用户信息处理方法和装置、存储介质和电子设备
技术领域
本公开涉及信息技术领域,具体地,涉及一种用户信息处理方法和装置、存储介质和电子设备。
背景技术
现在在许多的业务场景下,都需要对用户进行评价。通过用户信息处理,可以将用户多种类型的特征整合成一个可以体现用户特征的评分值。评分值的高低不仅会影响用户办理业务的便利程度,也会影响办理业务的企业对该用户的业务授权限度。但是,用户的评价不一定是固定不变的,用户的行为通常会影响用户的评分。随着外部环境的变化,用户的评分变化也会响应于外部环境而改变。
目前,用户的评分变化主要通过根据用户行为而手动更改,或者通过模型和行为数据进行改变。但是,这种更改都发生在用户行为发生之后,是对之前现有的评分进行补充,不能把用户可能发生的行为加入用户的评价体系中,因此,现有的用户信息处理方式不够灵活。
发明内容
本公开的目的是提供一种用户信息处理方法和装置、存储介质和电子设备,以解决相关技术中存在的问题。
为了实现上述目的,本公开的第一方面,提供一种用户信息处理方法,所述方法包括:响应于预设事件,获取与目标用户属于同一用户组内的其他用户的历史行为数据,其中,属于同一所述用户组的用户具备相同的特征信息;至少根据所述历史行为数据调整初始评分模型中的参数,得到目标评分模型;将所述目标用户的特征信息输入所述目标评分模型,得到所述目标用户的评分值。
可选地,所述预设事件包括以下任意事件:接受到针对所述目标用户发起的评分请求;到达预设时刻。
可选地,在所述至少根据所述历史行为数据调整初始评分模型中的参数,得到目标评分模型之前,所述方法还包括:根据所述历史行为数据,和所述历史行为数据所属的行为分类,生成第一行为因子;获取所述其他用户的样本评分值;根据所述第一行为因子,调整对应用户的所述样本评分值,得到对应用户的样本结果值;所述至少根据所述历史行为数据调整初始评分模型中的参数,得到目标评分模型,包括:根据所述其他用户的样本特征信息和所述样本结果值,调整初始评分模型中的参数,得到目标评分模型;所述目标评分模型,用于根据所述样本特征信息生成所述样本结果值。
可选地,所述根据所述第一行为因子,调整对应用户的所述样本评分值,得到对应用户的样本结果值,包括:基于所述第一行为因子,通过预设的调整函数调整对应用户的所述样本评分值,得到对应用户的样本结果值;或者,将所述第一行为因子与对应用户的所述样本评分值相加,得到对应用户的所述样本结果值。
可选地,在所述至少根据所述历史行为数据调整初始评分模型中的参数,得到目标评分模型之前,所述方法还包括:根据所述历史行为数据,和所述历史行为数据所属的行为分类,生成第二行为因子;所述至少根据所述历史行为数据调整初始评分模型中的参数,得到目标评分模型,包括以下任意方式:通过所述第二行为因子替换所述初始评分模型中的第一参数值,所述第一参数值为所述初始评分模型中用于修正输入的目标用户的特征信息的参数;或者,通过所述第二行为因子调整模型训练过程中用到的损失函数的第二参数值;基于所述损失函数训练得到所述目标评分模型;或者,通过所述第二行为因子调整模型训练过程中用到的正则项的第三参数值,基于所述正则项训练得到所述目标评分模型。
可选地,所述获取与所述目标用户属于同一用户组内的其他用户的历史行为数据,包括:获取所述事件的触发时间信息;根据所述触发时间信息,确定目标时间范围;获取所述其他用户在目标时间范围内的历史行为数据。
本公开的第二方面,提供一种用户信息处理装置,所述装置包括:第一获取模块,用于响应于预设事件,获取与目标用户属于同一用户组内的其他用户的历史行为数据,其中,属于同一所述用户组的用户具备相同的特征信息;参数调整模块,用于至少根据所述历史行为数据调整初始评分模型中的参数,得到目标评分模型;信息处理模块,用于将所述目标用户的特征信息输入所述目标评分模型,得到所述目标用户的评分值。
可选地,所述预设事件包括以下任意事件:接受到针对所述目标用户发起的评分请求;到达预设时刻。
可选地,所述装置还包括:第一生成模块,用于根据所述历史行为数据,和所述历史行为数据所属的行为分类,生成第一行为因子;第二获取模块,用于获取所述其他用户的样本评分值;评分调整模块,用于根据所述第一行为因子,调整对应用户的所述样本评分值,得到对应用户的样本结果值;所述参数调整模块,用于根据所述其他用户的样本特征信息和所述样本结果值,调整初始评分模型中的参数,得到目标评分模型;所述目标评分模型,用于根据所述样本特征信息生成所述样本结果值。
可选地,所述评分调整模块用于基于所述第一行为因子,通过预设的调整函数调整对应用户的所述样本评分值,得到对应用户的样本结果值;或者,将所述第一行为因子与对应用户的所述样本评分值相加,得到对应用户的所述样本结果值。
可选地,所述装置还包括:第二生成模块,用于根据所述历史行为数据,和所述历史行为数据所属的行为分类,生成第二行为因子;所述参数调整模块,用于通过所述第二行为因子替换所述初始评分模型中的第一参数值,所述第一参数值为所述初始评分模型中用于修正输入的目标用户的特征信息的参数;或者,用于通过所述第二行为因子调整模型训练过程中用到的损失函数的第二参数值;基于所述损失函数训练得到所述目标评分模型;或者,用于通过所述第二行为因子调整模型训练过程中用到的正则项的第三参数值,基于所述正则项训练得到所述目标评分模型。
可选地,所述第一获取模块,用于获取所述事件的触发时间信息;根据所述触发时间信息,确定目标时间范围;获取所述其他用户在目标时间范围内的历史行为数据。
本公开的第三方面,提供一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面中任一项所述方法的步骤。
本公开的第四方面,提供一种电子设备,包括:存储器,其上存储有计算机程序;处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面中任一项所述方法的步骤。
通过上述技术方案,至少可以达到以下的技术效果:响应于请求信息,获取与目标用户具有相同特征信息的其他用户的历史行为数据,并根据历史行为数据调整初始评分模型中的参数以得到目标评分模型,并通过目标评分模型基于目标用户的特征信息得到目标用户的评分值。这样,可以通过与目标用户具有相同特征的其他用户的行为改变评分模型,以提前预估目标用户可能发生的行为以及该行为可能造成的评分改变,从而更灵活地生成目标用户的评分值。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种用户信息处理方法的流程图。
图2是根据另一示例性实施例示出的一种用户信息处理方法的流程图。
图3是根据另一示例性实施例示出的一种用户信息处理方法的流程图。
图4是根据一示例性实施例示出的一种用户信息处理装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据本公开的一示例性实施例示出的用户信息处理方法的流程图,如图1所示,本方法包括以下步骤:
S11、响应于预设事件,获取与所述目标用户属于同一用户组内的其他用户的历史行为数据。
其中,属于同一所述用户组的用户具备相同的特征信息。
用户的特征信息是可以表现用户身份特征的固定信息,例如,用户的学历、用户的出生日期、用户的收入、用户的居住地、用户的公司、用户的职业等。具有相同特征的用户,可能会做出相同的业务行为,例如,当某一地区开放了新的购房资格,那么该地区的一些用户可能都会进行贷款以购买房产;当某一地遭受了水灾,那么该地区的一些用户的收入可能都会降低,消费能力可能会下降;当某个职业受到外部环境影响从而收入提高,则该职业的一些用户的购买能力都会上升。
值得说明的是,一个用户组内的用户可以是所有特征信息都相同的用户,也可以是有一个或多个特征信息相同的用户,并且,一个用户可以因某个特征被划入一个用户组,同时也可以因另外的特征被划入另外的用户组。例如,某用户的特征信息为女、30岁、月收入2万、程序员、北京朝阳区,则该用户可以同时属于30岁女性的用户组、月收入2万的用户组、程序员的用户组、居住地为北京朝阳区的用户组、北京朝阳区的程序员的用户组等。
历史行为数据是用户在例如网站、应用程序、服务网点等处进行的业务办理、变更、咨询等行为的数据。例如,用户在网上办理了购买、借款、还款、延期还款等多项业务,则该历史行为数据可以包括购买的物品、购买的时间和支付的金额,以及借款的时间、借款的金额、借款的分期情况,以及还款的时间、还款的金额,以及延期还款的延长期限、延长金额等。通过这些数据,可以了解用户的购买力、信任度等综合情况。
在一种可能的实现方式中,预设事件包括以下两种事件中的任意一种,即,接受到针对所述目标用户发起的评分请求,或者到达预设时刻。
其中,预设时刻可以是按照一定时间规则设置的时刻,例如,可以设置每隔两天更新一次目标评分模型,则预设时刻可以是6.10日下午两点半、6.12日下午两点半、6.14日下午两点半等。这样,可以实现在预设的时间点自动完成对模型的更新,以及对目标用户的评分的更新。
针对所述目标用户发起的评分请求可以是在目标用户申请贷款时发出的,用户系统接收用户的贷款申请,进一步对用户进行评分。若预设事件为接收到针对所述目标用户发起的评分请求,那么具体实施时,每一次接收到请求,可以自动更新模型,并完成对目标用户的评分。
在一种可能的实现方式中,还可以获取所述事件的触发时间信息,根据所述触发时间信息确定目标时间范围,获取所述其他用户在目标时间范围内的历史行为数据。
因为用户的某些历史行为数据过于久远,而用户的评分是在不断变化的,过于久远的历史行为数据可能无法反映用户当前的购买欲望、经济状况、信任度等内容,所以,在根据触发时间信息确定目标时间范围之后,获取在时间范围内的历史行为数据,可以增强获取到的历史行为数据的实时性,使获取的用户历史行为数据所体现的其他用户的行为更接近目标用户在当前状况下可能进行的行为。
S12、至少根据所述历史行为数据调整初始评分模型中的参数,得到目标评分模型。
可以根据历史行为数据调整初始评分模型,以使初始评分模型可以将对其他用户行为的评价反映在其他用户的评分上。例如,如果历史行为数据反映该其他用户恶意拖欠还款,则可以通过该历史行为数据修改初始评分模型中的参数,使得到的目标评分模型的输出值低于初始评分模型的输出值,从而达到通过目标评分模型将用户行为反映在用户评分上的效果。
S13、将所述目标用户的特征信息输入所述目标评分模型,得到所述目标用户的评分值。
调整后的目标评分模型的输出值,会根据该分组内的其他用户的历史行为数据的改变而改变,因此,针对同一目标用户,在不同的时间使用目标评分模型进行评分,得到的评分值都可能不同。
例如,由于水灾,某地区的农业人员的收成不好导致收入下降,从而引起了购买能力减弱,这种购买能力的减弱可以体现在该地区的农业人员的历史行为数据上,通过历史行为数据进行对目标评分模型进行修改后,在当时通过目标评分模型进行评分的该地区的农业人员的评分值都会下降;水灾结束,该地区的农业人员的收入回归正常水平,购买能力恢复,通过历史行为数据对目标评分模型进行修改后,在这时通过目标评分模型进行评分的该地区的农业人员的评分值都会回归到水灾前的评分值水平。
值得说明的是,目标用户可以是已经进行评分的用户,该用户可能不存在可读取的历史行为数据,但是由于与该用户具有相同特征的其他用户的历史行为数据体现了用户的经济能力、主观意愿等综合情况的变化,则可以通过修改评分模型,使其他用户的评分值发生变化的同时,让该用户的评分也发生变化。
通过上述技术方案,至少可以达到以下的技术效果:响应于请求信息,获取与目标用户具有相同特征信息的其他用户的历史行为数据,并根据历史行为数据调整初始评分模型中的参数以得到目标评分模型,并通过目标评分模型基于目标用户的特征信息得到目标用户的评分值。这样,可以通过与目标用户具有相同特征的其他用户的行为改变评分模型,以提前预估目标用户可能发生的行为以及该行为可能造成的评分改变,从而更灵活地生成目标用户的评分值。
图2是根据本公开的另一示例性实施例示出的用户信息处理方法的流程图,如图2所示,该方法包括如下步骤:
S21、响应于预设事件,获取与所述目标用户属于同一用户组内的其他用户的历史行为数据。
其中,属于同一所述用户组的用户具备相同的特征信息。
用户的特征信息是可以表现用户身份特征的固定信息,例如,用户的学历、用户的出生日期、用户的收入、用户的居住地、用户的公司、用户的职业等。具有相同特征的用户,可能会做出相同的业务行为,例如,当某一地区开放了新的购房资格,那么该地区的一些用户可能都会进行贷款以购买房产;当某一地遭受了水灾,那么该地区的一些用户的收入可能都会降低,消费能力可能会下降;当某个职业受到外部环境影响从而收入提高,则该职业的一些用户的购买能力都会上升。
值得说明的是,一个用户组内的用户可以是所有特征信息都相同的用户,也可以是有一个或多个特征信息相同的用户,并且,一个用户可以因某个特征被划入一个用户组,同时也可以因另外的特征被划入另外的用户组。例如,某用户的特征信息为女、30岁、月收入2万、程序员、北京朝阳区,则该用户可以同时属于30岁女性的用户组、月收入2万的用户组、程序员的用户组、居住地为北京朝阳区的用户组、北京朝阳区的程序员的用户组等。
历史行为数据是用户在例如网站、应用程序、服务网点等处进行的业务办理、变更、咨询等行为的数据。例如,用户在网上办理了购买、借款、还款、延期还款等多项业务,则该历史行为数据可以包括购买的物品、购买的时间和支付的金额,以及借款的时间、借款的金额、借款的分期情况,以及还款的时间、还款的金额,以及延期还款的延长期限、延长金额等。通过这些数据,可以了解用户的购买力、信任度等综合情况。
在一种可能的实现方式中,预设事件包括以下两种事件中的任意一种,即,接受到针对所述目标用户发起的评分请求,和到达预设时刻。
其中,预设时刻可以是按照一定时间规则设置的时刻,例如,可以设置每隔两天更新一次目标评分模型,则预设时刻可以是6.10日下午两点半、6.12日下午两点半、6.14日下午两点半等。
在一种可能的实现方式中,还可以获取所述事件的触发时间信息,根据所述触发时间信息确定目标时间范围,获取所述其他用户在目标时间范围内的历史行为数据。
因为用户的某些历史行为数据过于久远,而用户的评分是在不断变化的,过于久远的历史行为数据可能无法反映用户当前的购买欲望、经济状况、信任度等内容,所以,在根据触发时间信息确定目标时间范围之后,获取在时间范围内的历史行为数据,可以增强获取到的历史行为数据的实时性,使获取的用户历史行为数据所体现的其他用户的行为更接近目标用户在当前状况下可能进行的行为。
S22、根据所述历史行为数据,和所述历史行为数据所属的行为分类,生成第一行为因子。
进一步的,可以将行为数据进行变量衍生处理,这一处理过程主要用于提取行为数据中的风险量。这些风险量可以是近段时间其他用户的行为数据中表现出风险的绝对值数据、风险的变化趋势数据,或者风险变化的波动性数据。其中,多种风险量可以依次被表示为x1,x2,x3,x4……等参数。
进一步的,可以通过预先设置的算法整合上述风险量。例如,将上述参数带入公式X=f(t,x1,x2,x3…),其中t为时间因素,得到的X作为行为因子。进一步的,再将该行为因子带入后续模型的调整步骤。
该第一行为因子为体现该历史行为的评价值的参数,如果该历史行为是积极的,则该第一行为因子对模型调整而言是正向的,如果该历史行为是消极的,则该第一行为因子对模型调整而言是负向的。具体地,可以将不同的历史行为数据对应到不同的行为分类中,不同的行为分类对应不同的参数值,从而达到对历史行为数据的积极度的量化。
例如,如果以正数为正向,以负数为负向,当用户购买物品时,该历史行为可以属于“购买行为”分类,从而对应的第一行为因子可以是+5;当用户拖欠还款10天时,该历史行为可以属于“轻度拖欠”分类,从而对应的第一行为因子可以是-5,;当用户拖欠还款40天时,该历史行为可以属于“重度拖欠”分类,从而对应的第一行为因子可以是-20。
S23、获取所述其他用户的样本评分值。
该样本评分值可以是用户通过原始评分模型生成的评分值。该评分值体现的是在通过原始评分模型生成评分值的时刻的用户情况,实时性较弱。
S24、根据所述第一行为因子,调整对应用户的所述样本评分值,得到对应用户的样本结果值。
可选地,可以通过以下两种方式调整所述样本评分值:
方式一:基于所述第一行为因子,通过预设的调整函数调整对应用户的所述样本评分值,得到对应用户的样本结果值。
例如,该第一行为因子可以是+5,该用户的样本评分值可以是70,通过该调整函数将第一行为因子的“+5”输出为“+2.3”,则该样本结果值为72.3。该第一行为因子可以是-20,该用户的样本评分值可以是70,通过该调整函数将该第一行为因子的“-20”输出为“-7.6”,则该样本结果值为62.4。
方式二:将所述第一行为因子与对应用户的所述样本评分值相加,得到对应用户的所述样本结果值。
S25、根据所述其他用户的样本特征信息和所述样本结果值,调整初始评分模型中的参数,得到目标评分模型。
所述目标评分模型的训练过程如下:重复执行基于所述初始评分模型从所述样本特征信息生成评分值,并获取所述评分值与所述样本结果值的差值,并根据所述差值调整所述初始评分模型中的参数的步骤,直至获取的所述差值小于预设差值阈值,则将此时的初始评分模型作为目标评分模型。
S26、将所述目标用户的特征信息输入所述目标评分模型,得到所述目标用户的评分值。
调整后的目标评分模型的输出值,会根据该分组内的其他用户的历史行为数据的改变而改变,因此,针对同一目标用户,在不同的时间使用目标评分模型进行评分,得到的评分值都可能不同。
例如,由于水灾,某地区的农业人员的收成不好导致收入下降,从而引起了购买能力减弱,这种购买能力的减弱可以体现在该地区的农业人员的历史行为数据上,通过历史行为数据进行对目标评分模型进行修改后,在当时通过目标评分模型进行评分的该地区的农业人员的评分值都会下降;水灾结束,该地区的农业人员的收入回归正常水平,购买能力恢复,通过历史行为数据对目标评分模型进行修改后,在这时通过目标评分模型进行评分的该地区的农业人员的评分值都会回归到水灾前的评分值水平。
值得说明的是,目标用户可以是已经进行评分的用户,该用户可能不存在可读取的历史行为数据,但是由于与该用户具有相同特征的其他用户的历史行为数据体现了用户的经济能力、主观意愿等综合情况的变化,则可以通过修改评分模型,使其他用户的评分值发生变化的同时,让该用户的评分也发生变化。
通过上述技术方案,至少可以达到以下的技术效果:响应于请求信息,获取与目标用户具有相同特征信息的其他用户的历史行为数据,并根据第一行为因子调整对应用户的样本评分值得到对应用户的样本结果值,并根据其他用户的样本特征信息和样本结果值调整初始评分模型中的参数得到目标评分模型,并通过目标评分模型基于目标用户的特征信息得到目标用户的评分值。这样,可以通过与目标用户具有相同特征的其他用户的行为改变评分模型,使评分模型生成的评分值更灵敏地反映用户行为,提前预估目标用户可能发生的行为以及该行为可能造成的评分改变,从而更灵活地生成目标用户的评分值。
图3是根据一示例性公开实施例示出的一种用户信息处理方法的流程图,如图3所示,所述方法包括以下步骤
S31、响应于预设事件,获取与所述目标用户属于同一用户组内的其他用户的历史行为数据。
其中,属于同一所述用户组的用户具备相同的特征信息。
用户的特征信息是可以表现用户身份特征的固定信息,例如,用户的学历、用户的出生日期、用户的收入、用户的居住地、用户的公司、用户的职业等。具有相同特征的用户,可能会做出相同的业务行为,例如,当某一地区开放了新的购房资格,那么该地区的一些用户可能都会进行贷款以购买房产;当某一地遭受了水灾,那么该地区的一些用户的收入可能都会降低,消费能力可能会下降;当某个职业受到外部环境影响从而收入提高,则该职业的一些用户的购买能力都会上升。
值得说明的是,一个用户组内的用户可以是所有特征信息都相同的用户,也可以是有一个或多个特征信息相同的用户,并且,一个用户可以因某个特征被划入一个用户组,同时也可以因另外的特征被划入另外的用户组。例如,某用户的特征信息为女、30岁、月收入2万、程序员、北京朝阳区,则该用户可以同时属于30岁女性的用户组、月收入2万的用户组、程序员的用户组、居住地为北京朝阳区的用户组、北京朝阳区的程序员的用户组等。
历史行为数据是用户在例如网站、应用程序、服务网点等处进行的业务办理、变更、咨询等行为的数据。例如,用户在网上办理了购买、借款、还款、延期还款等多项业务,则该历史行为数据可以包括购买的物品、购买的时间和支付的金额,以及借款的时间、借款的金额、借款的分期情况,以及还款的时间、还款的金额,以及延期还款的延长期限、延长金额等。通过这些数据,可以了解用户的购买力、信任度等综合情况。
在一种可能的实现方式中,预设事件包括以下两种事件中的任意一种,即,接受到针对所述目标用户发起的评分请求,或者到达预设时刻。
其中,预设时刻可以是按照一定时间规则设置的时刻,例如,可以设置每隔两天更新一次目标评分模型,则预设时刻可以是6.10日下午两点半、6.12日下午两点半、6.14日下午两点半等。这样,可以实现在预设的时间点自动完成对模型的更新,以及对目标用户的评分的更新。
针对所述目标用户发起的评分请求可以是在目标用户申请贷款时发出的,用户系统接收用户的贷款申请,进一步对用户进行评分。若预设事件为接收到针对所述目标用户发起的评分请求,那么具体实施时,每一次接收到请求,可以自动更新模型,并完成对目标用户的评分。
在一种可能的实现方式中,还可以获取所述事件的触发时间信息,根据所述触发时间信息确定目标时间范围,获取所述其他用户在目标时间范围内的历史行为数据。
因为用户的某些历史行为数据过于久远,而用户的评分是在不断变化的,过于久远的历史行为数据可能无法反映用户当前的购买欲望、经济状况、信任度等内容,所以,在根据触发时间信息确定目标时间范围之后,获取在时间范围内的历史行为数据,可以增强获取到的历史行为数据的实时性,使获取的用户历史行为数据所体现的其他用户的行为更接近目标用户在当前状况下可能进行的行为。
S32、根据所述历史行为数据,和所述历史行为数据所属的行为分类,生成第二行为因子。
进一步的,可以将行为数据进行变量衍生处理,这一处理过程主要用于提取行为数据中的风险量。这些风险量可以是近段时间其他用户的行为数据中表现出风险的绝对值数据、风险的变化趋势数据,或者风险变化的波动性数据。其中,多种风险量可以依次被表示为x1,x2,x3,x4……等参数。
进一步的,可以通过预先设置的算法整合上述风险量。例如,将上述参数带入公式X=f(t,x1,x2,x3…),其中t为时间因素,得到的X作为行为因子。进一步的,再将该行为因子带入后续模型的调整步骤。其中,行为因子X与时间因素t有关,当时间因素t发生变化时,X也会发生相应变化。也就是说,随着时间的推移,行为因子X的值也会依据时间的变化而更新,而非一成不变。
该第二行为因子为体现该历史行为的评价值的参数,如果该历史行为是积极的,则该第二行为因子对模型调整而言是正向的,如果该历史行为是消极的,则该第二行为因子对模型调整而言是负向的。具体地,可以将不同的历史行为数据对应到不同的行为分类中,不同的行为分类对应不同的参数值,从而达到对历史行为数据的积极度的量化。
例如,如果以正数为正向,以负数为负向,当用户购买物品时,该历史行为可以属于“购买行为”分类,从而对应的第二行为因子可以是+5;当用户拖欠还款10天时,该历史行为可以属于“轻度拖欠”分类,从而对应的第二行为因子可以是-5;当用户拖欠还款40天时,该历史行为可以属于“重度拖欠”分类,从而对应的第二行为因子可以是-20。
值得说明的是,该第二行为因子也可以是对多个历史行为数据进行量化后的参数值的总和,例如,用户在三个月内进行了十次购买,一次拖欠还款40天,两次正常还款,购买行为对应的参数值为+5,十次则可以为+50,拖欠还款40天对应的参数值为-20,正常还款对应的参数值可以为+2,两次则可以为+4,则最终的第二行为因子可以为+34。
S33、根据所述第二行为因子调整初始评分模型中的参数,得到目标评分模型。
可以通过以下任意方式调整初始评分模型中的参数:
方式一:通过所述第二行为因子替换所述初始评分模型中的第一参数值,所述第一参数值为所述初始评分模型中用于修正输入的目标用户的特征信息的参数。
与相关技术中仅考虑随时间不便的静态特征不同,在本方案中,实际上参与用户评分计算的输入量,除了用户固有的静态特征还有上述第二行为因子。
在初始评分模型和目标评分模型中,存在一个根据第二行为因子改变的系数项,第二行为因子可以替换该系数项里的第一参数值,从而使评分模型变化,第二行为因子对评分结果会产生影响。
值得说明的是,每一个用户组的第二行为因子都不同,因此,每一个用户组的目标评分模型中的第一参数值也会因第二行为因子的不同而不同。
方式二:通过所述第二行为因子调整模型训练过程中用到的损失函数的第二参数值,并基于所述损失函数训练得到所述目标评分模型。
其中,损失函数用于调整模型训练过程中的偏差,可以改变模型中的各项系数的参数值来使模型的输出值具有特定的倾向,例如,如果损失函数惩罚偏高的预测值,则训练得到的模型的输出值通常会偏低,反之亦然,这样,可以通过改变损失函数的参数值来改变评分模型中的参数值,从而得到目标评分模型。
方式三:通过所述第二行为因子调整模型训练过程中用到的正则项的第三参数值,基于所述正则项训练得到所述目标评分模型。
其中,正则项用于在模型训练过程中约束模型,可以改变初始评分模型中的各项系数的参数值来调整模型的拟合过程,从而得到目标评分模型。
可以将该第二行为因子嵌入到算法中,作为一个正则化项存在,影响数据拟合过程,最终影响各个特征变量的权重参数。以优化算法为例,设定一个数学模型,该模型包含客户得各种特征变量,在训练模型的过程中对样本进行拟合,以期获得最小误差的条件下,求得数学模型中各个特征的权重参数。相关技术中的模型的拟合原理中,总误差为模型理论值与样本实际值的差值。而在上述方案中,考虑第二行为因子作为正则化项,总误差为模型理论值与样本实际值的差值基础上,被第二行为因子修正。因为在拟合过程中多考虑了第二行为因子的修正量,故得到的模型的权重会发生变化。
对比两个前后两种模型得到的特征权重,得到权重变化与动态因子的关系f(行为因子,权重)。在一种可选的实施方式中,那么最终得到的评分结果,可以被表示为:
评分结果=f1(行为因子,权重1)*特征1+f2(行为因子,权重2)*特征2+……+fn(行为因子,权重n)
其中,f1至fn中可以有相同的函数,也可以是n个不同的函数,本公开对此不做限定。
其他用户的行为数据随表现外部环境变化而变化,因此,通过其他用户的行为数据得到的行为因子也能体现这种变化。在调整后的模型中,各个特征都受到了行为因子的影响,得到的评分结果也更符合实际情况。
这样,可以根据历史行为数据调整初始评分模型,以使初始评分模型可以将对其他用户行为的评价反映在其他用户的评分上。例如,如果历史行为数据反映该其他用户恶意拖欠还款,则可以通过该历史行为数据修改初始评分模型中的参数,使得到的目标评分模型的输出值低于初始评分模型的输出值,从而达到通过目标评分模型将用户行为反映在用户评分上的效果。
S34、将所述目标用户的特征信息输入所述目标评分模型,得到所述目标用户的评分值。
调整后的目标评分模型的输出值,会根据该分组内的其他用户的历史行为数据的改变而改变,因此,针对同一目标用户,在不同的时间使用目标评分模型进行评分,得到的评分值都可能不同。
例如,由于水灾,某地区的农业人员的收成不好导致收入下降,从而引起了购买能力减弱,这种购买能力的减弱可以体现在该地区的农业人员的历史行为数据上,通过历史行为数据进行对目标评分模型进行修改后,在当时通过目标评分模型进行评分的该地区的农业人员的评分值都会下降;水灾结束,该地区的农业人员的收入回归正常水平,购买能力恢复,通过历史行为数据对目标评分模型进行修改后,在这时通过目标评分模型进行评分的该地区的农业人员的评分值都会回归到水灾前的评分值水平。
值得说明的是,目标用户可以是已经进行评分的用户,该用户可能不存在可读取的历史行为数据,但是由于与该用户具有相同特征的其他用户的历史行为数据体现了用户的经济能力、主观意愿等综合情况的变化,则可以通过修改评分模型,使其他用户的评分值发生变化的同时,让该用户的评分也发生变化。
通过上述技术方案,至少可以达到以下的技术效果:响应于请求信息,获取与目标用户具有相同特征信息的其他用户的历史行为数据,并根据历史行为数据调整初始评分模型中的参数以得到目标评分模型,并通过目标评分模型基于目标用户的特征信息得到目标用户的评分值。这样,可以通过与目标用户具有相同特征的其他用户的行为改变评分模型,以提前预估目标用户可能发生的行为以及该行为可能造成的评分改变,从而更灵活地生成目标用户的评分值。
并且,在一个可能的实施方式中,还建立了行为因子与模型的特征权重参数的量化关系。模型的基本结构不变,行为因子随着时间而滚动更新,行为因子不断的修正模型的特征权重参数。随着与目标用户具有相同特征的其他用户的行为更新行为因子,从而改变模型的特征权重参数而不改变模型的基本结构,使目标用户的评分随与其具有相同特征的其他用户的行为而变化,达到评分的及时自动响应和修正的效果。
图4是根据一示例性公开实施例示出的用户信息处理装置的框图,如图4所示,所述用户信息处理装置400包括第一获取模块401、参数调整模块402、用户信息处理模块403。
所述第一获取模块401,用于响应于预设事件,获取与目标用户属于同一用户组内的其他用户的历史行为数据,其中,属于同一所述用户组的用户具备相同的特征信息。
所述参数调整模块402,用于至少根据所述历史行为数据调整初始评分模型中的参数,得到目标评分模型。
所述信息处理模块403,用于将所述目标用户的特征信息输入所述目标评分模型,得到所述目标用户的评分值。
可选地,所述预设事件包括以下任意事件:接受到针对所述目标用户发起的评分请求;到达预设时刻。
可选地,所述装置400还包括:第一生成模块,用于根据所述历史行为数据,和所述历史行为数据所属的行为分类,生成第一行为因子;第二获取模块,用于获取所述其他用户的样本评分值;评分调整模块,用于根据所述第一行为因子,调整对应用户的所述样本评分值,得到对应用户的样本结果值;所述参数调整模块,用于根据所述其他用户的样本特征信息和所述样本结果值,调整初始评分模型中的参数,得到目标评分模型;所述目标评分模型,用于根据所述样本特征信息生成所述样本结果值。
可选地,所述评分调整模块用于基于所述第一行为因子,通过预设的调整函数调整对应用户的所述样本评分值,得到对应用户的样本结果值;或者,将所述第一行为因子与对应用户的所述样本评分值相加,得到对应用户的所述样本结果值。
可选地,所述第一获取模块401,用于获取所述事件的触发时间信息;根据所述触发时间信息,确定目标时间范围;获取所述其他用户在目标时间范围内的历史行为数据。
通过上述技术方案,至少可以达到以下的技术效果:响应于请求信息,获取与目标用户具有相同特征信息的其他用户的历史行为数据,并根据历史行为数据调整初始评分模型中的参数以得到目标评分模型,并通过目标评分模型基于目标用户的特征信息得到目标用户的评分值。这样,可以通过与目标用户具有相同特征的其他用户的行为改变评分模型,以提前预估目标用户可能发生的行为以及该行为可能造成的评分改变,从而更灵活地生成目标用户的评分值。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述用户信息处理的方法的步骤。
本公开实施例还提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现所述用户信息处理的方法的步骤。
图5是根据一示例性实施例示出的一种电子设备的框图。如图5所示,该电子设备500可以包括:处理器501,存储器502。该电子设备500还可以包括多媒体组件503,输入/输出(I/O)接口504,以及通信组件505中的一者或多者。
其中,处理器501用于控制该电子设备500的整体操作,以完成上述的用户信息处理的方法中的全部或部分步骤。存储器502用于存储各种类型的数据以支持在该电子设备500的操作,这些数据例如可以包括用于在该电子设备500上操作的任何应用程序或方法的指令,以及指令相关的数据,例如本公开实施例中的模型训练需要的数据、用户特征信息、用户评分信息、历史行为数据等。该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-OnlyMemory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口504为处理器501和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件505可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备500可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital SignalProcessing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的用户信息处理的方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的用户信息处理的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器502,上述程序指令可由电子设备500的处理器501执行以完成上述的用户信息处理的方法。
在可能的方式中,该电子设备的框图可以如图6所示。参照图6,该电子设备600可以被提供为一服务器。参照图6,电子设备600包括处理器601,其数量可以为一个或多个,以及存储器602,用于存储可由处理器601执行的计算机程序。存储器602中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器601可以被配置为执行该计算机程序,以执行上述用户信息处理方法中服务器所执行的步骤。
另外,电子设备600还可以包括电源组件603和通信组件604,该电源组件603可以被配置为执行电子设备600的电源管理,该通信组件604可以被配置为实现电子设备600的通信,例如,有线或无线通信。此外,该电子设备600还可以包括输入/输出(I/O)接口605。电子设备600可以操作基于存储在存储器602的操作系统,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述用户信息处理方法中服务器所执行的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器602,上述程序指令可由电子设备600的处理器601执行以完成上述用户信息处理方法的步骤。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。