CN110930259B - 一种基于混合策略的债权推荐方法及*** - Google Patents
一种基于混合策略的债权推荐方法及*** Download PDFInfo
- Publication number
- CN110930259B CN110930259B CN201911120860.8A CN201911120860A CN110930259B CN 110930259 B CN110930259 B CN 110930259B CN 201911120860 A CN201911120860 A CN 201911120860A CN 110930259 B CN110930259 B CN 110930259B
- Authority
- CN
- China
- Prior art keywords
- creditor
- client
- preference
- clients
- credited
- 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 41
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 210000001503 joint Anatomy 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material 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
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
技术领域
本发明涉及债权推荐技术领域,尤其涉及一种基于混合策略的债权推荐方法及***。
背景技术
近年来,应收账款流转融资成为解决企业融资难、融资贵、融资慢问题的一种有效方式,应收账款债权作为一种资产也逐渐成为一些机构投资者及个人投资者关注的投资标的,投资人在面对众多的非标债权,首先面临的问题是如何快速选择适合自己的可投资债权。
解决以上问题,一般采用人工检索和人工匹配,筛选出最终的可投资债权,但是该方法需要耗费较大的人力、物力,由于需要人工校对,造成效率低、准确度较低的缺陷。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于混合策略的债权推荐方法及***,提高了推荐效率和准确度。
本发明提出的一种基于混合策略的债权推荐方法,包括:
构建相似客户集合U,对客户集合U进行不同类型的质心聚类,根据聚类结果向客户推荐债权集合Rk1;
基于皮尔逊相关系数计算客户之间的相似度,根据客户之间的相似度和客户的历史投资偏好,计算得到债权集合Rk2;
进一步地,在所述对客户集合U进行不同类型的质心聚类中,包括:
将客户集合U={U1,U2,……,Un}分成k个类型,得到k个聚类C={C1,C2,...,Ck};
从聚类集合中各选取一个用户样本作为初始的质心μ={μ1,μ2,…,μk};
根据样本Ui修正初始的质心μ,得到最终的聚类结果Cm。
对于,计算客户样本Ui(i=1,2,...,n)和各个质心μj(j=1,2,...,k)的距离dij,得到μi,所述μi对应于距离dij的最小值,更新Cj=Cj∪μi;
对更新后Cj中的所有样本重新计算新的质心μj;
重复计算至所有k个质心μj没有发生变化位置;得到最终的聚类结果Cm;
基于聚类结果Cm向客户推荐债权集合Rk1。
进一步地,在根据聚类结果向客户推荐债权集合Rk1中,包括:
基于聚类结果向客户推荐和他兴趣最相似的k个客户投资过的债权;
对第一偏好值进行矩阵集合,得到债权集合Rk1。
进一步地,在根据客户之间的相似度和客户的历史投资偏好,计算得到债权集合Rk2中,包括:
获取聚类Cu的历史投资偏好,得到所有客户u对债权i的平均偏好,所述u∈U;
其中,是客户u对债权i的投资偏好,/>是客户u对债权i的平均偏好,/>是客户u对债权j的平均偏好,Wuj是u和j之间的权重,cos_sim(i,j)是i和j的相似度,i和j的取值范围为零至***中的应收账款总数;
对第二偏好值进行矩阵集合,得到债权集合Rk2。
其中,Wi是Rki(i=1,2)对应的权重。
一种基于混合策略的债权推荐***,第一推荐模块、第二推荐模块和加权模块;
第一推荐模块用于构建相似客户集合U,对客户集合U进行不同类型的质心聚类,根据聚类结果向客户推荐债权集合Rk1;
第二推荐模块用于基于皮尔逊相关系数计算客户之间的相似度,根据客户之间的相似度和客户的历史投资偏好,计算得到债权集合Rk2;
一种计算机可读储存介质,所述计算机可读存储介质上存储有若干获取分类程序,所述若干获取分类程序用于被处理器调用并执行如下步骤:
构建相似客户集合U,对客户集合U进行不同类型的质心聚类,根据聚类结果向客户推荐债权集合Rk1;
基于皮尔逊相关系数计算客户之间的相似度,根据客户之间的相似度和客户的历史投资偏好,计算得到债权集合Rk2;
本发明提供的一种基于混合策略的债权推荐方法及***的优点在于:本发明结构中提供的一种基于混合策略的债权推荐方法及***,基于客户聚类、基于债权聚类和基于历史投资聚类得到不同的债权集合,根据不同债权集合的占有权重,综合考虑不同债权集合,得到较为准确的债权推荐,促进了债权融资方和投资方之间的准确对接,促进成交,降低了交易成本,同时推荐效率高、准确度高。
附图说明
图1为本发明一种基于混合策略的债权推荐方法的步骤示意图;
图2为本发明一种基于混合策略的债权推荐***的流程示意图;
其中,100-第一推荐模块,200-第二推荐模块,300-加权模块。
具体实施方式
下面,通过具体实施例对本发明的技术方案进行详细说明,在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
参照图1,本发明提出的一种基于混合策略的债权推荐方法,包括:
S100:构建相似客户集合U,对客户集合U进行不同类型的质心聚类,根据聚类结果向客户推荐债权集合Rk1;
通过对客户属性的聚类算法统计分析,获得与客户有共同相似属性的客户投资偏好的应收账款债权列表,不依赖于客户的投资历史数据。能根据大众的投资偏向,向客户推荐适用性较广的债权,便于促成债权交易。
S200:基于皮尔逊相关系数计算客户之间的相似度,根据客户之间的相似度和客户的历史投资偏好,计算得到债权集合Rk2;
基于应收账款债权投资历史数据平滑的协同过滤算法(皮尔逊相关系数),依据客户的历史行为(投资、持有、买卖)数据,分析客户偏好,得到客户投资偏好矩阵。
其中,Wi是Rki(i=1,2)对应的权重。
步骤S100、S200分别可以形成推荐债权集合;当债权推荐要求不高时,可以分别通过S100、S200中记载的二种方式中的一种进行债权推荐,但这种单一推荐方式存在关联上的局限性,使得推荐结果存在着不全面、依据不充分、部分债权得不到推荐的问题,因此将该二种方式按一定权重划分加权后形成新的债权集合,该债权集合作为预测偏好矩阵基于预测偏好矩阵/>推荐债权,进一步提高了债权的推荐准确性。
通过步骤S100至S300的基于客户聚类和基于历史投资聚类得到不同的债权集合,根据不同债权集合的占有权重,综合考虑不同债权集合,得到较为准确的债权推荐,促进了债权融资方和投资方之间的准确对接,促进成交,降低了交易成本。解决了债权人(卖家)如何实现债权转让变现(融资)信息的精准推送、以及投资人客户(买家)在面对众多非标应收账款债权投资标的如何快速选择适合自身的债权的问题。
进一步地,在步骤S100:所述对客户集合U进行不同类型的质心聚类中,根据聚类结果向客户推荐债权集合Rk1中,包括:
S101:基于客户的属性构建客户向量U={U1,U2,……,Un};
可以通过客户的注册信息和评测问卷调查,我们选取客户与应收账款债权投资相关的部分属性并对它们设计一定的值域,至少包括:投资占总资产比例、收益率期望、风险承受能力、投资期限、投资金额、投资年数、是否有债权投资经历、投资行业偏好、债权所属区域、债权分类、増信措施等,其中对于个人投资者还应至少包括年龄、职业、个人财务状况等,对于机构投资者还应至少包括机构性质、成立时间、净资产规模等。
客户在各属性上的差值越大,也就表示他们的相似度越低。例如客户A的喜好传统制造业的应收账款债权,B对行业的偏好于新兴服务行业,这两者的相似度差值就很大。
S102:将客户集合U={U1,U2,……,Un}基于历史分成k个类型,得到k个聚类C={C1,C2,...,Ck};
该k个类型是参照对市场现有实际情况的调查分析设定一个客户分类结果。
S103:从聚类集合中各选取一个用户样本作为初始的质心μ={μ1,μ2,…,μk};
S105:对更新后Cj中的所有样本重新计算新的质心μj,计算公式如下:
其中x为更新后Cj中的样本;
S106:重复迭代步骤S104至S106,至所有k个质心μj没有发生变化位置,得到最终的聚类结果Cm;
此时Cm表示客户属性相似度较大的质心稳定聚类。
S107:基于聚类结果向客户推荐和他兴趣最相似的k个客户投资过的债权;
可投资状态的债权,即债权持有人发布出让意向的债权。
S109:对第一偏好值进行矩阵集合,得到债权集合Rk1。
根据步骤S101至S109,得到较为稳定的客户聚类,将待推荐客户与客户聚类进行匹配,得到与待推荐客户最相似的k个客户投资过的债权,根据投资过的债权可以向待推荐客户推荐债权,使得所推荐的债权接近待推荐客户的需求,提高了客户获取债权的准确性。
进一步地,在步骤S200:基于皮尔逊相关系数计算客户之间的相似度,根据客户之间的相似度和客户的历史投资偏好,计算得到债权集合Rk中,包括步骤S201至S204:
S201:采用皮尔逊相关系数计算客户之间的相似度,客户u和u′之间的相似度计算公式如下:
其中,Ru(t)表示客户u对债权t的投资意愿,表示客户u对所有债权的平均投资意愿,Ru′(t)表示客户u′对债权t的投资意愿,/>表示客户u′对所有债权的平均投资意愿,t是客户u和u′都投资过的债权。T(u)表示客户u投资过的债权,T(u′)表示客户u′投资过的债权。
S203:获取聚类Cu的历史投资偏好,得到所有客户u对债权i的平均偏好,所述u∈U;
客户的投资偏好表示为:
其中,rui是有函数计算得出
其中,Investmentui表示客户u对债权i的投资总额,Amountu为客户u统计的所有应收账款投资总额;
计算债权i与已投资过的债权j的相似度:
其中rui和ruj分别表示客户U对债权i和j的投资意愿,Uij代表同时投资债权i和j的客户集合。
其中,是客户u对债权i的投资偏好,/>是客户u对债权i的平均偏好,/>是客户u对债权j的平均偏好,ruj表示客户u对债权j的投资意愿,cos_sim(i,j)是i和j的相似度,i和j的取值范围为0至应收账款总数;
S205:对第二偏好值进行矩阵集合,得到债权集合Rk2。
通过步骤S201至S205,基于应收账款债权投资历史数据平滑的协同过滤算法将相应匹配的债权推荐给待推荐客户。
作为一实施例;根据以上过程,实现对不同客户个性化、智能化推荐不同的债权投资组合,如:
(1)对于新注册的客户A,根据步骤S100,得到与客户A特征属性相似的客户集合U={U1,U2,……,Un},从而得到这些客户投资过的并且在转让中的债权集合Rk1;由于客户A为新客户,在***中还没有投资历史记录,步骤S200没有推荐集合,即权重W1=1,W2=0,最终集合可在推荐结果集合Rk1中按相似度从高到底排列选择x(例如10)个债权推荐给客户A。
(2)对于有过投资历史的客户B,根据步骤S100,得到与客户B特征属性相似的客户集合U={U1,U2,……,Un},从而得到这些客户投资过的并且在转让中的债权集合Rk1;最后根据步骤S200,得到综合考虑客户B的历史投资偏好和相似客户的投资历史等得到推荐集合Rk2。对Rk1、Rk2依据各自集合数量计算权重,得到预测偏好矩阵选取最终的推荐结果集合/>但/>中出现中重复情况(结果)时,做去除重复处理;得到推荐结果集合/>
一种基于混合策略的债权推荐***,第一推荐模块100、第二推荐模块200和加权模块300;
第一推荐模块100用于构建相似客户集合U,对客户集合U进行不同类型的质心聚类,根据聚类结果向客户推荐债权集合Rk1;
第二推荐模块200用于基于皮尔逊相关系数计算客户之间的相似度,根据客户之间的相似度和客户的历史投资偏好,计算得到债权集合Rk2;
一种计算机可读储存介质,所述计算机可读存储介质上存储有若干获取分类程序,所述若干获取分类程序用于被处理器调用并执行如下步骤:
构建相似客户集合U,对客户集合U进行不同类型的质心聚类,根据聚类结果向客户推荐债权集合Rk1;
基于皮尔逊相关系数计算客户之间的相似度,根据客户之间的相似度和客户的历史投资偏好,计算得到债权集合Rk2;
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于混合策略的债权推荐方法,其特征在于,包括:
构建相似客户集合U,将客户集合U={U1,U2,…,Un}基于历史分成k个类型,得到k个聚类C={C1,C2,...,Ck};
从聚类集合中各选取一个用户样本作为初始的质心μ={μ1,μ2,…,μk};
计算客户样本Ui(i=1,2,...,n)和各个质心μj(j=1,2,...,k)的距离dij,得到μi,所述μi对应于距离dij的最小值,更新Cj=Cj∪μi;
对更新后Cj中的所有样本重新计算新的质心μj;
重复计算至所有k个质心μj没有发生变化位置,得到最终的聚类结果Cm;
基于聚类结果Cm向客户推荐债权集合Rk1;
基于皮尔逊相关系数计算客户之间的相似度,根据客户之间的相似度和客户的历史投资偏好,计算得到债权集合Rk2;
5.一种基于混合策略的债权推荐***,其特征在于,第一推荐模块(100)、第二推荐模块(200)和加权模块(300);
第一推荐模块(100)用于构建相似客户集合U,将客户集合U={U1,U2,…,Un}基于历史分成k个类型,得到k个聚类C={C1,C2,...,Ck};从聚类集合中各选取一个用户样本作为初始的质心μ={μ1,μ2,…,μk};计算客户样本Ui(i=1,2,...,n)和各个质心μj(j=1,2,...,k)的距离dij,得到μi,所述μi对应于距离dij的最小值,更新Cj=Cj∪μi;对更新后Cj中的所有样本重新计算新的质心μj;重复计算至所有k个质心μj没有发生变化位置,得到最终的聚类结果Cm;基于聚类结果Cm向客户推荐债权集合Rk1;
第二推荐模块(200)用于基于皮尔逊相关系数计算客户之间的相似度,根据客户之间的相似度和客户的历史投资偏好,计算得到债权集合Rk2;
6.一种计算机可读储存介质,其特征在于,所述计算机可读存储介质上存储有若干获取分类程序,所述若干获取分类程序用于被处理器调用并执行如权利要求1所述的基于混合策略的债权推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120860.8A CN110930259B (zh) | 2019-11-15 | 2019-11-15 | 一种基于混合策略的债权推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120860.8A CN110930259B (zh) | 2019-11-15 | 2019-11-15 | 一种基于混合策略的债权推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110930259A CN110930259A (zh) | 2020-03-27 |
CN110930259B true CN110930259B (zh) | 2023-05-26 |
Family
ID=69853115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911120860.8A Active CN110930259B (zh) | 2019-11-15 | 2019-11-15 | 一种基于混合策略的债权推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930259B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488842A (zh) * | 2020-12-14 | 2021-03-12 | 天津北晟企业服务有限公司 | 投资机构推荐方法和装置 |
WO2022203591A1 (en) * | 2021-03-22 | 2022-09-29 | Hitachi, Ltd. | Compatibility scoring system and method for evaluating compatibility |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240129A (zh) * | 2014-01-23 | 2014-12-24 | 沈一钢 | 一种商业保理网络化应用*** |
CN106204273A (zh) * | 2015-05-06 | 2016-12-07 | 上海拓悉信息科技有限公司 | 一种债权交易计算方法 |
CN108563690A (zh) * | 2018-03-15 | 2018-09-21 | 中山大学 | 一种基于面向对象聚类的协同过滤推荐方法 |
CN108665323A (zh) * | 2018-05-20 | 2018-10-16 | 北京工业大学 | 一种用于理财产品推荐***的集成方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050097033A1 (en) * | 2003-07-01 | 2005-05-05 | E-Loan, Inc. | Debt management system |
US7860774B1 (en) * | 2003-10-31 | 2010-12-28 | Charles Schwab & Co., Inc. | System and method for providing financial advice for an investment portfolio |
US8255267B2 (en) * | 2007-07-13 | 2012-08-28 | Wahrheit, Llc | System and method for determining relative preferences |
JP2013029872A (ja) * | 2009-10-19 | 2013-02-07 | Nec Corp | 情報推薦システム、方法、及び、プログラム |
US20150073931A1 (en) * | 2013-09-06 | 2015-03-12 | Microsoft Corporation | Feature selection for recommender systems |
CN105677647B (zh) * | 2014-11-17 | 2019-04-19 | ***通信集团广东有限公司 | 一种个体推荐方法及*** |
CN108984551A (zh) * | 2017-05-31 | 2018-12-11 | 广州智慧城市发展研究院 | 一种基于多类别联合软聚类的推荐方法及*** |
US20190108571A1 (en) * | 2017-10-05 | 2019-04-11 | Cognizant Technology Solutions India Pvt. Ltd. | System and method for efficiently determining relevant products for display in an online marketplace |
CN109447728A (zh) * | 2018-09-07 | 2019-03-08 | 平安科技(深圳)有限公司 | 金融产品推荐方法、装置、计算机设备及存储介质 |
CN109360057B (zh) * | 2018-10-12 | 2023-07-25 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN109862431B (zh) * | 2019-01-23 | 2023-09-29 | 重庆第二师范学院 | 一种基于mcl-hcf算法的电视节目混合推荐方法 |
CN109902235B (zh) * | 2019-03-06 | 2023-07-07 | 太原理工大学 | 基于蝙蝠优化的用户偏好聚类协同过滤推荐算法 |
CN110209928A (zh) * | 2019-04-28 | 2019-09-06 | 平安科技(深圳)有限公司 | 一种信息推荐方法、装置及存储介质 |
CN110427567A (zh) * | 2019-07-24 | 2019-11-08 | 东北大学 | 一种基于用户偏好相似度加权的协同过滤推荐方法 |
-
2019
- 2019-11-15 CN CN201911120860.8A patent/CN110930259B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240129A (zh) * | 2014-01-23 | 2014-12-24 | 沈一钢 | 一种商业保理网络化应用*** |
CN106204273A (zh) * | 2015-05-06 | 2016-12-07 | 上海拓悉信息科技有限公司 | 一种债权交易计算方法 |
CN108563690A (zh) * | 2018-03-15 | 2018-09-21 | 中山大学 | 一种基于面向对象聚类的协同过滤推荐方法 |
CN108665323A (zh) * | 2018-05-20 | 2018-10-16 | 北京工业大学 | 一种用于理财产品推荐***的集成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110930259A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maldonado et al. | Integrated framework for profit-based feature selection and SVM classification in credit scoring | |
Khemakhem et al. | Credit risk assessment for unbalanced datasets based on data mining, artificial neural network and support vector machines | |
CN107194723B (zh) | 网络小额贷款中借款项目与出借人的双向匹配推荐方法 | |
Kim et al. | Does information technology reputation affect bank loan terms? | |
US7509282B2 (en) | Auction system and method | |
Chen et al. | A fuzzy credit-rating approach for commercial loans: a Taiwan case | |
CN110415084B (zh) | 一种产品智能推荐方法及装置 | |
US7716125B2 (en) | Networked loan market and lending management system | |
Zibriczky12 | Recommender systems meet finance: a literature review | |
US20150112874A1 (en) | Method and system for performing owner association analytics | |
US20030018558A1 (en) | System, method and computer program product for online financial products trading | |
US20100211494A1 (en) | System and method for improved rating and modeling of asset backed securities | |
WO2007130338A2 (en) | Consolidation, sharing and analysis of investment information | |
MXPA01008619A (es) | Metodos y sistemas para optimizar el valor de devolucion y el presente. | |
Todd et al. | Financial attributes, financial behaviors, financial‐advisor‐use beliefs, and investing characteristics associated with having used a robo‐advisor | |
CN110930259B (zh) | 一种基于混合策略的债权推荐方法及*** | |
US10417710B2 (en) | Apparatus, methods, system and framework for discovering, copying and curating investment portfolios | |
CN111028080A (zh) | 基于多臂***和Shapley值的群智感知数据动态交易方法 | |
JP6437053B1 (ja) | 算出装置、算出方法、算出プログラム及びモデル | |
Heimbach et al. | Defi leverage | |
Urbankova et al. | Homogeneity of determinants in the financial sector and investment in EU countries | |
US20200082482A1 (en) | Methods and systems for estimating legal costs based on dynamic legal cost estimation models | |
US20230044379A1 (en) | Device and Method for Pricing and Trading Income Sharing Agreements | |
Ghasemkhani et al. | The Invisible Value of Information Systems: Reputation Building in an Online P2P Lending System | |
Deltas et al. | Free Riding on the Search of Others: Information Externalities in the Mortgage Industry |
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 |