CN118152811A - 数据处理方法及装置、设备、存储介质和程序产品 - Google Patents

Abstract

本公开提供了一种数据处理方法，可以应用于大数据技术领域和金融科技技术领域。该数据处理方法包括：从数据库中读取多个样本客户的历史客户特征数据、以及针对历史客户特征数据预先生成的基础样本标签；利用对抗神经网络对历史客户特征数据进行数据扩展处理，得到扩展客户特征数据；基于基础样本标签，生成针对扩展客户特征数据的扩展样本标签；利用历史客户特征数据、基础样本标签、扩展客户特征数据和扩展样本标签训练初始客户识别模型，得到训练好的目标客户识别模型。本公开还提供了一种数据处理装置、设备、存储介质和程序产品。

Description

数据处理方法及装置、设备、存储介质和程序产品

技术领域

本公开涉及大数据技术领域和金融科技技术领域，具体地涉及一种数据处理方法、装置、设备、介质和程序产品。

背景技术

在企业中，为了更好地维护客户，经常需要对客户进行分类打标，用以构建用户画像，例如可采用分类模型进行客户分类。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：搜集足量的样本数据，并且对样本数据打标是一项十分繁琐的工作，因此，如何获取足够的优质样本对模型进行训练是亟待解决的技术问题。传统的打标方法多是基于大量样本进行逐个标记，需要消耗大量的算力，或是利用模型预测结果作为标签结果，这种方法标注往往不够精确。

发明内容

鉴于上述问题，本公开提供了一种数据处理方法、装置、设备、介质和程序产品。

本公开的一个方面，提供了一种数据处理方法，包括：从数据库中读取多个样本客户的历史客户特征数据、以及针对历史客户特征数据预先生成的基础样本标签；利用对抗神经网络对历史客户特征数据进行数据扩展处理，得到扩展客户特征数据；基于基础样本标签，生成针对扩展客户特征数据的扩展样本标签；利用历史客户特征数据、基础样本标签、扩展客户特征数据和扩展样本标签训练初始客户识别模型，得到训练好的目标客户识别模型。

根据本公开的实施例，历史客户特征数据包括针对样本客户的客户历史属性数据，和/或客户历史行为数据，其中，客户历史行为数据包括对应于n个历史时间窗口的n组历史行为数据单元。

根据本公开的实施例，利用对抗神经网络对历史客户特征数据进行数据扩展处理，得到扩展客户特征数据包括：调用预定曲线拟合算法对n组历史行为数据单元进行曲线拟合处理，生成针对样本客户的历史行为表征图；将历史行为表征图输入对抗神经网络，输出模拟行为表征图；基于模拟行为表征图生成扩展客户特征数据。

根据本公开的实施例，历史行为表征图用于表征样本客户的交易行为在n个历史时间窗口中的分布规律，模拟行为表征图用于表征模拟客户的交易行为在m个参考时间窗口中的分布规律；基于模拟行为表征图生成扩展客户特征数据包括：利用预定图嵌入算法，从模拟行为表征图中提取对应于m个参考时间窗口的模拟客户的交易行为数据，生成扩展客户特征数据。

根据本公开的实施例，基于模拟行为表征图生成扩展客户特征数据包括：利用预定图嵌入算法，从模拟行为表征图中提取对应于m个参考时间窗口的模拟客户的交易行为数据，生成模拟客户的基础行为数据；从数据库中读取预先构建的k个标准行为表征图，其中，k个标准行为表征图与k种客户画像标签对应；利用图相似度计算网络，分别计算模拟行为表征图与k个标准行为表征图之间的相似度，生成图相似度结果；根据图相似度结果生成模拟客户的行为画像数据；将模拟客户的基础行为数据和行为画像数据融合，生成扩展客户特征数据。

根据本公开的实施例，利用对抗神经网络对历史客户特征数据进行数据扩展处理，得到扩展客户特征数据包括：将客户历史属性数据输入对抗神经网络，输出扩展客户特征数据。

根据本公开的实施例，利用对抗神经网络对历史客户特征数据进行数据扩展处理，得到扩展客户特征数据包括：将客户历史属性数据输入对抗神经网络，输出第一扩展特征数据；调用预定曲线拟合算法对n组历史行为数据单元进行曲线拟合处理，生成针对样本客户的历史行为表征图；将历史行为表征图输入对抗神经网络，输出模拟行为表征图；基于模拟行为表征图生成第二扩展特征数据；将第一扩展特征数据和第二扩展特征数据融合，得到扩展客户特征数据。

根据本公开的实施例，基于基础样本标签，生成针对扩展客户特征数据的扩展样本标签包括：将基础样本标签作为扩展客户特征数据的扩展样本标签。

本公开的另一个方面提供了一种客户识别方法，包括：获取待识别客户的目标客户特征数据；将目标客户特征数据输入目标客户识别模型，输出针对待识别客户的识别结果，其中，识别结果用于表征目标客户的类别，目标客户识别模型利用上述数据处理方法训练得到。

本公开的另一个方面提供了一种数据处理装置，包括：读取模块，用于从数据库中读取多个样本客户的历史客户特征数据、以及针对历史客户特征数据预先生成的基础样本标签；处理模块，用于利用对抗神经网络对历史客户特征数据进行数据扩展处理，得到扩展客户特征数据；生成模块，用于基于基础样本标签，生成针对扩展客户特征数据的扩展样本标签；训练模块，用于利用历史客户特征数据、基础样本标签、扩展客户特征数据和扩展样本标签训练初始客户识别模型，得到训练好的目标客户识别模型。

本公开的另一个方面提供了一种客户识别装置，包括：获取模块，用于获取待识别客户的目标客户特征数据；输出模块，用于将目标客户特征数据输入目标客户识别模型，输出针对待识别客户的识别结果，其中，识别结果用于表征目标客户的类别，目标客户识别模型利用上述数据处理方法训练得到。

本公开的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个计算机程序，其中，上述一个或多个处理器执行上述一个或多个计算机程序以实现上述方法的步骤。

本公开的另一个方面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或指令，上述计算机程序或指令被处理器执行时实现上述方法的步骤。

本公开的另一个方面还提供了一种计算机程序产品，包括计算机程序或指令，上述计算机程序或指令被处理器执行时实现上述方法的步骤。

根据本公开提供的数据处理方法、装置、设备、介质和程序产品，利用对抗神经网络对历史客户特征数据进行扩展，可快速生成大量扩展客户特征数据，将历史客户特征数据和扩展客户特征数据共同作为训练样本，可以解决现有技术样本收集难度大的问题。基于历史客户特征数据的标签生成扩展客户特征数据的标签，实现了样本的快速标记，提高了标记的效率。并且，由于扩展客户特征数据是基于历史客户特征数据通过对抗神经网络生成的，因此历史客户特征数据和扩展客户特征数据具有相似的数据分布特征，因此，历史客户特征数据和扩展客户特征数据可共用数据标签，且扩展样本标签的准确性较高，如此，可以解决现有技术中利用模型预测结果作为标签标记结果不够准确的问题，实现了快速生成大量样本数据、并提高样本数据标签的准确度的技术效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的数据处理方法、装置、设备、介质和程序产品的应用场景图；

图2示意性示出了根据本公开实施例的数据处理方法的流程图；

图3示意性示出了根据本公开实施例的历史行为表征图的示意图；

图4示意性示出了根据本公开实施例的客户识别方法的流程图；

图5示意性示出了根据本公开实施例的数据处理装置的结构框图；

图6示意性示出了根据本公开实施例的客户识别装置的结构框图；以及

图7示意性示出了根据本公开实施例的适于实现数据处理方法和客户识别方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

在本公开的技术方案中，所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息，例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。

在利用个人信息进行自动化决策的场景下，本公开实施例提供的方法、设备和系统均为用户提供相应的操作入口，供用户选择同意或者拒绝自动化决策结果；若用户选择拒绝，则进入专家决策流程。此处的表述“自动化决策”是指通过计算机程序自动分析、评估个人的行为习惯、兴趣爱好或者经济、健康、信用状况等，并进行决策的活动。此处的表述“专家决策”是指专门从事某一领域的工作、具有专门的经验、知识和技能并达到一定的专业水平的人员进行决策的活动。

需要说明的是，本公开实施例的数据处理方法及装置、电子设备和介质可以应用于大数据技术领域、金融科技技术领域，也可用于除大数据技术领域、金融科技技术领域之外的任意领域，本公开的实施例对上述数据处理方法及装置、电子设备和介质的应用领域不做限定。

本公开的实施例提供了一种数据处理方法，包括：从数据库中读取多个样本客户的历史客户特征数据、以及针对历史客户特征数据预先生成的基础样本标签；利用对抗神经网络对历史客户特征数据进行数据扩展处理，得到扩展客户特征数据基于基础样本标签，生成针对扩展客户特征数据的扩展样本标签；利用历史客户特征数据、基础样本标签、扩展客户特征数据和扩展样本标签训练初始客户识别模型，得到训练好的目标客户识别模型。

图1示意性示出了根据本公开实施例的数据处理方法、装置、设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103，网络104、服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互，以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

在本公开实施例的应用场景下，用户可以通过第一终端设备101、第二终端设备102、第三终端设备103生成数据处理请求。响应于上述请求，服务器105可用于执行本公开实施例的数据处理方法，包括：从数据库中读取多个样本客户的历史客户特征数据、以及针对历史客户特征数据预先生成的基础样本标签；利用对抗神经网络对历史客户特征数据进行数据扩展处理，得到扩展客户特征数据；基于基础样本标签，生成针对扩展客户特征数据的扩展样本标签；利用历史客户特征数据、基础样本标签、扩展客户特征数据和扩展样本标签训练初始客户识别模型，得到训练好的目标客户识别模型。

需要说明的是，本公开实施例所提供的数据处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的数据处理装置一般可以设置于服务器105中。本公开实施例所提供的数据处理方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的数据处理装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图3对本公开实施例的数据处理方法进行详细描述。

图2示意性示出了根据本公开实施例的数据处理方法的流程图。

如图2所示，该实施例的数据处理方法包括操作S210～操作S240。

在操作S210，从数据库中读取多个样本客户的历史客户特征数据、以及针对历史客户特征数据预先生成的基础样本标签。

在操作S220，利用对抗神经网络对历史客户特征数据进行数据扩展处理，得到扩展客户特征数据。

在操作S230，基于基础样本标签，生成针对扩展客户特征数据的扩展样本标签。

在操作S240，利用历史客户特征数据、基础样本标签、扩展客户特征数据和扩展样本标签训练初始客户识别模型，得到训练好的目标客户识别模型。

根据本公开的实施例，上述数据处理方法可以应用在获取样本数据及生成样本数据标签的场景中，例如：可以采用分类模型进行客户分类，但训练分类模型需要大量样本数据，并需要对样本数据打标。现有打标方法多是对大量样本数据进行逐个标记，这种方法需要消耗大量的算力；或是将分类模型预测结果作为标签结果，这种标注方法往往不够精确。因此，为了快速生成大量样本数据，并提高样本数据标签的准确性，可以基于对抗神经网络对样本数据进行扩展，并基于原样本数据的标签生成扩展样本数据的标签。

在本公开的实施例中，在获取用户的信息之前，必须获得用户的同意或授权。例如，在操作S210之前，必须向用户发出获取用户信息的请求。在用户同意或授权可以获取用户信息的情况下，执行操作S210。

在本公开的实施例中，可以为用户提供相应的操作入口，供用户选择同意或者拒绝自动化决策结果。即，在对用户信息进行数据处理/决策之前，可以获得用户通过相应的操作入口输入的同意或拒绝进行处理/决策的指令。如果用户同意进行处理/决策，则对用户信息进行数据处理/决策，即执行步骤S210。如果用户拒绝进行处理/决策，则进入专家决策流程。

根据本公开的实施例，在操作S210，历史客户特征数据可以包括客户的多维信息数据，例如可以包括客户的基础信息，如年龄、性别等，还可以包括用户的行为信息，如交易时间、交易金额、交易对象、交易类别等。在此，需要说明的是，多个样本客户的历史客户特征数据的特征数值在多个不同的数值区间分布较为均衡，且特征种类比较全面，如此，基于该数据进行扩展，可保证扩展样本数据的质量，后续用于模型训练可取得较好的训练效果。

可以获取预定历史时期内样本客户的真实信息数据，得到历史客户特征数据。可以预先对上述历史客户特征数据打标，生成基础样本标签。数据库中可以存储有多个客户的历史客户特征数据及基础样本标签。

目前历史客户特征数据可以来自手机APP等不同数据渠道，并且存储在不同的位置。数据中台可将不同数据渠道的多维度信息进行数据汇聚，形成一个聚合表，并将聚合表存储在数据库中，例如：数据中台可以获取历史客户特征数据，并对历史客户特征数据初加工，补全交易路径信息。基于特定规则字段维度(摘要、交易代码、交易对手等)可以对历史客户特征数据进行分类，例如可以根据交易场景(对公场景、对私场景等)、是否为本机构客户、交易流向、交易类型等进行分类。将分类后的历史客户特征数据汇聚成聚合表，并将聚合表存储在数据库中。

根据本公开的实施例，在操作S220，扩展客户特征数据为模拟的客户信息数据。

训练客户识别模型需要大量样本数据，以提高客户识别模型的预测精度。如果仅基于历史客户特征数据和基础样本标签进行模型训练，可能会由于历史客户特征数据的数量不够而导致客户识别模型的预测精度较差。因此可以利用对抗神经网络对历史客户特征数据进行数据扩展处理，得到扩展客户特征数据。可以将历史客户特征数据和扩展客户特征数据共同作为目标客户识别模型的训练样本数据，以提高样本数据的数量。

由于扩展客户特征数据是对历史客户特征数据进行数据扩展处理得到的，因此扩展客户特征数据与历史客户特征数据具有相似的数据分布特征。由于历史客户特征数据为样本客户的真实信息数据，数据真实可靠，相应地，扩展客户特征数据也更加符合模型训练的样本需求。

根据本公开的实施例，对抗神经网络可以包括生成器和鉴别器。生成器用于在输入历史客户特征数据后，生成初始扩展客户特征数据。鉴别器用于基于历史客户特征数据和初始扩展客户特征数据，计算损失函数，迭代直至中止，输出最终的扩展客户特征数据。

根据本公开的实施例，在操作S230，在得到扩展客户特征数据后，可以生成扩展客户特征数据的扩展样本标签，具体地，可以基于基础样本标签，生成针对扩展客户特征数据的扩展样本标签。例如：扩展样本标签可以与基础样本标签相同。

由于扩展客户特征数据与历史客户特征数据具有相似的数据分布特征，因此扩展客户特征数据与历史客户特征数据可共用相同的数据标签。

根据本公开的实施例，在操作S240，在获取扩展客户特征数据和扩展样本标签后，可以利用历史客户特征数据、基础样本标签、扩展客户特征数据、扩展样本标签训练初始客户识别模型，得到训练好的目标客户识别模型。目标客户识别模型可以用于对客户进行分类。

根据本公开的实施例，利用对抗神经网络对历史客户特征数据进行扩展，可快速生成大量扩展客户特征数据，可以将历史客户特征数据和扩展客户特征数据共同作为训练样本，从而解决现有技术样本收集难度大的问题。基于历史客户特征数据的标签生成扩展客户特征数据的标签，实现了样本的快速标记，提高了标记的效率。并且，由于扩展客户特征数据是基于历史客户特征数据通过对抗神经网络生成的，因此历史客户特征数据和扩展客户特征数据具有相似的数据分布特征，因此，历史客户特征数据和扩展客户特征数据可共用数据标签，且扩展客户特征数据的标签的准确性较高，如此，可以解决现有技术中利用模型预测结果作为标签标记结果不够准确的问题。

根据本公开的实施例，历史客户特征数据包括针对样本客户的客户历史属性数据，和/或客户历史行为数据，其中，客户历史行为数据包括对应于n个历史时间窗口的n组历史行为数据单元。

根据本公开的实施例，在不同时间段，客户历史属性数据的数值基本不变，客户历史属性数据例如可以包括：客户性别、客户职业等。

在不同时间段，客户历史行为数据的数值可能会发生动态变化，客户历史行为数据例如可以包括：客户的交易金额、交易对象、交易类别等。

可以获取预定历史时期内的客户历史行为数据。具体地，可以将预定历史时期划分为n个时间段，每个时间段视为一个历史时间窗口。每个历史时间窗口可以对应1组历史行为数据单元。历史行为数据单元可以包括在该历史时间窗口内，客户的交易金额、交易对象、交易类别等行为数据。

例如：可以获取过去一年内的客户历史行为数据：将一个月视为一个历史时间窗口，共得到12个历史时间窗口。针对每个历史时间窗口，获取样本客户在该月的交易金额、交易对象、交易类别等行为数据，得到该历史时间窗口对应的历史行为数据单元。过去一年内的客户历史行为数据共包括12组历史行为数据单元。

根据本公开的实施例，客户历史行为数据可以体现客户交易行为时序信息。将客户历史行为数据作为样本训练客户识别模型，可以提高客户识别模型的预测精度。

根据本公开的实施例，可以利用对抗神经网络，仅对客户历史行为数据或客户历史属性数据进行数据扩展处理，也可以对客户历史行为数据和客户历史属性数据进行数据扩展处理。

根据本公开的实施例，具体地，利用对抗神经网络对历史客户特征数据中的客户历史行为数据进行数据扩展处理，得到扩展客户特征数据包括操作11～13。

操作11、调用预定曲线拟合算法对n组历史行为数据单元进行曲线拟合处理，生成针对样本客户的历史行为表征图。

操作12、将历史行为表征图输入对抗神经网络，输出模拟行为表征图。

操作13、基于模拟行为表征图生成扩展客户特征数据。

根据本公开的实施例，由于客户历史行为数据反映了客户交易行为的时序信息，在不同历史时间窗口，客户历史行为数据的数值可能会发生动态变化，因此可以获取样本客户的交易行为在n个历史时间窗口中的分布规律，以便生成更准确的扩展客户特征数据。

根据本公开的实施例，在操作11，由于对抗神经网络处理图片样本的效果优于处理文本数据的效果，因此可以将客户历史行为数据转换为历史行为表征图，以便后续利用对抗神经网络进行扩展处理。例如可以调用预定曲线拟合算法对n组历史行为数据单元进行曲线拟合处理，生成针对样本客户的历史行为表征图。历史行为表征图可以用于表征样本客户的交易行为在n个历史时间窗口中的分布规律。

图3示意性示出了根据本公开实施例的历史行为表征图的示意图。

如图3所示，历史行为表征图的横轴例如可以为交易时间，纵轴例如可以为交易金额。上述历史行为表征图可以表征样本客户的交易金额在12个历史时间窗口中的分布规律。

根据本公开的实施例，基于历史行为表征图，可以直观展示客户的行为习惯，便于提取样本客户的交易行为在n个历史时间窗口中的分布规律。历史行为表征图作为客户多维信息数据的一种信息补充，便于丰富训练样本的特征类型，提高分类模型的预测效果。

根据本公开的实施例，在操作12，利用对抗神经网络对历史行为表征图进行扩展处理，可以生成模拟行为表征图。模拟行为表征图可以用于表征模拟客户的交易行为在m个参考时间窗口中的分布规律。

根据本公开的实施例，在操作13，可以从模拟行为表征图中提取扩展客户特征数据。

根据本公开的实施例，由于对抗神经网络处理图片样本的效果优于处理文本数据的效果，因此通过将历史客户特征数据转换为历史行为表征图，再基于历史行为表征图生成模拟行为表征图从而生成扩展客户特征数据，可以使得扩展客户特征数据更加符合模型训练对样本类型的需求，并且样本质量较佳。

根据本公开的实施例，基于模拟行为表征图生成扩展客户特征数据可以包括：利用预定图嵌入算法，从模拟行为表征图中提取对应于m个参考时间窗口的模拟客户的交易行为数据，生成扩展客户特征数据。

根据本公开的实施例，可以将m个参考时间窗口的模拟客户的交易行为数据直接作为扩展客户特征数据。

根据本公开的实施例，基于图嵌入算法可以高效提取模拟客户的交易行为数据，并且获取的交易行为数据较为准确。

根据本公开的实施例，基于模拟行为表征图生成扩展客户特征数据还可以包括操作21～操作25。

操作21、利用预定图嵌入算法，从模拟行为表征图中提取对应于m个参考时间窗口的模拟客户的交易行为数据，生成模拟客户的基础行为数据。

操作22、从数据库中读取预先构建的k个标准行为表征图，其中，k个标准行为表征图与k种客户画像标签对应。

操作23、利用图相似度计算网络，分别计算模拟行为表征图与k个标准行为表征图之间的相似度，生成图相似度结果。

操作24、根据图相似度结果生成模拟客户的行为画像数据。

操作25、将模拟客户的基础行为数据和行为画像数据融合，生成扩展客户特征数据。

根据本公开的实施例，在操作21～操作22，可以基于预定历史时期内的用户行为数据，生成k种客户画像标签。每种客户画像标签可以对应1个标准行为表征图。标准行为表征图可以用于准确表征客户画像标签所对应的客户行为数据。

根据本公开的实施例，在操作23～操作24，模拟行为表征图与某个标准行为表征图之间的相似度大于预定阈值时，表明模拟客户的基础行为数据较符合该标准行为表征图对应的用户行为数据，因此可以将该标准行为表征图对应的用户行为数据作为模拟客户的行为画像数据。

根据本公开的实施例，基于基础行为数据和行为画像数据，生成扩展客户特征数据，可以丰富扩展客户特征数据的类型，同时可以对基础行为数据进行校准，以提高扩展客户特征数据的准确度。

根据本公开的实施例，具体地，利用对抗神经网络对历史客户特征数据中的客户历史属性数据进行数据扩展处理，得到扩展客户特征数据，包括：将客户历史属性数据输入对抗神经网络，输出扩展客户特征数据。

根据本公开的实施例，由于在客户历史属性数据不会随时间发生变化，因此无需获取客户历史属性数据在n个历史时间窗口中的分布规律，可以直接将客户历史属性数据输入对抗神经网络，输出扩展客户特征数据。

根据本公开的实施例，具体地，利用对抗神经网络对历史客户特征数据中的客户历史属性数据和客户历史行为数据进行数据扩展处理，得到扩展客户特征数据，包括操作31～操作35。

操作31、将客户历史属性数据输入对抗神经网络，输出第一扩展特征数据。

操作32、调用预定曲线拟合算法对n组历史行为数据单元进行曲线拟合处理，生成针对样本客户的历史行为表征图。

操作33、将历史行为表征图输入对抗神经网络，输出模拟行为表征图。

操作34、基于模拟行为表征图生成第二扩展特征数据。

操作35、将第一扩展特征数据和第二扩展特征数据融合，得到扩展客户特征数据。

根据本公开的实施例，在操作31，由于在客户历史属性数据不会随时间发生变化，因此无需获取客户历史属性数据在n个历史时间窗口中的分布规律，可以直接将客户历史属性数据输入对抗神经网络，输出第一扩展客户特征数据。

根据本公开的实施例，在操作32～34，由于客户历史行为数据反映了客户交易行为的时序信息，因此可以基于样本客户的交易行为在n个历史时间窗口中的分布规律，生成第二扩展特征数据。

根据本公开的实施例，在获取第一扩展客户特征数据和第二扩展特征数据后，可以将第一扩展特征数据和第二扩展特征数据融合，得到扩展客户特征数据。

根据本公开的实施例，基于客户历史属性数据和客户历史行为数据生成扩展客户特征数据，可以综合考虑各种历史客户特征数据的特点，使得扩展客户特征数据更接近用户的真实行为信息。

根据本公开的实施例，基于基础样本标签，生成针对扩展客户特征数据的扩展样本标签包括：将基础样本标签作为扩展客户特征数据的扩展样本标签。

根据本公开的实施例，由于扩展客户特征数据与历史客户特征数据具有相似的数据分布特征，因此扩展客户特征数据与历史客户特征数据可共用相同的数据标签，且生成的扩展样本标签的准确性较高，解决了相关技术中利用模型预测结果作为标签标记结果不够准确的问题。

图4示意性示出了根据本公开实施例的客户识别方法的流程图。

如图4所示，该实施例的数据处理方法包括操作S410～操作S420。

在操作S410，获取待识别客户的目标客户特征数据。

在操作S420，将目标客户特征数据输入目标客户识别模型，输出针对待识别客户的识别结果，其中，识别结果用于表征目标客户的类别，目标客户识别模型利用上述数据处理方法训练得到。

根据本公开的实施例，由于目标客户识别模型的训练样本是利用对抗神经网络得到的，且扩展样本标签是基于基础样本标签生成的，因此训练样本的数量较多，且训练样本标签较精确，因此生成的目标客户识别模型的预测精度较高，利用目标客户识别模型预测目标客户的类别的准确度较高。

基于上述数据处理方法，本公开还提供了一种数据处理装置。以下将结合图5对该装置进行详细描述。

图5示意性示出了根据本公开实施例的数据处理装置的结构框图。

如图5所示，该实施例的数据处理装置500包括读取模块510、处理模块520、生成模块530和训练模块540。

读取模块510用于从数据库中读取多个样本客户的历史客户特征数据、以及针对历史客户特征数据预先生成的基础样本标签。在一实施例中，读取模块510可以用于执行前文描述的操作S210，在此不再赘述。

处理模块520用于利用对抗神经网络对历史客户特征数据进行数据扩展处理，得到扩展客户特征数据。在一实施例中，处理模块520可以用于执行前文描述的操作S220，在此不再赘述。

生成模块530用于基于基础样本标签，生成针对扩展客户特征数据的扩展样本标签。在一实施例中，生成模块530可以用于执行前文描述的操作S230，在此不再赘述。

训练模块540用于利用历史客户特征数据、基础样本标签、扩展客户特征数据和扩展样本标签训练初始客户识别模型，得到训练好的目标客户识别模型。在一实施例中，训练模块540可以用于执行前文描述的操作S240，在此不再赘述。

根据本公开的实施例，历史客户特征数据包括针对样本客户的客户历史属性数据，和/或客户历史行为数据，其中，客户历史行为数据包括对应于n个历史时间窗口的n组历史行为数据单元。

根据本公开的实施例，处理模块包括第一调用子模块、第一输入子模块和第一生成子模块。

第一调用子模块用于调用预定曲线拟合算法对n组历史行为数据单元进行曲线拟合处理，生成针对样本客户的历史行为表征图；第一输入子模块用于将历史行为表征图输入对抗神经网络，输出模拟行为表征图；第一生成子模块用于基于模拟行为表征图生成扩展客户特征数据。

根据本公开的实施例，历史行为表征图用于表征样本客户的交易行为在n个历史时间窗口中的分布规律，模拟行为表征图用于表征模拟客户的交易行为在m个参考时间窗口中的分布规律；第一生成子模块包括第一提取单元。

第一提取单元用于利用预定图嵌入算法，从模拟行为表征图中提取对应于m个参考时间窗口的模拟客户的交易行为数据，生成扩展客户特征数据。

根据本公开的实施例，第一生成子模块还包括第二提取单元、读取单元、计算单元、生成单元和融合单元。

第二提取单元用于利用预定图嵌入算法，从模拟行为表征图中提取对应于m个参考时间窗口的模拟客户的交易行为数据，生成模拟客户的基础行为数据；读取单元用于从数据库中读取预先构建的k个标准行为表征图，其中，k个标准行为表征图与k种客户画像标签对应；计算单元用于利用图相似度计算网络，分别计算模拟行为表征图与k个标准行为表征图之间的相似度，生成图相似度结果；生成单元用于根据图相似度结果，生成模拟客户的行为画像数据；融合单元用于将模拟客户的基础行为数据和行为画像数据融合，生成扩展客户特征数据。

根据本公开的实施例，处理模块还包括第二输入子模块。

第二输入子模块用于将客户历史属性数据输入对抗神经网络，输出扩展客户特征数据。

根据本公开的实施例，处理模块还包括第三输入子模块、第二调用子模块、第四输入子模块、第二生成子模块和融合子模块。

第三输入子模块用于将客户历史属性数据输入对抗神经网络，输出第一扩展特征数据；第二调用子模块用于调用预定曲线拟合算法对n组历史行为数据单元进行曲线拟合处理，生成针对样本客户的历史行为表征图；第四输入子模块用于将历史行为表征图输入对抗神经网络，输出模拟行为表征图；第二生成子模块用于基于模拟行为表征图生成第二扩展特征数据；融合子模块用于将第一扩展特征数据和第二扩展特征数据融合，得到扩展客户特征数据。

根据本公开的实施例，生成模块包括第三生成子模块。

第三生成子模块用于将基础样本标签作为扩展客户特征数据的扩展样本标签。

根据本公开的实施例，读取模块510、处理模块520、生成模块530和训练模块540中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，读取模块510、处理模块520、生成模块530和训练模块540中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，读取模块510、处理模块520、生成模块530和训练模块540中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

基于上述数据处理方法，本公开还提供了一种客户识别装置。以下将结合图6对该装置进行详细描述。

图6示意性示出了根据本公开实施例的客户识别装置的结构框图。

如图6所示，该实施例的客户识别装置600包括获取模块610和输入模块620。

获取模块610用于获取待识别客户的目标客户特征数据。在一实施例中，获取模块610可以用于执行前文描述的操作S410，在此不再赘述。

输入模块620用于将目标客户特征数据输入目标客户识别模型，输出针对待识别客户的识别结果，其中，识别结果用于表征目标客户的类别，目标客户识别模型利用上述数据处理方法训练得到。在一实施例中，输入模块620可以用于执行前文描述的操作S420，在此不再赘述。

根据本公开的实施例，获取模块610和输入模块620中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块610和输入模块620中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块610和输入模块620中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图7示意性示出了根据本公开实施例的适于实现数据处理方法和客户识别方法的电子设备的方框图。

如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至输入/输出(I/O)接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至输入/输出(I/O)接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：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)、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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，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。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的数据处理方法。

在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(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，上述模块、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，框图或流程图中的每个方框、以及框图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。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (14)

1.一种数据处理方法，其特征在于，所述方法包括：

从数据库中读取多个样本客户的历史客户特征数据、以及针对所述历史客户特征数据预先生成的基础样本标签；

利用对抗神经网络对所述历史客户特征数据进行数据扩展处理，得到扩展客户特征数据；

基于所述基础样本标签，生成针对所述扩展客户特征数据的扩展样本标签；

利用所述历史客户特征数据、所述基础样本标签、所述扩展客户特征数据和所述扩展样本标签训练初始客户识别模型，得到训练好的目标客户识别模型。

2.根据权利要求1所述的方法，其特征在于：

所述历史客户特征数据包括针对所述样本客户的客户历史属性数据，和/或客户历史行为数据，其中，所述客户历史行为数据包括对应于n个历史时间窗口的n组历史行为数据单元。

3.根据权利要求2所述的方法，其特征在于，利用对抗神经网络对所述历史客户特征数据进行数据扩展处理，得到扩展客户特征数据包括：

调用预定曲线拟合算法对所述n组历史行为数据单元进行曲线拟合处理，生成针对所述样本客户的历史行为表征图；

将所述历史行为表征图输入所述对抗神经网络，输出模拟行为表征图；

基于所述模拟行为表征图生成所述扩展客户特征数据。

4.根据权利要求3所述的方法，其特征在于，所述历史行为表征图用于表征所述样本客户的交易行为在n个历史时间窗口中的分布规律，所述模拟行为表征图用于表征模拟客户的交易行为在m个参考时间窗口中的分布规律；

基于所述模拟行为表征图生成所述扩展客户特征数据包括：

利用预定图嵌入算法，从所述模拟行为表征图中提取对应于m个参考时间窗口的模拟客户的交易行为数据，生成所述扩展客户特征数据。

5.根据权利要求4所述的方法，其特征在于，基于所述模拟行为表征图生成所述扩展客户特征数据包括：

利用预定图嵌入算法，从所述模拟行为表征图中提取对应于m个参考时间窗口的模拟客户的交易行为数据，生成所述模拟客户的基础行为数据；

从数据库中读取预先构建的k个标准行为表征图，其中，所述k个标准行为表征图与k种客户画像标签对应；

利用图相似度计算网络，分别计算所述模拟行为表征图与所述k个标准行为表征图之间的相似度，生成图相似度结果；

根据所述图相似度结果生成所述模拟客户的行为画像数据；

将所述模拟客户的基础行为数据和行为画像数据融合，生成所述扩展客户特征数据。

6.根据权利要求2所述的方法，其特征在于，利用对抗神经网络对所述历史客户特征数据进行数据扩展处理，得到扩展客户特征数据包括：

将所述客户历史属性数据输入所述对抗神经网络，输出所述扩展客户特征数据。

7.根据权利要求2所述的方法，其特征在于，利用对抗神经网络对所述历史客户特征数据进行数据扩展处理，得到扩展客户特征数据包括：

将所述客户历史属性数据输入所述对抗神经网络，输出第一扩展特征数据；

调用预定曲线拟合算法对所述n组历史行为数据单元进行曲线拟合处理，生成针对所述样本客户的历史行为表征图；

将所述历史行为表征图输入所述对抗神经网络，输出模拟行为表征图；

基于所述模拟行为表征图生成第二扩展特征数据；

将所述第一扩展特征数据和所述第二扩展特征数据融合，得到所述扩展客户特征数据。

8.根据权利要求1所述的方法，其特征在于，基于所述基础样本标签，生成针对所述扩展客户特征数据的扩展样本标签包括：

将所述基础样本标签作为所述扩展客户特征数据的扩展样本标签。

9.一种客户识别方法，其特征在于，所述方法包括：

获取待识别客户的目标客户特征数据；

将所述目标客户特征数据输入目标客户识别模型，输出针对所述待识别客户的识别结果，其中，所述识别结果用于表征所述目标客户的类别，所述目标客户识别模型利用权利要求1-8任一项所述的方法训练得到。

10.一种数据处理装置，其特征在于，所述装置包括：

读取模块，用于从数据库中读取多个样本客户的历史客户特征数据、以及针对所述历史客户特征数据预先生成的基础样本标签；

处理模块，用于利用对抗神经网络对所述历史客户特征数据进行数据扩展处理，得到扩展客户特征数据；

生成模块，用于基于所述基础样本标签，生成针对所述扩展客户特征数据的扩展样本标签；以及

训练模块，用于利用所述历史客户特征数据、所述基础样本标签、所述扩展客户特征数据和所述扩展样本标签训练初始客户识别模型，得到训练好的目标客户识别模型。

11.一种客户识别装置，其特征在于，所述装置包括：

获取模块，用于获取待识别客户的目标客户特征数据；

输出模块，用于将所述目标客户特征数据输入目标客户识别模型，输出针对所述待识别客户的识别结果，其中，所述识别结果用于表征所述目标客户的类别，所述目标客户识别模型利用权利要求1-8任一项所述的方法训练得到。

12.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个计算机程序，

其特征在于，所述一个或多个处理器执行所述一个或多个计算机程序以实现根据权利要求1～9中任一项所述方法的步骤。

13.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，该计算机程序或指令被处理器执行时实现根据权利要求1～9中任一项所述方法的步骤。

14.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现根据权利要求1～9中任一项所述方法的步骤。