CN113507419B - 流量分发模型的训练方法、流量分发方法及装置 - Google Patents
流量分发模型的训练方法、流量分发方法及装置 Download PDFInfo
- Publication number
- CN113507419B CN113507419B CN202110769772.1A CN202110769772A CN113507419B CN 113507419 B CN113507419 B CN 113507419B CN 202110769772 A CN202110769772 A CN 202110769772A CN 113507419 B CN113507419 B CN 113507419B
- Authority
- CN
- China
- Prior art keywords
- sample data
- traffic distribution
- data set
- training
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开提供了一种流量分发模型的训练方法,可以应用于金融领域和人工智能领域。该流量分发模型的训练方法包括:获取初始样本数据集,初始样本数据集中的初始样本包括用户信息以及与用户信息对应的历史流量分发信息;基于初始样本数据,根据预设规则生成训练样本数据集,训练样本数据集中的训练样本包括用户特征数据以及与用户特征数据对应的历史流量分发数据,训练样本数据集还包括与训练样本对应的标签信息,标签信息表征历史流量分发成功结果;利用训练样本数据集训练待训练的流量分发模型,得到训练完成的流量分发模型。本公开还提供了一种流量分发方法、流量分发模型的训练装置、流量分发装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及金融领域和人工智能技术领域,更具体地涉及一种流量分发模型的训练方法、流量分发方法、装置、设备、介质和程序产品。
背景技术
在金融机构或银行信贷业务场景中,当客户来金融机构(简称流量方)授信做贷款,流量方一方面可以自行对客户做授信、放款,另一方面也可以将该客户转发给其合作出资方银行(简称资方银行),资方银行会根据流量方提供的客户信息(主要是客户征信方面的信息)对该客户进行授信评估,评估通过后则进行放款,流量方从中获取引流分发手续费收益。
目前大多数流量方采用凭人工经验设定的引流分发规则,例如根据客户的金额需求、利率意愿、手续费收益等规则设计引流分发规则,一方面导致客户的引流分发成功率不高,普遍在60%左右,造成客户资源的浪费,从而带来的客户体验不佳;另一方面,人为经验不可靠,常常需要手工调整规则,导致人力成本提升,且无法满足资方银行的引流分发客户数量需求,从而导致流量方的引流分发收益有限。
发明内容
鉴于上述问题,本公开提供了流量分发模型的训练方法、流量分发方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种流量分发模型的训练方法,包括:
获取初始样本数据集,其中,上述初始样本数据集中的初始样本包括用户信息以及与上述用户信息对应的历史流量分发信息;
基于上述初始样本数据集,根据预设规则生成训练样本数据集,其中,上述训练样本数据集中的训练样本包括用户特征数据以及与上述用户特征数据对应的历史流量分发数据,其中,上述训练样本数据集还包括与上述训练样本对应的标签信息,上述标签信息表征上述历史流量分发成功结果;
利用上述训练样本数据集训练待训练的流量分发模型,得到训练完成的流量分发模型。
根据本公开的实施例,上述基于上述初始样本数据,根据预设规则生成训练样本数据集包括:
将上述初始样本数据集与预先配置的特征整合表进行匹配,生成第一样本数据集,其中,上述第一样本数据集包括与同一用户对应的多个第一样本;
对上述第一样本数据集进行数据整合,生成第二样本数据集,其中,上述第二样本数据集中的每个第二样本对应一个用户;
对上述第二样本数据集进行数据处理,生成上述训练样本数据集。
根据本公开的实施例,上述第二样本包括第一预设字符信息;
上述对上述第二样本数据集进行数据处理,生成上述训练样本数据集包括:
利用独热编码算法处理上述第二样本数据集中的第二样本,以便将上述第二样本中的上述第一预设字符信息转换为第二预设字符信息,生成第三样本数据集;
对上述第三样本数据集中的第三样本进行数据标准化处理,生成上述训练样本数据集。
根据本公开的实施例,上述利用上述训练样本数据集训练待训练的流量分发模型,得到训练完成的流量分发模型包括:
将上述训练样本数据集划分为训练集和验证集;
利用上述训练集训练上述待训练的流量分发模型,得到待验证的流量分发模型;
将上述验证集输入上述待验证的流量分发模型,输出预测流量分发结果;
根据上述预测流量分发结果和上述标签信息得到验证结果,在上述验证结果满足预设条件的情况下,输出训练完成的流量分发模型,其中,上述验证结果表征上述预测流量分发结果与上述标签信息的匹配程度。
根据本公开的实施例,上述待训练的流量分发模型包括基于LightGBM算法框架构建得到的模型,其中,在训练上述待训练的流量分发模型时,使用梯度提升迭代决策树算法。
根据本公开的实施例,上述用户信息包括用户基本信息、用户金融特征信息以及用户法律特征信息。
根据本公开的第二个方面,提供了一种流量分发方法,包括:
获取待分发样本信息,其中,上述待分发样本信息包括用户信息;
根据上述待分发样本信息生成待分发样本数据,其中,上述待分发样本数据包括用户数据;
将上述待分发样本数据输入流量分发模型,输出流量分发结果,上述流量分发结果表征将上述用户信息分发给多个流量接收方中的目标流量接收方,其中,上述流量分发模型由本公开实施例提供的流量分发模型的训练方法训练得到。
本公开的第三方面提供了一种流量分发模型的训练装置,包括:
第一获取模块,用于获取初始样本数据集,其中,上述初始样本数据集中的初始样本包括用户信息以及与上述用户信息对应的历史流量分发信息;
第一生成模块,用于基于上述初始样本数据集,根据预设规则生成训练样本数据集,其中,上述训练样本数据集中的训练样本包括用户特征数据以及与上述用户特征数据对应的历史流量分发数据,其中,上述训练样本数据集还包括与上述训练样本对应的标签信息,上述标签信息表征上述历史流量分发成功结果;以及
训练模块,用于利用上述训练样本数据集训练待训练的流量分发模型,得到训练完成的流量分发模型。
本公开的第四方面提供了一种流量分发装置,包括:
第二获取模块,用于获取待分发样本信息,其中,上述待分发样本信息包括用户信息;
第二生成模块,用于根据上述待分发样本信息生成待分发样本数据,其中,上述待分发样本数据包括用户数据;
分发模块,用于将上述待分发样本数据输入流量分发模型,输出流量分发结果,上述流量分发结果表征将上述用户信息分发给多个流量接收方中的目标流量接收方,其中,上述流量分发模型由本公开实施例提供的流量分发模型的训练方法训练得到。
本公开的第五方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述流量分发模型的训练方法和流量分发方法。
本公开的第六方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述流量分发模型的训练方法和流量分发方法。
本公开的第七方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述流量分发模型的训练方法和流量分发方法。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的流量分发模型的训练方法、流量分发方法、流量分发模型的训练装置和流量分发装置的应用场景图;
图2示意性示出了根据本公开实施例的流量分发模型的训练方法的流程图;
图3示意性示出了根据本公开实施例的基于初始样本数据,根据预设规则生成训练样本数据集的流程图;
图4示意性示出了根据本公开实施例的对第二样本数据集进行数据处理,生成训练样本数据集的流程图;
图5示意性示出了根据本公开实施例的利用训练样本数据集训练待训练的流量分发模型,得到训练完成的流量分发模型的流程图;
图6示意性示出了根据本公开实施例的流量分发方法的流程图;
图7示意性示出了根据本公开实施例的流量分发模型的训练装置的结构框图;
图8示意性示出了根据本公开实施例的流量分发装置的结构框图;以及
图9示意性示出了根据本公开实施例的适于实现流量分发模型的训练方法和流量分发方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开提供了一种流量分发模型的训练方法,可以应用于金融领域和人工智能领域。该流量分发模型的训练方法包括:获取初始样本数据集,其中,初始样本数据集中的初始样本包括用户信息以及与用户信息对应的历史流量分发信息;基于初始样本数据,根据预设规则生成训练样本数据集,其中,训练样本数据集中的训练样本包括用户特征数据以及与用户特征数据对应的历史流量分发数据,其中,训练样本数据集还包括与训练样本对应的标签信息,标签信息表征历史流量分发成功结果;利用训练样本数据集训练待训练的流量分发模型,得到训练完成的流量分发模型。本公开还提供了一种流量分发方法、流量分发模型的训练装置、流量分发装置、设备、存储介质和程序产品。
需要说明的是,本公开确定的方法和装置可用于金融领域和人工智能技术领域,也可用于除金融领域和人工智能技术领域之外的任意领域,本公开的方法和装置的应用领域不做限定。
图1示意性示出了根据本公开实施例的流量分发模型的训练方法、流量分发方法、流量分发模型的训练装置和流量分发装置的应用场景图。
如图1所示,根据该实施例的应用场景100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,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
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所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的流量分发模型的训练方法和流量分发方法一般可以由服务器105执行。相应地,本公开实施例所提供的流量分发模型的训练装置、流量分发装置一般可以设置于服务器105中。本公开实施例所提供的流量分发模型的训练方法和流量分发方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的流量分发模型的训练装置、流量分发装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图5对公开实施例的流量分发模型的训练方法进行详细描述。
图2示意性示出了根据本公开实施例的流量分发模型的训练方法的流程图。
如图2所示,该实施例的流量分发模型的训练方法包括操作S210~操作S230。
在操作S210,获取初始样本数据集,其中,初始样本数据集中的初始样本包括用户信息以及与用户信息对应的历史流量分发信息。
在操作S220,基于初始样本数据集,根据预设规则生成训练样本数据集,其中,训练样本数据集中的训练样本包括用户特征数据以及与用户特征数据对应的历史流量分发数据,其中,训练样本数据集还包括与训练样本对应的标签信息,标签信息表征历史流量分发成功结果。
在操作S230,利用训练样本数据集训练待训练的流量分发模型,得到训练完成的流量分发模型。
根据本公开的实施例,可以首先获取由用户信息以及与用户信息对应的历史流量分发信息组成的初始样本。
根据本公开的实施例,用户信息例如可以包括用户基本信息、用户金融特征信息以及用户法律特征信息。
根据本公开的实施例,用户基本信息例如可以包括用户身份证号、用户常驻城市、用户工作所属行业、用户工作单位性质,但不限于此,用户基本信息例如还可以包括用户手机号、用户家庭住址等。
根据本公开的实施例,用户金融特征信息例如可以包括本次申请授信金额、承诺还款方式、历史贷款笔数、历史还款笔数、历史逾期笔数、欠税记录数,但不限于此,用户金融特征信息例如还可以包括贷款余额、信用卡个数等。
根据本公开的实施例,用户法律特征信息如可以包括与用户相关的民事判决书记录数等。
需要说明的是,在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
根据本公开的实施例,例如可以首先获取用户A的用户信息,然后获取与用户A的用户信息对应的历史流量分发信息;在本公开的实施例中,历史流量分发信息例如可以包括在历史流量分发操作中将用户A分发至的多个资方金融机构,以及多个资方金融机构分别对用户A的受理结果,例如,在历史流量分发操作中将用户A分发至资方金融机构B、资方金融机构C和资方金融机构D,其中,资方金融机构B对用户A的受理结果为受理成功,资方金融机构C对用户A的受理结果为受理失败,资方金融机构D对用户A的受理结果为受理成功,则与用户A的用户信息对应的历史流量分发信息可以表示为{B|受理成功;C|受理失败;D|受理失败}。
根据本公开的实施例,由于初始样本中的信息包括汉字、数字等,例如对于用户常驻城市、用户工作所属行业等均以汉字的形式进行保存,而用对于户身份证号等信息则以数字的形式进行保存,因此初始样本无法直接作为输入数据为计算机所识别,从而,需要对初始样本数据集按照预设规则进行预处理,生成训练样本数据集,以将训练样本数据集中的训练样本作为输入数据为计算机所识别。
根据本公开的实施例,训练样本中的用户特征数据以及与用户特征数据对应的历史流量分发数据例如均可以包括以数字形式而存储的数据。
根据本公开的实施例,标签信息可以表征历史流量分发成功结果,例如,用户A的历史流量分发信息可以表示为{B|受理成功;C|受理失败;D|受理失败},从而与用户A对应的训练样本的标签信息即可以为B,表征在历史流量分发操作中,资方金融机构B成功受理用户A。
根据本公开的实施例,基于初始样本数据集,根据预设规则生成训练样本数据集后,可以将训练样本数据集作为训练数据训练待训练的流量分发模型,得到训练完成的流量分发模型。
根据本公开的实施例,待训练的流量分发模型可以包括基于LightGBM算法框架构建得到的模型,其中,在训练待训练的流量分发模型时,使用梯度提升迭代决策树算法。
根据本公开的另一实施例,待训练的流量分发模型还可以包括基于GradientBoostin算法框架构建得到的模型,其中,在训练待训练的流量分发模型时,使用XGBoost算法。
在本公开的实施例中,通过利用对用户信息以及与所述用户信息对应的历史流量分发信息进行处理得到的用户数据和与用户数据对应的历史流量分发数据来训练待训练的流量分发模型,从而可以使用训练完成的流量分发模型进行流量分发,解决了相关技术中由于采用人工流量分发的方法导致的成功率不高的技术问题,实现了提升流量方引流分发成功率,避免造成用户资源浪费的技术效果。
图3示意性示出了根据本公开实施例的基于初始样本数据,根据预设规则生成训练样本数据集的流程图。
如图3所示,该实施例的基于初始样本数据,根据预设规则生成训练样本数据集包括操作S310~操作S330。
在操作S310,将初始样本数据集与预先配置的特征整合表进行匹配,生成第一样本数据集,其中,第一样本数据集包括与同一用户对应的多个第一样本。
在操作S320,对第一样本数据集进行数据整合,生成第二样本数据集,其中,第二样本数据集中的每个第二样本对应一个用户。
表1
根据本公开的实施例,预先配置的特征整合表例如可以包括以上表1。
根据本公开的实施例,在特征整合表中,可以为用户工作单位性质、用户工作所属行业以及承诺还款方式等信息的不同选择分别设置对应的编号,例如,在用户单位性质信息中,为国企设置编号1,为民企设置编号2,为外企设置编号3,从而可以通过将初始样本数据集与预先配置的特征整合表进行匹配的方式,将单位性质等信息转化为对应的编号。
根据本公开的实施例,初始样本例如可以包括以下表2。
表2
根据本公开的实施例,表2中每一行数据可以表示初始样本数据集中的一个初始样本。
根据本公开的实施例,可以通过将表2所示的初始样本数据集与表1所示的预先配置的特征整合表进行匹配,生成表3所示的第一样本数据集。
表3
根据本公开的实施例,表3中每一行数据可以表示第一样本数据集中的一个第一样本。
根据本公开的实施例,通过将初始样本数据集与特征整合表进行匹配,可以将用户工作单位性质、受理状态等信息转化为以数字表示的数据,例如,对于客户1,客户1的工作单位性质为国企,从而在与用户1对应的一个第一样本中,用户1的工作单位性质用1来表示。
根据本公开的实施例,从表2中可以看出,有两个第一训练样本分别与用户1对应,为了减少训练样本的数据量,从而可以对第一样本数据集中的第一样本进行数据整合。
根据本公开的实施例,可以将第一训练样本数据集中的与同一用户对应的多个第一样本进行数据整合,生成一个第二样本。
根据本公开的实施例,第二样本数据集可以包括以下表4。
表4
根据本公开的实施例,在表3中,有两个第一训练样本分别与用户1对应,通过对第一样本数据集进行数据整合,在表4中,仅有一个第二样本与用户1对应,从而节省了数据量。
在操作S330,对第二样本数据集进行数据处理,生成训练样本数据集。
根据本公开的实施例,由于用户常驻城市等信息即使通过与预设的特征整合表进行匹配也不便于转化为特征数据,因此,在生成第二样本数据集后,还可以对第二样本数据集进行数据处理,将第二样本数据集中的所有信息都转化为特征数据。
根据本公开的实施例,第二样本包括第一预设字符信息。
根据本公开的实施例,第一预设字符信息例如可以包括除数字以外的所有字符,例如标点符号、字母、汉字等。
图4示意性示出了根据本公开实施例的对第二样本数据集进行数据处理,生成训练样本数据集的流程图。
如图4所示,该实施例的对第二样本数据集进行数据处理,生成训练样本数据集包括操作S410~操作S420。
在操作S410,利用独热编码算法处理第二样本数据集中的第二样本,以便将第二样本中的第一预设字符信息转换为第二预设字符信息,生成第三样本数据集。
根据本公开的实施例,通过利用独热编码算法处理第二样本数据集中的第二样本,从而可以将第二样本中的字符信息转换为计算机可读的数据变量。
根据本公开的实施例,第一预设字符信息例如可以包括数字。
在操作S420,对第三样本数据集中的第三样本进行数据标准化处理,生成训练样本数据集。
根据本公开的实施例,数据标准化例如可以包括数据规范化、数据正范化以及数据归一化。
根据本公开的实施例,通过对第三样本数据集中的第三样本进行数据标准化处理,可以将第三样本数据集中的第三样本中的数据按比例缩放,使之录入一个小的特定区间,例如将数据录入[0,1]区间内。
图5示意性示出了根据本公开实施例的利用训练样本数据集训练待训练的流量分发模型,得到训练完成的流量分发模型的流程图。
如图5所示,该实施例的利用训练样本数据集训练待训练的流量分发模型,得到训练完成的流量分发模型包括操作S510~操作S540。
在操作S510,将训练样本数据集划分为训练集和验证集。
根据本公开的实施例,例如可以将训练样本数据集中约30%的训练样本划分为训练集,然后将剩余的70%的训练样本划分为验证集。
在操作S520,利用训练集训练待训练的流量分发模型,得到待验证的流量分发模型。
在操作S530,将验证集输入待验证的流量分发模型,输出预测流量分发结果。
根据本公开的实施例,通过利用训练集训练待训练的流量分发模型,得到待验证的流量分发模型,然后利用验证集对待验证的流量分发模型进行验证,从而可以避免流量分发模型在训练集上过拟合。
在操作S540,根据预测流量分发结果和标签信息得到验证结果,在验证结果满足预设条件的情况下,输出训练完成的流量分发模型,其中,验证结果表征预测流量分发结果与标签信息的匹配程度。
根据本公开的实施例,例如有一与用户A对应的训练样本,其标签信息为B,即表征在历史流量分发操作中,资方金融机构B成功受理用户A,然后将该训练样本输入待验证的流量分发模型后,输出的预测流量分发结果为C,即待验证的流量分发模型预测资方金融机构C将成功受理用户A,即待验证的流量分发模型的输出的预测流量分发结果与标签信息不相同,存在误差。
根据本公开的实施例,若将验证集输入待验证的流量分发模型后,待验证的流量分发模型的预测正确率大于预设阈值,例如75%,则可以认为待验证的流量分发模型的训练程度较好,可以将此待验证的流量分发模型作为流量分发模型输出。
根据本公开的实施例,若将验证集输入待验证的流量分发模型后,待验证的流量分发模型的预测正确率小于预设阈值,例如75%,则可以认为待验证的流量分发模型的训练程度较差好,从而需要重新利用训练集对待验证的流量分发模型进行优化训练,直至其预测正确率大于预设阈值。
基于上述流量分发模型的训练方法,本公开还提供了一种流量分发方法。以下将结合图6对该装置进行详细描述。
图6示意性示出了根据本公开实施例的流量分发方法的流程图。
如图6所示,该实施例的流量分发方法包括操作S610~操作S630。
在操作S610,获取待分发样本信息,其中,待分发样本信息包括用户信息。
在操作S620,根据待分发样本信息生成待分发样本数据,其中,待分发样本数据包括用户数据。
在操作S630,将待分发样本数据输入流量分发模型,输出流量分发结果,流量分发结果表征将用户信息分发给多个流量接收方中的目标流量接收方,其中,流量分发模型由本公开实施例提供的流量分发模型的训练方法训练得到。
基于上述流量分发模型的训练方法,本公开还提供了一种流量分发模型的训练装置。以下将结合图7对该装置进行详细描述。
图7示意性示出了根据本公开实施例的流量分发模型的训练装置的结构框图。
如图7所示,该实施例的流量分发模型的训练装置700包括第一获取模块710、第一生成模块720和训练模块730。
第一获取模块710用于获取初始样本数据集,其中,初始样本数据集中的初始样本包括用户信息以及与用户信息对应的历史流量分发信息。在一实施例中,第一获取模块710可以用于执行前文描述的操作S210,在此不再赘述。
第一生成模块720用于基于初始样本数据集,根据预设规则生成训练样本数据集,其中,训练样本数据集中的训练样本包括用户特征数据以及与用户特征数据对应的历史流量分发数据,其中,训练样本数据集还包括与训练样本对应的标签信息,标签信息表征历史流量分发成功结果。在一实施例中,第一生成模块720可以用于执行前文描述的操作S220,在此不再赘述。
训练模块730用于利用训练样本数据集训练待训练的流量分发模型,得到训练完成的流量分发模型。在一实施例中,训练模块730可以用于执行前文描述的操作S230,在此不再赘述。
根据本公开的实施例,第一生成模块720包括匹配单元、数据整合单元和数据处理单元。
匹配单元,用于将初始样本数据集与预先配置的特征整合表进行匹配,生成第一样本数据集,其中,第一样本数据集包括与同一用户对应的多个第一样本。
数据整合单元,用于对第一样本数据集进行数据整合,生成第二样本数据集,其中,第二样本数据集中的每个第二样本对应一个用户。
数据处理单元,用于对第二样本数据集进行数据处理,生成训练样本数据集。
根据本公开的实施例,第二样本包括第一预设字符信息。
根据本公开的实施例,数据处理单元包括转换子单元和数据标准化子单元。
转换子单元,用于利用独热编码算法处理第二样本数据集中的第二样本,以便将第二样本中的第一预设字符信息转换为第二预设字符信息,生成第三样本数据集。
数据标准化子单元,用于对第三样本数据集中的第三样本进行数据标准化处理,生成训练样本数据集。
根据本公开的实施例,训练模块730包括划分单元、训练单元、验证单元和输出单元。
划分单元,用于将训练样本数据集划分为训练集和验证集。
训练单元,用于利用训练集训练待训练的流量分发模型,得到待验证的流量分发模型。
验证单元,用于将验证集输入待验证的流量分发模型,输出预测流量分发结果。
输出单元,用于根据预测流量分发结果和标签信息得到验证结果,在验证结果满足预设条件的情况下,输出训练完成的流量分发模型,其中,验证结果表征预测流量分发结果与标签信息的匹配程度。
根据本公开的实施例,待训练的流量分发模型包括基于LightGBM算法框架构建得到的模型,其中,在训练待训练的流量分发模型时,使用梯度提升迭代决策树算法。
根据本公开的实施例,用户信息包括用户基本信息、用户金融特征信息以及用户法律特征信息。
基于上述流量分发方法,本公开还提供了一种流量分发装置。以下将结合图8对该装置进行详细描述。
图8示意性示出了根据本公开实施例的流量分发装置的结构框图。
如图8所示,该实施例的流量分发装置800包括第二获取模块810、第二生成模块820和分发模块830。
第二获取模块810用于获取待分发样本信息,其中,待分发样本信息包括用户信息。在一实施例中,第二获取模块810可以用于执行前文描述的操作S610,在此不再赘述。
第二生成模块820用于根据待分发样本信息生成待分发样本数据,其中,待分发样本数据包括用户数据。在一实施例中,第二生成模块820可以用于执行前文描述的操作S620,在此不再赘述。
分发模块830用于将待分发样本数据输入流量分发模型,输出流量分发结果,流量分发结果表征将用户信息分发给多个流量接收方中的目标流量接收方,其中,流量分发模型由本公开实施例提供的流量分发模型的训练方法训练得到。在一实施例中,分发模块830可以用于执行前文描述的操作S630,在此不再赘述。
根据本公开的实施例,第一获取模块710、第一生成模块720、训练模块730、第二获取模块810、第二生成模块820和分发模块830中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一获取模块710、第一生成模块720、训练模块730、第二获取模块810、第二生成模块820和分发模块830中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块710、第一生成模块720、训练模块730、第二获取模块810、第二生成模块820和分发模块830中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图9示意性示出了根据本公开实施例的适于实现流量分发模型的训练方法和流量分发方法的电子设备的方框图。
如图9所示,根据本公开实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储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执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的流量分发模型的训练方法和流量分发方法。
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,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实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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、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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种流量分发模型的训练方法,包括:
获取初始样本数据集,其中,所述初始样本数据集中的初始样本包括用户信息以及与所述用户信息对应的历史流量分发信息;
基于所述初始样本数据集,根据预设规则生成训练样本数据集,包括:将所述初始样本数据集与预先配置的特征整合表进行匹配,生成第一样本数据集,其中,所述第一样本数据集包括与同一用户对应的多个第一样本;对所述第一样本数据集进行数据整合,生成第二样本数据集,其中,所述第二样本数据集中的每个第二样本对应一个用户;对所述第二样本数据集进行数据处理,生成所述训练样本数据集;其中,所述训练样本数据集中的训练样本包括用户特征数据以及与所述用户特征数据对应的历史流量分发数据,其中,所述训练样本数据集还包括与所述训练样本对应的标签信息,所述标签信息表征所述历史流量分发成功结果;
利用所述训练样本数据集训练待训练的流量分发模型,得到训练完成的流量分发模型。
2.根据权利要求1所述的方法,其中,所述第二样本包括第一预设字符信息;
所述对所述第二样本数据集进行数据处理,生成所述训练样本数据集包括:
利用独热编码算法处理所述第二样本数据集中的第二样本,以便将所述第二样本中的所述第一预设字符信息转换为第二预设字符信息,生成第三样本数据集;
对所述第三样本数据集中的第三样本进行数据标准化处理,生成所述训练样本数据集。
3.根据权利要求1所述的方法,其中,所述利用所述训练样本数据集训练待训练的流量分发模型,得到训练完成的流量分发模型包括:
将所述训练样本数据集划分为训练集和验证集;
利用所述训练集训练所述待训练的流量分发模型,得到待验证的流量分发模型;
将所述验证集输入所述待验证的流量分发模型,输出预测流量分发结果;
根据所述预测流量分发结果和所述标签信息得到验证结果,在所述验证结果满足预设条件的情况下,输出训练完成的流量分发模型,其中,所述验证结果表征所述预测流量分发结果与所述标签信息的匹配程度。
4.根据权利要求3或1所述的方法,其中,所述待训练的流量分发模型包括基于LightGBM算法框架构建得到的模型,其中,在训练所述待训练的流量分发模型时,使用梯度提升迭代决策树算法。
5.根据权利要求1所述的方法,其中,所述用户信息包括用户基本信息、用户金融特征信息以及用户法律特征信息。
6.一种流量分发方法,包括:
获取待分发样本信息,其中,所述待分发样本信息包括用户信息;
根据所述待分发样本信息生成待分发样本数据,其中,所述待分发样本数据包括用户数据;
将所述待分发样本数据输入流量分发模型,输出流量分发结果,所述流量分发结果表征将所述用户信息分发给多个流量接收方中的目标流量接收方,其中,所述流量分发模型由权利要求1至5任一项所述的流量分发模型的训练方法训练得到。
7.一种流量分发模型的训练装置,包括:
第一获取模块,用于获取初始样本数据集,其中,所述初始样本数据集中的初始样本包括用户信息以及与所述用户信息对应的历史流量分发信息;
第一生成模块,用于基于所述初始样本数据,根据预设规则生成训练样本数据集,包括:将所述初始样本数据集与预先配置的特征整合表进行匹配,生成第一样本数据集,其中,所述第一样本数据集包括与同一用户对应的多个第一样本;对所述第一样本数据集进行数据整合,生成第二样本数据集,其中,所述第二样本数据集中的每个第二样本对应一个用户;对所述第二样本数据集进行数据处理,生成所述训练样本数据集;其中,所述训练样本数据集中的训练样本包括用户特征数据以及与所述用户特征数据对应的历史流量分发数据,其中,所述训练样本数据集还包括与所述训练样本对应的标签信息,所述标签信息表征所述历史流量分发成功结果;以及
训练模块,用于利用所述训练样本数据集训练待训练的流量分发模型,得到训练完成的流量分发模型。
8.一种流量分发装置,包括:
第二获取模块,用于获取待分发样本信息,其中,所述待分发样本信息包括用户信息;
第二生成模块,用于根据所述待分发样本信息生成待分发样本数据,其中,所述待分发样本数据包括用户数据;
分发模块,用于将所述待分发样本数据输入流量分发模型,输出流量分发结果,所述流量分发结果表征将所述用户信息分发给多个流量接收方中的目标流量接收方,其中,所述流量分发模型由权利要求1至5任一项所述的流量分发模型的训练方法训练得到。
9.一种电子设备,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,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~6中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769772.1A CN113507419B (zh) | 2021-07-07 | 2021-07-07 | 流量分发模型的训练方法、流量分发方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769772.1A CN113507419B (zh) | 2021-07-07 | 2021-07-07 | 流量分发模型的训练方法、流量分发方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113507419A CN113507419A (zh) | 2021-10-15 |
CN113507419B true CN113507419B (zh) | 2022-11-01 |
Family
ID=78011924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110769772.1A Active CN113507419B (zh) | 2021-07-07 | 2021-07-07 | 流量分发模型的训练方法、流量分发方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113507419B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707097B (zh) * | 2022-05-31 | 2022-08-26 | 每日互动股份有限公司 | 一种获取目标消息流量的数据处理系统 |
CN116070520B (zh) * | 2023-01-20 | 2024-08-13 | 清华大学 | 水流阻力预测模型的构建方法、流量预测方法及装置 |
CN116743672A (zh) * | 2023-06-08 | 2023-09-12 | 新分享科技服务(深圳)有限公司 | 基于人工智能的流量分发方法、系统、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109842563A (zh) * | 2017-11-24 | 2019-06-04 | 中国电信股份有限公司 | 内容分发网络流量调度方法、装置和计算机可读存储介质 |
CN111723295A (zh) * | 2020-06-30 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 一种内容分发方法、装置和存储介质 |
CN112165691A (zh) * | 2020-09-24 | 2021-01-01 | 百度在线网络技术(北京)有限公司 | 内容分发网络调度方法、装置、服务器和介质 |
CN112612768A (zh) * | 2020-12-11 | 2021-04-06 | 上海哔哩哔哩科技有限公司 | 模型训练方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113014608B (zh) * | 2019-12-19 | 2022-07-26 | 深圳云天励飞技术有限公司 | 一种流量分发控制方法、装置、电子设备及存储介质 |
CN112270546A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于stacking算法的风险预测方法、装置和电子设备 |
CN112270547A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于特征构造的金融风险评估方法、装置和电子设备 |
-
2021
- 2021-07-07 CN CN202110769772.1A patent/CN113507419B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109842563A (zh) * | 2017-11-24 | 2019-06-04 | 中国电信股份有限公司 | 内容分发网络流量调度方法、装置和计算机可读存储介质 |
CN111723295A (zh) * | 2020-06-30 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 一种内容分发方法、装置和存储介质 |
CN112165691A (zh) * | 2020-09-24 | 2021-01-01 | 百度在线网络技术(北京)有限公司 | 内容分发网络调度方法、装置、服务器和介质 |
CN112612768A (zh) * | 2020-12-11 | 2021-04-06 | 上海哔哩哔哩科技有限公司 | 模型训练方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113507419A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113507419B (zh) | 流量分发模型的训练方法、流量分发方法及装置 | |
CN114358147A (zh) | 异常账户识别模型的训练方法、识别方法、装置及设备 | |
CN113379554A (zh) | 金融产品的推荐方法、装置、设备、介质和程序产品 | |
CN113393299A (zh) | 推荐模型训练方法、装置、电子设备和存储介质 | |
CN114218283A (zh) | 异常检测方法、装置、设备、介质 | |
CN117314558A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN116308602A (zh) | 推荐产品信息的生成方法、装置、电子设备和介质 | |
CN115471228A (zh) | 金融业务凭证检核方法、装置、设备及存储介质 | |
CN113935334A (zh) | 文本信息处理方法、装置、设备和介质 | |
CN114820196A (zh) | 信息推送方法、装置、设备及介质 | |
CN114219601A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN113391988A (zh) | 流失用户留存的方法、装置、电子设备及存储介质 | |
CN114118046A (zh) | 一种批量交易处理方法和装置 | |
CN113436000A (zh) | 汇款处理方法、汇款处理装置、电子设备及可读存储介质 | |
CN113010666A (zh) | 摘要生成方法、装置、计算机系统及可读存储介质 | |
CN113448578A (zh) | 页面数据处理方法、处理系统、电子设备和可读存储介质 | |
CN113436001A (zh) | 信用卡的推送方法、装置、设备、存储介质和程序产品 | |
CN116664278A (zh) | 信息生成方法、装置、设备及存储介质 | |
CN115809890A (zh) | 信息预测方法、装置、设备、介质 | |
CN114138818A (zh) | 信息处理方法、处理装置、电子设备及可读存储介质 | |
CN117726458A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN114742648A (zh) | 产品推送方法、装置、设备及介质 | |
CN116310423A (zh) | 图像识别方法、装置、电子设备及可读存储介质 | |
CN117436454A (zh) | 数据识别方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |