CN113657724A - 基于多源异构数据的资源分配方法、装置和电子设备 - Google Patents
基于多源异构数据的资源分配方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113657724A CN113657724A CN202110861785.1A CN202110861785A CN113657724A CN 113657724 A CN113657724 A CN 113657724A CN 202110861785 A CN202110861785 A CN 202110861785A CN 113657724 A CN113657724 A CN 113657724A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- resource allocation
- score
- evaluation result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013468 resource allocation Methods 0.000 title claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 44
- 238000010801 machine learning Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013210 evaluation model Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 238000013209 evaluation strategy Methods 0.000 abstract description 4
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012550 audit Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于在计算机信息处理技术领域,提供一种基于多源异构数据的资源分配方法、装置和电子设备,方法包括:获取用户进行资源请求时的用户数据;根据所述用户数据的类型分别输入预设的机器学习模型,得到与所述类型对应的评估结果;根据所述评估结果对所述用户进行资源分配。本发明通过获取历史用户的用户数据,并将不同类型的用户数据分别输入对应的机器学习模型进行训练,利用训练好的机器学习模型对新用户的用户数据进行评估,根据评估结果对新用户进行资源分配,减少了数据转换过程中导致的信息损失,改善数据使用的单一性,提高了数据使用效率和模型输出的准确率,评估策略更灵活多变,降低了业务风险和损失。
Description
技术领域
本发明属于计算机信息处理技术领域,更具体的是涉及一种基于多源异构数据的资源分配方法、装置、电子设备和计算机可读介质。
背景技术
在各个领域中,特征对模型的效果影响尤为突出,好的特征不仅能够提高模型在训练集上的效果,而且在跨时间验证上的效果也较为稳定。现有技术中对模型进行训练时,通常会将各种非结构化数据转换成结构化数据,便于输入模型,但实际上,非结构化数据在转成结构化数据的过程中,往往会损失其中所蕴含的信息量,降低了模型的精度,资源管理平台使用模型对用户进行评估时的降低了评估结果的准确率。
发明内容
(一)要解决的技术问题
本发明旨在解决如何提高资源管理平台评估用户的准确率的技术问题。
(二)技术方案
为解决上述技术问题,本发明的一方面提出一种基于多源异构数据的资源分配方法,包括:
获取用户进行资源请求时的用户数据;
根据所述用户数据的类型分别输入预设的机器学习模型,得到与所述类型对应的评估结果;
根据所述评估结果对所述用户进行资源分配。
根据本发明的优选实施方式,所述获取用户进行资源请求时的用户数据,进一步包括:
获取用户注册时提交的身份数据;
获取用户进行资源请求过程中提交的图片数据;
获取用户进行资源请求过程中产生的埋点数据。
根据本发明的优选实施方式,所述图片数据包括:
用户进行人脸识别时拍摄的图片数据及用户上传的图片数据。
根据本发明的优选实施方式,在根据所述用户数据的类型分别输入预设的机器学习模型前,所述方法还包括:
将历史用户进行资源请求的用户数据作为训练样本对所述机器学习模型进行训练;
根据所述历史用户的用户数据类型分别训练得到第一评估模型、第二评估模型和第三评估模型。
根据本发明的优选实施方式,所述根据所述用户数据的类型分别输入预设的机器学习模型,得到与所述类型对应的评估结果,进一步包括:
将所述身份数据输入所述第一评估模型,得到第一评分;
将所述图片数据输入所述第二评估模型,得到第二评分;
将所述埋点数据输入所述第三评估模型,得到第三评分。
根据本发明的优选实施方式,所述根据所述评估结果对所述用户进行资源分配,进一步包括:
将所述第一评分、第二评分和第三评分输入训练好的综合评估模型,并设置对应的指标,输出得到该用户的综合评估结果;
根据所述综合评估结果对所述用户进行资源分配。
根据本发明的优选实施方式,所述根据所述评估结果对所述用户进行资源分配,进一步包括:
根据预设规则分别对所述第一评分、第二评分和第三评分设置不同的阈值;
判断所述第一评分、第二评分和第三评分是否超过阈值,得到该用户的综合评估结果;
根据所述综合评估结果对所述用户进行资源分配。
本发明第二方面提出一种基于多源异构数据的资源分配装置,包括:
数据获取模块,用于获取用户进行资源请求时的用户数据;
评估模块,用于根据所述用户数据的类型分别输入预设的机器学习模型,得到与所述类型对应的评估结果;
资源分配模块,用于根据所述评估结果对所述用户进行资源分配。
本发明第三方面提出一种电子设备,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,所述处理器执行所述的方法。
本发明第四方面还提出一种计算机可读介质,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,实现所述的方法。
(三)有益效果
本发明通过获取历史用户的用户数据,并将不同类型的用户数据分别输入对应的机器学习模型进行训练,利用训练好的机器学习模型对新用户的用户数据进行评估,根据评估结果对新用户进行资源分配,减少了数据转换过程中导致的信息损失,改善数据使用的单一性,提高了数据使用效率和模型输出的准确率,评估策略更灵活多变,降低了业务风险和损失。
附图说明
图1是本发明一个实施例的一种基于多源异构数据的资源分配方法流程示意图;
图2是本发明一个实施例的一种基于多源异构数据的资源分配装置示意图;
图3是本发明的一个实施例的电子设备的结构示意图;
图4是本发明的一个实施例的计算机可读记录介质的示意图。
具体实施方式
在对于具体实施例的介绍过程中,对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是,并不排除本领域技术人员可以在特定情况下,以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示,不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤,也不代表必须按照图中所显示的顺序执行。例如,流程图中有的操作/步骤可以分解,有的操作/步骤可以合并或部分合并,等等,在不脱离本发明的发明主旨的情况下,流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体,并不一定必然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/或处理单元装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分,因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解,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,但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说,这些定语仅是用来将一者与另一者区分。例如,第一器件亦可称为第二器件,但不偏离本发明实质的技术方案。此外,术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
在互联网的各个领域均存在着互联网服务,例如借贷、购物、打车、地图、外卖,以金融领域为例,金融产品种类繁多,其中与借贷相关产品更是举不胜数,此时金融机构需要对于申请借贷用户的风险进行提前预测。
本发明实施例以金融领域为例来进行说明,现有技术中,资源管理平台首先将获取的借贷用户的用户数据转化成结构化数据,然后将结构化数据输入训练好的机器学习模型,得到对该用户的评分,以此判断该用户的风险,在数据转化过程中,会损失其中蕴含的信息量,导致模型预测结果不准确,影响资源管理平台对用户分享的判断。
为解决上述技术问题,本发明提出一种基于多源异构数据的资源分配方法。首先将获取的借贷用户数据进行分类,将不同类别的用户数据分别输入不同的机器学习模型得到该类别的评分,根据不同的策略利用不同类别的评分评估该用户的风险并进行资源分配,减少了数据转换过程中导致的信息损失,改善数据使用的单一性,提高了数据使用效率和模型输出的准确率,评估策略更灵活多变,降低了损失。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
图1是本发明一个是实施例的一种基于多源异构数据的资源分配方法流程示意图。
如图1所示,本方法包括:
S101、获取用户进行资源请求时的用户数据。
在一些实施例中,用户在进行借贷前首先要在资源管理平台进行注册,上传用户数据,用来验证用户身份是否准确,用户数据包括用户的身份信息,例如用户姓名、年龄、性别、学历、联系方式、所在地等。
为了防止盗用他人身份信息的情况发生,资源管理平台通常会对用户身份进行核实,例如对用户进行人脸识别、上传身份证明等来确认是否是用户本人,通过这些方式获取的身份信息通常为图片信息。
用户在登录资源管理平台客户端后执行操作将产生对应的数据,这些数据可以称之为行为数据。例如登录数据,浏览和点击数据、支付数据、交易数据、借款数据、还款数据等,这里统称为用户行为数据,这些数据可以作为一种不直观但具有价值的数据,通过在客户端的重要位置进行埋点,可以获取到这些数据。
S102、根据所述用户数据的类型分别输入预设的机器学习模型,得到与所述类型对应的评估结果。
在一些实施例中,首先将历史借贷用户的用户数据作为样本对机器模型进行训练,对获取的用户数据进行分类,将用户注册时提交的身份数据作为第一类数据,这类数据通常具有明显的结构化特征,适合直接输入常规的机器学习模型;将用户上传的图片数据作为第二类数据,这类数据通常输入适合图片分类模型;将埋点获取的用户行为数据作为第三类数据,这类数据可以理解为一种不直观的“语言”,可以输入自然语言处理模型。
将历史用户的身份信息输入第一机器学习模型进行训练,历史用户实际的贷后结果作为标签输出用户第一评分,以此训练第一机器学习模型得到第一评估模型,第一评估模型可以为xgboost模型;将历史用户上传的图片数据输入第二机器学习模型进行训练,历史用户实际的贷后结果作为标签输出用户第二评分,以此训练第二机器学习模型得到第二评估模型,第二评估模型可以为ResNet50或ResNet101模型,作为计算机视觉任务主干经典神经网络的一部分,用于图片分类,也可以为卷积神经网络模型;将埋点获取的历史用户的用户行为数据输入第三机器学习模型进行训练,历史用户实际的贷后结果作为标签输出用户第三评分,以此训练第三机器学习模型得到第三评估模型,第三评估模型可以为TextRNN模型,用于文本分类,可以利用TextRNN模型将自然语言处理领域思想迁移至埋点行为的数据挖掘建模中。
需要说明的是,本发明实施例中列举的模型包括但不限于上述模型,能实现本发明方法的模型均在本发明的保护范围内,可根据需要替换为其他模型。
模型训练完成后,将新用户的用户数据进行分类,并根据数据类别分别输入第一评估模型、第二评估模型和第三评估模型,得到三个用户风险评分,通常为0-1之间的数值,根据用户评分进行后续的资源分配。
本发明实施例中将不同类型的用户数据分别输入对应的机器学习模型进行训练,减少了数据转换过程中导致的信息损失,改善数据使用的单一性,提高了数据使用效率和模型输出的准确率。
S103、根据所述评估结果对所述用户进行资源分配。
在一些实施例中,将上述实施例中得到的三个评分进行处理,可以将三个评分集成到逻辑回归模型(LR)中,作为逻辑回归模型的输入,将根据预设的策略将逻辑回归模型训练成为综合评估模型,通过设置标签,使模型输出该用户是否通过审核,若通过,则对该用户进行资源分配,若未通过,则将其他风险较小的金融产品推荐给用户。
还可以将这三个评分作为最终评分,然后设置不同的组合策略,结合评分判断该用户是否通过审核,例如分别对第一评分、第二评分和第三评分设置不同的阈值,若用户三个评分均大于阈值,则通过审核,对该用户进行资源分配;若用户其中两个评分大于阈值,另一个评分小于阈值,则对该用户进行资源分配,但是要适量降低资源分配的数量;若用户至少两个评分小于阈值,则说明该用户征信存在问题,审核不通过,将其他风险较小的金融产品推荐给用户。
优选的,可以根据需要对三个评分设置权重,例如,通过研究发现用户的行为数据更能体现用户的借贷风险,所以将第三评分的权重设置为最高,将另两项权重设置稍低,在设置完权重后将三个评分进行加权平均,得到综合评分,判断该综合评分是否大于预设的阈值,或将三个带有权重的评分输入综合评估模型,判断该用户是否通过审核,并根据审核结果为该用户分配相应的资源。
本发明实施例通过获取历史用户的用户数据,并将不同类型的用户数据分别输入对应的机器学习模型进行训练,利用训练好的机器学习模型对新用户的用户数据进行评估,根据评估结果对新用户进行资源分配,减少了数据转换过程中导致的信息损失,改善数据使用的单一性,提高了数据使用效率和模型输出的准确率,打到了物尽其用的目的,还可以使评估策略更灵活多变,降低了业务风险和损失。
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。
下面描述本发明的装置实施例,该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节,应视为对于上述方法实施例的补充;对于在本发明装置实施例中未披露的细节,可以参照上述方法实施例来实现。
图2是本发明一个是实施例的一种基于多源异构数据的资源分配装置示意图,如图2所示,该装置200包括:
数据获取模块201,用于获取用户进行资源请求时的用户数据;
评估模块202,用于根据所述用户数据的类型分别输入预设的机器学习模型,得到与所述类型对应的评估结果;
资源分配模块203,用于根据所述评估结果对所述用户进行资源分配。
其中,数据获取模块201进一步包括:
身份数据获取单元,用于获取用户注册时提交的身份数据;
图片数据获取单元,用于获取用户进行资源请求过程中提交的图片数据;
行为数据获取单元,用于获取用户进行资源请求过程中产生的埋点数据。
根据本发明的优选实施方式,所述图片数据包括:
用户进行人脸识别时拍摄的图片数据及用户上传的图片数据。
根据本发明的优选实施方式,装置200还包括:
模型训练模块,用于将历史用户进行资源请求的用户数据作为训练样本对所述机器学习模型进行训练;
根据所述历史用户的用户数据类型分别训练得到第一评估模型、第二评估模型和第三评估模型。
根据本发明的优选实施方式,评估模块202包括:
第一评估单元,用于将所述身份数据输入所述第一评估模型,得到第一评分;
第二评估单元,用于将所述图片数据输入所述第二评估模型,得到第二评分;
第三评估单元,用于将所述埋点数据输入所述第三评估模型,得到第三评分。
根据本发明的优选实施方式,资源分配模块203包括:
第一资源分配单元,用于将所述第一评分、第二评分和第三评分输入训练好的综合评估模型,并设置对应的指标,输出得到该用户的综合评估结果;
根据所述综合评估结果对所述用户进行资源分配。
根据本发明的优选实施方式,资源分配模块203包括:
第二资源分配单元,用于根据预设规则分别对所述第一评分、第二评分和第三评分设置不同的阈值;
判断所述第一评分、第二评分和第三评分是否超过阈值,得到该用户的综合评估结果;
根据所述综合评估结果对所述用户进行资源分配。
图3是本发明的一个实施例的电子设备的结构示意图,该电子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,所述处理器执行基于多源异构数据的资源分配方法。
如图3所示,电子设备以通用计算设备的形式表现。其中处理器可以是一个,也可以是多个并且协同工作。本发明也不排除进行分布式处理,即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体,也可以是多个实体设备的总和。
所述存储器存储有计算机可执行程序,通常是机器可读的代码。所述计算机可读程序可以被所述处理器执行,以使得电子设备能够执行本发明的方法,或者方法中的至少部分步骤。
所述存储器包括易失性存储器,例如随机存取存储单元(RAM)和/或高速缓存存储单元,还可以是非易失性存储器,如只读存储单元(ROM)。
可选的,该实施例中,电子设备还包括有I/O接口,其用于电子设备与外部的设备进行数据交换。I/O接口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。
应当理解,图3显示的电子设备仅仅是本发明的一个示例,本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如,有些电子设备中还包括有显示屏等显示单元,有些电子设备还包括人机交互元件,例如按扭、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤,均可认为是本发明所涵盖的电子设备。
图4是本发明的一个实施例的计算机可读记录介质的示意图。如图4所示,计算机可读记录介质中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,实现本发明上述的基于多源异构数据的资源分配方法。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。
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:获取用户进行资源请求时的用户数据;根据所述用户数据的类型分别输入预设的机器学习模型,得到与所述类型对应的评估结果;根据所述评估结果对所述用户进行资源分配。
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)。
通过以上对实施方式的描述,本领域的技术人员易于理解,本发明可以由能够执行特定计算机程序的硬件来实现,例如本发明的系统,以及系统中包含的电子处理单元、服务器、客户端、手机、控制单元、处理器等。本发明也可以由执行本发明的方法的计算机软件来实现。但需要说明的是,执行本发明的方法的计算机软件并不限于由一个或特定个的硬件实体中执行,其也可以是由不特定具体硬件的以分布式的方式来实现,例如计算机程序执行的某些方法步骤可以在移动客户端执行,另一部分可以在智能表、智能识别笔等中执行。对于计算机软件,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,也可以分布式存储于网络上,只要其能使得电子设备执行根据本发明的方法。
综上所述,本发明可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多源异构数据的资源分配方法,其特征在于,包括:
获取用户进行资源请求时的用户数据;
根据所述用户数据的类型分别输入预设的机器学习模型,得到与所述类型对应的评估结果;
根据所述评估结果对所述用户进行资源分配。
2.根据权利要求1所述的基于多源异构数据的资源分配方法,其特征在于,所述获取用户进行资源请求时的用户数据,进一步包括:
获取用户注册时提交的身份数据;
获取用户进行资源请求过程中提交的图片数据;
获取用户进行资源请求过程中产生的埋点数据。
3.根据权利要求1或2任一项所述的基于多源异构数据的资源分配方法,其特征在于,所述图片数据包括:
用户进行人脸识别时拍摄的图片数据及用户上传的图片数据。
4.根据权利要求1-3任一项所述的基于多源异构数据的资源分配方法,其特征在于,在根据所述用户数据的类型分别输入预设的机器学习模型前,所述方法还包括:
将历史用户进行资源请求的用户数据作为训练样本对所述机器学习模型进行训练;
根据所述历史用户的用户数据类型分别训练得到第一评估模型、第二评估模型和第三评估模型。
5.根据权利要求1-4任一项所述的基于多源异构数据的资源分配方法,其特征在于,所述根据所述用户数据的类型分别输入预设的机器学习模型,得到与所述类型对应的评估结果,进一步包括:
将所述身份数据输入所述第一评估模型,得到第一评分;
将所述图片数据输入所述第二评估模型,得到第二评分;
将所述埋点数据输入所述第三评估模型,得到第三评分。
6.根据权利要求1-5任一项所述的基于多源异构数据的资源分配方法,其特征在于,所述根据所述评估结果对所述用户进行资源分配,进一步包括:
将所述第一评分、第二评分和第三评分输入训练好的综合评估模型,并设置对应的指标,输出得到该用户的综合评估结果;
根据所述综合评估结果对所述用户进行资源分配。
7.根据权利要求1-6任一项所述的基于多源异构数据的资源分配方法,其特征在于,所述根据所述评估结果对所述用户进行资源分配,进一步包括:
根据预设规则分别对所述第一评分、第二评分和第三评分设置不同的阈值;
判断所述第一评分、第二评分和第三评分是否超过阈值,得到该用户的综合评估结果;
根据所述综合评估结果对所述用户进行资源分配。
8.一种基于多源异构数据的资源分配装置,其特征在于,包括:
数据获取模块,用于获取用户进行资源请求时的用户数据;
评估模块,用于根据所述用户数据的类型分别输入预设的机器学习模型,得到与所述类型对应的评估结果;
资源分配模块,用于根据所述评估结果对所述用户进行资源分配。
9.一种电子设备,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中任一项所述的方法。
10.一种计算机可读介质,存储有计算机可执行程序,其特征在于,所述计算机可执行程序被执行时,实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110861785.1A CN113657724B (zh) | 2021-07-29 | 2021-07-29 | 基于多源异构数据的资源分配方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110861785.1A CN113657724B (zh) | 2021-07-29 | 2021-07-29 | 基于多源异构数据的资源分配方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657724A true CN113657724A (zh) | 2021-11-16 |
CN113657724B CN113657724B (zh) | 2024-08-20 |
Family
ID=78478930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110861785.1A Active CN113657724B (zh) | 2021-07-29 | 2021-07-29 | 基于多源异构数据的资源分配方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657724B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994713A (zh) * | 2023-03-22 | 2023-04-21 | 中国人民解放军火箭军工程大学 | 一种基于多源数据的操作训练效果评估方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019080407A1 (zh) * | 2017-10-25 | 2019-05-02 | 深圳壹账通智能科技有限公司 | 信贷评估方法、装置、设备及计算机可读存储介质 |
CN109858735A (zh) * | 2018-12-14 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 用户风险评分评定方法、装置、计算机设备及存储介质 |
CN111768286A (zh) * | 2020-05-14 | 2020-10-13 | 北京旷视科技有限公司 | 风险预测方法、装置、设备及存储介质 |
CN112232950A (zh) * | 2020-12-10 | 2021-01-15 | 银联商务股份有限公司 | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 |
CN112348660A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 生成风险警示信息的方法、装置及电子设备 |
-
2021
- 2021-07-29 CN CN202110861785.1A patent/CN113657724B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019080407A1 (zh) * | 2017-10-25 | 2019-05-02 | 深圳壹账通智能科技有限公司 | 信贷评估方法、装置、设备及计算机可读存储介质 |
CN109858735A (zh) * | 2018-12-14 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 用户风险评分评定方法、装置、计算机设备及存储介质 |
CN111768286A (zh) * | 2020-05-14 | 2020-10-13 | 北京旷视科技有限公司 | 风险预测方法、装置、设备及存储介质 |
CN112348660A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 生成风险警示信息的方法、装置及电子设备 |
CN112232950A (zh) * | 2020-12-10 | 2021-01-15 | 银联商务股份有限公司 | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994713A (zh) * | 2023-03-22 | 2023-04-21 | 中国人民解放军火箭军工程大学 | 一种基于多源数据的操作训练效果评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113657724B (zh) | 2024-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11514511B2 (en) | Autonomous bidder solicitation and selection system | |
US20100332281A1 (en) | Task allocation mechanisms and markets for acquiring and harnessing sets of human and computational resources for sensing, effecting, and problem solving | |
CN112288455B (zh) | 标签生成方法及装置、计算机可读存储介质、电子设备 | |
CN111681091A (zh) | 基于时间域信息的金融风险预测方法、装置及存储介质 | |
US11164152B2 (en) | Autonomous procurement system | |
WO2018157808A1 (zh) | 互联网征信评估方法和系统 | |
KR102672533B1 (ko) | 퀸트 투자 기반의 금융 자산 자동 투자 시스템 및 방법 | |
CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
CN111210335A (zh) | 用户风险识别方法、装置及电子设备 | |
CN110659985A (zh) | 一种捞回误拒潜在用户的方法、装置和电子设备 | |
CN112016796A (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
CN110675250A (zh) | 一种基于用户营销评分的信贷额度管理的方法、装置和电子设备 | |
CN114004700A (zh) | 业务数据处理方法、装置、电子设备及存储介质 | |
CN115375177A (zh) | 用户价值评估方法、装置、电子设备及存储介质 | |
CN112016794A (zh) | 资源配额管理方法、装置和电子设备 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
CN113657724B (zh) | 基于多源异构数据的资源分配方法、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 | |
CN110363394B (zh) | 一种基于云平台的风控服务方法、装置和电子设备 | |
CN108509259A (zh) | 获取多方数据源的方法以及风控系统 | |
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 | |
CN113298637B (zh) | 业务平台的用户导流方法、装置和系统 | |
US11809375B2 (en) | Multi-dimensional data labeling |
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 |