本發(fā)明涉及金融分期，尤其是涉及一種金融分期消費(fèi)推薦方法及系統(tǒng)。

背景技術(shù)：

1、金融分期消費(fèi)，作為一種允許消費(fèi)者進(jìn)行逐期支付的金融工具，在全球范圍內(nèi)都獲得了廣泛應(yīng)用。這種機(jī)制旨在允許消費(fèi)者購買他們所需但可能暫時(shí)無法一次性支付的商品或服務(wù)。隨著數(shù)字技術(shù)的發(fā)展，特別是互聯(lián)網(wǎng)金融、移動支付、大數(shù)據(jù)分析和人工智能技術(shù)的快速推進(jìn)，為消費(fèi)者提供更加貼心、合理的分期消費(fèi)方案成為了金融科技行業(yè)的一個(gè)熱門焦點(diǎn)。

2、傳統(tǒng)上，金融機(jī)構(gòu)通過簡化的計(jì)算公式和標(biāo)準(zhǔn)化規(guī)則為消費(fèi)者提供分期方案。這些方案主要基于消費(fèi)者的信用評分，這些評分往往來自于他們的還款記錄、收入狀況和其他標(biāo)準(zhǔn)化的財(cái)務(wù)信息。然而，這種方法考慮的較為片面，無法在多方面對消費(fèi)者進(jìn)行信用評分。

3、因此，亟需一種金融分期消費(fèi)推薦方法及系統(tǒng)，解決現(xiàn)有的信用評分較為片面的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供的一種金融分期消費(fèi)推薦方法，用于解決現(xiàn)有的金融分期推薦所使用的信用評分較為片面的問題。

2、本發(fā)明第一方面提供一種金融分期消費(fèi)推薦方法，方法包括：

3、獲取消費(fèi)者的歷史信用評分?jǐn)?shù)據(jù)和歷史偏好數(shù)據(jù)，所述歷史偏好數(shù)據(jù)包括生活習(xí)慣數(shù)據(jù)、日常消費(fèi)行為數(shù)據(jù)、未來的財(cái)務(wù)計(jì)劃數(shù)據(jù)和個(gè)性化需求數(shù)據(jù)中的至少一種；

4、將所述歷史信用評分?jǐn)?shù)據(jù)和所述歷史偏好數(shù)據(jù)分別輸入初始深度學(xué)習(xí)模型中，得到目標(biāo)深度學(xué)習(xí)模型；

5、獲取所述消費(fèi)者的當(dāng)前信用評分?jǐn)?shù)據(jù)，以及當(dāng)前偏好數(shù)據(jù)；

6、將所述當(dāng)前信用評分?jǐn)?shù)據(jù)和所述當(dāng)前偏好數(shù)據(jù)，分別輸入所述目標(biāo)深度學(xué)習(xí)模型中，得到針對所述消費(fèi)者的金融分期消費(fèi)推薦方案。

7、可實(shí)施的一些方式中，所述獲取消費(fèi)者的歷史信用評分?jǐn)?shù)據(jù)和歷史偏好數(shù)據(jù)的步驟包括：

8、對所述生活習(xí)慣數(shù)據(jù)、所述日常消費(fèi)行為數(shù)據(jù)、所述未來的財(cái)務(wù)計(jì)劃數(shù)據(jù)和所述個(gè)性化需求數(shù)據(jù)分別進(jìn)行數(shù)據(jù)清洗和轉(zhuǎn)換，對應(yīng)得到生活習(xí)慣模型數(shù)據(jù)、日常消費(fèi)行為模型數(shù)據(jù)、未來的財(cái)務(wù)計(jì)劃模型數(shù)據(jù)和個(gè)性化需求模型數(shù)據(jù)；

9、所述生活習(xí)慣模型數(shù)據(jù)、所述日常消費(fèi)行為模型數(shù)據(jù)、所述未來的財(cái)務(wù)計(jì)劃模型數(shù)據(jù)和所述個(gè)性化需求模型數(shù)據(jù)分別賦予預(yù)設(shè)的權(quán)重，得到所述歷史偏好數(shù)據(jù)。

10、可實(shí)施的一些方式中，所述將所述歷史信用評分?jǐn)?shù)據(jù)和所述歷史偏好數(shù)據(jù)分別輸入初始深度學(xué)習(xí)模型中，得到目標(biāo)深度學(xué)習(xí)模型的步驟包括：

11、對所述歷史信用評分?jǐn)?shù)據(jù)進(jìn)行數(shù)據(jù)清洗和轉(zhuǎn)換，得到歷史信用評分模型數(shù)據(jù)；

12、對所述歷史信用評分模型數(shù)據(jù)賦予預(yù)設(shè)的權(quán)重，得到具有權(quán)重的所述歷史信用評分模型數(shù)據(jù)；

13、將具有權(quán)重的所述歷史信用評分模型數(shù)據(jù)，以及所述歷史偏好數(shù)據(jù)輸入所述初始深度學(xué)習(xí)模型中，得到所述目標(biāo)深度學(xué)習(xí)模型。

14、可實(shí)施的一些方式中，所述將具有權(quán)重的所述歷史信用評分模型數(shù)據(jù)，以及所述歷史偏好數(shù)據(jù)輸入所述初始深度學(xué)習(xí)模型中，得到所述目標(biāo)深度學(xué)習(xí)模型的步驟包括：

15、對所述歷史信用評分模型數(shù)據(jù)進(jìn)行特征提取，得到具有權(quán)重的歷史信用評分特征數(shù)據(jù)；

16、對所述歷史偏好數(shù)據(jù)進(jìn)行特征提取，得到具有權(quán)重的歷史偏好特征數(shù)據(jù)；

17、將所述歷史信用評分特征數(shù)據(jù)和所述歷史偏好特征數(shù)據(jù)，分別輸入所述初始深度學(xué)習(xí)模型中，得到所述目標(biāo)深度學(xué)習(xí)模型。

18、可實(shí)施的一些方式中，所述將具有權(quán)重的所述歷史信用評分模型數(shù)據(jù)，以及所述歷史偏好數(shù)據(jù)輸入所述初始深度學(xué)習(xí)模型中，得到所述目標(biāo)深度學(xué)習(xí)模型的步驟包括：

19、利用卷積神經(jīng)網(wǎng)絡(luò)，對歷史信用評分模型數(shù)據(jù)進(jìn)行特征提取，得到具有權(quán)重的所述歷史信用評分特征數(shù)據(jù)；

20、利用所述卷積神經(jīng)網(wǎng)絡(luò)，對所述歷史偏好數(shù)據(jù)進(jìn)行特征提取，得到具有權(quán)重的所述歷史偏好特征數(shù)據(jù)；

21、將所述歷史信用評分特征數(shù)據(jù)和所述歷史偏好特征數(shù)據(jù)分別輸入長短時(shí)記憶網(wǎng)絡(luò)中，得到目標(biāo)深度學(xué)習(xí)模型。

22、可實(shí)施的一些方式中，所述獲取所述消費(fèi)者的當(dāng)前信用評分?jǐn)?shù)據(jù)，以及當(dāng)前偏好數(shù)據(jù)的步驟包括：

23、獲取形成所述歷史信用評分?jǐn)?shù)據(jù)對應(yīng)的信用信息類別，以及所述歷史偏好數(shù)據(jù)對應(yīng)的偏好信息類別；

24、根據(jù)所述信用信息類別，得到當(dāng)前所述信用信息類別對應(yīng)的消費(fèi)者信用信息；

25、根據(jù)當(dāng)前所述信用信息類別對應(yīng)的消費(fèi)者信用信息，得到所述當(dāng)前信用評分?jǐn)?shù)據(jù)；

26、根據(jù)所述偏好信息類別，得到當(dāng)前所述偏好信息類別對應(yīng)的消費(fèi)者偏好信息；

27、根據(jù)當(dāng)前所述偏好信息類別對應(yīng)的消費(fèi)者偏好信息，得到所述當(dāng)前偏好數(shù)據(jù)。

28、可實(shí)施的一些方式中，所述將所述當(dāng)前信用評分?jǐn)?shù)據(jù)和所述當(dāng)前偏好數(shù)據(jù)，分別輸入所述目標(biāo)深度學(xué)習(xí)模型中，得到針對所述消費(fèi)者的金融分期消費(fèi)推薦方案的步驟包括：

29、獲取所述金融分期消費(fèi)推薦方案，并將所述金融分期消費(fèi)推薦方案與所述目標(biāo)深度學(xué)習(xí)模型輸出的所有反饋結(jié)果相匹配，得到所述反饋結(jié)果匹配的所述金融分期消費(fèi)推薦方案；

30、將所述當(dāng)前信用評分?jǐn)?shù)據(jù)和所述當(dāng)前偏好數(shù)據(jù)，分別輸入所述目標(biāo)深度學(xué)習(xí)模型中，得到第一反饋結(jié)果，其中，所述第一反饋結(jié)果為所有所述反饋結(jié)果中的一個(gè)；

31、根據(jù)所述第一反饋結(jié)果，得到所述第一反饋結(jié)果對應(yīng)的所述金融分期消費(fèi)推薦方案。

32、本發(fā)明第二方面提供一種金融分期消費(fèi)推薦系統(tǒng)，應(yīng)用于前述的金融分期消費(fèi)推薦方法，所述系統(tǒng)包括：

33、數(shù)據(jù)采集模塊，用于獲取消費(fèi)者的歷史信用評分?jǐn)?shù)據(jù)和歷史偏好數(shù)據(jù)，所述歷史偏好數(shù)據(jù)包括生活習(xí)慣數(shù)據(jù)、日常消費(fèi)行為數(shù)據(jù)、未來的財(cái)務(wù)計(jì)劃數(shù)據(jù)和個(gè)性化需求數(shù)據(jù)中的至少一種；

34、深度學(xué)習(xí)推薦模塊，用于將所述歷史信用評分?jǐn)?shù)據(jù)和所述歷史偏好數(shù)據(jù)分別輸入初始深度學(xué)習(xí)模型中，得到目標(biāo)深度學(xué)習(xí)模型；

35、數(shù)據(jù)采集模塊，還用于獲取所述消費(fèi)者的當(dāng)前信用評分?jǐn)?shù)據(jù)，以及當(dāng)前偏好數(shù)據(jù)；

36、反饋模塊，用于將所述當(dāng)前信用評分?jǐn)?shù)據(jù)和所述當(dāng)前偏好數(shù)據(jù)，分別輸入所述目標(biāo)深度學(xué)習(xí)模型中，得到針對所述消費(fèi)者的金融分期消費(fèi)推薦方案。

37、本發(fā)明第三方面提供一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)存儲有計(jì)算機(jī)指令，所述計(jì)算機(jī)指令用于使所述計(jì)算機(jī)執(zhí)行前述的金融分期消費(fèi)推薦方法。

38、本發(fā)明第四方面提供一種電子設(shè)備，包括：至少一個(gè)處理器；以及與所述至少一個(gè)處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個(gè)處理器執(zhí)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器執(zhí)行前述的金融分期消費(fèi)推薦方法。

39、本發(fā)明有益效果：

40、一種金融分期消費(fèi)推薦方法，首先獲取消費(fèi)者的歷史信用評分?jǐn)?shù)據(jù)和歷史偏好數(shù)據(jù)，所述歷史偏好數(shù)據(jù)包括生活習(xí)慣數(shù)據(jù)、日常消費(fèi)行為數(shù)據(jù)、未來的財(cái)務(wù)計(jì)劃數(shù)據(jù)和個(gè)性化需求數(shù)據(jù)中的至少一種；然后，將所述歷史信用評分?jǐn)?shù)據(jù)和所述歷史偏好數(shù)據(jù)分別輸入初始深度學(xué)習(xí)模型中，得到目標(biāo)深度學(xué)習(xí)模型；其次，獲取所述消費(fèi)者的當(dāng)前信用評分?jǐn)?shù)據(jù)，以及當(dāng)前偏好數(shù)據(jù)；最后，將所述當(dāng)前信用評分?jǐn)?shù)據(jù)和所述當(dāng)前偏好數(shù)據(jù)，分別輸入所述目標(biāo)深度學(xué)習(xí)模型中，得到針對所述消費(fèi)者的金融分期消費(fèi)推薦方案。通過上述方法，使得金融分期消費(fèi)推薦不僅考慮了消費(fèi)者的信用評分，還結(jié)合了消費(fèi)者的偏好，將消費(fèi)者的歷史信用評分?jǐn)?shù)據(jù)和歷史偏好數(shù)據(jù)，分別輸入已經(jīng)訓(xùn)練好的目標(biāo)深度學(xué)習(xí)模型中，即可形成針對消費(fèi)者的適合方案，另外，初始深度學(xué)習(xí)模型，是由消費(fèi)者的歷史信用評分?jǐn)?shù)據(jù)和歷史偏好數(shù)據(jù)進(jìn)行訓(xùn)練，以便完善初始深度學(xué)習(xí)模型，得到目標(biāo)深度學(xué)習(xí)模型；提供了更加智能、前瞻性、個(gè)性化的金融分期消費(fèi)推薦方法。