CN113592160A - 基于融合处理的用户设备的失联风险预测方法、系统和计算机设备 - Google Patents
基于融合处理的用户设备的失联风险预测方法、系统和计算机设备 Download PDFInfo
- Publication number
- CN113592160A CN113592160A CN202110793750.9A CN202110793750A CN113592160A CN 113592160 A CN113592160 A CN 113592160A CN 202110793750 A CN202110793750 A CN 202110793750A CN 113592160 A CN113592160 A CN 113592160A
- Authority
- CN
- China
- Prior art keywords
- equipment
- sub
- fusion
- loss
- models
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007499 fusion processing Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 109
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims description 74
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000009434 installation Methods 0.000 claims description 8
- 230000000391 smoking effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000013468 resource allocation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005457 optimization Methods 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
- 238000007637 random forest analysis 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
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
- G06Q10/04—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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于融合处理的用户设备的失联风险预测方法、系统和计算机设备。该方法包括：基于不同来源的数据建立多个子模型；获取历史用户设备的设备特征数据和设备关联用户的表现数据，建立与各子模型相对应的子训练数据集，并使用各自的训练数据集训练相应子模型；使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值；根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，以输出最终的设备失联风险值。本发明通过对所述多个子模型所计算的设备失联风险值进行融合处理，能够得到更精确的设备失联风险值，能够提高模型精度，同时能够很大程度上减小整体模型的方差。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于融合处理的用户设备的失联风险预测方法、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。通常，根据单一数据源建立机器模型。例如依据多投数据可以建立多投风险模型，依据APP数据建立APP子模型分等。但是基于单一数据源的机器模型通常存在预测效果差，风险区分度低等问题。此外，在模型精度提高或模型优化、数据提取等方面仍存在很大改进空间。
因此，有必要提供一种改进了的用户设备的失联风险预测方法，以解决上述问题。
发明内容
鉴于现有机器模型构建因数据源单一导致模型预测效果差，风险区分度低等技术问题，本发明的第一方面提供了一种基于融合处理的用户设备的失联风险预测方法，其用于对在互联网平台上申请互联网服务的用户设备的失联风险进行预测，包括：基于不同来源的数据建立多个子模型；获取历史用户设备的设备特征数据和设备关联用户的表现数据，建立与各子模型相对应的子训练数据集，并使用各自的训练数据集训练相应子模型；使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值；根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，以输出最终的设备失联风险值。
根据可选的实施方式，所述根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理包括：根据voting Classifier算法，配置预定融合确定规则，该预定融合确定规则包括根据变量参数确定使用第一融合计算方式和/或第二融合计算方式，其中，变量参数包括时间参数、 APP参数和关系网参数。
根据可选的实施方式，所述第一融合计算方式为从所述多个子模型计算的设备失联风险值中的最大值作为最终的设备失联风险值；和/或所述第二融合计算方式为将所述多个子模型计算的设备失联风险值的平均值作为最终的设备失联风险值。
根据可选的实施方式，包括：根据所确定的第一融合计算方式和/或第二融合计算方式，计算模型输出最终的设备失联风险值，其中，在确定使用第一融合方式和第二融合方式时，将使用所述第一融合方式所计算的第一设备失联风险值与使用所述第二融合方式所计算的第二设备失联风险值进行二次融合计算，以得到最终的设备失联风险值。
根据可选的实施方式，所述二次融合计算包括将所述第一设备失联风险值和所述第二设备失联风险值进行加权求和计算，以得到最终的设备失联风险值。
根据可选的实施方式，在确定融合计算方式之前，确定去除所述多个子模型中计算的设备失联风险值的最小值和/或最大值。
根据可选的实施方式，还包括：将待预测用户设备的设备特征数据，分别输入各子模型，计算所述待预测用户设备的设备失联风险值，该设备失联风险值为0～1之间的数值。
根据可选的实施方式，所述不同来源的数据包括以下的至少一种：设备的APP信息、设备的多投特征信息和设备关联用户的关系网特征信息，其中，所述设备的APP信息包括以下至少一种：APP安装列表信息、APP 下载列表信息、APP埋点信息；和/或所述设备关联用户的表现数据包括以下至少一种数据：在互联网服务提供的特定时间内的特定服务申请频率、在自特定互联网服务提供时间起特定时间内设备失联数据。
此外，本发明的第二方面还提供了一种基于融合处理的用户设备的失联风险预测系统，其用于对在互联网平台上申请互联网服务的用户设备的失联风险进行预测，包括：模型建立模块，用于基于不同来源的数据建立多个子模型；数据获取模块，用于获取历史用户设备的设备特征数据和设备关联用户的表现数据，建立与各子模型相对应的子训练数据集，并使用各自的训练数据集训练相应子模型；计算模块，用于使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值；融合处理模块，根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，以输出最终的设备失联风险值。
此外，本发明的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，所述处理器执行如本发明的第一方面所述的用户设备的失联风险预测方法。
此外，本发明的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，实现如本发明的第一方面所述的用户设备的失联风险预测方法。
有益效果
与现有技术相比，本发明通过基于不同来源的数据建立多个子模型，使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值，根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，能够得到更精确的设备失联风险值，能够提高模型精度，同时能够很大程度上减小整体模型的方差。
进一步地，通过变量参数确定融合方式，能够准确判断出数据来源是单一或多样、以及数据源是否稳定，特别是在某一数据源被切断时，能够灵活且有效避免该数据源对应的子模型对整体预测结果的影响，能够提高风险区别度，只需剔除受影响数据源的子模型预测值，无需模型重构，能够大大减轻模型重构的工作量；通过调整机器学习模型中的模型参数，能够得到更精确的子模型；通过从时间维度提取设备关联用户的表现数据变化，能够更有效提取特征数据，并建立子训练数据集以用于训练模型，能够进一步提高模型精度；通过配置误差最大值和误差最小值，能够进一步优化融合计算方法，有效避免由单个子模型的预测结果误差而影响整体预测结果；通过使用用户设备的设备失联风险值来表征与该用户设备相关联的用户的风险情况，或者，通过对用户设备与互联服务平台之间交互的相关数据进行量化，配置表征设备失联风险的标签，以表征与用户设备相关联的用户的风险情况，能够精确预测风险用户设备。
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的基于融合处理的用户设备的失联风险预测方法的一示例的流程图。
图2是本发明的实施例1的基于融合处理的用户设备的失联风险预测方法的另一示例的流程图。
图3是本发明的实施例1的基于融合处理的用户设备的失联风险预测方法的又一示例的流程图。
图4是本发明的实施例2的基于融合处理的用户设备的失联风险预测系统的一示例的示意图。
图5是本发明的实施例2的基于融合处理的用户设备的失联风险预测系统的另一示例的示意图。
图6是本发明的实施例2的基于融合处理的用户设备的失联风险预测系统的又一示例的示意图。
图7是根据本发明的计算机设备的示例性实施例的结构框图。
图8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，本发明提出了一种基于融合处理的用户设备的失联风险预测方法，该方法通过基于不同来源的数据建立多个子模型，使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值，根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，能够得到更精确的设备失联风险值，能够提高模型精度，同时能够很大程度上减小整体模型的方差。
需要说明的是，本发明中，本发明的创新之处在于如何根据用户设备与互联网服务平台之间的交互(即物与物之间的信息交互)，使用户设备的失联风险预测过程更加自动化、高效和减小人力成本。但是，为了方便起见，本发明中以互联网服务为例说明用户设备的失联风险预测的实施，但是不能理解成对本发明的限制。
实施例1
下面，将参照图1至图3描述本发明的基于融合处理的用户设备的失联风险预测方法的实施例。
图1为本发明的基于融合处理的用户设备的失联风险预测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，基于不同来源的数据建立多个子模型。
步骤S102，获取历史用户设备的设备特征数据和设备关联用户的表现数据，建立与各子模型相对应的子训练数据集，并使用各自的训练数据集训练相应子模型。
步骤S103，使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值。
步骤S104，根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，以输出最终的设备失联风险值。
在本示例中，所述用户设备的失联风险预测方法用于对在互联网平台上申请互联网服务的用户设备的失联风险进行预测。下面将结合具体示例说明预测过程。
需要说明的是，所述互联网服务包括由用户设备向互联网服务平台的申请而提供例如购物、乘车、地图、外卖、共享单车等的互联网服务资源。其中，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。用户设备是指在互联网服务平台上申请服务时注册用户所关联的设备，通常可能设备ID代表。当用户在申请使用互联网服务并获得授权之后，用户在授权使用的期间内有可能发生违约行为，从而对平台造成损失。所述的违约行为包括擅自退出服务协议，注销用户，换手机号，卸载APP等，导致与注册用户相关联的设备失联。本发明正是对于上述行为造成的设备失联的风险进行预测以进行事先或事后防范。
在步骤S101中，基于不同来源的数据建立多个子模型。
在本示例中，所述不同来源的数据包括以下的至少一种：设备的APP 信息、设备的多投特征信息和设备关联用户的关系网特征信息。
具体地，所述设备的APP信息包括以下至少一种：APP安装列表信息、APP下载列表信息、APP埋点信息。
例如，手机、平板或电脑等设备在指定时间内(例如一个月，两个月或三个月等)的APP安装列表信息、APP下载列表信息，例如，所述APP 安装列表信息包括APP名称、APP摘要文本和APP安装时间。
例如，所述APP埋点信息包括固定时间段内(例如每天中午12点半到一点，每天下午6点到7点等)APP点击次数、页面停留时长(例如几秒钟或者超过1分钟)等变量参数。
作为一实施方式，所述设备的多投特征信息包括同一设备向多个同类互联网服务平台申请提供资源保障服务或资源分配服务、同一设备在同一时间段内使用多个同类互联网服务资源等。
例如，设备号为***1的设备向互联网服务平台1或资源管理平台1 申请了资源服务额为1万的资源分配服务，还同时分别向资源管理平台2 和3申请了资源服务额为2万和1万的资源分配服务。
作为一实施方式，所述设备关联用户的表现数据包括以下至少一种数据：在互联网服务提供的特定时间内的特定服务申请频率、在自特定互联网服务提供时间起特定时间内设备失联数据。
需要说明的是，在本发明中，如前所述，所述设备失联是指用户关机、换号或暂停使用、卸载APP，客服电话拒接等。所述设备失联数据是指与所述设备失联相关的表现数据。例如，资源接续时间的资源接续违约数据、资源归还时间的资源归还逾期数据、以及资源筹集欺诈数据。
例如，在一个月内，具有折扣或优惠的乘车服务的特定服务申请频率为一个月三次。
例如，固定时间点起的特定时间内，每年7月8号起一周内，提供同一设备大于两次的资源保障服务申请。
再例如，在自资源分配服务提供时间起到资源归还时间的时间段内用户关机、换号或暂停使用、卸载APP，客服电话拒接等数据。
作为一实施方式，设备关联用户的关系网特征信息中的关系网是使用设备、设备关联用户、与该设备相关联的设备和其他用户构建的关系网络图，所述关系网特征信息是从上述关系网络图中提取的关系网特征数据。所述关系网特征数据包括提取设备关联用户和设备相关联的设备在特定时间内的资源服务申请次数、资源服务使用次数、资源归还违约次数、资源归还逾期次数、催收次数等，并使用该用户设备的设备关联用户(标注有风险标签，例如特定时间段内的资源归还逾期次数超过设定阈值)和设备相关联的设备(标注有失联风险标签，例如特定时间段内关机、换号或暂停使用)的关系网特征数据，确定该用户设备的设备失联预测值。
需要说明的是，所述关系网络图包括相互关联的多个节点以及边，其中，节点包括设备节点和用户为节点等，在这里，设备节点例如与互联网服务申请、使用、动支行为相关的手机、平板电脑或电脑的节点等；边是用于连接用户节点和/或设备节点的关系边，该关系边包括出边和入边。此外，例如使用资源服务类型、时间参数(资源归还时间、资源接续时间等)等筛选参数从关系网络图中提取的关系网特征数据。上述仅作为示例进行说明，不能理解成对本发明的限制。
作为一具体实施方式，根据设备的APP信息、设备的多投特征信息和设备关联用户的关系网特征信息，分别建立子模型，该子模型包括第一子模型(即APP子模型)、第二子模型(即埋点风险模型)和第三子模型(即关系网风险模型)。
例如，XGBoost算法、逻辑回归(Logistic Regression，LR)算法或深度学习算法，建立上述子模型。但是不限于此，在其他示例中，还包括 TextCNN算法、随机森林算法、RNN或LSTM网络算法等建立子模型。
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。
在步骤S102中，获取历史用户设备的设备特征数据和设备关联用户的表现数据，建立与各子模型相对应的子训练数据集，并使用各自的训练数据集训练相应子模型。
具体地，获取历史用户设备的设备特征数据和设备关联用户的表现数据，建立与各子模型相对应的子训练数据集。
作为一具体实施方式，对于乘车服务，数据源为设备的APP信息，获取历史用户设备的设备标识号、设备ID、设备名称和APP安装信息，并获取设备关联用户在自特定互联网服务(即资源筹集服务)提供时间起特定时间(例如资源使用申请但未支付前，或者资源使用时间后订单未支付时间)内设备失联数据，该设备失联数据包括在资源筹集时间卸载APP、违约数据和用户关机。进一步建立使用设备失联数据表征第一风险标签的第一子训练数据集，即第一子训练数据集包括标注有第一风险标签的历史用户设备的设备标识号。
作为另一具体实施方式，对于资源分配服务，数据源为设备的多投特征信息，获取历史用户设备的设备标识号和设备名称，并获取该设备关联用户向多个同类互联网服务平台申请提供资源分配服务(或资源保障服务)、同一设备在同一时间段内使用多个同类互联网服务资源、特定时间段内多次违约数据或多次催收数据。进一步建立如下第二子训练数据集：使用设备的多投特征信息表征的第二风险标签，即第二子训练数据集包括标注有第二风险标签的历史用户设备的设备标识号。
作为又一具体实施方式，对于资源筹集服务，数据源为设备关联用户的关系网特征信息，获取历史用户设备的设备标识号和设备名称，并获取与设备关联用户相关联的设备和用户的欺诈数据。进一步建立如下第三子训练数据集：使用与设备关联用户相关联的设备和用户的欺诈数据表征第三风险标签，即第三子训练数据集包括标注有第三风险标签的历史用户设备的设备标识号。
需要说明的是，在本发明中，所述第一标签是由在资源筹集时间是否卸载APP、是否有违约数据和是否有用户关机行为数据表示。例如，由在资源筹集时间卸载APP对应的标签值、违约数据对应的标签值和/或用户关机行为数据对应的标签值构成的评估标签值，或者进一步计算后的标签值。上述标签值可以由预先设定的表单来对应得到，也可以根据实际情况来进行计算。在其他示例中，可以根据每个特定时间段内卸载APP对应的标签值和/或用户关机行为数据对应的标签值的方差值，作为第一标签值。
此外，所述第二标签是由同一设备在同一时间段内是否使用多个同类互联网服务资源、是否在特定时间段内多次违约数据或是否有多次催收数据表示。例如，由同一设备在同一时间段内使用多个同类互联网服务资源对应的标签值、在特定时间段内多次违约数据对应的标签值、或多次催收数据对应的标签值构成的评估标签值，或者进一步计算后的标签值。上述标签值可以由预先设定的表单来对应得到，也可以根据实际情况来进行计算。在其他示例中，可以根据每个特定时间段内多次违约数据对应的标签值和/或多次催收数据对应的标签值的方差值，作为第二标签值。
此外，所述第三标签是由与设备关联用户相关联的设备和用户的欺诈数据(在本发明中，也简称为相关设备欺诈数据和相关用户欺诈数据)表示。例如，由相关设备欺诈数据对应的标签值、相关用户欺诈数据对应的标签值构成的评估标签值，或者进一步计算后的标签值。上述标签值可以由预先设定的表单来对应得到，也可以根据实际情况来进行计算。在其他示例中，可以根据每个特定时间段内相关设备欺诈数据对应的标签值和/ 或用户欺诈数据对应的标签值的方差值，作为第三标签值。
例如，通过计算用户设备与标注有风险标签的设备关联用户之间的第一相似度以及计算用户设备与标注有失联风险标签的设备相关联的设备之间的第二相似度，通过第一相似度和第二相似度来表示第三标签等，以表征该用户设备的设备失联预测值。例如，还可以第一相似度和第二相似度的加权求和值来表示第三标签。上述仅作为示例进行说明，不能理解成对本发明的限制。
进一步地，分别使用第一子训练数据集、第二训练数据集、第三训练数据集，训练第一子模型、第二子模型和第三子模型。并且，分别使用第一标签、第二标签和第三标签表征第一设备失联风险值、第二设备失联风险值和第三设备失联风险值。
由此，通过不同数据源建立不同的子模型，能够分别精确地计算设备失联风险值。
在另一实施方式中，对于各子训练数据集，还包括获取多个训练数据样本，其中，所述训练数据样本包括：历史用户设备的设备标识号和所述设备标识号所对应的设备失联(即第一标签、第二标签或第三标签)的真实发生概率。
将各历史用户的设备标识号输入所述机器学习模型(对应的第一子模型、第二子模型和第三子模型)，输出预测发生概率。
具体地，判断真实发生概率与预测发生概率是否一致的步骤。具体地，计算真实发生概率和所输出的预测发生概率的相对偏差，其中，在所计算的相对偏差小于设定值时，判断真实发生概率和所述预测发生概率一致；而在所计算的相对偏差值大于等于设定值时，判断真实发生概率和所述预测发生概率一致。由此，能够更精确地判断真实发生概率和所述预测发生概率是否一致。
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，也可以计算真实发生概率与所输出的预测发生概率的差值来判断真实发生概率和预测发生概率是否一致。在本示例中，所述设定值是由业务人员根据历史真实发生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。
进一步地，判断与所述真实发生概率一致的所述预测发生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，则所述机器学习模型收敛，得到训练完成的机器学习模型。
若否，则调整机器学习模型中的模型参数，重新通过所述机器学习模型预测所述历史用户的预测发生概率，直至与所述真实发生概率一致的所述预测发生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发生概率一致的所述预测发生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，对循环次数过多增加限制。例如，在大于所述预设循环次数时，停止循环，以限制循环次数过多。上述仅作为示例进行说明，不能理解成对本发明的限制。
由此，通过调整机器学习模型中的模型参数，能够得到更精确的子模型。
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。
在步骤S103中，使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值。
具体地，获取待预测用户设备的设备特征数据，例如为设备标识号或者设备ID等。
进一步地，将待预测用户设备的设备标识号，分别输入各子模型，计算所述待预测用户设备的设备失联风险值，该设备失联风险值为0～1之间的数值。
具体地，使用第一子模型，计算第一设备失联风险值；使用第二子模型，计算第二设备失联风险值；使用第三子模型，计算第三设备失联风险值。
需要说明的是，在本发明中，使用用户设备的设备失联风险值来表征与该用户设备相关联的用户的风险情况，或者，通过对用户设备与互联服务平台之间交互的相关数据进行量化，配置表征设备失联风险的标签，以表征与用户设备相关联的用户的风险情况。由此，能够精确预测风险用户设备。
接下来，在步骤S104中，根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，以输出最终的设备失联风险值。
在一具体实施方式中，如图2所示，将步骤S104拆分成步骤S104和步骤S201。
在步骤S201中，根据Voting Classifier算法，配置预定融合确定规则。
需要说明的是，Voting Classifer属于集成学习的一种，其可以综合多个模型的结果而得出最终的结果。所述Voting Classifer的使用方式包括 Hard Voting Classifer和Soft Voting Classifer，其中，Hard Voting Classifer 是根据少数服从多数来确定最终结果；Soft Voting Classifer是将所有模型预测样本为某一类别的概率的平均值作为标准，概率最高的对应的类型为最终的预测结果。
具体地，所述预定融合确定规则包括根据变量参数确定使用第一融合计算方式或第二融合计算方式，其中，变量参数包括时间参数、APP参数和关系网参数。例如，时间参数包括资源服务提供起特定时间段内，资源归还时间起固定时间段内(例如资源归还时间起一周内)。例如，APP参数包括卸载APP记录数据、APP点击数据和APP页面浏览数据等。再例如，关系网参数包括设备节点信息数据、设备与用户之间的关联度数据、以及设备关联用户的表现数据等。
更具体地，所述第一融合计算方式为从所述多个子模型计算的设备失联风险值中的最大值作为最终的设备失联风险值；而所述第二融合计算方式为将所述多个子模型计算的设备失联风险值的平均值作为最终的设备失联风险值。
作为一具体实施方式，获取待预测用户设备的相关数据，识别该待预测用户设备的设备标识号，并识别是否包含变量参数，以确定第一融合计算方式和/或第二融合计算方式。
具体地，根据所确定的第一融合计算方式和/或第二融合计算方式，计算模型输出最终的设备失联风险值。
在一实施方式中，在识别包含变量参数中的APP参数时，例如识别包含时间参数和APP参数时，则确定使用第二融合计算方式。
例如，第一子模型A、第二子模型B、第三子模型C预测样本属于发生设备失联的概率分别为0.1，0.2，0.3，则样本设备失联的概率的平均值是0.2；则该预测样本属于不发生设备失联的概率分别为0.9，0.8，0.7，则该预测样本属于不发生设备失联的概率为0.8，最终输出结果为不发生设备失联的类别。
在另一实施方式中，在识别仅包含时间参数时，则确定使用第一融合计算方式。
例如，第一子模型A、第二子模型B、第三子模型C预测样本属于发生设备失联的概率分别为0，0，0.8，则样本设备失联的概率是0，则最终输出结果为属于发生设备失联的类别。
在又一实施方式中，在识别未包含时间参数时，则确定使用第一融合计算方式。
在又一实施方式中，在识别包含时间参数、APP参数和关系网参数时，则确定使用第一融合计算方式和第二融合方式。
由此，通过变量参数确定融合方式，能够准确判断出数据来源是单一或多样、以及数据源是否稳定，特别是在某一数据源被切断时，能够灵活且有效避免该数据源对应的子模型对整体预测结果的影响，能够提高风险区别度，只需剔除受影响数据源的子模型预测值，无需模型重构，能够大大减轻模型重构的工作量。
作为一具体实施方式，在确定使用第一融合方式和第二融合方式时，将使用所述第一融合方式所计算的第一设备失联风险值与使用所述第二融合方式所计算的第二设备失联风险值进行二次融合计算，以得到最终的设备失联风险值。
具体地，使用如下公式将所述第一设备失联风险值和所述第二设备失联风险值进行加权求和计算，实现二次融合计算，以得到最终的设备失联风险值：
y融＝y1×a+y2×b，其中，y融是指二次融合计算得到最终的设备失联风险值；y1是指第一融合方式所计算的第一设备失联风险值；y2是指第二融合方式所计算的第二设备失联风险值；a、b分别是与第一设备失联风险值和第二设备失联风险值相对应的加权系数，该加权系数由业务人员根据互联网服务类型、服务时间、和设备信息所确定的值，通常未0.3～1.0 之间的数值。
由此，通过对所述多个子模型所计算的设备失联风险值进行融合处理，能够得到更精确的设备失联风险值，能够提高模型精度，同时能够很大程度上减小整体模型的方差。
在一可选实施方式中，如图3所示，在确定融合计算方式之前，确定去除所述多个子模型中计算的设备失联风险值的最小值和/或最大值的步骤S301。
具体地，根据子模型的历史设备失联风险值和互联网服务类型，配置误差最大值和误差最小值。
将多个子模型中计算的设备失联风险值的最小值与所述误差最小值进行比较，在所计算的最小值小于等于所述误差最小值时，将所述最小值去除，再确定融合计算方式进行计算。
而将多个子模型中计算的设备失联风险值的最大值与所述误差最大值进行比较，在所计算的最大值大于等于所述误差最大值时，将所述最大值去除，再确定融合计算方式进行计算。
因此，通过配置误差最大值和误差最小值，能够进一步优化融合计算方法，有效避免由单个子模型的预测结果误差而影响整体预测结果。
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。其中，所述误差最大值和误差最小值是根据子模型的历史设备失联风险值和互联网服务类型确定，例如根据多个历史时间段内最小值或最大值的均值或方差来设定误差最小值或误差最大值。
在又一实施方式中，根据提取规则，从上述关系网络图中提取关系网络特征数据，以建立子训练数据集。
具体地，确定根据与资源使用节点相对应的提取规则，该提取规则包括根据时间参数和/或事件参数提取。
进一步地，所述时间参数包括自资源归还节点起特定时间段内、自第一次资源使用行为的发生时间起特定时间段内。例如，自第一次资源使用行为的发生时间起10天～120天内。
更进一步地，所述事件参数包括判断有无逾期数据、有无违约数据、有无催收数据、是否有多投用户。
可选地，根据时间参数和事件参数，从上述关系网络图中提取历史用户的时间特征数据和事件特征数据，以用于建立与第三子模型相对应的子训练数据集。
由此，能够从时间维度提取设备关联用户的表现数据的变化特征，能够更有效提取特征数据，并建立子训练数据集以用于训练模型，能够进一步提高模型精度。
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。
上述用户设备的失联预测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、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。
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可读存储介质中，该存储介质可以是磁盘、光盘、ROM、 RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
与现有技术相比，本发明通过基于不同来源的数据建立多个子模型，使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值，根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，能够得到更精确的设备失联风险值，能够提高模型精度，同时能够很大程度上减小整体模型的方差。
进一步地，通过变量参数确定融合方式，能够准确判断出数据来源是单一或多样、以及数据源是否稳定，特别是在某一数据源被切断时，能够灵活且有效避免该数据源对应的子模型对整体预测结果的影响，能够提高风险区别度，只需剔除受影响数据源的子模型预测值，无需模型重构，能够大大减轻模型重构的工作量；通过调整机器学习模型中的模型参数，能够得到更精确的子模型；通过从时间维度提取设备关联用户的表现数据变化，能够更有效提取特征数据，并建立子训练数据集以用于训练模型，能够进一步提高模型精度；通过配置误差最大值和误差最小值，能够进一步优化融合计算方法，有效避免由单个子模型的预测结果误差而影响整体预测结果；通过使用用户设备的设备失联风险值来表征与该用户设备相关联的用户的风险情况，或者，通过对用户设备与互联服务平台之间交互的相关数据进行量化，配置表征设备失联风险的标签，以表征与用户设备相关联的用户的风险情况，能够精确预测风险用户设备。
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基于融合处理的用户设备的失联风险预测系统400，其用于对在互联网平台上申请互联网服务的用户设备的失联风险进行预测，所述失联风险预测系统400包括：模型建立模块401，用于基于不同来源的数据建立多个子模型；数据获取模块402，用于获取历史用户设备的设备特征数据和设备关联用户的表现数据，建立与各子模型相对应的子训练数据集，并使用各自的训练数据集训练相应子模型；计算模块403，用于使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值；融合处理模块404，根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，以输出最终的设备失联风险值。
在另一实施方式中，如图5所示，所述失联风险预测系统400还包括配置模块501，所述配置模块501根据Voting Classifier算法，配置预定融合确定规则，该预定融合确定规则包括根据变量参数确定使用第一融合计算方式和/或第二融合计算方式，其中，变量参数包括时间参数、APP参数和关系网参数。
需要说明的是，Voting Classifer属于集成学习的一种，其可以综合多个模型的结果而得出最终的结果。所述Voting Classifer的使用方式包括 Hard Voting Classifer和Soft Voting Classifer，其中，Hard Voting Classifer 是根据少数服从多数来确定最终结果；Soft Voting Classifer是将所有模型预测样本为某一类别的概率的平均值作为标准，概率最高的对应的类型为最终的预测结果。
具体地，所述第一融合计算方式为从所述多个子模型计算的设备失联风险值中的最大值作为最终的设备失联风险值；第二融合计算方式为将所述多个子模型计算的设备失联风险值的平均值作为最终的设备失联风险值。
进一步地，根据所确定的第一融合计算方式和/或第二融合计算方式，计算模型输出最终的设备失联风险值。
在一实施方式中，在识别包含变量参数中的APP参数时，例如识别包含时间参数和APP参数时，则确定使用第二融合计算方式。
例如，第一子模型A、第二子模型B、第三子模型C预测样本属于发生设备失联的概率分别为0.1，0.2，0.3，则样本设备失联的概率的平均值是0.2；则该预测样本属于不发生设备失联的概率分别为0.9，0.8，0.7，则该预测样本属于不发生设备失联的概率为0.8，最终输出结果为不发生设备失联的类别。
在另一实施方式中，在识别仅包含时间参数时，则确定使用第一融合计算方式。
例如，第一子模型A、第二子模型B、第三子模型C预测样本属于发生设备失联的概率分别为0，0，0.8，则样本设备失联的概率是0，则最终输出结果为属于发生设备失联的类别。
在又一实施方式中，在识别未包含时间参数时，则确定使用第一融合计算方式。
在又一实施方式中，在识别包含时间参数、APP参数和关系网参数时，则确定使用第一融合计算方式和第二融合方式。
由此，通过变量参数确定融合方式，能够准确判断出数据来源是单一或多样、以及数据源是否稳定，特别是在某一数据源被切断时，能够灵活且有效避免该数据源对应的子模型对整体预测结果的影响，能够提高风险区别度，只需剔除受影响数据源的子模型预测值，无需模型重构，能够大大减轻模型重构的工作量。
作为一具体实施方式，在确定使用第一融合方式和第二融合方式时，将使用所述第一融合方式所计算的第一设备失联风险值与使用所述第二融合方式所计算的第二设备失联风险值进行二次融合计算，以得到最终的设备失联风险值。
具体地，使用如下公式将所述第一设备失联风险值和所述第二设备失联风险值进行加权求和计算，以得到最终的设备失联风险值：
y融＝y1×a+y2×b，其中，y融是指二次融合计算得到最终的设备失联风险值；y1是指第一融合方式所计算的第一设备失联风险值；y2是指第二融合方式所计算的第二设备失联风险值；a、b分别是与第一设备失联风险值和第二设备失联风险值相对应的加权系数，该加权系数由业务人员根据互联网服务类型、服务时间、和设备信息所确定的值，通常未0.3～1.0 之间的数值。
由此，通过对所述多个子模型所计算的设备失联风险值进行融合处理，能够得到更精确的设备失联风险值，能够提高模型精度，同时能够很大程度上减小整体模型的方差。
在又一实施方式中，所述失联风险预测系统400还包括确定模块 601，所述确定模块601在确定融合计算方式之前，确定去除所述多个子模型中计算的设备失联风险值的最小值和/或最大值。
具体地，根据子模型的历史设备失联风险值和互联网服务类型，配置误差最大值和误差最小值。
将多个子模型中计算的设备失联风险值的最小值与所述误差最小值进行比较，在所计算的最小值小于等于所述误差最小值时，将所述最小值去除，再确定融合计算方式进行计算。
而将多个子模型中计算的设备失联风险值的最大值与所述误差最大值进行比较，在所计算的最大值大于等于所述误差最大值时，将所述最大值去除，再确定融合计算方式进行计算。
因此，通过配置误差最大值和误差最小值，能够进一步优化融合计算方法，有效避免由单个子模型的预测结果误差而影响整体预测结果。
对于失联风险预测系统400的预测部分，将待预测用户设备的设备特征数据，分别输入各子模型，计算所述待预测用户设备的设备失联风险值，该设备失联风险值为0～1之间的数值。
具体地，所述不同来源的数据包括以下的至少一种：设备的APP 信息、设备的多投特征信息和设备关联用户的关系网特征信息。
更具体地，所述设备的APP信息包括以下至少一种：APP安装列表信息、APP下载列表信息、APP埋点信息。
所述设备关联用户的表现数据包括以下至少两种数据：在互联网服务提供的特定时间内的特定服务申请频率、在自特定互联网服务提供时间起特定时间内设备失联数据。
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，本发明通过基于不同来源的数据建立多个子模型，使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值，根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，能够得到更精确的设备失联风险值，能够提高模型精度，同时能够很大程度上减小整体模型的方差。
进一步地，通过变量参数确定融合方式，能够准确判断出数据来源是单一或多样、以及数据源是否稳定，特别是在某一数据源被切断时，能够灵活且有效避免该数据源对应的子模型对整体预测结果的影响，能够提高风险区别度，只需剔除受影响数据源的子模型预测值，无需模型重构，能够大大减轻模型重构的工作量；通过调整机器学习模型中的模型参数，能够得到更精确的子模型；通过从时间维度提取设备关联用户的表现数据的变化特征，能够更有效提取特征数据，并建立子训练数据集以用于训练模型，能够进一步提高模型精度；通过配置误差最大值和误差最小值，能够进一步优化融合计算方法，有效避免由单个子模型的预测结果误差而影响整体预测结果。
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7是根据本发明的计算机设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的计算机设备200。图7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7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8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 (10)
1.一种基于融合处理的用户设备的失联风险预测方法，其用于对在互联网平台上申请互联网服务的用户设备的失联风险进行预测，其特征在于，包括：
基于不同来源的数据建立多个子模型；
获取历史用户设备的设备特征数据和设备关联用户的表现数据，建立与各子模型相对应的子训练数据集，并使用各自的训练数据集训练相应子模型；
使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值；
根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，以输出最终的设备失联风险值。
2.根据权利要求1所述的用户设备的失联风险预测方法，其特征在于，所述根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理包括：
根据voting Classifier算法，配置预定融合确定规则，该预定融合确定规则包括根据变量参数确定使用第一融合计算方式和/或第二融合计算方式，其中，变量参数包括时间参数、APP参数和关系网参数。
3.根据权利要求2所述的用户设备的失联风险预测方法，其特征在于，
所述第一融合计算方式为从所述多个子模型计算的设备失联风险值中的最大值作为最终的设备失联风险值；和/或
所述第二融合计算方式为将所述多个子模型计算的设备失联风险值的平均值作为最终的设备失联风险值。
4.根据权利要求2所述的用户设备的失联风险预测方法，其特征在于，包括：
根据所确定的第一融合计算方式和/或第二融合计算方式，计算模型输出最终的设备失联风险值，其中，
在确定使用第一融合方式和第二融合方式时，将使用所述第一融合方式所计算的第一设备失联风险值与使用所述第二融合方式所计算的第二设备失联风险值进行二次融合计算，以得到最终的设备失联风险值。
5.根据权利要求4所述的用户设备的失联风险预测方法，其特征在于，所述二次融合计算包括将所述第一设备失联风险值和所述第二设备失联风险值进行加权求和计算，以得到最终的设备失联风险值；和/或
在确定融合计算方式之前，确定去除所述多个子模型中计算的设备失联风险值的最小值和/或最大值。
6.根据权利要求1所述的用户设备的失联风险预测方法，其特征在于，还包括：
将待预测用户设备的设备特征数据，分别输入各子模型，计算所述待预测用户设备的设备失联风险值，该设备失联风险值为0～1之间的数值。
7.根据权利要求1所述的用户设备的失联风险预测方法，其特征在于，所述不同来源的数据包括以下的至少一种：
设备的APP信息、设备的多投特征信息和设备关联用户的关系网特征信息，其中，所述设备的APP信息包括以下至少一种：APP安装列表信息、APP下载列表信息、APP埋点信息；和/或
所述设备关联用户的表现数据包括以下至少一种数据：在互联网服务提供的特定时间内的特定服务申请频率、在自特定互联网服务提供时间起特定时间内设备失联数据。
8.一种基于融合处理的用户设备的失联风险预测系统，其用于对在互联网平台上申请互联网服务的用户设备的失联风险进行预测，其特征在于，包括：
模型建立模块，用于基于不同来源的数据建立多个子模型；
数据获取模块，用于获取历史用户设备的设备特征数据和设备关联用户的表现数据，建立与各子模型相对应的子训练数据集，并使用各自的训练数据集训练相应子模型；
计算模块，用于使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值；
融合处理模块，根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，以输出最终的设备失联风险值。
9.根据权利要求8所述的用户设备的失联风险预测系统，其特征在于，所述失联风险预测系统还包括配置模块，所述配置模块根据voting Classifier算法，配置预定融合确定规则，该预定融合确定规则包括根据变量参数确定使用第一融合计算方式和/或第二融合计算方式，其中，变量参数包括时间参数、APP参数和关系网参数。
10.一种计算机设备，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，其特征在于：
当所述计算机程序被所述处理器执行时，所述处理器执行如权利要求1-7中任一项所述的用户设备的失联风险预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110793750.9A CN113592160A (zh) | 2021-07-13 | 2021-07-13 | 基于融合处理的用户设备的失联风险预测方法、系统和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110793750.9A CN113592160A (zh) | 2021-07-13 | 2021-07-13 | 基于融合处理的用户设备的失联风险预测方法、系统和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113592160A true CN113592160A (zh) | 2021-11-02 |
Family
ID=78247202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110793750.9A Pending CN113592160A (zh) | 2021-07-13 | 2021-07-13 | 基于融合处理的用户设备的失联风险预测方法、系统和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592160A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115544626A (zh) * | 2022-10-21 | 2022-12-30 | 清华大学 | 子模型抽取方法、装置、计算机设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120254076A1 (en) * | 2011-03-30 | 2012-10-04 | Microsoft Corporation | Supervised re-ranking for visual search |
| CN109961296A (zh) * | 2017-12-25 | 2019-07-02 | 腾讯科技（深圳）有限公司 | 商户类型识别方法及装置 |
| CN110544131A (zh) * | 2019-09-06 | 2019-12-06 | 创新奇智(重庆)科技有限公司 | 一种数据驱动的电商用户购买行为预测方法 |
| CN110599336A (zh) * | 2018-06-13 | 2019-12-20 | 北京九章云极科技有限公司 | 一种金融产品购买预测方法及系统 |
| CN111882426A (zh) * | 2020-07-21 | 2020-11-03 | 中国工商银行股份有限公司 | 业务风险分类器训练方法、装置、设备及存储介质 |
| CN112270545A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 |
| CN112348520A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 基于XGBoost的风险评估方法、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 |
| CN112508695A (zh) * | 2021-02-05 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于市场风险的金融风险预测方法、装置和电子设备 |
-
2021
- 2021-07-13 CN CN202110793750.9A patent/CN113592160A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120254076A1 (en) * | 2011-03-30 | 2012-10-04 | Microsoft Corporation | Supervised re-ranking for visual search |
| CN109961296A (zh) * | 2017-12-25 | 2019-07-02 | 腾讯科技（深圳）有限公司 | 商户类型识别方法及装置 |
| CN110599336A (zh) * | 2018-06-13 | 2019-12-20 | 北京九章云极科技有限公司 | 一种金融产品购买预测方法及系统 |
| CN110544131A (zh) * | 2019-09-06 | 2019-12-06 | 创新奇智(重庆)科技有限公司 | 一种数据驱动的电商用户购买行为预测方法 |
| CN111882426A (zh) * | 2020-07-21 | 2020-11-03 | 中国工商银行股份有限公司 | 业务风险分类器训练方法、装置、设备及存储介质 |
| CN112348520A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 基于XGBoost的风险评估方法、装置和电子设备 |
| CN112270545A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于迁移样本筛选的金融风险预测方法、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 |
| CN112508695A (zh) * | 2021-02-05 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于市场风险的金融风险预测方法、装置和电子设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115544626A (zh) * | 2022-10-21 | 2022-12-30 | 清华大学 | 子模型抽取方法、装置、计算机设备及介质 |
| CN115544626B (zh) * | 2022-10-21 | 2023-10-20 | 清华大学 | 子模型抽取方法、装置、计算机设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN112508580A (zh) | 基于拒绝推断方法的模型构建方法、装置和电子设备 | |
| 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 | |
| CN111597343B (zh) | 一种基于app的智能化用户职业判断方法、装置和电子设备 | |
| CN112348662B (zh) | 基于用户职业预测的风险评估方法、装置和电子设备 | |
| CN112016855B (zh) | 基于关系网匹配的用户行业识别方法、装置和电子设备 | |
| CN112508695A (zh) | 基于市场风险的金融风险预测方法、装置和电子设备 | |
| CN111582645B (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
| CN111178701B (zh) | 一种基于特征衍生技术的风险控制方法方法、装置和电子设备 | |
| CN112948275A (zh) | 测试数据生成方法、装置、设备及存储介质 | |
| CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
| CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
| 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 | |
| CN114398465A (zh) | 互联网服务平台的异常处理方法、装置和计算机设备 | |
| CN113592160A (zh) | 基于融合处理的用户设备的失联风险预测方法、系统和计算机设备 | |
| CN113570222A (zh) | 一种用户设备鉴别方法、装置和计算机设备 | |
| 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 | |
| CN112508690A (zh) | 一种基于联合分布适配的风险评估方法、装置和电子设备 | |
| CN110782128B (zh) | 一种用户职业标签生成方法、装置和电子设备 | |
| CN110363394B (zh) | 一种基于云平台的风控服务方法、装置和电子设备 | |
| CN110363583B (zh) | 一种基于位置信息创建用户消费行为标签的方法、装置和电子设备 | |
| US11212162B2 (en) | Bayesian-based event grouping | |
| US10783287B2 (en) | Employing natural language processing to facilitate geospatial analysis | |
| CN113570114B (zh) | 一种资源服务智能匹配方法、系统和计算机设备 | |
| CN112819472A (zh) | 资源筹集项目的欺诈预测方法、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 |