CN111582314A - 目标用户确定方法、装置及电子设备 - Google Patents

目标用户确定方法、装置及电子设备 Download PDF

Info

Publication number
CN111582314A
CN111582314A CN202010274597.4A CN202010274597A CN111582314A CN 111582314 A CN111582314 A CN 111582314A CN 202010274597 A CN202010274597 A CN 202010274597A CN 111582314 A CN111582314 A CN 111582314A
Authority
CN
China
Prior art keywords
user
model
historical
probability
advance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010274597.4A
Other languages
English (en)
Inventor
聂婷婷
张蓉
姚王照
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Qiyu Information Technology Co ltd
Original Assignee
Shanghai Qiyu Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Qiyu Information Technology Co ltd filed Critical Shanghai Qiyu Information Technology Co ltd
Priority to CN202010274597.4A priority Critical patent/CN111582314A/zh
Publication of CN111582314A publication Critical patent/CN111582314A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本公开涉及一种目标用户确定方法、装置、电子设备及计算机可读介质。该方法包括：将用户的基础信息输入提前还款模型中，获取所述用户的提前还款概率；将所述基础信息输入金融风险模型中，获取所述用户的金融风险概率；通过所述提前还款概率和所述金融风险概率生成所述用户的综合评分；以及在所述综合评分满足预设策略时，将所述用户确定为目标用户。本公开涉及的目标用户确定方法、装置、电子设备及计算机可读介质，高效快速的由多个用户中筛选出具有多重特征的目标用户，为业务决策提供和用户策略提供有力支持。

Description

目标用户确定方法、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，涉及一种目标用户确定方法、装置、电子设备及计算机可读介质。
背景技术
在金融业务场景中，用户提前还款时需一次性结清剩余本金及利息，这样可减少资金占用提升资金周转率，同时增加业务收益。如果能有效识别提前还款概率高且风险较低的客户，对他们进行差异化提额操作，对金融服务类公司的业务增长具有积极意义。
当前，已有的各种机器学习模型均是基于单目标决策模型，对于目标为多层目标的决策，目前可例如首先基于全量用户进行提前还款预测，筛选出提前还款的概率较高的用户，然后基于全量用户进行违约预测，筛选出违约概率较高的用户，然后可对这两部分用户取交集，进而得出结果。这种分析问题的方式，仅仅是两个机器学习模型的简单组合，由于用户样本的获取时存在样本偏差和样本挖掘欠缺等问题，简单的通过两个机器学习模型组合的方式，是无法帮助金融服务类的公司准确筛选多目标的用户的，更具体的，无法准确筛选出提前还款概率高且风险低的用户。
因此，需要一种新的目标用户确定方法、装置、电子设备及计算机可读介质。
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，本公开提供一种目标用户确定方法、装置、电子设备及计算机可读介质，高效快速的由多个用户中筛选出具有多重特征的目标用户，为业务决策提供和用户策略提供有力支持。
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，提出一种目标用户确定方法，该方法包括：将用户的基础信息输入提前还款模型中，获取所述用户的提前还款概率；将所述基础信息输入金融风险模型中，获取所述用户的金融风险概率；通过所述提前还款概率和所述金融风险概率生成所述用户的综合评分；以及在所述综合评分满足预设策略时，将所述用户确定为目标用户。
可选地，还包括：在所述用户为目标用户时，生成提高额度系数；以及基于所述提高额度系数生成所述用户的金融服务策略。
可选地，还包括：通过全量历史用户生成训练样本集合；以及通过训练样本集合对机器学习模型进行训练生成所述提前还款模型。
可选地，通过全量历史用户生成训练样本集合，包括：获取历史用户的基础信息；根据所述基础信息为所述历史用户确定正向标签或负向标签；以及通过带有标签的全量历史用户生成所述训练样本集合。
可选地，根据所述基础信息为所述历史用户确定正向标签或负向标签，包括：提取所述基础信息中的借款时间和还款时间；基于所述借款时候和所述还款时间确定提前还款特征；以及基于所述提前还款特征为所述历史用户确定正向标签或负向标签。
可选地，基于所述提前还款特征为所述历史用户确定正向标签或负向标签，包括：在所述历史用户具有提前还款特征时，为所述历史用户分配正向标签；以及在所述历史用户不具有提前还款特征时，为所述历史用户分配负向标签。
可选地，通过训练样本集合对机器学习模型进行训练生成所述提前还款模型，包括：为训练样本集合中的历史用户确定多维度特征数据；将多维度特征数据输入梯度提升决策树模型中进行训练；以及在所述梯度提升决策树中的目标函数满足预设条件时，生成所述提前还款模型。
可选地，还包括：通过具有正向标签的历史用户对机器学习模型进行训练生成所述金融风险模型。
可选地，通过具有正向标签的历史用户对机器学习模型进行训练生成所述金融风险模型，包括：为具有正向标签的历史用户确定多维度特征数据；将具有正向标签的历史用户的多维度特征数据输入极端梯度提升模型中进行训练；以及在所述极端梯度提升决策树模型中的目标函数满足预设条件时，生成所述金融风险模型。
可选地，通过所述提前还款概率和所述金融风险概率生成所述用户的综合评分，包括：将所述提前还款概率和所述金融风险概率进行逻辑转化，生成提前还款值和金融风险值；以及通过所述提前还款值和所述金融风险值的乘积生成所述用户的综合评分。
根据本公开的一方面，提出一种目标用户确定装置，该装置包括：还款模型模块，用于将用户的基础信息输入提前还款模型中，获取所述用户的提前还款概率；风险模型模块，用于将所述基础信息输入金融风险模型中，获取所述用户的金融风险概率；评分模块，用于通过所述提前还款概率和所述金融风险概率生成所述用户的综合评分；以及目标模块，用于在所述综合评分满足预设策略时，将所述用户确定为目标用户。
可选地，还包括：策略模块，用于在所述用户为目标用户时，生成提高额度系数；以及基于所述提高额度系数生成所述用户的金融服务策略。
可选地，还包括：还款模型训练模块，用于通过全量历史用户生成训练样本集合；以及通过训练样本集合对机器学习模型进行训练生成所述提前还款模型。
可选地，所述还款模型训练模块，包括：信息单元，用于获取历史用户的基础信息；标签单元，用于根据所述基础信息为所述历史用户确定正向标签或负向标签；以及训练单元，用于通过带有标签的全量历史用户生成所述训练样本集合。
可选地，所述标签单元，还用于提取所述基础信息中的借款时间和还款时间；基于所述借款时候和所述还款时间确定提前还款特征；以及基于所述提前还款特征为所述历史用户确定正向标签或负向标签。
可选地，所述标签单元，还用于在所述历史用户具有提前还款特征时，为所述历史用户分配正向标签；以及在所述历史用户不具有提前还款特征时，为所述历史用户分配负向标签。
可选地，所述训练单元，还用于为训练样本集合中的历史用户确定多维度特征数据；将多维度特征数据输入梯度提升决策树模型中进行训练；以及在所述梯度提升决策树中的目标函数满足预设条件时，生成所述提前还款模型。
可选地，还包括：风险模型训练模块，用于通过具有正向标签的历史用户对机器学习模型进行训练生成所述金融风险模型。
可选地，所述风险模型训练模块，包括：训练单元，用于为具有正向标签的历史用户确定多维度特征数据；将具有正向标签的历史用户的多维度特征数据输入极端梯度提升模型中进行训练；以及在所述极端梯度提升决策树模型中的目标函数满足预设条件时，生成所述金融风险模型。
可选地，所述评分模块，包括：转化单元，用于将所述提前还款概率和所述金融风险概率进行逻辑转化，生成提前还款值和金融风险值；以及评分单元，用于通过所述提前还款值和所述金融风险值的乘积生成所述用户的综合评分。
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。
根据本公开的目标用户确定方法、装置、电子设备及计算机可读介质，将用户的基础信息输入提前还款模型中，获取所述用户的提前还款概率；将所述基础信息输入金融风险模型中，获取所述用户的金融风险概率；通过所述提前还款概率和所述金融风险概率生成所述用户的综合评分；以及在所述综合评分满足预设策略时，将所述用户确定为目标用户的方式，高效快速的由多个用户中筛选出具有多重特征的目标用户，为业务决策提供和用户策略提供有力支持。
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目标用户确定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目标用户确定方法的流程图。
图3是根据另一示例性实施例示出的一种目标用户确定方法的流程图。
图4是根据另一示例性实施例示出的一种目标用户确定方法的流程图。
图5是根据一示例性实施例示出的一种目标用户确定装置的框图。
图6是根据另一示例性实施例示出的一种目标用户确定装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8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目标用户确定方法及装置的系统框图。
如图1所示，系统架构10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(例如目标用户)反馈给金融服务网站的管理员。
服务器105可例如将用户的基础信息输入提前还款模型中，获取所述用户的提前还款概率；服务器105可例如将所述基础信息输入金融风险模型中，获取所述用户的金融风险概率；服务器105可例如通过所述提前还款概率和所述金融风险概率生成所述用户的综合评分；服务器105可例如在所述综合评分满足预设策略时，将所述用户确定为目标用户。
服务器105还可例如在所述用户为目标用户时，生成提高额度系数；以及基于所述提高额度系数生成所述用户的金融服务策略。
服务器105还可例如通过全量历史用户生成训练样本集合；以及通过训练样本集合对机器学习模型进行训练生成所述提前还款模型。
服务器105还可例如通过具有正向标签的历史用户对机器学习模型进行训练生成所述金融风险模型。
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目标用户确定方法可以由服务器105执行，相应地，目标用户确定装置可以设置于服务器105中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。
图2是根据一示例性实施例示出的一种目标用户确定方法的流程图。目标用户确定方法20至少包括步骤S202至S208。
如图2所示，在S202中，将用户的基础信息输入提前还款模型中，获取所述用户的提前还款概率。其中，用户可为金融服务公司的注册用户，在用户注册的时候，可例如需要用户输入身份证、照片、职业、收入、年龄、兴趣爱好等多项数据，可通过以上的多项数据生成用户的基础信息。
在一个实施例中，还可例如，对全量用户进行筛选，以确定目标用户，进行将目标用户的基础信息输入提前还款模型中。可例如，待筛选的用户是具有提前还款特征的用户，那么可知，具有多次违约记录的用户是不满足以上条件的，那么可将多次违约的用户由全量用户集合中去除，剩下的用户生成第一用户集合，仅对第二用户集合中的用户进行提前还款预测。
在一个实施例中，还包括：通过全量历史用户生成训练样本集合；以及通过训练样本集合对机器学习模型进行训练生成所述提前还款模型。提前还款模型训练的相关内容在图3的实施例中进行详细描述。
在S204中，将所述基础信息输入金融风险模型中，获取所述用户的金融风险概率。
在一个实施例中，还可例如，对全量用户进行筛选，以确定目标用户，进行将目标用户的基础信息输入金融风险模型中。可例如，待筛选的用户是金融风险较低的用户，那么可知，无固定职业的用户是不满足以上条件的，那么可将无固定职业的用户由全量用户集合中去除，剩下的用户生成第二用户集合，仅对第二用户集合中的用户进行提前还款预测。
更进一步的，还可对第一用户集合和第二用户集合进行取交集运算，将同时在第一用户集合和第二用户集合中的用户作为第三用户集合中的而用户，进而对第三用户集合中的用户进行提前还款预测和金融风险预测，本公开不以此为限。
在一个实施例中，还包括：通过具有正向标签的历史用户对机器学习模型进行训练生成所述金融风险模型。金融风险模型训练的相关内容在图4的实施例中进行详细描述。
在S206中，通过所述提前还款概率和所述金融风险概率生成所述用户的综合评分。包括：将所述提前还款概率和所述金融风险概率进行逻辑转化，生成提前还款值和金融风险值；以及通过所述提前还款值和所述金融风险值的乘积生成所述用户的综合评分。
逻辑转化可例如为归一化转化，由于提前还款概率和金融风险概率是不具有相似性的两个数学数值，为了对这两个数学数值进行后续处理，可例如，分别将这两个数值进行归一化处理。
归一化就是要把需要处理的数据经过处理后限制在一定范围内。首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。归一化的具体作用是归纳统一样本的统计分布性。在本公开的实施例还中，可将提前还款概率和金融风险概率均归一化在0-1之间以便进行统计的概率分析。
在S208中，在所述综合评分满足预设策略时，将所述用户确定为目标用户。可例如，综合评分大于0.8分的用户可认为是满足预设策略的用户，这种具有既具有提前还款的特征，又具有金融风险低的特征。
在一个实施例中，还包括：在所述用户为目标用户时，生成提高额度系数；以及基于所述提高额度系数生成所述用户的金融服务策略。可对满足策略的用户进行差异化提额操作。
根据本公开的目标用户确定方法，将用户的基础信息输入提前还款模型中，获取所述用户的提前还款概率；将所述基础信息输入金融风险模型中，获取所述用户的金融风险概率；通过所述提前还款概率和所述金融风险概率生成所述用户的综合评分；以及在所述综合评分满足预设策略时，将所述用户确定为目标用户的方式，高效快速的由多个用户中筛选出具有多重特征的目标用户，为业务决策提供和用户策略提供有力支持。
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目标用户确定方法的流程图。图3所示的流程是对“提前还款模型训练”的详细描述。
如图3所示，在S302中，获取全量历史用户的基础信息。全量用户可为全部的已在某金融服务平台上经过注册的用户，更进一步的，历史全量用户可为全部的已在某金融服务平台上经过注册的用户，且具有借款还款行为的用户。
在S304中，根据所述基础信息为所述历史用户确定正向标签或负向标签。包括：提取所述基础信息中的借款时间和还款时间；基于所述借款时候和所述还款时间确定提前还款特征；以及基于所述提前还款特征为所述历史用户确定正向标签或负向标签。
在一个实施例中，基于所述提前还款特征为所述历史用户确定正向标签或负向标签，包括：在所述历史用户具有提前还款特征时，为所述历史用户分配正向标签；以及在所述历史用户不具有提前还款特征时，为所述历史用户分配负向标签。
在S306中，为训练样本集合中的历史用户确定多维度特征数据。可将用户的基础信息经过特征处理，生成多维度特征数据。更具体的，可例如将用户的年龄进行归一化处理，生成多维度特征数据中的一个维度；还可将用户的职业属性和预设的职业列表进行比对，以为所述用户的职业属性分配特征数据，进而作为用户多维度特征的一个维度；还可将用户借款还款的相关行为和信息分别作为多维度特征的一个维度等等，本公开不以此为限。
在S308中，将多维度特征数据输入梯度提升决策树模型中进行训练。决策树算法有着很多良好的特性，训练时间复杂度较低，预测的过程比较快速，模型容易展示等。决策树分为两大类，分类树和回归树，分类树用于分类标签值，如阴天/晴天，性别预测，垃圾邮件分类，而回归树用于预测实数值，如明天的温度、用户的年龄和网页的相关程度，也就是分类树是定性的，回归树是定量的。在本公开中，可通过梯度提升决策树模型对用户的多维度特征进行定量分析。其中，GBDT(Gradient Boosting Decision Tree)是一种迭代的决策树算法，由多棵决策树组成，所有树的结论累加起来作为最终答案，
在S310中，在所述梯度提升决策树模型中的目标函数满足预设条件时，生成所述提前还款模型。可例如，在所述梯度提升决策树模型中的收敛函数小于预设值时，确定当前所述梯度提升决策树模型满足本公开需要，通过当前状态的模型参数生成所述提前还款模型。
图4是根据另一示例性实施例示出的一种目标用户确定方法的流程图。图4所示的流程是对“金融风险模型训练”的详细描述。
如图4所示，在S402中，为具有正向标签的历史用户确定多维度特征数据。可接续图3实施例中的用户筛选步骤，基于所述提前还款特征为所述历史用户确定正向标签或负向标签，包括：在所述历史用户具有提前还款特征时，为所述历史用户分配正向标签；以及在所述历史用户不具有提前还款特征时，为所述历史用户分配负向标签。
将已经筛选出的具有正向标签的历史用户作为金融风险模型训练时的样本数据。更进一步的，
在S404中，将具有正向标签的历史用户的多维度特征数据输入极端梯度提升决策树模型中进行训练。具有正向标签的历史用户确定多维度特征数据可着重关注金融风险相关的特征进行再次构建，也可沿用上文中的用户多维度特征进行后续的训练。
可通过极端梯度提升决策树(eXtreme Gradient Boosting，XGBoost)进行模型的训练，
在S406中，在所述极端梯度提升决策树模型中的目标函数满足预设条件时，生成所述金融风险模型。可例如，在所述极端梯度提升决策树模型中的收敛函数小于预设值时，确定当前所述极端梯度提升决策树模型满足本公开需要，通过当前状态的模型参数生成金融风险模型。
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5是根据一示例性实施例示出的一种目标用户确定装置的框图。如图5所示，目标用户确定装置50包括：还款模型模块502，风险模型模块504，评分模块506，目标模块508。
还款模型模块502用于将用户的基础信息输入提前还款模型中，获取所述用户的提前还款概率；
风险模型模块504用于将所述基础信息输入金融风险模型中，获取所述用户的金融风险概率；
评分模块506用于通过所述提前还款概率和所述金融风险概率生成所述用户的综合评分；所述评分模块506包括：转化单元，用于将所述提前还款概率和所述金融风险概率进行逻辑转化，生成提前还款值和金融风险值；以及评分单元用于通过所述提前还款值和所述金融风险值的乘积生成所述用户的综合评分。
目标模块508用于在所述综合评分满足预设策略时，将所述用户确定为目标用户。
图6是根据另一示例性实施例示出的一种目标用户确定装置的框图。如图6所示，目标用户确定装置60在目标用户确定装置50的基础上还包括：策略模块602，还款模型训练模块604，风险模型训练模块606。
策略模块602用于在所述用户为目标用户时，生成提高额度系数；以及基于所述提高额度系数生成所述用户的金融服务策略。
还款模型训练模块604用于通过全量历史用户生成训练样本集合；以及通过训练样本集合对机器学习模型进行训练生成所述提前还款模型。
所述还款模型训练模块604包括：信息单元，用于获取历史用户的基础信息；标签单元，用于根据所述基础信息为所述历史用户确定正向标签或负向标签；以及所述标签单元，还用于提取所述基础信息中的借款时间和还款时间；基于所述借款时候和所述还款时间确定提前还款特征；以及基于所述提前还款特征为所述历史用户确定正向标签或负向标签。所述标签单元，还用于在所述历史用户具有提前还款特征时，为所述历史用户分配正向标签；以及在所述历史用户不具有提前还款特征时，为所述历史用户分配负向标签。
所述还款模型训练模块604还包括：训练单元，用于通过带有标签的全量历史用户生成所述训练样本集合。所述训练单元，还用于为训练样本集合中的历史用户确定多维度特征数据；将多维度特征数据输入梯度提升决策树模型中进行训练；以及在所述梯度提升决策树中的目标函数满足预设条件时，生成所述提前还款模型。
风险模型训练模块606用于通过具有正向标签的历史用户对机器学习模型进行训练生成所述金融风险模型。风险模型训练模块606还包括：训练单元，用于为具有正向标签的历史用户确定多维度特征数据；将具有正向标签的历史用户的多维度特征数据输入极端梯度提升模型中进行训练；以及在所述极端梯度提升决策树模型中的目标函数满足预设条件时，生成所述金融风险模型。
根据本公开的目标用户确定装置，将用户的基础信息输入提前还款模型中，获取所述用户的提前还款概率；将所述基础信息输入金融风险模型中，获取所述用户的金融风险概率；通过所述提前还款概率和所述金融风险概率生成所述用户的综合评分；以及在所述综合评分满足预设策略时，将所述用户确定为目标用户的方式，高效快速的由多个用户中筛选出具有多重特征的目标用户，为业务决策提供和用户策略提供有力支持。
图7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7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700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7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740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710执行，使得所述处理单元710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710可以执行如图2，图3，图4中所示的步骤。
所述存储单元720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)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。
所述存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205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730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700也可以与一个或多个外部设备700’(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700交互的设备通信，和/或与使得该电子设备700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750进行。并且，电子设备700还可以通过网络适配器760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760可以通过总线730与电子设备700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700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8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一诸如“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：将用户的基础信息输入提前还款模型中，获取所述用户的提前还款概率；将所述基础信息输入金融风险模型中，获取所述用户的金融风险概率；通过所述提前还款概率和所述金融风险概率生成所述用户的综合评分；以及在所述综合评分满足预设策略时，将所述用户确定为目标用户。
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)

1.一种目标用户确定方法，其特征在于，包括：
将用户的基础信息输入提前还款模型中，获取所述用户的提前还款概率；
将所述基础信息输入金融风险模型中，获取所述用户的金融风险概率；
通过所述提前还款概率和所述金融风险概率生成所述用户的综合评分；以及
在所述综合评分满足预设策略时，将所述用户确定为目标用户。
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，生成提高额度系数；以及
基于所述提高额度系数生成所述用户的金融服务策略。
3.如权利要求1-2中任一所述的方法，其特征在于，还包括：
通过全量历史用户生成训练样本集合；以及
通过训练样本集合对机器学习模型进行训练生成所述提前还款模型。
4.如权利要求1-3中任一所述的方法，其特征在于，通过全量历史用户生成训练样本集合，包括：
获取全量历史用户的基础信息；
根据所述基础信息为所述历史用户确定正向标签或负向标签；以及
通过带有标签的全量历史用户生成所述训练样本集合。
5.如权利要求1-4中任一所述的方法，其特征在于，根据所述基础信息为所述历史用户确定正向标签或负向标签，包括：
提取所述基础信息中的借款时间和还款时间；
基于所述借款时候和所述还款时间确定提前还款特征；以及
基于所述提前还款特征为所述历史用户确定正向标签或负向标签。
6.如权利要求1-5中任一所述的方法，其特征在于，基于所述提前还款特征为所述历史用户确定正向标签或负向标签，包括：
在所述历史用户具有提前还款特征时，为所述历史用户分配正向标签；以及
在所述历史用户不具有提前还款特征时，为所述历史用户分配负向标签。
7.如权利要求1-6中任一所述的方法，其特征在于，通过训练样本集合对机器学习模型进行训练生成所述提前还款模型，包括：
为训练样本集合中的历史用户确定多维度特征数据；
将多维度特征数据输入梯度提升决策树模型中进行训练；以及
在所述梯度提升决策树中的目标函数满足预设条件时，生成所述提前还款模型。
8.一种目标用户确定装置，其特征在于，包括：
还款模型模块，用于将用户的基础信息输入提前还款模型中，获取所述用户的提前还款概率；
风险模型模块，用于将所述基础信息输入金融风险模型中，获取所述用户的金融风险概率；
评分模块，用于通过所述提前还款概率和所述金融风险概率生成所述用户的综合评分；以及
目标模块，用于在所述综合评分满足预设策略时，将所述用户确定为目标用户。
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。
CN202010274597.4A 2020-04-09 2020-04-09 目标用户确定方法、装置及电子设备 Pending CN111582314A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010274597.4A CN111582314A (zh) 2020-04-09 2020-04-09 目标用户确定方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010274597.4A CN111582314A (zh) 2020-04-09 2020-04-09 目标用户确定方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN111582314A true CN111582314A (zh) 2020-08-25

Family

ID=72111418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010274597.4A Pending CN111582314A (zh) 2020-04-09 2020-04-09 目标用户确定方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111582314A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085542A (zh) * 2020-10-23 2020-12-15 北京金堤科技有限公司 用户筛选方法和装置、计算机可读存储介质、电子设备
CN112508689A (zh) * 2021-02-01 2021-03-16 四川新网银行股份有限公司 一种基于多维度实现决策评估的方法
CN113568739A (zh) * 2021-07-12 2021-10-29 北京淇瑀信息科技有限公司 用户资源额度分配方法、装置及电子设备
CN116228139A (zh) * 2023-01-10 2023-06-06 南京田雨企业咨询管理有限公司 一种汽车金融风险审核方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416669A (zh) * 2018-03-13 2018-08-17 腾讯科技（深圳）有限公司 用户行为数据处理方法、装置、电子设备及计算机可读介质
CN109389486A (zh) * 2018-08-27 2019-02-26 深圳壹账通智能科技有限公司 贷款风控规则调整方法、装置、设备及计算机存储介质
CN110009480A (zh) * 2019-03-06 2019-07-12 平安科技（深圳）有限公司 司法催收路径的推荐方法、装置、介质、电子设备
CN110135702A (zh) * 2019-04-23 2019-08-16 上海淇玥信息技术有限公司 一种实时更新的还款积极度评估方法、装置、系统和记录介质
CN110335143A (zh) * 2019-07-02 2019-10-15 上海淇毓信息科技有限公司 基于多重时间验证的金融风险分析方法、装置及电子设备
CN110348977A (zh) * 2019-07-02 2019-10-18 上海淇毓信息科技有限公司 基于多层模型结构的金融风险分析方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416669A (zh) * 2018-03-13 2018-08-17 腾讯科技（深圳）有限公司 用户行为数据处理方法、装置、电子设备及计算机可读介质
CN109389486A (zh) * 2018-08-27 2019-02-26 深圳壹账通智能科技有限公司 贷款风控规则调整方法、装置、设备及计算机存储介质
CN110009480A (zh) * 2019-03-06 2019-07-12 平安科技（深圳）有限公司 司法催收路径的推荐方法、装置、介质、电子设备
CN110135702A (zh) * 2019-04-23 2019-08-16 上海淇玥信息技术有限公司 一种实时更新的还款积极度评估方法、装置、系统和记录介质
CN110335143A (zh) * 2019-07-02 2019-10-15 上海淇毓信息科技有限公司 基于多重时间验证的金融风险分析方法、装置及电子设备
CN110348977A (zh) * 2019-07-02 2019-10-18 上海淇毓信息科技有限公司 基于多层模型结构的金融风险分析方法、装置及电子设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085542A (zh) * 2020-10-23 2020-12-15 北京金堤科技有限公司 用户筛选方法和装置、计算机可读存储介质、电子设备
CN112085542B (zh) * 2020-10-23 2024-01-26 北京金堤科技有限公司 用户筛选方法和装置、计算机可读存储介质、电子设备
CN112508689A (zh) * 2021-02-01 2021-03-16 四川新网银行股份有限公司 一种基于多维度实现决策评估的方法
CN113568739A (zh) * 2021-07-12 2021-10-29 北京淇瑀信息科技有限公司 用户资源额度分配方法、装置及电子设备
CN116228139A (zh) * 2023-01-10 2023-06-06 南京田雨企业咨询管理有限公司 一种汽车金融风险审核方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111582314A (zh) 目标用户确定方法、装置及电子设备
CN111210335B (zh) 用户风险识别方法、装置及电子设备
CN112508694B (zh) 服务器处理资源额度申请的方法、装置及电子设备
CN111145009A (zh) 用户贷后风险评估方法、装置及电子设备
CN112017023A (zh) 小微企业资源额度确定方法、装置及电子设备
CN111179051A (zh) 金融目标客户确定方法、装置及电子设备
CN111583018A (zh) 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备
CN112015562A (zh) 基于迁移学习的资源分配方法、装置及电子设备
CN112017060A (zh) 为目标用户进行资源分配的方法、装置及电子设备
CN111190967B (zh) 用户多维度数据处理方法、装置及电子设备
CN112348659A (zh) 用户风险识别策略的分配方法、装置及电子设备
CN111967543A (zh) 用户资源配额确定方法、装置及电子设备
CN111783039A (zh) 风险确定方法、装置、计算机系统和存储介质
CN111598360A (zh) 服务策略确定方法、装置及电子设备
CN111191677A (zh) 用户特征数据生成方法、装置及电子设备
CN112016792A (zh) 用户资源配额确定方法、装置及电子设备
CN112017062A (zh) 基于客群细分的资源额度分配方法、装置及电子设备
CN114742645B (zh) 基于多阶段时序多任务的用户安全等级识别方法及装置
CN116402625A (zh) 客户评估方法、装置、计算机设备及存储介质
CN116048463A (zh) 基于标签管理的需求项内容智能推荐方法及装置
CN115482094A (zh) 一种业务处理方法、装置、电子设备及计算机可读介质
CN112527851B (zh) 用户特征数据筛选方法、装置及电子设备
CN113568738A (zh) 基于多标签分类的资源分配方法、装置、电子设备及介质
CN114298845A (zh) 一种理赔票据处理方法和装置
CN114066603A (zh) 贷后风险预警方法、装置、电子设备和计算机可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: Room 1118, No.4, Lane 800, Tongpu Road, Putuo District, Shanghai 200062

Applicant after: SHANGHAI QIYU INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 201500 room a1-5962, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai (Shanghai Hengtai Economic Development Zone)

Applicant before: SHANGHAI QIYU INFORMATION TECHNOLOGY Co.,Ltd.

Country or region before: China