CN111191688A - 一种用户分期期数管理方法、装置和电子设备 - Google Patents

Abstract

本发明公开了一种用户分期期数管理方法、装置、电子设备及计算机可读介质，包括：获取历史用户信息数据；利用不同分类维度的历史用户信息数据分别训练以构建不同分类维度的用户数据分类评分模型；利用所述不同分类维度的用户数据分类评分模型，获取各历史用户不同分类维度的用户数据分类评分；基于所述各历史用户不同分类维度的用户数据分类评分构建用户还款评分模型；获取当前用户信息数据；利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户分期期数。本发明能够通过对用户信息数据进行分类，避免由于剔除不重要变量，造成数据浪费的情况，提高用户信息数据的利用率。

Description

一种用户分期期数管理方法、装置和电子设备

技术领域

本发明涉及计算机信息处理领域，具体而言，涉及一种用户分期期数管理方法、装置、电子设备及计算机可读介质。

背景技术

客户的还款主要和两个方面有关，还款能力和还款意愿。

现有技术中，通常根据客户的年龄、性别、学历、所在地区、从事行业、社保数据、人行信息、消费信息等判断客户的收入水平，从而评估客户的还款能力。

根据客户的还款行为数据，例如：逾期次数，逾期天数，选择的分期期数，平台贷款频率，同盾数据等信息，评估客户的还款习惯和还款意愿。

现有技术在构建模型(LR、GBDT、Random Forest等)或规则时一般仅挑选重要性较高的数据作为预测变量，但实际场景中有两大难题。首先，重要变量少，且重要性弱；其次，预测变量维度高，一般几百到几千维不等。

因此，传统建模或构建规则的方法或效果较差，或造成大量稀疏数据浪费。

发明内容

本发明要解决的技术问题是如何提高数据利用率以及如何精确判断用户分期期数。

本发明的一方面提供一种用户分期期数管理方法，其特征在于，包括：获取历史用户信息数据，所述历史用户信息数据具有不同的分类维度；利用所述不同分类维度的历史用户信息数据分别训练以构建不同分类维度的用户数据分类评分模型；利用所述不同分类维度的用户数据分类评分模型，获取各历史用户不同分类维度的用户数据分类评分；基于所述各历史用户不同分类维度的用户数据分类评分构建用户还款评分模型；获取当前用户信息数据，所述当前用户信息数据可包括不同的分类维度；利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户分期期数。

根据本发明的一种优选实施方式，还包括：构建用户信息数据分类器；通过所述用户信息数据分类器，将所述当前用户信息数据划分为不同分类维度。

根据本发明的一种优选实施方式，所述不同的分类维度，进一步包括：属性类、行为类、收入类、负债类中的至少一种。

根据本发明的一种优选实施方式，所述利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定用户分期期数，进一步包括：利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户还款分类；基于所述当前用户还款分类，确定当前用户分期期数。

根据本发明的一种优选实施方式，所述利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户还款分类，进一步包括：将所述当前用户信息数据输入所述不同分类维度的用户数据分类评分模型，获取不同分类维度的当前用户数据分类评分；将所述不同分类维度的当前用户数据分类评分输入所述用户还款评分模型，获取当前用户还款评分；根据所述当前用户还款评分，确定当前用户还款分类。

根据本发明的一种优选实施方式，所述当前用户还款评分包括：当前用户还款能力评分和当前用户还款意愿评分。

根据本发明的一种优选实施方式，所述根据所述当前用户还款评分，确定当前用户还款分类，进一步包括：设置用户还款能力评分阈值及用户还款意愿评分阈值；对比所述阈值获取所述当前用户还款能力类型及还款意愿类型；根据所述当前用户还款能力类型及还款意愿类型确定当前用户还款分类。

根据本发明的一种优选实施方式，还包括：利用机器学习模型获取用户还款能力评分阈值和用户还款意愿评分阈值。

本发明的一方面提供一种用户分期期数管理装置，其特征在于，包括：历史用户数据获取模块，用于获取历史用户信息数据，所述历史用户信息数据具有不同的分类维度；分类评分模型构建模块，用于利用所述不同分类维度的历史用户信息数据分别训练以构建不同分类维度的用户数据分类评分模型；分类评分模型使用模块，用于利用所述不同分类维度的用户数据分类评分模型，获取各历史用户不同分类维度的用户数据分类评分；还款评分模型构建模块，用于基于所述各历史用户不同分类维度的用户数据分类评分构建用户还款评分模型；当前用户数据获取模块，用于获取当前用户信息数据，所述当前用户信息数据可包括不同的分类维度；分期期数确定模块，用于利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户分期期数。

根据本发明的一种优选实施方式，还包括：数据分类器构建模块，用于构建用户信息数据分类器；数据分类器使用模块，用于通过所述用户信息数据分类器，将所述当前用户信息数据划分为不同分类维度。

根据本发明的一种优选实施方式，所述不同的分类维度，进一步包括：属性类、行为类、收入类、负债类中的至少一种。

根据本发明的一种优选实施方式，所述分期期数确定模块，进一步包括：用户还款分类确定单元，用于利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户还款分类；用户分期期数确定单元，用于基于所述当前用户还款分类，确定当前用户分期期数。

根据本发明的一种优选实施方式，所述用户还款分类确定单元，进一步包括：当前用户数据分类评分获取子单元，用于将所述当前用户信息数据输入所述不同分类维度的用户数据分类评分模型，获取不同分类维度的当前用户数据分类评分；当前用户还款评分获取子单元，用于将所述不同分类维度的当前用户数据分类评分输入所述用户还款评分模型，获取当前用户还款评分；当前用户还款分类确定子单元，用于根据所述当前用户还款评分，确定当前用户还款分类。

根据本发明的一种优选实施方式，所述当前用户还款评分包括：当前用户还款能力评分和当前用户还款意愿评分。

根据本发明的一种优选实施方式，所述根据所述当前用户还款评分，确定当前用户还款分类，进一步包括：设置用户还款能力评分阈值及用户还款意愿评分阈值；对比所述阈值获取所述当前用户还款能力类型及还款意愿类型；根据所述当前用户还款能力类型及还款意愿类型确定当前用户还款分类。

根据本发明的一种优选实施方式，还包括：利用机器学习模型获取用户还款能力评分阈值和用户还款意愿评分阈值。

本发明的第三方面提供一种电子设备，其中，该电子设备包括：处理器；以及，

存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行任一项所述的方法。

本发明的第四方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现任一项所述的方法。

本发明的技术方案，具有如下有益效果：

本发明通过对用户信息数据进行分类，避免由于数据变量多，剔除不重要变量，造成数据浪费的情况，提高用户信息数据的利用率。

本发明通过构建不同分类维度的用户数据分类评分模型，获取各分类的评分，利于平台直观、快捷地获取对用户多个维度的评价，利于确认用户资质。

本发明通过构建用户还款评分模型，利于平台快速获取用户的还款能力评分和用户的还款意愿评分，进而精准地判断用户还款能力高低和用户还款意愿高低，确定用户分期期数。

附图说明

为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。

图1是本发明的用户分期期数管理方法流程示意图；

图2是本发明的一具体实施例的根据当前用户信息数据获取当前用户还款评分的步骤流程示意图；

图3是本发明的一具体实施例的根据当前用户还款评分确定当前用户还款分类的步骤流程示意图；

图4是本发明的一具体实施例的根据当前用户还款分类确定当前用户分期期数的步骤流程示意图；

图5是本发明的用户分期期数管理装置模块架构的示意图；

图6是本发明的用户分期期数管理电子设备结构框架示意图；

图7是本发明的计算机可读存储介质示意图。

具体实施方式

现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。

在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。

术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

现有技术中，仅挑选重要性较高的数据作为预测变量，因此，传统建模或构建规则的方法或效果较差，或造成大量稀疏数据浪费。

本发明通过对用户信息数据进行分类，将年龄、性别、学历，所在地区、从事行业、社保数据、人行信息、消费信息、逾期次数，逾期天数，选择的分期期数，平台贷款频率，同盾数据等数据划分到属性信息、行为信息、收入信息、负债信息分类中，避免由于数据变量多，剔除不重要变量，造成数据浪费的情况，提高用户信息数据的利用率。

本发明通过构建不同分类维度的用户数据分类评分模型，获取各分类的评分，利于平台直观、快捷地获取对用户多个维度的评价，利于确认用户资质。

另外，本发明为最大化发挥数据价值，对不同分类维度的用户数据分类评分模型输出的各分类评分进行二次建模以构建用户还款评分模型。

本发明通过构建用户还款评分模型，利于平台快速获取用户的还款能力评分和用户的还款意愿评分，进而精准地判断用户还款能力高低和用户还款意愿高低，确定用户分期期数。

在本发明中，用户的分期期数与两个方面有关，用户还款能力和用户还款意愿。根据用户还款能力高低和用户还款意愿高低，可确定4种不同的用户还款分类。本发明针对4种不同的用户还款分类，确定不同的分期策略。

在本发明中，当前用户还款能力的定义，指当前用户历史单月最大可承受负债*12。

还款能力评分相对于简单的还款能力定义来说是一个综合的指标，还款能力评分综合考虑用户的更多信息，例如，属性信息、行为信息、收入信息、负债信息等。

在本发明中，当前用户还款意愿的定义，指当用户历史还款次数、频次、间隔等信息。

还款意愿评分相对于简单的还款意愿定义来说是一个综合的指标，还款意愿评分综合考虑用户的更多信息，例如，属性信息、行为信息、收入信息、负债信息等。

本发明通过用户还款评分模型获取用户还款能力评分和用户还款意愿评分。用户还款评分模型能够通过可视化设置，进行用户还款能力评分和/或用户还款意愿评分的输出。

图1是本发明的用户分期期数管理方法流程示意图；如图1所示，本发明的方法至少包括步骤S101～S106。

S101：获取历史用户信息数据，所述历史用户信息数据具有不同的分类维度。

其中，所述不同的分类维度，进一步包括：属性类、行为类、收入类、负债类中的至少一种。

其中，属性类的信息数据包括：年龄、性别、学历、所在地区、职业等数据；行为类的信息数据包括：消费信息等数据；收入类的信息数据包括：收入等数据；负债类的信息数据包括：逾期次数、逾期天数、选择的分期期数、平台贷款频率、同盾数据等数据。

作为示例，从多个数据源获取历史用户信息数据。

其中，通过求职平台的数据源获取历史用户信息数据；可例如获取历史用户属性数据，包括：年龄、性别、学历、所在地区、职业等数据；可例如获取历史用户收入数据等。

其中，通过网购平台的数据源获取历史用户信息数据；可例如获取历史用户行为类数据，包括：网购软件登录时间、网购软件登录频次、网购商品类型、网购商品价格、月网购消费金额等。

其中，通过金融平台的数据源获取历史用户信息数据；可例如获取历史用户负债类数据，包括：逾期次数、逾期天数、选择的分期期数、平台贷款频率、同盾数据等。

对所述历史用户信息数据进行预处理，数据预处理方法包括数据清理、数据集成、数据规约和数据变换方法，数据预处理可提高数据质量，包括数据的准确性、完整性和一致性。

S102：利用所述不同分类维度的历史用户信息数据分别训练以构建不同分类维度的用户数据分类评分模型。

作为示例，利用属性类的历史用户信息数据训练以构建属性类评分模型；利用行为类的历史用户信息数据训练以构建行为类评分模型；利用收入类的历史用户信息数据训练以构建收入类评分模型；利用负债类的历史用户信息数据训练以构建负债类评分模型。

以属性类评分模型的构建为例：

对经过预处理的属性类的历史用户信息数据，进行特征工程，获取历史用户属性特征数据；获取历史用户特征数据的步骤，进一步包括：对所述经过预处理的属性类的历史用户信息数据进行特征获取、特征处理、特征监控，获取历史用户属性特征数据。

基于所述历史用户属性特征数据，通过回归分析、决策树、人工神经网络、支持向量机、K-Means、关联规则、和/或时序模式算法，建立属性类评分模型。

作为示例，通过属性类的历史用户信息数据训练所述人工神经网络模型以获取属性类评分模型，所述属性类评分模型通过人工神经网络算法建立。以属性类评分模型为例，按历史用户类型将历史用户分为属性好、属性坏两组人，分别打上好、坏标签(好用户为1，坏用户为0)；根据用户唯一标识(如身份证、如手机号、如微信号)匹配历史用户属性特征数据，得到历史用户属性数据列表，每个历史用户得到一个标签及多列属性特征数据。从回归分析、决策树、人工神经网络、支持向量机、K-Means、关联规则、和/或时序模式算法中选择人工神经网络，构建属性类评分模型。使得输入历史用户属性特征数据，可以得到属性是好是坏的概率，作为属性类评分。

行为类评分模型、收入类评分模型、负债类评分模型的构建过程与属性类评分模型的构建过程相似，本发明在此不再赘述。

S103：利用所述不同分类维度的用户数据分类评分模型，获取各历史用户不同分类维度的用户数据分类评分。

作为示例，利用属性类评分模型，获取历史用户的属性类评分；利用行为类评分模型，获取历史用户的行为类评分；利用收入类评分模型，获取历史用户的收入类评分；利用负债类评分模型，获取历史用户的负债类评分。

S104：基于所述各历史用户不同分类维度的用户数据分类评分构建用户还款评分模型。

作为示例，将各历史用户的属性类评分、行为类评分、收入类评分、负债类评分作为输入变量，进行二次建模，用于构建用户还款评分模型，用户还款评分为输出变量。

其中，用户还款评分模型包括：用户还款能力评分模型和用户还款意愿评分模型。

其中，用户还款评分模型能够通过可视化选择，输出用户还款能力评分和/或用户还款意愿评分。

现在对用户还款评分模型中用户还款能力评分模型的构建进行详细描述：

基于各历史用户的属性类评分、行为类评分、收入类评分、负债类评分，通过回归分析、决策树、人工神经网络、支持向量机、K-Means、关联规则、和/或时序模式算法，建立用户还款能力评分模型。

作为示例，按历史用户还款能力类型将历史用户分为有能力还款用户、无能力还款用户两组人，分别打上好、坏标签(好用户为1，坏用户为0)；根据用户唯一标识(如身份证、如手机号、如微信号)匹配历史用户的属性类评分、行为类评分、收入类评分、负债类评分，得到历史用户不同分类维度的用户数据分类评分列表，每个历史用户得到一个标签及多列分类评分数据。从回归分析、决策树、人工神经网络、支持向量机、K-Means、关联规则、和/或时序模式算法中选择人工神经网络，构建属性类评分模型。使得输入历史用户的属性类评分、行为类评分、收入类评分、负债类评分数据，可以得到用户还款能力概率，作为还款能力评分。

用户还款意愿评分模型的构建过程与用户还款能力评分模型的构建过程相似，本发明在此不再赘述。

S105：获取当前用户信息数据，所述当前用户信息数据可包括不同的分类维度。

其中，本发明的方法还包括：构建用户信息数据分类器；以及通过所述用户信息数据分类器，将所述当前用户信息数据划分为不同分类维度。

S106：利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户分期期数。

其中，所述利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定用户分期期数，进一步包括：

利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户还款分类；

基于所述当前用户还款分类，确定当前用户分期期数。

作为示例，对本发明的步骤S105和S106作进一步的详细解释。

通过如图2和图3所示的步骤，根据当前用户信息数据，利用不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户还款分类；通过如图4所示的步骤，基于当前用户还款分类，确定当前用户分期期数。

图2是本发明的一具体实施例的根据当前用户信息数据获取当前用户还款评分的步骤流程示意图；

如图2所示，通过用户信息数据分类器，将当前用户信息数据分为属性类数据、行为类数据、收入类数据、负债类数据。

将属性类数据、行为类数据、收入类数据、负债类数据分别输入输入属性类评分模型、行为类评分模型、收入类评分模型、负债类评分模型，获取到属性类评分、行为类评分、收入类评分、负债类评分。

将属性类评分、行为类评分、收入类评分和负债类评分作为输入变量输入用户还款评分模型，获取当前用户还款评分。

图3是本发明的一具体实施例的根据当前用户还款评分确定当前用户还款分类的步骤流程示意图。

如图3所示，其中，所述当前用户还款评分包括：当前用户还款能力评分和当前用户还款意愿评分。

需要说明的是，本发明通过用学历+行为分对用户还款评分模型的权重进行调整，获取当前用户的还款能力评分。

需要说明的是，本发明的用户还款评分模型通过无监督聚类(GMM、K-means等)方法，获取当前用户的还款意愿评分。

GMM(Gaussian Mixture Model)，GMM是高斯混合模型(或者是混合高斯模型)的简称。GMM将所有的分布看做是多个高斯分布综合起来的结果，即任何分布都可以分成多个高斯分布来表示。

GMM混合高斯模型聚类的原理：通过样本找到K个高斯分布的期望和方差，那么K个高斯模型就确定了。即需要初始化K个高斯分布的期望和方差，通过K个高斯分布的期望和方差分别计算一个样本在K个分布中的概率，再将一个样本在K个分布中的概率代入K个高斯分布的期望和方差，通过不断的迭代，直到似然估计值不再变化，迭代终止。在聚类的过程中，不会明确的指定一个样本属于哪一类，而是计算这个样本在某个分布中的可能性。

K-means是最经典的聚类方法。K是指所要聚的cluster的数量，means是指每一个cluster都有一个中心点(质心)，这个质心是cluster中所有点的平均值，分别计算样本中每个点与K个质心的欧式距离，离哪个质心最近，这个点就被划到哪一类中。

本发明的方法进一步包括：设置用户还款能力评分阈值及用户还款意愿评分阈值。

通过将当前用户还款能力评分与用户还款能力评分阈值进行对比，获取当前用户还款能力类型，其中当前用户还款能力类型包括：当前用户还款能力高和当前用户还款能力低。

作为示例，将当前用户还款能力评分低于用户还款能力评分阈值的当前用户确定为当前用户还款能力低。可例如，设定用户还款能力评分阈值为0.6，用户还款能力评分低于0.6的用户可认为是无能力还款的用户。

通过将当前用户还款意愿评分与用户还款意愿评分阈值进行对比，获取当前用户还款意愿类型，其中当前用户还款意愿类型包括：当前用户还款意愿高和当前用户还款意愿低。

作为示例，将当前用户还款意愿评分低于用户还款意愿评分阈值的当前用户确定为当前用户还款意愿低。可例如，设定用户还款意愿评分阈值为0.4，用户还款能力评分低于0.4的用户可认为是无意愿还款的用户。

其中，通过历史用户还款能力数据和机器学习模型获取用户还款能力评分阈值。

其中，通过历史用户还款意愿数据和机器学习模型获取用户还款意愿评分阈值。

根据所述当前用户还款能力类型及还款意愿类型确定当前用户还款分类。

图4是本发明的一具体实施例的根据当前用户还款分类确定当前用户分期期数的步骤流程示意图；如图4所示，当前用户还款分类为当前用户还款能力高低和当前用户还款意愿高低的组合，则根据当前用户还款分类确定当前用户分期期数如下：

还款能力(高)+还款意愿(高)＝期数长

还款能力(高)+还款意愿(低)＝期数短

还款能力(低)+还款意愿(高)＝期数长

还款能力(低)+还款意愿(低)＝拒绝分期

其中，还款能力(高)和还款意愿(高)确定的分期期数长，可对分期期数不做限制，即对用户进行3_6_12_18_24个月分期均可。

需要说明的是，通过将不同分类维度的用户数据分类评分模型及用户还款评分模型集成用以确定用户分期期数，会存在模型过拟合和不稳定性的问题。问题的处理方法包括：因子数据集稳定性验证、建模样本采用跨期分组、保证包外验证样本使用一次即作废等。

本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。

下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

图5是本发明的用户分期期数管理装置模块架构的示意图；如图5所示，本发明的用户分期期数管理装置500,包括：历史用户数据获取模块501，分类评分模型构建模块502，分类评分模型使用模块503，还款评分模型构建模块504，当前用户数据获取模块505，分期期数确定模块506。

历史用户数据获取模块501，用于获取历史用户信息数据，所述历史用户信息数据具有不同的分类维度。

分类评分模型构建模块502，用于利用所述不同分类维度的历史用户信息数据分别训练以构建不同分类维度的用户数据分类评分模型。

分类评分模型使用模块503，用于利用所述不同分类维度的用户数据分类评分模型，获取各历史用户不同分类维度的用户数据分类评分。

还款评分模型构建模块504，用于基于所述各历史用户不同分类维度的用户数据分类评分构建用户还款评分模型。

当前用户数据获取模块505，用于获取当前用户信息数据，所述当前用户信息数据可包括不同的分类维度。

分期期数确定模块506，用于利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户分期期数。

本发明的用户分期期数管理装置，还包括：数据分类器构建模块和数据分类器使用模块。

数据分类器构建模块，用于构建用户信息数据分类器。

数据分类器使用模块，用于通过所述用户信息数据分类器，将所述当前用户信息数据划分为不同分类维度。

其中，不同的分类维度，进一步包括：属性类、行为类、收入类、负债类中的至少一种。

其中，分期期数确定模块，进一步包括：用户还款分类确定单元和用户分期期数确定单元。

用户还款分类确定单元，用于利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户还款分类；

用户分期期数确定单元，用于基于所述当前用户还款分类，确定当前用户分期期数。

进一步地，所述用户还款分类确定单元，包括：当前用户数据分类评分获取子单元，当前用户还款评分获取子单元，当前用户还款分类确定子单元。

当前用户数据分类评分获取子单元，用于将所述当前用户信息数据输入所述不同分类维度的用户数据分类评分模型，获取不同分类维度的当前用户数据分类评分。

当前用户还款评分获取子单元，用于将所述不同分类维度的当前用户数据分类评分输入所述用户还款评分模型，获取当前用户还款评分。

当前用户还款分类确定子单元，用于根据所述当前用户还款评分，确定当前用户还款分类。

其中，所述当前用户还款评分包括：当前用户还款能力评分和当前用户还款意愿评分。

其中，所述根据所述当前用户还款评分，确定当前用户还款分类，进一步包括：设置用户还款能力评分阈值及用户还款意愿评分阈值；对比所述阈值获取所述当前用户还款能力类型及还款意愿类型；根据所述当前用户还款能力类型及还款意愿类型确定当前用户还款分类。

其中，本发明的用户分期期数管理装置，还可利用机器学习模型获取用户还款能力评分阈值和用户还款意愿评分阈值。

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图6是本发明的用户分期期数管理电子设备结构框架示意图。下面参照图6来描述根据本发明该实施例的的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同***组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：获取历史用户信息数据，所述历史用户信息数据具有不同的分类维度；利用所述不同分类维度的历史用户信息数据分别训练以构建不同分类维度的用户数据分类评分模型；利用所述不同分类维度的用户数据分类评分模型，获取各历史用户不同分类维度的用户数据分类评分；基于所述各历史用户不同分类维度的用户数据分类评分构建用户还款评分模型；获取当前用户信息数据，所述当前用户信息数据可包括不同的分类维度；利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户分期期数。

所述计算机程序可以存储于一个或多个计算机可读介质上，如图7所示。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

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发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上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)。

综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用户分期期数管理方法，其特征在于，包括：

获取历史用户信息数据，所述历史用户信息数据具有不同的分类维度；

利用所述不同分类维度的历史用户信息数据分别训练以构建不同分类维度的用户数据分类评分模型；

利用所述不同分类维度的用户数据分类评分模型，获取各历史用户不同分类维度的用户数据分类评分；

基于所述各历史用户不同分类维度的用户数据分类评分构建用户还款评分模型；

获取当前用户信息数据，所述当前用户信息数据可包括不同的分类维度；

利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户分期期数。

2.如权利要求1所述的方法，其特征在于，还包括：

构建用户信息数据分类器；

通过所述用户信息数据分类器，将所述当前用户信息数据划分为不同分类维度。

3.如权利要求1-2所述的方法，其特征在于，所述不同的分类维度，进一步包括：

属性类、行为类、收入类、负债类中的至少一种。

4.如权利要求1-3所述的方法，其特征在于，所述利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定用户分期期数，进一步包括：

利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户还款分类；

基于所述当前用户还款分类，确定当前用户分期期数。

5.如权利要求1-4所述的方法，其特征在于，所述利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户还款分类，进一步包括：

将所述当前用户信息数据输入所述不同分类维度的用户数据分类评分模型，获取不同分类维度的当前用户数据分类评分；

将所述不同分类维度的当前用户数据分类评分输入所述用户还款评分模型，获取当前用户还款评分；

根据所述当前用户还款评分，确定当前用户还款分类。

6.如权利要求1-5所述的方法，其特征在于，所述当前用户还款评分包括：当前用户还款能力评分和当前用户还款意愿评分。

7.如权利要求1-6所述的方法，其特征在于，所述根据所述当前用户还款评分，确定当前用户还款分类，进一步包括：

设置用户还款能力评分阈值及用户还款意愿评分阈值；

对比所述阈值获取所述当前用户还款能力类型及还款意愿类型；

根据所述当前用户还款能力类型及还款意愿类型确定当前用户还款分类。

8.一种用户分期期数管理装置，其特征在于，包括：

历史用户数据获取模块，用于获取历史用户信息数据，所述历史用户信息数据具有不同的分类维度；

分类评分模型构建模块，用于利用所述不同分类维度的历史用户信息数据分别训练以构建不同分类维度的用户数据分类评分模型；

分类评分模型使用模块，用于利用所述不同分类维度的用户数据分类评分模型，获取各历史用户不同分类维度的用户数据分类评分；

还款评分模型构建模块，用于基于所述各历史用户不同分类维度的用户数据分类评分构建用户还款评分模型；

当前用户数据获取模块，用于获取当前用户信息数据，所述当前用户信息数据可包括不同的分类维度；

分期期数确定模块，用于利用所述不同分类维度的用户数据分类评分模型及用户还款评分模型，确定当前用户分期期数。

9.一种电子设备，其中，该电子设备包括：

处理器；以及，

存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的方法。

Images