CN112016793A - 基于目标用户群的资源分配方法、装置及电子设备 - Google Patents
基于目标用户群的资源分配方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112016793A CN112016793A CN202010682598.2A CN202010682598A CN112016793A CN 112016793 A CN112016793 A CN 112016793A CN 202010682598 A CN202010682598 A CN 202010682598A CN 112016793 A CN112016793 A CN 112016793A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- user group
- group
- resource allocation
- 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 57
- 238000013468 resource allocation Methods 0.000 title claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000003860 storage Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 70
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
Abstract
本公开涉及一种基于目标用户群的资源分配方法、装置、电子设备及计算机可读介质。该方法包括：根据待提取的目标用户群的信息确定目标函数和限制条件；获取多个用户基础特征数据集合；将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型，获取多个目标特征；基于所述多个目标特征对用户数据集合进行筛选以提取出目标用户群；根据预定策略为所述目标用户群进行资源分配。本公开涉及的基于目标用户群的资源分配方法、装置、电子设备及计算机可读介质，能够高效精准的定位目标人群，并为目标人群进行资源分配，还能够对目标人群进行策略分析及策略干预。
Description
技术领域
本公开涉及计算机信息处理领域，具体而言，涉及一种基于目标用户群的资源分配方法、装置、电子设备及计算机可读介质。
背景技术
在企业进行用户服务，或者推广某些产品、制定某些风险策略的时候，快速准确的定位具有某些特征的目标用户一直是一个有效的辅助手段。特别是在互联网金融服务领域，在为用户进行资源分配或者在为用户制定服务策略的时候，在海量用户中定位目标用户群能够节约大量的时间。
但是在互联网金融服务领域，目标用户群的特征在很多时候不是显而易见的，互联网金融服务企业经常会关注某些重要指标，例如入逾率、催回率以及动支率等，这些指标反应了企业的运营水平及风控水平。有时候有些指标会出现临时的异常波动，例如入逾率上升、动支率下降等。对于大盘指标的波动，互联网金融服务企业需要了解到是哪些客户的波动最明显，或者说是最敏感的。人工提取目标用户群的能力是非常有限的，且不能高效及时地找出目标用户群，大部分情况下，有些用户群表现是正常的，但是有些用户群表现却明显异常，因此通过计算机技术辅助自动化的找到这类用户群对于互联网金融服务企业针对性的资源分配和策略干预则非常重要。
因此，需要一种新的基于目标用户群的资源分配方法、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，本公开提供一种基于目标用户群的资源分配方法、装置、电子设备及计算机可读介质，能够高效精准的定位目标人群，并为目标人群进行资源分配，还能够对目标人群进行策略分析及策略干预。
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，提出一种基于目标用户群的资源分配方法，该方法包括：根据待提取的目标用户群的信息确定目标函数和限制条件；获取多个用户基础特征数据集合；将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型，获取多个目标特征；基于所述多个目标特征对用户数据集合进行筛选以提取出目标用户群；根据预定策略为所述目标用户群进行资源分配。
可选地，还包括：为所述目标用户群中的多个用户生成干预策略；基于所述干预策略对所述目标用户群中的用户行为监控。
可选地，还包括：通过历史用户基础特征数据集合、预定目标函数、预定限制条件对决策树模型进行训练，以生成所述用户群特征提取模型。
可选地，根据待提取的目标用户群的信息确定目标函数和限制条件，包括：根据待提取的目标用户群的指标参数确定目标参数；根据所述目标参数生成目标函数。
可选地，根据待提取的目标用户群的信息确定目标函数和限制条件，包括：根据待提取的目标用户群的用户数量确定所述限制条件；和/或根据待提取的目标用户群的用户占比阈值确定所述限制条件。
可选地，获取多个用户基础特征数据集合，还包括：确定多个用户基础特征及其对应的分段区间；根据所述多个用户基础特征、分段区间和多个用户数据生成所述多个用户基础特征数据集。
可选地，根据所述多个用户基础特征、分段区间和多个用户数据生成所述多个用户基础特征数据集，包括：为多个用户基础特征及其对应的分段区间分别指定标签；将多个用户数据与所述多个用户基础特征及其对应的分段区间进行比对，以为所述多个用户数据分别确定多个标签；根据标签将多个用户数据划分到所述多个用户基础特征数据集中。
可选地，将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型，获取多个目标特征，包括：依次将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型；用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数值；在所述目标函数值满足限制条件时，确定所述用户基础特征数据集合的用户特征为目标特征。
可选地，用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数值，包括：用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数的最大值；和/或用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数的最小值。
可选地，基于所述多个目标特征对用户数据集合进行筛选以提取出目标用户群，包括：基于所述多个目标特征对用户数据集合中的用户数据进行筛选；通过满足所有目标特征的用户数据生成所述目标用户群。
根据本公开的一方面，提出一种基于目标用户群的资源分配装置，该装置包括：信息模块，用于根据待提取的目标用户群的信息确定目标函数和限制条件；数据模块，用于获取多个用户基础特征数据集合；特征模块，用于将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型，获取多个目标特征；用户模块，用于基于所述多个目标特征对用户数据集合进行筛选以提取出目标用户群；分配模块，用于根据预定策略为所述目标用户群进行资源分配。
可选地，还包括：策略模块，用于为所述目标用户群中的多个用户生成干预策略；基于所述干预策略对所述目标用户群中的用户行为监控。
可选地，还包括：模型模块，用于通过历史用户基础特征数据集合、预定目标函数、预定限制条件对决策树模型进行训练，以生成所述用户群特征提取模型。
可选地，所述信息模块，包括：函数单元，用于根据待提取的目标用户群的指标参数确定目标参数；根据所述目标参数生成目标函数。
可选地，所述信息模块，包括：条件单元，用于根据待提取的目标用户群的用户数量确定所述限制条件；和/或根据待提取的目标用户群的用户占比阈值确定所述限制条件。
可选地，所述数据模块，还包括：集合单元，用于确定多个用户基础特征及其对应的分段区间；根据所述多个用户基础特征、分段区间和多个用户数据生成所述多个用户基础特征数据集。
可选地，所述集合单元，还用于为多个用户基础特征及其对应的分段区间分别指定标签；将多个用户数据与所述多个用户基础特征及其对应的分段区间进行比对，以为所述多个用户数据分别确定多个标签；根据标签将多个用户数据划分到所述多个用户基础特征数据集中。
可选地，所述特征模块，包括：输入单元，用于依次将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型；计算单元，用于用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数值；特征单元，用于在所述目标函数值满足限制条件时，确定所述用户基础特征数据集合的用户特征为目标特征。
可选地，所述计算单元，还用于用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数的最大值；和/或用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数的最小值。
可选地，所述用户模块，还用于基于所述多个目标特征对用户数据集合中的用户数据进行筛选；通过满足所有目标特征的用户数据生成所述目标用户群。
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。
根据本公开的基于目标用户群的资源分配方法、装置、电子设备及计算机可读介质，根据待提取的目标用户群的信息确定目标函数和限制条件；获取多个用户基础特征数据集合；将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型，获取多个目标特征；基于所述多个目标特征对用户数据集合进行筛选以提取出目标用户群；根据预定策略为所述目标用户群进行资源分配的方式，能够高效精准的定位目标人群，并为目标人群进行资源分配，还能够对目标人群进行策略分析及策略干预。
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目标用户群的资源分配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目标用户群的资源分配方法的流程图。
图3是根据另一示例性实施例示出的一种基于目标用户群的资源分配方法的流程图。
图4是根据另一示例性实施例示出的一种基于目标用户群的资源分配方法的流程图。
图5是根据一示例性实施例示出的一种基于目标用户群的资源分配装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7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基于目标用户群的资源分配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(例如资源分配的配额)反馈给终端设备101、102、103。
服务器105可例如根据待提取的目标用户群的信息确定目标函数和限制条件；服务器105可例如获取多个用户基础特征数据集合；服务器105可例如将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型，获取多个目标特征；服务器105可例如基于所述多个目标特征对用户数据集合进行筛选以提取出目标用户群；服务器105可例如根据预定策略为所述目标用户群进行资源分配。
服务器105还可例如为所述目标用户群中的多个用户生成干预策略；基于所述干预策略对所述目标用户群中的用户行为监控。
服务器105还可例如通过历史用户基础特征数据集合、预定目标函数、预定限制条件对决策树模型进行训练，以生成所述用户群特征提取模型。
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目标用户群的资源分配方法可以由服务器105执行，相应地，基于目标用户群的资源分配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基于目标用户群的资源分配方法的流程图。基于目标用户群的资源分配方法20至少包括步骤S202至S210。
如图2所示，在S202中，根据待提取的目标用户群的信息确定目标函数和限制条件。可例如，根据待提取的目标用户群的用户数量确定所述限制条件；和/或根据待提取的目标用户群的用户占比阈值确定所述限制条件。
在一个实施例中，目标函数可为PSI指标，(Population Stability Index，稳定度指标)，PSI表示的就是按分数分档后，针对不同样本，或者不同时间的样本，population分布是否有变化，看各个分数区间内人数占总人数的占比是否有显著变化。更具体的，在本公开中，目标函数可为如下形式：
(1)PSI＝sum((实际占比-预期占比)*ln(实际占比/预期占比))；
(2)指标波动绝对值及波动幅度小于第一阈值，其中，第一阈值可为5％。
在S204中，获取多个用户基础特征数据集合。用户数据集合可根据历史用户或者存量用户的数据建立，可将历史用户按照其基础特征的不同而分配到不同的特征数据集合中。
在一个实施例中，还包括：确定多个用户基础特征及其对应的分段区间；根据所述多个用户基础特征、分段区间和多个用户数据生成所述多个用户基础特征数据集。
“根据所述多个用户基础特征、分段区间和多个用户数据生成所述多个用户基础特征数据集”的相关内容在图3对应的实施例中进行详细说明。
在S206中，将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型，获取多个目标特征。
在一个实施例中，还包括：通过历史用户基础特征数据集合、预定目标函数、预定限制条件对决策树模型进行训练，以生成所述用户群特征提取模型。可由历史数据中提取出样本数据，样本数据可为包含较明显的用户特征的用户数据，通过这些具有明显特征或标签的用户数据对决策树模型进行训练，以生成所述用户群特征提取模型。
值得一提的是，决策树模型是一种简单易用的非参数分类器。它不需要对数据有任何的先验假设，计算速度较快，结果容易解释，而且稳健性强。可直接通过决策树模型生成用户群特征提取模型。在一些实施例中，由于决策树模型有很多种类和不同的树结构，也可通过本公开中的方法，先对决策树模型进行训练，以提取数适合待计算的目标函数的决策树模型(用户群特征提取模型)再进行后续计算。
在一个实施例中，依次将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型；用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数值；在所述目标函数值满足限制条件时，确定所述用户基础特征数据集合的用户特征为目标特征。
在S208中，基于所述多个目标特征对用户数据集合进行筛选以提取出目标用户群。可包括：基于所述多个目标特征对用户数据集合中的用户数据进行筛选；通过满足所有目标特征的用户数据生成所述目标用户群。
在一个实施例中，提取出的目标特征可为：“年龄在20-25之间，职业为：自由职业，居住地为：XX地”，这些目标特征为影响PSI指标的主要特征，通过这些特征在当前用户数据中进行筛选，将满足以上全部特征的用户提取出来，作为目标用户群。
在S210中，根据预定策略为所述目标用户群进行资源分配。可例如，标用户群众的用户的资源分配额度是受限制的额度，可为正常用户额度的30％或者40％，还可例如，将这些用户的资源归还周期设置为较短的周期，还可例如，限制这些用户参与特享资源活动等等，本公开不以此为限。
在一个实施例中，还包括：为所述目标用户群中的多个用户生成干预策略；基于所述干预策略对所述目标用户群中的用户行为监控。可定时监控目标用户群的用户行为，在用户行为具有某些高风险行为时，拒绝为其提供服务。
根据本公开的基于目标用户群的资源分配方法，根据待提取的目标用户群的信息确定目标函数和限制条件；获取多个用户基础特征数据集合；将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型，获取多个目标特征；基于所述多个目标特征对用户数据集合进行筛选以提取出目标用户群；根据预定策略为所述目标用户群进行资源分配的方式，能够高效精准的定位目标人群，并为目标人群进行资源分配，还能够对目标人群进行策略分析及策略干预。
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目标用户群的资源分配方法的流程图。图3所示的流程30是对图2所示的流程S204中“根据所述多个用户基础特征、分段区间和多个用户数据生成所述多个用户基础特征数据集”的详细描述。
如图3所示，在S302中，为多个用户基础特征及其对应的分段区间分别指定标签。可例如，待计算的用户的基础特征为10个，具体可为性别，年龄，职业，收入，住址，学历，婚否，注册时间，借贷频率，资源偿还周期等等。
为每个特征设置分段区间，可例如，年龄设置5个分段区间，分别为20-25，25-20，30-40，40-50，50至更高，为年龄设置标签为年龄1，年龄2，年龄3，年龄4，年龄5；收入设置5个分段区间，分别为：低于3000，3000-5000，5000-8000，8000-15000，15000至更高，为收入设置标签为收入1，收入2，收入3，收入4，收入5。以此类推，可为各个基础特征指定区间和其对应的标签。
在S304中，将多个用户数据与所述多个用户基础特征及其对应的分段区间进行比对，以为所述多个用户数据分别确定多个标签。
比如，将用户A的用户数据和用户基础特征及其对应的分段区间进行比对之后，可为用户A分配多个标签，分别为：性别1，年龄3，收入4，学历2，等等。
在S306中，根据标签将多个用户数据划分到所述多个用户基础特征数据集中。根据以上分配的标签，将用户A的数据分配到性别1对应的用户基础特征数据集中，年龄3对应的用户基础特征数据集中，收入4对应的用户基础特征数据集中，学历2对应的用户基础特征数据集中。
依次将多个用户数据分别按照上述步骤进行处理，并分别分入到不同的用户基础特征数据集中，以此生成了本公开中的多个用户基础特征数据集。
图4是根据另一示例性实施例示出的一种基于目标用户群的资源分配方法的流程图。图4所示的流程40是对图2所示的流程中S206“将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型，获取多个目标特征”的详细描述。
如图4所示，在S402中，依次将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型。
在S404中，用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数值。包括：用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数的最大值；和/或用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数的最小值。
可先设定目标为目标函数的最大值，然后用户群特征提取模型基于目标函数的最大值进行计算，然后可先设定目标为目标函数的最小值，然后用户群特征提取模型基于目标函数的最小值进行计算。
在S406中，在所述目标函数值满足限制条件时，确定所述用户基础特征数据集合的用户特征为目标特征。在所述目标函数值满足限制条件时，用户群特征提取模型自动输出满足目标函数的目标特征。目标特征可为一个或多个，用户群特征提取模型可根据用户输入的参数进行自动计算输出。
本公开的基于目标用户群的资源分配方法，通过自动优化算法挖掘异常子客群，并且可以根据待分析的目的指标的不同，进行不同的目标函数的定义，还可通过最大化/最小化这些目标函数，获得目标用户群的特征描述集合。对于异常波动的目标客户群，除了对其进行不同的资源分配管控意外，还可以利用不同的策略进行干预，以保证金融网络平台的资源安全。
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基于目标用户群的资源分配装置的框图。如图5所示，基于目标用户群的资源分配装置50包括：信息模块502，数据模块504，特征模块506，用户模块508，分配模块510。
信息模块502用于根据待提取的目标用户群的信息确定目标函数和限制条件；所述信息模块502包括：函数单元，用于根据待提取的目标用户群的指标参数确定目标参数；根据所述目标参数生成目标函数。条件单元，用于根据待提取的目标用户群的用户数量确定所述限制条件；和/或根据待提取的目标用户群的用户占比阈值确定所述限制条件。
数据模块504用于获取多个用户基础特征数据集合；所述数据模块504还包括：集合单元，用于确定多个用户基础特征及其对应的分段区间；根据所述多个用户基础特征、分段区间和多个用户数据生成所述多个用户基础特征数据集。所述集合单元，还用于为多个用户基础特征及其对应的分段区间分别指定标签；将多个用户数据与所述多个用户基础特征及其对应的分段区间进行比对，以为所述多个用户数据分别确定多个标签；根据标签将多个用户数据划分到所述多个用户基础特征数据集中。
特征模块506用于将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型，获取多个目标特征；所述特征模块506包括：输入单元，用于依次将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型；计算单元，用于用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数值；所述计算单元，还用于用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数的最大值；和/或用户群特征提取模型计算用户基础特征数据集合中用户数据的目标函数的最小值。特征单元，用于在所述目标函数值满足限制条件时，确定所述用户基础特征数据集合的用户特征为目标特征。
用户模块508用于基于所述多个目标特征对用户数据集合进行筛选以提取出目标用户群；所述用户模块508还用于基于所述多个目标特征对用户数据集合中的用户数据进行筛选；通过满足所有目标特征的用户数据生成所述目标用户群。
分配模块510用于根据预定策略为所述目标用户群进行资源分配。
基于目标用户群的资源分配装置50还可包括：策略模块，用于为所述目标用户群中的多个用户生成干预策略；基于所述干预策略对所述目标用户群中的用户行为监控。模型模块，用于通过历史用户基础特征数据集合、预定目标函数、预定限制条件对决策树模型进行训练，以生成所述用户群特征提取模型。
根据本公开的基于目标用户群的资源分配装置，根据待提取的目标用户群的信息确定目标函数和限制条件；获取多个用户基础特征数据集合；将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型，获取多个目标特征；基于所述多个目标特征对用户数据集合进行筛选以提取出目标用户群；根据预定策略为所述目标用户群进行资源分配的方式，能够高效精准的定位目标人群，并为目标人群进行资源分配，还能够对目标人群进行策略分析及策略干预。
图6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6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600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6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640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610执行，使得所述处理单元610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610可以执行如图2，图3，图4中所示的步骤。
所述存储单元620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)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205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630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600也可以与一个或多个外部设备600’(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600交互的设备通信，和/或与使得该电子设备600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650进行。并且，电子设备600还可以通过网络适配器660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660可以通过总线630与电子设备600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600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7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：根据待提取的目标用户群的信息确定目标函数和限制条件；获取多个用户基础特征数据集合；将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型，获取多个目标特征；基于所述多个目标特征对用户数据集合进行筛选以提取出目标用户群；根据预定策略为所述目标用户群进行资源分配。
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冒。
Claims (10)
1.一种基于目标用户群的资源分配方法，其特征在于，包括：
根据待提取的目标用户群的信息确定目标函数和限制条件；
获取多个用户基础特征数据集合；
将所述多个用户基础特征数据集合和所述目标函数、所述限制条件输入用户群特征提取模型，获取多个目标特征；
基于所述多个目标特征对用户数据集合进行筛选以提取出目标用户群；
根据预定策略为所述目标用户群进行资源分配。
2.如权利要求1所述的资源分配方法，其特征在于，还包括：
为所述目标用户群中的多个用户生成干预策略；
基于所述干预策略对所述目标用户群中的用户行为监控。
3.如权利要求1-2中任一所述的资源分配方法，其特征在于，还包括：
通过历史用户基础特征数据集合、预定目标函数、预定限制条件对决策树模型进行训练，以生成所述用户群特征提取模型。
4.如权利要求1-3中任一所述的资源分配方法，其特征在于，根据待提取的目标用户群的信息确定目标函数和限制条件，包括：
根据待提取的目标用户群的指标参数确定目标参数；
根据所述目标参数生成目标函数。
5.如权利要求1-4中任一所述的资源分配方法，其特征在于，根据待提取的目标用户群的信息确定目标函数和限制条件，包括：
根据待提取的目标用户群的用户数量确定所述限制条件；和/或
根据待提取的目标用户群的用户占比阈值确定所述限制条件。
6.如权利要求1-5中任一所述的资源分配方法，其特征在于，获取多个用户基础特征数据集合，还包括：
确定多个用户基础特征及其对应的分段区间；
根据所述多个用户基础特征、分段区间和多个用户数据生成所述多个用户基础特征数据集。
7.如权利要求1-6中任一所述的资源分配方法，其特征在于，根据所述多个用户基础特征、分段区间和多个用户数据生成所述多个用户基础特征数据集，包括：
为多个用户基础特征及其对应的分段区间分别指定标签；
将多个用户数据与所述多个用户基础特征及其对应的分段区间进行比对，以为所述多个用户数据分别确定多个标签；
根据标签将多个用户数据划分到所述多个用户基础特征数据集中。
8.一种基于目标用户群的资源分配装置，其特征在于，包括：
信息模块，用于根据待提取的目标用户群的信息确定目标函数和限制条件；
数据模块，用于获取多个用户基础特征数据集合；
特征模块，用于将所述多个用户基础特征数据集合和目标函数、限制条件输入用户群特征提取模型，获取多个目标特征；
用户模块，用于基于所述多个目标特征对用户数据集合进行筛选以提取出目标用户群；
分配模块，用于根据预定策略为所述目标用户群进行资源分配。
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010682598.2A CN112016793B (zh) | 2020-07-15 | 2020-07-15 | 基于目标用户群的资源分配方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010682598.2A CN112016793B (zh) | 2020-07-15 | 2020-07-15 | 基于目标用户群的资源分配方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112016793A true CN112016793A (zh) | 2020-12-01 |
| CN112016793B CN112016793B (zh) | 2024-04-26 |
Family
ID=73498714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010682598.2A Active CN112016793B (zh) | 2020-07-15 | 2020-07-15 | 基于目标用户群的资源分配方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112016793B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112950009A (zh) * | 2021-02-10 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 资源配额分配方法、装置及电子设备 |
| CN114374881A (zh) * | 2022-01-05 | 2022-04-19 | 北京百度网讯科技有限公司 | 分配用户流量的方法、装置、电子设备及存储介质 |
| CN114666402A (zh) * | 2020-12-23 | 2022-06-24 | 顺丰科技有限公司 | 资源信息推送方法、装置、计算机设备和存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130212277A1 (en) * | 2012-02-14 | 2013-08-15 | Microsoft Corporation | Computing cluster with latency control |
| US20130339079A1 (en) * | 2012-06-15 | 2013-12-19 | International Business Machines Corporation | Configurable resource policies |
| US9325585B1 (en) * | 2012-07-10 | 2016-04-26 | The Boeing Company | Mission-driven autonomous and adaptive resource management |
| WO2018103718A1 (zh) * | 2016-12-08 | 2018-06-14 | 广州优视网络科技有限公司 | 应用推荐的方法、装置及服务器 |
| CN110349000A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇毓信息科技有限公司 | 基于用户分群的提额策略确定方法、装置和电子设备 |
| CN110472154A (zh) * | 2019-08-26 | 2019-11-19 | 秒针信息技术有限公司 | 一种资源推送方法、装置、电子设备及可读存储介质 |
| WO2019232932A1 (zh) * | 2018-06-05 | 2019-12-12 | 平安科技（深圳）有限公司 | 节点处理方法及装置、计算机可读存储介质和电子设备 |
| WO2020000689A1 (zh) * | 2018-06-29 | 2020-01-02 | 平安科技（深圳）有限公司 | 基于迁移学习的智能投顾策略生成方法及装置、电子设备、存储介质 |
| US20200128051A1 (en) * | 2018-10-19 | 2020-04-23 | Oracle International Corporation | Machine-learning processing at native-location storage system to generate collections action plan |
| CA3060692A1 (en) * | 2018-11-09 | 2020-05-09 | 10353744 Canada Ltd. | Behaviour recognition method and apparatus, electronic device and storage medium |
-
2020
- 2020-07-15 CN CN202010682598.2A patent/CN112016793B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130212277A1 (en) * | 2012-02-14 | 2013-08-15 | Microsoft Corporation | Computing cluster with latency control |
| US20130339079A1 (en) * | 2012-06-15 | 2013-12-19 | International Business Machines Corporation | Configurable resource policies |
| US9325585B1 (en) * | 2012-07-10 | 2016-04-26 | The Boeing Company | Mission-driven autonomous and adaptive resource management |
| WO2018103718A1 (zh) * | 2016-12-08 | 2018-06-14 | 广州优视网络科技有限公司 | 应用推荐的方法、装置及服务器 |
| WO2019232932A1 (zh) * | 2018-06-05 | 2019-12-12 | 平安科技（深圳）有限公司 | 节点处理方法及装置、计算机可读存储介质和电子设备 |
| WO2020000689A1 (zh) * | 2018-06-29 | 2020-01-02 | 平安科技（深圳）有限公司 | 基于迁移学习的智能投顾策略生成方法及装置、电子设备、存储介质 |
| US20200128051A1 (en) * | 2018-10-19 | 2020-04-23 | Oracle International Corporation | Machine-learning processing at native-location storage system to generate collections action plan |
| CA3060692A1 (en) * | 2018-11-09 | 2020-05-09 | 10353744 Canada Ltd. | Behaviour recognition method and apparatus, electronic device and storage medium |
| CN110349000A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇毓信息科技有限公司 | 基于用户分群的提额策略确定方法、装置和电子设备 |
| CN110472154A (zh) * | 2019-08-26 | 2019-11-19 | 秒针信息技术有限公司 | 一种资源推送方法、装置、电子设备及可读存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114666402A (zh) * | 2020-12-23 | 2022-06-24 | 顺丰科技有限公司 | 资源信息推送方法、装置、计算机设备和存储介质 |
| CN112950009A (zh) * | 2021-02-10 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 资源配额分配方法、装置及电子设备 |
| CN114374881A (zh) * | 2022-01-05 | 2022-04-19 | 北京百度网讯科技有限公司 | 分配用户流量的方法、装置、电子设备及存储介质 |
| CN114374881B (zh) * | 2022-01-05 | 2023-09-01 | 北京百度网讯科技有限公司 | 分配用户流量的方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112016793B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112529702B (zh) | 用户授信策略分配方法、装置及电子设备 | |
| CN112016793B (zh) | 基于目标用户群的资源分配方法、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 | |
| CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
| CN112017060B (zh) | 为目标用户进行资源分配的方法、装置及电子设备 | |
| CN110324414B (zh) | 资源位流量分配的方法、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 | |
| CN112348659B (zh) | 用户识别策略的分配方法、装置及电子设备 | |
| CN112015562A (zh) | 基于迁移学习的资源分配方法、装置及电子设备 | |
| CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| CN111598494A (zh) | 资源额度的调整方法、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 | |
| CN111191677B (zh) | 用户特征数据生成方法、装置及电子设备 | |
| CN113298354A (zh) | 业务衍生指标的自动生成方法、装置及电子设备 | |
| CN112348658A (zh) | 资源分配方法、装置及电子设备 | |
| CN113570207B (zh) | 用户策略分配方法、装置及电子设备 | |
| CN112016790B (zh) | 用户策略分配方法、装置及电子设备 | |
| CN112348661B (zh) | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 | |
| CN112508631A (zh) | 用户策略分配方法、装置及电子设备 | |
| CN112016791A (zh) | 资源分配方法、装置及电子设备 | |
| CN113902545A (zh) | 资源额度分配方法、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 | |
| CN112527852A (zh) | 用户动支策略分配方法、装置及电子设备 | |
| CN111626438B (zh) | 基于模型迁移的用户策略分配方法、装置及电子设备 | |
| CN112950003A (zh) | 用户资源配额调整方法、装置及电子设备 |
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 |