CN115375453A - 系统资源分配方法及装置 - Google Patents

Abstract

本说明书涉及人工智能技术领域，具体地公开了一种系统资源分配方法及装置，其中，该方法包括：获取具有用于表征用户信用卡活跃程度的特征数据的第一样本集、及第一标签集；利用第一样本集及第一标签集构建得到第一分类器；从第一样本集中提取活跃类别为第一类别的多个第一样本；基于距离由活跃状态转为睡眠状态时刻的时长对活跃类别为第一类别的多个第一样本中的特征数据进行划分，得到第二样本集及对应的第二标签集；利用第二样本集及第二标签集构建第二分类器；第一分类器和第二分类器用于对目标用户的睡眠指数进行预测以基于预测结果向目标用户分配系统资源。上述方案能够准确预测用户的睡眠指数，提高资源利用率。

Description

系统资源分配方法及装置

技术领域

本说明书涉及人工智能技术领域，特别涉及一种系统资源分配方法及装置。

背景技术

随着大数据服务平台技术的快速发展，金融资源服务类型以及可选择的服务渠道也越来越多样化、越来越便捷，用户的信用卡活跃状态预测对于金融机构也变得越来越重要。如对于一些可能转为睡眠卡状态的用户制定策略，以减少睡眠卡数量。

然而，目前缺少能够准确预测用户信用卡活跃状态的方法。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本说明书实施例提供了一种系统资源分配方法及装置，以解决现有技术无法准确预测用户信用卡活跃状态的问题。

本说明书实施例提供了一种系统资源分配方法，包括：

获取具有用于表征用户信用卡活跃程度的特征数据的第一样本集、及第一标签集；所述第一标签集包括所述第一样本集中的各第一样本所对应的活跃类别；所述活跃类别包括第一类别和第二类别；所述第一类别表明所述第一样本由活跃状态转为睡眠状态；所述第二类别表明所述第一样本为活跃状态；

利用所述第一样本集及所述第一标签集构建得到第一分类器；

从所述第一样本集中提取活跃类别为所述第一类别的多个第一样本；基于距离由活跃状态转为睡眠状态时刻的时长对所述活跃类别为所述第一类别的多个第一样本中的特征数据进行划分，得到第二样本集及对应的第二标签集；所述第二标签集用于表征所述第二样本集中各第二样本距离由活跃状态转为睡眠状态时刻的时长；

利用所述第二样本集及所述第二标签集构建第二分类器；所述第一分类器和所述第二分类器用于对目标用户的睡眠指数进行预测，以基于预测结果向所述目标用户分配系统资源。

在一个实施例中，所述特征数据包括用户基本信息、账户信息和历史交易数据。

在一个实施例中，基于距离由活跃状态转为睡眠状态时刻的时长对所述活跃类别为所述第一类别的多个第一样本中的特征数据进行划分，得到第二样本集及对应的第二标签集，包括：

对于一第一样本，将该第一样本中距离由活跃状态转为睡眠状态时刻的时长在第一预设时间范围内的历史交易数据、用户基本信息和账户信息作为第二样本，将所述第一预设时间范围的时间跨度确定为该第二样本的第二标签；将该第一样本中距离由活跃状态转为睡眠状态时刻的时长在第二预设时间范围内的历史交易数据、用户基本信息和账户信息作为第二样本，将所述第二预设时间范围的时间跨度确定为该第二样本的第二标签；依次类推，直至将该第一样本中距离由活跃状态转为睡眠状态时刻的时长在第N预设时间范围内的历史交易数据、用户基本信息和账户信息作为第二样本，将所述第N预设时间范围的时间跨度确定为该第二样本的第二标签；N为大于等于2的整数。

在一个实施例中，在利用所述第二样本集及所述第二标签集构建第二分类器之后，该方法还包括：

获取目标用户的目标特征数据；

将所述目标特征数据输入至所述第一分类器中，得到所述目标特征数据为第一类别的目标概率；

在所述目标概率大于预设概率的情况下，生成报警信息。

在一个实施例中，该方法还包括：

在所述目标概率大于预设概率的情况下，将所述目标特征数据输入至所述第二分类器中，得到所述目标用户由活跃状态转为睡眠状态的潜在时长；

根据所述目标概率和所述潜在时长，生成为所述目标用户分配系统资源的策略。

在一个实施例中，所述目标用户包括多个目标用户；

相应的，根据所述目标概率和所述潜在时长，生成为所述目标用户分配系统资源的策略，包括：

计算所述多个目标用户中各目标用户的目标概率与潜在时长的比值，得到所述各目标用户的睡眠指数；

依据所述各目标用户的睡眠指数的大小，对所述多个目标用户进行分组，得到多个分组；

针对所述多个分组中各分组，生成为所述各分组中的目标用户分配系统资源的对应策略。

本说明书实施例还提供了一种系统资源分配装置，包括：

获取模块，用于获取具有用于表征用户信用卡活跃程度的特征数据的第一样本集、及第一标签集；所述第一标签集包括所述第一样本集中的各第一样本所对应的活跃类别；所述活跃类别包括第一类别和第二类别；所述第一类别表明所述第一样本由活跃状态转为睡眠状态；所述第二类别表明所述第一样本为活跃状态；

第一构建模块，用于利用所述第一样本集及所述第一标签集构建得到第一分类器；

提取模块，用于从所述第一样本集中提取活跃类别为所述第一类别的多个第一样本；基于距离由活跃状态转为睡眠状态时刻的时长对所述活跃类别为所述第一类别的多个第一样本中的特征数据进行划分，得到第二样本集及对应的第二标签集；所述第二标签集用于表征所述第二样本集中各第二样本距离由活跃状态转为睡眠状态时刻的时长；

第二构建模块，用于利用所述第二样本集及所述第二标签集构建第二分类器；所述第一分类器和所述第二分类器用于对目标用户的睡眠指数进行预测，以基于预测结果向所述目标用户分配系统资源。

本说明书实施例还提供一种计算机设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述任意实施例中所述的系统资源分配方法的步骤。

本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述任意实施例中所述的系统资源分配方法的步骤。

本说明书实施例还提供一种计算机程序产品，所述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上述任意实施例中所述的系统资源分配方法的步骤。

在本说明书实施例中，提供了一种系统资源分配方法，可以获取具有用于表征用户信用卡活跃程度的特征数据的第一样本集、及第一标签集，所述第一标签集包括所述第一样本集中的各第一样本所对应的活跃类别，所述活跃类别包括第一类别和第二类别，所述第一类别表明所述第一样本由活跃状态转为睡眠状态，所述第二类别表明所述第一样本为活跃状态，之后可以利用所述第一样本集及所述第一标签集构建得到第一分类器，可以从所述第一样本集中提取活跃类别为所述第一类别的多个第一样本，之后，可以基于距离由活跃状态转为睡眠状态时刻的时长对所述活跃类别为所述第一类别的多个第一样本中的特征数据进行划分，得到第二样本集及对应的第二标签集，所述第二标签集用于表征所述第二样本集中各第二样本距离由活跃状态转为睡眠状态时刻的时长，可以利用所述第二样本集及所述第二标签集构建第二分类器，所述第一分类器和所述第二分类器用于对目标用户的睡眠指数进行预测，以基于预测结果向所述目标用户分配系统资源。上述方案中，利用具有用于表征用户信用卡活跃程度的特征数据的第一样本集及对应的第一标签集构建第一分类器，第一分类器可以预测目标用户的活跃类别，之后，可以基于距离由活跃状态转为睡眠状态的时刻的时长对特征数据进行划分，得到第二样本集及对应的第二标签集，利用第二样本集和第二标签集可以构造第二分类器，第二分类器可以预测目标用户转为睡眠卡的潜在时长，对于目标用户，可以由第一分类器预测出其活跃类别，由第二分类器预测出其转为睡眠卡的潜在时长，从而能够准确预测目标用户的睡眠指数，之后，可以基于预测得到的睡眠指数，确定为目标用户分配系统资源的策略，并且可以根据预测结果分配资源，以减少其转化为睡眠卡的几率，提高资源利用率。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，并不构成对本说明书的限定。在附图中：

图1示出了本说明书一实施例中系统资源分配方法的应用场景的示意图；

图2示出了本说明书一实施例中的系统资源分配方法的流程图；

图3示出了本说明书一实施例中的系统资源分配方法的流程图；

图4示出了本说明书一实施例中的系统资源分配装置的示意图；

图5示出了本说明书一实施例中的计算机设备的示意图。

具体实施方式

下面将参考若干示例性实施方式来描述本说明书的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本说明书，而并非以任何方式限制本说明书的范围。相反，提供这些实施方式是为了使本说明书公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域的技术人员知道，本说明书的实施方式可以实现为一种系统、装置设备、方法或计算机程序产品。因此，本说明书公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

本说明书实施例提供了一种系统资源分配方法。图1示出了本说明书一实施例中系统资源分配方法的应用场景的示意图。如图1所示，服务器可以从数据库获取第一样本集和第一标签集。第一样本集中包括用于表征用户信用卡活跃程度的特征数据。在一个实施例中，特征数据可以包括用户基本信息、账户信息和历史交易数据。所述第一标签集可以包括所述第一样本集中的各第一样本所对应的活跃类别。所述活跃类别可以包括第一类别和第二类别。所述第一类别表明所述第一样本由活跃状态转为睡眠状态。所述第二类别表明所述第一样本一直为活跃状态。服务器可以利用所述第一样本集及所述第一标签集构建得到第一分类器。

之后，服务器可以从所述第一样本集中提取活跃类别为所述第一类别的多个第一样本。基于距离由活跃状态转为睡眠状态时刻的时长对所述活跃类别为所述第一类别的多个第一样本中的特征数据进行划分，得到第二样本集及对应的第二标签集。所述第二标签集可以用于表征所述第二样本集中各第二样本距离由活跃状态转为睡眠状态时刻的时长。服务器可以利用所述第二样本集及所述第二标签集构建第二分类器。

在得到第一分类器和第二分类器之后，服务器可以接收客户端发送的预测请求。客户端可以从数据库获取目标用户的目标特征数据。预测请求中可以携带有目标用户的目标特征数据。服务器可以将目标特征数据输入所述第一分类器，得到目标用户由活跃状态转入睡眠状态的目标概率。在目标概率大于预设概率的情况下，可以生成报警信息。在目标概率大于预设概率的情况下，服务器可以将目标用户的目标特征数据输入所述第二分类器中，得到目标用户转入睡眠状态的潜在时长。之后，可以根据目标概率和潜在时长，向所述目标用户分配系统资源。

其中，上述服务器可以是单一的服务器，也可以是服务器集群，或者是云服务器等都可以，具体的组成形成本申请不作限定。上述客户端可以是台式电脑、笔记本、手机终端、PDA等，只要是可以向用户或者业务人员进行内容展示和接收操作指令的设备都可以，对于客户端的呈现形成，本申请也不作限定。

图2示出了本说明书一实施例中系统资源分配方法的流程图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例描述及附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构连接进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至分布式处理环境)。

具体地，如图2所示，本说明书一种实施例提供的系统资源分配方法可以包括以下步骤：

步骤S201，获取具有用于表征用户信用卡活跃程度的特征数据的第一样本集、及第一标签集；所述第一标签集包括所述第一样本集中的各第一样本所对应的活跃类别；所述活跃类别包括第一类别和第二类别；所述第一类别表明所述第一样本由活跃状态转为睡眠状态；所述第二类别表明所述第一样本为活跃状态。

具体地，本实施例中的系统资源分配方法可以应用于服务器。服务器可以获取具有用于表征用户信用卡活跃程度的特征数据的第一样本集。

在本说明书一些实施例中，特征数据可以包括用户基本信息、账户信息和历史交易数据。其中，用户基本信息可以包括用户年龄、用户性别和用户居住地等信息。账户信息可以包括信用卡账号、信用卡总额度、信用卡可用额度等信息。历史交易信息可以包括预设历史时间段内的信用卡交易信息、还款信息等。

服务器还可以获取第一标签集。第一标签集可以包括第一样本集中各第一样本对应的活跃类别。所述活跃类别可以包括第一类别和第二类别。所述第一类别表明所述第一样本由活跃状态转为睡眠状态，即信用卡由正常卡转为睡眠卡。所述第二类别表明所述第一样本为活跃状态，即信用卡一直为正常卡。

步骤S202，利用所述第一样本集及所述第一标签集构建得到第一分类器。

在获得第一样本集和第一标签集之后，可以利用第一样本集及第一标签集构建得到第一分类器。即，利用第一样本集和第一标签集，构建第一训练集。利用第一训练集训练得到第一分类器。第一分类器可以是神经网络模型、向量机模型等。第一分类器可以用于预测用户的活跃类别，或者可以计算用户处于第一类别的概率以及处于第二类别的概率。

步骤S203，从所述第一样本集中提取活跃类别为所述第一类别的多个第一样本；基于距离由活跃状态转为睡眠状态时刻的时长对所述活跃类别为所述第一类别的多个第一样本中的特征数据进行划分，得到第二样本集及对应的第二标签集；所述第二标签集用于表征所述第二样本集中各第二样本距离由活跃状态转为睡眠状态时刻的时长。

步骤S204，利用所述第二样本集及所述第二标签集构建第二分类器；所述第一分类器和所述第二分类器用于对目标用户的睡眠指数进行预测，以基于预测结果向所述目标用户分配系统资源。

服务器还可以从第一样本集中提取活跃类别为第一类别的多个第一样本，即由活跃状态转为睡眠状态的多个第一样本。之后，服务器可以基于由活跃状态转为睡眠状态的多个第一样本中的特征数据距离由活跃状态转为睡眠状态时刻的时长对该多个第一样本进行划分，得到第二样本集和对应的第二标签集。第二标签集用于表征第二样本集中各第二样本距离由活跃状态转为睡眠状态时刻的时间跨度。

在本说明书一些实施例中，基于距离由活跃状态转为睡眠状态时刻的时长对所述活跃类别为所述第一类别的多个第一样本中的特征数据进行划分，得到第二样本集及对应的第二标签集，可以包括：对于一第一样本，将该第一样本中距离由活跃状态转为睡眠状态时刻的时长在第一预设时间范围内的历史交易数据、用户基本信息和账户信息作为第二样本，将所述第一预设时间范围的时间跨度确定为该第二样本的第二标签；将该第一样本中距离由活跃状态转为睡眠状态时刻的时长在第二预设时间范围内的历史交易数据、用户基本信息和账户信息作为第二样本，将所述第二预设时间范围的时间跨度确定为该第二样本的第二标签；依次类推，直至将该第一样本中距离由活跃状态转为睡眠状态时刻的时长在第N预设时间范围内的历史交易数据、用户基本信息和账户信息作为第二样本，将所述第N预设时间范围的时间跨度确定为该第二样本的第二标签；N为大于等于2的整数。

示例性的，第一预设时间范围可以是距离信用卡由活跃状态转为睡眠状态的时刻在一个月内。第二预设时间范围可以是距离信用卡由活跃状态转为睡眠状态的时刻在一个月到两个月之间。第N预设时间范围可以是距离信用卡由活跃状态转为睡眠状态的时刻在N-1个月到N个月之间。

例如，对于一张信用卡，可以取24个月的时间跨度进行训练。具体地，假设用户转为沉睡卡前的最后一个消费月为T，对于该信用卡A1，利用其前一个月(即T-1月内)内的所有交易信息、基本信息、账户信息为设输入特征，即作为第二样本，以距离转为沉睡卡的月份的时间跨度(T-1月，其标签为1)为第二标签。利用其前两个月(即T-2月内)的所有交易信息、基本信息、账户信息为设输入特征，即作为第二样本，以距离转为沉睡卡的月份的时间跨度(T-2月，其标签为2)。利用其前三个月(即T-3月内)的所有交易信息、基本信息、账户信息为设输入特征，即作为第二样本，以距离转为沉睡卡的月份的时间跨度(T-3月，其标签为3)。以此类推，利用其前24个月(即T-24月内)的所有交易信息、基本信息、账户信息为设输入特征，即作为第二样本，以距离转为沉睡卡的月份的时间跨度(T-24月，其标签为24)。通过上述方式，可以得到第二样本集和第二标签集。

在得到第二样本集和第二标签集之后，可以利用第二样本集和第二标签集构建第二分类器。即，可以利用第二样本集与第二标签集构建第二训练集，利用训练样本集训练得到第二分类器。第二分类器可以是各种机器学习模型，例如神经网络、向量机等模型。第二分类器可以用于预测用户距离由正常卡转为睡眠卡的潜在时长。

在得到第一分类器和第二分类器之后，可以利用第一分类器和第二分类器对目标用户的睡眠指数的预测结果来为目标用户分配系统资源。其中，系统资源可以是优惠券、礼品卡等能够激活用户使用信用卡的各种资源。

上述实施例中，利用具有用于表征用户信用卡活跃程度的特征数据的第一样本集及对应的第一标签集构建第一分类器，第一分类器可以预测目标用户的活跃类别，之后，可以基于距离由活跃状态转为睡眠状态的时刻的时长对特征数据进行划分，得到第二样本集及对应的第二标签集，利用第二样本集和第二标签集可以构造第二分类器，第二分类器可以预测目标用户转为睡眠卡的潜在时长，对于目标用户，可以由第一分类器预测出其活跃类别，由第二分类器预测出其转为睡眠卡的潜在时长，从而能够准确预测目标用户的睡眠指数，之后，可以基于预测得到的睡眠指数，确定为目标用户分配系统资源的策略，并且可以根据预测结果分配资源，以减少其转化为睡眠卡的几率，提高资源利用率。

请参考图3，示出了本说明书实施例中的系统资源分配方法的流程图。如图3所示，在本说明书一些实施例中，在利用所述第二样本集及所述第二标签集构建第二分类器之后，还可以包括：

步骤S301，获取目标用户的目标特征数据。

步骤S302，将所述目标特征数据输入至所述第一分类器中，得到所述目标特征数据为第一类别的目标概率。

步骤S303，在所述目标概率大于预设概率的情况下，生成报警信息。

具体地，服务器可以接收客户端发送的预测请求。预测请求中可以携带有目标用户的目标特征数据。目标特征数据可以从目标用户的用户基本信息、账户信息以及历史交易数据中通过特征工程提取得到。服务器可以将目标特征数据输入至第一分类器中，得到目标特征数据为第一类别的目标概率。在目标概率大于预设概率的情况下，可以生成报警信息。其中，预设概率可以由开发人员根据实际需求进行设置。通过上述方式，可以预测到目标用户的信用卡转为睡眠卡的概率，并及时生成报警信息。

请继续参考图3，如图3所示，在本说明书一些实施例中，还可以包括：

步骤S304，在所述目标概率大于预设概率的情况下，将所述目标特征数据输入至所述第二分类器中，得到所述目标用户由活跃状态转为睡眠状态的潜在时长。

步骤S305，根据所述目标概率和所述潜在时长，生成为所述目标用户分配系统资源的策略。

具体地，在目标概率大于预设概率的情况下，服务器可以将目标特征数据输入至第二分类器中，得到目标用户由活跃状态转为睡眠状态的潜在时长。可以根据目标概率和潜在时长，生成为目标用户分配的系统资源。例如，目标概率越大，潜在时长约短，越说明用户转为睡眠卡的概率大，可以根据预测结果生成对应的系统资源分配策略，以激活用户使用信用卡。通过上述方式，可以利用第一分类器和第二分类器对目标用户的睡眠指数进行预测，进而按照对应的分配策略分配系统资源，减少睡眠卡的数量，提高资源利用率。

在本说明书一些实施例中，所述目标用户可以包括多个目标用户；相应的，根据所述目标概率和所述潜在时长，生成为所述目标用户分配系统资源的策略，可以包括：计算所述多个目标用户中各目标用户的目标概率与潜在时长的比值，得到所述各目标用户的睡眠指数；依据所述各目标用户的睡眠指数的大小，对所述多个目标用户进行分组，得到多个分组；针对所述多个分组中各分组，生成为所述各分组中的目标用户分配系统资源的对应策略。

具体地，服务器可以接收客户端发送的预测请求，预测请求中可以携带有批量的目标用户中各目标用户对应的目标特征向量。服务器可以将多个目标特征向量中各目标特征向量输入至第一分类器和第二分类器。在目标特征向量对应的目标概率大于预设概率的情况下，可以将该目标特征向量输入至第二分类器，得到目标特征向量对应的潜在时长。可以计算目标用户的目标概率与对应的潜在时长的比值，得到目标用户对应的睡眠指数。目标概率越大，潜在时长越短，相应的睡眠指数越大。之后，可以按照睡眠指数的大小，对多个用户进行升序或降序排序。服务器可以对排序后的多个目标用户进行分组。例如，多个用户按照睡眠指数进行升序排序之后为：A1、A3、A5、A9、A8、A2、A4、A6、A7。可以按照睡眠指数的大小或者等数量划分。例如分组后为，第一分组：A1、A3、A5；第二分组：A9、A8、A2；第三分组：A4、A6、A7。对于第一分组，睡眠指数较小，转为睡眠的可能性较低，可以生成对应的第一分配策略。对于第二分组，睡眠指数中等，转为睡眠的可能性中等，可以生成对应的第二分配策略。对于第三分组，睡眠指数较高，转为睡眠的可能性较高，可以生成对应的第三分配策略。通过上述方式，可以对批量的用户进行预测，并根据预测结果针对性地生成分配策略，可以进一步提高活客的概率，提高资源利用率，减少睡眠卡数量。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。具体的可以参照前述相关处理相关实施例的描述，在此不做一一赘述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

下面结合一个具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本说明书，并不构成对本说明书的不当限定。

本具体实施例中，提供了一种系统资源分配方法，以针对可能转为睡眠卡的信用卡制定对应的活客策略，减少睡眠卡数量。本实施例中的方法可以包括以下步骤：

步骤1.收集所有信用卡的历史使用数据、近3月使用数据，根据使用目的对数据进行分类系统所有历史咨询数据、用户个人历史咨询数据等，建立训练数据集；

步骤2.对数据集进行标注，正常卡转为沉睡卡的标记为1，正常卡一直正常使用标注为0；

步骤3.利用标注好的数据集的所有数据，对模型1进行训练，使其具备根据信用卡交易信息、客户基本信息、账户信息等判断卡片后期转为睡眠卡的概率的能力；

步骤4.利用标注好的数据集中的所有标签为1的数据，对模型2进行训练，其中，模型2的标签为时间跨度。一张信用卡，取24个月的时间跨度进行训练。具体地，训练过程中，假设用户转为沉睡卡前的最后一个消费月为T，对于该信用卡A1，利用其前一个月(即T-1月)的所有交易信息、基本信息、账户信息为设输入特征，以距离转为沉睡卡的月份的时间跨度(T-1月，其标签为1)为标签；利用其前两个月(即T-2月)的所有交易信息、基本信息、账户信息为设输入特征，以距离转为沉睡卡的月份的时间跨度(T-2月，其标签为2)；利用其前三个月(即T-3月)的所有交易信息、基本信息、账户信息为设输入特征，以距离转为沉睡卡的月份的时间跨度(T-3月，其标签为3)；…；利用其前24个月(即T-24月)的所有交易信息、基本信息、账户信息为设输入特征，以距离转为沉睡卡的月份的时间跨度(T-24月，其标签为24)，为标签为标签为标签对模型2进行训练。而后，对信用卡A2、A3、…重复A1的训练过程，直至模型2收敛。此时得到可以预估时间跨度的模型2；

步骤5.将模型1、2进行部署，并实时对每张信用卡进行管理。管理过程为，首先将每张信用卡当月的交易信息、基本信息、账户信息等构造输入特征并输入到模型1中，判断卡片是否有可能转为睡眠卡。若结果超过阈值，则进行报警，并将上述输入特征输入到模型2中，由模型2根据特征预判该账户转为睡眠卡的潜在时间。最后求取模型1预测的潜在概率和模型2预测的预期时间的比值，得到最终的潜在睡眠指数(指数越小，转为睡眠卡的概率越高，时间越短)，并根据睡眠指数对所有结果升序排序，按指数大小进行分组，供业务人员制定活客策略。

上述具体实施例中，可以基于用户信用卡交易信息、客户基本信息、账户信息判断信用卡转为睡眠卡的概率即预期时间，并利用睡眠指数作为评价依据，表现转为睡眠卡的概率和期限。通过上述方案，可帮助业务人员及时掌握信用卡沉睡情况，并制定对应的活客策略，提升使用效率；处理速度快、错误率低，可节约大量时间成本、人力成本；本发明具有高度可迁移性，迁移成本低，适用范围广、普及成本低。

基于同一发明构思，本说明书实施例中还提供了一种系统资源分配装置，如下面的实施例所述。由于系统资源分配装置解决问题的原理与系统资源分配方法相似，因此系统资源分配装置的实施可以参见系统资源分配方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图4是本说明书实施例的系统资源分配装置的一种结构框图，如图4所示，包括：获取模块401、第一构建模块402、提取模块403和第二构建模块404，下面对该结构进行说明。

获取模块401用于获取具有用于表征用户信用卡活跃程度的特征数据的第一样本集、及第一标签集；所述第一标签集包括所述第一样本集中的各第一样本所对应的活跃类别；所述活跃类别包括第一类别和第二类别；所述第一类别表明所述第一样本由活跃状态转为睡眠状态；所述第二类别表明所述第一样本为活跃状态。

第一构建模块402用于利用所述第一样本集及所述第一标签集构建得到第一分类器。

提取模块403用于从所述第一样本集中提取活跃类别为所述第一类别的多个第一样本；基于距离由活跃状态转为睡眠状态时刻的时长对所述活跃类别为所述第一类别的多个第一样本中的特征数据进行划分，得到第二样本集及对应的第二标签集；所述第二标签集用于表征所述第二样本集中各第二样本距离由活跃状态转为睡眠状态时刻的时长。

第二构建模块404用于利用所述第二样本集及所述第二标签集构建第二分类器；所述第一分类器和所述第二分类器用于对目标用户的睡眠指数进行预测，以基于预测结果向所述目标用户分配系统资源。

在本说明书一些实施例中，所述特征数据可以包括用户基本信息、账户信息和历史交易数据。

在本说明书一些实施例中，提取模块可以具体用于：

对于一第一样本，将该第一样本中距离由活跃状态转为睡眠状态时刻的时长在第一预设时间范围内的历史交易数据、用户基本信息和账户信息作为第二样本，将所述第一预设时间范围的时间跨度确定为该第二样本的第二标签；将该第一样本中距离由活跃状态转为睡眠状态时刻的时长在第二预设时间范围内的历史交易数据、用户基本信息和账户信息作为第二样本，将所述第二预设时间范围的时间跨度确定为该第二样本的第二标签；依次类推，直至将该第一样本中距离由活跃状态转为睡眠状态时刻的时长在第N预设时间范围内的历史交易数据、用户基本信息和账户信息作为第二样本，将所述第N预设时间范围的时间跨度确定为该第二样本的第二标签；N为大于等于2的整数。

在本说明书一些实施例中，所述装置还可以包括分配模块，分配模块可以包括：

获取单元，用于获取目标用户的目标特征数据；

第一输入单元，用于将所述目标特征数据输入至所述第一分类器中，得到所述目标特征数据为第一类别的目标概率；

第一生成单元，用于在所述目标概率大于预设概率的情况下，生成报警信息。

在本说明书一些实施例中，分配模块还可以包括：

第二输入单元，用于在所述目标概率大于预设概率的情况下，将所述目标特征数据输入至所述第二分类器中，得到所述目标用户由活跃状态转为睡眠状态的潜在时长；

第二生成单元，用于根据所述目标概率和所述潜在时长，生成为所述目标用户分配系统资源的策略。

在本说明书一些实施例中，所述目标用户包括多个目标用户；相应的，所述第二生成单元可以具体用于：计算所述多个目标用户中各目标用户的目标概率与潜在时长的比值，得到所述各目标用户的睡眠指数；依据所述各目标用户的睡眠指数的大小，对所述多个目标用户进行分组，得到多个分组；针对所述多个分组中各分组，生成为所述各分组中的目标用户分配系统资源的对应策略。

从以上的描述中，可以看出，本说明书实施例实现了如下技术效果：利用具有用于表征用户信用卡活跃程度的特征数据的第一样本集及对应的第一标签集构建第一分类器，第一分类器可以预测目标用户的活跃类别，之后，可以基于距离由活跃状态转为睡眠状态的时刻的时长对特征数据进行划分，得到第二样本集及对应的第二标签集，利用第二样本集和第二标签集可以构造第二分类器，第二分类器可以预测目标用户转为睡眠卡的潜在时长，对于目标用户，可以由第一分类器预测出其活跃类别，由第二分类器预测出其转为睡眠卡的潜在时长，从而能够准确预测目标用户的睡眠指数，之后，可以基于预测得到的睡眠指数，确定为目标用户分配系统资源的策略，并且可以根据预测结果分配资源，以减少其转化为睡眠卡的几率，提高资源利用率。

本说明书实施方式还提供了一种计算机设备，具体可以参阅图5所示的基于本说明书实施例提供的系统资源分配方法的计算机设备组成结构示意图，所述计算机设备具体可以包括输入设备51、处理器52、存储器53。其中，所述存储器53用于存储处理器可执行指令。所述处理器52执行所述指令时实现上述任意实施例中所述的系统资源分配方法的步骤。

在本实施方式中，所述输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。所述输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等；输入设备用于把原始数据和处理这些数的程序输入到计算机中。所述输入设备还可以获取接收其他模块、单元、设备传输过来的数据。所述处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述存储器具体可以是现代信息技术中用于保存信息的记忆设备。所述存储器可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。

在本实施方式中，该计算机设备具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。

本说明书实施方式中还提供了一种基于系统资源分配方法的计算机存储介质，所述计算机存储介质存储有计算机程序指令，在所述计算机程序指令被执行时实现上述任意实施例中所述系统资源分配方法的步骤。

在本实施方式中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。

在本实施方式中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。

显然，本领域的技术人员应该明白，上述的本说明书实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本说明书实施例不限制于任何特定的硬件和软件结合。

应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此，本说明书的范围不应该参照上述描述来确定，而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。

以上所述仅为本说明书的优选实施例而已，并不用于限制本说明书，对于本领域的技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书的保护范围之内。

Claims (10)

1.一种系统资源分配方法，其特征在于，包括：

获取具有用于表征用户信用卡活跃程度的特征数据的第一样本集、及第一标签集；所述第一标签集包括所述第一样本集中的各第一样本所对应的活跃类别；所述活跃类别包括第一类别和第二类别；所述第一类别表明所述第一样本由活跃状态转为睡眠状态；所述第二类别表明所述第一样本为活跃状态；

利用所述第一样本集及所述第一标签集构建得到第一分类器；

从所述第一样本集中提取活跃类别为所述第一类别的多个第一样本；基于距离由活跃状态转为睡眠状态时刻的时长对所述活跃类别为所述第一类别的多个第一样本中的特征数据进行划分，得到第二样本集及对应的第二标签集；所述第二标签集用于表征所述第二样本集中各第二样本距离由活跃状态转为睡眠状态时刻的时长；

利用所述第二样本集及所述第二标签集构建第二分类器；所述第一分类器和所述第二分类器用于对目标用户的睡眠指数进行预测，以基于预测结果向所述目标用户分配系统资源。

2.根据权利要求1所述的系统资源分配方法，其特征在于，所述特征数据包括用户基本信息、账户信息和历史交易数据。

3.根据权利要求2所述的系统资源分配方法，其特征在于，基于距离由活跃状态转为睡眠状态时刻的时长对所述活跃类别为所述第一类别的多个第一样本中的特征数据进行划分，得到第二样本集及对应的第二标签集，包括：

对于一第一样本，将该第一样本中距离由活跃状态转为睡眠状态时刻的时长在第一预设时间范围内的历史交易数据、用户基本信息和账户信息作为第二样本，将所述第一预设时间范围的时间跨度确定为该第二样本的第二标签；将该第一样本中距离由活跃状态转为睡眠状态时刻的时长在第二预设时间范围内的历史交易数据、用户基本信息和账户信息作为第二样本，将所述第二预设时间范围的时间跨度确定为该第二样本的第二标签；依次类推，直至将该第一样本中距离由活跃状态转为睡眠状态时刻的时长在第N预设时间范围内的历史交易数据、用户基本信息和账户信息作为第二样本，将所述第N预设时间范围的时间跨度确定为该第二样本的第二标签；N为大于等于2的整数。

4.根据权利要求1所述的系统资源分配方法，其特征在于，在利用所述第二样本集及所述第二标签集构建第二分类器之后，还包括：

获取目标用户的目标特征数据；

将所述目标特征数据输入至所述第一分类器中，得到所述目标特征数据为第一类别的目标概率；

在所述目标概率大于预设概率的情况下，生成报警信息。

5.根据权利要求4所述的系统资源分配方法，其特征在于，还包括：

在所述目标概率大于预设概率的情况下，将所述目标特征数据输入至所述第二分类器中，得到所述目标用户由活跃状态转为睡眠状态的潜在时长；

根据所述目标概率和所述潜在时长，生成为所述目标用户分配系统资源的策略。

6.根据权利要求5所述的系统资源分配方法，其特征在于，所述目标用户包括多个目标用户；

相应的，根据所述目标概率和所述潜在时长，生成为所述目标用户分配系统资源的策略，包括：

计算所述多个目标用户中各目标用户的目标概率与潜在时长的比值，得到所述各目标用户的睡眠指数；

依据所述各目标用户的睡眠指数的大小，对所述多个目标用户进行分组，得到多个分组；

针对所述多个分组中各分组，生成为所述各分组中的目标用户分配系统资源的对应策略。

7.一种系统资源分配装置，其特征在于，包括：

获取模块，用于获取具有用于表征用户信用卡活跃程度的特征数据的第一样本集、及第一标签集；所述第一标签集包括所述第一样本集中的各第一样本所对应的活跃类别；所述活跃类别包括第一类别和第二类别；所述第一类别表明所述第一样本由活跃状态转为睡眠状态；所述第二类别表明所述第一样本为活跃状态；

第一构建模块，用于利用所述第一样本集及所述第一标签集构建得到第一分类器；

提取模块，用于从所述第一样本集中提取活跃类别为所述第一类别的多个第一样本；基于距离由活跃状态转为睡眠状态时刻的时长对所述活跃类别为所述第一类别的多个第一样本中的特征数据进行划分，得到第二样本集及对应的第二标签集；所述第二标签集用于表征所述第二样本集中各第二样本距离由活跃状态转为睡眠状态时刻的时长；

第二构建模块，用于利用所述第二样本集及所述第二标签集构建第二分类器；所述第一分类器和所述第二分类器用于对目标用户的睡眠指数进行预测，以基于预测结果向所述目标用户分配系统资源。

8.一种计算机设备，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至6中任一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现权利要求1至6中任一项所述方法的步骤。

10.一种计算机程序产品，其特征在于，所述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权利要求1至6任一所述方法。

Images