一种用于回款率预测的方法和装置制造方法及图纸

本发明专利技术提供一种用于回款率预测的方法和装置。该方法包括对贷款逾期客户和客服之间的通话语音建立声学模型和语言模型；将通话语音识别成通话文本；对通话文本进行文本挖掘以标识逾期客户的逾期原因、还款能力、还款意愿、特殊需求等多维度信息；利用通话文本挖掘的信息以及通话行为信息对回款率建模；以及预测用户未来的回款率以使得能够进行差异化催收。

A method and device for prediction of collection rate

【技术实现步骤摘要】
一种用于回款率预测的方法和装置
本公开涉及信息处理和应用，尤其涉及一种用于回款率预测的方法和装置。
技术介绍
2015年开始随着互金和现金贷的兴起，导致催收市场发生了翻天腹地的变化。对于很多新兴金融公司来讲，回收率已经取代合规成为了排在第一位的指标，行业准入门槛大幅度降低，并且由于互金及现金贷逾期体量较大，导致市场对催收的需求急剧增加。然而，用于催收的传统回款率模型忽视通话内容和通话行为信息。传统回款率模型主要利用客户贷前的个人信息和逾期情况等对回款率进行建模。在客户逾期之后，尤其是逾期时间较长的情况下，客户在贷前的个人信息和逾期情况对于回款率的区分度并不高，无法有效的预测回款率。在传统的回款率预测流程中，客服通常在通话之后采取人工方式提炼客户信息，这具有以下缺点：(1)客服在和客户通话之后需要额外进行客户信息提炼和记录的工作，降低了客服的工作效率；(2)客服从通话中提炼客户信息是一个主观的任务，很难保证人工打标签的准确率和一致性；(3)客户在通话过程中所表达的信息是丰富且多维度的，客服很难将所有有效的信息全部记录，极容易出现有效信息遗漏丢失的情况；以及(4)为了保证客服从通话中提炼客户信息的准确性和一致性，需要对客服安排岗前培训，还可能需要增加人工质检的环节，这些都增加了成本。因此，对传统的回款率预测方法和流程进行改进是合乎需要的。
技术实现思路
提供本
技术实现思路
来以简化形式介绍将在以下具体实施方式部分中进一步描述的一些概念。本专利技术内容并不旨在标识出所要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定所要求保护的主题的范围。本专利技术正是针对上述技术问题而做出的。具体而言，本专利技术通过机器学习算法有效利用通话信息以及通话行为来全链路、自动化地实现逾期客户的回款率预测。在本专利技术的各实施例中，通过语音转文本模型、文本挖掘模型和回款率预测模型来自动、实时地完成贷后客户的回款率预测，从而赋能差异化催收策略。当贷款客户产生逾期行为之后，客服会和逾期客户进行电话沟通，来提醒客户还款、了解用户的逾期原因和经济状况等。这些通话内容中蕴含大量有关客户的社会属性、逾期原因、还款能力、还款意愿、特殊需求等多维度的信息，并且这些信息是随着时间推移不断变化和累积的信息。这些信息对于后续的回款率预测具有很强的可解释性。例如：有些用户在通话中提到“忘还了”、“不记得”等说法的时候，体现的是用户的一种非故意的逾期原因，在实际数据中可以发现，有类似信息的用户的还款率要显著高于平均水平。又比如有些用户在通话中提到“不想还”、“拒绝”等说法的时候，体现的是还款意愿较差，在实际数据中可以发现，有类似信息的用户的还款率要显著低于平均水平。这些信息可以有效用于预测客户后续的回款率。同时客服和客户之间的通话行为，如通话次数、时间、接通率等信息，也会对客户的回款率有一定的区分作用。本专利技术利用传统催收方法中容易被忽略的贷后通话信息，包括通话内容以及通话行为这两方面的信息，对逾期客户，尤其是逾期时间较长的客户的后续回款率有更强的预测力。在本专利技术的一个实施例中，提供了一种用于回款率预测的方法，该方法包括：通过声学模型和语言模型来将通话语音转换成通话文本；从所述通话文本中提取文本特征；对所述通话文本打标以生成客户标签；使用所述客户标签和所述文本特征来训练文本挖掘模型；使用经训练的文本挖掘模型来将所述通话文本识别为客户标识信息；从通话行为中提取通话行为特征；使用所述客户标识信息、所述通话行为特征以及作为标注的所述通话行为后不同周期的回款率来训练回款率预测模型；以及使用所述回款率预测模型来预测回款率。在本专利技术的另一个实施例中，提供了一种用于回款率预测的系统，该系统包括：用于通过声学模型和语言模型来将通话语音转换成通话文本的装置；用于从所述通话文本中提取文本特征的装置；用于对所述通话文本打标以生成客户标签的装置；用于使用所述客户标签和所述文本特征来训练文本挖掘模型的装置；用于使用经训练的文本挖掘模型来将所述通话文本识别为客户标识信息的装置；用于从通话行为中提取通话行为特征的装置；用于使用所述客户标识信息、所述通话行为特征以及作为标注的所述通话行为后不同周期的回款率来训练回款率预测模型的装置；以及用于使用所述回款率预测模型来预测回款率的装置。在本专利技术的又一实施例中，提供了一种存储用于回款率预测的指令的计算机可读存储介质，所述指令包括：用于通过声学模型和语言模型来将通话语音转换成通话文本的指令；用于从所述通话文本中提取文本特征的指令；用于对所述通话文本打标以生成客户标签的指令；用于使用所述客户标签和所述文本特征来训练文本挖掘模型的指令；用于使用经训练的文本挖掘模型来将所述通话文本识别为客户标识信息的指令；用于从通话行为中提取通话行为特征的指令；用于使用所述客户标识信息、所述通话行为特征以及作为标注的所述通话行为后不同周期的回款率来训练回款率预测模型的指令；以及用于使用所述回款率预测模型来预测回款率的指令。在结合附图研读了下文对本专利技术的具体示例性实施例的描述之后，本专利技术的其他方面、特征和实施例对于本领域普通技术人员将是明显的。尽管本专利技术的特征在以下可能是针对某些实施例和附图来讨论的，但本专利技术的全部实施例可包括本文所讨论的有利特征中的一个或多个。换言之，尽管可能讨论了一个或多个实施例具有某些有利特征，但也可以根据本文讨论的本专利技术的各种实施例使用此类特征中的一个或多个特征。以类似方式，尽管示例性实施例在下文可能是作为设备、系统或方法实施例进行讨论的，但是应当领会，此类示例性实施例可以在各种设备、系统、和方法中实现。附图说明为了能详细理解本公开的以上陈述的特征所用的方式，可参照各方面来对以上简要概述的内容进行更具体的描述，其中一些方面在附图中阐示。然而应该注意，附图仅阐示了本公开的某些典型方面，故不应被认为限定其范围，因为本描述可允许有其他等同有效的方面。图1、2A和2B示出了其中可实现本专利技术的各实施例的各种用户计算设备。图3示出了根据本专利技术的一个实施例的其中可实现本专利技术的各实施例的服务器计算设备。图4示出了根据本专利技术的一个实施例的智能催收模块的框图。图5示出了根据本专利技术的一个实施例的语音转文本组件的框图。图6示出了根据本专利技术的一个实施例的文本挖掘组件的框图。图7示出了根据本专利技术的一个实施例的回款率预测组件的框图。图8示出了根据本专利技术的一个实施例的用于智能催收的方法的流程图。图9示出了根据本专利技术的一个实施例的Skip-gram的网络结构。图10示出了根据本专利技术的一个实施例的GBDT与LR的组合模型。具体实施方式以下将参考形成本专利技术一部分并示出各具体示例性实施例的附图更详尽地描述本文档来自技高网...

【技术保护点】
1.一种用于回款率预测的方法，包括：/n将通话语音转换成通话文本；/n使用文本挖掘模型来将所述通话文本识别为客户标识信息；/n从通话行为中提取通话行为特征；/n使用所述客户标识信息、所述通话行为特征以及作为标注的所述通话行为后的回款率来训练回款率预测模型；以及/n使用所述回款率预测模型来预测回款率。/n

【技术特征摘要】
1.一种用于回款率预测的方法，包括：
将通话语音转换成通话文本；
使用文本挖掘模型来将所述通话文本识别为客户标识信息；
从通话行为中提取通话行为特征；
使用所述客户标识信息、所述通话行为特征以及作为标注的所述通话行为后的回款率来训练回款率预测模型；以及
使用所述回款率预测模型来预测回款率。


2.如权利要求1所述的方法，其特征在于，所述通话语音通过声学模型和语言模型来转换成所述通话文本。


3.如权利要求1所述的方法，其特征在于，进一步包括：
从所述通话文本中提取文本特征；
对所述通话文本打标以生成客户标签；以及
使用所述客户标签和所述文本特征来训练所述文本挖掘模型。


4.如权利要求3所述的方法，其特征在于，所述文本特征通过利用结巴分词工具来对所述通话文本进行分词以及使用通话文本分词结果来分别在客户和客服两个维度构建特征来生成，并且所述文本特征包括所述通话文本分词结果的unigram特征、bigram特征和平均嵌入特征。


5.如权利要求4所述的方法，其特征在于，所述平均嵌入特征通过对所述通话文本中所有单个词的词向量嵌入求平均得到，所述词向量可通过训练word2vec模型来获取。


6.如权利要求3所述的方法，其特征在于，所述文本挖掘模型通过GBDT来训练。


7.如权利要求1所述的方法，其特征在于，所述通话行为特征包括客户在不同周期内的通话次数、通话时间、通话接通率。


8.如权利要求1所述的方法，其特征在于，所述回款率预测模型通过GBDT和逻辑回归模型的组合来训练，并且所预测的回款率被用来指导后续差异化催收。


9.一种用于回款率预测的系统，包括：
用于将通话语音转换成通话文本的装置；
用于使用文本挖掘模型...

【专利技术属性】
技术研发人员：李盟，陈森盛，孙烨麒，向彪，周俊，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY