CN116739759A - 基于订单风险识别的资产资金匹配方法、装置及设备 - Google Patents
基于订单风险识别的资产资金匹配方法、装置及设备 Download PDFInfo
- Publication number
- CN116739759A CN116739759A CN202310866252.1A CN202310866252A CN116739759A CN 116739759 A CN116739759 A CN 116739759A CN 202310866252 A CN202310866252 A CN 202310866252A CN 116739759 A CN116739759 A CN 116739759A
- Authority
- CN
- China
- Prior art keywords
- order
- asset
- user
- matching
- result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003066 decision tree Methods 0.000 claims abstract description 144
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 11
- 239000013589 supplement Substances 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 230000000153 supplemental effect Effects 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 abstract description 21
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了基于订单风险识别的资产资金匹配方法、装置及设备,方法包括在获取到用户资产订单数据集后依次基于二分类预测模型集和决策树策略模型集进行风险识别得到对应的订单风险识别结果集;获取订单风险识别结果集中具有第一预设类型识别结果的订单风险识别结果对应的目标用户资产订单数据,并基于资金匹配策略获取各自对应的资金方匹配结果。本发明实施例可以通过对用户资产订单数据集采用二分类预测模型集及决策树策略模型集的两次风险评估后,筛选出具有第一预设类型识别结果的目标用户资产订单数据参与最终的资金资产匹配,提高了资产订单的数据使用率,且因采用二次风险识别避免了用户资产订单数据被误拦截的问题。
Description
技术领域
本发明涉及人工智能的智能决策技术领域,尤其涉及一种基于订单风险识别的资产资金匹配方法、装置及设备。
背景技术
在互联网金融领域,资金资产匹配是资金资产撮合平台的常见数据处理流程。其中,资产是用户向互联网金融公司发出的贷款申请订单(例如其中包括用户信息、订单金额、账期和利率)而形成;资金方则是资金资产撮合平台所合作的外部可提供资金的金融机构或银行。资金资产匹配则是对资产相应的贷款申请订单匹配到最适合的资金方,在资金方对贷款申请订单审核通过后则可进行后续的环节。
目前,在资金资产撮合平台在进行资金资产匹配时,需先对贷款申请订单由风控策略进行一次风险评估后确定贷款申请订单的风险级别,之后若确定贷款申请订单的风险级别为高风险级别或中风险级别,则直接拦截该贷款申请订单并不再参与后续的资金方匹配。
但是,基于目前对贷款申请订单采用风控策略行一次风险评估确定其风险级别再确定是否拦截订单的方式,存在以下缺陷:
1)存在误判订单风险级别的情况,从而导致有贷款申请订单被误拦截;
2)中风险级别对应的贷款申请订单是潜在促撮合订单,资金资产撮合平台对这类潜在促撮合订单也是统一拦截,不再进一步评估贷款申请订单的其他指标,使得资金资产撮合平台最终能促成资金资产匹配成功的成功率低下,导致资金资产撮合平台中作为资产的贷款申请订单的利用率低下。
发明内容
本发明实施例提供了基于订单风险识别的资产资金匹配方法、装置及设备,旨在解决现有技术中资金资产撮合平台对贷款申请订单采用风控策略行一次风险评估确定其风险级别在确定是否拦截订单的方式存在误判订单风险级别的情况,从而导致有贷款申请订单被误拦截的问题。
第一方面,本发明实施例提供了一种基于订单风险识别的资产资金匹配方法,其包括:
响应于资产资金匹配指令,获取与所述资产资金匹配指令对应的用户资产订单数据集;
基于预先训练的二分类预测模型集获取与所述用户资产订单数据集对应的预测结果集;其中,所述用户资产订单数据集中每一个用户资产订单数据对应一个预测结果;
获取所述预测结果集中各预测结果对应的补充用户特征以更新各预测结果,得到更新后预测结果集;
基于预先训练的决策树策略模型集获取与所述更新后预测结果集对应的订单风险识别结果集;其中,所述更新后预测结果集中每一个更新后预测结果对应一个订单风险识别结果;
获取所述订单风险识别结果集中具有第一预设类型识别结果的订单风险识别结果以组成目标订单风险识别结果集;
获取所述目标订单风险识别结果集中各目标订单风险识别结果分别对应的目标用户资产订单数据,并基于预设的资金匹配策略获取各目标用户资产订单数据对应的资金方匹配结果。
第二方面,本发明实施例还提供了一种基于订单风险识别的资产资金匹配装置,其包括:
订单数据获取单元,用于响应于资产资金匹配指令,获取与所述资产资金匹配指令对应的用户资产订单数据集;
二分类预测单元,用于基于预先训练的二分类预测模型集获取与所述用户资产订单数据集对应的预测结果集;其中,所述用户资产订单数据集中每一个用户资产订单数据对应一个预测结果;
预测结果更新单元,用于获取所述预测结果集中各预测结果对应的补充用户特征以更新各预测结果,得到更新后预测结果集;
决策单元,用于基于预先训练的决策树策略模型集获取与所述更新后预测结果集对应的订单风险识别结果集;其中,所述更新后预测结果集中每一个更新后预测结果对应一个订单风险识别结果;
识别结果筛选单元,用于获取所述订单风险识别结果集中具有第一预设类型识别结果的订单风险识别结果以组成目标订单风险识别结果集;
资产资金匹配单元,用于获取所述目标订单风险识别结果集中各目标订单风险识别结果分别对应的目标用户资产订单数据,并基于预设的资金匹配策略获取各目标用户资产订单数据对应的资金方匹配结果。
第三方面,本发明实施例还提供了一种应计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时可实现上述第一方面所述的方法。
本发明实施例提供了一种基于订单风险识别的资产资金匹配方法、装置及设备,方法包括:响应于资产资金匹配指令,获取与资产资金匹配指令对应的用户资产订单数据集;基于预先训练的二分类预测模型集获取与用户资产订单数据集对应的预测结果集;获取预测结果集中各预测结果对应的补充用户特征以更新各预测结果,得到更新后预测结果集;基于预先训练的决策树策略模型集获取与更新后预测结果集对应的订单风险识别结果集;获取订单风险识别结果集中具有第一预设类型识别结果的订单风险识别结果以组成目标订单风险识别结果集;获取目标订单风险识别结果集中各目标订单风险识别结果分别对应的目标用户资产订单数据,并基于预设的资金匹配策略获取各目标用户资产订单数据对应的资金方匹配结果。本发明实施例可以通过对用户资产订单数据集采用二分类预测模型集及决策树策略模型集的两次风险评估后,筛选出具有第一预设类型识别结果的目标用户资产订单数据参与最终的资金资产匹配,提高了资产订单的数据使用率,且因采用二次风险识别避免了用户资产订单数据被误拦截的问题。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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发明的一些实施例,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为本发明实施例提供的基于订单风险识别的资产资金匹配方法的应用场景示意图;
图2为本发明实施例提供的基于订单风险识别的资产资金匹配方法的流程示意图;
图3为本发明实施例提供的基于订单风险识别的资产资金匹配方法的子流程示意图;
图4为本发明实施例提供的基于订单风险识别的资产资金匹配装置的示意性框图;
图5为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本发明实施例提供了一种基于订单风险识别的资产资金匹配方法、装置及设备。本发明实施例中的基于订单风险识别的资产资金匹配方法应用于服务器,服务器中设置有一个或多个处理器、存储器,以及一个或多个应用程序,其中一个或多个应用程序被存储于存储器中,并配置为由处理器执行以实现基于订单风险识别的资产资金匹配方法。
如图1所示,图1为本发明实施例基于订单风险识别的资产资金匹配方法的场景示意图,本发明实施例中基于订单风险识别的资产资金匹配场景中包括服务器10和用户终端20,其中服务器10中集成有基于订单风险识别的资产资金匹配装置,运行基于订单风险识别的资产资金匹配方法对应的存储介质,以执行基于订单风险识别的资产资金匹配方法的步骤。
可以理解的是,图1所示基于订单风险识别的资产资金匹配方法的具体应用场景中的服务器10,服务器10中包含的装置并不构成对本发明实施例的限制,即基于订单风险识别的资产资金匹配方法的具体应用场景中包含的设备数量、设备种类,或者各个设备中包含的装置数量、装置种类不影响本发明实施例中技术方案整体实现,均可以算作本发明实施例要求保护技术方案的等效替换或衍生。
本发明实施例中服务器10主要用于:响应于资产资金匹配指令,获取与所述资产资金匹配指令对应的用户资产订单数据集;基于预先训练的二分类预测模型集获取与所述用户资产订单数据集对应的预测结果集;其中,所述用户资产订单数据集中每一个用户资产订单数据对应一个预测结果;获取所述预测结果集中各预测结果对应的补充用户特征以更新各预测结果,得到更新后预测结果集;基于预先训练的决策树策略模型集获取与所述更新后预测结果集对应的订单风险识别结果集;其中,所述更新后预测结果集中每一个更新后预测结果对应一个订单风险识别结果;获取所述订单风险识别结果集中具有第一预设类型识别结果的订单风险识别结果以组成目标订单风险识别结果集;获取所述目标订单风险识别结果集中各目标订单风险识别结果分别对应的目标用户资产订单数据,并基于预设的资金匹配策略获取各目标用户资产订单数据对应的资金方匹配结果。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本发明方案一种应用场景,并不构成对本发明方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的服务器10,或者服务器10的网络连接关系,例如图1中仅示出1个服务器10,可以理解的,该基于订单风险识别的资产资金匹配方法的具体应用场景还可以包括一个或多个其他服务器10,具体此处不作限定;该服务器10中还可以包括存储器。
图2是本发明实施例提供的基于订单风险识别的资产资金匹配方法的流程示意图。如图2所示,该方法包括以下步骤S110-S160。
S110、响应于资产资金匹配指令,获取与所述资产资金匹配指令对应的用户资产订单数据集。
在本实施例中,是以服务器为执行主体描述技术方案。例如以互联网金融为场景,当用户需办理贷款业务时,其在用户终端中相应应用程序的用户交互界面上填写了用户基本信息(如用户姓名、性别、年龄、唯一身份识别号等)、申请金额等具体信息后,生成一个贷款订单,且上述生成的订单可视为一个资产订单。资产订单生成之后需要经过风险识别等处理后,判断是否能匹配到相应的资金提供方进行贷款资金发放(其中贷款资金提供方可以视为资金方)。
当服务器接收到了由至少一个用户终端上传且包括至少一个用户资产订单数据的用户资产订单数据集后,则需要该用户资产订单数据集中的所有用户资产订单数据进行订单风险识别以及在通过订单风险识别的校验后匹配资金方。
在一实施例中,步骤S110之后还包括:
获取所述用户资产订单数据集中各用户资产订单数据对应的用户特征、资方特征及订单特征;
若确定各用户资产订单数据对应的用户特征、资方特征及订单特征均为非空值特征,则由各用户资产订单数据对应的用户特征、资方特征及订单特征组成对应的用户资产订单输入数据;
若确定有用户资产订单数据对应的资方特征为空值特征,则获取相应用户资产订单数据的第三方用户数据以提取第三资方特征并更新资方特征,由相应用户资产订单数据的用户特征、资方特征及订单特征组成对应的用户资产订单输入数据。
在本实施例中,若以一个用户终端A上传的一条用户资产订单数据1为例,在用户资产订单数据1中可直接提取到用户特征1(如用户姓名、年龄、性别、职业等特征)及订单特征1(如订单账期类型,更具体如具有1-3期账期的订单账期类型、具有4-6期账期的订单账期类型、具有7-12期账期的订单账期类型、故具有12期以上账期的订单账期类型),还可以基于服务器中本地存储的历史用户资产订单数据集中获取到具有用户特征1的历史用户资产订单数据1,并以该历史用户资产订单数据1对应的资金方数据作为对应的资方特征1,最后由用户资产订单数据1对应的用户特征1、资方特征1及订单特征1组成对应的用户资产订单输入数据1。
当然,当在服务器中本地存储的历史用户资产订单数据集中获取不到具有用户特征1的历史用户资产订单数据1时,可以基于用户特征1在与服务器有通讯连接关系的第三方服务器中去获取到具有用户特征1的第三方用户数据1,并从该第三方用户数据1中提取到第三资方特征作为对应的资方特征1,最后由用户资产订单数据1对应的用户特征1、资方特征1及订单特征1组成对应的用户资产订单输入数据1。可见,通过上述方式,可以快速获取到组成用户资产订单输入数据的各维度特征具体信息。
S120、基于预先训练的二分类预测模型集获取与所述用户资产订单数据集对应的预测结果集;其中,所述用户资产订单数据集中每一个用户资产订单数据对应一个预测结果。
在本实施例中,在服务器的本地存储有预先完成训练的多个二分类预测模型所组成的二分类预测模型集,当将用户资产订单数据集中每一个用户资产订单数据作为多个二分类预测模型(如多个二分类预测模型均为用于预测用户资产订单数据的高坏账率的二分类模型)的其中一个二分类预测模型的输入进行预测运算时,可以得到与各用户资产订单数据分别对应的预测结果。因上述基于用户资产订单数据进行第一次风险评估采用的是二分类模型,具有较高的预测结果获取效率,同时也避免直接以该预测结果作为最终的订单风险评估标准而提高了订单利用率。
在一实施例中,所述二分类预测模型集包括至少一个二分类预测模型,所述用户资产订单数据包括至少一个订单账期类型,不同订单账期类型的具有不同的账期时长,且所述至少一个二分类预测模型与所述至少一个订单账期类型的账期时长相对应;
所述基于预先训练的二分类预测模型集获取与所述用户资产订单数据集对应的预测结果集中针对所述用户资产订单数据集每一个用户资产订单数据均执行:
获取所述用户资产订单数据的用户资产订单输入数据,并获取所述用户资产订单输入数据中的订单特征及对应的订单账期类型;
在所述二分类预测模型集中确定与所述订单账期类型对应的目标二分类预测模型,对所述用户资产订单输入数据基于所述目标二分类预测模型运算,得到预测结果。
在本实施例中,以所述二分类预测模型集中包括四个二分类预测模型为例,即,所述二分类预测模型集中包括第一二分类预测模型、第二二分类预测模型、第三二分类预测模型及第四二分类预测模型;其中,所述第一二分类预测模型用于对具有第一订单账期类型的用户资产订单数据进行订单风险识别;所述第二二分类预测模型用于对具有第二订单账期类型的用户资产订单数据进行订单风险识别;所述第三二分类预测模型用于对具有第三订单账期类型的用户资产订单数据进行订单风险识别;所述第四二分类预测模型用于对具有第四订单账期类型的用户资产订单数据进行订单风险识别;所述第一订单账期类型对应的账期时长小于所述第二订单账期类型对应的账期时长,所述第二订单账期类型对应的账期时长小于所述第三订单账期类型对应的账期时长,所述第三订单账期类型对应的账期时长小于所述第四订单账期类型对应的账期时长;
其中,步骤S120中在针对所述用户资产订单数据集每一个用户资产订单数据以基于二分类预测模型集获取对应预测结果时,均执行以下步骤:
获取所述用户资产订单数据的用户资产订单输入数据,并获取所述用户资产订单输入数据中的订单特征及对应的订单账期类型;
若确定所述用户资产订单输入数据的订单账期类型属于第一订单账期类型,则对所述用户资产订单输入数据基于所述第一二分类预测模型运算,得到预测结果;
若确定所述用户资产订单输入数据的订单账期类型属于第二订单账期类型,则对所述用户资产订单输入数据基于所述第二二分类预测模型运算,得到预测结果;
若确定所述用户资产订单输入数据的订单账期类型属于第三订单账期类型,则对所述用户资产订单输入数据基于所述第三二分类预测模型运算,得到预测结果;
若确定所述用户资产订单输入数据的订单账期类型属于第四订单账期类型,则对所述用户资产订单输入数据基于所述第四二分类预测模型运算,得到预测结果。
在本实施例中,所述二分类预测模型集中至少包括第一二分类预测模型、第二二分类预测模型、第三二分类预测模型及第四二分类预测模型是为了分别对具有第一订单账期类型、具有第二订单账期类型、具有第三订单账期类型及具有第四订单账期类型的用户资产订单数据进行订单风险识别。更具体的,如将具有1-3期账期的订单账期类型作为第一订单账期类型、将具有4-6期账期的订单账期类型作为第二订单账期类型、将具有7-12期账期的订单账期类型作为第三订单账期类型、并将具有12期以上账期的订单账期类型作为第四订单账期类型。
当需要对一个用户资产订单数据进行订单风险识别,首先确定该用户资产订单输入数据的订单账期类型(例如从该用户资产订单输入数据中的订单特征中提取到订单账期类型)是属于第一订单账期类型,或是属于第二订单账期类型、或是属于第一订单账期类型、或是属于第四订单账期类型;之后再确定了该用户资产订单输入数据的订单账期类型所属于的目标订单账期类型后,以目标订单账期类型对应的二分类预测模型作为目标二分类预测模型(即为第一二分类预测模型、第二二分类预测模型、第三二分类预测模型及第四二分类预测模型其中一种);最后将用户资产订单输入数据输入至目标二分类预测模型进行运算而得到预测结果。可见,由于针对不同的订单账期类型的用户资产订单数据采用了不同的二分类预测模型进行分类预测,使得预测结果更加准确。
S130、获取所述预测结果集中各预测结果对应的补充用户特征以更新各预测结果,得到更新后预测结果集。
在本实施例中,当在服务器中获取到了所述用户资产订单数据集中每一个用户资产订单数据对应一个预测结果以组成了预测结果集后,不是直接将预测结果集作为下一次风险评估模型的输入数据,而是还需要针对各预测结果对应增加补充用户特征以更新各预测结果,以得到更新后预测结果集。因在下一次输入至另一风险评估模型之前还有针对性的对每一个预测结果增加补充用户特征,使得第二次进行风险评估的数据具有更多维度用户信息,能有效提高最终二次风险评估的输出结果准确性。
在一实施例中,如图3所示,步骤S130包括:
S131、获取所述预测结果集中各预测结果对应的用户资产订单数据;
S132、获取与各用户资产订单数据对应的风控特征集和订单补充特征,以组成与各预测结果对应的补充用户特征;其中,各用户资产订单数据对应的风控特征集均由用户资产订单数据输入至若干个风控模型运算得到;
S133、以各预测结果对应的补充用户特征更新各预测结果,得到所述更新后预测结果集。
在本实施例中,当在服务器中获取到了所述用户资产订单数据集中每一个用户资产订单数据对应一个预测结果后,可知每一预测结果对应一个用户资产订单数据。因在服务器中还存储有其他若干个在线或离线的风控模型,故将每一个用户资产订单数据输入到由其他若干个在线或离线的风控模型中进行运算,可以得到各用户资产订单数据对应的风控特征集。同样,在服务器中还存储有历史用户资产订单数据集,可以分析得到如提前还款率等特征。在服务器中获取到了所述用户资产订单数据集中每一个用户资产订单数据的订单金额后,以与各用户资产订单数据对应的提前还款率和订单金额等特征作为与各用户资产订单数据对应的订单补充特征。当在每个预测结果中都对应增加了风控特征集和订单补充特征,即通过数据维度增加的方式完成了对各预测结果的更新,使得所述更新后预测结果集中各更新后预测结果具有更多数据信息。
S140、基于预先训练的决策树策略模型集获取与所述更新后预测结果集对应的订单风险识别结果集;其中,所述更新后预测结果集中每一个更新后预测结果对应一个订单风险识别结果。
在本实施例中,在服务器的本地存储有预先完成训练的多个决策树策略模型所组成的决策树策略模型集,当将更新后预测结果集中每一个更新后预测结果作为多决策树策略模型的其中一个决策树策略模型的输入进行风险识别运算时,可以得到与各更新后预测结果分别对应的订单风险识别结果。因上述基于更新后预测结果进行第二次风险评估采用的是决策树模型,故能基于二次风险评估更准确的得到与原始每一用户资产订单数据对应的订单风险识别结果。
在一实施例中,所述决策树策略模型集中包括至少一个决策树策略模型,且所述至少一个决策树策略模型与所述至少一个二分类预测模型相对应;
所述基于预先训练的决策树策略模型集获取与所述更新后预测结果集对应的订单风险识别结果集中针对所述更新后预测结果集每一个更新后预测结果均执行:
获取所述更新后预测结果对应的预测结果,以由预测结果所对应用户资产订单输入数据中的订单账期类型作为所述更新后预测结果的订单账期类型;
在所述决策树策略模型集集中确定与所述更新后预测结果的订单账期类型对应的目标决策树策略模型,则对所述更新后预测结果基于所述目标决策树策略模型运算,得到订单风险识别结果。
在本实施例中,以所述决策树策略模型集中包括四个决策树策略模型为例,包括与所述第一二分类预测模型对应的第一决策树策略模型、与所述第二二分类预测模型对应的第二决策树策略模型、与所述第三二分类预测模型对应的第三决策树策略模型及与所述第四二分类预测模型对应的第四决策树策略模型;
其中,步骤S140中针对所述更新后预测结果集每一个更新后预测结果基于决策树策略模型集获取订单风险识别结果时,均执行以下步骤:
所述基于预先训练的决策树策略模型集获取与所述更新后预测结果集对应的订单风险识别结果集中针对所述更新后预测结果集每一个更新后预测结果均执行:
获取所述更新后预测结果对应的预测结果,以由预测结果所对应用户资产订单输入数据中的订单账期类型作为所述更新后预测结果的订单账期类型;
若确定所述更新后预测结果的订单账期类型属于所述第一订单账期类型,则对所述更新后预测结果基于所述第一决策树策略模型运算,得到订单风险识别结果;
若确定所述更新后预测结果的订单账期类型属于所述第二订单账期类型,则对所述更新后预测结果基于所述第二决策树策略模型运算,得到订单风险识别结果;
若确定所述更新后预测结果的订单账期类型属于所述第三订单账期类型,则对所述更新后预测结果基于所述第三决策树策略模型运算,得到订单风险识别结果;
若确定所述更新后预测结果的订单账期类型属于所述第四订单账期类型,则对所述更新后预测结果基于所述第四决策树策略模型运算,得到订单风险识别结果。
在本实施例中,所述决策树策略模型集中至少包括第一决策树策略模型、第二决策树策略模型、第三决策树策略模型及第四决策树策略模型是为了分别对具有第一订单账期类型、具有第二订单账期类型、具有第三订单账期类型及具有第四订单账期类型的更新后预测结果进行订单风险二次识别。同样的,在更新后预测结果如具有1-3期账期的订单账期类型则作为第一订单账期类型、如具有4-6期账期的订单账期类型则作为第二订单账期类型、如具有7-12期账期的订单账期类型则作为第三订单账期类型、如具有12期以上账期的订单账期类型则作为第四订单账期类型。
当需要对一个更新后预测结果进行二次订单风险识别,首先确定该更新后预测结果的订单账期类型(例如从该更新后预测结果中的订单特征中提取到订单账期类型)是属于第一订单账期类型,或是属于第二订单账期类型、或是属于第一订单账期类型、或是属于第四订单账期类型;之后再确定了该更新后预测结果的订单账期类型所属于的目标订单账期类型后,以目标订单账期类型对应的决策树策略模型作为目标决策树策略模型(即为第一决策树策略模型、第二决策树策略模型、第三决策树策略模型及第四决策树策略模型其中一种);最后将更新后预测结果输入至目标决策树策略模型进行运算而得到订单风险识别结果。可见,由于针对不同的订单账期类型的更新后预测结果采用了不同的决策树策略模型进行分类预测,使得订单风险识别结果更加准确。
在一实施例中,步骤S140之前还包括:
获取初始决策树策略模型集,及获取所述初始决策树策略模型集中各初始决策树策略模型基于模型测试集得到的模型评估指标值;
若确定有初始决策树策略模型的模型评估指标值超出预设评估指标阈值,则获取对应的初始决策树策略模型,以组成所述决策树策略模型集。
在本实施例中,在服务器中预先构建决策树策略模型集时,是先构建好参考更新后预测结果中所包括多维度特征为决策节点组合得到的多种初始决策树策略模型,然后使用服务器中的模型训练集及模型测试集对多种初始决策树策略模型分别进行模型训练及测试,而最终得到各初始决策树策略模型基于模型测试集得到的模型评估指标值。之后,从多个初始决策树策略模型中选择模型评估指标值超出预设评估指标阈值对应的初始决策树策略模型,以组成所述决策树策略模型集。可以,由于预先筛选了模型表现好的决策树模型,使得后续实际应用时,得到的订单风险识别结果更加准确。
例如,以获取一个初始决策树策略模型的ROI指标值(ROI即投入产出比)作为模型评估指标值为例,也即要获取初始决策树策略模型的投入产出比指标值。通过一个模型测试集得到了初始决策树策略模型中识别为低风险结果(也即第一预设类型识别结果)所有订单产生的利润提升平均比例除以识别为低风险结果所有订单的成交订单总金额可能下降比例得到。若决策树策略模型的ROI指标值越大,表明该决策树策略模型的效果越好。
S150、获取所述订单风险识别结果集中具有第一预设类型识别结果的订单风险识别结果以组成目标订单风险识别结果集。
在本实施例中,当获取到了所述用户资产订单数据集对应的所述订单风险识别结果集后,筛选其中具有第一预设类型识别结果的订单风险识别结果以组成目标订单风险识别结果集。其中,第一预设类型识别结果用于标识不具有严重负利润率的用户资产订单数据。当然,因服务器中还设置有第二预设类型识别结果用于标识具有严重负利润率的用户资产订单数据,故还能在服务器中获取到获取所述订单风险识别结果集中具有第二预设类型识别结果的订单风险识别结果以组成另一目标订单风险识别结果集。
当然,因所得到的另一目标订单风险识别结果集中各目标订单风险识别结果对应的用户资产订单数据具有严重负利润率,这就是服务器基于二分类预测模型集和决策树策略模型集两次风险识别后得到的高风险订单数据,此时服务器对另一目标订单风险识别结果集中各目标订单风险识别结果对应的用户资产订单数据则进行主动拦截,且不再参与之后的资产资金匹配。
S160、获取所述目标订单风险识别结果集中各目标订单风险识别结果分别对应的目标用户资产订单数据,并基于预设的资金匹配策略获取各目标用户资产订单数据对应的资金方匹配结果。
在本实施例中,在服务器中获取到了所述目标订单风险识别结果集后,需要获取预先存储的资金匹配策略,以用于撮合目标用户资产订单数据与资金方成功匹配,从而实现最终的资产资金匹配。通过上述方式,有效提高了用户资产订单数据的利用率和撮合率。
在一实施例中,所述资金匹配策略用于对用户资产订单数据按照预设的资金方匹配顺序匹配得到资金方匹配结果,步骤S160中针对所述目标订单风险识别结果集每一个目标用户资产订单数据基于资金匹配策略确定资金方匹配结果时均执行以下步骤:
获取所述资金匹配策略对应的所述资金方匹配顺序;
按照所述资金方匹配顺序依序获取资金方终端对应反馈的匹配结果,直至首次检测到有资金方终端对应反馈的匹配结果为同意匹配结果且停止匹配,并获取首次检测到所述同意匹配结果的资金方终端所对应资金方信息作为所述目标用户资产订单数据对应的资金方匹配结果。
在本实施例中,对具有第一预设类型识别结果的所有用户资产订单数据采用资金匹配策略进行资金方匹配时,可以参考所述资金匹配策略对应的所述资金方匹配顺序,例如资金方匹配顺序为A类资金方、B类资金方、C类资金方的顺序。针对每一个目标用户资产订单数据,先将其发送至A类资金方的资金方终端以获取其反馈的匹配结果。若A类资金方的资金方终端反馈的是同意匹配结果,则以A类资金方作为所述目标用户资产订单数据对应的资金方匹配结果,并且不再与后面的B类资金方、C类资金方进行匹配。
但是若A类资金方的资金方终端反馈的是不同意匹配结果,则还需要将目标用户资产订单数据发送至B类资金方的资金方终端以获取其反馈的匹配结果,若B类资金方的资金方终端反馈的是同意匹配结果,则以B类资金方作为所述目标用户资产订单数据对应的资金方匹配结果,并且不再与后面的C类资金方进行匹配。但是若B类资金方的资金方终端反馈的是不同意匹配结果,则还需要将目标用户资产订单数据发送至C类资金方的资金方终端以获取其反馈的匹配结果,若C类资金方的资金方终端反馈的是同意匹配结果,则以C类资金方作为所述目标用户资产订单数据对应的资金方匹配结果。若C类资金方的资金方终端反馈的是不同意匹配结果,则表示该目标用户资产订单数据未匹配成功,得到一个空值取值的资金方匹配结果。可见,基于上述方式,可以对具有第一预设类型识别结果的所有用户资产订单数据进行快速的资产资金匹配。
其中,在服务器中为了实现对用户资产订单数据进行订单风险识别以及在通过订单风险识别的校验后匹配资金方,可以构建具有如下架构的匹配***:
1)分析层,可用于获取数据层中存储的历史用户资产订单数据集、第三方用户数据集等数据进行数据分析,得到分别作为后续二分类预测模型及决策树策略模型输出指标的重要参数指标;例如续二分类预测模型输出与用户资产订单数据对应的预测结果,且决策树策略模型输出与更新后预测结果对应的订单风险识别结果;
2)数据层,可用于存储的历史用户资产订单数据集、第三方用户数据集等数据以供其它层调用进行数据分析或模型训练;
3)模型层,用于存储二分类预测模型集以供对订单数据的初次风险识别使用,一般是用于识别出;
4)策略层,用于存储决策树策略模型集以供对订单数据的二次风险识别使用;
5)应用层,用于对策略层识别出的目标订单风险识别结果分别对应的目标用户资产订单数据进行资产资金匹配;
6)维护层,可用于对模型层及策略层中的模型或策略进行维护或更新。
可见,实施该方法的实施例可以通过对用户资产订单数据集采用二分类预测模型集及决策树策略模型集的两次风险评估后,筛选出具有第一预设类型识别结果的目标用户资产订单数据参与最终的资金资产匹配,提高了资产订单的数据使用率,且因采用二次风险识别避免了用户资产订单数据被误拦截的问题。
图4是本发明实施例提供的一种基于订单风险识别的资产资金匹配装置的示意性框图。如图4所示,对应于以上基于订单风险识别的资产资金匹配方法,本发明还提供一种基于订单风险识别的资产资金匹配装置100。该基于订单风险识别的资产资金匹配装置100包括用于执行上述基于订单风险识别的资产资金匹配方法的单元。请参阅图4,该基于订单风险识别的资产资金匹配装置100包括:订单数据获取单元110、二分类预测单元120、预测结果更新单元130、决策单元140、识别结果筛选单元150和资产资金匹配单元160。
内存存储控制单元110,用于响应于资产资金匹配指令,获取与所述资产资金匹配指令对应的用户资产订单数据集。
在本实施例中,是以服务器为执行主体描述技术方案。例如以互联网金融为场景,当用户需办理贷款业务时,其在用户终端中相应应用程序的用户交互界面上填写了用户基本信息(如用户姓名、性别、年龄、唯一身份识别号等)、申请金额等具体信息后,生成一个贷款订单,且上述生成的订单可视为一个资产订单。资产订单生成之后需要经过风险识别等处理后,判断是否能匹配到相应的资金提供方进行贷款资金发放(其中贷款资金提供方可以视为资金方)。
当服务器接收到了由至少一个用户终端上传且包括至少一个用户资产订单数据的用户资产订单数据集后,则需要该用户资产订单数据集中的所有用户资产订单数据进行订单风险识别以及在通过订单风险识别的校验后匹配资金方。
在一实施例中,基于订单风险识别的资产资金匹配装置100还包括:
订单特征提取单元,用于获取所述用户资产订单数据集中各用户资产订单数据对应的用户特征、资方特征及订单特征;
第一输入数据处理单元,用于若确定各用户资产订单数据对应的用户特征、资方特征及订单特征均为非空值特征,则由各用户资产订单数据对应的用户特征、资方特征及订单特征组成对应的用户资产订单输入数据;
第二输入数据处理单元,用于若确定有用户资产订单数据对应的资方特征为空值特征,则获取相应用户资产订单数据的第三方用户数据以提取第三资方特征并更新资方特征,由相应用户资产订单数据的用户特征、资方特征及订单特征组成对应的用户资产订单输入数据。
在本实施例中,若以一个用户终端A上传的一条用户资产订单数据1为例,在用户资产订单数据1中可直接提取到用户特征1(如用户姓名、年龄、性别、职业等特征)及订单特征1(如订单账期类型,更具体如具有1-3期账期的订单账期类型、具有4-6期账期的订单账期类型、具有7-12期账期的订单账期类型、故具有12期以上账期的订单账期类型),还可以基于服务器中本地存储的历史用户资产订单数据集中获取到具有用户特征1的历史用户资产订单数据1,并以该历史用户资产订单数据1对应的资金方数据作为对应的资方特征1,最后由用户资产订单数据1对应的用户特征1、资方特征1及订单特征1组成对应的用户资产订单输入数据1。
当然,当在服务器中本地存储的历史用户资产订单数据集中获取不到具有用户特征1的历史用户资产订单数据1时,可以基于用户特征1在与服务器有通讯连接关系的第三方服务器中去获取到具有用户特征1的第三方用户数据1,并从该第三方用户数据1中提取到第三资方特征作为对应的资方特征1,最后由用户资产订单数据1对应的用户特征1、资方特征1及订单特征1组成对应的用户资产订单输入数据1。可见,通过上述方式,可以快速获取到组成用户资产订单输入数据的各维度特征具体信息。
二分类预测单元120,用于基于预先训练的二分类预测模型集获取与所述用户资产订单数据集对应的预测结果集;其中,所述用户资产订单数据集中每一个用户资产订单数据对应一个预测结果。
在本实施例中,在服务器的本地存储有预先完成训练的多个二分类预测模型所组成的二分类预测模型集,当将用户资产订单数据集中每一个用户资产订单数据作为多个二分类预测模型的其中一个二分类预测模型的输入进行预测运算时,可以得到与各用户资产订单数据分别对应的预测结果。因上述基于用户资产订单数据进行第一次风险评估采用的是二分类模型,具有较高的预测结果获取效率,同时也避免直接以该预测结果作为最终的订单风险评估标准而提高了订单利用率。
在一实施例中,所述二分类预测模型集包括至少一个二分类预测模型,所述用户资产订单数据包括至少一个订单账期类型,不同订单账期类型的具有不同的账期时长,且所述至少一个二分类预测模型与所述至少一个订单账期类型的账期时长相对应;
所述基于预先训练的二分类预测模型集获取与所述用户资产订单数据集对应的预测结果集中针对所述用户资产订单数据集每一个用户资产订单数据均执行:
获取所述用户资产订单数据的用户资产订单输入数据,并获取所述用户资产订单输入数据中的订单特征及对应的订单账期类型;
在所述二分类预测模型集中确定与所述订单账期类型对应的目标二分类预测模型,对所述用户资产订单输入数据基于所述目标二分类预测模型运算,得到预测结果。
在本实施例中,所述二分类预测模型集中至少包括第一二分类预测模型、第二二分类预测模型、第三二分类预测模型及第四二分类预测模型;其中,所述第一二分类预测模型用于对具有第一订单账期类型的用户资产订单数据进行订单风险识别;所述第二二分类预测模型用于对具有第二订单账期类型的用户资产订单数据进行订单风险识别;所述第三二分类预测模型用于对具有第三订单账期类型的用户资产订单数据进行订单风险识别;所述第四二分类预测模型用于对具有第四订单账期类型的用户资产订单数据进行订单风险识别;所述第一订单账期类型对应的账期时长小于所述第二订单账期类型对应的账期时长,所述第二订单账期类型对应的账期时长小于所述第三订单账期类型对应的账期时长,所述第三订单账期类型对应的账期时长小于所述第四订单账期类型对应的账期时长;
其中,二分类预测单元120中在针对所述用户资产订单数据集每一个用户资产订单数据以基于二分类预测模型集获取对应预测结果时,均执行以下步骤:
获取所述用户资产订单数据的用户资产订单输入数据,并获取所述用户资产订单输入数据中的订单特征及对应的订单账期类型;
若确定所述用户资产订单输入数据的订单账期类型属于第一订单账期类型,则对所述用户资产订单输入数据基于所述第一二分类预测模型运算,得到预测结果;
若确定所述用户资产订单输入数据的订单账期类型属于第二订单账期类型,则对所述用户资产订单输入数据基于所述第二二分类预测模型运算,得到预测结果;
若确定所述用户资产订单输入数据的订单账期类型属于第三订单账期类型,则对所述用户资产订单输入数据基于所述第三二分类预测模型运算,得到预测结果;
若确定所述用户资产订单输入数据的订单账期类型属于第四订单账期类型,则对所述用户资产订单输入数据基于所述第四二分类预测模型运算,得到预测结果。
在本实施例中,所述二分类预测模型集中至少包括第一二分类预测模型、第二二分类预测模型、第三二分类预测模型及第四二分类预测模型是为了分别对具有第一订单账期类型、具有第二订单账期类型、具有第三订单账期类型及具有第四订单账期类型的用户资产订单数据进行订单风险识别。更具体的,如将具有1-3期账期的订单账期类型作为第一订单账期类型、将具有4-6期账期的订单账期类型作为第二订单账期类型、将具有7-12期账期的订单账期类型作为第三订单账期类型、并将具有12期以上账期的订单账期类型作为第四订单账期类型。
当需要对一个用户资产订单数据进行订单风险识别,首先确定该用户资产订单输入数据的订单账期类型(例如从该用户资产订单输入数据中的订单特征中提取到订单账期类型)是属于第一订单账期类型,或是属于第二订单账期类型、或是属于第一订单账期类型、或是属于第四订单账期类型;之后再确定了该用户资产订单输入数据的订单账期类型所属于的目标订单账期类型后,以目标订单账期类型对应的二分类预测模型作为目标二分类预测模型(即为第一二分类预测模型、第二二分类预测模型、第三二分类预测模型及第四二分类预测模型其中一种);最后将用户资产订单输入数据输入至目标二分类预测模型进行运算而得到预测结果。可见,由于针对不同的订单账期类型的用户资产订单数据采用了不同的二分类预测模型进行分类预测,使得预测结果更加准确。
预测结果更新单元130,用于获取所述预测结果集中各预测结果对应的补充用户特征以更新各预测结果,得到更新后预测结果集。
在本实施例中,当在服务器中获取到了所述用户资产订单数据集中每一个用户资产订单数据对应一个预测结果以组成了预测结果集后,不是直接将预测结果集作为下一次风险评估模型的输入数据,而是还需要针对各预测结果对应增加补充用户特征以更新各预测结果,以得到更新后预测结果集。因在下一次输入至另一风险评估模型之前还有针对性的对每一个预测结果增加补充用户特征,使得第二次进行风险评估的数据具有更多维度用户信息,能有效提高最终二次风险评估的输出结果准确性。
在一实施例中,预测结果更新单元130用于:
获取所述预测结果集中各预测结果对应的用户资产订单数据;
获取与各用户资产订单数据对应的风控特征集和订单补充特征,以组成与各预测结果对应的补充用户特征;其中,各用户资产订单数据对应的风控特征集均由用户资产订单数据输入至若干个风控模型运算得到;
以各预测结果对应的补充用户特征更新各预测结果,得到所述更新后预测结果集。
在本实施例中,当在服务器中获取到了所述用户资产订单数据集中每一个用户资产订单数据对应一个预测结果后,可知每一预测结果对应一个用户资产订单数据。因在服务器中还存储有其他若干个在线或离线的风控模型,故将每一个用户资产订单数据输入到由其他若干个在线或离线的风控模型中进行运算,可以得到各用户资产订单数据对应的风控特征集。同样,在服务器中还存储有历史用户资产订单数据集,可以分析得到如提前还款率等特征。在服务器中获取到了所述用户资产订单数据集中每一个用户资产订单数据的订单金额后,以与各用户资产订单数据对应的提前还款率和订单金额等特征作为与各用户资产订单数据对应的订单补充特征。当在每个预测结果中都对应增加了风控特征集和订单补充特征,即通过数据维度增加的方式完成了对各预测结果的更新,使得所述更新后预测结果集中各更新后预测结果具有更多数据信息。
决策单元140,用于基于预先训练的决策树策略模型集获取与所述更新后预测结果集对应的订单风险识别结果集;其中,所述更新后预测结果集中每一个更新后预测结果对应一个订单风险识别结果。
在本实施例中,在服务器的本地存储有预先完成训练的多个决策树策略模型所组成的决策树策略模型集,当将更新后预测结果集中每一个更新后预测结果作为多决策树策略模型的其中一个决策树策略模型的输入进行风险识别运算时,可以得到与各更新后预测结果分别对应的订单风险识别结果。因上述基于更新后预测结果进行第二次风险评估采用的是决策树模型,故能基于二次风险评估更准确的得到与原始每一用户资产订单数据对应的订单风险识别结果。
在一实施例中,所述决策树策略模型集中包括至少一个决策树策略模型,且所述至少一个决策树策略模型与所述至少一个二分类预测模型相对应;
所述基于预先训练的决策树策略模型集获取与所述更新后预测结果集对应的订单风险识别结果集中针对所述更新后预测结果集每一个更新后预测结果均执行:
获取所述更新后预测结果对应的预测结果,以由预测结果所对应用户资产订单输入数据中的订单账期类型作为所述更新后预测结果的订单账期类型;
在所述决策树策略模型集集中确定与所述更新后预测结果的订单账期类型对应的目标决策树策略模型,则对所述更新后预测结果基于所述目标决策树策略模型运算,得到订单风险识别结果。
在本实施例中,所述决策树策略模型集中包括与所述第一二分类预测模型对应的第一决策树策略模型、与所述第二二分类预测模型对应的第二决策树策略模型、与所述第三二分类预测模型对应的第三决策树策略模型及与所述第四二分类预测模型对应的第四决策树策略模型;
其中,决策单元140中针对所述更新后预测结果集每一个更新后预测结果基于决策树策略模型集获取订单风险识别结果时,均执行以下步骤:
所述基于预先训练的决策树策略模型集获取与所述更新后预测结果集对应的订单风险识别结果集中针对所述更新后预测结果集每一个更新后预测结果均执行:
获取所述更新后预测结果对应的预测结果,以由预测结果所对应用户资产订单输入数据中的订单账期类型作为所述更新后预测结果的订单账期类型;
若确定所述更新后预测结果的订单账期类型属于所述第一订单账期类型,则对所述更新后预测结果基于所述第一决策树策略模型运算,得到订单风险识别结果;
若确定所述更新后预测结果的订单账期类型属于所述第二订单账期类型,则对所述更新后预测结果基于所述第二决策树策略模型运算,得到订单风险识别结果;
若确定所述更新后预测结果的订单账期类型属于所述第三订单账期类型,则对所述更新后预测结果基于所述第三决策树策略模型运算,得到订单风险识别结果;
若确定所述更新后预测结果的订单账期类型属于所述第四订单账期类型,则对所述更新后预测结果基于所述第四决策树策略模型运算,得到订单风险识别结果。
在本实施例中,所述决策树策略模型集中至少包括第一决策树策略模型、第二决策树策略模型、第三决策树策略模型及第四决策树策略模型是为了分别对具有第一订单账期类型、具有第二订单账期类型、具有第三订单账期类型及具有第四订单账期类型的更新后预测结果进行订单风险二次识别。同样的,在更新后预测结果如具有1-3期账期的订单账期类型则作为第一订单账期类型、如具有4-6期账期的订单账期类型则作为第二订单账期类型、如具有7-12期账期的订单账期类型则作为第三订单账期类型、如具有12期以上账期的订单账期类型则作为第四订单账期类型。
当需要对一个更新后预测结果进行二次订单风险识别,首先确定该更新后预测结果的订单账期类型(例如从该更新后预测结果中的订单特征中提取到订单账期类型)是属于第一订单账期类型,或是属于第二订单账期类型、或是属于第一订单账期类型、或是属于第四订单账期类型;之后再确定了该更新后预测结果的订单账期类型所属于的目标订单账期类型后,以目标订单账期类型对应的决策树策略模型作为目标决策树策略模型(即为第一决策树策略模型、第二决策树策略模型、第三决策树策略模型及第四决策树策略模型其中一种);最后将更新后预测结果输入至目标决策树策略模型进行运算而得到订单风险识别结果。可见,由于针对不同的订单账期类型的更新后预测结果采用了不同的决策树策略模型进行分类预测,使得订单风险识别结果更加准确。
在一实施例中,基于订单风险识别的资产资金匹配装置100还包括:
模型评估指标值获取单元,用于获取初始决策树策略模型集,及获取所述初始决策树策略模型集中各初始决策树策略模型基于模型测试集得到的模型评估指标值;
决策树筛选单元,用于若确定有初始决策树策略模型的模型评估指标值超出预设评估指标阈值,则获取对应的初始决策树策略模型,以组成所述决策树策略模型集。
在本实施例中,在服务器中预先构建决策树策略模型集时,是先构建好参考更新后预测结果中所包括多维度特征为决策节点组合得到的多种初始决策树策略模型,然后使用服务器中的模型训练集及模型测试集对多种初始决策树策略模型分别进行模型训练及测试,而最终得到各初始决策树策略模型基于模型测试集得到的模型评估指标值。之后,从多个初始决策树策略模型中选择模型评估指标值超出预设评估指标阈值对应的初始决策树策略模型,以组成所述决策树策略模型集。可以,由于预先筛选了模型表现好的决策树模型,使得后续实际应用时,得到的订单风险识别结果更加准确。
例如,以获取一个初始决策树策略模型的ROI指标值(ROI即投入产出比)作为模型评估指标值为例,也即要获取初始决策树策略模型的投入产出比指标值。通过一个模型测试集得到了初始决策树策略模型中识别为低风险结果(也即第一预设类型识别结果)所有订单产生的利润提升平均比例除以识别为低风险结果所有订单的成交订单总金额可能下降比例得到。若决策树策略模型的ROI指标值越大,表明该决策树策略模型的效果越好。
识别结果筛选单元150,用于获取所述订单风险识别结果集中具有第一预设类型识别结果的订单风险识别结果以组成目标订单风险识别结果集。
在本实施例中,当获取到了所述用户资产订单数据集对应的所述订单风险识别结果集后,筛选其中具有第一预设类型识别结果的订单风险识别结果以组成目标订单风险识别结果集。其中,第一预设类型识别结果用于标识不具有严重负利润率的用户资产订单数据。当然,因服务器中还设置有第二预设类型识别结果用于标识具有严重负利润率的用户资产订单数据,故还能在服务器中获取到获取所述订单风险识别结果集中具有第二预设类型识别结果的订单风险识别结果以组成另一目标订单风险识别结果集。
当然,因所得到的另一目标订单风险识别结果集中各目标订单风险识别结果对应的用户资产订单数据具有严重负利润率,这就是服务器基于二分类预测模型集和决策树策略模型集两次风险识别后得到的高风险订单数据,此时服务器对另一目标订单风险识别结果集中各目标订单风险识别结果对应的用户资产订单数据则进行主动拦截,且不再参与之后的资产资金匹配。
资产资金匹配单元160,用于获取所述目标订单风险识别结果集中各目标订单风险识别结果分别对应的目标用户资产订单数据,并基于预设的资金匹配策略获取各目标用户资产订单数据对应的资金方匹配结果。
在本实施例中,在服务器中获取到了所述目标订单风险识别结果集后,需要获取预先存储的资金匹配策略,以用于撮合目标用户资产订单数据与资金方成功匹配,从而实现最终的资产资金匹配。
在一实施例中,所述资金匹配策略用于对用户资产订单数据按照预设的资金方匹配顺序匹配得到资金方匹配结果,资产资金匹配单元160中针对所述目标订单风险识别结果集每一个目标用户资产订单数据基于资金匹配策略确定资金方匹配结果时均执行以下步骤:
获取所述资金匹配策略对应的所述资金方匹配顺序;
按照所述资金方匹配顺序依序获取资金方终端对应反馈的匹配结果,直至首次检测到有资金方终端对应反馈的匹配结果为同意匹配结果且停止匹配,并获取首次检测到所述同意匹配结果的资金方终端所对应资金方信息作为所述目标用户资产订单数据对应的资金方匹配结果。
在本实施例中,对具有第一预设类型识别结果的所有用户资产订单数据采用资金匹配策略进行资金方匹配时,可以参考所述资金匹配策略对应的所述资金方匹配顺序,例如资金方匹配顺序为A类资金方、B类资金方、C类资金方的顺序。针对每一个目标用户资产订单数据,先将其发送至A类资金方的资金方终端以获取其反馈的匹配结果。若A类资金方的资金方终端反馈的是同意匹配结果,则以A类资金方作为所述目标用户资产订单数据对应的资金方匹配结果,并且不再与后面的B类资金方、C类资金方进行匹配。
但是若A类资金方的资金方终端反馈的是不同意匹配结果,则还需要将目标用户资产订单数据发送至B类资金方的资金方终端以获取其反馈的匹配结果,若B类资金方的资金方终端反馈的是同意匹配结果,则以B类资金方作为所述目标用户资产订单数据对应的资金方匹配结果,并且不再与后面的C类资金方进行匹配。但是若B类资金方的资金方终端反馈的是不同意匹配结果,则还需要将目标用户资产订单数据发送至C类资金方的资金方终端以获取其反馈的匹配结果,若C类资金方的资金方终端反馈的是同意匹配结果,则以C类资金方作为所述目标用户资产订单数据对应的资金方匹配结果。若C类资金方的资金方终端反馈的是不同意匹配结果,则表示该目标用户资产订单数据未匹配成功,得到一个空值取值的资金方匹配结果。可见,基于上述方式,可以对具有第一预设类型识别结果的所有用户资产订单数据进行快速的资产资金匹配。
可见,实施该装置的实施例可以通过对用户资产订单数据集采用二分类预测模型集及决策树策略模型集的两次风险评估后,筛选出具有第一预设类型识别结果的目标用户资产订单数据参与最终的资金资产匹配,提高了资产订单的数据使用率,且因采用二次风险识别避免了用户资产订单数据被误拦截的问题。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述基于订单风险识别的资产资金匹配装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述基于订单风险识别的资产资金匹配装置可以实现为一种计算机程序的形式,该计算机程序可以在如图5所示的基于订单风险识别的计算机设备上运行。
请参阅图5,图5是本发明实施例提供的一种计算机设备的示意性框图。该计算机设备集成了本发明实施例所提供的任一种基于订单风险识别的资产资金匹配装置。
参阅图5,该计算机设备包括通过***总线401连接的处理器402、存储器和网络接口405,其中,存储器可以包括存储介质403和内存储器404。
该存储介质403可存储操作***4031和计算机程序4032。该计算机程序4032包括程序指令,该程序指令被执行时,可使得处理器402执行一种基于订单风险识别的资产资金匹配方法。
该处理器402用于提供计算和控制能力,以支撑整个计算机设备的运行。
该内存储器404为存储介质403中的计算机程序4032的运行提供环境,该计算机程序4032被处理器402执行时,可使得处理器402执行上述的基于订单风险识别的资产资金匹配方法。
该网络接口405用于与其它设备进行网络通信。本领域技术人员可以理解,图5中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明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。
其中,所述处理器402用于运行存储在存储器中的计算机程序4032,以实现上述的基于订单风险识别的资产资金匹配方法。
应当理解,在本发明实施例中,处理器402可以是中央处理单元(CentralProcessingUnit,CPU),该处理器402还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机***中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行上述的基于订单风险识别的资产资金匹配方法。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,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。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,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,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于订单风险识别的资产资金匹配方法,其特征在于,包括:
响应于资产资金匹配指令,获取与所述资产资金匹配指令对应的用户资产订单数据集;
基于预先训练的二分类预测模型集获取与所述用户资产订单数据集对应的预测结果集;其中,所述用户资产订单数据集中每一个用户资产订单数据对应一个预测结果;
获取所述预测结果集中各预测结果对应的补充用户特征以更新各预测结果,得到更新后预测结果集;
基于预先训练的决策树策略模型集获取与所述更新后预测结果集对应的订单风险识别结果集;其中,所述更新后预测结果集中每一个更新后预测结果对应一个订单风险识别结果;
获取所述订单风险识别结果集中具有第一预设类型识别结果的订单风险识别结果以组成目标订单风险识别结果集;
获取所述目标订单风险识别结果集中各目标订单风险识别结果分别对应的目标用户资产订单数据,并基于预设的资金匹配策略获取各目标用户资产订单数据对应的资金方匹配结果。
2.根据权利要求1所述的方法,其特征在于,在所述响应于资产资金匹配指令,获取与所述资产资金匹配指令对应的用户资产订单数据集之后,在所述基于预先训练的二分类预测模型集获取与所述用户资产订单数据集对应的预测结果集之前,所述方法还包括:
获取所述用户资产订单数据集中各用户资产订单数据对应的用户特征、资方特征及订单特征;
若确定各用户资产订单数据对应的用户特征、资方特征及订单特征均为非空值特征,则由各用户资产订单数据对应的用户特征、资方特征及订单特征组成对应的用户资产订单输入数据;
若确定有用户资产订单数据对应的资方特征为空值特征,则获取相应用户资产订单数据的第三方用户数据以提取第三资方特征并更新资方特征,由相应用户资产订单数据的用户特征、资方特征及订单特征组成对应的用户资产订单输入数据。
3.根据权利要求2所述的方法,其特征在于,所述二分类预测模型集包括至少一个二分类预测模型,所述用户资产订单数据包括至少一个订单账期类型,不同订单账期类型的具有不同的账期时长,且所述至少一个二分类预测模型与所述至少一个订单账期类型的账期时长相对应;
所述基于预先训练的二分类预测模型集获取与所述用户资产订单数据集对应的预测结果集中针对所述用户资产订单数据集每一个用户资产订单数据均执行:
获取所述用户资产订单数据的用户资产订单输入数据,并获取所述用户资产订单输入数据中的订单特征及对应的订单账期类型;
在所述二分类预测模型集中确定与所述订单账期类型对应的目标二分类预测模型,对所述用户资产订单输入数据基于所述目标二分类预测模型运算,得到预测结果。
4.根据权利要求1所述的方法,其特征在于,所述获取所述预测结果集中各预测结果对应的补充用户特征以更新各预测结果,得到更新后预测结果集,包括:
获取所述预测结果集中各预测结果对应的用户资产订单数据;
获取与各用户资产订单数据对应的风控特征集和订单补充特征,以组成与各预测结果对应的补充用户特征;其中,各用户资产订单数据对应的风控特征集均由用户资产订单数据输入至若干个风控模型运算得到;
以各预测结果对应的补充用户特征更新各预测结果,得到所述更新后预测结果集。
5.根据权利要求3所述的方法,其特征在于,所述决策树策略模型集中包括至少一个决策树策略模型,且所述至少一个决策树策略模型与所述至少一个二分类预测模型相对应;
所述基于预先训练的决策树策略模型集获取与所述更新后预测结果集对应的订单风险识别结果集中针对所述更新后预测结果集每一个更新后预测结果均执行:
获取所述更新后预测结果对应的预测结果,以由预测结果所对应用户资产订单输入数据中的订单账期类型作为所述更新后预测结果的订单账期类型;
在所述决策树策略模型集集中确定与所述更新后预测结果的订单账期类型对应的目标决策树策略模型,则对所述更新后预测结果基于所述目标决策树策略模型运算,得到订单风险识别结果。
6.根据权利要求1所述的方法,其特征在于,在所述基于预先训练的决策树策略模型集获取与所述更新后预测结果集对应的订单风险识别结果集之前,所述方法还包括:
获取初始决策树策略模型集,及获取所述初始决策树策略模型集中各初始决策树策略模型基于模型测试集得到的模型评估指标值;
若确定有初始决策树策略模型的模型评估指标值超出预设评估指标阈值,则获取对应的初始决策树策略模型,以组成所述决策树策略模型集。
7.根据权利要求1所述的方法,其特征在于,所述资金匹配策略用于对用户资产订单数据按照预设的资金方匹配顺序匹配得到资金方匹配结果;
所述基于预设的资金匹配策略获取各目标用户资产订单数据对应的资金方匹配结果中针对每一个目标用户资产订单数据均执行:
获取所述资金匹配策略对应的所述资金方匹配顺序;
按照所述资金方匹配顺序依序获取资金方终端对应反馈的匹配结果,直至首次检测到有资金方终端对应反馈的匹配结果为同意匹配结果且停止匹配,并获取首次检测到所述同意匹配结果的资金方终端所对应资金方信息作为所述目标用户资产订单数据对应的资金方匹配结果。
8.一种基于订单风险识别的资产资金匹配装置,其特征在于,包括:
订单数据获取单元,用于响应于资产资金匹配指令,获取与所述资产资金匹配指令对应的用户资产订单数据集;
二分类预测单元,用于基于预先训练的二分类预测模型集获取与所述用户资产订单数据集对应的预测结果集;其中,所述用户资产订单数据集中每一个用户资产订单数据对应一个预测结果;
预测结果更新单元,用于获取所述预测结果集中各预测结果对应的补充用户特征以更新各预测结果,得到更新后预测结果集;
决策单元,用于基于预先训练的决策树策略模型集获取与所述更新后预测结果集对应的订单风险识别结果集;其中,所述更新后预测结果集中每一个更新后预测结果对应一个订单风险识别结果;
识别结果筛选单元,用于获取所述订单风险识别结果集中具有第一预设类型识别结果的订单风险识别结果以组成目标订单风险识别结果集;
资产资金匹配单元,用于获取所述目标订单风险识别结果集中各目标订单风险识别结果分别对应的目标用户资产订单数据,并基于预设的资金匹配策略获取各目标用户资产订单数据对应的资金方匹配结果。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的基于订单风险识别的资产资金匹配方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时可实现如权利要求1-7中任一项所述的基于订单风险识别的资产资金匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310866252.1A CN116739759A (zh) | 2023-07-14 | 2023-07-14 | 基于订单风险识别的资产资金匹配方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310866252.1A CN116739759A (zh) | 2023-07-14 | 2023-07-14 | 基于订单风险识别的资产资金匹配方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116739759A true CN116739759A (zh) | 2023-09-12 |
Family
ID=87913446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310866252.1A Pending CN116739759A (zh) | 2023-07-14 | 2023-07-14 | 基于订单风险识别的资产资金匹配方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739759A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196322A (zh) * | 2023-11-06 | 2023-12-08 | 深圳市明心数智科技有限公司 | 智能风控方法、装置、计算机设备及存储介质 |
CN117350547A (zh) * | 2023-11-14 | 2024-01-05 | 深圳市明心数智科技有限公司 | 订单的风险处理方案确定方法、装置、设备及存储介质 |
-
2023
- 2023-07-14 CN CN202310866252.1A patent/CN116739759A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196322A (zh) * | 2023-11-06 | 2023-12-08 | 深圳市明心数智科技有限公司 | 智能风控方法、装置、计算机设备及存储介质 |
CN117196322B (zh) * | 2023-11-06 | 2024-03-26 | 深圳市明心数智科技有限公司 | 智能风控方法、装置、计算机设备及存储介质 |
CN117350547A (zh) * | 2023-11-14 | 2024-01-05 | 深圳市明心数智科技有限公司 | 订单的风险处理方案确定方法、装置、设备及存储介质 |
CN117350547B (zh) * | 2023-11-14 | 2024-03-26 | 深圳市明心数智科技有限公司 | 订单的风险处理方案确定方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11853854B2 (en) | Method of automating data science services | |
US11748758B2 (en) | Method for improving operating profits with better automated decision making with artificial intelligence | |
US20240046156A1 (en) | Data clean-up method for improving predictive model training | |
CN108846520B (zh) | 贷款逾期预测方法、装置以及计算机可读存储介质 | |
WO2021155706A1 (zh) | 利用不平衡正负样本对业务预测模型训练的方法及装置 | |
WO2019205325A1 (zh) | 确定用户风险等级的方法、终端设备及计算机可读存储介质 | |
CN116739759A (zh) | 基于订单风险识别的资产资金匹配方法、装置及设备 | |
US20160086185A1 (en) | Method of alerting all financial channels about risk in real-time | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
US20190180379A1 (en) | Life insurance system with fully automated underwriting process for real-time underwriting and risk adjustment, and corresponding method thereof | |
CN110942248B (zh) | 交易风控网络的训练方法及装置、交易风险检测方法 | |
CN112580952A (zh) | 用户行为风险预测方法、装置、电子设备及存储介质 | |
CN112561685B (zh) | 客户的分类方法和装置 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN109583731B (zh) | 一种风险识别方法、装置及设备 | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
CN107871213B (zh) | 一种交易行为评价方法、装置、服务器以及存储介质 | |
US20230298028A1 (en) | Analyzing a transaction in a payment processing system | |
CN114170000A (zh) | ***用户风险类别识别方法、装置、计算机设备和介质 | |
CN114240605A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
CN110087230B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111681090A (zh) | 业务***的账号分组方法、装置、终端设备及存储介质 | |
CN111340212A (zh) | 一种数据联盟的信誉度确定方法及装置 | |
US20240144091A1 (en) | Method of automating data science services | |
US20230351491A1 (en) | Accelerated model training for real-time prediction of future events |
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 |