CN110363655A - 基于时间特征的目标用户识别方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种基于时间特征的目标用户识别方法、装置、电子设备及计算机可读介质。该方法包括：获取用户数据，所述用户数据至少包括基础数据、历史首次交易时间，以及当月首次交易时间；根据所述历史首次交易时间和所述当月首次交易时间，确定所述用户的类别标签；基于所述类别标签，由多个用户识别模型中确定目标用户识别模型；以及将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为目标用户。本公开涉及的基于时间特征的目标用户识别方法、装置、电子设备及计算机可读介质，能够对客户的借新还旧行为进行评分，精准识别存在借新还旧行为的目标客户，并对目标客户进行监控，提前收紧金融策略防范金融风险。

Description

基于时间特征的目标用户识别方法、装置及电子设备

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种基于时间特征的目标用户识别方法、装置、电子设备及计算机可读介质。

背景技术

在借贷手段多样，渠道复杂的大环境下，各平台信息割裂，信用数据孤岛化，加上行业的短期暴利还在不断引入新的参与者进入，金融客户借新还旧的行为泛滥。借新还旧是一种金融用户在贷款的发放和收回过程中会采用的操作方式，是指在金融用户在金融贷款到期后不能按时还款的时候，又重新向金融服务平台进行贷款申请，再次借款，并将借款用于归还部分或全部原贷款的行为。

借新还旧从其本质上讲，是对原借款合同中贷款期限、利率等条款的变更，其实质内容是对借款期限法律契约上的延长。其特殊之处在于该笔借款仅用于偿还前一笔到期借款，金融用户只需继续向银行支付利息。这在效果上相当于给金融用户的前一笔借款予以了延期，而且金融用户不需要支付因借款逾期而产生的较高的利息。借新还旧这种行为在某种意义上是对金融用户有利的行为。

具有借新还旧行为的用户，在正常状态下不会触发金融服务公司的金融风险、但是，借新还旧的这些金融用户，在受到经济冲击或资金链断裂后，他们的信用风险会迅速暴露，导致严重的逾期或坏账，使提供金融服务的公司造成巨大的经济损失。如何准确的识别具有借新还旧行为的金融用户，以对这些金融用户进行监控，在这些用户信用风险暴露之前采取安全策略避免这些金融用户给公司带来风险，是目前亟待解决的问题。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种基于时间特征的目标用户识别方法、装置、电子设备及计算机可读介质，能够对客户的借新还旧行为进行评分，精准识别存在借新还旧行为的目标客户，并对目标客户进行监控，提前收紧金融策略防范金融风险。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种基于时间特征的目标用户识别方法，该方法包括：获取用户数据，所述用户数据至少包括基础数据、历史首次交易时间，以及当月首次交易时间；根据所述历史首次交易时间和所述当月首次交易时间，确定所述用户的类别标签；基于所述类别标签，由多个用户识别模型中确定目标用户识别模型；以及将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为目标用户。

可选地，还包括：在所述用户为目标用户时，生成定时监控策略和/或风险防控策略。

可选地，还包括：为历史用户确定类别标签；以及通过具有类别标签的历史用户数据对机器学习模型进行训练，以生成所述多个用户识别模型。

可选地，通过具有类别标签的历史用户数据对机器学习模型进行训练，以生成所述多个用户识别模型还包括：对具有类别标签的历史用户的数据进行参数重要度分析，以确定模型训练参数。

可选地，为历史用户确定类别标签包括：确定历史数据的时间范围；基于所述时间范围获取所述历史用户的用户数据；以及基于所述用户数据为所述历史用户确定类别标签；其中，所述类别标签包括历史首次交易时间和在所述时间范围内的当月首次交易时间。

可选地，通过具有类别标签的历史用户数据对机器学习模型进行训练，以生成所述多个用户识别模型包括：将所述历史用户按照所述历史首次交易时间和在所述时间范围内的当月首次交易时间进行分类，生成多个历史用户数据集合；以及基于所述多个历史用户数据集合中的每一个数据集合分别进行机器学习模型的训练，以生成对应于多个历史用户数据集合的所述多个用户识别模型。

可选地，基于所述多个历史用户数据集合中的每一个数据集合分别进行机器学习模型的训练包括：为所述历史用户数据集合中的用户数据确定多头特征标签；以及将具有多头特征标签的用户数据输入机器学习模型中以进行模型训练；其中，所述多头特征标签包括正向标签或负向标签。

可选地，基于所述多个历史用户数据集合中的每一个数据集合分别进行机器学习模型的训练包括：为所述历史用户数据集合中的用户数据确定单头特征标签；以及将具有单头特征标签的用户数据输入机器学习模型中以进行模型训练；其中，所述单头特征标签包括正向标签或负向标签。

可选地，对具有类别标签的历史用户的数据进行参数重要度分析，以确定模型训练参数包括：基于梯度下降的模型参数调优算法对具有类别标签的历史用户的数据进行参数重要度分析以确定所述模型训练参数。

可选地，将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为目标用户包括：将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为单头用户或多头用户。

根据本公开的一方面，提出一种基于时间特征的目标用户识别装置，该装置包括：数据模块，用户获取用户数据，所述用户数据包括基础数据、历史首次交易时间、当月首次交易时间；类别模块，用于根据所述历史首次交易时间和所述当月首次交易时间确定所述用户的类别标签；模型模块，用于根据所述类别标签由多个用户识别模型中确定目标用户识别模型；以及用户模块，用于将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为目标用户。

可选地，还包括：策略模块，用于在所述用户为目标用户时，生成定时监控策略和/或风险防控策略。

可选地，还包括：模型训练模块，用于为历史用户确定类别标签；以及通过具有类别标签的历史用户数据对机器学习模型进行训练，以生成所述多个用户识别模型。

可选地，所述模型训练模块包括：参数分析单元，用于对具有类别标签的历史用户的数据进行参数重要度分析，以确定模型训练参数。

可选地，所述模型训练模块包括：标签单元，用于确定历史数据的时间范围；基于所述时间范围获取所述历史用户的用户数据；以及基于所述用户数据为所述历史用户确定类别标签；其中，所述类别标签包括历史首次交易时间和在所述时间范围内的当月首次交易时间。

可选地，所述模型训练模块包括：训练单元，用于将所述历史用户按照所述历史首次交易时间和在所述时间范围内的当月首次交易时间进行分类，生成多个历史用户数据集合；以及基于所述多个历史用户数据集合中的每一个数据集合分别进行机器学习模型的训练，以生成对应于多个历史用户数据集合的所述多个用户识别模型。

可选地，所述训练单元包括：多头特征子单元，用于为所述历史用户数据集合中的用户数据确定多头特征标签；以及将具有多头特征标签的用户数据输入机器学习模型中以进行模型训练；其中，所述多头特征标签包括正向标签或负向标签。

可选地，所述训练单元包括：单头特征子单元，用于为所述历史用户数据集合中的用户数据确定单头特征标签；以及将具有单头特征标签的用户数据输入机器学习模型中以进行模型训练；其中，所述单头特征标签包括正向标签或负向标签。

可选地，所述参数分析单元，还用于基于梯度下降的模型参数调优算法对具有类别标签的历史用户的数据进行参数重要度分析以确定所述模型训练参数。

可选地，所述用户模块，还用于将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为单头用户或多头用户。

根据本公开的一方面，提出一种电子设备，该电子设备包括：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文的方法。

根据本公开的一方面，提出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如上文中的方法。

根据本公开的基于时间特征的目标用户识别方法、装置、电子设备及计算机可读介质，根据用户的历史首次交易时间和所述当月首次交易时间，确定所述用户的类别标签；基于所述类别标签，由多个用户识别模型中确定目标用户识别模型；以及将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为目标用户的方式。能够对客户的借新还旧行为进行评分，精准识别存在借新还旧行为的目标客户，并对目标客户进行监控，提前收紧金融策略防范金融风险。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据一示例性实施例示出的一种基于时间特征的目标用户识别方法及装置的系统框图。

图2是根据一示例性实施例示出的一种基于时间特征的目标用户识别方法的流程图

图3是根据另一示例性实施例示出的一种基于时间特征的目标用户识别方法的流程图。

图4是根据一示例性实施例示出的一种基于时间特征的目标用户识别装置的框图。

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计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

图1是根据一示例性实施例示出的一种基于时间特征的目标用户识别方法及装置的系统框图。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如金融服务类平台应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示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105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果(例如是否为目标用户)反馈给终端设备。

服务器105可例如获取用户数据，所述用户数据至少包括基础数据、历史首次交易时间，以及当月首次交易时间；服务器105可例如根据所述历史首次交易时间和所述当月首次交易时间，确定所述用户的类别标签；服务器105可例如基于所述类别标签，由多个用户识别模型中确定目标用户识别模型；服务器105可例如将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为目标用户。

服务器105还可例如在所述用户为目标用户时，生成定时监控策略和/或风险防控策略。

服务器105还可例如为历史用户确定类别标签；以及通过具有类别标签的历史用户数据对机器学习模型进行训练，以生成所述多个用户识别模型。

服务器105可以是一个实体的服务器，还可例如为多个服务器组成，需要说明的是，本公开实施例所提供的基于时间特征的目标用户识别方法可以由服务器105执行，相应地，基于时间特征的目标用户识别装置可以设置于服务器105中。而提供给用户进金融服务平台浏览与进行服务操作的网页端一般位于终端设备101、102、103中。

根据本公开的基于时间特征的目标用户识别方法，通过用户的基础特征及还款行为构建了借新还旧行为评分模型，进行了用户的借新还旧行为评分，定义了可靠典型的借新还旧行为，对客户进行借新还旧行为评分，能够精准识别存在借新还旧行为的客群，定时监控，提前对这群用户进行收紧等防御策略。识别客户的借新还旧行为可以大大预知风险并转移控制风险，本公开的基于时间特征的目标用户识别方法，是用于识别用户借新还旧行为的非常重要的风险技术手段。

图2是根据一示例性实施例示出的一种基于时间特征的目标用户识别方法的流程图。基于时间特征的目标用户识别方法20至少包括步骤S202至S208。

如图2所示，在S202中，获取用户数据，所述用户数据至少包括基础数据、历史首次交易时间，以及当月首次交易时间。在提供金融服务的网络平台中，用户可为申请金融服务的用户，更进一步的用户数据可包括基础数据与交易时间数据。

其中，用户的基础数据可包括多个，具体可为用户的行为数据，具体可为用户借款行为数据、还款行为数据、用户借款金额数据等等，还可包括：用户的性别、年龄、职业、住址等等。

其中，交易时间数据可包括用户在该金融服务平台上历史首次交易时间，以及当月首次交易时间。更具体的用户数据将在图3对应的实施例中进行详细描述。

在S204中，根据所述历史首次交易时间和所述当月首次交易时间，确定所述用户的类别标签。根据历史首次交易时间和所述当月首次交易时间可将用户分为三个类别，类别标签可包括新用户、非新用户、混合用户。

其中，新用户是指在预定的时间发生首次交易客户(取首次交易数据)；非新用户是指在预定时间发生交易客户，但不是首次交易(取当月首次交易数据)；混合用户是指在预定时间发生交易的客户(取当月首次交易数据)。

更进一步的，预定时间可为当前时间节点前一个自然月，

在S206中，基于所述类别标签，由多个用户识别模型中确定目标用户识别模型。根据不同的类别标签，为用户确定目标用户识别模型，值得一提的是，同一个类别标签可对应多个用户识别模型，即为根据用户识别标签为用户由多个识别模型中确定出目标用户识别模型。

在一个实施例中，可为历史用户确定类别标签；以及通过具有类别标签的历史用户数据对机器学习模型进行训练，以生成所述多个用户识别模型。不同的用户标签对应于不同的用户识别模型。

在S208中，将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为目标用户。可包括：将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为单头用户或多头用户。

其中，单头用户是在预定时间节点之前借A金融机构的钱有要到期的情况，然后再借A金融服务机构的钱进行还款的用户；多头是指在预定时间节点之前借A金融机构的钱有要到期的情况，然后再借B金融服务机构的钱还款A金融服务机构的用户。

在一个实施例中，在所述用户为目标用户时，生成定时监控策略和/或风险防控策略。在用户被判断为单头用户或者多头用户的时候，可为该用户指定定时监控策略和/或风险防控策略，以用来对该用户进行实时监控，防范金融风险。

在一个实施例中，在所述用户不为单头用户或者多头用户的时候，可采取正常的流程为用户指定用户策略，进行金融风险防控。

根据本公开的基于时间特征的目标用户识别方法，根据用户的历史首次交易时间和所述当月首次交易时间，确定所述用户的类别标签；基于所述类别标签，由多个用户识别模型中确定目标用户识别模型；以及将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为目标用户的方式。能够对客户的借新还旧行为进行评分，精准识别存在借新还旧行为的目标客户，并对目标客户进行监控，提前收紧金融策略防范金融风险。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种基于时间特征的目标用户识别方法的流程图。图3所示的流程是对生成用户识别模型的过程的详细描述。

如图3所示，在S302中，为历史用户确定类别标签。具体可包括：确定历史数据的时间范围；基于所述时间范围获取所述历史用户的用户数据；以及基于所述用户数据为所述历史用户确定类别标签；其中，所述类别标签包括历史首次交易时间和在所述时间范围内的当月首次交易时间。类别标签可包括新用户、非新用户、混合用户。

在S304中，将所述历史用户按照所述历史首次交易时间和在所述时间范围内的当月首次交易时间进行分类，生成多个历史用户数据集合。即为按照类别标签将历史用户分为新用户数据集合、非新用户数据集合、混合用户数据集合。

在S306中，对具有类别标签的多个历史用户数据集合中的历史用户的数据进行参数重要度分析，以确定模型训练参数。可包括：基于梯度下降的模型参数调优算法对具有类别标签的历史用户的数据进行参数重要度分析以确定所述模型训练参数。

梯度下降是迭代法的一种,可以用于求解最小二乘问题(线性和非线性都可以)。在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降(Gradient Descent)是最常采用的方法之一，另一种常用的方法是最小二乘法。在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。

梯度下降法的计算过程是沿梯度下降的方向求解极小值。参数的梯度方向我们可以通过对函数求导得到，一般确定步长的方法是由线性搜索算法来确定，一般情况下，梯度向量为0的话说明是到了一个极值点，此时梯度的幅值也为0.而采用梯度下降算法进行最优化求解时，算法迭代的终止条件是梯度向量的幅值接近0即可，可以设置个非常小的常数阈值。

在S308中，基于所述多个历史用户数据集合中的每一个数据集合分别进行机器学习模型的训练，以生成对应于多个历史用户数据集合的所述多个用户识别模型。

在一个实施例中，基于所述多个历史用户数据集合中的每一个数据集合分别进行机器学习模型的训练包括：为所述历史用户数据集合中的用户数据确定多头特征标签；以及将具有多头特征标签的用户数据输入机器学习模型中以进行模型训练；其中，所述多头特征标签包括正向标签或负向标签。正向标签表示该用户为具有多头特征的用户，负向标签表示该用户不是具有多头特征的用户。

在一个实施例中，基于所述多个历史用户数据集合中的每一个数据集合分别进行机器学习模型的训练包括：为所述历史用户数据集合中的用户数据确定单头特征标签；以及将具有单头特征标签的用户数据输入机器学习模型中以进行模型训练；其中，所述单头特征标签包括正向标签或负向标签。正向标签表示该用户为具有单头特征的用户，负向标签表示该用户不是具有单头特征的用户。

在一个具体的实施例中，可选取2018年4、5月份实际发生交易的用户，包含多个不同金融平台和购物网站的用户进行模型训练。

针对不同标签的用户分别进行参数重要度分析，确定进行仿真的参数，对于新用户而言，模型参数的重要度分析结果如下，可依据重要程度选择多个模型参数进行模型训练：

模型参数名称	重要度
		首次额度使用率(首次借款金额/授信额度)	19.74％
首次成功申请期数	9.50％
		首次借款时间距离授信通过时间的天数差	9.36％
年龄	7.02％
		首次成功借款金额	5.41％
动支评分4	2.78％
		负债评分	2.19％
可度分	1.90％
		最近通话时间	1.75％
动支评分1	1.61％
		关联不同设备ID数	1.32％
近1个月被叫通话时间	1.17％
		动支评分3	1.17％
学历层次1	1.02％
		最后时间	1.02％
渠道一级分类_外部采购	1.02％
		总空间	0.88％
近6个月主叫通话时间	0.29％
		品牌	0.15％
普通理财类APP个数	0.15％
		……	……

对于非新用户而言，模型参数的重要度分析结果如下，可依据重要程度选择多个模型参数进行模型训练：

模型参数名称	重要度
		本次额度使用率(本次借款金额/授信额度)	11.21％
借款时间点的额度使用率[精确到实时计算]	6.75％
		借款时间未结清借据的借款金额总和[精确到实时计算]	3.88％
借款申请期数	3.16％
		单次借款金额/授信额度在(0,10％]的次数	2.87％
距当前借款180天内所有借款次数	2.30％
		首次额度使用率(首次借款金额/授信额度)	2.16％
年龄	2.01％
		距当前借款60天内成功借款次数	1.72％
同盾3月内多头_借款	1.58％
		距离首次借款天数	1.58％
借款时间点的额度使用金额[精确到实时计算]	1.44％
		距当前借款180天内后5天所有借新还旧行为次数	1.44％
距当前借款60天内3期成功借款金额	1.29％
		距当前借款90天内成功借款次数	1.29％
距当前借款90天内所有借款次数	1.29％
		距当前借款30天内应还款额	1.29％
距当前借款90天内12期成功借款金额	1.15％
		距当前借款30天内实际还款金额	1.01％
……	……

对于混合用户而言，模型参数的重要度分析结果如下，可依据重要程度选择多个模型参数进行模型训练：

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是根据一示例性实施例示出的一种基于时间特征的目标用户识别装置的框图。如图4所示，基于时间特征的目标用户识别装置40可包括：数据模块402，类别模块404，模型模块406，用户模块408，基于时间特征的目标用户识别装置40还可包括：策略模块410，模型训练模块412。

数据模块402用户获取用户数据，所述用户数据包括基础数据、历史首次交易时间、当月首次交易时间；

类别模块404用于根据所述历史首次交易时间和所述当月首次交易时间确定所述用户的类别标签；

模型模块406用于根据所述类别标签由多个用户识别模型中确定目标用户识别模型；以及

用户模块408用于将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为目标用户。所述用户模块408还用于将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为单头用户或多头用户。

策略模块410用于在所述用户为目标用户时，生成定时监控策略和/或风险防控策略。

模型训练模块412用于为历史用户确定类别标签；以及通过具有类别标签的历史用户数据对机器学习模型进行训练，以生成所述多个用户识别模型。

其中，所述模型训练模块412包括：参数分析单元，用于对具有类别标签的历史用户的数据进行参数重要度分析，以确定模型训练参数。所述参数分析单元，还用于基于梯度下降的模型参数调优算法对具有类别标签的历史用户的数据进行参数重要度分析以确定所述模型训练参数。

其中，所述模型训练模块412包括：标签单元，用于确定历史数据的时间范围；基于所述时间范围获取所述历史用户的用户数据；以及基于所述用户数据为所述历史用户确定类别标签；其中，所述类别标签包括历史首次交易时间和在所述时间范围内的当月首次交易时间。

其中，所述模型训练模块412包括：训练单元，用于将所述历史用户按照所述历史首次交易时间和在所述时间范围内的当月首次交易时间进行分类，生成多个历史用户数据集合；以及基于所述多个历史用户数据集合中的每一个数据集合分别进行机器学习模型的训练，以生成对应于多个历史用户数据集合的所述多个用户识别模型。

所述训练单元包括：多头特征子单元，用于为所述历史用户数据集合中的用户数据确定多头特征标签；以及将具有多头特征标签的用户数据输入机器学习模型中以进行模型训练；其中，所述多头特征标签包括正向标签或负向标签。

所述训练单元包括：单头特征子单元，用于为所述历史用户数据集合中的用户数据确定单头特征标签；以及将具有单头特征标签的用户数据输入机器学习模型中以进行模型训练；其中，所述单头特征标签包括正向标签或负向标签。

根据本公开的基于时间特征的目标用户识别装置，根据用户的历史首次交易时间和所述当月首次交易时间，确定所述用户的类别标签；基于所述类别标签，由多个用户识别模型中确定目标用户识别模型；以及将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为目标用户的方式。能够对客户的借新还旧行为进行评分，精准识别存在借新还旧行为的目标客户，并对目标客户进行监控，提前收紧金融策略防范金融风险。

图5是根据一示例性实施例示出的一种电子设备的框图。

下面参照图5来描述根据本公开的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图2，图3中所示的步骤。

所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。

所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备500’(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图6所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。

所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储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、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

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，使得该计算机可读介质实现如下功能：获取用户数据，所述用户数据至少包括基础数据、历史首次交易时间，以及当月首次交易时间；根据所述历史首次交易时间和所述当月首次交易时间，确定所述用户的类别标签；基于所述类别标签，由多个用户识别模型中确定目标用户识别模型；以及将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为目标用户。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (10)

1.一种基于时间特征的目标用户识别方法，其特征在于，包括：

获取用户数据，所述用户数据至少包括基础数据、历史首次交易时间，以及当月首次交易时间；

根据所述历史首次交易时间和所述当月首次交易时间，确定所述用户的类别标签；

基于所述类别标签，由多个用户识别模型中确定目标用户识别模型；以及

将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为目标用户。

2.如权利要求1所述的方法，其特征在于，还包括：

在所述用户为目标用户时，生成定时监控策略和/或风险防控策略。

3.如权利要求1-2中任一所所述的方法，其特征在于，还包括：

为历史用户确定类别标签；以及

通过具有类别标签的历史用户数据对机器学习模型进行训练，以生成所述多个用户识别模型。

4.如权利要求1-3中任一所所述的方法，其特征在于，通过具有类别标签的历史用户数据对机器学习模型进行训练，以生成所述多个用户识别模型还包括：

对具有类别标签的历史用户的数据进行参数重要度分析，以确定模型训练参数。

5.如权利要求1-4中任一所所述的方法，其特征在于，为历史用户确定类别标签包括：

确定历史数据的时间范围；

基于所述时间范围获取所述历史用户的用户数据；以及

基于所述用户数据为所述历史用户确定类别标签；

其中，所述类别标签包括历史首次交易时间和在所述时间范围内的当月首次交易时间。

6.如权利要求1-5中任一所所述的方法，其特征在于，通过具有类别标签的历史用户数据对机器学习模型进行训练，以生成所述多个用户识别模型包括：

将所述历史用户按照所述历史首次交易时间和在所述时间范围内的当月首次交易时间进行分类，生成多个历史用户数据集合；以及

基于所述多个历史用户数据集合中的每一个数据集合分别进行机器学习模型的训练，以生成对应于多个历史用户数据集合的所述多个用户识别模型。

7.如权利要求1-6中任一所所述的方法，其特征在于，基于所述多个历史用户数据集合中的每一个数据集合分别进行机器学习模型的训练包括：

为所述历史用户数据集合中的用户数据确定多头特征标签；以及

将具有多头特征标签的用户数据输入机器学习模型中以进行模型训练；

其中，所述多头特征标签包括正向标签或负向标签。

8.一种基于时间特征的目标用户识别装置，其特征在于，包括：

数据模块，用户获取用户数据，所述用户数据包括基础数据、历史首次交易时间、当月首次交易时间；

类别模块，用于根据所述历史首次交易时间和所述当月首次交易时间确定所述用户的类别标签；

模型模块，用于根据所述类别标签由多个用户识别模型中确定目标用户识别模型；以及

用户模块，用于将所述基础数据输入所述目标用户识别模型中以判断所述用户是否为目标用户。

9.一种电子设备，其特征在于，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；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。