CN117876091A - 信息发送方法、装置、电子设备和计算机可读介质 - Google Patents
信息发送方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117876091A CN117876091A CN202311673227.8A CN202311673227A CN117876091A CN 117876091 A CN117876091 A CN 117876091A CN 202311673227 A CN202311673227 A CN 202311673227A CN 117876091 A CN117876091 A CN 117876091A
- Authority
- CN
- China
- Prior art keywords
- sequence
- information
- data
- time information
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005540 biological transmission Effects 0.000 title claims description 12
- 238000011835 investigation Methods 0.000 claims abstract description 109
- 238000012545 processing Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 36
- 238000003062 neural network model Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013501 data transformation Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开的实施例公开了信息发送方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取用户征信数据序列和时间信息序列;对该时间信息序列进行序列划分,以生成第一时间信息序列和第二时间信息序列;生成至少一个第一随机数;对于每个第一随机数,执行第一处理步骤:确定第二时间信息子序列;确定第一时间信息差序列;确定第一用户征信数据子序列;生成用户征信预测数据序列;对该第一用户征信数据子序列和该用户征信预测数据序列进行组合,以生成第一组合数据序列;生成用户征信信用信息;发送对应的征信背调信息给对应的用户终端。该实施方式可以快捷、高效地确定目标用户对应的用户征信信用信息。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及信息发送方法、装置、电子设备和计算机可读介质。
背景技术
目前,用户的征信信用常常决定了是否针对用户采取对应的价值操作,以来获取更优的价值信息。对于用户的征信信用信息的确定,通常采用的方式为:首先,获取针对用户的历史征信数据集。然后,将历史征信数据集输入至用户征信信用预测模型(例如,循环神经网络模型),以生成用户对应的用户征信信用信息。
然而,发明人发现,当采用上述方式来生成用户的用户征信信用信息,经常会存在如下技术问题:
历史征信数据集不能真实反馈用户的实际征信情况,可能因用户在某一时间段内的疏忽操作导致征信数据较差,但用户本质是征信资质优质的对象,导致针对用户的征信信用信息的预测精准度较低,导致后续出现针对用户的价值操作的错误执行。
继续的,在采用技术方案来解决征信信用信息的预测精准度较低的技术问题的过程中,涉及针对如果基于历史用户征信预测数据生成模型来生成预定时间段的历史用户征信预测数据序列。针对预定时间段的历史用户征信预测数据序列的生成,常规的解决方案一般是:利用常规的时序神经网络来进行预定时间段的反向预测,以得到历史用户征信预测数据序列。然而,上述解决方案存在如下技术问题:
常规的时序神经网络的预测精准度不够,导致所生成的历史用户征信预测数据序列不够精准。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了信息发送方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种信息发送方法,包括:获取目标用户对应的用户征信数据序列和上述用户征信数据序列对应的时间信息序列;根据第一预定时间信息划分比例,对上述时间信息序列进行序列划分,以生成第一时间信息序列和第二时间信息序列,其中,上述第二时间信息序列中的时间信息晚于上述第一时间信息序列中的时间信息;生成至少一个第一随机数,其中,第一随机数对应数值范围处于数值0和第一目标时长之间,其中,上述第一目标时长是上述第二时间信息序列对应的时长;对于上述至少一个第一随机数中的每个第一随机数,执行以下第一处理步骤:确定上述第一随机数对应的、上述第二时间信息序列中的第二时间信息子序列;确定第一组合时间信息序列相对于上述时间信息序列的第一时间信息差序列,其中,上述第一组合时间信息序列是上述第一时间信息序列和上述第二时间信息子序列的组合序列;确定上述第一组合时间信息序列对应的第一用户征信数据子序列;根据上述第一用户征信数据子序列,利用用户征信预测数据生成模型,生成针对上述第一时间信息差序列的用户征信预测数据序列;依据时间顺序,对上述第一用户征信数据子序列和上述用户征信预测数据序列进行组合,以生成第一组合数据序列;根据所得到的至少一个第一组合数据序列和上述用户征信数据序列,利用用户征信信用信息生成模型,生成针对上述目标用户的用户征信信用信息;根据上述用户征信信用信息,发送对应的征信背调信息给上述目标用户对应的用户终端。
第二方面,本公开的一些实施例提供了一种信息发送装置,包括:获取单元,被配置成获取目标用户对应的用户征信数据序列和上述用户征信数据序列对应的时间信息序列;划分单元,被配置成根据第一预定时间信息划分比例,对上述时间信息序列进行序列划分,以生成第一时间信息序列和第二时间信息序列,其中,上述第二时间信息序列中的时间信息晚于上述第一时间信息序列中的时间信息;第一生成单元,被配置成生成至少一个第一随机数,其中,第一随机数对应数值范围处于数值0和第一目标时长之间,其中,上述第一目标时长是上述第二时间信息序列对应的时长;执行单元,被配置成对于上述至少一个第一随机数中的每个第一随机数,执行以下第一处理步骤:确定上述第一随机数对应的、上述第二时间信息序列中的第二时间信息子序列;确定第一组合时间信息序列相对于上述时间信息序列的第一时间信息差序列,其中,上述第一组合时间信息序列是上述第一时间信息序列和上述第二时间信息子序列的组合序列;确定上述第一组合时间信息序列对应的第一用户征信数据子序列;根据上述第一用户征信数据子序列,利用用户征信预测数据生成模型,生成针对上述第一时间信息差序列的用户征信预测数据序列;依据时间顺序,对上述第一用户征信数据子序列和上述用户征信预测数据序列进行组合,以生成第一组合数据序列;第二生成单元,被配置成根据所得到的至少一个第一组合数据序列和上述用户征信数据序列,利用用户征信信用信息生成模型,生成针对上述目标用户的用户征信信用信息;发送单元,被配置成根据上述用户征信信用信息,发送对应的征信背调信息给上述目标用户对应的用户终端。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的信息发送方法可以快捷、高效地确定目标用户对应的用户征信信用信息。具体来说,造成相关的用户征信信用信息不够精确的原因在于:历史征信数据集不能真实反馈用户的实际征信情况,可能因用户在某一时间段内的疏忽操作导致征信数据较差,但用户本质是征信资质优质的对象,导致针对用户的征信信用信息的预测精准度较低,导致后续出现针对用户的价值操作的错误执行。基于此,本公开的一些实施例的信息发送方法,首先,获取目标用户对应的用户征信数据序列和上述用户征信数据序列对应的时间信息序列,以作为数据基础,用于确定用户对应的用户征信信用信息。然后,根据第一预定时间信息划分比例,对上述时间信息序列进行序列划分,以生成第一时间信息序列和第二时间信息序列,其中,上述第二时间信息序列中的时间信息晚于上述第一时间信息序列中的时间信息,以用于后续第一组合数据序列的生成。接着,生成至少一个第一随机数,其中,第一随机数对应数值范围处于数值0和第一目标时长之间,其中,上述第一目标时长是上述第二时间信息序列对应的时长。在这里,通过至少一个第一随机数可以后续生成多样化的至少一个第一组合数据序列,以此,便于后续生成针对用户的多样化用户征信数据序列。再接着,对于上述至少一个第一随机数中的每个第一随机数,执行以下第一处理步骤:第一步,确定上述第一随机数对应的、上述第二时间信息序列中的第二时间信息子序列,以作为数据基础,来预测第二时间信息序列中的其余时间信息序列的征信预测数据序列。第二步,确定第一组合时间信息序列相对于上述时间信息序列的第一时间信息差序列,以后续生成对应时间段的用户征信预测数据序列。其中,上述第一组合时间信息序列是上述第一时间信息序列和上述第二时间信息子序列的组合序列。第三步,依据时间顺序,对上述第一用户征信数据子序列和上述用户征信预测数据序列进行组合,以生成第一组合数据序列。以得到针对第二时间信息序列的多样化征信数据序列。在这里,通过多样化征信数据序列,来补充针对目标用户的征信数据集,使得可以得到更为丰富地针对目标用户的征信信息。进而,根据所得到的至少一个第一组合数据序列和上述用户征信数据序列,利用用户征信信用信息生成模型,可以在丰富的征信特征信息的条件下,精准地生成针对上述目标用户的用户征信信用信息。最后,根据上述用户征信信用信息,发送对应的征信背调信息给上述目标用户对应的用户终端。综上,通过确定针对至少一个第一随机数的至少一个第一组合数据序列,可以丰富针对目标用户的用户征信特征信息,使得后续利用用户征信信用信息生成模型,可以精准地生成针对目标用户的用户征信信用信息。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的信息发送方法的一些实施例的流程图;
图2是根据本公开的信息发送装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1,示出了根据本公开的信息发送方法的一些实施例的流程100。该信息发送方法,包括以下步骤:
步骤101,获取目标用户对应的用户征信数据序列和上述用户征信数据序列对应的时间信息序列。
在一些实施例中,上述信息发送方法的执行主体可以通过有线连接方式或者无线连接方式来获取目标用户对应的用户征信数据序列和上述用户征信数据序列对应的时间信息序列。其中,目标用户可以是待进行用户征信信用信息确定的用户。用户征信数据序列中的用户征信数据可以是目标用户对应的历史征信数据。用户征信数据序列中的用户征信数据与时间信息序列中的时间信息存在一一对应关系。实践中,用户征信数据可以是历史一天内的关于目标用户的征信数据。即,时间信息可以是用户征信数据对应的发生时间。实践中,用户征信数据可以包括但不限于以下至少一项:用户贷款记录,用户还款记录,用户收入信息,用户基本信息,用户存入信息。
步骤102,根据第一预定时间信息划分比例,对上述时间信息序列进行序列划分,以生成第一时间信息序列和第二时间信息序列。
在一些实施例中,上述执行主体可以根据第一预定时间信息划分比例,对上述时间信息序列进行序列划分,以生成第一时间信息序列和第二时间信息序列。其中,上述第二时间信息序列中的时间信息晚于上述第一时间信息序列中的时间信息。其中,第一预定时间信息划分比例可以是对时间信息序列进行划分的比例。实践中,第一预定时间信息划分比例可以是“1:3”。即,将时间信息序列划分为4份,第一份时间信息序列为第一时间信息序列,后3份时间信息序列为第二时间信息序列。
步骤103,生成至少一个第一随机数。
在一些实施例中,上述执行主体可以生成至少一个第一随机数。其中,第一随机数对应数值范围处于数值0和第一目标时长之间,其中,上述第一目标时长是上述第二时间信息序列对应的时长。例如,第二时间信息序列对应的时长为10天,则第一目标时长为10。第一随机数是0-10之间的数值。
步骤104,对于上述至少一个第一随机数中的每个第一随机数,执行以下第一处理步骤:
步骤1041,确定上述第一随机数对应的、上述第二时间信息序列中的第二时间信息子序列。
在一些实施例中,上述执行主体可以确定上述第一随机数对应的、上述第二时间信息序列中的第二时间信息子序列。其中,第一随机数与第二时间信息子序列对应的时长相同。第二时间信息子序列可以是第二时间信息序列中的前第一随机数个第二时间信息。
例如,第二时间信息序列为{1月1号,1月2号,1月3号,1月4号,1月5号,1月6号,1月7号}。第一随机数为3。则对应的第二时间信息子序列为{1月1号,1月2号,1月3号,1月4号}。
步骤1042,确定第一组合时间信息序列相对于上述时间信息序列的第一时间信息差序列。
在一些实施例中,上述执行主体可以确定第一组合时间信息序列相对于上述时间信息序列的第一时间信息差序列。其中,上述第一组合时间信息序列是上述第一时间信息序列和上述第二时间信息子序列的组合序列。例如,时间信息序列为{12月20日,12月21日,12月22日,12月23日,12月24日,12月25日,12月25日,12月26日,12月27日,12月28日,12月29日,12月30日,12月31日,1月1号,1月2号,1月3号,1月4号,1月5号,1月6号,1月7号}。第一时间信息序列为{12月20日,12月21日,12月22日,12月23日,12月24日,12月25日,12月25日,12月26日,12月27日,12月28日,12月29日,12月30日,12月31日}。第二时间信息子序列为{1月1号,1月2号,1月3号,1月4号}。第一组合时间信息序列为{12月20日,12月21日,12月22日,12月23日,12月24日,12月25日,12月25日,12月26日,12月27日,12月28日,12月29日,12月30日,12月31日,1月1号,1月2号,1月3号,1月4号}。则第一时间信息差序列为{1月5号,1月6号,1月7号}。
步骤1043,确定上述第一组合时间信息序列对应的第一用户征信数据子序列。
在一些实施例中,上述执行主体可以确定上述第一组合时间信息序列对应的第一用户征信数据子序列。例如,针对第一组合时间信息序列为{12月20日,12月21日,12月22日,12月23日,12月24日,12月25日,12月25日,12月26日,12月27日,12月28日,12月29日,12月30日,12月31日,1月1号,1月2号,1月3号,1月4号}。第一用户征信数据子序列为{12月20日对应第一用户征信数据,12月21日对应第一用户征信数据,12月22日对应第一用户征信数据,12月23日对应第一用户征信数据,12月24日对应第一用户征信数据,12月25日对应第一用户征信数据,12月25日对应第一用户征信数据,12月26日对应第一用户征信数据,12月27日对应第一用户征信数据,12月28日对应第一用户征信数据,12月29日对应第一用户征信数据,12月30日对应第一用户征信数据,12月31日对应第一用户征信数据,1月1号对应第一用户征信数据,1月2号对应第一用户征信数据,1月3号对应第一用户征信数据,1月4号对应第一用户征信数据}。
步骤1044,根据上述第一用户征信数据子序列,利用用户征信预测数据生成模型,生成针对上述第一时间信息差序列的用户征信预测数据序列。
在一些实施例中,上述执行主体可以根据上述第一用户征信数据子序列,利用用户征信预测数据生成模型,生成针对上述第一时间信息差序列的用户征信预测数据序列。其中,用户征信预测数据生成模型可以是生成用户征信预测数据的神经网络模型。实践中,用户征信预测数据生成模型可以是时序神经网络模型。
作为示例,上述执行主体可以将第一用户征信数据子序列输入至用户征信预测数据生成模型,以逐步生成针对上述第一时间信息差序列的用户征信预测数据序列。
步骤1045,依据时间顺序,对上述第一用户征信数据子序列和上述用户征信预测数据序列进行组合,以生成第一组合数据序列。
在一些实施例中,上述执行主体可以依据时间顺序,对上述第一用户征信数据子序列和上述用户征信预测数据序列进行组合,以生成第一组合数据序列。其中,时间顺序可以是时间先后顺序。
步骤105,根据所得到的至少一个第一组合数据序列和上述用户征信数据序列,利用用户征信信用信息生成模型,生成针对上述目标用户的用户征信信用信息。
在一些实施例中,上述执行主体可以通过各种方式来根据所得到的至少一个第一组合数据序列和上述用户征信数据序列,利用用户征信信用信息生成模型,生成针对上述目标用户的用户征信信用信息。其中,用户征信信用信息生成模型可以是生成目标用户对应的用户征信信用信息的神经网络模型。实践中,用户征信信用信息可以是分数形式的信息。用户征信信用信息的分数越高,表征目标用户的信用越好。用户征信信用信息的分数越低,表征目标用户的信用越差。
在一些实施例的一些可选的实现方式中,上述根据所得到的至少一个第一组合数据序列和上述用户征信数据序列,利用用户征信信用信息生成模型,生成针对上述目标用户的用户征信信用信息,可以包括以下步骤:
第一步,对上述至少一个第一组合数据序列中的每个第一组合数据序列,执行以下信息生成步骤:
子步骤1,对上述第一组合数据序列中的各个第一组合数据进行数据平滑处理,以生成第一平滑处理数据序列。
作为示例,上述执行主体可以利用移动平均法,来对上述第一组合数据序列中的各个第一组合数据进行数据平滑处理,以生成第一平滑处理数据序列。
子步骤2,对上述第一平滑处理数据序列中的每个第一平滑处理数据进行数据向量转换,以生成第一平滑处理数据向量,得到第一平滑处理数据向量序列。其中,第一平滑处理数据向量可以表征第一平滑处理数据的数据特征信息。
作为示例,上述执行主体可以利用Bert预训练模型,来对上述第一平滑处理数据序列中的每个第一平滑处理数据进行数据向量转换,以生成第一平滑处理数据向量,得到第一平滑处理数据向量序列。
子步骤3,将上述第一平滑处理数据向量序列输入至上述用户征信信用信息生成模型,以生成第一初始征信信用信息。
子步骤4,确定上述第一组合数据序列对应第一时间信息差序列在上述时间信息序列的时间信息位置占比。其中,时间信息位置占比可以是第一时间信息差序列在时间信息序列的位置信息和时长占比信息。时间信息位置占比可以包括:第一时间信息差序列在上述时间信息序列的位置信息和第一时间信息差序列相对于时间信息序列的时长占比。
子步骤5,确定上述时间信息位置占比对应的数据特征重要信息。其中,数据特征重要信息可以表征对应第一组合数据序列的数据重要程度。
作为示例,首先,上述执行主体可以利用第一关联表确定与时间信息位置占比包括的位置信息的第一权重信息和利用第二关联表确定与时长占比相对应的第二权重信息。然后,将第一权重信息和第二权重信息进行加权求和,以生成加权求和信息,作为数据特征重要信息。
子步骤6,将上述第一初始征信信用信息与上述数据特征重要信息进行相乘,以生成上述相乘信息。
第二步,将所得到的相乘信息序列进行相加,以得到相加信息。
作为示例,上述执行主体可以将上述相乘信息序列中的各个相乘信息进行相加,以生成相加信息。
第三步,将上述用户征信数据序列输入至上述用户征信信用信息生成模型,以生成候选征信信用信息。
第四步,根据上述至少一个第一随机数对应的随机数数目,确定上述相加信息对应的权重值。
作为示例,上述执行主体可以利用第三关联表来确定与随机数数目相对应的权重值,作为上述相加信息对应的权重值。
第五步,根据上述权重值,对上述相加信息和上述候选征信信用信息进行加权处理,以生成加权信息,作为候选用户征信信用信息。
作为示例,首先,上述执行主体可以将数值1减去权重值,得到相减值。然后,将权重值和相加信息进行相乘,得到第一相乘信息,以及将候选征信信用信息与相减值进行相乘,得到第二相乘信息。最后,将第一相乘信息和第二相乘信息进行相加,得到候选用户征信信用信息。
第六步,响应于确定上述候选用户征信信用信息与上述目标用户对应的历史用户征信信用信息之间的偏差小于目标数值,将上述候选用户征信信用信息确定为用户征信信用信息。其中,历史用户征信信用信息可以是目标历史时间段内的、目标用户的用户征信信用信息。
在一些实施例的一些可选的实现方式中,上述根据所得到的至少一个第一组合数据序列和上述用户征信数据序列,利用用户征信信用信息生成模型,生成针对上述目标用户的用户征信信用信息,可以包括以下步骤:
第一步,对于上述至少一个第一组合数据序列中的每个第一组合数据序列,执行以下确定步骤:
子步骤1,根据上述第一组合数据序列对应的第一时间信息差序列,确定上述第一组合数据序列对应的数据特征重要信息。具体实现方式不再赘述。
子步骤2,根据预设时间权重队列和上述第一组合数据序列对应的第一时间信息差序列,确定上述第一组合数据序列中的各个第一组合数据对应的数据位置权重。其中,预设时间权重队列包括的各个时间权重的数目与第一组合数据序列包括的各个第一组合数据的数目相同。预设时间权重队列中的权重大小依次增大。预设时间权重队列是针对时间信息序列而设置的、表征对应数据位置的重要程度的队列。
作为示例,首先,上述执行主体可以确定第一时间差序列对应数据序列在第一组合数据序列中的数据位置。然后,通过查询预设时间权重队列中对应位置的时间权重,以得到数据位置对应的时间权重子队列,作为数据位置权重。
第二步,根据所得到的至少一个数据特征重要信息和至少一个数据位置权重序列,对上述至少一个第一组合数据序列中的各个第一组合数据进行数据融合,以生成融合数据序列。
作为示例,首先,将至少一个数据位置权重序列中的各个数据位置权重和至少一个第一组合数据序列中的对应的各个第一组合数据进行相乘,以生成至少一个相乘数据序列。然后,将上述至少一个相乘数据序列中的各个相乘数据序列与至少一个数据特征重要信息中的对应的各个数据特征重要信息进行相乘,以生成至少一个相乘结果序列。最后,将至少一个相乘结果序列中的各个相乘结果序列进行对应位置相乘结果求平均,以生成平均结果序列,作为融合数据序列。
第三步,对上述融合数据序列中的各个数据进行数据平滑处理,以生成第二平滑处理数据序列。
作为示例,上述执行主体可以通过移动平均法,对对上述融合数据序列中的各个数据进行数据平滑处理,以生成第二平滑处理数据序列。
第四步,生成针对上述第二平滑处理数据序列的第二平滑处理数据向量序列。其中,第二平滑处理数据序列中的第二平滑处理数据与第二平滑处理数据向量序列中的第二平滑处理数据向量存在一一对应关系。
第五步,将上述第二平滑处理数据向量序列输入至上述用户征信信用信息生成模型,以生成第二初始征信信用信息。
第六步,将上述用户征信数据序列输入至上述用户征信信用信息生成模型,以生成候选征信信用信息。
第七步,将上述初始征信信用信息和上述候选征信信用信息进行信息平均处理,以生成平均信息。
第八步,响应于确定上述平均信息与上述目标用户对应的历史用户征信信用信息之间的偏差小于目标数值,将上述平均信息确定为用户征信信用信息。
在一些实施例的一些可选的实现方式中,上述根据所得到的至少一个第一组合数据序列和上述用户征信数据序列,利用用户征信信用信息生成模型,生成针对上述目标用户的用户征信信用信息,可以包括以下步骤:
第一步,根据第二预定时间信息划分比例,对上述时间信息序列进行序列划分,以生成第三时间信息序列和第四时间信息序列。其中,上述第四时间信息序列中的时间信息晚于上述第三时间信息序列中的时间信息,其中,上述第一预定时间信息划分比例和上述第二预定时间信息划分比例成相反比例。第二预定时间信息划分比例可以是对时间信息序列进行划分的比例。实践中,针对第一预定时间信息划分比例可以是“1:3”。对应第二预定时间信息划分比例可以是“3:1”。
第二步,生成至少一个第二随机数。其中,第二随机数对应数值范围处于数值0和第二目标时长之间。其中,上述第二目标时长是上述第三时间信息序列对应的时长。例如,第三时间信息序列对应的时长为8天,则第二目标时长为8。第二随机数是0-8之间的数值。
第三步,对于上述至少一个第二随机数中的每个第二随机数,执行以下第二处理步骤:
子步骤1,确定上述第二随机数对应的、上述第三时间信息序列中的第三时间信息子序列。其中,第二随机数与第三时间信息子序列对应的时长相同。第三时间信息子序列可以是第三时间信息序列中的前第二随机数个第三时间信息。
子步骤2,确定第二组合时间信息序列相对于上述时间信息序列的第二时间信息差序列。其中,上述第二组合时间信息序列是上述第三时间信息序列和上述第三时间信息子序列的组合序列。
子步骤3,确定上述第二组合时间信息序列对应的用户征信数据子序列,作为第二用户征信数据子序列。
子步骤4,根据上述第二用户征信数据子序列,利用历史用户征信预测数据生成模型,生成针对上述第二时间信息差序列的历史用户征信预测数据序列。其中,历史用户征信预测数据生成模型可以是针对历史时间段的用户征信预测数据的神经网络模型。即,历史用户征信预测数据生成模型可以是预测曾经时间段的用户征信预测数据的神经网络模型。实践中,历史用户征信预测数据生成模型可以是多层串行连接的循环神经网络模型。
作为示例,上述执行主体可以将第二用户征信数据子序列输入至历史用户征信预测数据生成模型,以逐步生成针对上述第二时间信息差序列的历史用户征信预测数据序列。
子步骤5,依据时间顺序,对上述第二用户征信数据子序列和上述历史用户征信预测数据序列进行组合,以生成第二组合数据序列。
作为示例,上述执行主体依据时间先后顺序,对上述第二用户征信数据子序列和上述历史用户征信预测数据序列进行组合,以生成第二组合数据序列。
第四步,根据上述至少一个第一组合数据序列、所得到的至少一个第二组合数据序列和上述用户征信数据序列,利用上述用户征信信用信息生成模型,生成针对上述目标用户的用户征信信用信息。
针对上述技术问题:常规的时序神经网络的预测精准度不够,导致所生成的历史用户征信预测数据序列不够精准。结合发明人及团队所拥有的技术优势/市场了解现状,我们决定采用如下解决方案:
可选地,根据上述第二用户征信数据子序列,利用历史用户征信预测数据生成模型,生成针对上述第三时间信息差序列的历史用户征信预测数据序列,可以包括以下步骤:
第一步,对上述第二用户征信数据子序列进行倒排,以生成倒排用户征信数据序列。
例如,第二用户征信数据子序列可以是:{用户征信数据A、用户征信数据B、用户征信数据C、用户征信数据D}。倒排用户征信数据序列可以是:{用户征信数据D、用户征信数据C、用户征信数据B、用户征信数据A}。
第二步,从上述倒排用户征信数据序列中筛选出对应时间还未进行历史用户征信预测数据预测的数据序列,作为目标数据序列。
第三步,对于目标数据序列中的目标数据,执行以下生成步骤:
子步骤1,对目标数据进行数据预处理,以生成预处理数据,其中,目标数据对应时间是第三时间信息差序列中的、还未进行历史用户征信预测数据预测的时间、且目标数据对应时间之后的相邻时间已进行历史用户征信预测数据预测或不需要进行历史用户征信预测数据预测的数据。
实践中,上述执行主体可以对目标数据进行数据编码处理,以生成编码数据,作为预处理数据。
子步骤2,根据目标数据在倒排用户征信数据序列中的序列位置,对上述历史用户征信预测数据生成模型进行模型截取,得到截取后历史用户征信预测数据生成模型。其中,历史用户征信预测数据生成模型可以是多个串联连接的LSTM神经网络模型。在历史用户征信预测数据生成模型的目标层数的LSTM神经网络模型之后、每层LSTM神经网络模型都存在连接的输出层。输出层可以是全连接层。且,目标层数的LSTM神经网络模型之后、每层LSTM神经网络模型都存在对应的序列位置。
作为示例,首先,上述执行主体可以通过序列位置,确定对应的神经网络层数。然后,对上述历史用户征信预测数据生成模型进行模型截取,以截取神经网络层数的神经网络模型,得到截取后历史用户征信预测数据生成模型。
子步骤3,确定上述目标数据对应时间之后的数据序列。其中,数据序列包括:对应时间处于第三时间信息差序列中的、已进行历史用户征信预测数据预测的预测数据序列和不需要进行历史用户征信预测数据预测的数据序列。不需要进行历史用户征信预测数据预测的数据序列可以是时间信息序列中除第三时间信息差序列之外的时间序列。
子步骤4,将上述预处理数据和数据序列输入至上述历史用户征信预测数据生成模型包括的截取后历史用户征信预测数据生成模型,以输出针对序列位置的下一序列位置的历史用户征信预测数据,作为目标历史用户征信预测数据。
子步骤5,将目标历史用户征信预测数据和上述目标数据对应的倒排用户征信数据进行数据加权融合,以生成加权融合数据。
子步骤6,响应于确定加权融合数据对应序列位置是目标数据序列对应的最后序列位置,将第三时间信息差序列对应的、所得到的各个加权融合数据进行序列排布,以生成加权融合数据序列,作为针对上述第三时间信息差序列的历史用户征信预测数据序列。
第四步,响应于确定加权融合数据对应序列位置不是目标数据序列对应的最后序列位置,从第二用户征信数据子序列中筛选出处于第三时间信息差序列之后时间的用户征信数据子序列。
第五步,将用户征信数据子序列和所得到的各个加权融合数据进行序列融合,以生成融合数据序列。
第六步,将目标数据对应序列位置的下一位置的数据确定为目标数据,以及从目标数据序列中去除目标数据,得到去除后数据序列;
第七步,将去除后数据序列作为目标数据序列,根据融合数据序列,重新执行上述生成步骤。
上述可选的内容,作为本公开的一个发明点,解决了背景技术提及的技术问题“常规的时序神经网络的预测精准度不够,导致所生成的历史用户征信预测数据序列不够精准”。基于此,本公开通过预先设置的历史用户征信预测数据生成模型,在对预测时间段对应的用户征信预测数据时,通过对历史用户征信预测数据生成模型进行截取,以选择待预测时间段对应的神经网络模型,除此之外,通过当前实际历史用户征信预测数据和预测的用户征信预测数据进行综合考虑,以针对待预测时间段生成为精准地用户征信预测数据。
可选地,步骤还包括:
第一步,响应于确定上述用户征信信用信息高于目标征信信用信息,对上述至少一个第一组合数据序列中的各个第一组合数据进行数据融合,得到第一融合数据序列,以及对上述至少一个第二组合数据序列中的各个第二组合数据进行数据融合,得到第二融合数据序列。
第二步,将上述第一融合数据序列输入至多个串行连接的第一残差网络模型,以生成第一数据特征向量信息。
第三步,将上述第二融合数据序列输入至多个串行连接的第二残差网络模型,以生成第二数据特征向量信息。其中,上述多个串行连接的第二残差网络模型对应的模型数目与多个串行连接的第一残差网络模型对应的模型数目相同。
第四步,将上述用户征信数据序列输入至多个串行连接的第三残差网络模型,以生成第三数据特征向量信息。其中,多个串行连接的第三残差网络模型对应的模型数目高于上述多个串行连接的第二残差网络模型对应的模型数目。
第五步,将上述第一数据特征向量信息、上述第二数据特征向量信息和上述第三数据特征向量信息输入至级联卷积神经网络模型,以生成级联数据特征向量信息集。其中,级联卷积神经网络模型包括:多个级联的卷积神经网络模型,多个级联的卷积神经网络模型包括:上述至少一个第一组合数据序列对应的多个串联的卷积神经网络、上述至少一个第二组合数据序列对应的多个串联的卷积神经网络、上述用户征信数据序列对应的多个串联的卷积神经网络。其中,级联卷积神经网络模型包括:网状形式的多个级联的卷积神经网络模型。
第六步,将上述级联数据特征向量信息集输入至注意力机制模型,以生成注意力特征向量信息。其中,注意力机制模型可以是Transformer模型。
第七步,将上述注意力特征信息输入至价值未借放神经网络模型,以生成在价值未借放条件下的第一价值获取信息。其中,价值未借放神经网络模型可以是生成价值未借放条件下的第一价值获取信息的神经网络模型。价值未借放条件可以是未给目标用户进行贷款操作的条件。第一价值获取信息可以是价值收益信息。实践中,价值未借放神经网络模型可以是多层串联连接的第一卷积神经网络模型。
第八步,将上述注意力特征信息输入至价值借放神经网络模型,以生成在价值借放条件下的第二价值获取信息。价值借放神经网络模型可以是生成价值借放条件下的第二价值获取信息的神经网络模型。价值借放条件可以是给目标用户进行贷款操作的条件。第二价值获取信息可以是价值收益信息。实践中,价值借放神经网络模型可以是多层串联连接的第二卷积神经网络模型。
第九步,根据上述第一价值获取信息和上述第二价值获取信息之间的信息差,生成表征是否对上述目标用户进行价值借放的借放信息。
作为示例,响应于确定上述执行主体确定第一价值获取信息与第二价值获取信息之间的数值差大于第一数值,生成表征不对上述目标用户进行价值借放的借放信息。响应于确定上述执行主体确定第一价值获取信息与第二价值获取信息之间的数值差小于或等于第一数值,生成表征对上述目标用户进行价值借放的借放信息。
第十步,根据上述借放信息,执行针对上述目标用户的价值借放操作。
作为示例,响应于确定借放信息表征对上述目标用户进行价值借放,执行针对目标用户的价值操作。响应于确定借放信息表征对上述目标用户进行价值借放,不执行针对目标用户的价值操作。
步骤106,根据上述用户征信信用信息,发送对应的征信背调信息给上述目标用户对应的用户终端。
在一些实施例中,上述执行主体可以根据上述用户征信信用信息,发送对应的征信背调信息给上述目标用户对应的用户终端。其中,征信背调信息可以是目标用户相关的征信统计数据。
在一些实施例的一些可选的实现方式中,上述根据上述用户征信信用信息,发送对应的征信背调信息给上述目标用户对应的用户终端,可以包括以下步骤:
第一步,获取上述目标用户对应的用户信息。其中,用户信息可以是目标用户的基础信息。例如,用户信息可以包括但不限于以下至少一项:用户姓名,用户年龄,用户消费记录,用户购买物品信息。
第二步,根据上述用户信息、上述用户征信信用信息和用户征信数据序列,生成用户征信图像和用户征信文本描述信息。其中,用户征信图像可以是针对目标用户的征信领域模版图像。
作为示例,首先,上述执行主体可以利用端到端神经网络模型,来根据上述用户信息、上述用户征信信用信息和用户征信数据序列,生成针对目标用户的用户征信文本描述信息。其中,端到端神经网络模型可以是seq2seq神经网络模型。然后,从目标数据库中获取针对征信领域的用户征信图像。
第三步,将上述用户征信文本描述信息添加至上述用户征信图像中的预定区域,得到添加后用户征信图像。其中,预定区域可以是用户征信图像中的预先设定的图像区域。
第四步,生成针对上述用户征信数据序列的数据变换趋势图像。
作为示例,上述执行主体可以通过数据统计软件,以生成针对上述用户征信数据序列的数据变换趋势图像。
第五步,将上述添加后用户征信图像和上述数据变换趋势图像进行打包,得到打包文件。
第六步,根据上述打包文件,生成上述征信背调信息。
作为示例,上述执行主体可以生成针对打包文件对应的描述信息。然后,将描述信息和打包文件确定为征信背调信息。
第七步,通过邮件形式,将上述征信背调信息发送至上述目标用户对应的用户终端。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的信息发送方法可以快捷、高效地确定目标用户对应的用户征信信用信息。具体来说,造成相关的用户征信信用信息不够精确的原因在于:历史征信数据集不能真实反馈用户的实际征信情况,可能因用户在某一时间段内的疏忽操作导致征信数据较差,但用户本质是征信资质优质的对象,导致针对用户的征信信用信息的预测精准度较低,导致后续出现针对用户的价值操作的错误执行。基于此,本公开的一些实施例的信息发送方法,首先,获取目标用户对应的用户征信数据序列和上述用户征信数据序列对应的时间信息序列,以作为数据基础,用于确定用户对应的用户征信信用信息。然后,根据第一预定时间信息划分比例,对上述时间信息序列进行序列划分,以生成第一时间信息序列和第二时间信息序列,其中,上述第二时间信息序列中的时间信息晚于上述第一时间信息序列中的时间信息,以用于后续第一组合数据序列的生成。接着,生成至少一个第一随机数,其中,第一随机数对应数值范围处于数值0和第一目标时长之间,其中,上述第一目标时长是上述第二时间信息序列对应的时长。在这里,通过至少一个第一随机数可以后续生成多样化的至少一个第一组合数据序列,以此,便于后续生成针对用户的多样化用户征信数据序列。再接着,对于上述至少一个第一随机数中的每个第一随机数,执行以下第一处理步骤:第一步,确定上述第一随机数对应的、上述第二时间信息序列中的第二时间信息子序列,以作为数据基础,来预测第二时间信息序列中的其余时间信息序列的征信预测数据序列。第二步,确定第一组合时间信息序列相对于上述时间信息序列的第一时间信息差序列,以后续生成对应时间段的用户征信预测数据序列。其中,上述第一组合时间信息序列是上述第一时间信息序列和上述第二时间信息子序列的组合序列。第三步,依据时间顺序,对上述第一用户征信数据子序列和上述用户征信预测数据序列进行组合,以生成第一组合数据序列。以得到针对第二时间信息序列的多样化征信数据序列。在这里,通过多样化征信数据序列,来补充针对目标用户的征信数据集,使得可以得到更为丰富地针对目标用户的征信信息。进而,根据所得到的至少一个第一组合数据序列和上述用户征信数据序列,利用用户征信信用信息生成模型,可以在丰富的征信特征信息的条件下,精准地生成针对上述目标用户的用户征信信用信息。最后,根据上述用户征信信用信息,发送对应的征信背调信息给上述目标用户对应的用户终端。综上,通过确定针对至少一个第一随机数的至少一个第一组合数据序列,可以丰富针对目标用户的用户征信特征信息,使得后续利用用户征信信用信息生成模型,可以精准地生成针对目标用户的用户征信信用信息。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种信息发送装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该信息发送装置具体可以应用于各种电子设备中。
如图2所示,一种信息发送装置200包括:获取单元201、划分单元202、第一生成单元203、执行单元204、第二生成单元205和发送单元206。其中,获取单元201,被配置成获取目标用户对应的用户征信数据序列和上述用户征信数据序列对应的时间信息序列;划分单元202,被配置成根据第一预定时间信息划分比例,对上述时间信息序列进行序列划分,以生成第一时间信息序列和第二时间信息序列,其中,上述第二时间信息序列中的时间信息晚于上述第一时间信息序列中的时间信息;第一生成单元203,被配置成生成至少一个第一随机数,其中,第一随机数对应数值范围处于数值0和第一目标时长之间,其中,上述第一目标时长是上述第二时间信息序列对应的时长;执行单元204,被配置成对于上述至少一个第一随机数中的每个第一随机数,执行以下第一处理步骤:确定上述第一随机数对应的、上述第二时间信息序列中的第二时间信息子序列;确定第一组合时间信息序列相对于上述时间信息序列的第一时间信息差序列,其中,上述第一组合时间信息序列是上述第一时间信息序列和上述第二时间信息子序列的组合序列;确定上述第一组合时间信息序列对应的第一用户征信数据子序列;根据上述第一用户征信数据子序列,利用用户征信预测数据生成模型,生成针对上述第一时间信息差序列的用户征信预测数据序列;依据时间顺序,对上述第一用户征信数据子序列和上述用户征信预测数据序列进行组合,以生成第一组合数据序列;第二生成单元205,被配置成根据所得到的至少一个第一组合数据序列和上述用户征信数据序列,利用用户征信信用信息生成模型,生成针对上述目标用户的用户征信信用信息;发送单元206,被配置成根据上述用户征信信用信息,发送对应的征信背调信息给上述目标用户对应的用户终端。
可以理解的是,该信息发送装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于信息发送装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如,电子设备)300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,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。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、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)、光纤、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。在本公开的一些实施例中,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。而在本公开的一些实施例中,计算机可读信号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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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。计算机可读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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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该电子设备执行时,使得该电子设备:获取目标用户对应的用户征信数据序列和上述用户征信数据序列对应的时间信息序列;根据第一预定时间信息划分比例,对上述时间信息序列进行序列划分,以生成第一时间信息序列和第二时间信息序列,其中,上述第二时间信息序列中的时间信息晚于上述第一时间信息序列中的时间信息;生成至少一个第一随机数,其中,第一随机数对应数值范围处于数值0和第一目标时长之间,其中,上述第一目标时长是上述第二时间信息序列对应的时长;对于上述至少一个第一随机数中的每个第一随机数,执行以下第一处理步骤:确定上述第一随机数对应的、上述第二时间信息序列中的第二时间信息子序列;确定第一组合时间信息序列相对于上述时间信息序列的第一时间信息差序列,其中,上述第一组合时间信息序列是上述第一时间信息序列和上述第二时间信息子序列的组合序列;确定上述第一组合时间信息序列对应的第一用户征信数据子序列;根据上述第一用户征信数据子序列,利用用户征信预测数据生成模型,生成针对上述第一时间信息差序列的用户征信预测数据序列;依据时间顺序,对上述第一用户征信数据子序列和上述用户征信预测数据序列进行组合,以生成第一组合数据序列;根据所得到的至少一个第一组合数据序列和上述用户征信数据序列,利用用户征信信用信息生成模型,生成针对上述目标用户的用户征信信用信息;根据上述用户征信信用信息,发送对应的征信背调信息给上述目标用户对应的用户终端。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、划分单元、第一生成单元、执行单元、第二生成单元和发送单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标用户对应的用户征信数据序列和上述用户征信数据序列对应的时间信息序列的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种信息发送方法,包括:
获取目标用户对应的用户征信数据序列和所述用户征信数据序列对应的时间信息序列;
根据第一预定时间信息划分比例,对所述时间信息序列进行序列划分,以生成第一时间信息序列和第二时间信息序列,其中,所述第二时间信息序列中的时间信息晚于所述第一时间信息序列中的时间信息;
生成至少一个第一随机数,其中,第一随机数对应数值范围处于数值0和第一目标时长之间,其中,所述第一目标时长是所述第二时间信息序列对应的时长;
对于所述至少一个第一随机数中的每个第一随机数,执行以下第一处理步骤:
确定所述第一随机数对应的、所述第二时间信息序列中的第二时间信息子序列;
确定第一组合时间信息序列相对于所述时间信息序列的第一时间信息差序列,其中,所述第一组合时间信息序列是所述第一时间信息序列和所述第二时间信息子序列的组合序列;
确定所述第一组合时间信息序列对应的第一用户征信数据子序列;
根据所述第一用户征信数据子序列,利用用户征信预测数据生成模型,生成针对所述第一时间信息差序列的用户征信预测数据序列;
依据时间顺序,对所述第一用户征信数据子序列和所述用户征信预测数据序列进行组合,以生成第一组合数据序列;
根据所得到的至少一个第一组合数据序列和所述用户征信数据序列,利用用户征信信用信息生成模型,生成针对所述目标用户的用户征信信用信息;
根据所述用户征信信用信息,发送对应的征信背调信息给所述目标用户对应的用户终端。
2.根据权利要求1所述的方法,其中,所述根据所得到的至少一个第一组合数据序列和所述用户征信数据序列,利用用户征信信用信息生成模型,生成针对所述目标用户的用户征信信用信息,包括:
对所述至少一个第一组合数据序列中的每个第一组合数据序列,执行以下信息生成步骤:
对所述第一组合数据序列中的各个第一组合数据进行数据平滑处理,以生成第一平滑处理数据序列;
对所述第一平滑处理数据序列中的每个第一平滑处理数据进行数据向量转换,以生成第一平滑处理数据向量,得到第一平滑处理数据向量序列;
将所述第一平滑处理数据向量序列输入至所述用户征信信用信息生成模型,以生成第一初始征信信用信息;
确定所述第一组合数据序列对应第一时间信息差序列在所述时间信息序列的时间信息位置占比;
确定所述时间信息位置占比对应的数据特征重要信息;
将所述第一初始征信信用信息与所述数据特征重要信息进行相乘,以生成所述相乘信息;
将所得到的相乘信息序列进行相加,以得到相加信息;
将所述用户征信数据序列输入至所述用户征信信用信息生成模型,以生成候选征信信用信息;
根据所述至少一个第一随机数对应的随机数数目,确定所述相加信息对应的权重值;
根据所述权重值,对所述相加信息和所述候选征信信用信息进行加权处理,以生成加权信息,作为候选用户征信信用信息;
响应于确定所述候选用户征信信用信息与所述目标用户对应的历史用户征信信用信息之间的偏差小于目标数值,将所述候选用户征信信用信息确定为用户征信信用信息。
3.根据权利要求1所述的方法,其中,所述根据所得到的至少一个第一组合数据序列和所述用户征信数据序列,利用用户征信信用信息生成模型,生成针对所述目标用户的用户征信信用信息,包括:
对于所述至少一个第一组合数据序列中的每个第一组合数据序列,执行以下确定步骤:
根据所述第一组合数据序列对应的第一时间信息差序列,确定所述第一组合数据序列对应的数据特征重要信息;
根据预设时间权重队列和所述第一组合数据序列对应的第一时间信息差序列,确定所述第一组合数据序列中的各个第一组合数据对应的数据位置权重;
根据所得到的至少一个数据特征重要信息和至少一个数据位置权重序列,对所述至少一个第一组合数据序列中的各个第一组合数据进行数据融合,以生成融合数据序列;
对所述融合数据序列中的各个数据进行数据平滑处理,以生成第二平滑处理数据序列;
生成针对所述第二平滑处理数据序列的第二平滑处理数据向量序列;
将所述第二平滑处理数据向量序列输入至所述用户征信信用信息生成模型,以生成第二初始征信信用信息;
将所述用户征信数据序列输入至所述用户征信信用信息生成模型,以生成候选征信信用信息;
将所述第二初始征信信用信息和所述候选征信信用信息进行信息平均处理,以生成平均信息;
响应于确定所述平均信息与所述目标用户对应的历史用户征信信用信息之间的偏差小于目标数值,将所述平均信息确定为用户征信信用信息。
4.根据权利要求1所述的方法,其中,所述根据所得到的至少一个第一组合数据序列和所述用户征信数据序列,利用用户征信信用信息生成模型,生成针对所述目标用户的用户征信信用信息,包括:
根据第二预定时间信息划分比例,对所述时间信息序列进行序列划分,以生成第三时间信息序列和第四时间信息序列,其中,所述第四时间信息序列中的时间信息晚于所述第三时间信息序列中的时间信息,其中,所述第一预定时间信息划分比例和所述第二预定时间信息划分比例成相反比例;
生成至少一个第二随机数,其中,第二随机数对应数值范围处于数值0和第二目标时长之间,其中,所述第二目标时长是所述第三时间信息序列对应的时长;
对于所述至少一个第二随机数中的每个第二随机数,执行以下第二处理步骤:
确定所述第二随机数对应的、所述第三时间信息序列中的第三时间信息子序列;
确定第二组合时间信息序列相对于所述时间信息序列的第二时间信息差序列,其中,所述第二组合时间信息序列是所述第三时间信息序列和所述第三时间信息子序列的组合序列;
确定所述第二组合时间信息序列对应的用户征信数据子序列,作为第二用户征信数据子序列;
根据所述第二用户征信数据子序列,利用历史用户征信预测数据生成模型,生成针对所述第二时间信息差序列的历史用户征信预测数据序列;
依据时间顺序,对所述第二用户征信数据子序列和所述历史用户征信预测数据序列进行组合,以生成第二组合数据序列;
根据所述至少一个第一组合数据序列、所得到的至少一个第二组合数据序列和所述用户征信数据序列,利用所述用户征信信用信息生成模型,生成针对所述目标用户的用户征信信用信息。
5.根据权利要求4所述的方法,其中,所述方法还包括:
响应于确定所述用户征信信用信息高于目标征信信用信息,对所述至少一个第一组合数据序列中的各个第一组合数据进行数据融合,得到第一融合数据序列,以及对所述至少一个第二组合数据序列中的各个第二组合数据进行数据融合,得到第二融合数据序列;
将所述第一融合数据序列输入至多个串行连接的第一残差网络模型,以生成第一数据特征向量信息;
将所述第二融合数据序列输入至多个串行连接的第二残差网络模型,以生成第二数据特征向量信息,其中,所述多个串行连接的第二残差网络模型对应的模型数目与多个串行连接的第一残差网络模型对应的模型数目相同;
将所述用户征信数据序列输入至多个串行连接的第三残差网络模型,以生成第三数据特征向量信息,其中,多个串行连接的第三残差网络模型对应的模型数目高于所述多个串行连接的第二残差网络模型对应的模型数目;
将所述第一数据特征向量信息、所述第二数据特征向量信息和所述第三数据特征向量信息输入至级联卷积神经网络模型,以生成级联数据特征向量信息集,其中,级联卷积神经网络模型包括:多个级联的卷积神经网络模型,多个级联的卷积神经网络模型包括:所述至少一个第一组合数据序列对应的多个串联的卷积神经网络、所述至少一个第二组合数据序列对应的多个串联的卷积神经网络、所述用户征信数据序列对应的多个串联的卷积神经网络;
将所述级联数据特征向量信息集输入至注意力机制模型,以生成注意力特征向量信息;
将所述注意力特征信息输入至价值未借放神经网络模型,以生成在价值未借放条件下的第一价值获取信息;
将所述注意力特征信息输入至价值借放神经网络模型,以生成在价值借放条件下的第二价值获取信息;
根据所述第一价值获取信息和所述第二价值获取信息之间的信息差,生成表征是否对所述目标用户进行价值借放的借放信息;
根据所述借放信息,执行针对所述目标用户的价值借放操作。
6.根据权利要求1所述的方法,其中,所述根据所述用户征信信用信息,发送对应的征信背调信息给所述目标用户对应的用户终端,包括:
获取所述目标用户对应的用户信息;
根据所述用户信息、所述用户征信信用信息和用户征信数据序列,生成用户征信图像和用户征信文本描述信息;
将所述用户征信文本描述信息添加至所述用户征信图像中的预定区域,得到添加后用户征信图像;
生成针对所述用户征信数据序列的数据变换趋势图像;
将所述添加后用户征信图像和所述数据变换趋势图像进行打包,得到打包文件;
根据所述打包文件,生成所述征信背调信息;
通过邮件形式,将所述征信背调信息发送至所述目标用户对应的用户终端。
7.一种信息发送装置,包括:
获取单元,被配置成获取目标用户对应的用户征信数据序列和所述用户征信数据序列对应的时间信息序列;
划分单元,被配置成根据第一预定时间信息划分比例,对所述时间信息序列进行序列划分,以生成第一时间信息序列和第二时间信息序列,其中,所述第二时间信息序列中的时间信息晚于所述第一时间信息序列中的时间信息;
第一生成单元,被配置成生成至少一个第一随机数,其中,第一随机数对应数值范围处于数值0和第一目标时长之间,其中,所述第一目标时长是所述第二时间信息序列对应的时长;
执行单元,被配置成对于所述至少一个第一随机数中的每个第一随机数,执行以下第一处理步骤:确定所述第一随机数对应的、所述第二时间信息序列中的第二时间信息子序列;确定第一组合时间信息序列相对于所述时间信息序列的第一时间信息差序列,其中,所述第一组合时间信息序列是所述第一时间信息序列和所述第二时间信息子序列的组合序列;确定所述第一组合时间信息序列对应的第一用户征信数据子序列;根据所述第一用户征信数据子序列,利用用户征信预测数据生成模型,生成针对所述第一时间信息差序列的用户征信预测数据序列;依据时间顺序,对所述第一用户征信数据子序列和所述用户征信预测数据序列进行组合,以生成第一组合数据序列;
第二生成单元,被配置成根据所得到的至少一个第一组合数据序列和所述用户征信数据序列,利用用户征信信用信息生成模型,生成针对所述目标用户的用户征信信用信息;
发送单元,被配置成根据所述用户征信信用信息,发送对应的征信背调信息给所述目标用户对应的用户终端。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311673227.8A CN117876091A (zh) | 2023-12-07 | 2023-12-07 | 信息发送方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311673227.8A CN117876091A (zh) | 2023-12-07 | 2023-12-07 | 信息发送方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117876091A true CN117876091A (zh) | 2024-04-12 |
Family
ID=90592444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311673227.8A Pending CN117876091A (zh) | 2023-12-07 | 2023-12-07 | 信息发送方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117876091A (zh) |
-
2023
- 2023-12-07 CN CN202311673227.8A patent/CN117876091A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020207174A1 (zh) | 用于生成量化神经网络的方法和装置 | |
CN114004425B (zh) | 物品流转信息预测模型生成方法、信息生成方法、装置 | |
US20200050924A1 (en) | Data Processing Method and Apparatus for Neural Network | |
CN111683156A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN114049072B (zh) | 指标确定方法、装置、电子设备和计算机可读介质 | |
CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
CN117035842A (zh) | 模型训练方法、业务量预测方法、装置、设备和介质 | |
CN110347973B (zh) | 用于生成信息的方法和装置 | |
CN109598344B (zh) | 模型生成方法和装置 | |
CN111862081A (zh) | 图像评分方法、分数预测网络的训练方法、装置 | |
CN117876091A (zh) | 信息发送方法、装置、电子设备和计算机可读介质 | |
CN115688042A (zh) | 模型融合方法、装置、设备及存储介质 | |
CN112989203A (zh) | 素材投放方法、装置、设备和介质 | |
CN110209851B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN114792258B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN114764627A (zh) | 基于横向联合学习参与方的数据贡献力确定方法和装置 | |
CN113361701A (zh) | 神经网络模型的量化方法和装置 | |
CN111709784A (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
CN111754984A (zh) | 文本选取的方法、装置、设备和计算机可读介质 | |
CN112073202B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN111949938B (zh) | 异动信息的确定方法、装置、电子设备和计算机可读介质 | |
CN115630585B (zh) | 物品流转量预测方法、装置、设备和计算机可读介质 | |
CN115565607B (zh) | 确定蛋白质信息的方法、装置、可读介质及电子设备 | |
CN111427935B (zh) | 量化交易指标的预测和显示方法、电子设备和介质 | |
CN118095512A (zh) | 调整信息生成方法、装置、电子设备和计算机可读介质 |
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 |