一种用于处理贷款申请的方法和装置

本申请涉及大数据分析与挖掘领域，具体涉及人工智能领域，尤其涉及一种用于处理贷款申请的方法和装置。

目前，农户贷款业务笔数多、单笔金额小、数据丰富。农户贷款审批主要采用线下申请线下审批或线上申请线下审批相结合的方式。

在实现本申请过程中，发明人发现现有技术中至少存在如下问题：

农户贷款线下审批过于依赖农户经理的主观判断，对农户经理的经验与个人素质的要求过高，审批时效性较差、审批成本较高。

有鉴于此，本申请实施例提供一种用于处理贷款申请的方法和装置，能够解决现有的贷款审批时效性差、审批成本高的问题。

为实现上述目的，根据本申请实施例的一个方面，提供了一种用于处理贷款申请的方法，包括：

接收贷款申请请求，调用实时审批组件，

进而基于预设的信息查询接口，获取贷款申请请求对应的用户信息；

调用预设的审批规则库，进而基于预设的内控名单以及用户信息，对贷款申请请求进行初步审批；

响应于确定对贷款申请请求进行初步审批的结果为通过，调用预训练的信用评分模型，确定用户信息对应的分数；

基于分数，确定贷款申请请求对应的处理方式和支付方式，并根据处理方式和支付方式对贷款申请请求进行处理。

可选地，基于分数，确定贷款申请请求对应的处理方式和支付方式，包括：

根据分数和预设的分值区间，确定对贷款申请请求的处理方式；

根据分数、预设的分值区间以及处理方式，确定贷款申请请求对应的支付方式。

可选地，在基于分数，确定贷款申请请求对应的处理方式和支付方式之前，方法还包括：

基于用户信息，确定预授信额度；以及

根据分数和预设的分值区间，确定对贷款申请请求的处理方式包括：

响应于确定分数位于第一分值区间，触发开户放款进程，进而基于预授信额度和贷款申请请求进行开户放款；

响应于确定分数位于第二分值区间，在审核角池中，选择第二分值区间对应的审核人员节点，以将贷款申请请求发送至对应的审核人员节点进行审核；

响应于确定分数位于第三分值区间，触发结束进程，进而发送拒绝贷款申请请求的指示。

可选地，用户信息包括资产信息、存量房贷、代发工资和公积金缴存信息；以及

基于用户信息，确定预授信额度，包括：

确定对应资产信息的第一信用额度、对应存量房贷的第二信用额度、对应代发工资的第三信用额度和对应公积金缴存信息的第四信用额度；

根据第一信用额度、第二信用额度、第三信用额度、第四信用额度和调节系数，确定预授信额度；其中，调节系数基于确定预授信额度时所使用的信用额度的个数而得到。

可选地，预设的审批规则库中包括至少一个拒贷规则；以及

调用预设的审批规则库，进而基于预设的内控名单以及用户信息，对贷款申请请求进行初步审批，包括：

响应于确定贷款申请请求对应的用户不在预设的内控名单内，判断用户信息是否满足至少一个拒贷规则；

响应于确定用户信息不满足至少一个拒贷规则，则确定初步审批的结果为通过。

可选地，用于处理贷款申请的方法还包括：

获取初始神经网络；

获取训练样本集合，训练样本集合包括历史贷款申请请求对应的各用户的历史用户信息和对应的历史初步审批结果；

将训练样本集合中的历史用户信息作为初始神经网络的输入，将与输入的历史用户信息对应的历史初步审批结果作为期望输出，对初始神经网络进行训练，得到预训练的分类模型；

对预训练的分类模型进行网络结构剪枝，得到简化的分类模型；

从简化的分类模型中抽取至少一个拒贷规则组成预设的审批规则库。

另外，本申请还提供了一种用于处理贷款申请的装置，包括：

接收单元，被配置成接收贷款申请请求，调用实时审批组件；

获取单元，被配置成基于预设的信息查询接口，获取贷款申请请求对应的用户信息；

审批单元，被配置成调用预设的审批规则库，进而基于预设的内控名单以及用户信息，对贷款申请请求进行初步审批；

分数确定单元，被配置成响应于确定对贷款申请请求进行初步审批的结果为通过，调用预训练的信用评分模型，确定用户信息对应的分数；

处理单元，被配置成基于分数，确定贷款申请请求对应的处理方式和支付方式，并根据处理方式和支付方式对贷款申请请求进行处理。

可选地，处理单元进一步被配置成：

根据分数和预设的分值区间，确定对贷款申请请求的处理方式；

根据分数、预设的分值区间以及处理方式，确定贷款申请请求对应的支付方式。

可选地，用于处理贷款申请的装置还包括：

预授信额度确定单元，被配置成基于用户信息，确定预授信额度；以及

处理单元进一步被配置成：

响应于确定分数位于第一分值区间，触发开户放款进程，进而基于预授信额度和贷款申请请求进行开户放款；

响应于确定分数位于第二分值区间，在审核角池中，选择第二分值区间对应的审核人员节点，以将贷款申请请求发送至对应的审核人员节点进行审核

响应于确定分数位于第三分值区间，触发结束进程，进而发送拒绝贷款申请请求的指示。

可选地，用户信息包括资产信息、存量房贷、代发工资和公积金缴存信息；以及

预授信额度确定单元进一步被配置成：

确定对应资产信息的第一信用额度、对应存量房贷的第二信用额度、对应代发工资的第三信用额度和对应公积金缴存信息的第四信用额度；

根据第一信用额度、第二信用额度、第三信用额度、第四信用额度和调节系数，确定预授信额度；其中，调节系数基于确定预授信额度时所使用的信用额度的个数而得到。

可选地，预设的审批规则库中包括至少一个拒贷规则；以及

审批单元进一步被配置成：

响应于确定贷款申请请求对应的用户不在预设的内控名单内，判断用户信息是否满足至少一个拒贷规则；

响应于确定用户信息不满足至少一个拒贷规则，则确定初步审批的结果为通过。

可选地，装置还包括审批规则库确定单元，被配置成：

获取初始神经网络；

获取训练样本集合，训练样本集合包括历史贷款申请请求对应的各用户的历史用户信息和对应的历史初步审批结果；

将训练样本集合中的历史用户信息作为初始神经网络的输入，将与输入的历史用户信息对应的历史初步审批结果作为期望输出，对初始神经网络进行训练，得到预训练的分类模型；

对预训练的分类模型进行网络结构剪枝，得到简化的分类模型；

从简化的分类模型中抽取至少一个拒贷规则组成预设的审批规则库。

另外，本申请还提供了一种用于处理贷款申请的电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述的用于处理贷款申请的方法。

另外，本申请还提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述的用于处理贷款申请的方法。

上述发明中的一个实施例具有如下优点或有益效果：本申请通过接收贷款申请请求，调用实时审批组件，进而基于预设的信息查询接口，获取贷款申请请求对应的用户信息；调用预设的审批规则库，进而基于预设的内控名单以及用户信息，对贷款申请请求进行初步审批，以初步筛选符合贷款申请条件的贷款申请请求，从而可以提高贷款审批速度和准确性。并在确定对贷款申请请求进行初步审批的结果为通过时，采用神经网络技术，通过调用预训练的信用评分模型，可以更准确地确定用户信息对应的分数。通过基于得到的分数，确定贷款申请请求对应的处理方式和支付方式，从而可以根据得到的处理方式和支付方式对贷款申请请求进行差异化处理，从而实现在为优质农户提供较高额度的贷款时降低风险，有效防止贷款资金被挪用。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图用于更好地理解本申请，不构成对本申请的不当限定。其中：

图1是根据本申请第一实施例的用于处理贷款申请的方法的主要流程的示意图；

图2是根据本申请第二实施例的用于处理贷款申请的方法的主要流程的示意图；

图3是根据本申请第三实施例的用于处理贷款申请的方法的应用场景示意图；

图4是根据本申请实施例的用于处理贷款申请的装置的主要模块的示意图；

图5是本申请实施例可以应用于其中的示例性系统架构图；

图6是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本申请第一实施例的用于处理贷款申请的方法的主要流程的示意图，如图1所示，用于处理贷款申请的方法包括：

步骤S101，接收贷款申请请求，调用实时审批组件。

步骤S102，基于预设的信息查询接口，获取贷款申请请求对应的用户信息。

本实施例中，用于处理贷款申请的方法的执行主体(例如，可以是服务器)可以通过有线连接或无线连接的方式，从用户操作的终端接收贷款申请请求，并调用实时审批组件以基于预设的信息查询接口，获取贷款申请请求对应的用户信息。例如，调用接收贷款申请请求的信贷机构的信息查询接口，获取该贷款申请请求对应的该信贷机构的行内征信信息、调用人行征信接口获取该贷款申请请求对应的人行征信信息。行内征信信息表征了提交贷款申请请求的用户在接收该贷款申请请求的信贷机构的身份识别信息、贷款信息、信用卡信息等。人行征信信息表征了提交贷款申请请求的用户在其名下的各个信贷机构的身份识别信息、贷款信息、信用卡信息等。其中，身份识别信息，包括姓名、身份证号码、家庭住址。工作单位等。贷款信息，包括贷款发放银行、贷款额、贷款期限、还款方式、实际还款记录等。信用卡信息，包括发卡银行、授信额度、还款记录、个人支付电话、水、电、燃气等公用事业费用的信息，以及法院民事判决、欠税等公共信息，以全面反映贷款申请用户的信用状况。

步骤S103，调用预设的审批规则库，进而基于预设的内控名单以及用户信息，对贷款申请请求进行初步审批。

执行主体在接收到用户(例如可以是农户)发起的贷款申请请求后，并获取贷款申请请求对应的用户信息后，可以首先调用实时审批组件中的预设的内控名单，以确定该用户是否在该预设的内控名单中。并调用实时审批组件中的预设的审批规则库，对获取的贷款申请请求对应的用户信息进行初步审批，以确定该用户是否具有贷款的资格。

本实施例中，内控名单的数据格式可以包括序号、证件类型、证件号码、姓名、导入原因、准入建议(分终止和调减)、备注等内容。在执行主体接收到用户提交的贷款申请请求后，执行主体可以调用实时审批组件中的预设的内控名单，将用户信息中的序号、证件类型、证件号码、姓名、导入原因、准入建议(分终止和调减)、备注等内容与预设的内控名单中的对应内容进行匹配，以确定该用户是否在预设的内控名单中。预设的内控名单中存储的是存在风险的用户。对于基于预设的内控名单判断为终止的，则执行主体在接收到用户申请和支付用户贷款时，提示报错信息。对于执行主体判断为调减额度的，则执行主体在接收到用户申请和支付用户贷款时，在通过预设规则计算出的额度基础上乘以一个预设系数，得到用户可申请的贷款额度。本申请对该预设系数的赋值不做具体限定。

本实施例中，用户信息可以包括年龄、国籍、性别、工作情况(工作年限、当前有无工作等)、申请还款期限、账户存款余额、是否婚育等信息。预设的审批规则库中可以包括如下预设规则：若用户年龄大于65岁，则拒贷；若用户年龄小于20岁，则拒贷；若用户非中国国籍，则拒贷；若用户为男性且无工作，则拒贷；若用户工作年限小于3年且未婚，则拒贷；若用户申请还款期限大于12个月且工作年限小于3年，则拒贷；若用户账户存款余额小于1万元且无工作，则拒贷；若用户为女性未婚且无工作，则拒贷。对贷款申请请求进行初步审批的结果为通过贷款申请请求和不通过贷款申请请求。

步骤S104，响应于确定对贷款申请请求进行初步审批的结果为通过，调用预训练的信用评分模型，确定用户信息对应的分数。

当执行主体确定对申请进行初步审批的结果为通过，则调用实时审批组件中的预训练的信用评分模型(或称评分卡机制)，将用户信息输入该预训练的信用评分模型，输出该用户信息对应的分数。

步骤S105，基于分数，确定贷款申请请求对应的处理方式和支付方式，并根据处理方式和支付方式对贷款申请请求进行处理。

执行主体在得到用户信息对应的分数后，可以基于分数和处理方式、支付方式的对应关系，确定贷款申请请求对应的处理方式和支付方式，并根据处理方式和支付方式对贷款申请请求进行处理。

本实施例中，预训练的信用评分模型可以通过以下步骤训练得到：获取初始神经网络；获取训练样本集合，训练样本集合包括历史贷款申请请求对应的各用户的历史用户信息、历史用户信息对应的分数以及对应的分数对应的处理方式和支付方式；将训练样本集合中的历史用户信息作为初始神经网络的输入，将与输入的历史用户信息对应的分数以及对应的处理方式和支付方式作为期望输出，训练初始神经网络，得到预训练的信用评分模型。执行主体可以将贷款申请请求对应的用户信息输入至该预训练的信用评分模型，从而在输出用户信息对应的分数的同时，还输出该贷款申请请求对应的处理方式和支付方式。

其中，处理方式可以包括直接签约放款、将贷款申请请求发送至对应的审核人员节点进行审核以及发送拒绝贷款申请的指示。当处理方式为签约放款时，支付方式可以包括自主支付、受托支付和消费支付。其中，自主支付是指贷款资金可以由借款用户自行使用，无需经过审批，但如果借款用户违反借款合同约定使用贷款资金，信贷机构有权随时提前清收。受托支付在贷款发放前增加了“对贷款资金用途的审核”环节，从而将贷款资金与贷款用途捆绑在一起。该捆绑将使借款用户对贷款资金的“自由”使用受到限制，从而有效解决贷款资金被挪用问题。消费支付并不直接将贷款发放给用户，而是通过用户在网上消费时选择贷款账号支付的方式发放贷款。

本实施例通过接收贷款申请请求，调用实时审批组件，进而基于预设的信息查询接口，获取贷款申请请求对应的用户信息；调用预设的审批规则库，进而基于预设的内控名单以及用户信息，对贷款申请请求进行初步审批，以初步筛选符合贷款申请条件的贷款申请请求，从而可以提高贷款审批速度和准确性。并在确定对贷款申请请求进行初步审批的结果为通过时，采用神经网络技术，通过调用预训练的信用评分模型，可以更准确地确定用户信息对应的分数。通过基于得到的分数，确定贷款申请请求对应的处理方式和支付方式，从而可以根据得到的处理方式和支付方式对贷款申请请求进行差异化处理，从而实现在为优质农户提供较高额度的贷款时降低风险，有效防止贷款资金被挪用。

图2是根据本申请第二实施例的用于处理贷款申请的方法的主要流程示意图，如图2所示，用于处理贷款申请的方法包括：

步骤S201，接收贷款申请请求，调用实时审批组件。

步骤S202，基于预设的信息查询接口，获取贷款申请请求对应的用户信息。

步骤S203，调用预设的审批规则库，进而基于预设的内控名单以及用户信息，对贷款申请请求进行初步审批。

步骤S201～步骤S203的原理与步骤S101～步骤S103的原理类似，此处不再赘述。

本实施例中，预设的审批规则库中包括至少一个拒贷规则。

具体地，步骤S203还可以通过步骤S2031～步骤S2032来实现：

步骤S2031，响应于确定贷款申请请求对应的用户不在预设的内控名单内，判断用户信息是否满足至少一个拒贷规则。

步骤S2032，响应于确定用户信息不满足至少一个拒贷规则，则确定初步审批的结果为通过。

本实施例中，当执行主体确定贷款申请请求对应的用户不在预设的内控名单内，则可以检查该用户信息中的征信信息，若征信信息中的征信查询次数、个人贷款逾期记录等均不满足任意一条拒贷规则，则初步审批通过。若征信信息中有任意一条信息满足拒贷规则，则初步审批不通过。拒贷规则，例如可以包括征信查询次数大于预设阈值、逾期记录中的逾期次数大于预设阈值等，拒贷规则中所有的标准均配置为参数，可以根据贷款的不良率等指标进行动态调整。

本实施例通过基于预设的内控名单和用户信息中的征信信息，来初步审批是否通过用户的贷款申请请求，从而可以基于初步审批的结果进行进一步的审批，从而可以使得对用户贷款申请的审批更准确。

步骤S204，响应于确定对贷款申请请求进行初步审批的结果为通过，调用预训练的信用评分模型，确定用户信息对应的分数。

步骤S204的原理与步骤S104的原理类似，此处不再赘述。

在本实施例的一些可选的实现方式中，步骤S204中的“调用预训练的信用评分模型，确定用户信息对应的分数”具体可以通过以下方式实现：

首先，预训练的信用评分模型确定用户信息对应的分数时，所需的数据可以包括：省份信息、账户利息、是否本地人、家庭总负债、职业、性别、最高学历、婚姻状况、年龄共九个方面的数据信息。执行主体在获取上述九个方面的数据信息后，可以将其输入预训练的信用评分模型，以使预训练的信用评分模型对其中六个数据信息(省份信息、账户利息、家庭总负债、职业、最高学历、年龄)进行变量构造。构造方式如下：省份信息：根据用户所属地区的过往业务信用状况，经济发展情况，综合考虑各省份的经济发展情况以及管理水平等多方面因素，将省份划分三类。示例的，第一类省份：a，b，c，d，e，f；第二类省份：g，h，i，j，k，l；第三类省份：m，n，o，p。账户利息：根据用户申请贷款时最近一年的活期存款账户利息之和划分出5类。第一类：利息金额[0，5]；第二类：利息金额[5，20]；第三类：利息金额[20，50]；第四类：利息金额[50，100]；第五类：利息金额[100，正无穷]。家庭总负债：按照用户的家庭总负债金额进行以下分类。第一类：无和未知；第二类：7万以下；第三类：7-10万；第四类：10-16万；第五类：16万以上。职业：根据用户的职业性质，将其分为五类。第一类：国企和机关领导，军人；第二类：各类技术人员，办事人员；第三类：商业和服务业人员，个体经营者；第四类：农、林、牧、渔、水利业生产人员，生产、运输设备操作人员及有关人员；第五类：其他。最高学历：根据用户受教育情况，将最高学历划分三类。第一类：研究生以上；第二类：本科；第三类：大专中专；第四类：其他。年龄：将用户的年龄划分为四类。第一类：18-30岁；第二类：30-35岁；第三类：35-50岁；第四类：50岁以上。

然后，执行主体可以调用预训练的信用评分模型根据上述变量构造结果，进行变量替换。变量替换是根据变量构造结果中，各个变量的不同分组取值，取其对应的证据权重值(Weight of Evidence，WOE)进行替换。WOE值，表示自变量取某个值时对信用评分的一种影响。本实施例中，变量指的是省份信息、账户利息、是否本地人、家庭总负债、职业、性别、最高学历、婚姻状况、年龄等信息。示例的，变量一：省份信息中的第一类省份对应的WOE值为：A；第二类省份对应的WOE值为：B；第三类省份对应的WOE值为C。示例的，变量二：账户信息中的第一类对应的WOE值为：A；第二类对应的WOE值为：B；第三类对应的WOE值为：C；第四类对应的WOE值为：D；第五类对应的WOE值为：E。同理，家庭总负债、职业、最高学历、年龄、婚姻状况、性别、是否本地人等变量的不同分组取值对应的WOE值与省份信息、账户利息变量的不同分组取值对应的WOE值的确定方式相同，在此不再赘述。

最后，执行主体可以根据贷款申请请求对应的用户信息所对应的各个变量对应的WOE值，以及各个变量所占的权重值例如k1、k2、k3、k4、k5、k6、k7、k8、k9来确定最终的分数。示例的，贷款申请请求对应的用户信息所对应的各个变量对应的WOE值可以分别是：省份信息A、账户利息C、是否本地人A、家庭总负债D、职业C、性别A、最高学历C、婚姻状况A、年龄A。其中，A可以对应1分、B可以对应2分、C可以对应3分、D可以对应4分、E可以对应5分。权重值k1可以为0.1、k2可以为0.2、k3可以为0.3、k4可以为0.4、k5可以为0.5、k6可以为0.6、k7可以为0.7、k8可以为0.8、k9可以为0.9。则预训练的信用评分模型输出的分数＝k1*A+k2*C+k3*A+k4*D+k5*C+k6*A+k7*C+k8*A+k9*A＝8.5分。本申请对上述WOE各字母ABCDE的取值不做具体限定。本申请对上述各个变量所占的权重值k1、k2、k3、k4、k5、k6、k7、k8、k9的具体取值不做具体限定。

步骤S205，基于用户信息，确定预授信额度。

本实施例中，用户信息包括资产信息、存量房贷、代发工资和公积金缴存信息。执行主体可以基于用户信息中的任意一条信息来确定预授信额度。例如，通过用户信息中的代发工资与授信额度的对应关系来确定预授信额度。

具体地，步骤S205还可以通过步骤S2051～步骤S2052来实现：

步骤S2051，确定对应资产信息的第一信用额度、对应存量房贷的第二信用额度、对应代发工资的第三信用额度和对应公积金缴存信息的第四信用额度。

执行主体可以在任意时机基于用户信息，确定预授信额度。本申请对确定预授信额度的时间不做具体限定。例如，对在对用户信息进行初步审批之前或是之后确定预授信额度不做具体限定。执行主体可以调用实时审批组件中的额度预授信模块，对用户的贡献度即资产信息、存量房贷、代发工资和公积金缴存此案次为用户进行额度预授信。具体地，为用户进行额度预授信的步骤如下：以近N个月的月日均资产管理规模(Asset UnderManagement，AUM)值为基数，综合考虑用户AUM值的稳定性和趋势变化情况，得到对应资产信息的第一信用额度即用户AUM值信用额度A。AUM包括用户在金融机构的存款和通过金融机构购买的各种投资产品等个人金融资产。投资主要包括基金、国债、保险及金融机构发行的投资理财产品等；以存量房贷抵押物价值为基数，综合考虑抵押率系数、房产增值系数、城市调节系数和存量房贷余额等，得到对应存量房贷的第二信用额度即用户存量房贷信用额度B；根据代发工资数据中的用户年收入，考虑代发工资的存续期与稳定性，得到对应代发工资的第三信用额度即用户代发工资信用额度C；根据公积金缴存数据中的缴存额与缴存系数，计算出用户的预期年收入，综合考虑公积金缴存的时间长度与账户余额，得到对应公积金缴存信息的第四信用额度即用户公积金信用额度D。

步骤S2052，根据第一信用额度、第二信用额度、第三信用额度、第四信用额度和调节系数，确定预授信额度。

其中，调节系数基于确定预授信额度时所使用的信用额度的个数而得到。

执行主体可以根据预设的额度输出规则，根据第一信用额度、第二信用额度、第三信用额度、第四信用额度和调节系数，确定预授信额度。示例的，执行主体可以对上述A-D四类额度按照预设的额度输出规则进行综合归并，最终输出额度可以为：信用额度＝Max(A，B，C，D)*调节系数。调节系数为当存在多个指标时，适当增加额度。示例的，当存在4个维度(即额度A、B、C、D均参与确定最终的信用额度)的信用额度时，则调节系数可以为1.3；如存在3个维度(即额度A、B、C、D中的三个参与确定最终的信用额度)的信用额度时，则调节系数可以为1.2；存在2个维度(即额度A、B、C、D中的两个参与确定最终的信用额度)的信用额度时，则调节系数可以为1.1；仅存1个维度(即额度A、B、C、D中的一个参与确定最终的信用额度)的信用额度，则调节系数可以为1.0。

本实施例综合考虑用户，特别是农户的贡献度即资产信息、存量房贷、代发工资与公积金缴存信息等进行额度预授信，对用户差异化授信，在为优质用户提供较高额度时降低风险。

步骤S206，基于分数，确定贷款申请请求对应的处理方式和支付方式，并根据处理方式和支付方式对贷款申请请求进行处理。

步骤S206的原理与步骤S105的原理类似，此处不再赘述。

具体地，步骤S206还可以通过步骤S2061～步骤S2062来实现：

步骤S2061，根据分数和预设的分值区间，确定对贷款申请请求的处理方式。

具体地，执行主体可以分数和预设的分数区间的对应关系，确定分数所位于的分数区间，从而可以根据分数区间与对贷款申请请求的处理方式的对应关系，确定对该分数对应的贷款申请请求的处理方式。处理方式可以包括：直接签约放款、将贷款申请请求发送至对应的审核人员节点进行审核以及发送拒绝贷款申请的指示。

具体地，步骤S2061可以通过步骤S20611～步骤S20613来实现：

步骤S20611，响应于确定分数位于第一分值区间，触发开户放款进程，进而基于预授信额度和贷款申请请求进行开户放款。

步骤S20612，响应于确定分数位于第二分值区间，在审核角池中，选择第二分值区间对应的审核人员节点，以将贷款申请请求发送至对应的审核人员节点进行审核。

步骤S20613，响应于确定分数位于第三分值区间，触发结束进程，进而发送拒绝贷款申请请求的指示。

执行主体在得到用户的贷款申请请求对应的用户信息对应的分数后，可以对该分数进行归类，确定该分数所位于的分值区间。示例的，以农户申请贷款为例，高分值区农户对应的分值区间可以为：>657分(属于第一分值区间)；中分值区农户对应的分值区间可以为：619分<分值≤657分(属于第一分值区间)；低分值区农户对应的分值区间可以为：593分<分值≤619分(属于第一分值区间)；人工判断区农户对应的分值区间可以为：464分<分值≤593分(属于第二分值区间)；拒贷分值区农户对应的分值区间可以为：分值≤464分(属于第三分值区间)。执行主体响应于确定分数位于上述第一分值区间，触发开户放款进程，进而基于预授信额度和贷款申请请求进行开户放款。执行主体响应于确定分数位于第二分值区间，在审核角池中，选择第二分值区间对应的审核人员节点，以将贷款申请请求发送至对应的审核人员节点进行线下审核。执行主体响应于确定分数位于第三分值区间，触发结束进程，进而发送拒绝贷款申请请求的指示，结束贷款申请审批流程。本申请的上述分值区间仅为示例，对上述分值区间的具体范围不做限定。

本实施例通过按照设定的计算标准、筛选条件等，自动对用户进行分类，根据分类结果决定通过或拒绝用户的贷款申请，或将农户的贷款申请转线下审批，可以实现实时、快速、准确地对用户的贷款申请进行审批。

步骤S2062，根据分数、预设的分值区间以及处理方式，确定贷款申请请求对应的支付方式。

具体地，执行主体在确定用户的贷款申请请求对应的分数对应的处理方式后，通过结合分数所位于的分值区间，来精确地对分数对应的支付方式进行确定。示例的，当用户的贷款申请请求对应的分数位于第一分值区间中的>657分的分值区间时，该用户的贷款申请请求对应的支付方式可以为自主支付或消费支付。当用户的贷款申请请求对应的分数位于第一分值区间中的619分<分值≤657分的分值区间时，该用户的贷款申请请求对应的支付方式可以为受托支付或消费支付。当用户的贷款申请请求对应的分数位于第一分值区间中的593分<分值≤619分的分值区间时，该用户的贷款申请请求对应的支付方式可以为消费支付。当用户的贷款申请请求对应的分数位于第二分值区间即位于464分<分值≤593分的分值区间时，该用户的贷款申请请求对应的支付方式可以为消费支付。当用户的贷款申请请求对应的分数位于第三分值区间即位于分值≤464分的分值区间时，该用户的贷款申请请求不对应的任何支付方式，即支付方式为：无。

本实施例通过根据对用户的贷款申请请求对应的分数的分类结果确定贷款的支付方式，可以有效解决贷款资金被挪用的问题。

在本实施例的一些可选的实现方式中，用于处理贷款申请的方法还包括图2中未示出的如下步骤：获取初始神经网络；获取训练样本集合，训练样本集合包括历史贷款申请请求对应的各用户的历史用户信息和对应的历史初步审批结果；执行主体可以对历史用户信息和对应的历史初步审批结果进行编码，示例的，历史用户信息中的工作状况对应的编码分别为0失业、1未失业；性别对应的编码分别为0女性、1男性；婚姻状况对应的编码分别为0未婚、1已婚；用户年龄对应的编码分别为0<20岁、1>65岁、2>＝20&<＝65岁；用户工作年限对应的编码分别为0<3、1>10、2>＝3&<＝10；用户账户存款余额对应的编码分别为0<10000、1>＝10000；申请还款年限对应的编码分别为0<12、1>＝10000；用户贷款审批结论对应的编码分别为0拒绝、1通过。

将训练样本集合中的每个历史用户信息对应的编码作为初始神经网络的输入，将与输入的历史用户信息对应的历史初步审批结果对应的编码作为期望输出，对初始神经网络进行训练，以对初始神经网络的结构进行调整，当初始神经网络能够对输入的所有历史用户信息的编码均能正确输出对应的初步审批结果的编码时，即达到预期的训练效果，或训练次数达到预设阈值时，即停止训练，得到预训练的分类模型；利用剪枝算法(例如可以是AlphaBeta剪枝算法，是一个搜索算法旨在减少在其搜索树中，被极大极小算法评估的节点数，基本思想是根据上一层已经得到的当前最优结果，决定目前的搜索是否要继续下去)对预训练的分类模型进行网络结构剪枝，去掉不重要的连接或节点，以简化神经网络的结构，得到简化的分类模型；最终采用回溯算法：子集II(Subset II)算法(例如，给定一个可能包含重复规则的规则库，返回该规则库中所有可能的规则子集，且该返回的规则子集中不包含重复的规则子集)从简化的分类模型中抽取至少一个拒贷规则组成预设的审批规则库。从而实现简化审批规则库、降低规则的复杂度，同时也可以提高审批规则库的推理准确率。利用新的审批规则库可以根据近期的用户贷款审批与还款数据及时进行调整，有效的提高了用户(例如是农户)贷款审批的准确性。

本实施例通过利用用户贷款审批规则库审批用户的贷款申请。针对审批规则库常常存在的知识不完全或不一致等问题，采用神经网络技术，利用用户贷款审批的历史用户信息和对应的历史初步审批结果，对审批规则库进行知识求精，可以有效提高基于审批规则库进行初步审批的准确率。

图3是根据本申请第三实施例的用于处理贷款申请的方法的应用场景示意图。用于处理贷款申请的方法，应用于移动互联领域中农户贷款申请的场景。农户贷款是指信贷机构以个人农户为对象发放的贷款，主要包括农户消费贷款与农户生产经营贷款。农户贷款申请笔数多、单笔申请金额小。

本实施例中，信贷机构的后台服务器接收到农户发起的贷款申请后，可以调用实时审批组件基于预设的信息查询接口，获取贷款申请请求对应的用户信息。实时审批组件中可以包括内控名单检查模块、征信信息检查模块、审批规则库模块、额度预授信模块和评分卡模块。用户信息可以包括行内征信信息和人行征信信息。

后台服务器可以调用后台服务器中的监测预警模块实时更新内控名单，以供内控名单检查模块调用。后台服务器可以调用审批规则库模块中的预设的审批规则库，进而基于内控名单检查模块对实时更新的预设的内控名单的检查结果以及征信信息检查模块对获取的用户信息的检查结果，对贷款申请请求进行初步审批。对于未被预设的内控名单拒贷的用户，检查其征信信息。若征信查询次数、个人贷款逾期记录、贷记卡与准贷记卡的逾期记录满足任意一条拒贷规则(拒贷规则，例如可以包括征信查询次数大于预设阈值、逾期记录中的逾期次数大于预设阈值等，拒贷规则中所有的标准均配置为参数，可以根据贷款的不良率等指标进行动态调整)，则检查结果为拒贷。信用卡分为贷记卡和准贷记卡，贷记卡是指持卡人拥有一定的信用额度、可在信用额度内先消费后还款的信用卡；准贷记卡是指持卡人按要求交存一定金额的备用金，当备用金账户余额不足支付时，可在规定的信用额度内透支的准贷记卡。

后台服务器响应于确定对贷款申请请求进行初步审批的结果为通过，可以调用额度预授信模块，以基于用户信息中的资产管理规模(Asset Under Management，AUM)值、代发工资、存量房贷、公积金信息进行额度预授信。AUM值是衡量农户对信贷机构贡献度的一个标志。AUM包括农户在金融机构的存款和通过金融机构购买的各种投资产品等个人金融资产。投资主要包括基金、国债、保险及金融机构发行的投资理财产品等。存量房贷指的是2008年10月27日房贷新政出台前发放的个人住房贷款中尚未还清的部分。

后台服务器可以调用评分卡模块中预训练的信用评分模型，确定用户信息对应的分数。后台服务器基于分数，确定贷款申请请求对应的处理方式和支付方式，并根据处理方式和支付方式对贷款申请请求进行处理。示例的，评分卡模块可以利用获取到的与用户的贷款申请请求对应的用户信息中的用户申请资料、人行征信信息、信用卡行为评分及用户信息系统中的相关信息，按照设定的计算标准及筛选规则，自动对用户进行分类(例如分成批准申请用户、拒绝申请用户和人工审批用户)，同时输出每个参与评分用户的分值及系统建议结果。

图4是根据本申请实施例的用于处理贷款申请的装置的主要模块的示意图。如图4所示，用于处理贷款申请的装置包括接收单元401、获取单元402、审批单元403、分数确定单元404和处理单元405。

接收单元401，被配置成接收贷款申请请求，调用实时审批组件；。

获取单元402，被配置成基于预设的信息查询接口，获取贷款申请请求对应的用户信息。

审批单元403，被配置成调用预设的审批规则库，进而基于预设的内控名单以及用户信息，对贷款申请请求进行初步审批。

分数确定单元404，被配置成响应于确定对贷款申请请求进行初步审批的结果为通过，调用预训练的信用评分模型，确定用户信息对应的分数。

处理单元405，基于分数，确定贷款申请请求对应的处理方式和支付方式，并根据处理方式和支付方式对贷款申请请求进行处理。

在一些实施例中，处理单元405进一步被配置成：根据分数和预设的分值区间，确定对贷款申请请求的处理方式；根据分数、预设的分值区间以及处理方式，确定贷款申请请求对应的支付方式。

在一些实施例中，用于处理贷款申请的装置还包括：预授信额度确定单元，被配置成基于用户信息，确定预授信额度；以及处理单元405进一步被配置成：响应于确定分数位于第一分值区间，触发开户放款进程，进而基于预授信额度和贷款申请请求进行开户放款；响应于确定分数位于第二分值区间，在审核角池中，选择第二分值区间对应的审核人员节点，以将贷款申请请求发送至对应的审核人员节点进行审核；响应于确定分数位于第三分值区间，触发结束进程，进而发送拒绝贷款申请请求的指示。

在一些实施例中，用户信息包括资产信息、存量房贷、代发工资和公积金缴存信息；以及预授信额度确定单元进一步被配置成：确定对应资产信息的第一信用额度、对应存量房贷的第二信用额度、对应代发工资的第三信用额度和对应公积金缴存信息的第四信用额度；根据第一信用额度、第二信用额度、第三信用额度、第四信用额度和调节系数，确定预授信额度；其中，调节系数基于确定预授信额度时所使用的信用额度的个数而得到。

在一些实施例中，预设的审批规则库中包括至少一个拒贷规则；以及审批单元403进一步被配置成：响应于确定贷款申请请求对应的用户不在预设的内控名单内，判断用户信息是否满足至少一个拒贷规则；响应于确定用户信息不满足至少一个拒贷规则，则确定初步审批的结果为通过。

在一些实施例中，用于处理贷款申请的装置还包括：审批规则库确定单元，被配置成：获取初始神经网络；获取训练样本集合，训练样本集合包括历史贷款申请请求对应的各用户的历史用户信息和对应的历史初步审批结果；将训练样本集合中的历史用户信息作为初始神经网络的输入，将与输入的历史用户信息对应的历史初步审批结果作为期望输出，对初始神经网络进行训练，得到预训练的分类模型；对预训练的分类模型进行网络结构剪枝，得到简化的分类模型；从简化的分类模型中抽取至少一个拒贷规则组成预设的审批规则库。

需要说明的是，在本申请用于处理贷款申请的方法和用于处理贷款申请的装置在具体实施内容上具有相应关系，故重复内容不再说明。

图5示出了可以应用本申请实施例的用于处理贷款申请的方法或用于处理贷款申请的装置的示例性系统架构500。

如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备501、502、503可以是具有贷款申请处理屏、征信授权查询处理屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所提交的贷款申请请求进行处理的后台管理服务器(仅为示例)。后台管理服务器可以接收贷款申请请求，调用实时审批组件，进而基于预设的信息查询接口，获取贷款申请请求对应的用户信息；调用预设的审批规则库，进而基于预设的内控名单以及用户信息，对贷款申请请求进行初步审批；响应于确定对贷款申请请求进行初步审批的结果为通过，调用预训练的信用评分模型，确定用户信息对应的分数；基于分数，确定贷款申请请求对应的处理方式和支付方式，并根据处理方式和支付方式对贷款申请请求进行处理，以解决现有的贷款审批时效性差、审批成本高的问题。

需要说明的是，本申请实施例所提供的用于处理贷款申请的方法一般由服务器505执行，相应地，用于处理贷款申请的装置一般设置于服务器505中。

应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图6，其示出了适于用来实现本申请实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有计算机系统600操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶征信授权查询处理器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本申请公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CP U)601执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、获取单元、审批单元、分数确定单元和处理单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备接收贷款申请请求，调用实时审批组件，进而基于预设的信息查询接口，获取贷款申请请求对应的用户信息；调用预设的审批规则库，进而基于预设的内控名单以及用户信息，对贷款申请请求进行初步审批；响应于确定对贷款申请请求进行初步审批的结果为通过，调用预训练的信用评分模型，确定用户信息对应的分数；基于分数，确定贷款申请请求对应的处理方式和支付方式，并根据处理方式和支付方式对贷款申请请求进行处理。

根据本申请实施例的技术方案，通过接收贷款申请请求，调用实时审批组件，进而基于预设的信息查询接口，获取贷款申请请求对应的用户信息；调用预设的审批规则库，进而基于预设的内控名单以及用户信息，对贷款申请请求进行初步审批，以初步筛选符合贷款申请条件的贷款申请请求，从而可以提高贷款审批速度和准确性。并在确定对贷款申请请求进行初步审批的结果为通过时，采用神经网络技术，通过调用预训练的信用评分模型，可以更准确地确定用户信息对应的分数。通过基于得到的分数，确定贷款申请请求对应的处理方式和支付方式，从而可以根据得到的处理方式和支付方式对贷款申请请求进行差异化处理，从而实现在为优质农户提供较高额度的贷款时降低风险，有效防止贷款资金被挪用。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。