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

背景技術(shù)：

1、金融分期消費，作為一種允許消費者進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。這種機制旨在允許消費者購買他們所需但可能暫時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，為消費者提供更加貼心、合理的分期消費方案成為了金融科技行業(yè)的一個熱門焦點。

2、傳統(tǒng)上，金融機構(gòu)通過簡化的計算公式和標準化規(guī)則為消費者提供分期方案。這些方案主要基于消費者的信用評分，這些評分往往來自于他們的還款記錄、收入狀況和其他標準化的財務(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者進行信用評分。

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

技術(shù)實現(xiàn)思路

1、本發(fā)明提供的一種金融分期消費推薦方法，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推薦方法，方法包括：

3、獲取消費者的歷史信用評分數(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)、日常消費行為數(shù)據(jù)、未來的財務(wù)計劃數(shù)據(jù)和個性化需求數(shù)據(jù)中的至少一種；

4、將所述歷史信用評分數(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，得到目標深度學(xué)習(xí)模型；

5、獲取所述消費者的當前信用評分數(shù)據(jù)，以及當前偏好數(shù)據(jù)；

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

7、可實施的一些方式中，所述獲取消費者的歷史信用評分數(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)、所述日常消費行為數(shù)據(jù)、所述未來的財務(wù)計劃數(shù)據(jù)和所述個性化需求數(shù)據(jù)分別進行數(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)、日常消費行為模型數(shù)據(jù)、未來的財務(wù)計劃模型數(shù)據(jù)和個性化需求模型數(shù)據(jù)；

9、所述生活習(xí)慣模型數(shù)據(jù)、所述日常消費行為模型數(shù)據(jù)、所述未來的財務(wù)計劃模型數(shù)據(jù)和所述個性化需求模型數(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、可實施的一些方式中，所述將所述歷史信用評分數(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，得到目標深度學(xué)習(xí)模型的步驟包括：

11、對所述歷史信用評分數(shù)據(jù)進行數(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，得到所述目標深度學(xué)習(xí)模型。

14、可實施的一些方式中，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，得到所述目標深度學(xué)習(xí)模型。

18、可實施的一些方式中，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)分別輸入長短時記憶網(wǎng)絡(luò)中，得到目標深度學(xué)習(xí)模型。

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

23、獲取形成所述歷史信用評分數(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，得到當前所述信用信息類別對應(yīng)的消費者信用信息；

25、根據(jù)當前所述信用信息類別對應(yīng)的消費者信用信息，得到所述當前信用評分數(shù)據(jù)；

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

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

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

29、獲取所述金融分期消費推薦方案，并將所述金融分期消費推薦方案與所述目標深度學(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推薦方案；

30、將所述當前信用評分數(shù)據(jù)和所述當前偏好數(shù)據(jù)，分別輸入所述目標深度學(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；

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推薦方案。

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

33、數(shù)據(jù)采集模塊，用于獲取消費者的歷史信用評分數(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)、日常消費行為數(shù)據(jù)、未來的財務(wù)計劃數(shù)據(jù)和個性化需求數(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數(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者的當前信用評分數(shù)據(jù)，以及當前偏好數(shù)據(jù)；

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

37、本發(fā)明第三方面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)存儲有計算機指令，所述計算機指令用于使所述計算機執(zhí)行前述的金融分期消費推薦方法。

38、本發(fā)明第四方面提供一種電子設(shè)備，包括：至少一個處理器；以及與所述至少一個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處理器執(zhí)行的計算機程序，所述計算機程序被所述至少一個處理器執(zhí)行，以使所述至少一個處理器執(zhí)行前述的金融分期消費推薦方法。

39、本發(fā)明有益效果：

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