(19)中华 人民共和国 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 202111483898.9 (22)申请日 2021.12.07 (71)申请人 中信银行股份有限公司 地址 100020 北京市朝阳区光 华路10号院1 号楼6-30层、 32-42层 (72)发明人 宋俊逸　罗钰清　赵锐颉　王昌猛　 (74)专利代理 机构 北京市兰台律师事务所 11354 代理人 操飞越　张峰 (51)Int.Cl. G06N 20/00(2019.01) G06K 9/62(2022.01) G06Q 30/02(2012.01) G06Q 40/06(2012.01) (54)发明名称 一种基于light GBM算法预测理财产品销量 的方法及系统 (57)摘要 本发明公开了一种基于light  GBM算法预测 理财产品销量的方法及系统， 涉及人工智能领 域， 所述方法包括： 将第一类客户集合进行筛查， 获得第二类客户集合和第三类客户集合； 将待评 估客户集合输入机器学习模型， 获得第四类客户 集合； 对第三类客户集合和第四类客户集合进行 交集求取， 获得第五类客户集合， 非交集用户进 行合并， 获得第六类客户集合； 对第六类客户集 合进行筛选， 获得第七类客户集合； 基于各类客 户集合获得理财产品销量预测结果。 解决了现有 技术理财产品销量的预测算法比较传统， 造成出 现过拟合、 运算不够快、 运算海量数据时占用内 存多、 预测准确率低、 少数类数据误差较大、 参数 搜索没有指导性， 需要花费大量时间的技术问 题。 权利要求书2页 说明书11页 附图5页 CN 114254759 A 2022.03.29 CN 114254759 A 1.一种基于l ight GBM算法预测理财产品销量的方法， 其中， 所述方法包括： 获得待评估客户集 合； 通过规则模型对所述待评估客户集 合进行筛 选， 获得第一类客户集 合； 将所述第一类客户集合进行预设潜力规则 筛查， 获得第 二类客户集合和第 三类客户集 合， 其中， 所述第二类客户集 合为潜力客户群 体， 所述第三类客户集 合为非潜力客户群 体； 将所述待评估客户集合输入机器学习模型进行潜力筛查， 获得第四类客户集合， 其中， 所述机器学习模型为基于L ight GBM算法的潜力客户筛 选模型； 对所述第三类客户集合和所述第 四类客户集合进行交集求取， 获得第五类客户集合， 将所述第三类客户集合和所述第四类客户集合中的非交集用户进 行合并， 获得第六类客户 集合； 获得第一预设比例设定值， 通过所述第 一预设比例设定值对所述第六类客户集合进行 筛选， 获得第七类客户集 合； 基于所述第 二类客户集合、 所述第五类客户集合和所述第七类客户集合获得理财产品 销量预测结果。 2.如权利要求1所述的方法， 其中， 所述将所述第一类客户集合进行预设潜力规则筛 查， 还包括： 获得第一判断指令， 根据所述第一判断指令， 判断所述规则模型对所述待评估客户集 合进行筛 选过程中是否启动所述机器学习模型的过 滤功能； 将未启动所述机器学习 模型的过滤功能的客户集合作为第 二类客户集合， 将启动所述 机器学习模型的过 滤功能的客户集 合作为第三类客户集 合。 3.如权利要求1所述的方法， 其中， 所述方法还 包括： 获得第一态度筛 选规则， 将所述第一态度筛 选规则作为第一约束参数； 获得第一因果倒置影响规则， 将所述第一因果倒置影响规则作为第二约束参数； 基于所述第一约束参数和所述第二约束参数进行 所述规则模型的构建。 4.如权利要求1所述的方法， 其中， 所述方法还 包括： 获得客户的基本信 息和所述客户对应的推销信 息， 根据所述基本信 息和所述推销信 息 构建用户样本； 将所述用户样本进行样本分类， 获得训练样本和 测试样本； 基于所述训练样本和所述测试样本构建所述机器学习模型。 5.如权利要求 4所述的方法， 其中， 所述方法还 包括： 对所述训练样本和所述测试样本进行不平衡处理， 获得第 一训练样本不平衡处理结果 和第一测试样本不平衡处 理结果； 获得第一特征处理指令， 根据 所述第一特征处理指令对所述第 一训练样本不平衡处理 结果和所述第一测试样本不平衡处理结果进 行特征处理， 获得训练样本特征数据和测试样 本特征数据； 通过所述规则模型对所述训练样本和所述测试样本进行样本标签标识， 获得训练样本 标签标识结果和 测试样本标签标识结果； 通过所述训练样本特征数据、 所述测试样本特征数据、 所述训练样本标签标识结果和 测试样本标签标识结果构建所述机器学习模型。权　利　要　求　书 1/2 页 2 CN 114254759 A 26.如权利要求5所述的方法， 其中， 所述方法还 包括： 获得第一特征计算指令， 通过所述第 一特征计算指令对所述训练样本特征数据和所述 测试样本特 征数据进行 特征计算， 获得训练样本特 征矩阵和 测试样本特 征矩阵； 基于Light  GBM算法， 通过所述训练样本特征矩阵和所述训练样本标签标识结果进行 所述机器学习模型的训练， 获得第一预机器学习模型； 通过所述训练样本特征矩阵和所述测试样本标签标识结果进行所述第一预机器学习 模型的修 正， 获得所述机器学习模型。 7.如权利要求6所述的方法， 其中， 所述方法还 包括： 获得所述机器学习模型的运行 结果； 将所述运行结果反馈至所述机器学习 模型， 根据 所述运行结果和下一轮训练数据指导 生成所述机器学习模型的下一轮参数。 8.一种基于l ight GBM算法预测理财产品销量的系统， 其中， 所述系统包括： 第一获得 单元， 所述第一获得 单元用于获得待评估客户集 合； 第二获得单元， 所述第二获得单元用于通过规则模型对所述待评估客户集合进行筛 选， 获得第一类客户集 合； 第三获得单元， 所述第三获得单元用于将所述第一类客户集合进行预设潜力规则筛 查， 获得第二类客户集合和第三类客户集合， 其中， 所述第二类客户集合为潜力客户群体， 所述第三类客户集 合为非潜力客户群 体； 第四获得单元， 所述第四获得单元用于将所述待评估客户集合输入机器学习 模型进行 潜力筛查， 获得第四类客户集合， 其中， 所述机器学习模型为基于Light  GBM算法的潜力客 户筛选模型； 第五获得单元， 所述第五获得单元用于对所述第 三类客户集合和所述第四类客户集合 进行交集求取， 获得第 五类客户集合， 将所述第三类客户集合和所述第四类客户集合中的 非交集用户进行合并， 获得第六类客户集 合； 第六获得单元， 所述第六获得单元用于获得第一预设比例设定值， 通过所述第一预设 比例设定值对所述第六类客户集 合进行筛 选， 获得第七类客户集 合； 第七获得单元， 所述第七获得单元用于基于所述第二类客户集合、 所述第五类客户集 合和所述第七类客户集 合获得理财产品销量预测结果。 9.一种基于light  GBM算法预测理财产品销量的电子设备， 包括总线、 收发器、 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， 所述收发器、 所述 存储器和所述处理器通过所述总线相连， 其特征在于， 所述计算机程序被所述处理器执行 时实现如权利要求1 ‑7中任一项所述方法中的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其中， 所述计算机程序被处理 器执行时实现如权利要求1 ‑7中任一项所述方法中的步骤。权　利　要　求　书 2/2 页 3 CN 114254759 A 3