基于人工智能的资产清收方法及装置、电子设备

技术领域

本申请涉及人工智能技术领域，具体而言，涉及一种基于人工智能的资产清收方法及装置。

背景技术

银行对于金融资产的处理包括对于客户资产的清收，例如客户从银行得到贷款，应依靠自身经营收入到期归还，但如果客户的经营收入不足以偿还银行贷款，这笔贷款就会变成异常贷款，银行则需采取措施收回贷款本息。

目前，银行对于资产的清收策略主要依靠银行内负责清收的专业人员进行主观评价，将评价较差的客户委托给第三方服务公司进行清收，而将评价较好的客户采用银行内部催收的方式进行清收，这种人工清收方式效率较低，并且工作人员通常会主观地选择将大多数客户委托给第三方服务公司，导致银行的清收成本非常高。

发明内容

为解决上述技术问题，本申请的实施例提供了一种基于人工智能的资产清收方法及装置、电子设备、计算机可读存储介质，用以提升清收决策的效率和可靠性。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的一个方面，提供了一种基于人工智能的资产清收方法，包括：获取与待清收资产相关联的客户特征库；将所述客户特征库输入至预置的决策树算法模型，以使所述决策树算法模型获取所述客户特征库中含有的客户特征的重要性数值，按照重要性数值由大到小的排序选取指定数量的客户特征作为候选客户特征，所述重要性数值用于表征客户特征相对于资产清收策略制定的重要程度；将得到的候选客户特征输入至预置的逻辑回归算法模型，以得到所述逻辑回归算法模型输出的预测结果，所述预测结果包括对应于第一客户类型的第一概率，以及对应于第二客户类型的第二概率；从所述预测结果中确定概率值最大的客户类型，并选取与所述概率值最大的客户类型相对应的资产清收策略作为针对所述客户进行资产清收的目标策略。

在另一示例性的实施例中，在将所述客户特征库输入至预置的决策树算法模型，以使所述决策树算法模型获取所述客户特征库中含有的客户特征的重要性数值，按照重要性数值由大到小的排序选取指定数量的客户特征作为候选客户特征之后，所述方法还包括：计算各个候选客户特征对应的信息值，并显示所得到的计算结果，所述信息值用户表征候选客户特征相对于资产清收策略的贡献程度；根据实时输入的用户操控信息，从所述候选客户特征中进行候选客户特征的筛选，以将筛选出的候选客户特征输入至所述逻辑回归算法模型，所述用户操控信息用于表征专家用户基于自身清收经验作出的客户特征选择操作。

在另一示例性的实施例中，所述计算每个候选客户特征对应的信息值，包括：分别针对各个候选客户特征进行分组处理，以得到各个候选客户特征所分别对应的特征组；基于每个特征组内的特征信息分布分别计算每个特征组对应的信息值；根据所有特征组对应的信息值计算对应候选特征对应的信息值。

在另一示例性的实施例中，在将所述客户特征库输入至预置的决策树算法模型，以使所述决策树算法模型获取所述客户特征库中含有的客户特征的重要性数值，按照重要性数值由大到小的排序选取指定数量的客户特征作为候选客户特征之前，所述方法还包括：对所述客户特征库中含有的客户特征进行数据预处理，以将处理后得到的客户特征库输入至所述决策树算法模型，其中，所述数据预处理包括数据加工处理以及数据筛选处理中的至少一种。

在另一示例性的实施例中，在将得到的候选客户特征输入至预置的逻辑回归算法模型之前，所述方法还包括：从历史资产清收数据中选取第一时间段内移交的资产清收数据作为训练样本集，以及选取第二时间段内移交的资产清收数据作为验证样本集，所述第一时间段早于所述第二时间段；根据所述训练样本集对待训练的逻辑回归算法模型进行训练，并通过所述验证样本集对训练后的逻辑回归算法模型进行验证，得到验证结果；若验证结果指示训练后的逻辑回归算法模型满足要求，则将候选客户特征输入至所述训练后的逻辑回归算法模型中。

在另一示例性的实施例中，所述方法还包括：若验证结果指示训练后的逻辑回归算法模型不满足要求，则重复执行根据所述训练样本集对待训练的逻辑回归算法模型进行训练，并通过所述验证样本集对训练后的逻辑回归算法模型进行验证，得到验证结果的步骤，直至所得到的验证结果指示训练后的逻辑回归算法模型满足要求。

在另一示例性的实施例中，所述通过所述验证样本集对训练后的逻辑回归算法模型进行验证，得到验证结果，包括：获取训练后的逻辑回归算法模型针对所述验证样本集中各验证样本所输出的预测结果；根据获取得到的预测结果计算模型效果评估值，若所述模型效果评估值大于预设阈值，则生成用于指示训练后的逻辑回归算法模型满足要求的验证结果。

根据本申请实施例的一个方面，提供了一种基于人工智能的资产清收装置，包括：特征获取模块，配置为获取与待清收资产相关联的客户特征库；特征选择模块，配置为将所述客户特征库输入至预置的决策树算法模型，以使所述决策树算法模型获取所述客户特征库中含有的客户特征的重要性数值，按照重要性数值由大到小的排序选取指定数量的客户特征作为候选客户特征，所述重要性数值用于表征客户特征相对于资产清收策略制定的重要程度；概率预测模块，配置为将得到的候选客户特征输入至预置的逻辑回归算法模型，以得到所述逻辑回归算法模型输出的预测结果，所述预测结果包括对应于第一客户类型的第一概率，以及对应于第二客户类型的第二概率；策略选取模块，配置为从所述预测结果中确定概率值最大的客户类型，并选取与所述概率值最大的客户类型相对应的资产清收策略作为针对所述客户进行资产清收的目标策略。

根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如前所述的基于人工智能的资产清收方法。

根据本申请实施例的一个方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上所述的基于人工智能的资产清收方法。

根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实施例中提供的基于人工智能的资产清收方法。

在本申请的实施例所提供的技术方案中，基于决策树加逻辑回归的架构来实现资产清收阶段的客户清收策略的智能化制定，相比现有技术中依靠银行内负责清收的专业人员进行主观评价来选择客户清收策略，本申请提供的技术方案能够避免人为主观性影响，而是依赖于对与资产清收相关联的客户特征的处理，这样得到的资产清收策略更加可靠，并且效率更高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，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。在附图中：

图1是本申请涉及的一种实施环境的示意图；

图2是本申请的一示例性实施例示出的基于人工智能的资产清收方法的流程图；

图3是本申请的另一示例性实施例示出的基于人工智能的资产清收方法的流程图；

图4是本申请的另一示例性实施例示出的基于人工智能的资产清收方法的流程图；

图5是图4所示实施例中的步骤S310在一个示例性实施例中的流程图；

图6是本申请的另一示例性实施例示出的基于人工智能的资产清收方法的流程图；

图7是本申请的一示例性实施例示出的一种基于人工智能的资产清收装置的框图；

图8示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

在本申请中提及的“多个”是指两个或者两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

首先说明的是，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请的实施例提出的基于人工智能的资产清收方法以及装置、电子设备、计算机可读存储介质主要涉及人工智能技术中包括的机器学习技术，以下将对这些实施例进行详细说明。

首先请参阅图1，图1是本申请涉及的一种实施环境的示意图。该实施环境包括终端10和服务器20，终端10和服务器20之间通过有线或者无线网络进行通信。

服务器20用于对待进行资产清收的客户对应的客户特征库进行后台处理，以得到适合于该客户的资产清收策略，并将所得到的资产清收策略传输至终端10进行展示。银行工作人员即可根据终端10中显示的策略信息对该客户进行资产清收，相比于现有技术人为地进行资产清收策略的选取，本实施环境所提供的资产清收策略选取方式更加可靠，且效率更高。

需说明的是，图1所示实施环境中的终端10可以是智能手机、平板、笔记本电脑、计算机等任意的电子设备；服务器20服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器，本处不进行限制。

图2是本申请的一示例性实施例示出的基于人工智能的资产清收方法的流程图。该方法可以应用于图1所示的实施环境，并由图1所示实施例环境中的服务器20具体执行。而在其它的实施环境中，该方法可以由其它实施环境中的设备执行，本实施例不对此进行限制。

如图2所示，在一示例性实施例中，该基于人工智能的资产清收方法可以包括步骤S110至步骤S170，详细介绍如下：

步骤S110，获取与待清收资产相关联的客户特征库。

首先说明的是，与待清收资产相关联的客户特征库是指待进行资产清收的客户对应的特征集合。待清收的客户在移交至银行内特管资产的管理部门之后，会得到很多与客户有关的数据，以根据这些数据构建客户特征库。

示例性的，客户特征库中包括客户属性特征、客户财产特征、客户负债特征、客户交易特征、客户催收特征中的至少一种。其中，客户属性特征例如包括客户的年龄、性别、逾期天数、拖欠金额等信息；客户财产特征例如包括客户的现金、房产、车贷、房贷、股权、物权等信息；客户负债特征例如包括客户的贷款、借记卡、民间借贷、征信数据等信息；客户交易特征例如包括还款行为、还款频率、银行卡转入转出金额等；客户催收特征例如包括客户是否可以联系、客户是否承诺还款等。

步骤S130，将客户特征库输入至预置的决策树算法模型，以使决策树算法模型获取客户特征库中含有的客户特征的重要性数值，按照重要性数值由大到小的排序选取指定数量的客户特征作为候选客户特征，重要性数值用于表征客户特征相对于资产清收策略制定的重要程度。

决策树算法是一种逼近离散函数值的方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。

决策树算法模型通常具有易于理解和实现，在通过解释后都有能力去理解决策树所表达的意义、能够同时处理数据型和常规型属性、在相对短的时间内能够对大型数据源做出可行且效果良好的结果、对缺失值不敏感、可以处理不相关特征数据、决策树只需要一次构建，反复使用效率高等优点，本实施例涉及的客户特征通过决策树算法模型进行处理通常能获得较好的效果，因此本实施例采用决策树算法模型进行客户特征的处理。

本实施例通过决策树算法，将客户特征相对于资产清收策略的重要性转换为具体数值，然后筛选出重要性数值较大的一定数量的客户特征作为候选客户特征。可以理解的是，重要性数值用于表征客户特征相对于资产清收策略制定的重要程度，因此筛选出来的候选客户特征是与银行制定资产清收策略具有较强关联性的客户特征。

步骤S150，将得到的候选客户特征输入至预置的逻辑回归算法模型，以得到逻辑回归算法模型输出的预测结果，预测结果包括对应于第一客户类型的第一概率，以及对应于第二客户类型的第二概率。

逻辑回归又称为逻辑回归分析，是分类和预测算法中的一种，其通过历史数据的表现对未来结果发生的概率进行预测。逻辑回归模型是被逻辑方程归一化后的线性回归，可通过下述公式表示：

上述公式的含义为：输出y＝1的对数几率是由输入x的线性函数表示。可以看出，当e

逻辑回归的适应条件通常包括：因变量为二分类的分类变量或某事件的发生率，并且是数值型变量；残差和因变量都要服从二项分布；自变量和逻辑概率是线性关系；各观测对象间相互独立，前述筛选得到的候选客户特征符合此条件，因此本实施例采用逻辑回归算法模型对候选客户特征进行二分类处理。

本实施例构建的二分类类型包括第一客户类型和第二客户类型，其中第一客户类型用于表征客户评价较好，对应于采用银行内部进行催收的资产清收策略，第二客户类型用于表征客户评价较差，对应于将客户委托给第三方服务公司进行清收的资产清收策略。

本实施例通过将得到的候选客户特征输入至预置的逻辑回归算法模型，即可得到逻辑回归算法模型相应输出的预测结果，根据预测结果则可以得到客户评价较好的第一概率以及客户评价较差的第二概率。

步骤S170，从预测结果中确定概率值最大的客户类型，并选取与概率值最大的客户类型相对应的资产清收策略作为针对客户进行资产清收的目标策略。

本实施例通过从预测结果中确定概率值最大的客户类型，并选取与概率值最大的客户类型相对应的资产清收策略作为针对客户进行资产清收的目标策略，即可快速地得到针对客户进行资产清收的策略。

由上可知，在本实施例提供的方法中，基于决策树加逻辑回归的架构来实现资产清收阶段的客户清收策略的智能化制定，先通过决策树算法模型来实现客户特征的筛选，再通过逻辑回归算法模型根据筛选出的候选客户特征来预测客户评级的好坏，也即通过数据分析的方式来将资产清收的策略转换为一个二分类的问题，相比现有技术中依靠银行内负责清收的专业人员进行主观评价来选择客户清收策略，本申请提供的技术方案能够避免人为主观性影响，而是依赖于对与资产清收相关联的客户特征的处理，这样得到的资产清收策略更加可靠，并且效率更高。

请参阅图3，图3是本申请的另一示例性实施例示出的基于人工智能的资产清收方法的流程图。其中，图3所示的基于人工智能的资产清收方法在图2所示步骤的基础上，在步骤S130之前还包括：

步骤S210，对客户特征库中含有的客户特征进行数据预处理，以将处理后得到的客户特征库输入至决策树算法模型，数据预处理包括数据加工处理以及数据筛选处理中的至少一种。

数据加工处理是指对客户特征库中的某些客户特征进行数据加工，以使加工后得到的客户特征更加符合客户评价的确定，例如，数据加工处理包括将客户的回款数据添加标签信息，例如将客户的回款数据加工为客户在近1个月内的回款，在近3个月内的回款等。

数据筛选处理指对客户特征库中的某些客户特征进行数据筛选，数据筛选的具体方式包括但不限于特征滤除或特征替换，需滤除的客户特征例如包括缺失值较高的客户特征、无法作为模型输入特征的客户特征(如缺乏ID，名字)、出现较多异常值的客户特征(例如金额为负的特征)，需替换的客户特征例如对异常值的客户特征使用中位数或平均值进行替换。

可以看出，本实施例通过预先对客户特征库中含有的客户特征进行数据预处理，再将处理后得到的客户特征库输入至决策树算法模型中，使得所得到的客户特征库的数据更加可靠，也更加符合建模要求，方便后续模型的分析处理。

请参阅图4，图4是本申请的另一示例性实施例示出的基于人工智能的资产清收方法的流程图。其中，图4所示的基于人工智能的资产清收方法在图2所示步骤的基础上，在步骤S130之后还包括：

步骤S310，计算各个候选客户特征对应的信息值，并显示所得到的计算结果，信息值用户表征候选客户特征相对于资产清收策略的贡献程度。

需说明的是，信息值也称为IV(Information Value)值，主要用来对输入变量进行编码和预测能力评估，特征变量IV值的大小即表示该变量预测能力的强弱，在本实施例中，信息值具体用于表征候选客户特征相对于资产清收策略的贡献程度，由此可以基于信息值对候选客户特征进行进一步的筛选，从而得到更加准确和可靠的客户特征以输入至逻辑回归算法模型中进行二分类概率预测。

在得到各个候选客户特征对应的信息值之后，本实施例还将各个候选客户特征对应的信息值进行显示，例如发送至用户终端中进行显示，以使银行内进行资产清收的专家用户能够查看各个候选客户特征对应的信息值，并根据各个候选客户特征对应的信息值、以及自身清收经验从这些候选客户特征中进一步选择客户特征来输入至逻辑回归算法模型中。

步骤S330，根据实时输入的用户操控信息，从候选客户特征中进行候选客户特征的筛选，以将筛选出的候选客户特征输入至逻辑回归算法模型，用户操控信息用于表征专家用户基于自身清收经验作出的客户特征选择操作。

本实施例考虑到资产清收的应用场景下，银行内进行资产清收的专家的清收意见往往能发挥一定的作用，因此本实施例结合信息值和专家用户的意见来进一步筛选候选客户特征。

本实施例根据实时输入的用户操控信息，从候选客户特征中进行候选客户特征的筛选，以将筛选出的候选客户特征输入至逻辑回归算法模型，其中，实时输入的用户操控信息也即是用于显示各个候选客户特征对应的信息值的用户终端中所实时触发输入的用户操控信息，这些用户操控信息用于表征专家用户基于自身清收经验作出的客户特征选择操作。示例性的，在将各个候选客户特征对应的信息值展示给专家用户之后，专家用户结合信息值来判断相应的候选客户特征是否对资产清收影响很大，例如“客户是否可联系”这一候选客户特征对应的信息值并不是很大，但是专家认为这个候选客户特征在实际应用中对资产清收影响很大，所以专家用户人为地选择将这个候选客户特征输入至逻辑回归算法模型，另外专家用户也选择将信息值较大的一些候选客户特征输入至逻辑回归算法模型。由此可以得出，本实施例结合了专家的实际经验，来提升资产清收策略选择的准确性。

请参阅图5，图5是图4所示实施例中的步骤S310在一个示例性实施例中的流程图。如图5所示，可通过步骤S311至步骤S315来计算每个候选客户特征所对应的信息值，详细介绍如下：

步骤S311，分别针对各个候选客户特征进行分组处理，以得到各个候选客户特征所分别对应的多个特征组。

针对其中一个候选客户特征进行分组处理的过程实质是对该候选客户特征进行离散化处理的过程，因此，候选客户特征通常是一个连续型的特征。示例性的，可通过对候选客户特征进行特征分箱处理，以将候选客户特征划分为多个特征组，具体的特征分箱方式包括但不限于有监督的卡方分箱法(ChiMerge)、等距分箱、等频分箱等方式，在实际的应用场景中可根据候选客户特征的数据情况进行选择，本实施例不对此进行限制。

步骤S313，基于每个特征组内的特征信息分布分别计算每个特征组对应的信息值。

在本实施例中，每个特征组对应的信息值可通过如下公式进行计算：

其中，IV

由此可以看出，信息值体现了变量当前分组中个体的数量占整体的比例，从而很好考虑了这个分组中样本占整体的比例，比例越低，这个分组对变量整体预测能力的贡献越低，也即对于资产清收策略的贡献程度越低。

步骤S315，根据所有特征组对应的信息值计算对应候选客户特征对应的信息值。

本实施例根据所有特征组对应的信息值计算对应候选客户特征对应的信息值的过程可通过如下公式表示：

可以看出，本实施例是通过计算所有特征组对应的信息值之和，将得到的和值作为对应候选客户特征对应的信息值。

本实施例的方法通过先对各个候选客户特征进行分组，然后计算每个特征组对应的信息值，最后根将所有特征组对应的信息值之和作为对应候选客户特征对应的信息值，所得到的信息值能够较为准确地评价候选客户特征对于资产清收策略的贡献程度，由此对候选客户特征进行精确的筛选。

请参阅图6，图6是本申请的另一示例性实施例示出的基于人工智能的资产清收方法的流程图。如图6所示，在图2所示实施例中的步骤S150之前，该方法还包括步骤S410至步骤S450，详细介绍如下：

步骤S410，从历史资产清收数据中选取第一时间段内移交的资产清收数据作为训练样本集，以及选取第二时间段内移交的资产清收数据作为验证样本集，第一时间段早于所述第二时间段。

本实施例描述的是训练获得逻辑回归算法模型的过程。历史资产清收数据是指样本客户资产在移交到银行内特管资产的管理部门之后产生的数据，例如包括客户产生的还款行为、客户在此节点之后对应的资产信息、负债信息、征信数据等。

本实施例将在先时间段交的资产清收数据作为训练样本集，并将在后时间段交的资产清收数据作为验证样本集，并且训练样本集和验证样本集中均包含有多个正样本和多个负样本，正样本对于将客户评价较好的结果有贡献，负样本则是对于将客户评价较差的结果有贡献。例如，正样本为移交到管理部门5个月内还款超过5％的客户的清收数据，负样本为移交到管理部门5个月内还款小于5％的客户的清收数据。

步骤S430，根据训练样本集对待训练的逻辑回归算法模型进行训练，并通过验证样本集对训练后的逻辑回归算法模型进行验证，得到验证结果。

本实施例根据训练样本集对待训练的逻辑回归算法模型进行训练，然后通过验证样本集对训练后的逻辑回归算法模型进行验证的过程包括：获取训练后的逻辑回归算法模型针对验证样本集中各验证样本所输出的预测结果；根据获取得到的预测结果计算模型效果评估值，若模型效果评估值大于或等于预设阈值，则验证得到训练后的逻辑回归算法模型满足要求，生成用于指示训练后的逻辑回归算法模型满足要求的验证结果。反之，若模型效果评估值小于预设阈值，则验证得到训练后的逻辑回归算法模型不满足要求，生成用于指示训练后的逻辑回归算法模型不满足要求的验证结果。

其中，模型效果评估值包括AUC(Area Under Curve，定义为ROC曲线下与坐标轴围成的面积)值或KS(Kolmogorov-Smirnov，衡量的是好坏样本累计分部之间的差值，代表模型区分正负样本的能力)值，AUC值或KS值越大，表明模型效果越好。

下表1是通过AUC值或者KS值来判定逻辑回归算法模型的模型效果的示例：

表1

步骤S450，若验证结果指示训练后的逻辑回归算法模型满足要求，则将候选客户特征输入至训练后的逻辑回归算法模型中。

若上述步骤中验证得到训练后的逻辑回归算法模型满足要求，则将候选客户特征输入至训练后的逻辑回归算法模型中。在一个示例性的应用场景下，若假设预测变量为“银行内催收评分”，建模变量包括客户特征“活跃客户标志”、“拖欠复利总额”、“当前逾期天数”、“违约金额总额”、“最近三次征信月平均还款金额”和“最近一次还款日期距当前天数”，基于训练样本和验证样本得到的逻辑回归方程可以是：ln(p/1-p)＝0.22+2.26*活跃客户标志+0.26*拖欠复利总额+0.09*当前逾期天数+0.26*违约金额总额+0.50*最近三次征信月平均还款金额+0.34*最近一次还款日期距当前天数。这些变量对应的预置参数即是经过训练和验证所得到的模型参数。

若验证结果指示训练后的逻辑回归算法模型不满足要求，则重复执行根据训练样本集对待训练的逻辑回归算法模型进行训练，并通过验证样本集对训练后的逻辑回归算法模型进行验证，得到验证结果的步骤，直至所得到的验证结果指示训练后的逻辑回归算法模型满足要求。

由此，通过本实施例的方法对逻辑回归算法模型进行训练，使得训练好的逻辑回归算法模型能够适应于资产清收的应用场景，使得后续通过此逻辑回归算法模型预测得到的二分类概率值具有很高的准确性，对于实际的应用场景具有很大贡献。

图7是本申请的一示例性实施例示出的一种基于人工智能的资产清收装置的框图。如图7所示，该装置包括：

特征获取模块510，配置为获取与待清收资产相关联的客户特征库；特征选择模块530，配置为将客户特征库输入至预置的决策树算法模型，以使决策树算法模型获取客户特征库中含有的客户特征的重要性数值，按照重要性数值由大到小的排序选取指定数量的客户特征作为候选客户特征，重要性数值用于表征客户特征相对于资产清收策略制定的重要程度；概率预测模块550，配置为将得到的候选客户特征输入至预置的逻辑回归算法模型，以得到逻辑回归算法模型输出的预测结果，预测结果包括对应于第一客户类型的第一概率，以及对应于第二客户类型的第二概率；策略选取模块570，配置为从预测结果中确定概率值最大的客户类型，并选取与概率值最大的客户类型相对应的资产清收策略作为针对客户进行资产清收的目标策略。

该装置基于决策树加逻辑回归的架构来实现资产清收阶段的客户清收策略的智能化制定，相比现有技术中依靠银行内负责清收的专业人员进行主观评价来选择客户清收策略，本申请提供的技术方案能够避免人为主观性影响，而是依赖于对与资产清收相关联的客户特征的处理，这样得到的资产清收策略更加可靠，并且效率更高。

在另一示例性的实施例中，该装置还包括：

信息值获取模块，配置为计算各个候选客户特征对应的信息值，并显示所得到的计算结果，信息值用户表征候选客户特征相对于资产清收策略的贡献程度；特征筛选模块，配置为根据实时输入的用户操控信息，从候选客户特征中进行候选客户特征的筛选，以将筛选出的候选客户特征输入至逻辑回归算法模型，用户操控信息用于表征专家用户基于自身清收经验作出的客户特征选择操作。

在另一示例性的实施例中，信息值获取模块包括：

特征分组单元，配置为分别针对各个候选客户特征进行分组处理，以得到各个候选客户特征所分别对应的多个特征组；特征组计算单元，配置为基于每个特征组内的特征信息分布分别计算每个特征组对应的信息值；综合计算单元，配置为根据所有特征组对应的信息值计算对应候选客户特征对应的信息值。

在另一示例性的实施例中，该装置还包括：

预处理模块，配置为对客户特征库中含有的客户特征进行数据预处理，以将处理后得到的客户特征库输入至决策树算法模型，其中，数据预处理包括数据加工处理以及数据筛选处理中的至少一种。

在另一示例性的实施例中，该装置还包括：

样本集获取模块，配置为从历史资产清收数据中选取第一时间段内移交的资产清收数据作为训练样本集，以及选取第二时间段内移交的资产清收数据作为验证样本集，第一时间段早于第二时间段；模型训练及验证模块，配置为根据训练样本集对待训练的逻辑回归算法模型进行训练，并通过验证样本集对训练后的逻辑回归算法模型进行验证，得到验证结果；特征输入模块，配置为若验证结果指示训练后的逻辑回归算法模型满足要求，则将候选客户特征输入至训练后的逻辑回归算法模型中。

在另一示例性的实施例中，该装置还包括：

循环模块，配置为若验证结果指示训练后的逻辑回归算法模型不满足要求，则重复执行根据训练样本集对待训练的逻辑回归算法模型进行训练，并通过验证样本集对训练后的逻辑回归算法模型进行验证，得到验证结果的步骤，直至所得到的验证结果指示训练后的逻辑回归算法模型满足要求。

在另一示例性的实施例中，模型训练及验证模块包括：

训练结果获取单元，配置为获取训练后的逻辑回归算法模型针对验证样本集中各验证样本所输出的预测结果；验证结果获取单元，配置为根据获取得到的预测结果计算模型效果评估值，若模型效果评估值大于预设阈值，则生成指示训练后的逻辑回归算法模型满足要求的验证结果。

需要说明的是，上述实施例所提供的装置与上述实施例所提供的方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。

本申请的实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，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，使得电子设备实现前述各项实施例中所记载的基于人工智能的资产清收方法。

图8示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图8示出的电子设备的计算机系统1600仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统1600包括中央处理单元(Central Processing Unit，CPU)1601，其可以根据存储在只读存储器(Read-Only Memory，ROM)1602中的程序或者从储存部分1608加载到随机访问存储器(Random Access Memory，RAM)1603中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1603中，还存储有系统操作所需的各种程序和数据。CPU 1601、ROM 1602以及RAM 1603通过总线1604彼此相连。输入/输出(Input/Output，I/O)接口1605也连接至总线1604。

以下部件连接至I/O接口1605：包括键盘、鼠标等的输入部分1606；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1607；包括硬盘等的储存部分1608；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1609。通信部分1609经由诸如因特网的网络执行通信处理。驱动器1610也根据需要连接至I/O接口1605。可拆卸介质1611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1610上，以便于从其上读出的计算机程序根据需要被安装入储存部分1608。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1609从网络上被下载和安装，和/或从可拆卸介质1611被安装。在该计算机程序被中央处理单元(CPU)1601执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前所述的基于人工智能的资产清收方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。

上述内容，仅为本申请的较佳示例性实施例，并非用于限制本申请的实施方案，本领域普通技术人员根据本申请的主要构思和精神，可以十分方便地进行相应的变通或修改，故本申请的保护范围应以权利要求书所要求的保护范围为准。