CN111597343B - 一种基于app的智能化用户职业判断方法、装置和电子设备 - Google Patents
一种基于app的智能化用户职业判断方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111597343B CN111597343B CN202010724459.1A CN202010724459A CN111597343B CN 111597343 B CN111597343 B CN 111597343B CN 202010724459 A CN202010724459 A CN 202010724459A CN 111597343 B CN111597343 B CN 111597343B
- Authority
- CN
- China
- Prior art keywords
- app
- user
- seed
- occupation
- information
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于APP的智能化用户职业判断方法、装置和电子设备。该方法包括:设定用户职业分类策略,筛选种子APP,并构建种子APP模型;对种子APP模型进行扩增处理,以获得种子APP分类模型,种子APP分类模型用于根据用户的APP安装列表信息中APP信息判断用户职业类别;获取目标用户的APP安装列表信息,自动将APP安装列表信息中相应APP信息进行文本向量化;使用种子APP分类模型,对目标用户的APP安装列表信息中APP进行分类和量化计算;基于预设判别规则,判断目标用户的职业类别。本发明的方法能够有效降低人工干预的误差,提高用户职业挖掘效率和精准性。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种基于APP的智能化用户职业判断方法、装置和电子设备。
背景技术
金融平台存在大量信息缺失的用户,用户信息缺失使金融平台对于用户授信额度和用户还款能力的评估出现偏差,不利于金融平台的风险控制。如果用户职业信息缺失,金融平台难以准确估计用户的收入水平,进而难以精准评估用户资质,对用户资质判断失误,将坏客户划分为好客户,则存在资源分配后难以收回的情况,对金融平台造成严重的经济损失。
现有技术中对于职业信息多采用手工填报的形式,对于用户真实的职业倾向和岗位,缺乏验证,甚至无法验证用户的职业和填报职业的差异。此外,现有方法对用户职业的判断准确率不高,用户职业标签在用户标签系统的覆盖率也不高。
因此,有必要提供一种更为准确的且智能化的用户职业判断方法。
发明内容
本发明旨在解决现有的用户职业判断方法耗费人力、准确度低、智能化水平不高的问题。
为了解决上述问题,本发明提供了一种基于APP的智能化用户职业判断方法,包括:设定用户职业分类策略,筛选种子APP,并构建种子APP模型;对所述种子APP模型进行扩增处理,以获得种子APP分类模型,所述种子APP分类模型用于根据用户的APP安装列表信息中APP信息判断用户职业类别;获取目标用户的APP安装列表信息,自动将所述APP安装列表信息中相应APP信息进行文本向量化;使用所述种子APP分类模型,对所述目标用户的APP安装列表信息中APP进行分类和量化计算;基于预设判别规则,判断所述目标用户的职业类别。
优选地,所述对所述种子APP模型进行扩增处理包括:设定与不同用户职业类别对应的相似度阈值;使用word2-vector将用户的APP安装列表信息中的各个APP信息文本向量化,进行向量相似度计算,获得不同用户职业类别下的大于各设定相似度阈值的相似种子APP,以进行种子APP扩增处理。
优选地,还包括:重复进行种子APP扩增处理,直到每个用户职业类别的种子APP的数量大于特定数量。
优选地,还包括:基于对目标用户的APP安装列表信息中APP的分类结果,进一步计算不同用户职业类别下种子APP的信息量;所述预设判别规则包括将种子APP的信息量最大的用户职业类别作为所述目标用户的职业类别。
优选地,还包括:基于职业类别的判断结果,使用自适应算法,对所述目标用户的金融资源审批和风险评估进行评估。
优选地,所述APP文本信息包括APP名称和/或APP简介。
优选地,所述APP安装列表信息是通过数据筛选规则筛选后的APP安装列表信息。
优选地,所述数据筛选规则是通过特定时间、地域或应用场景筛选APP安装列表信息。
此外,本发明还提供了一种基于APP的智能化用户职业判断装置,包括:第一处理模块,用于设定用户职业分类策略,筛选种子APP,并构建种子APP模型;构建模块,用于对所述种子APP模型进行扩增处理,以获得种子APP分类模型,所述种子APP分类模型用于根据用户的APP安装列表信息中APP信息判断用户职业类别;第二处理模块,用于获取目标用户的APP安装列表信息,自动将所述APP安装列表信息中相应APP信息进行文本向量化;分类计算模块,用于使用所述种子APP分类模型,对所述目标用户的APP安装列表信息中APP进行分类和量化计算;判断模块,基于预设判别规则,判断所述目标用户的职业类别。
优选地,还包括设定模块,所述设定模块用于设定与不同用户职业类别对应的相似度阈值;使用word2-vector将用户的APP安装列表信息中的各个APP信息文本向量化,进行向量相似度计算,获得不同用户职业类别下的大于各设定相似度阈值的相似种子APP,以进行种子APP扩增处理。
优选地,所述预设判断规则包括:重复进行种子APP扩增处理,直到每个用户职业类别的种子APP的数量大于特定数量。
优选地,还包括:基于对目标用户的APP安装列表信息中APP的分类结果,进一步计算不同用户职业类别下种子APP的信息量;所述预设判别规则包括将种子APP的信息量最大的用户职业类别作为所述目标用户的职业类别。
优选地,还包括分析模块,所述分析模块用于基于职业类别的判断结果,使用自适应算法,对所述目标用户的金融资源审批和风险评估进行评估。
优选地,所述APP文本信息包括APP名称和/或APP简介。
优选地,所述APP安装列表信息是通过数据筛选规则筛选后的APP安装列表信息。
优选地,所述数据筛选规则是通过特定时间、地域或应用场景筛选APP安装列表信息。
此外,本发明还提供了一种电子设备,其中,该电子设备包括:处理器;以及,存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行本发明所述的用户职业判断方法。
此外,本发明还提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现本发明所述的用户职业判断方法。
有益效果
与现有技术相比,本发明的智能化用户职业判断方法通过构建种子APP模型,使用word2-vector扩增种子APP模型以得到种子APP分类模型,再使用扩增后的种子APP分类模型对用户的APP安装列表信息进行分类,确定用户在不同职业类别下所包含种子APP的信息量,以判断用户的职业类别,有效降低了人工干预的误差,提高了用户职业挖掘效率和精准性;判断用户的职业类别或职业倾向,自适应地分析不同职业用户的风险水平,有利于进一步的的定向风险布控,实现风险管控的闭环运行,降低人工风险;还能够验证用户的职业和填报职业的差异,从而对用户的风险更有效的甄别。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明本发明示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是本发明的基于APP的智能化用户职业判断方法的一示例的流程图。
图2是本发明的历史用户的APP文本信息的示例的示意性图。
图3是本发明的基于APP的智能化用户职业判断方法的另一示例的流程图。
图4是本发明的实施例2的基于APP的智能化用户职业判断装置的一示例的示意图。
图5是本发明的实施例2的基于APP的智能化用户职业判断装置的另一示例的示意图。
图6是本发明的实施例2的基于APP的智能化用户职业判断装置的又一示例的示意图。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。
图8是根据本发明的计算机可读介质的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明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元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
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。
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。
应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如,第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“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。
实施例1
下面,将参照图1至图3描述本发明的基于APP的智能化用户职业判断方法的实施例。
图1为本发明的基于APP的智能化用户职业判断方法的流程图。如图1所示,一种智能化用户职业判断方法,该方法包括如下步骤。
步骤S101,设定用户职业分类策略,筛选种子APP,并构建种子APP模型。
步骤S102,对所述种子APP模型进行扩增处理,以获得种子APP分类模型,所述种子APP分类模型用于根据用户的APP安装列表信息中APP信息判断用户职业类别。
步骤S103,获取目标用户的APP安装列表信息,自动将所述APP安装列表信息中相应APP信息进行文本向量化。
步骤S104,使用所述种子APP分类模型,对所述目标用户的APP安装列表信息中APP进行分类和量化计算。
步骤S105,基于预设判别规则,判断所述目标用户的职业类别。
首先,在步骤S101中,设定用户职业分类策略,筛选种子APP,并构建种子APP模型。
例如,从APP的数据库等的数据平台获取与用户相关的历史数据,通过对具有职业信息标签的用户及其使用各类APP的数据。再例如,通过第三方的用户身份标识信息知识库,提取用户及其关联人的用户特征数据,进行聚类分析,对用户职业进行分类,并确定用户的职业信息与各类APP之间的相关性,其中,职业信息包括医疗类职业、技术型职业、服务性职业等。具体地,对例如网约车、餐饮服务、货车司机、医生、老师等等职业进行分类。
具体地,用户在使用各类应用软件的时候,会产生各种数据。例如,使用用户对于各类APP的使用时间数据、对各类APP的安装次数或更新次数、社交行为数据、通话行为数据等,进行聚类和相关性分析,确定用户职业分类策略,其中,用户职业分类策略包括相同职业类别的用户与一个APP或多个APP的关联度、职业类别与APP的类型的对应关系、不同职业类别的用户与一个APP或多个APP的关联度等。
在本示例中,基于对历史用户数据的分析,设定用户职业分类,并确定不同职业类别与各类APP之间的相关度,基于不同职业类别与各类APP的相关度,设定各APP的权重系数,筛选初始的种子APP。
进一步地,基于所筛选的初始的种子APP,构建种子APP模型,该种子APP模型作为种子APP分类模型的初始模型,用于根据用户的APP信息进行分类。
需要说明的是,在本示例中,APP信息为APP安装列表信息。但是不限于此,在其他示例中,APP信息包括APP安装列表信息和/或APP下载序列信息等。上述仅作为优选的示例进行说明,不能理解成对本发明的限制。
接下来,在步骤S102中,对所述种子APP模型进行扩增处理,以获得种子APP分类模型,所述种子APP分类模型用于根据用户的APP安装列表信息中所包含种子APP的信息量来预测用户职业类别。
在本示例中,对所述种子APP模型进行扩增处理包括:设定与不同用户职业类别对应的相似度阈值。
具体地,获取历史用户的APP安装列表信息,使用word2-vector将用户的APP安装列表信息中的各个APP信息文本向量化,进行向量相似度计算。
更具体地,将历史用户的APP安装列表信息中的各个APP文本信息向量化,其中,APP文本信息例如为APP名称和/或APP摘要等,在本实施例中,以APP名称作为示例文本向量化进行说明,具体参见图2。
例如,从海量的历史用户APP安装列表信息中,利用数据筛选规则筛选APP安装列表,其中,数据筛选规则是特定时间、地域或应用场景,其中,特定时间为一周、两周、三周、一个月等。在本示例中,筛选两周内下载的一段APP安装列表信息,该段APP安装列表信息包括100个APP名称,具体参见图2。
进一步地,基于安装顺序依次对这100个APP名称进行编号(1,2,3,…N,其中,N为100),并通过例如word2-vector等将这100个APP名称、用户相对于各APP的使用信息数据等转换为200维的向量数据(即,词向量(Word Embedding)),word2-vector例如通过CBOW(周围词预估中心词)或者Skip-Gram(中心词预估周围词)实现文本转向量。
需要说明的是,将文本信息转换为向量数据的方法不限于word2-vector,还可以是词集模型、词代模型、n-gram、TF-IDF;200维的向量数据还可以是120维、200维、400维等的向量数据,上述仅用于说明,不能理解对本发明的限制。
在其他示例中,将200维的向量数据进行例如求和、求平均、求方差等的进一步加工。
对于种子APP扩增处理,分别获得不同用户职业类别下的大于各设定相似度阈值的相似种子APP,以进行种子APP扩增处理,换言之,将各用户职业类别下的大于各设定相似度阈值的相似种子APP,增加至种子APP模型,以对初始的种子APP数据库进行扩增,由此能够覆盖相似种子APP的样本。
如图3所示,本发明的方法还包括设定扩增规则的步骤S301。
在本实例中,扩增规则包括设定各职业类别下扩增相似种子APP的特定数量。
优选地,判断是否重复进行种子APP扩增处理。
具体地,基于所设定的扩增相似种子APP的特定数量,将各职业类别的当前扩增数量与对应的特定数量进行比较,直到每个用户职业类别的种子APP的数量大于特定数量(即完成了种子APP扩增处理),以获得种子APP分类模型,所述种子APP分类模型用于根据用户的APP安装列表信息中APP信息判断用户职业类别。
接下来,在步骤S103中,获取目标用户的APP安装列表信息,自动将所述APP安装列表信息中相应APP信息进行文本向量化。
在本示例中,使用文本自主感知系统系统,将目标用户的APP安装列表信息自动生成向量。
需要说明的是,由于目标用户和历史用户的APP安装列表信息的筛选和文本向量化的处理方法相同,因此,省略了目标用户的该部分的相关描述。
在其他示例中,还包括对筛选时间段内不同历史用户的APP安装列表进行数据预处理,数据预处理包括过渡、平滑、补齐等。此外,还包括实时抓取APP的更新次数,由此,所获得的APP数据更准确。
接下来,在步骤S104中,使用所述种子APP分类模型,对所述目标用户的APP安装列表信息中APP进行分类和量化计算。
在本示例中,对于APP信息的分类,例如通过爬取等方式获得APP类别信息上的分类,使用所述种子APP分类模型,对所述目标用户的APP安装列表信息中APP进行分类。
具体地,APP类别包括资金管理类、保险、在线教育、消费、美食、健身、直播等。
进一步地,基于对目标用户的APP安装列表信息中APP的分类结果,进一步计算不同用户职业类别下种子APP的信息量,具体地,计算用户在每个职业类别下所包含的种子APP的信息量。
接下来,在步骤S105中,基于预设判别规则,判断所述目标用户的职业类别。
在本示例中,根据预设判别规则和所计算的种子APP的信息量,对目标用户的职业进行预测。
具体地,预设判别规则包括将种子APP的信息量最大的用户职业类别作为所述目标用户的职业类别。
在另一示例中,本发明的方法还包括:基于职业类别的判断结果,使用自适应算法,对所述目标用户的金融资源审批和风险情况进行评估和分析。
具体地,将判断结果的相关数据放入后续系统,基于相应的职业处置策略进行审批和分析,并自适应地分析不同职业用户的风险水平,实现了风险管控的闭环运行,降低人工风险。
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计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时,可以实现本发明提供的上述方法。而且,所述的计算机程序可以存储于计算机可读存储介质中,该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质,也可以是多个存储介质组成的存储阵列,例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储,其也可以是分布式存储,例如基于云计算的云存储。
与现有技术相比,本发明的智能化用户职业判断方法通过构建种子APP模型,使用word2-vector扩增种子APP模型以得到种子APP分类模型,再使用扩增后的种子APP分类模型对用户的APP安装列表信息进行分类,确定用户在不同职业类别下所包含种子APP的信息量,以判断用户的职业类别,有效降低了人工干预的误差,提高了用户职业挖掘效率和精准性;判断用户的职业类别或职业倾向,自适应地分析不同职业用户的风险水平,有利于进一步的的定向风险布控,实现风险管控的闭环运行,降低人工风险;还能够验证用户的职业和填报职业的差异,从而对用户的风险更有效的甄别。
实施例2
下面描述本发明的装置实施例,该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节,应视为对于上述方法实施例的补充;对于在本发明装置实施例中未披露的细节,可以参照上述方法实施例来实现。
参照图4、图5和图6,本发明还提供了一种基于APP的智能化用户职业判断装置400,包括:第一处理模块401,用于设定用户职业分类策略,筛选种子APP,并构建种子APP模型;构建模块402,用于对所述种子APP模型进行扩增处理,以获得种子APP分类模型,所述种子APP分类模型用于根据用户的APP安装列表信息中APP信息判断用户职业类别;第二处理模块403,用于获取目标用户的APP安装列表信息,自动将所述APP安装列表信息中相应APP信息进行文本向量化;分类计算模块404,用于使用所述种子APP分类模型,对所述目标用户的APP安装列表信息中APP进行分类和量化计算;判断模块405,基于预设判别规则,判断所述目标用户的职业类别。
如图5所示,还包括设定模块501,所述设定模块501用于设定与不同用户职业类别对应的相似度阈值;使用word2-vector将用户的APP安装列表信息中的各个APP信息文本向量化,进行向量相似度计算,获得不同用户职业类别下的大于各设定相似度阈值的相似种子APP,以进行种子APP扩增处理。
优选地,所述预设判断规则包括:重复进行种子APP扩增处理,直到每个用户职业类别的种子APP的数量大于特定数量。
优选地,还包括:基于对目标用户的APP安装列表信息中APP的分类结果,进一步计算不同用户职业类别下种子APP的信息量;所述预设判别规则包括将种子APP的信息量最大的用户职业类别作为所述目标用户的职业类别。
如图6所示,还包括分析模块601,所述分析模块601用于基于职业类别的判断结果,使用自适应算法,对所述目标用户的金融资源审批和风险评估进行评估。
优选地,所述APP文本信息包括APP名称和/或APP简介。
优选地,所述APP安装列表信息是通过数据筛选规则筛选后的APP安装列表信息。
优选地,所述数据筛选规则是通过特定时间、地域或应用场景筛选APP安装列表信息。
需要说明的是,在实施例2中,省略了与实施例1相同的部分的说明。
本领域技术人员可以理解,上述装置实施例中的各模块可以按照描述分布于装置中,也可以进行相应变化,分布于不同于上述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。
与现有技术相比,本发明的智能化用户职业判断装置通过构建种子APP模型,使用word2-vector扩增种子APP模型以得到种子APP分类模型,再使用扩增后的种子APP分类模型对用户的APP安装列表信息进行分类,确定用户在不同职业类别下所包含种子APP的信息量,以判断用户的职业类别,有效降低了人工干预的误差,提高了用户职业挖掘效率和精准性;判断用户的职业类别或职业倾向,自适应地分析不同职业用户的风险水平,有利于进一步的的定向风险布控,实现风险管控的闭环运行,降低人工风险;还能够验证用户的职业和填报职业的差异,从而对用户的风险更有效的甄别。
实施例3
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的电子设备200。图7显示的电子设备200仅仅是一个示例,不应对本发明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200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240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210执行,使得所述处理单元210执行本说明书上述电子设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图1所示的步骤。
所述存储单元220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)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205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230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200也可以与一个或多个外部设备300(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200交互的设备通信,和/或与使得该电子设备200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250进行。并且,电子设备200还可以通过网络适配器260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260可以通过总线230与电子设备200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200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,本发明描述的示例性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,根据本发明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计算机可读的存储介质(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)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法。
如图8所示,所述计算机程序可以存储于一个或多个计算机可读介质上。计算机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发明操作的程序代码,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)。
综上所述,本发明可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于APP的智能化用户职业判断方法,其特征在于,包括:
设定用户职业分类策略,基于不同职业类别与各类APP的相关度,设定各APP的权重系数,以筛选初始的种子APP,并构建种子APP模型;
对所述种子APP模型进行扩增处理,将各用户职业类别下的大于各设定相似度阈值的相似种子APP,增加至种子APP模型,对初始的种子APP数据库进行扩增,以获得种子APP分类模型,所述种子APP分类模型用于根据用户的APP安装列表信息中APP信息判断用户职业类别;
获取目标用户的APP安装列表信息,自动将所述APP安装列表信息中相应APP信息进行文本向量化;
使用所述种子APP分类模型,对所述目标用户的APP安装列表信息中APP进行分类和量化计算,所述量化计算包括计算用户在每个职业类别下所包含的种子APP的信息量;
基于预设判别规则,判断所述目标用户的职业类别。
2.根据权利要求1所述的智能化用户职业判断方法,其特征在于,所述对所述种子APP模型进行扩增处理包括:
设定与不同用户职业类别对应的相似度阈值;
使用word2-vector将用户的APP安装列表信息中的各个APP信息文本向量化,进行向量相似度计算,获得不同用户职业类别下的大于各设定相似度阈值的相似种子APP,以进行种子APP扩增处理。
3.根据权利要求2所述的智能化用户职业判断方法,其特征在于,还包括:
重复进行种子APP扩增处理,直到每个用户职业类别的种子APP的数量大于特定数量。
4.根据权利要求1或2所述的智能化用户职业判断方法,其特征在于,还包括:
基于对目标用户的APP安装列表信息中APP的分类结果,进一步计算不同用户职业类别下种子APP的信息量;
所述预设判别规则包括将种子APP的信息量最大的用户职业类别作为所述目标用户的职业类别。
5.根据权利要求4所述的智能化用户职业判断方法,其特征在于,还包括:
基于职业类别的判断结果,使用自适应算法,对所述目标用户的金融资源审批和风险评估进行评估。
6.根据权利要求2所述的智能化用户职业判断方法,其特征在于,所述APP信息包括APP名称和/或APP简介。
7.根据权利要求1或2所述的智能化用户职业判断方法,其特征在于,所述APP安装列表信息是通过数据筛选规则筛选后的APP安装列表信息。
8.一种电子设备,其中,该电子设备包括:
处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的智能化用户职业判断方法。
9.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现权利要求1-7中任一项所述的智能化用户职业判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724459.1A CN111597343B (zh) | 2020-07-24 | 2020-07-24 | 一种基于app的智能化用户职业判断方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724459.1A CN111597343B (zh) | 2020-07-24 | 2020-07-24 | 一种基于app的智能化用户职业判断方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597343A CN111597343A (zh) | 2020-08-28 |
CN111597343B true CN111597343B (zh) | 2021-02-02 |
Family
ID=72183045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010724459.1A Active CN111597343B (zh) | 2020-07-24 | 2020-07-24 | 一种基于app的智能化用户职业判断方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597343B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131561A (zh) * | 2020-09-11 | 2020-12-25 | 北京北信源软件股份有限公司 | 访问边界判定方法、装置、电子设备及存储介质 |
CN112016855B (zh) * | 2020-10-22 | 2021-09-24 | 北京淇瑀信息科技有限公司 | 基于关系网匹配的用户行业识别方法、装置和电子设备 |
CN112785163A (zh) * | 2021-01-26 | 2021-05-11 | 维沃移动通信有限公司 | 职业识别方法、装置、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11354749B2 (en) * | 2017-04-27 | 2022-06-07 | Sap Se | Computing device for machine learning based risk analysis |
CN107918825A (zh) * | 2017-11-13 | 2018-04-17 | 珠海金山网络游戏科技有限公司 | 一种基于应用安装偏好判定用户年龄段的方法和装置 |
CN110727864B (zh) * | 2019-09-27 | 2022-12-13 | 浙江大学 | 一种基于手机App安装列表的用户画像方法 |
-
2020
- 2020-07-24 CN CN202010724459.1A patent/CN111597343B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111597343A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111597343B (zh) | 一种基于app的智能化用户职业判断方法、装置和电子设备 | |
CN112348520A (zh) | 基于XGBoost的风险评估方法、装置和电子设备 | |
CN110349009B (zh) | 一种多头借贷违约预测方法、装置和电子设备 | |
CN111192131A (zh) | 金融风险预测方法、装置和电子设备 | |
CN110796542A (zh) | 金融风险控制方法、金融风险控制装置和电子设备 | |
CN112270545A (zh) | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 | |
CN112348519A (zh) | 一种欺诈用户识别方法、装置和电子设备 | |
CN111145009A (zh) | 用户贷后风险评估方法、装置及电子设备 | |
CN111199474A (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
CN111199477A (zh) | 一种多级混联的风险管理方法、装置和电子设备 | |
CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
CN112508695A (zh) | 基于市场风险的金融风险预测方法、装置和电子设备 | |
CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
CN111582645B (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
CN112016855B (zh) | 基于关系网匹配的用户行业识别方法、装置和电子设备 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
CN111353872A (zh) | 一种基于金融表现值的授信处理的方法、装置和电子设备 | |
CN113570222A (zh) | 一种用户设备鉴别方法、装置和计算机设备 | |
CN114398465A (zh) | 互联网服务平台的异常处理方法、装置和计算机设备 | |
CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |