一种借贷渠道推荐方法、装置、设备和介质与流程

1.本技术涉及数据挖掘及机器学习领域，具体涉及一种借贷渠道推荐方法、装置、设备和介质。


背景技术：

2.随着互联网金融的快速发展以及人们消费观念的改变，以信贷方式进行提前消费也越来越被人们接受。由于通过网络传输处理的信贷类金融数据，其对信息安全性、相关数据的可信度的要求会更高。以互联网金融业务的信贷场景为例，对于申请贷款的用户是否提供或提升其授信数据、限制使用相应的数据等，都需要考虑他们产生逾期的可能性。这样就需要根据他们的各种行为信息和人口统计学特征作为输入来建立一个信用评分模型以确保授信用户及相应金融数据是否安全，即是否可信。
3.目前互联网借贷平台上存在常规方式下的渠道和用户匹配效率低的问题，互联网借贷平台上缺少展示借贷渠道和用户的最佳匹配关系，其流量分发效率低，用户的体验差。
4.申请内容
5.为了解决上述背景技术中提到的至少一个问题，本技术提供了一种借贷渠道推荐方法、装置、设备和介质，能够建立借贷渠道和用户的最佳匹配关系，解决常规方式下的渠道和用户匹配效率低的问题，将借贷渠道合理地向用户进行推荐性展示，在提升用户借贷申请体验的同时，让用户以最快路径拿到最优额度，提升流量分发效率以及整体收益。
6.本技术实施例提供的具体技术方案如下：
7.第一方面，提供一种借贷渠道推荐方法，方法包括：
8.获取目标用户的用户数据以及至少一个借贷渠道的特征数据；
9.根据所述用户数据以及所述特征数据评估所述目标用户在每个所述借贷渠道下的授信成功率；
10.根据所述用户数据，获取所述目标用户在每个所述借贷渠道下的授信金额；
11.根据所述授信成功率以及所述授信金额，计算得到每个所述借贷渠道的渠道推荐分；
12.根据所述渠道推荐分进行推荐性排序，从大到小依次将所述借贷渠道展示给所述目标用户。
13.进一步的，所述用户数据还包括以下至少一种：用户属性特征、用户行为特征；
14.所述特征数据还包括以下至少一种：渠道属性特征、渠道统计特征；
15.所述方法还包括：
16.获取上下文特征，所述上下文特征包括用户设备特征和用户环境特征中的至少一种；
17.根据所述用户数据、所述特征数据以及所述上下文特征，通过深度学习算法进行模型训练，得到训练后的授信成功率深度模型。
18.进一步的，所述根据所述用户数据以及所述特征数据评估所述目标用户在每个所
述借贷渠道下的授信成功率，还包括：
19.根据当前所述用户数据以及所述特征数据进行特征交叉，得到用户渠道交叉特征；
20.根据当前所述用户数据、所述特征数据以及所述上下文特征，通过所述训练后的授信成功率深度模型进行计算，输出所述目标用户在每个所述借贷渠道下的授信成功率。
21.进一步的，所述用户数据还包括所述目标用户的用户信用分，所述根据所述用户数据，获取所述目标用户在每个所述借贷渠道下的授信金额，包括：
22.获取预先设定的用户分层配置信息，所述用户分层配置信息包括至少一个用户层级，统计任一所述用户层级对应每个借贷渠道的授信平均金额信息；
23.根据所述用户分层配置信息以及所述用户信用分，识别所述目标用户的用户层级；
24.根据所述目标用户的用户层级以及所述授信平均金额信息，得到所述目标用户的用户层级对应的每个借贷渠道的授信金额。
25.进一步的，所述授信成功率包括当前授信成功率以及历史授信成功率；所述授信金额包括当前授信金额以及历史授信金额；在所述根据所述授信成功率以及所述授信金额，计算得到每个所述借贷渠道的渠道推荐分之前，所述方法还包括：
26.根据所述当前授信成功率、当前授信金额、历史授信成功率以及历史授信金额，计算得到当前授信比例；
27.根据预设的映射关系以及所述当前授信比例，得到所述当前授信比例对应匹配的调控因子。
28.进一步的，所述根据所述授信成功率以及所述授信金额，计算得到每个所述借贷渠道的渠道推荐分，包括：
29.基于所述授信成功率、所述授信金额以及所述调控因子的乘积计算，得到每个所述借贷渠道的渠道推荐分。
30.进一步的，所述映射关系包括线性函数和非线性函数。
31.第二方面，提供一种借贷渠道推荐装置，装置包括：
32.数据获取模块，用于获取目标用户的用户数据以及至少一个借贷渠道的特征数据；
33.授信评估模块，用于根据所述用户数据以及所述特征数据评估所述目标用户在每个所述借贷渠道下的授信成功率；
34.授信金额获取模块，用于根据所述用户数据，获取所述目标用户在每个所述借贷渠道下的授信金额；
35.计算模块，用于根据所述授信成功率以及所述授信金额，计算得到每个所述借贷渠道的渠道推荐分；
36.排序确定模块，用于根据所述渠道推荐分进行推荐性排序，从大到小依次将所述借贷渠道展示给所述目标用户。
37.第三方面，提供一种借贷渠道推荐设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述借贷渠道推荐方法。
38.第四方面，提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行所述借贷渠道推荐方法。
39.本技术实施例具有如下有益效果：
40.本技术实施例提供的一种借贷渠道推荐方法、装置、设备和介质，以授信标记(正例/负例)作为模型训练的标签，以此来训练授信成功率深度模型，可以精确地反映全量样本，使得模型输出的参数准确，做出准确的判断，进而使得授信数据安全可信正确；将训练后的授信成功率深度模型部署到线上，获取当前情况下的用户属性特征、用户行为特征、渠道属性特征、渠道统计特征、上下文特征以及用户渠道的交叉特征，根据授信成功率、授信金额以及实时调控因子多个维度刻画渠道推荐性，进行推荐性排序，能够建立借贷渠道和用户的最佳匹配关系，解决常规方式下的渠道和用户匹配效率低的问题，将借贷渠道合理地向用户进行推荐性展示，在提升用户借贷申请体验的同时，让用户以最快路径拿到最优额度，提升流量分发效率以及整体收益。
附图说明
41.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1示出本技术实施例提供的借贷渠道推荐方法的总流程图；
43.图2示出根据本技术一个实施例的授信成功率深度模型的结构示意图；
44.图3示出根据本技术一个实施例的训练后的授信成功率深度模型的auc提升效果示意图；
45.图4示出根据本技术一个实施例的借贷渠道推荐方法中s4的具体流程图；
46.图5示出根据本技术一个实施例的调控因子factor和授信比例ratio之间的函数关系图；
47.图6示出根据本技术一个实施例的借贷渠道推荐装置的结构示意图；
48.图7示出可被用于实施本技术中所述的各个实施例的示例性系统。
具体实施方式
49.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
50.应当理解，在本技术的描述中，除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
51.还应当理解，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
52.需要注意的是，术语“s1”、“s2”等仅用于步骤的描述目的，并非特别指称次序或顺
位的意思，亦非用以限定本技术，其仅仅是为了方便描述本技术的方法，而不能理解为指示步骤的先后顺序。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
53.实施例一
54.本技术提供了一种借贷渠道推荐方法，参照图1，方法包括：
55.s1、获取目标用户的用户数据以及至少一个借贷渠道的特征数据。
56.在一些实施例中，用户数据包括以下至少一种：用户属性特征、用户行为特征；特征数据还包括以下至少一种：渠道属性特征、渠道统计特征。
57.方法还包括：
58.s2、获取上下文特征，上下文特征包括用户设备特征和用户环境特征中的至少一种；
59.根据用户数据、特征数据以及上下文特征，通过深度学习算法进行模型训练，得到训练后的授信成功率深度模型。
60.在一些实施例中，用户数据还可以包括第一预设时间内的授信申请数据，基于此，s1还包括：获取目标用户的授信申请数据，根据授信申请数据对目标用户进行用户画像，将目标用户在借贷渠道授信成功的实例标记为正例，将目标用户在借贷渠道授信失败的实例标记为负例；其中，实例标记作为授信成功率深度模型的标签数据。
61.具体的，第一预设时间内的授信申请数据主要为目标用户的历史数据，即当前时间前一段时间的数据，其中，第一预设时间可以预设一个标准值，根据业务需求进行调整，可以是例如30天、60天、半年等等。获取授信申请数据的目的是根据目标用户提供的各种行为信息和人口统计学特征作为输入，以供后续模型训练、评估，以确保授信用户及相应金融数据是否安全、是否可信等。将目标用户在渠道授信成功的实例标记为正例，将目标用户在渠道授信失败的实例标记为负例。其中，正例、负例这些实例标记作为标签数据，以构建授信成功率深度模型，越多的标签数据，越能体现所有样本的信息模型的准确度。
62.具体的，用户数据可以包括上述的目标用户提供的各种行为信息和人口统计学特征，具体可以是用户属性特征和用户行为特征。其中，用户属性特征可以包括用户的个人信息，例如姓名、性别、照片、年龄、收入、工作属性、专业领域、教育程度、学历水平等等；用户行为特征可以包括用户的借贷行为信息、用户的历史授信信息以及用户访问借贷app的频率、留存时间等等。
63.具体的，上下文特征可以包括用户设备特征和用户环境特征中的至少一种。用户设备特征可以包括用户的登录设备型号信息、用户的登录设备使用时长，设备的操作系统等；用户环境特征可以包括用户所在的地理位置，用户当前时间，用户留存时间等。
64.具体的，渠道的属性特征包括渠道id、渠道的类别等，渠道统计特征可以包括借贷渠道的申请用户数、借贷渠道的授信成功用户数、借贷渠道的授信金额、借贷渠道的提现用户数以及借贷渠道的提现金额等。
65.具体的，建立模型时通常需要考虑建模样本是否能代表全量样本。在构建授信成功率深度模型时需要有足够的标签数据，数据越多信息模型的准确度越高，而在业务平台提供数据的机构获得的数据往往是非随机缺失的非完备数据。例如金融业务场景下，借贷
机构拥有的是所有申请者的相关特征属性信息，以及通过申请的且有动支表现的这部分有金融表现数据的用户的贷款记录和还款记录信息，但是通过申请而没有动支表现的用户、以及被拒绝贷款申请用户这部分无金融表现数据的用户的信用记录是缺失的，这部分记录是用来构建模型的最佳标签。因此，可以将目标用户在渠道上的授信成功/失败作为标签数据，持续收集用户历史以及后续的授信行为。以授信标记(正例/负例)作为模型训练的标签，以此来训练二分类模型。这样实际建模时不会出现样本非随机偏差，可以精确地反映全量样本，使得模型输出的参数准确，做出准确的判断，进而使得授信数据安全可信正确。
66.具体的，根据用户数据、特征数据以及上下文特征建立授信成功率深度模型，其中，用户数据可以包括用户属性特征和用户行为特征，渠道的特征数据可以包括渠道属性特征和渠道统计特征。与此同时，进行特征重要性的评估和筛选，对上述的特征进行处理，筛选掉无用的特征、冗余的特征，相当于对上述的特征进行过滤，得到过滤后的特征，再将过滤后的特征用于模型训练。参照图2，授信成功率深度模型由宽度部分和深度部分组成，该模型的结构是宽度和深度并行的网络结构，模型的标签数据即上述的授信标记的正负例，并且使用深度学习算法adam进行训练求解，损失函数是交叉熵损失，随着参数的迭代更新，不断拟合最终的标签。参照图3，最终授信成功率深度模型的auc获得了比传统的lr、树模型3％以上的提升。该训练后的授信成功率深度模型可以作为目标用户是否授信成功的分类器，线上提供预估服务。
67.s3、根据用户数据以及特征数据评估目标用户在每个借贷渠道下的授信成功率。
68.在一些实施例中，s3还包括：
69.s31、根据当前用户数据以及特征数据进行特征交叉，得到用户渠道交叉特征；
70.s32、根据当前用户数据、特征数据以及上下文特征，通过训练后的授信成功率深度模型进行计算，输出目标用户在每个借贷渠道下的授信成功率。
71.具体的，特征交叉是数据特征的一种处理方式，通过特征组合的方式增加特征的维度，以求得更好的计算效果。将训练后的授信成功率深度模型部署到线上，响应于接收到用户请求，获取当前情况下的用户属性特征、用户行为特征、渠道属性特征、渠道统计特征以及上下文特征，同时进行用户和渠道的特征交叉，获取用户渠道交叉特征。还将原始的上述特征进行特征预处理，其中的数据类型可以包括数值特征和类别特征，数值特征通过获取最大最小值之后归一化为(0，1)，类别特征进行编码，然后把处理后的特征输入模型。然后根据上述预处理后的特征，对整个渠道的候选列表分别进行拼接，拼接成对应的多条样本(与候选列表长度一致)，预估用户在不同渠道下的授信成功率prob，授信成功率prob即作为训练后的授信成功率深度模型的输出。
72.s4、根据用户数据，获取目标用户在每个借贷渠道下的授信金额。
73.在一些实施例中，用户数据还包括目标用户的用户信用分，参照图4，此时，s4包括：
74.s41、获取预先设定的用户分层配置信息，用户分层配置信息包括至少一个用户层级，统计任一用户层级对应每个借贷渠道的授信平均金额信息；
75.s42、根据用户分层配置信息以及用户信用分，识别目标用户的用户层级；
76.s43、根据目标用户的用户层级以及授信平均金额信息，得到目标用户的用户层级对应的每个借贷渠道的授信金额。
77.具体的，用户分层配置信息是预先配置的，用于存储用户信用分、用户层级和不同的借贷渠道的授信平均金额的对应关系及相关数据。预先设定用户分层配置信息，可以根据用户信用分将用户分成多个用户层级，例如将用户分成0-9层级，同时统计不同的渠道对不同的层级用户的授信平均金额，以刻画不同渠道对某一层级用户的授信金额。响应于接收到目标用户的请求，可以根据目标用户的用户信用分，匹配识别到目标用户的用户层级，再根据这个用户层级，去得到用户层级对应的每个渠道的授信金额bid。
78.在一些实施例中，授信成功率包括当前授信成功率以及历史授信成功率；授信金额包括当前授信金额以及历史授信金额。方法还包括：
79.s5、根据当前授信成功率、当前授信金额、历史授信成功率以及历史授信金额，计算得到当前授信比例；根据预设的映射关系以及当前授信比例，得到当前授信比例对应匹配的调控因子。
80.具体的，调控因子的设置主要是用于渠道的实时调控。调控因子factor和授信比例ratio之间的关系是正相关的。当前授信比例是授信成功率比值和授信金额比值的乘积，授信成功率比值是当前授信成功率与历史授信成功率的比值，授信金额比值是当前授信金额与历史授信金额的比值。通过计算得到当前授信比例，相当于实时刻画渠道当天的授信成功率和授信金额的变化情况，来监控渠道当天的授信成功率和授信金额是否有骤升或者骤降的情况，又因为调控因子factor和授信比例ratio之间的关系是正相关的，所以可以通过调控因子factor来反应渠道当天的实时变化情况。
81.在一些实施例中，映射关系可以包括线性函数和非线性函数。
82.具体的，非线性函数可以是指数函数、对数函数、幂函数。预设的映射关系还可以是一种分段函数，参照图5。映射关系可以是离散的，也可以是连续的。需要注意的是，预设的映射关系是正相关的。
83.s6、根据授信成功率以及授信金额，计算得到每个借贷渠道的渠道推荐分。
84.在一些实施例中，s6还包括：
85.基于授信成功率、授信金额以及调控因子的乘积计算，得到每个渠道的渠道推荐分。
86.s7、根据渠道推荐分进行推荐性排序，从大到小依次将借贷渠道展示给目标用户。
87.具体的，基于上述授信成功率prob、授信金额bid以及调控因子factor的值，可以通过公式score＝prob*bid*factor，来计算每个渠道最终的渠道推荐分。然后根据每个渠道最终的渠道推荐分score对渠道候选列表进行排序，从大到小依次将渠道展示给用户。另外，还可以基于滑动时间窗口每天训练新的模型，每天进行统计数据的更新，持续进行流量分发。
88.在本实施例中，以授信标记(正例/负例)作为模型训练的标签，以此来训练授信成功率深度模型，可以精确地反映全量样本，使得模型输出的参数准确，做出准确的判断，进而使得授信数据安全可信正确；将训练后的授信成功率深度模型部署到线上，获取当前情况下的用户属性特征、用户行为特征、渠道属性特征、渠道统计特征、上下文特征以及用户渠道的交叉特征，根据授信成功率、授信金额以及实时调控因子多个维度刻画渠道推荐性，进行推荐性排序，能够建立借贷渠道和用户的最佳匹配关系，解决常规方式下的渠道和用户匹配效率低的问题，将借贷渠道合理地向用户进行推荐性展示，在提升用户借贷申请体
验的同时，让用户以最快路径拿到最优额度，提升流量分发效率以及整体收益。
89.实施例二
90.对应上述实施例，本技术还提供了一种借贷渠道推荐装置100，参照图6，包括：数据获取模块110、授信评估模块130、授信金额获取模块140、计算模块160以及排序确定模块170。
91.其中，数据获取模块110，用于获取目标用户的用户数据以及至少一个借贷渠道的特征数据；授信评估模块130，用于根据所述用户数据以及所述特征数据评估所述目标用户在每个所述借贷渠道下的授信成功率；授信金额获取模块140，用于根据所述用户数据，获取所述目标用户在每个所述借贷渠道下的授信金额；计算模块160，用于根据所述授信成功率以及所述授信金额，计算得到每个所述借贷渠道的渠道推荐分；排序确定模块170，用于根据所述渠道推荐分进行推荐性排序，从大到小依次将所述借贷渠道展示给所述目标用户。
92.进一步的，所述用户数据还包括以下至少一种：用户属性特征、用户行为特征；所述特征数据还包括以下至少一种：渠道属性特征、渠道统计特征。借贷渠道推荐装置100还包括模型训练模块120，用于获取上下文特征，根据所述用户数据、所述特征数据以及所述上下文特征，通过深度学习算法进行模型训练，得到训练后的授信成功率深度模型。其中，上下文特征包括用户设备特征和用户环境特征中的至少一种。
93.进一步的，所述用户数据包括第一预设时间内的授信申请数据，数据获取模块110还用于获取目标用户的所述授信申请数据，根据所述授信申请数据对所述目标用户进行用户画像，将所述目标用户在所述借贷渠道授信成功的实例标记为正例，将所述目标用户在所述借贷渠道授信失败的实例标记为负例；其中，所述实例标记作为所述授信成功率深度模型的标签数据。
94.进一步的，授信评估模块130还用于根据当前所述用户数据以及所述特征数据进行特征交叉，得到用户渠道交叉特征；以及用于根据当前所述用户数据、所述特征数据以及所述上下文特征，通过所述训练后的授信成功率深度模型进行计算，输出所述目标用户在每个所述借贷渠道下的授信成功率。
95.进一步的，所述用户数据还包括所述目标用户的用户信用分，授信金额获取模块140还用于获取预先设定的用户分层配置信息，所述用户分层配置信息包括至少一个用户层级，统计任一所述用户层级对应每个借贷渠道的授信平均金额信息；以及用于根据所述用户分层配置信息以及所述用户信用分，识别所述目标用户的用户层级；以及用于根据所述目标用户的用户层级以及所述授信平均金额信息，得到所述目标用户的用户层级对应的每个借贷渠道的授信金额。
96.进一步的，所述授信成功率包括当前授信成功率以及历史授信成功率；所述授信金额包括当前授信金额以及历史授信金额。所述借贷渠道推荐装置100还包括实时调控模块150，用于根据所述当前授信成功率、当前授信金额、历史授信成功率以及历史授信金额，计算得到当前授信比例；还用于根据预设的映射关系以及所述当前授信比例，得到所述当前授信比例对应匹配的调控因子。其中，映射关系包括线性函数和非线性函数。
97.进一步的，计算模块160还用于基于所述授信成功率、所述授信金额以及所述调控因子的乘积计算，得到每个所述渠道的渠道推荐分。
98.实施例三
99.对应上述实施例，本技术还提供了一种借贷渠道推荐设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时可以实现上述借贷渠道推荐方法。
100.如图7所示，在一些实施例中，系统能够作为各所述实施例中的任意一个用于借贷渠道推荐方法的上述借贷渠道推荐设备。在一些实施例中，系统可包括具有指令的一个或多个计算机可读介质(例如，系统存储器或nvm/存储设备)以及与该一个或多个计算机可读介质耦合并被配置为执行指令以实现模块从而执行本技术中所述的动作的一个或多个处理器(例如，(一个或多个)处理器)。
101.对于一个实施例，系统控制模块可包括任意适当的接口控制器，以向(一个或多个)处理器中的至少一个和/或与系统控制模块通信的任意适当的设备或组件提供任意适当的接口。
102.系统控制模块可包括存储器控制器模块，以向系统存储器提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
103.系统存储器可被用于例如为系统加载和存储数据和/或指令。对于一个实施例，系统存储器可包括任意适当的易失性存储器，例如，适当的dram。在一些实施例中，系统存储器可包括双倍数据速率类型四同步动态随机存取存储器(ddr4sdram)。
104.对于一个实施例，系统控制模块可包括一个或多个输入/输出(i/o)控制器，以向nvm/存储设备及(一个或多个)通信接口提供接口。
105.例如，nvm/存储设备可被用于存储数据和/或指令。nvm/存储设备可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(hdd)、一个或多个光盘(cd)驱动器和/或一个或多个数字通用光盘(dvd)驱动器)。
106.nvm/存储设备可包括在物理上作为系统被安装在其上的设备的一部分的存储资源，或者其可被该设备访问而不必作为该设备的一部分。例如，nvm/存储设备可通过网络经由(一个或多个)通信接口进行访问。
107.(一个或多个)通信接口可为系统提供接口以通过一个或多个网络和/或与任意其他适当的设备通信。系统可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信。
108.对于一个实施例，(一个或多个)处理器中的至少一个可与系统控制模块的一个或多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器中的至少一个可与系统控制模块的一个或多个控制器的逻辑封装在一起以形成系统级封装(sip)。对于一个实施例，(一个或多个)处理器中的至少一个可与系统控制模块的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器中的至少一个可与系统控制模块的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(soc)。
109.在各个实施例中，系统可以但不限于是：服务器、工作站、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)。在各个实施例中，系统可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，系统包括一个或多
个摄像机、键盘、液晶显示器(lcd)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(asic)和扬声器。
110.需要注意的是，本技术可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本技术的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本技术的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本技术的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
111.另外，本技术的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本技术的方法和/或技术方案。本领域技术人员应能理解，计算机程序指令在计算机可读介质中的存在形式包括但不限于源文件、可执行文件、安装包文件等，相应地，计算机程序指令被计算机执行的方式包括但不限于：该计算机直接执行该指令，或者该计算机编译该指令后再执行对应的编译后程序，或者该计算机读取并执行该指令，或者该计算机读取并安装该指令后再执行对应的安装后程序。在此，计算机可读介质可以是可供计算机访问的任意可用的计算机可读存储介质或通信介质。
112.通信介质包括藉此包含例如计算机可读指令、数据结构、程序模块或其他数据的通信信号被从一个系统传送到另一系统的介质。通信介质可包括有导的传输介质(诸如电缆和线(例如，光纤、同轴等))和能传播能量波的无线(未有导的传输)介质，诸如声音、电磁、rf、微波和红外。计算机可读指令、数据结构、程序模块或其他数据可被体现为例如无线介质(诸如载波或诸如被体现为扩展频谱技术的一部分的类似机制)中的已调制数据信号。术语“已调制数据信号”指的是其一个或多个特征以在信号中编码信息的方式被更改或设定的信号。调制可以是模拟的、数字的或混合调制技术。
113.在此，根据本技术的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本技术的多个实施例的方法和/或技术方案。
114.实施例四
115.对应上述实施例，本技术还提供了一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行借贷渠道推荐方法。
116.在本实施例中，计算机可读存储介质可包括以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动的介质。例如，计算机可读存储介质包括，但不限于，易失性存储器，诸如随机存储器(ram,dram,sram)；以及非易失性存储器，诸如闪存、各种只读存储器(rom,prom,eprom,eeprom)、磁性和铁磁/铁电存储器(mram,feram)；以及磁性和光学存储设备(硬盘、磁带、cd、dvd)；或其它现在已知的介质或今后开发的能够存储供计算机系统使用的计算机可读信息/数据。
117.尽管已描述了本技术实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术实施例中范围的所有变更和修改。
118.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种借贷渠道推荐方法，其特征在于，包括：获取目标用户的用户数据以及至少一个借贷渠道的特征数据；根据所述用户数据以及所述特征数据评估所述目标用户在每个所述借贷渠道下的授信成功率；根据所述用户数据，获取所述目标用户在每个所述借贷渠道下的授信金额；根据所述授信成功率以及所述授信金额，计算得到每个所述借贷渠道的渠道推荐分；根据所述渠道推荐分进行推荐性排序，从大到小依次将所述借贷渠道展示给所述目标用户。2.根据权利要求1所述的借贷渠道推荐方法，其特征在于，所述用户数据还包括以下至少一种：用户属性特征、用户行为特征；所述特征数据还包括以下至少一种：渠道属性特征、渠道统计特征；所述方法还包括：获取上下文特征，所述上下文特征包括用户设备特征和用户环境特征中的至少一种；根据所述用户数据、所述特征数据以及所述上下文特征，通过深度学习算法进行模型训练，得到训练后的授信成功率深度模型。3.根据权利要求2所述的借贷渠道推荐方法，其特征在于，所述根据所述用户数据以及所述特征数据评估所述目标用户在每个所述借贷渠道下的授信成功率，还包括：根据当前所述用户数据以及所述特征数据进行特征交叉，得到用户渠道交叉特征；根据当前所述用户数据、所述特征数据以及所述上下文特征，通过所述训练后的授信成功率深度模型进行计算，输出所述目标用户在每个所述借贷渠道下的授信成功率。4.根据权利要求1所述的借贷渠道推荐方法，其特征在于，所述用户数据还包括所述目标用户的用户信用分，所述根据所述用户数据，获取所述目标用户在每个所述借贷渠道下的授信金额，包括：获取预先设定的用户分层配置信息，所述用户分层配置信息包括至少一个用户层级，统计任一所述用户层级对应每个借贷渠道的授信平均金额信息；根据所述用户分层配置信息以及所述用户信用分，识别所述目标用户的用户层级；根据所述目标用户的用户层级以及所述授信平均金额信息，得到所述目标用户的用户层级对应的每个借贷渠道的授信金额。5.根据权利要求1所述的借贷渠道推荐方法，其特征在于，所述授信成功率包括当前授信成功率以及历史授信成功率；所述授信金额包括当前授信金额以及历史授信金额；在所述根据所述授信成功率以及所述授信金额，计算得到每个所述借贷渠道的渠道推荐分之前，所述方法还包括：根据所述当前授信成功率、当前授信金额、历史授信成功率以及历史授信金额，计算得到当前授信比例；根据预设的映射关系以及所述当前授信比例，得到所述当前授信比例对应匹配的调控因子。6.根据权利要求5所述的借贷渠道推荐方法，其特征在于，所述根据所述授信成功率以及所述授信金额，计算得到每个所述借贷渠道的渠道推荐分，包括：基于所述授信成功率、所述授信金额以及所述调控因子的乘积计算，得到每个所述借贷渠道的渠道推荐分。
7.根据权利要求5所述的借贷渠道推荐方法，其特征在于，所述映射关系包括线性函数和非线性函数。8.一种借贷渠道推荐装置，其特征在于，包括：数据获取模块，用于获取目标用户的用户数据以及至少一个借贷渠道的特征数据；授信评估模块，用于根据所述用户数据以及所述特征数据评估所述目标用户在每个所述借贷渠道下的授信成功率；授信金额获取模块，用于根据所述用户数据，获取所述目标用户在每个所述借贷渠道下的授信金额；计算模块，用于根据所述授信成功率以及所述授信金额，计算得到每个所述借贷渠道的渠道推荐分；排序确定模块，用于根据所述渠道推荐分进行推荐性排序，从大到小依次将所述借贷渠道展示给所述目标用户。9.一种借贷渠道推荐设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～7中任意一项所述借贷渠道推荐方法。10.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行权利要求1～7中任意一项所述借贷渠道推荐方法。

技术总结
本申请公开了一种借贷渠道推荐方法、装置、设备和介质，涉及数据挖掘及机器学习领域。方法包括：获取目标用户的用户数据以及至少一个借贷渠道的特征数据；根据所述用户数据以及所述特征数据评估所述目标用户在每个所述借贷渠道下的授信成功率；根据所述用户数据，获取所述目标用户在每个所述借贷渠道下的授信金额；根据所述授信成功率以及所述授信金额，计算得到每个所述借贷渠道的渠道推荐分；根据所述渠道推荐分进行推荐性排序，从大到小依次将所述借贷渠道展示给所述目标用户。本申请能够建立借贷渠道和用户的最佳匹配关系，解决常规方式下的渠道和用户匹配效率低的问题。规方式下的渠道和用户匹配效率低的问题。规方式下的渠道和用户匹配效率低的问题。


技术研发人员：杨磊 侯亚伟
受保护的技术使用者：上海钧正网络科技有限公司
技术研发日：2021.12.06
技术公布日：2022/3/8