CN118096359A - 基于金融信贷场景的信用评价方法及装置 - Google Patents
基于金融信贷场景的信用评价方法及装置 Download PDFInfo
- Publication number
- CN118096359A CN118096359A CN202410493354.8A CN202410493354A CN118096359A CN 118096359 A CN118096359 A CN 118096359A CN 202410493354 A CN202410493354 A CN 202410493354A CN 118096359 A CN118096359 A CN 118096359A
- Authority
- CN
- China
- Prior art keywords
- model
- credit
- indexes
- index
- user
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 176
- 238000003058 natural language processing Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 26
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 6
- 230000003542 behavioural effect Effects 0.000 description 5
- 239000000872 buffer Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种基于金融信贷场景的信用评价方法及装置,涉及人工智能领域,方法包括:接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标,其中,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种;根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表;本申请能够有效提高信用评价的准确性和实用性。
Description
技术领域
本申请涉及人工智能领域,具体涉及一种基于金融信贷场景的信用评价方法及装置。
背景技术
在金融和商业领域,信用评价一直是决策和风险管理中的核心环节。然而,传统信用评价方法往往过于通用,无法充分满足不同场景和行业的个性化需求,导致了在特定环境下难以准确评估个体或实体的信用状况。
传统的信用评价方法主要依赖于一般性的评估标准和算法,这些标准难以适应不同行业和特殊情境的需要。例如,传统方法可能无法充分考虑到某些特定行业的经营模式、市场动态或者特殊风险因素,从而降低了评价的准确性和实用性。这使得传统信用评价方法在个性化场景下的应用受到了限制。
在当前商业和金融环境中,个性化的信用评价需求日益凸显。不同行业、不同地区以及不同交易场景下,对信用的要求和考量因素都可能存在显著差异。因此,现有技术中缺乏一种方法,能够根据特定场景的要求,自定义信用评价的标准和算法,使其更加符合实际应用的需要。
发明内容
针对现有技术中的问题,本申请提供一种基于金融信贷场景的信用评价方法及装置,能够有效提高信用评价的准确性和实用性。
为了解决上述问题中的至少一个,本申请提供以下技术方案:
第一方面,本申请提供一种基于金融信贷场景的信用评价方法,包括:
接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;
根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标,其中,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种;
根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表;
接收所述用户基于所述智能推荐列表发送的模型指标选择指令,并根据所述模型指标选择指令对应的模型指标获取相应的金融信贷数据并生成信用评价报告。
进一步地,在所述根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词之前,包括:
通过已添加有业务领域标签和关键特征词标签的历史请求数据集对预设预训练的自然语言处理模型进行模型调优,得到对应的损失函数;
根据最小化的所述损失函数更新模型参数,得到预训练的自然语言处理模型。
进一步地,所述接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词,包括:
接收用户发送的信用评价请求,其中,所述信用评价请求中包含有所述用户的业务需求;
根据预训练的自然语言处理模型对所述业务需求进行文本分类,确定对应的业务领域,根据所述预训练的自然语言处理模型对所述业务需求进行实体抽取,确定对应的关键特征词。
进一步地, 所述根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标,其中,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种,包括:
根据所述业务领域和预设映射表确定对应的领域知识图谱;
定位所述关键特征词在所述领域知识图谱中相关联的知识图谱节点,确定对应的多个模型指标,其中,所述知识图谱节点包含有多个预设模型指标,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种。
进一步地,所述根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表,包括:
根据各所述模型指标与所述信用评价请求的指标数据之间的线性关系,确定对应的指标相关性;
根据所述指标相关性、所述多个模型指标的业务优先级、所述用户的历史推荐数据以及设定内容推荐算法,确定对应的模型指标并生成智能推荐列表。
进一步地,所述根据所述指标相关性、所述多个模型指标的业务优先级、所述用户的历史推荐数据以及设定内容推荐算法,确定对应的模型指标并生成智能推荐列表,包括:
将所述用户的历史推荐数据表示为用户特征向量,根据所述指标相关性确定对应的指标特征向量,并根据所述多个模型指标的业务优先级确定各所述指标特征向量的分配权重;
根据所述用户特征向量和所述指标特征向量,确定对应的模型指标并生成智能推荐列表。
进一步地,所述根据所述模型指标选择指令对应的模型指标获取相应的金融信贷数据并生成信用评价报告,包括:
根据所述模型指标选择指令对应的模型指标确定对应的指标数据源,并从所述指标数据源中获取相应的金融信贷数据;
通过预设信用评分规则和所述金融信贷数据确定对应的信用评分并根据所述信用评分和所述金融信贷数据生成信用评价报告。
第二方面,本申请提供一种基于金融信贷场景的信用评价装置,包括:
语义分析模块,用于接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;
模型指标确定模块,用于根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标,其中,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种;
推荐列表确定模块,用于根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表;
评价报告生成模块,用于接收所述用户基于所述智能推荐列表发送的模型指标选择指令,并根据所述模型指标选择指令对应的模型指标获取相应的金融信贷数据并生成信用评价报告。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于金融信贷场景的信用评价方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的基于金融信贷场景的信用评价方法的步骤。
第五方面,本申请提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现所述的基于金融信贷场景的信用评价方法的步骤。
由上述技术方案可知,本申请提供一种基于金融信贷场景的信用评价方法及装置,通过接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标;根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表,由此能够有效提高信用评价的准确性和实用性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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为本申请实施例中的基于金融信贷场景的信用评价方法的流程示意图之一;
图2为本申请实施例中的基于金融信贷场景的信用评价方法的流程示意图之二;
图3为本申请实施例中的基于金融信贷场景的信用评价方法的流程示意图之三;
图4为本申请实施例中的基于金融信贷场景的信用评价方法的流程示意图之四;
图5为本申请实施例中的基于金融信贷场景的信用评价方法的流程示意图之五;
图6为本申请实施例中的基于金融信贷场景的信用评价方法的流程示意图之六;
图7为本申请实施例中的基于金融信贷场景的信用评价方法的流程示意图之七;
图8为本申请实施例中的基于金融信贷场景的信用评价装置的结构图;
图9为本申请实施例中的电子设备的结构示意图。
附图标记:
电子设备9600、中央处理器9100、存储器9140、通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170、缓冲存储器9141、应用/功能存储部9142、数据存储部9143、驱动程序存储部9144、天线9111、扬声器9131、麦克风9132。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,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作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。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
考虑到现有技术中个性化的信用评价需求日益凸显。不同行业、不同地区以及不同交易场景下,对信用的要求和考量因素都可能存在显著差异的问题,本申请提供一种基于金融信贷场景的信用评价方法及装置,通过接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标;根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表,由此能够有效提高信用评价的准确性和实用性。
为了能够有效提高信用评价的准确性和实用性,本申请提供一种基于金融信贷场景的信用评价方法的实施例,参见图1,所述基于金融信贷场景的信用评价方法具体包含有如下内容:
步骤S101:接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;
可选的,本实施例中首先接收用户提交的信用评价请求。用户可能提供了一段描述性文本,其中包含与信用状况相关的信息,如贷款需求、信用卡使用记录等。接下来,本实施例运用预训练的自然语言处理模型,对用户的信用评价请求进行深度语义分析。这一模型通过大量训练数据学得语言结构、上下文关系和业务特征,从而能够准确理解用户的表达意图。
通过语义分析,本实施例能够精准地提取出业务领域和关键特征词。例如,用户可能提交了这样的请求:“基于我最近一年的信用卡账单和还款记录,评估我的信用状况。”系统通过语义分析能够确定业务领域为信用卡相关评估,并提取出关键特征词:“最近一年”、“信用卡账单”、“还款记录”。这一步骤的目的在于确保系统充分理解用户的请求,为后续的信用评价流程提供明确的业务方向和关键信息。
举例来说,假设用户提交了以下信用评价请求:“请根据我的消费习惯和征信报告,评估我购车贷款的信用可行性。”在这个场景中,系统通过步骤S101对用户请求进行语义分析,识别到业务领域为购车贷款信用评估,关键特征词包括“消费习惯”和“征信报告”。这一语义分析的结果使系统能够深入了解用户需求,为后续的信用评价提供了有针对性的方向。在这个例子中,本实施例将根据用户的消费习惯和征信报告,提供关于购车贷款信用可行性的详细评估,以满足用户的具体需求。
步骤S102:根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标,其中,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种;
可选的,本实施例中根据前一步骤得到的业务领域和关键特征词,进一步深入领域知识图谱的应用,以便为信用评价提供更加具体的模型指标。
具体的,首先,本实施例将明确业务领域,例如购车贷款信用评估。根据这一领域的特定需求,本实施例将选择相应的领域知识图谱,该图谱包含了与购车贷款信用评估相关的重要信息,如财务状况、购车行为等。
接下来,本实施例将根据关键特征词,从领域知识图谱中选取多个模型指标。这些指标将涵盖财务、行为和社会关系方面,以全面评估用户的信用状况。
具体来说:
财务指标:本实施例可以选择用户的年收入、支出模式以及与购车相关的财务数据,以综合评估其经济实力和偿还能力。
行为指标:本实施例可以考虑用户的还款历史、信用卡使用方式等行为特征,以了解其在贷款方面的信用行为和偏好。
社会关系指标:如果领域知识图谱中包含有关用户社交网络的信息,本实施例可以选择与购车相关的社会关系指标,例如与汽车销售商的联系频率或社交媒体上的互动。
通过综合考虑这些财务、行为和社会关系指标,本实施例能够建立一个更为全面的信用评价模型,更好地满足用户的具体需求。
这一步骤的关键在于根据业务领域和用户提供的关键特征词,有针对性地选择领域知识和模型指标,为信用评价提供丰富而准确的信息基础。
举例来说,考虑用户提交的信用评价请求:“请根据我的购车记录和财务状况,评估我申请汽车贷款的信用可行性。”在这个场景中,本实施例通过步骤S101的语义分析已确认业务领域为汽车贷款信用评估,并提取了关键特征词“购车记录”和“财务状况”。
接下来,在步骤S102,本实施例根据该业务领域选择了与汽车贷款信用评估相关的领域知识图谱。从这个图谱中,本实施例选择了多个模型指标:
1、财务指标:
年收入:通过用户的财务记录确定用户的年度总收入。
支出模式:分析用户的开支方式,包括固定费用和可变费用。
2、行为指标:
购车记录:用户过去购车的历史,包括车型、购车途径等。
还款历史:用户在先前的贷款交易中的还款表现。
3、社会关系指标:
与汽车销售商的联系频率:用户与汽车销售商的互动频率,可以反映购车意向。
在社交媒体上与汽车相关话题的互动:用户在社交媒体上与汽车相关话题的参与程度。
通过这些模型指标,本实施例能够全面评估用户的信用可行性,从财务、行为和社会关系三个维度深入了解用户的信用状况,为最终的信用评价提供了更为细致和全面的信息。
步骤S103:根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表;
可选的,本实施例可以选择适用于信用评价场景的模型推荐算法。例如涉及机器学习算法、深度学习方法。该算法将在后续过程中用于确定最终的模型指标和生成智能推荐列表。
可选的,本实施例将分析多个模型指标与用户信用评价请求的具体指标之间的相关性。这有助于确定哪些模型指标对于当前信用评价是最为关键的,从而更准确地满足用户的需求。根据业务需求和特定场景,本实施例会设定多个模型指标的业务优先级。例如,在汽车贷款场景中,用户的财务状况可能比社会关系更为重要。业务优先级的设定有助于在生成推荐列表时更好地权衡不同指标的影响。本实施例还可以考虑用户过去的信用评价历史和推荐反馈数据。这有助于个性化推荐,根据用户过去的喜好和反馈,提供更符合其需求和习惯的信用评价结果。
举例来说,假设用户请求是:“请根据我的购车记录和财务状况,评估我申请汽车贷款的信用可行性。”在这个场景中,本实施例通过前两个步骤确定了相关的领域知识和模型指标。在步骤S103中,本实施例利用设定的模型推荐算法,分析购车记录、财务状况等模型指标与用户请求的关联性和业务优先级,考虑用户的历史推荐数据,最终生成了智能推荐列表。
这个列表将包括建议的信用评价模型、具体的评估指标以及可能的改进建议。通过智能推荐,本实施例能够更好地满足用户的信用评价需求,提供个性化、精准的建议。
步骤S104:接收所述用户基于所述智能推荐列表发送的模型指标选择指令,并根据所述模型指标选择指令对应的模型指标获取相应的金融信贷数据并生成信用评价报告。
可选的,本实施例中,用户将基于智能推荐列表中的建议,选择特定的模型指标,以定制个性化的信用评价方案。这一指令可以涵盖用户对特定财务、行为和社会关系指标的关注程度。本实施例根据用户的选择,与金融机构或信用报告机构进行交互,获取与选择的模型指标相关的金融信贷数据。这可能包括用户的财务账单、信用卡还款记录、购车历史等信息。基于获取的金融信贷数据和用户选择的模型指标,本实施例将生成最终的信用评价报告。这份报告将包括对用户信用状况的全面评估,提供各个模型指标的具体分析和建议。报告可能还包括信用评分、风险评估等信息,以满足用户对信用状况的详细需求。
举例来说,用户收到智能推荐列表后,本实施例建议了财务指标(如年收入、支出模式)、行为指标(如购车记录、还款历史)、社会关系指标(如与汽车销售商的联系频率)等。用户通过应用程序或其他界面选择了关注年收入和购车记录两个模型指标。
本实施例在接收到用户的模型指标选择指令后,与相关金融机构协商,获取了用户的财务账单和购车历史数据。基于这些数据和用户选择的模型指标,本实施例生成了个性化的信用评价报告,其中包括了年收入和购车记录的详细分析、评分和建议。
这个例子展示了本实施例如何根据用户的定制选择,获取相关金融信贷数据,并生成具体的信用评价报告,从而满足用户对信用评价的个性需求。
从上述描述可知,本申请实施例提供的基于金融信贷场景的信用评价方法,能够通过接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标;根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表,由此能够有效提高信用评价的准确性和实用性。
在本申请的基于金融信贷场景的信用评价方法的一实施例中,参见图2,还可以具体包含如下内容:
步骤S201:通过已添加有业务领域标签和关键特征词标签的历史请求数据集对预设预训练的自然语言处理模型进行模型调优,得到对应的损失函数;
步骤S202:根据最小化的所述损失函数更新模型参数,得到预训练的自然语言处理模型。
可选的,本实施例中,本实施例致力于优化预设的自然语言处理模型,以更好地适应信用评价领域的语义分析任务。这一步骤的核心在于利用历史请求数据集,该数据集包含已标记的业务领域标签和关键特征词标签。通过引入这些标签信息,本实施例加强了模型对信用评价任务中关键信息的学习能力,提高了模型在特定业务场景下的表现。
具体的,首先准备一个历史请求数据集,其中包含了多个业务领域的请求,例如汽车贷款、房屋贷款等。每个请求都标有业务领域标签,明确指示了该请求所属的具体领域。此外,每个请求还包含关键特征词标签,用于标识请求中重要的特征,例如收入、还款历史等。
在模型调优的过程中,本实施例将这些标签信息添加到预设的预训练自然语言处理模型的训练数据中。这样,模型在训练过程中将同时考虑自然语言文本和标签信息,使得模型更具有区分不同业务领域和关键特征的能力。
为了达到最佳效果,本实施例采用了一种损失函数,该函数能够度量模型在业务领域标签和关键特征词标签上的预测准确性。通过对历史数据集进行多次训练迭代,本实施例得到了最优化的损失函数,这个损失函数将在步骤S202中用于模型参数的更新。
这一步骤的关键在于充分利用标签信息,通过模型调优提升语义分析能力,为后续的信用评价任务提供更加准确的语义理解基础。
例如,考虑历史请求数据集中的一部分样本:
请求1:业务领域 - 房屋贷款,关键特征词 - 月收入、信用分数
请求2:业务领域 - 个人信用卡,关键特征词 - 消费习惯、逾期记录
请求3:业务领域 - 汽车贷款,关键特征词 - 职业稳定性、贷款额度
在模型调优过程中,本实施例利用这些样本,结合业务领域和关键特征词标签,优化模型以更准确地预测和理解不同业务领域的关键特征。这样的调优有助于模型更好地适应信用评价领域的语义分析任务。
可选的,本实施例中,本实施例将利用步骤S201中得到的最优化损失函数,通过更新模型参数的方式,进一步提升预训练的自然语言处理模型。这一步骤旨在使模型更好地适应信用评价领域的语义分析任务,从而提高对业务领域和关键特征的准确识别。
具体的,本实施例根据步骤S201得到的损失函数,通过梯度下降等优化算法,更新预设的自然语言处理模型的参数。优化的目标是最小化损失函数,即使得模型在历史数据集上对业务领域和关键特征的标签预测更加准确。
更新模型参数的过程中,本实施例权衡了对业务领域和关键特征词的敏感性,以确保模型在信用评价场景下具有更高的语义表达能力。这个过程涉及多次迭代,每次迭代都通过损失函数的最小化来调整模型参数,直至达到最优的语义分析效果。
通过步骤S202,本实施例得到了一个在信用评价领域更为专业和准确的自然语言处理模型。这个模型将在后续步骤中发挥关键作用,为信用评价提供更为精准和个性化的语义理解支持。
例如,模型可能更加重视房屋贷款场景中的月收入和信用分数,以及个人信用卡场景中的消费习惯和逾期记录。这种更新使得模型在信用评价任务中更具专业性和准确性,更加敏感于关键特征,为后续的信用评价流程提供更为精准的语义理解支持。
在本申请的基于金融信贷场景的信用评价方法的一实施例中,参见图3,还可以具体包含如下内容:
步骤S301:接收用户发送的信用评价请求,其中,所述信用评价请求中包含有所述用户的业务需求;
步骤S302:根据预训练的自然语言处理模型对所述业务需求进行文本分类,确定对应的业务领域,根据所述预训练的自然语言处理模型对所述业务需求进行实体抽取,确定对应的关键特征词。
可选的,本实施例中,用户发送的信用评价请求可能包括以下信息:“我计划购买一辆新车,需要了解我在汽车贷款方面的信用状况。” 在这个例子中,用户的业务需求是了解汽车贷款的信用状况,本实施例将使用这一信息进行后续的文本分类和实体抽取。
可选的,本实施例使用预训练的自然语言处理模型对用户提交的信用评价请求进行文本分类。通过文本分类,本实施例能够确定请求所涉及的具体业务领域,例如汽车贷款。这一分类结果为本实施例后续的处理提供了明确的上下文,有助于更好地理解用户的信用评价需求。
接着,本实施例运用同一预训练模型对业务需求进行实体抽取。实体抽取的目标是识别业务需求中的关键特征词,如“汽车贷款”、“信用状况”等。这些关键特征词将在后续步骤中被用于构建详细的信用评价报告。
通过步骤S302,本实施例实现了对用户业务需求的深入语义分析,准确判定业务领域和提取关键特征词,为信用评价流程提供了具有实质性意义的语义理解基础。
在本申请的基于金融信贷场景的信用评价方法的一实施例中,参见图4,还可以具体包含如下内容:
步骤S401:根据所述业务领域和预设映射表确定对应的领域知识图谱;
步骤S402:定位所述关键特征词在所述领域知识图谱中相关联的知识图谱节点,确定对应的多个模型指标,其中,所述知识图谱节点包含有多个预设模型指标,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种。
可选的,本实施例可以根据用户信用评价请求中确定的业务领域,结合预设映射表,确定对应的领域知识图谱。领域知识图谱是一个包含了特定领域关键信息的结构化图形数据库,用于支持后续的信用评价模型构建。
例如,如果用户的业务领域是汽车贷款,本实施例将根据预设映射表选择与汽车贷款相关的领域知识图谱。该图谱可能包括与汽车贷款有关的财务、行为和社会关系等方面的信息,为信用评价提供了专业而详尽的领域知识。
可选的,本实施例中本实施例利用领域知识图谱,定位用户信用评价请求中提取的关键特征词,确定对应的知识图谱节点,并提取其中的多个模型指标。这些模型指标包括财务、行为和社会关系等方面的信息,为后续的信用评价模型提供了具体的数据支持。
举例来说,假设用户的信用评价请求包括关键特征词“月收入”和“信用分数”,本实施例将在领域知识图谱中定位与这两个特征词相关联的知识图谱节点。这些节点可能包含有关个人财务状况和信用评分的信息。本实施例将从这些节点中提取财务指标(如月收入)以及行为指标(如信用分数),为后续的信用评价提供具体的数据参考。
通过步骤S402,本实施例成功地将用户的关键特征词映射到领域知识图谱中,并从中获取多个模型指标,为信用评价流程的下一步骤提供了丰富而有针对性的领域知识支持。
在本申请的基于金融信贷场景的信用评价方法的一实施例中,参见图5,还可以具体包含如下内容:
步骤S501:根据各所述模型指标与所述信用评价请求的指标数据之间的线性关系,确定对应的指标相关性;
步骤S502:根据所述指标相关性、所述多个模型指标的业务优先级、所述用户的历史推荐数据以及设定内容推荐算法,确定对应的模型指标并生成智能推荐列表。
可选的,本实施例中,本实施例分析各模型指标与信用评价请求的指标数据之间的线性关系,以确定它们之间的相关性。这一步骤有助于量化各指标对信用评价的贡献程度,为后续的推荐模型构建提供权重设置的依据。
具体的,本实施例可以通过分析历史数据或领域专业知识,确定模型指标与信用评价请求指标之间的线性关系。例如,如果信用评价请求中包含了关键特征词“月收入”和“信用分数”,本实施例将分析这两个指标与历史信用评价数据中的其他相关指标(如负债情况、信用历史等)之间的线性关系。这些线性关系将用于后续确定模型指标的权重和相关性。
可选的,本实施例中,本实施例结合指标相关性、模型指标的业务优先级、用户的历史推荐数据以及设定的内容推荐算法,确定最终的模型指标,并生成智能推荐列表。这一步骤旨在提供个性化、业务相关的信用评价推荐。
本实施例考虑了不同模型指标之间的相关性,结合了业务领域的优先级以及用户历史推荐数据。通过设定内容推荐算法,本实施例确定了最适合用户信用评价请求的模型指标组合,以生成智能推荐列表。
例如,如果某用户历史上对于财务状况的关注程度更高,本实施例可以赋予“月收入”这一模型指标更高的权重,并结合其他相关指标生成智能推荐列表。这样的推荐列表将更贴近用户的关注点,提高了信用评价的个性化和针对性。
通过S502步骤,本实施例成功确定了模型指标的权重和相关性,生成了智能推荐列表,为用户提供了更具有个性化和实际业务意义的信用评价建议。
在本申请的基于金融信贷场景的信用评价方法的一实施例中,参见图6,还可以具体包含如下内容:
步骤S601:将所述用户的历史推荐数据表示为用户特征向量,根据所述指标相关性确定对应的指标特征向量,并根据所述多个模型指标的业务优先级确定各所述指标特征向量的分配权重;
步骤S602:根据所述用户特征向量和所述指标特征向量,确定对应的模型指标并生成智能推荐列表。
可选的,本实施例中,本实施例将用户的历史推荐数据表示为用户特征向量,并根据指标相关性确定对应的指标特征向量。随后,本实施例依据多个模型指标的业务优先级确定各指标特征向量的分配权重,为后续步骤提供了精确的数据基础。
具体的,本实施例首先将用户的历史推荐数据进行整理,形成用户特征向量。该向量包括了用户在历史推荐中关注的指标、反馈情况等信息,用于反映用户的偏好和重点关注领域。
接着,本实施例根据步骤S501中确定的指标相关性,建立了对应的指标特征向量。这一向量考虑了各个模型指标之间的线性关系,为后续的模型权重分配提供了依据。
最后,本实施例根据多个模型指标的业务优先级确定各指标特征向量的分配权重。例如,如果在信用评价中财务状况更为重要,本实施例可以为与财务相关的指标特征向量分配更高的权重,以更准确地反映用户关注的焦点。
可选的,本实施例中,本实施例利用用户特征向量和指标特征向量,确定最终的模型指标,并生成智能推荐列表。这一步骤旨在提供个性化、与用户历史偏好和信用评价请求相关的信用评价建议。
本实施例结合用户特征向量和指标特征向量,根据权重分配和相关性确定最终的模型指标。这些指标将反映用户的偏好和关注领域,并与信用评价请求相匹配。
生成的智能推荐列表将包含个性化、针对性的信用评价建议,涵盖了用户历史推荐数据中的关注点和反馈。这样的推荐列表不仅更具实际业务意义,也更能满足用户的个性化需求,提高了信用评价建议的贴合度。
通过S602步骤,本实施例成功结合用户历史推荐数据和信用评价请求,生成了智能推荐列表,为用户提供了更具个性化和实际业务意义的信用评价建议。
在本申请的基于金融信贷场景的信用评价方法的一实施例中,参见图7,还可以具体包含如下内容:
步骤S701:根据所述模型指标选择指令对应的模型指标确定对应的指标数据源,并从所述指标数据源中获取相应的金融信贷数据;
步骤S702:通过预设信用评分规则和所述金融信贷数据确定对应的信用评分并根据所述信用评分和所述金融信贷数据生成信用评价报告。
可选的,本实施例中,本实施例根据用户发出的模型指标选择指令,确定需要使用的具体模型指标,并进一步确定对应的指标数据源。随后,本实施例从这些指标数据源中获取相应的金融信贷数据,用于后续信用评价处理。
具体的,本实施例依据用户的模型指标选择指令,确定需要使用哪些具体的模型指标。例如,用户可能发出指令选择“信用评分”和“负债情况”两个模型指标。
接着,本实施例根据这些模型指标确定对应的指标数据源,这可能包括金融机构的数据库、信用报告机构的数据源等。例如,为了获取信用评分,本实施例可能会选择从信用报告机构的数据库中获取相应的信用分数数据。
最后,本实施例从确定的指标数据源中抓取相应的金融信贷数据,以用于后续信用评价的处理和计算。
可选的,本实施例中,本实施例利用预设的信用评分规则和从金融信贷数据源获取的数据,计算并确定对应的信用评分。随后,本实施例根据这一信用评分和金融信贷数据生成详细的信用评价报告。
本实施例首先根据预设的信用评分规则,结合从金融信贷数据源中获取的具体数据,进行信用评分的计算。这一计算可能涉及对不同模型指标的加权处理、阈值判定等。
接着,本实施例生成基于计算得到的信用评分的信用评价报告。该报告将包括用户的信用状况、建议的信用额度、信用风险等方面的详细信息。报告的生成可以依据业务规则、法规要求以及用户历史偏好等综合考虑。
通过S702步骤,本实施例成功地根据用户选择的模型指标获取金融信贷数据,计算信用评分,并生成了详尽的信用评价报告,为用户提供了全面的信用状况分析和建议。
为了能够有效提高信用评价的准确性和实用性,本申请提供一种用于实现所述基于金融信贷场景的信用评价方法的全部或部分内容的基于金融信贷场景的信用评价装置的实施例,参见图8,所述基于金融信贷场景的信用评价装置具体包含有如下内容:
语义分析模块10,用于接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;
模型指标确定模块20,用于根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标,其中,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种;
推荐列表确定模块30,用于根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表;
评价报告生成模块40,用于接收所述用户基于所述智能推荐列表发送的模型指标选择指令,并根据所述模型指标选择指令对应的模型指标获取相应的金融信贷数据并生成信用评价报告。
从上述描述可知,本申请实施例提供的基于金融信贷场景的信用评价装置,能够通过接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标;根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表,由此能够有效提高信用评价的准确性和实用性。
从硬件层面来说,为了能够有效提高信用评价的准确性和实用性,本申请提供一种用于实现所述基于金融信贷场景的信用评价方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(processor) 、存储器(memory) 、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现基于金融信贷场景的信用评价方法与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的基于金融信贷场景的信用评价方法的实施例,以及基于金融信贷场景的信用评价方法的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,基于金融信贷场景的信用评价方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图9为本申请实施例的电子设备9600的系统构成的示意框图。如图9所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图9是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,基于金融信贷场景的信用评价方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤S101:接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;
步骤S102:根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标,其中,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种;
步骤S103:根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表;
步骤S104:接收所述用户基于所述智能推荐列表发送的模型指标选择指令,并根据所述模型指标选择指令对应的模型指标获取相应的金融信贷数据并生成信用评价报告。
从上述描述可知,本申请实施例提供的电子设备,通过接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标;根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表,由此能够有效提高信用评价的准确性和实用性。
在另一个实施方式中,基于金融信贷场景的信用评价方法可以与中央处理器9100分开配置,例如可以将基于金融信贷场景的信用评价方法配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现基于金融信贷场景的信用评价方法功能。
如图9所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图9中所示的所有部件;此外,电子设备9600还可以包括图9中没有示出的部件,可以参考现有技术。
如图9所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机。通信模块9110(发送机/接收机)耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块9110(发送机/接收机)还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于金融信贷场景的信用评价方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的基于金融信贷场景的信用评价方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤S101:接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;
步骤S102:根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标,其中,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种;
步骤S103:根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表;
步骤S104:接收所述用户基于所述智能推荐列表发送的模型指标选择指令,并根据所述模型指标选择指令对应的模型指标获取相应的金融信贷数据并生成信用评价报告。
从上述描述可知,本申请实施例提供的计算机可读存储介质,通过接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标;根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表,由此能够有效提高信用评价的准确性和实用性。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于金融信贷场景的信用评价方法中全部步骤的一种计算机程序产品,该计算机程序/指令被处理器执行时实现所述的基于金融信贷场景的信用评价方法的步骤,例如,所述计算机程序/指令实现下述步骤:
步骤S101:接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;
步骤S102:根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标,其中,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种;
步骤S103:根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表;
步骤S104:接收所述用户基于所述智能推荐列表发送的模型指标选择指令,并根据所述模型指标选择指令对应的模型指标获取相应的金融信贷数据并生成信用评价报告。
从上述描述可知,本申请实施例提供的计算机程序产品,通过接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标;根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表,由此能够有效提高信用评价的准确性和实用性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施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 (8)
1.一种基于金融信贷场景的信用评价方法,其特征在于,所述方法包括:
接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;
根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标,其中,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种;
根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表;
接收所述用户基于所述智能推荐列表发送的模型指标选择指令,并根据所述模型指标选择指令对应的模型指标获取相应的金融信贷数据并生成信用评价报告。
2.根据权利要求1所述的基于金融信贷场景的信用评价方法,其特征在于,在所述根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词之前,包括:
通过已添加有业务领域标签和关键特征词标签的历史请求数据集对预设预训练的自然语言处理模型进行模型调优,得到对应的损失函数;
根据最小化的所述损失函数更新模型参数,得到预训练的自然语言处理模型。
3.根据权利要求1所述的基于金融信贷场景的信用评价方法,其特征在于,所述接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词,包括:
接收用户发送的信用评价请求,其中,所述信用评价请求中包含有所述用户的业务需求;
根据预训练的自然语言处理模型对所述业务需求进行文本分类,确定对应的业务领域,根据所述预训练的自然语言处理模型对所述业务需求进行实体抽取,确定对应的关键特征词。
4.根据权利要求1所述的基于金融信贷场景的信用评价方法,其特征在于,所述根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标,其中,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种,包括:
根据所述业务领域和预设映射表确定对应的领域知识图谱;
定位所述关键特征词在所述领域知识图谱中相关联的知识图谱节点,确定对应的多个模型指标,其中,所述知识图谱节点包含有多个预设模型指标,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种。
5.根据权利要求1所述的基于金融信贷场景的信用评价方法,其特征在于,所述根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表,包括:
根据各所述模型指标与所述信用评价请求的指标数据之间的线性关系,确定对应的指标相关性;
根据所述指标相关性、所述多个模型指标的业务优先级、所述用户的历史推荐数据以及设定内容推荐算法,确定对应的模型指标并生成智能推荐列表。
6.根据权利要求5所述的基于金融信贷场景的信用评价方法,其特征在于,所述根据所述指标相关性、所述多个模型指标的业务优先级、所述用户的历史推荐数据以及设定内容推荐算法,确定对应的模型指标并生成智能推荐列表,包括:
将所述用户的历史推荐数据表示为用户特征向量,根据所述指标相关性确定对应的指标特征向量,并根据所述多个模型指标的业务优先级确定各所述指标特征向量的分配权重;
根据所述用户特征向量和所述指标特征向量,确定对应的模型指标并生成智能推荐列表。
7.根据权利要求1所述的基于金融信贷场景的信用评价方法,其特征在于,所述根据所述模型指标选择指令对应的模型指标获取相应的金融信贷数据并生成信用评价报告,包括:
根据所述模型指标选择指令对应的模型指标确定对应的指标数据源,并从所述指标数据源中获取相应的金融信贷数据;
通过预设信用评分规则和所述金融信贷数据确定对应的信用评分并根据所述信用评分和所述金融信贷数据生成信用评价报告。
8.一种基于金融信贷场景的信用评价装置,其特征在于,所述装置包括:
语义分析模块,用于接收用户发送的信用评价请求,根据预训练的自然语言处理模型对所述信用评价请求进行语义分析,得到对应的业务领域和关键特征词;
模型指标确定模块,用于根据所述业务领域确定对应的领域知识图谱,根据所述关键特征词确定所述领域知识图谱中的多个模型指标,其中,所述模型指标包括财务指标、行为指标以及社会关系指标中的至少一种;
推荐列表确定模块,用于根据设定模型推荐算法、所述多个模型指标与所述信用评价请求的指标相关性、所述多个模型指标的业务优先级以及所述用户的历史推荐数据,确定对应的模型指标并生成智能推荐列表;
评价报告生成模块,用于接收所述用户基于所述智能推荐列表发送的模型指标选择指令,并根据所述模型指标选择指令对应的模型指标获取相应的金融信贷数据并生成信用评价报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410493354.8A CN118096359A (zh) | 2024-04-23 | 2024-04-23 | 基于金融信贷场景的信用评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410493354.8A CN118096359A (zh) | 2024-04-23 | 2024-04-23 | 基于金融信贷场景的信用评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118096359A true CN118096359A (zh) | 2024-05-28 |
Family
ID=91163393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410493354.8A Pending CN118096359A (zh) | 2024-04-23 | 2024-04-23 | 基于金融信贷场景的信用评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118096359A (zh) |
-
2024
- 2024-04-23 CN CN202410493354.8A patent/CN118096359A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861569B (zh) | 产品信息推荐方法及装置 | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN110197315B (zh) | 风险评估方法、装置及其存储介质 | |
US10509837B2 (en) | Modeling actions for entity-centric search | |
WO2018040069A1 (zh) | 信息推荐系统及方法 | |
US11443256B2 (en) | Real-time matching and smart recommendations for tasks and experts | |
CN110070430A (zh) | 评估还款风险的方法及装置、存储介质、电子设备 | |
CN112633962A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
US11811708B2 (en) | Systems and methods for generating dynamic conversational responses using cluster-level collaborative filtering matrices | |
CN113742492A (zh) | 保险方案生成方法、装置、电子设备及存储介质 | |
CN112801775A (zh) | 客户信用评价方法及装置 | |
CN112766825A (zh) | 企业金融服务风险预测方法及装置 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN111612632A (zh) | 用户投资数据处理方法及装置 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
US20210004722A1 (en) | Prediction task assistance apparatus and prediction task assistance method | |
CN116485527A (zh) | 一种金融信用风险分析方法及装置 | |
US11822562B2 (en) | Unstructured text processing for geographical location determination system | |
CN118096359A (zh) | 基于金融信贷场景的信用评价方法及装置 | |
CN112163861B (zh) | 交易风险要素特征提取方法及装置 | |
CN113393320A (zh) | 企业金融服务风险预测方法及装置 | |
CN117972222B (zh) | 基于人工智能的企业信息检索方法及装置 | |
CN117952683A (zh) | 基于信用卡分期意愿的客户维护方法及装置 | |
CN112560843B (zh) | 一种基于图像识别和语音识别的银行账单扩展方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |