[發(fā)明專利]一種扣款指令發(fā)起方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110589601.0
• 申請(qǐng)日: 2018-07-10
• 公開(kāi)（公告）號(hào): CN113298510B
• 公開(kāi)（公告）日: 2022-06-17
• 發(fā)明（設(shè)計(jì)）人: 曾琳鋮曦;劉洪政;蔣寧
• 申請(qǐng)（專利權(quán)）人: 馬上消費(fèi)金融股份有限公司
• 主分類號(hào): G06Q20/08
• 分類號(hào): G06Q20/08;G06Q20/42
• 代理公司: 北京鼎佳達(dá)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11348
• 代理人: 侯菲菲;劉鐵生

1.一種扣款指令發(fā)起方法，其特征在于，所述方法包括：

獲取扣款訂單的訂單信息；

根據(jù)所述訂單信息判斷所述扣款訂單是否適用于機(jī)器學(xué)習(xí)模型，所述機(jī)器學(xué)習(xí)模型采用歷史扣款訂單的訂單信息進(jìn)行訓(xùn)練得到；

若所述扣款訂單適用于所述機(jī)器學(xué)習(xí)模型，則將所述訂單信息輸入所述機(jī)器學(xué)習(xí)模型處理，獲取所述扣款訂單的成功扣款的預(yù)測(cè)值；

若所述預(yù)測(cè)值大于或者等于目標(biāo)閾值，則發(fā)起所述扣款訂單的扣款指令；

其中，所述根據(jù)所述訂單信息判斷所述扣款訂單是否適用于機(jī)器學(xué)習(xí)模型，包括：

當(dāng)所述扣款訂單信息的類別與所述機(jī)器學(xué)習(xí)模型中的參數(shù)匹配時(shí)或當(dāng)所述扣款訂單的類型與所述機(jī)器學(xué)習(xí)模型匹配時(shí)，所述訂單信息適用于所述機(jī)器學(xué)習(xí)模型。

2.如權(quán)利要求1所述的方法，其特征在于，所述訂單信息包括：n項(xiàng)訂單子信息，n為大于或者等于1的整數(shù)，所述根據(jù)所述訂單信息判斷所述扣款訂單是否適用于機(jī)器學(xué)習(xí)模型，包括：

生成所述n項(xiàng)訂單子信息對(duì)應(yīng)的訂單向量；

計(jì)算所述訂單向量與所述機(jī)器學(xué)習(xí)模型的中心向量的歐式距離值；

若所述歐式距離值小于或者等于所述機(jī)器學(xué)習(xí)模型的歐式距離極值，則確定所述扣款訂單適用于所述機(jī)器學(xué)習(xí)模型。

3.如權(quán)利要求2所述的方法，其特征在于，所述歐式距離極值為訓(xùn)練所述機(jī)器學(xué)習(xí)模型的歷史訂單集合中任意一個(gè)扣款訂單的訂單向量與所述機(jī)器學(xué)習(xí)模型的中心向量的差值；

所述中心向量是訓(xùn)練所述機(jī)器學(xué)習(xí)模型的歷史訂單集合中各項(xiàng)訂單子信息的平均值。

4.如權(quán)利要求1所述的方法，其特征在于，所述訂單信息包括：n項(xiàng)訂單子信息，所述機(jī)器學(xué)習(xí)模型至少包括n個(gè)模型系數(shù)，其中，所述n個(gè)模型系數(shù)分別與所述n項(xiàng)訂單子信息對(duì)應(yīng)，n為大于或者等于1的整數(shù)。

5.如權(quán)利要求1所述的方法，其特征在于，所述將所述訂單信息輸入機(jī)器學(xué)習(xí)模型處理之后，所述獲取到所述扣款訂單的成功扣款的預(yù)測(cè)值之前，所述方法還包括：

檢測(cè)所述扣款訂單是否滿足兜底策略，所述兜底策略包括：扣款訂單的逾期日數(shù)大于預(yù)設(shè)逾期日數(shù)、扣款金額大于預(yù)設(shè)扣款金額、距離上一次生成扣款指令的時(shí)間超過(guò)預(yù)設(shè)扣款周期中的一項(xiàng)或多項(xiàng)；

若所述扣款訂單滿足所述兜底策略，則發(fā)起所述扣款訂單的扣款指令。

6.一種機(jī)器學(xué)習(xí)模型的訓(xùn)練方法，其特征在于，所述方法包括：

獲取第一歷史訂單集合，所述第一歷史訂單集合包括多個(gè)歷史扣款訂單；

將所述多個(gè)歷史扣款訂單逐步代入初始機(jī)器學(xué)習(xí)模型進(jìn)行顯著性分析，得到每個(gè)歷史扣款訂單與所述初始機(jī)器學(xué)習(xí)模型的相關(guān)度；

選擇相關(guān)度滿足預(yù)設(shè)條件的歷史扣款訂單優(yōu)化所述初始機(jī)器學(xué)習(xí)模型，得到機(jī)器學(xué)習(xí)模型。

7.如權(quán)利要求6所述的方法，其特征在于，所述將所述多個(gè)歷史扣款訂單逐步代入初始機(jī)器學(xué)習(xí)模型進(jìn)行顯著性分析，得到每個(gè)歷史扣款訂單與所述初始機(jī)器學(xué)習(xí)模型的相關(guān)度，包括：

當(dāng)所述多個(gè)歷史扣款訂單中的數(shù)值屬于連續(xù)變量時(shí)，將所述多個(gè)歷史扣款訂單作為協(xié)變量逐步代入所述初始機(jī)器學(xué)習(xí)模型，并采用拉格朗日乘子檢驗(yàn)獲得每個(gè)歷史扣款訂單與所述初始機(jī)器學(xué)習(xí)模型的相關(guān)度；或者

當(dāng)所述多個(gè)歷史扣款訂單中存在非數(shù)值變量或者數(shù)值變化范圍只有有限個(gè)的非連續(xù)變量時(shí)，將所述多個(gè)歷史扣款訂單作為協(xié)變量逐步代入所述初始機(jī)器學(xué)習(xí)模型，并采用卡方檢驗(yàn)、顯著性水平值計(jì)算、擬合優(yōu)度指標(biāo)檢驗(yàn)以及特定置信區(qū)間的比值比計(jì)算方式中的任意一種獲得每個(gè)歷史扣款訂單與所述初始機(jī)器學(xué)習(xí)模型的相關(guān)度。

8.如權(quán)利要求6所述的方法，其特征在于，所述得到機(jī)器學(xué)習(xí)模型之后，所述方法還包括：

對(duì)所述第一歷史訂單集合中各訂單的預(yù)測(cè)值與各訂單的實(shí)際扣款結(jié)果進(jìn)行受試者工作特征ROC曲線分析，得到縱坐標(biāo)為靈敏度，橫坐標(biāo)為1減特異度的ROC曲線；

將所述ROC曲線中差值最大的靈敏度和特異度所對(duì)應(yīng)的預(yù)測(cè)值的均值作為目標(biāo)閾值，所述目標(biāo)閾值用于評(píng)判扣款訂單是否能夠扣款成功。