CN112017042A - 基于tweedie分布的资源配额确定方法、装置和电子设备 - Google Patents
基于tweedie分布的资源配额确定方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112017042A CN112017042A CN202011137215.XA CN202011137215A CN112017042A CN 112017042 A CN112017042 A CN 112017042A CN 202011137215 A CN202011137215 A CN 202011137215A CN 112017042 A CN112017042 A CN 112017042A
- Authority
- CN
- China
- Prior art keywords
- user
- resource quota
- historical
- users
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013145 classification model Methods 0.000 claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 16
- 229920000136 polysorbate Polymers 0.000 claims abstract description 6
- 238000013468 resource allocation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010028347 Muscle twitching Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于tweedie分布的资源配额确定方法、装置和电子设备,包括:获取历史用户的用户信息作为样本数据;将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到用户分类模型;将新用户的用户身份信息输入所述用户分类模型得到所述新用户的用户类型,并根据所述新用户的类型确定该用户的资源配额。本发明通过将历史用户的用户身份信息、资源配额使用情况和违约情况输入基于tweedie分布的机器学习模型,将该模型训练成为用户分类模型,从而对新用户进行分类,预测新用户的资源配额使用情况和违约情况,根据用户类型对新用户进行对应的资源分配,预测结果更精确,可以有效降低用户的资源分配风险,避免损失。
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tweedie分布的资源配额确定方法、装置、电子设备及计算机可读介质。
背景技术
目前,随着互联网金融行业的发展,由于良好的便捷性各灵活性,越来越多的用户将网络贷款软件应用到日常授信申请中。
网络小额贷款以其灵活性强、用款快捷的优点得到了众多用户的欢迎。如何根据用户的信息来评估一个相对较为准确的授信额度十分重要,授信额度的高低直接影响到用户是否愿意使用金融机构的产品,若金融机构给出的授信额度过高,那么金融机构承担的授信风险较大,若给出的授信额度较低,那么用户可能不会选择该金融机构的产品,如何根据所收集到的用户信息全方面的评估用户的情况,并给出一个匹配该用户的授信额度至关重要。
现有技术中,若金融机构缺少新用户的信贷信息,则对该用户的风险控制具有滞后性,需要根据人员经验判断该用户授信的授信额度,然后观察其后续的征信情况再进行调整,会出现授信额度数据不准确,容易造成风险失控或利益无法最大化的问题。
发明内容
为了解决如何有效降低资源分配风险的技术问题,本发明提供了一种基于tweedie分布的资源配额确定方法、装置、电子设备及计算机可读介质。
本发明的一方面提供一种基于tweedie分布的资源配额确定方法,包括:
获取历史用户的用户信息作为样本数据;
将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到用户分类模型;
将新用户的用户身份信息输入所述用户分类模型得到所述新用户的用户类型,并根据所述新用户的类型确定该用户的资源配额。
根据本发明的优选实施方式,所述获取历史用户的用户信息作为样本数据,进一步包括:
获取所述历史用户的用户身份信息、资源配额使用数据和违约数据。
根据本发明的优选实施方式,所述获取所述历史用户的用户身份信息、资源配额使用数据和违约数据,进一步包括:
所述资源配额使用数据包括资源配额使用率,所述资源配额使用率为所述历史用户首次进行资源配置权认证后未使用的资源配额与获得的资源配额的比值;
所述违约数据包括违约损失率,所述违约损失率为所述历史用户首次进行资源配置权认证后逾期未归还的资源配额与已使用的资源配额的比值。
根据本发明的优选实施方式,所述将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到用户分类模型,进一步包括:
将所述历史用户的用户身份信息输入所述基于tweedie分布的机器学习模型;
根据历史用户的用户身份信息计算得到该用户的用户类型,并与该用户实际的用户类型进行比较;
不断调整所述基于tweedie分布的机器学习模型的参数使输出的用户类型与实际的相同,得到所述用户分类模型。
根据本发明的优选实施方式,在将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到用户分类模型前,所述方法包括:
根据不同历史用户的资源配额使用数据和违约数据对所述历史用户进行分类,分别对每个类别中资源配额使用数据和违约数据设置对应的阈值范围。
根据本发明的优选实施方式,所述根据不同历史用户的资源配额使用数据和违约数据对所述历史用户进行分类,分别对每个类别中资源配额使用数据和违约数据设置对应的阈值范围,进一步包括:
将所述资源配额使用率和违约损失率均小于预设第一阈值范围的用户设置为第一类用户;
将所述资源配额使用率小于预设第一阈值范围且违约损失率大于预设第二阈值范围的用户设置为第二类用户;
将所述资源配额使用率和违约损失率均在预设第三阈值范围内的用户设置为第三类用户。
根据本发明的优选实施方式,所述将新用户的用户身份信息输入所述用户分类模型得到所述新用户的用户类型,并根据所述新用户的类型确定该用户的资源配额,进一步包括:
当所述新用户为第一类用户时,对该用户增加资源配额;
当所述新用户为第二类用户时,拒绝对该用户进行资源分配;
当所述新用户为第三类用户时,根据所述新用户的资源配额使用数据和违约数据调整该用户的资源配额。
根据本发明的优选实施方式,所述用户身份信息包括:用户的年龄、职业、学历、收入及财产信息。
根据本发明的优选实施方式,所述方法还包括:
定期获取所述新用户的资源配额使用数据和违约数据;
根据所述资源配额使用数据和违约数据更新该用户的用户类型;
根据更新后的用户类型调整该用户的资源配额。
本发明的第二方面提供一种基于tweedie分布的资源配额确定装置,包括:
用户信息获取模块,用于获取历史用户的用户信息作为样本数据;
模型训练模块,用于将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到用户分类模型;
资源配额分配模块,用于将新用户的用户身份信息输入所述用户分类模型得到所述新用户的用户类型,并根据所述新用户的类型确定该用户的资源配额。
根据本发明的优选实施方式,所述用户信息获取模块进一步包括:
身份信息获取单元,用于获取所述历史用户的用户身份信息;
资源配额使用数据获取单元,用于获取所述历史用户的资源配额使用数据;
违约数据获取单元,用于获取所述历史用户的违约数据。
根据本发明的优选实施方式,所述用户信息获取模块进一步包括:
所述资源配额使用数据包括资源配额使用率,所述资源配额使用率为所述历史用户首次进行资源配置权认证后未使用的资源配额与获得的资源配额的比值;
所述违约数据包括违约损失率,所述违约损失率为所述历史用户首次进行资源配置权认证后逾期未归还的资源配额与已使用的资源配额的比值。
根据本发明的优选实施方式,所述模型训练模块进一步包括:
身份信息传输单元,用于将所述历史用户的用户身份信息输入所述基于tweedie分布的机器学习模型;
计算单元,用于根据历史用户的用户身份信息计算得到该用户的用户类型,并与该用户实际的用户类型进行比较;
模型调整单元,用于不断调整所述基于tweedie分布的机器学习模型的参数使输出的用户类型与实际的相同,得到所述用户分类模型。
根据本发明的优选实施方式,所述装置还包括分类模块,用于根据不同历史用户的资源配额使用数据和违约数据对所述历史用户进行分类,分别对每个类别中资源配额使用数据和违约数据设置对应的阈值范围。
根据本发明的优选实施方式,所述分类模块进一步包括:
第一分类单元,用于将所述资源配额使用率和违约损失率均小于预设第一阈值范围的用户设置为第一类用户;
第二分类单元,用于将所述资源配额使用率小于预设第一阈值范围且违约损失率大于预设第二阈值范围的用户设置为第二类用户;
第三分类单元,用于将所述资源配额使用率和违约损失率均在预设第三阈值范围内的用户设置为第三类用户。
根据本发明的优选实施方式,所述资源配额分配模块进一步包括:
第一资源配额分配单元,用于当所述新用户为第一类用户时,对该用户增加资源配额;
第二资源配额分配单元,用于当所述新用户为第二类用户时,拒绝对该用户进行资源分配;
第三资源配额分配单元,用于当所述新用户为第三类用户时,根据所述新用户的资源配额使用数据和违约数据调整该用户的资源配额。
根据本发明的优选实施方式,所述用户身份信息包括:用户的年龄、职业、学历、收入及财产信息。
根据本发明的优选实施方式,所述装置还包括数据更新模块,用于:
定期获取所述新用户的资源配额使用数据和违约数据;
根据所述资源配额使用数据和违约数据更新该用户的用户类型;
根据更新后的用户类型调整该用户的资源配额。
本发明的第三方面提供一种电子设备,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任一项所述的方法。
本发明的第四方面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,实现任一项所述的方法。
本发明的技术方案,具有如下有益效果:
本发明通过将历史用户的用户身份信息、资源配额使用情况和违约情况输入基于tweedie分布的机器学习模型,将该模型训练成为用户分类模型,从而对新用户进行分类,预测新用户的资源配额使用情况和违约情况,根据用户类型对新用户进行对应的资源分配,预测结果更精确,可以有效降低用户的资源分配风险,避免损失。
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是本发明的一种基于tweedie分布的资源配额确定方法流程示意图;
图2是本发明的一种基于tweedie分布的资源配额确定装置模块架构示意图;
图3是本发明的一种基于tweedie分布的资源配额确定的电子设备结构框架示意图;
图4是本发明的一种计算机可读存储介质示意图。
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。
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。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
Tweedie分布是一种泊松分布和伽玛分布的复合分布。Tweedie分布最明显的一个特点是以一定的概率生成数值为0的样本。Tweedie分布在商业场景中有很多例子,比如人们进入某个商城后的消费额。大部分客户只是进去随便逛逛(比如蹭空调),所以消费额是0,小部分客户是有消费额的,是随机的连续数值。
图1是本发明的一种基于tweedie分布的资源配额确定方法流程示意图,如图1所示,本方法包括:
S101、获取历史用户的用户信息作为样本数据。
具体来说,用户信息包括用户身份信息、资源配额使用数据和违约数据,用户身份信息包括用户姓名,年龄,所在地,职业,学历,收入,财产等信息,用户身份信息通过用户申请授信时提交的资料或其他途径通常都能获取到。
资源配额使用数据也就是资源配额使用率,在本实施例中为用户首次授信成功获得贷款后在还款期限内未使用的贷款数额与获得的贷款数额的比值,也就是用户使用剩余的贷款数额与总贷款数额的比值。
违约数据也就是违约损失率,在本实施例中为用户首次授信成功获得贷款后超过还款期限时没有偿还的贷款数额与已使用贷款数额的比值,由于通常的授信机制在不算利息的前提下为用户使用了多少贷款,在还款日前应当归还多少贷款,所以未全额归还的用户就构成了违约。
在本发明实施例中,通过大量的历史用户的信贷数据可以得到:绝大部分用户在授信成功获得贷款后,会将得到的贷款全部使用,也就是授信金额与使用金额相同,只有少部分用户会有剩余;并且绝大部分用户会在还款期限内将已使用的贷款还清,只有少部分用户会违约。所以上述实施例中的资源配额使用率和违约损失率均符合上述的tweedie分布,其中tweedie分布曲线中横轴分别表示资源配额使用率和违约损失率,数值在0-1之间,纵轴分别为不同资源配额使用率和违约损失率对应的历史用户人数。由于多数用户会将得到的贷款全部使用,所以资源配额使用率为0,少部分用户的资源配额使用率在(0,1]的区间内;同样由于多数用户会在还款期限内完全偿还已使用的贷款,所以违约损失率为0,少部分用户的违约损失率在(0,1]的区间内。
S102、将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到用户分类模型。
具体来说,由于历史用户实际的授信贷款使用和偿还情况是已知的,可以根据历史用户的资源配额使用率和违约损失率设置对应的阈值范围,对在不同阈值范围内的历史用户分类,例如,将资源配额使用率和违约损失率均小于预设阈值范围[0-0.1]的用户设置为第一类用户;将资源配额使用率小于预设阈值范围[0-0.1]且违约损失率大于预设阈值[0.3-1]范围的用户设置为第二类用户;将资源配额使用率和违约损失率均在预设阈值范围内(0-0.3)的用户设置为第三类用户。
第一类用户表示将贷款全部使用,并且在还款期限内全部归还,这类用户的授信风险较小,第二类用户表示将贷款全部使用,但在还款期限内未偿还的贷款数额较大,这类用户的授信风险较大;第三类用户表示未将贷款全部使用,且在还款期限内未偿还的贷款数额较小,这类用户的授信风险居中。
在已知资源配额使用率和违约损失率符合tweedie分布的前提下,将历史用户的用户身份信息、资源配额使用数据和违约数据输入基于tweedie分布的机器学习模型,模型根据历史用户的用户身份信息进行计算,输出每个历史用户的用户类型,并与历史用户实际的用户类型进行比较,不断调整基于tweedie分布的机器学习模型的参数使所有输入的历史用户对应输出的用户类型与实际的相同,此时得到用户分类模型,这个用户分类模型可以通过对新的申请授信的用户进行分类来评价新用户的授信风险。
S103、将新用户的用户身份信息输入所述用户分类模型得到所述新用户的用户类型,并根据所述新用户的类型确定该用户的资源配额。
具体来说,当新用户提交用户身份信息申请授信后,由于金融机构无法获取新用户的资源配额使用率和违约损失率,可以将新用户的用户身份信息输入上述实施例的用户分类模型,根据用户身份信息中多维度的特征计算得到该用户的用户类型,例如某新用户的用户身份信息为50岁男性,所在地的人均收入偏低,且学历和收入也偏低,最后通过用户分类模型将其分为第二类用户,表示该用户的授信风险较大。
在得到每个新用户的用户类型后,根据用户类型对每个新用户新型授信,例如,可以对第一类授信风险较小的用户提高授信的资源配额,以获得更高的收益;对第二类授信风险较大的用户拒绝对其授信或授信的资源配额很小,以将风险降到最低;对第一类授信风险居中的用户可以先对其分配可承受范围内最小的资源配额,根据其在一定时间段内的资源配额使用数据和违约数据动态调整该用户的资源配额,若该用户表现良好可提高资源配额,若表现较差出现违约情况可降低资源配额或拒绝授信。
为了确保用户分类模型的准确性,需要对模型定期更新,可以定期获取新用户的资源配额使用数据和违约数据,并将该用户的用户身份信息作为样本输入用户分类模型,根据模型对该用户的分类判断模型的分类是否准确,若分类出现偏差及时调整模型参数,并将该用户的用户身份信息作为样本输入跟新后的用户分类模型,本查看分类结果;若未出现偏差则根据模型的分类结果对该用户的资源配额进行调整。
本发明通过将历史用户的用户身份信息、资源配额使用情况和违约情况输入基于tweedie分布的机器学习模型,将该模型训练成为用户分类模型,从而根据新用户的用户身份信息对新用户进行分类,预测新用户的资源配额使用情况和违约情况,根据用户类型对新用户进行对应的资源分配,预测结果更精确,可以有效降低用户的资源分配风险,避免损失。
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。
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。
图2是本发明的一种基于tweedie分布的资源配额确定装置模块架构示意图,如图2所示,本装置200包括:
用户信息获取模块201,用于获取历史用户的用户信息作为样本数据;
模型训练模块202,用于将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到用户分类模型;
资源配额分配模块203,用于将新用户的用户身份信息输入所述用户分类模型得到所述新用户的用户类型,并根据所述新用户的类型确定该用户的资源配额。
根据本发明的优选实施方式,所述用户信息获取模块201进一步包括:
身份信息获取单元,用于获取所述历史用户的用户身份信息;
资源配额使用数据获取单元,用于获取所述历史用户的资源配额使用数据;
违约数据获取单元,用于获取所述历史用户的违约数据。
根据本发明的优选实施方式,所述用户信息获取模块201进一步包括:
所述资源配额使用数据包括资源配额使用率,所述资源配额使用率为所述历史用户首次进行资源配置权认证后未使用的资源配额与获得的资源配额的比值;
所述违约数据包括违约损失率,所述违约损失率为所述历史用户首次进行资源配置权认证后逾期未归还的资源配额与已使用的资源配额的比值。
根据本发明的优选实施方式,所述模型训练模块202进一步包括:
身份信息传输单元,用于将所述历史用户的用户身份信息输入所述基于tweedie分布的机器学习模型;
计算单元,用于根据历史用户的用户身份信息计算得到该用户的用户类型,并与该用户实际的用户类型进行比较;
模型调整单元,用于不断调整所述基于tweedie分布的机器学习模型的参数使输出的用户类型与实际的相同,得到所述用户分类模型。
根据本发明的优选实施方式,所述装置还包括分类模块204,用于根据不同历史用户的资源配额使用数据和违约数据对所述历史用户进行分类,分别对每个类别中资源配额使用数据和违约数据设置对应的阈值范围。
根据本发明的优选实施方式,所述分类模块204进一步包括:
第一分类单元,用于将所述资源配额使用率和违约损失率均小于预设第一阈值范围的用户设置为第一类用户;
第二分类单元,用于将所述资源配额使用率小于预设第一阈值范围且违约损失率大于预设第二阈值范围的用户设置为第二类用户;
第三分类单元,用于将所述资源配额使用率和违约损失率均在预设第三阈值范围内的用户设置为第三类用户。
根据本发明的优选实施方式,所述资源配额分配模块203进一步包括:
第一资源配额分配单元,用于当所述新用户为第一类用户时,对该用户增加资源配额;
第二资源配额分配单元,用于当所述新用户为第二类用户时,拒绝对该用户进行资源分配;
第三资源配额分配单元,用于当所述新用户为第三类用户时,根据所述新用户的资源配额使用数据和违约数据调整该用户的资源配额。
根据本发明的优选实施方式,所述用户身份信息包括:用户的年龄、职业、学历、收入及财产信息。
根据本发明的优选实施方式,所述装置还包括数据更新模块205,用于:
定期获取所述新用户的资源配额使用数据和违约数据;
根据所述资源配额使用数据和违约数据更新该用户的用户类型;
根据更新后的用户类型调整该用户的资源配额。
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。
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是本发明的一种基于tweedie分布的资源配额确定的电子设备结构框架示意图。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执行本说明书上述电子处方流转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:获取历史用户的用户信息作为样本数据;将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到用户分类模型;将新用户的用户身份信息输入所述用户分类模型得到所述新用户的用户类型,并根据所述新用户的类型确定该用户的资源配额。
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,如图4所示。图4是本发明的计算机可读存储介质示意图。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 (10)
1.一种基于tweedie分布的资源配额确定方法,其特征在于,包括:
获取历史用户的用户信息作为样本数据;
将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到用户分类模型;
将新用户的用户身份信息输入所述用户分类模型得到所述新用户的用户类型,并根据所述新用户的类型确定该用户的资源配额。
2.根据权利要求1所述的方法,其特征在于,所述获取历史用户的用户信息作为样本数据,进一步包括:
获取所述历史用户的用户身份信息、资源配额使用数据和违约数据。
3.根据权利要求2所述的方法,其特征在于,所述获取所述历史用户的用户身份信息、资源配额使用数据和违约数据,进一步包括:
所述资源配额使用数据包括资源配额使用率,所述资源配额使用率为所述历史用户首次进行资源配置权认证后未使用的资源配额与获得的资源配额的比值;
所述违约数据包括违约损失率,所述违约损失率为所述历史用户首次进行资源配置权认证后逾期未归还的资源配额与已使用的资源配额的比值。
4.根据权利要求3所述的方法,其特征在于,所述将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到用户分类模型,进一步包括:
将所述历史用户的用户身份信息输入所述基于tweedie分布的机器学习模型;
根据历史用户的用户身份信息计算得到该用户的用户类型,并与该用户实际的用户类型进行比较;
不断调整所述基于tweedie分布的机器学习模型的参数使输出的用户类型与实际的相同,得到所述用户分类模型。
5.根据权利要求3所述的方法,其特征在于,在将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到用户分类模型前,所述方法包括:
根据不同历史用户的资源配额使用数据和违约数据对所述历史用户进行分类,分别对每个类别中资源配额使用数据和违约数据设置对应的阈值范围。
6.根据权利要求5所述的方法,其特征在于,所述根据不同历史用户的资源配额使用数据和违约数据对所述历史用户进行分类,分别对每个类别中资源配额使用数据和违约数据设置对应的阈值范围,进一步包括:
将所述资源配额使用率和违约损失率均小于预设第一阈值范围的用户设置为第一类用户;
将所述资源配额使用率小于预设第一阈值范围且违约损失率大于预设第二阈值范围的用户设置为第二类用户;
将所述资源配额使用率和违约损失率均在预设第三阈值范围内的用户设置为第三类用户。
7.根据权利要求6所述的方法,其特征在于,所述将新用户的用户身份信息输入所述用户分类模型得到所述新用户的用户类型,并根据所述新用户的类型确定该用户的资源配额,进一步包括:
当所述新用户为第一类用户时,对该用户增加资源配额;
当所述新用户为第二类用户时,拒绝对该用户进行资源分配;
当所述新用户为第三类用户时,根据所述新用户的资源配额使用数据和违约数据调整该用户的资源配额。
8.一种基于tweedie分布的资源配额确定装置,其特征在于,包括:
用户信息获取模块,用于获取历史用户的用户信息作为样本数据;
模型训练模块,用于将所述历史用户的用户信息输入基于tweedie分布的机器学习模型进行训练得到用户分类模型;
资源配额分配模块,用于将新用户的用户身份信息输入所述用户分类模型得到所述新用户的用户类型,并根据所述新用户的类型确定该用户的资源配额。
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 |
---|---|---|---|
CN202011137215.XA CN112017042A (zh) | 2020-10-22 | 2020-10-22 | 基于tweedie分布的资源配额确定方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011137215.XA CN112017042A (zh) | 2020-10-22 | 2020-10-22 | 基于tweedie分布的资源配额确定方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112017042A true CN112017042A (zh) | 2020-12-01 |
Family
ID=73528017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011137215.XA Pending CN112017042A (zh) | 2020-10-22 | 2020-10-22 | 基于tweedie分布的资源配额确定方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112017042A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191875A (zh) * | 2021-04-30 | 2021-07-30 | 中国银行股份有限公司 | 新用户的授信方法及装置、电子设备、存储介质 |
CN113298635A (zh) * | 2021-04-28 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于tweedie分布的用户未归还资源数量预测方法和装置 |
CN113487364A (zh) * | 2021-07-16 | 2021-10-08 | 上海淇馥信息技术有限公司 | 一种资源成本预估方法、装置及电子设备 |
CN113610533A (zh) * | 2021-07-27 | 2021-11-05 | 北京淇瑀信息科技有限公司 | 交易拒绝用户的资源分配方法、装置及电子设备 |
CN113902545A (zh) * | 2021-09-30 | 2022-01-07 | 北京淇瑀信息科技有限公司 | 资源额度分配方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931116A (zh) * | 2016-04-20 | 2016-09-07 | 帮帮智信(北京)教育投资有限公司 | 基于深度学习机制的自动化信用评分系统及方法 |
CN107194803A (zh) * | 2017-05-19 | 2017-09-22 | 南京工业大学 | 一种p2p网贷借款人信用风险评估的装置 |
CN108053314A (zh) * | 2018-01-31 | 2018-05-18 | 国信优易数据有限公司 | 一种借贷需求预测方法 |
CN108416662A (zh) * | 2017-02-10 | 2018-08-17 | 腾讯科技(深圳)有限公司 | 一种数据验证方法及装置 |
CN109377398A (zh) * | 2018-11-19 | 2019-02-22 | 北京金州世纪信息技术有限公司 | Ubi保险的分类风险方法及装置 |
US20190220924A1 (en) * | 2016-08-26 | 2019-07-18 | Alibaba Group Holding Limited | Method and device for determining key variable in model |
CN111461180A (zh) * | 2020-03-12 | 2020-07-28 | 平安科技(深圳)有限公司 | 样本分类方法、装置、计算机设备及存储介质 |
-
2020
- 2020-10-22 CN CN202011137215.XA patent/CN112017042A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931116A (zh) * | 2016-04-20 | 2016-09-07 | 帮帮智信(北京)教育投资有限公司 | 基于深度学习机制的自动化信用评分系统及方法 |
US20190220924A1 (en) * | 2016-08-26 | 2019-07-18 | Alibaba Group Holding Limited | Method and device for determining key variable in model |
CN108416662A (zh) * | 2017-02-10 | 2018-08-17 | 腾讯科技(深圳)有限公司 | 一种数据验证方法及装置 |
CN107194803A (zh) * | 2017-05-19 | 2017-09-22 | 南京工业大学 | 一种p2p网贷借款人信用风险评估的装置 |
CN108053314A (zh) * | 2018-01-31 | 2018-05-18 | 国信优易数据有限公司 | 一种借贷需求预测方法 |
CN109377398A (zh) * | 2018-11-19 | 2019-02-22 | 北京金州世纪信息技术有限公司 | Ubi保险的分类风险方法及装置 |
CN111461180A (zh) * | 2020-03-12 | 2020-07-28 | 平安科技(深圳)有限公司 | 样本分类方法、装置、计算机设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298635A (zh) * | 2021-04-28 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于tweedie分布的用户未归还资源数量预测方法和装置 |
CN113191875A (zh) * | 2021-04-30 | 2021-07-30 | 中国银行股份有限公司 | 新用户的授信方法及装置、电子设备、存储介质 |
CN113487364A (zh) * | 2021-07-16 | 2021-10-08 | 上海淇馥信息技术有限公司 | 一种资源成本预估方法、装置及电子设备 |
CN113610533A (zh) * | 2021-07-27 | 2021-11-05 | 北京淇瑀信息科技有限公司 | 交易拒绝用户的资源分配方法、装置及电子设备 |
CN113902545A (zh) * | 2021-09-30 | 2022-01-07 | 北京淇瑀信息科技有限公司 | 资源额度分配方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
CN111861225B (zh) | 一种任务分配方法、装置、电子设备及存储介质 | |
CN110706096A (zh) | 基于捞回用户管理授信额度的方法、装置和电子设备 | |
CN110659985A (zh) | 一种捞回误拒潜在用户的方法、装置和电子设备 | |
CN111598677A (zh) | 一种资源配额确定方法、装置和电子设备 | |
CN112016794A (zh) | 资源配额管理方法、装置和电子设备 | |
CN112508695A (zh) | 基于市场风险的金融风险预测方法、装置和电子设备 | |
CN112348659A (zh) | 用户风险识别策略的分配方法、装置及电子设备 | |
CN112016796A (zh) | 综合风险评分请求处理方法、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 | |
CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
WO2023086954A1 (en) | Bayesian modeling for risk assessment based on integrating information from dynamic data sources | |
CN111179055A (zh) | 授信额度调整方法、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 | |
CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
CN112016797B (zh) | 基于knn的资源配额调整方法、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 | |
CN111681094B (zh) | 一种监测资源策略异常的方法、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 | |
CN112348658A (zh) | 资源分配方法、装置及电子设备 | |
CN111210109A (zh) | 基于关联用户预测用户风险的方法、装置和电子设备 | |
CN113657724A (zh) | 基于多源异构数据的资源分配方法、装置和电子设备 | |
CN113902545A (zh) | 资源额度分配方法、装置及电子设备 | |
CN113592263A (zh) | 基于动态资源归还增比的资源归还增量预测方法和装置 | |
CN113902543A (zh) | 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 |