CN111061948B - 一种用户标签推荐方法、装置、计算机设备及存储介质 - Google Patents
一种用户标签推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111061948B CN111061948B CN201911167962.5A CN201911167962A CN111061948B CN 111061948 B CN111061948 B CN 111061948B CN 201911167962 A CN201911167962 A CN 201911167962A CN 111061948 B CN111061948 B CN 111061948B
- Authority
- CN
- China
- Prior art keywords
- label
- tag
- value
- target
- labels
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 199
- 230000003993 interaction Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000008451 emotion Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001672694 Citrus reticulata Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种用户标签推荐方法、装置、计算机设备及存储介质,属于数据处理技术领域。方法包括:从目标用户的标签集中确定出与业务目标有关的标签组合;根据第一算法获取标签组合中各个标签对应于业务目标的权重值;根据第二算法获取标签组合中各个标签对应于目标用户的权重值;根据第三算法获取标签组合中各个标签对应的时间衰减系数;基于各标签对应于目标业务的权重值、各标签对应于目标用户的权重值和各标签对应的时间衰减系数,计算各标签的最终权重值;对各标签按照各自的最终权重值进行排序,筛选出有效标签,并将有效标签与业务目标相关联地推荐给对应的催收员。本发明能够避免在用户标签推荐时浪费服务器资源,提高标签推荐的有效性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种用户标签推荐方法、装置、计算机设备及存储介质。
背景技术
随着互联网金融的发展,越来越多的个人或企业通过互联网寻求借贷等金融服务,与此同时,逾期贷款案件的数量也在不断增加。
为了方便催收员对逾期贷款案件进行催收,现有技术一般通过服务器获取逾期贷款申请人的各种信息,并将获取的各种信息推荐给对应的电催员,以辅助催收员的催收工作。然而,现有的服务器资源有限,若针对每个逾期贷款申请人,服务器都需要反复向催收员推送过多的对逾期贷款申请人并不适用的信息,不但会导致服务器的资源浪费,同时也会由于推荐给催收员的信息多而杂,导致催收员无法及时获得有用的信息,进而影响催收效果。
发明内容
为了解决上述背景技术中提到的技术问题,本发明提供了一种用户标签推荐方法、装置、计算机设备及存储介质,不但能够避免在用户标签推荐时浪费服务器资源,而且能够提高标签推荐的有效性。
本发明实施例提供的具体技术方案如下:
第一方面,提供了一种用户标签推荐方法,所述方法包括:
从目标用户的标签集中确定出与业务目标有关的标签组合;
根据第一算法获取所述标签组合中各个标签对应于所述业务目标的权重值;
根据第二算法获取所述标签组合中各个标签对应于所述目标用户的权重值;
根据第三算法获取所述标签组合中各个标签对应的时间衰减系数;
基于各所述标签对应于所述业务目标的权重值、各所述标签对应于所述目标用户的权重值和各所述标签对应的时间衰减系数,计算各所述标签的最终权重值;
对各所述标签按照各自的最终权重值进行排序,筛选出有效标签,并将所述有效标签与所述业务目标相关联地推荐给对应的催收员。
进一步地,当以所述目标用户关联的催收案件成功出催作为所述业务目标时,所述从目标用户的标签集中确定出与业务目标有关的标签组合,包括:
从所述标签集中获取所述目标用户的多个基本标签、多个行为标签和多个交互标签,形成所述标签组合;
当以所述目标用户关联的通话号码为有效号码作为所述业务目标时,所述从目标用户的标签集中确定出与业务目标有关的标签组合,包括:
从所述标签集中获取所述目标用户的多个交互标签,形成所述标签组合。
进一步地,所述根据第一算法获取所述标签组合中各个标签对应于所述业务目标的权重值,包括:
确定各个所述标签各自对应的多个分组,对各个所述标签的多个分组分别进行WOE计算和IV计算,获得各个所述标签的IV值;
以各个所述标签作为输入变量,以所述业务目标作为输出变量变量,对预设模型进行训练,计算得到各个所述标签的特征重要性的数值;
针对每一个所述标签,对所述标签的IV值与所述标签的特征重要性的数值进行加权求和,得到所述标签对应于所述业务目标的权重值。
进一步地,所述根据第二算法获取所述标签组合中各个标签对应于所述目标用户的权重值,包括:
针对每一个所述标签,执行如下操作:
根据所述标签出现的次数和所述标签组合中所有所述标签出现的总次数,计算所述标签的TF值;
根据所有用户的总个数和包含所述标签的用户的个数,计算所述标签的IDF值;
根据所述标签的TF值和所述标签的IDF值,计算所述标签对应于所述目标用户的权重值。
进一步地,所述根据第三算法获取所述标签组合中各个标签对应的时间衰减系数,包括:
对所述标签组合中各个所述标签对应于所述业务目标的权重值进行从大到小排序,并根据所述排序的结果,分别对各个所述标签设置对应的第一初始值;
确定所述业务目标对应的业务当前所处的时间段;
根据所述业务当前所处的时间段所对应的预设衰减值,对各个所述标签对应的第一初始值进行衰减计算,得到各个所述标签对应的初始系数;
获取各个所述标签当前所处的时间段分别对应的初始衰减因子值,其中,任一所述标签当前所处的时间段是基于对所述目标用户首次标记所述标签距今的时间天数确定的;
根据所述排序的结果,分别对各个所述标签设置对应的第二初始值;
将各个所述标签对应的第二初始值作为衰减值,对各个所述标签当前所处的时间段分别对应的初始衰减因子值进行衰减计算,得到各个所述标签当前所处的时间段分别对应的时间衰减因子值;
根据各个所述标签对应的初始系数和各个所述标签当前所处的时间段分别对应的时间衰减因子值,计算得到各个所述标签对应的时间衰减系数。
进一步地,以所述目标用户关联的催收案件作为所述业务时,所述确定所述业务目标对应的业务当前所处的时间段,包括:
根据所述催收案件的逾期天数,确定所述业务当前所处的时间段;
以所述目标用户关联的通话号码作为所述业务时,所述确定所述业务目标对应的业务当前所处的时间段,包括:
根据所述通话号码首次接通距今的时间天数,确定所述业务当前所处的时间段。
进一步地,所述方法还包括:
针对每一个所述标签,对该标签的最终权重值与预设阈值进行比较;
若该标签的最终权重超过所述预设阈值,则将该标签优先作为所述目标标签,并与所述业务目标相关联地推荐给对应的催收员。
第二方面,提供了一种用户标签推荐装置,所述装置包括:
标签确定模块,用于从目标用户的标签集中确定出与业务目标有关的标签组合;
第一获取模块,用于根据第一算法获取所述标签组合中各个标签对应于所述业务目标的权重值;
第二获取模块,用于根据第二算法获取所述标签组合中各个标签对应于所述目标用户的权重值;
第三获取模块,用于根据第三算法获取所述标签组合中各个标签对应的时间衰减系数;
权重计算模块,用于基于各所述标签对应于所述业务目标的权重值、各所述标签对应于所述目标用户的权重值和各所述标签对应的时间衰减系数,计算各所述标签的最终权重值;
标签推荐模块,用于对各所述标签按照各自的最终权重值进行排序,筛选出有效标签,并将所述有效标签与所述业务目标相关联地推荐给对应的催收员。
进一步地,当以所述目标用户关联的催收案件成功出催作为所述业务目标时,所述标签确定模块具体用于:
从所述标签集中获取所述目标用户的多个基本标签、多个行为标签和多个交互标签,形成所述标签组合;
当以所述目标用户关联的通话号码为有效号码作为所述业务目标时,所述标签确定模块具体用于:
从所述标签集中获取所述目标用户的多个交互标签,形成所述标签组合。
进一步地,所述第一获取模块具体用于:
确定各个所述标签各自对应的多个分组,对各个所述标签的多个分组分别进行WOE计算和IV计算,获得各个所述标签的IV值;
以各个所述标签作为输入变量,以所述业务目标作为输出变量变量,对预设模型进行训练,计算得到各个所述标签的特征重要性的数值;
针对每一个所述标签,对所述标签的IV值与所述标签的特征重要性的数值进行加权求和,得到所述标签对应于所述业务目标的权重值。
进一步地,所述第二获取模块具体用于:
针对每一个所述标签,执行如下操作:
根据所述标签出现的次数和所述标签组合中所有所述标签出现的总次数,计算所述标签的TF值;
根据所有用户的总个数和包含所述标签的用户的个数,计算所述标签的IDF值;
根据所述标签的TF值和所述标签的IDF值,计算所述标签对应于所述目标用户的权重值。
进一步地,所述第三获取模块具体用于:
对所述标签组合中各个所述标签对应于所述业务目标的权重值进行从大到小排序,并根据所述排序的结果,分别对各个所述标签设置对应的第一初始值;
确定所述业务目标对应的业务当前所处的时间段;
根据所述业务当前所处的时间段所对应的预设衰减值,对各个所述标签对应的第一初始值进行衰减计算,得到各个所述标签对应的初始系数;
获取各个所述标签当前所处的时间段分别对应的初始衰减因子值,其中,任一所述标签当前所处的时间段是基于对所述目标用户首次标记所述标签距今的时间天数确定的;
根据所述排序的结果,分别对各个所述标签设置对应的第二初始值;
将各个所述标签对应的第二初始值作为衰减值,对各个所述标签当前所处的时间段分别对应的初始衰减因子值进行衰减计算,得到各个所述标签当前所处的时间段分别对应的时间衰减因子值;
根据各个所述标签对应的初始系数和各个所述标签当前所处的时间段分别对应的时间衰减因子值,计算得到各个所述标签对应的时间衰减系数。
进一步地,以所述目标用户关联的催收案件作为所述业务时,所述第三获取模块具体用于:
根据所述催收案件的逾期天数,确定所述业务当前所处的时间段;
以所述目标用户关联的通话号码作为所述业务时,所述第三获取模块具体用于:
根据所述通话号码首次接通距今的时间天数,确定所述业务当前所处的时间段。
进一步地,所述标签推荐模块还用于:
针对每一个所述标签,对该标签的最终权重值与预设阈值进行比较;
若该标签的最终权重超过所述预设阈值,则将该标签优先作为所述目标标签,并与所述业务目标相关联地推荐给对应的催收员。
第三方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
从目标用户的标签集中确定出与业务目标有关的标签组合;
根据第一算法获取所述标签组合中各个标签对应于所述业务目标的权重值;
根据第二算法获取所述标签组合中各个标签对应于所述目标用户的权重值;
根据第三算法获取所述标签组合中各个标签对应的时间衰减系数;
基于各所述标签对应于所述业务目标的权重值、各所述标签对应于所述目标用户的权重值和各所述标签对应的时间衰减系数,计算各所述标签的最终权重值;
对各所述标签按照各自的最终权重值进行排序,筛选出有效标签,并将所述有效标签与所述业务目标相关联地推荐给对应的催收员。
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,所述计算机程序被处理器执行时实现以下步骤:
从目标用户的标签集中确定出与业务目标有关的标签组合;
根据第一算法获取所述标签组合中各个标签对应于所述业务目标的权重值;
根据第二算法获取所述标签组合中各个标签对应于所述目标用户的权重值;
根据第三算法获取所述标签组合中各个标签对应的时间衰减系数;
基于各所述标签对应于所述业务目标的权重值、各所述标签对应于所述目标用户的权重值和各所述标签对应的时间衰减系数,计算各所述标签的最终权重值;
对各所述标签按照各自的最终权重值进行排序,筛选出有效标签,并将所述有效标签与所述业务目标相关联地推荐给对应的催收员。
本发明实施例提供了一种用户标签推荐方法、装置、计算机设备及存储介质,通过从目标用户的标签集中确定出与业务目标有关的各个标签,并基于各个标签对应于业务目标的权重值、各个标签对应于用户的权重值以及标签对应的时间衰减系数计算得到各个标签的最终权重值,以及对各个标签按照最终权重值进行排序筛选出有效标签,由此服务器可以将最终权重值较高的用户标签推荐给催收员,从而使得标签推荐更具有针对性和有用性,从而避免了现有技术中服务器反复向催收员推送过多的对逾期贷款申请人并不适用的信息催收员,避免了服务器资源的浪费,提高了标签推荐的有效性,同时通过向催收员推荐更有用的用户标签,能够提高贷款催收效率,进而提高催收效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的用户标签推荐方法的应用环境图;
图2为本发明实施例提供的用户标签推荐方法的流程图;
图3为图2所示方法中步骤S22的具体流程图;
图4为图2所示方法中步骤S23的具体流程图;
图5为图2所示方法中步骤S24的具体流程图;
图6为本发明实施例提供的用户标签推荐装置的结构图;
图7为本发明实施例提供的计算机设备的内部结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
此外,在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明提供的用户标签推荐方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。服务器104首先从目标用户的标签集中确定出与业务目标有关的标签组合,然后根据第一算法获取标签组合中各个标签对应于业务目标的权重值,根据第二算法获取标签组合中个各标签对应于用户的权重值,根据第三算法获取标签组合中各个标签的时间衰减系数,以及基于各标签对应于业务目标的权重值、各标签对应于用户的权重值以及各标签对应的时间衰减系数,计算各标签的最终权重值,最对各标签按照各自的最终权重值进行排序,筛选出有效标签,并将有效标签与业务目标相关联地推荐给对应的终端102。其中,终端102为催收员的终端,可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。此外,本发明实施例提供的方法可以应用于贷款催收场景,通过服务器从逾期贷款申请人的标签集中筛选出有效标签推荐给催收员,以辅助催收的催收工作。
图2为本发明实施例提供的一种用户标签推荐方法的流程图,以该方法应用于图1中的服务器为例进行说明,如图2所示,该方法可以包括:
步骤S21,从目标用户的标签集中确定出与业务目标有关的标签组合。
具体地,当服务器选定某个用户作为目标用户后,可以根据该目标用户对应的用户标识来查找目标用户对应的标签集。用户的标签集中包含用户的各种标签,各种标签均用于表示用户的属性,于本实施例中,用户为逾期用户,也即催收贷款案件的申请人。
其中,可以预先对用户基本信息、用户行为信息以及用户语音交互信息分别进行标签化处理,得到用户基本标签、用户行为标签和用户交互标签,构成用户的标签集,其中,用户语音交互信息是指催收员与逾期用户的电话沟通信息,标签化处理包括但不限于统计分析、无监督方法分类、预测模型等。
具体来说,对用户基本信息进行标签化处理,可以获取到用户基本标签,例如:年龄、学历、职业、性别、地区、婚姻等,对用户行为信息(例如历史借款行为信息、历史还款行为信息、线上操作行为信息)进行标签化处理,可以获取到用户行为标签,例如:是否首标首逾、借款习惯、还款习惯、线上登录习惯等,对用户语音交互信息进行处理,获取到用户交互标签,例如:通话情绪波动程度、通话情绪类型、号码是否有效、强势程度、沟通是否顺畅等。
更为具体的是,针对用户语音交互信息,可以对用户语音交互信息转换为文本信息,通过相关规则从文本信息中获取重要标签信息,例如用户新号码等,根据预设模型对文本信息进行判定通话的有效性,即促成还款的可能性,根据规则对文本信息进行判定通话结果所属类型;另外,还可以通过预先训练好的模型从用户语音交互信息中识别出通话情绪类型,例如愤怒、恐惧、中性;此外,还可以从用户语音交互信息中获取到通话情绪波动程度、统计静音的占比和抢话次数、对逾期用户的强势程度进行判断,以及识别用户语音交互信息是方言还是普通话,以判定沟通是否顺畅;此外,从用户语音交互信息中还可以识别到语速、语调以及音量信息。
其中,可以以用户关联的催收案件作为业务,相应地,以用户关联的催收案件成功出催作为业务目标,这里,催收案件是指被分配给催收员的贷款逾期的案件,其中,催收员可以是员工或智能催收机器人。“出催”可以理解为催收案件成功回款。此外,也可以以用户关联的通话号码作为业务,相应地,以用户关联的通话号码为有效号码作为业务目标,除此之外,业务目标还可以是其他,本实施例对此不作具体限定。
通常对于不同的业务目标,相同的标签往往会表现出不同的效果,譬如学历,学历越高可能案件越容易回款,但是学历越高可能与号码的有效性之间的关系就没有那么大。因此,当业务目标是用户关联的催收案件成功出催时,学历为与该业务目标相关的标签;当业务目标是用户关联的通话号码为有效号码时,学历就不为与该业务目标相关的标签。
本发明实施例对具体的确定过程不作具体限定。
步骤S22,根据第一算法获取标签组合中各个标签对应于业务目标的权重值。
具体地,可以利用评分卡模型获取标签组合中各个标签对应于业务目标的权重值。其中,评分卡模型为一种预测方法,例如,以催收案件成功出催作为业务目标时,可以通过对大量逾期用户的催收记录分析,采用信息量值(Information Value,IV)来衡量逾期用户的标签组合中各个标签对应于业务目标的权重值,其中,标签对应于业务目标的权重值用于表征该标签对业务目标的影响程度。
步骤S23,根据第二算法获取标签组合中各个标签对应于目标用户的权重值。
具体地,可以利用TF-IDF算法或LDA(Latent DirichletAllocation)算法获取标签组合中各个标签对应于目标用户的权重值。其中,标签对应于目标用户的权重值能够用于表征该标签对目标用户的重要程度。
步骤S24,根据第三算法获取标签组合中各个标签对应的时间衰减系数。
本实施例中,考虑到标签受到时间因素的影响,目标用户的标签对于该目标用户关联的催收案件成功出催(或者目标用户关联的通话号码有效性)的影响程度会随时间变长而变弱,因此,为了体现这种影响因素,可以根据第三算法获取标签组合中各个标签对应的时间衰减系数。
步骤S25,基于各标签对应于业务目标的权重值、各标签对应于目标用户的权重值和各标签对应的时间衰减系数,计算各标签的最终权重值。
具体地,针对每一个标签,可以将该标签对应于业务目标的权重值、该标签对应于目标用户的权重值和该标签对应的时间衰减系数进行相乘计算,得到该标签的最终权重值。
本实施例对具体的计算过程不作具体限定。
步骤S26,对各标签按照各自的最终权重值进行排序,筛选出有效标签,并将有效标签与业务目标相关联地推荐给对应的催收员。
具体地,对各标签按照各自的最终权重值进行从大到小排序,得到标签排序列表,从标签排序列表中筛选出前N位(其中N为正整数)的有效标签,将筛选出的有效标签与业务目标相关联地推荐给对应的催收员,其中,N可以根据实际需要进行设置,例如N=30,本发明实施例对此不作具体限定。
进一步地,在步骤S26之前,方法还可以包括:
针对每一个标签,对该标签的最终权重值与预设阈值进行比较,若该标签的最终权重值超过预设阈值,则将该标签优先作为目标标签,并与业务目标相关联地推荐给对应的催收员。
其中,预设阈值可以根据实际需要进行设置,在筛选出目标标签后,将目标标签与业务目标进行关联地推荐给对应的催收员,该催收员预先分配了目标用户关联的催收案件。
本实施例中,通常最终权重值超过预设阈值的标签会带来风险的大幅度提升,或者回款概率的大幅度提升,因此通过将最终权重值超过预设阈值的标签优先地与业务目标进行关联推荐给对应的催收员,能够使得催收员及时获得对业务场景影响较大的标签,其中,业务场景可以但不限于是:催收案件的欺诈风险、案件的出催概率极高、通话号码的投诉风险、号码无效沟通。
本发明实施例提供了一种用户标签推荐方法,通过从目标用户的标签集中确定出与业务目标有关的各个标签,并基于各个标签对应于业务目标的权重值、各个标签对应于用户的权重值以及标签对应的时间衰减系数计算得到各个标签的最终权重值,以及对各个标签按照最终权重值进行排序筛选出有效标签,由此服务器可以将最终权重值较高的用户标签推荐给催收员,从而使得标签推荐更具有针对性和有用性,从而避免了现有技术中服务器反复向催收员推送过多的对逾期贷款申请人并不适用的信息催收员,避免了服务器资源的浪费,提高了标签推荐的有效性,同时通过向催收员推荐更有用的用户标签,能够提高贷款催收效率,进而提高催收效果。
在一个优选示例中,当以目标用户关联的催收案件成功出催作为业务目标时,上述步骤S21的具体实现过程可以包括:
从标签集中获取目标用户的多个基本标签、多个行为标签和多个交互标签,形成标签组合。
当以目标用户关联的通话号码为有效号码作为业务目标时,上述步骤S21的具体实现过程可以包括:
从标签集中获取目标用户的多个交互标签,形成标签组合。
本实施例中,通过从目标用户的标签集中确定出与业务目标相关的标签组合,以便后续服务器对每一个标签对于业务目标的影响程度进行评估。
在一个优选示例中,如图3所示,上述步骤S22的具体实现过程可以包括:
S31,确定各个标签各自对应的多个分组,对各个标签的多个分组分别进行WOE计算和IV计算,获得各个标签的IV值。
具体地,针对每一个标签,确定该标签对应的多个分组各自的WOE值,根据该标签对应的多个分组各自的WOE值,计算该标签对应的多个分组各自的IV值,对该标签对应的多个分组各自的IV值进行累加求和,得到该标签的IV值。
其中,IV、WOE用于计算单个标签对业务目标的影响,并不考虑组合标签对业务目标的影响,标签的IV值越大,说明该标签对业务目标的影响程度越高,那么相应的标签权重也会越高。
下面以用户关联的催收案件成功出催作为业务目标为例进行说明各个标签的IV值的具体实现过程。
通过卡方分箱与手动调整确定每个标签各自对应的n个分组(n为大于0的整数),对于任一标签对应的第i组,WOE值的计算公式如下:
其中,pyi是指在这个组别中出催案件,在所有出催案件中的比例;pni是指在这个组别中未出催案件,在所有未出催案件中的比例;#yi是指在这个组别中出催案件的数量;#yt是指在所有催收案件中出催案件的数量;#ni指在这个组别中未出催案件的数量;#nt是指在所有催收案件中未出催案件的数量,i为小于n的正整数,表示n个分组中的第i组。
相对应地,对于任一标签的第i组,IV值的计算公式如下:
该标签的IV值可以按照如下计算公式计算得到:
需要说明的是,上述出催案件指的是在评分卡模型中目标变量取值为“是”或者为“1”的催收案件,上述未出催案件指的是在评分卡模型中目标变量取值为“否”或者为“0”的催收案件。
S32,以各个标签作为输入变量,以业务目标作为输出变量变量,对预设模型进行训练,计算得到各个标签的特征重要性的数值。
其中,在对预设模型进行训练时,将标签变量作为预设模型的输入,标签变量中包括非数值型变量和数值型变量,非数值型变量例如性别、职业等,这些非数值型变量要经过特征编码后才能作为预设模型的输入。其中,预设模型可以采用LightGBM模型、GBDT模型或随机森林模型,本发明实施例对此不作具体限定。
本实施例中,特征重要性(feature importance)能够用于评估多个标签对业务目标的影响程度。
S33,针对每一个标签,对标签的IV值与标签的特征重要性的数值进行加权求和,得到标签对应于业务目标的权重值。
具体地,针对每一个标签,对该标签的IV值以及该标签的特征重要性的数值分别进行标准化处理,得到标准化后的标签的IV值以及标准化后的标签的特征重要性的数值;针对任一标签T,按照如下计算公式得到各个标签对应于业务目标的权重值WT:WT=标准化后的IV值*IV值权重+标准化后的特征重要性的数值*特征重要性权重;其中,标签T的IV值权重以及标签T的特征重要性权重可以根据实际需要进行预先设定,例如,将IV值权重以及特征重要性权重分别设定为0.6和0.4,本发明实施例对此不作限定。
此外,还可以针对每一个标签,对该标签的IV值以及该标签的特征重要性的数值分别进行排序,得到排序后的标签的IV值以及排序后的标签的特征重要性的数值,针对任一标签T,按照如下计算公式得到各个标签对应于业务目标的权重值WT:WT=排序后的IV值*IV值权重+排序后的特征重要性的数值*特征重要性权重。
本实施例中,针对每一个标签,通过结合该标签的IV值以及该标签的特征重要性的数值进行计算,得到该标签对应于业务目标的权重值,从而确保该标签对应于业务目标的权重值更能准确反映该标签对业务目标的影响程度。
在一个优选示例中,如图4所示,上述步骤S23的具体实现过程可以包括:
S41,针对每一个标签,根据该标签出现的次数和标签组合中所有标签出现的总次数,计算该标签的TF值。
具体地,计算该标签出现的次数与标签组合中所有标签出现的总次数之间的比值,将计算得到的比值作为各个标签的TF值。
其中,标签出现的次数等于对目标用户标记该标签的次数,标签组合中所有标签出现的总次数等于对目标用户标记各个标签的次数之和。
S42,根据所有用户的总个数和包含该标签的用户的个数,计算该标签的IDF值。
具体地,针对每一个标签,可以统计所有逾期用户的数量以及包含该标签的用户的数量,计算所有逾期用户的数量与包含该标签的用户的数量之间的比值,将计算得到的比值作为各个标签的IDF值。
S43,根据该标签的TF值和该标签的IDF值,计算该标签对应于目标用户的权重值。
具体地,将各个标签的TF值和各个标签的IDF值分别对应相乘,得到各个标签的TF-IDF值,将各个标签的TF-IDF值作为各个标签对应于用户的权重值。
本实施例中,通过利用TF-IDF算法计算得到各个标签对应于目标用户的权重值,能够很好地对目标用户与其他用户进行区分。
在一个优选示例中,如图5所示,步骤S24的具体实现过程可以包括:
S51,对标签组合中各个标签对应于业务目标的权重值进行从大到小排序,并根据排序的结果,分别对各个标签设置对应的第一初始值。
具体地,可以根据排序的结果对标签组合中的各个标签按照预设比例划分为多个等级,不同等级中的标签设定不同的第一初始值。例如,各个标签对应于业务目标的权重值进行从大到小排序,按照3:4:3比例划分成三个等级,每个等级中的标签设定不同的第一初始值,比如,对三个等级中的标签设定的第一初始值分别为3,2,1。可以理解的是,等级越靠前,该等级中的标签所对应的初始值越大。
S52,确定业务目标对应的业务当前所处的时间段。
具体地,当以目标用户关联的催收案件作为业务时,可以根据催收案件的逾期天数,确定业务当前所处的时间段。
具体来说,将催收案件的逾期天数所在的时间段确定为业务当前所处的时间段,其中,不同的时间段预先设定有不同的衰减值。例如,根据逾期天数将时间段依次划分为:逾期0~15天、逾期16天~30天、逾期31天~60天、逾期61天,分别设定的衰减值依次为1、0.9、0.8、0.7。
此外,当以目标用户关联的通话号码作为业务时,可以根据通话号码首次接通距今的时间天数,确定业务当前所处的时间段。其中,可以将通话号码首次接通距今的时间天数所在的时间段确定为业务当前所处的时间段,此处不再赘述。
S53,根据业务当前所处的时间段所对应的预设衰减值,对各个标签对应的第一初始值进行衰减计算,得到各个标签对应的初始系数。
具体地,将业务当前所处的时间段所对应的预设衰减值与各个标签对应的第一初始值分别相乘,得到各个标签对应的初始系数。
S54,获取各个标签当前所处的时间段分别对应的初始衰减因子值。
其中,任一标签当前所处的时间段是基于对目标用户首次标记标签距今的时间天数确定的。各个标签当前所处的时间段分别预先设定有对应的初始衰减因子值。例如,0~3天、4~6天、7~15天、16天以上四个时间点各自对应的初始衰减因子值分别为1、0.8、0.5、0.3。可以理解的是,可以对不同的时间段设置不同的初始衰减因子值,此外,还可以通过将标签当前所处的时间段所对应的初始衰减因子值直接定义为e-时间段,本发明实施例对此不作具体限定。
S55,根据排序的结果,分别对各个标签设置对应的第二初始值。
具体地,可以根据排序的结果对标签组合中的各个标签按照预设比例划分为多个等级,不同等级中的标签设定不同的第二初始值。例如,各个标签对应于业务目标的权重值进行从大到小排序,按照3:4:3比例划分成三个等级,每个等级中的标签设定不同的第二初始值,比如,对三个等级中的标签设定的第一初始值分别为3,2,1。可以理解的是,等级越靠前,该等级中的标签所对应的初始值越大。
值得注意的是,同一标签所对应的第一初始值与第二初始值可以相同或不同。
S56,将各个标签对应的第二初始值作为衰减值,对各个标签当前所处的时间段分别对应的初始衰减因子值进行衰减计算,得到各个标签当前所处的时间段分别对应的时间衰减因子值。
具体地,将各个标签对应的第二初始值与各个标签当前所处的时间段分别对应的初始衰减因子值进行对应相乘,得到各个标签当前所处的时间段分别对应的时间衰减因子值。
S57,根据各个标签对应的初始系数和各个标签当前所处的时间段分别对应的时间衰减因子值,计算得到各个标签对应的时间衰减系数。
具体地,将各个标签对应的初始系数与各个标签当前所处的时间段分别对应的时间衰减因子值进行对应相乘,得到各个标签对应的时间衰减系数。本发明实施例对具体的计算过程不作限定。
在本实施例中,通过为业务当前所处的时间段设置对应的预设衰减值,并为各个标签设置对应的第一初始值,计算得到各个标签对应的初始系数,以及通过为各个标签当前所处的时间段分别设置对应的初始衰减因子值,并以各个标签对应的第二初始值作为衰减值,计算得到各个标签当前所处的时间段分别对应的时间衰减因子值,最后结合各个标签对应的初始系数和各个标签当前所处的时间段分别对应的时间衰减因子值,计算得到各个标签对应的时间衰减系数,从而使得各个标签对应的时间衰减系数更能够准确反映出各个标签受到时间的影响程度。
应该理解的是,虽然图2至图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至图5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图6为本发明实施例提供的一种用户标签推荐装置的结构框图,如图6所示,该装置可以包括:
标签确定模块61,用于从目标用户的标签集中确定出与业务目标有关的标签组合;
第一获取模块62,用于根据第一算法获取标签组合中各个标签对应于业务目标的权重值;
第二获取模块63,用于根据第二算法获取标签组合中各个标签对应于目标用户的权重值;
第三获取模块64,用于根据第三算法获取标签组合中各个标签对应的时间衰减系数;
权重计算模块65,用于基于各标签对应于业务目标的权重值、各标签对应于目标用户的权重值和各标签对应的时间衰减系数,计算各标签的最终权重值;
标签推荐模块66,用于对各标签按照各自的最终权重值进行排序,筛选出有效标签,并将有效标签与业务目标相关联地推荐给对应的催收员。
进一步地,当以目标用户关联的催收案件成功出催作为业务目标时,标签确定模块61具体用于:
从标签集中获取目标用户的多个基本标签、多个行为标签和多个交互标签,形成标签组合;
当以目标用户关联的通话号码为有效号码作为业务目标时,标签确定模块61具体用于:
从标签集中获取目标用户的多个交互标签,形成标签组合。
进一步地,第一获取模块62具体用于:
确定各个标签各自对应的多个分组,对各个标签的多个分组分别进行WOE计算和IV计算,获得各个标签的IV值;
以各个标签作为输入变量,以业务目标作为输出变量变量,对预设模型进行训练,计算得到各个标签的特征重要性的数值;
针对每一个标签,对标签的IV值与标签的特征重要性的数值进行加权求和,得到标签对应于业务目标的权重值。
进一步地,第二获取模块63具体用于:
针对每一个标签,执行如下操作:
根据该标签出现的次数和标签组合中所有标签出现的总次数,计算标签的TF值;
根据所有用户的总个数和包含该标签的用户的个数,计算标签的IDF值;
根据标签的TF值和标签的IDF值,计算标签对应于目标用户的权重值。
进一步地,第三获取模块64具体用于:
对标签组合中各个标签对应于业务目标的权重值进行从大到小排序,并根据排序的结果,分别对各个标签设置对应的第一初始值;
确定业务目标对应的业务当前所处的时间段;
根据业务当前所处的时间段所对应的预设衰减值,对各个标签对应的第一初始值进行衰减计算,得到各个标签对应的初始系数;
获取各个标签当前所处的时间段分别对应的初始衰减因子值,其中,任一标签当前所处的时间段是基于对目标用户首次标记标签距今的时间天数确定的;
根据排序的结果,分别对各个标签设置对应的第二初始值;
将各个标签对应的第二初始值作为衰减值,对各个标签当前所处的时间段分别对应的初始衰减因子值进行衰减计算,得到各个标签当前所处的时间段分别对应的时间衰减因子值;
根据各个标签对应的初始系数和各个标签当前所处的时间段分别对应的时间衰减因子值,计算得到各个标签对应的时间衰减系数。
进一步地,以目标用户关联的催收案件作为业务时,第三获取模块64具体用于:
根据催收案件的逾期天数,确定业务当前所处的时间段;
以目标用户关联的通话号码作为业务时,第三获取模块64具体用于:
根据通话号码首次接通距今的时间天数,确定业务当前所处的时间段。
进一步地,标签推荐模块66还用于:
针对每一个标签,对该标签的最终权重值与预设阈值进行比较;
若该标签的最终权重超过预设阈值,则将该标签优先作为目标标签,并与业务目标相关联地推荐给对应的催收员。
本发明实施例提供的用户标签推荐装置,与本发明实施例所提供的用户标签推荐方法属于同一发明构思,可执行本发明实施例所提供的用户标签推荐方法,具备执行用户标签推荐方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例提供的用户标签推荐方法,此处不再加以赘述。
图7为本发明实施例提供的计算机设备的内部结构图。该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种资源分配方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明实施例提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
从目标用户的标签集中确定出与业务目标有关的标签组合;
根据第一算法获取标签组合中各个标签对应于业务目标的权重值;
根据第二算法获取标签组合中各个标签对应于目标用户的权重值;
根据第三算法获取标签组合中各个标签对应的时间衰减系数;
基于各标签对应于业务目标的权重值、各标签对应于目标用户的权重值和各标签对应的时间衰减系数,计算各标签的最终权重值;
对各标签按照各自的最终权重值进行排序,筛选出有效标签,并将有效标签与业务目标相关联地推荐给对应的催收员。
此外,本发明实施例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,计算机程序被处理器执行时实现以下步骤:
从目标用户的标签集中确定出与业务目标有关的标签组合;
根据第一算法获取标签组合中各个标签对应于业务目标的权重值;
根据第二算法获取标签组合中各个标签对应于目标用户的权重值;
根据第三算法获取标签组合中各个标签对应的时间衰减系数;
基于各标签对应于业务目标的权重值、各标签对应于目标用户的权重值和各标签对应的时间衰减系数,计算各标签的最终权重值;
对各标签按照各自的最终权重值进行排序,筛选出有效标签,并将有效标签与业务目标相关联地推荐给对应的催收员。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用户标签推荐方法,其特征在于,所述方法包括:
从目标用户的标签集中确定出与业务目标有关的标签组合;
根据第一算法获取所述标签组合中各个标签对应于所述业务目标的权重值;
根据第二算法获取所述标签组合中各个标签对应于所述目标用户的权重值;
根据第三算法获取所述标签组合中各个标签对应的时间衰减系数;
基于各所述标签对应于所述业务目标的权重值、各所述标签对应于所述目标用户的权重值和各所述标签对应的时间衰减系数,计算各所述标签的最终权重值;
对各所述标签按照各自的最终权重值进行排序,筛选出有效标签,并将所述有效标签与所述业务目标相关联地推荐给对应的催收员。
2.根据权利要求1所述的方法,其特征在于,当以所述目标用户关联的催收案件成功出催作为所述业务目标时,所述从目标用户的标签集中确定出与业务目标有关的标签组合,包括:
从所述标签集中获取所述目标用户的多个基本标签、多个行为标签和多个交互标签,形成所述标签组合;
当以所述目标用户关联的通话号码为有效号码作为所述业务目标时,所述从目标用户的标签集中确定出与业务目标有关的标签组合,包括:
从所述标签集中获取所述目标用户的多个交互标签,形成所述标签组合。
3.根据权利要求1或2所述的方法,其特征在于,所述根据第一算法获取所述标签组合中各个标签对应于所述业务目标的权重值,包括:
确定各个所述标签各自对应的多个分组,对各个所述标签的多个分组分别进行WOE计算和IV计算,获得各个所述标签的IV值;
以各个所述标签作为输入变量,以所述业务目标作为输出变量,对预设模型进行训练,计算得到各个所述标签的特征重要性的数值;
针对每一个所述标签,对所述标签的IV值与所述标签的特征重要性的数值进行加权求和,得到所述标签对应于所述业务目标的权重值。
4.根据权利要求1或2所述的方法,其特征在于,所述根据第二算法获取所述标签组合中各个标签对应于所述目标用户的权重值,包括:
针对每一个所述标签,执行如下操作:
根据所述标签出现的次数和所述标签组合中所有所述标签出现的总次数,计算所述标签的TF值;
根据所有用户的总个数和包含所述标签的用户的个数,计算所述标签的IDF值;
根据所述标签的TF值和所述标签的IDF值,计算所述标签对应于所述目标用户的权重值。
5.根据权利要求1或2所述的方法,其特征在于,所述根据第三算法获取所述标签组合中各个标签对应的时间衰减系数,包括:
对所述标签组合中各个所述标签对应于所述业务目标的权重值进行从大到小排序,并根据所述排序的结果,分别对各个所述标签设置对应的第一初始值;
确定所述业务目标对应的业务当前所处的时间段;
根据所述业务当前所处的时间段所对应的预设衰减值,对各个所述标签对应的第一初始值进行衰减计算,得到各个所述标签对应的初始系数;
获取各个所述标签当前所处的时间段分别对应的初始衰减因子值,其中,任一所述标签当前所处的时间段是基于对所述目标用户首次标记所述标签距今的时间天数确定的;
根据所述排序的结果,分别对各个所述标签设置对应的第二初始值;
将各个所述标签对应的第二初始值作为衰减值,对各个所述标签当前所处的时间段分别对应的初始衰减因子值进行衰减计算,得到各个所述标签当前所处的时间段分别对应的时间衰减因子值;
根据各个所述标签对应的初始系数和各个所述标签当前所处的时间段分别对应的时间衰减因子值,计算得到各个所述标签对应的时间衰减系数。
6.根据权利要求5所述的方法,其特征在于,
以所述目标用户关联的催收案件作为所述业务时,所述确定所述业务目标对应的业务当前所处的时间段,包括:
根据所述催收案件的逾期天数,确定所述业务当前所处的时间段;
以所述目标用户关联的通话号码作为所述业务时,所述确定所述业务目标对应的业务当前所处的时间段,包括:
根据所述通话号码首次接通距今的时间天数,确定所述业务当前所处的时间段。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
针对每一个所述标签,对该标签的最终权重值与预设阈值进行比较;
若该标签的最终权重值超过所述预设阈值,则将该标签优先作为所述目标标签,并与所述业务目标相关联地推荐给对应的催收员。
8.一种用户标签推荐装置,其特征在于,所述装置包括:
标签确定模块,用于从目标用户的标签集中确定出与业务目标有关的标签组合;
第一获取模块,用于根据第一算法获取所述标签组合中各个标签对应于所述业务目标的权重值;
第二获取模块,用于根据第二算法获取所述标签组合中各个标签对应于所述目标用户的权重值;
第三获取模块,用于根据第三算法获取所述标签组合中各个标签对应的时间衰减系数;
权重计算模块,用于基于各所述标签对应于所述业务目标的权重值、各所述标签对应于所述目标用户的权重值和各所述标签对应的时间衰减系数,计算各所述标签的最终权重值;
标签推荐模块,用于对各所述标签按照各自的最终权重值进行排序,筛选出有效标签,并将所述有效标签与所述业务目标相关联地推荐给对应的催收员。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述用户标签推荐方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述用户标签推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911167962.5A CN111061948B (zh) | 2019-11-25 | 2019-11-25 | 一种用户标签推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911167962.5A CN111061948B (zh) | 2019-11-25 | 2019-11-25 | 一种用户标签推荐方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111061948A CN111061948A (zh) | 2020-04-24 |
CN111061948B true CN111061948B (zh) | 2023-05-23 |
Family
ID=70298652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911167962.5A Active CN111061948B (zh) | 2019-11-25 | 2019-11-25 | 一种用户标签推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111061948B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734463A (zh) * | 2020-12-30 | 2021-04-30 | 咪咕音乐有限公司 | 一种业务信息发送方法、装置、电子设备和存储介质 |
CN112732934B (zh) * | 2021-01-11 | 2022-05-27 | 国网山东省电力公司电力科学研究院 | 电网设备分词词典和故障案例库构建方法 |
CN112991049B (zh) * | 2021-04-13 | 2023-05-30 | 重庆度小满优扬科技有限公司 | 贷款信息的处理方法以及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017133456A1 (zh) * | 2016-02-01 | 2017-08-10 | 腾讯科技(深圳)有限公司 | 一种确定风险评估参数的方法及装置 |
CN109509086A (zh) * | 2018-11-28 | 2019-03-22 | 上海点融信息科技有限责任公司 | 基于人工智能的处理催收业务的方法、装置及存储介质 |
CN109815489A (zh) * | 2019-01-02 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 催收信息生成方法、装置、计算机设备和存储介质 |
CN110033165A (zh) * | 2019-03-06 | 2019-07-19 | 平安科技(深圳)有限公司 | 逾期借款催收方式的推荐方法、装置、介质、电子设备 |
-
2019
- 2019-11-25 CN CN201911167962.5A patent/CN111061948B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017133456A1 (zh) * | 2016-02-01 | 2017-08-10 | 腾讯科技(深圳)有限公司 | 一种确定风险评估参数的方法及装置 |
CN109509086A (zh) * | 2018-11-28 | 2019-03-22 | 上海点融信息科技有限责任公司 | 基于人工智能的处理催收业务的方法、装置及存储介质 |
CN109815489A (zh) * | 2019-01-02 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 催收信息生成方法、装置、计算机设备和存储介质 |
CN110033165A (zh) * | 2019-03-06 | 2019-07-19 | 平安科技(深圳)有限公司 | 逾期借款催收方式的推荐方法、装置、介质、电子设备 |
Non-Patent Citations (1)
Title |
---|
陶红燕 ; 胡蔚霞 ; 沈艳 ; .运用多种催收策略有效控制***风险.中国***.2005,(第12期),24-27. * |
Also Published As
Publication number | Publication date |
---|---|
CN111061948A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837931B (zh) | 客户流失预测方法、装置及存储介质 | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN111061948B (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
CN111915156B (zh) | 基于用户价值的业务推送方法、电子设备及存储介质 | |
WO2020257991A1 (zh) | 用户识别方法及相关产品 | |
CN112966865B (zh) | 携号转网预测方法、装置及设备 | |
CN111181757B (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
CN112070564B (zh) | 广告拉取方法、装置、***与电子设备 | |
KR20200075120A (ko) | 기업 부도 예측 시스템 및 이의 동작 방법 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN107038165B (zh) | 一种业务参数获取方法及装置 | |
CN110348471B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
CN115034886A (zh) | 一种违约风险预测方法及装置 | |
CN109146667B (zh) | 一种基于量化统计的外部接口综合应用模型的构建方法 | |
EP3764310A1 (en) | Prediction task assistance device and prediction task assistance method | |
CN113392920A (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN112950359A (zh) | 一种用户识别方法和装置 | |
CN114997879B (zh) | 一种支付路由方法、装置、设备和存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN113723974A (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN110956471A (zh) | 装修行业征信数据的分析方法 | |
CN115759733B (zh) | 基于业务事件的用户违约风险确定方法、装置、介质及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231211 Address after: Room 811, 8th Floor, No. 20, Lane 999, Dangui Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai, March 2012 Patentee after: Shanghai Platinum Zinc Information Technology Co.,Ltd. Address before: No. 8, 1st Floor, Building 1, No. 39 Renhe Street, Chengdu High tech Zone, Chengdu, Sichuan Province, 610000 Patentee before: Chengdu platinum tin Financial Information Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |