CN115062698A - 用户识别方法、装置、设备及介质 - Google Patents

Abstract

本公开提供了一种用户识别方法，可以应用于人工智能以及金融技术领域。该用户识别方法，包括：获取在第一预设时间区间内待识别用户产生的资产信息以及待识别用户的用户属性信息；根据资产信息，从第一预设时间区间中筛选目标时间窗口；获取与目标时间窗口内对应的初始用户相关联的目标资产信息特征以及目标用户属性特征；以及将目标资产信息特征以及目标用户属性特征对应的目标资产信息和目标用户属性信息输入目标用户识别模型，输出目标用户的识别结果。本公开还提供了一种用户识别装置、设备、存储介质和程序产品。

Description

用户识别方法、装置、设备及介质

技术领域

本公开涉及人工智能以及金融技术领域，具体涉及一种用户识别方法、装置、设备、介质和程序产品。

背景技术

随着互联网的不断发展，通过互联网进行交易已经被广泛应用。而且数字化专业的深入，盘活存量用户、提升营销效率成为互联网营销的重点内容，若能对存量用户进行有效的产品营销，实现潜在用户到产品正式用户的转化，就能获取稳定的产品用户增长。例如，在国内金融领域，长尾理论对银行发展零售业务也有着更为有益的借鉴意义和深远的影响。

在实施本公开实施例的过程中发现，按照长尾理论容易忽略潜在用户，而这些潜在用户聚集起来也会影响互联网营销的营销效率。

发明内容

鉴于上述问题，本公开提供了一种用户识别方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种用户识别方法，包括：

获取在第一预设时间区间内待识别用户产生的资产信息以及待识别用户的用户属性信息；

根据资产信息，从第一预设时间区间中筛选目标时间窗口；

获取与目标时间窗口内对应的初始用户相关联的目标资产信息特征以及目标用户属性特征；以及

将目标资产信息特征以及目标用户属性特征对应的目标资产信息和目标用户属性信息输入目标用户识别模型，输出目标用户的识别结果。

根据本公开的实施例，根据资产信息，从第一预设时间区间中筛选目标时间窗口包括：

从第一预设时间区间中确定n个时间窗口，其中，n为大于等于2的正整数；

确定第i个时间窗口对应的预设观察窗口和预设表现窗口，其中，i≤n，预设观察窗口是根据第i个时间窗口和第一间隔时长计算得到的；预设表现窗口是根据预设观察窗口和第二间隔时长计算得到的；

在预设观察窗口和预设表现窗口内对应用户的资产信息均满足资产阈值的情况下，把第i个时间窗口作为目标时间窗口。

根据本公开的实施例，目标用户识别模型通过预先训练得到，预先训练的方法包括：

获取在第二预设时间区间内样本用户产生的样本用户资产信息以及样本用户的样本用户属性信息；

根据样本用户资产信息，从第二预设时间区间中筛选目标样本时间窗口；

获取与目标样本时间窗口内对应的初始样本用户相关联的目标样本用户资产信息特征以及目标样本用户属性特征；

根据目标样本用户资产信息特征以及目标样本用户属性特征对应的目标样本用户资产信息和目标样本用户属性信息，确定训练集；

将训练集输入预先确定的初始识别模型，输出初始识别结果；

基于初始识别结果与真实结果，调整初始识别模型的参数。

根据本公开的实施例，预先确定的初始识别模型根据预设量化指标确定；

其中，预设量化指标至少包括：用于评估模型区分度的指标和用于评估模型排序能力的指标。

根据本公开的实施例，目标资产信息特征包括以下至少之一：表征理财类的特征、表征交易类的特征、表征信贷类的特征、表征收入类的特征。

根据本公开的实施例，在获取在第一预设时间区间内待识别用户产生的资产信息以及待识别用户的用户属性信息之前还包括：

根据资产信息，确定待识别用户的类型；

在待识别用户的类型满足长尾客户的情况下，获取在第一预设时间区间内待识别用户产生的资产信息以及待识别用户的用户属性信息。

本公开的第二方面提供了一种用户识别装置，包括：

第一获取模块，用于获取在第一预设时间区间内待识别用户产生的资产信息以及待识别用户的用户属性信息；

筛选模块，用于根据资产信息，从第一预设时间区间中筛选目标时间窗口；

第二获取模块，用于获取与目标时间窗口内对应的初始用户相关联的目标资产信息特征以及目标用户属性特征；以及

识别模块，用于将目标资产信息特征以及目标用户属性特征对应的目标资产信息和目标用户属性信息输入目标用户识别模型，输出目标用户的识别结果。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述用户识别方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述用户识别方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述用户识别方法。

根据本公开的实施例，根据在第一预设时间区间内获取的待识别用户产生的资产信息，从第一预设时间区间的时间窗口中筛选目标时间窗口；此外还通过获取目标时间窗口下的目标特征，提高目标用户识别模型区分目标用户的准确性。可以针对目标用户设计产品、提供服务，增强客户粘性，提升营销效率。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的用户识别方法、装置、设备、介质和程序产品的应用场景图；

图2示意性示出了根据本公开实施例的用户识别方法的流程图；

图3示意性示出了根据本公开实施例的根据资产信息，从第一预设时间区间中筛选目标时间窗口的方法流程图；

图4示意性示出了根据本公开实施例的目标用户识别模型通过预先训练得到，预先训练的方法流程图；

图5示意性示出了根据本公开实施例的用户识别装置的结构框图；以及

图6示意性示出了根据本公开实施例的适于实现用户识别方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开实施例的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

在实施本公开实施例的过程中发现，在对用户的定位上，例如商业银行与其他的传统商业企业并无两样，都习惯性地将用户分为高低等级，并维持着“二八原则”的惯性思维。在被忽略的长尾用户中也存在着潜在用户，将这些潜在用户聚集起来也可能会是一个巨大的市场，可能长尾用户这条“长长的被漠视的尾巴”也将在很大程度上可以支撑国内商业银行未来的发展。

传统商业银行的经营策略往往都信奉二八定律，也就是20％的人占有80％的社会财富。导致这种共同的选择往往是因为投入产生比的不均衡导致的用户运营过程的模式倾向。而对于优质用户的投入倾向进而反作用于这种不均衡现象的存在，逐渐地长尾用户也就成为了传统商业银行服务的薄弱地带。随着金融科技的发展和数字化产品的普及，使得以用户为中心理念的实现成为了可能。尤其针对长尾用户，在大数据加持下，在传统长尾用户中如何挖掘出伪长尾用户即潜在用户，不仅能分摊更低的运营成本，还能大幅提升营销效率，为增收创收助力，同时也可以为用户提供高效舒适和定制化的服务体验。

本公开的实施例提供了一种用户识别方法，包括：获取在第一预设时间区间内待识别用户产生的资产信息以及待识别用户的用户属性信息；根据资产信息，从第一预设时间区间中筛选目标时间窗口；获取与目标时间窗口内对应的初始用户相关联的目标资产信息特征以及目标用户属性特征；以及将目标资产信息特征以及目标用户属性特征对应的目标资产信息和目标用户属性信息输入目标用户识别模型，输出目标用户的识别结果。

图1示意性示出了根据本公开实施例的用户识别方法、装置、设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100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，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

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。

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所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的用户识别方法一般可以由服务器105执行。相应地，本公开实施例所提供的用户识别装置一般可以设置于服务器105中。本公开实施例所提供的用户识别方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的用户识别装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

本公开实施例所提供的用户识别方法也可以由终端设备101、102、103执行。相应地，本公开实施例所提供的用户识别装置一般也可以设置于终端设备101、102、103中。本公开实施例所提供的用户识别方法也可以由不同于终端设备101、102、103的其他终端执行。相应地，本公开实施例所提供的用户识别装置也可以设置于不同于终端设备101、102、103的其他终端中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图4对公开实施例的用户识别方法进行详细描述。

图2示意性示出了根据本公开实施例的用户识别方法的流程图。

如图2所示，该实施例的用户识别方法200包括操作S201～操作S204。

在操作S201，获取在第一预设时间区间内待识别用户产生的资产信息以及待识别用户的用户属性信息。

根据本公开的实施例，可以获取待识别用户对资产信息以及用户属性信息的授权；在得到授权后，获取资产信息以及用户属性信息。资产信息例如可以包括但不限于：实物贵金属信息、理财信息、消费信息、工资信息、信用卡信息、贷款信息、银行卡信息、房产信息、其他实物信息等。用户属性信息例如可以包括但不限于：用户基本信息、与用户相关联的用户信息。第一预设时间区间可以包括发生在过去的一段时间，例如可以包括但不限于：过去12个月、过去15个月、过去18个月等。待识别用户的类型可以是传统金融领域中所指的长尾客户。

在操作S202，根据资产信息，从第一预设时间区间中筛选目标时间窗口。

根据本公开的实施例，可以根据第一预设时间区间，得到多个时间窗口；分别在每个时间窗口内确定与其对应的预设观察窗口和预设表现窗口；其中，预设观察窗口可以用于确定属于该预设观察窗口内的平均资产信息是否满足资产阈值。预设表现窗口可以用于确定属于该预设表现窗口内的平均资产信息是否满足资产阈值。如果有时间窗口对应的预设观察窗口和预设表现窗口对应用户的资产信息均满足资产阈值的情况下，可以将该时间窗口作为目标时间窗口。需要说明的是，这里目标时间窗口可以包括多个时间窗口。其中，时间窗口可以为以月数为长度的时间段。

其中，预设观察窗口是根据时间窗口和第一间隔时长计算得到的；预设表现窗口是根据预设观察窗口和第二间隔时长计算得到的。第一间隔时长与第二间隔时长均可以为几个月。

例如，第一预设时间区间为2021年01月01日到2021年11月30日。可以从该时间段内确定3个时间窗口，每个时间窗口的长度为一个月，例如202101、202102、202103。202101的时间窗口就可以对应2021年01月01日到2021年06月30日的预设观察窗口和2021年07月01日到2021年09月30日的预设表现窗口。202102的时间窗口就可以对应2021年02月01日到2021年07月31日的预设观察窗口和2021年08月01日到2021年10月31日的预设表现窗口。202103的时间窗口就可以对应2021年03月01日到2021年08月31日的预设观察窗口和2021年09月01日到2021年11月30日的预设表现窗口。需要说明的是，本实施例中的具体时间仅是其中一个举例说明，并非意在限制本公开。

在操作S203，获取与目标时间窗口内对应的初始用户相关联的目标资产信息特征以及目标用户属性特征。

根据本公开实施例，可以针对目标时间窗口，获取属于目标时间窗口下的与初始用户相关联的目标资产信息特征以及目标用户属性特征。

根据本公开的实施例，目标资产信息特征包括以下至少之一：表征理财类的特征、表征交易类的特征、表征信贷类的特征、表征收入类的特征。

根据本公开的实施例，目标用户属性特征包括表征目标用户和与目标用户关联用户的地址关联特征、表征目标用户和与目标用户关联用户的个人信息关联特征。

在操作S204，将目标资产信息特征以及目标用户属性特征对应的目标资产信息和目标用户属性信息输入目标用户识别模型，输出目标用户的识别结果。

根据本公开实施例，目标资产信息和目标用户属性信息分别为目标资产信息特征以及目标用户属性特征维度下的数据。可以将目标资产信息和目标用户属性信息输入目标用户识别模型，输出目标用户的识别结果。其中，目标用户的识别结果可以为是目标用户，也可以为非目标用户。目标用户识别模型可以通过预先训练得到。

根据本公开实施例，根据在第一预设时间区间内获取的待识别用户产生的资产信息，从第一预设时间区间的时间窗口中筛选目标时间窗口；此外还通过获取目标时间窗口下的目标特征，提高目标用户识别模型区分目标用户的准确性。可以针对目标用户设计产品、提供服务，增强客户粘性，提升营销效率。

根据本公开的实施例，在操作S204之前，还可以包括：根据初始用户的行为表现特征排除户龄不满足预设户龄的初始用户。例如，针对信用卡或者银行卡可以将户龄不满足预设户龄(例如，6个月)的初始用户排除。

还可以包括：将预设观察窗口内月日均资产余额为0的初始用户直接排除。

根据本公开的实施例，在获取在第一预设时间区间内待识别用户产生的资产信息以及待识别用户的用户属性信息之前还包括：

根据资产信息，确定待识别用户的类型；

在待识别用户的类型满足长尾客户的情况下，获取在第一预设时间区间内待识别用户产生的资产信息以及待识别用户的用户属性信息。

图3示意性示出了根据本公开实施例的根据资产信息，从第一预设时间区间中筛选目标时间窗口的方法流程图。

如图3所示，该实施例的根据资产信息，从第一预设时间区间中筛选目标时间窗口的方法300包括操作S301～操作S303。

在操作S301，从第一预设时间区间中确定n个时间窗口，其中，n为大于等于2的正整数。

根据本公开实施例，可以根据第一预设时间区间的长度划分时间窗口。例如，第一预设时间区间为1年，那么时间窗口可以是以月为单位的时间段。

在操作S302，确定第i个时间窗口对应的预设观察窗口和预设表现窗口，其中，i≤n，预设观察窗口是根据第i个时间窗口和第一间隔时长计算得到的；预设表现窗口是根据预设观察窗口和第二间隔时长计算得到的。

根据本公开实施例，若第i个时间窗口为某年某个月份，那么预设观察窗口可以为从该月份作为起始时间，经过第一间隔时长后终止。预设表现窗口可以为在预设观察窗口终止时间之后的第二间隔时长。

例如，第i个时间窗口为2020年7月，可以表示为202007。预设观察窗口可以为从2020年7月初到2020年11月末；预设表现窗口可以为从2021年1月初到2021年3月末。

在操作S303，在预设观察窗口和预设表现窗口内对应用户的资产信息均满足资产阈值的情况下，把第i个时间窗口作为目标时间窗口。

根据本公开实施例，资产阈值可以根据实际选用目标用户识别模型的精度而确定。例如，资产阈值可以为1万。可以将预设观察窗口再次划分为以月为单位的多个子观察窗口，可以以每个子观察窗口的月日均资产与资产阈值比较，最多有两个子观察窗口的月日均资产满足资产阈值的情况下，可以认定为预设观察窗口内对应用户的资产信息满足资产阈值。可以将预设表现窗口再次划分为以月为单位的多个子表现窗口，可以以每个子表现窗口的月日均资产与资产阈值比较，每个子表现窗口的月日均资产满足资产阈值的情况下，可以认定为预设表现窗口内对应用户的资产信息满足资产阈值。

根据本公开实施例，通过预设观察窗口和预设表现窗口，从多个时间窗口中筛选目标时间窗口，可以保证后期识别的目标用户的稳定性和纯度，以及有效避免了所选窗口目标用户浓度偏低的现象。

图4示意性示出了根据本公开实施例的目标用户识别模型通过预先训练得到，预先训练的方法的流程图。

如图4所示，该实施例的目标用户识别模型通过预先训练得到，预先训练的方法400包括操作S401～操作S406。

在操作S401，获取在第二预设时间区间内样本用户产生的样本用户资产信息以及样本用户的样本用户属性信息。

根据本公开的实施例，第二预设时间区间可以为过去一段时间，例如，过去一年、过去10个月等。可以获取2020年9月1日-2021年9月30日前所有的样本用户产生的样本用户资产信息以及样本用户的样本用户属性信息。

在操作S402，根据样本用户资产信息，从第二预设时间区间中筛选目标样本时间窗口。

根据本公开的实施例，可以根据上述操作S401中第二预设时间区间的长度划分n个样本时间窗口。其中，n为大于等于2的正整数。确定第i个样本时间窗口对应的样本预设观察窗口和样本预设表现窗口。在样本预设观察窗口和样本预设表现窗口内对应样本用户的资产信息均满足资产阈值的情况下，把第i个样本时间窗口作为目标样本时间窗口。

例如，资产阈值可以根据从不同资产等级中，通过统计分析长尾客群挖掘伪长尾客群的效率而确定。如下表1所示的统计分析结果，在以2020年6月为观测点，过去近6个月月日均资产等级为1万以上的客户中，在随后的未来六个月月日均资产等级有不同程度的等级下降。而且在(5w,10w)、(10w,20w)等级的客户降级幅度较大，迁移至不同等级的规律较为模糊。

表1

综上可以将资产阈值确定为1万(即1w)。

表2

样本时间窗口可以确定为202009、202010、202011、202012，如上表2所示。可以将样本预设观察窗口再次划分为以月为单位的6个子观察窗口，可以以每个子样本观察窗口的月日均资产与资产阈值比较，最多有两个子样本观察窗口的月日均资产满足资产阈值的情况下，可以认定为样本预设观察窗口内对应用户的资产信息满足资产阈值。可以将样本预设表现窗口再次划分为以月为单位的3个子样本表现窗口，可以以每个子样本表现窗口的月日均资产与资产阈值比较，每个子样本表现窗口的月日均资产满足资产阈值的情况下，可以认定为样本预设表现窗口内对应用户的资产信息满足资产阈值。得到如表2所示的202010、202011、202012三个样本时间窗口。

需要说明的是，如果将样本预设观察窗口再次划分为以月为单位的6个子观察窗口，以每个子样本观察窗口的月日均资产与资产阈值比较，有三个子样本观察窗口的月日均资产满足资产阈值的情况下，认定为样本预设观察窗口内对应用户的资产信息满足资产阈值；将样本预设表现窗口再次划分为以月为单位的3个子样本表现窗口，以每个子样本表现窗口的月日均资产与资产阈值比较，每个子样本表现窗口的月日均资产满足资产阈值的情况下，认定为样本预设表现窗口内对应用户的资产信息满足资产阈值。这种情况下，可以经过分析获取到的样本用户资产信息发现，此条件下的目标用户浓度偏低，不利于后期通过识别目标用户后进行目标用户的营销效率的提升。

在操作S403，获取与目标样本时间窗口内对应的初始样本用户相关联的目标样本用户资产信息特征以及目标样本用户属性特征。

根据本公开的实施例，可以针对目标样本时间窗口，获取属于目标样本时间窗口下的与目标样本用户相关联的目标样本资产信息特征以及目标样本用户属性特征。

根据本公开的实施例，目标样本资产信息特征可以包括以下至少之一：表征样本理财类的特征、表征样本交易类的特征、表征样本信贷类的特征、表征样本收入类的特征。

根据本公开的实施例，目标样本用户属性特征包括表征目标样本用户和与目标样本用户关联样本用户的地址关联特征、表征目标样本用户和与目标样本用户关联样本用户的个人信息关联特征。

根据本公开的实施例，除上述操作S403之外，还可以根据初始样本用户的行为表现特征排除户龄不满足预设户龄的初始样本用户。例如，针对信用卡或者银行卡可以将户龄不满足预设户龄(例如，6个月)的初始样本用户排除。

根据本公开的实施例，除上述操作S403之外，还可以将样本预设观察窗口内月日均资产余额为0的初始样本用户排除。

在操作S404，根据目标样本用户资产信息特征以及目标样本用户属性特征对应的目标样本用户资产信息和目标样本用户属性信息，确定训练集。

根据本公开实施例，目标样本用户资产信息和目标样本用户属性信息分别为目标样本用户资产信息特征以及目标样本用户属性特征维度下的样本数据。

可以从样本数据中选择三类样本集：训练集(Train)、验证集(V)和测试集(T)。训练集是模型建立的实际数据集。验证集用于检查使用训练集建立的模型的稳健性，模型应足够稳健从而可以在同质不同源的数据上具有同样的预测能力。测试集用于对经学习得到的模型进行样本外验证，为了验证模型的泛化能力。在建模时采用分层抽样(stratifiedrandom sample)的抽样方法进行建模样本的准备。分层抽样的抽样方法与随机抽样(random sample)不同，分层抽样首先根据模型的需要确定样本的类别，对每一类的样本分别确定其抽样个数，然后在每一类别内部随机抽取所需的样本。每一类别的抽样比例不同，设置相应的样本加权数(sample weight)。采用分层抽样的方法，可以保证建模样本中各个类别的样本数量足够。

例如，可以首先抽取全部为目标样本用户的样本或40万的目标样本用户的样本；然后随机抽取4倍于上述样本数量的非目标样本用户的样本。最后，将分层抽样后的样本按照7：2：1的比例拆分成训练集、验证集和测试集。

在操作S405，将训练集输入预先确定的初始识别模型，输出初始识别结果。

根据本公开的实施例，预先确定的初始识别模型根据预设量化指标确定；其中，预设量化指标至少包括：用于评估模型区分度的指标和用于评估模型排序能力的指标。

根据本公开实施例，可以选取LightGBM、XGBoost、GBM和GLM的算法模型作为备选模型。在模型比较的过程中可以将用于评估模型区分度的指标(如，KS)和用于评估模型排序能力的指标(如，AUC)作为主要的量化指标，同时还可以参考ROC图、KS图，以查准率为次要量化指标。通过综合考虑训练集、验证集和测试集的上述比较标准的结果得出预先确定的初始识别模型。

例如，在1万以下目标用户的识别模型中，可以预先将目标样本时间窗口为202012的样本预留作为跨期样本(OOT)，用于拟生产的进一步的验证模型的泛化能力。分别将LightGBM、XGBoost、GBM和GLM的算法模型作为1万以下目标用户的识别模型的备选模型，其表现结果如下表3所示，可以看出GBM算法模型的KS高达0.51，AUC高达0.84。模型效果最好，故可以选择GBM算法模型作为预先确定的初始识别模型。

其中，VKS表示针对验证集的KS指标；TKS表示针对测试集的KS指标，OOTKS表示针对跨期样本的KS指标。VAUC表示针对验证集的AUC指标；TAUC表示针对测试集的AUC指标，OOTAUC表示针对跨期样本的AUC指标。

表3

目标用户的识别模型	算法	VKS	TKS	OOTKS	VAUC	TAUC	OOTAU
								1W以下	GBM	0.51	0.51	0.47	0.84	0.84	0.82
1W以下	XGBoost	0.43	0.43	0.38	0.78	0.78	0.76
								1W以下	LGB	0.37	0.34	0.32	0.75	0.73	0.72
1W以下	GLM	0.44	0.43	0.39	0.79	0.78	0.76

在操作S406，基于初始识别结果与真实结果，调整初始识别模型的参数。

根据本公开实施例，通过根据在第二预设时间区间内获取的样本用户产生的资产信息，从第二预设时间区间的样本时间窗口中筛选目标样本时间窗口；此外还通过获取目标样本时间窗口下的目标样本特征，获取训练集、验证集以及测试集。还通过预先确定初始识别模型增加了初始识别模型区分目标样本用户的准确性，最终得到的目标用户识别模型，可以精确识别目标用户，以使针对目标用户设计产品、提供服务，增强客户粘性，提升营销效率。

基于上述用户识别方法，本公开还提供了一种用户识别装置。以下将结合图5对该装置进行详细描述。

图5示意性示出了根据本公开实施例的用户识别装置的结构框图。

如图5所示，该实施例的用户识别装置500包括第一获取模块510、筛选模块520、第二获取模块530和识别模块540。

第一获取模块510用于获取在第一预设时间区间内待识别用户产生的资产信息以及待识别用户的用户属性信息。在一实施例中，第一获取模块510可以用于执行前文描述的操作S201，在此不再赘述。

筛选模块520用于根据资产信息，从第一预设时间区间中筛选目标时间窗口。在一实施例中，筛选模块520可以用于执行前文描述的操作S202，在此不再赘述。

第二获取模块530用于获取与目标时间窗口内对应的初始用户相关联的目标资产信息特征以及目标用户属性特征。在一实施例中，第二获取模块530可以用于执行前文描述的操作S203，在此不再赘述。

识别模块540用于将目标资产信息特征以及目标用户属性特征对应的目标资产信息和目标用户属性信息输入目标用户识别模型，输出目标用户的识别结果。在一实施例中，识别模块540可以用于执行前文描述的操作S204，在此不再赘述。

根据本公开的实施例，用户识别装置500还可以包括第一排除模块和第二排除模块。

第一排除模块用于根据初始用户的行为表现特征排除户龄不满足预设户龄的初始用户。

第二排除模块用于将预设观察窗口内月日均资产余额为0的初始用户直接排除。

根据本公开的实施例，用户识别装置500还可以包括类型确定模块。

类型确定模块用于根据资产信息，确定待识别用户的类型。

根据本公开的实施例，第一获取模块510、筛选模块520、第二获取模块530和识别模块540中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块510、筛选模块520、第二获取模块530和识别模块540中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块510、筛选模块520、第二获取模块530和识别模块540中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图6示意性示出了根据本公开实施例的适于实现用户识别方法的电子设备的方框图。

如图6所示，根据本公开实施例的电子设备600包括处理器601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 603中，存储有电子设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备600还可以包括输入/输出(I/O)接口605，输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。

在该计算机程序被处理器601执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分609被下载和安装，和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，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实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“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、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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (10)

1.一种用户识别方法，包括：

获取在第一预设时间区间内待识别用户产生的资产信息以及所述待识别用户的用户属性信息；

根据所述资产信息，从所述第一预设时间区间中筛选目标时间窗口；

获取与所述目标时间窗口内对应的初始用户相关联的目标资产信息特征以及目标用户属性特征；以及

将所述目标资产信息特征以及所述目标用户属性特征对应的目标资产信息和目标用户属性信息输入目标用户识别模型，输出目标用户的识别结果。

2.根据权利要求1所述的方法，其中，所述根据所述资产信息，从所述第一预设时间区间中筛选目标时间窗口包括：

从所述第一预设时间区间中确定n个时间窗口，其中，n为大于等于2的正整数；

确定第i个时间窗口对应的预设观察窗口和预设表现窗口，其中，i≤n，所述预设观察窗口是根据所述第i个时间窗口和第一间隔时长计算得到的；所述预设表现窗口是根据所述预设观察窗口和第二间隔时长计算得到的；

在所述预设观察窗口和所述预设表现窗口内对应用户的所述资产信息均满足资产阈值的情况下，把所述第i个时间窗口作为所述目标时间窗口。

3.根据权利要求1所述的方法，其中，所述目标用户识别模型通过预先训练得到，所述预先训练的方法包括：

获取在第二预设时间区间内样本用户产生的样本用户资产信息以及所述样本用户的样本用户属性信息；

根据所述样本用户资产信息，从所述第二预设时间区间中筛选目标样本时间窗口；

获取与所述目标样本时间窗口内对应的初始样本用户相关联的目标样本用户资产信息特征以及目标样本用户属性特征；

根据所述目标样本用户资产信息特征以及所述目标样本用户属性特征对应的目标样本用户资产信息和目标样本用户属性信息，确定训练集；

将所述训练集输入预先确定的初始识别模型，输出初始识别结果；

基于所述初始识别结果与真实结果，调整所述初始识别模型的参数。

4.根据权利要求3所述的方法，其中，所述预先确定的初始识别模型根据预设量化指标确定；

其中，所述预设量化指标至少包括：用于评估模型区分度的指标和用于评估模型排序能力的指标。

5.根据权利要求1所述的方法，其中，所述目标资产信息特征包括以下至少之一：表征理财类的特征、表征交易类的特征、表征信贷类的特征、表征收入类的特征。

6.根据权利要求1所述的方法，在所述获取在第一预设时间区间内待识别用户产生的资产信息以及所述待识别用户的用户属性信息之前还包括：

根据所述资产信息，确定所述待识别用户的类型；

在所述待识别用户的类型满足长尾客户的情况下，获取所述在第一预设时间区间内待识别用户产生的资产信息以及所述待识别用户的用户属性信息。

7.一种用户识别装置，包括：

第一获取模块，用于获取在第一预设时间区间内待识别用户产生的资产信息以及所述待识别用户的用户属性信息；

筛选模块，用于根据所述资产信息，从所述第一预设时间区间中筛选目标时间窗口；

第二获取模块，用于获取与所述目标时间窗口内对应的初始用户相关联的目标资产信息特征以及目标用户属性特征；以及

识别模块，用于将所述目标资产信息特征以及所述目标用户属性特征对应的目标资产信息和目标用户属性信息输入目标用户识别模型，输出目标用户的识别结果。

8.一种电子设备，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，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～6中任一项所述的方法。

9.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～6中任一项所述的方法。

10.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～6中任一项所述的方法。

Images