CN111967543A - 用户资源配额确定方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种用户资源配额确定方法、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用户资源分类模型中；所述用户资源分类模型中的多个改进的树模型分别对所述基础信息进行计算，生成多个叶子节点值；基于所述多个叶子节点值确定所述用户的资源标签；根据所述资源标签为所述用户确定资源配额。本公开涉及的用户资源配额确定方法、装置、电子设备及计算机可读介质，能够快速准确的确定重点关注用户的资源标签，进而根据用户的资源标签为用户分配资源，提高资源利用率和分配效率。

Description

用户资源配额确定方法、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，涉及一种用户资源配额确定方法、装置、电子设备及计算机可读介质。

背景技术

随着经济的发展，互联网金融服务行业迎来了新的挑战。无论是场景分期业务还是无场景的现金贷业务均有较明显的增长。在经济形势欠佳的情况下，互联网金融服务行业的用户偿债能力也会大打折扣，互联网金融服务企业的资源回收和贷后管理工作都面临更大困难。在为用户进行资源配额的分配的时候，需要从多方面考核一个用户的资源归还能力，确保互联网金融服务行业本身的资源安全。通常客户在授信成功后，会有一个授信金融资源的配额，但是该金融资源的配额并不是一成不变的，随着时间的推移，用户的基础信息或者用户的个人特征会变化，市场环境也会产生变化，这些都会影响到用户的金融资源的配额。

其中，用户自身的收入情况，是考察用户金额配额的一个关键因素，但是目前用户在网络上的个人信息都是由其本人填写的，用户的收入情况也很难去和用户进行核实。所以，用户虚报收入以求的更多的资源配额的方式经常出现，这种情况给金融服务公司的资金安全带来了极大的风险。如何能准确的对用户的收入情况进行判断，进而为该用户分配恰当的资源配额是亟待解决的问题。

因此，需要一种新的用户资源配额确定方法、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，本公开提供一种用户资源配额确定方法、装置、电子设备及计算机可读介质，能够快速准确的确定重点关注用户的资源标签，进而根据用户的资源标签为用户分配资源，提高资源利用率和分配效率。

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，提出一种用户资源配额确定方法，该方法包括：将用户的基础信息输入用户资源分类模型中；所述用户资源分类模型中的多个改进的树模型分别对所述基础信息进行计算，生成多个叶子节点值；基于所述多个叶子节点值确定所述用户的资源标签；根据所述资源标签为所述用户确定资源配额。

可选地，还包括：通过多个历史用户的基础信息对机器学习模型进行训练，生成所述用户资源分类模型。

可选地，通过多个历史用户的基础信息对机器学习模型进行训练，生成所述用户资源分类模型，包括：通过多个历史用户的基础信息对极端梯度提升决策树模型进行训练；在训练过程中通过改进的损失函数计算训练数值；在损失函数满足条件时，生成初始用户资源分类模型；基于改进的评价函数对所述初始用户资源分类模型进行评价，在满足条件时，生成所述用户资源分类模型。

可选地，通过多个历史用户的基础信息对极端梯度提升决策树模型进行训练，包括：基于基础信息中的用户资源为所述多个历史用户分配资源标签，所述资源标签为正向标签或负向标签；将带有资源标签的所述多个历史用户的基础信息输入极端梯度提升决策树模型中；所述极端梯度提升决策树模型中依据基础信息进行分裂产生多个树函数。

可选地，在训练过程中通过改进的损失函数计算训练数值，包括：在训练过程中，当基础信息中的用户资源大于资源阈值时，为所述用户的损失函数分配第一权重；当基础信息中的用户资源小于等于资源阈值时，为所述用户的损失函数分配第二权重；基于所述第一权重和所述第二权重生成改进的损失函数以使得在训练过程中提高大于资源阈值的历史用户的关注度。

可选地，基于所述第一权重和所述第二权重生成改进的损失函数，包括：基于所述第一权重和所述第二权重生成改进梯度函数；基于所述第一权重和所述第二权重生成改进损失度函数。

可选地，在损失函数满足条件时，生成初始用户资源分类模型，包括：在损失函数小于损失阈值时，依据当前的多个树函数的对应的多个参数生成所述初始用户资源分类模型，其中，带有参数的树函数生成为所述初始用户资源分类模型中的改进的树模型。

可选地，基于改进的评价函数对所述初始用户资源分类模型进行评价，包括：获取预设的测试集数据，所述测试集数据包含大于资源阈值的历史用户的基础信息；将所述预设的测试集数据输入所述初始用户资源分类模型中，生成测试结果；对所述测试结果进行评价。

可选地，将所述预设的测试集数据输入所述初始用户资源分类模型中，生成测试结果，包括：通过EarlyStop函数监控所述预设的测试集数据输入所述初始用户资源分类模型的测试结果。

可选地，对所述测试结果进行评价，包括：通过Eval对所述测试结果进行评价；在连续多个测试结果之间的误差小于误差阈值时，确定所述初始用户资源分类模型满足条件。

根据本公开的一方面，提出一种用户资源配额确定装置，该装置包括：输入模块，用于将用户的基础信息输入用户资源分类模型中；计算模块，用于所述用户资源分类模型中的多个改进的树模型分别对所述基础信息进行计算，生成多个叶子节点值；标签模块，用于基于所述多个叶子节点值确定所述用户的资源标签；配额模块，用于根据所述资源标签为所述用户确定资源配额。

可选地，还包括：模型训练模块，用于通过多个历史用户的基础信息对机器学习模型进行训练，生成所述用户资源分类模型。

可选地，所述模型训练模块，包括：训练单元，用于通过多个历史用户的基础信息对极端梯度提升决策树模型进行训练；数值单元，用于在训练过程中通过改进的损失函数计算训练数值；初始单元，用于在损失函数满足条件时，生成初始用户资源分类模型；评价单元，用于基于改进的评价函数对所述初始用户资源分类模型进行评价，在满足条件时，生成所述用户资源分类模型。

可选地，所述训练单元，包括：标签子单元，用于基于基础信息中的用户资源为所述多个历史用户分配资源标签，所述资源标签为正向标签或负向标签；模型子单元，用于将带有资源标签的所述多个历史用户的基础信息输入极端梯度提升决策树模型中；分裂子单元，用于所述极端梯度提升决策树模型中依据基础信息进行分裂产生多个树函数。

可选地，所述数值单元，包括：权重子单元，用于在训练过程中，当基础信息中的用户资源大于资源阈值时，为所述用户的损失函数分配第一权重；当基础信息中的用户资源小于等于资源阈值时，为所述用户的损失函数分配第二权重；函数子单元，用于基于所述第一权重和所述第二权重生成改进的损失函数以使得在训练过程中提高大于资源阈值的历史用户的关注度。

可选地，所述函数子单元，还用于基于所述第一权重和所述第二权重生成改进梯度函数；基于所述第一权重和所述第二权重生成改进损失度函数。

可选地，所述初始单元，还用于：在损失函数小于损失阈值时，依据当前的多个树函数的对应的多个参数生成所述初始用户资源分类模型。

可选地，所述评价单元，包括：测试子单元，用于获取预设的测试集数据，所述测试集数据包含大于资源阈值的历史用户的基础信息；结果子单元，用于将所述预设的测试集数据输入所述初始用户资源分类模型中，生成测试结果；评价子单元，用于对所述测试结果进行评价。

可选地，所述结果子单元，还用于通过EarlyStop函数监控所述预设的测试集数据输入所述初始用户资源分类模型的测试结果。

可选地，所述评价子单元，还用于通过Eval对所述测试结果进行评价；在连续多个测试结果之间的误差小于误差阈值时，确定所述初始用户资源分类模型满足条件。

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。

根据本公开的用户资源配额确定方法、装置、电子设备及计算机可读介质，将用户的基础信息输入用户资源分类模型中；所述用户资源分类模型中的多个改进的树模型分别对所述基础信息进行计算，生成多个叶子节点值；基于所述多个叶子节点值确定所述用户的资源标签；根据所述资源标签为所述用户确定资源配额的方式，能够快速准确的确定重点关注用户的资源标签，进而根据用户的资源标签为用户分配资源，提高资源利用率和分配效率。

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用户资源配额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用户资源配额确定方法的流程图。

图3是根据另一示例性实施例示出的一种用户资源配额确定方法的流程图。

图4是根据另一示例性实施例示出的一种用户资源配额确定方法的流程图。

图5是根据另一示例性实施例示出的一种用户资源配额确定方法的流程图。

图6是根据一示例性实施例示出的一种用户资源配额确定装置的框图。

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。

本发明中，资源是指任何可被利用的物质、信息、时间，信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。本发明的创新之处在于如何使用服务器和客户端之间的信息交互技术来使资源分配的过程更加自动化、高效和减小人力成本。由此，从本质上来说，本发明可以应用于各类资源的分配，包括实体的货物、水、电，以及有意义的资料等。但是，为了方便起见，本发明中以金融数据资源为例进行说明资源分配的实施，但本领域技术人员应当理解，本发明亦可以用于其他资源的分配。

图1是根据一示例性实施例示出的一种用户资源配额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（例如资源配额）反馈给金融服务网站的管理员和/或终端设备101、102、103。

服务器105可例如将用户的基础信息输入用户资源分类模型中；服务器105可例如通过所述用户资源分类模型中的多个改进的树模型分别对所述基础信息进行计算，生成多个叶子节点值；服务器105可例如基于所述多个叶子节点值确定所述用户的资源标签；服务器105可例如根据所述资源标签为所述用户确定资源配额。

服务器105还可例如通过多个历史用户的基础信息对机器学习模型进行训练，生成所述用户资源分类模型。

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用户资源配额确定方法可以由服务器105执行，相应地，用户资源配额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用户资源配额确定方法的流程图。用户资源配额确定方法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用户资源分类模型中。其中，用户资源分类模型是通过多个历史用户的基础信息对机器学习模型进行训练生成的。更具体的，在本申请实施例中，机器学习模型可为极端梯度提升决策树模型。极端梯度提升决策树模型（GBDT）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做最终答案。GBDT是一个应用很广泛的算法，可以用于分类计算和回归计算。决策树分为两大类，分类树和回归树，本公开中引入的是回归树，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。回归树用于预测实数值，如用户的收入区间范围、用户的年龄范围等等，分类树是定性的，回归树是定量的。

在S204中，所述用户资源分类模型中的多个改进的树模型分别对所述基础信息进行计算，生成多个叶子节点值。用户资源分类模型中包含训练完毕的很多个树函数，将基础信息输入到多个树函数中，经过计算，能够得到每个树函数对应的结果-叶子节点值。

在S206中，基于所述多个叶子节点值确定所述用户的资源标签。GBDT的核心在于累加所有树的结果作为最终结果，比如对收入资源的累加来预测用户真实的收入情况。可例如，将用户A的基础信息中的工作地点、工作职责、工作职位、家庭住址、交通方式、日常消费信息等输入到用户资源分类模型，分类模型中的各个树函数对以上信息进行计算，最终确定用户A的收入可为15000-20000之间。

可事先确定多个资源标签，资源标签可为无收入、低收入、中低收入、中高收入、高收入等等多个标签。每个标签对应于一个收入范围，更具体的，还可根据不同的城市的平均工资指标确定不同城市对应的资源标签的范围。根据用户A对应的收入情况和工作地点，为用户A分配资源标签。

在S208中，根据所述资源标签为所述用户确定资源配额。用户A的资源标签可为中高收入，则可为用户A提供较高的资源配额以供用户A信息资源占用。

根据本公开的用户资源配额确定方法，将用户的基础信息输入用户资源分类模型中；所述用户资源分类模型中的多个改进的树模型分别对所述基础信息进行计算，生成多个叶子节点值；基于所述多个叶子节点值确定所述用户的资源标签；根据所述资源标签为所述用户确定资源配额的方式，能够快速准确的确定重点关注用户的资源标签，进而根据用户的资源标签为用户分配资源，提高资源利用率和分配效率。

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用户资源配额确定方法的流程图。图3所示的流程30是对“通过多个历史用户的基础信息对机器学习模型进行训练，生成所述用户资源分类模型”的详细描述。

如图3所示，在S302中，通过多个历史用户的基础信息对极端梯度提升决策树模型进行训练。包括：基于基础信息中的用户资源为所述多个历史用户分配资源标签，所述资源标签为正向标签或负向标签；将带有资源标签的所述多个历史用户的基础信息输入极端梯度提升决策树模型中；所述极端梯度提升决策树模型中依据基础信息进行分裂产生多个树函数。

在S304中，在训练过程中通过改进的损失函数计算训练数值。在训练过程中，当基础信息中的用户资源大于资源阈值时，为所述用户的损失函数分配第一权重；当基础信息中的用户资源小于等于资源阈值时，为所述用户的损失函数分配第二权重；基于所述第一权重和所述第二权重生成改进的损失函数以使得在训练过程中提高大于资源阈值的历史用户的关注度。

在S306中，在损失函数满足条件时，生成初始用户资源分类模型。包括：在损失函数小于损失阈值时，依据当前的多个树函数的对应的多个参数生成所述初始用户资源分类模型。其中，带有参数的树函数生成为所述初始用户资源分类模型中的改进的树模型。

在S308中，基于改进的评价函数对所述初始用户资源分类模型进行评价，在满足条件时，生成所述用户资源分类模型。包括：获取预设的测试集数据，所述测试集数据包含大于资源阈值的历史用户的基础信息；将所述预设的测试集数据输入所述初始用户资源分类模型中，生成测试结果；对所述测试结果进行评价。

图4是根据另一示例性实施例示出的一种用户资源配额确定方法的流程图。图4所示的流程40是对图3所示的流程中S304“在训练过程中通过改进的损失函数计算训练数值”的详细描述。

如图4所示，在S402中，在训练过程中，当基础信息中的用户资源大于资源阈值时，为所述用户的损失函数分配第一权重。xgboost默认参数一般是比较通用的选项，效果也比较均衡；平时处理业务问题时可通过改进训练过程，使得模型在应用中的结果尽量往业务目标上进行优化，获得更理想的业务效果，提升收益。更具体的，在进行模型训练的过程中，可关注某一类用户的训练精度。在实际应用中，对用户的收入情况进行预测的时候，较高收入的用户可为重点关注目标，可在模型训练的时候对top10%的用户进行重点关注，以提升用户资源分类对这部分用户的计算精度。

可具体的设置资源阈值，资源阈值可为20000元，可将高于该资源阈值的用户确定为top10%的重点用户。当然，也可如前所述，根据不同的城市设定不同的资源阈值。

在确定出某历史用户为top10%的重点用户时，可为该历史用户及其相关的基础信息分配第一权重。其中，第一权重可为0.8。

在S404中，当基础信息中的用户资源小于等于资源阈值时，为所述用户的损失函数分配第二权重。在确定出某历史用户不为top10%的重点用户时，可为该历史用户及其相关的基础信息分配第二权重。其中，第二权重可为0.2。

在S406中，基于所述第一权重和所述第二权重生成改进的损失函数以使得在训练过程中提高大于资源阈值的历史用户的关注度。包括：基于所述第一权重和所述第二权重生成改进梯度函数；基于所述第一权重和所述第二权重生成改进损失度函数。

在机器学习模型的计算过程，会遇到如下样本：

True Positive （真正,TP）被模型预测为正的正样本；

True Negative（真负,TN）被模型预测为负的负样本 ；

False Positive （假正,FP）被模型预测为正的负样本；

False Negative（假负,FN）被模型预测为负的正样本。

在历史用户在模型训练的过程中被标注为FP样本时，将该历史用户的梯度函数和损失函数分别乘以上文中分配的第一权重或第二权重，以提高大于阈值的历史用户的关注度。

图5是根据另一示例性实施例示出的一种用户资源配额确定方法的流程图。图5所示的流程50是对图3所示的流程中S308“ 基于改进的评价函数对所述初始用户资源分类模型进行评价，在满足条件时，生成所述用户资源分类模型”的详细描述。

如图5所示，在S502中，获取预设的测试集数据，所述测试集数据包含大于资源阈值的历史用户的基础信息。如上文所述，在实际应用中，可对top10%的用户的收入情况进行更多关注，那么在模型训练的过程的模型测试环节，可认为，当top10%对应的用户的训练精度达到预期即可结束本次模型仿真工作，这种做法能大大减小模型训练时候的计算量，提升训练速度，但完全不影响在关注区间的计算精度。

在S504中，将所述预设的测试集数据输入所述初始用户资源分类模型中，生成测试结果。包括：通过EarlyStop函数监控所述预设的测试集数据输入所述初始用户资源分类模型的测试结果。EarlyStop函数能够通过监控模型在一个额外的测试集上的表现来工作，当模型在测试集上的表现在连续的若干次（提前制定好的）迭代中都不再提升时它将终止训练过程。

在S506中，对所述测试结果进行评价。包括：通过Eval对所述测试结果进行评价；在连续多个测试结果之间的误差小于误差阈值时，确定所述初始用户资源分类模型满足条件。Eval函数可以在训练模型时度量模型性能，一般是用损失函数或者用户比较感兴趣的外部度量（AUC,Percision等）。

通过上述计算，能够在top%10的样本中，希望获得更高的精准度;同时兼顾对正负样本的排序能力。

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6是根据另一示例性实施例示出的一种用户资源配额确定装置的框图。如图6所示，用户资源配额确定装置60包括：输入模块602，计算模块604，标签模块606，配额模块608，模型训练模块610。

输入模块602用于将用户的基础信息输入用户资源分类模型中；

计算模块604用于所述用户资源分类模型中的多个改进的树模型分别对所述基础信息进行计算，生成多个叶子节点值；

标签模块606用于基于所述多个叶子节点值确定所述用户的资源标签；

配额模块608用于根据所述资源标签为所述用户确定资源配额。

模型训练模块610用于通过多个历史用户的基础信息对机器学习模型进行训练，生成所述用户资源分类模型。

所述模型训练模块610包括：训练单元，用于通过多个历史用户的基础信息对极端梯度提升决策树模型进行训练；所述训练单元，包括：标签子单元，用于基于基础信息中的用户资源为所述多个历史用户分配资源标签，所述资源标签为正向标签或负向标签；模型子单元，用于将带有资源标签的所述多个历史用户的基础信息输入极端梯度提升决策树模型中；分裂子单元，用于所述极端梯度提升决策树模型中依据基础信息进行分裂产生多个树函数。

所述模型训练模块610包括：数值单元，用于在训练过程中通过改进的损失函数计算训练数值；所述数值单元，包括：权重子单元，用于在训练过程中，当基础信息中的用户资源大于资源阈值时，为所述用户的损失函数分配第一权重；当基础信息中的用户资源小于等于资源阈值时，为所述用户的损失函数分配第二权重；函数子单元，用于基于所述第一权重和所述第二权重生成改进的损失函数以使得在训练过程中提高大于资源阈值的历史用户的关注度。

所述模型训练模块610包括：初始单元，用于在损失函数满足条件时，生成初始用户资源分类模型；所述初始单元，还用于：在损失函数小于损失阈值时，依据当前的多个树函数的对应的多个参数生成所述初始用户资源分类模型。

所述模型训练模块610包括：评价单元，用于基于改进的评价函数对所述初始用户资源分类模型进行评价，在满足条件时，生成所述用户资源分类模型。所述评价单元，包括：测试子单元，用于获取预设的测试集数据，所述测试集数据包含大于资源阈值的历史用户的基础信息；结果子单元，用于将所述预设的测试集数据输入所述初始用户资源分类模型中，生成测试结果；评价子单元，用于对所述测试结果进行评价。

根据本公开的用户资源配额确定装置，将用户的基础信息输入用户资源分类模型中；所述用户资源分类模型中的多个改进的树模型分别对所述基础信息进行计算，生成多个叶子节点值；基于所述多个叶子节点值确定所述用户的资源标签；根据所述资源标签为所述用户确定资源配额的方式，能够快速准确的确定重点关注用户的资源标签，进而根据用户的资源标签为用户分配资源，提高资源利用率和分配效率。

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执行本说明书中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，图5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，使得用户能与该电子设备700交互的设备通信，和/或该电子设备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—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用户资源分类模型中；所述用户资源分类模型中的多个改进的树模型分别对所述基础信息进行计算，生成多个叶子节点值；基于所述多个叶子节点值确定所述用户的资源标签；根据所述资源标签为所述用户确定资源配额。

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)

1.一种用户资源配额确定方法，其特征在于，包括：

将用户的基础信息输入用户资源分类模型中；

所述用户资源分类模型中的多个改进的树模型分别对所述基础信息进行计算，生成多个叶子节点值；

基于所述多个叶子节点值确定所述用户的资源标签；

根据所述资源标签为所述用户确定资源配额。

2.如权利要求1所述的方法，其特征在于，还包括：

通过多个历史用户的基础信息对机器学习模型进行训练，生成所述用户资源分类模型。

3.如权利要求2所述的方法，其特征在于，通过多个历史用户的基础信息对机器学习模型进行训练，生成所述用户资源分类模型，包括：

通过多个历史用户的基础信息对极端梯度提升决策树模型进行训练；

在训练过程中通过改进的损失函数计算训练数值；

在损失函数满足条件时，生成初始用户资源分类模型；

基于改进的评价函数对所述初始用户资源分类模型进行评价，在满足条件时，生成所述用户资源分类模型。

4.如权利要求3所述的方法，其特征在于，通过多个历史用户的基础信息对极端梯度提升决策树模型进行训练，包括：

基于基础信息中的用户资源为所述多个历史用户分配资源标签，所述资源标签为正向标签或负向标签；

将带有资源标签的所述多个历史用户的基础信息输入极端梯度提升决策树模型中；

所述极端梯度提升决策树模型中依据基础信息进行分裂产生多个树函数。

5.如权利要求3所述的方法，其特征在于，在训练过程中通过改进的损失函数计算训练数值，包括：

在训练过程中，当基础信息中的用户资源大于资源阈值时，为所述用户的损失函数分配第一权重；

当基础信息中的用户资源小于等于资源阈值时，为所述用户的损失函数分配第二权重；

基于所述第一权重和所述第二权重生成改进的损失函数以使得在训练过程中提高大于资源阈值的历史用户的关注度。

6.如权利要求5所述的方法，其特征在于，基于所述第一权重和所述第二权重生成改进的损失函数，包括：

基于所述第一权重和所述第二权重生成改进梯度函数；

基于所述第一权重和所述第二权重生成改进损失度函数。

7.如权利要求3所述的方法，其特征在于，在损失函数满足条件时，生成初始用户资源分类模型，包括：

在损失函数小于损失阈值时，依据当前的多个树函数对应的多个参数生成所述初始用户资源分类模型，其中，带有参数的树函数生成为所述初始用户资源分类模型中的改进的树模型。

8.一种用户资源配额确定装置，其特征在于，包括：

输入模块，用于将用户的基础信息输入用户资源分类模型中；

计算模块，用于所述用户资源分类模型中的多个改进的树模型分别对所述基础信息进行计算，生成多个叶子节点值；

标签模块，用于基于所述多个叶子节点值确定所述用户的资源标签；

配额模块，用于根据所述资源标签为所述用户确定资源配额。

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。

Images