催收方法、装置、存储介质及设备与流程

1.本技术涉及机器学习技术领域，尤其涉及一种催收方法、装置、存储介质及设备。


背景技术：

2.近年来，存在不良贷款(如借款后不按期归还)的用户每年呈现增长趋势，不良资产催收市场不断扩大，银行机构以及催收机构的催收压力也越来越大，因此，制定一个合理的催收方案，可以减轻催收压力，快速对不良贷款的用户进行催收。
3.目前，主要是由人工对借款用户的用户信息进行逐一分析，为借款用户定制催收方案，进而，基于催收方案对借款用户进行催收。由于人工对借款用户的用户信息进行分析的过程需要消耗大量时间以及人力，导致催收的效率比较低、且成本比较高。


技术实现要素：

4.本技术实施例所要解决的技术问题在于，提供一种催收方法、装置、存储介质及设备，可以准确的确定用于对借款用户进行资产催收的目标催收方案，提高催收的效率。
5.本技术实施例一方面提供一种催收方法，包括：
6.获取借款用户的用户借款信息，以及m个候选催收方案分别对应的方案属性特征和方案统计信息；m为正整数；
7.根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，从n个候选算法中确定候选催收方案m
i
对应的目标算法；候选催收方案m
i
属于m个候选催收方案，i为小于或者等于m的正整数，n为正整数；
8.采用候选催收方案m
i
对应的目标算法，对用户借款信息和候选催收方案m
i
对应的方案属性特征进行还款识别，得到借款用户在候选催收方案m
i
下对应的还款概率；
9.根据借款用户在m个候选催收方案下分别对应的还款概率，以及m个候选催收方案分别对应的方案统计信息，从m个候选催收方案中确定借款用户对应的目标催收方案；目标催收方案用于催收人员对借款用户进行资产催收。
10.其中，采用候选催收方案m
i
对应的目标算法，对用户借款信息和候选催收方案m
i
对应的方案属性特征进行还款识别，得到借款用户在候选催收方案m
i
下对应的还款概率，包括：
11.获取与目标算法关联的目标还款预测模型；目标还款预测模型中包括根据目标算法所生成的目标预测层；
12.调用目标预测层，对用户借款信息进行向量转换，得到用户向量，对候选催收方案m
i
对应的方案属性特征进行向量转换，得到方案向量；
13.对用户向量以及方案向量进行还款识别，输出借款用户在候选催收方案m
i
下对应的还款概率。
14.其中，方案统计信息包括目标执行成本；
15.根据借款用户在m个候选催收方案下分别对应的还款概率，以及m个候选催收方案
分别对应的方案统计信息，从m个候选催收方案中确定借款用户对应的目标催收方案，包括：
16.获取还款概率对应的第一权重，以及目标执行成本对应的第二权重；
17.采用第一权重和第二权重对还款概率和目标执行成本进行加权求和，得到候选催收方案m
i
的方案评分；
18.将m个候选催收方案中方案评分最高的候选催收方案，确定为借款用户对应的目标催收方案。
19.其中，根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，从n个候选算法中确定候选催收方案m
i
对应的目标算法，包括：
20.根据候选催收方案m
i
的方案属性特征确定采用候选催收方案m
i
进行催收的过程中的数据处理需求信息；
21.根据n个候选算法分别对应的算法特征确定n个候选算法分别对应的数据处理能力信息；
22.将n个候选算法中数据处理能力信息与数据处理需求信息匹配的候选算法，确定为候选催收方案m
i
对应的目标算法。
23.其中，将n个候选算法中数据处理能力信息与处理需求信息匹配的候选算法，确定为候选催收方案m
i
对应的目标算法，包括：
24.根据n个候选算法分别对应的数据处理能力信息，生成n个候选算法分别对应的数据处理能力向量；
25.根据数据处理需求信息生成候选催收方案m
i
的数据处理需求向量；
26.计算n个候选算法中候选算法n
j
对应的数据处理能力向量与数据处理需求向量之间的距离；j为小于或者等于n的正整数；
27.将n个候选算法中距离小于距离阈值的候选算法，确定为候选催收方案m
i
对应的目标算法。
28.其中，根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，从n个候选算法中确定候选催收方案m
i
对应的目标算法，包括：
29.调用目标还款预测模型中的算法确定层，对候选算法n
j
对应的算法特征进行向量转换，得到候选算法n
j
对应的算法特征向量，对候选催收方案m
i
对应的方案属性特征进行向量转换，得到候选催收方案m
i
对应的方案向量；候选算法n
j
属于n个候选算法，j为小于或者等于n的正整数；
30.对候选算法n
j
对应的算法特征向量和候选催收方案m
i
对应的方案向量进行关系解析，输出候选算法n
j
对应的还款概率预测准确率；
31.将n个候选算法中还款概率预测准确率最大的候选算法，确定为候选催收方案m
i
对应的目标算法。
32.其中，方法还包括：
33.获取初始还款预测模型、样本借款用户的样本用户借款信息、样本借款用户所采用的样本催收方案以及样本借款用户在样本催收方案下的还款概率标签；
34.从初始还款预测模型包括的n个候选算法中，确定样本催收方案对应的目标模型算法；n为正整数；
35.采用初始还款预测模型中的目标模型算法，对样本用户借款信息和样本催收方案的样本方案属性特征进行还款预测，得到样本借款用户在样本催收方案下的预测还款概率；
36.根据预测还款概率以及还款概率标签，对初始还款预测模型中的模型参数进行参数调整，得到目标还款预测模型；目标还款预测模型用于待催收对象在m个催收方案下的还款概率，m为正整数。
37.其中，根据预测还款概率以及还款概率标签，对初始还款预测模型中的模型算法进行参数调整，得到目标还款预测模型，包括：
38.根据预测还款概率以及还款概率标签，确定初始还款预测模型的预测损失；
39.根据预测损失确定模型调整参数，将初始还款预测模型中的初始模型参数更新为模型调整参数，得到参数更新后的初始还款预测模型；
40.当参数更新后的初始还款预测模型的预测损失满足收敛条件时，则将参数更新后的初始还款预测模型确定为目标还款预测模型。
41.本技术实施例一方面提供一种催收装置，包括：
42.第一获取模块，用于获取借款用户的用户借款信息，以及m个候选催收方案分别对应的方案属性特征和方案统计信息；m为正整数；
43.第一确定模块，用于根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，从n个候选算法中确定候选催收方案m
i
对应的目标算法；候选催收方案m
i
属于m个候选催收方案，i为小于或者等于m的正整数，n为正整数；
44.还款识别模块，用于采用候选催收方案m
i
对应的目标算法，对用户借款信息和候选催收方案m
i
对应的方案属性特征进行还款识别，得到借款用户在候选催收方案m
i
下对应的还款概率；
45.第二确定模块，用于根据借款用户在m个候选催收方案下分别对应的还款概率，以及m个候选催收方案分别对应的方案统计信息，从m个候选催收方案中确定借款用户对应的目标催收方案；目标催收方案用于催收人员对借款用户进行资产催收。
46.其中，还款识别模块包括：
47.第一获取单元，用于获取与目标算法关联的目标还款预测模型；目标还款预测模型中包括根据目标算法所生成的目标预测层；
48.第一向量转换单元，用于调用目标预测层，对用户借款信息进行向量转换，得到用户向量，对候选催收方案m
i
对应的方案属性特征进行向量转换，得到方案向量；
49.还款识别单元，用于对用户向量以及方案向量进行还款识别，输出借款用户在候选催收方案m
i
下对应的还款概率。
50.其中，方案统计信息包括目标执行成本；
51.第二确定模块包括：
52.第二获取单元，用于获取还款概率对应的第一权重，以及目标执行成本对应的第二权重；
53.加权单元，用于采用第一权重和第二权重对还款概率和目标执行成本进行加权求和，得到候选催收方案m
i
的方案评分；
54.第一确定单元，用于将m个候选催收方案中方案评分最高的候选催收方案，确定为
借款用户对应的目标催收方案。
55.其中，第一确定模块包括：
56.第二确定单元，用于根据候选催收方案m
i
的方案属性特征确定采用候选催收方案m
i
进行催收的过程中的数据处理需求信息；
57.第三确定单元，用于根据n个候选算法分别对应的算法特征确定n个候选算法分别对应的数据处理能力信息；
58.第四确定单元，用于将n个候选算法中数据处理能力信息与数据处理需求信息匹配的候选算法，确定为候选催收方案m
i
对应的目标算法。
59.其中，第四确定单元具体用于：
60.根据n个候选算法分别对应的数据处理能力信息，生成n个候选算法分别对应的数据处理能力向量；
61.根据数据处理需求信息生成候选催收方案m
i
的数据处理需求向量；
62.计算n个候选算法中候选算法n
j
对应的数据处理能力向量与数据处理需求向量之间的距离；j为小于或者等于n的正整数；
63.将n个候选算法中距离小于距离阈值的候选算法，确定为候选催收方案m
i
对应的目标算法。
64.其中，第一确定模块包括：
65.第二向量转换单元，用于调用目标还款预测模型中的算法确定层，对候选算法n
j
对应的算法特征进行向量转换，得到候选算法n
j
对应的算法特征向量，对候选催收方案m
i
对应的方案属性特征进行向量转换，得到候选催收方案m
i
对应的方案向量；候选算法n
j
属于n个候选算法，j为小于或者等于n的正整数；
66.解析单元，用于对候选算法n
j
对应的算法特征向量和候选催收方案m
i
对应的方案向量进行关系解析，输出候选算法n
j
对应的还款概率预测准确率；
67.第五确定单元，用于将n个候选算法中还款概率预测准确率最大的候选算法，确定为候选催收方案m
i
对应的目标算法。
68.其中，催收装置还包括：
69.第二获取模块，用于获取初始还款预测模型、样本借款用户的样本用户借款信息、样本借款用户所采用的样本催收方案以及样本借款用户在样本催收方案下的还款概率标签；
70.第三确定模块，用于从初始还款预测模型包括的n个候选算法中，确定样本催收方案对应的目标模型算法；n为正整数；
71.预测模块，用于采用初始还款预测模型中的目标模型算法，对样本用户借款信息和样本催收方案的样本方案属性特征进行还款预测，得到样本借款用户在样本催收方案下的预测还款概率；
72.参数调整模块，用于根据预测还款概率以及还款概率标签，对初始还款预测模型中的模型参数进行参数调整，得到目标还款预测模型；目标还款预测模型用于待催收对象在m个催收方案下的还款概率，m为正整数。
73.本技术实施例一方面提供了一种计算机设备，包括：处理器和存储器；
74.处理器与存储器相连，其中，存储器用于存储计算机程序，计算机程序被处理器执
行时，使得该计算机设备执行本技术实施例提供的方法。
75.本技术实施例一方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，该计算机程序适于由处理器加载并执行，以使得具有该处理器的计算机设备执行本技术实施例提供的方法。
76.本技术实施例一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本技术实施例提供的方法。
77.本技术实施例中，通过获取借款用户的用户借款信息，以及m个候选催收方案分别对应的方案属性特征和方案统计信息，根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，从n个候选算法中确定候选催收方案m
i
对应的目标算法。也就是说，根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，为不同的候选催收方案动态确定对应的目标算法，这样有利于提高确定各个候选催收方案的还款概率的准确度，进而，有利于根据还款概率为借款用户确定催收方案，提高确定催收方案的准确度。进一步，通过采用候选催收方案m
i
对应的目标算法，对用户借款信息和候选催收方案m
i
对应的方案属性特征进行还款识别，得到借款用户在候选催收方案m
i
下对应的还款概率，根据借款用户在m个候选催收方案下分别对应的还款概率，以及m个候选催收方案分别对应的方案统计信息，可自动地从m个候选催收方案中确定借款用户对应的目标催收方案，即可根据还款概率以及方案统计信息自动地为借款用户定制催收方案，不需要人工参与，提高为借款用户定制催收方案的效率，并可降低人工成本。
附图说明
78.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，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。
79.图1是本技术实施例提供的一种催收系统的架构示意图；
80.图2是本技术实施例提供的一种催收方法的流程示意图；
81.图3是本技术实施例提供的一种人工神经网络算法的示意图；
82.图4是本技术实施例提供的一种随机森林算法的示意图；
83.图5是本技术实施例提供的一种梯度下降树算法的示意图；
84.图6是本技术实施例提供的一种催收方法的流程示意图；
85.图7是本技术实施例提供的一种收集训练样本数据的示意图；
86.图8是本技术实施例提供的一种初始还款预测模型训练的示意图；
87.图9是本技术实施例提供的一种催收装置的结构示意图；
88.图10是本技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
89.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
90.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，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。
91.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、机器人技术、生物识别技术、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。
92.见图1，图1是本技术实施例提供的一种催收系统的结构示意图。如图1所示，该催收系统可以包括服务器10和用户终端集群。该用户终端集群可以包括一个或者多个用户终端，这里将不对用户终端的数量进行限制。如图1所示，具体可以包括用户终端100a、用户终端100b、用户终端100c、
…
、用户终端100n。如图1所示，用户终端100a、用户终端100b、用户终端100c、
…
、用户终端100n可以分别与上述服务器10进行网络连接，以便于每个用户终端可以通过该网络连接与服务器10进行数据交互。
93.其中，该用户终端集群中的每个用户终端均可以包括：智能手机、平板电脑、笔记本电脑、桌上型电脑、可穿戴设备、智能家居、头戴设备、车载终端等具有催收功能的智能终端。应当理解，如图1所示的用户终端集群中的每个用户终端均可以安装有目标应用(即应用客户端)，当该应用客户端运行于各用户终端中时，可以分别与上述图1所示的服务器10之间进行数据交互。
94.其中，如图1所示，该服务器10可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、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、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。
95.为便于理解，本技术实施例可以在图1所示的多个用户终端中选择一个用户终端作为目标用户终端，该目标用户终端可以包括：智能手机、平板电脑、笔记本电脑、桌上型电脑、智能电视等携带催收功能的智能终端。例如，为便于理解，本技术实施例可以将图1所示的用户终端100a作为目标用户终端，用户终端100a可以获取借款用户的用户借款信息，以及m个候选催收方案分别对应的方案属性特征和方案统计信息，m为正整数，如m为取值为1,2,3...。该用户借款信息可以包括借款用户的用户基本信息以及借款信息，m个候选催收方案可以包括自催(即自己催收)、委催(即委托他人催收)、诉讼、分期以及减息等。方案属性特征是指候选催收方案本身具有的特征，包括方案执行内容、方案适用条件、方案数据量、方案数据维度以及方案数据噪声等，方案统计信息是指对候选催收方案的相关信息进行统计得到的，包括执行成本、执行时间等。用户终端100a可以将该借款用户的用户借款信息以及m个候选催收方案分别对应的方案属性特征和方案统计信息发送给服务器10。服务器10接收到用户终端100a发送的借款用户的用户借款信息，以及m个候选催收方案分别对应的方案属性特征和方案统计信息后，可以根据候选催收方案m
i
的方案属性特征以及n个候选
算法分别对应的算法特征，从n个候选算法中确定候选催收方案m
i
对应的目标算法。候选催收方案m
i
属于m个候选催收方案，n为正整数，如n可以取值为1,2,3...，i为小于等于m的正整数，如当m为3时，i可以取值为1,2,3。服务器10确定候选催收方案m
i
对应的目标算法后，可以采用该目标算法，对用户借款信息和候选催收方案m
i
对应的方案属性特征进行还款识别，得到借款用户在候选催收方案m
i
下对应的还款概率。服务器10可以根据借款用户在m个候选催收方案下分别对应的还款概率，以及m个候选催收方案分别对应的方案统计信息，从m个候选催收方案中确定借款用户对应的目标催收方案。服务器10可以将该目标催收方案返回给用户终端100a，用户终端100a可以输出该目标催收方案，该目标催收方案用于催收人员对借款用户进行资产催收。这样，通过根据借款用户的用户借款信息，以及候选催收方案的方案属性特征和方案统计信息多维度信息，确定借款用户对应的目标催收方案，可以快速确定用于对借款用户进行资产催收的目标催收方案，也可以提高目标催收方案的准确性。同时，不同的催收方案采用不同的算法，也可以提高目标催收方案的确定准确性。
96.请参见图2，图2是本技术实施例提供的一种催收方法的流程示意图。该催收方法可由计算机设备执行，该计算机设备可以为服务器(如上述图1中的服务器10)，或者用户终端(如上述图1的用户终端集群中的任一用户终端)，或者为服务器和用户终端组成的系统，本技术对此不做限定。如图2所示，该催收方法可以包括步骤s101
‑
s104。
97.s101，获取借款用户的用户借款信息，以及m个候选催收方案分别对应的方案属性特征和方案统计信息。
98.具体的，由于存在一些不诚信的用户在贷款后不按期归还贷款，因此需要催收业务人员对这些不良资产进行催收，在不良资产催收过程中，催收方案包括两大方向：催收动作类型(自催、诉讼、委催)和权益处置类型(减免债务、分期还款、分期还款及减免债务、核销退税等)。其中，候选催收方案可以是催收动作类型，或者，权益处置方案属性特征，或者，催收动作类型与权益处置方案属性特征的结合。例如，m个候选催收方案可以包括自催、委催、诉讼、减免债务、分期还款、分期还款及减免债务、核销退税、自催+减免债务、委催+分期还款以及自催+减免债务+分期还款等。计算机设备可以根据借款用户的用户借款信息，以及m个候选催收方案分别对应的方案属性特征和方案统计信息，从m个候选催收方案中确定借款用户对应的目标催收方案。这样，直接通过计算机设备获取借款用户对应的目标催收方案，可以降低人工成本，提高目标催收方案的制定效率，同时也可以提高目标催收方案的确定准确性，从而提高催收效率。具体的，计算机设备可以获取借款用户的用户借款信息，该用户借款信息包括借款用户的用户身份信息、用户信用信息、借款逾期时间、借款金额、抵质押物信息以及关联信息(如担保人、共同承担人等)等等，计算机设备还可以获取m个候选催收方案分别对应的方案属性特征和方案统计信息，方案属性特征是指候选催收方案本身具有的特征，包括方案执行内容、方案适用条件、方案数据量、方案数据维度以及方案数据噪声等，方案统计信息是指对候选催收方案的相关信息进行统计得到的，包括候选催收方案的执行成本、执行时间以及执行复杂程度等。
99.s102，根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，从n个候选算法中确定候选催收方案m
i
对应的目标算法。
100.具体的，计算机设备可以根据候选催收方案m
i
的方案属性特征，获取候选催收方案m
i
的方案特征信息，候选催收方案m
i
属于m个候选催收方案，i为小于或者等于m的正整数，
如i可以取值为1,2,3..，n为正整数，如n可以取值为1,2,3
…
。计算机设备可以获取n个候选算法分别对应的算法特征，该算法特征可以是指候选算法的计算时间、数据并行处理能力、数据处理量、数据处理维度以及数据处理噪音要求等。计算机设备可以根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，从n个候选算法中确定候选催收方案m
i
对应的目标算法。具体的，根据每个候选催收方案的方案属性特征以及每个候选算法对应的算法特征(如优缺点)，从n个候选算法中确定每个候选催收方案的目标算法。这样，采用目标算法确定借款用户在对应的候选催收方案下的还款概率，可以提高还款概率预测的准确性，从而可以提高目标催收方案的确定准确性。
101.可选的，计算机设备从n个候选算法中确定候选催收方案m
i
对应的目标算法的具体方式可以包括：根据候选催收方案m
i
的方案属性特征确定采用候选催收方案m
i
进行催收的过程中的数据处理需求信息。根据n个候选算法分别对应的算法特征确定n个候选算法分别对应的数据处理能力信息。将n个候选算法中数据处理能力信息与数据处理需求信息匹配的候选算法，确定为候选催收方案m
i
对应的目标算法。
102.具体的，计算机设备可以根据该候选催收方案m
i
的方案属性特征确定候选催收方案m
i
进行催收过程中的数据处理需求信息，例如，采用诉讼催收方案时，该诉讼催收方案的数据处理需求信息可以为数据量大(如分析相关法律知识，判断胜诉可能性以及执行效率，以及分析地方政策，以此来预测借款用户在候选催收方案m
i
下的还款概率)、数据处理维度高(即诉讼时要考虑很多方案的因素，如法律、地方、法官以及法院办事效率等)等。计算机设备可以根据n个候选算法分别对应的算法特征，确定n个候选算法分别对应的数据处理能力信息，该候选算法的数据处理能力可以包括可以处理大量数据、可以处理高维度数据、可以处理噪音比较多的数据、数据处理时间短以及数据并行处理能力强。计算机设备得到每个候选催收方案对应的数据处理需求信息和每个候选算法的数据处理能力信息后，可以将n个候选算法中，数据处理能力信息与候选催收方案m
i
进行催收的过程中的数据处理需求信息相匹配的候选算法，确定为候选催收方案m
i
对应的目标算法。这样，根据每个候选催收方案的数据处理需求信息，在n个候选算法中确定满足其需求的目标算法，可以提高预测借款用户在候选催收方案m
i
下对应的还款概率的预测准确性。
103.可选的，计算机设备将n个候选算法中数据处理能力信息与处理需求信息匹配的候选算法，确定为候选催收方案m
i
对应的目标算法的具体方式可以包括：根据n个候选算法的数据处理能力信息，生成n个候选算法的数据处理能力向量。根据数据处理需求信息生成候选催收方案m
i
的数据处理需求向量，分别计算n个候选算法的数据处理能力向量与数据处理需求向量之间的距离。将n个候选算法中距离小于距离阈值的候选算法，确定为候选催收方案m
i
对应的目标算法。
104.具体的，计算机设备可以调用目标还款预测模型中的算法匹配层，采用该算法匹配层中的嵌入子层，对n个候选算法分别对应的数据处理能力信息进行向量转换，得到每个候选算法对应的数据处理能力向量。计算机设备可以调用算法匹配层中的嵌入子层，对候选催收方案m
i
的数据处理需求信息进行向量转换，得到候选催收方案m
i
对应的数据处理需求向量。计算n个候选算法中候选算法n
j
对应的数据处理能力向量与候选催收方案m
i
对应的数据处理需求向量之间的距离，该j为小于或者等于n的正整数，如j可以取值为1,2,3...。其中，计算机设备可以对候选算法n
j
对应的数据处理能力向量与候选催收方案m
i
对应的数
据处理需求向量进行向量点乘，得到向量点乘结果，将该向量点乘结果确定为候选算法n
j
对应的数据处理能力向量与候选催收方案m
i
对应的数据处理需求向量之间的距离。其中，用于计算候选算法n
j
对应的数据处理能力向量与候选催收方案m
i
对应的数据处理需求向量之间的距离的计算方法可以包括：欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法、夹角余弦距离算法等。计算机设备得到n个候选算法中每个候选算法对应的数据处理能力向量与候选催收方案m
i
对应的数据处理需求向量之间的距离后，可以将n个候选算法中距离小于距离阈值的候选算法，确定为候选催收方案m
i
对应的目标算法。其中，计算机设备可以将n个候选算法中距离最小的候选算法，确定为候选催收方案m
i
对应的目标算法。
105.可选的，计算机设备可以获取对应关系表，该对应关系表中包括候选催收方案的方案标识和候选算法之间的对应关系，并检测该对应关系表中是否存在候选催收方案m
i
对应的目标方案标识。若计算机设备检测到对应关系表中存在候选催收方案m
i
对应的目标方案标识，则将目标方案标识对应的候选算法确定为候选催收方案m
i
对应的目标算法。若计算机设备检测到对应关系表中不存在候选催收方案m
i
对应的目标方案标识，则可以根据候选催收方案m
i
的方案特征，从n个候选算法中确定与其匹配的目标算法。对应关系表中的候选催收方案的方案标识与候选算法之间的对应关系可以由计算机设备根据历史确定目标算法的过程中进行添加。如计算机设备确定候选催收方案m2对应的目标算法为算法a后，则可以在对应关系表中添加候选催收方案m2和算法a之间的对应关系。当然，该对应关系表中的候选催收方案的方案标识与候选算法之间的对应关系可以由管理人员进行添加。这样，在后续需要确定候选催收方案m2对应的目标算法时，则可以直接在对应关系表中查询到候选催收方案m2对应的目标算法为算法a。这样，可以减少确定目标算法的计算量以及可以减少计算时间，提高目标催收方案确定的效率。
106.具体的，n个候选算法可以包括：人工神经网络(一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型)、随机森林(一种利用多棵树对样本进行训练并预测的一种分类器)、gbdt(gradient boosting decision tree，全称梯度下降树，通过采用加法模型(即基函数的线性组合)，以及不断减小训练过程产生的残差来达到将数据分类或者回归的算法)以及支持向量机(建立在统计学习理论的vc维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中，以期获得最好的推广能力)等算法。
107.其中，人工神经网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。人工神经网络对应的数据处理能力信息包括：1、可以处理大量数量；2、要求各个训练样本参数之间存在内在联系；3、并行处理能力强、可以提取数据特征；4、可以逼近复杂的非线性关系；5、需要大量的训练样本参数，网络学习时间较长，不能观察网络学习的过程，且输出结果难以解释。如图3所示，图3是本技术实施例提供的一种人工神经网络算法的示意图，如图3所示，人工神经网络可以通过输入层，对输入数据(即x1、x2
…
xt)进行向量转换，再经过多层隐藏层，对向量转换后的输入数据(即z1、z2
…
zs)进行特征预测，经过输出层，对隐藏层输出的预测特征进行分类处理，输出预测结果(即y1,y2
…
yk)。人工神经网络可以处理大量数据，并行处理能强等特点。
108.其中，随机森林对应的数据处理能力信息包括1、训练可以高度并行化且训练速度较快；2、能够处理高维度数据、不用做特征筛选；3、可以用于特征提取以给出各个特征的重要性，缩减特征空间维度；4、训练出的模型的方差小，泛化能力强；5、实现原理简单，对部分缺失数据不敏；6、对于噪音大的样本训练数据，易陷入过拟合，即不适用噪音较大的数据；7、输出结果的取值划分较多时，输出结果不准确，即不适用输出结果需要划分较多取值的情况。如图4所示，图4是本技术实施例提供的一种随机森林算法的示意图，如图4所示，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。在随机森林算法中，可以对输入数据x进行多次分类，如对输入数据x进行第一次分类，判断输入数据x属于类别a1，还是属于类型a2。若输入数据属于类别a1，则进行第二次分类，判断输入数据x属于类型b1，还是属于类型b2。若输入数据属于类别a2，则进行第二次分类，判断输入数据x属于类型b3，还是属于类型b4，以此获得输入数据的最终类型。
109.其中，gbdt，全称梯度下降树，该gbdt算法对应的数据处理能力信息包括：1、可以灵活处理各种类型数据，包括连续值和离散值，处理分类和回归问题；2、在相对少的调参时间情况下，预测准确率比较高，即能在较短的训练时间内达到较高的预测准确率；3、可用于筛选特征；4、使用一些健壮的损失函数，对异常值鲁棒性较强，如huber损失函数和quantile损失函数；5、由于弱学习器之间存在依赖关系，难以并行训练数据。如图5所示，图5是本技术实施例提供的一种梯度下降树算法的示意图，如图5所示，gbdt是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。gbdt中的树是回归树(不是分类树)，与随机森林算法的树不同。gbdt用来做回归预测，调整后也可以用于分类。如图5所示，可以先初始化，将模型参数f0(x)＝f0(x)，输入数据x1进行训练，得到参数w11和参数w21，根据该参数w11和参数w21生成模型调整参数f1(x)，根据该模型调整参数f1(x)对初始模型f0(x)进行第一次迭代训练，得到f1(x)，即f1(x)＝f0(x)+f1(x)。继续输入数据x2进行训练，根据输出的参数w11和参数w21，得到f2(x)，即f2(x)＝f1(x)+f2(x)。gbdt具有能在较短的训练时间内达到较高的预测准确率等特征。
110.其中，支持向量机算法对应的数据处理能力信息包括：1、特征空间大，可以处理非线性特征；2、可以处理小样本情况下的机器学习问题；3、可以处理高维特征；4、可以使用核函数应对非线性特征空间，解决非线性问题；5、分类不依赖所有数据，只与较少的支持向量有关；6、对于大量的预测样本，效率会很低，即不适用大量数量的预测样本；7、需要找合适的核函数且对缺失数据敏感。
111.s103，采用候选催收方案m
i
对应的目标算法，对用户借款信息和候选催收方案m
i
对应的方案属性特征进行还款识别，得到借款用户在候选催收方案m
i
下对应的还款概率。
112.具体的，计算机设备可以采用候选催收方案m
i
对应的目标算法，对用户借款信息和候选催收方案m
i
对应的方案属性特征进行还款识别，得到借款用户在候选催收方案m
i
下对应的还款概率。即计算机设备对用户借款信息和候选催收方案m
i
对应的方案属性特征进行分析，预测采用候选催收方案m
i
对借款进行资产催收时，借款用户归还借款的概率。
113.可选的，计算机设备确定借款用户在候选催收方案m
i
下对应的还款概率的具体方式可以包括：获取与目标算法关联的目标还款预测模型；目标还款预测模型中包括根据目标算法所生成的目标预测层。调用目标预测层，对用户借款信息进行向量转换，得到用户向量，对候选催收方案m
i
对应的方案属性特征进行向量转换，得到方案向量。对用户向量以及
方案向量进行还款识别，输出借款用户在候选催收方案m
i
下对应的还款概率。具体的，计算机设备可以获取与目标算法相关联的目标还款预测模型，该目标还款预测模型用于对借款用户的用户借款信息进行特征提取，输出用于对借款用户进行资产催收的目标催收方案。该目标还款预测模型中包括根据目标算法所生成的目标预测层，也包括根据n个候选算法中除目标算法之外的其他算法所生成的预测层，即目标还款预测模型中包括n个预测层，每个预测层是根据不同的候选算法所生成的。计算机设备可以调用目标预测层中的嵌入子层，对用户借款信息进行向量转换，得到用户借款信息对应的用户向量，对候选催收方案m
i
对应的方案属性特征进行向量转换，得到候选催收方案m
i
对应的方案向量。计算机设备可以采用目标预测层中的隐藏子层，对用户向量和方案向量进行向量编码，得到用户向量与方案向量之间的向量相似度。计算机设备可以采用目标预测层中的分类子层，对用户向量与方案向量之间的向量相似度进行分类处理，得到用户在候选催收方案m
i
下对应的还款概率。例如，向量相似度越高，则可以确定借款用户在候选催收方案m
i
下对应的还款概率越高；向量相似度越低，则可以确定借款用户在候选催收方案m
i
下对应的还款概率越低。这样，可以通过目标还款预测模型中根据目标算法所生成的目标预测层，预测借款用户在候选催收方案m
i
下对应的还款概率，可以还款概率预测的速度和准确度。
114.例如，若借款用户a的借款用户信息包括借款人为低保户、家庭经济困难且用户个人信用较好，候选催收方案m
1“自催+分期+减免”对应的方案特征为自己催收、允许借款用户分成q个期限还款、减少借款用户的还款金额，以及该候选催收方案m
1“自催+分期+减免”适用于用户家庭经济困难、用户个人信用较好且用户贷款数额少于目标数额。候选催收方案m
2“委催+诉讼”对应的方案特征为委托他人催收以及向法院立案发起诉讼，该候选催收方案m
2“委催+诉讼”适用于用户个人信用较差、用户具有还款能力以及用户贷款数额大于目标数额。计算机设备可以调用目标预测层中的嵌入子层，获取借款用户a的借款用户信息对应的用户向量，以及候选催收方案m
1“自催+分期+减免”的方案属性特征对应的第一方案向量，以及候选催收方案m
2“委催+诉讼”的方案属性特征对应的第二方案向量。计算机设备可以采用目标预测层中的隐藏子层，获取用户向量与第一方案向量之间的第一向量相似度，获取用户向量与第二方案向量之间的第二向量相似度。计算机设备可以目标预测层中的分类子层，分别对第一向量相似度和第二向量相似度进行分类处理，得到第一向量相似度对应的第一概率和第二向量相似度对应的第二概率。根据候选催收方案m
1“自催+分期+减免”对应的方案特征和候选催收方案m
2“委催+诉讼”对应的方案特征可知，第一概率大于第二概率，因此可以将候选催收方案m
1“自催+分期+减免”确定为借款用户a对应的目标催收方案。
115.s104，根据借款用户在m个候选催收方案下分别对应的还款概率，以及m个候选催收方案分别对应的方案统计信息，从m个候选催收方案中确定借款用户对应的目标催收方案。
116.具体的，计算机设备可以获取借款用户在m个候选催收方案下分别对应的还款概率，即借款用户在m个候选催收方案中每个候选催收方案下的还款概率，根据借款用户在m个候选催收方案下分别对应的还款概率，以及m个候选催收方案分别对应的方案统计信息，从m个候选催收方案中确定借款用户对应的目标催收方案。候选催收方案的方案统计信息可以包括目标执行成本(即候选催收方案的执行成本，可以包括人力成本和金钱成本)、目
标执行时间(即候选催收方案的执行时间)等。计算机设备可以根据还款概率和方案统计信息，从m个候选催收方案中确定借款用户对应的目标催收方案。
117.可选的，计算机设备从m个候选催收方案中确定借款用户对应的目标催收方案具体方式可以包括：获取还款概率对应的第一权重，以及目标执行成本对应的第二权重。采用第一权重和第二权重对还款概率和目标执行成本进行加权求和，得到候选催收方案m
i
的方案评分。将m个候选催收方案中方案评分最高的候选催收方案，确定为借款用户对应的目标催收方案，该目标催收方案用于催收人员对借款用户进行资产催收。具体的，计算机设备获取还款概率对应的第一权重，该第一权重用于决定在确定借款用户对应的目标催收方案时，候选催收方案的还款概率所占的比例。计算机设备可以获取目标执行成本对应的第二权重，该第二权重用于确定在确定借款用户对应的目标催收方案时，候选催收方案的目标执行成本所占的比例。计算机设备可以采用第一权重对候选催收方案m
i
的还款概率进行加权处理，采用第二权重对候选催收方案m
i
的目标执行成本进行加权处理，根据加权处理后的还款概率以及加权处理后的目标执行成本，生成候选催收方案m
i
的方案评分。将m个候选催收方案中方案评分最高的候选催收方案，确定为借款用户对应的目标催收方案。
118.其中，计算机设备采用第一权重和第二权重对还款概率和目标执行成本进行加权，得到候选催收方案m
i
的方案评分的具体公式可以如下公式(1)所示：
119.r
i
＝p
i
*w1+c
i
*w2(1)
120.其中，公式(1)中的r
i
是指候选催收方案m
i
的方案评分，p
i
是指借款用户在候选催收方案m
i
下的还款概率，w1是指第一权重，w2是指第二权重，c
i
是指候选催收方案m
i
的目标执行成本。
121.可选的，计算机设备还可以还款概率对应的第一权重，目标执行成本对应的第二权重，目标执行时间对应的第三权重，该第三权重是指在确定目标催收方案时，该目标执行时间所占的比例。计算机设备可以采用第一权重对还款概率进行加权处理，采用第二权重对目标执行成本进行加权处理，采用第三权重对目标执行时间进行加权处理，得到每个候选催收方案的方案评分。将m个候选催收方案中方案评分最高的候选催收方案确定为借款用户对应的目标催收方案。
122.在本技术实施例中，通过获取借款用户的用户借款信息，以及m个候选催收方案分别对应的方案属性特征和方案统计信息，根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，从n个候选算法中确定候选催收方案m
i
对应的目标算法。也就是说，根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，为不同的候选催收方案动态确定对应的目标算法，这样有利于提高确定各个候选催收方案的还款概率的准确度，进而，有利于根据还款概率为借款用户确定催收方案，提高确定催收方案的准确度。进一步，通过目标还款预测模型，采用候选催收方案m
i
对应的目标算法，对用户借款信息和候选催收方案m
i
对应的方案属性特征进行还款识别，得到借款用户在候选催收方案m
i
下对应的还款概率，根据借款用户在m个候选催收方案下分别对应的还款概率，以及m个候选催收方案分别对应的方案统计信息，可自动地从m个候选催收方案中确定借款用户对应的目标催收方案，即可根据还款概率以及方案统计信息自动地为借款用户定制催收方案，不需要人工参与，提高为借款用户定制催收方案的效率，并可降低人工成本。
123.请参见图6，图6是本技术实施例提供的一种催收方法的流程示意图。该催收方法
可由计算机设备执行，该计算机设备可以为服务器(如上述图1中的服务器10)，或者用户终端(如上述图1的用户终端集群中的任一用户终端)，或者为服务器和用户终端组成的系统，本技术对此不做限定。如图6所示，该催收方法可以包括步骤s201
‑
s204。
124.s201，获取借款用户的用户借款信息，以及m个候选催收方案分别对应的方案属性特征和方案统计信息。
125.s202，调用目标还款预测模型中的算法确定层，对候选算法n
j
对应的算法特征进行向量转换，得到候选算法n
j
对应的算法特征向量，对候选催收方案m
i
对应的方案属性特征进行向量转换，得到候选催收方案m
i
对应的方案向量。
126.具体的，计算机设备可以获取借款用户的用户借款信息，该借款用户可以是指在银行进行贷款的用户，该用户借款信息可以包括借款用户的用户身份信息、用户信用信息、借款逾期时间、借款金额、抵质押物信息以及关联信息(如担保人、共同承担人等)等等。计算机设备可以获取m个候选催收方案分别对应的方案属性特征和方案统计信息，m为正整数，如m可以取值为1,2,3..。计算机设备可以调用目标还款预测模型中的算法确定层，对候选算法n
j
对应的算法特征进行向量转换，得到候选算法n
j
对应的算法特征向量。其中，计算机设备可以采用算法确定层中的嵌入子层，对候选算法n
j
对应的算法特征进行向量转换，便于后续目标还款预测模型对候选算法n
j
进行特征提取。同样的，计算机设备可以采用算法确定层中的嵌入子层，对候选催收方案m
i
对应的方案属性特征进行向量转换，便于后续目标还款预测模型对候选催收方案m
i
进行特征提取。其中，候选催收方案m
i
属于m个候选催收方案，i为小于或者等于m的正整数，n为正整数，候选算法n
j
属于n个候选算法，j为小于或者等于n的正整数。其中，算法确定层中的嵌入子层用于向量转换，将离散变量转变为连续向量，转化成连续向量不仅可以减少离散变量的空间维数，还可以有意义的表示离散变量。其中，算法确定层中的嵌入子层中还可以采用one
‑
hot编码(又称独热码，用于将离散变量转换成二进制向量)、word2vec编码(一种向量转换方式，用来映射每个特征到一个向量，可用来表示特征与特征之间的关系)等向量转换方式。
127.s203，对候选算法n
j
对应的算法特征向量和候选催收方案m
i
对应的方案向量进行关系解析，输出候选算法n
j
对应的还款概率预测准确率。
128.具体的，计算机设备得到候选算法n
j
对应的算法特征向量和候选催收方案m
i
对应的方案向量后，可以对候选算法n
j
对应的算法特征向量和候选催收方案m
i
对应的方案向量进行关系解析，输出候选算法n
j
对应的还款概率预测准确率。如可以计算候选算法n
j
对应的算法特征向量和候选催收方案m
i
对应的方案向量之间的向量相似度，根据该用户相似度确定候选算法n
j
对应的还款概率预测准确率。
129.s204，将n个候选算法中还款概率预测准确率最大的候选算法，确定为候选催收方案m
i
对应的目标算法。
130.具体的，计算机设备得到每个候选算法分别对应的还款概率预测准确率后，可以将n个候选算法中还款概率预测准确率最大的候选算法，确定为候选催收方案m
i
对应的目标算法。
131.s205，采用候选催收方案m
i
对应的目标算法，对用户借款信息和候选催收方案m
i
对应的方案属性特征进行还款识别，得到借款用户在候选催收方案m
i
下对应的还款概率。
132.s206，根据借款用户在m个候选催收方案下分别对应的还款概率，以及m个候选催
收方案分别对应的方案统计信息，从m个候选催收方案中确定借款用户对应的目标催收方案。
133.具体的，本技术实施例中步骤s205
‑
s206的具体内容可以参见上述图2中步骤s103
‑
s104的内容，本技术实施例在此不再赘述。
134.可选的，计算机设备还可以获取初始还款预测模型、样本借款用户的样本用户借款信息、样本借款用户所采用的样本催收方案以及样本借款用户在样本催收方案下的还款概率标签。从初始还款预测模型包括的n个候选算法中，确定样本催收方案对应的目标模型算法；n为正整数。采用初始还款预测模型中的目标模型算法，对样本用户借款信息和样本催收方案的样本方案属性特征进行还款预测，得到样本借款用户在样本催收方案下的预测还款概率。根据预测还款概率以及还款概率标签，对初始还款预测模型中的模型参数进行参数调整，得到目标还款预测模型，该目标还款预测模型用于待催收对象在m个催收方案下的还款概率，m为正整数。
135.具体的，计算机设备可以获取初始还款预测模型、样本借款用户的样本用户借款信息、样本借款用户所采用的样本催收方案以及样本借款用户在样本催收方案下的还款概率标签。计算机设备可以从初始还款预测模型包括的n个候选算法中，确定样本催收方案对应的目标模型算法，n为正整数，如n可以取值为1,2,3..。其中，计算机设备从初始还款预测模型中确定样本催收方案对应的目标模型算法的具体方式可以参数上述图2中步骤s102的内容，本技术实施例在此不再赘述。计算机设备可以采用初始还款预测模型中的目标模型算法，对对样本用户借款信息和样本催收方案的样本方案属性特征进行还款预测，得到样本借款用户在样本催收方案下的预测还款概率。根据预测还款概率以及还款概率标签，对初始还款预测模型中的模型参数进行参数调整，得到目标还款预测模型，该目标还款预测模型用于待催收对象在m个催收方案下的还款概率。
136.可选的，计算机设备对初始还款预测模型中的模型算法进行参数调整，得到目标还款预测模型的具体方式可以包括：根据预测还款概率以及还款概率标签，确定初始还款预测模型的预测损失。根据预测损失确定模型调整参数，将初始还款预测模型中的初始模型参数更新为模型调整参数，得到参数更新后的初始还款预测模型。当参数更新后的初始还款预测模型的预测损失满足收敛条件时，则将参数更新后的初始还款预测模型确定为目标还款预测模型。
137.具体的，计算机设备可以获取预测还款概率与还款概率标签之间的差异，根据该差异确定初始还款预测模型的预测损失。根据该预测损失，对初始还款预测模型对应的模型调整参数，将初始还款预测模型中的初始模型参数更新为模型调整参数，得到参数更新后的初始还款预测模型。当参数更新后的初始还款预测模型的预测损失满足收敛条件时，则将参数更新后的初始还款预测模型确定为目标还款预测模型。其中，收敛条件可以是指初始还款预测模型的预测损失小于或者等于目标损失，即当初始还款预测模型的预测损失小于或者等于目标损失时，则将预测损失小于或者等于目标损失的初始还款预测模型确定目标推荐模型。其中，收敛条件也可以是指初始还款预测模型的训练次数达到目标训练次数，即当初始还款预测模型的训练次数达到目标训练次数时，则将训练次数达到目标训练次数的初始还款预测模型确定为目标还款预测模型。
138.如图7所示，图7是本技术实施例提供的一种收集训练样本数据的示意图，如图7所
示，可以在历史存量案件(即催收人员进行催收的案件)中，根据时间轴的动态变化，获取多个样本数据(一个样本数据包括一个样本借款用户的样本用户借款信息、样本借款用户所采用的样本催收方案以及样本借款用户在样本催收方案下的还款概率标签)。根据每个样本中所采用的催收方案对样本数据进行聚类，得到方案a(如自催方案)下的样本数据、方案b(如委催)下的样本数据等。计算机设备可以判断每个催收方案下的样本数量是否充足，若不充足，则不考虑对该催收方案进行学习(即不学习借款用户在该催收方案下的还款概率)。例如，若方案c(如诉讼+终本+委催方案)的历史案件少于50件，则不考虑对该诉讼+终本+委催方案进行学习。
139.如图8所示，图8是本技术实施例提供的一种初始还款预测模型训练的示意图，如图8所示，计算机设备得到每个候选催收方案下的样本数据后，可以采用y＝f(x)公式来进行初始还款预测模型的训练，即y是指还款概率，x是指样本案件的案件属性信息，f(x)是指初始还款预测模型。如图7所示，样本数据可以包括样本借款用户的用户借款信息，即时间数据(观察时间、采取清收方案的时间等)、资产数据(逾期金额、逾期天数以及抵质押物信息等)、客户数据(债务人信息、关联人信息等)。样本借款用户所采用的样本催收方案信息，即采用的催收方案、采用催收方案的周期等，以及样本借款用户在样本催收方案下的还款概率标签(即根据历史采用的清收方案的回收金额，历史回收金额的时间等确定的还款概率标签)。初始还款预测模型f(x)中的监督算法可以包括人工神经网络、随机森林、gbdt以及支持向量机。例如，样本催收方案“自催”的样本a(即资产a)中的用户借款信息包括：1、时间数据：观察时间为2017年12月31号；2、资产信息为逾期金额为50万，逾期天数为100天，有房产抵押、房产已被查封等信息；3、客户数据：债务人为半失联状态、其关联人联系方式不准确等信息。若该样本催收方案“自催”的目标算法为人工神经算法，则根据人工神经算法预测样本a中借款用户在自催下的预测还款概率，根据该预测还款概率与还款概率标签(即样本a的回款率为25％)，确定初始还款预测模型的预测损失，根据该预测损失对初始还款模型进行迭代训练，得到目标还款预测模型。
140.在本技术实施例中，在本技术实施例中，通过获取借款用户的用户借款信息，以及m个候选催收方案分别对应的方案属性特征和方案统计信息。采用目标还款预测模型，根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，从n个候选算法中确定候选催收方案m
i
对应的目标算法。也就是说，根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，为不同的候选催收方案动态确定对应的目标算法，这样有利于提高确定各个候选催收方案的还款概率的准确度，进而，有利于根据还款概率为借款用户确定催收方案，提高确定催收方案的准确度。进一步，通过目标还款预测模型，采用候选催收方案m
i
对应的目标算法，对用户借款信息和候选催收方案m
i
对应的方案属性特征进行还款识别，得到借款用户在候选催收方案m
i
下对应的还款概率，根据借款用户在m个候选催收方案下分别对应的还款概率，以及m个候选催收方案分别对应的方案统计信息，可自动地从m个候选催收方案中确定借款用户对应的目标催收方案，即可根据还款概率以及方案统计信息自动地为借款用户定制催收方案，不需要人工参与，提高为借款用户定制催收方案的效率，并可降低人工成本。
141.请参见图9，图9是本技术实施例提供的一种催收装置的结构示意图。上述催收装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该催收装置为一个
应用软件；该催收装置可以用于执行本技术实施例提供的催收方法中的相应步骤。如图9所示，该催收装置可以包括：第一获取模块11、第一确定模块12、还款识别模块13、第二确定模块14、第二获取模块15、第三确定模块16、预测模块17以及参数调整模块18。
142.第一获取模块11，用于获取借款用户的用户借款信息，以及m个候选催收方案分别对应的方案属性特征和方案统计信息；m为正整数；
143.第一确定模块12，用于根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，从n个候选算法中确定候选催收方案m
i
对应的目标算法；候选催收方案m
i
属于m个候选催收方案，i为小于或者等于m的正整数，n为正整数；
144.还款识别模块13，用于采用候选催收方案m
i
对应的目标算法，对用户借款信息和候选催收方案m
i
对应的方案属性特征进行还款识别，得到借款用户在候选催收方案m
i
下对应的还款概率；
145.第二确定模块14，用于根据借款用户在m个候选催收方案下分别对应的还款概率，以及m个候选催收方案分别对应的方案统计信息，从m个候选催收方案中确定借款用户对应的目标催收方案；目标催收方案用于催收人员对借款用户进行资产催收。
146.其中，还款识别模块13包括：
147.第一获取单元，用于获取与目标算法关联的目标还款预测模型；目标还款预测模型中包括根据目标算法所生成的目标预测层；
148.第一向量转换单元，用于调用目标预测层，对用户借款信息进行向量转换，得到用户向量，对候选催收方案m
i
对应的方案属性特征进行向量转换，得到方案向量；
149.还款识别单元，用于对用户向量以及方案向量进行还款识别，输出借款用户在候选催收方案m
i
下对应的还款概率。
150.其中，方案统计信息包括目标执行成本；
151.第二确定模块14包括：
152.第二获取单元，用于获取还款概率对应的第一权重，以及目标执行成本对应的第二权重；
153.加权单元，用于采用第一权重和第二权重对还款概率和目标执行成本进行加权求和，得到候选催收方案m
i
的方案评分；
154.第一确定单元，用于将m个候选催收方案中方案评分最高的候选催收方案，确定为借款用户对应的目标催收方案。
155.其中，第一确定模块12包括：
156.第二确定单元，用于根据候选催收方案m
i
的方案属性特征确定采用候选催收方案m
i
进行催收的过程中的数据处理需求信息；
157.第三确定单元，用于根据n个候选算法分别对应的算法特征确定n个候选算法分别对应的数据处理能力信息；
158.第四确定单元，用于将n个候选算法中数据处理能力信息与数据处理需求信息匹配的候选算法，确定为候选催收方案m
i
对应的目标算法。
159.其中，第四确定单元具体用于：
160.根据n个候选算法分别对应的数据处理能力信息，生成n个候选算法分别对应的数据处理能力向量；
161.根据数据处理需求信息生成候选催收方案m
i
的数据处理需求向量；
162.计算n个候选算法中候选算法n
j
对应的数据处理能力向量与数据处理需求向量之间的距离；j为小于或者等于n的正整数；
163.将n个候选算法中距离小于距离阈值的候选算法，确定为候选催收方案m
i
对应的目标算法。
164.其中，第一确定模块12包括：
165.第二向量转换单元，用于调用目标还款预测模型中的算法确定层，对候选算法n
j
对应的算法特征进行向量转换，得到候选算法n
j
对应的算法特征向量，对候选催收方案m
i
对应的方案属性特征进行向量转换，得到候选催收方案m
i
对应的方案向量；候选算法n
j
属于n个候选算法，j为小于或者等于n的正整数；
166.解析单元，用于对候选算法n
j
对应的算法特征向量和候选催收方案m
i
对应的方案向量进行关系解析，输出候选算法n
j
对应的还款概率预测准确率；
167.第五确定单元，用于将n个候选算法中还款概率预测准确率最大的候选算法，确定为候选催收方案m
i
对应的目标算法。
168.其中，催收装置还包括：
169.第二获取模块15，用于获取初始还款预测模型、样本借款用户的样本用户借款信息、样本借款用户所采用的样本催收方案以及样本借款用户在样本催收方案下的还款概率标签；
170.第三确定模块16，用于从初始还款预测模型包括的n个候选算法中，确定样本催收方案对应的目标模型算法；n为正整数；
171.预测模块17，用于采用初始还款预测模型中的目标模型算法，对样本用户借款信息和样本催收方案的样本方案属性特征进行还款预测，得到样本借款用户在样本催收方案下的预测还款概率；
172.参数调整模块18，用于根据预测还款概率以及还款概率标签，对初始还款预测模型中的模型参数进行参数调整，得到目标还款预测模型；目标还款预测模型用于待催收对象在m个催收方案下的还款概率，m为正整数。
173.其中，参数调整模块18包括：
174.第六确定单元，用于根据预测还款概率以及还款概率标签，确定初始还款预测模型的预测损失；
175.参数调整单元，用于根据预测损失确定模型调整参数，将初始还款预测模型中的初始模型参数更新为模型调整参数，得到参数更新后的初始还款预测模型；
176.第七确定单元，用于当参数更新后的初始还款预测模型的预测损失满足收敛条件时，则将参数更新后的初始还款预测模型确定为目标还款预测模型。
177.根据本技术的一个实施例，图9所示的催收装置中的各个模块可以分别或全部合并为一个或若干个单元来构成，或者其中的某个(些)单元还可以再拆分为功能上更小的多个子单元，可以实现同样的操作，而不影响本技术的实施例的技术效果的实现。上述模块是基于逻辑功能划分的，在实际应用中，一个模块的功能也可以由多个单元来实现，或者多个模块的功能由一个单元实现。在本技术的其它实施例中，催收装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。
178.在本技术实施例中，在本技术实施例中，通过获取借款用户的用户借款信息，以及m个候选催收方案分别对应的方案属性特征和方案统计信息。采用目标还款预测模型，根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，从n个候选算法中确定候选催收方案m
i
对应的目标算法。也就是说，根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，为不同的候选催收方案动态确定对应的目标算法，这样有利于提高确定各个候选催收方案的还款概率的准确度，进而，有利于根据还款概率为借款用户确定催收方案，提高确定催收方案的准确度。进一步，通过目标还款预测模型，采用候选催收方案m
i
对应的目标算法，对用户借款信息和候选催收方案m
i
对应的方案属性特征进行还款识别，得到借款用户在候选催收方案m
i
下对应的还款概率，根据借款用户在m个候选催收方案下分别对应的还款概率，以及m个候选催收方案分别对应的方案统计信息，可自动地从m个候选催收方案中确定借款用户对应的目标催收方案，即可根据还款概率以及方案统计信息自动地为借款用户定制催收方案，不需要人工参与，提高为借款用户定制催收方案的效率，并可降低人工成本。
179.请参见图10，图10是本技术实施例提供的一种计算机设备的结构示意图。如图10所示，上述计算机设备1000可以包括：处理器1001，网络接口1004和存储器1005，此外，上述计算机设备1000还可以包括：目标用户接口1003，和至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，目标用户接口1003可以包括显示屏(display)、键盘(keyboard)，可选目标用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi
‑
fi接口)。存储器1005可以是高速ram存储器，也可以是非易失性的存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图10所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、目标用户接口模块以及设备控制应用程序。
180.在图10所示的计算机设备1000中，网络接口1004可提供网络通讯功能；而目标用户接口1003主要用于为目标用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序，以实现：
181.获取借款用户的用户借款信息，以及m个候选催收方案分别对应的方案属性特征和方案统计信息；m为正整数；
182.根据候选催收方案m
i
的方案属性特征以及n个候选算法分别对应的算法特征，从n个候选算法中确定候选催收方案m
i
对应的目标算法；候选催收方案m
i
属于m个候选催收方案，i为小于或者等于m的正整数，n为正整数；
183.采用候选催收方案m
i
对应的目标算法，对用户借款信息和候选催收方案m
i
对应的方案属性特征进行还款识别，得到借款用户在候选催收方案m
i
下对应的还款概率；
184.根据借款用户在m个候选催收方案下分别对应的还款概率，以及m个候选催收方案分别对应的方案统计信息，从m个候选催收方案中确定借款用户对应的目标催收方案；目标催收方案用于催收人员对借款用户进行资产催收。
185.应当理解，本技术实施例中所描述的计算机设备1000可执行前文图2或者图6所对应实施例中对催收方法的描述，也可执行前文图9所对应实施例中对催收装置的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。
186.此外，这里需要指出的是：本技术实施例还提供了一种计算机可读存储介质，且计算机可读存储介质中存储有前文提及的催收装置所执行的计算机程序，且计算机程序包括程序指令，当处理器执行程序指令时，能够执行前文图2或者图6所对应实施例中对催收方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本技术所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本技术方法实施例的描述。作为示例，程序指令可被部署在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行，分布在多个地点且通过通信网络互连的多个计算设备可以组成区块链系统。
187.此外，需要说明的是：本技术实施例还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者计算机程序可以包括计算机指令，该计算机指令可以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，处理器可以执行该计算机指令，使得该计算机设备执行前文图2或者图4所对应实施例中对催收方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本技术所涉及的计算机程序产品或者计算机程序实施例中未披露的技术细节，请参照本技术方法实施例的描述。
188.需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
189.本技术实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
190.本技术实施例装置中的模块可以根据实际需要进行合并、划分和删减。
191.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储器(read
‑
only memory，rom)或随机存储器(random access memory，ram)等。
192.以上所揭露的仅为本技术较佳实施例而已，当然不能以此来限定本技术之权利范围，因此依本技术权利要求所作的等同变化，仍属本技术所涵盖的范围。