(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211114719.9 (22)申请日 2022.09.14 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 刘燕　马文文　王瑶　刘丽娟　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 薛平　郝博 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 银行客户数据分析方法及装置 (57)摘要 本发明公开了一种银行客户数据分析方法 及装置， 涉及人工智能技术领域， 其中该方法包 括： 在用户授权的情况下， 获取多个存款客户和 贷款客户的个人属性数据和消费数据； 对多个存 款客户和贷款客户的个人属性数据和消费数据 进行分析， 获得每一存款客户和贷款客户的客户 特征； 根据每一存款客户和贷款客户的客户特 征， 生成每一存款客户和贷款客户的客户画像数 据； 将每一存款客户和贷款客户的客户画像数 据， 存贷款业务间的业务关联数据， 输入多层级 联集成模型， 得到每一存款客户转化为贷款客户 的概率； 根据每一存款客户转化为贷款客户的概 率， 从多个存款客户中确定潜在贷款客户。 本发 明可快速精 准确定潜在贷款客户， 提高存贷用户 转换率。 权利要求书3页 说明书8页 附图4页 CN 115439221 A 2022.12.06 CN 115439221 A 1.一种银 行客户数据分析 方法， 其特 征在于， 包括： 在用户授权的情况 下获取多个存款 客户和贷款 客户的个人属性数据和 消费数据； 对多个存款客户和贷款客户的个人属性数据和消费数据进行分析， 获得每一存款客户 和贷款客户的客户特 征； 根据每一存款客户和贷款客户的客户特征， 生成每一存款客户和贷款客户的客户画像 数据； 将每一存款客户 和贷款客户的客户画像数据， 存贷款业务间的业务关联数据， 输入多 层级联集成模型， 得到每一存款客户转化为贷款客户的概率； 所述多层级联集成模型为机 器学习模型， 包括多组并行 的特征提取网络， 由历史存款客户和历史贷款客户的客户画像 数据、 历史存贷款业务间的业务关联数据、 以及历史存款客户转化为历史贷款客户的概率 训练得到； 根据每一存款 客户转化为贷款客户的概 率， 从多个存款 客户中确定潜在贷款 客户。 2.如权利要求1所述的方法， 其特征在于， 对多个存款客户和贷款客户的个人属性数据 和消费数据进行分析之前， 还 包括： 对多个存款客户和贷款客户的个人属性数据和消费数据进行预处理， 所述预处理包括 冲洗、 筛选、 字段规整、 去重、 异常数据剔除其中之一或任意组合。 3.如权利要求1所述的方法， 其特征在于， 将每一存款客户和贷款客户的客户画像数 据， 存贷款 业务间的业 务关联数据， 输入多层级联集成模型之前， 还 包括： 对每一存款客户和贷款客户的客户特征进行相关性分析， 获得存贷款业务间的业务关 联数据。 4.如权利要求3所述的方法， 其特征在于， 对每一存款客户和贷款客户的客户特征进行 相关性分析， 获得存贷款 业务间的业 务关联数据， 包括： 根据每一存款客户 和贷款客户参与营销活动的频率和/或活跃性， 以及存贷款业务状 态， 分析每一存款 客户和贷款 客户的存贷款 业务与营销活动之间的关联性； 根据所述关联性， 获得存贷款 业务间的业 务关联数据。 5.如权利要求1至4任一项所述的方法， 其特征在于， 所述多层级联集成模型中， 不同种 类的特征提取网络分别作为不同的网络模型组； 或， 同一种类的特征提取网络采用不同的 训练方式后分别作为不同的网络模型组； 或， 同一种类的特征提取网络采用不同的数据采 样方式后分别作为 不同的网络模型组。 6.如权利要求5所述的方法， 其特征在于， 不同种类的特征提取网络分别作为不同的网 络模型组， 包括： ResNet类别的特 征提取网络作为ResNet系列网络模型组； GoogleNet类别的特 征提取网络作为Go ogleNet系列网络模型组； EfficientNet类别的特 征提取网络作为Ef ficientNet系列网络模型组。 7.如权利要求5所述的方法， 其特征在于， 同一种类的特征提取网络采用不同的训练方 式后分别作为 不同的网络模型组， 包括： 同一种类的特征提取网络采用不同的训练方式后分别作为： Xception网络模型组和 DenseNet网络模型组。 8.如权利要求1所述的方法， 其特征在于， 所述多层级联集成模型按如下方式进行训练权　利　要　求　书 1/3 页 2 CN 115439221 A 2和测试： 获取历史存款客户和历史贷款客户的客户画像数据、 历史存贷款业务间的业务关联数 据、 以及历史存款 客户转化为历史贷款 客户的概 率， 构建训练集和 测试集； 利用训练集， 对机器学习模型进行训练， 得到多层级联集成模型； 利用测试集， 对多层级联集成模型进行测试。 9.一种银 行客户数据分析装置， 其特 征在于， 包括： 数据获取模块， 用于在用户授权的情况下获取多个存款客户和贷款客户的个人属性数 据和消费数据； 客户画像生成模块， 用于对多个存款客户和贷款客户的个人属性数据和消费数据进行 分析， 获得每一存款客户和贷款客户的客户特征； 根据每一存款客户和贷款客户的客户特 征， 生成每一存款 客户和贷款 客户的客户画像数据； 潜在贷款客户 确定模块， 用于将每一存款客户 和贷款客户的客户画像数据， 存贷款业 务间的业务关联数据， 输入多层 级联集成模型， 得到每一存款客户转化为贷款客户的概率； 所述多层级联集成模型为机器学习模型， 包括多组并行 的特征提取网络， 由历史存款客户 和历史贷款客户的客户画像数据、 历史存贷款业务间的业务关联数据、 以及历史存款客户 转化为历史贷款客户的概率训练得到； 根据每一存款客户转化为贷款客户的概率， 从多个 存款客户中确定潜在贷款 客户。 10.如权利要求9所述的装置， 其特 征在于， 还 包括： 数据预处理模块， 用于在客户画像生成模块对多个存款客户和贷款客户的个人属性数 据和消费数据进 行分析之前， 对多个存款客户和贷款客户的个人属性数据和消费数据进 行 预处理， 所述预处 理包括冲洗、 筛 选、 字段规整、 去重、 异常数据剔除其中之一或任意组合。 11.如权利要求9所述的装置， 其特 征在于， 还 包括： 业务关联分析模块， 用于在潜在贷款客户确定模块将每一存款客户和贷款客户的客户 画像数据， 存贷款业务间的业务关联数据， 输入多层级联集成模型之前， 对每一存款客户和 贷款客户的客户特 征进行相关性分析， 获得存贷款 业务间的业 务关联数据。 12.如权利要求1 1所述的装置， 其特 征在于， 业 务关联分析模块， 具体用于： 根据每一存款客户 和贷款客户参与营销活动的频率和/或活跃性， 以及存贷款业务状 态， 分析每一存款 客户和贷款 客户的存贷款 业务与营销活动之间的关联性； 根据所述关联性， 获得存贷款 业务间的业 务关联数据。 13.如权利要求9至12任一项所述的装置， 其特征在于， 所述多层级联集成模型中， 不同 种类的特征提取网络分别作为不同的网络模型组； 或， 同一种类的特征提取网络采用不同 的训练方式后分别作为不同的网络模型组； 或， 同一种类的特征提取网络采用不同的数据 采样方式后分别作为 不同的网络模型组。 14.如权利要求13所述的装置， 其特征在于， 不同种类的特征提取网络分别作为不同的 网络模型组， 包括： ResNet类别的特 征提取网络作为ResNet系列网络模型组； GoogleNet类别的特 征提取网络作为Go ogleNet系列网络模型组； EfficientNet类别的特 征提取网络作为Ef ficientNet系列网络模型组。 15.如权利要求13所述的装置， 其特征在于， 同一种类的特征提取网络采用不同的训练权　利　要　求　书 2/3 页 3 CN 115439221 A 3