CN112017060A - 为目标用户进行资源分配的方法、装置及电子设备 - Google Patents
为目标用户进行资源分配的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112017060A CN112017060A CN202010682549.9A CN202010682549A CN112017060A CN 112017060 A CN112017060 A CN 112017060A CN 202010682549 A CN202010682549 A CN 202010682549A CN 112017060 A CN112017060 A CN 112017060A
- Authority
- CN
- China
- Prior art keywords
- term risk
- user
- short
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013468 resource allocation Methods 0.000 title claims abstract description 45
- 230000007774 longterm Effects 0.000 claims abstract description 72
- 230000006399 behavior Effects 0.000 claims description 53
- 238000012360 testing method Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 44
- 238000010801 machine learning Methods 0.000 claims description 40
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 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
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009826 distribution Methods 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
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Abstract
本公开涉及一种为目标用户进行资源分配的方法、装置、电子设备及计算机可读介质。该方法包括:获取当前用户的用户信息,所述用户信息包括基础信息和行为信息;将所述用户信息输入短期风险模型中,得到短期风险评分,短期风险评分用于表示用户在第一时间段内进行资源归还的第一概率;将所述用户信息输入长期风险模型中,得到长期风险评分,长期风险评分用于表示用户在第二时间段内进行资源归还的第二概率;在第一概率和第二概率满足预设策略时,将当前用户确定为目标用户;根据预定策略为目标用户进行资源分配。本公开能够自动由海量用户中提取目标用户,并按照预定策略为目标用户进行资源分配,提高资源利用率和分配效率。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种为目标用户进行资源分配的方法、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,或者是推广某些产品、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,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。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,需要一种新的为目标用户进行资源分配的方法、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,本公开提供一种为目标用户进行资源分配的方法、装置、电子设备及计算机可读介质,能够自动由海量用户中提取目标用户,并按照预定策略为目标用户进行资源分配,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,提出一种为目标用户进行资源分配的方法,该方法包括:获取当前用户的用户信息,所述用户信息包括基础信息和行为信息;将所述用户信息输入短期风险模型中,得到短期风险评分,所述短期风险评分用于表示用户在第一时间段内进行资源归还的第一概率;将所述用户信息输入长期风险模型中,得到长期风险评分,所述短期风险评分用于表示用户在第二时间段内进行资源归还的第二概率;在所述第一概率和所述第二概率满足预设策略时,将当前用户确定为目标用户;根据预定策略为目标用户进行资源分配。
可选地,还包括:根据所述第一时间段和所述第二时间段为所述目标用户确定资源归还提醒策略。
可选地,还包括:根据多个历史用户的用户信息对机器学习模型进行训练生成所述短期风险模型和所述长期风险模型。
可选地,根据多个历史用户的用户信息对机器学习模型进行训练生成所述短期风险模型和所述长期风险模型,包括:根据多个历史用户的用户信息对机器学习模型进行训练生成初始短期风险模型和初始长期风险模型;由实时用户按比例提取测试用户,生成测试用户组;通过测试用户组对所述初始短期风险模型和所述初始长期风险模型进行模型测试;在模型测试通过后生成所述短期风险模型和所述长期风险模型。
可选地,通过测试用户组对所述初始短期风险模型和所述初始长期风险模型进行模型测试,包括:通过测试用户组对所述初始短期风险模型和所述初始长期风险模型进行ABtest测试。
可选地,根据多个历史用户的用户信息对机器学习模型进行训练生成初始短期风险模型和初始长期风险模型,包括:提取所述多个历史用户的在第一时间段内的第一行为信息;通过所述第一行为信息和所述基础信息对第一机器学习模型进行训练以生成所述初始短期风险模型。
可选地,根据多个历史用户的用户信息对机器学习模型进行训练生成初始短期风险模型和初始长期风险模型,包括:提取所述多个历史用户的在第二时间段内的第二行为信息;通过所述第二行为信息和所述基础信息对第二机器学习模型进行训练以生成所述初始长期风险模型。
可选地,通过所述第一行为信息和所述基础信息对第一机器学习模型进行训练以生成所述初始短期风险模型,包括:将所述第一行为信息中包含资源归还行为的历史用户确定为正向标签用户;将所述第一行为信息中不包含资源归还行为的历史用户确定为负向标签用户;根据带有正向标签或者负向标签的多个历史用户对第一机器学习模型进行训练以生成所述初始短期风险模型。
可选地,根据带有正向标签或者负向标签的多个历史用户对第一机器学习模型进行训练以生成所述初始短期风险模型,包括:根据带有正向标签或者负向标签的多个历史用户对第一机器学习模型进行训练;
在收敛函数满足预设条件时,生成初始短期风险模型。
可选地,在所述第一概率和所述第二概率满足预设策略时,将当前用户确定为目标用户,包括:在所述第一概率值小于第一阈值且所述第二概率值大于第二阈值时,将当前用户确定为目标用户。
根据本公开的一方面,提出一种为目标用户进行资源分配的装置,该装置包括:用户信息模块,用于获取当前用户的用户信息,所述用户信息包括基础信息和行为信息;短期风险模块,用于将所述用户信息输入短期风险模型中,得到短期风险评分,所述短期风险评分用于表示用户在第一时间段内进行资源归还的第一概率;长期风险模块,用于将所述用户信息输入长期风险模型中,得到长期风险评分,所述短期风险评分用于表示用户在第二时间段内进行资源归还的第二概率;目标用户模块,用于在所述第一概率和所述第二概率满足预设策略时,将当前用户确定为目标用户;资源分配模块,用于根据预定策略为目标用户进行资源分配。
可选地,还包括:提醒策略模块,用于根据所述第一时间段和所述第二时间段为所述目标用户确定资源归还提醒策略。
可选地,还包括:模型训练模块,用于根据多个历史用户的用户信息对机器学习模型进行训练生成所述短期风险模型和所述长期风险模型。
可选地,所述模型训练模块,包括:训练单元,用于根据多个历史用户的用户信息对机器学习模型进行训练生成初始短期风险模型和初始长期风险模型;测试单元,用于由实时用户按比例提取测试用户,生成测试用户组;通过测试用户组对所述初始短期风险模型和所述初始长期风险模型进行模型测试;生成单元,用于在模型测试通过后生成所述短期风险模型和所述长期风险模型。
可选地,所述测试单元,还用于通过测试用户组对所述初始短期风险模型和所述初始长期风险模型进行ABtest测试。
可选地,所述训练单元,包括:第一子单元,用于提取所述多个历史用户的在第一时间段内的第一行为信息;通过所述第一行为信息和所述基础信息对第一机器学习模型进行训练以生成所述初始短期风险模型。
可选地,所述训练单元,包括:第二子单元,用于提取所述多个历史用户的在第二时间段内的第二行为信息;通过所述第二行为信息和所述基础信息对第二机器学习模型进行训练以生成所述初始长期风险模型。
可选地,所述第一子单元,还用于将所述第一行为信息中包含资源归还行为的历史用户确定为正向标签用户;将所述第一行为信息中不包含资源归还行为的历史用户确定为负向标签用户;根据带有正向标签或者负向标签的多个历史用户对第一机器学习模型进行训练以生成所述初始短期风险模型。
可选地,所述第一子单元,还用于根据带有正向标签或者负向标签的多个历史用户对第一机器学习模型进行训练;在收敛函数满足预设条件时,生成初始短期风险模型。
可选地,所述目标用户模块,还用于在所述第一概率值小于第一阈值且所述第二概率值大于第二阈值时,将当前用户确定为目标用户。
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。
根据本公开的为目标用户进行资源分配的方法、装置、电子设备及计算机可读介质,获取当前用户的用户信息,所述用户信息包括基础信息和行为信息;将所述用户信息输入短期风险模型中,得到短期风险评分,所述短期风险评分用于表示用户在第一时间段内进行资源归还的第一概率;将所述用户信息输入长期风险模型中,得到长期风险评分,所述短期风险评分用于表示用户在第二时间段内进行资源归还的第二概率;在所述第一概率和所述第二概率满足预设策略时,将当前用户确定为目标用户;根据预定策略为目标用户进行资源分配的方式,能够自动由海量用户中提取目标用户,并按照预定策略为目标用户进行资源分配,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为目标用户进行资源分配的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为目标用户进行资源分配的方法的流程图。
图3是根据另一示例性实施例示出的一种为目标用户进行资源分配的方法的流程图。
图4是根据另一示例性实施例示出的一种为目标用户进行资源分配的方法的流程图。
图5是根据一示例性实施例示出的一种为目标用户进行资源分配的装置的框图。
图6是根据另一示例性实施例示出的一种为目标用户进行资源分配的装置的框图。
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为目标用户进行资源分配的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可例如获取当前用户的用户信息,所述用户信息包括基础信息和行为信息;服务器105可例如将所述用户信息输入短期风险模型中,得到短期风险评分,所述短期风险评分用于表示用户在第一时间段内进行资源归还的第一概率;服务器105可例如将所述用户信息输入长期风险模型中,得到长期风险评分,所述短期风险评分用于表示用户在第二时间段内进行资源归还的第二概率;服务器105可例如在所述第一概率和所述第二概率满足预设策略时,将当前用户确定为目标用户;服务器 105可例如根据预定策略为目标用户进行资源分配。
服务器105还可例如根据所述第一时间段和所述第二时间段为所述目标用户确定资源归还提醒策略。
服务器105还可例如根据多个历史用户的用户信息对机器学习模型进行训练生成所述短期风险模型和所述长期风险模型。
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为目标用户进行资源分配的方法可以由服务器105执行,相应地,为目标用户进行资源分配的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为目标用户进行资源分配的方法的流程图。为目标用户进行资源分配的方法20至少包括步骤S202至 S210。
如图2所示,在S202中,获取当前用户的用户信息,所述用户信息包括基础信息和行为信息。其中,用户基础信息可包括用户的年龄、性别、职业、住址等等信息,行为信息可包括用户在一段时间以内的资源占用和资源偿还时间等信息。
在S204中,将所述用户信息输入短期风险模型中,得到短期风险评分,所述短期风险评分用于表示用户在第一时间段内进行资源归还的第一概率。
在S206中,将所述用户信息输入长期风险模型中,得到长期风险评分,所述长期风险评分用于表示用户在第二时间段内进行资源归还的第二概率。
在S208中,在所述第一概率和所述第二概率满足预设策略时,将当前用户确定为目标用户。可例如,在所述第一概率值小于第一阈值且所述第二概率值大于第二阈值时,将当前用户确定为目标用户。
在金融网络服务公司中,对客户进行资源归还提醒时,提醒的时间并不是越快越好。得充分考虑到用户的个人偿还习惯和基本特征,对于有些习惯性延期的客户,在适当的时间进行提醒的话不仅能够起到良好的反馈,还能增加公司的利息的收入。因此准确识别这部分可进行缓催人群,可以给公司带来便利。
在一个实施例中,短期风险评分可用于表示用户在超期7天内进行资源归还的第一概率;长期风险评分用于表示用户在超期15天内进行资源归还的第二概率。根据第一概率和第二概率的阈值,提取出用户的个人习惯为在超期7-15天之内的还款的人群,将这部分用户作为目标用户进行后续处理。
在S210中,根据预定策略为目标用户进行资源分配。为目标用户进行资源分配,由于这部分用户虽然超期还款的概率很大,但是在可承受的超期范围内(15天)还款的概率很大,所以可为这些用户正常分配资源,还可为这些用户提供特享资源的计划(比如超期利息减免券),以供用户选择。
在一个实施例中,还包括:根据所述第一时间段和所述第二时间段为所述目标用户确定资源归还提醒策略。可根据用户的习惯还款的时间,在第一时间段和第二时间段之间对用户进行资源偿还提醒。
根据本公开的为目标用户进行资源分配的方法,获取当前用户的用户信息,所述用户信息包括基础信息和行为信息;将所述用户信息输入短期风险模型中,得到短期风险评分,所述短期风险评分用于表示用户在第一时间段内进行资源归还的第一概率;将所述用户信息输入长期风险模型中,得到长期风险评分,所述短期风险评分用于表示用户在第二时间段内进行资源归还的第二概率;在所述第一概率和所述第二概率满足预设策略时,将当前用户确定为目标用户;根据预定策略为目标用户进行资源分配的方式,能够自动由海量用户中提取目标用户,并按照预定策略为目标用户进行资源分配,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为目标用户进行资源分配的方法的流程图。图3所示的流程30是对“根据多个历史用户的用户信息对机器学习模型进行训练生成所述短期风险模型和所述长期风险模型”的详细描述。
如图3所示,在S302中,根据多个历史用户的用户信息对机器学习模型进行训练生成初始短期风险模型和初始长期风险模型。
在S304中,由实时用户按比例提取测试用户,生成测试用户组。根据随机数切5%的客群通过为测试组,剩余的则为对比组,上线计算测试组缓催人群风险。
在S306中,通过测试用户组对所述初始短期风险模型和所述初始长期风险模型进行模型测试。
在一个实施例中,可例如,通过测试用户组对所述初始短期风险模型和所述初始长期风险模型进行ABtest测试。AB测试是为同一个目标制定两个方案,在同一时间维度,分别让组成成分相同(相似)的用户群组随机的使用一个方案,收集各群组的用户体验数据和业务数据,最后根据显著性检验分析评估出最好版本正式采用。
在S308中,在模型测试通过后生成所述短期风险模型和所述长期风险模型。可例如,在模型测试的结果中,该模型对90%以上的用户均适用,能得到较好的效果的时候,可认为该模型通过了测试。
图4是根据另一示例性实施例示出的一种为目标用户进行资源分配的方法的流程图。图4所示的流程40是对图3所示的流程中S302“根据多个历史用户的用户信息对机器学习模型进行训练生成初始短期风险模型和初始长期风险模型”的详细描述。
如图4所示,在S402中,提取所述多个历史用户的在第一时间段内的第一行为信息。可提取用户在7天之内进行还款的行为信息。
在S404中,通过所述第一行为信息和所述基础信息对第一机器学习模型进行训练以生成所述初始短期风险模型。
具体可包括:将所述第一行为信息中包含资源归还行为的历史用户确定为正向标签用户;将所述第一行为信息中不包含资源归还行为的历史用户确定为负向标签用户;更具体的,可将历史用户中逾期7天以内的用户确定为正向标签用户,其他用户确定为负向标签用户。根据带有正向标签或者负向标签的多个历史用户对第一机器学习模型进行训练以生成所述初始短期风险模型。
在一个实施例中,可例如,根据带有正向标签或者负向标签的多个历史用户对第一机器学习模型进行训练;在收敛函数满足预设条件时,生成初始短期风险模型。
在S406中,提取所述多个历史用户的在第二时间段内的第二行为信息。可提取用户在7天之外、15天之内进行还款的行为信息。
在S408中,通过所述第二行为信息和所述基础信息对第二机器学习模型进行训练以生成所述初始长期风险模型。更具体的,可将历史用户中逾期7天以上15天以内的用户确定为正向标签用户,其他用户确定为负向标签用户。根据带有正向标签或者负向标签的多个历史用户对第二机器学习模型进行训练以生成所述初始短期风险模型。根据带有正向标签或者负向标签的多个历史用户对第一机器学习模型进行训练;在收敛函数满足预设条件时,生成初始短期风险模型。
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为目标用户进行资源分配的装置的框图。如图5所示,为目标用户进行资源分配的装置50包括:用户信息模块502,短期风险模块504,长期风险模块506,目标用户模块 508,资源分配模块510。
用户信息模块502用于获取当前用户的用户信息,所述用户信息包括基础信息和行为信息;
短期风险模块504用于将所述用户信息输入短期风险模型中,得到短期风险评分,所述短期风险评分用于表示用户在第一时间段内进行资源归还的第一概率;
长期风险模块506用于将所述用户信息输入长期风险模型中,得到长期风险评分,所述短期风险评分用于表示用户在第二时间段内进行资源归还的第二概率;
目标用户模块508用于在所述第一概率和所述第二概率满足预设策略时,将当前用户确定为目标用户;所述目标用户模块508还用于在所述第一概率值小于第一阈值且所述第二概率值大于第二阈值时,将当前用户确定为目标用户。
资源分配模块510用于根据预定策略为目标用户进行资源分配。
为目标用户进行资源分配的装置50还可包括:提醒策略模块,用于根据所述第一时间段和所述第二时间段为所述目标用户确定资源归还提醒策略。模型训练模块,用于根据多个历史用户的用户信息对机器学习模型进行训练生成所述短期风险模型和所述长期风险模型。
图6是根据一示例性实施例示出的一种为目标用户进行资源分配的装置的框图。如图6所示,模型训练模块60,可包括:训练单元602,测试单元604,生成单元606。
训练单元602用于根据多个历史用户的用户信息对机器学习模型进行训练生成初始短期风险模型和初始长期风险模型;
所述训练单元602包括:第一子单元用于提取所述多个历史用户的在第一时间段内的第一行为信息;通过所述第一行为信息和所述基础信息对第一机器学习模型进行训练以生成所述初始短期风险模型。所述第一子单元,还用于将所述第一行为信息中包含资源归还行为的历史用户确定为正向标签用户;将所述第一行为信息中不包含资源归还行为的历史用户确定为正向标签用户;根据带有正向标签或者负向标签的多个历史用户对第一机器学习模型进行训练以生成所述初始短期风险模型。所述第一子单元,还用于根据带有正向标签或者负向标签的多个历史用户对第一机器学习模型进行训练;在收敛函数满足预设条件时,生成初始短期风险模型。
所述训练单元602包括:第二子单元用于提取所述多个历史用户的在第二时间段内的第二行为信息;通过所述第二行为信息和所述基础信息对第二机器学习模型进行训练以生成所述初始长期风险模型。
测试单元604用于由实时用户按比例提取测试用户,生成测试用户组;通过测试用户组对所述初始短期风险模型和所述初始长期风险模型进行模型测试;所述测试单元604还用于通过测试用户组对所述初始短期风险模型和所述初始长期风险模型进行ABtest测试。
生成单元606用于在模型测试通过后生成所述短期风险模型和所述长期风险模型。
根据本公开的为目标用户进行资源分配的装置,获取当前用户的用户信息,所述用户信息包括基础信息和行为信息;将所述用户信息输入短期风险模型中,得到短期风险评分,所述短期风险评分用于表示用户在第一时间段内进行资源归还的第一概率;将所述用户信息输入长期风险模型中,得到长期风险评分,所述短期风险评分用于表示用户在第二时间段内进行资源归还的第二概率;在所述第一概率和所述第二概率满足预设策略时,将当前用户确定为目标用户;根据预定策略为目标用户进行资源分配的方式,能够自动由海量用户中提取目标用户,并按照预定策略为目标用户进行资源分配,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710可以执行如图2,图3,图4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,还可与一个或者多个使得用户能与该电子设备 700交互的设备通信,和/或与使得该电子设备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:获取当前用户的用户信息,所述用户信息包括基础信息和行为信息;将所述用户信息输入短期风险模型中,得到短期风险评分,所述短期风险评分用于表示用户在第一时间段内进行资源归还的第一概率;将所述用户信息输入长期风险模型中,得到长期风险评分,所述短期风险评分用于表示用户在第二时间段内进行资源归还的第二概率;在所述第一概率和所述第二概率满足预设策略时,将当前用户确定为目标用户;根据预定策略为目标用户进行资源分配。
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置。
Claims (10)
1.一种为目标用户进行资源分配的方法,其特征在于,包括:
获取当前用户的用户信息,所述用户信息包括基础信息和行为信息;
将所述用户信息输入短期风险模型中,得到短期风险评分,所述短期风险评分用于表示用户在第一时间段内进行资源归还的第一概率;
将所述用户信息输入长期风险模型中,得到长期风险评分,所述长期风险评分用于表示用户在第二时间段内进行资源归还的第二概率;
在所述第一概率和所述第二概率满足预设策略时,将当前用户确定为目标用户;
根据预定策略为目标用户进行资源分配。
2.如权利要求1所述的方法,其特征在于,还包括:
根据所述第一时间段和所述第二时间段为所述目标用户确定资源归还提醒策略。
3.如权利要求1-2中任一所述的方法,其特征在于,还包括:
根据多个历史用户的用户信息对机器学习模型进行训练生成所述短期风险模型和所述长期风险模型。
4.如权利要求1-3中任一所述的方法,其特征在于,根据多个历史用户的用户信息对机器学习模型进行训练生成所述短期风险模型和所述长期风险模型,包括:
根据多个历史用户的用户信息对机器学习模型进行训练生成初始短期风险模型和初始长期风险模型;
由实时用户按比例提取测试用户,生成测试用户组;
通过测试用户组对所述初始短期风险模型和所述初始长期风险模型进行模型测试;
在模型测试通过后生成所述短期风险模型和所述长期风险模型。
5.如权利要求1-4中任一所述的方法,其特征在于,通过测试用户组对所述初始短期风险模型和所述初始长期风险模型进行模型测试,包括:
通过测试用户组对所述初始短期风险模型和所述初始长期风险模型进行ABtest测试。
6.如权利要求1-5中任一所述的方法,其特征在于,根据多个历史用户的用户信息对机器学习模型进行训练生成初始短期风险模型和初始长期风险模型,包括:
提取所述多个历史用户的在第一时间段内的第一行为信息;
通过所述第一行为信息和所述基础信息对第一机器学习模型进行训练以生成所述初始短期风险模型。
7.如权利要求1-6中任一所述的方法,其特征在于,根据多个历史用户的用户信息对机器学习模型进行训练生成初始短期风险模型和初始长期风险模型,包括:
提取所述多个历史用户的在第二时间段内的第二行为信息;
通过所述第二行为信息和所述基础信息对第二机器学习模型进行训练以生成所述初始长期风险模型。
8.一种为目标用户进行资源分配的装置,其特征在于,包括:
用户信息模块,用于获取当前用户的用户信息,所述用户信息包括基础信息和行为信息;
短期风险模块,用于将所述用户信息输入短期风险模型中,得到短期风险评分,所述短期风险评分用于表示用户在第一时间段内进行资源归还的第一概率;
长期风险模块,用于将所述用户信息输入长期风险模型中,得到长期风险评分,所述短期风险评分用于表示用户在第二时间段内进行资源归还的第二概率;
目标用户模块,用于在所述第一概率和所述第二概率满足预设策略时,将当前用户确定为目标用户;
资源分配模块,用于根据预定策略为目标用户进行资源分配。
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 |
---|---|---|---|
CN202010682549.9A CN112017060B (zh) | 2020-07-15 | 2020-07-15 | 为目标用户进行资源分配的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010682549.9A CN112017060B (zh) | 2020-07-15 | 2020-07-15 | 为目标用户进行资源分配的方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112017060A true CN112017060A (zh) | 2020-12-01 |
CN112017060B CN112017060B (zh) | 2024-04-26 |
Family
ID=73498683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010682549.9A Active CN112017060B (zh) | 2020-07-15 | 2020-07-15 | 为目标用户进行资源分配的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112017060B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529481A (zh) * | 2021-02-08 | 2021-03-19 | 北京淇瑀信息科技有限公司 | 一种用户捞回方法、装置及电子设备 |
CN112950351A (zh) * | 2021-02-07 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 用户策略生成方法、装置及电子设备 |
CN113298360A (zh) * | 2021-04-30 | 2021-08-24 | 上海淇玥信息技术有限公司 | 一种用于资源分配的风险控制方法、装置和系统 |
CN113822524A (zh) * | 2021-07-13 | 2021-12-21 | 支付宝(杭州)信息技术有限公司 | 一种基于商品粒度的资源分配方法、装置以及设备 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060011683A (ko) * | 2004-07-30 | 2006-02-03 | 임영규 | 개인사업자의 실시간 대출평가 및 대출 실행에 대한 방법 |
US20100145875A1 (en) * | 2008-12-10 | 2010-06-10 | Riskmetrics Group, Inc. | For and method of providing portfolio risk information to investors without revealing position information |
WO2010111752A1 (en) * | 2009-04-02 | 2010-10-07 | Matthew Owen Jones | Loan method and apparatus |
US20120191594A1 (en) * | 2011-01-20 | 2012-07-26 | Social Avail LLC. | Online business method for providing a financial service or product |
CN104408610A (zh) * | 2014-12-03 | 2015-03-11 | 苏州贝多环保技术有限公司 | 一种基于风险评估的第三方支付平台业务处理方法 |
US20150339477A1 (en) * | 2014-05-21 | 2015-11-26 | Microsoft Corporation | Risk assessment modeling |
KR20160071113A (ko) * | 2014-12-11 | 2016-06-21 | 주식회사 쎄븐 | 채권의 위험을 평가하는 채권 관리 시스템 및 채권 관리 방법 |
US20170277568A1 (en) * | 2016-03-25 | 2017-09-28 | International Business Machines Corporation | Allocating resources among tasks under uncertainty |
CN107424070A (zh) * | 2017-03-29 | 2017-12-01 | 广州汇融易互联网金融信息服务有限公司 | 一种基于机器学习的贷款用户信用评级方法及系统 |
CN109360089A (zh) * | 2018-11-20 | 2019-02-19 | 四川大学 | 贷款风险预测方法及装置 |
US20190066109A1 (en) * | 2017-08-22 | 2019-02-28 | Microsoft Technology Licensing, Llc | Long-term short-term cascade modeling for fraud detection |
CN109670940A (zh) * | 2018-11-12 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 基于机器学习的信用风险评估模型生成方法及相关设备 |
WO2019080407A1 (zh) * | 2017-10-25 | 2019-05-02 | 深圳壹账通智能科技有限公司 | 信贷评估方法、装置、设备及计算机可读存储介质 |
WO2019148715A1 (zh) * | 2018-02-01 | 2019-08-08 | 平安科技(深圳)有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
CN110111198A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户金融风险预估方法、装置、电子设备及可读介质 |
CN110175905A (zh) * | 2019-04-17 | 2019-08-27 | 深圳壹账通智能科技有限公司 | 贷款风险评估方法及装置、终端和计算机可读存储介质 |
US20190347718A1 (en) * | 2018-05-11 | 2019-11-14 | Kpmg Llp | Loan audit system and method with chained confidence scoring |
WO2020048051A1 (zh) * | 2018-09-04 | 2020-03-12 | 深圳壹账通智能科技有限公司 | 理财产品推荐方法、服务器及计算机可读存储介质 |
KR20200038129A (ko) * | 2018-10-02 | 2020-04-10 | 코리아크레딧뷰로 (주) | 사업체 리스크의 평가 방법 및 이를 실행시키기 위한 컴퓨터프로그램 |
CN111145009A (zh) * | 2019-12-12 | 2020-05-12 | 北京淇瑀信息科技有限公司 | 用户贷后风险评估方法、装置及电子设备 |
CN111179051A (zh) * | 2019-12-16 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 金融目标客户确定方法、装置及电子设备 |
CN111210335A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 用户风险识别方法、装置及电子设备 |
CN111369341A (zh) * | 2020-03-05 | 2020-07-03 | 厦门正北科技有限公司 | 一种汽车金融贷前客户风险智能评分系统 |
-
2020
- 2020-07-15 CN CN202010682549.9A patent/CN112017060B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060011683A (ko) * | 2004-07-30 | 2006-02-03 | 임영규 | 개인사업자의 실시간 대출평가 및 대출 실행에 대한 방법 |
US20100145875A1 (en) * | 2008-12-10 | 2010-06-10 | Riskmetrics Group, Inc. | For and method of providing portfolio risk information to investors without revealing position information |
WO2010111752A1 (en) * | 2009-04-02 | 2010-10-07 | Matthew Owen Jones | Loan method and apparatus |
US20120191594A1 (en) * | 2011-01-20 | 2012-07-26 | Social Avail LLC. | Online business method for providing a financial service or product |
US20150339477A1 (en) * | 2014-05-21 | 2015-11-26 | Microsoft Corporation | Risk assessment modeling |
CN104408610A (zh) * | 2014-12-03 | 2015-03-11 | 苏州贝多环保技术有限公司 | 一种基于风险评估的第三方支付平台业务处理方法 |
KR20160071113A (ko) * | 2014-12-11 | 2016-06-21 | 주식회사 쎄븐 | 채권의 위험을 평가하는 채권 관리 시스템 및 채권 관리 방법 |
US20170277568A1 (en) * | 2016-03-25 | 2017-09-28 | International Business Machines Corporation | Allocating resources among tasks under uncertainty |
CN107424070A (zh) * | 2017-03-29 | 2017-12-01 | 广州汇融易互联网金融信息服务有限公司 | 一种基于机器学习的贷款用户信用评级方法及系统 |
US20190066109A1 (en) * | 2017-08-22 | 2019-02-28 | Microsoft Technology Licensing, Llc | Long-term short-term cascade modeling for fraud detection |
WO2019080407A1 (zh) * | 2017-10-25 | 2019-05-02 | 深圳壹账通智能科技有限公司 | 信贷评估方法、装置、设备及计算机可读存储介质 |
WO2019148715A1 (zh) * | 2018-02-01 | 2019-08-08 | 平安科技(深圳)有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
US20190347718A1 (en) * | 2018-05-11 | 2019-11-14 | Kpmg Llp | Loan audit system and method with chained confidence scoring |
WO2020048051A1 (zh) * | 2018-09-04 | 2020-03-12 | 深圳壹账通智能科技有限公司 | 理财产品推荐方法、服务器及计算机可读存储介质 |
KR20200038129A (ko) * | 2018-10-02 | 2020-04-10 | 코리아크레딧뷰로 (주) | 사업체 리스크의 평가 방법 및 이를 실행시키기 위한 컴퓨터프로그램 |
CN109670940A (zh) * | 2018-11-12 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 基于机器学习的信用风险评估模型生成方法及相关设备 |
CN109360089A (zh) * | 2018-11-20 | 2019-02-19 | 四川大学 | 贷款风险预测方法及装置 |
CN110175905A (zh) * | 2019-04-17 | 2019-08-27 | 深圳壹账通智能科技有限公司 | 贷款风险评估方法及装置、终端和计算机可读存储介质 |
CN110111198A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户金融风险预估方法、装置、电子设备及可读介质 |
CN111145009A (zh) * | 2019-12-12 | 2020-05-12 | 北京淇瑀信息科技有限公司 | 用户贷后风险评估方法、装置及电子设备 |
CN111179051A (zh) * | 2019-12-16 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 金融目标客户确定方法、装置及电子设备 |
CN111210335A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 用户风险识别方法、装置及电子设备 |
CN111369341A (zh) * | 2020-03-05 | 2020-07-03 | 厦门正北科技有限公司 | 一种汽车金融贷前客户风险智能评分系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950351A (zh) * | 2021-02-07 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 用户策略生成方法、装置及电子设备 |
CN112950351B (zh) * | 2021-02-07 | 2024-04-26 | 北京淇瑀信息科技有限公司 | 用户策略生成方法、装置及电子设备 |
CN112529481A (zh) * | 2021-02-08 | 2021-03-19 | 北京淇瑀信息科技有限公司 | 一种用户捞回方法、装置及电子设备 |
CN113298360A (zh) * | 2021-04-30 | 2021-08-24 | 上海淇玥信息技术有限公司 | 一种用于资源分配的风险控制方法、装置和系统 |
CN113298360B (zh) * | 2021-04-30 | 2023-01-06 | 上海淇玥信息技术有限公司 | 一种用于资源分配的风险控制方法、装置和系统 |
CN113822524A (zh) * | 2021-07-13 | 2021-12-21 | 支付宝(杭州)信息技术有限公司 | 一种基于商品粒度的资源分配方法、装置以及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112017060B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112017060B (zh) | 为目标用户进行资源分配的方法、装置及电子设备 | |
CN112529702B (zh) | 用户授信策略分配方法、装置及电子设备 | |
CN111210335B (zh) | 用户风险识别方法、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 | |
CN111598494A (zh) | 资源额度的调整方法、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 | |
CN111582314A (zh) | 目标用户确定方法、装置及电子设备 | |
CN112819528A (zh) | 人群包的上线方法、装置及电子设备 | |
CN112348460A (zh) | 协作任务的资源额度调整方法、装置及电子设备 | |
CN112016793A (zh) | 基于目标用户群的资源分配方法、装置及电子设备 | |
CN113297287B (zh) | 用户策略自动部署方法、装置及电子设备 | |
CN112017062A (zh) | 基于客群细分的资源额度分配方法、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 | |
CN111612508A (zh) | 金融资源分配请求处理方法、装置及电子设备 | |
CN112347383A (zh) | 分享链接生成方法、装置及电子设备 | |
CN111199454A (zh) | 实时用户转化评估方法、装置及电子设备 | |
CN112016790B (zh) | 用户策略分配方法、装置及电子设备 | |
CN112017063B (zh) | 基于综合风险评分的资源分配方法、装置及电子设备 | |
CN112508631A (zh) | 用户策略分配方法、装置及电子设备 | |
CN114091815A (zh) | 资源请求处理方法、装置、系统及电子设备 | |
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 | |
CN112348658A (zh) | 资源分配方法、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 |