本发明涉及互联网金融，尤其涉及一种基于多模型集成的企业信贷推荐方法及装置。
背景技术：
1、现有的企业信贷产品推荐方法主要依赖于人工分析和经验判断，存在效率低、准确率不高的问题。传统信贷推荐通常基于有限的财务报表和信用评分，对企业的全面了解和评估较为片面，无法充分利用企业的多维数据。此外，信贷产品种类繁多，各家银行的信贷产品在特点、要求、加分项、办理周期和难度等方面存在显著差异，企业在选择适合的信贷产品时面临较大挑战。因此，市面上出现了部分信贷产品推荐处理方法，为企业提供更为精准和个性化的信贷产品推荐。
2、如一种信贷金融产品推荐处理方法及装置（公开号：cn112231550b，公开日：2024-05-17），通过获取各待处理信贷金融产品的产品要素，包括历史贷款通过率、最高贷款额、最高贷款期限、平均年化利率和还款方式；并获取该待处理信贷金融产品针对目标用户的授信贷款额度；获取产品要素权重矩阵；计算待处理信贷金融产品的第一推荐分值；获取针对授信贷款额度的权重值；计算待处理信贷金融产品针对目标用户的第二推荐分值；利用第一推荐分值与第二推荐分值，处理得到待处理信贷金融产品针对目标用户的推荐指数，以推荐给目标用户。
3、该申请聚焦于各产品要素的差异性，使得用户可以匹配若干个优质产品，使得申请企业能够较高效地发现那些“最优质”的金融产品。但该申请针对信贷金融产品的信息要素，缺乏能够系统性地整合企业多维数据和信贷产品特点，无法为企业提供高效、精准的信贷产品推荐服务。
技术实现思路
1、针对背景技术中存在的技术缺陷，本发明提出一种基于多模型集成的企业信贷推荐方法及装置，解决了上述技术问题以及满足了实际需求，具体的技术方案如下所示：
2、一种基于多模型集成的企业信贷推荐方法，包括以下步骤：
3、步骤1：数据收集：获得企业的多维数据；
4、步骤2：将步骤1获得的所述多维数据转化为适合机器学习的格式，包括进行数值化类别数据、归一化数值数据、处理缺失值、数据清洗、数据标准化以及数据融合特征提取，使之形成统一的原始数据集；
5、步骤3：特征提取：对步骤2中的所述原始数据集进行特征提取，得到特征提取后的数据集，所述数据集包括基本特征、信用特征、税务特征、财务特征与水电特征；
6、步骤4：模型训练：构建并训练多个机器学习模型，并通过集成学习得到最终的预测结果；
7、步骤4.1：数据集划分：步骤3中的所述数据集划分为训练集、验证集和测试集；
8、步骤4.2：构建多个机器学习模型，多个所述机器学习模型包括决策树模型、随机森林模型、支持向量机（svm）模型与深度学习模型；
9、步骤4.3：模型训练：采用步骤4.1的所述训练集对步骤4.2的多个机器学习模型进行训练，得到多个初步风险评估模型；
10、步骤4.3：模型评估：使用步骤4.1的所述验证集来评估微调后的多个所述初步风险评估模型的参数和结构，评估指标选用交叉验证、auc、精确率、召回率中的一种或数种，并根据反馈的指标调整所述初步风险评估模型的超参数，得到调整后的进一步风险评估模型，其中，训练涉及的算法调用为决策树算法、随机森林算法、梯度提升算法、深度学习算法中的一种或数种；
11、步骤4.4：测试：使用步骤3的测试集来评估步骤4.3调整后的进一步风险评估模型对未见过的数据的预测能力，得到多个训练后的风险评估模型；
12、步骤4.5：集成学习：通过集成学习的方法结合步骤4.4的多个所述风险评估模型，得到最终的预测结果；
13、步骤5：信贷产品匹配：根据步骤4的所述预测结果，将所述企业与不同银行的信贷产品进行匹配，个性化推荐适合的信贷产品给企业；
14、步骤6：推荐输出：将推荐的信贷产品及其详细信息输出给企业，并提供可视化的推荐结果展示；
15、还包括获取模块、匹配模块与推荐输出模块；
16、所述获取模块：用于获取目标企业的多维数据；
17、所述匹配模块：用于输入目标企业的多维数据，并获得目标企业的预测结果，并根据目标企业的预测结果，进行个性化推荐适合的信贷产品给目标企业；
18、所述输出模块：将推荐的信贷产品及其详细信息输出给企业，并提供可视化的推荐结果展示。
19、作为本发明的进一步技术方案，所述步骤1的多维数据包括企业基本信息数据、企业多平台信用数据、企业税务数据、企业经营数据以及企业水电数据，所述企业多平台信用数据与企业经营数据在原始数据集中的权重占比高于企业基本信息数据、企业税务数据、水电数据在原始数据集中的权重占比。
20、作为本发明的进一步技术方案，所述企业基本信息数据包括企业注册信息、经营范围与法人信息；所述企业多平台信用数据包括目标企业在不同平台的信用评分与信用记录；所述企业税务数据包括纳税记录与税务评级；所述企业经营数据包括财务报表、营收情况与利润情况；所述企业水电数据包括水电费缴纳情况与用水用电量。
21、作为本发明的进一步技术方案，所述步骤2包括以下步骤：
22、步骤2.1：数据清洗：对步骤1收集到的多维数据进行清洗，去除噪声、错误、重复和无关的数据，包括空值处理、非法值处理、不一致数据处理与重复数据处理，得到清洗后的多维数据；
23、步骤2.2：数据标准化：将清洗后的多维数据进行标准化处理，得到标准化后的多维数据；
24、步骤2.3：数据融合：将步骤2.2标准化后的多维数据中来自不同来源、不同格式的数据整合到一起，形成一个统一的数据集，形成统一的原始数据集。
25、作为本发明的进一步技术方案，所述步骤3的特征提取包括主成分分析 (pca）方法，通过正交变换将原始数据集转换为一组线性不相关的主成分，所述主成分为原始数据集提取出的特征。
26、作为本发明的进一步技术方案，所述深度学习模型的模型训练过程还包括引入lora技术进行迁移微调。
27、作为本发明的进一步技术方案，所述步骤5包括以下步骤：
28、步骤5.1：收集信息：从多家银行收集信贷产品的详细信息，所述详细信息包括信贷产品的贷款额度、利率、贷款期限、申请条件、办理周期、加分项与难度评估，所述信贷产品的难度评估为基于该信贷产品历史数据的评估申请通过率；
29、步骤5.2：初步筛选：根据步骤4的所述预测结果，首先排除那些明显不符合企业基本条件或申请条件的信贷产品，以减少后续处理的数据量和提高匹配效率；
30、步骤5.3：综合评分：为每一个通过初步筛选的信贷产品计算一个综合评分，以全面评估其与企业需求的匹配度；
31、步骤5.4：排序与推荐：根据步骤5.3的综合评分，将信贷产品按从高到低的顺序排序，并向企业推荐最符合其需求的信贷产品，将所述企业与不同银行的信贷产品进行匹配，进行个性化推荐；其中，当企业的负债率＞75%，则不推荐所述信贷产品；当40%＞企业的负债率＜75%，推荐所述信贷产品的通过率较低；当企业的负债率≤40%，推荐所述信贷产品的通过率较高。
32、本发明具有的有益效果在于：
33、本发明通过收集和分析企业的多维数据，结合多家银行推出的信贷产品的特点和要求，利用机器学习和数据挖掘技术，为企业提供个性化和精准的信贷产品推荐服务。该技术不仅提升了信贷产品推荐的准确性和效率，也为银行和金融机构提供了更为科学的决策支持，优化了信贷审批流程和资源配置，降低信贷风险，提升整体运营效率。同时通过可视化的推荐结果展示，帮助企业用户更清晰地理解和选择信贷产品。
34、本发明采用多个模型集成学习，有效提高整体预测的准确性和稳定性，提高模型对异常数据的适应能力，增强模型鲁棒性。
1.一种基于多模型集成的企业信贷推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多模型集成的企业信贷推荐方法，其特征在于，所述步骤1的多维数据包括企业基本信息数据、企业多平台信用数据、企业税务数据、企业经营数据以及企业水电数据，所述企业多平台信用数据与企业经营数据在原始数据集中的权重占比高于企业基本信息数据、企业税务数据、水电数据在原始数据集中的权重占比。
3.根据权利要求2所述的基于多模型集成的企业信贷推荐方法，其特征在于，所述企业基本信息数据包括企业注册信息、经营范围与法人信息；所述企业多平台信用数据包括目标企业在不同平台的信用评分与信用记录；所述企业税务数据包括纳税记录与税务评级；所述企业经营数据包括财务报表、营收情况与利润情况；所述企业水电数据包括水电费缴纳情况与用水用电量。
4.根据权利要求1所述的基于多模型集成的企业信贷推荐方法，其特征在于，所述步骤2包括以下步骤：
5.根据权利要求1所述的基于多模型集成的企业信贷推荐方法，其特征在于，所述步骤3的特征提取包括主成分分析 (pca）方法，通过正交变换将原始数据集转换为一组线性不相关的主成分，所述主成分为原始数据集提取出的特征。
6.根据权利要求1所述的基于多模型集成的企业信贷推荐方法，其特征在于，所述深度学习模型的模型训练过程还包括引入lora技术进行迁移微调。
7.根据权利要求1所述的基于多模型集成的企业信贷推荐方法，其特征在于，所述步骤5包括以下步骤：
