CN113570114B - 一种资源服务智能匹配方法、系统和计算机设备 - Google Patents
一种资源服务智能匹配方法、系统和计算机设备 Download PDFInfo
- Publication number
- CN113570114B CN113570114B CN202110748446.2A CN202110748446A CN113570114B CN 113570114 B CN113570114 B CN 113570114B CN 202110748446 A CN202110748446 A CN 202110748446A CN 113570114 B CN113570114 B CN 113570114B
- Authority
- CN
- China
- Prior art keywords
- resource service
- user
- service provider
- matched
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims 1
- 238000013468 resource allocation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种资源服务智能匹配方法、系统和计算机设备。该方法包括:建立与各资源服务提供方相对应的子预测模型,各子预测模型分别用于计算各资源服务提供方接受用户的资源服务请求的概率;接收待匹配用户的资源服务请求;使用各子预测模型计算各资源服务提供方接受该待匹配用户的资源服务请求的概率;根据各子预测模型计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率,为该待匹配用户匹配相应的资源服务提供方。本发明能能够更精确地为该待匹配用户匹配相应的资源服务提供方,能够有效地、智能化地进行用户与资源服务提供方的匹配处理。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种资源服务智能匹配方法、系统和计算机设备。
背景技术
风险预测是对风险的量化,是风险管理的关键性技术。目前一般通过建模的方式进行风险预测,在模型的建立过程中,主要有数据抽取、特征生成、特征选取、算法模型生成和合理性评估等步骤。
在现有技术中,风险预测主要的目的是如何区分出好客户和坏客户,评估用户的风险情况,以降低信用风险,并实现利润最大化。此外,随着数据的来源渠道越来越丰富,可以作为风险特征变量的数据也越来越多。在现有资源服务平台,基于用户提供资源服务请求而为用户提供资源服务,但是对于为不同用户群提供更匹配的资源服务提供方,现有方法中并没有特别有效的方法,直接将资源服务提供方分配给用户,由此造成资源服务提供方拒绝用户的资源服务请求的可能性大(即通过率低)的问题,或者造成用户与资源服务提供方的匹配不合理等的问题。此外,还存在不能为用户提供更适配或更精确的资源服务提供方、资源服务提供方接收用户的资源服务请求的通过率低等问题。
因此,有必要提供一种有效的资源服务智能匹配方法。
发明内容
为了解决现有不能为用户提供更适配或更精确的资源服务提供方、资源服务提供方接收用户的资源服务请求的通过率低等的技术问题。
鉴于上述问题,本发明第一方面提供了一种资源服务智能匹配方法,建立与各资源服务提供方相对应的子预测模型,各子预测模型分别用于计算各资源服务提供方接受用户的资源服务请求的概率;接收待匹配用户的资源服务请求;使用各子预测模型计算各资源服务提供方接受该待匹配用户的资源服务请求的概率;根据各子预测模型计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率,为该待匹配用户匹配相应的资源服务提供方。
根据本发明的可选实施方式,在接收待匹配用户的资源服务请求之前还包括:计算各资源服务提供方在特定历史时间段内的资源服务提供能力;所述为该待匹配用户匹配相应的资源服务提供方时根据所述资源服务提供能力,对所述各资源服务提供方进行排序,并筛选特定数量的资源服务提供方以形成资源服务提供方集合,将所述资源服务提供方集合作为与该待匹配用户匹配的资源服务提供方。
根据本发明的可选实施方式,所述筛选特定数量的资源服务提供方以形成资源服务提供方集合包括:通过所述待匹配用户所属的用户群,筛选特定数量的资源服务提供方以形成资源服务提供方集合;和/或通过所述用户群的数据渠道,筛选特定数量的资源服务提供方以形成资源服务提供方集合。
根据本发明的可选实施方式,所述资源服务请求包括用户特征参数;建立所述子预测模型的步骤包括:基于条件概率的计算原理,建立各资源服务提供方相对应的子预测模型,并分别使用各自对应的训练数据集训练相应的子预测模型,其中,所述子预测模型的输入特征为用户特征参数,输出特征为资源服务提供方接受用户的资源服务请求的概率;
针对每个所述资源服务提供方进行如下步骤:获取所述资源服务提供方对应的多个训练数据样本;其中,所述训练数据样本包括:历史资源服务请求中的历史用户特征参数和对应所述历史资源服务请求被所述资源服务提供方接受的真实概率;将所述历史用户特征参数均分别输入所述子预测模型,分别输出预测概率;判断与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比是否大于预设占比值;若是,则所述子预测模型收敛,得到训练完成的子预测模型;若否,则调整所述子预测模型中的模型参数,重新通过所述子预测模型预测所述历史用户特征参数的预测概率,直至与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比大于预设占比值。
根据本发明的可选实施方式,所述为该待匹配用户匹配相应的资源服务提供方包括:基于所计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率的大小,对所述各资源服务提供方进行排序,根据排序结果,选出特定数量的资源服务提供方作为匹配结果,自动向所述待匹配用户反馈匹配结果;和/或将所计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率与特定阈值进行对比,选出该概率大于所述特定阈值的资源服务提供方作为匹配结果,自动向所述待匹配用户反馈匹配结果。
根据本发明的可选实施方式,所述为该待匹配用户匹配相应的资源服务提供方包括:根据所计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率,选出概率最大的资源服务提供方作为匹配的资源服务提供方,自动向所述待匹配用户反馈匹配的资源服务提供方。
此外,本发明第二方面还提供了一种资源服务智能匹配系统,包括:模型建立模块,用于建立与各资源服务提供方相对应的子预测模型,各子预测模型分别用于计算各资源服务提供方接受用户的资源服务请求的概率;接收模块,用于接收待匹配用户的资源服务请求;计算模块,用于使用各子预测模型计算各资源服务提供方接受该待匹配用户的资源服务请求的概率;匹配模块,用于根据各子预测模型计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率,为该待匹配用户匹配相应的资源服务提供方。
所述资源服务智能匹配系统还包括:资源服务提供能力计算模块,用于计算各资源服务提供方在特定历史时间段内的资源服务提供能力;
所述匹配模块,用于根据所述资源服务提供能力,对所述各资源服务提供方进行排序,并筛选特定数量的资源服务提供方以形成资源服务提供方集合,将所述资源服务提供方集合作为与该待匹配用户匹配的资源服务提供方;
所述资源服务智能匹配系统还包括筛选模块,用于通过所述待匹配用户所属的用户群,筛选特定数量的资源服务提供方以形成资源服务提供方集合;和/或通过所述用户群的数据渠道,筛选特定数量的资源服务提供方以形成资源服务提供方集合。
此外,本发明第三方面还提供了一种计算机设备,包括处理器和存储器,所述存储器用于存储计算机可执行程序,当所述计算机程序被所述处理器执行时,所述处理器执行本发明第一方面所述资源服务智能匹配方法。
此外,本发明第四方面还提供了一种计算机程序产品,存储有计算机可执行程序,所述计算机可执行程序被执行时,使所述处理器执行本发明第一方面所述资源服务智能匹配方法。
有益效果
与现有技术相比,本发明能够通过建立与各资源服务提供方相对应的子预测模型,能够更精确地计算出可接受用户的资源服务请求的资源服务提供方,能够更精确地为该待匹配用户匹配相应的资源服务提供方,能够有效地、智能化地进行用户与资源服务提供方的匹配处理。
进一步地,通过计算用户风险评分,能够更精确量化用户的风险情况;通过计算各资源服务提供方的承接能力(或者资源服务提供能力),能够更精确量化各资源服务提供方可提供资源分配量,能够更有效地进行用户与各资源服务提供方的匹配计算;通过使用各子预测模型计算所述待匹配用户与各资源服务提供方接受该待匹配用户的资源服务请求的概率,能够更精确地计算出与用户相匹配的资源服务提供方;基于资源提供能力、用户群类别或用户群的数据渠道等参数对资源服务提供方进行初筛处理,确定特定数量的资源服务提供方,再使用相应子预测模型计算各资源服务提供方接受该待匹配用户的资源服务请求的概率,根据概率为待匹配用户匹配相应的资源服务提供方,实现精确地为该待匹配用户匹配相应的资源服务提供方,能够更有效地、更智能化地进行用户与资源服务提供方的匹配处理。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明本发明示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是本发明的实施例1的资源服务智能匹配方法的一示例的流程图。
图2是本发明的实施例1的资源服务智能匹配方法的另一示例的流程图。
图3是本发明的实施例1的资源服务智能匹配方法的又一示例的流程图。
图4是本发明的实施例2的资源服务智能匹配系统的一示例的示意图。
图5是本发明的实施例2的资源服务智能匹配系统的另一示例的示意图。
图6是根据本发明的一种计算机设备的示例性实施例的结构框图。
图7是根据本发明的计算机程序产品的示例性实施例的结构框图。
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。
应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如,第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“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。
鉴于上述问题,本发明提出了一种资源服务智能匹配方法,所述资源服务智能匹配方法用于为提出资源服务请求的用户自动匹配资源服务提供方,所述资源服务提供方是根据所述用户的用户特征参数和资源请求信息来接受或拒绝该用户的资源服务请求。
上述方法通过建立与各资源服务提供方相对应的子预测模型,各子预测模型分别用于计算各资源服务提供方接受用户的资源服务请求的概率;在接收待匹配用户的资源服务请求时,使用各子预测模型计算待匹配用户与各资源服务提供方接受该待匹配用户的资源服务请求的概率,并根据计算结果,为所述待匹配用户匹配相应的资源服务提供方。该方法能够通过建立与各资源服务提供方相对应的子预测模型,能够更精确地计算出可接受用户的资源服务请求的资源服务提供方,能够更精确地为该待匹配用户匹配相应的资源服务提供方,能够更有效地、更智能化地进行用户与资源服务提供方的匹配处理。
需要说明的是,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分配与归还时的风险预测,不仅限于金融资源,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,本发明中以数据资源为例进行说明资源服务匹配的实施,但本领域技术人员应当理解,本发明亦可以用于其他资源服务匹配。以下将结合示例详细描述本发明方法的具体过程。
实施例1
下面,将参照图1至图3描述本发明的基于金融时间节点的金融风险预测方法的实施例。
图1为本发明的资源服务智能匹配方法的一示例的流程图。如图1所示,该方法包括如下步骤。
步骤S101,建立与各资源服务提供方相对应的子预测模型,各子预测模型分别用于计算各资源服务提供方接受用户的资源服务请求的概率。
步骤S102,接收待匹配用户的资源服务请求。
步骤S103,使用各子预测模型计算各资源服务提供方接受该待匹配用户的资源服务请求的概率。
步骤S104,根据各子预测模型计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率,为该待匹配用户匹配相应的资源服务提供方。
在本示例中,该方法用于用户向资源服务平台发起资源服务请求,该资源服务平台接收所述资源服务请求,并根据所述资源服务请求为所述用户匹配出相适配的资源服务提供方,所述资源服务提供方用于向用户提供与资源服务请求相对应的资源。以下将结合示例具体说明本发明的方法。
首先,在步骤S101中,建立与各资源服务提供方相对应的子预测模型,各子预测模型分别用于计算各资源服务提供方接受用户的资源服务请求的概率。
具体地,基于条件概率的计算原理,建立各资源服务提供方相对应的子预测模型,并使用各自对应的训练数据集训练相应的子预测模型。
在第一实施方式中,仅基于条件概率的计算原理,建立各资源服务提供方相对应的子预测模型,在该实施方式的情况下,无需进行模型训练,因此,不建立训练数据集。例如,使用用户的相关变量参数(例如,用户群类型、与各用户群相对应的月收入、年收入、年龄、地区等)、资源服务产品的定价参数(例如,资源服务产品类型、资源服务产品的定价、请求资源服务的时间)、资源服务提供方的承接能力等,计算资源服务提供方通过(或接受)用户的资源服务请求的概率(即接受概率)。第一实施方式的计算过程,具体参见条件概率在本发明的应用原理。
其中,各资源服务提供方是指通过资源服务平台可接受用户的资源服务请求的资源服务提供方,例如,接受用户a的资源服务请求,并给该用户a分配与用户请求相对应的额度的资源量。
对于条件概率在本发明的应用原理,在资源服务请求应用场景下,定义与该场景相对应的条件,例如该条件为在事件B成立的条件下,发生事件A的概率,其中,事件B例如为用户a的资源服务请求Qn为申请资源服务定价G、时间为T、资源请求量(或资源量)的资源服务请求,资源提供方Zn具有向用户a提供相应资源的承接能力,事件A为资源服务提供方Zn通过该资源服务请求的概率。
具体地,在样本空间下,在事件B成立的条件下,通过如下表达式,计算事件A发生的概率。
Mn=P(Ppass/AZn) (1)
其中,Mn(P(Ppass/AZn))是指与各资源服务提供方Zn相对应的子预测模型的计算值(或输出值),该计算值是指资源服务提供方Zn通过(或接受)该资源服务请求的接受概率,其中,Mn和Zn中的n均是大于0的正整数,例如M1~Mn分别是指与各资源服务提供方Zn相对应的子预测模型,例Z1~Zn分别是指不同的各资源服务提供方;Ppass是指与各资源服务提供方Zn通过(或接受)用户的资源服务请求Qn的概率。
需要说明的是,在上述表达式中,Ppass还可以是Prej,Prej是指在事件B成立的条件,事件A不发生的概率,更具体地,各资源服务提供方Zn拒绝用户的资源服务请求Qn的拒绝概率。
在第二实施方式中,基于条件概率的原理,并结合机器学习算法,建立各资源服务提供方相对应的子预测模型。其中,所述机器学习算法至少包括以下算法中一种:使用CNN(Convolutional Neural Networks,卷积神经网络),ResNet(残差网络),XGBoost(基于GBDT(Gradient Boosting Decision Tree)的改进算法),TextCNN算法、随机森林算法、逻辑回归算法等。
具体地,建立与各子预测模型相对应的训练数据集,使用各自对应的训练数据集训练相应的子预测模型。
进一步地,模型构建还包括定义好、坏样本,作为一个具体的例子,可以使用“各资源服务提供方Zn是否通过(或接受)用户的资源服务请求Qn的接受概率”来定义好坏样本,即标签为“资源服务提供方Zn是否接受用户的资源服务请求”标签值规定为0或1,其中,1表示接受用户的资源服务请求,0表示未接受用户的资源服务请求。在实际模型计算中,对于各资源服务提供方Zn,模型输出的预测值通常是一个0和1之间的数值。越接近0表示未接受用户的资源服务请求的可能性越大(即接受概率越小)。
对于模型构建,针对每个所述资源服务提供方进行如下步骤。
获取所述资源服务提供方对应的多个训练数据样本,其中,所述训练数据样本包括历史资源服务请求中的历史用户特征参数和对应所述历史资源服务请求被所述资源服务提供方接受的真实概率。
具体地,将历史用户的历史用户特征参数均分别输入所述子预测模型,分别输出预测概率。
作为一实施方式,判断真实概率与预测概率是否一致的步骤。具体地,计算真实概率和所输出的预测概率的相对偏差,其中,在所计算的相对偏差小于设定值时,判断真实概率和所述预测概率一致;而在所计算的相对偏差值大于等于设定值时,判断真实概率和所述预测概率一致。由此,能够更精确地判断真实概率和所述预测概率是否一致。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制,在其他实施方式中,也可以计算真实概率与所输出的预测概率的差值来判断真实概率和预测概率是否一致。在本示例中,所述设定值是由业务人员根据历史真实概率的统计值所确定的。但是不限于此,在其他示例中,还可通过其他方式进行确定。
作为另一实施方式,在判断真实概率和所述预测概率是否一致的步骤之后,判断与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比是否大于预设占比值。
若是,则所述子预测模型收敛,得到训练完成的子预测模型。
若否,则调整所述子预测模型中的模型参数,重新通过所述子预测模型预测所述历史用户特征参数的预测概率,直至与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比大于预设占比值。
需要说明的是,对于上述判断与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比是否大于预设占比值的步骤,还可以包括根据预设循环次数,在大于所述预设循环次数时,停止循环,以对循环次数过多增加限制。比如,当调整子预测模型的次数大于预设数量后,可以更换建立子预测模型所使用的机器学习方法,重新建立子预测模型,等等。上述仅作为示例进行说明,不能理解成对本发明的限制。
此外,对于各子预测模型的训练数据集因不同的资源服务提供方而略不同。
例如,对用户群有要求的资源服务提供方,训练数据集还包括用户群类别、用户数量、用户群的数据渠道等。再例如,训练数据集还包括收否有逾期或违约、是否购买多个资源服务产品等。
进一步地,所述子预测模型的输入特征为用户特征参数,输出特征为资源服务提供方接受用户的资源服务请求的概率。
由此,通过建立与各资源服务提供方相对应的子预测模型,能够更精确地计算出可接受用户的资源服务请求的资源服务提供方。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。
接下来,在步骤S102中,接收待匹配用户的资源服务请求。
具体地,用户向资源服务平台发起资源使用请求,该资源服务平台接收所述资源使用请求,其中,该资源使用请求包括用户特征参数和资源请求信息。
进一步地,资源服务平台获取待匹配用户的资源使用请求,并识别资源使用请求生成资源服务请求。
具体地,该资源服务请求包括用户特征参数和资源请求信息,并且所述资源服务请求包括资源使用请求、资源服务筹集请求、资源服务注册请求等。
在本示例中,以资源使用请求为示例进行说明;具体地,所述用户特征参数包括以下至少一个:用户ID、用户年龄、手机号和用户评分,其中,所述用户评分是通过用户评分模型计算得到的。而该资源服务请求是通过资源请求信息提取得到,所述资源请求信息包括以下至少一个:资源使用时间参数、资源使用服务的定价信息以及资源请求额度。
例如,用户a向资源服务平台发起资源使用请求Q1,该资源服务平台识别该资源使用请求Q1,并基于所识别的用户特征参数和资源请求信息进行风险评分计算。
需要说明的是,对于风险评分的计算,可使用现有风险评分计模型,也可使用XGBoost(基于GBDT(Gradient Boosting Decision Tree)的改进算法),TextCNN算法、随机森林算法和逻辑回归算法等中的至少一种算法建立风险模型,来计算用户风险评分(或用户评分,步骤S101的训练数据集也可包括该用户评分),以初步计算用户的风险情况,为各资源服务提供方提供参考信息。例如,各资源提供方根据该用户风险评分判断是否为可提供资源量的用户群,或者作为进一步风险分析或评估的参数。具体地,资源服务平台计算用户风险评分,各资源服务提供方根据所计算的用户风险评分,并根据预分类策略,初步确定具有该用户风险评分的用户所属的用户群,再判断该用户群是否是各资源提供方提供资源服务的用户群(即可提供资源量的用户群),在判断是可提供资源量的用户群时,确定该资源服务提供方能为该用户群内的用户提供资源量。
在另一实施方式中,如图2所示,在接收待匹配用户的资源服务请求之前,还包括计算各资源服务提供方在特定历史时间段内的资源服务提供能力的步骤S201。
在步骤S201中,在接收待匹配用户的资源服务请求之前,计算各资源服务提供方在特定历史时间段内的资源服务提供能力。
需要说明的是,在本发明中,所述资源提供能力是指资源服务提供方对不同用户群可提供的资源量(或资源分配量),也称为资源服务承接能力。例如,具体通过特定历史时间段内资源服务提供方所提供的资源分配总量、各用户群中用户的资源请求的通过率、各用户群的已分配资源量、已分配资源量的用户数量、用户群的比例等等参数来确定对不同用户群可提供的资源量(或资源分配量)。
具体地,所述特定历史时间段包括以下至少一个:以当前时间点为起点T向前推算15天T-15的时间段、向前推算30天T-30的时间段或者向前推算60天T-60的时间段。
例如,以当前时间点为起点T,获取例如T-30的特定历史时间段内的各资源服务提供方的资源分配总量、用户的资源服务请求的通过率,通过以下表达式(2)计算各资源服务提供方的承接能力(或者资源服务提供能力)。
An=Dn×b% (2)
其中,An是指各资源服务提供方Zn的承接能力,n是大于0的正整数,例如Z1~Zn分别是指各资源服务提供方;Dn是指与资源服务提供方Zn相对应的资源分配总量;b%是指各资源服务提供方Zn在特定历史时间段内接受用户的资源服务请求的通过率。
由此,通过计算用户风险评分,能够更精确量化用户的风险情况;通过计算各资源服务提供方的承接能力(或者资源服务提供能力),能够更精确量化各资源服务提供方可提供资源分配量;由此,能够更有效地进行用户与各资源服务提供方的匹配计算。
需要说明的是,上述仅作为可选示例进行说明,不能理解成对本发明的限制。
接下来,在步骤S103中,使用各子预测模型计算各资源服务提供方接受该待匹配用户的资源服务请求的概率。
在本示例中,所述资源服务平台对所接收的资源使用请求,进行识别和计算。
作为一实施方式,根据所识别的用户特征参数和资源请求信息进行用户风险评分计算,使用与各资源服务提供方相对应的子预测模型,并将所计算的用户风险评分作为输入特征输入各子预测模型,计算(或输出)各资源服务提供方接受该待匹配用户的资源服务请求的概率。
作为另一实施方式,根据所识别的用户特征参数和资源请求信息,输入与各资源服务提供方相对应的子预测模型,计算用户风险评分,并根据所计算的用户风险评分得到各资源服务提供方接受该待匹配用户的资源服务请求的概率,以输出所得到的概率;具体地,用户风险评分越高,各个资源服务提供方接受该待匹配用户的资源服务请求的概率就越低,比如,可以根据历史待匹配用户的用户风险评分和各个资源服务提供方接受资源服务请求的实际情况,对用户风险评分进行划分,对不同区间段的用户风险评分配置相应的被接受概率;还可以根据历史待匹配用户的用户风险评分和各个资源服务提供方接受资源服务请求的实际情况,通过线性回归算法拟合出各个资源服务提供方对应的计算公式,通过计算公式和待匹配用户的用户风险评分计算分别得到各个资源服务提供方接受该待匹配用户的资源服务请求的概率。
由此,通过使用各子预测模型计算所述待匹配用户与各资源服务提供方接受该待匹配用户的资源服务请求的概率,能够更精确地计算出与用户相匹配的资源服务提供方,并能够有效地、智能化地进行用户与资源服务提供方地匹配处理。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。
接下来,在步骤S104中,根据各子预测模型计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率,为该待匹配用户匹配相应的资源服务提供方。
在一实施方式中,根据所计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率,选出概率最大的资源服务提供方作为匹配的资源服务提供方,自动向所述待匹配用户反馈所述资源服务提供方。
在另一实施方式中,所述为该待匹配用户匹配相应的资源服务提供方时,根据所述资源服务提供能力,对所述各资源服务提供方进行排序,并筛选特定数量的资源服务提供方以形成资源服务提供方集合(即初步筛选特定数量的资源服务提供方的步骤S301,具体参见图3)。例如,根据所述资源服务提供能力从大至小的顺序,进行排序。
进一步地,将所形成资源服务提供方集合作为与该待匹配用户匹配的资源服务提供方。
例如,从所述资源服务提供方集合中选出接受待匹配用户的资源服务请求的概率的资源服务提供方,换言之,使用与所述资源服务提供方集合中各资源服务提供服务方相对应的各子预测模型,计算所述各资源服务提供方接受该待匹配用户的资源服务请求的概率,再进行下一处理过程。
具体地,基于所计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率,根据所计算的概率从大到小的顺序,对所述各资源服务提供方进行排序,根据排序结果,选出排名在前预设名次的资源服务提供方作为匹配结果,自动向所述待匹配用户反馈匹配结果。
其中,将所计算的各资源服务提供方接受该待匹配用户的资源服务请求的接受概率与特定阈值进行对比,选出该接受概率大于所述特定阈值的资源服务提供方作为匹配结果,自动向所述待匹配用户反馈匹配结果。由此,能够更精确地为该待匹配用户匹配相应的资源服务提供方。
需要说明的是,所述特定阈值包括但不限于:根据特定历史时间段内各资源服务提供方接受待匹配用户的资源服务请求的接受概率,计算得到的平均值作为该特定阈值。
对于资源服务提供方集合的形成,在另一实施方式中,通过所述待匹配用户所属的用户群,筛选特定数量的资源服务提供方以形成资源服务提供方集合。
需要说明的是,在其他实施方式中,还可以通过所述用户群的数据渠道,筛选特定数量的资源服务提供方以形成资源服务提供方集合。上述仅作为示例进行说明,不能理解成对本发明的限制。
具体地,可以根据所识别的用户资源服务请求中用户特征参数,确定待匹配用户所属的用户群;所述数据渠道例如为社交工具分享页或分享链接,网页引导页或分享页等。
更具体地,根据所述待匹配用户所属的用户群、所述用户群的数据渠道,先筛选出一些资源服务提供方,再使用与这些资源服务提供方相对应的各子预测模型,计算所述各资源服务提供方接受该待匹配用户的资源服务请求的概率,再进行下一处理过程。由此,能够更精确地为该待匹配用户匹配相应的资源服务提供方,并能够更有效地、更智能化地进行用户与资源服务提供方地匹配处理。
需要说明的是,本示例中,例如根据用户的资源归还能力、违约率或其他风险表现数据,对用户群进行分类,形成多个用户群类别。但是不限于,上述仅作为示例进行说明,不能理解成对本发明的限制。
例如,筛选出的资源服务提供方包括:资源服务提供方Z1~Z12,通过各自的子预测模型计算后,取资源服务提供方接受该待匹配用户的资源服务请求的概率大于特定值(和/或特定数量)的资源服务提供方,例如该特定值为60%,特定数量为五个,资源服务提供方Z1接受该待匹配用户的资源服务请求的接受概率M1为62%,资源服务提供方Z2接受该待匹配用户的资源服务请求的接受概率M2为83%,资源服务提供方Z3接受该待匹配用户的资源服务请求的接受概率M3为75%,资源服务提供方Z4接受该待匹配用户的资源服务请求的接受概率M4为96%,资源服务提供方Z5接受该待匹配用户的资源服务请求的接受概率M5为61%,其他资源服务提供方的接受概率均小于或等于特定值。进一步地,根据所述接受概率从大到小的顺序对各资源服务提供方进行排序,得到M4>M2>M3>M1>M5,将所述顺序作为推荐顺序,并形成资源服务提供方集合,以用于向用户返回具有推荐顺序的资源服务提供方集合{资源服务提供方Z4,资源服务提供方Z2,资源服务提供方Z3,资源源服务提供方Z1,资源服务提供方Z5}。
由此,基于资源提供能力、用户群类别或用户群的数据渠道等参数对资源服务提供方进行初筛处理,确定特定数量的资源服务提供方,再使用相应子预测模型计算各资源服务提供方接受该待匹配用户的资源服务请求的概率,能够更精确地为该待匹配用户匹配相应的资源服务提供方,能够更有效地进行用户与资源服务提供方的匹配处理,并能够更有效地、更智能化地进行用户与资源服务提供方地匹配处理。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。
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计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时,可以实现本发明提供的上述方法。而且,所述的计算机程序可以存储于计算机程序产品中,所述计算机程序产品不限于集中式存储,其也可以是分布式存储,例如基于云计算的云存储。
上述资源服务智能匹配方法的过程仅用于对本发明的说明,其中,步骤的顺序和数量没有特别的限制。此外,上述方法中的步骤还可以拆分成两个(具体参见图3,将步骤S104拆分成步骤S104和步骤S301)、三个,或者有些步骤也可以合并成一个步骤,根据实际示例进行调整。
与现有技术相比,本发明能够通过建立与各资源服务提供方相对应的子预测模型,能够更精确地计算出可接受用户的资源服务请求的资源服务提供方,并能够更精确地为该待匹配用户匹配相应的资源服务提供方,能够有效地、智能化地进行用户与资源服务提供方的匹配处理。
进一步地,通过计算用户风险评分,能够更精确量化用户的风险情况;通过计算各资源服务提供方的承接能力(或者资源服务提供能力),能够更精确量化各资源服务提供方可提供资源分配量,能够更有效地进行用户与各资源服务提供方的匹配计算;通过使用各子预测模型计算所述待匹配用户与各资源服务提供方接受该待匹配用户的资源服务请求的概率,能够更精确地计算出与用户相匹配的资源服务提供方;基于资源提供能力、用户群类别或用户群的数据渠道等参数对资源服务提供方进行初筛处理,确定特定数量的资源服务提供方,再使用相应子预测模型计算各资源服务提供方接受该待匹配用户的资源服务请求的概率,能够更精确地为该待匹配用户匹配相应的资源服务提供方,能够更有效地、更智能化地进行用户与资源服务提供方的匹配处理。
实施例2
下面描述本发明的系统实施例,该系统可以用于执行本发明的方法实施例。对于本发明系统实施例中描述的细节,应视为对于上述方法实施例的补充;对于在本发明系统实施例中未披露的细节,可以参照上述方法实施例来实现。
参照图4、图5和图6,本发明还提供了一种资源服务智能匹配系统400,其用于为提出资源服务请求的用户自动匹配资源服务提供方,所述资源服务提供方是根据所述用户的用户特征参数和资源请求信息来接受或拒绝该用户的资源服务请求。
所述资源服务智能匹配系统400包括:模型建立模块401,用于建立与各资源服务提供方相对应的子预测模型,各子预测模型分别用于计算各资源服务提供方接受用户的资源服务请求的概率;接收模块402,用于接收待匹配用户的资源服务请求;计算模块403,用于使用各子预测模型计算各资源服务提供方接受该待匹配用户的资源服务请求的概率;匹配模块404,用于根据各子预测模型计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率,为该待匹配用户匹配相应的资源服务提供方。
可选地,所述资源服务智能匹配系统400还包括:资源服务提供能力计算模块,用于计算各资源服务提供方在特定历史时间段内的资源服务提供能力;资源服务提供能力计算模块可以是上述计算模块403,也可以是独立的计算模块。
可选地,所述匹配模块,用于根据所述资源服务提供能力,对所述各资源服务提供方进行排序,并筛选特定数量的资源服务提供方以形成资源服务提供方集合,将所述资源服务提供方集合作为与该待匹配用户匹配的资源服务提供方。
如图5所示,所述资源服务智能匹配系统400还包括筛选模块501,即将匹配模块404拆分成筛选模块501和匹配模块404。
具体地,所述筛选模块501用于通过所述待匹配用户所属的用户群,筛选特定数量的资源服务提供方以形成资源服务提供方集合;和/或通过所述用户群的数据渠道,筛选特定数量的资源服务提供方以形成资源服务提供方集合。
进一步地,所述资源服务智能匹配系统400还包括模型建立模块,该模型建立模块用于基于条件概率的计算原理,建立各资源服务提供方相对应的子预测模型,并分别使用各自对应的训练数据集训练相应的子预测模型,其中,所述子预测模型的输入特征为用户特征参数,输出特征为资源服务提供方接受用户的资源服务请求的概率。
在第一实施方式中,仅基于条件概率的计算原理,建立各资源服务提供方相对应的子预测模型,在该实施方式的情况下,无需进行模型训练,因此,不建立训练数据集。例如,使用用户的相关变量参数(例如,用户群类型、与各用户群相对应的月收入、年收入、年龄、地区等)、资源服务产品的定价参数(例如,资源服务产品类型、资源服务产品的定价、请求资源服务的时间)、资源服务提供方的承接能力等,计算资源服务提供方通过用户的资源服务请求的概率。第一实施方式的计算过程,具体参见条件概率在本发明的应用原理。
其中,各资源服务提供方是指通过资源服务平台可接受用户的资源服务请求的资源服务提供方,例如,接受用户a的资源服务请求,并给该用户a分配与用户请求相对应的额度的资源。
对于条件概率在本发明的应用原理,在资源服务请求应用场景下,定义与该场景相对应的条件,例如该条件为在事件B成立的条件下,发生事件A的概率,其中,事件B例如为用户a的资源服务请求Qn为申请资源服务定价G、时间为T的资源服务请求,资源提供方Zn具有向用户a提供相应资源的承接能力,事件A为资源服务提供方Zn通过该资源服务请求的概率。
具体地,在样本空间下,在事件B成立的条件下,通过如下表达式,计算事件A发生的概率。
Mn=P(Ppass/AZn) (1)
其中,Mn(P(Ppass/AZn))是指与各资源服务提供方Zn相对应的子预测模型的计算值(或输出值),该计算值是指资源服务提供方Zn通过(或接受)该资源服务请求的接受概率,其中,Mn和Zn中的n均是大于0的正整数,例如M1~Mn分别是指与各资源服务提供方Zn相对应的子预测模型,例Z1~Zn分别是指不同的各资源服务提供方;Ppass是指与各资源服务提供方Zn通过(或接受)用户的资源服务请求Qn的概率。
需要说明的是,在上述表达式中,Ppass还可以是Prej,Prej是指在事件B成立的条件,事件A不发生的概率,更具体地,各资源服务提供方Zn拒绝用户的资源服务请求Qn的拒绝概率。
在第二实施方式中,基于条件概率的原理,并结合机器学习算法,建立各资源服务提供方相对应的子预测模型。其中,所述机器学习算法至少包括以下算法中一种:使用CNN(Convolutional Neural Networks,卷积神经网络),ResNet(残差网络),XGBoost(基于GBDT(Gradient Boosting Decision Tree)的改进算法),TextCNN算法、随机森林算法、逻辑回归算法等。
具体地,模型建立模块,用于针对每个所述资源服务提供方进行如下步骤训练子预测模型:获取所述资源服务提供方对应的多个训练数据样本;其中,所述训练数据样本包括:历史资源服务请求中的历史用户特征参数和对应所述历史资源服务请求被所述资源服务提供方接受的真实概率;将所述历史用户特征参数均分别输入所述子预测模型,分别输出预测概率;判断与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比是否大于预设占比值;若是,则所述子预测模型收敛,得到训练完成的子预测模型;若否,则调整所述子预测模型中的模型参数,重新通过所述子预测模型预测所述历史用户特征参数的预测概率,直至与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比大于预设占比值。
需要说明的是,在实施例2中的模型建立部分与实施例1中的模型建立部分相同,因此,省略了对该部分的描述。
在一实施方式中,匹配模块,用于基于所计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率,根据所计算的概率从大到小的顺序,对所述各资源服务提供方进行排序,根据排序结果,选出排名在前预设名次的资源服务提供方作为匹配结果,自动向所述待匹配用户反馈匹配结果。
在另一个实施方式中,匹配模块,用于将所计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率与特定阈值进行对比,选出该概率大于所述特定阈值的资源服务提供方作为匹配结果,自动向所述待匹配用户反馈匹配结果。
在又一实施方式中,匹配模块,用于根据所计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率,选出概率最大的资源服务提供方作为匹配的资源服务提供方,自动向所述待匹配用户反馈匹配的资源服务提供方。
具体地,所述用户特征参数包括以下至少一个:用户ID、用户年龄、手机号和用户评分,其中,所述用户评分是通过用户评分模型计算得到的。
具体地,所述资源请求信息包括以下至少一个:资源使用时间参数、资源使用服务的定价信息。
更具体地,所述特定历史时间段包括以下至少一个:以当前时间点为起点T向前推算15天T-15的时间段、向前推算30天T-30的时间段或者向前推算60天T-60的时间段。
需要说明的是,在实施例2中,省略了与实施例1相同的部分的说明。
本领域技术人员可以理解,上述系统实施例中的各模块可以按照描述分布于系统中,也可以进行相应变化,分布于不同于上述实施例的一个或多个系统中。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。
与现有技术相比,本发明能够通过建立与各资源服务提供方相对应的子预测模型,能够更精确地计算出可接受用户的资源服务请求的资源服务提供方,能够有效地、智能化地进行用户与资源服务提供方的匹配处理。
进一步地,通过计算用户风险评分,能够更精确量化用户的风险情况;通过计算各资源服务提供方的承接能力(或者资源服务提供能力),能够更精确量化各资源服务提供方可提供资源分配量,能够更有效地进行用户与各资源服务提供方的匹配计算;通过使用各子预测模型计算所述待匹配用户与各资源服务提供方接受该待匹配用户的资源服务请求的概率,能够更精确地计算出与用户相匹配的资源服务提供方;基于资源提供能力、用户群类别或用户群的数据渠道等参数对资源服务提供方进行初筛处理,确定特定数量的资源服务提供方,再使用相应子预测模型计算各资源服务提供方接受该待匹配用户的资源服务请求的概率,能够更精确地为该待匹配用户匹配相应的资源服务提供方,能够更有效地、更智能化地进行用户与资源服务提供方的匹配处理。
实施例3
下面描述本发明的计算机设备实施例,该计算机设备可以视为对于上述本发明的方法和系统实施例的具体实体实施方式。对于本发明计算机设备实施例中描述的细节,应视为对于上述方法或系统实施例的补充;对于在本发明计算机设备实施例中未披露的细节,可以参照上述方法或系统实施例来实现。
图6是根据本发明的一种计算机设备的示例性实施例的结构框图。下面参照图6来描述根据本发明该实施例的的计算机设备200。图6显示的计算机设备200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6所示,计算机设备200以通用计算设备的形式表现。计算机设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同装置组件(包括存储单元220和处理单元210)的总线230、显示单元240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210执行,使得所述处理单元210执行本说明书上述计算机设备的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210可以执行如图1所示的步骤。
所述存储单元220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)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205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230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。
计算机设备200也可以与一个或多个外部设备300(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计算机设备200交互的设备通信,和/或与使得该计算机设备200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250进行。并且,计算机设备200还可以通过网络适配器260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260可以通过总线230与计算机设备200的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备200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,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,使得该计算机程序产品能够实现本发明的上述方法。
如图7所示,所述计算机程序可以存储于一个或多个计算机程序产品上。计算机程序产品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。计算机程序产品的更具体的例子(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。计算机程序产品可以发送、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程序产品上,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、虚拟装置或者计算机设备固有相关,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。
Claims (9)
1.一种资源服务智能匹配方法,其特征在于,包括:
基于条件概率结合机器学习算法,定义训练数据集中好样本和坏样本,建立与各资源服务提供方相对应的子预测模型,各子预测模型分别用于计算各资源服务提供方接受用户的资源服务请求的概率;建立与各资源服务提供方相对应的子预测模型包括:
分别使用各个资源服务方对应的训练数据集训练各个资源服务提供方相应的子预测模型,每个子预测模型的输入特征为用户特征参数或用户风险评分,输出特征为相应的资源服务提供方接受用户的资源服务请求的概率;其中,不同区间段的用户风险评分配置了相应的资源服务提供方接受用户的资源服务请求的概率,以及,训练数据集因不同的资源服务提供方而不同,具体包括:
对每个所述资源服务提供方获取所述资源服务提供方对应的多个训练数据样本;
所述训练数据样本包括历史资源服务请求中的历史用户特征参数或历史用户风险评分、以及对应所述历史资源服务请求被所述资源服务提供方接受的真实概率;
将所述历史用户特征参数均分别输入所述子预测模型,分别输出预测概率;
判断与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比是否大于预设占比值;
若是,则所述子预测模型收敛,得到训练完成的子预测模型;
若否,则调整所述子预测模型中的模型参数,重新通过所述子预测模型预测所述历史用户特征参数的预测概率,直至与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比大于预设占比值或者当调整模型参数的循环次数大于预设循环次数时更换建立子预测模型所使用的机器学习算法而重新建立子预测模型;
接收待匹配用户的资源服务请求,识别所述资源服务请求的用户特征参数和资源请求信息,并通过风险评分模型进行风险评分,各个资源服务提供方根据所述风险评分和分类策略判断所述待匹配用户是否属于各自能提供资源量的用户群;
当所述待匹配用户属于各自能提供资源量的用户群时,使用各子预测模型计算相应的各个资源服务提供方接受所述待匹配用户的资源服务请求的概率,其中,将用户特征参数或者所述风险评分作为输入特征输入到各子预测模型中进行计算;
根据各子预测模型计算的各个资源服务提供方接受该待匹配用户的资源服务请求的概率,为该待匹配用户匹配相应的资源服务提供方。
2.根据权利要求1所述的方法,其特征在于,
在接收待匹配用户的资源服务请求之前还包括:计算各资源服务提供方在特定历史时间段内的资源服务提供能力;
所述为该待匹配用户匹配相应的资源服务提供方时根据所述资源服务提供能力,对所述各资源服务提供方进行排序,并筛选特定数量的资源服务提供方以形成资源服务提供方集合,将所述资源服务提供方集合作为与该待匹配用户匹配的资源服务提供方。
3.根据权利要求2所述的方法,其特征在于,所述筛选特定数量的资源服务提供方以形成资源服务提供方集合包括:
通过所述待匹配用户所属的用户群,筛选特定数量的资源服务提供方以形成资源服务提供方集合;和/或
通过所述用户群的数据渠道,筛选特定数量的资源服务提供方以形成资源服务提供方集合。
4.根据权利要求1所述的方法,其特征在于,所述为该待匹配用户匹配相应的资源服务提供方包括:
基于所计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率的大小,对所述各资源服务提供方进行排序,根据排序结果,选出特定数量的资源服务提供方作为匹配结果,自动向所述待匹配用户反馈匹配结果;和/或
将所计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率与特定阈值进行对比,选出该概率大于所述特定阈值的资源服务提供方作为匹配结果,自动向所述待匹配用户反馈匹配结果。
5.根据权利要求4所述的方法,其特征在于,所述为该待匹配用户匹配相应的资源服务提供方包括:
根据所计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率,选出概率最大的资源服务提供方作为匹配的资源服务提供方,自动向所述待匹配用户反馈匹配的资源服务提供方。
6.一种资源服务智能匹配系统,其特征在于,包括:
模型建立模块,用于基于条件概率结合机器学习算法,定义训练数据集中好样本和坏样本,建立与各资源服务提供方相对应的子预测模型,各子预测模型分别用于计算各资源服务提供方接受用户的资源服务请求的概率;建立与各资源服务提供方相对应的子预测模型包括:分别使用各个资源服务方对应的训练数据集训练各个资源服务提供方相应的子预测模型,每个子预测模型的输入特征为用户特征参数或用户风险评分,输出特征为相应的资源服务提供方接受用户的资源服务请求的概率;其中,不同区间段的用户风险评分配置了相应的资源服务提供方接受用户的资源服务请求的概率,以及,训练数据集因不同的资源服务提供方而不同,具体包括:对每个所述资源服务提供方获取所述资源服务提供方对应的多个训练数据样本;所述训练数据样本包括历史资源服务请求中的历史用户特征参数或历史用户风险评分、以及对应所述历史资源服务请求被所述资源服务提供方接受的真实概率;将所述历史用户特征参数均分别输入所述子预测模型,分别输出预测概率;判断与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比是否大于预设占比值;若是,则所述子预测模型收敛,得到训练完成的子预测模型;若否,则调整所述子预测模型中的模型参数,重新通过所述子预测模型预测所述历史用户特征参数的预测概率,直至与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比大于预设占比值或者当调整模型参数的循环次数大于预设循环次数时更换建立子预测模型所使用的机器学习算法而重新建立子预测模型;
接收模块,用于接收待匹配用户的资源服务请求,识别所述资源服务请求的用户特征参数和资源请求信息,并通过风险评分模型进行风险评分,各个资源服务提供方根据所述风险评分和分类策略判断所述待匹配用户是否属于各自能提供资源量的用户群;
计算模块,用于当所述待匹配用户属于各自能提供资源量的用户群时,使用各子预测模型计算相应的各个资源服务提供方接受所述待匹配用户的资源服务请求的概率;其中,将用户特征参数或者所述风险评分作为输入特征输入到各子预测模型中进行计算;
匹配模块,用于根据各子预测模型计算的各资源服务提供方接受该待匹配用户的资源服务请求的概率,为该待匹配用户匹配相应的资源服务提供方。
7.根据权利要求6所述的系统,其特征在于,还包括:资源服务提供能力计算模块,用于计算各资源服务提供方在特定历史时间段内的资源服务提供能力;
所述匹配模块,用于根据所述资源服务提供能力,对所述各资源服务提供方进行排序,并筛选特定数量的资源服务提供方以形成资源服务提供方集合,将所述资源服务提供方集合作为与该待匹配用户匹配的资源服务提供方;
所述资源服务智能匹配系统还包括筛选模块,用于通过所述待匹配用户所属的用户群,筛选特定数量的资源服务提供方以形成资源服务提供方集合;和/或通过所述用户群的数据渠道,筛选特定数量的资源服务提供方以形成资源服务提供方集合。
8.一种计算机设备,包括处理器和存储器,所述存储器用于存储计算机可执行程序,当所述计算机可执行程序被所述处理器执行时,所述处理器执行如权利要求1-5中任一项所述资源服务智能匹配方法。
9.一种计算机程序产品,存储有计算机可执行程序,所述计算机可执行程序被执行时,使处理器执行权利要求1-5中任一项所述资源服务智能匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110748446.2A CN113570114B (zh) | 2021-07-02 | 2021-07-02 | 一种资源服务智能匹配方法、系统和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110748446.2A CN113570114B (zh) | 2021-07-02 | 2021-07-02 | 一种资源服务智能匹配方法、系统和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570114A CN113570114A (zh) | 2021-10-29 |
CN113570114B true CN113570114B (zh) | 2024-05-21 |
Family
ID=78163467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110748446.2A Active CN113570114B (zh) | 2021-07-02 | 2021-07-02 | 一种资源服务智能匹配方法、系统和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570114B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230306373A1 (en) * | 2022-03-25 | 2023-09-28 | Adp, Inc. | Smart actions in application ecosystem |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108958939A (zh) * | 2018-07-06 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 服务资源的分配方法、装置及服务器 |
CN110766507A (zh) * | 2019-02-25 | 2020-02-07 | 北京嘀嘀无限科技发展有限公司 | 一种资源配置方法及装置 |
CN111181770A (zh) * | 2019-12-12 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 一种资源分配方法、系统、电子设备和存储介质 |
CN111598677A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 一种资源配额确定方法、装置和电子设备 |
CN111742335A (zh) * | 2020-04-13 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 用于优化借款请求的分配的方法和系统 |
CN112488865A (zh) * | 2021-02-05 | 2021-03-12 | 北京淇瑀信息科技有限公司 | 基于金融时间节点的金融风险预测方法、装置和电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11567495B2 (en) * | 2019-12-11 | 2023-01-31 | Toyota Motor Engineering & Manufacturing North America, Inc. | Methods and systems for selecting machine learning models to predict distributed computing resources |
-
2021
- 2021-07-02 CN CN202110748446.2A patent/CN113570114B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108958939A (zh) * | 2018-07-06 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 服务资源的分配方法、装置及服务器 |
CN110766507A (zh) * | 2019-02-25 | 2020-02-07 | 北京嘀嘀无限科技发展有限公司 | 一种资源配置方法及装置 |
CN111181770A (zh) * | 2019-12-12 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 一种资源分配方法、系统、电子设备和存储介质 |
CN111742335A (zh) * | 2020-04-13 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 用于优化借款请求的分配的方法和系统 |
CN111598677A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 一种资源配额确定方法、装置和电子设备 |
CN112488865A (zh) * | 2021-02-05 | 2021-03-12 | 北京淇瑀信息科技有限公司 | 基于金融时间节点的金融风险预测方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113570114A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210365963A1 (en) | Target customer identification method and device, electronic device and medium | |
WO2022252363A1 (zh) | 数据处理方法、计算机设备以及可读存储介质 | |
AU2018201691B2 (en) | Job allocation | |
CN112270545A (zh) | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 | |
WO2021035412A1 (zh) | 一种自动机器学习AutoML系统、方法及设备 | |
CN112015977A (zh) | 一种定制信息推送方法、装置和电子设备 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
CN112508695A (zh) | 基于市场风险的金融风险预测方法、装置和电子设备 | |
US20180349476A1 (en) | Evaluating theses using tree structures | |
CN112015562A (zh) | 基于迁移学习的资源分配方法、装置及电子设备 | |
CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
CN111582645B (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
CN113570222A (zh) | 一种用户设备鉴别方法、装置和计算机设备 | |
CN113570114B (zh) | 一种资源服务智能匹配方法、系统和计算机设备 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
CN118134652A (zh) | 一种资产配置方案生成方法、装置、电子设备及介质 | |
CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
CN117876018A (zh) | 潜在客户识别和预测的方法、装置、电子设备及存储介质 | |
CN112860672A (zh) | 标签权重的确定方法和装置 | |
CN112231299A (zh) | 一种特征库动态调整的方法和装置 | |
US10229362B2 (en) | Information processing method |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Shanghai Qiyue Information Technology Co.,Ltd. Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500 Applicant before: Shanghai Qiyue Information Technology Co.,Ltd. Country or region before: China |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |