基于人工智能的贷款利率参数信息确定方法及装置

摘要

本发明公开了一种基于人工智能的贷款利率参数信息确定方法及装置，涉及人工智能技术领域，该方法包括：采集目标贷款客户多个预设维度的属性信息；基于预先配置的客户属性映射关系表，根据目标贷款客户每个预设维度的属性信息，确定目标贷款客户每个预设维度的权重值；将目标贷款客户各个预设维度的属性信息和对应的权重值，输入到预先训练好的客户分类模型中，输出目标贷款客户的客户分类结果；根据目标贷款客户的客户分类结果，确定目标贷款客户的贷款利率参数信息。本发明通过机器学习训练一个客户分类模型，根据贷款客户的属性信息，对贷款客户进行分类，能够根据分类结果，向不同客户提供不同的贷款利率参数信息，实现个性化贷款利率的推荐。

说明书

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的贷款利率参数信息确定方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

众所周知，现有的贷款业务平台，对贷款客户的贷款利率都是通过参数配置实现的，所有客户的贷款利率都是固定相同的，未能实现针对不同的客户提供不同利率的功能，导致客户体验较差。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供一种基于人工智能的贷款利率参数信息确定方法，用以解决现有贷款业务平台无法向不同客户提供个性化贷款利率的技术问题，该方法包括：采集目标贷款客户多个预设维度的属性信息；基于预先配置的客户属性映射关系表，根据目标贷款客户每个预设维度的属性信息，确定目标贷款客户每个预设维度的权重值；将目标贷款客户各个预设维度的属性信息和对应的权重值，输入到预先训练好的客户分类模型中，输出目标贷款客户的客户分类结果；根据目标贷款客户的客户分类结果，确定目标贷款客户的贷款利率参数信息。

本发明实施例还提供一种基于人工智能的贷款利率参数信息确定装置，用以解决现有贷款业务平台无法向不同客户提供个性化贷款利率的技术问题，该装置包括：客户信息采集模块，用于采集目标贷款客户多个预设维度的属性信息；权重值确定模块，用于基于预先配置的客户属性映射关系表，根据目标贷款客户每个预设维度的属性信息，确定目标贷款客户每个预设维度的权重值；客户分类预测模块，用于将目标贷款客户各个预设维度的属性信息和对应的权重值，输入到预先训练好的客户分类模型中，输出目标贷款客户的客户分类结果；贷款利率参数信息确定模块，用于根据目标贷款客户的客户分类结果，确定目标贷款客户的贷款利率参数信息。

本发明实施例还提供一种计算机设备，用以解决现有贷款业务平台无法向不同客户提供个性化贷款利率的技术问题，该计算机设备包括存储器、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，处理器执行计算机程序时实现上述基于人工智能的贷款利率参数信息确定方法。

本发明实施例还提供一种计算机可读存储介质，用以解决现有贷款业务平台无法向不同客户提供个性化贷款利率的技术问题，该计算机可读存储介质存储有执行上述基于人工智能的贷款利率参数信息确定方法的计算机程序。

本发明实施例中，在采集到目标贷款客户多个预设维度的属性信息后，首先基于预先配置的客户属性映射关系表，根据目标贷款客户每个预设维度的属性信息，确定目标贷款客户每个预设维度的权重值，进而将目标贷款客户各个预设维度的属性信息和对应的权重值，输入到预先训练好的客户分类模型中，输出该目标贷款客户的客户分类结果，最后根据目标贷款客户的客户分类结果，确定目标贷款客户的贷款利率参数信息。

与现有技术中向不同客户提供固定贷款利率的技术方案相比，本发明实施例通过机器学习训练一个客户分类模型，进而根据贷款客户的属性信息，对贷款客户进行分类，从而能够根据分类结果，向不同客户提供不同的贷款利率参数信息，实现个性化贷款利率的推荐。

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。在附图中：

图1为本发明实施例中提供的一种基于人工智能的贷款利率参数信息确定方法流程图；

图2为本发明实施例中提供的一种机器学习流程图；

图3为本发明实施例中提供的一种样本数据的生成流程图；

图4为本发明实施例中提供的一种基于人工智能的贷款利率参数信息确定装置示意图；

图5为本发明实施例中提供的一种计算机设备示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

本发明实施例中提供了一种基于人工智能的贷款利率参数信息确定方法，图1为本发明实施例中提供的一种基于人工智能的贷款利率参数信息确定方法流程图，如图1所示，该方法包括如下步骤：

S101，采集目标贷款客户多个预设维度的属性信息。

需要说明的是，本发明实施例中的目标贷款客户是指未知其客户分类的贷款客户；针对不同的贷款产品，采集的客户属性信息可能不同，本发明实施例中的贷款客户可以是房屋贷款客户。上述S101中采集的多个预设维度的属性信息可以包括但不限于年龄、性别、所在地、工作单位、年收入等信息。

S102，基于预先配置的客户属性映射关系表，根据目标贷款客户每个预设维度的属性信息，确定目标贷款客户每个预设维度的权重值。

需要说明的是，本发明实施例中提供的客户属性映射关系表中包含贷款客户多个维度的属性信息及对应的权重值。在具体实施时，本发明实施例中提供的基于人工智能的贷款利率参数信息确定方法还可以通过如下步骤生成一个客户属性映射关系表：根据多个贷款客户的多个维度的属性信息，生成客户属性映射关系表，其中，客户属性映射表中包含：多个维度及每个维度不同属性信息对应的权重值。

表1所示为选取50个维度属性信息(年龄、性别、所在地、工作单位、年收入、征信问题、存款、已贷款、月公积金、是否有房)生成的客户属性映射关系表。该客户属性映射关系表中包含每个维度属性信息对应的权重值，可用于后续将贷款客户的属性信息映射为对应的权重值。

表1客户属性映射关系表

S103，将目标贷款客户各个预设维度的属性信息和对应的权重值，输入到预先训练好的客户分类模型中，输出目标贷款客户的客户分类结果。

需要说明的是，本发明实施例中的客户分类模型是指预先通过机器学习训练得到一个能够根据贷款客户各个预设维度的属性信息和每个预设维度属性信息对应的权重值，预测该贷款客户的客户分类的模型。

S104，根据目标贷款客户的客户分类结果，确定目标贷款客户的贷款利率参数信息。

需要说明的是，本发明实施例中的客户分类结果包括但不限于如下五类：VIP客户、优质客户、较好客户、一般客户、较差客户，为了便于说明，将这五类客户分别记为A、B、C、D、E。上述S104中确定的贷款利率参数信息可以是具体的贷款利率值，也可以是贷款利率的优惠百分点，只要是能够反映不用客户分类对应不同程度的贷款利率优惠即可。

在确定目标贷款客户的贷款利率参数信息之后，本发明实施例中提供的基于人工智能的贷款利率参数信息确定方法还可以包括：根据目标贷款客户的贷款利率参数信息，办理目标贷款客户的贷款业务。

在基于客户分类模型预测出目标贷款客户的客户分类结果后，可以获取该客户分类结果对应的贷款利率作为该目标贷款客户的贷款利率。在具体实施时，本发明实施例中提供的基于人工智能的贷款利率参数信息确定方法，可以预先配置各个客户分类对应的贷款利率或贷款利率优惠点，例如，可以配置A类客户、B类客户、C类客户、D类客户、E类客户的贷款利率分别为3.9％、4.0％、4.1％、4.2％、4.3％；也可以配置A类客户、B类客户、C类客户、D类客户、E类客户的贷款利率优惠点分别为7个点、6个点、5个点、4个点、3个点。

在一个实施例中，在将目标贷款客户各个预设维度的属性信息和对应的权重值，输入到预先训练好的客户分类模型中，输出目标贷款客户的客户分类结果之前，如图2所示，本发明实施例中提供的基于人工智能的贷款利率参数信息确定方法还可以通过如下机器学习流程训练得到一个客户分类模型：

S201，获取样本数据。

S202，将样本数据按照预设比例划分为训练数据和测试数据。

S203，根据训练数据，对支持向量机SVM模型进行训练，得到一个客户分类模型。

S204，根据测试数据，对训练得到的客户分类模型进行测试，直到获取到满足预设条件的客户分类模型。

在具体实施时，可以将样本数据按照4:1划分为训练数据和测试数据，也即将80％的样本数据作为模型训练的训练数据，将20％的样本数据作为模型测试的测试数据。

本发明实施例中，通过对支持向量机SVM模型进行训练，得到客户分类模型后，可以利用该客户分类模型，对未知客户分类的目标贷款客户进行分类。

SVM模型是目前被认为是分类算法中最好的算法之一，具有如下优点：解决小样本情况下的机器学习问题；提高模型的泛化性能；解决高维问题；解决非线性问题；避免神经网络结构选择和局部极小点问题。

为了提高模型的训练效率和准确率，在一个实施例中，如图3所示，本发明实施例中提供的基于人工智能的贷款利率参数信息确定方法，可以通过如下步骤来生成样本数据：

S301，采集多个贷款客户多个维度的属性信息；

S302，基于主成分分析法，对每个贷款客户多个维度的属性信息进行降维处理，得到每个贷款客户降维后多个预设维度的属性信息；

S303，基于预先配置的客户属性映射关系表，根据每个贷款客户降维后各个预设维度的属性信息，确定每个贷款客户降维后各个预设维度的权重值；

S304，根据多个贷款客户降维后各个预设维度的权重值，生成样本数据。

需要说明的是，主成分分析法PCA是一种统计方法，该方法通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。利用主成分分析法PCA，对属性信息进行降维处理，能够提取到最能影响到客户分类的属性信息。

基于表1所示的客户属性映射关系表，可以将每个客户的属性信息映射为表2所示的权重值，对客户的属性信息进行降维处理后，可以得到表3所示的权重值。

表2降维处理前各个客户的属性权重值

表3降维处理后各个客户的属性权重值

本发明实施例中，利用主成分分析法PCA，对属性映射后的数据进行降维处理，最终保留20个含金量更高的属性信息，对支持向量机SVM模型进行训练，能够使得模型预测结果更加准确。利用表3所示的20个属性信息对支持向量机SVM模型训练得到的客户分类模型，输出的客户分类结果为A、B、C、D、E五类。将表3所示的降维处理后的20个维度作为预设维度，则上述S101中采集的是目标贷款客户年龄、性别、所在地、工作单位、年收入等20个预设维度的属性信息。

基于同一发明构思，本发明实施例中还提供了一种基于人工智能的贷款利率参数信息确定装置，如下面的实施例所述。由于该装置解决问题的原理与基于人工智能的贷款利率参数信息确定方法相似，因此该装置的实施可以参见基于人工智能的贷款利率参数信息确定方法的实施，重复之处不再赘述。

图4为本发明实施例中提供的一种基于人工智能的贷款利率参数信息确定装置示意图，如图4所示，该装置包括：客户信息采集模块41、权重值确定模块42、客户分类预测模块43和贷款利率参数信息确定模块44。

其中，客户信息采集模块41，用于采集目标贷款客户多个预设维度的属性信息；权重值确定模块42，用于基于预先配置的客户属性映射关系表，根据目标贷款客户每个预设维度的属性信息，确定目标贷款客户每个预设维度的权重值；客户分类预测模块43，用于将目标贷款客户各个预设维度的属性信息和对应的权重值，输入到预先训练好的客户分类模型中，输出目标贷款客户的客户分类结果；贷款利率参数信息确定模块44，用于根据目标贷款客户的客户分类结果，确定目标贷款客户的贷款利率参数信息。

在一个实施例中，如图4所示，本发明实施例中提供的基于人工智能的贷款利率参数信息确定装置还可以包括：机器学习模块45，用于：获取样本数据；将样本数据按照预设比例划分为训练数据和测试数据；根据训练数据，对支持向量机SVM模型进行训练，得到一个客户分类模型；根据测试数据，对训练得到的客户分类模型进行测试，直到获取到满足预设条件的客户分类模型。

在一个实施例中，如图4所示，本发明实施例中提供的基于人工智能的贷款利率参数信息确定装置还可以包括：降维处理模块46；则上述客户信息采集模块41还用于采集多个贷款客户多个维度的属性信息；该降维处理模块46，用于基于主成分分析法，对每个贷款客户多个维度的属性信息进行降维处理，得到每个贷款客户降维后多个预设维度的属性信息。该实施例中，上述权重值确定模块42还用于基于预先配置的客户属性映射关系表，根据每个贷款客户降维后各个预设维度的属性信息，确定每个贷款客户降维后各个预设维度的权重值；上述机器学习模块45，还用于根据多个贷款客户降维后各个预设维度的权重值，生成样本数据。

在一个实施例中，如图4所示，本发明实施例中提供的基于人工智能的贷款利率参数信息确定装置还可以包括：客户属性映射关系表生成模块47，用于根据多个贷款客户的多个维度的属性信息，生成客户属性映射关系表，其中，客户属性映射表中包含：多个维度及每个维度不同属性信息对应的权重值。

基于同一发明构思，本发明实施例还提供一种计算机设备，用以解决现有贷款业务平台无法向不同客户提供个性化贷款利率的技术问题，图5为本发明实施例中提供的一种计算机设备示意图，如图5所示，该计算机设备50包括存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序，处理器502执行计算机程序时实现上述基于人工智能的贷款利率参数信息确定方法。

基于同一发明构思，本发明实施例还提供一种计算机可读存储介质，用以解决现有贷款业务平台无法向不同客户提供个性化贷款利率的技术问题，该计算机可读存储介质存储有执行上述基于人工智能的贷款利率参数信息确定方法的计算机程序。

综上所述，本发明实施例中提供的基于人工智能的贷款利率参数信息确定方法、装置、计算机设备及计算机可读存储介质，在采集到目标贷款客户多个预设维度的属性信息后，首先基于预先配置的客户属性映射关系表，根据目标贷款客户每个预设维度的属性信息，确定目标贷款客户每个预设维度的权重值，进而将目标贷款客户各个预设维度的属性信息和对应的权重值，输入到预先训练好的客户分类模型中，输出该目标贷款客户的客户分类结果，最后根据目标贷款客户的客户分类结果，确定目标贷款客户的贷款利率参数信息。

与现有技术中向不同客户提供固定贷款利率的技术方案相比，本发明实施例通过机器学习训练一个客户分类模型，进而根据贷款客户的属性信息，对贷款客户进行分类，从而能够根据分类结果，向不同客户提供不同的贷款利率参数信息，实现个性化贷款利率的推荐。

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、系统、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(系统)、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。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。