CN118154300A - 抵质押参数处理方法、装置、计算机设备和存储介质 - Google Patents
抵质押参数处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN118154300A CN118154300A CN202410322364.5A CN202410322364A CN118154300A CN 118154300 A CN118154300 A CN 118154300A CN 202410322364 A CN202410322364 A CN 202410322364A CN 118154300 A CN118154300 A CN 118154300A
- Authority
- CN
- China
- Prior art keywords
- mortgage
- target
- parameter
- preset
- sample
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 57
- 238000003672 processing method Methods 0.000 title abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000004590 computer program Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种抵质押参数处理方法、装置、计算机设备和存储介质，涉及大数据技术领域。所述方法包括：获取目标抵质押物的各预设维度的目标属性信息，确定每一预设维度的预设权重值；其中，所述预设维度包括抵质押物属地、权属人信用等级、抵质押物大小或者抵质押物种类中的至少一项；将所述目标属性信息和所述预设权重值输入训练完毕的抵质押参数预测模型中，得到所述目标抵质押物的预测抵质押参数；基于所述预测抵质押参数确定所述目标抵质押物的目标抵质押参数。采用本方法能够提高抵质押参数处理准确性。
Description
技术领域
本申请涉及大数据技术领域，特别是涉及一种抵质押参数处理方法、装置、计算机设备和存储介质。
背景技术
随着金融科技的不断发展，抵质押处理业务逐渐成为金融机构的常见业务，抵质押参数处理是抵质押处理业务中的重要内容。
目前大多金融机构采用统一的评估流程以及依靠人为经验对抵质押物进行抵质押参数处理，极易导致抵质押物的抵质押参数处理不准确。
因此，传统技术中存在抵质押参数处理准确性不高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高抵质押参数处理准确性的抵质押参数处理方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种抵质押参数处理方法。所述方法包括：
获取目标抵质押物的各预设维度的目标属性信息，确定每一预设维度的预设权重值；其中，所述预设维度包括抵质押物属地、权属人信用等级、抵质押物大小或者抵质押物种类中的至少一项；
将所述目标属性信息和所述预设权重值输入训练完毕的抵质押参数预测模型中，得到所述目标抵质押物的预测抵质押参数；
基于所述预测抵质押参数确定所述目标抵质押物的目标抵质押参数。
在其中一个实施例中，所述确定每一预设维度的预设权重值，包括：
基于预设维度在权重映射关系表中进行查找，获得每一预设维度的预设权重值。
在其中一个实施例中，所述抵质押参数预测模型的训练过程，包括：
获取样本数据，将所述样本数据分为训练样本数据和测试样本数据；
利用所述训练样本数据对初始抵质押参数预测模型进行训练，得到训练后的抵质押参数预测模型；
利用所述测试样本数据对所述训练后的抵质押参数预测模型进行测试，直至所述训练后的抵质押参数预测模型的预测正确率达到预设阈值，得到训练完毕的抵质押参数预测模型。
在其中一个实施例中，所述获取样本数据，包括：
获取样本抵质押物的各预设维度的样本属性信息，确定每一预设维度的预设权重值；
将所述样本属性信息分别与对应的预设权重值相乘，利用乘积结果相加得到的和值除以预设维度的数量，得到所述样本抵质押物的样本抵质押参数；
将所述样本属性信息、所述预设权重值以及所述样本抵质押参数作为样本数据。
在其中一个实施例中，所述预设维度的确定过程，包括：
获取所述样本抵质押物的属性信息样本维度，对所述属性信息样本维度进行主成分分析，确定预设维度。
在其中一个实施例中，所述方法还包括：
基于所述目标抵质押物的目标抵质押参数，确定所述目标抵质押物的抵质押合同信息，所述抵质押合同信息包括所述目标抵质押参数和所述目标抵质押物的物品信息。
第二方面，本申请还提供了一种抵质押参数处理装置。所述装置包括：
数据获取模块，用于获取目标抵质押物的各预设维度的目标属性信息，确定每一预设维度的预设权重值；其中，所述预设维度包括抵质押物属地、权属人信用等级、抵质押物大小或者抵质押物种类中的至少一项；
模型处理模块，用于将所述目标属性信息和所述预设权重值输入训练完毕的抵质押参数预测模型中，得到所述目标抵质押物的预测抵质押参数；
参数确定模块，用于基于所述预测抵质押参数确定所述目标抵质押物的目标抵质押参数。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一方法的步骤。
上述抵质押参数处理方法、装置、计算机设备和存储介质，通过获取目标抵质押物的各预设维度的目标属性信息并确定每一预设维度的预设权重值，将目标属性信息和预设权重值输入训练完毕的抵质押参数预测模型中得到目标抵质押物的预测抵质押参数，基于预测抵质押参数确定目标抵质押物的目标抵质押参数。相比于传统技术中因采用统一的评估流程以及依靠人为经验对抵质押物进行抵质押参数处理导致存在抵质押参数处理准确性不高的问题而言，本申请基于目标抵质押物的各预设维度的目标属性信息、每一预设维度的预设权重值以及训练完毕的抵质押参数预测模型，得到目标抵质押物的预测抵质押参数，基于预测抵质押参数针对不同的目标抵质押物对应得到目标抵质押参数，且不依靠人为经验，提高了抵质押参数处理准确性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关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为本申请实施例中提供的抵质押参数处理方法的流程示意图；
图2为一个实施例中抵质押参数预测模型的训练过程的流程示意图；
图3为一个实施例中获取样本数据的流程示意图；
图4为本申请实施例中提供的一种抵质押参数处理装置的结构框图；
图5为本申请实施例中提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本实施例中，提供的一种抵质押参数处理方法，本实施例以该方法应用于计算机设备进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括计算机设备和服务器的系统，并通过计算机设备和服务器的交互实现。
图1为本申请实施例中提供的抵质押参数处理方法的流程示意图，该方法应用于计算机设备中，在一个实施例中，如图1所示，包括以下步骤：
S101，获取目标抵质押物的各预设维度的目标属性信息，确定每一预设维度的预设权重值；其中，预设维度包括抵质押物属地、权属人信用等级、抵质押物大小或者抵质押物种类中的至少一项。
其中，目标抵质押物为用于向特定金融机构借取相应数量虚拟资源的抵质押物品。
目标抵质押物的各预设维度的目标属性信息可通过数值进行表征。以预设维度为权属人信用等级进行举例，若目标抵质押物的权属人信用等级为A级，则对应的目标属性信息为90；若目标抵质押物的权属人信用等级为D级，则对应的目标属性信息为20。
每一预设维度的预设权重值可提前设定。
S102，将目标属性信息和预设权重值输入训练完毕的抵质押参数预测模型中，得到目标抵质押物的预测抵质押参数。
S103，基于预测抵质押参数确定目标抵质押物的目标抵质押参数。
在一些实施例中，基于预测抵质押参数确定目标抵质押物的目标抵质押参数，包括：
获取目标抵质押物的抵质押参数范围，基于抵质押参数范围对预测抵质押参数进行修正，得到目标抵质押物的目标抵质押参数。
其中，抵质押参数范围由最大抵质押参数和最小抵质押参数确定。最大抵质押参数和最小抵质押参数可人为设定。
基于抵质押参数范围对预测抵质押参数进行修正，得到目标抵质押物的目标抵质押参数的方式为在预测抵质押参数大于最大抵质押参数的情况下，将最大抵质押参数作为目标抵质押物的目标抵质押参数，在预测抵质押参数小于最小抵质押参数的情况下，将最小抵质押参数作为目标抵质押物的目标抵质押参数，在预测抵质押参数处于抵质押参数范围内的情况下，将预测抵质押参数作为目标抵质押物的目标抵质押参数。
在另一些实施例中，基于预测抵质押参数确定目标抵质押物的目标抵质押参数，包括：
基于预测抵质押参数确定目标抵质押参数范围，在目标抵质押参数范围内确定目标抵质押物的目标抵质押参数。
具体的，基于预测抵质押参数确定目标抵质押参数范围的方式为将预测抵质押参数加上一定值得到最大目标抵质押参数，将预测抵质押参数减去一定值得到最小目标抵质押参数，由最大目标抵质押参数和最小目标抵质押参数确定目标抵质押参数范围。
本实施例提供的抵质押参数处理方法，通过获取目标抵质押物的各预设维度的目标属性信息并确定每一预设维度的预设权重值，将目标属性信息和预设权重值输入训练完毕的抵质押参数预测模型中得到目标抵质押物的预测抵质押参数，基于预测抵质押参数确定目标抵质押物的目标抵质押参数。相比于传统技术中因采用统一的评估流程以及依靠人为经验对抵质押物进行抵质押参数处理导致存在抵质押参数处理准确性不高的问题而言，本实施例基于目标抵质押物的各预设维度的目标属性信息、每一预设维度的预设权重值以及训练完毕的抵质押参数预测模型，得到目标抵质押物的预测抵质押参数，基于预测抵质押参数针对不同的目标抵质押物对应得到目标抵质押参数，且不依靠人为经验，提高了抵质押参数处理准确性。
在一个实施例中，确定每一预设维度的预设权重值，包括：
基于预设维度在权重映射关系表中进行查找，获得每一预设维度的预设权重值。
其中，权重映射关系表中包括预设维度和对应的预设权重值。
在本实施例中，基于权重映射关系表进行查找预设权重值，能够快速确定预设权重值，进而提高了抵质押参数处理效率。
在一个实施例中，抵质押参数预测模型的训练过程的流程示意图，如图2所示，包括以下内容：
S201，获取样本数据，将样本数据分为训练样本数据和测试样本数据。
在一些实施例中，可将样本数据按照预设比例分为训练样本数据和测试样本数据。预设比例可人为设定，例如设定为训练样本数据：测试样本数据=8：2。
S202，利用训练样本数据对初始抵质押参数预测模型进行训练，得到训练后的抵质押参数预测模型。
其中，初始抵质押参数预测模型可选取支持向量机模型。
S203，利用测试样本数据对训练后的抵质押参数预测模型进行测试，直至训练后的抵质押参数预测模型的预测正确率达到预设阈值，得到训练完毕的抵质押参数预测模型。
其中，预设阈值可人为设定。例如预设阈值为99%。
在本实施例中，对抵质押参数预测模型进行训练和测试，直至训练后的抵质押参数预测模型的预测正确率达到预设阈值，得到训练完毕的抵质押参数预测模型，能够保证训练完毕的抵质押参数预测模型的准确性，进而提高了抵质押参数处理准确性。
在一个实施例中，获取样本数据的流程示意图，如图3所示，包括以下内容：
S301，获取样本抵质押物的各预设维度的样本属性信息，确定每一预设维度的预设权重值。
其中，样本抵质押物为用于向特定金融机构借取相应数量虚拟资源的抵质押物品。预设维度包括抵质押物属地、权属人信用等级、抵质押物大小或者抵质押物种类中的至少一项。样本抵质押物的各预设维度的样本属性信息可通过数值进行表征。每一预设维度的预设权重值可提前设定；也可基于预设维度在权重映射关系表中进行查找，获得每一预设维度的预设权重值。
S302，将样本属性信息分别与对应的预设权重值相乘，利用乘积结果相加得到的和值除以预设维度的数量，得到样本抵质押物的样本抵质押参数。
S303，将样本属性信息、预设权重值以及样本抵质押参数作为样本数据。
在本实施例中，明确样本数据的内容，进而保证利用样本数据进行模型训练的准确性。
在一个实施例中，预设维度的确定过程，包括：
获取样本抵质押物的属性信息样本维度，对属性信息样本维度进行主成分分析，确定预设维度。
在本实施例中，对属性信息样本维度进行主成分分析，去除对抵质押参数处理影响较小的属性信息样本维度，减少了预设维度的数量，提高了获取属性信息的效率，进而提高了抵质押参数处理效率。
在一个实施例中，该抵质押参数处理方法还包括：
基于目标抵质押物的目标抵质押参数，确定目标抵质押物的抵质押合同信息，抵质押合同信息包括目标抵质押参数和目标抵质押物的物品信息。
其中，目标抵质押参数用于反映目标抵质押物所能向特定金融机构借取虚拟资源数量的比率。目标抵质押物的物品信息包括目标抵质押物的权属人、目标抵质押物的种类或者目标抵质押物的属地中的至少一项。
在本实施例中，基于目标抵质押物的目标抵质押参数确定目标抵质押物的抵质押合同信息，提高了抵质押合同信息的准确性。
在这里，以一具体实施例的方式对本申请提供的抵质押参数处理方法进行详细说明。首先，获取训练完毕的抵质押参数预测模型，包括：
获取样本抵质押物的属性信息样本维度，对属性信息样本维度进行主成分分析，确定预设维度，获取样本抵质押物的各预设维度的样本属性信息，确定每一预设维度的预设权重值，将样本属性信息分别与对应的预设权重值相乘，利用乘积结果相加得到的和值除以预设维度的数量，得到样本抵质押物的样本抵质押参数；
示例性地，预设维度包括抵质押物属地、权属人信用等级、抵质押物大小和抵质押物种类，样本抵质押物的样本属性信息包括抵质押物属地A、权属人信用等级B、抵质押物大小C和抵质押物种类D，则样本抵质押参数为
，其中，/>、/>、/>和/>为预设权重值；
将样本属性信息、预设权重值以及样本抵质押参数作为样本数据，将样本数据按照8：2的比例分为训练样本数据和测试样本数据；
利用训练样本数据对初始抵质押参数预测模型进行训练，得到训练后的抵质押参数预测模型；
利用测试样本数据对训练后的抵质押参数预测模型进行测试，直至训练后的抵质押参数预测模型的预测正确率达到预设阈值，得到训练完毕的抵质押参数预测模型。
基于训练完毕的抵质押参数预测模型进行抵质押参数处理的实施流程，包括：
获取目标抵质押物的各预设维度的目标属性信息，基于预设维度在权重映射关系表中进行查找，获得每一预设维度的预设权重值，将目标属性信息和预设权重值输入训练完毕的抵质押参数预测模型中，得到目标抵质押物的预测抵质押参数，基于预测抵质押参数确定目标抵质押物的目标抵质押参数，基于目标抵质押物的目标抵质押参数，确定目标抵质押物的抵质押合同信息，抵质押合同信息包括目标抵质押参数和目标抵质押物的物品信息。
本实施例提供的抵质押参数处理方法，对样本抵质押物的属性信息样本维度进行主成分分析，去除对抵质押参数处理影响较小的属性信息样本维度，减少了预设维度的数量，提高了获取属性信息的效率，进而提高了抵质押参数处理效率，并基于目标抵质押物的各预设维度的目标属性信息、每一预设维度的预设权重值以及训练完毕的抵质押参数预测模型，得到目标抵质押物的预测抵质押参数，基于预测抵质押参数针对不同的目标抵质押物对应得到目标抵质押参数，且不依靠人为经验，提高了抵质押参数处理准确性，还基于目标抵质押物的目标抵质押参数确定目标抵质押物的抵质押合同信息，提高了抵质押合同信息的准确性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的抵质押参数处理方法的抵质押参数处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个抵质押参数处理装置实施例中的具体限定可以参见上文中对于抵质押参数处理方法的限定，在此不再赘述。
参见图4，图4为本申请实施例中提供的一种抵质押参数处理装置的结构框图，该装置400包括：数据获取模块401、模型处理模块402和参数确定模块403，其中：
数据获取模块401，用于获取目标抵质押物的各预设维度的目标属性信息，确定每一预设维度的预设权重值；其中，预设维度包括抵质押物属地、权属人信用等级、抵质押物大小或者抵质押物种类中的至少一项；
模型处理模块402，用于将目标属性信息和预设权重值输入训练完毕的抵质押参数预测模型中，得到目标抵质押物的预测抵质押参数；
参数确定模块403，用于基于预测抵质押参数确定目标抵质押物的目标抵质押参数。
本实施例提供的抵质押参数处理装置，通过数据获取模块获取目标抵质押物的各预设维度的目标属性信息并确定每一预设维度的预设权重值，通过模型处理模块将目标属性信息和预设权重值输入训练完毕的抵质押参数预测模型中得到目标抵质押物的预测抵质押参数，通过参数确定模块基于预测抵质押参数确定目标抵质押物的目标抵质押参数。相比于传统技术中因采用统一的评估流程以及依靠人为经验对抵质押物进行抵质押参数处理导致存在抵质押参数处理准确性不高的问题而言，本实施例基于目标抵质押物的各预设维度的目标属性信息、每一预设维度的预设权重值以及训练完毕的抵质押参数预测模型，得到目标抵质押物的预测抵质押参数，基于预测抵质押参数针对不同的目标抵质押物对应得到目标抵质押参数，且不依靠人为经验，提高了抵质押参数处理准确性。
可选的，数据获取模块401包括：
权重获取单元，用于基于预设维度在权重映射关系表中进行查找，获得每一预设维度的预设权重值。
可选的，该装置400还包括：
样本数据获取模块，用于获取样本数据，将样本数据分为训练样本数据和测试样本数据；
模型训练模块，用于利用训练样本数据对初始抵质押参数预测模型进行训练，得到训练后的抵质押参数预测模型；
模型测试模块，用于利用测试样本数据对训练后的抵质押参数预测模型进行测试，直至训练后的抵质押参数预测模型的预测正确率达到预设阈值，得到训练完毕的抵质押参数预测模型。
可选的，样本数据获取模块包括：
样本数据获取单元，用于获取样本抵质押物的各预设维度的样本属性信息，确定每一预设维度的预设权重值；
样本参数获取单元，用于将样本属性信息分别与对应的预设权重值相乘，利用乘积结果相加得到的和值除以预设维度的数量，得到样本抵质押物的样本抵质押参数；
样本数据获取单元，用于将样本属性信息、预设权重值以及样本抵质押参数作为样本数据。
可选的，样本数据获取模块还包括：
维度确定单元，用于获取样本抵质押物的属性信息样本维度，对属性信息样本维度进行主成分分析，确定预设维度。
可选的，该装置400还包括：
合同信息确定模块，用于基于目标抵质押物的目标抵质押参数，确定目标抵质押物的抵质押合同信息，抵质押合同信息包括目标抵质押参数和目标抵质押物的物品信息。
上述抵质押参数处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种抵质押参数处理方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述实施例提供的抵质押参数处理方法的步骤：
获取目标抵质押物的各预设维度的目标属性信息，确定每一预设维度的预设权重值；其中，预设维度包括抵质押物属地、权属人信用等级、抵质押物大小或者抵质押物种类中的至少一项；
将目标属性信息和预设权重值输入训练完毕的抵质押参数预测模型中，得到目标抵质押物的预测抵质押参数；
基于预测抵质押参数确定目标抵质押物的目标抵质押参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于预设维度在权重映射关系表中进行查找，获得每一预设维度的预设权重值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取样本数据，将样本数据分为训练样本数据和测试样本数据；
利用训练样本数据对初始抵质押参数预测模型进行训练，得到训练后的抵质押参数预测模型；
利用测试样本数据对训练后的抵质押参数预测模型进行测试，直至训练后的抵质押参数预测模型的预测正确率达到预设阈值，得到训练完毕的抵质押参数预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取样本抵质押物的各预设维度的样本属性信息，确定每一预设维度的预设权重值；
将样本属性信息分别与对应的预设权重值相乘，利用乘积结果相加得到的和值除以预设维度的数量，得到样本抵质押物的样本抵质押参数；
将样本属性信息、预设权重值以及样本抵质押参数作为样本数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取样本抵质押物的属性信息样本维度，对属性信息样本维度进行主成分分析，确定预设维度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于目标抵质押物的目标抵质押参数，确定目标抵质押物的抵质押合同信息，抵质押合同信息包括目标抵质押参数和目标抵质押物的物品信息。
上述实施例的实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例提供的抵质押参数处理方法的步骤：
获取目标抵质押物的各预设维度的目标属性信息，确定每一预设维度的预设权重值；其中，预设维度包括抵质押物属地、权属人信用等级、抵质押物大小或者抵质押物种类中的至少一项；
将目标属性信息和预设权重值输入训练完毕的抵质押参数预测模型中，得到目标抵质押物的预测抵质押参数；
基于预测抵质押参数确定目标抵质押物的目标抵质押参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于预设维度在权重映射关系表中进行查找，获得每一预设维度的预设权重值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本数据，将样本数据分为训练样本数据和测试样本数据；
利用训练样本数据对初始抵质押参数预测模型进行训练，得到训练后的抵质押参数预测模型；
利用测试样本数据对训练后的抵质押参数预测模型进行测试，直至训练后的抵质押参数预测模型的预测正确率达到预设阈值，得到训练完毕的抵质押参数预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本抵质押物的各预设维度的样本属性信息，确定每一预设维度的预设权重值；
将样本属性信息分别与对应的预设权重值相乘，利用乘积结果相加得到的和值除以预设维度的数量，得到样本抵质押物的样本抵质押参数；
将样本属性信息、预设权重值以及样本抵质押参数作为样本数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本抵质押物的属性信息样本维度，对属性信息样本维度进行主成分分析，确定预设维度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于目标抵质押物的目标抵质押参数，确定目标抵质押物的抵质押合同信息，抵质押合同信息包括目标抵质押参数和目标抵质押物的物品信息。
上述实施例的实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述实施例提供的抵质押参数处理方法的步骤：
获取目标抵质押物的各预设维度的目标属性信息，确定每一预设维度的预设权重值；其中，预设维度包括抵质押物属地、权属人信用等级、抵质押物大小或者抵质押物种类中的至少一项；
将目标属性信息和预设权重值输入训练完毕的抵质押参数预测模型中，得到目标抵质押物的预测抵质押参数；
基于预测抵质押参数确定目标抵质押物的目标抵质押参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于预设维度在权重映射关系表中进行查找，获得每一预设维度的预设权重值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本数据，将样本数据分为训练样本数据和测试样本数据；
利用训练样本数据对初始抵质押参数预测模型进行训练，得到训练后的抵质押参数预测模型；
利用测试样本数据对训练后的抵质押参数预测模型进行测试，直至训练后的抵质押参数预测模型的预测正确率达到预设阈值，得到训练完毕的抵质押参数预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本抵质押物的各预设维度的样本属性信息，确定每一预设维度的预设权重值；
将样本属性信息分别与对应的预设权重值相乘，利用乘积结果相加得到的和值除以预设维度的数量，得到样本抵质押物的样本抵质押参数；
将样本属性信息、预设权重值以及样本抵质押参数作为样本数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本抵质押物的属性信息样本维度，对属性信息样本维度进行主成分分析，确定预设维度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于目标抵质押物的目标抵质押参数，确定目标抵质押物的抵质押合同信息，抵质押合同信息包括目标抵质押参数和目标抵质押物的物品信息。
上述实施例的实现原理和技术效果与上述方法实施例类似，在此不再赘述。
需要说明的是，本申请所涉及的信息（包括但不限于用于分析的信息、存储的信息、展示的信息等），均为经用户授权或者经过各方充分授权的信息，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关国家和地区的相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。
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、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种抵质押参数处理方法，其特征在于，所述方法包括：
获取目标抵质押物的各预设维度的目标属性信息，确定每一预设维度的预设权重值；其中，所述预设维度包括抵质押物属地、权属人信用等级、抵质押物大小或者抵质押物种类中的至少一项；
将所述目标属性信息和所述预设权重值输入训练完毕的抵质押参数预测模型中，得到所述目标抵质押物的预测抵质押参数；
基于所述预测抵质押参数确定所述目标抵质押物的目标抵质押参数。
2.根据权利要求1所述的方法，其特征在于，所述确定每一预设维度的预设权重值，包括：
基于预设维度在权重映射关系表中进行查找，获得每一预设维度的预设权重值。
3.根据权利要求1所述的方法，其特征在于，所述抵质押参数预测模型的训练过程，包括：
获取样本数据，将所述样本数据分为训练样本数据和测试样本数据；
利用所述训练样本数据对初始抵质押参数预测模型进行训练，得到训练后的抵质押参数预测模型；
利用所述测试样本数据对所述训练后的抵质押参数预测模型进行测试，直至所述训练后的抵质押参数预测模型的预测正确率达到预设阈值，得到训练完毕的抵质押参数预测模型。
4.根据权利要求3所述的方法，其特征在于，所述获取样本数据，包括：
获取样本抵质押物的各预设维度的样本属性信息，确定每一预设维度的预设权重值；
将所述样本属性信息分别与对应的预设权重值相乘，利用乘积结果相加得到的和值除以预设维度的数量，得到所述样本抵质押物的样本抵质押参数；
将所述样本属性信息、所述预设权重值以及所述样本抵质押参数作为样本数据。
5.根据权利要求4所述的方法，其特征在于，所述预设维度的确定过程，包括：
获取所述样本抵质押物的属性信息样本维度，对所述属性信息样本维度进行主成分分析，确定预设维度。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述方法还包括：
基于所述目标抵质押物的目标抵质押参数，确定所述目标抵质押物的抵质押合同信息，所述抵质押合同信息包括所述目标抵质押参数和所述目标抵质押物的物品信息。
7.一种抵质押参数处理装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标抵质押物的各预设维度的目标属性信息，确定每一预设维度的预设权重值；其中，所述预设维度包括抵质押物属地、权属人信用等级、抵质押物大小或者抵质押物种类中的至少一项；
模型处理模块，用于将所述目标属性信息和所述预设权重值输入训练完毕的抵质押参数预测模型中，得到所述目标抵质押物的预测抵质押参数；
参数确定模块，用于基于所述预测抵质押参数确定所述目标抵质押物的目标抵质押参数。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410322364.5A CN118154300A (zh) | 2024-03-20 | 2024-03-20 | 抵质押参数处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410322364.5A CN118154300A (zh) | 2024-03-20 | 2024-03-20 | 抵质押参数处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118154300A true CN118154300A (zh) | 2024-06-07 |
Family
ID=91300925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410322364.5A Pending CN118154300A (zh) | 2024-03-20 | 2024-03-20 | 抵质押参数处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118154300A (zh) |
-
2024
- 2024-03-20 CN CN202410322364.5A patent/CN118154300A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114359563A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| CN116468543A (zh) | 基于联邦学习的信贷风险评估方法、装置、设备和介质 | |
| CN117035980A (zh) | 资源借调评估方法、装置、计算机设备和存储介质 | |
| CN116894721A (zh) | 一种指标预测方法、装置、计算机设备 | |
| CN117390098A (zh) | 数据分析方法、装置、计算机设备和存储介质 | |
| CN116932935A (zh) | 地址匹配方法、装置、设备、介质和程序产品 | |
| CN115936789A (zh) | 考虑非线性时间常数的资源数值变动数据生成方法和装置 | |
| CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN118154300A (zh) | 抵质押参数处理方法、装置、计算机设备和存储介质 | |
| CN117634751B (zh) | 数据要素评估方法、装置、计算机设备以及存储介质 | |
| CN115757958A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN117312405A (zh) | 用户异常等级确定方法、装置、计算机设备、介质和产品 | |
| CN116843477A (zh) | 理财产品购买方法、装置、计算机设备、存储介质 | |
| CN116342242A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
| CN117436972A (zh) | 资源对象推荐方法、装置、计算机设备和存储介质 | |
| CN117436974A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN117454320A (zh) | 目标对象识别方法、装置、计算机设备和存储介质 | |
| CN118708587A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN116151896A (zh) | 虚拟产品推荐方法、装置、计算机设备和存储介质 | |
| CN117908825A (zh) | 芯片数据的按序处理方法、装置、计算机设备和存储介质 | |
| CN117909093A (zh) | 针对芯片接口的数据分配处理方法和装置 | |
| CN117312653A (zh) | 服务策略确定方法、装置、计算机设备和存储介质 | |
| CN117454215A (zh) | 回馈资源的配置方法、装置和计算机设备 | |
| CN114064464A (zh) | 安全需求分析方法、装置、计算机设备和存储介质 | |
| CN117648470A (zh) | 理财信息推送方法、装置、计算机设备、存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |