一种基于神经网络的汽车金融产品智能匹配方法和系统与流程

1.本发明涉及数据分析技术领域，尤其涉及一种基于神经网络的汽车金融产品智能匹配方法和系统。


背景技术：

2.随着汽车金融进一步深入到当前的汽车销售市场中，在消费端的汽车信贷规模已经达到了万亿级的体量。在如此巨大的体量下，银行，汽车金融，担保系，融资租赁，消费金融公司等推出了上万种不同信贷要求的金融产品，考虑到同一金融公司在不同城市也会推出不同的产品，金融产品的数量就更为巨大，并且其数量还在日益增加中，在当前的业务中，直接对接客户端的信贷业务人员需要将客户的整体信贷资料书面投递到金融产品的审批员处，基于金融公司内部的汽车金融风控模型，审批员决定该客户是否可以通过该金融产品的贷款。由此，对于信贷业务人员来说，在这样的大量的金融产品条目下，只有在不断地尝试多个金融产品的贷款之后，才可以为客户找到一个满意的贷款。最为关键的是，因为每家金融产品的机构都会查询客户的央行征信，所以业务人员每次的尝试会被限定在一家金融产品，以避免多次查询客户的央行征信信息从而影响贷款的成功率。
3.目前汽车金融产品选择大多为人工选择，人工筛选工作强度较大，且筛选的效率较低，同时由于人工筛选范围较小，误差较大，最后汽车金融产品的优质率较低。
4.综上所述，当前现有技术缺少一种能够智能高效实现汽车金融产品智能匹配的系统。


技术实现要素：

5.有鉴于此，本发明实施例提出一种基于神经网络的汽车金融产品智能匹配方法和系统，可以实现用户与金融产品的智能匹配，降低人工工作量，提高了汽车金融产品的筛选效率，具有筛选误差低、匹配度高的特点，有效提升汽车金融产品的优质率。
6.本发明的一实施例提出一种一种基于神经网络的汽车金融产品智能匹配方法，包括：
7.获取用户基本信息、汽车基本信息和审批结果数据；
8.对所述用户基本信息、汽车基本信息和审批结果数据进行数据预处理；
9.构建神经网络模型，根据不同的金融产品分别训练所述神经网络模型，并将预处理后的用户基本信息和汽车基本信息输入至训练完成的神经网络模型计算得到通过率；
10.根据所述通过率和利率申请模式输出匹配结果。
11.进一步地，在上述一种基于神经网络的汽车金融产品智能匹配方法中，所述用户基本信息包括用户年龄、教育程度、借贷数据和历史逾期数据，所述汽车基本信息包括汽车价格和动力类型，所述审批结果数据包括通过和拒绝。
12.进一步地，在上述一种基于神经网络的汽车金融产品智能匹配方法中，所述神经网络模型的输入层的数据包括所述用户年龄、教育程度、借贷数据、历史逾期数据、汽车价
格和动力类型，所述神经网络模型的输出层为用户购买相应汽车申请金融贷款的通过率，所述神经网络模型含有多个隐含层，所述隐含层的层数根据训练效果和效率进行确定。
13.进一步地，在上述一种基于神经网络的汽车金融产品智能匹配方法中，所述根据不同的金融产品分别训练神经网络模型包括：
14.获取各类汽车金融产品的基本信息；
15.将所述汽车金融产品的基本信息、用户基本信息、汽车基本信息和审批结果数据输入至神经网络模型进行学习，得到第一隐含层，其中，所述第一隐含层的节点数小于所述输入层的节点数，用于对所述汽车金融产品的基本信息、用户基本信息、汽车基本信息和审批结果数据进行原始表达；
16.将所述第一隐含层作为下一个输入层进行学习得到第二隐含层以形成所述神经网络模型的深层网络结构，其中，所述隐含层的层数有多个，并利用sigmoid函数将最后一层隐含层的输出数值由大区间映射到小区间以表示所述通过率，所述大区间为负无穷至正无穷，所述小区间为(0,1)。
17.进一步地，在上述一种基于神经网络的汽车金融产品智能匹配方法中，所述将预处理后的用户基本信息和汽车基本信息输入至训练完成的神经网络模型计算得到通过率包括：
18.判断是否存在没有任何用户积累的新金融产品；
19.若是，则采用k邻阶算法冷启动方案查找与所述新金融产品最相似的金融产品；
20.将所述最相似的金融产品的神经网络模型迁移至所述新金融产品；
21.将预处理后的用户基本信息和汽车基本信息输入至训练完成或迁移完成的神经网络模型进行计算得到通过率。
22.进一步地，在上述一种基于神经网络的汽车金融产品智能匹配方法中，若所述最相似的金融产品数量大于1，则将所有最相似的金融产品对应的多个神经网络模型迁移至新金融产品，并将所述多个神经网络模型计算得到的通过率取平均值作为所述新金融产品对应的通过率计算值。
23.进一步地，在上述一种基于神经网络的汽车金融产品智能匹配方法中，所述利率申请模式包括贷款额度、利率和审批时长，所述根据所述通过率和利率申请模式输出匹配结果包括：
24.筛选神经网络模型计算出的所述通过率大于预设阈值的金融产品；
25.根据所述贷款额度、利率和审批时长对筛选出的金融产品按照优先级从高至低进行排序；
26.将优先级排名在预设排名范围内的金融产品作为匹配结果进行输出。
27.进一步地，在上述一种基于神经网络的汽车金融产品智能匹配方法中，所述根据所述贷款额度、利率和审批时长对筛选出的金融产品按照优先级从高至低进行排序包括：
28.构建随机森林权重计算模型；
29.计算所述贷款额度、利率和审批时长的指标权重；
30.结合所述指标权重确定金融产品的优先级排序。
31.进一步地，在上述一种基于神经网络的汽车金融产品智能匹配方法中，所述则采用k邻阶算法冷启动方案查找与所述新金融产品最相似的金融产品包括：
32.计算新金融产品与现有金融产品的欧氏距离；
33.根据所述欧式距离对现有金融产品进行排序；
34.选取欧氏距离最小对应的现有金融产品作为所述新金融产品的最相似产品。
35.本发明的另一实施例提出一种基于神经网络的汽车金融产品智能匹配系统，包括：
36.获取单元，用于获取用户基本信息、汽车基本信息和审批结果数据；
37.数据处理单元，用于对所述用户基本信息、汽车基本信息和审批结果数据进行数据预处理；
38.神经网络模型计算单元，用于构建神经网络模型，根据不同的金融产品分别训练所述神经网络模型，并将预处理后的用户基本信息和汽车基本信息输入至训练完成的神经网络模型计算得到通过率；
39.选择单元，用于根据所述通过率和利率申请模式输出匹配结果。
40.本发明的又一实施例提出一种终端，包括：处理器和存储器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施上述的多个imu时间同步方法。
41.本发明的再一实施例提出一种计算机可读存储介质，其存储有计算机程序，在所述计算机程序被执行时，实施根据上述的支持vr一体机多维度内容聚合展示的方法。
42.本发明实施例提出的一种基于神经网络的汽车金融产品智能匹配方法和系统，通过获取用户基本信息、汽车基本信息和审批结果数据，并将用户基本信息、汽车基本信息和审批结果数据进行数据预处理得到可以输入神经网络模型的数据；然后，构建神经网络模型，根据不同的金融产品分别训练神经网络模型，并将预处理后的用户基本信息和汽车基本信息输入至训练完成的神经网络模型计算得到通过率，利用通过率体现用户与金融产品的匹配度；根据通过率和利率申请模式输出匹配结果，进而实现系统自动智能化匹配的目的。相比于现有技术，本发明可以实现用户与金融产品的智能匹配，降低人工工作量，提高了汽车金融产品的筛选效率，具有筛选误差低、匹配度高的特点，有效提升汽车金融产品的优质率。
附图说明
43.为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
44.图1示出了本发明实施例一种基于神经网络的汽车金融产品智能匹配方法流程示意图；
45.图2示出了本发明实施例中步骤s103的方法流程图；
46.图3示出了本发明实施例的神经网络模型层次结构示意图；
47.图4示出了本发明实施例中步骤s103的另一方法流程图；
48.图5示出了本发明实施例一种基于神经网络的汽车金融产品智能匹配系统结构示意图。
49.主要元件符号说明：
50.10
‑
获取单元；20
‑
数据处理单元；30
‑
神经网络模型计算单元；40
‑
选择单元。
具体实施方式
51.下面将结合本发明实施例中附图，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。
52.实施例1
53.请参照图1，鉴于当前汽车金融产品的选择大多为人工选择，人工筛选工作强度较大，且筛选的效率较低，同时由于人工筛选范围较小，误差较大，最后汽车金融产品的优质率较低。针对现有技术的不足，本发明提供了一种基于人工智能的汽车金融产品智能匹配方法和系统，具备实现智能筛选，筛选速度块，降低了工作人员的劳动强度，提高了汽车金融产品的效率，且大范围筛选能够降低筛选误差，选出最优汽车金融产品，提高汽车金融产品的优质率等优点
54.参照图1，一种基于神经网络的汽车金融产品智能匹配方法，包括：
55.步骤s101，获取用户基本信息、汽车基本信息和审批结果数据；
56.步骤s102，对用户基本信息、汽车基本信息和审批结果数据进行数据预处理；
57.步骤s103，构建神经网络模型，根据不同的金融产品分别训练神经网络模型，并将预处理后的用户基本信息和汽车基本信息输入至训练完成的神经网络模型计算得到通过率；
58.步骤s104，根据通过率和利率申请模式输出匹配结果。
59.示范性地，用户基本信息包括用户年龄、教育程度、借贷数据和历史逾期数据，汽车基本信息包括汽车价格和动力类型，审批结果数据包括通过和拒绝。
60.示范性地，参照图2，步骤s103中“根据不同的金融产品分别训练神经网络模型”包括：
61.步骤s201，获取各类汽车金融产品的基本信息；
62.步骤s202，将汽车金融产品的基本信息、用户基本信息和汽车基本信息输入至神经网络模型进行低维表达，得到第一隐含层；
63.步骤s203，将第一隐含层作为第二个编码器的输入层，并进行学习得到第二隐含层。
64.示范性地，神经网络模型的输入层的数据包括用户年龄、教育程度、借贷数据、历史逾期数据、汽车价格和动力类型，神经网络模型的输出层为用户购买相应汽车申请金融贷款的通过率，神经网络模型含有多个隐含层，所述隐含层的层数根据训练效果和效率进行确定。
65.具体地，根据收集得到的历史数据，包含标签：通过/拒绝，用户信用数据，购买汽车数据，对不同的金融产品分别训练神经网络模型。针对信用数据高维且稀疏的特性，设计神经网络算法如图3所示，输入层数据包括年龄，教育程度，近期其他平台借贷情况，近期历史逾期情况，汽车价格，动力类型等高维度且稀疏的数据，通过学习得到第一个隐含层，其节点数要小于输入层数量(约为1/2)，作为对原始信息的低维表达，再将第一个隐含层作为第二个编码器的输入层，通过学习得到第二个隐含层，通过重复上述过程形成深层网络结构，具体层数根据训练效果和效率调试训练。输出层表示用户购买此车申请的金融贷款是否可以通过。
66.输入特征向量x＝[x1,x2,...x
n
]，预学习阶段一共l个隐层，每个隐层上的神经元
数目为n
i
,i∈{1,2,3,
…
,l},每个隐层上的激活函数为σ
i
,i∈{1,2,3,
…
,l},最后一个输出层使用sigmoid函数进行分类。对于每一层的自编码网络，其中x
l
是每一层自编码网络里面的隐层输出，该输出是上一层输入期望的输出，具体如下式。
[0067][0068]
对于最后一层，使用sigmoid函数，将(
‑
∞， ∞)范围内的数值映射成为一个(0，1)区间的数值，一个(0，1)区间的数值恰好可以用来表示概率，概率计算公式如下式。
[0069][0070]
示范性地，参照图4，步骤s103中“将预处理后的用户基本信息和汽车基本信息输入至训练完成的神经网络模型计算得到通过率”包括：
[0071]
步骤s301，判断是否存在没有任何用户积累的新金融产品；若是，则执行步骤s302，采用k邻阶算法冷启动方案查找与新金融产品最相似的金融产品；否则直接执行步骤s304；
[0072]
步骤s303，将最相似的金融产品的神经网络模型迁移至新金融产品；
[0073]
步骤s304，将预处理后的用户基本信息和汽车基本信息输入至训练完成或迁移完成的神经网络模型进行计算得到通过率。
[0074]
示范性地，若最相似的金融产品数量大于1，则将所有最相似的金融产品对应的多个神经网络模型迁移至新金融产品，并将多个神经网络模型计算得到的通过率取平均值作为新金融产品对应的通过率计算值。
[0075]
具体地，对于没有任何用户积累的新的金融产品，采用基于k邻阶算法的冷启动方案。相较于单纯根据欧氏距离计算样本相似度，我们在这里采取了升级的冷启动方案，分为3步：
[0076]
第一步，即根据产品类型，产品额度及利率，产品申请方式，产品所属公司等维度进行k邻阶算法寻找现有的相似产品，进行模型的迁移计算。具体做法为，对于每个不同的金融产品定义标签y，每个金融产品的特征属性为一个集合x
i
{x1,x2...x
n
}，代表如额度，利率，还款方式，产品模式等信息。通过下式计算欧式距离：
[0077][0078]
对所求得的欧氏距离进行从小到大的排序，越小表示越相似，进而找出相似度最高的金融产品，进行模型的迁移。
[0079]
第二步，如果出现两个以上距离相同的情况，可以将所有距离一样的模型迁移，对模型计算得到的结果选取平均值作为最后的输出即可。
[0080]
第三步，对于新产品来说，在使用迁移的神经网络模型进行预测的同时积累新产品的数据，当新产品数据量积累到一定程度之后，可继续使用上述深度神经网络模型进行模型的训练。
[0081]
示范性地，利率申请模式包括贷款额度、利率和审批时长，步骤s104包括：
[0082]
筛选神经网络模型计算出的所述通过率大于预设阈值的金融产品，其中，预设阈值为80％；
[0083]
根据贷款额度、利率和审批时长对筛选出的金融产品按照优先级从高至低进行排
序；
[0084]
将优先级排名在预设排名范围内的金融产品作为匹配结果进行输出。
[0085]
示范性地，根据贷款额度、利率和审批时长对筛选出的金融产品按照优先级从高至低进行排序包括：
[0086]
构建随机森林权重计算模型；
[0087]
计算贷款额度、利率和审批时长的指标权重；
[0088]
结合指标权重确定金融产品的优先级排序。
[0089]
示范性地，采用k邻阶算法冷启动方案查找与新金融产品最相似的金融产品包括：
[0090]
计算新金融产品与现有金融产品的欧氏距离；
[0091]
根据欧式距离对现有金融产品进行排序；
[0092]
选取欧氏距离最小对应的现有金融产品作为新金融产品的最相似产品。
[0093]
具体地，基于业务规则，假定通过概率>80％的为可选产品，筛选出大于80％的产品，再根据贷款额度，利率，审批时长等按照先后顺序进行优先级排序。例如，期望贷款额度越接近产品的贷款额度表明产品越符合要求，利率，审批时长、是否需要抵押等是影响最终产品选择的变量，对于这些变量的权重，本发明实施例采用随机森林特征重要性的方法，将以上变量作为随机森林模型的x，将产品被选择的频率高低作为标签y，建立随机森林模型，通过特征重要性给予变量相应的权重，最终决定使用哪款产品。
[0094]
本发明实施例提出的一种基于神经网络的汽车金融产品智能匹配方法和系统，通过获取用户基本信息、汽车基本信息和审批结果数据，并将用户基本信息、汽车基本信息和审批结果数据进行数据预处理得到可以输入神经网络模型的数据；然后，构建神经网络模型，根据不同的金融产品分别训练神经网络模型，并将预处理后的用户基本信息和汽车基本信息输入至训练完成的神经网络模型计算得到通过率，利用通过率体现用户与金融产品的匹配度；根据通过率和利率申请模式输出匹配结果，进而实现系统自动智能化匹配的目的。相比于现有技术，本发明可以实现用户与金融产品的智能匹配，降低人工工作量，提高了汽车金融产品的筛选效率，具有筛选误差低、匹配度高的特点，有效提升汽车金融产品的优质率。
[0095]
实施例2
[0096]
参照图5，一种基于神经网络的汽车金融产品智能匹配系统，包括：
[0097]
获取单元10，用于获取用户基本信息、汽车基本信息和审批结果数据；
[0098]
数据处理单元20，用于对所述用户基本信息、汽车基本信息和审批结果数据进行数据预处理；
[0099]
神经网络模型计算单元30，用于构建神经网络模型，根据不同的金融产品分别训练神经网络模型，并将预处理后的用户基本信息和汽车基本信息输入至训练完成的神经网络模型计算得到通过率；
[0100]
选择单元40，用于根据通过率和利率申请模式输出匹配结果。
[0101]
具体地，获取单元10包括第一输入单元和第二输入单元，用户基本信息作为第一输入单元，汽车基本信息作为第二输入单元，通过数据处理单元20后，传递至训练好的神经网络模型计算单元30计算通过率，选择单元40将依据通过率并结合额度利率申请模式等进一步计算输出结果。对于每一个成熟的金融产品，均可根据历史数据，通过建立通过率模型
计算该用户在该金融产品中的通过率情况。对于一个全新的金融产品，根据产品相似度使用聚类算法来进行解决。最终，选择单元40通过进一步对比排序计算出最终的推荐结果。
[0102]
可以理解，上述的一种基于神经网络的汽车金融产品智能匹配系统对应于实施例1的方法。实施例1中的任何可选项也适用于本实施例，这里不再详述。
[0103]
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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。