CN113570207A - 用户策略分配方法、装置及电子设备 - Google Patents
用户策略分配方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113570207A CN113570207A CN202110776161.XA CN202110776161A CN113570207A CN 113570207 A CN113570207 A CN 113570207A CN 202110776161 A CN202110776161 A CN 202110776161A CN 113570207 A CN113570207 A CN 113570207A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- historical
- strategy
- model
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims abstract description 20
- 238000007477 logistic regression Methods 0.000 claims description 34
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000012821 model calculation Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 16
- 238000012954 risk control Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- DSZCTEKQKSQZDR-UHFFFAOYSA-N 6-(methoxyamino)-5-methyl-1h-pyrimidin-2-one Chemical compound CONC=1NC(=O)N=CC=1C DSZCTEKQKSQZDR-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 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
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06Q10/06—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Abstract
本公开涉及一种用户策略分配方法、装置、电子设备及计算机可读介质。该方法包括：获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；基于所述用户信息生成多个特征信息；将所述多个特征信息输入用户策略分配模型中，生成至少一个分配系数，所述用户策略分配模型通过多个历史用户信息对具有先验参数的机器学习模型训练生成；根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略。本公开涉及的用户策略分配方法、装置、电子设备及计算机可读介质，能够有效避免机器学习模型计算中的过拟合问题，得到适用于大部分应用场景的机器学习模型，提升用户策略分配效率和准确度，减少服务器计算压力。
Description
技术领域
本公开涉及计算机信息处理领域，具体而言，涉及一种用户策略分配方法、装置、电子设备及计算机可读介质。
背景技术
风险控制是风险管理者采用各种措施和/或方法来消灭或者减少风险事件发生的可能性，或者风险管理者采用各种措施和/或方法来减少风险事件发生时造成的损失。风险控制也可称为风控，风险控制过程中所采用的措施和/或方法也可称为风险控制策略。风险决策是指在多种不定因素的作用下，对两种或者两种以上的风险控制策略进行选择的过程。由于有不定因素存在，风险控制策略的实施所带来的损益值是无法预先确定的，因此需要一定的规则作为风险决策过程中选择风险控制策略的依据。在面对多种不定因素的情况下基于该规则从多种风险控制策略中选择相应的风险控制策略。
现有技术中，风险控制类的风险决策系统主要是基于专家制定的风险决策规则进行风险控制策略的选择，风险决策规则的制定完全依赖于专家的主观经验判断并制定，风险决策规则单一并且缺少理论支持和数据依据，随意性较强。同时，风险决策规则基于专家制定的随意性也使得基于风险决策规则确定的风险控制策略的可靠性差，适用范围小。
因此，需要一种新的用户策略分配方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本公开提供一种用户策略分配方法、装置、电子设备及计算机可读介质，能够有效避免机器学习模型计算中的过拟合问题，得到适用于大部分应用场景的机器学习模型，提升用户策略分配效率和准确度，减少服务器计算压力。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提出一种用户策略分配方法，该方法包括：获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；基于所述用户信息生成多个特征信息；将所述多个特征信息输入用户策略分配模型中，生成至少一个分配系数，所述用户策略分配模型通过多个历史用户信息对具有先验参数的机器学习模型训练生成；根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略。
可选地，还包括：获取满足预设条件的历史用户的历史用户信息；基于所述历史用户信息提取多个历史特征信息；基于所述多个历史特征信息确定多个先验参数；基于多个所述先验参数、所述多个历史特征信息对机器学习模型训练生成所述用户策略分配模型。
可选地，基于所述历史用户信息提取多个历史特征信息，包括：计算所述用户信息中至少一个基础信息和至少一个行为信息的关键度指标；基于所述关键度指标由所述历史用户信息中提取部分信息以生成多个历史特征信息。
可选地，还包括：基于所述多个历史特征信息和所述历史用户信息之间的关系生成所述特征策略。
可选地，基于所述多个历史特征信息确定多个先验参数，包括：分别基于历史用户信息对所述多个历史特征信息中的每一个历史特征信息进行统计分析，确定所述多个历史特征信息对应的多个分布函数；基于所述多个函数生成所述多个先验参数。
可选地，基于多个所述先验参数、所述多个历史特征信息对机器学习模型训练生成所述用户策略分配模型，包括：基于多个所述先验参数、所述多个历史特征信息对逻辑回归模型训练生成所述用户策略分配模型。
可选地，基于多个所述先验参数、所述多个历史特征信息对逻辑回归模型训练生成所述用户策略分配模型，包括：基于所述多个历史特征信息建立逻辑回归模型，所述逻辑回归模型包括多个模型参数；根据所述先验参数生成所述多个模型参数的先验概率分布；基于所述先验概率分布求取所述逻辑回归模型的最优解；基于所述最优解生成所述用户策略分配模型。
可选地，基于所述先验概率分布求取所述逻辑回归模型的最优解，包括：基于所述先验参数和确定所述先验概率分布的最大后验估计；求取所述最大后验估计的最优解以生成所述逻辑回归模型的最优解。
可选地，基于所述用户信息生成多个特征信息，包括：基于所述用户信息和特征策略生成多个特征信息。
可选地，根据所述至少一个分配系数和至少一个预设策略为所述当前用户分配用户策略，包括：将所述至少一个分配系数和所述预设策略中的至少一个阈值区间进行比对，以确定所述当前用户的资源额度、资源偿还时间、特享资源信息。
根据本公开的一方面，提出一种用户策略分配装置，该装置包括：信息模块，用于获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；特征模块，用于基于所述用户信息生成多个特征信息；系数模块，用于将所述多个特征信息输入用户策略分配模型中，生成至少一个分配系数，所述用户策略分配模型通过多个历史用户信息对具有先验参数的机器学习模型训练生成；策略模块，用于根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略。
根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。
根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
根据本公开的用户策略分配方法、装置、电子设备及计算机可读介质，获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；基于所述用户信息生成多个特征信息；将所述多个特征信息输入用户策略分配模型中，生成至少一个分配系数，所述用户策略分配模型通过多个历史用户信息对具有先验参数的机器学习模型训练生成；根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略的方式，能够有效避免机器学习模型计算中的过拟合问题，得到适用于大部分应用场景的机器学习模型，提升用户策略分配效率和准确度，减少服务器计算压力。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种用户策略分配方法及装置的系统框图。
图2是根据一示例性实施例示出的一种用户策略分配方法的流程图。
图3是根据另一示例性实施例示出的一种用户策略分配方法的流程图。
图4是根据另一示例性实施例示出的一种用户策略分配方法的流程图。
图5是根据另一示例性实施例示出的一种用户策略分配方法的示意图。
图6是根据另一示例性实施例示出的一种用户策略分配方法的示意图。
图7是根据一示例性实施例示出的一种用户策略分配装置的框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
图9是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的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部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
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。
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。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“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。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
本公开中，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。本公开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包括资源在内的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，本公开可以应用于各类资源的分配、优惠信息分配、用户策略分配等，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，本公开中以金融数据资源为例进行说明资源分配的实施，但本领域技术人员应当理解，本公开亦可以用于其他资源的分配。
本公开的实施例提供用户策略分配方法可适用于投资、银行、保险、证券以及电商等多个应用领域中的任一应用领域。在各个应用领域中，所涉及的应用场景可包括但不限于登录、注册、贷前、贷中、贷后、节假日活动或者促销活动等。本公开实施例提供的方法可适用于上述任一应用场景的任一业务类型的风险决策规则的生成。
这里，上述风险决策规则为风险决策过程中，具体选择哪一种风险控制策略所依据的规则。为方便描述，下面将以风险决策规则为例进行描述。针对不同应用场景、不同业务所关联的用户数据等，可构建不同的用户策略分配模型。不同的用户策略分配模型可适用于不同的应用场景，以及各种应用场景下的多种业务的风险决策规则的生成，灵活性高。基于风险决策规则生成模型可根据具体应用场景下的具体业务的实时用户数据输出针对该业务进行风险控制所依据的风险决策规则，从而可提高用于风险决策规则与业务的关联密切性，适用性强。
同时用户策略分配模型基于用户数据生成，可靠性强，增强基于该用户策略分配模型确定的用户策略进行的风险决策的准确性，适用性更强。这里，上述业务具体可为投资、银行、保险、证券以及电商等多个应用领域中，向用户提供的各种业务，例如，投保以及贷款等。对应的，以投保为例，在该业务下对应的应用场景可包括但不限于账户注册、账户登录、投保申请、投保审批、保单生成以及维持等。其中，上述应用场景仅是举例，而非穷举，具体可根据实际应用场景确定，在此不做限制。
在本公开实施例中，用户数据包括但不限于用户的业务账号信息、用户的页面操作数据、用户的业务访问时长、用户的业务访问频率、用户的终端设备标识信息以及用户所处地域信息，具体可根据实际应用场景确定，在此不做限制。
图1是根据一示例性实施例示出的一种用户策略分配方法及装置的系统框图。
如图1所示，系统架构10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，例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
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。
终端设备101、102、103可例如获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；终端设备101、102、103可例如基于所述用户信息生成多个特征信息；终端设备101、102、103可例如将所述多个特征信息输入用户策略分配模型中，生成至少一个分配系数，所述用户策略分配模型通过多个历史用户信息对具有先验参数的机器学习模型训练生成；终端设备101、102、103可例如根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略。
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所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果(例如用户策略)反馈给金融服务网站的管理员和/或终端设备101、102、103。
服务器105可例如获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；服务器105可例如基于所述用户信息生成多个特征信息；服务器105可例如将所述多个特征信息输入用户策略分配模型中，生成至少一个分配系数，所述用户策略分配模型通过多个历史用户信息对具有先验参数的机器学习模型训练生成；服务器105可例如根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略。
服务器105还可例如获取满足预设条件的历史用户的历史用户信息；服务器105还可例如基于所述历史用户信息提取多个历史特征信息；服务器105还可例如基于所述多个历史特征信息确定多个先验参数；服务器105还可例如基于多个所述先验参数、所述多个历史特征信息对机器学习模型训练生成所述用户策略分配模型。
服务器105可以是一个实体的服务器，还可例如为多个服务器组成，服务器105中的一部分可例如作为本公开中的策略分配系统，用于根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略；服务器105中的一部分还可例如作为本公开中的模型训练系统，用于基于多个所述先验参数、所述多个历史特征信息对机器学习模型训练生成所述用户策略分配模型。
需要说明的是，本公开实施例所提供的用户策略分配方法可以由服务器105和/或终端设备101、102、103执行，相应地，用户策略分配装置可以设置于服务器105和/或终端设备101、102、103中。
图2是根据一示例性实施例示出的一种用户策略分配方法的流程图。用户策略分配方法20至少包括步骤S202至S208。
如图2所示，在S202中，获取当前用户的用户信息，所述用户信息包括基础信息和行为信息。在本公开实施例中，用户可为个人用户或者企业用户，资源额度的分配可为金融资源额度的调整，也可为电力资源、水力资源的分配。其中，用户信息可包括基础信息，可例如为业务账号信息、用户的终端设备标识信息、用户所处地域信息等；用户信息还可包括行为信息，可例如为用户的页面操作数据、用户的业务访问时长、用户的业务访问频率等，对象信息的具体内容可根据实际应用场景确定，在此不做限制。更具体的，可基于用户授权采用网页埋点的方式获取当前用户的用户信息。
更具体的，用户在网页上的行为信息可通过Fiddler工具获取，Fiddler工具以web代理服务器的形式进行工作的，客户端先将请求数据发送出去后，Fiddler代理服务器会将数据包进行拦截，代理服务器再冒充客户端发送数据到服务器；同理，服务器将响应数据返回，代理服务器也会将数据拦截，再返回给客户端。通过Fiddler可获取用户网络浏览的驻留时间、驻留页面，点击操作等等相关的浏览数据。
在S204中，基于所述用户信息生成多个特征信息。包括：基于所述用户信息和特征策略生成多个特征信息。可对用户信息进行数据清洗和数据融合以将用户信息转化为多个特征数据，更具体的，可对用户信息进行变量缺失率分析与处理、异常值处理；还可将连续型变量离散化的用户信息进行WOE转化、离散型变量WOE转化、文本变量加工处理、文本变量的word2vec处理等等。
其中，WOE的是“Weight of Evidence”，即证据权重。WOE是对原始特征的一种编码形式。要对一个特征进行WOE编码，需要首先把这个变量进行分组处理。Word2vec，是一群用来产生词向量的相关模型。这些模型为浅而双层的神经网络，用来训练以重新建构语言学之词文本。word2vec模型可用来映射每个词到一个向量，可用来表示词对词之间的关系。
在一个实施例中，可例如，计算所述用户信息中至少一个基础信息和至少一个行为信息的关键度指标；基于所述关键度指标由所述历史用户信息中提取部分信息以生成多个历史特征信息。基于所述多个历史特征信息和所述历史用户信息之间的关系生成所述特征策略。
更具体的，可计算所述多个历史特征信息的变量参数、区分度参数、信息价值、模型特征参数；基于所述变量参数、所述区分度参数、所述信息价值、所述模型特征参数由所述多个历史特征信息中提取多个历史多维度特征信息。
可结合变量覆盖度、单一取值覆盖度、与目标变量相关性及显著性、对目标变量的区分度(KS)及信息价值(IV)、树类模型(如XGBoost、RF等)特征重要性等多方面综合考虑，筛选覆盖率高、对目标变量区分效果明显的特征作为最终使用的用户特征。并基于所述多个历史特征信息和所述历史用户信息之间的关系生成所述特征策略。
在S206中，将所述多个特征信息输入用户策略分配模型中，生成至少一个分配系数，所述用户策略分配模型通过多个历史用户信息对具有先验参数的机器学习模型训练生成。
可根据预先设置确定用户策略分配模型的输入系数种类，更具体的，可生成确定用户资源额度相关的额度系数、确定用户资源偿还时间相关的时间系数、确定用户特享资源信息相关的资源系数。
在S208中，根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略。将所述至少一个分配系数和所述预设策略中的至少一个阈值区间进行比对，以确定所述当前用户的资源额度、资源偿还时间、特享资源信息。
将每个分配系数分别和其对应的预设策略中的预设区间进行对比，生成最终的资源额度、资源偿还时间、特享资源信息。更进一步的，可将每个分配系数均跟单一的阈值进行对比以分别确定资源额度、资源偿还时间、特享资源信息的内容，还可将分配系数之间进行组合，根据组合值生成相关联的资源额度、资源偿还时间、特享资源信息的内容。
更具体的，可在资源额度系数为0.5并且资源偿还时间系数为0.3时，确定用户策略为A策略，在资源额度系数为0.8并且资源偿还时间系数为0.5时，确定用户策略为B策略。
根据本公开的用户策略分配方法，获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；基于所述用户信息生成多个特征信息；将所述多个特征信息输入用户策略分配模型中，生成至少一个分配系数，所述用户策略分配模型通过多个历史用户信息对具有先验参数的机器学习模型训练生成；根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略的方式，能够有效避免机器学习模型计算中的过拟合问题，得到适用于大部分应用场景的机器学习模型，提升用户策略分配效率和准确度，减少服务器计算压力。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种用户策略分配方法的流程图。图3所示的流程30是对“通过多个历史用户信息对具有先验参数的机器学习模型训练生成用户策略分配模型”的详细描述。
如图3所示，在S302中，获取满足预设条件的历史用户的历史用户信息。在本实施例中，以金融资源借用为例进行示例性说明，可以理解的是，本公开的方法还可应用与其他分配场景中。基于某金融服务平台真实业务数据，可通过vintage、迁移率等指标分析，定义3期内还款表现发生逾期30+(即MOB3 30+)的历史用户为本次建模的历史用户，逾期样本比例小于5％。其中，MOB(month on book，在账月份数)，代表客户放款之后到观测时间点间隔的月份数，即账龄。
在S304中，基于所述历史用户信息提取多个历史特征信息。计算所述用户信息中至少一个基础信息和至少一个行为信息的关键度指标；基于所述关键度指标由所述历史用户信息中提取部分信息以生成多个历史特征信息。将历史用户信息融合，形成上万维度的宽表变量，对数据进行进一步清洗加工，以保证后期模型的稳定性与准确性。数据清洗步骤包括但不局限于变量缺失率分析与处理、异常值处理、连续型变量离散化并WOE转化、离散型变量WOE转化、文本变量加工处理等。可结合变量覆盖度、单一取值覆盖度、与目标变量相关性及显著性、对目标变量的区分度(KS)及信息价值(IV)、树类模型(如XGBoost、RF等)特征重要性等多方面综合考虑，筛选覆盖率高、对目标变量区分效果明显的特征作为特征信息。
在S306中，基于所述多个历史特征信息确定多个先验参数。分别基于历史用户信息对所述多个历史特征信息中的每一个历史特征信息进行统计分析，确定所述多个历史特征信息对应的多个分布函数；基于所述多个函数生成所述多个先验参数。
可例如，历史特征信息中包括用户账龄、资源借用次数、资源借用额度、资源偿还时间等若干个类别。可分别统计所有历史用户的用户账龄、资源借用次数、资源借用额度、资源偿还时间，然后确定上述每一个特征信息的分布函数。基于不同的分布函数确定不同的先验参数。
在一个实施例中，以分布函数为高斯分布进行后续的分析，指的一提的是，下述分析方法还可应用在其他分布函数上。
在S308中，基于多个所述先验参数、所述多个历史特征信息对机器学习模型训练生成所述用户策略分配模型。基于多个所述先验参数、所述多个历史特征信息对逻辑回归模型训练生成所述用户策略分配模型。
更具体的，基于所述多个历史特征信息建立逻辑回归模型，所述逻辑回归模型包括多个模型参数；根据所述先验参数生成所述多个模型参数的先验概率分布；基于所述先验概率分布求取所述逻辑回归模型的最优解；基于所述最优解生成所述用户策略分配模型。
图4是根据另一示例性实施例示出的一种用户策略分配方法的流程图。图4所示的流程40是对图3所示的流程中S308“基于多个所述先验参数、所述多个历史特征信息对机器学习模型训练生成所述用户策略分配模型”的详细描述。
如图4所示，在S402中，基于所述多个历史特征信息建立逻辑回归模型，所述逻辑回归模型包括多个模型参数。
对于由历史用户构成的样本集，特征数据可表示为：
x＝{x1,x2,…,xm}；
其中，xi代表第i个历史用户对应的历史特征信息。
特征数据对应的分类数据为：y＝{y1,y2,…,ym}，yi代表代表第i个历史用户对应的类别。
可基于x＝{x1，x2，…，xm}和y＝{y1，y2，…，ym}构建逻辑回归模型f(θ)，其中，θ为模型参数。
在S404中，根据所述先验参数生成所述多个模型参数的先验概率分布。在常规的Logistic回归模型中，假设X1，X2，…，Xn的作用下，某事件发生的概率为p，事件不发生的概率为1-p；
为发生的概率和不发生的概率之比，记作优势(odds)，在常规的Logistic回归模型中求取θ的，可先建立单个样本的后验概率，然后推导出其极大似然函数的表达式，进而通过梯度下降法求解θ直至收敛，根据收敛时的θ值构建逻辑回归模型f(θ)。
常规的Logistic回归都是给参数一个初始值，然后使用梯度下降不断更新权重进行参数估计，或者使用牛顿法求得参数的解，在本公开中，可先确定参数θ的先验分布，可假设确定先验分布的形式，通过MCMC马尔科夫链蒙特卡洛产生稳定的样本分布，利用最大后验概率方法求出参数θ的具体数值。
在本实施例中，可假设参数θ先验分布的高斯分布，通过MCMC马尔科夫链蒙特卡洛产生稳定的样本分布，利用最大后验概率求出参数的估值，从而可以输出信用评分的概率值，不需要针对特定任务对模型进行修改就可以满足各种任务。
更具体的，在本实施例中，参数θ先验分布为高斯分布时，可将后验估计的统计量f写成某个函数f(x)关于π(x)的期望：
Eπf＝∫Φf(x)π(x)dx；
可基于MCMC(Markov Chain Monte Carlo，马尔科夫链蒙特卡洛)方法建立平稳分布为π(x)的Markov链π(x)的历史用户，基于这些样本进行下面的统计推断；其中，MCMC是用于从复杂分布中获取随机样本的统计学算法。MCMC是一类通过随机抽样过程来求取最优解的方法的总称，如果建立MCMC模型的过程没有出错，那么抽样次数越多，得到的答案越精确。蒙特卡洛模拟的实现，可以归纳为如下三个步骤：
A，将欲求解问题转化为概率过程。
B，从已知分布中抽样。
C，通过样本计算各类统计量，此类统计量就是欲求问题的解。
在本公开中，在构建了Markov链之后，基于Markov链构造转移核，以使后验分布π(x)是平稳分布；
从θ中的某一点X(0)出发，根据马氏链构造序列X(1)，...，X(n)；
用产生的样本作统计推断，计算f(x)的期望估计为：
其中，n为马氏链构造序列的数量，m为总体历史用户的数量。
在S406中，基于所述先验概率分布求取所述逻辑回归模型的最优解。包括：基于所述先验参数和确定所述先验概率分布的最大后验估计；求取所述最大后验估计的最优解以生成所述逻辑回归模型的最优解。
假设θ的先验分布为π(θ)，在本公开中的方法中，由于事先确定了θ的先验参数和分布函数，使得在本公开在获得总体样本x后，把对θ进行解析的计算由现有技术中的π(θ)调整到后验分布π(θ|x)中求解：
更进一步的，最大后验分布的目标为：
在S408中，基于所述最优解生成所述用户策略分配模型。
假设构造的马氏链样本X1，X2，…，Xn为独立同分布的
其中，参数μ有一个先验的概率分布为
那么可根据X1，X2，…，Xn来找到μ的最大后验概率，根据前面的描述，最大后验概率函数为：
在两边取对数，上式最大值等同于求下面公式的最小值：
对μ求导可得μ的最大后验估计为：
基于最大后验概率的分布再去求取参数μ和θ的最优解，进而生成所述用户策略分配模型。
上文所述的最大先验概率、最大后验概率相关和公式和求取最优解的方法均可在相关的数学文档中找到更加详细的描述，本公开在此不再赘述。在构建用户策略分配模型中，本申请不同于现有技术中的先给参数一个初始值，然后使用梯度下降不断更新权重进行参数的方式，而是先假设参数θ先验分布的高斯分布，通过MCMC马尔科夫链蒙特卡洛产生稳定的样本分布，再利用最大后验概率求出参数的估值。这种方式产生的用户策略分配应用范围广泛，在得到用户策略分配之后，在不同的应用场景中使用时，能够不需要针对特定任务对模型进行修改就可以满足各种任务。
针对某渠道客群，样本总共80399，定义首期逾期30+为坏客户，逾期率约0.5％，分别从客户基本信息、资信信息、交易信息、登录行为信息中筛选出14个特征，分别使用Logistic归常规算法和本公开中的Logistic回归的效果对比，假设参数服从高斯分布时的模拟过程。图5显示了本公开中的方法通过MOMC抽样和最大后验概率方法模拟出参数的点估计。分别针对训练数据集Train，测试数据集Test，样本外数据集OOT(out of test)，分别求得模型的效果AUC的值如图6所示。
从上图可知，常规的logistic回归，在train数据和oot数据的auc值分别低于本公开中的Logistic回归。本公开中的Logistic回归方法对样本外预测略好于常规的logistic回归。
本公开中的Logistic回归方法基于总体信息、样本信息，再加上先验信息进行的统计推断，把待估参数看作随机变量。在实际的用户策略分配模型构建过程中，利用专家经验能够获得较好的先验信息分布，在获得一定的信息条件下，利用贝叶斯准则，对用户策略分配模型的提升有很大作用，还能够有效的防止模型过拟合问题。
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CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图7是根据一示例性实施例示出的一种用户策略分配装置的框图。如图7所示，用户策略分配装置70包括：信息模块702，特征模块704，系数模块706，策略模块708。
信息模块702用于获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；
特征模块704用于基于所述用户信息生成多个特征信息；特征模块704还用于基于所述用户信息和特征策略生成多个特征信息。
系数模块706用于将所述多个特征信息输入用户策略分配模型中，生成至少一个分配系数，所述用户策略分配模型通过多个历史用户信息对具有先验参数的机器学习模型训练生成；
策略模块708用于根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略。策略模块708还用于将所述至少一个分配系数和所述预设策略中的至少一个阈值区间进行比对，以确定所述当前用户的资源额度、资源偿还时间、特享资源信息。
根据本公开的用户策略分配装置，获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；基于所述用户信息生成多个特征信息；将所述多个特征信息输入用户策略分配模型中，生成至少一个分配系数，所述用户策略分配模型通过多个历史用户信息对具有先验参数的机器学习模型训练生成；根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略的方式，能够有效避免机器学习模型计算中的过拟合问题，得到适用于大部分应用场景的机器学习模型，提升用户策略分配效率和准确度，减少服务器计算压力。
图8是根据一示例性实施例示出的一种电子设备的框图。
下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：至少一个处理单元810、至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840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810执行，使得所述处理单元810执行本说明书中的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图2，图3，图4中所示的步骤。
所述存储单元820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)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。
所述存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205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830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800也可以与一个或多个外部设备800’(例如键盘、指向设备、蓝牙设备等)通信，使得用户能与该电子设备800交互的设备通信，和/或该电子设备800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850进行。并且，电子设备800还可以通过网络适配器860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880可以通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800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，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图9所示，根据本公开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非易失性存储介质(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)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。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公开操作的程序代码，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)。
上述计算机可读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一个该设备执行时，使得该计算机可读介质实现如下功能：获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；基于所述用户信息生成多个特征信息；将所述多个特征信息输入用户策略分配模型中，生成至少一个分配系数，所述用户策略分配模型通过多个历史用户信息对具有先验参数的机器学习模型训练生成；根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略。该计算机可读介质还可实现如下功能：获取满足预设条件的历史用户的历史用户信息；基于所述历史用户信息提取多个历史特征信息；基于所述多个历史特征信息确定多个先验参数；基于多个所述先验参数、所述多个历史特征信息对机器学习模型训练生成所述用户策略分配模型。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。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。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例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，根据本公开实施例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非易失性存储介质(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、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (13)
1.一种用户策略分配方法，其特征在于，包括：
获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；
基于所述用户信息生成多个特征信息；
将所述多个特征信息输入用户策略分配模型中，生成至少一个分配系数，所述用户策略分配模型通过历史用户信息对具有先验参数的机器学习模型训练生成；
根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略。
2.如权利要求1所述的方法，其特征在于，还包括：
获取满足预设条件的历史用户的历史用户信息；
基于所述历史用户信息提取多个历史特征信息；
基于所述多个历史特征信息确定多个先验参数；
基于所述多个先验参数、所述多个历史特征信息对机器学习模型训练以生成所述用户策略分配模型。
3.如权利要求2所述的方法，其特征在于，基于所述历史用户信息提取多个历史特征信息，包括：
计算所述历史用户信息中基础信息和行为信息的关键度指标；
基于所述关键度指标由所述历史用户信息中提取部分信息以生成所述多个历史特征信息。
4.如权利要求3所述的方法，其特征在于，还包括：
基于所述多个历史特征信息和所述历史用户信息之间的关系生成所述特征策略。
5.如权利要求2所述的方法，其特征在于，基于所述多个历史特征信息确定多个先验参数，包括：
分别基于历史用户信息对所述多个历史特征信息中的每一个历史特征信息进行统计分析，确定所述多个历史特征信息对应的多个分布函数；
基于所述多个分布函数生成所述多个先验参数。
6.如权利要求2所述的方法，其特征在于，基于所述多个先验参数、所述多个历史特征信息对机器学习模型训练以生成所述用户策略分配模型，包括：
基于所述多个先验参数、所述多个历史特征信息对逻辑回归模型进行训练以生成所述用户策略分配模型。
7.如权利要求6所述的方法，其特征在于，基于所述多个先验参数、所述多个历史特征信息对逻辑回归模型进行训练以生成所述用户策略分配模型，包括：
基于所述多个历史特征信息建立逻辑回归模型，所述逻辑回归模型包括多个模型参数；
根据所述先验参数生成所述多个模型参数的先验概率分布；
基于所述先验概率分布求取所述逻辑回归模型的最优解；
基于所述最优解生成所述用户策略分配模型。
8.如权利要求7所述的方法，其特征在于，基于所述先验概率分布求取所述逻辑回归模型的最优解，包括：
基于所述先验参数确定所述逻辑回归模型的先验概率分布的最大后验估计；
求取所述最大后验估计的最优解以生成所述逻辑回归模型的最优解。
9.如权利要求4所述的方法，其特征在于，基于所述用户信息生成多个特征信息，包括：
基于所述用户信息和特征策略生成所述多个特征信息。
10.如权利要求1所述的方法，其特征在于，根据所述至少一个分配系数和至少一个预设策略为所述当前用户分配用户策略，包括：
将所述至少一个分配系数和所述预设策略中的至少一个阈值区间进行比对，以确定所述当前用户的资源额度、资源偿还时间、特享资源信息。
11.一种用户策略分配装置，其特征在于，包括：
信息模块，用于获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；
特征模块，用于基于所述用户信息生成多个特征信息；
系数模块，用于将所述多个特征信息输入用户策略分配模型中，生成至少一个分配系数，所述用户策略分配模型通过历史用户信息对具有先验参数的机器学习模型训练生成；
策略模块，用于根据所述至少一个分配系数和预设策略为所述当前用户分配用户策略。
12.一种电子设备，其特征在于，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；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
13.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110776161.XA CN113570207B (zh) | 2021-07-09 | 用户策略分配方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110776161.XA CN113570207B (zh) | 2021-07-09 | 用户策略分配方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113570207A true CN113570207A (zh) | 2021-10-29 |
| CN113570207B CN113570207B (zh) | 2024-04-26 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985773A (zh) * | 2020-07-15 | 2020-11-24 | 北京淇瑀信息科技有限公司 | 用户资源分配策略确定方法、装置及电子设备 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
| WO2019019346A1 (zh) * | 2017-07-25 | 2019-01-31 | 上海壹账通金融科技有限公司 | 资产配置策略获取方法、装置、计算机设备和存储介质 |
| CN109636432A (zh) * | 2018-09-28 | 2019-04-16 | 阿里巴巴集团控股有限公司 | 计算机执行的项目选择方法和装置 |
| CN110167176A (zh) * | 2019-04-25 | 2019-08-23 | 北京科技大学 | 一种基于分布式机器学习的无线网络资源分配方法 |
| CN110347552A (zh) * | 2019-06-29 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种支持可配置的决策引擎实时监控的方法、装置和电子设备 |
| CN110490379A (zh) * | 2019-08-13 | 2019-11-22 | 山东建筑大学 | 基于mcmc的办公室人员用能行为预测方法及系统 |
| CN110520871A (zh) * | 2017-02-24 | 2019-11-29 | 渊慧科技有限公司 | 训练机器学习模型 |
| CN110795568A (zh) * | 2019-09-30 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 基于用户信息知识图谱的风险评估方法、装置和电子设备 |
| CN112017061A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备 |
| CN112287068A (zh) * | 2020-10-29 | 2021-01-29 | 康键信息技术（深圳）有限公司 | 基于人工智能的问诊对话数据处理方法及装置 |
| CN112419362A (zh) * | 2019-08-21 | 2021-02-26 | 中国人民解放军火箭军工程大学 | 一种基于先验信息特征学习的运动目标跟踪方法 |
| CN112418476A (zh) * | 2019-08-23 | 2021-02-26 | 武汉剑心科技有限公司 | 一种超短期电力负荷预测方法 |
| CN112561196A (zh) * | 2020-12-22 | 2021-03-26 | 作业帮教育科技（北京）有限公司 | 基于机器学习的试听课老师智能分配方法、装置和电子设备 |
| CN112804304A (zh) * | 2020-12-31 | 2021-05-14 | 平安科技（深圳）有限公司 | 基于多点输出模型的任务节点分配方法、装置及相关设备 |
| US20210158259A1 (en) * | 2019-11-25 | 2021-05-27 | David Michael Evans | Orchestrated intelligent supply chain optimizer |
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110520871A (zh) * | 2017-02-24 | 2019-11-29 | 渊慧科技有限公司 | 训练机器学习模型 |
| CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
| WO2019019346A1 (zh) * | 2017-07-25 | 2019-01-31 | 上海壹账通金融科技有限公司 | 资产配置策略获取方法、装置、计算机设备和存储介质 |
| CN109636432A (zh) * | 2018-09-28 | 2019-04-16 | 阿里巴巴集团控股有限公司 | 计算机执行的项目选择方法和装置 |
| CN110167176A (zh) * | 2019-04-25 | 2019-08-23 | 北京科技大学 | 一种基于分布式机器学习的无线网络资源分配方法 |
| CN110347552A (zh) * | 2019-06-29 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种支持可配置的决策引擎实时监控的方法、装置和电子设备 |
| CN110490379A (zh) * | 2019-08-13 | 2019-11-22 | 山东建筑大学 | 基于mcmc的办公室人员用能行为预测方法及系统 |
| CN112419362A (zh) * | 2019-08-21 | 2021-02-26 | 中国人民解放军火箭军工程大学 | 一种基于先验信息特征学习的运动目标跟踪方法 |
| CN112418476A (zh) * | 2019-08-23 | 2021-02-26 | 武汉剑心科技有限公司 | 一种超短期电力负荷预测方法 |
| CN110795568A (zh) * | 2019-09-30 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 基于用户信息知识图谱的风险评估方法、装置和电子设备 |
| US20210158259A1 (en) * | 2019-11-25 | 2021-05-27 | David Michael Evans | Orchestrated intelligent supply chain optimizer |
| CN112017061A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备 |
| CN112287068A (zh) * | 2020-10-29 | 2021-01-29 | 康键信息技术（深圳）有限公司 | 基于人工智能的问诊对话数据处理方法及装置 |
| CN112561196A (zh) * | 2020-12-22 | 2021-03-26 | 作业帮教育科技（北京）有限公司 | 基于机器学习的试听课老师智能分配方法、装置和电子设备 |
| CN112804304A (zh) * | 2020-12-31 | 2021-05-14 | 平安科技（深圳）有限公司 | 基于多点输出模型的任务节点分配方法、装置及相关设备 |
Non-Patent Citations (2)
| Title |
|---|
| 董炀斌;蒋静坪;何衍;: "基于适应度的多机器人任务分配策略", 浙江大学学报(工学版), no. 02 * |
| 金志刚;韩;朱琦;: "一种结合深度学习和集成学习的情感分析模型", 哈尔滨工业大学学报, no. 11 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985773A (zh) * | 2020-07-15 | 2020-11-24 | 北京淇瑀信息科技有限公司 | 用户资源分配策略确定方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112348660B (zh) | 生成风险警示信息的方法、装置及电子设备 | |
| JP2020522832A (ja) | 信用力があると判定された消費者にローンを発行するシステムおよび方法 | |
| CN111210335B (zh) | 用户风险识别方法、装置及电子设备 | |
| CN110751286A (zh) | 神经网络模型的训练方法和训练系统 | |
| CN112163963B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| CN111181757B (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
| CN112508694A (zh) | 资源额度申请的处理方法、装置及电子设备 | |
| CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
| CN112015562A (zh) | 基于迁移学习的资源分配方法、装置及电子设备 | |
| CN112348659A (zh) | 用户风险识别策略的分配方法、装置及电子设备 | |
| CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
| CN113610366A (zh) | 风险警告生成方法、装置及电子设备 | |
| Hoseinpour et al. | Designing service system networks with interruption risks | |
| CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
| CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
| CN113610625A (zh) | 逾期风险警示方法、装置及电子设备 | |
| CN114742645B (zh) | 基于多阶段时序多任务的用户安全等级识别方法及装置 | |
| CN113568739A (zh) | 用户资源额度分配方法、装置及电子设备 | |
| CN113610536A (zh) | 交易拒绝用户的用户策略分配方法、装置及电子设备 | |
| CN113902545A (zh) | 资源额度分配方法、装置及电子设备 | |
| CN113902543A (zh) | 资源配额调整方法、装置及电子设备 | |
| CN114091815A (zh) | 资源请求处理方法、装置、系统及电子设备 | |
| CN113570207B (zh) | 用户策略分配方法、装置及电子设备 | |
| CN113570207A (zh) | 用户策略分配方法、装置及电子设备 | |
| CN112950003A (zh) | 用户资源配额调整方法、装置及电子设备 |
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 | ||
| GR01 | Patent grant |