用户信息共享、竞价方法、装置、系统及电子设备
技术领域
本说明书涉及计算机应用领域,尤其涉及一种用户信息共享、竞价方法、装置、系统及电子设备。
背景技术
随着互联网技术的飞速发展,用户的个人数据的网络化和透明化已经成为不可阻挡的大趋势。对于一些面向用户提供互联网服务的服务平台而言,可以通过采集用户日常产生的服务数据,收集到海量的用户数据。而这些用户数据对于服务平台的运营方来说,是非常珍贵的“资源”,服务平台的运营方可以通过数据挖掘和机器学习,基于这些“资源”来构建用户评估模型,并利用该用户评估模型对用户进行评估决策,为用户标记相应的用户标签,进而可以基于为各用户标定的用户标签,来指导面向用户的业务运营。
例如,在信贷发放的场景下,可以从海量的用户数据中提取出若干个维度的数据特征,并基于提取出的这些特征构建训练样本,通过特定的机器学习算法训练来创建用户风险评估模型,然后使用该用户风险评估模型,对用户进行风险评估,并基于风险评估结果来决策该用户是否为风险用户,为用户标定风险标签,进而可以基于为各用户标定的用户标签来决定是否需要向用户发放贷款。
发明内容
本说明书公开一种用户信息共享方法,包括:
基于用户评估模型对用户进行评估,并基于评估结果对所述用户标定对应的用户标签;其中,所述用户评估模型为基于多个数据提供方提供的用户数据训练得到的机器学习模型;
接收到多个数据使用方发送的用户标签获取请求;其中,所述用户标签获取请求中携带各个数据使用方用于请求用户标签的虚拟资源的数量;
基于各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量,从所述多个数据使用方中确定出最优数据使用方;
将请求的用户标签下发至所述最优数据使用方。
可选的,所述基于各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量,从所述多个数据使用方中确定出最优数据使用方,包括:
比较各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量;
将携带的虚拟资源的数量最高的用户标签获取请求对应的数据使用方确定为最优数据使用方。
可选的,所述用户标签获取请求中还携带用户信息;
所述将请求的用户标签下发至所述最优数据使用方,包括:
查找与所述用户标签获取请求中携带的用户信息关联存储的用户标签;
将查找到用户标签下发至所述最优数据使用方。
可选的,还包括:
基于对应于各数据提供方的权重值,为各数据提供方发放虚拟资源;其中,发放的所述虚拟资源的数量与所述权重值成正比。
可选的,所述虚拟资源为虚拟资金。
可选的,所述用户评估模型为用户风险评估模型;所述评估结果为风险评分;所述用户标签指示所述用户的风险能力等级。
本说明书还提出一种用户信息共享装置,包括:
第一评估模块,基于用户评估模型对用户进行评估,并基于评估结果对所述用户标定对应的用户标签;其中,所述用户评估模型为基于多个数据提供方提供的用户数据训练得到的机器学习模型;
第一接收模块,接收到多个数据使用方发送的用户标签获取请求;其中,所述用户标签获取请求中携带各个数据使用方用于请求用户标签的虚拟资源数量;
第一确定模块,基于各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量,从所述多个数据使用方中确定出最优数据使用方;
第一下发模块,将请求的的用户标签,下发至所述最优数据使用方。
可选的,所述第一确定模块:
比较各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量;
将携带的虚拟资源的数量最高的用户标签获取请求对应的数据使用方确定为最优数据使用方。
可选的,所述用户标签获取请求中还携带用户信息;
所述第一下发模块:
查找与所述用户标签获取请求中携带的用户信息关联存储的用户标签;将查找到的用户标签下发至所述最优数据使用方。
可选的,还包括:
第一发放模块,基于对应于各数据提供方的权重值,为各数据提供方发放虚拟资源;其中,发放的所述虚拟资源的数量与所述权重值成正比。
可选的,所述虚拟资源为虚拟资金。
可选的,所述用户评估模型为用户风险评估模型;所述评估结果为风险评分;所述用户标签指示所述用户的风险能力等级。
本说明书还提出一种用户信息共享系统,包括:
多个数据提供方服务端,向建模服务端上传用户数据;
建模服务端,基于多个数据提供方提供的用户数据进行机器学习训练得到用户评估模型,并基于该用户评估模型对用户进行评估;以及,基于评估结果对所述用户标定对应的用户标签;
多个数据使用方服务端,向建模服务端发送用户标签获取请求;其中,所述用户标签获取请求中携带各个数据使用方用于请求用户标签的虚拟资源数量;
其中,所述建模服务端进一步基于各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量,从所述多个数据使用方中确定出最优数据使用方,并将请求的用户标签,下发至所述最优数据使用方。
本说明书还提出一种用户信息竞价方法,包括:
基于用户评估模型对用户进行评估,并基于评估结果对所述用户标定对应的用户标签;其中,所述用户评估模型为基于多个数据提供方提供的用户数据训练得到的机器学习模型;
接收到多个数据使用方发送的用户标签竞价请求;其中,所述用户标签竞价请求中携带各个数据使用方用于请求用户标签的竞价金额;
基于各个数据使用方发送的用户标签竞价请求中携带的竞价金额,从所述多个数据使用方中确定出最优数据使用方;
将请求的用户标签下发至所述最优数据使用方。
本说明书还提出一种用户信息竞价装置,包括:
第二评估模块,基于用户评估模型对用户进行评估,并基于评估结果对所述用户标定对应的用户标签;其中,所述用户评估模型为基于多个数据提供方提供的用户数据训练得到的机器学习模型;
第二接收模块,接收到多个数据使用方发送的用户标签竞价请求;其中,所述用户标签竞价请求中携带各个数据使用方用于请求用户标签的竞价金额;
第二确定模块,基于各个数据使用方发送的用户标签竞价请求中携带的竞价金额,从所述多个数据使用方中确定出最优数据使用方;
第二下发模块,将请求的用户标签下发至所述最优数据使用方。
本说明书还提出一种用户信息竞价系统,包括:
多个数据提供方服务端,向建模服务端上传用户数据;
建模服务端,基于多个数据提供方提供的用户数据进行机器学习训练得到用户评估模型,并基于该用户评估模型对用户进行评估;以及,基于评估结果对所述用户标定对应的用户标签;
多个数据使用方,向建模服务端发送用户标签竞价请求;其中,所述用户标签竞价请求中携带各个数据使用方用于请求用户标签的竞价金额;
其中,所述建模服务端进一步基于各个数据使用方发送的用户标签竞价请求中携带的竞价金额,从所述多个数据使用方中确定出最优数据使用方,并将请求的用户标签下发至所述最优数据使用方。
本说明书还提出一种电子设备,包括:
处理器;
用于存储机器可执行指令的存储器;
其中,通过读取并执行所述存储器存储的与用户信息共享的控制逻辑对应的机器可执行指令,所述处理器被促使:
基于用户评估模型对用户进行评估,并基于评估结果对所述用户标定对应的用户标签;其中,所述用户评估模型为基于多个数据提供方提供的用户数据训练得到的机器学习模型;
接收到多个数据使用方发送的用户标签获取请求;其中,所述用户标签获取请求中携带各个数据使用方用于请求用户标签的虚拟资源的数量;
基于各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量,从所述多个数据使用方中确定出最优数据使用方;
将请求的用户标签下发至所述最优数据使用方。
本说明书还提出另一种电子设备,包括:
处理器;
用于存储机器可执行指令的存储器;
其中,通过读取并执行所述存储器存储的与用户信息共享的控制逻辑对应的机器可执行指令,所述处理器被促使:
基于用户评估模型对用户进行评估,并基于评估结果对所述用户标定对应的用户标签;其中,所述用户评估模型为基于多个数据提供方提供的用户数据训练得到的机器学习模型;
接收到多个数据使用方发送的用户标签竞价请求;其中,所述用户标签竞价请求中携带各个数据使用方用于请求用户标签的竞价金额;
基于各个数据使用方发送的用户标签竞价请求中携带的竞价金额,从所述多个数据使用方中确定出最优数据使用方;
将请求的用户标签下发至所述最优数据使用方。
本说明书中,一方面,由于可以基于多个数据提供方提供的用户数据,来共同参与用户评估模型的训练,因此可以融合多方的数据作为训练样本训练模型,进而可以提升建模精度;
另一方面,由于可以基于多个数据使用方提交的用于请求用户标签的虚拟资源的数量,确定出一个最优数据使用方,因此在多个数据使用方均具有对用户标签的使用需求时,可以基于各个数据使用方用于请求用户标签的虚拟资源的数量,将各数据使用方请求的用户标签择优下发至最佳的数据使用方,从而可以最大程度的发挥出已标定出的用于标签的“数据价值”。
附图说明
图1是本说明书一实施例示出的一种用户信息共享方法的流程图;
图2是本说明书一实施例示出的一种建模方基于多个数据提供方提供的用户数据训练用户评估模型对用户进行评估决策的流程图;
图3是本说明书一实施例示出的一种用户信息竞价方法的流程图;
图4是本说明书一实施例示出的一种多个数据使用方对建模方维护的用户标签进行竞价的流程图;
图5是本说明书一实施例提供的承载用户信息共享装置的电子设备所涉及的硬件结构图;
图6是本说明书一实施例提供的所述用户信息共享装置的逻辑框图;
图7是本说明书一实施例提供的承载用户信息竞价装置的电子设备所涉及的硬件结构图;
图8是本说明书一实施例提供的所述用户信息竞价装置的逻辑框图。
具体实施方式
本说明书中,旨在提出一种“共享”多个数据提供方提供的用户数据训练用户评估模型,对用户进行评估并标定用户标签,以及将为用户已经标定的用户标签择优下发至最佳的数据使用方的技术方案。
在实现时,建模服务端可以基于多个数据提供方提供的用户数据进行机器学习训练得到用户评估模型,并基于该用户评估模型对用户进行评估,然后基于评估结果对所述用户标定用户标签。
当多个数据使用方对建模服务端维护的上述用户的用户标签具有使用需求时,可以向建模服务端发送用户标签获取请求,并在该用户标签获取请求中携带用于请求用户标签的虚拟资源的数量。
而当建模服务端接收到多个数据使用方发送的用户标签获取请求后,可以基于各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量,从各个数据使用方中确定出最优数据使用方,然后将各数据使用方请求的用户标签,下发至该最优数据使用方;
一方面,由于建模服务端可以基于多个数据提供方提供的用户数据,来共同参与用户评估模型的训练,因此可以融合多方的数据作为训练样本训练模型,进而可以提升建模精度;
另一方面,由于可以基于多个数据使用方提交的用于请求用户标签的虚拟资源的数量,确定出一个最优数据使用方,因此在多个数据使用方均具有对用户标签的使用需求时,可以基于各个数据使用方用于请求用户标签的虚拟资源的数量,将各数据使用方请求的用户标签择优下发至最佳的数据使用方,从而可以最大程度的发挥出已标定出的用于标签的“数据价值”。
例如,在互联网金融的应用背景下,上述用户评估模型可以是用户风险评估模型;上述评估结果为风险评分;而上述用户标签可以是基于用户的风险评分为各用户所标记的,可以用于指示各用户的风险能力等级的用户标签;而上述多个数据使用方可以是对特定用户人群的风险能力等级具有使用需求的金融机构;
在这种情况下,当各金融机构均具有对某一特定用户人群的风险能力等级的使用需求时(比如各金融机构在向特定用户人群提供金融产品时,需要评估该用户人群的风险能力等级),可以以“竞价”的方式,向建模服务端发送竞价请求,并在竞价请求中携带竞价金额。而建模服务端可以基于各个金融机构提交的竞价金额,择优的将已经标定出的用户标签,下发至最佳的金融机构(比如下发至竞价金额最高的金融机构),从而最大程度的发挥出已标定的用户标签的“数据价值”。
下面通过具体实施例并结合具体的应用场景进行详细描述。
请参考图1,图1是本说明书一实施例提供的一种用户信息共享方法,应用于建模方服务端,执行以下步骤:
步骤102,基于用户评估模型对用户进行评估,并基于评估结果对所述用户标定对应的用户标签;其中,所述用户评估模型为基于多个数据提供方提供的用户数据训练得到的机器学习模型;
步骤104,接收到多个数据使用方发送的用户标签获取请求;其中,所述用户标签获取请求中携带各个数据使用方用于请求用户标签的虚拟资源的数量;
步骤106,基于各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量,从所述多个数据使用方中确定出最优数据使用方;
步骤108,将请求的用户标签下发至所述最优数据使用方。
上述建模方,具体可以包括对用户信息进行维护运营的一方;而上述数据提供方,具体可以包括与上述建模方具有合作关系,可以将其本地维护的用户数据“共享”至上述建模方的另一方。而上述数据使用方,具体可以包括与上述建模方具有合作关系,对上述建模方所维护的用户信息具有使用需求的另一方。
在实际应用中,上述数据提供方、上述建模方和上述数据使用方,具体可以分别对应不同的运营方;
例如,上述建模方可以是Alipay的数据运营平台,而上述数据提供方可以是与Alipay的数据运营平台对接的诸如电商平台、第三方银行、快递公司、电信运营商等服务平台;而上述数据提供方可以是与Alipay的数据运营平台对接的,对Alipay的数据运营平台中维护的用户个人信息具有使用需求的诸如第三方的金融机构等服务平台。
上述所述用户评估模型,具体可以包括任意类型的用于对用户进行评估的机器学习模型;
例如,在示出的一种实施方式中,上述用户评估模型,具体可以是基于特定的机器学习算法训练出的用户风险评估模型(比如,用于对用户进行风险评估的评分卡模型或者逻辑回归模型);相应的,通过该用户评估模型对用户进行评估后输出的评估结果,则可以是表征该用户的风险水平的风险评分;其中,在实际应用中,该风险评分通常是一个0-1之间的浮点数值(比如,上述风险评分具体可以是一个表征用户风险水平的概率值);或者,在实际应用中,上述风险评分也可以包括其它形式的能够表征该用户的风险水平的评分(比如,信用评分等)。
在本说明书中,上述建模方的运营方可以预先维护一个用户列表。其中,该用户列表,具体可以是一张用于记录全体用户的用户信息的数据表。上述建模方可以将上述用户列表中的各个用户的用户数据作为训练样本,基于特定的机器学习算法进行机器学习训练,来创建用户评估模型,并基于该用户评估模型对上述用户列表中的各个用户进行评估。
其中,为了提升建模精准度,上述建模方可以融合各个数据提供方提供的用户数据,来共同参与建模。
在实现时,各个数据提供方的服务端可以分别在后台收集用户日常产生的用户数据,从收集到的这些用户数据中采集若干条用户数据作为数据样本,并对采集到的这些数据样本进行预处理,将其转换成适宜进行模型训练的标准化的数据样本,然后提供给建模方进行建模。
其中,上述用户数据的具体形态,取决于具体的业务场景以及建模需求,具体可以涵盖任意类型的,从中可以提取出用于训练用户评估模型的建模特征的用户数据,在本说明书中也不进行特别限定;
例如,在实际应用中,如果希望创建出一个用于对用户发起的贷款申请,或者支付交易进行风险评估的评分卡模型,上述用户数据则可以包括诸如用户的交易数据、购物记录、还款记录、消费记录、理财产品购买记录、银行流水记录、电信运营商的通话记录,等等,能够从中提取出用于训练风险评估模型的建模特征的用户数据。
当然,在实际应用中,各个数据提供方也可以将原始的用户数据提供给建模方,由建模方来完成以上示出的数据样本的采集以及预处理过程。
请参见图2,图2为本说明书示出的一种建模方基于多个数据提供方提供的用户数据训练用户评估模型对用户进行评估决策的流程图。
如图2所示,上述建模方的服务端(以下简称建模服务端),可以收集各个数据提供方提供的数据样本,并基于收集到的各个数据方提供的数据样本,来创建数据样本集合;
例如,在一种实现方式中,上述建模方的服务端可以将收集到的由各个数据提供方提供的数据样本,与本地维护的数据样本进行融合,创建一个共同的数据样本集合。
请继续参见图2,当上述数据样本集合创建完毕,上述建模服务端可以从上述数据样本集合中的各数据样本中,分别提取出若干个维度的数据特征(即最终参与建模的建模特征)。
其中,需要说明的是,一方面,提取出的上述若干个维度的数据特征的数量,在本说明书中不进行特别限定,本领域技术人员可以基于实际的建模需求进行选择。
另一方面,提取出的数据特征的具体类型,在本说明书中也不进行特别限定,本领域技术人员可以基于实际的建模需求,从上述数据样本中实际所包含的信息中来人工选定。
请继续参见图2,当从数据样本中分别提取出若干个维度的数据特征后,上述数据提供方服务端可以基于提取出的这些维度的数据特征对应的数据特征取值,为各数据样本分别生成一个数据特征向量,然后基于各数据样本的数据特征向量,构建出一个目标矩阵;比如,以从N条数据样本中分别提取出M个维度的数据特征为例,上述目标矩阵则可以是一个N*M维的矩阵。
此时,构建出的上述目标矩阵,即最终进行模型训练的训练样本集,各个数据提供方服务端,可以基于特定的机器学习算法,将上述目标矩阵作为原始的样本训练集进行机器学习,训练出一个用户评估模型。
其中,需要说明的是,上述机器学习算法具体可以是有监督的机器学习模型;例如,上述用户评估模型具体可以是LR(Logistic Regression,逻辑回归)模型。
在这种情况下,上述训练样本集中的每一条数据样本,可以分别携带一个预先标定的样本标签。其中,该样本标签的具体形态,通常也取决于具体的业务场景以及建模需求,在本说明书中也不进行特别限定;
在示出的一种实施方式中,如果上述用户评估模型为用户风险评估模型,那么上述用户风险评估模型对用户的评估结果,则可以是通过该模型得到的风险评分;而上述样本标签则具体可以是一个用于指示该用户的风险能力等级的用户标签。
其中,上述风险能力等级的划分,在本说明书中不进行特别限定,在实际应用中,可以基于实际的业务需求进行定义;
例如,以互联网金融的应用场景为例,假设上述建模服务端利用上述用户风险评估模型对上述用户进行评估,来确定用户在购买金融产品的风险承受能力,那么可以基于实际的需求,划分出若干个风险等级,然后为每一个风险等级定义一个对应的用户标签;比如,在一个例子中,上述风险等级可以划分为谨慎型、稳健型、平衡型、进取型、激进型等五类,在这种情况下,与各个风险等级对应的用户标签,则可以是“谨慎型用户、稳健型用户、平衡型用户、进取型用户、激进型用户”,等等。
其中,建模服务端基于有监督的机器学习算法训练用户评估模型的具体过程,在本说明书中不再进行详述,本领域技术人员在将本说明书记载的技术方案付诸实现时,可以参考相关技术中的记载。
例如,以上述有监督的机器学习算法为LR算法为例,在基于LR算法训练逻辑回归模型时,通常可以采用损失函数(Loss Function)来评估训练样本和对应的样本标签之间的拟合误差。在实现时,可以将训练样本和对应的样本标签作为输入值输入至损失函数中,并采用梯度下降法进行反复迭代计算,直至算法收敛,进而可以反向求解出训练样本和对应的样本标签之间的拟合误差最小时的模型参数(即训练样本中各个建模特征的最优权重值,该权重值可以表征各个建模特征对模型输出结果的贡献度)的取值,然后将求解出的该模型参数的取值作为最优参数,来构建上述逻辑回归模型。
请继续参见图2,当建模方需要对上述用户列表中的用户分别进行评估决策时,可以基于上述用户列表中的各个用户的用户ID,在本地维护的用户数据中查找对应的用户数据,并从查找到的用户数据中提取若干个维度的数据特征(提取的数据特征需要与训练模型时采用的建模特征相同),然后基于提取出的数据特征构建预测样本,并将该预测样本输入至已经训练完成的用户评估模型中进行计算,得到各个用户的评估结果。
请继续参见图2,当得到评估结果后,建模方可以基于对应于各个用户的评估结果,对各个用户进行决策,为各个用户标定用户标签。
其中,对上述目标用户进行决策时所采用的决策策略,在本说明书不进行特别限定;
在一种实现方式中,仍以上述用户评估模型为用户风险评估模型为例,在这种情况下,通过上述用户风险评估模型对上述用户列表中的用户进行风险评估后,模型将针对在训练阶段为训练样本标定的每一类用户标签,分别输出一个风险评分,而建模方基于模型输出的风险评分,对用户进行决策时,具体可以通过模型输出的与各类用户标签对应的风险评分中取值最大的风险评分,来为用户标定用户标签。
例如,以互联网金融的应用场景为例,假设上述建模服务端利用上述用户风险评估模型对上述用户进行评估,来确定用户在购买金融产品的风险承受能力,那么可以基于实际的需求,划分出若干个风险等级,然后为每一个风险等级定义一个对应的用户标签;比如,在一个例子中,上述风险等级可以划分为谨慎型、稳健型、平衡型、进取型、激进型等五类,在这种情况下,与各个风险等级对应的用户标签,则可以是“谨慎型用户、稳健型用户、平衡型用户、进取型用户、激进型用户”,等等。
而当通过上述用户风险评估模型对上述用户列表中的用户进行风险评估后,模型将针对以上示出的每一类用户标签,分别输出一个风险评分。在这种情况下,建模方可以基于与各类用户标签对应的风险评分中取值最大的风险评分,来为用户标定用户标签;比如,假设模型输出的与“谨慎型用户、稳健型用户、平衡型用户、进取型用户、激进型用户”等用户标签对应的风险评分中,与用户标签“激进型用户”对应的风险评分最大,则可以将该用户标定为“激进型用户”。
当然,在实际应用中,为了提升标定的用户标签的准确性,对于取值最大风险评分,建模方还可以进一步将该取值最大的风险评分与预设的风险阈值进行比较;如果该取值最大的风险评分大于该风险阈值,再进一步基于该风险评分对应的用户标签,对当前用户进行标定。比如,假设模型输出的与“谨慎型用户、稳健型用户、平衡型用户、进取型用户、激进型用户”等用户标签对应的风险评分中,与用户标签“激进型用户”对应的风险评分最大,则可以将该风险评分与预设的风险阈值进行比较,只有该风险评分大于该风险阈值时,再将该用户标定为“激进型用户”。
在本说明书中,当建模方利用各个数据方提供的数据样本完成用户评估模型的训练,并基于训练完成的用户评估模型完成对各用户的评估决策,为各用户标定了用户标签后,还可以基于各个数据提供方的权重值,为各个数据提供方分配一定数额的虚拟资源。例如,可以基于各个数据提供方的权重值,为各数据提供方分配一定数额的数据使用资金。
其中,为各数据提供方分配的虚拟资源的数量,可以与各个数据提供方的权重值成正比;在这种情况下,上述建模方可以基于各个数据提供方的权重值的高低,对能够向各个数据提供方发放的用户数据使用资金,进行利益分配。
其中,各个数据提供方的权重值,在本说明书中不进行特别限定;
例如,在实际应用中,可以采用加权平均的方式,为各个数据提供方设置一个相同的加权值;比如,假设共计3个数据提供方,那么可以将各个数据提供方的加权值,统一设置为0.33。或者,按照各数据提供方实际提供的数据样本的数量,对应于各个数据提供方提供的数据样本的总量的占比来为各个数据提供方设置加权值;或者,可以基于各数据提供方对上述用户评估模型输出的评估结果的贡献度来为各个数据提供方设置权重值;比如,仍然可以通过机器学习的方式,构建训练样本训练出各个数据提供方所提供的数据样本,对上述用户评估模型输出的评估结果的贡献度。
在本说明书中,请继续参见图2,当建模服务端对上述用户列表中的用户,分别标定了用户标签后,此时为各用户标定的用户标签,将与各用户的用户信息关联起来。而上述用户列表中为用户标定出的用户标签,即为建模方最终可以下发给数据使用方供数据使用方使用的“数据资源”。
例如,以互联网金融的应用场景为例,假设上述用户标签为可以指示用户购买金融产品的风险承受能力的用户标签,那么最终建模服务端将在本地建立起用户信息,与用户购买金融产品的风险能力等级之间的关联性。其中,需要说明的是,上述用户信息具体包含的内容,在本说明书中不进行特别限定,可以涵盖任意类型的用户信息。当然,对于用户个人信息中涵盖的用户隐私数据(比如用户的身份证号等敏感信息),上述建模方在本地进行维护时,可以进行模糊化处理;比如,以上述用户信息为用户的身份证号为例,建模方可以在后台为身份证号分配一个全局的UID(即各方均认可的用户身份识别码),并将该UID与用户的身份证号进行绑定。
在本说明书中,为了最大程度的发挥出建模方本地维护的用户标签的“数据价值”,当各个数据使用方均对建模方维护的用户标签均有使用需求时,可以分别向建模方发送用户标签获取请求,并在该用户标签获取请求中携带用于请求用户标签的虚拟资源的数量。
其中,上述虚拟资源,具体可以是各个数据使用方为了取得建模方维护的用户标签的使用权限,而向建模方付出的用于置换用户标签的虚拟资源;
例如,在一种场景中,上述虚拟资源具体可以是虚拟资金,各个数据使用方,可以向建模方支付一笔数据使用资金,来取得建模方维护的用户标签的使用权限。
而建模方可以基于各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量,从所述多个数据使用方中确定出最优数据使用方,然后将本地维护的已标定的用户标签,下发至该最优数据使用方。
在示出的一种实施方式中,建模方在从基于用户标签获取请求中携带的虚拟资源的数量,从多个数据使用方确定出最优数据使用方时,可以通过比较各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量,然后将携带的虚拟资源的数量最高的用户标签获取请求对应的数据使用方确定为最优数据使用方(最优数据使用方可以为一个也可以为多个)。
例如,以上述虚拟资源为虚拟资金为例,各个数据使用方可以以“竞价”的方式,向建模方请求用户标签。在这种情况下,上述用户标签获取请求,具体可以是一个竞价请求,在该竞价请求中可以携带各数据使用方的竞价金额,而建模方可以将竞价金额最高的数据使用方,确定为最优数据使用方,从而可以最大程度的发挥出本地维护的用户标签的“数据价值”。
当然,在实际应用中,除了以上描述的将携带的虚拟资源的数量最高的用户标签获取请求对应的数据使用方确定为最优数据使用方以外,也可以采用其它的原则来确定最优数据使用方,在本说明书中不进行特别限定;
例如,仍以多方竞价来请求用户标签为例,建模方可以将竞价金额中的中间价对应一方,确定为最优数据使用方。或者,建模方可以将多方的价金额中的最高者,并且竞价金额达到了建模方的心理价位的一方,确定为最优数据使用方。
在本说明书中,当建模方确定出了最优数据使用方,可以将本地维护的与用户信息关联存储的用户标签,下发至该最优数据使用方。
其中,需要说明的是,在实际应用中,各个数据使用方在向建模方请求用户标签时,除了默认可以向建模方请求建模方本地维护的所有用户的用户标签以外,具体还可以结合自身实际的数据使用需求,有针对性的向数据使用方请求数据。
在这种情况下,各个数据使用方发送的用户标签获取请求中,还可以携带各个数据请求方所要请求的用户人群对应的用户信息(比如UID),而建模方在确定出最优数据使用方后,可以读取该最优数据使用方发送的用户标签获取请求中携带的用户信息,然后在所述用户列表中查找与所述用户标签获取请求中携带的用户信息关联存储的用户标签;其中,此时查找到的用户标签即为各数据使用方所要请求的用户标签,上述建模方可以将查找到的用户标签下发至所述最优数据使用方。
通过这种方式,使得各个数据使用方,可以基于实际的需求,仅向建模方请求特定用户人群的用户标签;例如,仍以互联网金融的应用场景为例,上述用户标签可以是一个指示用户的风险能力等级的用户标签;在这种场景下,一个作为数据使用方的金融机构,可以仅向建模方请求与自身的金融产品相符合的用户人群的用户风险能力。
上面为本说明书实施例提供的一种用户信息共享方法,请参见图3,基于同样的思路,本说明书实施例还提供一种用户信息竞价方法,应用于建模方服务端,执行以下步骤:
步骤302,基于用户评估模型对用户进行评估,并基于评估结果对所述用户标定用户标签;其中,所述用户评估模型为基于多个数据提供方提供的用户数据训练得到的机器学习模型;
步骤304,接收到多个数据使用方发送的用户标签竞价请求;其中,所述用户标签竞价请求中携带各个数据使用方用于请求用户标签的竞价金额;
步骤306,基于各个数据使用方发送的用户标签竞价请求中携带的竞价金额,从所述多个数据使用方中确定出最优数据使用方;
步骤308,将请求的用户标签下发至所述最优数据使用方。
在本实施例中,上述用户评估模型可以是用户风险评估模型;上述评估结果为风险评分;而上述用户标签可以是基于用户的风险评分为各用户所标记的,可以用于指示各用户的风险能力等级的用户标签;上述多个数据使用方可以是对特定用户人群的风险能力等级具有使用需求的金融机构。
请参见图4,图4为本说明书示出的一种多个数据使用方对建模方维护的用户标签进行竞价的流程图。
如图4所示,在图3的基础上,当建模方基于训练出的用户风险评估模型对各个用户进行风险评估得到的风险评分,对上述用户列表中的各个用户分别标定了用户标签后,各个金融机构可以通过向建模方搭载的竞价模块发送携带竞价金额的竞价请求,向建模方发起竞价,来请求用户标签。
例如,各个金融机构可以基于实际的需求,在竞价请求中携带需要请求的用户人群的用户信息(比如UID),向建模方有针对性的请求特定用户人群的用户标签。
而建模方则可以基于各个金融机构发起的竞价金额,来择优将已经标定出的用户标签,下发至最佳的金融机构(比如下发至竞价金额最高的金融机构),从而最大程度的发挥出用户标签的“数据价值”。
其中,需要说明的是,图3以及图4中示出的各步骤中的技术特征对应的实施过程,在本实施例中不再赘述,本领域技术人员可以参照以上实施例的记载。
与上述方法实施例相对应,本说明书还提供了一种用户信息共享装置的实施例。
本说明书的用户信息共享装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图5所示,为本说明书的用户信息共享装置所在电子设备的一种硬件结构图,除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该电子设备的实际功能,还可以包括其他硬件,对此不再赘述。
图6是本说明书一示例性实施例示出的一种用户信息共享装置的框图。
请参考图6,所述用户信息共享装置60可以应用在前述图5所示的电子设备中,包括有:第一评估模块601、第一接收模块602、第一确定模块603和第一下发模块604。
其中,第一评估模块601,基于用户评估模型对用户进行评估,并基于评估结果对所述用户标定对应的用户标签;其中,所述用户评估模型为基于多个数据提供方提供的用户数据训练得到的机器学习模型;
第一接收模块602,接收到多个数据使用方发送的用户标签获取请求;其中,所述用户标签获取请求中携带各个数据使用方用于请求用户标签的虚拟资源数量;
第一确定模块603,基于各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量,从所述多个数据使用方中确定出最优数据使用方;
第一下发模块604,将请求的用户标签下发至所述最优数据使用方。
在本实施例中,所述第一确定模块603:
比较各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量;
将携带的虚拟资源的数量最高的用户标签获取请求对应的数据使用方确定为最优数据使用方。
在本实施例中,所述用户标签获取请求中还携带用户信息;
所述第一下发模块604:
查找与所述用户标签获取请求中携带的用户信息关联存储的用户标签;将查找到的用户标签下发至所述最优数据使用方。
在本实施例中,所述装置60还包括:
第一发放模块605(图6中未示出),基于对应于各数据提供方的权重值,为各数据提供方发放虚拟资源;其中,发放的所述虚拟资源的数量与所述权重值成正比。
在本实施例中,所述虚拟资源为虚拟资金。
在本实施例中,所述用户评估模型为用户风险评估模型;所述评估结果为风险评分;所述用户标签指示所述用户的风险能力等级。
与上述方法实施例相对应,本说明书还提供了一种用户信息竞价装置的实施例。
本说明书的用户信息共享装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图7所示,为本说明书的用户信息竞价装置所在电子设备的一种硬件结构图,除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该电子设备的实际功能,还可以包括其他硬件,对此不再赘述。
图8是本说明书一示例性实施例示出的一种用户信息竞价装置的框图。
请参考图8,所述用户信息竞价装置80可以应用在前述图7所示的电子设备中,包括有:第二评估模块801、第二接收模块802、第二确定模块803和第二下发模块804。
其中,第二评估模块803,基于用户评估模型对用户进行评估,并基于评估结果对所述用户标定对应的用户标签;其中,所述用户评估模型为基于多个数据提供方提供的用户数据训练得到的机器学习模型;
第二接收模块804,接收到多个数据使用方发送的用户标签竞价请求;其中,所述用户标签竞价请求中携带各个数据使用方用于请求用户标签的竞价金额;
第二确定模块805,基于各个数据使用方发送的用户标签竞价请求中携带的竞价金额,从所述多个数据使用方中确定出最优数据使用方;
第二下发模块806,将请求的用户标签下发至所述最优数据使用方。
在本实施例中,所述第一确定模块803:
比较各个数据使用方发送的用户标签竞价请求中携带的竞价金额;
将携带的竞价金额最高的用户标签竞价请求对应的数据使用方确定为最优数据使用方。
在本实施例中,所述用户标签竞价请求中还携带用户信息;
所述第一下发模块804:
查找与所述用户标签竞价请求中携带的用户信息关联存储的用户标签;将查找到的用户标签下发至所述最优数据使用方。
在本实施例中,所述装置80还包括:
第二发放模块805(图7中未示出),基于对应于各数据提供方的权重值,为各数据提供方发放数据使用资金;其中,发放的所述数据使用资金的金额与所述权重值成正比。
在本实施例中,所述用户评估模型为用户风险评估模型;所述评估结果为风险评分;所述用户标签指示所述用户的风险能力等级。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
与上述方法实施例相对应,本说明书还提供一种用户信息共享系统的实施例。
该用户信息共享系统,可以包括多个数据提供方服务端、建模服务端和多个数据使用方服务端。
其中,上述多个数据提供方服务端,向建模服务端上传用户数据;
上述建模服务端,基于多个数据提供方提供的用户数据进行机器学习训练得到用户评估模型,并基于该用户评估模型对用户进行评估;以及,基于评估结果对所述用户标定对应的用户标签;
上述多个数据使用方服务端,向建模服务端发送用户标签获取请求;其中,所述用户标签获取请求中携带各个数据使用方用于请求用户标签的虚拟资源数量;
其中,上述建模服务端进一步基于各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量,从所述多个数据使用方中确定出最优数据使用方,并将请求的用户标签,下发至所述最优数据使用方。
与上述方法实施例相对应,本说明书还提供一种用户信息竞价系统的实施例。
该用户信息竞价系统,可以包括多个数据提供方服务端、建模服务端和多个数据使用方服务端。
其中,上述多个数据提供方服务端,向建模服务端上传用户数据;
上述建模服务端,基于多个数据提供方提供的用户数据进行机器学习训练得到用户评估模型,并基于该用户评估模型对用户进行评估;以及,基于评估结果对所述用户标定对应的用户标签;
上述多个数据使用方,向建模服务端发送用户标签竞价请求;其中,所述用户标签竞价请求中携带各个数据使用方用于请求用户标签的竞价金额;
其中,所述建模服务端进一步基于各个数据使用方发送的用户标签竞价请求中携带的竞价金额,从所述多个数据使用方中确定出最优数据使用方,并将请求的用户标签,下发至所述最优数据使用方。
与上述方法实施例相对应,本说明书还提供了一种电子设备的实施例。该电子设备包括:处理器以及用于存储机器可执行指令的存储器;其中,处理器和存储器通常通过内部总线相互连接。在其他可能的实现方式中,所述设备还可能包括外部接口,以能够与其他设备或者部件进行通信。
在本实施例中,通过读取并执行所述存储器存储的与图1示出的上述用户信息共享的控制逻辑对应的机器可执行指令,所述处理器被促使:
基于用户评估模型对用户进行评估,并基于评估结果对所述用户标定对应的用户标签;其中,所述用户评估模型为基于多个数据提供方提供的用户数据训练得到的机器学习模型;
接收到多个数据使用方发送的用户标签获取请求;其中,所述用户标签获取请求中携带各个数据使用方用于请求用户标签的虚拟资源的数量;
基于各个数据使用方发送的用户标签获取请求中携带的虚拟资源的数量,从所述多个数据使用方中确定出最优数据使用方;
将请求的用户标签下发至所述最优数据使用方。
与上述方法实施例相对应,本说明书还提供了另一种电子设备的实施例。该电子设备包括:处理器以及用于存储机器可执行指令的存储器;其中,处理器和存储器通常通过内部总线相互连接。在其他可能的实现方式中,所述设备还可能包括外部接口,以能够与其他设备或者部件进行通信。
在本实施例中,通过读取并执行所述存储器存储的与图3示出的上述用户信息共享的控制逻辑对应的机器可执行指令,所述处理器被促使:
基于用户评估模型对用户进行评估,并基于评估结果对所述用户标定对应的用户标签;其中,所述用户评估模型为基于多个数据提供方提供的用户数据训练得到的机器学习模型;
接收到多个数据使用方发送的用户标签竞价请求;其中,所述用户标签竞价请求中携带各个数据使用方用于请求用户标签的竞价金额;
基于各个数据使用方发送的用户标签竞价请求中携带的竞价金额,从所述多个数据使用方中确定出最优数据使用方;
将请求的用户标签下发至所述最优数据使用方。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。