CN112508694A - 资源额度申请的处理方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种资源额度申请的处理方法、装置、电子设备及计算机可读介质。该方法包括：获取来自用户的资源额度申请，所述资源额度申请中包括用户的基础信息；将所述基础信息输入资源额度模型中，生成初始资源额度；将所述基础信息输入多头趋势模型中，生成额度调整系数；通过所述初始资源额度和所述额度调整系数确定所述用户的资源额度，并生成返回信息。本公开涉及的资源额度申请的处理方法、装置、电子设备及计算机可读介质，在综合全面的对用户进行分析，提前发现用户的风险行为，进而确定用户的资源额度，还能够快速准确为用户提供安全可靠的资源支持，同时保证资源安全。

Description

资源额度申请的处理方法、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，涉及一种资源额度申请的处理方法、装置、电子设备及计算机可读介质。

背景技术

近年来，随着越来越多的提供金融服务的各种信贷公司的出现，对于金融用户而言，能够获得贷款的渠道增多，服务也多样化，金融用户有了更大的选择性，一户多贷的情况也逐渐明显。一户多贷也称为多头贷款，多头贷款指的是同一贷款者同时向多家提供金融服务的机构提出信贷要求的行为。

尽管多头贷款在一定程度上满足了金融用户当前的资金需求，但也加剧了提供金融服务的贷款公司与金融用户之间信息不对称的矛盾，极易导致多家金融服务公司对同一个金融用户进行分别授信，最终造成该金融用户的信用额度超过其能够负担的总额度，造成对该金融用户的过度授信。过度授信的行为对于部分金融用户，尤其是缺乏自我约束的金融用户而言，是一种具有极大的金融风险的事件。部分金融用户在过度授信之后，在其资金链断裂后，极易发生频繁违约和拖延还款行为，这种行为给提供金融服务的信贷公司带来了大量的业务风险。

现有技术中，由于多头贷款的行为是产生在不同的金融机构的，需要联合多家金融机构共同对同一个用户进行征信查询才能发现用户的多头行为。由于查询困难，查询周期长，所以通常都是在用户动支后一段时间，甚至是到了用户违约的时候，才会发现用户具有多头贷款行为。

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，本公开提供一种资源额度申请的处理方法、装置、电子设备及计算机可读介质，在综合全面的对用户进行分析，提前发现用户的风险行为，进而确定用户的资源额度，还能够快速准确为用户提供安全可靠的资源支持，同时保证资源安全。

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，提出一种资源额度申请的处理方法，该方法包括：获取来自用户的资源额度申请，所述资源额度申请中包括用户的基础信息；将所述基础信息输入资源额度模型中，生成初始资源额度；将所述基础信息输入多头趋势模型中，生成额度调整系数；通过所述初始资源额度和所述额度调整系数确定所述用户的资源额度，并生成返回信息。

可选地，还包括：通过带有额度标签的历史用户的基础信息生成第一样本集合；通过所述第一样本集合训练第一机器学习模型以生成所述资源额度模型。

可选地，还包括：通过将带有多头标签的历史用户的基础信息生成第二样本集合；通过所述第二样本集合训练第二机器学习模型以生成所述多头趋势模型。

可选地，通过将带有多头标签的历史用户的基础信息生成第二样本集合，包括：提取满足筛选策略的历史用户；获取所述历史用户的在多个时间节点的多头次数；基于所述多头次数变化的最大值生成所述用户的多头标签。

可选地，提取满足筛选策略的历史用户，包括：提取通过授信申请并且存在动支行为的历史用户。

可选地，获取所述历史用户的在多个时间节点的多头次数，包括：在多个时间节点分别生成多头行为申请；将所述多头行为申请发送至多个第三方金融平台；通过所述多个第三方进行平台的返回数据生成所述历史用户的多头次数。

可选地，获取来自用户的资源额度申请之前，包括：在用户授信通过后，用户端生成资源额度申请。

可选地，将所述基础信息输入多头趋势模型中，生成额度调整系数，包括：将所述基础信息输入多头趋势模型中，生成多头趋势评分；将所述多头趋势评分和阈值范围进行比较，以生成额度调整系数。

可选地，还包括：在所述多头趋势评分满足预设策略时，拒绝所述用户的资源额度申请。

可选地，在所述多头趋势评分满足预设策略时，还包括：通过历史用户的多头行为次数和其对应的行为数据计算用户风险数据；基于所述用户风险数据和其在历史用户中的占比情况生成所述预设策略。

根据本公开的一方面，提出一种资源额度申请的处理装置，该装置包括：申请模块，用于获取来自用户的资源额度申请，所述资源额度申请中包括用户的基础信息；额度模块，用于将所述基础信息输入资源额度模型中，生成初始资源额度；系数模块，用于将所述基础信息输入多头趋势模型中，生成额度调整系数；信息模块，用于通过所述初始资源额度和所述额度调整系数确定所述用户的资源额度，并生成返回信息。

可选地，还包括：资源额度模块，用于通过带有额度标签的历史用户的基础信息生成第一样本集合；通过所述第一样本集合训练第一机器学习模型以生成所述资源额度模型。

可选地，还包括：多头趋势模块，用于通过将带有多头标签的历史用户的基础信息生成第二样本集合；通过所述第二样本集合训练第二机器学习模型以生成所述多头趋势模型。

可选地，多头趋势模块，包括：筛选单元，用于提取满足筛选策略的历史用户；数量单元，用于获取所述历史用户的在多个时间节点的多头次数；标签单元，用于基于所述多头次数变化的最大值生成所述用户的多头标签。

可选地，所述筛选单元，还用于提取通过授信申请并且存在动支行为的历史用户。

可选地，所述数量单元，还用于在多个时间节点分别生成多头行为申请；将所述多头行为申请发送至多个第三方金融平台；通过所述多个第三方进行平台的返回数据生成所述历史用户的多头次数。

可选地，还包括：用户模块，用于在用户授信通过后，用户端生成资源额度申请。

可选地，所述系数模块，包括：评分单元，用于将所述基础信息输入多头趋势模型中，生成多头趋势评分；比较单元，用于将所述多头趋势评分和阈值范围进行比较，以生成额度调整系数。

可选地，还包括：拒绝模块，用于在所述多头趋势评分满足预设策略时，拒绝所述用户的资源额度申请。

可选地，还包括：策略模块，用于通过历史用户的多头行为次数和其对应的行为数据计算用户风险数据；基于所述用户风险数据和其在历史用户中的占比情况生成所述预设策略。

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。

根据本公开的资源额度申请的处理方法、装置、电子设备及计算机可读介质，获取来自用户的资源额度申请，所述资源额度申请中包括用户的基础信息；将所述基础信息输入资源额度模型中，生成初始资源额度；将所述基础信息输入多头趋势模型中，生成额度调整系数；通过所述初始资源额度和所述额度调整系数确定所述用户的资源额度，并生成返回信息的方式，在综合全面的对用户进行分析，提前发现用户的风险行为，进而确定用户的资源额度，还能够快速准确为用户提供安全可靠的资源支持，同时保证资源安全。

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资源额度申请的处理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资源额度申请的处理方法的流程图。

图3是根据另一示例性实施例示出的一种资源额度申请的处理方法的流程图。

图4是根据另一示例性实施例示出的一种资源额度申请的处理方法的流程图。

图5是根据一示例性实施例示出的一种资源额度申请的处理装置的框图。

图6是根据另一示例性实施例示出的一种资源额度申请的处理装置的框图。

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资源额度申请的处理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可例如获取来自用户的资源额度申请，所述资源额度申请中包括用户的基础信息；服务器105可例如将所述基础信息输入资源额度模型中，生成初始资源额度；服务器105可例如将所述基础信息输入多头趋势模型中，生成额度调整系数；服务器105可例如通过所述初始资源额度和所述额度调整系数确定所述用户的资源额度，并生成返回信息。

服务器105还可例如通过带有额度标签的历史用户的基础信息生成第一样本集合；通过所述第一样本集合训练第一机器学习模型以生成所述资源额度模型。

服务器105还可例如通过将带有多头标签的历史用户的基础信息生成第二样本集合；通过所述第二样本集合训练第二机器学习模型以生成所述多头趋势模型。

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资源额度申请的处理方法可以由服务器105执行，相应地，资源额度申请的处理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资源额度申请的处理方法的流程图。资源额度申请的处理方法20至少包括步骤S202至S208。

如图2所示，在S202中，获取来自用户的资源额度申请，所述资源额度申请中包括用户的基础信息。包括：在用户授信通过后，用户端生成资源额度申请。

其中，用户的基础信息包括：用户的收入、性别、年龄、住址、行业类别、学历、工作年限等等，还可包括用户的联系人的相关信息。

更进一步的，为了在风险发生前就对多头风险进行防范，可在用户授信通过后，还未开始动支时，即开始使用本申请中的方法进行分析判断，以便为用户提供更好的服务。

在S204中，将所述基础信息输入资源额度模型中，生成初始资源额度。在用户授信通过后，正常流程即首先要为用户分配资源额度，这个资源额度是根据该用户的当前信息判断出来的，该用户可以承受的资源范围，在这个资源范围内，可认为该用户的金融风险较低。

在一个实施例中，还包括：通过带有额度标签的历史用户的基础信息生成第一样本集合；通过所述第一样本集合训练第一机器学习模型以生成所述资源额度模型。可通过历史用户的基础信息和后续的行为信息生成第一样本集合以对机器学习模型进行训练。

可选择历史用户中具有动支行为的用户，还可跟踪获取这些用户在半年或者一年内的行为，行为中包括欠款行为、还款行为、借款还款周期等等，以此作为标签，来对第一机器学习模型进行训练，生成资源额度模型。在资源额度模型中，体现了当前用户在正常状态下对应的合适的资源配额，该资源配额是该用户能够承担而且不会影响该用户生活，也不会给金融平台造成资源风险的资源配额。

在S206中，将所述基础信息输入多头趋势模型中，生成额度调整系数。包括：将所述基础信息输入多头趋势模型中，生成多头趋势评分；将所述多头趋势评分和阈值范围进行比较，以生成额度调整系数。

多头趋势模型能够在用户未动支之前，即对用户未来的行为进行预测和分析。多头趋势模型能够反映出该用户未来进行多头贷款的可能性，还能够反映出，该用户在未来多头借款的次数。

多头趋势模型输出的是多头借款次数和其对应的趋势评分，将借款次数多对应的趋势评分和预设的阈值范围进行比较，选择该用户落入的区间范围内对应的额度调整系数。

在一个实施例中，还包括：通过将带有多头标签的历史用户的基础信息生成第二样本集合；通过所述第二样本集合训练第二机器学习模型以生成所述多头趋势模型。生成多头趋势模型的相关内容将在图3对应的实施例中进行详细描述。

在S208中，通过所述初始资源额度和所述额度调整系数确定所述用户的资源额度，并生成返回信息。根据初始资源额度和额度调整系数的乘积确定该用户的资源额度。

额度调整系数属于0-1之间的数值，所以，当该用户没有多头风险的时候，额度调整系数为1，则按照初始资源额度为该用户进行额度分配；当该用户具有较多的多头风险，可例如额度调整系数为0.5时，则将初始资源额度的一般作为该用户的资源额度进行分配。

根据本公开的资源额度申请的处理方法，获取来自用户的资源额度申请，所述资源额度申请中包括用户的基础信息；将所述基础信息输入资源额度模型中，生成初始资源额度；将所述基础信息输入多头趋势模型中，生成额度调整系数；通过所述初始资源额度和所述额度调整系数确定所述用户的资源额度，并生成返回信息的方式，在综合全面的对用户进行分析，提前发现用户的风险行为，进而确定用户的资源额度，还能够快速准确为用户提供安全可靠的资源支持，同时保证资源安全。

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资源额度申请的处理方法的流程图。图3所示的流程30是对“生成所述多头趋势模型”的详细描述。

如图3所示，在S302中，提取满足筛选策略的历史用户。包括：提取通过授信申请并且存在动支行为的历史用户。对这些用户进行持续的跟踪，获取这些用户的行为信息。

在S304中，获取所述历史用户的在多个时间节点的多头次数。包括：在多个时间节点分别生成多头行为申请；将所述多头行为申请发送至多个第三方金融平台；通过所述多个第三方进行平台的返回数据生成所述历史用户的多头次数。

对于进行过动支的用户，金融系统的平台会周期性的和其他第三方机构联合进行多头行为分析，金融系统平台会采用定时任务的方式，生成多头行为申请，多头行为申请中包括用户的基础信息。多个第三方平台在接收到申请之后，分别查询该用户在自身平台上的借款信息，如果该用户在该第三方平台进行过动支行为，则返回命中信息。

金融系统平台综合多个第三方机构的返回信息，确定该用户的多头信贷行为的次数。值得一提的是，由于第三方平台只能查询当前的用户的借款状态，如果该用户在第三方平台上的借款被还清了，那么返回的信息则是0。所以，金融系统平台，需要持续性的记录每个第三方平台的多次的返回信息，以计算出历史用户多头行为的次数。

在S306中，基于所述多头次数变化的最大值生成所述用户的多头标签。根据一段时间内，对历史用户的跟踪记录，计算该用户的多头行为的最大次数。多头行为的最大次数是指，在同一个时间节点下，该用户在不同的平台上进行借贷的最大次数。将这个次数的标签最为历史用户的标签，以生成带有标签的样本集合。

在S308中，通过所述第二样本集合训练第二机器学习模型以生成所述多头趋势模型。将带有标签的样本数据输入第二机器学习模型中，第二机器学习模型可为梯度提升决策树模型，在梯度提升决策树模型中，会对样本数据进行分析和计算，进而训练梯度提升决策树模型的各个参数，以生成多头趋势模型。

在多头趋势模型中，输出的信息为一个用户进行多头借贷的次数和这个次数对应的概率。

图4是根据另一示例性实施例示出的一种资源额度申请的处理方法的流程图。图4所示的流程40是对“拒绝所述用户的资源额度申请”的详细描述。

如图4所示，在S402中，通过历史用户的多头行为次数和其对应的行为数据计算用户风险数据。

将历史用户中多头行为的次数进行整理，按照次数由小至大进行排列，将历史用户中多头行为产生的欠款行为和其对应的金额由小至大进行排列。

根据排序，为不同的用户行为分配不同的权重，以对应计算出中每个用户的风险评分。

更具体的，用户A的多头行为次数为3次，这3次多头行为中，有1次为欠款行为，欠款金额为5000元，根据上述指标，提取由历史经验生成的权重系数，然后综合计算出该用户的风险值为0.8，该用户的风险较高。

还可例如，用户B的多头行为次数为4次，这4次多头行为中，没有欠款行为，根据上述指标，提取由历史经验生成的权重系数，然后综合计算出该用户的风险值为0.4，该用户风险较低。

在S404中，基于所述用户风险数据计算每个历史用户的多头行为其在历史用户中的占比情况。将历史用户中，所有用户的风险值计算出来，并按照风险值将多个历史用户依次排序。

在S406中，提取占比超过阈值的历史用户。提取前10%的用户作为重点关注用户。

在S408中，通过上述历史用户生成预设策略。对10%的重点关注用户的行为和基础信息进行分析，着重考核这些用户对应的多头评分，并依次生成多头评分阈值和对应的策略。

在实际应用中，如果用户的多头评分低于该阈值，并且其他行为特征满足预设策略的话，则拒绝该用户的金融资源分配。

此时可通过其他人工的方式，对该用户的信息进行再次确认，以确定是否拒绝该用户的借款申请，或者是通过其他人工监督的方式为该用户提供金融服务。

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资源额度申请的处理装置的框图。如图5所示，资源额度申请的处理装置50包括：申请模块502，额度模块504，系数模块506，信息模块508。

申请模块502用于获取来自用户的资源额度申请，所述资源额度申请中包括用户的基础信息；

额度模块504用于将所述基础信息输入资源额度模型中，生成初始资源额度；

系数模块506用于将所述基础信息输入多头趋势模型中，生成额度调整系数；所述系数模块506包括：评分单元，用于将所述基础信息输入多头趋势模型中，生成多头趋势评分；比较单元，用于将所述多头趋势评分和阈值范围进行比较，以生成额度调整系数。

信息模块508用于通过所述初始资源额度和所述额度调整系数确定所述用户的资源额度，并生成返回信息。

图6是根据另一示例性实施例示出的一种资源额度申请的处理装置的框图。如图6所示，资源额度申请的处理装置60包括：资源额度模块602，多头趋势模块604，用户模块606，拒绝模块608，策略模块610。

资源额度模块602用于通过带有额度标签的历史用户的基础信息生成第一样本集合；通过所述第一样本集合训练第一机器学习模型以生成所述资源额度模型。

多头趋势模块604用于通过将带有多头标签的历史用户的基础信息生成第二样本集合；通过所述第二样本集合训练第二机器学习模型以生成所述多头趋势模型。多头趋势模块604包括：筛选单元，用于提取满足筛选策略的历史用户；所述筛选单元，还用于提取通过授信申请并且存在动支行为的历史用户；数量单元，用于获取所述历史用户的在多个时间节点的多头次数；所述数量单元，还用于在多个时间节点分别生成多头行为申请；将所述多头行为申请发送至多个第三方金融平台；通过所述多个第三方进行平台的返回数据生成所述历史用户的多头次数；标签单元，用于基于所述多头次数变化的最大值生成所述用户的多头标签。

用户模块606用于在用户授信通过后，用户端生成资源额度申请。

拒绝模块608用于在所述多头趋势评分满足预设策略时，拒绝所述用户的资源额度申请。

策略模块610用于通过历史用户的多头行为次数和其对应的行为数据计算用户风险数据；基于所述用户风险数据和其在历史用户中的占比情况生成所述预设策略。

根据本公开的资源额度申请的处理装置，获取来自用户的资源额度申请，所述资源额度申请中包括用户的基础信息；将所述基础信息输入资源额度模型中，生成初始资源额度；将所述基础信息输入多头趋势模型中，生成额度调整系数；通过所述初始资源额度和所述额度调整系数确定所述用户的资源额度，并生成返回信息的方式，在综合全面的对用户进行分析，提前发现用户的风险行为，进而确定用户的资源额度，还能够快速准确为用户提供安全可靠的资源支持，同时保证资源安全。

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：获取来自用户的资源额度申请，所述资源额度申请中包括用户的基础信息；将所述基础信息输入资源额度模型中，生成初始资源额度；将所述基础信息输入多头趋势模型中，生成额度调整系数；通过所述初始资源额度和所述额度调整系数确定所述用户的资源额度，并生成返回信息。

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)

1.一种资源额度申请的处理方法，其特征在于，包括：

获取来自用户的资源额度申请，所述资源额度申请中包括用户的基础信息；

将所述基础信息输入资源额度模型中，生成初始资源额度；

将所述基础信息输入多头趋势模型中，生成额度调整系数；

通过所述初始资源额度和所述额度调整系数确定所述用户的资源额度，并生成返回信息。

2.如权利要求1所述的方法，其特征在于，还包括：

通过带有额度标签的历史用户的基础信息生成第一样本集合；

通过所述第一样本集合训练第一机器学习模型以生成所述资源额度模型。

3.如权利要求1所述的方法，其特征在于，还包括：

通过将带有多头标签的历史用户的基础信息生成第二样本集合；

通过所述第二样本集合训练第二机器学习模型以生成所述多头趋势模型。

4.如权利要求3所述的方法，其特征在于，通过将带有多头标签的历史用户的基础信息生成第二样本集合，包括：

提取满足筛选策略的历史用户；

获取所述历史用户的在多个时间节点的多头次数；

基于所述多头次数变化的最大值生成所述用户的多头标签。

5.如权利要求4所述的方法，其特征在于，提取满足筛选策略的历史用户，包括：

提取通过授信申请并且存在动支行为的历史用户。

6.如权利要求4所述的方法，其特征在于，获取所述历史用户的在多个时间节点的多头次数，包括：

在多个时间节点分别生成多头行为申请；

将所述多头行为申请发送至多个第三方金融平台；

通过所述多个第三方进行平台的返回数据生成所述历史用户的多头次数。

7.如权利要求1所述的方法，其特征在于，获取来自用户的资源额度申请之前，包括：

在用户授信通过后，用户端生成资源额度申请。

8.一种资源额度申请的处理装置，其特征在于，包括：

申请模块，用于获取来自用户的资源额度申请，所述资源额度申请中包括用户的基础信息；

额度模块，用于将所述基础信息输入资源额度模型中，生成初始资源额度；

系数模块，用于将所述基础信息输入多头趋势模型中，生成额度调整系数；

信息模块，用于通过所述初始资源额度和所述额度调整系数确定所述用户的资源额度，并生成返回信息。

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