本发明涉及金融行业智能在线服务技术领域，具体涉及一种面向金融服务的聊天机器人及系统。
背景技术：
一般来说，互联网金融业务被分为金融互联网化、移动支付和第三方支付、P2P网络贷款以及众筹融资等不同类型。互联网金融自1997年开始在中国出现，伴随大数据、云计算、区块链、人工智能等技术的不断涌现，2013年以来呈现出“井喷式”、爆发式增长。互联网金融凭借组织模式及信息处理能力方面的优势，在原有渠道之外拓展市场机会，降低了交易成本，一定程度上缓解了信息不对称问题，提升了资金配置效率，对社会经济生活产生了不同的影响。
近年来，互联网金融增长迅速，互联网金融降低了交易成本，可缓解信息不对称问题，提高资金的配置效率。随着国家逐步放开金融行业的入行门槛，近年来兴起很多金融公司，这些金融公司推出各种多样化的金融信贷产品、理财产品和投资产品，有效满足了庞大基层群众资金使用需求，弥补了传统银行业的不足。
但随着金融产品多样化，这些金融公司需要承接越来越多的金融咨询服务，人工方式有着咨询效率高，快速直观的服务体验，缺点是：人力成本高、信息不对称、专业程度存在差异、产品匮乏等缺点。人工投入大，且由于人员与机构的专业能力不均，严重影响了用户服务体验。同时缺少更有效用户数据采集方法，大量运用人力实现签约与审批，造成服务效率的底下与各类成本的上升。
技术实现要素：
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种面向金融服务的聊天机器人及系统，通过人机交互的方式完成用户数据采集、问题解答、订单出库等基础工作，以提升金融服务的运行效率和金融服务体验。
为实现以上目的，本发明采用如下技术方案：
一种面向金融服务的聊天机器人，与一后台服务器进行信息交互，包括：金融数据采集模块、金融知识库模块、人机交互模块、金融业务处理模块、用户画像模块和订单模块，其中，
所述金融数据采集模块，用于采集互联网和所述后台服务器中的金融数据，并发送给所述金融知识库模块进行分类存储；
所述人机交互模块，用于接收用户输入的金融业务咨询信息并进行应答；所述人机交互界面上设有文本输入框、语音输入按钮和多媒体文件发送键；
所述金融业务处理模块，用于根据用户输入的金融业务咨询信息进行业务场景分类，并根据分类后的业务场景在所述金融知识库模块中提取相应的人机交互策略推送给所述人机交互模块，以使所述人机交互模块根据所述人机交互策略进行人机对话；
所述用户画像模块，用于根据人机对话内容提取用户特征以构建用户画像；
所述订单模块，用于从所述金融知识库模块中挑选出符合用户画像的金融产品生成订单，并对用户确认后的订单进行跟踪管理。
优选地，所述金融业务处理模块，具体用于：
对用户输入的金融业务咨询信息进行语义分析，以提取关键字；
根据所述关键字，判断用户咨询的业务场景；
在所述金融知识库模块中查找是否有对应的业务场景；
若有，从所述所述金融知识库模块中提取该业务场景对应的人机交互策略推送给所述人机交互模块，以使所述人机交互模块根据所述人机交互策略进行人机对话。
优选地，所述对用户输入的金融业务咨询信息进行语义分析，以提取关键字，具体为：
对用户输入的金融业务咨询信息进行数据预处理后，将处理完成的图像、语音数据转化成文本数据，以提取关键字；其中，所述数据预处理包括：数据解析、数据清洗、数据抽取、数据转换、数据加载。
优选地，所述用户画像模块，用于从所述语义分析后的数据中提取能够反映用户需求、信用信息的用户特征数据以构建用户画像。
优选地，所述金融业务处理模块，还用于将所述用户画像模块输出的用户特征数据输入到预存的金融产品匹配模型中，若匹配结果达到预设值，控制所述订单模块从所述金融知识库模块中挑选出符合用户画像的金融产品生成订单。
优选地，所述金融业务处理模块，利用机器学习算法构建金融产品匹配模型，并利用机器学习算法中的分类、聚类、关联规则、回归分析求不同算法，计算用户特征数据与金融产品匹配模型的匹配度。
优选地，所述订单模块包括：
订单申请模块，用于接收用户提交的金融业务申请材料及填报的订单申请；
风控审批模块，用于审核用户提交的金融业务申请材料，并根据审核后的金融业务申请材料和订单申请进行用户信用评估和支付放款风险评估，并将评估结果输入到预存的风险评估模型中，得到用户的风险特征参数；
支付放款模块，若所述风险特征参数大于阈值，通过所述人机交互模块输出相应的应答模版，否则，完成在线支付放款操作；
订单跟踪管理模块，用于跟踪和管控支付放款后的订单的还款情况。
优选地，所述风控审批模块基于回归、分类、聚类、决策树之类的机器学习算法建立所述风险评估模型，实现对用户订单的在线审批。
优选地，所述金融数据采集模块，具体用于：
通过人工录入、爬虫工具、在线传送方式采集互联网和所述后台服务器中的金融数据；所述金融数据包括：金融常识、产品数据、法律知识、风险知识、机构舆情；
对采集的金融数据进行数据清洗、数据集成、数据变换和数据规约预处理；
将预处理后的金融数据发送给所述金融知识库模块进行分类存储。
一种面向金融服务的聊天机器人系统，包括后台服务器及上述的面向金融服务的聊天机器人，其中，
所述后台服务器与所述聊天机器人及用户终端无线连接，用户终端向所述聊天机器人发送用户的金融业务咨询信息或在线订单申请；所述聊天机器人与所述后台服务器进行信息交互，以应答用户的金融业务咨询信息或响应用户的在线订单申请；
其中，所述用户终端包括：台式机电脑、平板电脑、笔记本电脑和智能手机；所述用户终端通过网页或用户APP接收用户输入的金融业务咨询信息。
本发明采用以上技术方案，至少具备以下有益效果：
由上述技术方案可知，本发明提供的这种面向金融服务的聊天机器人及系统，能够根据用户输入的金融业务咨询信息进行业务场景分类，并根据分类后的业务场景在所述金融知识库模块中提取相应的人机交互策略推送给所述人机交互模块，以使人机交互模块根据所述人机交互策略进行人机对话；同时，用户画像模块能够根据人机对话内容提取用户特征以构建用户画像，订单模块能够从所述金融知识库模块中挑选出符合用户画像的金融产品生成订单，并对用户确认后的订单进行跟踪管理。相比现有技术，本发明提供的这种面向金融服务的聊天机器人及系统，通过人机交互的方式完成用户数据采集、问题解答、订单出库等基础工作，能够提升金融服务的运行效率和金融服务体验。通过在人机交互中判断用户特征，并根据各类金融场景特征的相似度输出匹配场景下的应答与提问模版，通过多次交互逐渐完成用户精准画像，从而提供了更加准确的金融咨询和更加高效服务体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种面向金融服务的聊天机器人的示意框图；
图2为本发明一实施例提供的一种面向金融服务的聊天机器人系统的示意框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
参见图1和图2，本发明一实施例提供的一种面向金融服务的聊天机器人10，与一后台服务器20进行信息交互，包括：金融数据采集模块101、金融知识库模块102、人机交互模块103、金融业务处理模块104、用户画像模块105和订单模块106，其中，
所述金融数据采集模块101，用于采集互联网和所述后台服务器中的金融数据，并发送给所述金融知识库模块102进行分类存储；
所述人机交互模块103，用于接收用户输入的金融业务咨询信息并进行应答；所述人机交互界面上设有文本输入框、语音输入按钮和多媒体文件发送键；
所述金融业务处理模块104，用于根据用户输入的金融业务咨询信息进行业务场景分类，并根据分类后的业务场景在所述金融知识库模块102中提取相应的人机交互策略推送给所述人机交互模块，以使所述人机交互模块根据所述人机交互策略进行人机对话；
所述用户画像模块105，用于根据人机对话内容提取用户特征以构建用户画像；
所述订单模块106，用于从所述金融知识库模块102中挑选出符合用户画像的金融产品生成订单，并对用户确认后的订单进行跟踪管理。
需要说明的是，所述人机交互模块分为：应答子模块和提问子模块。应答子模块用于应答各类金融业务(包含信贷业务)咨询，提问子模块用于对用户进行提问，包含用户需求提问和信用状态提问，并返回数据提交表单让用户填写。
由上述技术方案可知，本发明提供的这种面向金融服务的聊天机器人，能够根据用户输入的金融业务咨询信息进行业务场景分类，并根据分类后的业务场景在所述金融知识库模块中提取相应的人机交互策略推送给所述人机交互模块，以使人机交互模块根据所述人机交互策略进行人机对话；同时，用户画像模块能够根据人机对话内容提取用户特征以构建用户画像，订单模块能够从所述金融知识库模块中挑选出符合用户画像的金融产品生成订单，并对用户确认后的订单进行跟踪管理。相比现有技术，本发明提供的这种面向金融服务的聊天机器人，通过人机交互的方式完成用户数据采集、问题解答、订单出库等基础工作，能够提升金融服务的运行效率和金融服务体验。通过在人机交互中判断用户特征，并根据各类金融场景特征的相似度输出匹配场景下的应答与提问模版，通过多次交互逐渐完成用户精准画像，从而提供了更加准确的金融咨询和更加高效服务体验。
优选地，所述金融业务处理模块104，具体用于：
对用户输入的金融业务咨询信息进行语义分析，以提取关键字；
根据所述关键字，判断用户咨询的业务场景；
在所述金融知识库模块102中查找是否有对应的业务场景；
若有，从所述所述金融知识库模块102中提取该业务场景对应的人机交互策略推送给所述人机交互模块103，以使所述人机交互模块103根据所述人机交互策略进行人机对话。
优选地，所述对用户输入的金融业务咨询信息进行语义分析，以提取关键字，具体为：
对用户输入的金融业务咨询信息进行数据预处理后，将处理完成的图像、语音数据转化成文本数据，以提取关键字；其中，所述数据预处理包括：数据解析、数据清洗、数据抽取、数据转换、数据加载。
需要说明的是，所述对用户输入的金融业务咨询信息进行语义分析，包括：将接收到的用户发布的非文本数据的图像数据、语音数据转化成文本数据；预处理图像的处理包括光学字符识别(OCR)、各类人工神经网络技术(RNN/LSTM/GRU)与联结主义时间分类器(CTC)相结合的技术方法；语音处理包括特征提取、识别建模及模型训练、解码得到结果。
优选地，所述用户画像模块105，用于从所述语义分析后的数据中提取能够反映用户需求、信用信息的用户特征数据以构建用户画像。
需要说明的是，用户画像模块，通过特征提取技术并结合聚类、分类等机器学习算法，对用户特征进行提取，并做特征分类，将用户特征分类为：需求特征、信用特征和产品特征。根据用户特征与金融知识库模块中各类产品进行匹配，对匹配度最高的产品，将未收集到的产品特征所对应的提问模版及风控端口返回人机交互模块。
优选地，所述金融业务处理模块104，还用于将所述用户画像模块105输出的用户特征数据输入到预存的金融产品匹配模型中，若匹配结果达到预设值，控制所述订单模块106从所述金融知识库模块102中挑选出符合用户画像的金融产品生成订单。
需要说明的是，金融业务处理模块是基于匹配策略模型实现包括场景匹配和产品匹配的主要功能。
场景匹配通过对用户特征与各个分类场景模型进行匹配度计算，利用机器学习算法中分类、聚类、关联规则、回归分析等算法计算匹配度，将用户的交互数据分类到所属场景中用于聊天机器人的后续处理。场景中包括的产品匹配功能是通过对用户特征与各类产品特征模型进行匹配计算，计算产品特征的相似度，当用户特征达到产品匹配的预设阀值时，系统将高匹配度的产品通过聊天机器人推送给用户。其他场景还产品咨询、金融知识、信用评估、资产评估、订单处理、机构评估、行业动态等可扩展场景库。
优选地，所述金融业务处理模块104，利用机器学习算法构建金融产品匹配模型，并利用机器学习算法中的分类、聚类、关联规则、回归分析求不同算法，计算用户特征数据与金融产品匹配模型的匹配度。
优选地，所述订单模块106包括：
订单申请模块，用于接收用户提交的金融业务申请材料及填报的订单申请；
风控审批模块，用于审核用户提交的金融业务申请材料，并根据审核后的金融业务申请材料和订单申请进行用户信用评估和支付放款风险评估，并将评估结果输入到预存的风险评估模型中，得到用户的风险特征参数；
支付放款模块，若所述风险特征参数大于阈值，通过所述人机交互模块输出相应的应答模版，否则，完成在线支付放款操作；
订单跟踪管理模块，用于跟踪和管控支付放款后的订单的还款情况。
优选地，所述风控审批模块基于回归、分类、聚类、决策树之类的机器学习算法建立所述风险评估模型，实现对用户订单的在线审批。
优选地，订单模块106包括：
订单申请模块，用于对用户申请及资料提交功能，包括但不限于申请表单填报与提交、资料上传与提交、身份验证等与订单申请相关的交互操作。
评估服务模块，用于通过订单申请提交的数据分类别进行评估，包括各类资产评估，如：车、房等。
风控审批模块，包括对用户上传数据真实度识别、对用户资产进行评估、对用户数据反欺诈识别、利用征信系统提取用户信用数据，将上述数据经信用评估模型对订单申请进行审批，通过审批输出支付指令，未通过审批则将未通过原因反馈用户，用户可根据未通过原因进行申辩或补充资料。
资产评估模块，对分类资产包括：房产、车辆、股份、票据等担保物进行评估的装置，通过对担保物的估值决定信贷产品的审批金额。
识别系统模块，通过深度学习算法对用户上传资料、身份资料、面部摄像等图文数据进行解析，判断上传数据的真实性。
征信数据库模块，指征信数据库系统，该系统通过接入各类征信数据库(个人及企业)实现对用户信用数据的整合。
信用评估模块，指基于数据挖掘技术与机器学习算法建立的信用评估模型，收集到的用户数据通过模型计算输出信用评估分值，结合征信系统数据库数据完成对用户信用数据的精准画像。
通过特征提取技术并结合聚类、分类等机器学习算法，形成金融知识库模块中同一类产品的特征数据，形成分类产品特征库。每一类产品特征还将特征分类为：需求特征、信用特征、产品特征及其他特征。
支付放款模块，对通过订单审批的用户发出支付或放款支付指令。
订单跟踪管理模块，用于处理用户对订单发出的指令请求进行反馈，包括：咨询、投诉、建议等对订单衍生的交互需求。
优选地，所述金融数据采集模块101，具体用于：
通过人工录入、爬虫工具、在线传送方式采集互联网和所述后台服务器中的金融数据；所述金融数据包括：金融常识、产品数据、法律知识、风险知识、机构舆情：
对采集的金融数据进行数据清洗、数据集成、数据变换和数据规约预处理；
将预处理后的金融数据发送给所述金融知识库模块102进行分类存储。
需要说明的是，本发明提供的这种聊天机器人，使用Encoder-Decoder框架，具体而言，X指的是用户输入语句，Y指的是聊天机器人的应答语句。
X＝〈x1，x2…xm>
Y＝<y1，y2…yn>
其含义是当机器人接受到用户聊天数据X后，经过Encoder-Decoder框架计算，首先由Encoder对X进行语义编码，使用LSTM模型进行语义向量生成，形成中间语义表示C，
Decoder根据中间语义表示C通过LSTM模型生成应答Y。
采用该模型来建立对话机器人，一般的做法是采用信息采集模块采集到的语料数据的作为训练数据，用大量的此类语料来训练该模型中对应的神经网络连接参数。
LSTM模型三个门Gate(input、forget、output)和一个Cell单元组成。Gate使用一个sigmoid激活函数，input和cell state通常会使用tanh激活函数来转换。LSTM的cell可以使用下列的等式来定义：
Gates：
it＝g(Wxixt+Whiht-1+bi)
ft＝g(Wxfxt+Whfht-1+bf)
ot＝g(Wxoxt+Whoht-1+bo)
传入门it遗忘门ft输出门ot
ft＝σ(Wf·[ht-1，xt]+bf)
输入变换：
it＝σ(Wi·[ht-1，xt]+bi)
Ct输出
h输出
ot＝σ(Wo[ht-1，xt]+bo)
ht＝ot*tanh(Ct)
sigmoid激活函数：
tanh激活函数：
Encoder-Decoder框架的解码部分使用了注意力模型(Attention)，目标句子中的每个词都学会其对应的源语句子中词的注意力分配概率信息。在生成每个词Yi的时候，原先都是相同的中间语义表示C会替换成根据当前生成单词而不断变化的Ci。生成目标句子词的过程为下面的形式：
y1＝f1(C1)
y2＝f1(C2，y1)
y3＝f1(C3，y1，y2)
注意力模型的attention
αi，j是Attention模型生成的权值，si-1为Decoder隐藏状态，hj为Encoder输出
a为Attention模型的核心被称为alignment模型
eij＝a(si-1，hj)
上下文向量Ci为隐藏向量序列(h1，…，hTx)按权重相加，Tx代表输入句子的长度，αi，j是Attention模型生成的权值，在i时刻，对特征h进行加权组合，一系列h为Encoder生成的特征。公式如下：
si表示解码器i时刻的隐藏状态。si-1为Decoder隐藏状态，yi-1为Decoder输入，ci为Attention函数，计算公式是
si＝f(si-1，yi-1，ci)
yi为i时刻的Decoder输出向量
yi＝g(yi-1，si，ci)
需要说明的是，上述LSTM模型也可用其他模型，例如：CNN/RNN/BiRNN/GRU/LSTM/Deep LSTM等代替，皆在本发明所要求保护的范围内。
另外，本发明还提供了一种通过聊天机器人进行反欺诈的方法：利用黑名单、用户画像模型、反欺诈语料及提问、反馈结果、输出订单审批策略、用户反馈结果判断是否符合欺诈画像。
步骤1：用户画像与某类产品匹配度达到逾期阀值并生成产品推荐列表；
步骤2：用户完成订单申请填报和申请材料的提交；
步骤3：用户画像模块完成对用户特征的提取；
步骤4：订单模块对用户特征进行提取；
步骤5：将用户数据与反欺诈模型进行分析比对，计算匹配度；
步骤6：对高匹配度用户的疑似特征反馈给聊天机器人；
步骤7：聊天机器人反欺诈模块对用户疑似特征向用户输出相应的提问或补充材料的要求；
步骤8：用户对系统做出反馈；
步骤9：订单模块判断用户是否符合反欺诈系统对应的用户，对订单审批结果做出判断。
参见图2，本发明还提出了一种面向金融服务的聊天机器人系统1，包括后台服务器20及上述的面向金融服务的聊天机器人10，其中，
所述后台服务器20与所述聊天机器人10及用户终端30无线连接，用户终端30向所述聊天机器人10发送用户的金融业务咨询信息或在线订单申请；所述聊天机器人10与所述后台服务器20进行信息交互，以应答用户的金融业务咨询信息或响应用户的在线订单申请；
其中，所述用户终端30包括但不限于：台式机电脑、平板电脑、笔记本电脑和智能手机、智能可穿戴设备、智能音像设备、多媒体终端、人形机器人等；所述用户终端30通过网页或用户APP接收用户输入的金融业务咨询信息。
为了便于理解本发明提供的这种面向金融服务的聊天机器人及系统，列举几个实例如下：
实例1：
用户首次登录后，机器人欢迎词例如：“您好，有什么可以帮您？”
用户输入文本：“我想问些贷款的问题”
对用户输入文本进行识别后，输出给用户画像模块；
用户画像模块对用户数据进行特征提取，对用户特征做特征标注，将处理后的数据输出给金融业务处理模块；
金融业务处理模块支持通过分类匹配模型对用户特征进行计算，将用户用户分类为产品咨询场景，同时与现有产品模型进行匹配，判断无产品匹配，将用户数据输出给聊天机器人中的贷款咨询模块；
聊天机器人模块对应的产品咨询模块通过对用户数据的分析，将用户的交互数据分类为问题数据，产品咨询模块中的应答模块根据用户输入数据经交互策略模型输出应答为“好的，没问题，您请提问”，机器人将交互数据传输给人机交互模块，从而形成循环的交互模式。
为了实现上下文的语意理解则利用循环神经网络(RNN)基础上改进长短期记忆网络(LSTM)来实现。编码器-解码器(Encoder-Decoder)的RNN模型先用LSTM单元来对输入序列进行学习，编码为固定长度的向量表示；然后再用一些LSTM单元来读取这种向量表示并解码为输出序列该模型包括的每个隐藏单元具有记忆功能的cell，其组成包括：
(1)输入节点：接受上一个时刻点的隐藏节点的输出以及当前的输入作为输入，然后通过一个tanh的激活函数；
(2)输入门：用来控制输入信息，门的输入为上一个时刻点的隐藏节点的输出以及当前的输入，激活函数为sigmoid；
(3)内部状态节点：输入为被输入门过滤后的当前输入以及前一时间点的内部状态节点输出；
(4)忘记门：用于控制内部状态信息，门的输入为上一个时刻点的隐藏节点的输出以及当前的输入，激活函数为sigmoid；
(5)输出门：用于控制输出信息，门的输入为上一个时刻点的隐藏节点的输出以及当前的输入，激活函数为sigmoid；
同时加入Attention机制，通过LSTM编码器对输入序列的中间输出结果，然后训练一个模型来对这些输入进行选择性的学习并且在模型输出时将输出序列与之进行关联。
实例2：
用户根据自身需求选择对应的产品并点击申请按钮，将申请指令传输给订单模块；
订单模块提示用户填写产品申请表单；
表单申请完毕后提示用户上传或提交申请资料，资料包括：手持身份证件的个人拍照、个人收入证明、收入流水、银行卡、结婚证、户口本、工作证明等。根据产品的不同，申请资料包括部分必须资料和补充资料。若资料未上传成功或资料不全便选择提交，则系统则将指示聊天机器人输出提示类交互数据给人机交互模块。
用户资料提交后数据输入风控审批模块，风控审批模块根据用户提交资料结合风控模型计算用户违约风险，同时对用户提交资料进行识别是否存在虚假资料；提取用户交互数据和资料数据是否存在符合反欺诈模型的数据。若用户数据符合反欺诈模型中的预设阀值，则将符合反欺诈特征的用户特征输出给聊天机器人，聊天机器人根据反欺诈模型对应问题库输出交互数据给人机交互模块。
实例3：
所述用户画像模块中的用户特征包括：需求特征、信用特征、产品特征
需求特征指对需求的关键词的提取，例如：借款需求：3天内用钱，12月底前；价格需求：利率低，无费用。
信用特征指基于用户信用相关的关键词，例如：工作年限、月收入、学历、是否已婚等。产品特征是指与产品功能、条件、特点相关的关键词，例如：无抵押、利率九折、一天审批等。
由上述技术方案可知，本发明提供的这种面向金融服务的聊天机器人及系统，通过提取用户特征构建用户画像，经过业务分类场景的匹配模型建立用户行为分类，实现与产品的匹配分析选择合适的产品类型并做推送，聊天机器人依据经知识库训练的交互模型，应用编码-解码框架结合长短期记忆模型(LSTM)实现交互数据输出，解决了上下文数据的连贯性，机器人同时应用分类模型对交互数据的进行识别分类，选择采用应答或提问的输出策略，让机器人在交互过程中更加主动挖掘用户需求。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。