语义交互融合单元，用于基于所述隐性条件数据项语义编码特征向量的序列，对所述修正后硬性条件数据项语义编码特征向量的序列进行基于注意力的上下文编码处理以得到所述硬性-隐性数据项语义融合特征向量。
6.根据权利要求5所述的基于大数据的农业用户信贷决策支持系统，其特征在于，所述农业用户违约风险评估模块，用于：将所述硬性-隐性数据项语义融合特征向量通过分类器以得到分类结果，所述分类结果用于表示农业用户的违约风险等级标签。
7.根据权利要求6所述的基于大数据的农业用户信贷决策支持系统，其特征在于，所述分类损失单元，用于：
所述分类器以如下训练分类公式对所述优化后训练硬性-隐性数据项语义融合特征向量进行处理以生成训练分类结果，其中，所述训练分类公式为：
，其中/>表示所述优化后训练硬性-隐性数据项语义融合特征向量，/>至/>为权重矩阵，/>至/>表示偏置矩阵；
以及计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
8.一种基于大数据的农业用户信贷决策支持方法，其特征在于，包括：
获取农业用户的硬性条件数据和隐性条件数据；
分别对所述硬性条件数据中的各个数据项进行语义编码以得到硬性条件数据项语义编码特征向量的序列；
分别对所述隐性条件数据中的各个数据项进行语义编码以得到隐性条件数据项语义编码特征向量的序列；
对所述硬性条件数据项语义编码特征向量的序列和所述隐性条件数据项语义编码特征向量的序列进行特征交互融合以得到硬性-隐性数据项语义融合特征；
基于所述硬性-隐性数据项语义融合特征，确定农业用户的违约风险等级标签；
所述方法还包括：对包含词嵌入层的硬性条件语义编码器、所述包含词嵌入层的隐性条件语义编码器、基于门机制注意力模型的特征交互融合单元和分类器进行训练的训练步骤；
所述训练步骤，包括：
获取训练数据，所述训练数据包括农业用户的训练硬性条件数据和训练隐性条件数据，以及，所述农业用户的违约风险等级标签的真实值；
使用所述包含词嵌入层的硬性条件语义编码器分别对所述训练硬性条件数据中的各个数据项进行语义编码以得到训练硬性条件数据项语义编码特征向量的序列；
使用所述包含词嵌入层的隐性条件语义编码器分别对所述训练隐性条件数据中的各个数据项进行语义编码以得到训练隐性条件数据项语义编码特征向量的序列；
将所述训练硬性条件数据项语义编码特征向量的序列和所述训练隐性条件数据项语义编码特征向量的序列通过所述基于门机制注意力模型的特征交互融合单元以得到训练硬性-隐性数据项语义融合特征向量；
对所述训练硬性-隐性数据项语义融合特征向量进行了正则式优化以得到优化后训练硬性-隐性数据项语义融合特征向量；
将所述优化后训练硬性-隐性数据项语义融合特征向量通过所述分类器以得到分类损失函数值；
基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含词嵌入层的硬性条件语义编码器、所述包含词嵌入层的隐性条件语义编码器、所述基于门机制注意力模型的特征交互融合单元和所述分类器进行训练；
以如下优化公式对所述训练硬性-隐性数据项语义融合特征向量进行了正则式优化；其中，所述优化公式为：
其中，/>是所述训练硬性-隐性数据项语义融合特征向量的第/>个位置的特征值，/>是所述训练硬性-隐性数据项语义融合特征向量的所有特征值的全局均值，且/>是所述训练硬性-隐性数据项语义融合特征向量的最大特征值，/>是所述优化后训练硬性-隐性数据项语义融合特征向量的第/>个位置的特征值，/>表示以数值为幂的自然指数函数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311499465.1A CN117252689B (zh) | 2023-11-13 | 2023-11-13 | 基于大数据的农业用户信贷决策支持方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311499465.1A CN117252689B (zh) | 2023-11-13 | 2023-11-13 | 基于大数据的农业用户信贷决策支持方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117252689A CN117252689A (zh) | 2023-12-19 |
| CN117252689B true CN117252689B (zh) | 2024-02-13 |
Family
ID=89133500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311499465.1A Active CN117252689B (zh) | 2023-11-13 | 2023-11-13 | 基于大数据的农业用户信贷决策支持方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252689B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117670527B (zh) * | 2024-02-02 | 2024-04-09 | 北京佳格天地科技有限公司 | 基于地块数据的农户贷款授信额度确定方法及系统 |
| CN117710096B (zh) * | 2024-02-05 | 2024-04-16 | 北京佳格天地科技有限公司 | 基于地块信息的农业贷款的贷后风险监测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361259A (zh) * | 2021-06-04 | 2021-09-07 | 浙江工业大学 | 一种服务流程抽取方法 |
| CN115293910A (zh) * | 2022-08-04 | 2022-11-04 | 杭州衡泰技术股份有限公司 | 基于金融大数据的企业现金流智能评级系统 |
| CN115983972A (zh) * | 2022-09-21 | 2023-04-18 | 上海磐农信息科技有限公司 | 农业领域风控模型的构建方法 |
| CN116308754A (zh) * | 2023-03-22 | 2023-06-23 | 广州信瑞泰信息科技有限公司 | 一种银行信贷风险预警系统及其方法 |
| CN116564355A (zh) * | 2023-05-29 | 2023-08-08 | 西安电子科技大学 | 一种基于自注意力机制融合的多模态情感识别方法、系统、设备及介质 |
| CN116777608A (zh) * | 2023-08-25 | 2023-09-19 | 北京佳格天地科技有限公司 | 基于大数据的农业金融风险监管系统、方法及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8799150B2 (en) * | 2009-09-30 | 2014-08-05 | Scorelogix Llc | System and method for predicting consumer credit risk using income risk based credit score |
-
2023
- 2023-11-13 CN CN202311499465.1A patent/CN117252689B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361259A (zh) * | 2021-06-04 | 2021-09-07 | 浙江工业大学 | 一种服务流程抽取方法 |
| CN115293910A (zh) * | 2022-08-04 | 2022-11-04 | 杭州衡泰技术股份有限公司 | 基于金融大数据的企业现金流智能评级系统 |
| CN115983972A (zh) * | 2022-09-21 | 2023-04-18 | 上海磐农信息科技有限公司 | 农业领域风控模型的构建方法 |
| CN116308754A (zh) * | 2023-03-22 | 2023-06-23 | 广州信瑞泰信息科技有限公司 | 一种银行信贷风险预警系统及其方法 |
| CN116564355A (zh) * | 2023-05-29 | 2023-08-08 | 西安电子科技大学 | 一种基于自注意力机制融合的多模态情感识别方法、系统、设备及介质 |
| CN116777608A (zh) * | 2023-08-25 | 2023-09-19 | 北京佳格天地科技有限公司 | 基于大数据的农业金融风险监管系统、方法及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117252689A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12014253B2 (en) | System and method for building predictive model for synthesizing data | |
| CN117252689B (zh) | 基于大数据的农业用户信贷决策支持方法及系统 | |
| Zhang et al. | A credit risk assessment model based on SVM for small and medium enterprises in supply chain finance | |
| Paleologo et al. | Subagging for credit scoring models | |
| Thomas et al. | A survey of the issues in consumer credit modelling research | |
| US20150026035A1 (en) | Data analytics model for loan treatment | |
| EP2506207A1 (en) | Computer system, computer-implemented method and computer program product for managing operations of a system | |
| US7970640B2 (en) | Purchasing optimization system | |
| WO2020035075A1 (zh) | 在数据隐私保护下执行机器学习的方法和系统 | |
| Liu et al. | Can listing information indicate borrower credit risk in online peer-to-peer lending? | |
| US10984446B1 (en) | Method and system for predicting relevant offerings for users of data management systems using machine learning processes | |
| Alles et al. | Reporting 4.0: Business reporting for the age of mass customization | |
| Gao et al. | Research on Default Prediction for Credit Card Users Based on XGBoost‐LSTM Model | |
| Ashofteh et al. | A non-parametric-based computationally efficient approach for credit scoring | |
| Ngoc Hung et al. | Factors affecting the quality of financial statements from an audit point of view: A machine learning approach | |
| CN116993490B (zh) | 一种基于人工智能的银行场景自动处理方法及系统 | |
| Hasheminejad et al. | Data mining techniques for analyzing bank customers: A survey | |
| US20230186385A1 (en) | Computer-implemented system and method of facilitating artificial intelligence based lending strategies and business revenue management | |
| Jurgovsky | Context-aware credit card fraud detection | |
| Fu et al. | An Alternative Credit Scoring System in China's Consumer Lending Market: A System Based on Digital Footprint Data | |
| Yan et al. | A Deep Machine Learning‐Based Assistive Decision System for Intelligent Load Allocation under Unknown Credit Status | |
| Yu | [Retracted] Big Data Analytics and Discrete Choice Model for Enterprise Credit Risk Early Warning Algorithm | |
| Liu et al. | Unobservable risks in mortgage contract choice | |
| CN117372132B (zh) | 用户信用评分的生成方法、装置、计算机设备和存储介质 | |
| Dai et al. | Financial Risk Early‐Warning of Neusoft Group Based on Support Vector Machine |
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 |