本發(fā)明涉及金融服務(wù)信息處理領(lǐng)域，尤其涉及一種基于多構(gòu)數(shù)字金融服務(wù)信息處理方法及系統(tǒng)。

背景技術(shù)：

1、隨著數(shù)字化時代的到來，融資服務(wù)面臨著前所未有的挑戰(zhàn)和機遇。數(shù)字金融服務(wù)已經(jīng)成為了金融業(yè)發(fā)展的趨勢，而多構(gòu)數(shù)字金融服務(wù)信息處理方法作為數(shù)字金融服務(wù)的重要組成部分，正在受到越來越多的關(guān)注。多構(gòu)數(shù)字金融服務(wù)信息處理方法是指利用人工智能、大數(shù)據(jù)、區(qū)塊鏈等技術(shù)，對金融服務(wù)中涉及的多個構(gòu)件（如用戶、產(chǎn)品、渠道等）的信息進(jìn)行綜合分析和處理，以實現(xiàn)更加準(zhǔn)確、安全、高效的數(shù)字金融服務(wù)，可以多角度為融資企業(yè)、金融機構(gòu)、政府部門提供快速便捷的服務(wù)窗口，對于推動數(shù)字金融服務(wù)的創(chuàng)新和升級具有重要意義。

2、也即，目前的多構(gòu)數(shù)字金融服務(wù)信息處理方法存在模型泛化能力不足和個性化服務(wù)支持不足的技術(shù)問題。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提出一種多構(gòu)數(shù)字金融服務(wù)信息處理方法，通過整合融資企業(yè)、融資產(chǎn)品、融資渠道、政府平臺等多個構(gòu)件的信息，實現(xiàn)精準(zhǔn)的客戶定位、個性化的服務(wù)推薦等，從而提高服務(wù)質(zhì)量。

2、為實現(xiàn)上述目的，本發(fā)明提供的一種基于多構(gòu)數(shù)字金融服務(wù)信息處理方法，包括以下步驟：

3、s1：采集客戶融資信息并進(jìn)行預(yù)處理，得到預(yù)處理后的客戶融資信息；所述融資信息包括至少4個融資指標(biāo)，所述融資指標(biāo)包括銀行交易記錄、收入水平、負(fù)債和信用評級信息；

4、s2：對所述預(yù)處理后的客戶融資信息進(jìn)行融資行為分析，提取融資評估特征向量；

5、s3：根據(jù)所述融資評估特征向量，基于k-means算法和高斯混合分析將客戶劃分為不同客戶簇，并生成客戶簇的融資評估特征簇向量；

6、s4：構(gòu)建融資評估模型，根據(jù)所述融資評估特征簇向量對客戶簇中的所有客戶進(jìn)行融資信用評估，根據(jù)融資信用評估結(jié)果推薦融資產(chǎn)品；

7、所述對客戶簇中的所有客戶進(jìn)行融資信用評估，包括：接收客戶簇的融資評估特征簇向量；對融資評估特征簇向量進(jìn)行殘差卷積計算，生成融資評估特征簇向量的卷積特征圖；對所述卷積特征圖進(jìn)行最大池化處理，將池化后卷積特征圖映射為融資信用評估結(jié)果。

8、作為本發(fā)明的進(jìn)一步改進(jìn)方法：

9、可選地，所采集n名客戶的所述融資信息為：

10、；

11、其中：

12、表示所采集第名客戶的所述融資信息，分別表示第名客戶各所述融資指標(biāo)的融資數(shù)據(jù)序列；

13、表示第名客戶在第個所述融資指標(biāo)的所述融資數(shù)據(jù)序列；

14、表示所述融資數(shù)據(jù)序列中個月份的融資數(shù)據(jù)，表示所述融資數(shù)據(jù)序列中第個月份的融資數(shù)據(jù)。

15、可選地，所述s1步驟中，對所述融資信息進(jìn)行預(yù)處理的流程為：

16、s11：構(gòu)建不同所述融資指標(biāo)的濾波器，其中第個所述融資指標(biāo)的所述濾波器為，所述濾波器的濾波系數(shù)為：，利用所述濾波器對相應(yīng)的所述融資數(shù)據(jù)序列進(jìn)行濾波處理：；

17、其中：

18、表示所述融資數(shù)據(jù)序列的濾波處理結(jié)果；

19、表示所述融資數(shù)據(jù)的濾波處理結(jié)果；

20、s12：計算得到不同濾波處理后所述融資數(shù)據(jù)序列在h個諧波頻率下的傅里葉系數(shù)：

21、；

22、其中：

23、為濾波處理后所述融資數(shù)據(jù)序列在第個諧波頻率下的所述傅里葉系數(shù)，；

24、表示轉(zhuǎn)置；

25、表示濾波處理后所述融資數(shù)據(jù)序列的傅里葉系數(shù)矩陣；

26、為諧波矩陣；

27、對所述傅里葉系數(shù)矩陣進(jìn)行求解，求解公式為：；

28、s13：利用求解得到的所述傅里葉系數(shù)矩陣對濾波處理后的所述融資數(shù)據(jù)序列進(jìn)行形態(tài)保持的諧波過濾，將諧波過濾結(jié)果作為所述融資數(shù)據(jù)序列的預(yù)處理結(jié)果，其中濾波處理后所述融資數(shù)據(jù)序列的諧波過濾公式為：

29、；

30、其中：

31、為濾波處理后所述融資數(shù)據(jù)序列的所述諧波過濾結(jié)果，為的所述諧波過濾結(jié)果；

32、s14：構(gòu)成所述預(yù)處理后的客戶融資信息：

33、；

34、其中：

35、第名客戶的所述預(yù)處理后的客戶融資信息，分別表示第名客戶在各所述融資指標(biāo)的預(yù)處理后的所述融資數(shù)據(jù)序列。

36、可選地，所述s2步驟包括：

37、s21：獲取所述預(yù)處理后的客戶融資信息在各所述融資指標(biāo)的預(yù)處理后的所述融資數(shù)據(jù)序列；

38、s22：采用時序分解方式，得到預(yù)處理后所述融資數(shù)據(jù)序列的時序相關(guān)矩陣；

39、s23：利用時序融合模塊對所述時序相關(guān)矩陣進(jìn)行時序狀態(tài)的迭代以及融合處理，得到所述預(yù)處理后的客戶融資信息所對應(yīng)客戶的所述融資評估特征向量：

40、；

41、其中：

42、表示l2范數(shù)；

43、表示所述時序相關(guān)矩陣中的時序特征；

44、表示趨勢特征卷積矩陣，表示卷積運算符。

45、可選地，所述s22步驟包括：

46、s221：初始化生成預(yù)處理后所述融資數(shù)據(jù)序列的趨勢分量，設(shè)置預(yù)處理后所述融資數(shù)據(jù)序列的當(dāng)前分解次數(shù)為d，d的初始值為0，則第d次時序分解后，所述融資數(shù)據(jù)序列的所述趨勢分量為：

47、，其中表示所述趨勢分量中的第m個分量值；

48、s222：提取預(yù)處理后所述融資數(shù)據(jù)序列的周期分量：

49、；

50、其中：

51、表示序列平滑處理函數(shù)；

52、表示以自然常數(shù)為底的指數(shù)函數(shù)；

53、表示平滑窗口的窗口序列點數(shù)；

54、表示差值參數(shù)；

55、s223：對所述趨勢分量進(jìn)行分解迭代：

56、；

57、其中：

58、表示所述周期分量中的第m個分量值；

59、s224：計算得到當(dāng)前第d+1次分解的殘差：

60、；

61、若小于預(yù)設(shè)的分解閾值，則終止迭代，提取當(dāng)前第d+1次分解的所述趨勢分量以及所述周期分量作為預(yù)處理后所述融資數(shù)據(jù)序列的所述時序特征，其中，，表示l2范數(shù)；

62、否則令，返回步驟s222；

63、s225：構(gòu)建得到預(yù)處理后所述融資數(shù)據(jù)序列的所述時序相關(guān)矩陣：

64、；

65、其中：

66、表示預(yù)處理后所述融資數(shù)據(jù)序列的所述時序相關(guān)矩陣。

67、可選地，所述s3步驟包括：

68、s31：計算得到不同客戶之間所述融資評估特征向量的距離：

69、；

70、其中：

71、表示第名客戶與第名客戶的所述融資評估特征向量的距離，；

72、s32：基于不同客戶之間所述融資評估特征向量的距離，采用k-means算法進(jìn)行所述融資評估特征向量的聚類處理，得到個聚類中心，其中第個所述聚類中心為，；

73、s33：生成各所述聚類中心所對應(yīng)的高斯混合參數(shù)；

74、s34：計算得到不同所述融資評估特征向量歸屬到個所述聚類中心的概率；

75、將所述融資評估特征向量歸屬到概率最大的所述聚類中心，構(gòu)成個客戶簇；

76、生成客戶簇的融資評估特征簇向量，其中第個客戶簇的所述融資評估特征簇向量為。

77、可選地，所述生成客戶簇的融資評估特征簇向量，包括：

78、獲取第個客戶簇中每個所述融資評估特征向量的歸屬概率，其中所述聚類中心的所述歸屬概率為1；

79、對第個客戶簇中所有的所述歸屬概率進(jìn)行標(biāo)準(zhǔn)化處理，使得標(biāo)準(zhǔn)化處理后所有歸屬概率之和為1；

80、將標(biāo)準(zhǔn)化后的所述歸屬概率作為所對應(yīng)所述融資評估特征向量或所述聚類中心的權(quán)重，并進(jìn)行加權(quán)處理，將加權(quán)處理結(jié)果作為第個客戶簇的所述融資評估特征簇向量。

81、可選地，所述融資評估模型包括輸入層、殘差卷積層、最大池化層以及融資信用評估層；

82、所述輸入層，用于接收客戶簇的所述融資評估特征簇向量；

83、所述殘差卷積層為resnet中的殘差學(xué)習(xí)單元結(jié)構(gòu)，用于對所述融資評估特征簇向量進(jìn)行殘差卷積計算，生成所述融資評估特征簇向量的卷積特征圖；

84、所述最大池化層為卷積神經(jīng)網(wǎng)絡(luò)中的池化層結(jié)構(gòu)，用于對所述卷積特征圖進(jìn)行最大池化處理，構(gòu)成池化后卷積特征圖；

85、所述融資信用評估層為神經(jīng)網(wǎng)絡(luò)中的全連接結(jié)構(gòu)，用于所述將池化后卷積特征圖映射為融資信用評估結(jié)果，所述融資信用評估結(jié)果以百分制的得分形式展示，得分越高，則表示客戶的資金需求越大、還款能力越高，進(jìn)而推薦資金支持更高的融資產(chǎn)品。

86、可選地，所述對客戶簇中的所有客戶進(jìn)行融資信用評估，包括：

87、s41：所述輸入層接收第個客戶簇的所述融資評估特征簇向量；

88、s42：所述殘差卷積層對所述融資評估特征簇向量進(jìn)行殘差卷積計算，生成所述融資評估特征簇向量的所述卷積特征圖：

89、；

90、其中：

91、表示所述融資評估特征簇向量的所述卷積特征圖；

92、表示殘差信息提取矩陣；

93、s43：所述最大池化層對所述卷積特征圖進(jìn)行最大池化處理，構(gòu)成所述池化后卷積特征圖；

94、；

95、其中：

96、表示最大池化操作；

97、s44：融資信用評估層將所述池化后卷積特征圖映射為所述融資信用評估結(jié)果：

98、；

99、其中：

100、表示第個客戶簇中所有客戶的所述融資信用評估結(jié)果；

101、表示融資信用評估結(jié)果集合，，為所述融資信用評估結(jié)果集合中的任意評估結(jié)果，表示所述評估結(jié)果對應(yīng)的映射矩陣，表示從所述融資信用評估結(jié)果集合中選取使得達(dá)到最大的所述評估結(jié)果作為。

102、為了解決上述問題，本發(fā)明提供一種基于多構(gòu)數(shù)字金融服務(wù)信息處理系統(tǒng)，所述系統(tǒng)包括：

103、數(shù)據(jù)處理模塊，用于采集客戶融資信息并進(jìn)行預(yù)處理，得到預(yù)處理后的客戶融資信息；

104、客戶行為識別模塊，用于對預(yù)處理后的客戶融資信息進(jìn)行融資行為分析，提取融資評估特征向量，根據(jù)提取得到的融資評估特征向量對客戶進(jìn)行客戶群體識別，將客戶劃分為不同客戶簇，并生成客戶簇的融資評估特征簇向量；

105、融資服務(wù)裝置，用于構(gòu)建融資評估模型，以客戶簇的融資評估特征簇向量為輸入對客戶簇中的所有客戶進(jìn)行融資信用評估，根據(jù)融資信用評估結(jié)果推薦融資產(chǎn)品。

106、為了解決上述問題，本發(fā)明還提供一種電子設(shè)備，所述電子設(shè)備包括：

107、存儲器，存儲至少一個指令；

108、通信接口，實現(xiàn)電子設(shè)備通信；及

109、處理器，執(zhí)行所述存儲器中存儲的指令以實現(xiàn)上述所述的基于多構(gòu)數(shù)字金融服務(wù)信息處理方法。

110、為了解決上述問題，本發(fā)明還提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有至少一個指令，所述至少一個指令被電子設(shè)備中的處理器執(zhí)行以實現(xiàn)上述所述的基于多構(gòu)數(shù)字金融服務(wù)信息處理方法。

111、相對于現(xiàn)有技術(shù)，本發(fā)明提出一種基于多構(gòu)數(shù)字金融服務(wù)信息處理方法，該技術(shù)具有以下優(yōu)勢：

112、首先，本方案通過獲取多渠道的客戶融資信息，利用濾波器去除客戶融資信息中的大部分噪音數(shù)據(jù)，并在信息的頻域部分對信息進(jìn)行分解，構(gòu)成不同諧波頻率下的傅里葉系數(shù)，提取最能表征原始信息的諧波形式，并進(jìn)行平滑處理，得到表征關(guān)鍵信息的預(yù)處理后客戶融資信息，通過提取客戶融資信息中的周期分量以及趨勢分量對客戶融資信息的時序特征進(jìn)行表征，構(gòu)成表征客戶交易時序變化的融資評估特征向量。

113、同時，本方案基于不同客戶的融資評估特征向量進(jìn)行客戶分類處理，并在分類過程中融合高斯混合參數(shù)，構(gòu)建不同聚類中心的概率密度函數(shù)，實現(xiàn)非聚類中心融資評估特征向量歸屬到不同聚類中心的概率計算，結(jié)合向量距離以及歸屬概率實現(xiàn)客戶分類。通過將客戶劃分為不同的客戶簇，并基于融資評估特征簇向量構(gòu)建融資評估模型，該方案能夠根據(jù)客戶群體特性調(diào)整模型輸入和處理方式，提高模型的適應(yīng)性和泛化能力，適用于多樣化的客戶群體和場景。

114、并將不同客戶簇的融資評估特征簇向量映射為融資信用評估結(jié)果，表征客戶對資金的需求程度，實現(xiàn)定制化的融資產(chǎn)品推薦，提升了金融服務(wù)的個性化水平。