CN112686677A - 基于组合特征与注意力机制的客户资质评估方法及装置 - Google Patents
基于组合特征与注意力机制的客户资质评估方法及装置 Download PDFInfo
- Publication number
- CN112686677A CN112686677A CN202011605039.8A CN202011605039A CN112686677A CN 112686677 A CN112686677 A CN 112686677A CN 202011605039 A CN202011605039 A CN 202011605039A CN 112686677 A CN112686677 A CN 112686677A
- Authority
- CN
- China
- Prior art keywords
- initial
- vector
- qualification
- client
- feature
- 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
- 238000012797 qualification Methods 0.000 title claims abstract description 183
- 238000011156 evaluation Methods 0.000 title claims abstract description 69
- 230000007246 mechanism Effects 0.000 title claims abstract description 63
- 239000013598 vector Substances 0.000 claims abstract description 485
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 25
- 238000013210 evaluation model Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims description 124
- 238000012163 sequencing technique Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 18
- 230000001131 transforming effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 101100172886 Caenorhabditis elegans sec-6 gene Proteins 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 101100172874 Caenorhabditis elegans sec-3 gene Proteins 0.000 description 1
- 101150057924 Exoc2 gene Proteins 0.000 description 1
- 101100119135 Mus musculus Esrrb gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请属于智能决策技术领域，本申请提供了一种基于组合特征与注意力机制的客户资质评估方法、装置、计算机设备及计算机可读存储介质。本申请通过获取客户所对应的客户信息，根据客户信息，将客户信息转换为客户信息所对应的初始特征向量，并获取客户信息所对应的初始特征向量，再将初始特征向量进行特征变换，以得到初始特征向量所对应的目标特征向量，将初始特征向量与目标特征向量输入基于注意力机制的预设客户资质评估模型，对客户进行资质评估，得到客户所对应的客户资质评估结果，能够提高客户资质评估的准确性和可靠性，尤其是在金融领域，能够提高金融客户资质评估的准确性和可靠性，从而降低金融客户的金融风险，减小造成损失的可能性。
Description
技术领域
本申请涉及智能决策技术领域，尤其涉及一种基于组合特征与注意力机制的客户资质评估方法、装置、计算机设备及计算机可读存储介质。
背景技术
在实际业务中，存在对客户资质进行识别，以便根据客户资质对客户开展业务。例如，在金融领域中，客户资质评估对于金融业务的开展十分重要。但是由于客户所对应客户数据的不全面等数据的不足，很难保证对客户进行评估的结果可靠性。
发明内容
本申请提供了一种基于组合特征与注意力机制的客户资质评估方法、装置、计算机设备及计算机可读存储介质，能够解决传统技术中对金融客户资质评估的准确性较低的技术问题。
第一方面，本申请提供了一种基于组合特征与注意力机制的客户资质评估方法，包括：获取客户所对应的客户信息；根据所述客户信息，获取所述客户信息所对应的初始特征向量；将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量；将所述初始特征向量与所述目标特征向量输入基于注意力机制的预设客户资质评估模型，以对所述客户进行资质评估，并得到所述客户所对应的客户资质评估结果。
第二方面，本申请还提供了一种基于组合特征与注意力机制的客户资质评估装置，包括：第一获取单元，用于获取客户所对应的客户信息；第二获取单元，用于根据所述客户信息，获取所述客户信息所对应的初始特征向量；变换单元，用于将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量；评估单元，用于将所述初始特征向量与所述目标特征向量输入基于注意力机制的预设客户资质评估模型，以对所述客户进行资质评估，并得到所述客户所对应的客户资质评估结果。
第三方面，本申请还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现所述基于组合特征与注意力机制的客户资质评估方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行所述基于组合特征与注意力机制的客户资质评估方法的步骤。
本申请提供了一种基于组合特征与注意力机制的客户资质评估方法、装置、计算机设备及计算机可读存储介质。本申请通过获取客户所对应的客户信息，根据所述客户信息，将所述客户信息转换为所述客户信息所对应的初始特征向量，并获取所述客户信息所对应的初始特征向量，再将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量，将所述初始特征向量与所述目标特征向量进行组合以得所述客户所对应的组合特征，从而增加所述客户所对应的特征向量的丰富度，以克服客户的客户信息存在大量缺失或者过于稀疏的问题，并将所述初始特征向量与所述目标特征向量输入基于注意力机制的预设客户资质评估模型，以对所述客户进行资质评估，并得到所述客户所对应的客户资质评估结果，从而实现通过所述客户所对应的组合特征，以有效地增加客户特征，再通过注意力机制可以增加重要特征对评估结果的权重，从而基于客户的组合特征与注意力机制的结合实现对客户的客户资质进行评估，能够提高客户资质评估的准确性和可靠性，尤其是在金融领域，通过基于金融客户的组合特征与注意力机制的结合实现金融客户的客户资质进行评估，能够提高金融客户资质评估的准确性和可靠性，从而降低金融客户的金融风险，减小造成损失的可能性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，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为本申请实施例提供的基于组合特征与注意力机制的客户资质评估方法的一个流程示意图；
图2为本申请实施例提供的基于组合特征与注意力机制的客户资质评估方法的第一个子流程示意图；
图3为本申请实施例提供的基于组合特征与注意力机制的客户资质评估方法的第二个子流程示意图；
图4为本申请实施例提供的基于组合特征与注意力机制的客户资质评估方法的第三个子流程示意图；
图5为本申请实施例提供的基于组合特征与注意力机制的客户资质评估方法的第四个子流程示意图；
图6为本申请实施例提供的基于组合特征与注意力机制的客户资质评估方法的模型示例图；
图7为本申请实施例提供的基于组合特征与注意力机制的客户资质评估装置的一个示意性框图；以及
图8为本申请实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
请参阅图1，图1为本申请实施例提供的基于组合特征与注意力机制的客户资质评估方法的一个流程示意图。如图1所示，该方法包括以下步骤S11-S14：
S11、获取客户所对应的客户信息。
具体地，对客户进行资质评估时，虽然可能存在对客户的客户信息大量缺失或者过于稀疏的问题，但这只是相对性的问题，在实际开展业务的过程中，还是会得到客户所对应的多条客户信息，从而可以获取客户所对应的多条客户信息。例如，在金融领域，对客户开展金融业务时，对客户进行客户资质评估，以判断客户是否满足开展金融业务的条件时，往往需要客户多方面的客户信息，以对客户进行综合判断，从而确定客户的客户资质是否满足开展金融业务的条件，在这个过程中，虽然客户的信息会存在大量缺失或者过于稀疏的问题，但也不会仅仅凭客户的姓名或者性别等过于简单的客户信息对客户进行金融资质评估，以判断是否对客户开展金融业务，还是会获取客户所对应的多条客户信息，以对客户进行客户资质判断，只是相对于对客户所对应的客户资质进行全面、完整的分析而言，客户信息可能会存在大量缺失或者过于稀疏的问题。因此，在金融领域，对客户开展金融业务时，会获取客户的姓名、性别、年龄、住址、职业、收入等客户所对应的多条客户信息。
S12、根据所述客户信息，获取所述客户信息所对应的初始特征向量。
具体地，获取客户所对应的多条客户信息后，可以将每条客户信息转换为各自所对应的特征向量，例如，对于客户信息中所包含的数值特征，可以直接转换为所对应的特征向量，对于客户信息中所包含的非数值特征，可以通过词向量转换为所对应的特征向量，以得到每条客户信息各自所对应的每条初始特征，从而得到所述客户信息所对应的初始特征向量，并获取所述客户信息所对应的初始特征向量。
S13、将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量。
具体地，获取所述客户信息所对应的初始特征向量后，将所述初始特征向量进行特征变换，例如，将所有的所述初始特征向量进行两两相乘、三三相乘，以及求每个初始特征向量的二次方或者每个初始特征向量的三次方等运算，从而将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的新的向量特征，并将所述新的向量特征作为目标特征向量，即得到所述初始特征向量所对应的目标特征向量，从而补充所述客户所对应的特征向量，以克服客户的客户信息存在大量缺失或者过于稀疏的问题。
S14、将所述初始特征向量与所述目标特征向量输入基于注意力机制的预设客户资质评估模型，以对所述客户进行资质评估，并得到所述客户所对应的客户资质评估结果。
其中，计算机中的注意力机制(英文为Attention)的基本思想就是想让系统学会注意力，能够忽略无关信息而关注重点信息，注意力机制所对应的注意力模型包括Encoder-Decoder框架、SoftAttention模型及SelfAttention模型等。
具体地，基于注意力机制预先构建预设客户资质评估模型，并使用已有的客户信息及所述客户信息所对应的客户资质评估结果训练所述预设客户资质评估模型。获取所述初始特征向量所对应的目标特征向量后，将所述初始特征向量与所述目标特征向量进行组合，以得到所述客户所对应的组合特征，可以通过拼接的方式进行组合，以得到所述初始特征向量与所述目标特征向量所组合成的向量矩阵(即向量队列)，并将所述向量矩阵输入基于注意力机制的预设客户资质评估模型，通过经预训练的基于注意力机制的预设客户资质评估模型对所述客户所对应的向量矩阵进行资质评估，以得到所述客户所对应的客户资质评估结果。
在本申请实施例中，获取客户所对应的客户信息，根据所述客户信息，将所述客户信息转换为所述客户信息所对应的初始特征向量，并获取所述客户信息所对应的初始特征向量，再将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量，将所述初始特征向量与所述目标特征向量进行组合以得所述客户所对应的组合特征，从而增加所述客户所对应的特征向量的丰富度，以克服客户的客户信息存在大量缺失或者过于稀疏的问题，并将所述初始特征向量与所述目标特征向量输入基于注意力机制的预设客户资质评估模型，以对所述客户进行资质评估，并得到所述客户所对应的客户资质评估结果，从而实现通过所述客户所对应的组合特征，以有效地增加客户特征，再通过注意力机制可以增加重要特征对评估结果的权重，从而基于客户的组合特征与注意力机制的结合实现对客户的客户资质进行评估，能够提高客户资质评估的准确性和可靠性，尤其是在金融领域，通过基于金融客户的组合特征与注意力机制的结合实现金融客户的客户资质进行评估，能够提高金融客户资质评估的准确性和可靠性，从而降低金融客户的金融风险，减小造成损失的可能性。
请参阅图2，图2为本申请实施例提供的基于组合特征与注意力机制的客户资质评估方法的第一个子流程示意图。如图2所示，在该实施例中，所述根据所述客户信息，获取所述客户信息所对应的初始特征向量的步骤包括：
S21、判断所述客户信息是否为数值信息；
S22、若所述客户信息为数值信息，根据预设数值转换方式，将所述客户信息转换为所对应的初始特征向量；
S23、若所述客户信息为非数值信息，根据预设词向量转换方式，将所述客户信息转换为所对应的初始特征向量。
具体地，客户所对应的客户信息可分为数值信息和非数值信息，由于向量本身即为数值，若所述客户信息为数值信息，可以根据预设数值转换方式，将客户的数值信息信息直接得到所对应的初始特征向量，若所述客户信息为非数值信息，对于非数值信息，可以根据预设词向量转换方式，通过词向量(英文为Word2Vec)技术转化为特征向量，从而得到所述客户信息所对应的初始特征向量。例如，若所述客户信息为n条，可得到所有的特征向量为X1,X2…Xn，X1,X2…Xn每一个为一个对应的特征向量。
请参阅图3，图3为本申请实施例提供的基于组合特征与注意力机制的客户资质评估方法的第二个子流程示意图。如图3所示，在该实施例中，所述将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量的步骤包括：
S31、获取所述客户信息相对应的多个初始特征向量；
S32、根据预设第一排序方式，将多个所述初始特征向量进行排序，以得到第一排序队列；
S33、获取所述第一排序队列中所包含的第一预设数量的所述初始特征向量，并将第一预设数量的所述初始特征向量作为初始目标特征向量；
S34、将所述初始目标特征向量进行特征变换，以得到所述初始目标特征向量所对应的目标特征向量。
具体地，若所述客户存在很多条客户信息，每条客户信息存在对应的初始特征向量，所述客户即会存在很多条初始特征向量。在很多条初始特征向量中，由于不同初始特征向量与评估客户资质的密切程度不同，因此，可以从很多条初始特征向量中筛选出与评估客户资质最有关的初始特征向量，充分利用与评估客户资质最有关的初始特征向量对客户资质进行评估，避免对所有的初始特征向量进行处理，可以提高对客户资质进行评估的准确性和效率。可以通过获取所述客户信息相对应的所有初始特征向量，该所有初始特征向量相对应的为多个初始特征向量，按照所有初始特征向量各自与客户资质的密切度，将所有的初始特征向量根据预设排序方式进行排序，以得到所有初始特征向量相对应的第一排序队列，若所述预设排序方式按照所有初始特征向量各自与客户资质的密切度由高到低的顺序进行排序，获取所述第一排序队列中所包含的位置靠前的第一预设数量的所述初始特征向量，并将第一预设数量的所述初始特征向量作为初始目标特征向量，将所述初始目标特征向量进行特征变换，以得到所述初始目标特征向量所对应的目标特征向量，进而通过筛选出与评估客户资质最有关的初始特征向量，并生成与评估客户资质最有关的初始特征向量所对应的组合特征，以通过组合特征所对应的所述初始特征向量与目标特征向量对客户资质进行评估，由于目标特征向量相当于增加了与评估客户资质最有关的特征向量的丰富度，从而可以提高对客户资质进行评估的准确性，又由于无需对所述用户的所有初始特征向量进行评估，只评估与评估客户资质最有关的特征向量，可以提高对客户资质进行评估的效率。
请参阅图4，图4为本申请实施例提供的基于组合特征与注意力机制的客户资质评估方法的第三个子流程示意图。如图4所示，在该实施例中，所述根据预设第一排序方式，将多个所述初始特征向量进行排序，以得到第一排序队列的步骤包括：
S41、获取所述客户资质所对应的预设资质向量；
S42、计算每个所述初始特征向量与所述预设资质向量各自所对应的第一相关性；
S43、计算每个所述初始特征向量与所述预设资质向量各自所对应的第一重要性；
S44、按照每个所述初始特征向量与所述预设资质向量各自所对应的第一相关性及第一重要性，将多个所述初始特征向量进行排序，以得到第一排序队列。
具体地，对所述客户所对应的多个所述初始特征向量，获取所述客户资质所对应的预设资质向量，计算每个所述初始特征向量与所述预设资质向量的相关性，计算每个所述初始特征向量与所述预设资质向量的重要性，按照每个所述初始特征向量与所述预设资质向量的第一相关性及第一重要性，将多个所述初始特征向量进行排序，可以按照所述初始特征向量与所述预设资质向量的相关性，将多个所述初始特征向量进行排序，以得到第一相关性排序队列，再按照所述初始特征向量与所述预设资质向量的重要性，对所述第一相关性排序队列进行排序，得到第一排序队列，从而可以同时结合初始特征向量进行评估客户资质时的相关性及重要性对所有的所述初始特征向量进行排序，以得到第一排序队列，再从中筛选出预设数量的所述初始特征向量，作为初始目标特征向量。例如，在金融领域中，针对客户信息所对应的所有初始特征向量，计算每个初始特征向量和金融客户资质评估的预设Y值的相关性和重要性，，并对所有初始特征向量进行排序，以得到排序队列，然后可以从所述第一排序队列中取出M个相关性和重要性最靠前的特征向量X'1,X'2…X'm。
其中，计算每个所述初始特征向量与所述预设资质向量的第一相关性，可以采用皮尔逊系数计算特征相关性，计算方式如下：
其中，Xi为单个初始特征向量，Yi为所述预设资质向量中所包含的Y值所对应的值，
和
为特征向量和Y值的均值，ρX,Y为初始特征向量与所述预设资质向量的相关性大小(或者称为相关性高低)。
其中，计算每个所述初始特征向量与所述预设资质向量的第一重要性，可以使用随机森林来计算特征的第一重要性。对于随机森林中的任意一个初始特征向量X的计算方法如下：
对于随机森林中的每一颗决策树，使用相应的袋外数据来计算它的袋外数据误差，记为err1；
随机地对袋外数据所有样本的初始特征向量X加入噪声干扰，计算此时袋外数据误差，记为err2。
如果随机森林有n颗树，那么初始特征向量X的重要性为：
∑(err1-err2)/n 公式(2)
在一实施例中，所述将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量的步骤包括：
将所有所述初始特征向量进行n*n运算，以得到若干个第一转换特征向量，并将所述第一转换特征向量作为目标特征向量，其中，n为自然数，n用于描述n个所述初始特征向量。
具体地，将所有所述初始特征向量进行n*n运算，例如，将所有所述初始特征向量中的每两个所述初始特征向量作为一组，将每两组初始特征向量进行相乘，即将所述初始特征向量进行两两相乘，以得到第一转换特征向量，或者将所有所述初始特征向量中的每三个所述初始特征向量作为一组，将每两组初始特征向量进行相乘，即将所述初始特征向量进行三三相乘，以得到第一转换特征向量，并将所述第一转换特征向量作为目标特征向量，可以将所有所述第一转换特征向量作为目标特征向量，从而补充所述客户所对应的特征向量，以克服客户的客户信息存在大量缺失或者过于稀疏的问题。
在一实施例中，所述将所述第一转换特征向量作为目标特征向量的步骤之前，还包括：
将所述初始特征进行预设幂次方运算，以得到所述初始特征向量所对应的第二转换特征向量；
所述将所述第一转换特征向量作为目标特征向量的步骤包括：
将所述第一转换特征向量及所述第二转换特征向量作为所述目标特征向量。
具体地，将所述初始特征进行预设幂次方运算，例如，将每个所述初始特征向量进行二次方运算和/或者三次方运算，以得到所述初始特征向量所对应的第二转换特征向量，并将所述第二转换特征向量也作为所述目标特征向量，可以将所有所述第二转换特征向量也作为所述目标特征向量，从而将所有所述第一转换特征向量与所有所述第二转换特征向量作为目标特征向量。
例如，在一示例中，所述将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量的步骤还包括：
将所有所述初始特征向量进行两两相乘，以得到第一子转换特征向量；
将所有所述初始特征向量进行三三相乘，以得到第二子转换特征向量；
将所有所述初始特征向量中的每个所述初始特征向量进行二次方运算，以得到第三子转换特征向量；
将所有所述初始特征向量中的每个所述初始特征向量进行三次方运算，以得到第四子转换特征向量；
并将所述第一子转换特征向量、所述第二子转换特征向量、所述第三子转换特征向量及所述第四子转换特征向量作为目标特征向量。
具体地，若所述初始特征向量为M个，所述初始特征向量可以为X'1,X'2…X'm，将这M个初始特征向量分别进行两两相乘、三三相乘，以及求每个初始特征向量的二次方和三次方等运算，以得到各自所对应的新特征第一子转换特征向量、第二子转换特征向量、第三子转换特征向量及第四子转换特征向量作为目标特征向量，并可以将所有新特征，即所述第一子转换特征向量、所述第二子转换特征向量、所述第三子转换特征向量及所述第四子转换特征向量作为目标特征向量，从而实现增加新的组合特征，以保证不会导致小数结果过小，大数结果过大，能够提高对客户资质评估的准确性。
请参阅图5，图5为本申请实施例提供的基于组合特征与注意力机制的客户资质评估方法的第四个子流程示意图。如图5所示，在该实施例中，所述将所述第一转换特征向量及所述第二转换特征向量作为所述目标特征向量的步骤包括：
S51、根据预设第二排序方式，将所述第一转换特征向量及所述第二转换特征作为转换特征向量并进行排序，以得到第二排序队列；
S52、获取所述第二排序队列中所包含的第二预设数量的所述转换特征向量，并将第二预设数量的所述转换特征向量作为所述目标特征向量。
具体地，若所述第一转换特征向量及所述第二转换特征向量对应较多数量的转换特征向量，在很多条转换特征向量中，由于不同转换特征向量与评估客户资质的密切程度不同，因此，可以从很多条转换始特征向量中筛选出与评估客户资质最有关的转换特征向量，充分利用与评估客户资质最有关的转换特征向量对客户资质进行评估，避免对所有的转换特征向量进行处理，可以提高对客户资质进行评估的准确性和效率。可以通过获取所有所述第一转换特征向量及所述第二转换特征向量，将所有所述第一转换特征向量及所述第二转换特征向量统称为转特征向量，该所有转特征向量相对应的为多个特征向量，按照所有转换特征向量各自与客户资质的密切程度，将所有转换特征向量根据预设第二排序方式进行排序，所述第二排序方式可以与所述第一排序方式相同，以得到所有转换特征向量所对应的第二排序队列，若所述预设第二排序方式也按照所有转换特征向量各自与客户资质的密切度由高到低的顺序进行排序，获取所述第二排序队列中所包含的位置靠前的第二预设数量的所述转换特征向量，并将第二预设数量的所述转换特征向量作为所述目标特征向量，从而通过筛选出与评估客户资质最有关的转换特征向量，将所述转换特征向量与初始特征向量组合为组合特征，从而生成与评估客户资质最有关的组合特征，以通过组合特征所对应的所述初始特征向量与目标特征向量对客户资质进行评估，由于目标特征向量相当于增加了与评估客户资质最有关的特征向量的丰富度，从而可以提高对客户资质进行评估的准确性，又由于无需对所述用户的所有转换特征向量进行评估，只评估与评估客户资质最有关的转换特征向量，可以提高对客户资质进行评估的效率。
在一实施例中，所述根据预设第二排序方式，将所述第一转换特征向量及所述第二转换特征作为转换特征向量并进行排序，以得到第二排序队列的步骤包括：
获取所述客户资质所对应的所述预设资质向量；
计算每个所述转换特征向量与所述预设资质向量各自所对应的第二相关性；
计算每个所述转换特征向量与所述预设资质向量各自所对应的第二重要性；
按照每个所述转换特征向量与所述预设资质向量各自所对应的第一相关性及第二重要性，将多个所述转换特征向量进行排序，以得到第二排序队列。
具体地，对所述客户所对应的由多个所述第一转换特征向量及所述第二转换特征组成的转换特征向量，获取所述客户资质所对应的预设资质向量，计算每个所述转换特征向量与所述预设资质向量各自所对应的第二相关性，计算每个所述转换特征向量与所述预设资质向量各自所对应的第二重要性，按照每个所述转换特征向量与所述预设资质向量各自所对应的第二相关性及第二重要性，将多个所述转换特征向量进行排序，可以按照所述转换特征向量与所述预设资质向量的第二相关性，将多个所述转换始特征向量进行排序，以得到第二相关性排序队列，再按照所述转换特征向量与所述预设资质向量的第二重要性，对所述第二相关性排序队列进行排序，得到第二排序队列，从而可以同时结合转换特征向量进行评估客户资质时的第二相关性及第二重要性对所有的所述转换特征向量进行排序，以得到第二排序队列，再从中筛选出第二预设数量的所述转换特征向量，作为目标特征向量。例如，在金融领域中，针对客户信息所对应的所有转换特征向量，计算每个转换特征向量和金融客户资质评估的预设Y值的相关性和重要性，并对所有转换特征向量进行排序，以得到第二排序队列，然后可以从所述第二排序队列中取出T个相关性和重要性最靠前的转换特征向量X”1,X”2…X”T。其中，计算每个所述转换特征向量与所述预设资质向量的第二相关性，也可以采用皮尔逊系数计算特征相关性，计算每个所述转换特征向量与所述预设资质向量的第二重要性，也可以使用随机森林来计算特征的第二重要性，计算特征相关性及重要性的过程可以参考前述各自的计算过程，在此不再赘述。
进一步地，从所述第一排序队列中取出M个相关性和重要性最靠前的特征向量X'1,X'2…X'm，从所述第二排序队列中取出T个相关性和重要性最靠前的转换特征向量X”1,X”2…X”T，可以将M个初始特征向量与T个目标特征向量输入基于注意力机制的预设客户资质评估模型，以对所述客户进行资质评估，并得到所述客户所对应的客户资质评估结果，例如，请参阅图6，图6为本申请实施例提供的基于组合特征与注意力机制的客户资质评估方法的模型示例图，如图7所示，在使用注意力机制时，可采用如下注意力模型，其中，模型名称为Sec，Sec1由特征X'1,X'2…X'm和X”1,X”2…X”T组合而成的矩阵，该矩阵就是单纯的特征向量的拼接，矩阵凭借后就是新的特征了。Sec2为卷积网络，可以采用3×3最大池化，卷积核为3×3大小。Sec3为卷积网络，采用3×3最大池化，卷积核为7×7大小。Sec4为上采样模块，其中，上采样使用经典的线性插值，实现经过该模块将提取的特征大小调整到和Sec1输出大小一致的结果，经过该模块将提取的特征大小调整到和Sec1输出大小一致。Sec5将Sec1和Sec4的输出相乘，得到的新特征送入Sec6进行资质评估，从而得到对客户资质的评估结果。Sec6的模型可以选为卷积神经网络、线性回归或者Xgboost等等，对于严重不均衡样本，可以使用AUC评估标准，对于均衡的样本使用均方差、交叉熵、AUC均可。
需要说明的是，上述各个实施例所述的基于组合特征与注意力机制的客户资质评估方法，可以根据需要将不同实施例中包含的技术特征重新进行组合，以获取组合后的实施方案，但都在本申请要求的保护范围之内。
请参阅图7，图7为本申请实施例提供的基于组合特征与注意力机制的客户资质评估装置的一个示意性框图。对应于上述所述基于组合特征与注意力机制的客户资质评估方法，本申请实施例还提供一种基于组合特征与注意力机制的客户资质评估装置。如图7所示，该基于组合特征与注意力机制的客户资质评估装置包括用于执行上述所述基于组合特征与注意力机制的客户资质评估方法的单元，该基于组合特征与注意力机制的客户资质评估装置可以被配置于计算机设备中。具体地，请参阅图7，该基于组合特征与注意力机制的客户资质评估装置70包括第一获取单元71、第二获取单元72、变换单元73及评估单元74。
其中，第一获取单元71，用于获取客户所对应的客户信息；
第二获取单元72，用于根据所述客户信息，获取所述客户信息所对应的初始特征向量；
变换单元73，用于将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量；
评估单元74，用于将所述初始特征向量与所述目标特征向量输入基于注意力机制的预设客户资质评估模型，以对所述客户进行资质评估，并得到所述客户所对应的客户资质评估结果。
在一实施例中，所述第二获取单元72包括：
判断子单元，用于判断所述客户信息是否为数值信息；
第一转换子单元，用于若所述客户信息为数值信息，根据预设数值转换方式，将所述客户信息转换为所对应的初始特征向量；
第二转换子单元，用于若所述客户信息为非数值信息，根据预设词向量转换方式，将所述客户信息转换为所对应的初始特征向量。
在一实施例中，所述变换单元73包括：
第一获取子单元，用于获取所述客户信息相对应的多个初始特征向量；
第一排序子单元，用于根据预设第一排序方式，将多个所述初始特征向量进行排序，以得到第一排序队列；
第二获取子单元，用于获取所述第一排序队列中所包含的第一预设数量的所述初始特征向量，并将第一预设数量的所述初始特征向量作为初始目标特征向量；
变换子单元，用于将所述初始目标特征向量进行特征变换，以得到所述初始目标特征向量所对应的目标特征向量。
在一实施例中，所述第一排序子单元包括：
第三获取子单元，用于获取所述客户资质所对应的预设资质向量；
第一计算子单元，用于计算每个所述初始特征向量与所述预设资质向量各自所对应的第一相关性；
第二计算子单元，用于计算每个所述初始特征向量与所述预设资质向量各自所对应的第一重要性；
第二排序子单元，用于按照每个所述初始特征向量与所述预设资质向量各自所对应的第一相关性及第一重要性，将多个所述初始特征向量进行排序，以得到第一排序队列。
在一实施例中，所述变换单元73，具体用于将所有所述初始特征向量进行n*n运算，以得到若干个第一转换特征向量，并将所述第一转换特征向量作为目标特征向量，其中，n为自然数，n用于描述n个所述初始特征向量。
在一实施例中，所述客户资质评估装置70还包括：
运算单元，用于将所述初始特征进行预设幂次方运算，以得到所述初始特征向量所对应的第二转换特征向量；
所述变换单元73，具体用于用于将所有所述初始特征向量进行n*n运算，以得到若干个第一转换特征向量，并将所述第一转换特征向量及所述第二转换特征向量作为所述目标特征向量。
在一实施例中，所述变换单元73包括：
第三排序子单元，用于根据预设第二排序方式，将所述第一转换特征向量及所述第二转换特征作为转换特征向量并进行排序，以得到第二排序队列；
第四获取子单元，用于获取所述第二排序队列中所包含的第二预设数量的所述转换特征向量，并将第二预设数量的所述转换特征向量作为所述目标特征向量。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于组合特征与注意力机制的客户资质评估装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
同时，上述基于组合特征与注意力机制的客户资质评估装置中各个单元的划分和连接方式仅用于举例说明，在其他实施例中，可将基于组合特征与注意力机制的客户资质评估装置按照需要划分为不同的单元，也可将基于组合特征与注意力机制的客户资质评估装置中各单元采取不同的连接顺序和方式，以完成上述基于组合特征与注意力机制的客户资质评估装置的全部或部分功能。
上述基于组合特征与注意力机制的客户资质评估装置可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8，图8是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是台式机电脑或者服务器等计算机设备，也可以是其他设备中的组件或者部件。
参阅图8，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504，所述存储器也可以为易失性存储介质。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行一种上述基于组合特征与注意力机制的客户资质评估方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种上述基于组合特征与注意力机制的客户资质评估方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图8所示实施例一致，在此不再赘述。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：获取客户所对应的客户信息；根据所述客户信息，获取所述客户信息所对应的初始特征向量；将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量；将所述初始特征向量与所述目标特征向量输入基于注意力机制的预设客户资质评估模型，以对所述客户进行资质评估，并得到所述客户所对应的客户资质评估结果。
在一实施例中，所述处理器502在实现所述根据所述客户信息，获取所述客户信息所对应的初始特征向量的步骤时，具体实现以下步骤：
判断所述客户信息是否为数值信息；
若所述客户信息为数值信息，根据预设数值转换方式，将所述客户信息转换为所对应的初始特征向量；
若所述客户信息为非数值信息，根据预设词向量转换方式，将所述客户信息转换为所对应的初始特征向量。
在一实施例中，所述处理器502在实现所述将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量的步骤时，具体实现以下步骤：
获取所述客户信息相对应的多个初始特征向量；
根据预设第一排序方式，将多个所述初始特征向量进行排序，以得到第一排序队列；
获取所述第一排序队列中所包含的第一预设数量的所述初始特征向量，并将第一预设数量的所述初始特征向量作为初始目标特征向量；
将所述初始目标特征向量进行特征变换，以得到所述初始目标特征向量所对应的目标特征向量。
在一实施例中，所述处理器502在实现所述根据预设第一排序方式，将多个所述初始特征向量进行排序，以得到第一排序队列的步骤时，具体实现以下步骤：
获取所述客户资质所对应的预设资质向量；
计算每个所述初始特征向量与所述预设资质向量各自所对应的第一相关性；
计算每个所述初始特征向量与所述预设资质向量各自所对应的第一重要性；
按照每个所述初始特征向量与所述预设资质向量各自所对应的第一相关性及第一重要性，将多个所述初始特征向量进行排序，以得到第一排序队列。
在一实施例中，所述处理器502在实现所述将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量的步骤时，具体实现以下步骤：
将所有所述初始特征向量进行n*n运算，以得到若干个第一转换特征向量，并将所述第一转换特征向量作为目标特征向量，其中，n为自然数，n用于描述n个所述初始特征向量。
在一实施例中，所述处理器502在实现所述将所述第一转换特征向量作为目标特征向量的步骤之前，还实现以下步骤：
将所述初始特征进行预设幂次方运算，以得到所述初始特征向量所对应的第二转换特征向量；
所述处理器502在实现所述将所述第一转换特征向量作为目标特征向量的步骤时，具体实现以下步骤：
将所述第一转换特征向量及所述第二转换特征向量作为所述目标特征向量。
在一实施例中，所述处理器502在实现所述将所述第一转换特征向量及所述第二转换特征向量作为所述目标特征向量的步骤时，具体实现以下步骤：
根据预设第二排序方式，将所述第一转换特征向量及所述第二转换特征作为转换特征向量并进行排序，以得到第二排序队列；
获取所述第二排序队列中所包含的第二预设数量的所述转换特征向量，并将第二预设数量的所述转换特征向量作为所述目标特征向量。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来完成，该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本申请还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时使处理器执行如下步骤：
一种计算机程序产品，当其在计算机上运行时，使得计算机执行以上各实施例中所描述的所述基于组合特征与注意力机制的客户资质评估方法的步骤。
所述计算机可读存储介质可以是前述设备的内部存储单元，例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备，例如所述设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储计算机程序的实体存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，终端，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
以上所述，仅为本申请的具体实施方式，但本申请明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于组合特征与注意力机制的客户资质评估方法，包括：
获取客户所对应的客户信息；
根据所述客户信息，获取所述客户信息所对应的初始特征向量；
将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量；
将所述初始特征向量与所述目标特征向量输入基于注意力机制的预设客户资质评估模型，以对所述客户进行资质评估，并得到所述客户所对应的客户资质评估结果。
2.根据权利要求1所述基于组合特征与注意力机制的客户资质评估方法，其特征在于，所述根据所述客户信息，获取所述客户信息所对应的初始特征向量的步骤包括：
判断所述客户信息是否为数值信息；
若所述客户信息为数值信息，根据预设数值转换方式，将所述客户信息转换为所对应的初始特征向量；
若所述客户信息为非数值信息，根据预设词向量转换方式，将所述客户信息转换为所对应的初始特征向量。
3.根据权利要求1所述基于组合特征与注意力机制的客户资质评估方法，其特征在于，所述将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量的步骤包括：
获取所述客户信息相对应的多个初始特征向量；
根据预设第一排序方式，将多个所述初始特征向量进行排序，以得到第一排序队列；
获取所述第一排序队列中所包含的第一预设数量的所述初始特征向量，并将第一预设数量的所述初始特征向量作为初始目标特征向量；
将所述初始目标特征向量进行特征变换，以得到所述初始目标特征向量所对应的目标特征向量。
4.根据权利要求3所述基于组合特征与注意力机制的客户资质评估方法，其特征在于，所述根据预设第一排序方式，将多个所述初始特征向量进行排序，以得到第一排序队列的步骤包括：
获取所述客户资质所对应的预设资质向量；
计算每个所述初始特征向量与所述预设资质向量各自所对应的第一相关性；
计算每个所述初始特征向量与所述预设资质向量各自所对应的第一重要性；
按照每个所述初始特征向量与所述预设资质向量各自所对应的第一相关性及第一重要性，将多个所述初始特征向量进行排序，以得到第一排序队列。
5.根据权利要求1所述基于组合特征与注意力机制的客户资质评估方法，其特征在于，所述将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量的步骤包括：
将所有所述初始特征向量进行n*n运算，以得到若干个第一转换特征向量，并将所述第一转换特征向量作为目标特征向量，其中，n为自然数，n用于描述n个所述初始特征向量。
6.根据权利要求5所述基于组合特征与注意力机制的客户资质评估方法，其特征在于，所述将所述第一转换特征向量作为目标特征向量的步骤之前，还包括：
将所述初始特征进行预设幂次方运算，以得到所述初始特征向量所对应的第二转换特征向量；
所述将所述第一转换特征向量作为目标特征向量的步骤包括：
将所述第一转换特征向量及所述第二转换特征向量作为所述目标特征向量。
7.根据权利要求6所述基于组合特征与注意力机制的客户资质评估方法，其特征在于，所述将所述第一转换特征向量及所述第二转换特征向量作为所述目标特征向量的步骤包括：
根据预设第二排序方式，将所述第一转换特征向量及所述第二转换特征作为转换特征向量并进行排序，以得到第二排序队列；
获取所述第二排序队列中所包含的第二预设数量的所述转换特征向量，并将第二预设数量的所述转换特征向量作为所述目标特征向量。
8.一种基于组合特征与注意力机制的客户资质评估装置，其特征在于，包括：
第一获取单元，用于获取客户所对应的客户信息；
第二获取单元，用于根据所述客户信息，获取所述客户信息所对应的初始特征向量；
变换单元，用于将所述初始特征向量进行特征变换，以得到所述初始特征向量所对应的目标特征向量；
评估单元，用于将所述初始特征向量与所述目标特征向量输入基于注意力机制的预设客户资质评估模型，以对所述客户进行资质评估，并得到所述客户所对应的客户资质评估结果。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器以及与所述存储器相连的处理器；所述存储器用于存储计算机程序；所述处理器用于运行所述计算机程序，以执行如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011605039.8A CN112686677A (zh) | 2020-12-30 | 2020-12-30 | 基于组合特征与注意力机制的客户资质评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011605039.8A CN112686677A (zh) | 2020-12-30 | 2020-12-30 | 基于组合特征与注意力机制的客户资质评估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112686677A true CN112686677A (zh) | 2021-04-20 |
Family
ID=75454556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011605039.8A Pending CN112686677A (zh) | 2020-12-30 | 2020-12-30 | 基于组合特征与注意力机制的客户资质评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686677A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113596270A (zh) * | 2021-08-18 | 2021-11-02 | 中国平安财产保险股份有限公司 | 基于智能语音客服的外呼策略配置方法、装置及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109300029A (zh) * | 2018-10-25 | 2019-02-01 | 北京芯盾时代科技有限公司 | 借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置 |
| CN109543747A (zh) * | 2018-11-20 | 2019-03-29 | 厦门大学 | 一种基于分层随机森林的数据特征选择方法及装置 |
| CN110263265A (zh) * | 2019-04-10 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 用户标签生成方法、装置、存储介质和计算机设备 |
| CN110852881A (zh) * | 2019-10-14 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 风险账户识别方法、装置、电子设备及介质 |
| CN111667022A (zh) * | 2020-06-30 | 2020-09-15 | 腾讯科技（深圳）有限公司 | 用户数据处理方法、装置、计算机设备和存储介质 |
| CN111666275A (zh) * | 2020-06-10 | 2020-09-15 | 创新奇智(广州)科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN111858725A (zh) * | 2020-04-30 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种事件属性确定方法及系统 |
-
2020
- 2020-12-30 CN CN202011605039.8A patent/CN112686677A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109300029A (zh) * | 2018-10-25 | 2019-02-01 | 北京芯盾时代科技有限公司 | 借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置 |
| CN109543747A (zh) * | 2018-11-20 | 2019-03-29 | 厦门大学 | 一种基于分层随机森林的数据特征选择方法及装置 |
| CN110263265A (zh) * | 2019-04-10 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 用户标签生成方法、装置、存储介质和计算机设备 |
| CN110852881A (zh) * | 2019-10-14 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 风险账户识别方法、装置、电子设备及介质 |
| CN111858725A (zh) * | 2020-04-30 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种事件属性确定方法及系统 |
| CN111666275A (zh) * | 2020-06-10 | 2020-09-15 | 创新奇智(广州)科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN111667022A (zh) * | 2020-06-30 | 2020-09-15 | 腾讯科技（深圳）有限公司 | 用户数据处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 北冥有小鱼: "特征选择与特征组合", pages 3 - 7, Retrieved from the Internet <URL:https://blog.csdn.net/qq_26598445/article/details/80998760?ops_request_misc=&request_id=&biz_id=102&utm_term=%E5%88%9D%E5%A7%8B%E7%89%B9%E5%BE%81%20%E7%89%B9%E5%BE%81%E7%BB%84%E5%90%88&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-6-80998760.142^v100^pc_search_result_base3&spm=1018.2226.3001.4187> * |
| 申时凯: "《基于云计算的大数据处理技术发展与应用》", 31 March 2019, 电子科技大学出版社, pages: 9 - 13 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113596270A (zh) * | 2021-08-18 | 2021-11-02 | 中国平安财产保险股份有限公司 | 基于智能语音客服的外呼策略配置方法、装置及设备 |
| CN113596270B (zh) * | 2021-08-18 | 2023-02-14 | 中国平安财产保险股份有限公司 | 基于智能语音客服的外呼策略配置方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020107872A1 (zh) | 企业风险分析方法、装置、计算机设备和存储介质 | |
| CN112541592B (zh) | 基于差分隐私的联邦学习方法、装置及电子设备 | |
| CN113095408A (zh) | 风险的确定方法、装置和服务器 | |
| CN111680142A (zh) | 基于文本识别的自动答复方法、装置、计算机设备 | |
| CN112541575A (zh) | 图神经网络的训练方法及装置 | |
| CN107038165B (zh) | 一种业务参数获取方法及装置 | |
| CN112712086A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN111414533A (zh) | 推荐信息的生成方法、装置、电子设备、存储介质 | |
| CN112686677A (zh) | 基于组合特征与注意力机制的客户资质评估方法及装置 | |
| CN111738356A (zh) | 特异化数据的对象特征生成方法、装置、设备及存储介质 | |
| CN109544348B (zh) | 资产证券筛选方法、设备及计算机可读存储介质 | |
| CN116894721A (zh) | 一种指标预测方法、装置、计算机设备 | |
| CN114021642A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN113157987A (zh) | 用于机器学习算法的数据预处理方法及相关设备 | |
| CN109086207B (zh) | 页面响应故障分析方法、计算机可读存储介质及终端设备 | |
| CN112330411A (zh) | 团体产品推荐方法、装置、计算机设备及存储介质 | |
| CN112116381B (zh) | 基于lstm神经网络的月活预测方法、存储介质和计算机设备 | |
| CN112967134B (zh) | 网络训练方法、风险用户识别方法、装置、设备及介质 | |
| CN113344613B (zh) | 一种数据匹配的方法、装置、电子设备及存储介质 | |
| Armillotta | Two-stage weighted least squares estimator of multivariate discrete-valued observation-driven models | |
| CN116975701A (zh) | 用户挖掘方法、用户挖掘装置和电子设备 | |
| CN117076977A (zh) | 对象分类方法、装置、计算机设备和存储介质 | |
| CN114036302A (zh) | 分类方法与装置、数据交易系统及可读存储介质 | |
| CN111651490A (zh) | 数据筛选方法、装置、设备及计算机存储介质 | |
| CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 |
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 |