CN112836742A - 系统资源调整方法、装置及设备 - Google Patents
系统资源调整方法、装置及设备 Download PDFInfo
- Publication number
- CN112836742A CN112836742A CN202110141649.5A CN202110141649A CN112836742A CN 112836742 A CN112836742 A CN 112836742A CN 202110141649 A CN202110141649 A CN 202110141649A CN 112836742 A CN112836742 A CN 112836742A
- Authority
- CN
- China
- Prior art keywords
- feature
- view
- sub
- full
- characteristic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例涉及人工智能技术领域,具有公开了一种系统资源调整方法、装置及设备,所述方法包括:将特征数据分为至少三个子视角特征集和一个全视角特征集;构建各子视角特征集和全视角特征集分别对应的分类器、几何信息约束以及多视角协同约束;利用构建的分类器分别对子视角特征集和全视角特征集对应的训练样本进行风险预测;根据分类器的风险预测结果、训练样本对应的风险标签、几何信息约束和多视角协同约束对至少四个分类器进行优化,得到优化后的各分类器,以利用优化后的各分类器对目标用户进行风险预测,以基于风险预测结果对目标用户的系统资源进行调整。从而可以更加准确及时的调整用户的系统资源,并提高系统整体性能。
Description
技术领域
本说明书属于人工智能技术领域,尤其涉及一种系统资源调整方法、装置及设备。
背景技术
随着大数据服务平台技术的快速发展,金融资源服务类型以及可选择的服务渠道也越来越多样化、越来越便捷,用户的风险预测对于金融机构也变得越来越重要。如对于期货交易的风险预测,因期货交易业务场景的复杂性,期货穿仓客户很难在事前发现,如果穿仓客户愈发严重,将会对金融机构和客户造成不利影响,给客户带来经济损失,可能会影响交易的稳定性。
对于交易场景复杂的风险预测,主要采用多视角学习技术,但现有的多视角模型仅仅学习不同视角的特征和标签之间的潜在相关联系,并没有对同类样本之间的信息进行挖掘和学习,并且由于视角之间相互独立,如果某个视角包含的信息不足以提供样本的类别信息,那么该视角的存在反而会降低最终模型的分类效果,影响风险预测的准确性,进而不能对用户资源进行及时调整,给用户带来损失,降低用户的使用体验感。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本说明书实施例的目的在于提供一种系统资源调整方法、装置及设备,提高了风险预测的准确性,进而能够及时对用户的系统资源进行调整,提升系统性能。
一方面,本说明书实施例提供了一种系统资源调整方法,应用于服务器,所述方法包括:
根据具有用于表征用户风险特征的特征数据的特征类别,将特征数据分为至少三个子视角特征集和一个全视角特征集;
利用至少三个子视角特征集和一个全视角特征集对应构建得到至少四个分类器;
构建至少三个子视角特征集和一个全视角特征集分别对应的几何信息约束以及至少三个子视角特征集和一个全视角特征集对应的多视角协同约束;
利用至少四个分类器分别对至少三个子视角特征集和一个全视角特征集对应的训练样本进行风险预测;
根据至少四个分类器对训练样本的风险预测结果、训练样本对应的风险标签、几何信息约束和多视角协同约束对至少四个分类器进行优化,得到优化后的各分类器,以利用优化后的各分类器对目标用户进行风险预测,以基于风险预测结果对目标用户的系统资源进行调整。
进一步地,利用至少四个分类器分别对至少三个子视角特征集和一个全视角特征集对应的训练样本进行风险预测,包括:
根据子视角特征集和全视角特征集对应的训练样本的风险标签,将至少三个子视角特征集以及一个全视角特征集对应的训练样本划分为第一类样本集和第二类样本集,其中,第一样本集中的样本数据的风险标签为有风险,第二类样本集中的样本数据的风险标签为无风险;
利用至少四个分类器分别对至少三个子视角特征集、一个全视角特征集对应的第一类样本集和第二类样本集中的训练样本进行风险预测。
进一步地,根据具有用于表征用户风险特征的特征数据的特征类别,将特征数据分为至少三个子视角特征集和一个全视角特征集,包括:
将具有用于表征用户风险特征的特征数据中的基础信息特征、产品信息特征、行为信息特征分别添加到三个子视角特征集中,将具有用于表征用户风险特征的基础信息特征、产品信息特征、行为信息特征全部添加到全视角特征集中。
进一步地,根据至少四个分类器对训练样本的风险预测结果、训练样本对应的风险标签、几何信息约束和多视角协同约束对至少四个分类器进行优化,包括:采用下述目标函数对至少四个分类器进行优化:
进一步地,构建至少三个子视角特征集和一个全视角特征集分别对应的几何信息约束,包括:采用下述公式构建对应的几何信息约束:
其中,代表第v个视角特征集对应的几何信息约束,v=0、1、2、3,分别对应全视角特征集和三个子视角特征集,N为训练样本的个数,Wv为第v个视角特征集对应的分类器的参数矩阵,为Wv的转置,ω1为第一类样本集,ω2为第二类样本集,xv为第v个视角特征集的训练样本,为第v个视角特征集的第一类样本集中样本数据的均值,为第v个视角特征集的第二类样本集中样本数据的均值。
进一步地,至少三个子视角特征集和一个全视角特征集对应的多视角协同约束采用下述公式构建:
其中,Rcol为多视角协同约束,Wv为第v个子视角特征集对应的分类器的参数矩阵,Xv为第v个子视角特征集对应的训练样本集,W0为全视角特征集对应的分类器的参数矩阵,X0为全视角特征集对应的训练样本集。
进一步地,基于下述判别函数对目标用户进行风险预测:
其中,F(x)表示判别函数,fi(·)表示第i个分类器的判别函数,x为用于表征目标用户风险特征的特征数据。
另一方面,本说明书提供了一种系统资源调整装置,应用于服务器,所述装置包括:
多视角特征构建模块,用于根据具有用于表征用户风险特征的特征数据的特征类别,将特征数据分为至少三个子视角特征集和一个全视角特征集;
分类器构建模块,用于利用至少三个子视角特征集和一个全视角特征集对应构建得到至少四个分类器;
约束项创建模块,用于构建至少三个子视角特征集和一个全视角特征集分别对应的几何信息约束以及至少三个子视角特征集和一个全视角特征集对应的多视角协同约束;
分类器分类模块,用于利用至少四个分类器分别对至少三个子视角特征集和一个全视角特征集对应的训练样本进行风险预测;
分类器优化模块,用于根据至少四个分类器对训练样本的风险预测结果、训练样本对应的风险标签、几何信息约束和多视角协同约束对至少四个分类器进行优化,得到优化后的各分类器,以利用优化后的各分类器对目标用户进行风险预测,以基于风险预测结果对目标用户的系统资源进行调整。
进一步地,多视角特征构建模块具体用于:
将具有用于表征用户风险特征的特征数据中的基础信息特征、产品信息特征、行为信息特征分别添加到三个子视角特征集中,将具有用于表征用户风险特征的基础信息特征、产品信息特征、行为信息特征全部添加到全视角特征集中。
再一方面,本说明书实施例提供了一种系统资源调整设备,应用于服务器,设备包括至少一个处理器及用于存储处理器可执行指令的存储器,指令被处理器执行时实现包括上述系统资源调整方法。
本说明书提供的系统资源调整方法、装置及设备,通过对特征数据进行多视角划分,获得多个子视角特征集以及一个全视角特征集,并为每个视角特征集创建几何信息约束和多视角协同约束,结合多视角协同学习和几何信息约束进行风险预测,避免单个视角中特征提供的判别信息不足导致的分类效果下降,使单个视角和能全信息视角之间相互优化,互补劣势,提高最终模型的泛化能力,同时使同类样本在视角内的输出空间中尽可能靠近,以提高每个视角中子分类器的分类效果,进而提高风险预测的准确性。从而能够及时对用户的系统资源进行调整,减少用户损失,保证交易的稳定性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的系统资源调整方法实施例的流程示意图;
图2是本说明书又一个实施例中系统资源调整方法的流程示意图;
图3是本说明书一些实施例中风险预测模型的构建原理示意图;
图4是本说明书一个实施例中系统资源调整装置的结构示意图;
图5是本说明书一个实施例中系统资源调整服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
本说明书实施例提供的一个场景示例中,系统资源调整方法可以应用于执行系统资源调整的设备,设备可以包括一个服务器,也可以包括多个服务器组成的服务器集群。对于目标用户,服务器可以对目标用户的多种信息提取特征数据,作为目标用户的特征数据,然后,利用预先配置的算法或者模型等对目标用户进行风险预测,得到目标用户的风险预测结果,以基于该风险预测结果对目标用户的资源进行调整。资源如可以包括提供或者推荐给用户的服务、产品等数据资源,如:对于期货业务场景,资源可以理解为用户持有的期货,对用户的资源进行调整可以理解为对用户持有的期货进行卖出或加购等。对于云平台数据服务业务场景,资源则可以为分配给目标用户的系统数据资源等。通过准确识别用户的风险性,可以更加准确及时对用户的资源进行调整,提高用户的体验感,并有效提升机构的信誉度。
图1是本说明书实施例提供的系统资源调整方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。的方法或模块结构的在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
具体的一个实施例如图1所示,本说明书提供的系统资源调整方法的一个实施例中,方法可以应用于服务器,方法可以包括如下步骤:
步骤102、根据具有用于表征用户风险特征的特征数据的特征类别,将特征数据分为至少三个子视角特征集和一个全视角特征集。
在具体的实施过程中,服务器可以获取系统内用户的特征数据如交易数据,并可以从交易数据中提取能够表征用户风险特征的特征数据,并基于特征数据对应的特征类别将采集到的特征数据分为至少三个子视角特征集和一个全视角特征集。本说明书实施例中采用了多视角协同学习算法,可以根据特征数据的属性,将特征数据分为至少三个特征类别和一个全特征类别,并基于设置的特征类别将各个特征数据内的特征划分到对应的视角特征集中,实现对用户特征的多视角划分处理。
本说明书一些实施例中,根据具有用于表征用户风险特征的特征数据的特征类别,将特征数据分为至少三个子视角特征集和一个全视角特征集,包括:
将具有用于表征用户风险特征的特征数据中的基础信息特征、产品信息特征、行为信息特征分别添加到三个子视角特征集中,将具有用于表征用户风险特征的基础信息特征、产品信息特征、行为信息特征全部添加到全视角特征集中。
在具体的实施过程中,本说明书实施例基于对用户特征数据的分析,将特征数据分为基础信息特征、产品信息特征、行为信息特征三个特征类别,可以基于这三个特征类别,将特征数据进行视角划分。其中,每一条特征数据可以对应一个用户的数据,可以包括基础信息特征、产品信息特征、行为信息特征,当然,也可能只包括其中1个或2个特征。如:将采集到的每个特征数据中的基础信息特征划分为一个子视角特征集也可以称为基础信产品信息视角特征集,将采集到的特征数据中的行为信息特征划分为一个子视角特征集也可以称为行为信息视角特征集。此外,本说明书实施例中还设置了一个全视角特征集,该全视角特征集中可以包括采集到的全部特征数据即基础信息特征、产品信息特征、行为信息特征。
其中,基础信息特征可以包括性别、年龄段、婚姻状况、住房、车辆、职业、行业等一些能够表征用户基础情况的信息。产品信息特征可以包括活期余额、定期余额、债券余额、基金余额、黄金余额、本外币理财余额、第三方存管余额、保险余额、个人消费贷款余额等能表征风险预测涉及到的产品信息,本说明书实施例可以对期货等金融产品交易进行风险预测后对用户的资源进行调整,因此产品信息特征可以包括金融产品相关的特征信息。行为信息特征可以包括消费笔数、消费金额、投资理财转成存款金额、存款转成投资理财、现金取款金额、归还信用卡金额、借记卡消费金额、近一年网银交易笔数、近一年手机银行交易笔数等与影响风险预测结果的用户行为相关信息。
当然,根据不同的业务场景使用需求,还可以采用其他的视角划分方式或划分更多的子视角特征集,如:还可以根据用户的社交关系,划分一个子视角特征集包括社交关系数据等,本说明书实施例不作具体限定。
通过对特征数据进行多视角划分,并保留一个全视角特征集,使得单一子视角可以和全视角之间协同学习,避免单个子视角中特征提供的判别信息不足导致的分类效果下降,使单个视角和能全视角之间相互优化,互补劣势,提高最终分类器的泛化能力。
步骤104、利用至少三个子视角特征集和一个全视角特征集对应构建得到至少四个分类器。
在具体的实施过程中,服务器在构建分类器的过程中,可以根据需要自行选择分类算法。如贝叶斯、支持向量机、神经网络等。然后,基于选择的分类算法,分别利用各个视角特征集内的训练样本进行模型构建,对应得到至少四个分类器。其中,每个视角特征集对应有一个分类器,若在视角划分时划分了三个子视角特征集,那么加上全视角特征集需要构建4个分类器。
步骤106、构建至少三个子视角特征集和一个全视角特征集分别对应的几何信息约束以及至少三个子视角特征集和一个全视角特征集对应的多视角协同约束。
在具体的实施过程中,本说明书实施例采用多视角协同学习算法以及几何信息约束相结合的方式进行分类器的训练,可以根据各个视角特征集对应的训练样本以及特征参数构建各个视角特征集对应的分类器的几何信息约束,以及多个视角特征集对应的分类器的多视角协同约束。其中,几何信息约束可以用来使同类样本在视角内的输出空间中尽可能靠近,以提高每个视角对应的分类器的分类效果,多视角协同约束可以使单一信息视角和全信息视角之间协同学习,避免单个视角中特征提供的判别信息不足导致的分类效果下降,使单个视角和能全信息视角之间相互优化,互补劣势,提高最终模型的泛化能力。
本说明书一些实施例中,构建至少三个子视角特征集和一个全视角特征集分别对应的几何信息约束,包括:采用下述公式构建对应的几何信息约束:
其中,代表第v个视角特征集对应的几何信息约束,v=0、1、2、3,分别对应全视角特征集和三个子视角特征集,N为训练样本的个数,Wv为第v个视角特征集对应的分类器的参数矩阵,为Wv的转置,ω1为第一类样本集,ω2为第二类样本集,xv为第v个视角特征集的训练样本,为第v个视角特征集的第一类样本集中样本数据的均值,为第v个视角特征集的第二类样本集中样本数据的均值。
参见上述公式,可以看出,每个子视角特征集以及全视角特征集分别对应有一个几何信息约束,可以表示全视角特征集对应的几何信息约束,可以表示第一个子视角特征集如:基础信息视角特征集对应的几何信息约束,可以表示第二个子视角特征集如:产品信息视角特征集对应的几何信息约束,可以表示第三个子视角特征集如:行为信息视角特征集对应的几何信息约束。各个视角特征集对应的几何信息约束的格式相同,但各个视角特征集对应的几何信息约束的参数如:参数矩阵、训练样本等数据是不同。几何信息约束的目的是使同类样本在视角内的输出空间中尽可能靠近,以提高每个视角中分类器的分类效果。
本说明书一些实施例中,至少三个子视角特征集和一个全视角特征集对应的多视角协同约束采用下述公式构建:
其中,Rcol为多视角协同约束,Wv为第v个子视角特征集对应的分类器的参数矩阵,Xv为第v个子视角特征集对应的训练样本集,W0为全视角特征集对应的分类器的参数矩阵,X0为全视角特征集对应的训练样本集。
参见上述公式,可以看出,多视角协同约束只有一个,各个子视角特征集和一个全视角特征集共用这一个多视角协同约束进行多视角协同学习,以使单一信息视角和全信息视角之间协同学习,避免单个视角中特征提供的判别信息不足导致的分类效果下降,使单个视角和能全信息视角之间相互优化,互补劣势,提高最终模型的泛化能力。
步骤108、利用至少四个分类器分别对至少三个子视角特征集和一个全视角特征集对应的训练样本进行风险预测。
在具体的实施过程中,可以根据上述实施例中的对特征数据的视角划分等数据处理方式,进行特征数据的采集和视角的划分,基于视角的划分,构建各个子视角特征集和全视角特征集对应的训练样本。再利用构建的分类器对各个子视角特征集和全视角特征集对应的训练样本进行风险预测,得到各个分类器对每个训练样本数据的分类结果。
本说明书一些实施例中,利用至少四个分类器分别对至少三个子视角特征集和一个全视角特征集对应的训练样本进行风险预测,包括:
根据子视角特征集和全视角特征集对应的训练样本的风险标签,将至少三个子视角特征集以及一个全视角特征集对应的训练样本划分为第一类样本集和第二类样本集,其中,第一样本集中的样本数据的风险标签为有风险,第二类样本集中的样本数据的风险标签为无风险;
利用至少四个分类器分别对至少三个子视角特征集、一个全视角特征集对应的第一类样本集和第二类样本集中的训练样本进行风险预测。
在具体的实施过程中,在对各个视角特征集的训练样本进行风险预测时,可以根据各个训练样本对应的风险标签,将各个视角特征集对应的训练样本分为第一类样本集和第二类样本集,其中,第一类样本集中的样本数据的风险标签为有风险,第二类样本集中的样本数据的风险标签为无风险,可以理解为正样本集和负样本集。例如:第一子视角特征集为S1,第二子视角特征集为S2,第三子视角特征集为S3,全视角特征集为S0,根据S0、S1、S2、S3中的特征数据对应的样本的风险标签,将S0、S1、S2、S3中中风险标签为有风险的特征数据划分到第一类样本集,将S0、S1、S2、S3中中风险标签为无风险的特征数据划分到第二类样本集。如:若S1中的特征x1为年龄,x1为样本数据X1的特征数据,样本数据X1的风险标签为有风险,则可以将x1划分为第一类样本集中。
此外,在划分第一类样本集和第二类样本集时,可以将各个视角特征集中的有风险的特征数据均划分到一个第一类样本集,无风险数据均划分到一个第二类样本集。也可以为每一个视角特征集分别创建一个第一类样本集和第二类样本集,如:第一子视角特征集为S1中风险标签为有风险的划分到第一子视角特征集的第一类样本集中,第二子视角特征集为S2中风险标签为有风险的划分到第二子视角特征集的第一类样本集中,以此类推。具体可以根据实际需要设置,本说明书实施例不作具体限定。
基于样本数据的标签,将各视角特征数据集进行正负样本集的划分,以实现样本数据的均衡,为后续分类器模型的训练奠定了准确的数据基础。
步骤110、根据至少四个分类器对训练样本的风险预测结果、训练样本对应的风险标签、几何信息约束和多视角协同约束对至少四个分类器进行优化,得到优化后的各分类器,以利用优化后的各分类器对目标用户进行风险预测,以基于风险预测结果对目标用户的系统资源进行调整。
在具体的实施过程中,训练样本均对应有风险标签,可以根据各个分类器对训练样本的风险预测结果以及训练样本对应的风险标签、几何信息约束和多视角协同约束对各个分类器进行优化,优化的方式可以选择梯度下降法或其他模型优化算法,得到优化后的分类器。
本说明书一些实施例中,根据至少四个分类器对训练样本的风险预测结果、训练样本对应的风险标签、几何信息约束和多视角协同约束对至少四个分类器进行优化,包括:采用下述目标函数对至少四个分类器进行优化:
其中,L表示目标函数,α,β,λ为超参数,是第v个视角特征集对应的分类器的经验损失,为第v个视角特征集对应的分类器的几何信息约束,为第v个视角特征集对应的分类器的正则化项,可以选L2正则化,Rcol为多视角协同约束。其中,超参数可以用来调整集合信息约束、正则化项以及多视角协同约束的权重。其中,各分类器的经验损失可以根据使用分类器对训练样本进行风险预测的风险预测结果与各个训练样本的风险标签确定。
本说明书实施例给出了几何信息约束、多视角协同约束以及目标函数的详细计算方式,使得基于本说明书实施例提供的方案可以实现多视角协同学习和几何信息约束的模型优化,提高了风险预测分类器分类的准确性,进而提高风险预测的准确性。
在分类器的优化过程中,可以利用梯度下降法求解此优化问题,通过最小化模型的经验损失、几何信息约束项和协同学习约束项,得到最终优化后的四个分类器f0,1,2,3(x)。当然,也可以采用其他优化求解算法,如最速下降法,牛顿法等。
得到优化后的四个分类器后,四个分类器可以构成一个风险预测模型,可以利用优化后的是个分类器构成的风险预测模型对目标用户进行风险预测,基于对目标用户的风险预测结果对目标用户的系统资源进行调整,如:及时调整目标用户拥有的系统资源量。
本说明书一些实施例中,可以基于下述判别函数对目标用户进行风险预测:
其中,F(x)表示判别函数,fi(·)表示第i个分类器的判别函数,x为用于表征目标用户风险特征的特征数据。
可以将表征目标用户的风险特征的特征数据按照上述实施例中视角划分方式,划分为三个子视角特征集和一个全视角特征集,输入到上述判别函数,得到模型的输出结果。本说明书一些实施例中,若模型输出结果即F(x)大于等于0.5可以表示该目标用户的交易可能存在风险,结果小于0.5该目标用户的交易不存在风险。采用四个分类器的输出结果的均值作为最终模型的分类结果,方法简单,数据处理效率快,又兼顾了不同视角的分类学习效果。
本说明书实施提供的系统资源调整方法,通过对特征数据进行多视角划分,获得多个子视角特征集以及一个全视角特征集,并为每个视角特征集创建几何信息约束和多视角协同约束,结合多视角协同学习和几何信息约束进行风险预测,避免单个视角中特征提供的判别信息不足导致的分类效果下降,使单个视角和能全信息视角之间相互优化,互补劣势,提高最终模型的泛化能力,同时使同类样本在视角内的输出空间中尽可能靠近,以提高每个视角中子分类器的分类效果,进而提高风险预测的准确性。从而能够及时对用户的系统资源进行调整,减少用户损失,保证交易的稳定性。
本说明书实施例提供的一个实施场景中,以对用户进行期货穿仓风险预测为例,对上述实施例提供的方案进行说明如下。其中,穿仓是期货用语之一,是指客户账户上客户权益为负值的风险状况。
图2是本说明书又一个实施例中系统资源调整方法的流程示意图,如图2所示,本说明书实施例可以基于几何信息约束和多视角协同学习进行穿仓风险预测,基于风险预测结果对用户的系统资源进行调整,具体包括以下步骤:首先从数据仓库获取用户期货交易相关的特征信息,包括基础信息、产品信息、行为信息,其中可以按类别可确定数据范围,从而确定涉及的数据表。
将不同表中涉及期货穿仓分类的相关的数据列按照客户id拼接,组成原始特征。再对数据进行数据清洗,对于数据类型不正确的列,先将其转化成正确的数据类型;对于有缺失值列,按一定方式补全或删除,如数值特征的缺失值,用列均值补全,非数值特征的缺失值,用“unknown”补全。最后对数据进行特征工程处理,构造训练样本与测试样本,训练样本可以用于训练模型,测试样本可以用于验证模型的效果。
图3是本说明书一些实施例中风险预测模型的构建原理示意图,如图3所示,经过数据预处理和特征工程处理得到训练样本后,首先根据特征类别将特征划为三个子视角特征集和全视角特征集,分别对应基础信息视角、产品信息视角、行为信息视角,全部特征对应全信息视角。再构造训练样本,样本的标签为1和0分别代表穿仓用户和非穿仓用户,其特征包括四个视角,分别是基础信息视角、产品信息视角、行为信息视角和全信息视角。穿仓样本标签规则为实际发生过期货穿仓交易的用户,非穿仓样本为无上述情况的用户。
在训练过程中,视角内部通过学习同类样本之间特有的几何信息,挖掘同类样本在输出空间的一致性,利用本说明书实施例设计的几何信息约束项,使同类样本在视角内的输出空间中尽可能靠近,以提高每个视角中子分类器的分类效果;在视角之间的相互优化上,利用本专利设计的多视角协同学习约束项,使单一信息视角和全信息视角之间协同学习,避免单个视角中特征提供的判别信息不足导致的分类效果下降,使单个视角和能全信息视角之间相互优化,互补劣势,提高最终模型的泛化能力。通过最小化模型的经验损失、几何信息约束项和协同学习约束项,得到四个分类器。最后集成四个分类器的结果对测试样本进行分类预测,对于测试样本x,将测试样本x划分为三个单一视角和一个全视角,输入判别函数,得到模型的输出结果,结果为大于等于0.5代表该客户的期货交易可能存在穿仓风险,结果小于0.5代表该客户不存在穿仓风险。其中,各个视角的几何信息约束以及全部视角的多视角协同约束、目标函数、判断函数的具体形式可以参考上述实施例的记载,此处不再赘述。并且,上述实施例中各个公式中的参数可以根据实际需要进行调整,本说明书实施例不作具体限定。
通过优化模型在视角内部的学习和视角之间的协同学习,使模型在学习的过程中既关注同类样本在输出空间的相似性,又能利用单一视角和全信息视角的协同学习,提高子分类器的对测试样本的分类精度,最终的模型集成四个子模型的结果能够提高模型的泛化能力。
如图2所示,在模型优化训练完成后,可以使用测试样本对优化后的模型进行测试,确定模型的预测结果精度符合要求后,可以使用优化后的模型对目标用户的期货交易数据进行穿仓预测,若预测出存在穿仓风险,则可以及时对用户的期货资源进行调整,以尽量降低用户的损失。当然,本说明书实施例还可以对其他的用户数据进行风险预测如:贷款逾期预测,交易欺诈风险预测等等,本说明书实施例采用了多视角协同学习和几何信息约束,尤其对场景复杂的业务。
本说明书实施例提供的分类器的分类精确率、召回率和综合测评价值上都比传统的基于多视角学习的算法效果更好,能更精准地预测期货交易场景中的客户的穿仓情况或其他风险预测场景。该方法可以应用于银行等金融机构,在客户进行期货交易之前进行精准预测,参考模型预测结果及时对用户的系统资源进行相应的处理,避免期货交易可能发生的穿仓风险,减少损失,提升金融机构在同行业的竞争力。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。
基于上述的系统资源调整方法,本说明书一个或多个实施例还提供一种用于系统资源调整的装置。装置可以包括使用了本说明书实施例方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参考前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统、装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是本说明书一个实施例中系统资源调整装置的结构示意图,如图4所示,本说明书一些实施例中提供的系统资源调整装置可以应用于上述实施例中的服务器,具体可以包括:
多视角特征构建模块41,用于根据具有用于表征用户风险特征的特征数据的特征类别,将特征数据分为至少三个子视角特征集和一个全视角特征集;
分类器构建模块42,用于利用至少三个子视角特征集和一个全视角特征集对应构建得到至少四个分类器;
约束项创建模块43,用于构建至少三个子视角特征集和一个全视角特征集分别对应的几何信息约束以及至少三个子视角特征集和一个全视角特征集对应的多视角协同约束;
分类器分类模块44,用于利用至少四个分类器分别对至少三个子视角特征集和一个全视角特征集对应的训练样本进行风险预测;
分类器优化模块45,用于根据至少四个分类器对训练样本的风险预测结果、训练样本对应的风险标签、几何信息约束和多视角协同约束对至少四个分类器进行优化,得到优化后的各分类器,以利用优化后的各分类器对目标用户进行风险预测,以基于风险预测结果对目标用户的系统资源进行调整。
本说明书实施例提供的系统资源调整装置,通过对特征数据进行多视角划分,获得多个子视角特征集以及一个全视角特征集,并为每个视角特征集创建几何信息约束和多视角协同约束,结合多视角协同学习和几何信息约束进行风险预测,避免单个视角中特征提供的判别信息不足导致的分类效果下降,使单个视角和能全信息视角之间相互优化,互补劣势,提高最终模型的泛化能力,同时使同类样本在视角内的输出空间中尽可能靠近,以提高每个视角中子分类器的分类效果,进而提高风险预测的准确性。从而能够及时对用户的系统资源进行调整,减少用户损失,保证交易的稳定性。
本说明书一些实施例中,多视角特征构建模块具体用于:
将具有用于表征用户风险特征的特征数据中的基础信息特征、产品信息特征、行为信息特征分别添加到三个子视角特征集中,将具有用于表征用户风险特征的基础信息特征、产品信息特征、行为信息特征全部添加到全视角特征集中。
本说明书实施例提供的系统资源调整装置,通过对特征数据进行多视角划分,并保留一个全视角特征集,使得单一子视角可以和全视角之间协同学习,避免单个子视角中特征提供的判别信息不足导致的分类效果下降,使单个视角和能全视角之间相互优化,互补劣势,提高最终分类器的泛化能力。
需要说明的,上述的装置根据对应方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照上述对应的方法实施例的描述,在此不作一一赘述。
本说明书实施例还提供一种系统资源调整设备,应用于服务器,设备包括至少一个处理器及用于存储处理器可执行指令的存储器,指令被处理器执行时实现包括上述实施例中的系统资源调整方法,如:
根据具有用于表征用户风险特征的特征数据的特征类别,将特征数据分为至少三个子视角特征集和一个全视角特征集;
利用至少三个子视角特征集和一个全视角特征集对应构建得到至少四个分类器;
构建至少三个子视角特征集和一个全视角特征集分别对应的几何信息约束以及至少三个子视角特征集和一个全视角特征集对应的多视角协同约束;
利用至少四个分类器分别对至少三个子视角特征集和一个全视角特征集对应的训练样本进行风险预测;
根据至少四个分类器对训练样本的风险预测结果、训练样本对应的风险标签、几何信息约束和多视角协同约束对至少四个分类器进行优化,得到优化后的各分类器,以利用优化后的各分类器对目标用户进行风险预测,以基于风险预测结果对目标用户的系统资源进行调整。
需要说明的,上述的设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书提供的上述实施例的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图5是本说明书一个实施例中系统资源调整服务器的硬件结构框图,该计算机终端可以是上述实施例中的系统资源调整服务器或系统资源调整处理装置。如图5所示服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解,图5所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图5中所示更多或者更少的组件,例如还可以包括其他的处理硬件,如数据库或多级缓存、GPU,或者具有与图5所示不同的配置。
非易失性存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的打车数据处理方法对应的程序指令/模块,处理器100通过运行存储在非易失性存储器200内的软件程序以及模块,从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,非易失性存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书实施例提供的上述系统资源调整方法或装置可以在计算机中由处理器执行相应的程序指令来实现,如使用windows操作系统的c++语言在PC端实现、linux系统实现,或其他例如使用android、iOS系统程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。
虽然本说明书一个或多个实施例提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式资源数据更新环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上仅为本说明书一个或多个实施例的实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (10)
1.一种系统资源调整方法,其特征在于,应用于服务器,所述方法包括:
根据具有用于表征用户风险特征的特征数据的特征类别,将特征数据分为至少三个子视角特征集和一个全视角特征集;
利用至少三个子视角特征集和一个全视角特征集对应构建得到至少四个分类器;
构建至少三个子视角特征集和一个全视角特征集分别对应的几何信息约束以及至少三个子视角特征集和一个全视角特征集对应的多视角协同约束;
利用至少四个分类器分别对至少三个子视角特征集和一个全视角特征集对应的训练样本进行风险预测;
根据至少四个分类器对训练样本的风险预测结果、训练样本对应的风险标签、几何信息约束和多视角协同约束对至少四个分类器进行优化,得到优化后的各分类器,以利用优化后的各分类器对目标用户进行风险预测,以基于风险预测结果对目标用户的系统资源进行调整。
2.如权利要求1所述的方法,其特征在于,利用至少四个分类器分别对至少三个子视角特征集和一个全视角特征集对应的训练样本进行风险预测,包括:
根据子视角特征集和全视角特征集对应的训练样本的风险标签,将至少三个子视角特征集以及一个全视角特征集对应的训练样本划分为第一类样本集和第二类样本集,其中,第一样本集中的样本数据的风险标签为有风险,第二类样本集中的样本数据的风险标签为无风险;
利用至少四个分类器分别对至少三个子视角特征集、一个全视角特征集对应的第一类样本集和第二类样本集中的训练样本进行风险预测。
3.如权利要求1所述的方法,其特征在于,根据具有用于表征用户风险特征的特征数据的特征类别,将特征数据分为至少三个子视角特征集和一个全视角特征集,包括:
将具有用于表征用户风险特征的特征数据中的基础信息特征、产品信息特征、行为信息特征分别添加到三个子视角特征集中,将具有用于表征用户风险特征的基础信息特征、产品信息特征、行为信息特征全部添加到全视角特征集中。
8.一种系统资源调整装置,其特征在于,应用于服务器,所述装置包括:
多视角特征构建模块,用于根据具有用于表征用户风险特征的特征数据的特征类别,将特征数据分为至少三个子视角特征集和一个全视角特征集;
分类器构建模块,用于利用至少三个子视角特征集和一个全视角特征集对应构建得到至少四个分类器;
约束项创建模块,用于构建至少三个子视角特征集和一个全视角特征集分别对应的几何信息约束以及至少三个子视角特征集和一个全视角特征集对应的多视角协同约束;
分类器分类模块,用于利用至少四个分类器分别对至少三个子视角特征集和一个全视角特征集对应的训练样本进行风险预测;
分类器优化模块,用于根据至少四个分类器对训练样本的风险预测结果、训练样本对应的风险标签、几何信息约束和多视角协同约束对至少四个分类器进行优化,得到优化后的各分类器,以利用优化后的各分类器对目标用户进行风险预测,以基于风险预测结果对目标用户的系统资源进行调整。
9.如权利要求8所述的装置,其特征在于,多视角特征构建模块具体用于:
将具有用于表征用户风险特征的特征数据中的基础信息特征、产品信息特征、行为信息特征分别添加到三个子视角特征集中,将具有用于表征用户风险特征的基础信息特征、产品信息特征、行为信息特征全部添加到全视角特征集中。
10.一种系统资源调整设备,其特征在于,应用于服务器,设备包括至少一个处理器及用于存储处理器可执行指令的存储器,指令被处理器执行时实现包括上述权利要求1-7任一项方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110141649.5A CN112836742A (zh) | 2021-02-02 | 2021-02-02 | 系统资源调整方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110141649.5A CN112836742A (zh) | 2021-02-02 | 2021-02-02 | 系统资源调整方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112836742A true CN112836742A (zh) | 2021-05-25 |
Family
ID=75931558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110141649.5A Pending CN112836742A (zh) | 2021-02-02 | 2021-02-02 | 系统资源调整方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836742A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344581A (zh) * | 2021-05-31 | 2021-09-03 | 中国工商银行股份有限公司 | 业务数据处理方法及装置 |
CN113515383A (zh) * | 2021-07-28 | 2021-10-19 | 中国工商银行股份有限公司 | 系统资源数据分配方法和装置 |
-
2021
- 2021-02-02 CN CN202110141649.5A patent/CN112836742A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344581A (zh) * | 2021-05-31 | 2021-09-03 | 中国工商银行股份有限公司 | 业务数据处理方法及装置 |
CN113515383A (zh) * | 2021-07-28 | 2021-10-19 | 中国工商银行股份有限公司 | 系统资源数据分配方法和装置 |
CN113515383B (zh) * | 2021-07-28 | 2024-02-20 | 中国工商银行股份有限公司 | 系统资源数据分配方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Akyildirim et al. | Prediction of cryptocurrency returns using machine learning | |
Tam et al. | Managerial applications of neural networks: the case of bank failure predictions | |
US9996502B2 (en) | High-dimensional systems databases for real-time prediction of interactions in a functional system | |
US10515123B2 (en) | Weighted analysis of stratified data entities in a database system | |
US8984022B1 (en) | Automating growth and evaluation of segmentation trees | |
AU2021355322B2 (en) | Heterogeneous graph embedding | |
CN111783039B (zh) | 风险确定方法、装置、计算机系统和存储介质 | |
CN113095408A (zh) | 风险的确定方法、装置和服务器 | |
JP2018503927A (ja) | 投資証券の複合ポートフォリオのセグメント化及び層化 | |
CN112836742A (zh) | 系统资源调整方法、装置及设备 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
Oualid et al. | Application of machine learning techniques for credit risk management: a survey | |
Bagó | The potential of artificial intelligence in finance | |
CN113159213A (zh) | 一种业务分配方法、装置及设备 | |
CN108446738A (zh) | 一种聚类方法、装置及电子设备 | |
US20230186385A1 (en) | Computer-implemented system and method of facilitating artificial intelligence based lending strategies and business revenue management | |
CN111667307A (zh) | 一种理财产品销量的预测方法及装置 | |
CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN113052679A (zh) | 基于多视角学习的模型训练方法、预测方法、装置和电子设备 | |
JP6121017B2 (ja) | 金融機関経営支援システム及びプログラム | |
US20240169355A1 (en) | Settlement card having locked-in card specific merchant and rule-based authorization for each transaction | |
EP3048575A1 (en) | Segmentation and stratification of composite portfolios of investment securities | |
Buitrón et al. | Machine Learning in Finance: An Application of Predictive Models to Determine the Payment Probability of a Client | |
Yohanes | CBEBirr Customer Segmentation Using Machine Learning in Commercial Bank of Ethiopia | |
Khadivi Zand | Towards Intelligent Risk-based Customer Segmentation in Banking |
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 |