【技术实现步骤摘要】
本申请涉及数据处理，尤其涉及一种业务处理策略推送方法、装置、设备、介质及产品。
技术介绍
1、在金融领域中，银行的不良资产中，最主要的是不良贷款，是指借款人不能按期、按量归还本息的贷款。银行将资产分为“正常”、“关注”、“次级”、“可疑”、“损失”五级分类，其中将“正常”、“关注”归为银行的存量资产，将“次级”、“可疑”、“损失”三类归为银行的不良资产。不良资产处置指在贷款形成不良(包括次级、可疑和损失)后，不良贷款处置机构运用各种处置方式、按照规定程序和权限进行处置，最终达到不良贷款恢复正常、收回或核销等各项处置管理活动。
2、现阶段商业银行的不良资产处置方式往往通过专家经验进行人工选择，受限于对资产特征识别不充分，上述不良资产处置方式的选择效率有待进一步提升。
技术实现思路
1、本申请提供一种业务处理策略推送方法、装置、设备、介质及产品，用以解决目前不良资产处置方式的选择效率有待进一步提升的问题。
2、本申请第一方面提供一种业务处理策略推送方法，包括：
3、获取待处理的不良资产数据；所述不良资产数据为银行不良资产对应的相关数据；所述不良资产数据包括业务特征数据和不良特征属性数据；所述业务特征数据为银行不良资产对应业务的特征相关数据；
4、判断所述业务特征数据是否符合预设业务处理条件；
5、若确定所述业务特征数据不符合预设业务处理条件，则从所述不良资产数据中提取对应不良特征属性数据；
6、将所述不良特征属性数
7、推送所述业务处理策略。
8、进一步地，如上所述的方法，所述获取待处理的不良资产数据，包括：
9、获取预设时间段内预设数据库存储的所有资产数据；其中，资产数据包括存量资产数据和不良资产数据；
10、按照预设筛选策略从所有资产数据中筛选出所述待处理的不良资产数据。
11、进一步地，如上所述的方法，所述从所述不良资产数据中提取对应不良特征属性数据，包括：
12、对所述不良资产数据进行结构化处理和数据清洗，生成对应中间数据；
13、根据预设不良特征属性对所述中间数据进行数据提取，生成所述不良特征属性数据。
14、进一步地，如上所述的方法，所述业务处理策略确定模型为极限梯度提升xgboost模型；所述极限梯度提升xgboost模型包括多个决策树子模型；
15、所述将所述不良特征属性数据输入训练至收敛的业务处理策略确定模型，生成对应业务处理策略，包括：
16、将所述不良特征属性数据输入各所述决策树子模型，生成各所述决策树子模型对应的输出数值；
17、对各输出数值进行求和，生成最终预测数值；
18、根据所述最终预测数值确定对应的业务处理策略。
19、进一步地，如上所述的方法，所述从所述不良资产数据中提取对应不良特征属性数据之前，还包括：
20、获取银行的历史不良资产数据和历史不良资产数据对应的实际业务处理策略；
21、采用随机森林算法基于所述历史不良资产数据和所述实际业务处理策略确定所述预设不良特征属性；
22、获取训练样本，所述训练样本中包括：历史不良资产数据中所述预设不良特征属性对应的不良特征属性数据和所述实际业务处理策略；
23、根据所述训练样本对预设业务处理策略确定模型进行迭代训练；
24、若所述预设业务处理策略确定模型满足收敛条件，则将满足收敛条件的预设业务处理策略确定模型确定为训练至收敛的业务处理策略确定模型。
25、进一步地，如上所述的方法，若确定所述业务特征数据符合预设业务处理条件，则所述方法还包括：
26、确定与所述预设业务处理条件对应的业务处理策略；
27、将对应的业务处理策略推送至用户终端。
28、本申请第二方面提供一种业务处理策略推送装置，包括：
29、获取模块，用于获取待处理的不良资产数据；所述不良资产数据为银行不良资产对应的相关数据；所述不良资产数据包括业务特征数据和不良特征属性数据；所述业务特征数据为银行不良资产对应业务的特征相关数据；
30、判断模块，用于判断所述业务特征数据是否符合预设业务处理条件；
31、提取模块，用于若确定所述业务特征数据不符合预设业务处理条件，则从所述不良资产数据中提取对应不良特征属性数据；
32、生成模块，用于将所述不良特征属性数据输入训练至收敛的业务处理策略确定模型，生成对应业务处理策略；
33、推送模块，用于推送所述业务处理策略。
34、进一步地，如上所述的装置，所述获取模块具体用于：
35、获取预设时间段内预设数据库存储的所有资产数据；其中，资产数据包括存量资产数据和不良资产数据；按照预设筛选策略从所有资产数据中筛选出所述待处理的不良资产数据。
36、进一步地，如上所述的装置，所述提取模块在从所述不良资产数据中提取对应不良特征属性数据时，具体用于：
37、对所述不良资产数据进行结构化处理和数据清洗，生成对应中间数据；根据预设不良特征属性对所述中间数据进行数据提取，生成所述不良特征属性数据。
38、进一步地，如上所述的装置，所述业务处理策略确定模型为极限梯度提升xgboost模型；所述极限梯度提升xgboost模型包括多个决策树子模型；
39、所述生成模块具体用于：
40、将所述不良特征属性数据输入各所述决策树子模型，生成各所述决策树子模型对应的输出数值；对各输出数值进行求和，生成最终预测数值；根据所述最终预测数值确定对应的业务处理策略。
41、进一步地，如上所述的装置，所述装置还包括：
42、训练模块，用于获取银行的历史不良资产数据和历史不良资产数据对应的实际业务处理策略；采用随机森林算法基于所述历史不良资产数据和所述实际业务处理策略确定所述预设不良特征属性；获取训练样本，所述训练样本中包括：历史不良资产数据中所述预设不良特征属性对应的不良特征属性数据和所述实际业务处理策略；根据所述训练样本对预设业务处理策略确定模型进行迭代训练；若所述预设业务处理策略确定模型满足收敛条件，则将满足收敛条件的预设业务处理策略确定模型确定为训练至收敛的业务处理策略确定模型。
43、进一步地，如上所述的装置，若确定所述业务特征数据符合预设业务处理条件，则所述装置还包括：
44、确定模块，用于确定与所述预设业务处理条件对应的业务处理策略；将对应的业务处理策略推送至用户终端。
45、本申请第三方面提供一种电子设备，包括：存储器和处理器；
46、所述存储器存储计算机执行指令；
47、所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面任一项所述的业务处本文档来自技高网...
【技术保护点】
1.一种业务处理策略推送方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取待处理的不良资产数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述从所述不良资产数据中提取对应不良特征属性数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述业务处理策略确定模型为极限梯度提升XGBoost模型；所述极限梯度提升XGBoost模型包括多个决策树子模型；
5.根据权利要求3所述的方法，其特征在于，所述从所述不良资产数据中提取对应不良特征属性数据之前，还包括：
6.根据权利要求1至5任一项所述的方法，其特征在于，若确定所述业务特征数据符合预设业务处理条件，则所述方法还包括：
7.一种业务处理策略推送装置，其特征在于，包括：
8.一种电子设备，其特征在于，包括：存储器和处理器；
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至6任一项所述的业务处理策略推送方法。
...【技术特征摘要】
1.一种业务处理策略推送方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取待处理的不良资产数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述从所述不良资产数据中提取对应不良特征属性数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述业务处理策略确定模型为极限梯度提升xgboost模型；所述极限梯度提升xgboost模型包括多个决策树子模型；
5.根据权利要求3所述的方法，其特征在于，所述从所述不良资产数据中提取对应不良特征属性数据之前，还包括：
6.根据权利要...
【专利技术属性】
技术研发人员：单莹，孙明，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。