CN113569919A - 一种用户标签处理方法、装置和电子设备 - Google Patents
一种用户标签处理方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113569919A CN113569919A CN202110763069.XA CN202110763069A CN113569919A CN 113569919 A CN113569919 A CN 113569919A CN 202110763069 A CN202110763069 A CN 202110763069A CN 113569919 A CN113569919 A CN 113569919A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- user credit
- user
- label
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种用户标签处理方法,获取用作训练样本的用户资信数据,根据其是否携带有标签进行分为正标签用户资信数据和待打标用户资信数据,在正标签用户资信数据中确定辅助用户资信数据,将其划分至待打标用户资信数据类别中,训练标签预测第一模型,对辅助用户资信数据进行预测,确定预测值,设置模型阈值,并结合模型阈值训练标签预测第二模型,用其对新获取的用户资信数据进行标签预测。通过将部分正标签用户作为辅助用户先训练标签预测第一模型,那么,辅助用户对应的预测值能够一定程度表明该模型遗漏的正样本用户的模型阈值,那么,根据这个模型阈值再去训练标签预测第二模型,用它便能提高打标准确率,挽回漏掉的用户。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种用户标签处理方法、装置和电子设备。
背景技术
我们在进行客户管理时,常常会根据客户的资信数据对客户打上标签,以便后续进行客群的划分等。
在对用户打标时,多是利用模型进行预测,这种用于预测的模型通常是借助正样本和负样本进行训练得到的,然而,现实中我们接触到的大部分数据实际上是正样本及未标注的负样本,这是因为获取负类样本较为困难、负类数据太过多样化且动态变化,很难得到较好的训练效果。这就使得如果寄希望于收集负样本进行模型训练继而进行打标,就会出现样本过少打标的准确率低的问题。
因此,有必要提供一种新的处理方法。
发明内容
本说明书实施例提供一种用户标签处理方法、装置和电子设备,用以提高准确率。
本说明书实施例还提供一种用户标签处理方法,包括:
获取用作训练样本的用户资信数据,根据用户资信数据是否携带有标签进行分类,分为正标签用户资信数据和待打标用户资信数据;
在所述正标签用户资信数据中确定辅助用户资信数据,将其划分至待打标用户资信数据类别中;
利用所述用户资信数据训练标签预测第一模型;
利用所述标签预测第一模型对待打标用户资信数据类别中的辅助用户资信数据进行预测,确定预测值,根据预测值设置模型阈值,并结合所述模型阈值训练标签预测第二模型,用标签预测第二模型对新获取的用户资信数据进行标签预测。
可选地,所述标签为是否具有公积金账户。
可选地,还包括:
在对新获取的用户资信数据进行标签预测后,对预测出的正标签用户进行召回。
可选地,还包括:
将召回的正标签用户划分至相应的客群中。
可选地,所述利用所述用户资信数据训练标签预测第一模型,包括:
以半监督学习的方式,利用所述用户资信数据训练标签预测第一模型。
可选地,所述标签预测第二模型为二分类模型,所述二分类模型中具有一个由多个分类器集成形成的二分类器。
可选地,所述根据预测值设置模型阈值,包括:
根据多个预测值中最小值设置模型中用于判定负标签的阈值下限。
本说明书实施例还提供一种用户标签处理装置,包括:
数据处理模块,用于获取用作训练样本的用户资信数据,根据用户资信数据是否携带有标签进行分类,分为正标签用户资信数据和待打标用户资信数据;
在所述正标签用户资信数据中确定辅助用户资信数据,将其划分至待打标用户资信数据类别中;
模型模块,用于利用所述用户资信数据训练标签预测第一模型;
利用所述标签预测第一模型对待打标用户资信数据类别中的辅助用户资信数据进行预测,确定预测值,根据预测值设置模型阈值,并结合所述模型阈值训练标签预测第二模型,用标签预测第二模型对新获取的用户资信数据进行标签预测。
可选地,所述标签为是否具有公积金账户。
可选地,还包括:
在对新获取的用户资信数据进行标签预测后,对预测出的正标签用户进行召回。
可选地,还包括:
将召回的正标签用户划分至相应的客群中。
可选地,所述利用所述用户资信数据训练标签预测第一模型,包括:
以半监督学习的方式,利用所述用户资信数据训练标签预测第一模型。
可选地,所述标签预测第二模型为二分类模型,所述二分类模型中具有一个由多个分类器集成形成的二分类器。
可选地,所述根据预测值设置模型阈值,包括:
根据多个预测值中最小值设置模型中用于判定负标签的阈值下限。
本说明书实施例还提供一种电子设备,其中,该电子设备包括:
处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述任一项方法。
本说明书实施例还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现上述任一项方法。
本说明书实施例提供的各种技术方案通过获取用作训练样本的用户资信数据,根据其是否携带有标签进行分为正标签用户资信数据和待打标用户资信数据,在正标签用户资信数据中确定辅助用户资信数据,将其划分至待打标用户资信数据类别中,训练标签预测第一模型,对辅助用户资信数据进行预测,确定预测值,设置模型阈值,并结合模型阈值训练标签预测第二模型,用其对新获取的用户资信数据进行标签预测。通过将部分正标签用户作为辅助用户先训练标签预测第一模型,那么,辅助用户对应的预测值能够一定程度表明该模型遗漏的正样本用户的模型阈值,那么,根据这个模型阈值再去训练标签预测第二模型,用它便能提高打标准确率,挽回漏掉的用户。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例提供的一种用户标签处理方法的原理示意图;
图2为本说明书实施例提供的一种用户标签处理装置的结构示意图;
图3为本说明书实施例提供的一种电子设备的结构示意图;
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明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元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
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。
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。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
图1为本说明书实施例提供的一种用户标签处理方法的原理示意图,该方法可以包括:
S101:获取用作训练样本的用户资信数据,根据用户资信数据是否携带有标签进行分类,分为正标签用户资信数据和待打标用户资信数据。
在本说明书实施例中,我们使用半监督学习方法以及bagging(袋外样本)算法分两步进行模型训练。
其中,资信数据可以包括用户的信用等级、收入水平、学历水平和年龄等。
有些用户可能已经被划分成优质用户,这种用户可以看作具有正标签的用户。
还有些用户,暂时不确定是否是优质用户,这些用户可以看作待打标用户,其携带的资信数据,便是待打标用户资信数据。
在本说明书实施例中,所述标签为是否具有公积金账户,具有公积金账户的为正样本用户,不确定是否具有公积金账户的为待打标用户。
S102:在所述正标签用户资信数据中确定辅助用户资信数据,将其划分至待打标用户资信数据类别中。
其中,辅助用户的作用是,用于确定正负样本的边界值。
这个边界值可以作为标签预测第二模型的分类器阈值,从而提高模型的区分度。
S103:利用所述用户资信数据训练标签预测第一模型。
在本说明书实施例中,对于构建的模型,我们可以先搭建其框架,具体可以搭建多个弱分类器,将其集成在一起形成强分类器。
这其实是一种提升树模型,具体可以是回归树。
在搭建完模型框架后,可以进行训练。
因此,在本说明书实施例中,所述利用所述用户资信数据训练标签预测第一模型,可以包括:
以半监督学习的方式,利用所述用户资信数据训练标签预测第一模型。
S104:利用所述标签预测第一模型对待打标用户资信数据类别中的辅助用户资信数据进行预测,确定预测值,根据预测值设置模型阈值,并结合所述模型阈值训练标签预测第二模型,用标签预测第二模型对新获取的用户资信数据进行标签预测。
通过获取用作训练样本的用户资信数据,根据其是否携带有标签进行分为正标签用户资信数据和待打标用户资信数据,在正标签用户资信数据中确定辅助用户资信数据,将其划分至待打标用户资信数据类别中,训练标签预测第一模型,对辅助用户资信数据进行预测,确定预测值,设置模型阈值,并结合模型阈值训练标签预测第二模型,用其对新获取的用户资信数据进行标签预测。通过将部分正标签用户作为辅助用户先训练标签预测第一模型,那么,辅助用户对应的预测值能够一定程度表明该模型遗漏的正样本用户的模型阈值,那么,根据这个模型阈值再去训练标签预测第二模型,用它便能提高打标准确率,挽回漏掉的用户。
在本说明书实施例中,所述标签预测第二模型为二分类模型,所述二分类模型中具有一个由多个分类器集成形成的二分类器。
在本说明书实施例中,该方法还可以包括:
在对新获取的用户资信数据进行标签预测后,对预测出的正标签用户进行召回。
这样,能够扩大对非优质用户的捕捉范围,提升非优质用户的捕捉率。
还可以利用标签对用户进行画像。
在本说明书实施例中,该方法还可以包括:
将召回的正标签用户划分至相应的客群中。
在丰富用户维度数据的同时,亦可对客群进行更细致的划分,对客群管理有着重要的意义。
由于未标注的样本中同时存在正负样本导致训练模型区分度降低,因此,通过辅助用户确定一个阈值,能够提高区分度,进而提高准确率,还可以头部人群的召回率。
在本说明书实施例中,所述根据预测值设置模型阈值,包括:
根据多个预测值中最小值设置模型中用于判定负标签的阈值下限。
具体实施时,先获取数据进行预处理,选取所有用户的资信数据及标签,作为样本数据,将具有正标签的标记为1,不具有标签的标记为0。
引入一部分正样本到无标签样本中,并将为其标记为0作为辅助用户,训练第一个模型。用该模型对所有样本打分,确定辅助用户的概率值(模型预测值)分布,确定阈值,将小于该阈值的样本作为负样本,训练第二个模型,作为最终的模型,也就是标签预测第二模型。
图2为本说明书实施例提供的一种用户标签处理装置的结构示意图,该装置可以包括:
数据处理模块201,用于获取用作训练样本的用户资信数据,根据用户资信数据是否携带有标签进行分类,分为正标签用户资信数据和待打标用户资信数据;
在所述正标签用户资信数据中确定辅助用户资信数据,将其划分至待打标用户资信数据类别中;
模型模块202,用于利用所述用户资信数据训练标签预测第一模型;
利用所述标签预测第一模型对待打标用户资信数据类别中的辅助用户资信数据进行预测,确定预测值,根据预测值设置模型阈值,并结合所述模型阈值训练标签预测第二模型,用标签预测第二模型对新获取的用户资信数据进行标签预测。
在本说明书实施例中,所述标签为是否具有公积金账户。
在本说明书实施例中,还包括:
在对新获取的用户资信数据进行标签预测后,对预测出的正标签用户进行召回。
在本说明书实施例中,还包括:
将召回的正标签用户划分至相应的客群中。
在本说明书实施例中,所述利用所述用户资信数据训练标签预测第一模型,包括:
以半监督学习的方式,利用所述用户资信数据训练标签预测第一模型。
在本说明书实施例中,所述标签预测第二模型为二分类模型,所述二分类模型中具有一个由多个分类器集成形成的二分类器。
在本说明书实施例中,所述根据预测值设置模型阈值,包括:
根据多个预测值中最小值设置模型中用于判定负标签的阈值下限。
该装置获取用作训练样本的用户资信数据,根据其是否携带有标签进行分为正标签用户资信数据和待打标用户资信数据,在正标签用户资信数据中确定辅助用户资信数据,将其划分至待打标用户资信数据类别中,训练标签预测第一模型,对辅助用户资信数据进行预测,确定预测值,设置模型阈值,并结合模型阈值训练标签预测第二模型,用其对新获取的用户资信数据进行标签预测。通过将部分正标签用户作为辅助用户先训练标签预测第一模型,那么,辅助用户对应的预测值能够一定程度表明该模型遗漏的正样本用户的模型阈值,那么,根据这个模型阈值再去训练标签预测第二模型,用它便能提高打标准确率,挽回漏掉的用户。
基于同一发明构思,本说明书实施例还提供一种电子设备。
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图3为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于:至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340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310执行,使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元310可以执行如图1所示的步骤。
所述存储单元320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)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。
所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205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330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300也可以与一个或多个外部设备400(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300交互的设备通信,和/或与使得该电子设备300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350进行。并且,电子设备300还可以通过网络适配器360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360可以通过总线330与电子设备300的其它模块通信。应当明白,尽管图3中未示出,可以结合电子设备300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、RAI D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,本发明描述的示例性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,根据本发明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计算机可读的存储介质(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)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:如图1所示的方法。
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机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发明操作的程序代码,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)。
综上所述,本发明可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
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见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用户标签处理方法,其特征在于,包括:
获取用作训练样本的用户资信数据,根据用户资信数据是否携带有标签进行分类,分为正标签用户资信数据和待打标用户资信数据;
在所述正标签用户资信数据中确定辅助用户资信数据,将其划分至待打标用户资信数据类别中;
利用所述用户资信数据训练标签预测第一模型;
利用所述标签预测第一模型对待打标用户资信数据类别中的辅助用户资信数据进行预测,确定预测值,根据预测值设置模型阈值,并结合所述模型阈值训练标签预测第二模型,用标签预测第二模型对新获取的用户资信数据进行标签预测。
2.根据权利要求1所述的方法,其特征在于,所述标签为是否具有公积金账户。
3.根据权利要求1-2中任一项所述的方法,其特征在于,还包括:
在对新获取的用户资信数据进行标签预测后,对预测出的正标签用户进行召回。
4.根据权利要求1-3中任一项所述的方法,其特征在于,还包括:
将召回的正标签用户划分至相应的客群中。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述利用所述用户资信数据训练标签预测第一模型,包括:
以半监督学习的方式,利用所述用户资信数据训练标签预测第一模型。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述标签预测第二模型为二分类模型,所述二分类模型中具有一个由多个分类器集成形成的二分类器。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述根据预测值设置模型阈值,包括:
根据多个预测值中最小值设置模型中用于判定负标签的阈值下限。
8.一种用户标签处理装置,其特征在于,包括:
数据处理模块,用于获取用作训练样本的用户资信数据,根据用户资信数据是否携带有标签进行分类,分为正标签用户资信数据和待打标用户资信数据;
在所述正标签用户资信数据中确定辅助用户资信数据,将其划分至待打标用户资信数据类别中;
模型模块,用于利用所述用户资信数据训练标签预测第一模型;
利用所述标签预测第一模型对待打标用户资信数据类别中的辅助用户资信数据进行预测,确定预测值,根据预测值设置模型阈值,并结合所述模型阈值训练标签预测第二模型,用标签预测第二模型对新获取的用户资信数据进行标签预测。
9.一种电子设备,其中,该电子设备包括:
处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110763069.XA CN113569919A (zh) | 2021-07-06 | 2021-07-06 | 一种用户标签处理方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110763069.XA CN113569919A (zh) | 2021-07-06 | 2021-07-06 | 一种用户标签处理方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569919A true CN113569919A (zh) | 2021-10-29 |
Family
ID=78163857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110763069.XA Pending CN113569919A (zh) | 2021-07-06 | 2021-07-06 | 一种用户标签处理方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569919A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019770A (zh) * | 2017-07-24 | 2019-07-16 | 华为技术有限公司 | 训练分类模型的方法与装置 |
CN110532542A (zh) * | 2019-07-15 | 2019-12-03 | 西安交通大学 | 一种基于正例与未标注学习的发票虚开识别方法及系统 |
CN111047428A (zh) * | 2019-12-05 | 2020-04-21 | 深圳索信达数据技术有限公司 | 基于少量欺诈样本的银行高风险欺诈客户识别方法 |
CN111612519A (zh) * | 2020-04-13 | 2020-09-01 | 广发证券股份有限公司 | 一种识别金融产品潜在客户的方法、装置及存储介质 |
CN111973996A (zh) * | 2020-08-20 | 2020-11-24 | 腾讯科技(上海)有限公司 | 一种游戏资源投放方法和装置 |
CN112016756A (zh) * | 2020-08-31 | 2020-12-01 | 北京深演智能科技股份有限公司 | 数据预测的方法和装置 |
US20210158195A1 (en) * | 2019-11-26 | 2021-05-27 | International Business Machines Corporation | Data label verification |
-
2021
- 2021-07-06 CN CN202110763069.XA patent/CN113569919A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019770A (zh) * | 2017-07-24 | 2019-07-16 | 华为技术有限公司 | 训练分类模型的方法与装置 |
CN110532542A (zh) * | 2019-07-15 | 2019-12-03 | 西安交通大学 | 一种基于正例与未标注学习的发票虚开识别方法及系统 |
US20210158195A1 (en) * | 2019-11-26 | 2021-05-27 | International Business Machines Corporation | Data label verification |
CN111047428A (zh) * | 2019-12-05 | 2020-04-21 | 深圳索信达数据技术有限公司 | 基于少量欺诈样本的银行高风险欺诈客户识别方法 |
CN111612519A (zh) * | 2020-04-13 | 2020-09-01 | 广发证券股份有限公司 | 一种识别金融产品潜在客户的方法、装置及存储介质 |
CN111973996A (zh) * | 2020-08-20 | 2020-11-24 | 腾讯科技(上海)有限公司 | 一种游戏资源投放方法和装置 |
CN112016756A (zh) * | 2020-08-31 | 2020-12-01 | 北京深演智能科技股份有限公司 | 数据预测的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636047B (zh) | 用户活跃度预测模型训练方法、系统、设备及存储介质 | |
CN110795568A (zh) | 基于用户信息知识图谱的风险评估方法、装置和电子设备 | |
CN111210335A (zh) | 用户风险识别方法、装置及电子设备 | |
CN112529481A (zh) | 一种用户捞回方法、装置及电子设备 | |
CN112348662B (zh) | 基于用户职业预测的风险评估方法、装置和电子设备 | |
CN110796482A (zh) | 用于机器学习模型的金融数据分类方法、装置及电子设备 | |
CN110796171A (zh) | 机器学习模型的未分类样本处理方法、装置及电子设备 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN113450075A (zh) | 基于自然语言技术的工单处理方法及装置 | |
CN111178687A (zh) | 金融风险分类方法、装置及电子设备 | |
CN111597437A (zh) | 一种基于兴趣点的消息推送方法、装置和电子设备 | |
CN111582314A (zh) | 目标用户确定方法、装置及电子设备 | |
CN112381563A (zh) | 一种自动化标签生成方法、装置和电子设备 | |
CN112819528A (zh) | 人群包的上线方法、装置及电子设备 | |
CN111582645A (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
CN111191677A (zh) | 用户特征数据生成方法、装置及电子设备 | |
CN110782128A (zh) | 一种用户职业标签生成方法、装置和电子设备 | |
CN110889717A (zh) | 文本中的广告内容过滤方法、装置、电子设备及存储介质 | |
CN112989050B (zh) | 一种表格分类方法、装置、设备及存储介质 | |
CN111783766B (zh) | 一种分步识别图像字符的方法、装置和电子设备 | |
CN111582649A (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
CN110119784B (zh) | 一种订单推荐方法及装置 | |
CN112288475A (zh) | 产品推荐方法、装置及电子设备 | |
CN113569929B (zh) | 基于小样本扩展的互联网服务提供方法、装置及电子设备 | |
CN113569919A (zh) | 一种用户标签处理方法、装置和电子设备 |
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 |