CN111950600A - 一种预测逾期用户资源返还表现的方法、装置和电子设备 - Google Patents
一种预测逾期用户资源返还表现的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111950600A CN111950600A CN202010699114.5A CN202010699114A CN111950600A CN 111950600 A CN111950600 A CN 111950600A CN 202010699114 A CN202010699114 A CN 202010699114A CN 111950600 A CN111950600 A CN 111950600A
- Authority
- CN
- China
- Prior art keywords
- overdue
- return performance
- resource return
- user
- prediction model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012946 outsourcing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种预测逾期用户资源返还表现的方法，通过特征分割和特征组合构建用于获取逾期特征的多种属性，按照构建的所述多种属性获取样本用户的逾期特征，通过对所述样本用户的逾期特征进行降维处理剔除所述逾期特征中的冗余特征，使得对数据的分析和处理维度更容易接近理想数据的属性，也就更容易获取理想数据，因而，利用所述逾期特征中的剩余特征构建资源返还表现预测模型，并利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现，便能够提升模型对反例用户进行预测的准确率。
Description
技术领域
本申请涉及互联网领域，尤其涉及一种预测逾期用户资源返还表现的方法、装置和电子设备。
背景技术
目前很多业务中，往往会存在实体资源或者虚拟资源的配给，供用户使用，后续用户返还这些资源可以结束这个业务。
为了能够提高风险管控水平，提升运营能力，业内通常会提前预测用户的资源返还表现。
为此，我们利用大数据构建了用于预测逾期用户资源返还表现的模型，然而，通过对众多案例进行分析发现，这种模型往往存在一个弊端：由于业务数据中，正常返还的情况较多，因此，用于训练模型的数据集中，正常数据与非正常数据的比例非常之高(甚至达到了10万：1的数量级)，这就导致，这种模型很难支持对反例用户(将会产生非正常数据的)进行预测，由于反例用户本身比例小，因此，其影响也较小，业内人员很难主动的发现这个问题，也难产生动机来解决这个问题。
实际上，如果能将训练模型的方法进行优化，能够进一步提升对反例用户进行预测的准确率，进而使得运营水平进一步提高。
对现有技术进行分析发现，目前构建模型的方法是按照收集数据时所采用的数据属性直接进行建模，然而，由于正常数据的数据量极大，造成了正常数据与理想数据的极小偏差会带来极大的影响(理想数据只能无限接近，无法到达，而正常数据量越大，就需要越大的非正常数据来矫正这中偏差)，而非正常数据的数据量又较少，这就造成了不平衡的现象，容易想到的解决方式就是，提升非正常数据的量，然而，现实情况是，非正常数据的量受业务量限制很难提升。那么，是否有其他方法呢，申请人想到，如果能够减小正常数据与理想数据的偏差，降低影响，进而使得利用少量的非正常数据构建模型依然能够支持对非正常用户(反例用户)进行预测。
那么，具体如何实现呢，可以参考本申请提出的一种新的预测逾期用户资源返还表现的方法。
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
本说明书实施例提供一种预测逾期用户资源返还表现的方法、装置和电子设备，用以提高对反例用户进行预测的准确率。
本说明书实施例提供一种预测逾期用户资源返还表现的方法，包括：
通过特征分割和特征组合构建用于获取逾期特征的多种属性；
按照构建的所述多种属性获取样本用户的逾期特征，通过对所述样本用户的逾期特征进行降维处理剔除所述逾期特征中的冗余特征；
利用所述逾期特征中的剩余特征构建资源返还表现预测模型，并利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现。
可选地，所述利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现，包括：
利用所述资源返还表现预测模型提取并处理所述待预测用户的逾期信息中的逾期特征，并预测所述待预测用户的资源返还时间。
可选地，还包括：
获取对所述样本用户施行辅助资源返还的辅助策略后的返还表现数据；
所述利用所述逾期特征中的剩余特征构建资源返还表现预测模型，包括：
结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型。
可选地，所述逾期信息包括逾期用户的自身属性信息、金融属性信息和逾期业务信息。
可选地，所述结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型，包括：
通过回归算法，结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型。
可选地，所述通过回归算法，结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型，还包括：
将数据集划分为训练集和测试集，利用训练构建资源返还表现预测模型，利用测试集验证所述资源返还表现预测模型的拟合程度。
可选地，还包括：
施行所述辅助策略，并收集返还表现数据，将所述返还表现数据同步至模型修正系统，对所述资源返还表现预测模型进行在线修正。
本说明书实施例还提供一种预测逾期用户资源返还表现的装置，包括：
特征构建模块，通过特征分割和特征组合构建用于获取逾期特征的多种属性；
特征选择模块，按照构建的所述多种属性获取样本用户的逾期特征，通过对所述样本用户的逾期特征进行降维处理剔除所述逾期特征中的冗余特征；
模型模块，利用所述逾期特征中的剩余特征构建资源返还表现预测模型，并利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现。
可选地，所述利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现，包括：
利用所述资源返还表现预测模型提取并处理所述待预测用户的逾期信息中的逾期特征，并预测所述待预测用户的资源返还时间。
可选地，所述模型模块，还用于：
获取对所述样本用户施行辅助资源返还的辅助策略后的返还表现数据；
所述利用所述逾期特征中的剩余特征构建资源返还表现预测模型，包括：
结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型。
可选地，所述逾期信息包括逾期用户的自身属性信息、金融属性信息和逾期业务信息。
可选地，所述结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型，包括：
通过回归算法，结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型。
可选地，所述通过回归算法，结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型，还包括：
将数据集划分为训练集和测试集，利用训练构建资源返还表现预测模型，利用测试集验证所述资源返还表现预测模型的拟合程度。
可选地，还包括数据同步模块，用于施行所述辅助策略，并收集返还表现数据，将所述返还表现数据同步至模型修正系统，对所述资源返还表现预测模型进行在线修正。
本说明书实施例还提供一种电子设备，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上述任一项方法。
本说明书实施例还提供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，实现上述任一项方法。
本说明书实施例提供的各种技术方案通过特征分割和特征组合构建用于获取逾期特征的多种属性，按照构建的所述多种属性获取样本用户的逾期特征，通过对所述样本用户的逾期特征进行降维处理剔除所述逾期特征中的冗余特征，使得对数据的分析和处理维度更容易接近理想数据的属性，也就更容易获取理想数据，因而，利用所述逾期特征中的剩余特征构建资源返还表现预测模型，并利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现，便能够提升模型对反例用户进行预测的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种预测逾期用户资源返还表现的方法的原理示意图；
图2为本说明书实施例提供的一种预测逾期用户资源返还表现的装置的结构示意图；
图3为本说明书实施例提供的一种电子设备的结构示意图；
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
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。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
图1为本说明书实施例提供的一种预测逾期用户资源返还表现的方法的原理示意图，该方法可以包括：
S101：通过特征分割和特征组合构建用于获取逾期特征的多种属性。
通过特征分割，可以将原来携带有理想特征的复杂特征进行分离，从中分理出理想特征和无效特征，通过特征组合，能够以新的角度对数据进行处理，防止原本在组合后更接近理想属性的多个属性，由于受到大数据的影响，而没有以理想的方式进行组合。
应当说明的是，通过特征分割和特征组合构建了原始数据属性之外的属性，构建方式可以是随机的，那么就可能存在一些意义不大的属性，为此，我们在构建这些属性并获取特征之后，通过剔除一些冗余的特征，以保留更接近理想属性的数据。
S102：按照构建的所述多种属性获取样本用户的逾期特征，通过对所述样本用户的逾期特征进行降维处理剔除所述逾期特征中的冗余特征。
通过降维将原始的样本映射到维度更低的样本空间中，削弱冗余属性的特征的影响，具体的，可以通过有监督降维方法来实现,比如LDA，对于其具体算法，在此不做具体阐述。
S103：利用所述逾期特征中的剩余特征构建资源返还表现预测模型，并利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现。
通过特征分割和特征组合构建用于获取逾期特征的多种属性，按照构建的所述多种属性获取样本用户的逾期特征，通过对所述样本用户的逾期特征进行降维处理剔除所述逾期特征中的冗余特征，使得对数据的分析和处理维度更容易接近理想数据的属性，也就更容易获取理想数据，因而，利用所述逾期特征中的剩余特征构建资源返还表现预测模型，并利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现，便能够提升模型对反例用户进行预测的准确率。
资源返还效果数据，反映了资源返款的效果，比如，返还时间，资源额度的返还率，总体业务件数的返还率等，当然，这只是几种方便理解的实例，并不构成对本申请保护范围的限制，应当理解为，在资源返款事件中，资源提供方所在意的其他要素，也可以作为资源返还效果数据，在此不做具体阐述。
在本说明书实施例中，资源返还表现可以是资源返还时间，由于资源的返还时间不同会造成不同的收益损失，返还时间越早，损失越小，因此，我们可以从返还时间的角度对策略进行管控。
因此，所述利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现，包括：
利用所述资源返还表现预测模型提取并处理所述待预测用户的逾期信息中的逾期特征，并预测所述待预测用户的资源返还时间。
考虑到一种实际场景，如果资源的返还只是依赖于用户的自觉性，则返还效果往往较差，这时，可以实施一些辅助资源返还的策略(比如说发送提示信息等)，来提升资源返还效果。资源返还策略的实施，会消耗一定的资源(比如时间成本、人力成本、运营成本甚至是资金成本等)，如果这种成本的消耗没有产生预期的资源返还效果，那么，就会造成资源的浪费。
对此，申请人继续提出，该方法还可以包括：
获取对所述样本用户施行辅助资源返还的辅助策略后的返还表现数据；
所述利用所述逾期特征中的剩余特征构建资源返还表现预测模型，包括：
结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型。
利用这种方式构建的模型，结合逾期用户的逾期信息和预设的辅助策略，预测辅助策略下的资源返还效果数据，能够针对每个用户精确地预测该用户在辅助策略的影响下的资源返还效果，预先知道实施该辅助策略后的返还表现，进而可以在产生资源消耗前做出决策，减少了实施策略后才发现资源返还效果不如意的情况发生，降低资源消耗。
其中，辅助策略的类型具体可以包括：业务外包策略，自营辅助策略等，通过辅助策略，督促使用资源的用户返还资源，通过业务外包策略，可以利用第三方的优势，比如利用第三方app推送资源返款提示信息等，当然，这只是对一种线上辅助策略的举例，不构成对本申请保护范围的限制。
具体的，所述逾期信息可以包括逾期用户的自身属性信息、金融属性信息和逾期业务信息。
而所述结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型，可以包括：
通过回归算法，结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型。
在构建模型过程中，我们可以进行交叉验证，以验证模型的准确性，因此，所述通过回归算法，结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型，还可以包括：
将数据集划分为训练集和测试集，利用训练构建资源返还表现预测模型，利用测试集验证所述资源返还表现预测模型的拟合程度。
可选地，还可以包括：
施行所述辅助策略，并收集返还表现数据，将所述返还表现数据同步至模型修正系统，对所述资源返还表现预测模型进行在线修正。
其中，模型修正系统的作用是对模型的系数进行修正，这与训练模型的过程相同，只是修正所使用的数据集是模型预测产生的数据集，因而形成了闭环反馈，通过数据同步，使得预测后产生的真实返还表现数据能够实时反馈到模型修正系统中，进而实时在线优化。
图2为本说明书实施例提供的一种预测逾期用户资源返还表现的装置的结构示意图，该装置可以包括：
特征构建模块201，通过特征分割和特征组合构建用于获取逾期特征的多种属性；
特征选择模块202，按照构建的所述多种属性获取样本用户的逾期特征，通过对所述样本用户的逾期特征进行降维处理剔除所述逾期特征中的冗余特征；
模型模块203，利用所述逾期特征中的剩余特征构建资源返还表现预测模型，并利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现。
可选地，所述利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现，包括：
利用所述资源返还表现预测模型提取并处理所述待预测用户的逾期信息中的逾期特征，并预测所述待预测用户的资源返还时间。
可选地，所述模型模块，还用于：
获取对所述样本用户施行辅助资源返还的辅助策略后的返还表现数据；
所述利用所述逾期特征中的剩余特征构建资源返还表现预测模型，包括：
结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型。
可选地，所述逾期信息包括逾期用户的自身属性信息、金融属性信息和逾期业务信息。
可选地，所述结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型，包括：
通过回归算法，结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型。
可选地，所述通过回归算法，结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型，还包括：
将数据集划分为训练集和测试集，利用训练构建资源返还表现预测模型，利用测试集验证所述资源返还表现预测模型的拟合程度。
可选地，还包括数据同步模块，用于施行所述辅助策略，并收集返还表现数据，将所述返还表现数据同步至模型修正系统，对所述资源返还表现预测模型进行在线修正。
该装置通过特征分割和特征组合构建用于获取逾期特征的多种属性，按照构建的所述多种属性获取样本用户的逾期特征，通过对所述样本用户的逾期特征进行降维处理剔除所述逾期特征中的冗余特征，使得对数据的分析和处理维度更容易接近理想数据的属性，也就更容易获取理想数据，因而，利用所述逾期特征中的剩余特征构建资源返还表现预测模型，并利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现，便能够提升模型对反例用户进行预测的准确率。
基于同一发明构思，本说明书实施例还提供一种电子设备。
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3为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300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3所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340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310执行，使得所述处理单元310执行本说明书上述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310可以执行如图1所示的步骤。
所述存储单元320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)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。
所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205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330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300也可以与一个或多个外部设备400(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300交互的设备通信，和/或与使得该电子设备300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350进行。并且，电子设备300还可以通过网络适配器360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360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图3中未示出，可以结合电子设备300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，即：如图1所示的方法。
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
实现图1所示方法的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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种预测逾期用户资源返还表现的方法，包括：
通过特征分割和特征组合构建用于获取逾期特征的多种属性；
按照构建的所述多种属性获取样本用户的逾期特征，通过对所述样本用户的逾期特征进行降维处理剔除所述逾期特征中的冗余特征；
利用所述逾期特征中的剩余特征构建资源返还表现预测模型，并利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现。
2.根据权利要求1所述的方法，其特征在于，所述利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现，包括：
利用所述资源返还表现预测模型提取并处理所述待预测用户的逾期信息中的逾期特征，并预测所述待预测用户的资源返还时间。
3.根据权利要求1-2中任一项所述的方法，其特征在于，还包括：
获取对所述样本用户施行辅助资源返还的辅助策略后的返还表现数据；
所述利用所述逾期特征中的剩余特征构建资源返还表现预测模型，包括：
结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述逾期信息包括逾期用户的自身属性信息、金融属性信息和逾期业务信息。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型，包括：
通过回归算法，结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述通过回归算法，结合所述利用所述逾期特征中的剩余特征、所述辅助策略和所述返还表现数据构建资源返还表现预测模型，还包括：
将数据集划分为训练集和测试集，利用训练构建资源返还表现预测模型，利用测试集验证所述资源返还表现预测模型的拟合程度。
7.根据权利要求1-6中任一项所述的方法，其特征在于，还包括：
施行所述辅助策略，并收集返还表现数据，将所述返还表现数据同步至模型修正系统，对所述资源返还表现预测模型进行在线修正。
8.一种预测逾期用户资源返还表现的装置，包括：
特征构建模块，通过特征分割和特征组合构建用于获取逾期特征的多种属性；
特征选择模块，按照构建的所述多种属性获取样本用户的逾期特征，通过对所述样本用户的逾期特征进行降维处理剔除所述逾期特征中的冗余特征；
模型模块，利用所述逾期特征中的剩余特征构建资源返还表现预测模型，并利用所述资源返还表现预测模型和待预测用户的逾期信息预测所述待预测用户的资源返还表现。
9.一种电子设备，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中任一项所述的方法。
10.一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中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010699114.5A CN111950600B (zh) | 2020-07-20 | 2020-07-20 | 一种预测逾期用户资源返还表现的方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010699114.5A CN111950600B (zh) | 2020-07-20 | 2020-07-20 | 一种预测逾期用户资源返还表现的方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950600A true CN111950600A (zh) | 2020-11-17 |
| CN111950600B CN111950600B (zh) | 2024-05-14 |
Family
ID=73341624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010699114.5A Active CN111950600B (zh) | 2020-07-20 | 2020-07-20 | 一种预测逾期用户资源返还表现的方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950600B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950770A (zh) * | 2020-07-20 | 2020-11-17 | 上海淇馥信息技术有限公司 | 一种管理资源返还辅助策略的方法、装置和电子设备 |
| CN113570124A (zh) * | 2021-07-15 | 2021-10-29 | 上海淇玥信息技术有限公司 | 一种对象赋值方法、装置和电子设备 |
| CN116862078A (zh) * | 2023-09-04 | 2023-10-10 | 杭州宇谷科技股份有限公司 | 一种换电套餐用户逾期的预测方法、系统、装置及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130226844A1 (en) * | 2005-12-12 | 2013-08-29 | Qin Zhang | Content Summarizing and Search Method and System Using Thinking System |
| CN108540988A (zh) * | 2017-03-06 | 2018-09-14 | 中国移动通信集团公司 | 一种场景划分方法及装置 |
| CN109035028A (zh) * | 2018-06-29 | 2018-12-18 | 平安科技（深圳）有限公司 | 智能投顾策略生成方法及装置、电子设备、存储介质 |
| CN109242002A (zh) * | 2018-08-10 | 2019-01-18 | 深圳信息职业技术学院 | 高维数据分类方法、装置及终端设备 |
| CN109635010A (zh) * | 2018-12-26 | 2019-04-16 | 深圳市梦网百科信息技术有限公司 | 一种用户特征及特征因子抽取、查询方法和系统 |
| CN110414714A (zh) * | 2019-06-28 | 2019-11-05 | 上海上湖信息技术有限公司 | 逾期事件的回款概率预测方法及装置、可读存储介质 |
| CN110675243A (zh) * | 2019-08-30 | 2020-01-10 | 北京银联金卡科技有限公司 | 一种融合机器学习的信贷预测逾期方法及系统 |
| CN111178592A (zh) * | 2019-12-12 | 2020-05-19 | 上海淇玥信息技术有限公司 | 资源的逾期占用预测方法、装置及电子设备 |
| CN111222982A (zh) * | 2020-01-16 | 2020-06-02 | 随手(北京)信息技术有限公司 | 一种互联网信贷逾期预测方法、装置、服务器和存储介质 |
-
2020
- 2020-07-20 CN CN202010699114.5A patent/CN111950600B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130226844A1 (en) * | 2005-12-12 | 2013-08-29 | Qin Zhang | Content Summarizing and Search Method and System Using Thinking System |
| CN108540988A (zh) * | 2017-03-06 | 2018-09-14 | 中国移动通信集团公司 | 一种场景划分方法及装置 |
| CN109035028A (zh) * | 2018-06-29 | 2018-12-18 | 平安科技（深圳）有限公司 | 智能投顾策略生成方法及装置、电子设备、存储介质 |
| CN109242002A (zh) * | 2018-08-10 | 2019-01-18 | 深圳信息职业技术学院 | 高维数据分类方法、装置及终端设备 |
| CN109635010A (zh) * | 2018-12-26 | 2019-04-16 | 深圳市梦网百科信息技术有限公司 | 一种用户特征及特征因子抽取、查询方法和系统 |
| CN110414714A (zh) * | 2019-06-28 | 2019-11-05 | 上海上湖信息技术有限公司 | 逾期事件的回款概率预测方法及装置、可读存储介质 |
| CN110675243A (zh) * | 2019-08-30 | 2020-01-10 | 北京银联金卡科技有限公司 | 一种融合机器学习的信贷预测逾期方法及系统 |
| CN111178592A (zh) * | 2019-12-12 | 2020-05-19 | 上海淇玥信息技术有限公司 | 资源的逾期占用预测方法、装置及电子设备 |
| CN111222982A (zh) * | 2020-01-16 | 2020-06-02 | 随手(北京)信息技术有限公司 | 一种互联网信贷逾期预测方法、装置、服务器和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| JIAHAO WANG等: "Preprocessing and Feature Extraction Methods for Microfinance Overdue Data", 《COMMUNICATIONS IN COMPUTER AND INFORMATION SCIENCE》, vol. 945, 11 October 2018 (2018-10-11), pages 23 - 43 * |
| 何全亮: "坦克发动机健康监测与故障诊断系统研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 02, 15 February 2019 (2019-02-15), pages 032 - 51 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950770A (zh) * | 2020-07-20 | 2020-11-17 | 上海淇馥信息技术有限公司 | 一种管理资源返还辅助策略的方法、装置和电子设备 |
| CN113570124A (zh) * | 2021-07-15 | 2021-10-29 | 上海淇玥信息技术有限公司 | 一种对象赋值方法、装置和电子设备 |
| CN116862078A (zh) * | 2023-09-04 | 2023-10-10 | 杭州宇谷科技股份有限公司 | 一种换电套餐用户逾期的预测方法、系统、装置及介质 |
| CN116862078B (zh) * | 2023-09-04 | 2023-12-12 | 杭州宇谷科技股份有限公司 | 一种换电套餐用户逾期的预测方法、系统、装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950600B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20150371244A1 (en) | Forecasting information technology workload demand | |
| CN111950600A (zh) | 一种预测逾期用户资源返还表现的方法、装置和电子设备 | |
| US20160360009A1 (en) | Method for providing software as a service | |
| CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
| US11768678B2 (en) | Application function consolidation recommendation | |
| EP4024203A1 (en) | System performance optimization | |
| CN113792240A (zh) | 一种页面加载的方法、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 | |
| CN112016794A (zh) | 资源配额管理方法、装置和电子设备 | |
| CN111651524B (zh) | 利用机器学习模型进行线上预测的辅助实现方法及装置 | |
| US11074484B2 (en) | Self-improving transferring in bot conversation | |
| CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
| CN110675250A (zh) | 一种基于用户营销评分的信贷额度管理的方法、装置和电子设备 | |
| CN113609008A (zh) | 测试结果分析方法、装置和电子设备 | |
| 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 | |
| CN110363394B (zh) | 一种基于云平台的风控服务方法、装置和电子设备 | |
| CN111179057A (zh) | 一种资源配置的方法、装置和电子设备 | |
| CN111950770A (zh) | 一种管理资源返还辅助策略的方法、装置和电子设备 | |
| CN110874758A (zh) | 潜在客户预测方法、装置、系统、电子设备、存储介质 | |
| CN111681093A (zh) | 一种展示资源页面的方法、装置和电子设备 | |
| CN114565158A (zh) | 一种数据预测方法、装置、电子设备和存储介质 | |
| CN113592160A (zh) | 基于融合处理的用户设备的失联风险预测方法、系统和计算机设备 | |
| CN111967806A (zh) | 基于定期回扫的用户风险更新方法、装置和电子设备 | |
| CN113902545A (zh) | 资源额度分配方法、装置及电子设备 | |
| CN113850611A (zh) | 一种基于响应面的营销任务执行方法、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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 200062 room 1027, floor 10, No. 89, Yunling East Road, Putuo District, Shanghai Applicant after: Qifu Shuke (Shanghai) Technology Co.,Ltd. Address before: 200062 room 1027, floor 10, No. 89, Yunling East Road, Putuo District, Shanghai Applicant before: Shanghai Qifu Information Technology Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant |