[發明專利]債務數據處理方法、裝置、設備及存儲介質

在審

• 申請號: 202110484106.3
• 申請日: 2021-04-30
• 公開（公告）號: CN113139866A
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 馮輝
• 申請（專利權）人: 平安普惠企業管理有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N3/04;G06N3/08
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 姚維

本發明涉及人工智能領域，公開了一種債務數據處理方法、裝置、設備及存儲介質。該方法包括：獲取待處理的債務數據，其中，債務數據包括：費用項信息和數值信息；根據費用項信息，確定債務數據對應的債務類型，并根據數值信息，計算債務類型對應的還款數額；根據債務類型和還款數額，構建債務數據對應的債務信息向量；將債務信息向量輸入債務數據分析模型進行債務數據分析，輸出債務違約概率值，其中，債務數據分析模型包括：嵌入層、雙向LSTM網絡和sigmiod層；若所述第一債務違約概率值超過預置債務違約概率閾值，則生成與所述第一債務違約概率值對應的報警信息。本發明采用深度學習方式對債務數據進行分析，提高了債務數據的處理效率。

技術領域

本發明涉及人工智能領域，尤其涉及一種債務數據處理方法、裝置、設備及存儲介質。

背景技術

目前債務人進行還款金額費用核銷是基于已經給定的費用項進行核銷，比如：服務費、管理費、違約金、利息、本金等。債務人及時處理其相應的債務數據不僅有助于保護債務人本身的個人信用，也有助于債權企業的可持續發展。現有對債務人的是否會違約的概率計算中通常是由人工加部分機器的方式進行處理，這種方式的處理效率很低而且具備的參考性也很低。

傳統的債務數據處理主要是基于人工指定各費用項的還款順序，通過人工進行計算得到，由于債務情況復雜及資產數據計算繁瑣，導致債務數據處理的效率較低。

發明內容

本發明的主要目的在于解決目前債務數據的處理效率低的技術問題。

本發明第一方面提供了一種債務數據處理方法，所述債務數據處理方法包括：

獲取待處理的債務數據，其中，所述債務數據包括：費用項信息和數值信息；

根據所述費用項信息，確定所述債務數據對應的第一債務類型，并根據所述數值信息，計算所述第一債務類型對應的第一還款數額；

根據所述第一債務類型和所述第一還款數額，構建所述債務數據對應的第一債務信息向量；

將所述第一債務信息向量輸入預置債務數據分析模型進行債務數據分析，輸出第一債務違約概率值，其中，所述債務數據分析模型包括：嵌入層、雙向LSTM網絡和sigmiod層；

若所述第一債務違約概率值超過預置債務違約概率閾值，則生成與所述第一債務違約概率值對應的報警信息。

可選的，在本發明第一方面的第一種實現方式中，在所述獲取待處理的債務數據之前，還包括：

獲取多個債務數據樣本和預置訓練模型，其中，所述債務數據樣本包括：費用項信息樣本和數值信息樣本；

根據所述費用項信息樣本，確定所述債務數據對應的第二債務類型，并根據所述數值信息樣本，計算所述第二債務類型對應的第二還款數額；

根據所述第二債務類型和所述第二還款數額，構建所述債務數據樣本對應的第二債務信息向量；

將所述第二債務信息向量輸入所述訓練模型的嵌入層進行向量轉換，得到第一債務編碼向量；

將所述第一債務編碼向量輸入所述訓練模型的雙向LSTM網絡進行特征提取，得到第一債務特征向量；

將所述第一債務特征向量輸入所述訓練模型的sigmiod層進行債務違約概率值計算，輸出第二債務違約概率值；

根據所述第二債務違約概率值，調用預置損失函數對所述訓練模型進行參數調優，直至所述訓練模型收斂，得到債務數據分析模型。

可選的，在本發明第一方面的第二種實現方式中，所述根據所述費用項信息，確定所述債務數據對應的第一債務類型包括：

提取所述費用項信息中的多個關鍵詞；