本发明专利技术提供了一种票据潜客的识别方法、装置和电子设备，属于数据处理的技术领域，该方法中，图特征提取模型能够提取企业客户的历史票据交易数据的网络结构图的图特征向量，在对待识别企业客户进行票据潜客识别时，将待识别企业客户的画像特征向量和图特征向量拼接后输入票据潜客分类模型，进而得到待识别企业客户是否为票据潜客的分类结果，上述票据潜客的识别方法是由票据潜客分类模型基于图特征提取模型的输出结果和待识别企业客户的画像特征向量自动实现的，提高了识别效率，并且识别时结合了图特征提取模型挖掘的图特征向量，得到的票据潜客的分类结果准确性好，大大提高了后期营销的成交率，且大大提升了客户体验。且大大提升了客户体验。且大大提升了客户体验。
【技术实现步骤摘要】
票据潜客的识别方法、装置和电子设备
[0001]本专利技术涉及数据处理的
，尤其是涉及一种票据潜客的识别方法、装置和电子设备。
技术介绍
[0002]票据业务成为商业银行提高经济效益和改善资产结构的重要手段。银行承兑汇票是票据市场中最主要的交易工具，银行信用作为付款担保有效地保证了按期承付，商业银行也将其视为国债和其它货币市场工具的替代品，并且由于收益率较高，不少银行已将其列为重要的资产业务。票据的流转也扩大了这些参加者的社会影响，增加了其无形资产，并且这些影响、无形资产有可能转化为财富。因此，商业银行如何识别一批票据潜客显得尤为重要。
[0003]目前，商业银行在进行票据潜客的识别时，一般采用电话营销的形式。客户经理通过高频的电话呼出进行票据营销，从而识别需要购买票据的客户（即票据潜客）。上述票据潜客的识别方式效率低下、成交率低、且客户体验差，缺乏针对性。
[0004]综上，现有的票据潜客的识别方法存在效率低下、成交率低、客户体验差的技术问题。
技术实现思路
[0005]有鉴于此，本专利技术的目的在于提供一种票据潜客的识别方法、装置和电子设备，以缓解现有的票据潜客的识别方法效率低下、成交率低、客户体验差的技术问题。
[0006]第一方面，本专利技术实施例提供了一种票据潜客的识别方法，包括：获取待识别企业客户的画像数据，并对所述待识别企业客户的画像数据进行编码处理，得到待识别企业客户的画像特征向量；调用图特征提取模型基于企业客户的历史票据交易数据输出的图特征向量，其中，所述图特征向量为对所述企业客户的历史票据交易数据进行图网络结构构建后，通过训练好的所述图特征提取模型对构建的网络结构图进行特征提取后得到的；将所述待识别企业客户的画像特征向量和所述图特征向量进行拼接，并采用票据潜客分类模型对所述待识别企业客户的拼接后的特征向量进行票据潜客分类，进而根据票据潜客分类结果确定所述待识别企业客户是否为票据潜客。
[0007]进一步的，所述待识别企业客户的画像数据至少包括：成立年限、行业、年华EVA、存贷款信息和贴现年日均余额，对所述待识别企业客户的画像数据进行编码处理，包括：对所述待识别企业客户的画像数据进行embedding编码处理，得到所述待识别企业客户的画像特征向量。
[0008]进一步的，将所述待识别企业客户的画像特征向量和所述图特征向量进行拼接，包括：采用torch.cat函数将所述待识别企业客户的画像特征向量和所述图特征向量进
行拼接；所述票据潜客分类结果包括：所述待识别企业客户为票据潜客的概率，根据票据潜客分类结果确定所述待识别企业客户是否为票据潜客，包括：若所述待识别企业客户为票据潜客的概率大于预设概率阈值，则确定所述待识别企业客户为票据潜客。
[0009]进一步的，所述方法还包括：获取所述企业客户的历史票据交易数据，其中，所述历史票据交易数据至少包括：交易双方的企业名称、企业客户的ID和票据交易金额；将所述企业客户的历史票据交易数据输入至networkx，得到所述网络结构图，其中，所述网络结构图包括：节点和边，节点表示企业客户，边表示企业客户之间的票据交易；对初始图特征提取模型进行超参数设置，并采用所述网络结构图对所述初始图特征提取模型进行训练，得到训练好的图特征提取模型，进而得到训练好的所述图特征提取模型对所述网络结构图进行特征提取后输出的图特征向量，其中，所述图特征提取模型包括：GCN图卷积神经网络和relu激活函数层；获取所述企业客户的画像数据，并对所述企业客户的画像数据进行编码处理，得到企业客户的画像特征向量；将所述企业客户的画像特征向量和所述图特征向量进行拼接，得到所述企业客户的拼接后的特征向量；采用所述企业客户的拼接后的特征向量对原始票据潜客分类模型进行训练，得到所述票据潜客分类模型，其中，所述票据潜客分类模型包括LightGBM模型。
[0010]进一步的，对初始图特征提取模型进行超参数设置，包括：设置输入特征维度in_feats的数值为50，隐藏层的特征维度n_hidden的值为20，类别数n_classes的值为2，网络层数n_layers的值为2，activation激活函数为relu。
[0011]进一步的，若确定所述待识别企业客户为票据潜客之后，所述方法还包括：向所述票据潜客推荐票据产品。
[0012]第二方面，本专利技术实施例还提供了一种票据潜客的识别装置，包括：获取和编码处理单元，用于获取待识别企业客户的画像数据，并对所述待识别企业客户的画像数据进行编码处理，得到待识别企业客户的画像特征向量；调用单元，用于调用图特征提取模型基于企业客户的历史票据交易数据输出的图特征向量，其中，所述图特征向量为对所述企业客户的历史票据交易数据进行图网络结构构建后，通过训练好的所述图特征提取模型对构建的网络结构图进行特征提取后得到的；拼接和分类单元，用于将所述待识别企业客户的画像特征向量和所述图特征向量进行拼接，并采用票据潜客分类模型对所述待识别企业客户的拼接后的特征向量进行票据潜客分类，进而根据票据潜客分类结果确定所述待识别企业客户是否为票据潜客。
[0013]进一步的，所述待识别企业客户的画像数据至少包括：成立年限、行业、年华EVA、存贷款信息和贴现年日均余额，所述获取和编码处理单元还用于：对所述待识别企业客户的画像数据进行embedding编码处理，得到所述待识别企业客户的画像特征向量。
[0014]第三方面，本专利技术实施例还提供了一种电子设备，包括存储器、处理器及存储在所
述存储器上并可在所述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上述第一方面任一项所述的方法的步骤。
[0015]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
[0016]在本专利技术实施例中，提供了一种票据潜客的识别方法，包括：获取待识别企业客户的画像数据，并对待识别企业客户的画像数据进行编码处理，得到待识别企业客户的画像特征向量；调用图特征提取模型基于企业客户的历史票据交易数据输出的图特征向量，其中，图特征向量为对企业客户的历史票据交易数据进行图网络结构构建后，通过训练好的图特征提取模型对构建的网络结构图进行特征提取后得到的；将待识别企业客户的画像特征向量和图特征向量进行拼接，并采用票据潜客分类模型对待识别企业客户的拼接后的特征向量进行票据潜客分类，进而根据票据潜客分类结果确定待识别企业客户是否为票据潜客。通过上述描述可知，本专利技术的票据潜客的识别方法中，图特征提取模型能够提取企业客户的历史票据交易数据的网络结构图的图特征向量，在对待识别企业客户进行票据潜客识别时，将待识别企业客户的画像特征向量和图特征向量拼接后输入票据潜客分类模型，进而得到待识别企业客户是否为票据潜客的分类结果，上述票据潜客的识别方法是由票据潜客分类模型基于图特征提取模型的输出结果和待识别企本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种票据潜客的识别方法，其特征在于，包括：获取待识别企业客户的画像数据，并对所述待识别企业客户的画像数据进行编码处理，得到待识别企业客户的画像特征向量；调用图特征提取模型基于企业客户的历史票据交易数据输出的图特征向量，其中，所述图特征向量为对所述企业客户的历史票据交易数据进行图网络结构构建后，通过训练好的所述图特征提取模型对构建的网络结构图进行特征提取后得到的；将所述待识别企业客户的画像特征向量和所述图特征向量进行拼接，并采用票据潜客分类模型对所述待识别企业客户的拼接后的特征向量进行票据潜客分类，进而根据票据潜客分类结果确定所述待识别企业客户是否为票据潜客。2.根据权利要求1所述的方法，其特征在于，所述待识别企业客户的画像数据至少包括：成立年限、行业、年华EVA、存贷款信息和贴现年日均余额，对所述待识别企业客户的画像数据进行编码处理，包括：对所述待识别企业客户的画像数据进行embedding编码处理，得到所述待识别企业客户的画像特征向量。3.根据权利要求1所述的方法，其特征在于，将所述待识别企业客户的画像特征向量和所述图特征向量进行拼接，包括：采用torch.cat函数将所述待识别企业客户的画像特征向量和所述图特征向量进行拼接；所述票据潜客分类结果包括：所述待识别企业客户为票据潜客的概率，根据票据潜客分类结果确定所述待识别企业客户是否为票据潜客，包括：若所述待识别企业客户为票据潜客的概率大于预设概率阈值，则确定所述待识别企业客户为票据潜客。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述企业客户的历史票据交易数据，其中，所述历史票据交易数据至少包括：交易双方的企业名称、企业客户的ID和票据交易金额；将所述企业客户的历史票据交易数据输入至networkx，得到所述网络结构图，其中，所述网络结构图包括：节点和边，节点表示企业客户，边表示企业客户之间的票据交易；对初始图特征提取模型进行超参数设置，并采用所述网络结构图对所述初始图特征提取模型进行训练，得到训练好的图特征提取模型，进而得到训练好的所述图特征提取模型对所述网络结构图进行特征提取后输出的图特征向量，其中，所述图特征提取模型包括：GCN图卷积神经网络和relu激活函数层；获取所述企业客户的画像数据，并对所述企业客户的画像数据进行编码处理，得到企业客户的...
【专利技术属性】
技术研发人员：蔡凡华，毛佩芳，
申请(专利权)人：平安银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。