[发明专利]一种基于强化学习的智能电话催收策略

说明书

本发明提出了一种基于强化学习的智能电话催收策略，包括以下几个步骤：(1)整理和统计分析信用卡业务相关数据表，(2)根据信用卡业务相关数据表设计建模数据宽表，从而确定最佳催收策略；(3)将建模数据宽表引入LSTM模型，训练LSTM模型拟合价值函数，基于训练好的LSTM模型，将需要查询的日期输入建模数据宽表，即可预测得到相应的催收回款率；(4)通过定义马尔可夫决策过程，引入LSTM模型，寻找对应最大价值回报的催收回款率，本方案通过对债务人信息、账户信息、历史催收记录、历史还款情况等数据进行分析和挖掘，采用强化学习算法智能化学习不同债务人的通话偏好模式，自动生成个性化的电催策略，以最大化提高电催接通率以及催收回款率。

技术领域

本发明涉及智能技术办公领域，特别涉及一种基于强化学习的智能电话催收策略。

背景技术

近年来，我国商业银行纷纷将小微企业、消费信贷相关业务作为战略转型的重要方向，其中，相关贷款逾期资产的催收管理显得极为重要。逾期客户总量扩大与催收人力配比相对不足的矛盾日益突出，对商业银行的催收管理提出更高的要求。催收业务人员的逾期贷款催收方式主要包括电话催收、短信催收、信函催收、上门催收等，其中，电话催收方式可与债务人取得直接联系，效率高且成本较低，是最主要的催收方式。然而，目前电催策略主要基于人工经验生成，自动化、智能化程度低，存在无序择时、接通率低、频率过低或过高一系列问题。

发明内容

本发明提出了一种基于强化学习的智能电话催收策略，解决了目前电催策略主要基于人工经验生成，自动化、智能化程度低，存在无序择时、接通率低、频率过低或过高一系列问题。

一种基于强化学习的智能电话催收策略，包括以下几个步骤：

(1)整理和统计分析信用卡业务相关数据表，其中相关数据表包括：债务人信息表、账户信息表、案件分配表、电催记录表和还款信息表；

(2)根据信用卡业务相关数据表设计建模数据宽表，其中建模数据宽表中的字段包括构成策略变量的催收时间字段和拨打对象字段，根据调整策略变量导致不同的预测结果，从而确定最佳催收策略；

(3)将建模数据宽表引入LSTM模型，训练LSTM模型拟合价值函数，基于训练好的LSTM模型，将需要查询的日期输入建模数据宽表，即可预测得到相应的催收回款率；

(4)通过定义马尔可夫决策过程，引入LSTM模型，寻找对应最大价值回报的催收回款率。

优选的，所述数据宽表还包括以下字段：债务人信息、账户信息、案件分配、电催记录和还款信息。

优选的，所述LSTM模型内部的循环神经网络RNN包括外部的RNN循环与内部的LSTM细胞循环。

优选的，所述马尔可夫决策过程由元组(S,A,P,R,r)描述。其中S为有限的状态集、A为有限的动作集、P为状态转移概率、R为价值回报函数、r为折扣因子(用于计算累积回报)由公式表达为：

是状态迁移概率，S_t+1是下一状态，S_t是当前状态，A_t是状态附加条件。s、s'、a为具体状态情形。

优选的，LSTM模型作为R(价值回报函数)，催收时间字段及拨打对象字段对应于A(有限的动作集)，即可更加高效地找到最优策略。

本发明的有益效果是：

本方案通过对债务人信息、账户信息、历史催收记录、历史还款情况等数据进行分析和挖掘，采用强化学习算法智能化学习不同债务人的通话偏好模式，自动生成个性化的电催策略，以最大化提高电催接通率以及催收回款率。

附图说明

图1为本发明中整体策略示意图；

图2为本发明中LSTM模型的结构图。