[发明专利]基于机器学习的贷款业务处理方法、装置、计算机设备

权利要求书

1.一种基于机器学习的贷款业务处理方法，其特征在于，包括如下步骤：

S01，获取任一贷款申请未通过用户的贷款请求，所述贷款请求中包括该贷款申请未通过用户的资质信息、申请未通过的贷款产品信息；

S02，每隔预置时间段，基于预先训练好的征信度分类模型对该贷款申请未通过用户的资质信息进行分析，以获取该贷款申请未通过用户的征信度评分，其中，所述征信度分类模型中的预置演化参数信息每隔所述预置时间段更新一次，且预置演化参数信息根据用户资质信息中的会随着时间变化而被统一调整、或者随着市场行情变化而发生变化的信息进行设置；

S03，判断该贷款申请未通过用户的征信度评分是否达到所述申请未通过的贷款产品所对应的预置通过分数阈值；

S04，若是，则向该贷款申请未通过用户发送与所述申请未通过的贷款产品相关的通知消息；

其中，S02中基于预先训练好的征信度分类模型对该贷款申请未通过用户的资质信息进行分析，以获取该贷款申请未通过用户的征信度评分，包括：

预先根据资质信息设置多个预置标签并为每个预置标签设置对应的权重，以及预先在每个预置标签中设置多个范围以及为每个范围设置对应的分数；

将该贷款申请未通过用户的资质信息在各预置标签对应的预置范围中进行归类；

根据归类结果确定该贷款申请未通过用户在各预置标签中的归类分数；

根据该贷款申请未通过用户在各预置标签中的归类分数与各预置标签的权重计算得到该贷款申请未通过用户在各预置标签中的评分；

计算该贷款申请未通过用户在所有预置标签中的评分的总和，以作为该贷款申请未通过用户的征信度评分。

2.根据权利要求1所述的基于机器学习的贷款业务处理方法，其特征在于，所述贷款申请未通过用户的资质信息包括贷款申请未通过用户的个人信息、资产信息、交易信息、所在地的公共信息。

3.根据权利要求1所述的基于机器学习的贷款业务处理方法，其特征在于，所述征信度分类模型为基于K-means算法的模型，训练过程包括如下步骤：

步骤11，获取n个贷款申请未通过用户的资质信息，将其中每个用户的资质信息抽象为一个m维向量，其中每一维向量代表根据资质信息中任一项信息对应设置的预置标签的归一化评分；

步骤12，将n个贷款申请未通过用户的资质信息分别对应的m维向量作为n个数据对象，并从中选取k个数据对象作为初始聚类中心，其中，kn；

步骤13，计算剩余的每个数据对象到k个初始聚类中心的距离，并将剩余的每个数据对象划分到与该数据对象距离最小的初始聚类中心的类别中，以形成k个聚类；

步骤14，分别计算k个聚类中包含的数据对象的均值以做为新的聚类中心；

步骤15，计算k个聚类中每个数据对象到新的聚类中心的距离，并将每个数据对象划分到与该数据对象距离最小的新的聚类中心的类别中，以形成新的k个聚类；

重复步骤13至15，直至k个聚类不再发生变化，以形成k个征信度分类。

4.根据权利要求1所述的基于机器学习的贷款业务处理方法，其特征在于，还包括：

每隔预置时间段，对预置标签、预置标签中包含的预置范围、每个预置范围对应的分数及每个预置标签对应的权重进行调整。

5.根据权利要求1所述的基于机器学习的贷款业务处理方法，其特征在于，在S04中向该贷款申请未通过用户发送与所述申请未通过的贷款产品相关的通知消息之后，还包括：

在该贷款申请未通过用户进入贷款申请页面时，获取该贷款申请未通过用户的资质信息并加载到所述贷款申请页面中，其中，资质信息中与预置演化参数信息相关的信息为更新后的信息；

将所述更新后的信息进行突出显示；

接收对贷款申请页面中的资质信息的修改操作，以便根据修改结果再次提出贷款请求。

6.根据权利要求1所述的基于机器学习的贷款业务处理方法，其特征在于，还包括：

在该贷款申请未通过用户的征信度评分达到其他贷款产品对应的预置通过分数阈值时，向该贷款申请未通过用户发送与所述其他贷款产品相关的通知消息。