基于机器学习的贷款审批方法、装置、设备和存储介质与流程

本申请涉及互联网领域，特别是涉及一种基于机器学习的贷款审批方法、装置、设备和存储介质。

背景技术：

随着房地产的蓬勃发展，住房贷款业务已成为银行的一项重要拓展业务。如何更高效地向客户提供住房贷款业务，成为本领域技术人员亟待解决的问题。

传统的住房贷款审批主要采用线下申请线下审批的方式。该审批方式过度依赖客户经理的主观判断，对客户经理的经验和个人素质要求较高；同时，对于客户而言，审批的时间成本较高，时效性较差，从而导致贷款审批效率较低。

技术实现要素：

基于此，有必要针对传统技术的贷款审批效率较低的技术问题，提供一种基于机器学习的贷款审批方法、装置、设备和存储介质。

第一方面，本申请实施例提供一种基于机器学习的贷款审批方法，包括：

获取用户输入的贷款申请信息以及所述用户当前使用的输入设备的设备信息，其中，所述贷款申请信息包括贷款信息以及贷款人信息；

当根据所述贷款人信息、所述设备信息、所述用户的历史交易行为信息以及预设的风险预警模型确定所述用户的还款概率大于预设的第一阈值时，获取所述用户的外部数据，其中，所述风险预警模型为机器学习模型，所述外部数据为非预先存储的数据；

根据所述贷款申请信息、所述外部数据以及预设的评分规则，确定所述用户的评分，并根据所述评分输出审批结果。

第二方面，本申请实施例提供一种基于机器学习的贷款审批装置，包括：

第一获取模块，用于获取用户输入的贷款申请信息以及所述用户当前使用的输入设备的设备信息，其中，所述贷款申请信息包括贷款信息以及贷款人信息；

第二获取模块，用于当根据所述贷款人信息、所述设备信息、所述用户的历史交易行为信息以及预设的风险预警模型确定所述用户的还款概率大于预设的第一阈值时，获取所述用户的外部数据，其中，所述风险预警模型为机器学习模型，所述外部数据为非预先存储的数据；

处理模块，用于根据所述贷款申请信息、所述外部数据以及预设的评分规则，确定所述用户的评分，并根据所述评分输出审批结果。

第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的贷款的审批方法。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例第一方面提供的贷款的审批方法。

本申请实施例提供的基于机器学习的贷款审批方法、装置、设备和存储介质，计算机设备获取用户输入的贷款申请信息以及用户当前使用的输入设备的设备信息；当根据贷款申请信息中的贷款人信息、所述设备信息、所述用户的历史交易行为信息以及预设的风险预警模型确定所述用户的还款概率大于预设的第一阈值时，获取所述用户的外部数据；根据所述贷款申请信息、所述外部数据以及预设的评分规则，确定所述用户的评分，并根据所述评分输出审批结果。在整个贷款的审批过程中，计算机设备能够基于用户输入的贷款申请信息、输入设备的设备信息以及用户的历史交易行为信息，通过机器学习模型即风险预警模型自动确定用户的还款概率，并当用户的还款概率大于第一阈值时，再基于获取的用户的外部数据以及用户的贷款申请信息，通过预设的评分规则，确定用户的评分，并根据所确定的评分输出审批结果。即，整个贷款审批过程中均是由计算机设备自动完成，不再需要客户经理基于经验进行线下审批，从而提高了贷款的审批效率，同时也降低了人工方式进行贷款审批所带来的审批风险。

附图说明

图1为本申请实施例提供的基于机器学习的贷款审批方法的一种流程示意图；

图2为本申请实施例提供的基于机器学习的贷款审批方法的另一种流程示意图；

图3为本申请实施例提供的一种信息关系网络的示意图；

图4为本申请实施例提供的基于机器学习的贷款审批装置的结构示意图；

图5为本申请实施例提供的一种计算机设备的结构示意图。

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，通过下述实施例并结合附图，对本申请实施例中的技术方案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用以解释本申请，并不用于限定本申请。

需要说明的是，下述方法实施例的执行主体可以是基于机器学习的贷款审批装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例以执行主体是计算机设备为例进行说明。

图1为本申请实施例提供的基于机器学习的贷款审批方法的一种流程示意图。本实施例涉及的是计算机设备如何自动为用户进行贷款审批的具体过程。如图1所示，该方法可以包括：

s101、获取用户输入的贷款申请信息以及所述用户当前使用的输入设备的设备信息。

具体的，用户可以通过银行的客户端软件、小程序以及公众号等输入途径输入贷款申请信息，以使计算机设备获取到用户输入的贷款申请信息。其中，贷款申请信息可以包括贷款信息以及贷款人信息，贷款人信息可以包括主贷人信息，还可以包括参贷人信息。同时，计算机设备还需要采集用户当前使用的输入设备的设备信息，其中，设备信息可以包括设备的位置信息、设备的媒体访问控制(mediaaccesscontrol，mac)地址以及互联网协议(internetprotocol，ip)地址等，当输入设备为移动设备时，该设备信息还可以包括国际移动用户识别码(internationalmobilesubscriberidentificationnumber，imsi)、国际移动设备识别码(internationalmobileequipmentidentity，imei)、设备指纹以及手机号等。

s102、当根据所述贷款人信息、所述设备信息、所述用户的历史交易行为信息以及预设的风险预警模型确定所述用户的还款概率大于预设的第一阈值时，获取所述用户的外部数据。

具体的，计算机设备根据该用户的标识，获取该用户的历史交易行为信息。其中，历史交易行为信息可以为历史贷款行为信息、历史消费行为信息、社交数据以及电商数据等。计算机设备将上述获取的贷款人信息、设备信息以及该用户的历史交易行为信息，输入至风险预警模型中，得到该用户的还款概率。其中，该风险预警模型为机器学习模型，通过该预警模型可以预测该用户的风险因子，并基于预测的风险因子确定该用户的还款概率。

当确定该用户的还款概率大于预设的第一阈值时，获取该用户的外部数据。其中，该外部数据为非预先存储的数据，即通过外部渠道获取的数据。例如，人行的征信数据、公积金数据、社保数据以及通过工商、海关渠道获取的该用户的相关数据。

当确定该用户的还款概率小于或等于第一阈值时，计算机设备向用户输出拒贷结果。

s103、根据所述贷款申请信息、所述外部数据以及预设的评分规则，确定所述用户的评分，并根据所述评分输出审批结果。

具体的，外部数据可以包括用户的第一收入数据，贷款申请信息可以包括用户的第二收入数据，第一收入数据是计算机设备根据用户的外部数据获取的收入数据，第二收入数据为用户输入的收入数据，这样，计算机设备需要分别判断第一收入数据以及第二收入数据是否与目标贷款金额匹配。可选的，上述s103中根据所述贷款申请信息、所述外部数据以及预设的评分规则，确定所述用户的评分的过程可以为：根据预设的映射关系，分别判断所述第一收入数据以及所述贷款申请信息中的第二收入数据是否与目标贷款金额匹配；若至少有一个收入数据匹配，则根据所述外部数据中的征信数据，通过预设的评分规则确定所述用户的评分。

其中，所述映射关系中包括不同的收入数据与贷款金额之间的对应关系。当计算机设备确定至少有一个收入数据匹配时，计算机设备根据外部数据中的征信数据，按照预设的排除政策、计算标准、硬政策、特殊筛选政策及筛选政策，确定该用户的评分，并基于确定的评分输出审批结果。

可选的，若所述第一收入数据和所述第二收入数据均不匹配，则输出拒贷结果；若所述第一收入数据不匹配且所述第二收入数据匹配，则输出第一提示信息，所述第一提示信息用于指示需要提供收入证明。

在得到该用户的评分之后，计算机设备可以根据得到的评分输出审批结果。可选的，当该用户的评分大于或等于预设的第二阈值时，计算机设备输出第一审批结果，所述第一审批结果用于表征贷款审批通过；当该用户的评分小于所述第二阈值时，计算机设备输出第二审批结果，所述第二审批结果用于指示通过线下审批流程进行贷款的审批。

本申请实施例提供的基于机器学习的贷款审批方法，计算机设备获取用户输入的贷款申请信息以及用户当前使用的输入设备的设备信息；当根据贷款申请信息中的贷款人信息、所述设备信息、所述用户的历史交易行为信息以及预设的风险预警模型确定所述用户的还款概率大于预设的第一阈值时，获取所述用户的外部数据；根据所述贷款申请信息、所述外部数据以及预设的评分规则，确定所述用户的评分，并根据所述评分输出审批结果。在整个贷款的审批过程中，计算机设备能够基于用户输入的贷款申请信息、输入设备的设备信息以及用户的历史交易行为信息，通过机器学习模型即风险预警模型自动确定用户的还款概率，并当用户的还款概率大于第一阈值时，再基于获取的用户的外部数据以及用户的贷款申请信息，通过预设的评分规则，确定用户的评分，并根据所确定的评分输出审批结果。即，整个贷款审批过程中均是由计算机设备自动完成，不再需要客户经理基于经验进行线下审批，从而提高了贷款的审批效率，同时也降低了人工方式进行贷款审批所带来的审批风险。

在实际应用过程中，贷款申请信息还可以包括待购买房屋的房屋信息，为了进一步降低贷款审批风险，以向用户提供与之匹配的授信金额，可选的，计算机设备根据评分输出审批结果的过程还可以为：当所述评分大于或等于所述第二阈值时，根据所述房屋信息，确定所述待购买房屋的房屋性质；当所述待购买房屋为二手房时，判断所述待购买房屋的购买价格与市场价格是否匹配；若匹配，则输出所述第一审批结果；若不匹配，则输出第二提示信息，其中，所述第一审批结果用于表征贷款审批通过，所述第二提示信息用于指示需要提供所述待购买房屋的房屋评估报告。

图2为本申请实施例提供的基于机器学习的贷款审批方法的另一种流程示意图。本实施例涉及的是计算机设备如何基于风险预警模型确定用户的还款概率的具体过程。在上述实施例的基础上，可选的，如图2所示，上述s102中根据所述贷款人信息、所述设备信息、所述用户的历史交易行为信息以及预设的风险预警模型确定所述用户的还款概率的过程可以为：

s201、根据所述贷款人信息、所述设备信息以及所述用户的历史交易行为信息，构建所述用户的信息关系网络。

具体的，计算机设备利用文本、图谱等非结构化数据抽取技术，将获取的贷款申请信息中的贷款人信息、输入设备的设备信息以及用户的历史交易行为信息转换为图数据，并对图数据进行处理，筛选出构建信息关系网络所需的结点和边，并根据结点和边构建该用户的信息关系网络。其中，结点是指与该用户相关的原始数据。例如，上述结点为该用户的账号、该用户当前使用的输入设备的设备标识(如设备mac地址、ip地址、imei以及手机卡的imsi)、手机号、身份证号、当前位置信息、家庭地址和公司地址等。边是指结点之间的关联关系，如该用户拥有账号、该用户使用输入设备、该用户使用手机卡、家庭地址或工作地址是否匹配当前位置信息、申请贷款时的申请手机号是否匹配银行卡开户手机号以及一个账号中的资源转移到另一个账号中等。这样，计算机设备便可以构建出如图3所示的信息关系网络。其中，图3中的客户id(identification)为用户标识、全球定位系统(globalpositioningsystem，gps)地址为用户的当前位置信息。

s202、从所述信息关系网络中提取所述用户对应的风险特征信息。

具体的，计算机设备采用双模网络特征提取框架，从该信息关系网络中提取该用户对应的风险特征信息。其中，双模网络特征提取框架可以包括自我中心网络风险特征族、局部网络聚类系数风险特征族、全局网络风险特征族、网络信息一致性风险特征族以及四角形风险特征族。计算机设备通过自我中心网络风险特征族可以提取出该用户使用过的输入设备的数量以及该输入设备在预设时间内的共同使用人数，通过局部网络聚类系数风险特征族可以提取出用户与其它用户之间存在的交易次数，通过全局网络风险特征族可以提取出该用户在所在交易网络的相对重要程度以及中心程度等，通过网络信息一致性风险特征族可以提取出该用户的手机号是否为常用手机号、当前位置信息与家庭地址偏移预设距离的次数等，通过四角形风险特征族可以提取出该输入设备的共用账号数量以及该用户在预设时间内(如1天内)在当前位置处共申请贷款的次数等。

s203、将所述风险特征信息分别输入至预设的多个风险预警模型，得到对应的输出结果。

具体的，不同的风险预警模型用于预测所述用户不同的还款风险，还款风险包括逾期概率、还款能力以及还款意愿中的任意一种。计算机设备将上述得到的风险特征信息分别输入至多个风险预警模型，便可以得到多个输出结果，即得到多个还款风险。

可选的，多个风险预警模型可以包括聚类算法、文档主题生成模型、自然语言处理模型、长短期记忆模型等深度学习模型。每个风险预警模型均是通过大量历史训练数据训练得到的。

s204、对所有输出结果进行加权计算，得到所述用户的还款概率。

具体的，不同的输出结果具有对应的权重值，这样，计算机设备便可以根据各个输出结果以及各个输出结果所对应的权重值，对所有输出结果进行加权计算，得到该用户的还款概率。

在本实施例中，计算机设备可以基于获取的贷款人信息、输入设备的设备信息以及用户的历史交易行为信息，构建该用户的信息关系网络，并从信息关系网络中提取该用户对应的风险特征信息，并将风险特征信息输入至多个风险预警模型中，以得到表征用户的各个还款风险，并基于各个还款风险确定用户的还款概率。通过信息关系网络，可以更全面、深入地了解该用户的真实信息，使得得到的风险特征信息更加全面、准确，从而提高了通过风险预警模型预测的还款风险的准确性，进而提高了所计算的还款概率的准确性，降低了贷款审批的风险。

可选的，在得到该用户的信息关系网络之后，计算机设备还可以对所述用户的信息关系网络进行分析，确定目标风险标识，并将所述目标风险标识添加到黑名单中。

具体的，计算机设备通过对信息关系网络进行分析，即通过分析信息关系网络中节点之间的相似性以及中心性，确定目标风险标识。其中，目标风险标识可以为具有风险的ip地址、具有风险的区域范围以及具有风险的设备号等。计算机设备将这些具有风险的ip地址、具有风险的区域范围以及具有风险的设备号添加到现有的黑名单中，以对现有的黑名单信息进行补充，使得黑名单中的信息更完善，在下一次贷款审批过程中，计算机设备可以基于黑名单对贷款申请用户进行预审批，从而进一步降低了贷款审批的风险。

图4为本申请实施例提供的基于机器学习的贷款审批装置的结构示意图。如图4所示，该装置可以包括：第一获取模块10、第二获取模块11和处理模块12。

具体的，第一获取模块10用于获取用户输入的贷款申请信息以及所述用户当前使用的输入设备的设备信息，其中，所述贷款申请信息包括贷款信息以及贷款人信息；

第二获取模块11用于当根据所述贷款人信息、所述设备信息、所述用户的历史交易行为信息以及预设的风险预警模型确定所述用户的还款概率大于预设的第一阈值时，获取所述用户的外部数据，其中，所述风险预警模型为机器学习模型，所述外部数据为非预先存储的数据；

处理模块12用于根据所述贷款申请信息、所述外部数据以及预设的评分规则，确定所述用户的评分，并根据所述评分输出审批结果。

本申请实施例提供的基于机器学习的贷款审批装置，计算机设备获取用户输入的贷款申请信息以及用户当前使用的输入设备的设备信息；当根据贷款申请信息中的贷款人信息、所述设备信息、所述用户的历史交易行为信息以及预设的风险预警模型确定所述用户的还款概率大于预设的第一阈值时，获取所述用户的外部数据；根据所述贷款申请信息、所述外部数据以及预设的评分规则，确定所述用户的评分，并根据所述评分输出审批结果。在整个贷款的审批过程中，计算机设备能够基于用户输入的贷款申请信息、输入设备的设备信息以及用户的历史交易行为信息，通过机器学习模型即风险预警模型自动确定用户的还款概率，并当用户的还款概率大于第一阈值时，再基于获取的用户的外部数据以及用户的贷款申请信息，通过预设的评分规则，确定用户的评分，并根据所确定的评分输出审批结果。即，整个贷款审批过程中均是由计算机设备自动完成，不再需要客户经理基于经验进行线下审批，从而提高了贷款的审批效率，同时也降低了人工方式进行贷款审批所带来的审批风险。

在上述实施例的基础上，可选的，该装置还可以包括确定模块，确定模块可以包括：构建单元、提取单元、预测单元和确定单元；

具体的，构建单元用于根据所述贷款人信息、所述设备信息以及所述用户的历史交易行为信息，构建所述用户的信息关系网络；

提取单元用于从所述信息关系网络中提取所述用户对应的风险特征信息；

预测单元用于将所述风险特征信息分别输入至预设的多个风险预警模型，得到对应的输出结果，其中，不同的风险预警模型用于预测所述用户不同的还款风险，所述还款风险包括逾期概率、还款能力以及还款意愿中的任意一种；

确定单元用于对所有输出结果进行加权计算，得到所述用户的还款概率。

在上述实施例的基础上，可选的，确定模块还可以包括处理单元；

具体的，处理单元用于对所述用户的信息关系网络进行分析，确定目标风险标识，并将所述目标风险标识添加到黑名单中。

在上述实施例的基础上，可选的，所述外部数据包括所述用户的第一收入数据，处理模块12具体用于根据预设的映射关系，分别判断所述第一收入数据以及所述贷款申请信息中的第二收入数据是否与目标贷款金额匹配；若至少有一个收入数据匹配，则根据所述外部数据中的征信数据，通过预设的评分规则确定所述用户的评分，其中，所述映射关系中包括不同的收入数据与贷款金额之间的对应关系。

在上述实施例的基础上，可选的，处理模块12还用于若所述第一收入数据和所述第二收入数据均不匹配，则输出拒贷结果；若所述第一收入数据不匹配且所述第二收入数据匹配，则输出第一提示信息，所述第一提示信息用于指示需要提供收入证明。

在上述实施例的基础上，可选的，处理模块12还用于当所述评分大于或等于预设的第二阈值时，输出第一审批结果，所述第一审批结果用于表征贷款审批通过；当所述评分小于所述第二阈值时，输出第二审批结果，所述第二审批结果用于指示通过线下审批流程进行贷款的审批。

在上述实施例的基础上，可选的，所述贷款申请信息还包括待购买房屋的房屋信息，处理模块12还用于当所述评分大于或等于所述第二阈值时，根据所述房屋信息，确定所述待购买房屋的房屋性质；当所述待购买房屋为二手房时，判断所述待购买房屋的购买价格与市场价格是否匹配；若匹配，则输出所述第一审批结果；若不匹配，则输出第二提示信息，所述第二提示信息用于指示需要提供所述待购买房屋的房屋评估报告。

在一个实施例中，提供了一种计算机设备，其结构示意图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于机器学习的贷款审批过程中的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于机器学习的贷款审批方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取用户输入的贷款申请信息以及所述用户当前使用的输入设备的设备信息，其中，所述贷款申请信息包括贷款信息以及贷款人信息；

当根据所述贷款人信息、所述设备信息、所述用户的历史交易行为信息以及预设的风险预警模型确定所述用户的还款概率大于预设的第一阈值时，获取所述用户的外部数据，其中，所述风险预警模型为机器学习模型，所述外部数据为非预先存储的数据；

根据所述贷款申请信息、所述外部数据以及预设的评分规则，确定所述用户的评分，并根据所述评分输出审批结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述贷款人信息、所述设备信息以及所述用户的历史交易行为信息，构建所述用户的信息关系网络；从所述信息关系网络中提取所述用户对应的风险特征信息；将所述风险特征信息分别输入至预设的多个风险预警模型，得到对应的输出结果，其中，不同的风险预警模型用于预测所述用户不同的还款风险，所述还款风险包括逾期概率、还款能力以及还款意愿中的任意一种；对所有输出结果进行加权计算，得到所述用户的还款概率。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对所述用户的信息关系网络进行分析，确定目标风险标识，并将所述目标风险标识添加到黑名单中。

在一个实施例中，所述外部数据包括所述用户的第一收入数据，处理器执行计算机程序时还实现以下步骤：根据预设的映射关系，分别判断所述第一收入数据以及所述贷款申请信息中的第二收入数据是否与目标贷款金额匹配，其中，所述映射关系中包括不同的收入数据与贷款金额之间的对应关系；若至少有一个收入数据匹配，则根据所述外部数据中的征信数据，通过预设的评分规则确定所述用户的评分。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：若所述第一收入数据和所述第二收入数据均不匹配，则输出拒贷结果；若所述第一收入数据不匹配且所述第二收入数据匹配，则输出第一提示信息，所述第一提示信息用于指示需要提供收入证明。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：当所述评分大于或等于预设的第二阈值时，输出第一审批结果，所述第一审批结果用于表征贷款审批通过；当所述评分小于所述第二阈值时，输出第二审批结果，所述第二审批结果用于指示通过线下审批流程进行贷款的审批。

在一个实施例中，所述贷款申请信息还包括待购买房屋的房屋信息，处理器执行计算机程序时还实现以下步骤：当所述评分大于或等于所述第二阈值时，根据所述房屋信息，确定所述待购买房屋的房屋性质；当所述待购买房屋为二手房时，判断所述待购买房屋的购买价格与市场价格是否匹配；若匹配，则输出所述第一审批结果；若不匹配，则输出第二提示信息，所述第二提示信息用于指示需要提供所述待购买房屋的房屋评估报告。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取用户输入的贷款申请信息以及所述用户当前使用的输入设备的设备信息，其中，所述贷款申请信息包括贷款信息以及贷款人信息；

当根据所述贷款人信息、所述设备信息、所述用户的历史交易行为信息以及预设的风险预警模型确定所述用户的还款概率大于预设的第一阈值时，获取所述用户的外部数据，其中，所述风险预警模型为机器学习模型，所述外部数据为非预先存储的数据；

根据所述贷款申请信息、所述外部数据以及预设的评分规则，确定所述用户的评分，并根据所述评分输出审批结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述贷款人信息、所述设备信息以及所述用户的历史交易行为信息，构建所述用户的信息关系网络；从所述信息关系网络中提取所述用户对应的风险特征信息；将所述风险特征信息分别输入至预设的多个风险预警模型，得到对应的输出结果，其中，不同的风险预警模型用于预测所述用户不同的还款风险，所述还款风险包括逾期概率、还款能力以及还款意愿中的任意一种；对所有输出结果进行加权计算，得到所述用户的还款概率。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对所述用户的信息关系网络进行分析，确定目标风险标识，并将所述目标风险标识添加到黑名单中。

在一个实施例中，所述外部数据包括所述用户的第一收入数据，计算机程序被处理器执行时还实现以下步骤：根据预设的映射关系，分别判断所述第一收入数据以及所述贷款申请信息中的第二收入数据是否与目标贷款金额匹配，其中，所述映射关系中包括不同的收入数据与贷款金额之间的对应关系；若至少有一个收入数据匹配，则根据所述外部数据中的征信数据，通过预设的评分规则确定所述用户的评分。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若所述第一收入数据和所述第二收入数据均不匹配，则输出拒贷结果；若所述第一收入数据不匹配且所述第二收入数据匹配，则输出第一提示信息，所述第一提示信息用于指示需要提供收入证明。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当所述评分大于或等于预设的第二阈值时，输出第一审批结果，所述第一审批结果用于表征贷款审批通过；当所述评分小于所述第二阈值时，输出第二审批结果，所述第二审批结果用于指示通过线下审批流程进行贷款的审批。

在一个实施例中，所述贷款申请信息还包括待购买房屋的房屋信息，计算机程序被处理器执行时还实现以下步骤：当所述评分大于或等于所述第二阈值时，根据所述房屋信息，确定所述待购买房屋的房屋性质；当所述待购买房屋为二手房时，判断所述待购买房屋的购买价格与市场价格是否匹配；若匹配，则输出所述第一审批结果；若不匹配，则输出第二提示信息，所述第二提示信息用于指示需要提供所述待购买房屋的房屋评估报告。

上述实施例中提供的基于机器学习的贷款审批装置、计算机设备以及存储介质可执行本申请任意实施例所提供的基于机器学习的贷款审批方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的基于机器学习的贷款审批方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)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各个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的几种实施方式，其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。