银行客户关系管理系统及其方法技术方案

一种银行客户关系管理系统及其方法，其获取客户资金关系图数据；采用基于深度学习的人工智能技术，挖掘客户间资金往来关联特征与客户在本行的资金流水语义特征间的关联性特征分布信息，基于此来准确地进行客户的重要度评估判断，以优化银行金融系统。以优化银行金融系统。以优化银行金融系统。

【技术实现步骤摘要】
银行客户关系管理系统及其方法


[0001]本申请涉及智能化管理
，并且更具体地，涉及一种银行客户关系管理系统及其方法。

技术介绍

[0002]随着利率市场化改革的全面实现及直接融资的加速发展，使得国内银行同业竞争日趋激烈，再加上国内经济增速放缓，互联网金融企业等非银行金融机构以及非金融机构的参与，使得银行获得稳定的客户群体更加困难。
[0003]对银行来说，如果想要获得稳定的客户群体，需要通过客户的资金关系数据来分析客户在产业链中的地位及其与上下游客户的关联性，并通过全产业链留存客户与资金等数据获得客户的稳定性、成长性等指标，帮助银行规避客户资金风险，定向发展上下游关联客户，拓展银行客户群，但目前的银行金融系统不具备这些功能。
[0004]因此，期望一种银行客户关系管理方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种银行客户关系管理系统及其方法，其获取客户资金关系图数据；采用基于深度学习的人工智能技术，挖掘客户间资金往来关联特征与客户在本行的资金流水语义特征间的关联性特征分布信息，基于此来准确地进行客户的重要度评估判断，以优化银行金融系统。
[0006]第一方面，提供了一种银行客户关系管理方法，其包括：
[0007]获取客户资金关系图数据，其中，所述客户资金关系图数据中的一个节点表示一个客户，所述客户资金关系图数据中的边表示相应两个所述客户之间的资金流水信息；
[0008]将所述各个客户在本行的资金流水信息分别通过包含嵌入层的基于转换器的上下文编码器以得到多个客户节点特征向量，并将所述多个客户节点特征向量进行二维排列为客户节点全局特征矩阵；
[0009]基于所述客户资金关系图数据，生成邻接矩阵；
[0010]将所述邻接矩阵通过作为特征提取器的卷积神经网络模型以得到邻接特征矩阵；
[0011]将所述客户节点全局特征矩阵和所述邻接特征矩阵通过图神经网络模型以得到拓扑客户节点全局特征矩阵；
[0012]将所述拓扑客户节点全局特征矩阵中的各个行向量分别通过分类器以得到多个概率值；以及
[0013]基于所述多个概率值，为所述客户资金关系图数据中的所有客户分配重要度指标。
[0014]在上述银行客户关系管理方法中，将所述各个客户在本行的资金流水信息分别通过包含嵌入层的基于转换器的上下文编码器以得到多个客户节点特征向量，并将所述多个客户节点特征向量进行二维排列为客户节点全局特征矩阵，包括：对所述各个客户在本行
的资金流水信息进行分词处理以将所述各个客户在本行的资金流水信息转化为由多个词组成的词序列；使用所述包含嵌入层的基于转换器的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，使用所述包含嵌入层的基于转换器的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以得到多个客户节点特征向量。
[0015]在上述银行客户关系管理方法中，使用所述包含嵌入层的基于转换器的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以得到多个客户节点特征向量，包括：将所述词向量的序列进行一维排列以得到全局客户节点特征向量；计算所述全局客户节点特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述多个客户节点特征向量。
[0016]在上述银行客户关系管理方法中，将所述邻接矩阵通过作为特征提取器的卷积神经网络模型以得到邻接特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述邻接特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述邻接矩阵。
[0017]在上述银行客户关系管理方法中，将所述客户节点全局特征矩阵和所述邻接特征矩阵通过图神经网络模型以得到拓扑客户节点全局特征矩阵，包括：所述图神经网络通过可学习的神经网络参数对所述客户节点全局特征矩阵和所述邻接特征矩阵进行图结构数据编码以得到所述拓扑客户节点全局特征矩阵。
[0018]在上述银行客户关系管理方法中，将所述拓扑客户节点全局特征矩阵中的各个行向量分别通过分类器以得到多个概率值，包括：计算所述拓扑客户节点全局特征矩阵中所有行向量的高斯混合模型，其中，所述高斯混合模型的均值向量为所述多个行向量的按位置均值向量，所述高斯混合模型的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；计算所述拓扑客户节点全局特征矩阵中的各个行向量相对于所述高斯混合模型的高斯概率密度分布距离指数以得到多个高斯概率密度分布距离指数；分别以所述各个高斯概率密度分布距离指数作为权重对所述拓扑客户节点全局特征矩阵中的各个行向量进行加权以得到多个优化后行向量；以及，将所述多个优化后行向量输入所述分类器以得到所述多个概率值。
[0019]在上述银行客户关系管理方法中，计算所述拓扑客户节点全局特征矩阵中所有行向量的高斯混合模型，包括：以如下高斯公式计算所述拓扑客户节点全局特征矩阵中所有行向量的高斯混合模型；其中，所述高斯公式为：
[0020][0021]其中，μ表示所述拓扑客户节点全局特征矩阵中所有行向量之间的按位置均值向量，且σ的每个位置的值表示所述拓扑客户节点全局特征矩阵中所有行向量中各个位置的特征值之间的方差。
[0022]在上述银行客户关系管理方法中，计算所述拓扑客户节点全局特征矩阵中的各个行向量相对于所述高斯混合模型的高斯概率密度分布距离指数以得到多个高斯概率密度分布距离指数，包括：以如下优化公式计算所述拓扑客户节点全局特征矩阵中的各个行向量相对于所述高斯混合模型的高斯概率密度分布距离指数以得到多个高斯概率密度分布距离指数；其中，所述优化公式为：
[0023][0024]其中，V
i
是所述拓扑客户节点全局特征矩阵中的第i个行向量，μ
u
和∑
u
是所述高斯混合模型的均值向量和协方差矩阵，所述多个行向量和所述高斯混合模型的均值向量均为列向量形式，exp(
·
)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，表示按位置减法，表示矩阵乘法，w
i
表示所述多个高斯概率密度分布距离指数中的第i个高斯概率密度分布距离指数，(
·
)
T
表示向量的转置向量。
[0025]在上述银行客户关系管理方法中，将所述多个优化后行向量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种银行客户关系管理方法，其特征在于，包括：获取客户资金关系图数据，其中，所述客户资金关系图数据中的一个节点表示一个客户，所述客户资金关系图数据中的边表示相应两个所述客户之间的资金流水信息；将所述各个客户在本行的资金流水信息分别通过包含嵌入层的基于转换器的上下文编码器以得到多个客户节点特征向量，并将所述多个客户节点特征向量进行二维排列为客户节点全局特征矩阵；基于所述客户资金关系图数据，生成邻接矩阵；将所述邻接矩阵通过作为特征提取器的卷积神经网络模型以得到邻接特征矩阵；将所述客户节点全局特征矩阵和所述邻接特征矩阵通过图神经网络模型以得到拓扑客户节点全局特征矩阵；将所述拓扑客户节点全局特征矩阵中的各个行向量分别通过分类器以得到多个概率值；以及基于所述多个概率值，为所述客户资金关系图数据中的所有客户分配重要度指标。2.根据权利要求1所述的银行客户关系管理方法，其特征在于，将所述各个客户在本行的资金流水信息分别通过包含嵌入层的基于转换器的上下文编码器以得到多个客户节点特征向量，并将所述多个客户节点特征向量进行二维排列为客户节点全局特征矩阵，包括：对所述各个客户在本行的资金流水信息进行分词处理以将所述各个客户在本行的资金流水信息转化为由多个词组成的词序列；使用所述包含嵌入层的基于转换器的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及使用所述包含嵌入层的基于转换器的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以得到多个客户节点特征向量。3.根据权利要求2所述的银行客户关系管理方法，其特征在于，使用所述包含嵌入层的基于转换器的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以得到多个客户节点特征向量，包括：将所述词向量的序列进行一维排列以得到全局客户节点特征向量；计算所述全局客户节点特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述多个客户节点特征向量。4.根据权利要求3所述的银行客户关系管理方法，其特征在于，将所述邻接矩阵通过作为特征提取器的卷积神经网络模型以得到邻接特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述邻接特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的
输入为所述邻接矩阵。5.根据权利要求4所述的银行客户关系管理方法，其特征在于，将所述客户节点全局特征矩阵和所述邻接特征矩阵通过图神经网络模型以得到拓扑客户节点全局特征矩阵，包括：所述图神经网络通过可学习的神经网络参数对所述客户节点全局特征矩阵和所述邻接特征矩阵进行图结构数据编码以得到所述拓扑客户节点全局特征矩阵。6.根据权利要求5所述的银行客户关系管理方法，其特征在于，将所述拓扑客户节点全局特征矩阵中的各个行向量分别通过分类器以得到多个概率值，包括：计算所述拓扑客户节点全局特征矩阵中所有行向量的高斯混合模型，其中，所述高斯混合模型的均值向量为所述多个行向量的按位置均值向...

【专利技术属性】
技术研发人员：袁明浩，黄裕强，潘建程，
申请(专利权)人：广州信瑞泰信息科技有限公司，
类型：发明
国别省市：