CN117994014A - 价值信息生成方法、装置、电子设备和计算机可读介质 - Google Patents
价值信息生成方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117994014A CN117994014A CN202410123202.9A CN202410123202A CN117994014A CN 117994014 A CN117994014 A CN 117994014A CN 202410123202 A CN202410123202 A CN 202410123202A CN 117994014 A CN117994014 A CN 117994014A
- Authority
- CN
- China
- Prior art keywords
- value
- borrowing
- historical
- sequence
- information
- 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 43
- 230000004927 fusion Effects 0.000 claims abstract description 70
- 238000000605 extraction Methods 0.000 claims description 45
- 230000004044 response Effects 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development 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
- 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价值信息生成方法、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:将所获取的历史价值借用数据序列和第一历史价值借用比率序列进行数据组合,将历史价值借用数据序列和第一历史用户信用信息序列进行数据组合;生成第二历史用户信用信息序列;生成第二历史价值借用比率序列;将第一历史用户信用信息序列和第二历史用户信用信息序列进行信息序列融合,将第一历史价值借用比率序列和第二历史价值借用比率序列进行序列融合;生成价值借用比率和价值借用数值;对历史价值借用比率和历史价值借用数值进行调整。该实施方式可以将精准生成的价值借用比率和价值借用数值展示给目标用户,以供目标用户进行价值借用。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及价值信息生成方法、装置、电子设备和计算机可读介质。
背景技术
目前,价值借用信息的精准调整(例如,利率的调整)是当前各个领域的关键发展方向。对于价值信息的调整,通常采用的方式为:通过相关领域的专家,来人为设置针对目标用户的价值借用信息,以实现价值的获取。
然而,发明人发现,当采用上述方式,经常会存在如下技术问题一:
相关领域的专家人为在设置价值借用信息的过程中,所考虑的价值借用特征不够全面,存在片面性的问题,且所能考虑的数据集有限,不能针对目标用户的相关价值特征数据集实现精准地特征把控,导致所得到价值借用相关信息不够精准。
在采用技术方案来解决上述技术问题一的过程中,往往又会伴随着如下技术问题:如何精准地生成针对组合数据序列的历史用户信用信息序列。针对上述技术问题二,常规的解决方案一般是:直接将第一组合数据序列输入至预先训练的历史用户信用信息生成模型,得到第二历史用户信用信息序列。然而,上述常规解决方案依然存在如下问题二:计算量较大,且历史用户信用信息序列的输出精准性有限。
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价值信息生成方法、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价值信息生成方法,包括:响应于接收到针对目标用户的价值借用请求信息,获取上述目标用户对应的历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列,其中,上述历史价值借用数据序列、上述第一历史价值借用比率序列和上述第一历史用户信用信息序列存在同一对应的历史时间段;将上述历史价值借用数据序列和上述第一历史价值借用比率序列进行对应数据组合,以生成第一组合数据序列,以及将上述历史价值借用数据序列和上述第一历史用户信用信息序列进行对应数据组合,以生成第二组合数据序列;根据上述第一组合数据序列,利用预先训练的历史用户信用信息生成模型,生成针对上述历史时间段的第二历史用户信用信息序列;根据上述第二组合数据序列,利用预先训练的历史价值借用比率生成模型,生成针对上述历史时间段的第二历史价值借用比率序列;将上述第一历史用户信用信息序列和上述第二历史用户信用信息序列进行信息序列融合,以生成融合历史用户信用信息序列,以及将上述第一历史价值借用比率序列和上述第二历史价值借用比率序列进行信息序列融合,以生成融合历史价值借用比率序列;根据上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,生成针对上述目标用户的价值借用比率和价值借用数值;根据上述价值借用比率和上述价值借用数值,对上述目标用户对应的目标价值流转应用中的历史价值借用比率和历史价值借用数值进行调整,以供上述目标用户进行价值借用。
第二方面,本公开的一些实施例提供了一种价值信息生成装置,包括:获取单元,被配置成响应于接收到针对目标用户的价值借用请求信息,获取上述目标用户对应的历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列,其中,上述历史价值借用数据序列、上述第一历史价值借用比率序列和上述第一历史用户信用信息序列存在同一对应的历史时间段;数据组合单元,被配置成将上述历史价值借用数据序列和上述第一历史价值借用比率序列进行对应数据组合,以生成第一组合数据序列,以及将上述历史价值借用数据序列和上述第一历史用户信用信息序列进行对应数据组合,以生成第二组合数据序列;第一生成单元,被配置成根据上述第一组合数据序列,利用预先训练的历史用户信用信息生成模型,生成针对上述历史时间段的第二历史用户信用信息序列;第二生成单元,被配置成根据上述第二组合数据序列,利用预先训练的历史价值借用比率生成模型,生成针对上述历史时间段的第二历史价值借用比率序列;融合单元,被配置成将上述第一历史用户信用信息序列和上述第二历史用户信用信息序列进行信息序列融合,以生成融合历史用户信用信息序列,以及将上述第一历史价值借用比率序列和上述第二历史价值借用比率序列进行信息序列融合,以生成融合历史价值借用比率序列;第三生成单元,被配置成根据上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,生成针对上述目标用户的价值借用比率和价值借用数值;调整单元,被配置成根据上述价值借用比率和上述价值借用数值,对上述目标用户对应的目标价值流转应用中的历史价值借用比率和历史价值借用数值进行调整,以供上述目标用户进行价值借用。
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价值信息生成方法可以将精准生成的价值借用比率和价值借用数值展示给目标用户,以供目标用户进行价值借用。具体来说,造成相关的价值借用比率和价值借用数值不够精确的原因在于:相关领域的专家人为在设置价值借用信息的过程中,所考虑的价值借用特征不够全面,存在片面性的问题,且所能考虑的数据集有限,不能针对目标用户的相关价值特征数据集实现精准地特征把控,导致所得到价值借用相关信息不够精准。基于此,本公开的一些实施例的价值信息生成方法,首先,响应于接收到针对目标用户的价值借用请求信息,获取上述目标用户对应的历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列。其中,上述历史价值借用数据序列、上述第一历史价值借用比率序列和上述第一历史用户信用信息序列存在同一对应的历史时间段。在这里,通过获取历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列,以作为基础数据集,来后续确定目标用户的价值借用比率和价值借用数值。然后,将上述历史价值借用数据序列和上述第一历史价值借用比率序列进行对应数据组合,以生成第一组合数据序列,以及将上述历史价值借用数据序列和上述第一历史用户信用信息序列进行对应数据组合,以生成第二组合数据序列,以便于后续第二历史用户信用信息序列和第二历史价值借用比率序列的生成。接着,根据上述第一组合数据序列,利用预先训练的历史用户信用信息生成模型,可以精准地生成针对上述历史时间段的第二历史用户信用信息序列。再接着,根据上述第二组合数据序列,利用预先训练的历史价值借用比率生成模型,可以精准地生成针对上述历史时间段的第二历史价值借用比率序列。进而,将上述第一历史用户信用信息序列和上述第二历史用户信用信息序列进行信息序列融合,以生成融合历史用户信用信息序列,以及将上述第一历史价值借用比率序列和上述第二历史价值借用比率序列进行信息序列融合,以生成融合历史价值借用比率序列,以避免第一历史用户信用信息序列和第一历史价值借用比率序列对应的信息序列与目标用户的实际当前价值场景不符合,导致后续所生成价值借用比率和价值借用数值不够精准。由此,通过添加第二历史用户信用信息序列进行信息序列和第二历史价值借用比率序列来对目标用户的相关历史价值特征进行补充,以后续生成更为精准地价值借用比率和价值借用数值。进一步的,根据上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,可以通过学习更多针对目标用户的、相对完善的价值特征信息,来精准地生成针对上述目标用户的价值借用比率和价值借用数值。最后,根据上述价值借用比率和上述价值借用数值,对上述目标用户对应的目标价值流转应用中的历史价值借用比率和历史价值借用数值进行调整,以供上述目标用户进行价值借用。综上,通过第一历史用户信用信息序列和上述第二历史用户信用信息序列的序列融合,以及第一历史价值借用比率序列和上述第二历史价值借用比率序列的序列融合,来完善针对目标用户的更多价值借用特征信息,使得后续可以生成更为精准的价值借用比率和价值借用数值。
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是根据本公开的价值信息生成方法的一些实施例的流程图;
图2是根据本公开的价值信息生成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价值信息生成方法的一些实施例的流程100。该价值信息生成方法,包括以下步骤:
步骤101,响应于接收到针对目标用户的价值借用请求信息,获取上述目标用户对应的历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列。
在一些实施例中,响应于接收到针对目标用户的价值借用请求信息,上述价值信息生成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上述目标用户对应的历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列。其中,目标用户可以是待进行价值借用比率和价值借用数值预测的用户。实践中,针对征信场景,价值借用比率可以是贷款利率。价值借用数值可以是贷款额度。目标用户可以是待进行确认贷款利率和贷款额度的用户。价值借用请求信息可以是针对价值借用操作的请求信息。针对征信场景,价值借用操作可以是贷款操作或贷款发放操作。历史价值借用数据序列可以是目标历史时间段内的、针对目标用户的价值借用数据序列。实践中,针对征信场景,历史价值借用数据序列可以是曾经某一时间段内的贷款记录数据。第一历史价值借用比率序列可以是目标历史时间段内的、针对目标用户的价值借用比率序列。实践中,针对征信场景,第一历史价值借用比率序列可以是曾经某一时间段内的贷款利率数据。第一历史用户信用信息序列可以是目标历史时间段内的、针对目标用户的用户信用信息序列。实践中,针对征信场景,用户信用信息序列可以是目标用户的用户征信信用数据集。其中,上述历史价值借用数据序列、上述第一历史价值借用比率序列和上述第一历史用户信用信息序列存在同一对应的历史时间段。
步骤102,将上述历史价值借用数据序列和上述第一历史价值借用比率序列进行对应数据组合,以生成第一组合数据序列,以及将上述历史价值借用数据序列和上述第一历史用户信用信息序列进行对应数据组合,以生成第二组合数据序列。
在一些实施例中,上述执行主体可以将上述历史价值借用数据序列和上述第一历史价值借用比率序列进行对应数据组合,以生成第一组合数据序列,以及将上述历史价值借用数据序列和上述第一历史用户信用信息序列进行对应数据组合,以生成第二组合数据序列。
作为示例,上述执行主体可以将上述历史价值借用数据序列和上述第一历史价值借用比率序列中相同时间的历史价值借用数据和第一历史价值借用比率进行组合,以生成第一组合数据,得到第一组合数据序列。第二组合数据序列的生成方式可以参见第一组合数据序列的生成。
步骤103,根据上述第一组合数据序列,利用预先训练的历史用户信用信息生成模型,生成针对上述历史时间段的第二历史用户信用信息序列。
在一些实施例中,上述执行主体可以根据上述第一组合数据序列,利用预先训练的历史用户信用信息生成模型,生成针对上述历史时间段的第二历史用户信用信息序列。其中,历史用户信用信息生成模型可以是生成历史时间段内的用户信用信息的神经网络模型。
在一些实施例的一些可选的实现方式中,上述历史用户信用信息生成模型包括:第一历史用户信用信息生成模型、第二历史用户信用信息生成模型和第三历史用户信用信息生成模型。第一历史信用信息生成模型、第二历史用户信用信息生成模型和第三历史用户信用信息生成模型之间的模型结构互不相同。实践中,第一历史用户信用信息生成模型可以是多层串联的RNN模型。第二历史用户信用信息生成模型可以是多层串联的LSTM模型。第三历史用户信用信息生成模型可以是Transformer模型。
可选地,上述根据上述第一组合数据序列,利用预先训练的历史用户信用信息生成模型,生成针对上述历史时间段的第二历史用户信用信息序列,可以包括以下步骤:
第一步,将上述历史价值借用数据序列输入至上述第一历史用户信用信息生成模型,以生成第一候选历史用户信用信息序列。
第二步,将上述第一历史价值借用比率序列输入至上述第二历史用户信用信息生成模型,以生成第二候选历史用户信用信息序列。
第三步,均衡随机设置表征上述第一组合数据序列所包括的历史价值借用数据序列和第一历史价值借用比率序列的重要程度比例,得到重要程度比例集。例如,重要程度比例集可以包括:{2:8}、{3:7}、{4:6}、{5:5}、{6:5}、{7:3}、{8:2}。{2:8}表征历史价值借用数据序列对应的重要程度与第一历史价值借用比率序列对应的重要程度之间的比例为2:8。
第四步,对于上述重要程度比例集中的每个重要程度比例,执行以下生成步骤:
子步骤1,提取上述历史价值借用数据序列对应的历史价值借用特征信息和上述第一历史价值借用比率序列对应的第一历史价值借用比率特征信息。
作为示例,上述执行主体可以利用Bert预训练模型,来提取上述历史价值借用数据序列对应的历史价值借用特征信息和上述第一历史价值借用比率序列对应的第一历史价值借用比率特征信息。
子步骤2,根据上述重要程度比例,对上述历史价值借用特征信息和上述第一历史价值借用比率特征信息进行特征融合,以生成第一特征融合信息。
作为示例,针对重要程度比例为{2:8},首先,上述执行主体可以将历史价值借用特征信息中的各个向量元素与0.2相乘,得到第一相乘结果。然后,将第一历史价值借用比率特征信息中的各个向量元素与0.8相乘,得到第二相乘结果。最后,将第一相乘结果和第二相乘结果进行拼接,得到第一特征融合信息。
第五步,根据上述重要程度比例集,设置针对上述第三历史用户信用信息生成模型的比例参数对应的参数值,得到多个参数设置后第三历史用户信用信息生成模型。其中,上述重要程度比例集中的重要程度比例与多个参数设置后第三历史用户信用信息生成模型中的参数设置后第三历史用户信用信息生成模型存在一一对应关系。实践中,多个参数设置后第三历史用户信用信息生成模型包括:针对重要程度比例为{2:8}的第三历史用户信用信息生成模型、针对重要程度比例为{3:7}的第三历史用户信用信息生成模型、针对重要程度比例为{4:6}的第三历史用户信用信息生成模型。其中,比例参数对应的参数值可以表征历史价值借用特征信息和上述第一历史价值借用比率特征信息的特征学习程度和特征学习重要程度。
第六步,对于所得到的第一特征融合信息集中的每个第一特征融合信息,将上述第一特征融合信息输入至上述多个参数设置后第三历史用户信用信息生成模型中的、对应的参数设置后第三历史用户信用信息生成模,以生成第三候选历史用户信用信息序列。
第七步,根据上述第一候选历史用户信用信息序列、上述第二候选历史用户信用信息序列和所得到的第三候选历史用户信用信息序列集,生成上述第二历史用户信用信息序列。
在一些实施例的一些可选的实现方式中,上述历史用户信用信息生成模型还包括:第一多层次特征提取模型、第二多层次特征提取模型和多头注意力机制模型。其中,第一多层次特征提取模型可以是针对第一提取对象,可以从多层次角度来进行特征提取的神经网络模型。第一多层次特征提取模型可以包括多个特征提取层。实践中,每个特征提取层均可以是注意力机制层。第二多层次特征提取模型可以是针对第二提取对象,可以从多层次角度来进行特征提取的神经网络模型。第二多层次特征提取模型可以包括多个特征提取层。实践中,每个特征提取层均可以是注意力机制层。
可选地,上述根据上述第一候选历史用户信用信息序列、上述第二候选历史用户信用信息序列和所得到的第三候选历史用户信用信息序列集,生成上述第二历史用户信用信息序列,可以包括以下步骤:
第一步,对上述第三候选历史用户信用信息序列集中的每个第三候选历史用户信用信息序列进行信息向量转换,以生成第三候选历史用户信用特征信息,得到第三候选历史用户信用特征信息集。第三候选历史用户信用特征信息可以表征第三候选历史用户信用信息序列对应的用户信用整体特征信息。
作为示例,上述执行主体可以利用Bert预训练模型,来对上述第三候选历史用户信用信息序列集中的每个第三候选历史用户信用信息序列进行信息向量转换,以生成第三候选历史用户信用特征信息,得到第三候选历史用户信用特征信息集。
第二步,对上述第一候选历史用户信用信息序列进行信息向量转换,以生成第一候选历史用户信用特征信息。
第三步,对上述第二候选历史用户信用信息序列进行信息向量转换,以生成第二候选历史用户信用特征信息。
第四步,依据第一排序组合顺序,对上述第三候选历史用户信用特征信息集中的第三候选历史用户信用特征信息进行对应顺序组合,以生成第一组合特征信息。其中,上述第一排序组合顺序表征价值借用特征的重要程度依次减小且价值借用比率特征的重要程度依次变大。例如,第三候选历史用户信用特征信息集包括:重要程度比例为{2:8}的第三候选历史用户信用特征信息A、重要程度比例为{3:7}的第三候选历史用户信用特征信息B、重要程度比例为{4:6}的第三候选历史用户信用特征信息C、重要程度比例为{5:5}的第三候选历史用户信用特征信息D、重要程度比例为{6:4}的第三候选历史用户信用特征信息E、重要程度比例为{7:3}的第三候选历史用户信用特征信息F、重要程度比例为{8:2}的第三候选历史用户信用特征信息G。{2:8}表征价值借用比率特征对应重要程度:价值借用特征对应重要程度为2:8。第一组合特征信息可以是{第三候选历史用户信用特征信息A,第三候选历史用户信用特征信息B,第三候选历史用户信用特征信息C,第三候选历史用户信用特征信息D,第三候选历史用户信用特征信息E,第三候选历史用户信用特征信息F,第三候选历史用户信用特征信息G}。
第五步,依据第二排序组合顺序,对上述第三候选历史用户信用特征信息集中的第三候选历史用户信用特征信息进行对应顺序组合,以生成第二组合特征信息。其中,上述第二排序组合顺序表征价值借用特征的重要程度依次变大且价值借用比率特征的重要程度依次减小。
例如,第三候选历史用户信用特征信息集包括:重要程度比例为{2:8}的第三候选历史用户信用特征信息A、重要程度比例为{3:7}的第三候选历史用户信用特征信息B、重要程度比例为{4:6}的第三候选历史用户信用特征信息C、重要程度比例为{5:5}的第三候选历史用户信用特征信息D、重要程度比例为{6:4}的第三候选历史用户信用特征信息E、重要程度比例为{7:3}的第三候选历史用户信用特征信息F、重要程度比例为{8:2}的第三候选历史用户信用特征信息G。{2:8}表征价值借用比率特征对应重要程度:价值借用特征对应重要程度为2:8。第二组合特征信息可以是{第三候选历史用户信用特征信息G,第三候选历史用户信用特征信息F,第三候选历史用户信用特征信息E,第三候选历史用户信用特征信息D,第三候选历史用户信用特征信息C,第三候选历史用户信用特征信息B,第三候选历史用户信用特征信息A}。需要说明的是,本公开的相关特征信息可以均为向量形式的信息。
第六步,将上述第一候选历史用户信用特征信息处于左边,上述第一组合特征信息处于中间,上述第二候选历史用户信用特征信息处于右边,对上述第一候选历史用户信用特征信息、上述第一组合特征信息和上述第二候选历史用户信用特征信息进行特征信息拼接,以生成第一拼接特征信息。例如,第一拼接特征信息可以是{第一候选历史用户信用特征信息,第一组合特征信息,第二候选历史用户信用特征信息}。
第七步,将上述第二候选历史用户信用特征信息处于左边,上述第一组合特征信息处于中间,上述第一候选历史用户信用特征信息处于右边,对上述第一候选历史用户信用特征信息、上述第一组合特征信息和上述第二候选历史用户信用特征信息进行特征信息拼接,以生成第二拼接特征信息。例如,第二拼接特征信息可以是{第二候选历史用户信用特征信息,第一组合特征信息,第一候选历史用户信用特征信息}。
第八步,利用上述第一多层次特征提取模型,对上述第一拼接特征信息进行特征提取,得到第一特征提取信息,其中,上述第一多层次特征提取模型是串行连接的、针对上述第一拼接特征信息的向量行数而设置的多个特征提取模型。其中,第一拼接特征信息是向量形式的特征信息。第一拼接特征信息中的每行存在对应的、上述第一多层次特征提取模型包括的特征提取层。
第九步,利用上述第二多层次特征提取模型,对上述第二拼接特征信息进行特征提取,得到第二特征提取信息,其中,上述第二多层次特征提取模型是串行连接的、针对上述第二拼接特征信息的向量行数而设置的多个特征提取模型。其中,第二拼接特征信息是向量形式的特征信息。第二拼接特征信息中的每行存在对应的、上述第二多层次特征提取模型包括的特征提取层。
第十步,依据目标输入位置,将上述第一特征提取信息和上述第二特征提取信息输入至上述多头注意力机制模型,以输出上述第二历史用户信用信息序列。实践中,目标输入位置可以表征第一特征提取信息和第二特征提取信息为固定输入位置。具体的相关位置可以是预先设置的。实践中,多头注意力机制模型可以是Transformer模型中的注意力机制模型。
考虑到上述常规解决方案的问题,面对上述技术问题二:计算量较大,且历史用户信用信息序列的输出精准性有限。结合所拥有的优势/技术现状,可以决定采用如下解决方案。
在一些实施例的一些可选的实现方式中,上述根据上述第一组合数据序列,利用预先训练的历史用户信用信息生成模型,生成针对上述历史时间段的第二历史用户信用信息序列,可以包括以下步骤:
第一步,将上述第一组合数据序列进行时间段划分,以生成第一组合数据集序列。其中,第一组合数据集序列中的各个第一组合数据集对应的时长相同。
第二步,对于第一组合数据集序列中的第一组合数据集,执行以下信息生成步骤:
第一子步骤,响应于确定第一组合数据集不为第一位置上的组合数据集,确定第一组合数据集对应的第二历史用户信用信息子序列。其中,第一组合数据集对应的第二历史用户信用信息子序列是对应时间处于第一组合数据集之前的、基于历史用户信用信息生成模型所输出的、与至少一个目标第一组合数据集子序列相对应的第二历史用户信用信息子序列。至少一个目标第一组合数据集子序列是对应时间处于第一组合数据集之前的、第一组合数据集序列中的至少一个第一组合数据集。其中,第一位置为上述第一组合数据集序列中第一组合数据集对应时间最早的位置。
第二子步骤,确定处于上述第一组合数据集之前的、且存在邻接关系的、上述第一组合数据集序列中的第一组合数据集,作为历史组合数据集。
第三子步骤,确定上述历史组合数据集对应的、上述第二历史用户信用信息子序列中的历史用户信用信息子序列,作为第一目标历史用户信用信息子序列。
第四子步骤,将上述目标历史用户信用信息子序列、上述历史组合数据集和上述第一组合数据集输入至历史用户信用信息生成模型,以生成针对上述第一组合数据序列的当前时间段下的第二历史用户信用信息子序列,作为第二目标历史用户信用信息子序列。
第五子步骤,将第二目标历史用户信用信息子序列和上述第二历史用户信用信息子序列进行组合,得到组合信息序列。
第六子步骤,响应于确定上述第一组合数据集为第二位置上的组合数据集,将组合信息序列确定为第二历史用户信用信息序列。
第七子步骤,响应于确定第一组合数据集为第一位置上的组合数据集,获取针对目标用户的用户群体。
第八子步骤,确定上述用户群体对应的历史用户信用信息子序列集。
第九子步骤,对上述历史用户信用信息子序列集中的各个历史用户信用信息子序列进行求平均处理,以生成平均历史用户信用信息子序列。
第十子步骤,将上述平均历史用户信用信息子序列作为第一组合数据集对应的第二历史用户信用信息子序列,根据第一组合数据集对应的第二历史用户信用信息子序列,生成第二历史用户信用信息序列。
第三步,响应于确定上述第一组合数据集不为第二位置上的组合数据集,将上述第一组合数据集对应的下一第一组合数据集确定为第一组合数据集,将组合信息序列确定为第一组合数据集对应的第二历史用户信用信息子序列,以及继续执行上述信息生成步骤。
上述在一些实施例的一些可选的实现方式中以及可选的内容,作为本公开的一个发明点,解决了背景技术二提及的技术问题“计算量较大,且历史用户信用信息序列的输出精准性有限”。基于此,本公开基于划分的时间段,利用时间段之前的、相邻近的组合数据集和历史用户信用信息子序列,来生成该时间段下的组合数据序列。以前者的组合数据集、历史用户信用信息子序列和当前时间段的组合数据集,来生成当前时间段下的用户信用信息子序列,依次类推,可以在减少计算量的前提下,精准地生成第二历史用户信用信息序列。
步骤104,根据上述第二组合数据序列,利用预先训练的历史价值借用比率生成模型,生成针对上述历史时间段的第二历史价值借用比率序列。
在一些实施例中,上述执行主体可以根据上述第二组合数据序列,利用预先训练的历史价值借用比率生成模型,生成针对上述历史时间段的第二历史价值借用比率序列。其中,历史价值借用比率生成模型可以是生成历史时间段内的价值借用比率的神经网络模型。实践中,历史价值借用比率生成模型可以是多层串联连接的LSTM模型。
作为示例,上述执行主体可以直接将第二组合数据序列输入至预先训练的历史价值借用比率生成模型,以生成针对上述历史时间段的第二历史价值借用比率序列。
步骤105,将上述第一历史用户信用信息序列和上述第二历史用户信用信息序列进行信息序列融合,以生成融合历史用户信用信息序列,以及将上述第一历史价值借用比率序列和上述第二历史价值借用比率序列进行信息序列融合,以生成融合历史价值借用比率序列。
在一些实施例中,上述执行主体可以将上述第一历史用户信用信息序列和上述第二历史用户信用信息序列进行信息序列融合,以生成融合历史用户信用信息序列,以及将上述第一历史价值借用比率序列和上述第二历史价值借用比率序列进行信息序列融合,以生成融合历史价值借用比率序列。
在一些实施例的一些可选的实现方式中,在步骤105之前,步骤还包括:
第一步,确定上述第一历史用户信用信息序列和上述第二历史用户信用信息序列之间的至少一个第一相似指标,得到至少一个第一相似指标信息。实践中,至少一个第一相似指标可以包括:用户信用信息大小范围指标、用户信用信息变化趋势指标、用户信用信息变化速度指标。
第二步,响应于确定上述至少一个第一相似指标信息均满足对应的指标要求,生成表征上述第一历史用户信用信息序列和上述第二历史用户信用信息序列进行信息融合的第一融合信息。
第三步,确定上述第一历史价值借用比率序列和上述第二历史价值借用比率序列之间的至少一个第二相似指标,得到至少一个第二相似指标信息。其中,至少一个第二相似指标可以包括:价值借用比率大小范围指标、价值借用比率变化趋势指标、价值借用比率变化速度指标。
第四步,响应于确定上述至少一个第二相似指标信息均满足对应的指标要求,生成表征上述第一历史价值借用比率序列和上述第二历史价值借用比率序列进行信息融合的第二融合信息。
步骤106,根据上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,生成针对上述目标用户的价值借用比率和价值借用数值。
在一些实施例中,上述执行主体可以根据上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,生成针对上述目标用户的价值借用比率和价值借用数值。价值借用比率生成模型可以是生成价值借用比率的神经网络模型。价值借用数值生成模型可以是生成价值借用数值的神经网络模型。价值借用比率可以是进行价值借用操作的利率。价值借用数值可以是进行价值借用操作的借用数额。实践中,针对征信场景,价值借用比率可以是贷款利率。价值借用数值可以是贷款数额。价值借用比率可以是待对目标用户进行放贷的贷款利率。价值借用比率可以是待对目标用户进行放贷的贷款数额。
在一些实施例的一些可选的实现方式中,上述价值借用比率生成模型包括:第一借用比率回归模型、第二借用比率回归模型和借用比例分类模型。第一借用比率回归模型可以是生成借用比率的回归模型。第二借用比率回归模型可以是生成借用比率的回归模型。第一借用比率回归模型和第二借用比率回归模型的模型结构不同。实践中,第一借用比率回归模型可以是多层串联连接的全连接模型。第二借用比率回归模型可以是4层串联连接的CNN模型。借用比例分类模型可以是生成借用比例分类信息的神经网络模型。实践中,借用比例分类模型可以是5层串联的CNN模型。
可选地,上述根据上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,生成针对上述目标用户的价值借用比率和价值借用数值,可以包括以下步骤:
第一步,将上述融合历史价值借用比率序列输入至上述借用比例分类模型,以生成借用比例分类信息。其中,上述借用比例分类信息是借用比例的区间信息。例如,借用比例分类信息可以是[3.6,5.4]。
第二步,将上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列输入至上述第一借用比例回归模型,以生成第一借用比例。
第三步,将上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列输入至上述第二借用比例回归模型,以生成第二借用比例。
第四步,确定上述第一借用比例与上述借用比例分类信息对应区间中心数值之间的相差数值,作为第一相差数值,以及确定上述第二借用比例与上述借用比例分类信息对应区间中心数值之间的相差数值,作为第二相差数值。
第五步,响应于确定上述第一相差数值小于上述第二相差数值,将上述第一借用比例确定为上述价值借用比率。
第六步,响应于确定上述第一相差数值大于或等于上述第二相差数值,将上述第二借用比例确定为上述价值借用比率。
在一些实施例的一些可选的实现方式中,上述价值借用数值生成模型包括:价值获取信息生成模型、价值损失信息生成模型和价值借用数值回归模型。价值获取信息生成模型可以是生成价值获取信息的神经网络模型。实践中,针对征信场景,价值获取信息可以是放款利润。价值损失信息生成模型可以是生成价值损失信息的神经网络模型。实践中,针对征信场景,价值损失信息可以是放贷损失金额。价值获取信息生成模型可以是8层串联的RNN模型。价值损失信息生成模型可以是14层串联的RNN模型。价值借用数值回归模型可以是生成价值借用数值的回归模型。实践中,价值借用数值回归模型可以是LSTM模型。
可选地,上述根据上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,生成针对上述目标用户的价值借用比率和价值借用数值,可以包括以下步骤:
第一步,将上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列输入至上述价值获取信息生成模型,以生成价值获取信息。
第二步,将上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列输入至上述价值损失信息生成模型,以生成价值损失信息。
第三步,响应于确定上述价值获取信息减去上述价值损失信息的相减值大于目标数值,将上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列输入至上述价值借用数值回归模型,以生成上述价值借用数值。
步骤107,根据上述价值借用比率和上述价值借用数值,对上述目标用户对应的目标价值流转应用中的历史价值借用比率和历史价值借用数值进行调整,以供上述目标用户进行价值借用。
在一些实施例中,上述执行主体可以根据上述价值借用比率和上述价值借用数值,对上述目标用户对应的目标价值流转应用中的历史价值借用比率和历史价值借用数值进行调整,以供上述目标用户进行价值借用。实践中,针对征信场景,目标价值流转应用可以是贷款应用。历史价值借用比率可以是目标用户之前对应的价值借用比率。历史价值借用数值可以是目标用户可借用的价值数值。实践中,针对征信场景,历史价值借用比率可以是目标用户曾经贷款的利率。历史价值借用数值可以是目标用户可以贷款的金额。目标用户进行价值借用可以是目标用户进行贷款操作。
在一些实施例的一些可选的实现方式中,在步骤107之后,步骤还包括:
第一步,响应于接收到上述目标用户所输入的价值借用比率降低信息和/或价值借用数值升高信息,指示上述目标价值流转应用打开目标原因输入页面,以供上述目标用户输入价值借用比率降低原因和/或价值借用数值升高原因。其中,价值借用比率降低信息可以是表征申请价值借用比例降低的相关信息。价值借用数值升高信息可以是表征申请价值借用数值升高的相关信息。目标原因输入页面可以是输入为何进行价值借用降低或价值借用数值升高的相关原因的页面。实践中,针对征信场景,价值借用比例降低可以是贷款利率降低。价值借用数值升高可以是贷款金额升高。
第二步,对上述价值借用比率降低原因和/或上述价值借用数值升高原因进行数据分析,以生成表征是否进行针对上述价值借用比率降低原因和/或上述价值借用数值升高原因进行调整的调整信息。
第三步,响应于确定进行调整,根据上述目标用户对应的历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列,获取针对上述价值借用比率降低原因和/或上述价值借用数值升高原因的调整后价值借用比率和调整后价值借用数值。
作为示例,首先,上述执行主体可以获取候选价值借用比率生成模型和候选价值借用数值生成模型。然后,将历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列分别输入至候选价值借用比率生成模型和候选价值借用数值生成模型,以输出调整后价值借用比率和调整后价值借用数值。候选价值借用比率生成模型和候选价值借用数值生成模型可以是不同层数的、串行连接的循环神经网络模型。
第四步,对上述目标用户对应的目标价值流转应用中的价值借用比率和价值借用数值进行调整,以供上述目标用户进行价值借用。
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价值信息生成方法可以将精准生成的价值借用比率和价值借用数值展示给目标用户,以供目标用户进行价值借用。具体来说,造成相关的价值借用比率和价值借用数值不够精确的原因在于:相关领域的专家人为在设置价值借用信息的过程中,所考虑的价值借用特征不够全面,存在片面性的问题,且所能考虑的数据集有限,不能针对目标用户的相关价值特征数据集实现精准地特征把控,导致所得到价值借用相关信息不够精准。基于此,本公开的一些实施例的价值信息生成方法,首先,响应于接收到针对目标用户的价值借用请求信息,获取上述目标用户对应的历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列。其中,上述历史价值借用数据序列、上述第一历史价值借用比率序列和上述第一历史用户信用信息序列存在同一对应的历史时间段。在这里,通过获取历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列,以作为基础数据集,来后续确定目标用户的价值借用比率和价值借用数值。然后,将上述历史价值借用数据序列和上述第一历史价值借用比率序列进行对应数据组合,以生成第一组合数据序列,以及将上述历史价值借用数据序列和上述第一历史用户信用信息序列进行对应数据组合,以生成第二组合数据序列,以便于后续第二历史用户信用信息序列和第二历史价值借用比率序列的生成。接着,根据上述第一组合数据序列,利用预先训练的历史用户信用信息生成模型,可以精准地生成针对上述历史时间段的第二历史用户信用信息序列。再接着,根据上述第二组合数据序列,利用预先训练的历史价值借用比率生成模型,可以精准地生成针对上述历史时间段的第二历史价值借用比率序列。进而,将上述第一历史用户信用信息序列和上述第二历史用户信用信息序列进行信息序列融合,以生成融合历史用户信用信息序列,以及将上述第一历史价值借用比率序列和上述第二历史价值借用比率序列进行信息序列融合,以生成融合历史价值借用比率序列,以避免第一历史用户信用信息序列和第一历史价值借用比率序列对应的信息序列与目标用户的实际当前价值场景不符合,导致后续所生成价值借用比率和价值借用数值不够精准。由此,通过添加第二历史用户信用信息序列进行信息序列和第二历史价值借用比率序列来对目标用户的相关历史价值特征进行补充,以后续生成更为精准地价值借用比率和价值借用数值。进一步的,根据上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,可以通过学习更多针对目标用户的、相对完善的价值特征信息,来精准地生成针对上述目标用户的价值借用比率和价值借用数值。最后,根据上述价值借用比率和上述价值借用数值,对上述目标用户对应的目标价值流转应用中的历史价值借用比率和历史价值借用数值进行调整,以供上述目标用户进行价值借用。综上,通过第一历史用户信用信息序列和上述第二历史用户信用信息序列的序列融合,以及第一历史价值借用比率序列和上述第二历史价值借用比率序列的序列融合,来完善针对目标用户的更多价值借用特征信息,使得后续可以生成更为精准的价值借用比率和价值借用数值。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种价值信息生成装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该价值信息生成装置具体可以应用于各种电子设备中。
如图2所示,一种价值信息生成装置200包括:获取单元201、数据组合单元202、第一生成单元203、第二生成单元204、融合单元205、第三生成单元206和调整单元207。其中,获取单元201,被配置成响应于接收到针对目标用户的价值借用请求信息,获取上述目标用户对应的历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列,其中,上述历史价值借用数据序列、上述第一历史价值借用比率序列和上述第一历史用户信用信息序列存在同一对应的历史时间段;数据组合单元202,被配置成将上述历史价值借用数据序列和上述第一历史价值借用比率序列进行对应数据组合,以生成第一组合数据序列,以及将上述历史价值借用数据序列和上述第一历史用户信用信息序列进行对应数据组合,以生成第二组合数据序列;第一生成单元203,被配置成根据上述第一组合数据序列,利用预先训练的历史用户信用信息生成模型,生成针对上述历史时间段的第二历史用户信用信息序列;第二生成单元204,被配置成根据上述第二组合数据序列,利用预先训练的历史价值借用比率生成模型,生成针对上述历史时间段的第二历史价值借用比率序列;融合单元205,被配置成将上述第一历史用户信用信息序列和上述第二历史用户信用信息序列进行信息序列融合,以生成融合历史用户信用信息序列,以及将上述第一历史价值借用比率序列和上述第二历史价值借用比率序列进行信息序列融合,以生成融合历史价值借用比率序列;第三生成单元206,被配置成根据上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,生成针对上述目标用户的价值借用比率和价值借用数值;调整单元207,被配置成根据上述价值借用比率和上述价值借用数值,对上述目标用户对应的目标价值流转应用中的历史价值借用比率和历史价值借用数值进行调整,以供上述目标用户进行价值借用。
可以理解的是,该价值信息生成装置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价值信息生成装置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:响应于接收到针对目标用户的价值借用请求信息,获取上述目标用户对应的历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列,其中,上述历史价值借用数据序列、上述第一历史价值借用比率序列和上述第一历史用户信用信息序列存在同一对应的历史时间段;将上述历史价值借用数据序列和上述第一历史价值借用比率序列进行对应数据组合,以生成第一组合数据序列,以及将上述历史价值借用数据序列和上述第一历史用户信用信息序列进行对应数据组合,以生成第二组合数据序列;根据上述第一组合数据序列,利用预先训练的历史用户信用信息生成模型,生成针对上述历史时间段的第二历史用户信用信息序列;根据上述第二组合数据序列,利用预先训练的历史价值借用比率生成模型,生成针对上述历史时间段的第二历史价值借用比率序列将上述第一历史用户信用信息序列和上述第二历史用户信用信息序列进行信息序列融合,以生成融合历史用户信用信息序列,以及将上述第一历史价值借用比率序列和上述第二历史价值借用比率序列进行信息序列融合,以生成融合历史价值借用比率序列;根据上述历史价值借用数据序列、上述融合历史用户信用信息序列和上述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,生成针对上述目标用户的价值借用比率和价值借用数值;根据上述价值借用比率和上述价值借用数值,对上述目标用户对应的目标价值流转应用中的历史价值借用比率和历史价值借用数值进行调整,以供上述目标用户进行价值借用。
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、数据组合单元、第一生成单元、第二生成单元、融合单元、第三生成单元和调整单元。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“响应于接收到针对目标用户的价值借用请求信息,获取上述目标用户对应的历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列的单元”。
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 (10)
1.一种价值信息生成方法,包括:
响应于接收到针对目标用户的价值借用请求信息,获取所述目标用户对应的历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列,其中,所述历史价值借用数据序列、所述第一历史价值借用比率序列和所述第一历史用户信用信息序列存在同一对应的历史时间段;
将所述历史价值借用数据序列和所述第一历史价值借用比率序列进行对应数据组合,以生成第一组合数据序列,以及将所述历史价值借用数据序列和所述第一历史用户信用信息序列进行对应数据组合,以生成第二组合数据序列;
根据所述第一组合数据序列,利用预先训练的历史用户信用信息生成模型,生成针对所述历史时间段的第二历史用户信用信息序列;
根据所述第二组合数据序列,利用预先训练的历史价值借用比率生成模型,生成针对所述历史时间段的第二历史价值借用比率序列;
将所述第一历史用户信用信息序列和所述第二历史用户信用信息序列进行信息序列融合,以生成融合历史用户信用信息序列,以及将所述第一历史价值借用比率序列和所述第二历史价值借用比率序列进行信息序列融合,以生成融合历史价值借用比率序列;
根据所述历史价值借用数据序列、所述融合历史用户信用信息序列和所述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,生成针对所述目标用户的价值借用比率和价值借用数值;
根据所述价值借用比率和所述价值借用数值,对所述目标用户对应的目标价值流转应用中的历史价值借用比率和历史价值借用数值进行调整,以供所述目标用户进行价值借用。
2.根据权利要求1所述的方法,其中,所述历史用户信用信息生成模型包括:第一历史用户信用信息生成模型、第二历史用户信用信息生成模型和第三历史用户信用信息生成模型;以及
所述根据所述第一组合数据序列,利用预先训练的历史用户信用信息生成模型,生成针对所述历史时间段的第二历史用户信用信息序列,包括:
将所述历史价值借用数据序列输入至所述第一历史用户信用信息生成模型,以生成第一候选历史用户信用信息序列;
将所述第一历史价值借用比率序列输入至所述第二历史用户信用信息生成模型,以生成第二候选历史用户信用信息序列;
均衡随机设置表征所述第一组合数据序列所包括的历史价值借用数据序列和第一历史价值借用比率序列的重要程度比例,得到重要程度比例集;
对于所述重要程度比例集中的每个重要程度比例,执行以下生成步骤:
提取所述历史价值借用数据序列对应的历史价值借用特征信息和所述第一历史价值借用比率序列对应的第一历史价值借用比率特征信息;
根据所述重要程度比例,对所述历史价值借用特征信息和所述第一历史价值借用比率特征信息进行特征融合,以生成第一特征融合信息;
根据所述重要程度比例集,设置针对所述第三历史用户信用信息生成模型的比例参数对应的参数值,得到多个参数设置后第三历史用户信用信息生成模型,其中,所述重要程度比例集中的重要程度比例与多个参数设置后第三历史用户信用信息生成模型中的参数设置后第三历史用户信用信息生成模型存在一一对应关系;
对于所得到的第一特征融合信息集中的每个第一特征融合信息,将所述第一特征融合信息输入至所述多个参数设置后第三历史用户信用信息生成模型中的、对应的参数设置后第三历史用户信用信息生成模,以生成第三候选历史用户信用信息序列;
根据所述第一候选历史用户信用信息序列、所述第二候选历史用户信用信息序列和所得到的第三候选历史用户信用信息序列集,生成所述第二历史用户信用信息序列。
3.根据权利要求2所述的方法,其中,所述历史用户信用信息生成模型还包括:第一多层次特征提取模型、第二多层次特征提取模型和多头注意力机制模型;以及
所述根据所述第一候选历史用户信用信息序列、所述第二候选历史用户信用信息序列和所得到的第三候选历史用户信用信息序列集,生成所述第二历史用户信用信息序列,包括:
对所述第三候选历史用户信用信息序列集中的每个第三候选历史用户信用信息序列进行信息向量转换,以生成第三候选历史用户信用特征信息,得到第三候选历史用户信用特征信息集;
对所述第一候选历史用户信用信息序列进行信息向量转换,以生成第一候选历史用户信用特征信息;
对所述第二候选历史用户信用信息序列进行信息向量转换,以生成第二候选历史用户信用特征信息;
依据第一排序组合顺序,对所述第三候选历史用户信用特征信息集中的第三候选历史用户信用特征信息进行对应顺序组合,以生成第一组合特征信息,其中,所述第一排序组合顺序表征价值借用特征的重要程度依次减小且价值借用比率特征的重要程度依次变大;
依据第二排序组合顺序,对所述第三候选历史用户信用特征信息集中的第三候选历史用户信用特征信息进行对应顺序组合,以生成第二组合特征信息,其中,所述第二排序组合顺序表征价值借用特征的重要程度依次变大且价值借用比率特征的重要程度依次减小;
将所述第一候选历史用户信用特征信息处于左边,所述第一组合特征信息处于中间,所述第二候选历史用户信用特征信息处于右边,对所述第一候选历史用户信用特征信息、所述第一组合特征信息和所述第二候选历史用户信用特征信息进行特征信息拼接,以生成第一拼接特征信息;
将所述第二候选历史用户信用特征信息处于左边,所述第一组合特征信息处于中间,所述第一候选历史用户信用特征信息处于右边,对所述第一候选历史用户信用特征信息、所述第一组合特征信息和所述第二候选历史用户信用特征信息进行特征信息拼接,以生成第二拼接特征信息;
利用所述第一多层次特征提取模型,对所述第一拼接特征信息进行特征提取,得到第一特征提取信息,其中,所述第一多层次特征提取模型是串行连接的、针对所述第一拼接特征信息的向量行数而设置的多个特征提取模型;
利用所述第二多层次特征提取模型,对所述第二拼接特征信息进行特征提取,得到第二特征提取信息,其中,所述第二多层次特征提取模型是串行连接的、针对所述第二拼接特征信息的向量行数而设置的多个特征提取模型;
依据目标输入位置,将所述第一特征提取信息和所述第二特征提取信息输入至所述多头注意力机制模型,以输出所述第二历史用户信用信息序列。
4.根据权利要求3所述的方法,其中,在所述将所述第一历史用户信用信息序列和所述第二历史用户信用信息序列进行信息序列融合,以生成融合历史用户信用信息序列,以及将所述第一历史价值借用比率序列和所述第二历史价值借用比率序列进行信息序列融合,以生成融合历史价值借用比率序列之前,所述方法还包括:
确定所述第一历史用户信用信息序列和所述第二历史用户信用信息序列之间的至少一个第一相似指标,得到至少一个第一相似指标信息;
响应于确定所述至少一个第一相似指标信息均满足对应的指标要求,生成表征所述第一历史用户信用信息序列和所述第二历史用户信用信息序列进行信息融合的第一融合信息;
确定所述第一历史价值借用比率序列和所述第二历史价值借用比率序列之间的至少一个第二相似指标,得到至少一个第二相似指标信息;
响应于确定所述至少一个第二相似指标信息均满足对应的指标要求,生成表征所述第一历史价值借用比率序列和所述第二历史价值借用比率序列进行信息融合的第二融合信息。
5.根据权利要求4所述的方法,其中,所述价值借用比率生成模型包括:第一借用比率回归模型、第二借用比率回归模型和借用比例分类模型;以及
所述根据所述历史价值借用数据序列、所述融合历史用户信用信息序列和所述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,生成针对所述目标用户的价值借用比率和价值借用数值,包括:
将所述融合历史价值借用比率序列输入至所述借用比例分类模型,以生成借用比例分类信息,其中,所述借用比例分类信息是借用比例的区间信息;
将所述历史价值借用数据序列、所述融合历史用户信用信息序列和所述融合历史价值借用比率序列输入至所述第一借用比例回归模型,以生成第一借用比例;
将所述历史价值借用数据序列、所述融合历史用户信用信息序列和所述融合历史价值借用比率序列输入至所述第二借用比例回归模型,以生成第二借用比例;
确定所述第一借用比例与所述借用比例分类信息对应区间中心数值之间的相差数值,作为第一相差数值,以及确定所述第二借用比例与所述借用比例分类信息对应区间中心数值之间的相差数值,作为第二相差数值;
响应于确定所述第一相差数值小于所述第二相差数值,将所述第一借用比例确定为所述价值借用比率;
响应于确定所述第一相差数值大于或等于所述第二相差数值,将所述第二借用比例确定为所述价值借用比率。
6.根据权利要求5所述的方法,其中,所述价值借用数值生成模型包括:价值获取信息生成模型、价值损失信息生成模型和价值借用数值回归模型;以及
所述根据所述历史价值借用数据序列、所述融合历史用户信用信息序列和所述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,生成针对所述目标用户的价值借用比率和价值借用数值,包括:
将所述历史价值借用数据序列、所述融合历史用户信用信息序列和所述融合历史价值借用比率序列输入至所述价值获取信息生成模型,以生成价值获取信息;
将所述历史价值借用数据序列、所述融合历史用户信用信息序列和所述融合历史价值借用比率序列输入至所述价值损失信息生成模型,以生成价值损失信息;
响应于确定所述价值获取信息减去所述价值损失信息的相减值大于目标数值,将所述历史价值借用数据序列、所述融合历史用户信用信息序列和所述融合历史价值借用比率序列输入至所述价值借用数值回归模型,以生成所述价值借用数值。
7.根据权利要求1所述的方法,其中,所述方法还包括:
响应于接收到所述目标用户所输入的价值借用比率降低信息和/或价值借用数值升高信息,指示所述目标价值流转应用打开目标原因输入页面,以供所述目标用户输入价值借用比率降低原因和/或价值借用数值升高原因;
对所述价值借用比率降低原因和/或所述价值借用数值升高原因进行数据分析,以生成表征是否进行针对所述价值借用比率降低原因和/或所述价值借用数值升高原因进行调整的调整信息;
响应于确定进行调整,根据所述目标用户对应的历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列,获取针对所述价值借用比率降低原因和/或所述价值借用数值升高原因的调整后价值借用比率和调整后价值借用数值;
对所述目标用户对应的目标价值流转应用中的价值借用比率和价值借用数值进行调整,以供所述目标用户进行价值借用。
8.一种价值信息生成装置,包括:
获取单元,被配置成响应于接收到针对目标用户的价值借用请求信息,获取所述目标用户对应的历史价值借用数据序列、第一历史价值借用比率序列和第一历史用户信用信息序列,其中,所述历史价值借用数据序列、所述第一历史价值借用比率序列和所述第一历史用户信用信息序列存在同一对应的历史时间段;
数据组合单元,被配置成将所述历史价值借用数据序列和所述第一历史价值借用比率序列进行对应数据组合,以生成第一组合数据序列,以及将所述历史价值借用数据序列和所述第一历史用户信用信息序列进行对应数据组合,以生成第二组合数据序列;
第一生成单元,被配置成根据所述第一组合数据序列,利用预先训练的历史用户信用信息生成模型,生成针对所述历史时间段的第二历史用户信用信息序列;
第二生成单元,被配置成根据所述第二组合数据序列,利用预先训练的历史价值借用比率生成模型,生成针对所述历史时间段的第二历史价值借用比率序列;
融合单元,被配置成将所述第一历史用户信用信息序列和所述第二历史用户信用信息序列进行信息序列融合,以生成融合历史用户信用信息序列,以及将所述第一历史价值借用比率序列和所述第二历史价值借用比率序列进行信息序列融合,以生成融合历史价值借用比率序列;
第三生成单元,被配置成根据所述历史价值借用数据序列、所述融合历史用户信用信息序列和所述融合历史价值借用比率序列,利用价值借用比率生成模型和价值借用数值生成模型,生成针对所述目标用户的价值借用比率和价值借用数值;
调整单元,被配置成根据所述价值借用比率和所述价值借用数值,对所述目标用户对应的目标价值流转应用中的历史价值借用比率和历史价值借用数值进行调整,以供所述目标用户进行价值借用。
9.一种电子设备,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1-7中任一所述的方法。
10.一种计算机可读介质,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1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123202.9A CN117994014A (zh) | 2024-01-29 | 2024-01-29 | 价值信息生成方法、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 |
---|---|---|---|
CN202410123202.9A CN117994014A (zh) | 2024-01-29 | 2024-01-29 | 价值信息生成方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117994014A true CN117994014A (zh) | 2024-05-07 |
Family
ID=90893803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410123202.9A Pending CN117994014A (zh) | 2024-01-29 | 2024-01-29 | 价值信息生成方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117994014A (zh) |
-
2024
- 2024-01-29 CN CN202410123202.9A patent/CN117994014A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520220B (zh) | 模型生成方法和装置 | |
CN113327598B (zh) | 模型的训练方法、语音识别方法、装置、介质及设备 | |
CN115546293B (zh) | 障碍物信息融合方法、装置、电子设备和计算机可读介质 | |
CN116088537B (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
CN109598344B (zh) | 模型生成方法和装置 | |
CN117994014A (zh) | 价值信息生成方法、装置、电子设备和计算机可读介质 | |
CN112990046B (zh) | 差异信息获取方法、相关装置及计算机程序产品 | |
CN111709784B (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
CN112381184B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN111754984B (zh) | 文本选取的方法、装置、设备和计算机可读介质 | |
CN112364938A (zh) | 对抗样本生成方法、装置和电子设备 | |
CN111522887B (zh) | 用于输出信息的方法和装置 | |
CN110633596A (zh) | 预测车辆方向角的方法和装置 | |
CN112465717B (zh) | 脸部图像处理模型训练方法、装置、电子设备和介质 | |
CN110633707A (zh) | 预测速度的方法和装置 | |
CN117743555B (zh) | 答复决策信息发送方法、装置、设备和计算机可读介质 | |
CN111582482B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN116107666B (zh) | 程序业务流信息生成方法、装置、电子设备和计算机介质 | |
CN114792258B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN112926629B (zh) | 超参数确定方法、装置、深度强化学习框架、介质及设备 | |
CN116974684B (zh) | 地图页面布局方法、装置、电子设备与计算机可读介质 | |
CN116862319B (zh) | 电力指标信息生成方法、装置、电子设备和介质 | |
CN115393652B (zh) | 基于对抗网络的人工智能模型更新方法、识别方法和设备 | |
CN117993709A (zh) | 价值风险信息生成方法、装置、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 |