目标票据的确定方法、装置、存储介质及电子设备与流程

本发明涉及人工智能领域，具体而言，涉及一种目标票据的确定方法、装置、存储介质及电子设备。

背景技术：

1、目前，由于票据融资获取资金的成本低于一般贷款，可以降低企业的融资成本，当企业有资金需求时，通常以票据融资的方式获取资金。票据融资是指票据持有人通过非贸易的方式取得商业汇票，并持该票据去银行办理票据贴现手续，即以该票据向银行申请贴现获取资金，达到融资的目的。企业在进行票据融资的过程中，存在买卖信息不对称的情况，资金供求双方信息难以匹配，导致企业融资难。

2、现有技术中，主要通过人工筛选的方式确定持票客户进行贴现交易的票据，例如，由银行客户经理基于相关工作经验选择可能具有贴现意愿的客户和票据，这种方式需要耗费大量人力成本，效率较低，并且对客户经理自身的业务能力有很强的依赖，通过这种方式选择的客户和对应的票据很可能并不具有贴现意愿，确定出的票据准确性比较低。

3、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本发明实施例提供了一种目标票据的确定方法、装置、存储介质及电子设备，以至少解决现有技术中通过人工筛选的方式确定持票客户进行贴现交易的票据，存在确定出的票据准确性比较低的技术问题。

2、根据本发明实施例的一个方面，提供了一种目标票据的确定方法，包括：获取第一交易对象的第一对象信息和票据信息，其中，票据信息用于描述第一交易对象的票据持有情况；将第一对象信息和票据信息输入第一预测模型进行预测，输出第一票据集合，其中，第一预测模型是通过第一样本数据对决策树模型训练得到的，第一票据集合由多个贴现程度大于第一阈值的票据构成；获取第二交易对象的第二对象信息，其中，第一交易对象与第二交易对象对应的票据交易角色不同；将第一票据集合和第二对象信息输入第二预测模型进行预测，输出目标票据，其中，第二预测模型是通过第二样本数据对决策树模型训练得到的，目标票据用于实现第一交易对象与第二交易对象之间的目标交易。

3、进一步地，将第一对象信息和票据信息输入第一预测模型进行预测，输出第一票据集合，包括：分别对第一对象信息和票据信息进行特征提取处理，得到第一交易对象的第一行为特征数据和票据信息关联的多个票据的票据特征数据；通过第一预测模型对第一行为特征数据和票据特征数据进行预测，得到第一预测结果，其中，第一预测结果表征多个票据的贴现程度；依据第一预测结果，从多个票据中确定贴现程度大于第一阈值的票据，并依据贴现程度大于第一阈值的票据，生成第一票据集合。

4、进一步地，将第一票据集合和第二对象信息输入第二预测模型进行预测，输出目标票据，包括：对第二对象信息进行特征提取处理，得到第二交易对象的第二行为特征数据；获取贴现程度大于第一阈值的票据的第一票据特征数据；通过第二预测模型对第二行为特征数据和第一票据特征数据进行预测，得到第二预测结果，其中，第二预测结果表征第二交易对象对每个贴现程度大于第一阈值的票据的贴现程度；依据第二预测结果，将第一票据集合中贴现程度大于第二阈值的票据作为目标票据。

5、进一步地，通过以下步骤生成第一预测模型：获取第一样本数据，其中，第一样本数据至少包括第一样本对象信息、第一样本票据信息以及真实贴现标签；分别对第一样本对象信息和第一样本票据信息进行特征提取处理，得到第一样本行为特征数据和第一样本票据特征数据；依据第一样本行为特征数据、第一样本票据特征数据以及真实贴现标签，构建决策树模型；将第一样本数据分为训练集和测试集，并依据训练集和测试集对决策树模型进行训练和测试，得到第一预测模型。

6、进一步地，依据第一样本行为特征数据、第一样本票据特征数据以及真实贴现标签，构建决策树模型，包括：依据第一样本行为特征数据和真实贴现标签进行计算，得到信息熵；依据第一样本行为特征数据中每个行为特征对应的类别和真实贴现标签进行计算，得到每个特征类别的根条件熵；依据信息熵和根条件熵进行计算，得到每个特征类别的根信息增益熵；将最大根信息增益熵对应的特征类别作为根节点属性建立决策树的根节点，并依据根节点建立决策树的子节点，直至无法建立子节点，得到决策树模型。

7、进一步地，依据训练集和测试集对决策树模型进行训练和测试，得到第一预测模型，包括：依据训练集和测试集对决策树模型进行训练和测试，得到初始决策树模型；通过模拟退火算法对初始决策树模型进行模型参数调优，并将调优后的决策树模型作为第一预测模型。

8、进一步地，在将第一票据集合和第二对象信息输入第二预测模型进行预测，输出目标票据之后，该方法还包括：依据目标票据生成推送信息，并将推送信息分别发送至第一交易对象的终端和第二交易对象的终端。

9、根据本发明实施例的另一方面，还提供了一种目标票据的确定装置，包括：第一获取模块，用于获取第一交易对象的第一对象信息和票据信息，其中，票据信息用于描述第一交易对象的票据持有情况；第一确定模块，用于将第一对象信息和票据信息输入第一预测模型进行预测，输出第一票据集合，其中，第一预测模型是通过第一样本数据对决策树模型训练得到的，第一票据集合由多个贴现程度大于第一阈值的票据构成；第二获取模块，用于获取第二交易对象的第二对象信息，其中，第一交易对象与第二交易对象对应的票据交易角色不同；第二确定模块，用于将第一票据集合和第二对象信息输入第二预测模型进行预测，输出目标票据，其中，第二预测模型是通过第二样本数据对决策树模型训练得到的，目标票据用于实现第一交易对象与第二交易对象之间的目标交易。

10、根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的目标票据的确定方法。

11、根据本发明实施例的另一方面，还提供了一种电子设备，该电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的目标票据的确定方法。

12、在本发明实施例中，采用分别通过决策树模型预测持票客户的票据和收票客户的票据，从而确定出目标票据的方式，首先获取第一交易对象的第一对象信息和票据信息，然后将第一对象信息和票据信息输入第一预测模型进行预测，输出第一票据集合，然后获取第二交易对象的第二对象信息，然后将第一票据集合和第二对象信息输入第二预测模型进行预测，输出目标票据。其中，票据信息用于描述第一交易对象的票据持有情况，第一预测模型是通过第一样本数据对决策树模型训练得到的，第一票据集合由多个贴现程度大于第一阈值的票据构成，第一交易对象与第二交易对象对应的票据交易角色不同，第二预测模型是通过第二样本数据对决策树模型训练得到的，目标票据用于实现第一交易对象与第二交易对象之间的目标交易。

13、在上述过程中，针对第一交易对象，可以通过第一预测模型预测得到第一票据集合，针对第二交易对象，可以通过第二预测模型从第一票据集合中预测得到目标票据，实现了分别通过决策树模型预测持票客户的票据和收票客户的票据，从而确定出目标票据，实现了对交易双方的交易票据的精准预测，提高了确定贴现交易的票据的效率和准确性，进而能够依据目标票据向交易双方进行票据推荐，使得第一交易对象和第二交易对象可以基于目标票据进行目标交易，提升票据贴现的推荐成功率。

14、由此可见，通过本发明的技术方案，达到了提升票据贴现的推荐成功率的目的，从而实现了提高确定贴现交易的票据的准确性的技术效果，进而解决了现有技术中通过人工筛选的方式确定持票客户进行贴现交易的票据，存在确定出的票据准确性比较低的技术问题。