资方筛选方法、资方筛选设备以及计算机可读存储介质

摘要

本申请实施例公开了一种资方筛选方法、资方筛选设备以及计算机可读存储介质，用于筛选出处理当前订单的目标资方。本申请实施例方法包括：获得当前订单的订单风险值和预设风险阈值，确定多个备选资方，多个备选资方具有对应的资方风险值，针对每个备选资方，利用模糊逻辑推理算法，对当前订单风险值、预设风险阈值和备选资方的资方风险值进行模糊逻辑处理，得到备选资方对应的拒绝概率，拒绝概率用于表示备选资方拒绝当前订单的可能性，将拒绝概率不超过预设拒绝概率阈值的备选资方作为处理当前订单的目标资方。

说明书

技术领域

本申请实施例涉及资方筛选领域，更具体的，是资方筛选方法、资方筛选设备以及计算机可读存储介质。

背景技术

助贷平台有资方池，资方池有多个资方，助贷平台可以接收订单，并将订单匹配给资方，资方与助贷平台签订合同中规定了预设风险阈值，若资方的资方风险值超过预设风险阈值，助贷平台需要向资方缴纳惩罚金，为了提高大盘盈利利润，需要减少助贷平台向资方缴纳惩罚金的情况，因此，需要在资方池中的备选资方中筛选出处理订单的目标资方，以使目标资方处理该订单后的资方风险值尽量小于或等于预设风险阈值。

现有的资方筛选方法是可以获得当前订单的订单风险值、预设风险阈值，和每个资方的资方风险值，可以先判断订单风险值是否小于或等于预设风险阈值，若是，则判断每个备选资方的资方风险值是否小于或等于预设风险阈值，得到判断结果，并根据判断结果，将资方风险值小于或等于预设风险阈值的备选资方作为处理当前订单的目标资方。

但是，对于这种资方筛选方法，在满足订单风险小于预设风险阈值的条件下，备选资方只要资方风险值小于或等于预设风险阈值就可以作为处理当前订单的目标资方，因此，若备选资方的资方风险值快达到预设风险阈值时，依然可以处理当前订单，放款成功后，增大了目标资方的资方风险大于预设风险阈值的概率，增大了助贷平台需要向目标资方缴纳惩罚金的概率，减少了大盘盈利的利润。

发明内容

本申请实施例提供了一种资方筛选方法、资方筛选设备以及计算机可读存储介质，能够筛选出处理当前订单的目标资方。

第一方面，本申请实施例提供了一种资方筛选方法，包括：

获得当前订单的订单风险值和预设风险阈值；

确定多个备选资方，所述多个备选资方具有对应的资方风险值；

针对每个所述备选资方，利用模糊逻辑推理算法，对所述当前订单风险值、所述预设风险阈值和所述备选资方的资方风险值进行模糊逻辑处理，得到所述备选资方对应的拒绝概率；所述拒绝概率用于表示所述备选资方拒绝所述当前订单的可能性；

将所述拒绝概率不超过预设拒绝概率阈值的备选资方作为处理所述当前订单的目标资方。

可选的，所述利用模糊逻辑推理算法，将所述资方风险值、所述当前订单风险值和所述预设风险阈值进行模糊逻辑处理之前，所述方法还包括：

获得每个所述备选资方的历史订单金额和历史订单风险值；

针对每个所述备选资方，根据所述备选资方的历史订单金额和历史订单风险值得到所述备选资方的资方风险值。

可选的，所述根据所述备选资方的历史订单金额和历史订单风险确定所述备选资方的资方风险值，包括：

将所述备选资方的历史订单金额和历史订单风险值进行加权平均，得到所述备选资方的资方风险值。

可选的，所述利用模糊逻辑推理算法，将所述资方风险值、所述当前订单风险值和所述预设风险阈值进行模糊逻辑处理，得到所述备选资方拒绝所述当前订单的拒绝概率，包括:

将所述资方风险值与所述预设风险阈值的差作为第一输入量，并将所述当前订单风险值与所述资方风险值的差作为第二输入量；

将所述第一输入量输入第一隶属度函数得到第一输入量的隶属度，并将所述第二输入量输入第二隶属度函数得到第二输入量的隶属度；

根据所述第一输入量的隶属度和所述第二输入量的隶属度，确定所述第一输入量和所述第二输入量对应的目标拒绝意愿模糊标记以及每种目标拒绝意愿模糊标记的隶属度；

将每种目标拒绝意愿模糊标记的隶属度和每种目标拒绝意愿模糊标记对应的预设权重进行加权平均，得到所述拒绝概率。

可选的，所述根据所述第一输入量的隶属度和所述第二输入量的隶属度，确定所述第一输入量和所述第二输入量对应的目标拒绝意愿模糊标记以及每种目标拒绝意愿模糊标记的隶属度，包括：

在预设模糊规则库中，将所述第一输入量的隶属度和所述第二输入量的隶属度对应的拒绝意愿模糊标记作为目标拒绝意愿模糊标记；

根据目标拒绝意愿模糊标记对应的第一输入量的隶属度和所述第二输入量的隶属度，确定所述目标拒绝意愿模糊标记的强度值；

根据至少一个所述目标拒绝意愿模糊标记的强度值，确定每种目标拒绝意愿模糊标记的隶属度。

可选的，所述根据目标拒绝意愿模糊标记对应的第一输入量的隶属度和所述第二输入量的隶属度，确定所述目标拒绝意愿模糊标记的强度值，包括：

将目标拒绝意愿模糊标记对应的第一输入量的隶属度和所述第二输入量的隶属度中的较小隶属度，作为所述目标拒绝意愿模糊标记的的强度值。

可选的，所述根据至少一个所述目标拒绝意愿模糊标记的强度值，确定每种目标拒绝意愿模糊标记的隶属度，包括：

在至少一个所述目标拒绝意愿模糊标记中，确定属于同一种的目标拒绝意愿模糊标记；

将同一种的目标拒绝意愿模糊标记的强度值中的最大值作为该种目标拒绝意愿模糊标记的隶属度。

第二方面，本申请实施例提供了一种资方筛选设备，包括：

获得单元，用于获得当前订单的订单风险值和预设风险阈值；

确定单元，用于确定多个备选资方，所述多个备选资方具有对应的资方风险值；

处理单元，用于针对每个所述备选资方，利用模糊逻辑推理算法，对所述当前订单风险值、所述预设风险阈值和所述备选资方的资方风险值进行模糊逻辑处理，得到所述备选资方对应的拒绝概率；所述拒绝概率用于表示所述备选资方拒绝所述当前订单的可能性；

作为单元，用于将所述拒绝概率不超过预设拒绝概率阈值的备选资方作为处理所述当前订单的目标资方。

第三方面，本申请实施例提供了一种资方筛选设备，包括：

中央处理器，存储器，输入输出接口，有线或无线网络接口以及电源；

所述存储器为短暂存储存储器或持久存储存储器；

所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行前述资方筛选方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质包括指令，当指令在计算机上运行时，使得计算机执行前述资方筛选方法。

第五方面，本申请实施例提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行前述资方筛选方法。

从以上技术方案可以看出，本申请实施例具有以下优点：可以针对每个备选资方，利用模糊逻辑推理算法，对当前订单风险值、预设风险阈值和备选资方的资方风险值进行模糊逻辑处理，得到备选资方对应的拒绝概率，拒绝概率用于表示备选资方拒绝当前订单的可能性，将拒绝概率不超过预设拒绝概率阈值的备选资方作为处理当前订单的目标资方。提高了备选资方可以作为处理当前订单的目标资方的要求，放款成功后，减小了目标资方的资方风险大于预设风险阈值的概率，减小了助贷平台需要向目标资方缴纳惩罚金的概率，增大了大盘盈利的利润。

附图说明

图1为本申请实施例公开的一种资方筛选方法的流程示意图；

图2为本申请实施例公开的一种模糊逻辑处理方法的流程示意图；

图3为本申请实施例公开的一种第一隶属度函数示意图；

图4为本申请实施例公开的一种第二隶属度函数示意图；

图5为本申请实施例公开的一种拒绝意愿隶属度函数示意图；

图6为本申请实施例公开的一种模糊逻辑推理曲面示意图；

图7为本申请实施例公开的一种资方筛选设备的结构示意图；

图8为本申请实施例公开的另一种资方筛选设备的结构示意图；

图9为本申请实施例公开的又一种资方筛选设备的结构示意图。

具体实施方式

本申请实施例提供了一种资方筛选方法、资方筛选设备以及计算机可读存储介质，用于筛选出处理当前订单的目标资方，资方筛选设备即资方风险控制设备。

请参阅图1，图1为本申请实施例公开的一种资方筛选方法的流程示意图，方法包括：

101、获得当前订单的订单风险值和预设风险阈值。

本实施例中，当进行资方筛选时，可以获得当前订单的订单风险值和预设风险阈值。

102、确定多个备选资方，多个备选资方具有对应的资方风险值。

可以确定多个备选资方，多个备选资方具有对应的资方风险值。

103、针对每个备选资方，利用模糊逻辑推理算法，对当前订单风险值、预设风险阈值和备选资方的资方风险值进行模糊逻辑处理，得到备选资方对应的拒绝概率；拒绝概率用于表示备选资方拒绝当前订单的可能性。

确定多个备选资方之后，可以针对每个备选资方，利用模糊逻辑推理算法，对当前订单风险值、预设风险阈值和备选资方的资方风险值进行模糊逻辑处理，得到备选资方对应的拒绝概率；拒绝概率用于表示备选资方拒绝当前订单的可能性。可以理解的是，利用模糊逻辑推理算法，对当前订单风险值、预设风险阈值和备选资方的资方风险值进行模糊逻辑处理，可以得到较能体现备选资方拒绝当前订单可能性的拒绝概率，拒绝概率可以作为资方筛选的筛选依据。因此，利用模糊逻辑推理算法，对当前订单风险值、预设风险阈值和备选资方的资方风险值进行模糊逻辑处理，具有一定的意义。

104、将拒绝概率不超过预设拒绝概率阈值的备选资方作为处理当前订单的目标资方。

得到备选资方对应的拒绝概率之后，可以将拒绝概率不超过预设拒绝概率阈值的备选资方作为处理当前订单的目标资方。

本申请实施例中，可以针对每个备选资方，利用模糊逻辑推理算法，对当前订单风险值、预设风险阈值和备选资方的资方风险值进行模糊逻辑处理，得到备选资方对应的拒绝概率，拒绝概率用于表示备选资方拒绝当前订单的可能性，将拒绝概率不超过预设拒绝概率阈值的备选资方作为处理当前订单的目标资方。提高了备选资方可以作为处理当前订单的目标资方的要求，放款成功后，减小了目标资方的资方风险大于预设风险阈值的概率，减小了助贷平台需要向目标资方缴纳惩罚金的概率，增大了大盘盈利的利润。

本申请实施例中，利用模糊逻辑推理算法，将资方风险值、当前订单风险值和预设风险阈值进行模糊逻辑处理，得到备选资方拒绝当前订单的拒绝概率的方法可以有多种，下面对其中的一种方法进行描述。

本实施例中，助贷平台的资方池中有多个备选资方，备选资方可以为备选的可以提供资金的机构，还可以是其他可以提供资金的资金方，具体此处不做限定。当助贷平台接收当前订单时，人工智能匹配模型在决策备选资方的匹配顺序前，可以在资方池中筛选备选资方，将满足条件的备选资方作为处理当前订单的目标资方，以防资方风险值猛超预设风险阈值的情况发生，从而造成损失。当进行资方筛选时，可以获得当前订单的订单风险值和预设风险阈值，当前订单可以为基于用户信息、订单金额、账期和利率等信息形成的，具体当前订单的形成方式此处不做限定。

可以确定多个备选资方，多个备选资方具有对应的资方风险值。其中，多个备选资方的资方风险值为预先确定的，确定方法可以是，获得每个备选资方的历史订单金额和历史订单风险值，针对每个备选资方，根据备选资方的历史订单金额和历史订单风险值得到备选资方的资方风险值，还可以是根据备选资方处理的历史订单的其他相关信息确定的，也可以是根据备选资方的其他相关信息确定，具体确定备选资方的资方风险值的方法此处不做限定。其中，根据备选资方的历史订单金额和历史订单风险值得到备选资方的资方风险值的方法可以是将备选资方的历史订单金额和历史订单风险值进行加权平均，得到备选资方的资方风险值，具体的公式如下：

公式1

其中，Zr为资方风险值，od_amt为历史订单金额，od_lc为历史订单风险。可以理解的是，除了上述得到资方风险值的方法之外，还可以是其他根据备选资方的历史订单金额和历史订单风险值得到备选资方的资方风险值的方法，具体此处不做限定。

得到备选资方的资方风险值之后，可以针对每个备选资方，利用模糊逻辑推理算法，对当前订单风险值、预设风险阈值和备选资方的资方风险值进行模糊逻辑处理，得到备选资方对应的拒绝概率；拒绝概率用于表示备选资方拒绝当前订单的可能性。其中，进行模糊逻辑处理，得到拒绝概率的方法可以有多种，下面对其中一种方法进行描述，请参阅图2，图2为本申请实施例公开的一种模糊逻辑处理方法的流程示意图，方法包括：

201、将资方风险值与预设风险阈值的差作为第一输入量，并将当前订单风险值与资方风险值的差作为第二输入量。

可以将资方风险值与预设风险阈值的差作为第一输入量，并将当前订单风险值与资方风险值的差作为第二输入量。

可以理解的是，第一输入量和第二输入量可以有对应的数值范围，具体的数值范围不做限定。对于本实施例，举个例子，第一输入量的数值范围为(-0.5～0.5)，第二输入量的数值范围为(-1～1)。

202、将第一输入量输入第一隶属度函数得到第一输入量的隶属度，并将第二输入量输入第二隶属度函数得到第二输入量的隶属度。

得到第一输入量和第二输入量之后，可以将第一输入量输入第一隶属度函数得到第一输入量的隶属度，并将第二输入量输入第二隶属度函数得到第二输入量的隶属度。

值得一提的是，第一隶属度函数和第二隶属度函数是预先确定的，具体的，可以预先获得第一输入量的数值范围和第二输入量的数值范围，对于第一输入量和第二输入量可以设置预设数量的模糊标记，比如第一输入量和第二输入量都设置5个模糊标记，分别为高很多、高一点、几乎相等、低一点和低很多，请参阅图3，图3为本申请实施例公开的一种第一隶属度函数示意图，图3中不同的线代表不同的模糊标记，x轴代表第一输入量，y轴代表第一输入量的隶属度，请参阅图4，图4为本申请实施例公开的一种第二隶属度函数示意图，图4中不同的线代表不同的模糊标记，x轴代表第二输入量，y轴代表第二输入量的隶属度。举个例子，第一输入量为0.015，将0.015输入第一隶属度函数，可以得到第一输入量的隶属度。请参阅表1，表1为本申请实施例公开的一种第一输入量的隶属度。

第一输入量:资方风险值-预设风险阈值0.015

表1

第二输入量为-0.01，将-0.01输入第二隶属度函数，可以得到第二输入量的隶属度。请参阅表2，表2为本申请实施例公开的一种第二输入量的隶属度。

第二输入量:订单风险值-资方风险值-0.01

表2

203、根据第一输入量的隶属度和第二输入量的隶属度，确定第一输入量和第二输入量对应的目标拒绝意愿模糊标记以及每种目标拒绝意愿模糊标记的隶属度。

得到第一输入量的隶属度和第二输入量的隶属度之后，可以根据第一输入量的隶属度和第二输入量的隶属度，确定第一输入量和第二输入量对应的目标拒绝意愿模糊标记以及每种目标拒绝意愿模糊标记的隶属度。具体的，根据第一输入量的隶属度和第二输入量的隶属度，确定第一输入量和第二输入量对应的目标拒绝意愿模糊标记以及每种目标拒绝意愿模糊标记的隶属度的方法有多种，可以是在预设模糊规则库中，将第一输入量的隶属度和第二输入量的隶属度对应的拒绝意愿模糊标记作为目标拒绝意愿模糊标记，根据目标拒绝意愿模糊标记对应的第一输入量的隶属度和第二输入量的隶属度，确定目标拒绝意愿模糊标记的强度值，根据至少一个目标拒绝意愿模糊标记的强度值，确定每种目标拒绝意愿模糊标记的隶属度。

值得一提的是，预设模糊规则库为预先确定的，确定的方法是根据第一输入量模糊标记、第二输入量模糊标记、预先确定的拒绝意愿模糊标记、业务经验及实际数值分布情况确定的。其中，拒绝意愿模糊标记的确定方法可以是预先获得拒绝意愿的数值范围，拒绝意愿的数值范围可以为(0-1)，可以设置预设数量的拒绝意愿模糊标记，比如可以是三个拒绝意愿模糊标记，分别为拒绝意愿强、拒绝意愿中和拒绝意愿弱，请参阅图5，图5为本申请实施例公开的一种拒绝意愿隶属度函数示意图。图5中不同的线代表不同的模糊标记，x轴代表拒绝意愿，y轴代表第一输入量的隶属度。请参阅表3，表3为本申请实施例公开的一种预设模糊规则库。对于表3，第一输入量为资方风险值与预设风险阈值的差，第二输入量为当前订单风险值与资方风险值的差，若备选资方的资方风险超过预设风险阈值，订单风险值比资方风险值低很多，依然可以作为处理当前订单的目标资方，因为，订单风险值比资方风险值低，处理订单后，可以拉低资产风险值。

表3

请参阅图6，图6为本申请实施例公开的一种模糊逻辑推理曲面示意图，图6的坐标系为以第一输入量作为x轴，第二输入量作为y轴，拒绝意愿作为z轴的三维坐标系。

需要理解的是，其中，根据目标拒绝意愿模糊标记对应的第一输入量的隶属度和第二输入量的隶属度，确定目标拒绝意愿模糊标记的强度值的方法可以是，将目标拒绝意愿模糊标记对应的第一输入量的隶属度和第二输入量的隶属度中的较小隶属度，作为目标拒绝意愿模糊标记的的强度值，还可以是其他根据目标拒绝意愿模糊标记对应的第一输入量的隶属度和第二输入量的隶属度，确定目标拒绝意愿模糊标记的强度值的方法，具体此处不做限定。其中，根据至少一个目标拒绝意愿模糊标记的强度值，确定每种目标拒绝意愿模糊标记的隶属度的方法可以是在至少一个目标拒绝意愿模糊标记中，确定属于同一种的目标拒绝意愿模糊标记，将同一种的目标拒绝意愿模糊标记的强度值中的最大值作为该种目标拒绝意愿模糊标记的隶属度，还可以是其他根据至少一个目标拒绝意愿模糊标记的强度值，确定每种目标拒绝意愿模糊标记的隶属度的方法，具体此处不做限定。举个例子，第一输入量为0.015，第二输入量为-0.01，得到第一输入量的隶属度为“高很多的隶属度为0.0102、高一点的隶属度为0.9444、几乎相等的隶属度为0、低一点的隶属度为0和低很多的隶属度为0”，第二输入量的隶属度为“高很多的隶属度为0、高一点的隶属度为0、几乎相等的隶属度为0.9800、低一点的隶属度为0.0200和低很多的隶属度为0”，根据第一输入量的隶属度和第二输入量的隶属度，请继续参考表1，可以在预设模糊规则库中，可以确定第一输入量为0.015的隶属度和第二输入量为-0.01的隶属度对应的目标模糊规则，目标模糊规则如下：

目标模糊规则a：资方风险值比预设风险阈值高很多的隶属度为0.0102、订单风险值与资方风险值几乎相等的隶属度为0.9800，目标拒绝意愿模糊标记为拒绝意愿强；

目标模糊规则b：资方风险值比预设风险阈值高很多的隶属度为0.0102、订单风险值比资方风险值低一点的隶属度为0.0200，目标拒绝意愿模糊标记为拒绝意愿中；

目标模糊规则c：资方风险值比预设风险阈值高一点的隶属度为0.9444、订单风险值与资方风险值几乎相等的隶属度为0.9800，目标拒绝意愿模糊标记为拒绝意愿中；

目标模糊规则d：资方风险值比预设风险阈值高很多的隶属度为0.9444、订单风险值与资方风险值几乎相等的隶属度为0.0200，目标拒绝意愿模糊标记为拒绝意愿弱。

得到目标模糊规则后，可以确定第一输入量为0.015的隶属度和第二输入量为-0.01的隶属度对应的目标拒绝意愿模糊标记有拒绝意愿强、拒绝意愿中和拒绝意愿弱，可以将目标拒绝意愿模糊标记对应的第一输入量的隶属度和第二输入量的隶属度中的较小隶属度，作为目标拒绝意愿模糊标记的的强度值，因此，目标模糊规则a的强度为0.0102，目标模糊规则b的强度为0.0102，目标模糊规则c的强度为0.9444，目标模糊规则d的强度为0.0200，在这四个目标模糊规则中，目标模糊规则b和目标模糊规则c的拒绝意愿模糊标记都为中，则可以将强度值中的最大值作为中的隶属度，因此，对于第一输入量为0.015，第二输入量为-0.01，拒绝意愿模糊标记为中的隶属度为0.9444，拒绝意愿模糊标记为高的隶属度为0.0102，拒绝意愿模糊标记为低的隶属度为0.0200。可以理解的是，除了上面描述的确定第一输入量和第二输入量对应的目标拒绝意愿模糊标记以及每种目标拒绝意愿模糊标记的隶属度的方法之外，还可以是其他根据第一输入量的隶属度和第二输入量的隶属度，确定第一输入量和第二输入量对应的目标拒绝意愿模糊标记以及每种目标拒绝意愿模糊标记的隶属度的方法，具体此处不做限定。

204、将每种目标拒绝意愿模糊标记的隶属度和每种目标拒绝意愿模糊标记对应的预设权重进行加权平均，得到拒绝概率。

确定第一输入量和第二输入量对应的目标拒绝意愿模糊标记以及每种目标拒绝意愿模糊标记的隶属度之后，可以将每种目标拒绝意愿模糊标记的隶属度和每种目标拒绝意愿模糊标记对应的预设权重进行加权平均，得到拒绝概率。继续举第一输入量为0.015，第二输入量为-0.01的例子，得到拒绝意愿中的隶属度为0.9444，拒绝意愿模糊高的隶属度为0.0102，拒绝意愿低的隶属度为0.0200之后，每种目标拒绝意愿模糊标记对应的预设权重比如拒绝意愿强的权重为1、拒绝意愿中的权重为0.5和拒绝意愿弱的权重为0.001，可以计算第一输入量为0.015，第二输入量为-0.01的拒绝概率，计算公式如下：

公式2

得到第一输入量为0.015，第二输入量为-0.01的拒绝概率为0.4950。可以理解的是，除了图2所示的模糊逻辑处理方法之外，还可以是其他进行模糊逻辑处理，得到拒绝概率的方法，具体此处不做限定。

得到备选资方对应的拒绝概率之后，可以将拒绝概率不超过预设拒绝概率阈值的备选资方作为处理当前订单的目标资方。继续举第一输入量为0.015，第二输入量为-0.01的例子，得到第一输入量为0.015，第二输入量为-0.01的拒绝概率为0.4950之后，比如预设拒绝概率阈值为0.6，因为0.4950小于0.6，所以可以将该备选资方作为处理当前订单的目标资方。

可以理解的是，备选资方可以是分润模式下的分润资方，还可以是其他模式下的资方，具体此处不做限定。还可以理解的是，处理当前订单的目标资方可以是直接处理当前订单的资方，也可以是作为处理当前订单的再次备选的资方，具体此处不做限定。还可以理解的是，模糊逻辑推理算法具有可迁移性，除了可以用于筛选资方的业务场景，还可以用于其他需要决策的业务场景，具体此处不做限定。

本实施例中，可以针对每个备选资方，利用模糊逻辑推理算法，对当前订单风险值、预设风险阈值和备选资方的资方风险值进行模糊逻辑处理，得到备选资方对应的拒绝概率，拒绝概率用于表示备选资方拒绝当前订单的可能性，将拒绝概率不超过预设拒绝概率阈值的备选资方作为处理当前订单的目标资方。提高了备选资方可以作为处理当前订单的目标资方的要求，放款成功后，减小了目标资方的资方风险大于预设风险阈值的概率，减小了助贷平台需要向目标资方缴纳惩罚金的概率，增大了大盘盈利的利润。其次，可以理解的是，引入的模糊逻辑推理算法即应用到资产分配中的资方风险控制，通过输入变量的方式使得整个资方风险控制变得简单且有效，基于资方风险值、订单风险值和预设风险阈值输入控制模块，可以输出最终决策的强度数值，既能将精确的数值模糊化进行推理，又能输出准确的决策强度数值辅助决策。再者，第一隶属度函数、第二隶属度函数和预设模糊规则库，都是经过业务经验和线上不断调试得到的，全流程把控，在任何情况下控制模块都是有效的，提高了资方筛选和资方风险控制的实时性。

上面对本申请实施例中的资方筛选方法进行了描述，下面对本申请实施例中的资方筛选设备进行描述，请参阅图7，本申请实施例中的资方筛选设备一个实施例包括：

获得单元701，用于获得当前订单的订单风险值和预设风险阈值；

确定单元702，用于确定多个备选资方，所述多个备选资方具有对应的资方风险值；

处理单元703，用于针对每个所述备选资方，利用模糊逻辑推理算法，对所述获得单元701获得的当前订单风险值、所述预设风险阈值和所述确定单元702确定的备选资方的资方风险值进行模糊逻辑处理，得到所述备选资方对应的拒绝概率；所述拒绝概率用于表示所述备选资方拒绝所述当前订单的可能性；

作为单元704，用于将所述处理单元703处理得到的拒绝概率不超过预设拒绝概率阈值的备选资方作为处理所述当前订单的目标资方。

本申请实施例中，可以针对每个备选资方，利用模糊逻辑推理算法，对当前订单风险值、预设风险阈值和备选资方的资方风险值进行模糊逻辑处理，得到备选资方对应的拒绝概率，拒绝概率用于表示备选资方拒绝当前订单的可能性，将拒绝概率不超过预设拒绝概率阈值的备选资方作为处理当前订单的目标资方。提高了备选资方可以作为处理当前订单的目标资方的要求，放款成功后，减小了目标资方的资方风险大于预设风险阈值的概率，减小了助贷平台需要向目标资方缴纳惩罚金的概率，增大了大盘盈利的利润。

下面对本申请实施例中的资方筛选设备进行详细描述，请参阅图8，本申请实施例中的资方筛选设备另一实施例包括：

获得单元801，用于获得当前订单的订单风险值和预设风险阈值；

确定单元802，用于确定多个备选资方，所述多个备选资方具有对应的资方风险值；

处理单元803，用于针对每个所述备选资方，利用模糊逻辑推理算法，对所述获得单元801获得的当前订单风险值、所述预设风险阈值和所述确定单元802确定的备选资方的资方风险值进行模糊逻辑处理，得到所述备选资方对应的拒绝概率；所述拒绝概率用于表示所述备选资方拒绝所述当前订单的可能性；

作为单元804，用于将所述处理单元803处理得到的拒绝概率不超过预设拒绝概率阈值的备选资方作为处理所述当前订单的目标资方。

所述资方筛选设备还包括：得到单元805；

所述获得单元801，还用于获得每个所述备选资方的历史订单金额和历史订单风险值；

所述得到单元805，具体用于针对每个所述备选资方，根据所述获得单元801获得的备选资方的历史订单金额和历史订单风险值得到所述备选资方的资方风险值。

所述确定单元802，具体用于将所述获得单元801获得的备选资方的历史订单金额和历史订单风险值进行加权平均，得到所述备选资方的资方风险值。

所述得到单元805，具体用于将所述确定单元802确定的资方风险值与所述获得单元801获得的预设风险阈值的差作为第一输入量，并将所述当前订单风险值与所述资方风险值的差作为第二输入量，将所述第一输入量输入第一隶属度函数得到第一输入量的隶属度，并将所述第二输入量输入第二隶属度函数得到第二输入量的隶属度，根据所述第一输入量的隶属度和所述第二输入量的隶属度，确定所述第一输入量和所述第二输入量对应的目标拒绝意愿模糊标记以及每种目标拒绝意愿模糊标记的隶属度，将每种目标拒绝意愿模糊标记的隶属度和每种目标拒绝意愿模糊标记对应的预设权重进行加权平均，得到所述拒绝概率。

所述确定单元802，具体用于在预设模糊规则库中，将所述第一输入量的隶属度和所述第二输入量的隶属度对应的拒绝意愿模糊标记作为目标拒绝意愿模糊标记，根据目标拒绝意愿模糊标记对应的第一输入量的隶属度和所述第二输入量的隶属度，确定所述目标拒绝意愿模糊标记的强度值，根据至少一个所述目标拒绝意愿模糊标记的强度值，确定每种目标拒绝意愿模糊标记的隶属度。

所述确定单元802，具体用于将目标拒绝意愿模糊标记对应的所述得到单元805得到的第一输入量的隶属度和所述第二输入量的隶属度中的较小隶属度，作为所述目标拒绝意愿模糊标记的的强度值。

所述确定单元802，具体在至少一个所述目标拒绝意愿模糊标记中，确定属于同一种的目标拒绝意愿模糊标记，将同一种的目标拒绝意愿模糊标记的所述确定单元802确定的强度值中的最大值作为该种目标拒绝意愿模糊标记的隶属度。

本实施例中，资方筛选设备中的各单元执行如前述图1和图2所示实施例中资方筛选设备的操作，具体此处不再赘述。

下面请参阅图9，本申请实施例中车辆共享设备900的又一实施例包括：

中央处理器901，存储器905，输入输出接口904，有线或无线网络接口903以及电源902；

存储器905为短暂存储存储器或持久存储存储器；

中央处理器901配置为与存储器905通信，并执行存储器905中的指令操作以执行前述图1和图2所示实施例中的方法。

本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质包括指令，当指令在计算机上运行时，使得计算机执行前述图1和图2所示实施例中的方法。

本申请实施例还提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行前述图1和图2所示实施例中的方法。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。