CN116109406A - 用户借贷意愿的预测方法、装置、计算机设备和存储介质 - Google Patents
用户借贷意愿的预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116109406A CN116109406A CN202310188889.XA CN202310188889A CN116109406A CN 116109406 A CN116109406 A CN 116109406A CN 202310188889 A CN202310188889 A CN 202310188889A CN 116109406 A CN116109406 A CN 116109406A
- Authority
- CN
- China
- Prior art keywords
- behavior data
- dimension
- unified
- willingness
- operation behavior
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请涉及一种用户借贷意愿的预测方法、装置、计算机设备和存储介质。涉及人工智能领域,该方法包括:获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据;其中,至少一个操作维度包括:对象浏览维度、对象点击维度和对象交易维度中的至少一种。将各操作维度的历史操作行为数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户的借贷意愿。通过上述方法可以实现利用单种历史操作行为数据对用户借贷意愿度的预测,增加了用户借贷意愿度的预测方法的普适性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种用户借贷意愿的预测方法、装置、计算机设备和存储介质。
背景技术
在当前世界经济环境低增长、低利率的挑战下,息差收窄成为金融机构普遍面临的问题,挖掘收入来源,扩大信贷规模,成为金融机构当前的重中之重。
借贷业务是银行的重要收入之一,需要更好更有针对性的筛选出有借贷意向的用户,目前,在对高借贷意愿度的用户进行筛选时,通常采用借贷意愿模型,利用用户的历史借贷行为数据来对用户的借贷意愿度进行预测,筛选出具有较高信贷意愿度的用户。
但是,此种方法需要依赖用户的历史借贷行为数据,来预测用户未来的借贷意愿度。因此,当用户历史没有信贷行为数据时,就无法对用户未来的借贷意愿度进行预测,也就是说,现有的用户借贷意愿的预测方法具有使用限制,普适性较低,成为了亟待解决的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升借贷意愿预测普适性的用户借贷意愿的预测方法、装置计算机设备和存储介质。
第一方面,本申请提供了一种用户借贷意愿的预测方法。该方法包括:
获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据;其中,至少一个操作维度包括:对象浏览维度、对象点击维度和对象交易维度中的至少一种。
将各操作维度的历史操作行为数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;
通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户的借贷意愿。
在其中一个实施例中,将各操作维度的历史操作行为数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征,包括:
通过行为数据表示模型的特征输入层,对各操作维度的历史操作行为数据进行归一化处理,得到归一化数据;
通过行为数据表示模型的特征抽取层,将各操作维度的归一化数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;
通过行为数据表示模型的特征输出层输出历史操作行为数据的统一维度空间特征。
在其中一个实施例中,该方法还包括:
获取样本用户在所有操作维度下对可交易对象的样本操作行为数据;
根据样本操作行为数据和预设优化目标,对行为数据表示模型进行无监督训练;
其中,预设优化目标为同一样本用户在不同操作维度的样本操作行为数据在统一维度空间的统一维度空间特征的距离最近。
在其中一个实施例中,该方法还包括:
通过训练好的行为数据表示模型,获取样本操作行为数据对应的统一维度空间特征;
根据样本操作行为数据对应的统一维度空间特征,以及样本用户对应的借贷意愿标签,对意愿度预测模型进行训练。
在其中一个实施例中,通过意愿度预测模型,根据所述历史操作行为数据的统一维度空间特征,预测所述目标用户的借贷意愿,包括:
通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户购买借贷类型的可交易对象的意愿度;或者,通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户通过借贷方式购买可交易对象的意愿度。
在其中一个实施例中,获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据,包括:
若目标用户为在任意操作维度下均不存在对可交易对象的历史操作行为数据,则根据目标用户的属性信息,确定目标用户的相似用户;
获取相似用户在至少一个操作维度下对可交易对象的历史操作行为数据,作为目标用户在至少一个操作维度下对可交易对象的历史操作行为数据。
第二方面,本申请还提供了一种用户借贷意愿的预测装置。该装置包括:
数据获取模块,用于获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据;其中,至少一个操作维度包括:对象浏览维度、对象点击维度和对象交易维度中的至少一种;
特征统一模块,用于将各操作维度的历史操作行为数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;
意愿预测模块,用于通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户的借贷意愿。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据;其中,至少一个操作维度包括:对象浏览维度、对象点击维度和对象交易维度中的至少一种。
将各操作维度的历史操作行为数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;
通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户的借贷意愿。
第四方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据;其中,至少一个操作维度包括:对象浏览维度、对象点击维度和对象交易维度中的至少一种。
将各操作维度的历史操作行为数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;
通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户的借贷意愿。
第五方面,本申请还提供了一种计算机程序产品。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以下步骤:
获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据;其中,至少一个操作维度包括:对象浏览维度、对象点击维度和对象交易维度中的至少一种。
将各操作维度的历史操作行为数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;
通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户的借贷意愿。
上述用户借贷意愿的预测方法、装置、计算机设备和存储介质。获取至少一个操作维度的历史操作行为数据,将获取到的各维度的历史操作行为数据映射到统一维度空间,从而得到统一空间特征,再将统一空间特征输入到借意愿度预测模型中,即可得到目标用户的借贷意愿度,采用此种方法,可以基于目标用户在可交易对象的交易平台上,对可交易对象的操作行为数据来预测目标用户的借贷意愿,且由于本申请是将不同操作维度的历史操作行为数据映射到统一空间后再进行预测,所以无论获取的是目标用户在哪个维度对可交易对象的历史操作行为数据,都能精准预测到该目标用户的借贷意愿度,解决了部分没有历史借贷行为数据的用户无法预测借贷意愿度的问题,增加了预测借贷意愿度的普适性。
附图说明
图1为一个实施例中用户借贷意愿的预测方法的应用环境图;
图2为一个实施例中用户借贷意愿的预测方法的流程示意图;
图3为一个实施例中获取统一维度空间特征的流程示意图;
图4为一个实施例中训练行为数据表示模型和意愿度预测模型的流程示意图;
图5为另一个实施例中用户借贷意愿的预测方法的流程示意图;
图6为一个实施例中用户借贷意愿的预测装置的结构框图;
图7为另一个实施例中用户借贷意愿的预测装置的结构框图;
图8为又一个实施例中用户借贷意愿的预测装置的结构框图;
图9为再一个实施例中用户借贷意愿的预测装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的用户借贷意愿的预测方法,可以应用于如图1所示的应用环境中。在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储做相关处理时所需的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现下述任意实施例所示的用户借贷意愿的预测方法。
在一个实施例中,如图2所示,提供了一种用户借贷意愿的预测方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S201,获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据。
其中,目标用户可以是需要进行借贷意愿预测的用户。操作维度为对可交易对象进行的各种操作所属的维度,本实施例的至少一个操作维度包括但不限于:对象浏览维度、对象点击维度和对象交易维度中的至少一种。可交易对象为能够支持交易的物品对象,例如,可以是商品交易平台的待交易商品。对象浏览维度,可以是对可交易对象进行页面信息浏览行为对应的维度,对象点击维度可以是对可交易对象进行点击行为对应的维度,该点击行为可以包括但不限于点击收藏、点击分享和点击查看等。对象交易维度可以是购买可交易对象和使用贷款进行交易支付等交易行为对应的维度。
可选的,本实施例可以获取目标用户在历史一段时间内的所有用户数据,然后从所有用户数据中提取目标用户对可交易对象的至少一个维度的历史操作行为数据。例如,可以是根据用户数据对应的操作维度标签,来提取至少一个操作维度(包括但不限于:对象浏览维度、对象点击维度和对象交易维度)下对可交易对象的历史操作行为数据。还可以是将目标用户的大量用户数据输入到预先训练好的历史操作行为数据提取模型中,该历史操作行为数据提取模型即可输出目标用户的对象浏览维度、对象点击维度和对象交易维度中的所有历史操作行为数据。需要说明的是,由于部分用户在某些维度可能不存在历史操作行为数据,因此对于这部分用户,只需要获取其存在历史操作行为数据的那些维度的历史操作行为数据即可。
S202,将各操作维度的历史操作行为数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征。
其中,统一维度空间特征为将各个维度的历史操作行为数据映射到同一个维度后的特征,该统一维度可以为对象浏览维度、对象点击维度和对象交易维度中的其中一个,也可以是独立于这三个维度之外的另一个维度。
可选的,本实施例的一种可实现方式可以是通过行为数据表示模型,将各操作维度的历史操作行为数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征。其中,行为数据表示模型为将多维度特征统一至同一维度的神经网络模型。具体的,可以将各个维度的历史操作行为数据输入到行为数据表示模型中,行为数据表示模型即可将各个维度的历史操作行为数据映射到统一维度空间,并将统一维度空间特征作为结果进行输出。
本实施例的另一可实现方式可以是针对每一操作维度的历史操作数据,采用该操作维度对应的统一特征编码规则,对该操作维度的历史操作数据进行编码,并将编码结果作为该操作维度映射到统一维度空间的统一空间维度特征。
S203,通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户的借贷意愿。
其中,借贷意愿为目标用户购买借贷类型的可交易对象的意愿、向金融机构贷款的意愿或者采用贷款的方式进行交易支付的意愿,借贷意愿的表示方法有很多种,例如,有借贷意愿、无借贷意愿、用户借贷概率等,此处不做限定。
意愿度预测模型可以是用于预测目标用户借贷意愿的神经网络模型。
可选的,将历史操作行为数据的统一维度空间特征输入到意愿度预测模型中,意愿度预测模型即可根据历史操作行为数据的统一维度空间特征,输出目标用户的借贷意愿。
可选的,通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户购买借贷类型的可交易对象的意愿度;或者,通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户通过借贷方式购买可交易对象的意愿度。
可选的,将历史操作行为数据的统一维度空间特征输入到意愿度预测模型中,意愿度预测模型即可输出该目标用户购买借贷类型的可交易对象的意愿度或者目标用户通过借贷方式购买可交易对象的意愿度。
上述实施例,通过获取至少一个操作维度的历史操作行为数据,将获取到的各维度的历史操作行为数据映射到统一维度空间,从而得到统一空间特征,再将统一空间特征输入到借意愿度预测模型中,即可得到目标用户的借贷意愿度,采用此种方法,无论目标用户哪个维度的存在历史操作行为数据,都能精准预测到该目标用户的借贷意愿度,解决了部分用户历史没有信贷行为数据,无法预测借贷意愿度的问题,增加了预测借贷意愿度的普适性。
在上述实施例的基础上,也可能存在其他情况,在实际操作时,若目标用户为新注册用户时,可能存在目标用户在三个操作维度都不存在历史操作行为数据的情况,为了保证此情况下,也能够对目标用户进行借贷意愿的预测,本实施例可以是若目标用户为在任意操作维度下均不存在对可交易对象的历史操作行为数据,则根据目标用户的属性信息,确定目标用户的相似用户;获取相似用户在至少一个操作维度下对可交易对象的历史操作行为数据,作为目标用户在至少一个操作维度下对可交易对象的历史操作行为数据。
可选的,当目标用户在所有维度都不存在历史操作行为数据时,可以根据目标用户的属性信息查找与目标用户属性信息相似度最高的用户,即目标用户的相似用户,并根据该相似用户的历史操作行为数据对目标用户的借贷意愿度进行预测。
在上述实施例的基础上,如图3所示,本实施例对上述实施例中根据行为数据表示模型获取统一维度空间特整的方法进行了更具体的阐述,其中,行为数据表示模型包括三个层,即特征输入层、特征抽取层和特征输出层。其中,特征输入层,用于对各操作维度的历史操作行为数据进行归一化处理得到归一化数据并传输至特征抽取层;特征抽取层,用于将接收到的归一化数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征,并传输至特征输出层;特征输出层,用于输出历史操作行为数据的统一维度空间特征。
具体的,通过上述介绍的行为数据表示模型将各操作维度的历史操作行为数据映射到统一维度空间,得到统一维度空间特征的方法具体包括:
S301,通过行为数据表示模型的特征输入层,对各操作维度的历史操作行为数据进行归一化处理,得到归一化数据。
其中,归一化处理为对各维度的历史操作行为数据进行数据去重、缺失数据恢复和格式统一化处理的过程。
可选的,将各操作维度的历史操作行为数据输入到行为数据表示模型的特征输入层后,行为数据表示模型的特征输入层会先对各操作维度的历史操作行为数据进行去冗余处理,去除掉各操作维度的历史操作行为数据中的冗余数据,包括无效数据,重复数据等;再对去冗余处理后的各操作维度的历史操作行为数据进行缺失数据填补,具体方式可以是取与该缺失位置相邻的数据的平均值作为该缺失数据,也可以为取该组历史操作行为数据的中位数作为该缺失数据,具体取值办法此处不做限定;最后,对去冗余处理和缺失数据填补后的各操作维度的历史操作行为数据进行格式统一化编码,即可得到统一格式的各操作维度的历史操作行为数据,即归一化数据。
S302,通过行为数据表示模型的特征抽取层,将各操作维度的归一化数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征。
可选的,行为数据表示模型的特征输入层会将处理后的归一化数据传输至行为数据表示模型的特征抽取层,行为数据表示模型的特征抽取层将各操作维度的归一化数据映射到统一维度空间,可以是行为数据表示模型的特征抽取层将各操作维度的归一化数据映射到某种操作维度行为数据所属的维度空间中,也可以是行为数据表示模型的特征抽取层将各操作维度的归一化数据映射到独立于各操作维度行为数据所属的维度空间的另一维度空间中,操作维度的归一化数据映射到统一维度空间后,即为历史操作行为数据的统一维度空间特征。
S303,通过行为数据表示模型的特征输出层输出历史操作行为数据的统一维度空间特征。
可选的,行为数据表示模型的特征抽取层会将其映射后的统一维度空间特征传输至行为数据表示模型的特征输出层,行为数据表示模型的特征输出层以数据流的形式输出历史操作行为数据的统一维度空间特征。
上述实施例,通过行为数据表示模型的特征输入层对各操作维度的历史操作行为数据进行归一化处理,得到归一化数据,再通过行为数据表示模型的特征抽取层将归一化数据映射到统一维度空间得到历史操作行为数据的统一维度空间特征,最后通过行为数据表示模型的特征输出层输出历史操作行为数据的统一维度空间特征,此种方法可以将不同维度的数据进行统一,为后续更为精准的预测目标用户的借贷意愿度提供了保障。
上述实施例讲述了如何通过行为数据表示模型获取历史操作行为数据的统一维度空间特征,以及如何通过意愿度预测模型预测目标用户的借贷意愿,而在本实施例中,如图4所示,对行为数据表示模型和意愿度预测模型的训练方法做了限定,具体方法包括:
S401,获取样本用户在所有操作维度下对可交易对象的样本操作行为数据。
其中,样本用户可以是在所有操作维度下均存在历史操作行为数据的用户,需要说明的是,本实例中的样本用户数量为多个。所有操作维度可以包括对象浏览维度、对象点击维度和对象交易维度。
可选的,本步骤获取样本用户在所有维度下对可交易对象的样本操作行为数据的方式与上述实施例中介绍的获取至少一个操作维度的历史操作行为数据的方式类似,区别在于,此处需要获取所有操作维度的历史操作行为数据,对此不进行赘述。
S402,根据样本操作行为数据和预设优化目标,对行为数据表示模型进行无监督训练;
其中,预设优化目标为同一样本用户在不同操作维度的样本操作行为数据在统一维度空间的统一维度空间特征的距离最近。
其中,无监督训练指模型训练中,不需要样本用户对应的样本标签(即样本用户的实际借贷意愿)作为监督数据,而是直接根据样本数据(即样本操作行为数据)对模型进行训练,直至达到预设优化目标即可。
可选的,将多个样本用户的样本操作行为数据输入到行为数据表示模型中,得到各样本用户的样本操作行为数据对应的统一维度空间特征,然后判断此时各样本用户的统一维度空间特征是否满足预设优化目标,即同一样本用户在不同操作维度的样本操作行为数据在统一维度空间的统一维度空间特征的距离最近,若满足,则说明对行为数据表示模型进行无监督训练完成,若不满足,则说明此时的行为数据表示模型还没有达到要求,需要继续对行为数据表示模型的模型参数进行调整后返回继续执行将多个样本用户的样本操作行为数据输入到行为数据表示模型的操作,直到各样本用户的统一维度空间特征满足预设优化目标为止,此时即证明该样本用户在不同操作维度的样本操作行为数据已经统一至同一维度特征空间了,行为数据表示模型训练完成。
S403,通过训练好的行为数据表示模型,获取样本操作行为数据对应的统一维度空间特征。
可选的,样本用户在不同操作维度的样本操作行为数据输入到训练好的行为数据表示模型中,该行为数据表示模型会将样本用户各操作维度的历史操作行为数据映射到统一维度空间,并输出样本操作行为数据对应的统一维度空间特征。
S404,根据样本操作行为数据对应的统一维度空间特征,以及样本用户对应的借贷意愿标签,对意愿度预测模型进行训练。
可选的,可以通过有监督训练的方式对意愿度预测模型进行训练,即使用样本操作行为数据对应的统一维度空间特征以及该样本对应的借贷意愿标签对意愿度预测模型进行训练。
具体的,可以是将样本操作行为数据对应的统一维度空间特征输入到意愿度预测模型,预测到一个样本用户的借贷意愿度,将预测得到的借贷意愿度与该样本对应的借贷意愿标签进行比对,计算出损失值,并根据损失值调整意愿度预测模型中的参数,返回执行将样本操作行为数据对应的统一维度空间特征输入到意愿度预测模型的操作,直至损失值降低至预设损失阈值或者训练次数达到预设次数。
可选的,可以选用部分样本数据对意愿度预测模型进行训练,选用另一部分样本数据对意愿度预测模型进行验证,以此来使训练出的意愿度预测模型更加精准,例如,使用80%的样本数据对意愿度预测模型进行训练,使用剩余的20%的样本数据对意愿度预测模型进行验证。
上述实施例中,使用无监督训练的方法训练出行为数据表示模型,不需要预先对样本用户标注意愿度标签,降低了模型训练成本;再通过行为数据表示模型输出的统一维度空间特征以及样本用户对应的借贷意愿标签,对意愿度预测模型进行训练,此方法增加了模型训练的准确性,且此种方法中的模型,是根据样本用户在所有维度的历史操作行为数据训练的,因此训练后的意愿度预测模型能够学习到各种维度的历史操作行为数据对应的统一维度空间特征与用户的借贷意愿度之间的关系,进而实现通过任一维度的用户数据都能预测到用户的借贷意愿度,增加了借贷意愿度预测的普适性。
为了更全面的展示本方案,本实施例给出了一种用户借贷意愿的预测方法的可选方式,如图5所示:
S501,获取样本用户在所有操作维度下对可交易对象的样本操作行为数据。
S502,根据样本操作行为数据和预设优化目标,对行为数据表示模型进行无监督训练;
其中,预设优化目标为同一样本用户在不同操作维度的样本操作行为数据在统一维度空间的统一维度空间特征的距离最近。
S503,通过训练好的行为数据表示模型,获取样本操作行为数据对应的统一维度空间特征。
S504,根据样本操作行为数据对应的统一维度空间特征,以及样本用户对应的借贷意愿标签,对意愿度预测模型进行训练。
S505,判断用户为在任意操作维度下是否存在对可交易对象的历史操作行为数据,若是,则执行S506,若否,则执行S507。
S506,获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据;
其中,至少一个操作维度包括:对象浏览维度、对象点击维度和对象交易维度中的至少一种。
S507,根据目标用户的属性信息,确定目标用户的相似用户。
S508,获取相似用户在至少一个操作维度下对可交易对象的历史操作行为数据,作为目标用户在至少一个操作维度下对可交易对象的历史操作行为数据。
S509,通过行为数据表示模型的特征输入层,对各操作维度的历史操作行为数据进行归一化处理,得到归一化数据。
S510,通过行为数据表示模型的特征抽取层,将各操作维度的归一化数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征。
S511,通过行为数据表示模型的特征输出层输出历史操作行为数据的统一维度空间特征。
S512,通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户购买借贷类型的可交易对象的意愿度;或者,通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户通过借贷方式购买可交易对象的意愿度。
上述S501-S512的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的用户借贷意愿的预测方法的用户借贷意愿的预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个用户借贷意愿的预测装置实施例中的具体限定可以参见上文中对于用户借贷意愿的预测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种用户借贷意愿的预测装置6,包括:数据获取模块60、特征统一模块61和意愿预测模块62,其中:
数据获取模块60,用于获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据;其中,至少一个操作维度包括:对象浏览维度、对象点击维度和对象交易维度中的至少一种;
特征统一模块61,用于将各操作维度的历史操作行为数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;
意愿预测模块62,用于通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户的借贷意愿。
在另一个实施例中,如图7所示,上述图6中的特征统一模块61还包括:
数据处理单元610,用于通过行为数据表示模型的特征输入层,对各操作维度的历史操作行为数据进行归一化处理,得到归一化数据。
维度统一单元611,用于通过行为数据表示模型的特征抽取层,将各操作维度的归一化数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征。
特征输出单元612,用于通过行为数据表示模型的特征输出层输出历史操作行为数据的统一维度空间特征。
在另一个实施例中,如图8所示,上述图6中的用户借贷意愿的预测装置6还包括第一训练模块63,第一训练模块63具体用于:
获取样本用户在所有操作维度下对可交易对象的样本操作行为数据;
根据样本操作行为数据和预设优化目标,对行为数据表示模型进行无监督训练;
其中,预设优化目标为同一样本用户在不同操作维度的样本操作行为数据在统一维度空间的统一维度空间特征的距离最近。
在另一个实施例中,如图9所示,上述图8中的用户借贷意愿的预测装置6还包括,第二训练模块64,第二训练模块64具体用于:
通过训练好的行为数据表示模型,获取样本操作行为数据对应的统一维度空间特征;
根据样本操作行为数据对应的统一维度空间特征,以及样本用户对应的借贷意愿标签,对意愿度预测模型进行训练。
在另一个实施例中,上述图6中的意愿预测模块62还具体用于:
通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户购买借贷类型的可交易对象的意愿度;或者,通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户通过借贷方式购买可交易对象的意愿度。
在另一个实施例中,上述图6中的数据获取模块60还具体用于:
若目标用户为在任意操作维度下均不存在对可交易对象的历史操作行为数据,则根据目标用户的属性信息,确定目标用户的相似用户;
获取相似用户在至少一个操作维度下对可交易对象的历史操作行为数据,作为目标用户在至少一个操作维度下对可交易对象的历史操作行为数据。
上述输用户借贷意愿的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种用户借贷意愿的预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据;其中,至少一个操作维度包括:对象浏览维度、对象点击维度和对象交易维度中的至少一种。
将各操作维度的历史操作行为数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;
通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户的借贷意愿。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过行为数据表示模型的特征输入层,对各操作维度的历史操作行为数据进行归一化处理,得到归一化数据;
通过行为数据表示模型的特征抽取层,将各操作维度的归一化数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;
通过行为数据表示模型的特征输出层输出历史操作行为数据的统一维度空间特征。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取样本用户在所有操作维度下对可交易对象的样本操作行为数据;
根据样本操作行为数据和预设优化目标,对行为数据表示模型进行无监督训练;
其中,预设优化目标为同一样本用户在不同操作维度的样本操作行为数据在统一维度空间的统一维度空间特征的距离最近。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过训练好的行为数据表示模型,获取样本操作行为数据对应的统一维度空间特征;
根据样本操作行为数据对应的统一维度空间特征,以及样本用户对应的借贷意愿标签,对意愿度预测模型进行训练。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户购买借贷类型的可交易对象的意愿度;或者,通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户通过借贷方式购买可交易对象的意愿度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若目标用户为在任意操作维度下均不存在对可交易对象的历史操作行为数据,则根据目标用户的属性信息,确定目标用户的相似用户;
获取相似用户在至少一个操作维度下对可交易对象的历史操作行为数据,作为目标用户在至少一个操作维度下对可交易对象的历史操作行为数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据;其中,至少一个操作维度包括:对象浏览维度、对象点击维度和对象交易维度中的至少一种。
将各操作维度的历史操作行为数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;
通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户的借贷意愿。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过行为数据表示模型的特征输入层,对各操作维度的历史操作行为数据进行归一化处理,得到归一化数据;
通过行为数据表示模型的特征抽取层,将各操作维度的归一化数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;
通过行为数据表示模型的特征输出层输出历史操作行为数据的统一维度空间特征。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取样本用户在所有操作维度下对可交易对象的样本操作行为数据;
根据样本操作行为数据和预设优化目标,对行为数据表示模型进行无监督训练;
其中,预设优化目标为同一样本用户在不同操作维度的样本操作行为数据在统一维度空间的统一维度空间特征的距离最近。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过训练好的行为数据表示模型,获取样本操作行为数据对应的统一维度空间特征;
根据样本操作行为数据对应的统一维度空间特征,以及样本用户对应的借贷意愿标签,对意愿度预测模型进行训练。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户购买借贷类型的可交易对象的意愿度;或者,通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户通过借贷方式购买可交易对象的意愿度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若目标用户为在任意操作维度下均不存在对可交易对象的历史操作行为数据,则根据目标用户的属性信息,确定目标用户的相似用户;
获取相似用户在至少一个操作维度下对可交易对象的历史操作行为数据,作为目标用户在至少一个操作维度下对可交易对象的历史操作行为数据。
在一个实施例中,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以下步骤:
获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据;其中,至少一个操作维度包括:对象浏览维度、对象点击维度和对象交易维度中的至少一种。
将各操作维度的历史操作行为数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;
通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户的借贷意愿。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过行为数据表示模型的特征输入层,对各操作维度的历史操作行为数据进行归一化处理,得到归一化数据;
通过行为数据表示模型的特征抽取层,将各操作维度的归一化数据映射到统一维度空间,得到历史操作行为数据的统一维度空间特征;
通过行为数据表示模型的特征输出层输出历史操作行为数据的统一维度空间特征。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取样本用户在所有操作维度下对可交易对象的样本操作行为数据;
根据样本操作行为数据和预设优化目标,对行为数据表示模型进行无监督训练;
其中,预设优化目标为同一样本用户在不同操作维度的样本操作行为数据在统一维度空间的统一维度空间特征的距离最近。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过训练好的行为数据表示模型,获取样本操作行为数据对应的统一维度空间特征;
根据样本操作行为数据对应的统一维度空间特征,以及样本用户对应的借贷意愿标签,对意愿度预测模型进行训练。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户购买借贷类型的可交易对象的意愿度;或者,通过意愿度预测模型,根据历史操作行为数据的统一维度空间特征,预测目标用户通过借贷方式购买可交易对象的意愿度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若目标用户为在任意操作维度下均不存在对可交易对象的历史操作行为数据,则根据目标用户的属性信息,确定目标用户的相似用户;
获取相似用户在至少一个操作维度下对可交易对象的历史操作行为数据,作为目标用户在至少一个操作维度下对可交易对象的历史操作行为数据。
需要说明的是,本申请所涉及的历史操作行为数据(包括但不限于目标用户的历史操作行为数据,样本用户的历史操作行为数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种用户借贷意愿的预测方法,其特征在于,所述方法包括:
获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据;其中,所述至少一个操作维度包括:对象浏览维度、对象点击维度和对象交易维度中的至少一种;
将各操作维度的历史操作行为数据映射到统一维度空间,得到所述历史操作行为数据的统一维度空间特征;
通过意愿度预测模型,根据所述历史操作行为数据的统一维度空间特征,预测所述目标用户的借贷意愿。
2.根据权利要求1所述的方法,其特征在于,将各操作维度的历史操作行为数据映射到统一维度空间,得到所述历史操作行为数据的统一维度空间特征,包括:
通过行为数据表示模型的特征输入层,对各操作维度的历史操作行为数据进行归一化处理,得到归一化数据;
通过所述行为数据表示模型的特征抽取层,将各操作维度的归一化数据映射到统一维度空间,得到所述历史操作行为数据的统一维度空间特征;
通过所述行为数据表示模型的特征输出层输出所述历史操作行为数据的统一维度空间特征。
3.根据权利要求2所述的方法,其特征在于,所述行为数据表示模型的训练方式,包括:
获取样本用户在所有操作维度下对可交易对象的样本操作行为数据;
根据所述样本操作行为数据和预设优化目标,对所述行为数据表示模型进行无监督训练;
其中,所述预设优化目标为同一样本用户在不同操作维度的样本操作行为数据在统一维度空间的统一维度空间特征的距离最近。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
通过训练好的行为数据表示模型,获取所述样本操作行为数据对应的统一维度空间特征;
根据所述样本操作行为数据对应的统一维度空间特征,以及所述样本用户对应的借贷意愿标签,对所述意愿度预测模型进行训练。
5.根据权利要求1-2中任一项所述的方法,其特征在于,通过意愿度预测模型,根据所述历史操作行为数据的统一维度空间特征,预测所述目标用户的借贷意愿,包括:
通过意愿度预测模型,根据所述历史操作行为数据的统一维度空间特征,预测所述目标用户购买借贷类型的可交易对象的意愿度;或者,通过意愿度预测模型,根据所述历史操作行为数据的统一维度空间特征,预测所述目标用户通过借贷方式购买所述可交易对象的意愿度。
6.根据权利要求1-2中任一项所述的方法,其特征在于,获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据,包括:
若所述目标用户为在任意操作维度下均不存在对可交易对象的历史操作行为数据,则根据所述目标用户的属性信息,确定所述目标用户的相似用户;
获取所述相似用户在至少一个操作维度下对可交易对象的历史操作行为数据,作为所述目标用户在至少一个操作维度下对可交易对象的历史操作行为数据。
7.一种用户借贷意愿的预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标用户在至少一个操作维度下对可交易对象的历史操作行为数据;其中,所述至少一个操作维度包括:对象浏览维度、对象点击维度和对象交易维度中的至少一种;
特征统一模块,用于将各操作维度的历史操作行为数据映射到统一维度空间,得到所述历史操作行为数据的统一维度空间特征;
意愿预测模块,用于通过意愿度预测模型,根据所述历史操作行为数据的统一维度空间特征,预测所述目标用户的借贷意愿。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310188889.XA CN116109406A (zh) | 2023-02-22 | 2023-02-22 | 用户借贷意愿的预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310188889.XA CN116109406A (zh) | 2023-02-22 | 2023-02-22 | 用户借贷意愿的预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116109406A true CN116109406A (zh) | 2023-05-12 |
Family
ID=86256193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310188889.XA Pending CN116109406A (zh) | 2023-02-22 | 2023-02-22 | 用户借贷意愿的预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109406A (zh) |
-
2023
- 2023-02-22 CN CN202310188889.XA patent/CN116109406A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210125732A1 (en) | System and method with federated learning model for geotemporal data associated medical prediction applications | |
US11514369B2 (en) | Systems and methods for machine learning model interpretation | |
CN116468543A (zh) | 基于联邦学习的信贷风险评估方法、装置、设备和介质 | |
Lin et al. | Spatial pattern analysis of address quality: A study on the impact of rapid urban expansion in China | |
CN110968887B (zh) | 在数据隐私保护下执行机器学习的方法和系统 | |
CN114741402A (zh) | 业务特征池的处理方法、装置、计算机设备和存储介质 | |
Qasem et al. | Extreme learning machine for credit risk analysis | |
CN116467525A (zh) | 业务产品的推荐方法、装置、设备和存储介质 | |
CN115186890A (zh) | 预警方法、装置、计算机设备和存储介质 | |
CN114549174A (zh) | 用户行为预测方法、装置、计算机设备和存储介质 | |
CN116109406A (zh) | 用户借贷意愿的预测方法、装置、计算机设备和存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN114219184A (zh) | 产品交易数据预测方法、装置、设备、介质和程序产品 | |
CN117575765A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN116881546A (zh) | 资源推荐方法、装置、设备和存储介质 | |
CN116703544A (zh) | 资源互动轨迹预测方法、装置、计算机设备和存储介质 | |
CN116091209A (zh) | 信贷业务处理方法、装置、计算机设备和存储介质 | |
CN117853217A (zh) | 数据隐私保护的金融违约率预测方法、装置以及设备 | |
CN115470526A (zh) | 基于黑盒模型的对抗攻击数据的处理方法和装置 | |
CN116342242A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
CN116894728A (zh) | 异常账户确定方法、装置、计算机设备和存储介质 | |
CN116127183A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN116151896A (zh) | 虚拟产品推荐方法、装置、计算机设备和存储介质 | |
Deng et al. | SSRNet: A Deep Learning Network via Spatial‐Based Super‐resolution Reconstruction for Cell Counting and Segmentation | |
Kamenev et al. | Metric Analysis of Big Data of Payment System Based on Kolmogorov–Shannon Coding Methods |
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 |