CN117521816A - 因果图模型处理方法及装置 - Google Patents
因果图模型处理方法及装置 Download PDFInfo
- Publication number
- CN117521816A CN117521816A CN202311610543.0A CN202311610543A CN117521816A CN 117521816 A CN117521816 A CN 117521816A CN 202311610543 A CN202311610543 A CN 202311610543A CN 117521816 A CN117521816 A CN 117521816A
- Authority
- CN
- China
- Prior art keywords
- credit
- node
- sample
- features
- causal graph
- 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
- 230000001364 causal effect Effects 0.000 title claims abstract description 119
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000013507 mapping Methods 0.000 claims abstract description 39
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 33
- 230000006872 improvement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
Abstract
一种因果图模型处理方法及装置,该方法包括:根据按顺序排列的贷前特征、贷中特征、N个贷后特征以及Vintage坏账率之间的因果关系,对应创建包含N+3个节点的因果图;获取M条样本数据,样本数据包括N+3个样本特征数据,N+3个样本特征数据包括按顺序排列的样本贷前特征、样本贷中特征、N个样本贷后特征和样本Vintage坏账率;根据M条样本数据和因果图进行机器学习,获得用于预测Vintage坏账率的因果图模型,其中包括因果图、因果图中各条有向边所分别对应的映射关系以及以相同节点为终止节点的有向边间的组合关系,映射关系是以其对应的有向边的起始节点为干预变量的回归模型,组合关系是以其对应的有向边的终止节点为结果变量的回归模型。
Description
技术领域
本说明书实施例属于计算机技术领域,尤其涉及一种因果图模型处理方法及装置。
背景技术
随着互联网技术的飞速发展,极力推进互联网金融行业的发展以及普惠金融的建设,但互联网技术并没有改变金融的核心,风险监控。其中Vintage坏账率是风险监控中的典型指标。
越准确的Vintage坏账率预测,越有利于金融机构对业务决策提供更大的辅助价值,有利于更早的预估风险并对应的采取干预措施来实现降低相关风险。
发明内容
本发明的目的在于提供一种因果图模型处理方法及装置。
第一方面,提供了一种因果图模型处理方法,包括:根据按顺序排列的贷前特征、贷中特征、N个贷后特征以及Vintage坏账率之间的因果关系,对应创建包含N+3个节点的因果图;获取M条样本数据,所述样本数据包括N+3个样本特征数据,所述N+3个样本特征数据包括按顺序排列的样本贷前特征、样本贷中特征、N个样本贷后特征和样本Vintage坏账率;根据所述M条样本数据和所述因果图进行机器学习,获得用于预测Vintage坏账率的因果图模型,其中包括所述因果图、所述因果图中各条有向边所分别对应的映射关系以及以相同节点为终止节点的有向边间的组合关系,所述映射关系是以其对应的有向边的起始节点为干预变量的回归模型,所述组合关系是以其对应的有向边的终止节点为结果变量的回归模型。
第二方面,提供了一种因果图模型处理装置,包括:模型构建单元,配置为根据按顺序排列的贷前特征、贷中特征、N个贷后特征以及Vintage坏账率之间的因果关系,对应创建包含N+3个节点的因果图;数据获取单元,配置为获取M条样本数据,所述样本数据包括N+3个样本特征数据,所述N+3个样本特征数据包括按顺序排列的样本贷前特征、样本贷中特征、N个样本贷后特征和样本Vintage坏账率;模型训练单元,配置为根据所述M条样本数据和所述因果图进行机器学习,获得用于预测Vintage坏账率的因果图模型,其中包括所述因果图、所述因果图中各条有向边所分别对应的映射关系以及以相同节点为终止节点的有向边间的组合关系,所述映射关系是以其对应的有向边的起始节点为干预变量的回归模型,所述组合关系是以其对应的有向边的终止节点为结果变量的回归模型。
第三方面,提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现第一方面中所提供的方法。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算设备中执行时,计算设备实现第一方面中所提供的方法。
本说明书实施例提供的技术方案中,因果图模型能够专注于特征之间的因果关系以及存在因果关系的特征之间的影响情况,通过因果图模型预测Vintag坏账率时,既能够利用全部的贷前特征、贷中特征以及贷后特征,又能够避免因贷前特征、贷中特征以及贷后特征不均匀分布而导致的预测偏差,从而能够有利于预测出更加准确的Vintage坏账率。
附图说明
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例中提供的一种因果图模型处理方法的流程图之一;
图2为本说明书实施例中提供的一种因果图的结构示意图;
图3为本说明书实施例中提供的一种因果图模型处理方法的流程图之二;
图4为本说明书实施例中提供的一种因果图模型处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
Vintage坏账率也可以被表述为Vintage损失率或者Vintage支用不良率,其定义为相关金融机构或者其它组织的所有借据在支用1年之后,逾期总金额与所有借据的借款总金额的比值。
信贷业务的生命周期通常可以划分成贷前、贷中和贷后三个阶段。可以利用整个信贷过程中于前述三个阶段分别表现的特征,即贷前特征、贷中特征以及按顺序排列的N个贷后特征,实现包括预测Vintage坏账率在内的风险监控。其中N的取值通常依赖于借据的还款期数。
贷前特征通常可以包括但不限于在相关借据生效前,所确定的以下各项特征中的至少一项:信贷对象的贷前违约评分、授信额度以及授信利率等。
贷中特征通常可以包括但不限于在相关借据生效后,所确定的以下各项特征中的至少一项:信贷对象的贷中违约评分、支用金额、借据期数、是否复借以及支用前在贷金额等。
贷后特征的数量N通常与借据的还款期数对应,是指在与某个还款期数(对应借据期数)对应的某个统计时间,计算得到的不良率指标。示例性的,借据期数通常可以对应为12期,即还款期数为12期;通常可以定义11或12个按顺序排列的贷后特征,依次包括:首期还款逾期x1天不良率指标(可选的)、首期还款逾期x2天不良率指标、2期还款逾期x2天不良率指标、3期还款逾期x2天不良率指标、4期还款逾期x2天不良率指标、5期还款逾期x2天不良率指标、6期还款逾期x2天不良率指标、7期还款逾期x2天不良率指标、8期还款逾期x2天不良率指标、9期还款逾期x2天不良率指标、10期还款逾期x2天不良率指标、11期还款逾期x2天不良率指标。
前述的x1和x2可以是按照实际需要定义的数值。
前述的不良率指标通常可以是所有借据的逾期总金额与借款总金额的比值。
通常可以利用预先训练的机器学习模型来实现预测Vintage坏账率。需要说明的是,前述的用于预测Vintage坏账率的机器学习模型,通常是直接基于特征(包括贷前特征、贷中特征和全部的贷后特征)和标签(Vintage坏账率)间的相关性来构建的。
经发明人研究发现,贷前特征、贷中特征和N个贷后特征之间实质上存在相对较强的因果关系,常规的用于预测Vintage坏账率的机器学习模型,完全忽视了特征之间所存在的因果关系;而且,对用于训练该机器学习模型的样本数据所包含的样本数据而言,其通常会存在贷前、贷中、贷后特征存明显不均匀分布的情况。此种情况下,将会导致机器学习模型在应用阶段发生:如果真实的输入特征与样本特征差异较大,则难以准确预测vintage坏账率。
本说明书实施例中至少提供了一种因果图模型的处理方法及装置。首先根据按顺序排列的贷前特征、贷中特征、N个贷后特征以及Vintage坏账率间的因果关系,对应创建包含N+3个节点的因果图;接着,获取M条样本数据,单条样本数据包括N+3个样本特征数据,N+3个样本特征数据包括按顺序排列的样本贷前特征、样本贷中特征、N个样本贷后特征和样本Vintage坏账率;最后,根据M条样本数据和因果图进行机器学习,获得用于预测Vintage坏账率的因果图模型,其中包括因果图、因果图中各条有向边所分别对应的映射关系以及以相同节点为终止节点的有向边间的组合关系,映射关系是以其对应的有向边的起始节点为干预变量的回归模型,组合关系是以其对应的有向边的终止节点为结果变量的回归模型。
本说明书实施例中提供的技术方案,因果图模型能够专注于特征之间的因果关系以及存在因果关系的特征之间的影响情况,通过因果图模型预测Vintag坏账率时,既能够利用全部的贷前特征、贷中特征以及贷后特征,又能够避免因贷前特征、贷中特征以及贷后特征不均匀分布而导致的预测偏差,从而能够有利于预测出更加准确的Vintage坏账率。
图1为本说明书实施例中提供的一种因果图模型处理方法的流程图之一。与图1对应的方法中主要示例性描述了获得用于预测Vintage坏账率的因果图模型的过程;该方法可以由任何具有计算/处理能力的装置、平台、设备或设备集群执行。
参见图1所示,该方法可以包括但不限于如下步骤S101~步骤S105中的部分或全部。
步骤S101,根据按顺序排列的贷前特征、贷中特征、N个贷后特征以及Vintage坏账率之间的因果关系,对应创建包含N+3个节点的因果图。
前述的因果关系包括:贷前特征为贷中特征、N个贷后特征以及Vintage坏账率的干预变量;贷中特征为N个贷后特征以及Vintage坏账率的干预变量;N个贷后特征中的任意第i个贷后特征为第i+1个贷后特征的干预变量;N个贷后特征均为Vintage坏账率的干预变量。
基于前述的因果关系,参照图2所示,例如可以对应创建除包含有按顺序排列的节点N1~节点NN+3等N+3个节点的因果图。其中可以理解的是,按顺序排列的节点N1~节点NN+3,与按顺序排列的贷前特征、贷中特征、N个贷后特征以及Vintage坏账率一一对应。
步骤S103,获取M条样本数据;其中,单条样本数据中包括N+3个样本特征数据,该N+3个样本特征数据包括按顺序排列的样本贷前特征、样本贷中特征、N个样本贷后特征和样本Vintage坏账率。
步骤S105,根据M条样本数据和因果图进行机器学习,获得用于预测Vintage坏账率的因果图模型,其中包括因果图、因果图中各条有向边所分别对应的映射关系以及以相同节点为终止节点的有向边间的组合关系,映射关系是以其对应的有向边的起始节点为干预变量的回归模型,组合关系是以其对应的有向边的终止节点为结果变量的回归模型。
前述的M条样本数据可以基于多个金融机构或其它组织的历史数据而获得。
前述回归模型可以是线性回归模型,也可以是逻辑回归模型或者其它形式的回归模型。
对于因果图中的任意有向边,该有向边的起始节点和终止节点在N+3个节点中的序号分别记为p和q,则该有向边所对应的映射关系例如可以记为以节点Np为干预变量(自变量)的函数fp,q(Np)。示例性的,参照图2所示:由节点N1指向节点N2的有向边所对应的映射关系可以记为函数f1,2(N1);由节点N1指向节点N3的有向边所对应的映射关系可以记为f1,3(N1);由节点N1指向节点NN+2的有向边所对应的映射关系可以记为f1,N+2(N1);由节点N1指向节点NN+3的有向边所对应的映射关系可以记为f1,N+3(N1);由节点N2指向节点N3的有向边所对应的映射关系可以记为f2,3(N2);由节点N2指向节点NN+2的有向边所对应的映射关系可以记为f2,N+2(N2);由节点N2指向节点NN+3的有向边所对应的映射关系可以记为f2,N+3(N2);由节点N3指向节点NN+3的有向边所对应的映射关系可以记为f3,N+3(N3);由节点NN+2指向节点NN+3的有向边所对应的映射关系可以记为fN+2,N+3(NN+2)。
节点N1对应的贷前特征可能包括前述示例的一项或多项特征数据,因此在以节点N1为干预变量的回归模型中,干预变量N1包括与该一项或多项特征数据对应的一个或多个自变量,以及该一个或多个自变量各自对应的参数。类似的,节点N2对应的贷前特征可能包括前述示例的一项或多项特征数据,因此在以节点N2为干预变量的回归模型中,干预变量N2包括与该一项或多项特征数据对应的一个或多个自变量,以及该一个或多个自变量各自对应的参数。
对于N+3个节点中除第1个节点(即与贷前特征相对应的节点)以外的其余任意第j个节点Nj,以Nj为终止节点的各条有向边的组合关系,是指以Nj为终止节点的各条有向边所分别对应的回归模型之间的组合关系;该组合关系例如可以记为以gj为变量的函数fj(gj),其中gj表征以Nj为终止节点的各条有向边所分别对应的回归模型,函数fj(gj)的回归结果对应Nj,即Nj为函数fj(gj)的结果变量(因变量)。示例性的,对以节点N3为终止节点的各条有向边间的组合关系,可以记为函数f3(f1,3(N1),f2,3(N2));对于以节点NN+3为终止节点的各条有向边间的组合关系,可以记为函数fN+3(f1,N+3(N1),f2,N+3(N2),f3,N+3(N3)…fN+2,n+3(NN+2))。
典型示例中,对以节点Nj为终止节点的各条有向边间的组合关系,其例如可以是对以节点Nj为终止节点的各条有向边所分别对应的映射关系进行加权求和。示例性的,对于前述的函数f3(f1,3(N1),f2,3(N1)),其例如可以等价为函数N3=w1,3*f1,3(N1)+w2,3*f2,3(N1)。可以理解的是,前述的w1,3、w2,3为f1,3(N1)、f2,3(N2)各自对应的权重系数。
对于任意第j个节点Nj,可以从因果图中确定出以Nj为终止节点的L条有向边以及其对应的L个起始节点;然后根据M条样本数据中各自包括的与L个起始节点和第j个节点对应的L+1个样本特征数据进行机器学习,获得L条有向边所分别对应的映射关系和L条有向边间的组合关系。结合前述示例的函数,M条样本数据中各自包括的与L个起始节点和第j个节点对应的L+1个样本特征数据,可以对应的理解为L+1维空间中的M个点,进行机器学习的过程中,相当于根据该M个点进行函数拟合,获得以Nj为终止节点的L条有向边间的组合关系所对应的函数表达式中,与样本数据中的L+1个样本特征数据对应的至少L+1个参数以及相应的常数项,进而获得以Nj为终止节点的L条有向边间的组合关系所对应的函数表达式,该表达式中包含以Nj为终止节点的L条有向边所分别对应的映射关系。
以节点N3为例。可以首先确定出以N3为终止节点的2条有向边以及其对应的2个起始节点,即确定出节点N1、节点N2以及其各自指向节点N3的有向边。接着,根据样本数据中与节点N1、节点N2、节点N3对应的3个样本特征数据进行机器学习,获得:节点N1、节点N2各自指向节点N3的有向边所分别对应的映射关系,以及节点N1、节点N2各自指向节点N3的有向边间的组合关系;即,获得前述示例的函数f1,3(N1)、f2,3(N2)以及f3(f1,3(N1),f2,3(N2));其中参照前文,函数f3(f1,3(N1),f2,3(N2))例如可以等价为N3=w1,3*f1,3(N1)+w2,3*f2,3(N2)。
结合前述示例的函数,根据样本数据中与节点N1、节点N2、节点N2对应的3个样本特征数据进行机器学习的过程,实质上是将样本数据中与节点N1、节点N2、节点N3对应的样本特征数据,对应的作为f1,3(N1)、f2,3(N2)以及N3=w1,3*f1,3(N1)+w2,3*f2,3(N2)中N1、N2、N3的当前值进行拟合,从而获得f1,3(N1)、f2,3(N2)以及N3=w1,3*f1,3(N1)+w2,3*f2,3(N2)的过程。
通过前述步骤S101~步骤S105获得用于预测Vintage坏账率的因果图模型之后,该因果图模型可以部署到任何具有计算/处理能力的装置、平台、设备或设备集群。与之相应的是,后续过程可以按需使用已部署的因果图模型来预测Vintage坏账率。
图3为本说明书实施例中提供的一种因果图模型处理方法的流程图之二。与图3对应的方法中主要示例性描述了通过已经获得的因果图模型预测Vintage坏账率的过程;该方法可以由部署有因果图模型的任何具有计算/处理能力的装置、平台、设备或设备集群执行。
参见图3所示,该方法可以包括但不限于如下步骤S301和步骤S303中的部分或全部。
步骤S301,获取待处理的输入数据,其中包括K个目标特征数据,该K个目标特征数据对应按顺序排列的贷前特征、贷中特征以及N个贷后特征中的前K个特征。
贷前特征、贷中特征、N个贷后特征以及Vintage坏账率在产生时间上存在先后顺序,因此依赖于金融机构或者其它组织实际使用因果图模型的时刻,对于输入数据中所包括的K个目标特征数据,K的取值可能有所不同。而本说明书实施例中提供的因果图模型的结构特性,能够支持在不同的时刻,基于包含不同数量目标特征数据的输入数据,预测Vintage坏账率。
步骤S303,根据因果图模型处理K个目标特征数据,获得目标Vintage坏账率。
可以通过如下步骤S3031和步骤S3033实现对因果图模型的使用。
步骤S3031,对于因果图中任意的第K+P个节点,按照以第K+P个节点为终止节点的至少一条目标有向边所分别对应的映射关系,对应处理至少一条有向边的起始节点所对应的目标特征数据,获得至少一条目标有向边所分别对应的回归结果。其中P大于0。
以待处理的输入数据包括与贷前特征和贷中特征对应的2个目标特征数据为例,前述的K的取值即为2,P的取值范围是[1,N+3-K]。
以P的取值为1为例,即以因果图中的第3个节点N3为例。首先,可以按照以节点N3为终止节点的至少一条目标有向边所分别对应的映射关系,对应处理至少一条有向边的起始节点所对应的目标特征数据;例如:可以将与贷前特征(即节点N1)对应的目标特征数据代入函数f1,3(N1),获得函数f1,3(N1)对应的回归结果(记为f1,3);可以将贷中特征(即节点N2)对应的目标特征数据代入函数f2,3(N2),获得函数f2,3(N2)对应的回归结果(记为f2,3)。
步骤S3033,按照至少一条目标有向边所对应的组合关系,处理至少一条目标有向边所分别对应的回归结果,获得第K+P个节点所对应的目标特征数据。
接续前述步骤S3031中的示例,可以按照以节点N3为终止节点的各条有向边间的组合关系函数f3(f1,3(N1),f2,3(N2))处理函数f1,3(N1)对应的回归结果(记为f1,3)以及函数f2,3(N2)对应的回归结果(记为f2,3),即将回归结果f1,3和f2,3代入函数f3(f1,3(N1),f2,3(N2)),获得节点N3所对应的目标特征数据(记为目标特征数据f3)。
可以通过前文示例性描述的获得节点N3所对应的目标特征数据f3的过程,依次获得N+3个节点中第K+1至第N+3个节点各自对应的目标特征数据。其中,第N+3个节点NN+3所对应的目标特征数据fN+3即是预测得到的目标Vintage坏账率。
前述通过步骤S3031和步骤S3033实现利用因果图模型预测目标Vintage坏账率的过程仅是示例性的解决方案,也可以采用其它解决方案。例如,可以首先在因果图模型所包括的因果图中,删除以前K个特征数据为终止节点的各条有向,获得修正因果图;接着,按照修正因果图中的各条有向边所分别对应的映射关系,以及修正因果图中以相同节点为终止节点的各条有向边间的组合关系,处理前述的K个目标特征数据,即可获得目标Vintage坏账率。
与前述方法实施例基于相同的构思,本说明书实施例中还提供了一种因果图模型处理装置400。参见图4所示,所述装置400包括:模型构建单元401,配置为根据按顺序排列的贷前特征、贷中特征、N个贷后特征以及Vintage坏账率之间的因果关系,对应创建包含N+3个节点的因果图;数据获取单元403,配置为获取M条样本数据,所述样本数据包括N+3个样本特征数据,所述N+3个样本特征数据包括按顺序排列的样本贷前特征、样本贷中特征、N个样本贷后特征和样本Vintage坏账率;模型训练单元405,配置为根据所述M条样本数据和所述因果图进行机器学习,获得用于预测Vintage坏账率的因果图模型,其中包括所述因果图、所述因果图中各条有向边所分别对应的映射关系以及以相同节点为终止节点的有向边间的组合关系,所述映射关系是以其对应的有向边的起始节点为干预变量的回归模型,所述组合关系是以其对应的有向边的终止节点为结果变量的回归模型。
在一种可能的实施方式中,所述因果关系包括:所述贷前特征为所述贷中特征、所述N个贷后特征以及所述Vintage坏账率的干预变量;所述贷中特征为所述N个贷后特征以及所述Vintage坏账率的干预变量;任意第i个所述贷后特征为第i+1个所述贷后特征的干预变量;所述N个贷后特征均为所述Vintage坏账率的干预变量。
在一种可能的实施方式中,所述模型训练单元405,配置为对于所述N+3个节点中除与所述贷前特征相对应的节点以外的任意第j个节点,从所述因果图中确定出以所述第j个节点为终止节点的L条有向边以及其对应的L个起始节点;根据所述样本数据中与所述L个起始节点和所述第j个节点对应的L+1个样本特征数据进行机器学习,获得所述L条有向边所分别对应的映射关系和所述L条有向边间的组合关系。
在一种可能的实施方式中,所述装置400还包括:模型调用单元407,配置为获取待处理的输入数据,其中包括K个目标特征数据,所述K个目标特征数据对应按顺序排列的贷前特征、贷中特征以及N个贷后特征中的前K个特征;以及,根据所述因果图模型处理所述K个目标特征数据,获得目标Vintage坏账率。
在一种可能的实施方式中,所述模型调用单元407,具体配置为对于所述因果图中任意的第K+P个节点,按照以所述第K+P个节点为终止节点的至少一条目标有向边所分别对应的映射关系,对应处理所述至少一条有向边的起始节点所对应的目标特征数据,获得所述至少一条目标有向边所分别对应的回归结果;以及,按照所述至少一条目标有向边所对应的组合关系,处理所述至少一条目标有向边所分别对应的回归结果,获得所述第K+P个节点所对应的目标特征数据。
在一种可能的实施方式中,所述贷前特征包括以下各项特征中的至少一项:贷前违约评分、授信额度以及授信利率。
在一种可能的实施方式中,所述贷中特征包括以下各项特征中的至少一项:贷中违约评分、支用金额、借据期数、是否复借以及支用前在贷金额。
在一种可能的实施方式中,所述N个贷后特征包括与多个还款期数对应的N个统计时间各自对应的不良率指标。
本说明书实施例中还提供了一种计算机可读存储介质,其上存储有计算机程序/指令,当所述计算机程序/指令在计算机中执行时,令计算机执行前述各个实施例中由计算设备或者数据存储系统所执行的方法步骤。
本说明书实施例中还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序/指令,所述处理器执行所述计算机程序/指令时,实现前述各个实施例中由计算设备或者数据存储系统所执行的方法步骤。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制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,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为服务器系统。当然,本申请不排除随着未来计算机技术的发展,实现上述实施例功能的计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法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,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。例如若使用到第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本发明是参照根据本发明实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备使用的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (14)
1.一种因果图模型处理方法,所述方法包括:
根据按顺序排列的贷前特征、贷中特征、N个贷后特征以及Vintage坏账率之间的因果关系,对应创建包含N+3个节点的因果图;
获取M条样本数据,所述样本数据包括N+3个样本特征数据,所述N+3个样本特征数据包括按顺序排列的样本贷前特征、样本贷中特征、N个样本贷后特征和样本Vintage坏账率;
根据所述M条样本数据和所述因果图进行机器学习,获得用于预测Vintage坏账率的因果图模型,其中包括所述因果图、所述因果图中各条有向边所分别对应的映射关系以及以相同节点为终止节点的有向边间的组合关系,所述映射关系是以其对应的有向边的起始节点为干预变量的回归模型,所述组合关系是以其对应的有向边的终止节点为结果变量的回归模型。
2.根据权利要求1所述的方法,所述因果关系包括:
所述贷前特征为所述贷中特征、所述N个贷后特征以及所述Vintage坏账率的干预变量;
所述贷中特征为所述N个贷后特征以及所述Vintage坏账率的干预变量;
任意第i个所述贷后特征为第i+1个所述贷后特征的干预变量;
所述N个贷后特征均为所述Vintage坏账率的干预变量。
3.根据权利要求1所述的方法,所述根据所述M条样本数据和所述因果图进行机器学习,获得用于预测Vintage坏账率的因果图模型,包括:
对于所述N+3个节点中除与所述贷前特征相对应的节点以外的任意第j个节点,从所述因果图中确定出以所述第j个节点为终止节点的L条有向边以及其对应的L个起始节点;
根据所述样本数据中与所述L个起始节点和所述第j个节点对应的L+1个样本特征数据进行机器学习,获得所述L条有向边所分别对应的映射关系和所述L条有向边间的组合关系。
4.根据权利要求1所述的方法,所述方法还包括:
获取待处理的输入数据,其中包括K个目标特征数据,所述K个目标特征数据对应按顺序排列的贷前特征、贷中特征以及N个贷后特征中的前K个特征;
根据所述因果图模型处理所述K个目标特征数据,获得目标Vintage坏账率。
5.根据权利要求4所述的方法,所述根据所述因果图模型处理所述K个目标特征数据,获得目标Vintage坏账率,包括:
对于所述因果图中任意的第K+P个节点,按照以所述第K+P个节点为终止节点的至少一条目标有向边所分别对应的映射关系,对应处理所述至少一条有向边的起始节点所对应的目标特征数据,获得所述至少一条目标有向边所分别对应的回归结果;
按照所述至少一条目标有向边所对应的组合关系,处理所述至少一条目标有向边所分别对应的回归结果,获得所述第K+P个节点所对应的目标特征数据。
6.根据权利要求1-5中任一项所述的方法,其中:
所述贷前特征包括以下各项特征中的至少一项:贷前违约评分、授信额度以及授信利率;
和/或,
所述贷中特征包括以下各项特征中的至少一项:贷中违约评分、支用金额、借据期数、是否复借以及支用前在贷金额;
和/或,
所述N个贷后特征包括与多个还款期数对应的N个统计时间各自对应的不良率指标。
7.一种因果图模型处理装置,所述装置包括:
模型构建单元,配置为根据按顺序排列的贷前特征、贷中特征、N个贷后特征以及Vintage坏账率之间的因果关系,对应创建包含N+3个节点的因果图;
数据获取单元,配置为获取M条样本数据,所述样本数据包括N+3个样本特征数据,所述N+3个样本特征数据包括按顺序排列的样本贷前特征、样本贷中特征、N个样本贷后特征和样本Vintage坏账率;
模型训练单元,配置为根据所述M条样本数据和所述因果图进行机器学习,获得用于预测Vintage坏账率的因果图模型,其中包括所述因果图、所述因果图中各条有向边所分别对应的映射关系以及以相同节点为终止节点的有向边间的组合关系,所述映射关系是以其对应的有向边的起始节点为干预变量的回归模型,所述组合关系是以其对应的有向边的终止节点为结果变量的回归模型。
8.根据权利要求7所述的装置,所述因果关系包括:
所述贷前特征为所述贷中特征、所述N个贷后特征以及所述Vintage坏账率的干预变量;
所述贷中特征为所述N个贷后特征以及所述Vintage坏账率的干预变量;
任意第i个所述贷后特征为第i+1个所述贷后特征的干预变量;
所述N个贷后特征均为所述Vintage坏账率的干预变量。
9.根据权利要求8所述的装置,所述模型训练单元,配置为对于所述N+3个节点中除与所述贷前特征相对应的节点以外的任意第j个节点,从所述因果图中确定出以所述第j个节点为终止节点的L条有向边以及其对应的L个起始节点;根据所述样本数据中与所述L个起始节点和所述第j个节点对应的L+1个样本特征数据进行机器学习,获得所述L条有向边所分别对应的映射关系和所述L条有向边间的组合关系。
10.根据权利要求8所述的装置,所述装置还包括:模型调用单元,配置为获取待处理的输入数据,其中包括K个目标特征数据,所述K个目标特征数据对应按顺序排列的贷前特征、贷中特征以及N个贷后特征中的前K个特征;以及,根据所述因果图模型处理所述K个目标特征数据,获得目标Vintage坏账率。
11.根据权利要求10所述的装置,所述模型调用单元,具体配置为对于所述因果图中任意的第K+P个节点,按照以所述第K+P个节点为终止节点的至少一条目标有向边所分别对应的映射关系,对应处理所述至少一条有向边的起始节点所对应的目标特征数据,获得所述至少一条目标有向边所分别对应的回归结果;以及,按照所述至少一条目标有向边所对应的组合关系,处理所述至少一条目标有向边所分别对应的回归结果,获得所述第K+P个节点所对应的目标特征数据。
12.根据权利要求7-11中任一项所述的装置,其中:
所述贷前特征包括以下各项特征中的至少一项:贷前违约评分、授信额度以及授信利率;
和/或,
所述贷中特征包括以下各项特征中的至少一项:贷中违约评分、支用金额、借据期数、是否复借以及支用前在贷金额;
和/或,
所述N个贷后特征包括与多个还款期数对应的N个统计时间各自对应的不良率指标。
13.一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-6中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算设备中执行时,计算设备实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311610543.0A CN117521816A (zh) | 2023-11-28 | 2023-11-28 | 因果图模型处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311610543.0A CN117521816A (zh) | 2023-11-28 | 2023-11-28 | 因果图模型处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117521816A true CN117521816A (zh) | 2024-02-06 |
Family
ID=89751156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311610543.0A Pending CN117521816A (zh) | 2023-11-28 | 2023-11-28 | 因果图模型处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117521816A (zh) |
-
2023
- 2023-11-28 CN CN202311610543.0A patent/CN117521816A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443618B (zh) | 风控策略的生成方法及装置 | |
CN110245047B (zh) | 时间序列异常检测方法、装置及设备 | |
TW201942826A (zh) | 支付方式推薦方法、裝置及設備 | |
CN109426912B (zh) | 风控系统优化方法、系统、装置以及电子设备 | |
CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN110852503B (zh) | 一种支付渠道的选择方法和设备、支付渠道路由 | |
US20190332924A1 (en) | Central scheduler and instruction dispatcher for a neural inference processor | |
CN109584431B (zh) | 一种优先排队的数据处理方法、装置及系统 | |
CN115146731A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN114997472A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN115993991A (zh) | 一种业务决策方法、装置及设备 | |
CN117370536B (zh) | 一种任务执行方法、装置、存储介质及电子设备 | |
CN116882767B (zh) | 一种基于不完善异构关系网络图的风险预测方法及装置 | |
CN111177562B (zh) | 一种目标对象的推荐排序处理方法、装置及服务器 | |
CN117521816A (zh) | 因果图模型处理方法及装置 | |
CN109903165B (zh) | 一种模型合并方法和装置 | |
CN109598511B (zh) | 一种账户风险识别方法、装置及设备 | |
CN117350351B (zh) | 用户响应预测系统的训练方法、用户响应预测方法及装置 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN117787488A (zh) | 用于预测用户响应的模型系统的训练方法及装置 | |
CN111461352B (zh) | 模型训练、业务节点识别方法、装置及电子设备 | |
CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 | |
CN111104979B (zh) | 一种用户行为价值评估模型的生成方法、装置及设备 | |
CN116363418A (zh) | 一种训练分类模型的方法、装置、存储介质及电子设备 |
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 |