贷款产品推荐方法、装置、计算机设备和存储介质与流程

本申请涉及数据分析技术领域，尤其涉及一种贷款产品推荐方法、装置、计算机设备和存储介质。

背景技术：

贷款是银行或其他金融机构按一定利率和必须归还等条件进行出借货币资金的一种信用活动形式。广义的贷款指贷款、贴现、透支等出贷资金的总称。银行通过贷款的方式将所集中的货币和货币资金投放出去，可以满足社会扩大再生产对补充资金的需要，促进经济的发展，同时，银行也可以由此取得贷款利息收入，增加银行自身的积累。

目前，在贷款过程中，需要银行或者金融机构对贷款人的需求进行判断，当贷款人符合相应的贷款产品的要求后，才能向该贷款人发放相应的贷款产品。而如果该贷款人与贷款产品匹配度存在差异，则不能很好的向贷款人发放贷款。

因此，急需在发放贷款的银行和贷款人之间建立起一个完善的匹配关系，以便提升贷款发放的目的性和针对性。

技术实现要素：

基于此，有必要针对缺乏在贷款发放方和贷款需求方之间及时信息匹配的问题，提供一种贷款产品推荐方法、装置、计算机设备和存储介质。

一种贷款产品推荐方法，包括如下步骤：

获取贷款人的贷款资质评价信息，根据所述贷款资质评价信息得到所述贷款人的目标贷款产品参数；

获取贷款发放方的贷款产品参数，将所述贷款人的目标贷款产品参数与贷款发放方的贷款产品参数进行比较后得到预期推荐方案，推送所述预期推荐方案至所述贷款人；

获取贷款人对于所述预期推荐方案的反馈信息，根据所述反馈信息对所述预期推荐方案进行优化后形成最终贷款推荐方案。

在其中一个可能的实施例中，所述获取贷款人的贷款资质评价信息，根据所述贷款资质评价信息得到所述贷款人的目标贷款产品参数，包括：

发送生物特征提取指令至贷款人所在终端，接收所述贷款人所在终端根据所述生物特征提取指令采集到的所述贷款人的生物特征；

获取与所述贷款人的生物特征对应的贷款人身份信息；

遍历预设的贷款信息登记表，获取所述贷款人的身份信息的贷款资质评价信息；

根据预设的所述贷款资质评价信息与贷款产品品种的对应关系，确定所述贷款人的目标贷款产品参数。

在其中一个可能的实施例中，所述获取贷款发放方的贷款产品参数，将所述贷款人的目标贷款产品参数与贷款发放方的贷款产品参数进行比较后得到预期推荐方案，推送所述预期推荐方案至所述贷款人，包括：

获取各个所述贷款发放方的贷款产品的参数，建立贷款发放数据组；

获取所述贷款人的目标贷款产品参数，将所述贷款人的目标贷款产品参数按照预设的权重进行排列后形成一目标贷款产品序列；

将所述目标贷款产品序列与所述贷款发放数据组中的数据进行匹配，匹配后得到的预期贷款产品推送至所述贷款人所在终端。

在其中一个可能的实施例中，所述获取贷款人对于所述预期推荐方案的反馈信息，根据所述反馈信息对所述预期推荐方案进行优化后形成最终贷款推荐方案，包括：

获取贷款人对于所述预期推荐方案的反馈信息后提取所述反馈信息中的特征信息；

将所述特征信息和所述预期推荐方案入参到模糊神经网络算法中进行运算，出参后得到初始贷款推荐模型；

将初始贷款推荐模型中贷款产品的参数入参到误差修正模型中进行修正，修正后得到所述最终贷款推荐方案。

在其中一个可能的实施例中，所述获取各个所述贷款发放方的贷款产品的参数，建立贷款发放数据组，包括：

发送贷款产品信息采集指令至各个待上传贷款产品的贷款发放方终端，获取所述贷款发放方终端对于所述贷款产品信息采集指令的反馈信息；

抽取所述反馈信息中所包含的所述贷款发放方的贷款产品参数；

将所述贷款发放方的贷款产品参数按照上传的时间顺序进行排列后得到所述贷款发放数据组。

在其中一个可能的实施例中，所述将所述目标贷款产品序列与所述贷款发放数据组中的数据进行匹配，匹配后得到的预期贷款产品推送至所述贷款人所在终端，包括：

将所述目标贷款产品序列分割成数个数据子块，计算所述目标贷款产品序列中所包含的各个所述数据子块的哈希值；

从计算所得的哈希值中提取n个哈希值，其中，n为大于等于2的自然数，生成所述目标贷款产品序列的n条产品属性信息；

从所述贷款发放数据组中，提取哈希值的数值与任一所述数据子块的哈希值的数值相同的贷款产品信息，推送所述贷款产品信息于所述贷款人所在终端。

在其中一个可能的实施例中，所述将初始贷款推荐模型中贷款产品的参数入参到误差修正模型中进行修正，修正后得到所述最终贷款推荐方案，包括：

通过grange表述定理对所述初始贷款推荐模型中的参数进行第一步修正，修正公式为：

δyt＝lag(δy)–λ(μt-1)，式中，μt-1是非均衡误差项，λ是短期调整参数，δyt为误差差值，δy为衡量特征信息与预期推荐方案匹配度的衡量参数；

将经过所述grange表述定理修正过的衡量参数进行协整回归，获取协整向量；

将所述协整向量输入到所述误差修正模型中，获取协整回归参数，根据所述协整回归参数，将所述协整回归参数作为权重对所述初始贷款推荐模型进行修正后得到最终贷款推荐方案。

一种贷款产品推荐装置，包括如下模块：

目标选取模块，设置为获取贷款人的贷款资质评价信息，根据所述贷款资质评价信息得到所述贷款人的目标贷款产品参数；

预期方案模块，设置为获取贷款发放方的贷款产品参数，将所述贷款人的目标贷款产品参数与贷款发放方的贷款产品参数进行比较后得到预期推荐方案，推送所述预期推荐方案至所述贷款人；

最终方案模块，设置为获取贷款人对于所述预期推荐方案的反馈信息，根据所述反馈信息对所述预期推荐方案进行优化后形成最终贷款推荐方案。

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述贷款产品推荐方法的步骤。

一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述贷款产品推荐方法的步骤。

与现有机制相比，本申请中，通过将贷款人希望的贷款产品与金融机构发放的贷款产品进行精确匹配，从而提升了金融机构发放贷款的效率，同时也使贷款人能够及时获取适合自身条件的贷款产品。通过对贷款人资质信息进行有效获取，从而更好的根据贷款人的身份情况向其推荐合适的贷款产品。此外，通过将贷款人的目标贷款产品和贷款发放方的贷款产品进行数值转换，便于进行参数比较后精准得到匹配度最大的贷款产品。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。

图1为本申请在一个实施例中的一种贷款产品推荐方法的整体流程图；

图2为本申请在一个实施例中的一种贷款产品推荐方法中的目标选取过程示意图；

图3为本申请在一个实施例中的一种贷款产品推荐方法中的预期方案生成过程示意图；

图4为本申请在一个实施例中的一种贷款产品推荐方法中的最终方案生成过程示意图；

图5为本申请在一个实施例中的一种贷款产品推荐装置的结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

图1为本申请在一个实施例中的一种贷款产品推荐方法的整体流程图，如图1所示，一种贷款产品推荐方法，包括以下步骤：

s1，获取贷款人的贷款资质评价信息，根据所述贷款资质评价信息得到所述贷款人的目标贷款产品参数；

具体的，在贷款信息数据库中存储有贷款人的历次贷款信息，比如，a贷款人历次贷款的金额，是否按期还款等信息，若a贷款人出现多次未按期还款的问题则不向其发放贷款。若a贷款人均按时还款则抽取出a贷款人的年龄、工作收入等基本信息以判定a贷款人可能需求的贷款产品参数，这些参数主要是指贷款产品的贷款期限、利息和风控模型等。

s2，获取贷款发放方的贷款产品参数，将所述贷款人的目标贷款产品参数与贷款发放方的贷款产品参数进行比较后得到预期推荐方案，推送所述预期推荐方案至所述贷款人；

具体的，在将所述贷款人的目标贷款产品参数与贷款发放方的贷款产品参数进行比较时，可以采用相似度比较算法，如余弦算法、欧几里得距离算法等计算两者之间的相似度，若相似度小于预设的误差阈值，则两个参数匹配，一般误差阈值为1％以下。经过参数比较后，将参数匹配数排名在前3为的贷款发放方的贷款产品作为预期推荐方案推送至贷款人。

s3，获取贷款人对于所述预期推荐方案的反馈信息，根据所述反馈信息对所述预期推荐方案进行优化后形成最终贷款推荐方案。

具体的，贷款人对于预期贷款方案的反馈信息主要包括2种可能的情况，第一种：从预期推荐方案中选择一种或者多种贷款产品作为待申领的贷款产品；第二种：没有从预期推荐方案中选择任意一款贷款产品。对于第一种情况，若贷款人选择的贷款产品超过一种，则根据优化算法推荐一种贷款产品作为最终贷款推荐方案；而对于第二种情况，则需要重新获取贷款发放方的贷款产品重新进行匹配后再次发送至贷款人。

本实施例，通过将贷款人希望的贷款产品与金融机构发放的贷款产品进行精确匹配，从而提升了金融机构发放贷款的效率，同时也使贷款人能够及时获取适合自身条件的贷款产品。

图2为本申请在一个实施例中的一种贷款产品推荐方法中的目标选取过程示意图，如图所示，所述s1，获取贷款人的贷款资质评价信息，根据所述贷款资质评价信息得到所述贷款人的目标贷款产品参数，包括：

s101、发送生物特征提取指令至贷款人所在终端，接收所述贷款人所在终端根据所述生物特征提取指令采集到的所述贷款人的生物特征；

具体的，所述贷款人所在终端在接收到生物特征提取指令后，对所述生物特征提取指令进行特征词查询，查询出所述生物特征提取指令是何种类型的生物特征提取，即是对贷款人进行指纹提取还是虹膜提取等，然后再向启动相应的生物特征采集设备对贷款人的生物特征进行提取。

s102、获取与所述贷款人的生物特征对应的贷款人身份信息；

具体的，获取所述贷款人的生物特征中的特征点和所述贷款人输入的姓名，将所述特征点与所述贷款人输入的姓名所对应的固有特征点进行比对，若一致则确定所述贷款人为所述姓名对应的贷款人，若不一致，则发送重新输入姓名的指令至所述贷款人所在终端。

s103、遍历预设的贷款信息登记表，获取所述贷款人的身份信息的贷款资质评价信息；

具体的，获取贷款人身份信息，根据所述贷款人身份信息检索所述贷款信息登记表的索引目录，从所述索引目录中抽取出所有包含所述贷款人身份信息的索引条目；其中，每一个索引条目对应着一个资质评价指标。

本步骤中，在进行索引目录查询的过程中可以先从索引目录的一级主目录中查询所述贷款人身份信息中的某一个关键词，比如是姓名，然后再在索引目录的下一级从目录中查询出其它关键词，比如是年龄35岁，依次类推得到所述贷款人身份信息的索引条目。

s104、根据预设的所述贷款资质评价信息与贷款产品品种的对应关系，确定所述贷款人的目标贷款产品参数。

具体的，将所述贷款资质评价信息进行二值化得到二值化的贷款资质评价信息，根据所述贷款人资质评价信息中各个评价信息在所述贷款信息登记表位置信息，建立二值化贷款资质评价信息矩阵，所述二值化贷款资质评价信息矩阵中的元素为二值化的贷款资质评价信息；例如，某一个评价信息在所述贷款信息登记表中的位置信息为第3行，第4列，则其在二值化贷款资质评价信息矩阵中的位置为第3行，第4列。

获取贷款产品的品种参数，遍历所述二值化贷款资质评价信息矩阵，获取所有与所述品种参数一致的元素信息，将一致的元素信息最多的一个类别作为所述贷款人的目标贷款产品的参数。

本实施例，通过对贷款人资质信息进行有效获取，从而更好的根据贷款人的身份情况向其推荐合适的贷款产品。

图3为本申请在一个实施例中的一种贷款产品推荐方法中的预期方案生成过程示意图，如图所示，所述s2，获取贷款发放方的贷款产品参数，将所述贷款人的目标贷款产品参数与贷款发放方的贷款产品参数进行比较后得到预期推荐方案，推送所述预期推荐方案至所述贷款人，包括：

s201、获取各个所述贷款发放方的贷款产品的参数，建立贷款发放数据组；

具体的，获取每一个贷款发放方所在终端的ip地址，根据所述ip地址确定贷款发放方的身份信息，根据所述身份信息对所述贷款发放方的贷款产品进行标记，以便于进行数据查找。将每一个贷款发放方发放的贷款产品聚集成一贷款产品集合，汇总这些贷款产品集合后形成所述贷款发放数据组。

s202、获取所述贷款人的目标贷款产品参数，将所述贷款人的目标贷款产品参数按照预设的权重进行排列后形成一目标贷款产品序列；

具体的，预设的权重是根据历史数据获得的，其可以根据贷款人历次贷款情况中的偏好来获得，比如某一个贷款人喜欢贷款还款周期长，则将贷款还款周期的权重。

s203、将所述目标贷款产品序列与所述贷款发放数据组中的数据进行匹配，匹配后得到的预期贷款产品推送至所述贷款人所在终端。

其中，在进行匹配时可以采用衡量参数匹配的方式，所述衡量参数是指用来衡量目标贷款产品序列中的数据和所述贷款发放数据组中的数据匹配度的参数。

具体的，将所述衡量参数输入到bp神经网络模型中进行训练得到修正后的衡量参数，其训练过程中的公式为：

dtk＝(ytk－ct)ct(1－ct)ejk，式中dtk表示训练前后的差值，ytk表示输入的参数，ct表示输出层第t个神经元的实际输出，ejk表示输入层连接元，当dtk＝0时，则训练结束，此时得到匹配度最大的贷款产品。

本实施例，通过将贷款人的目标贷款产品和贷款发放方的贷款产品进行数值转换，便于进行参数比较后精准得到匹配度最大的贷款产品。

图4为本申请在一个实施例中的一种贷款产品推荐方法中的最终方案生成过程示意图，如图所示，所述s3，获取贷款人对于所述预期推荐方案的反馈信息，根据所述反馈信息对所述预期推荐方案进行优化后形成最终贷款推荐方案，包括：

s301、获取贷款人对于所述预期推荐方案的反馈信息后提取所述反馈信息中的特征信息；

具体的，在向所述贷款人发送预期贷款产品时，同时向所述贷款人所在终端发送一张结构化的贷款反馈表，在所述贷款反馈表上设置有需要贷款人对贷款产品满意度的调查信息，从所述调查信息中获取贷款人填写的不符合其贷款目标的信息作为特征信息。

s302、将所述特征信息和所述预期推荐方案入参到模糊神经网络算法中进行运算，出参后得到初始贷款推荐模型；

其中，模糊神经网络与bp神经网络类似，其主要由输入层，三层隐层以及数出层构成，所不同的是在三层隐层的第二层中设有模糊化器，对该层的每一个节点进行语义模糊化推理。因此，模糊神经网络模型能够更好的纯语义文本进行分析。

s303、将初始贷款推荐模型中贷款产品的参数入参到误差修正模型中进行修正，修正后得到所述最终贷款推荐方案。

具体的，本步骤中所使用的误差修正模型进行误差修正时，可以采用一次误差修正，也可以采用二次误差修正。

本实施例，通过神经网络模型和误差修正模型对预期推荐方案进行修正，从而得到适合贷款人的最佳贷款产品。

在一个实施例中，所述s201、获取各个所述贷款发放方的贷款产品的参数，建立贷款发放数据组，包括：

发送贷款产品信息采集指令至各个待上传贷款产品的贷款发放方终端，获取所述贷款发放方终端对于所述贷款产品信息采集指令的反馈信息；

具体的，在发送贷款产品信息采集指令时，根据不同的贷款发放机构的机构名称进行发送，比如a银行先于z银行接收到贷款产品采集指令。

抽取所述反馈信息中所包含的所述贷款发放方的贷款产品参数；

其中，在进行反馈信息抽取时，还可以包括若反馈信息中包含有密钥，需要对反馈信息进行解密后在获取反馈信息的内容。所述密钥可以是哈希密钥、对称密钥等现有的所有密钥形式。若解密不成功，则不从该贷款产品发放方获取贷款产品参数。

将所述贷款发放方的贷款产品参数按照上传的时间顺序进行排列后得到所述贷款发放数据组。

本实施例，对反馈信息进行有效分析，从而获取到贷款人对于贷款产品的评价情况。

在一个实施例中，所述s203、将所述目标贷款产品序列与所述贷款发放数据组中的数据进行匹配，匹配后得到的预期贷款产品推送至所述贷款人所在终端，包括：

将所述目标贷款产品序列分割成数个数据子块，计算所述目标贷款产品序列中所包含的各个所述数据子块的哈希值；

具体的，在将贷款产品序列进行分割时可以将序列的数据总量作为参数入参到随机函数中进行计算，根据计算结果得到分割子块的长度。

从计算所得的哈希值中提取n个哈希值，其中，n为大于等于2的自然数，生成所述目标贷款产品序列的n条产品属性信息；

具体的，每一个哈希值对应着一个产品属性值，相同的哈希值对应着相同的产品属性值，而每一个产品属性值在产品属性列表中对应着一条产品属性信息。因此，可以根据哈希值遍历数据库中存储的产品属性表，从产品属性表中抽取出贷款产品的属性信息。

从所述贷款发放数据组中，提取哈希值的数值与任一所述数据子块的哈希值的数值相同的贷款产品信息，推送所述贷款产品信息于所述贷款人所在终端。

本实施例，通过哈希值得到贷款产品推送的最佳方案，从而使贷款产品的推荐方式量化，从而使贷款产品匹配更加准确。

在一个实施例中，所述s303、将初始贷款推荐模型中贷款产品的参数入参到误差修正模型中进行修正，修正后得到所述最终贷款推荐方案，包括：

通过grange表述定理对所述初始贷款推荐模型中的参数进行第一步修正，修正公式为：

δyt＝lag(δy)–λ(μt-1)，式中，μt-1是非均衡误差项，λ是短期调整参数，δyt为误差差值，δy为衡量特征信息与预期推荐方案匹配度的衡量参数；

将经过所述grange表述定理修正过的衡量参数进行协整回归，获取协整向量；

将所述协整向量输入到所述误差修正模型中，获取协整回归参数，根据所述协整回归参数，将所述协整回归参数作为权重对所述初始贷款推荐模型进行修正后得到最终贷款推荐方案。

本实施例中，误差修正模型有许多明显的优点：a)一阶差分项的使用消除了变量可能存在的趋势因素，从而避免了虚假回归问题；b)一阶差分项的使用也消除模型可能存在的多重共线性问题；c)误差修正项的引入保证了变量水平值的信息没有被忽视；d)由于误差修正项本身的平稳性，使得该模型可以用经典的回归方法进行估计，尤其是模型中差分项可以使用通常的t检验与f检验来进行选取。因此，一个重要的问题就是：是否变量间的关系都可以通过误差修正模型来表述，就此问题，engle与granger1987年提出了著名的grange表述定理。

本实施例通过进行误差修正减少了因为计算误差导致的贷款产品匹配错误。

在一个实施例中，提出了一种贷款产品推荐装置，如图5所示，包括如下模块：

目标选取模块51，设置为获取贷款人的贷款资质评价信息，根据所述贷款资质评价信息得到所述贷款人的目标贷款产品参数；

预期方案模块52，设置为获取贷款发放方的贷款产品参数，将所述贷款人的目标贷款产品参数与贷款发放方的贷款产品参数进行比较后得到预期推荐方案，推送所述预期推荐方案至所述贷款人；

最终方案模块53，设置为获取贷款人对于所述预期推荐方案的反馈信息，根据所述反馈信息对所述预期推荐方案进行优化后形成最终贷款推荐方案。

在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述贷款产品推荐方法的步骤。

在一个实施例中，提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各实施例中的所述贷款产品推荐方法的步骤。其中，所述存储介质可以为非易失性存储介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁盘或光盘等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请一些示例性实施例，其中描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。