(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 202211203431.9 (22)申请日 2022.09.29 (71)申请人 中国建设银行股份有限公司 地址 100033 北京市西城区金融大街25号 申请人 建信金融科技有限责任公司 (72)发明人 傅莉莉　朱富荣　林宜领　庄佳和　 巫小兰　 (74)专利代理 机构 上海华诚知识产权代理有限 公司 313 00 专利代理师 徐乐乐 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 40/02(2012.01) G06N 20/00(2019.01) (54)发明名称 资产回收率的预测方法、 装置、 设备、 介质和 计算机程序 产品 (57)摘要 本发明提供了一种资产回收率的预测方法， 包括： 获取目标资产的属性信息、 以及预先训练 完成的资产回收率预测模型； 将属性信息输入到 资产回收率预测模型中， 以资产回收率预测模型 的输出结果为目标资产的资产回收率的预测结 果 ， 其中 ， 资产回收率预测模型使用基于 LightGBM的分类模型， 确定资产回 收率的分类 结 果， 分类结果包括资产回收率是否在预定值区间 内， 如果资产回收率在预定值区间内， 则以分类 结果作为输出结果， 如果资产回收率不在预定值 区间内， 则使用基于LightGBM的回归模型， 重新 确定资产回收率的数值作为输出结果。 本发明还 涉及资产回收率的预测装置、 设备、 介质和计算 机程序产品。 权利要求书2页 说明书12页 附图3页 CN 115511187 A 2022.12.23 CN 115511187 A 1.一种资产回收率的预测方法， 用于电子设备， 其特 征在于， 所述方法包括： 获取目标资产的属性信息、 以及预 先训练完成的资产回收率预测模型； 将所述属性信 息输入到所述资产回收率预测模型中， 以所述资产回收率预测模型的输 出结果为所述目标资产的资产回收率的预测结果， 其中， 所述资产回收率预测模型使用基于Li ghtGBM的分类模型， 确定所述资产回收率的分类 结果， 所述分类结果包括所述资产回收率是否在预定值区间内， 如果所述资产回收率在所 述预定值区间内， 则以所述分类结果作为所述输出结果， 如果所述资产回收率不在所述预 定值区间内， 则使用基于LightGBM的回归模型， 重新确 定所述资产回收率的数值作为所述 输出结果。 2.根据权利要求1所述的方法， 其特 征在于， 所述预定值区间包括第一预定值区间： [0％,1％]、 和第二预定值区间： [9 9％,100％]。 3.根据权利要求1所述的方法， 其特征在于， 所述资产回收率预测模型是通过如下步骤 预先训练得到的： 获取样本资产的样本信息、 及所述样本资产的资产回收率的样本预测结果， 并将所述 样本信息和所述样本预测结果作为 一组训练样本； 基于多组所述训练样本对待进行训练 的样本预测模型进行训练， 得到所述资产回收率 预测模型。 4.根据权利要求3所述的方法， 其特征在于， 获取样本资产的样本信 息， 包括： 分别获取 样本资产在每 个字段下的样本信息； 所述方法还 包括： 针对每个所述字段， 根据所述字段下的样本信息对所述字段进行类别分类， 得到所述 字段的类别分类结果， 其中， 所述类别分类结果包括数值类别、 日期类别、 类型类别或是描 述类别； 若根据所述类别分类结果确定所述字段不属于所述数值类别， 则根据 所述类别分类结 果将所述字段下的样本信息转换为所述数值类别下的信息， 并基于转换结果对所述字段下 的样本信息进行 更新。 5.根据权利要求4所述的方法， 其特征在于， 所述根据所述字段下的样本信 息对所述字 段进行类别分类， 包括： 获取所述字段下的样本信 息的存储格式， 根据所述存储格式确定所述字段是否属于所 述数值类别或所述日期类别； 和/或， 获取所述字段下全部的所述样本信 息包含的信 息类型的类型数量， 并根据所述类型数 量确定所述字段 是否属于所述类型类别； 和/或， 分别获取所述字段下的每个所述样本信 息包含的信 息字符的字符数量， 并根据 所述字 符数量确定所述字段 是否属于所述描述类别。 6.根据权利要求4所述的方法， 其特征在于， 所述根据所述类别分类结果将所述字段下 的样本信息转换为所述数值类别下的信息， 包括： 以年、 月、 日和时间戳为单位， 对属于所述日期类别的所述字段下的样本信息进行离 散， 得到所述数值类别下的信息； 和/或， 对属于所述类型类别的所述字段下全部的所述样本信息包含的各信息类型分别进行权　利　要　求　书 1/2 页 2 CN 115511187 A 2编码， 并根据编码结果将所述属于所述类型类别的所述字段下的样本信息转换为所述数值 类别下的信息； 和/或， 将属于所述描述类别的所述字段下的样本信 息映射为数值， 得到所述数值类别下的信 息。 7.根据权利要求3所述的方法， 其特征在于， 在所述得到所述字段的类别分类结果之 后， 还包括： 针对属于所述日期类别的各所述字段， 从所述属于所述日期类别的各所述字段中确定 减数字段和被减数字段； 将所述被减数字段下的所述样本信 息减去所述减数字段下的所述样本信 息， 并将减去 结果作为 新增加的所述字段 下的样本信息； 根据所述新增加的所述字段下的样本信息， 对所述新增加的所述字段进行类别分类， 得到所述 新增加的所述字段的类别分类结果。 8.根据权利要求1所述的方法， 其特征在于， 所述目标资产为周期大于24个月或处置完 成的个贷类资产。 9.根据权利要求1所述的方法， 其特 征在于， 所述资产回收率以24个月为回收周期。 10.根据权利要求9所述的方法， 其特征在于， 所述资产回收率的数值为所述回收周期 内所述资产的每月累积回收本金 金额/转入时本金余 额。 11.一种资产回收率的预测装置， 其特 征在于， 其特 征在于， 包括： 获取模块， 获取目标资产的属性信息、 以及预 先训练完成的资产回收率预测模型； 预测模块， 将所述属性信息输入到所述资产回收率预测模型中， 以所述资产回收率预 测模型的输出 结果为所述目标资产的资产回收率的预测结果， 其中， 所述资产回收率预测模型使用基于Li ghtGBM的分类模型， 确定所述资产回收率的分类 结果， 所述分类结果包括所述资产回收率是否在预定值区间内， 如果所述资产回收率在所 述预定值区间内， 则以所述分类结果作为所述输出结果， 如果所述资产回收率不在所述预 定值区间内， 则使用基于LightGBM的回归模型， 重新确 定所述资产回收率的数值作为所述 输出结果。 12.一种资产回收率的预测设备， 其特征在于， 所述设备包括存储有计算机可执行指令 的存储器和处理器， 当所述指令被所述处理器执行时， 使得所述设备实施根据权利要求1 ‑ 10中任一项所述的资产回收率的预测方法。 13.一种计算机存储介质， 其特征在于， 在所述计算机存储介质上存储有指令， 当所述 指令在计算机上运行时， 使得所述计算机执行根据权利要求 1‑10中任一项 所述的资产回收 率的预测方法。 14.一种计算机程序产品， 其特征在于， 包括计算机可执行指令， 所述指令被处理器执 行以实施根据权利要求1 ‑10中任一项所述的资产回收率的预测方法。权　利　要　求　书 2/2 页 3 CN 115511187 A 3