一种针对企业的金融产品推荐方法及装置制造方法及图纸

本发明专利技术公开了一种针对企业的金融产品推荐方法及装置，涉及商业数据处理技术领域，包括：确定企业多级属性标签，从中筛选出对应评价指标的建模变量，对每个评价指标对应的建模变量进行

【技术实现步骤摘要】
一种针对企业的金融产品推荐方法及装置


[0001]本专利技术涉及商业数据处理
，尤其涉及一种针对企业的金融产品推荐方法及装置
。

技术介绍

[0002]在企业的发展成长中会对外部资金产生需求，目前在金融机构衡量企业信用状况时，存在信息不对等
、
不全面的情况，导致金融机构不敢放款
、
不愿放款，难以满足企业的融资需求，特别是无固定资产抵押物的小微企业融资需求
。
因此，要改善企业融资难
、
融资贵的情况，需要改变企业与金融机构间信息不对等
、
不全面的现状，从多维度集聚企业信息以便评估企业信用状况，并根据企业信用状况对金融产品进行高效
、
准确的推荐，提高企业申请金融产品通过率，提升企业的用户体验，也降低金融机构对企业融资风险
。
[0003]虽然现有技术已经存在企业用户画像技术，通过该技术可以获得企业经营状况的完整面貌，但是现有的用户画像技术所采用的标签体系和学习模型并不能准确且有效的还原出企业在贷款和金融领域的完整画像，因此针对企业的金融产品的推荐，往往无法做到准确
、
高效
。

技术实现思路

[0004]鉴于现有技术中的上述缺陷或不足，本专利技术提供了一种针对企业的金融产品推荐方法及装置，通过创新的标签体系
、
评价指标
、
评价指标学习模型，能够更加全面的衡量企业信用状况，并将企业信用状况与金融产品推荐系统有机结合，智能匹配对企业通过率更高的金融产品
。
[0005]本专利技术的一个方面，提供了一种针对企业的金融产品推荐方法，包括如下步骤：
[0006]根据获取的企业经营数据确定企业的多级属性标签；
[0007]从所述多级属性标签中筛选出对应评价指标的建模变量，对每个评价指标对应的建模变量进行
VIF
共线性分析，去除相关性较高的建模变量，得到用于机器学习模型的建模变量；其中，所述评价指标包括第一评价指标和第二评价指标，所述机器学习模型包括生成所述第一评价指标的评价结果的聚类模型，以及生成所述第二评价指标的评价结果的二分类模型；所述第一评价指标为企业成长性
、
企业稳定性
、
企业营利性和企业创新能力；所述第二评价指标为企业还款能力；
[0008]根据轮廓系数
、DB
指数和
CH
度量值确定多个所述聚类模型的最优
K
值，对比不同的聚类模型在所述最优
K
值下的轮廓系数
、DB
指数和
CH
度量值，确定最优的聚类模型；根据所述最优的聚类模型和最优
K
值，训练得到每个第一评价指标对应的聚类输出模型，通过所述聚类输出模型得到所述第一评价指标的聚类结果；
[0009]对多个所述二分类模型的超参数组合进行优化，得到最优超参数组合，并将
KS
值最大的模型作为最优的二分类模型，根据所述最优的二分类模型和最优超参数组合，训练得到每个第二评价指标对应的二分类输出模型，通过所述二分类输出模型得到所述第二评
价指标的分类结果；
[0010]将逻辑回归模型作为金融产品的推荐模型，将所述第一评价指标的聚类结果
、
第二评价指标的分类结果
、
以及金融产品的相关数据作为所述逻辑回归模型的输入变量，所述逻辑回归模型输出所述金融产品的通过概率；
[0011]对金融产品的通过概率大小进行排序，将概率最大的前
N
个金融产品推荐给企业，其中，
N
大于等于
1。
[0012]进一步的，所述多级属性标签包括按照数据源划分的一级标签
、
按照数据维度划分的二级标签
、
以及按照具体指标划分的三级标签
。
[0013]进一步的，所述聚类模型包括
Kmeans
模型
、SOM
模型
、DBSCAN
模型和
GMM
模型；所述二分类模型包括
XGBoost
模型
、Catboost
模型和
LightGBM
模型
。
[0014]进一步的，所述根据轮廓系数
、DB
指数和
CH
度量值确定多个所述聚类模型的最优
K
值的步骤，包括：
[0015]确定聚类模型中
K
值的初始范围；
[0016]计算初始范围中的每个
K
值对应的轮廓系数
、DB
指数和
CH
度量值，并进行数据标准化处理；
[0017]将标准化处理后的所述轮廓系数
、CH
度量值和
DB
指数按照从优到劣排序，将排序后的结果对应相加，并将相加后的结果按照从优到劣排序；
[0018]将相加结果的最优值对应的
K
值作为该聚类模型的最优
K
值
。
[0019]进一步的，所述对比不同的聚类模型在所述最优
K
值下的轮廓系数
、DB
指数和
CH
度量值，确定最优的聚类模型的步骤，包括：
[0020]比较各种聚类模型在最优
K
值下的轮廓系数
、DB
指数和
CH
度量值，将所述轮廓系数
、DB
指数和
CH
度量值的最优值数量最多的聚类模型作为最优聚类模型
。
[0021]进一步的，所述将标准化处理后的所述轮廓系数
、CH
度量值和
DB
指数按照从优到劣排序，将排序后的结果对应相加，并将相加后的结果按照从优到劣排序，将相加结果的最优值对应的
K
值作为该聚类模型的最优
K
值的步骤，包括：
[0022]将标准化处理后的所述轮廓系数和
CH
度量值按照从大到小的顺序排列，将标准化处理后的
DB
指数按照从小到大的顺序排序，将排序后的结果对应相加，并将相加后的结果按照从小到大的顺序排序；
[0023]将相加后的结果中的最小值对应的
K
值作为该聚类模型的最优
K
值
。
[0024]进一步的，所述的一种针对企业的金融产品推荐方法，还包括，将各种聚类模型在最优
K
值下的轮廓系数
、DB
指数和
CH
度量值中数值最小的作为各自的最优值
。
[0025]本专利技术的另一方面，提供了一种针对企业的金融产品推荐装置，包括：
[0026]第一模块，被配置为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种针对企业的金融产品推荐方法，其特征在于，包括：根据获取的企业经营数据确定企业的多级属性标签；从所述多级属性标签中筛选出对应评价指标的建模变量，对每个评价指标对应的建模变量进行
VIF
共线性分析，去除相关性较高的建模变量，得到用于机器学习模型的建模变量；其中，所述评价指标包括第一评价指标和第二评价指标，所述机器学习模型包括生成所述第一评价指标的评价结果的聚类模型，以及生成所述第二评价指标的评价结果的二分类模型；所述第一评价指标为企业成长性
、
企业稳定性
、
企业营利性和企业创新能力；所述第二评价指标为企业还款能力；根据轮廓系数
、DB
指数和
CH
度量值确定多个所述聚类模型的最优
K
值，对比不同的聚类模型在所述最优
K
值下的轮廓系数
、DB
指数和
CH
度量值，确定最优的聚类模型；根据所述最优的聚类模型和最优
K
值，训练得到每个第一评价指标对应的聚类输出模型，通过所述聚类输出模型得到所述第一评价指标的聚类结果；对多个所述二分类模型的超参数组合进行优化，得到最优超参数组合，并将
KS
值最大的模型作为最优的二分类模型，根据所述最优的二分类模型和最优超参数组合，训练得到每个第二评价指标对应的二分类输出模型，通过所述二分类输出模型得到所述第二评价指标的分类结果；将逻辑回归模型作为金融产品的推荐模型，将所述第一评价指标的聚类结果
、
第二评价指标的分类结果
、
以及金融产品的相关数据作为所述逻辑回归模型的输入变量，所述逻辑回归模型输出所述金融产品的通过概率；对金融产品的通过概率大小进行排序，将概率最大的前
N
个金融产品推荐给企业，其中，
N
大于等于
1。2.
根据权利要求1所述的一种针对企业的金融产品推荐方法，其特征在于，所述多级属性标签包括按照数据源划分的一级标签
、
按照数据维度划分的二级标签
、
以及按照具体指标划分的三级标签
。3.
根据权利要求1所述的一种针对企业的金融产品推荐方法，其特征在于，所述聚类模型包括
Kmeans
模型
、SOM
模型
、DBSCAN
模型和
GMM
模型；所述二分类模型包括
XGBoost
模型
、Catboost
模型和
LightGBM
模型
。4.
根据权利要求1所述的一种针对企业的金融产品推荐方法，其特征在于，所述根据轮廓系数
、DB
指数和
CH
度量值确定多个所述聚类模型的最优
K
值的步骤，包括：确定聚类模型中
K
值的初始范围；计算初始范围中的每个
K
值对应的轮廓系数
、DB
指数和
CH
度量值，并进行数据标准化处理；将标准化处理后的所述轮廓系数
、CH
度量值和
DB
指数按照从优到劣排序，将排序后的结果对应相加，并将相加后的结果按照从优到劣排序；将相加结果的最优值对应的
K
值作为该聚类模型的最优
K
值
。5.
根据权利要求4所述的一种针对企业的金融产品推荐方法，其特征在于，所述对比不同的聚类模型在所述最优
K
值下的轮廓系数
、DB
指数和
CH
度量值，确定最优的聚类模型的步骤，包括：比较各种聚类模型在最优
K
值下的轮廓系数
、DB
指数和
CH
度量值，将所述轮廓系数
、DB
指数和
CH
度量值的最优值数量最多的聚类模型作为最优聚类模型
。6.
根据权利要求4所述的一种针对企业的金融产品推荐方法，其特征...

【专利技术属性】
技术研发人员：薛康康，陈衡，王毅，李勇，申宇峰，宋云超，
申请(专利权)人：蔷薇大树科技有限公司，
类型：发明
国别省市：