CN115907953A - 车贷方案推荐方法、装置、电子设备及计算机存储介质 - Google Patents
车贷方案推荐方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN115907953A CN115907953A CN202211043233.0A CN202211043233A CN115907953A CN 115907953 A CN115907953 A CN 115907953A CN 202211043233 A CN202211043233 A CN 202211043233A CN 115907953 A CN115907953 A CN 115907953A
- Authority
- CN
- China
- Prior art keywords
- car
- recommendation
- scheme
- user
- credit
- 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
Images
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种车贷方案推荐方法、装置、电子设备及计算机存储介质,可应用于大数据领域或金融领域。包括在接收到用户提交的车贷申请指令时,基于所述车贷申请指令获取用户输入的用户信息和购买信息;在确定用户选择对应的支付条件之后,基于车贷方案推荐模型对用户信息和购买信息进行处理,输出不同车贷方案的推荐度;按照推荐度的排序序列确定目标车贷方案,并推荐给所述用户。在本发明实施例中,通过构建的车贷方案推荐模型对获取到的用户信息和购买信息进行处理,以输出不同车贷方案的推荐度,并按照推荐度的排序序列确定目标车贷方案,并推荐给所述用户。通过上述方式能够选择更适合自身的车贷方案。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种车贷方案推荐方法、装置、电子设备及计算机存储介质。
背景技术
申请车贷流程繁琐复杂,不仅需要准备大量资料,还需本人到银行网点交涉。银行也需每个网点配备人员进行交谈,较为浪费资源。
目标,用户需要根据自身的实际情况,估计各种贷款的优劣,并通过人工的方式确定所需要购买的车贷方案。通过自身的实际情况估计各种贷款优劣的方式,无法准确了解各种贷款对于自身情况的优劣,从而导致易选择不适合的车贷方案。
发明内容
有鉴于此,本发明实施例提供一种车贷方案推荐方法、装置、电子设备及计算机存储介质,以解决现有技术中出现易选择不适合的车贷方案的问题。
为实现上述目的,本发明实施例提供如下技术方案:
本发明实施例第一方面示出的一种车贷方案推荐方法,所述方法包括:
在接收到用户提交的车贷申请指令时,基于所述车贷申请指令获取用户输入的用户信息和购买信息,所述购买信息包括车辆价格信息和车辆信息;
在确定用户选择对应的支付条件之后,将所述用户信息和购买信息输入车贷方案推荐模型,基于所述车贷方案推荐模型对所述用户信息和购买信息进行处理,输出不同车贷方案的推荐度,所述车贷方案推荐模型是基于历史数据训练得到的;
按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列;
根据所述排序序列确定目标车贷方案,并推荐给所述用户。
可选的,所述基于历史数据训练得到车贷方案推荐模型的过程,包括:
获取历史数据,并将其作为样本数据;
利用分类树CART算法,迭代Adaboost算法和最大期望算法EM迭代优化算法对所述样本数据进行训练,得到训练完成的车贷方案推荐模型。
可选的,所述按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列,包括:
比较每一所述车贷方案的推荐度之间的大小;
根据所述推荐度的大小对所述不同的车贷方案进行排序,得到按照所述推荐度的大小从高到低排序的排序序列。
可选的,所述根据所述排序序列确定目标车贷方案,并推荐给所述用户,包括:
根据所述排序序列中车贷方案的顺序,选择预设数量个车贷方案;
将所述预设数量个车贷方案作为目标车贷方案,并推荐给所述用户。
可选的,还包括:
在所述按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列之前,判断所述推荐度是否大于或等于预设阈值;
若存在任意一所述推荐度大于或等于预设阈值,确定存在适合所述用户的车贷方案,并执行按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列这一步骤;
若所述推荐度均小于预设阈值,确定不存在适合所述用户的车贷方案。
本发明实施例第二方面示出了一种车贷方案推荐装置,所述装置包括:
获取单元,用于在接收到用户提交的车贷申请指令时,基于所述车贷申请指令获取用户输入的用户信息和购买信息,所述购买信息包括车辆价格信息和车辆信息;
车贷方案推荐模型,用于在确定用户选择对应的支付条件之后,将所述用户信息和购买信息输入车贷方案推荐模型,基于所述车贷方案推荐模型对所述用户信息和购买信息进行处理,输出不同车贷方案的推荐度,所述车贷方案推荐模型是基于构建单元构建得到;
排序单元,用于按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列;
推荐单元,用于根据所述排序序列确定目标车贷方案,并推荐给所述用户。
可选的,所述构建单元,具体用于:
获取历史数据,并将其作为样本数据;
利用分类树CART算法,迭代Adaboost算法和最大期望算法EM迭代优化算法对所述样本数据进行训练,得到训练完成的车贷方案推荐模型。
可选的,还包括:
判断单元,用于在所述排序单元执行之前,判断所述推荐度是否大于或等于预设阈值;
若存在任意一所述推荐度大于或等于预设阈值,确定存在适合所述用户的车贷方案;
若所述推荐度均小于预设阈值,确定不存在适合所述用户的车贷方案。
本发明实施例第三方面示出了一种电子设备,所述电子设备用于运行程序,其中,所述程序运行时执行如本发明实施例第一方面示出的车贷方案推荐方法。
本发明实施例第四方面示出了一种计算机存储介质,所述存储介质包括存储程序,其中,在所述程序运行时控制所述存储介质所在设备执行如本发明实施例第一方面示出的车贷方案推荐方法。
基于上述本发明实施例提供的一种车贷方案推荐方法、装置、电子设备及计算机存储介质,所述方法包括:在接收到用户提交的车贷申请指令时,基于所述车贷申请指令获取用户输入的用户信息和购买信息,所述购买信息包括车辆价格信息和车辆信息;在确定用户选择对应的支付条件之后,将所述用户信息和购买信息输入车贷方案推荐模型,基于所述车贷方案推荐模型对所述用户信息和购买信息进行处理,输出不同车贷方案的推荐度,所述车贷方案推荐模型是基于历史数据训练得到的;按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列;根据所述排序序列确定目标车贷方案,并推荐给所述用户。在本发明实施例中,通过构建的车贷方案推荐模型对获取到的用户信息和购买信息进行处理,以输出不同车贷方案的推荐度,并按照推荐度的排序序列确定目标车贷方案,并推荐给所述用户。通过上述方式能够选择更适合自身的车贷方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例示出的用户终端与服务器的交互示意图;
图2为本发明实施例示出的一种车贷方案推荐方法的流程示意图;
图3为本发明实施例示出的另一种车贷方案推荐方法的流程示意图;
图4为本发明实施例示出的一种车贷方案推荐装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请中,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、物品或者设备中还存在另外的相同要素。
需要说明的是,本发明提供的一种车贷方案推荐方法、装置、电子设备及计算机存储介质,可用于大数据领域或金融领域。上述仅为示例,并不对本发明提供的一种车贷方案推荐方法、装置、电子设备及计算机存储介质,的应用领域进行限定。
参见图1,为本发明实施例示出的用户终端与服务器的交互示意图。
用户终端10与服务器20连接。
其中,所述用户终端10的数量为多个。
用户终端10用于接收用户输入的年龄,年收入,选择对应的银行账户,购买价格区间,车辆图片等信息,并在接收到用户触发车贷申请按钮时,基于所述年龄,年收入,选择对应的银行账户,购买价格区间,车辆图片等信息生成对应的车贷申请指令,并发送给服务器20。
服务器20在接收到用户终端10发送的车贷申请指令时,基于所述车贷申请指令获取用户输入的用户信息和购买信息,所述购买信息包括车辆价格信息和车辆信息;在确定用户选择对应的支付条件之后,将所述用户信息和购买信息输入车贷方案推荐模型,基于所述车贷方案推荐模型对所述用户信息和购买信息进行处理,输出不同车贷方案的推荐度,所述车贷方案推荐模型是基于历史数据训练得到的;按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列;根据所述排序序列确定目标车贷方案,并推荐给所述用户。在本发明实施例中,通过构建的车贷方案推荐模型对获取到的用户信息和购买信息进行处理,以输出不同车贷方案的推荐度,并按照推荐度的排序序列确定目标车贷方案,并推荐给所述用户。
在本发明实施例中,通过构建的车贷方案推荐模型对获取到的用户信息和购买信息进行处理,以输出不同车贷方案的推荐度,并按照推荐度的排序序列确定目标车贷方案,并推荐给所述用户。通过上述方式能够选择更适合自身的车贷方案。
参见图2,为本发明实施例示出的车贷方案推荐方法的流程示意图,所述方法包括:
步骤S201:在接收到用户提交的车贷申请指令时,基于所述车贷申请指令获取用户输入的用户信息和购买信息。
在步骤S201中,所述购买信息包括车辆价格信息和车辆信息。
可选的,用户基于用户终端在银行应用APP内,客户可以输入年龄,年收入,选择对应的银行账户,购买价格区间,车辆图片等信息,并触发车贷申请按钮,以生成对应的车贷申请指令。
在具体实现步骤S201的过程中,在接收到用户提交的车贷申请指令时,获取车贷申请指令中携带的年龄,年收入等用户信息,购买价格区间,车辆图片等信息,并利用识别技术扫描用户上传的车辆图片后,显示新车购买价格,二手车购买价格,以及该车辆对应的保险价格等车辆信息,基于银行账户查询客户账户的账户资产信息,匹配附近的经销商库存信息,以及显示适合不同用户的支付条件等车辆信息。
步骤S202:在确定用户选择对应的支付条件之后,将所述用户信息和购买信息输入车贷方案推荐模型,基于所述车贷方案推荐模型对所述用户信息和购买信息进行处理,输出不同车贷方案的推荐度。
在步骤S202中,所述车贷方案推荐模型是基于历史数据训练得到的。
需要说明的是,具体实现步骤S202基于历史数据训练得到车贷方案推荐模型的过程,包括以下步骤:
步骤S11:获取历史数据,并将其作为样本数据。
在具体实现步骤S11的过程中,获取预设历史时间内一定数量用户选择的车贷方案、用户信息和车辆信息等。
需要说明的是,预设历史时间段是技术人员预先设置的,比如可设置为过去1年。
贷款方案有多种,比如最短时间的贷款方案,该方案总利息最低,适合经济宽裕的客户;平均时间的贷款方案,该方案总利息适中,适合不想还贷压力过大的客户;最长时间的贷款方案,该方案总利息最高,适合每月想轻松还贷的客户。
贷款方案包括具体还清贷款的年数,该年数每月需付的贷款金额,利率,总利息费用。
步骤S12:利用分类树CART算法,迭代Adaboost算法和最大期望算法EM迭代优化算法对所述样本数据进行训练,得到训练完成的车贷方案推荐模型。
在具体实现步骤S12的过程中,首先,利用CART分类树算法将样本数据按年龄,收入和可用预算等条件分类,以提取对应的特征数据;并将特征数据作为树的根节点生成CART决策树。
接着,为了剔除极端或者异常情况,利用对噪声数据和异常数据有高敏感性的Adaboost算法来剔除极端或者异常情况,具体的,利用迭代Adaboost算法对所述CART决策树进行训练,根据每次CART决策树之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个CART决策树的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。
然后,利用(Expectation-maximization algorithm,期望最大化算法)对决策分类器中包含隐变量或缺失数据的概率模型进行参数估计,以确定对应的样本数据中各个车贷方案与用户的匹配度,即对用户的推荐度,也就是说,通过前两种算法筛选数据后,EM算法可通过观察数据和现有模型来估计参数,然后用估计的参数值来计算期望值,最后寻找最大化期望值对应的参数,用以做推荐给客户参考的数据。
最后,通过上述方式对样本数据进行反复学习直至输出的推荐度为相对准确的数据,将当前训练好的CART分类树算法,Adaboost算法和EM算法的参数构建车贷方案推荐模型。
需要说明的是,CART分类树算法从根节点开始,用训练集递归建立CART分类树,可以处理分类,也可以处理回归。
Adaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。
EM算法通过迭代进行极大似然估计的优化算法,通常作为牛顿迭代法的替代用于对包含隐变量或缺失数据的概率模型进行参数估计。EM算法的标准计算框架由E步和M步交替组成,算法的收敛性可以确保迭代至少逼近局部极大值。
可选的,用户可银行APP选择对应的支付条件。
在具体实现步骤S202的过程中,在确定用户选择对应的支付条件之后,将所述用户信息和购买信息中的无效值或超出范围的值排除处理,并利用车贷方案推荐模型对所述用户信息和购买信息进行处理,确定不同车贷方案的推荐度,即各个车贷方案与用户的匹配度。
步骤S203:按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列。
需要说明的是,具体实现步骤S203按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列的过程中,包括:
步骤S21:比较每一所述车贷方案的推荐度之间的大小。
在具体实现步骤S21的过程中,将每一所述车贷方案的推荐度的大小进行比较。
步骤S22:根据所述推荐度的大小对所述不同的车贷方案进行排序,得到按照所述推荐度的大小从高到低排序的排序序列。
在具体实现步骤S22的过程中,按照所述推荐度的大小,将所述车贷方案进行排序,得到按照所述推荐度的大小从高到低排序的排序序列。
步骤S204:根据所述排序序列确定目标车贷方案,并推荐给所述用户。
需要说明的是,具体实现步骤S204根据所述排序序列确定目标车贷方案,并推荐给所述用户的过程,包括以下步骤:
步骤S31:根据所述排序序列中车贷方案的顺序,选择预设数量个车贷方案。
在具体实现步骤S31的过程中,从所述排序序列中,按照从推荐度从大到小的方式选择预设数量个车贷方案。
需要说明的是,所述预设数量可根据实际应用进行设定,本申请不加以限制。
步骤S32:将所述预设数量个车贷方案作为目标车贷方案,并推荐给所述用户。
可选的,为了保证客户隐私的安全,本发明采用数字加密安全验证公钥密码算法,用户使用自己的私钥对某个消息进行签名,验证者使用签名者的公开密钥进行验证,双方向保证隐私安全,与传统数字加密的区别是本专利加上TEE安全芯片***,TEE安全芯片进一步增加解锁条件,保护存储的数据,防止密码泄露,具体为安全芯片中存储的数据都是加密的,运行时的内存也是加密的,即使是外部的操作***,也无法访问安全芯片中的数据,因此,有安全芯片保护,即使用户不设置主密码/主密码泄露/主密码被暴力破解,数据仍是非常安全的。经安全芯片加密的数据只能在本机经安全芯片解密,离开本机将无法解密。
可选的,还包括显示目标车贷方案中的车辆扫描信息、客户个人信息、账户资产信息、车贷及利率信息、车贷推荐方案、和合同办理界面等。
在本发明实施例中,通过构建的车贷方案推荐模型对获取到的用户信息和购买信息进行处理,以输出不同车贷方案的推荐度,并按照推荐度的排序序列确定目标车贷方案,并推荐给所述用户。通过上述方式能够选择更适合自身的车贷方案。
基于上述本发明实施例示出的车贷方案推荐方法,本发明实施例还示出了另一种车贷方案推荐方法的流程示意图,如图3所示,所述方法包括:
步骤S301:在接收到用户提交的车贷申请指令时,基于所述车贷申请指令获取用户输入的用户信息和购买信息。
在步骤S301中,所述购买信息包括车辆价格信息和车辆信息。
步骤S302:在确定用户选择对应的支付条件之后,将所述用户信息和购买信息输入车贷方案推荐模型,基于所述车贷方案推荐模型对所述用户信息和购买信息进行处理,输出不同车贷方案的推荐度。
在步骤S302中,所述车贷方案推荐模型是基于历史数据训练得到的。
需要说明的是,步骤S301至步骤S302的具体实现过程与上述步骤S201至步骤S202的具体实现过程相同,可相互参见。
步骤S303:判断所述推荐度是否大于或等于预设阈值,若存在任意一所述推荐度大于或等于预设阈值,执行步骤S304至步骤S306,若所述推荐度均小于预设阈值,则执行步骤S307。
在具体实现步骤S303的过程中,比较每一车贷方案的推荐度与预设阈值之间的大小,若存在任意一所述推荐度大于或等于预设阈值,执行步骤S304至步骤S306,若所述推荐度均小于预设阈值,则执行步骤S307。
需要说明的是,预设阈值是技术人员根据实际情况设置的。
步骤S304:确定存在适合所述用户的车贷方案。
步骤S305:按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列。
步骤S306:根据所述排序序列确定目标车贷方案,并推荐给所述用户。
步骤S307:确定不存在适合所述用户的车贷方案,基于确定不存在适合所述用户的车贷方案的信息生成提示信息,以提示用户重新输入数据。
在本发明实施例中,通过构建的车贷方案推荐模型对获取到的用户信息和购买信息进行处理,以输出不同车贷方案的推荐度,并按照推荐度的排序序列确定目标车贷方案,并推荐给所述用户。通过上述方式能够选择更适合自身的车贷方案。
基于上述本发明实施例示出的车贷方案推荐方法,相应的,本发明实施例还对应公开了一种车贷方案推荐装置的结构示意图,如图4所示,所述装置包括:
获取单元401,用于在接收到用户提交的车贷申请指令时,基于所述车贷申请指令获取用户输入的用户信息和购买信息,所述购买信息包括车辆价格信息和车辆信息;
车贷方案推荐模型402,用于在确定用户选择对应的支付条件之后,将所述用户信息和购买信息输入车贷方案推荐模型,基于所述车贷方案推荐模型对所述用户信息和购买信息进行处理,输出不同车贷方案的推荐度,所述车贷方案推荐模型是基于构建单元405构建得到;
排序单元403,用于按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列;
推荐单元404,用于根据所述排序序列确定目标车贷方案,并推荐给所述用户。
需要说明的是,上述本申请实施例公开的车贷方案推荐装置中的各个单元具体的原理和执行过程,与上述本申请实施示出的车贷方案推荐方法相同,可参见上述本申请实施例公开的车贷方案推荐方法中相应的部分,这里不再进行赘述。
在本发明实施例中,通过构建的车贷方案推荐模型对获取到的用户信息和购买信息进行处理,以输出不同车贷方案的推荐度,并按照推荐度的排序序列确定目标车贷方案,并推荐给所述用户。通过上述方式能够选择更适合自身的车贷方案。
可选的,基于上述本公开实施例公开的车贷方案推荐装置,所述构建单元405,具体用于:
获取历史数据,并将其作为样本数据;
利用分类树CART算法,迭代Adaboost算法和最大期望算法EM迭代优化算法对所述样本数据进行训练,得到训练完成的车贷方案推荐模型。
可选的,基于上述本公开实施例公开的车贷方案推荐装置,该装置还包括:判断单元。
判断单元,用于在所述排序单元执行之前,判断所述推荐度是否大于或等于预设阈值;若存在任意一所述推荐度大于或等于预设阈值,确定存在适合所述用户的车贷方案。
可选的,基于上述本公开实施例公开的车贷方案推荐装置,所述排序单元403,具体用于:比较每一所述车贷方案的推荐度之间的大小;
根据所述推荐度的大小对所述不同的车贷方案进行排序,得到按照所述推荐度的大小从高到低排序的排序序列。
可选的,基于上述本公开实施例公开的车贷方案推荐装置,所述推荐单元404,具体用于:根据所述排序序列中车贷方案的顺序,选择预设数量个车贷方案;
将所述预设数量个车贷方案作为目标车贷方案,并推荐给所述用户。
基于上述本公开实施例公开的车贷方案推荐装置,上述各个模块可以通过一种由处理器和存储器构成的硬件设备实现。具体为上述各个模块作为程序单元存储于存储器中,由处理器执行存储在存储器中的上述程序单元来实现车贷方案推荐。
其中,处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现车贷方案推荐。
本公开实施例提供了一种计算机存储介质,存储介质包括存储文本处理程序,其中,程序被处理器执行时实现图2至图3所述的车贷方案推荐方法。
本公开实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行图2至图3所述的车贷方案推荐方法。
本公开实施例提供了一种电子设备,本公开实施例中的电子设备可以是服务器、PC、PAD、手机等。
该电子设备包括至少一个处理器,以及与处理器连接的至少一个存储器,以及总线。
处理器、存储器通过总线完成相互间的通信。处理器,用于执行存储器中存储的程序。
存储器,用于存储程序,该程序至少用于:在接收到用户提交的车贷申请指令时,基于所述车贷申请指令获取用户输入的用户信息和购买信息,所述购买信息包括车辆价格信息和车辆信息;在确定用户选择对应的支付条件之后,将所述用户信息和购买信息输入车贷方案推荐模型,基于所述车贷方案推荐模型对所述用户信息和购买信息进行处理,输出不同车贷方案的推荐度,所述车贷方案推荐模型是基于历史数据训练得到的;按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列;根据所述排序序列确定目标车贷方案,并推荐给所述用户。
本申请还提供了一种计算机程序产品,当在电子设备上执行时,适于执行初始化有如下方法步骤的程序:在接收到用户提交的车贷申请指令时,基于所述车贷申请指令获取用户输入的用户信息和购买信息,所述购买信息包括车辆价格信息和车辆信息;在确定用户选择对应的支付条件之后,将所述用户信息和购买信息输入车贷方案推荐模型,基于所述车贷方案推荐模型对所述用户信息和购买信息进行处理,输出不同车贷方案的推荐度,所述车贷方案推荐模型是基于历史数据训练得到的;按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列;根据所述排序序列确定目标车贷方案,并推荐给所述用户。
本申请是参照根据本申请实施例的方法、设备(***)、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。
在一个典型的配置中,设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的***及***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种车贷方案推荐方法,其特征在于,所述方法包括:
在接收到用户提交的车贷申请指令时,基于所述车贷申请指令获取用户输入的用户信息和购买信息,所述购买信息包括车辆价格信息和车辆信息;
在确定用户选择对应的支付条件之后,将所述用户信息和购买信息输入车贷方案推荐模型,基于所述车贷方案推荐模型对所述用户信息和购买信息进行处理,输出不同车贷方案的推荐度,所述车贷方案推荐模型是基于历史数据训练得到的;
按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列;
根据所述排序序列确定目标车贷方案,并推荐给所述用户。
2.根据权利要求1所述的方法,其特征在于,所述基于历史数据训练得到车贷方案推荐模型的过程,包括:
获取历史数据,并将其作为样本数据;
利用分类树CART算法,迭代Adaboost算法和最大期望算法EM迭代优化算法对所述样本数据进行训练,得到训练完成的车贷方案推荐模型。
3.根据权利要求1所述的方法,其特征在于,所述按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列,包括:
比较每一所述车贷方案的推荐度之间的大小;
根据所述推荐度的大小对所述不同的车贷方案进行排序,得到按照所述推荐度的大小从高到低排序的排序序列。
4.根据权利要求1所述的方法,其特征在于,所述根据所述排序序列确定目标车贷方案,并推荐给所述用户,包括:
根据所述排序序列中车贷方案的顺序,选择预设数量个车贷方案;
将所述预设数量个车贷方案作为目标车贷方案,并推荐给所述用户。
5.根据权利要求1所述的方法,其特征在于,还包括:
在所述按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列之前,判断所述推荐度是否大于或等于预设阈值;
若存在任意一所述推荐度大于或等于预设阈值,确定存在适合所述用户的车贷方案,并执行按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列这一步骤;
若所述推荐度均小于预设阈值,确定不存在适合所述用户的车贷方案。
6.一种车贷方案推荐装置,其特征在于,所述装置包括:
获取单元,用于在接收到用户提交的车贷申请指令时,基于所述车贷申请指令获取用户输入的用户信息和购买信息,所述购买信息包括车辆价格信息和车辆信息;
车贷方案推荐模型,用于在确定用户选择对应的支付条件之后,将所述用户信息和购买信息输入车贷方案推荐模型,基于所述车贷方案推荐模型对所述用户信息和购买信息进行处理,输出不同车贷方案的推荐度,所述车贷方案推荐模型是基于构建单元构建得到;
排序单元,用于按照所述推荐度对所述不同的车贷方案进行排序,得到排序序列;
推荐单元,用于根据所述排序序列确定目标车贷方案,并推荐给所述用户。
7.根据权利要求6所述的装置,其特征在于,所述构建单元,具体用于:
获取历史数据,并将其作为样本数据;
利用分类树CART算法,迭代Adaboost算法和最大期望算法EM迭代优化算法对所述样本数据进行训练,得到训练完成的车贷方案推荐模型。
8.根据权利要求6所述的装置,其特征在于,还包括:
判断单元,用于在所述排序单元执行之前,判断所述推荐度是否大于或等于预设阈值;
若存在任意一所述推荐度大于或等于预设阈值,确定存在适合所述用户的车贷方案;
若所述推荐度均小于预设阈值,确定不存在适合所述用户的车贷方案。
9.一种电子设备,其特征在于,所述电子设备用于运行程序,其中,所述程序运行时执行如权利要求1-5中任一所述的车贷方案推荐方法。
10.一种计算机存储介质,其特征在于,所述存储介质包括存储程序,其中,在所述程序运行时控制所述存储介质所在设备执行如权利要求1-5中任一所述的车贷方案推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211043233.0A CN115907953A (zh) | 2022-08-29 | 2022-08-29 | 车贷方案推荐方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211043233.0A CN115907953A (zh) | 2022-08-29 | 2022-08-29 | 车贷方案推荐方法、装置、电子设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907953A true CN115907953A (zh) | 2023-04-04 |
Family
ID=86484901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211043233.0A Pending CN115907953A (zh) | 2022-08-29 | 2022-08-29 | 车贷方案推荐方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907953A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474534A (zh) * | 2023-12-26 | 2024-01-30 | 成都天府通数字科技有限公司 | 一种条件支付的管理*** |
-
2022
- 2022-08-29 CN CN202211043233.0A patent/CN115907953A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474534A (zh) * | 2023-12-26 | 2024-01-30 | 成都天府通数字科技有限公司 | 一种条件支付的管理*** |
CN117474534B (zh) * | 2023-12-26 | 2024-03-19 | 成都天府通数字科技有限公司 | 一种条件支付的管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064175B (zh) | 一种账户盗用风险防控方法及装置 | |
US11461751B2 (en) | Method for using supervised model to identify user | |
US20210166140A1 (en) | Method and apparatus for training risk identification model and server | |
JP5026527B2 (ja) | ユーザのインタラクションに関する分析による不正行為探知 | |
CN110147925B (zh) | 一种风险决策方法、装置、设备及*** | |
CN107169499B (zh) | 一种风险识别方法及装置 | |
CN107888671A (zh) | 一种信息推送方法和装置 | |
CN109191226B (zh) | 风险控制方法和装置 | |
CN108876188B (zh) | 一种间连服务商风险评估方法及装置 | |
CN107563757A (zh) | 数据风险控制的方法及装置 | |
US11823197B2 (en) | Authenticating based on user behavioral transaction patterns | |
KR20180113229A (ko) | 블록 체인을 이용한 대출 서비스 제공 방법 및 이를 실행하는 시스템 | |
CN111275416B (zh) | 数字货币异常交易检测方法、装置、电子设备及介质 | |
US11875350B2 (en) | Systems and methods for improved fraud detection | |
CN106779608B (zh) | 一种基于微信平台的信息处理方法及信息处理*** | |
CN107835247B (zh) | 一种信用认证、保障***及方法 | |
CN112132676A (zh) | 联合训练目标模型的贡献度的确定方法、装置和终端设备 | |
US20240135379A1 (en) | Authenticating Based on Behavioral Transactional Patterns | |
CN115907953A (zh) | 车贷方案推荐方法、装置、电子设备及计算机存储介质 | |
US20240119136A1 (en) | Third Party Data Processing for Improvement of Authentication Questions | |
CN117422553A (zh) | 区块链网络的交易处理方法、装置、设备、介质和产品 | |
Adam et al. | Anomaly Detection on Distributed Ledger Using Unsupervised Machine Learning | |
CN110992155A (zh) | 竞标入围处理方法及相关产品 | |
CN107423982B (zh) | 基于账户的业务实现方法和装置 | |
US20230237467A1 (en) | Risk Analysis System for Cold Restore Requests for Digital Wallets |
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 |