CN113610354A - 第三方平台用户的策略分配方法、装置及电子设备 - Google Patents
第三方平台用户的策略分配方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113610354A CN113610354A CN202110799827.3A CN202110799827A CN113610354A CN 113610354 A CN113610354 A CN 113610354A CN 202110799827 A CN202110799827 A CN 202110799827A CN 113610354 A CN113610354 A CN 113610354A
- Authority
- CN
- China
- Prior art keywords
- user
- historical
- information
- platform
- sample set
- 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 81
- 238000003066 decision tree Methods 0.000 claims abstract description 45
- 230000006870 function Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012954 risk control Methods 0.000 description 12
- 230000006399 behavior Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种第三方平台用户的策略分配方法、装置、电子设备及计算机可读介质。该方法包括:获取来自第三方平台用户的用户信息,所述用户信息包括基础信息和行为信息;根据所述用户信息生成用户特征信息;将所述用户特征信息输入平台用户风险模型中,生成用户风险评分,所述平台用户风险模型基于梯度提升决策树模型和共享层生成;基于所述用户风险评分和预设策略为所述用户确定用户策略。本公开涉及的第三方平台用户的策略分配方法、装置、电子设备及计算机可读介质,能够快速准确的对来自第三方平台的用户进行风险识别,并为其分配用户策略,在保证资源安全的同时,提高资源利用率和分配效率。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种第三方平台用户的策略分配方法、装置、电子设备及计算机可读介质。
背景技术
风险控制是风险管理者采用各种措施和/或方法来消灭或者减少风险事件发生的可能性,或者风险管理者采用各种措施和/或方法来减少风险事件发生时造成的损失。风险控制也可称为风控,风险控制过程中所采用的措施和/或方法也可称为风险控制策略。风险决策是指在多种不定因素的作用下,对两种或者两种以上的风险控制策略进行选择的过程。由于有不定因素存在,风险控制策略的实施所带来的损益值是无法预先确定的,因此需要一定的规则作为风险决策过程中选择风险控制策略的依据。在面对多种不定因素的情况下基于该规则从多种风险控制策略中选择相应的风险控制策略。
现有技术中,风险控制类的风险决策***可根据平台上历史用户的用户画像分析制定,但是,随着金融服务平台本身的发展,金融平台会从很多第三方平台获取新用户,这些新用户和本平台上用户的用户特征很可能是完全不同的;而第三方平台上的用户积累较少,仅使用第三方平台上的历史用户来进行用户画像分析的话,模型训练很容易过拟合,得到的模型效果又差强人意;而且,不断有新的第三方平台涌现,分别对每一个第三方平台均训练一个机器学***台用户的策略分配方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供一种第三方平台用户的策略分配方法、装置、电子设备及计算机可读介质,能够快速准确的对来自第三方平台的用户进行风险识别,并为其分配用户策略,在保证资源安全的同时,提高资源利用率和分配效率。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种第三方平台用户的策略分配方法,该方法包括:获取来自第三方平台用户的用户信息,所述用户信息包括基础信息和行为信息;根据所述用户信息生成用户特征信息;将所述用户特征信息输入平台用户风险模型中,生成用户风险评分,所述平台用户风险模型基于梯度提升决策树模型和共享层生成;基于所述用户风险评分和预设策略为所述用户确定用户策略。
可选地,还包括:基于来自第三方平台的历史用户的用户信息生成第一历史样本集合;基于来自本地平台的历史用户的用户信息生成第二历史样本集合;通过所述第一历史样本集合和所述第二历史样本集合中的历史样本交替对梯度提升决策树模型和共享层进行训练以生成所述平台用户风险模型。
可选地,基于来自第三方平台的历史用户的用户信息生成第一历史样本集合,包括:来自第三方平台的历史用户的用户信息;将所述用户信息进行特征处理以生成用户特征信息;根据第一判定准则为所述第三方平台的历史用户分配第一标签;基于带有第一标签的历史用户的特征信息生成所述第一历史样本集合。
可选地,基于来自本地平台的历史用户的用户信息生成第二历史样本集合,包括:来自本地平台的历史用户的用户信息;将所述用户信息进行特征处理以生成用户特征信息;根据第二判定准则为所述本地平台的历史用户分配第二标签;基于带有第二标签的历史用户的特征信息生成所述第二历史样本集合。
可选地,通过所述第一历史样本集合和所述第二历史样本集合中的历史样本交替对梯度提升决策树模型和共享层进行训练以生成所述平台用户风险模型,包括:将所述第一历史样本集合和所述第二历史样本集合中的历史样本交替输入到梯度提升决策树模型和共享层中以对其进行训练;在训练过程中计算第一历史样本集合对应的第一损失函数;在训练过程中计算第二历史样本集合对应的第二损失函数;在所述第一损失函数和所述第二损失函数获得最优解时,基于当前梯度提升决策树模型和共享层的参数生成所述平台用户风险模型。
可选地,将所述第一历史样本集合和所述第二历史样本集合中的历史样本交替输入到梯度提升决策树模型和共享层中以对其进行训练,包括:将所述第一历史样本集合和所述第二历史样本集合中的历史样本交替输入到梯度提升决策树模型;根据所述梯度提升决策树模型的叶子节点的数值生成计算结果;将所述计算结果进行独热编码处理,生成输入特征;根据所述输入特征对所述共享层进行训练。
可选地,所述共享层为神经网络结构。
可选地,在训练过程中计算第一历史样本集合对应的第一损失函数,包括:在训练过程中基于标签偏差度生成第一历史样本集合对应的第一损失函数。
可选地,在所述第一损失函数和所述第二损失函数获得最优解时,包括:根据梯度下降方法求取所述第一损失函数和所述第二损失函数的稳定解。
根据本公开的一方面,提出一种第三方平台用户的策略分配装置,该装置包括:用户模块,用于获取来自第三方平台用户的用户信息,所述用户信息包括基础信息和行为信息;特征模块,用于根据所述用户信息生成用户特征信息;评分模块,用于将所述用户特征信息输入平台用户风险模型中,生成用户风险评分,所述平台用户风险模型基于梯度提升决策树模型和共享层生成;策略模块,用于基于所述用户风险评分和预设策略为所述用户确定用户策略。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;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上文的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本公开的第三方平台用户的策略分配方法、装置、电子设备及计算机可读介质,获取来自第三方平台用户的用户信息,所述用户信息包括基础信息和行为信息;根据所述用户信息生成用户特征信息;将所述用户特征信息输入平台用户风险模型中,生成用户风险评分,所述平台用户风险模型基于梯度提升决策树模型和共享层生成;基于所述用户风险评分和预设策略为所述用户确定用户策略的方式,能够快速准确的对来自第三方平台的用户进行风险识别,并为其分配用户策略,在保证资源安全的同时,提高资源利用率和分配效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的一种第三方平台用户的策略分配方法及装置的***框图。
图2是根据一示例性实施例示出的一种第三方平台用户的策略分配方法的流程图。
图3是根据另一示例性实施例示出的一种第三方平台用户的策略分配方法的流程图。
图4是根据另一示例性实施例示出的一种第三方平台用户的策略分配方法的流程图。
图5是根据一示例性实施例示出的一种第三方平台用户的策略分配装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的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部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
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。
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。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“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。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
本公开中,资源是指任何可被利用的物质、信息、时间,信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。本公开的创新之处在于如何使用服务器和客户端之间的信息交互技术来使资源分配的过程更加自动化、高效和减小人力成本。由此,从本质上来说,本公开可以应用于各类资源的分配,包括实体的货物、水、电,以及有意义的资料等。但是,为了方便起见,本公开中以金融数据资源为例进行说明资源分配的实施,但本领域技术人员应当理解,本公开亦可以用于其他资源的分配。
本公开的实施例提供用户策略分配方法(为方便描述,可简称本申请实施例提供的方法)可适用于投资、银行、保险、证券以及电商等多个应用领域中的任一应用领域。在各个应用领域中,所涉及的应用场景可包括但不限于登录、注册、贷前、贷中、贷后、节假日活动或者促销活动等。本申请实施例提供的方法可适用于上述任一应用场景的任一业务类型的风险决策规则的生成。
这里,上述用户策略为风险决策过程中,具体选择哪一种风险控制策略所依据的规则。用户策略基于用户数据生成,可靠性强,增强基于该用户策略确定的风险控制策略进行的风险决策的准确性,适用性更强。这里,上述业务具体可为投资、银行、保险、证券以及电商等多个应用领域中,向用户提供的各种业务,例如,投保以及贷款等。对应的,以投保为例,在该业务下对应的应用场景可包括但不限于账户注册、账户登录、投保申请、投保审批、保单生成以及维持等。其中,上述应用场景仅是举例,而非穷举,具体可根据实际应用场景确定,在此不做限制。
其中,用户信息包括但不限于用户的业务账号信息、用户的页面操作数据、用户的业务访问时长、用户的业务访问频率、用户的终端设备标识信息以及用户所处地域信息,具体可根据实际应用场景确定,在此不做限制。
图1是根据一示例性实施例示出的一种第三方平台用户的策略分配方法及装置的***框图。
如图1所示,***架构10可以包括终端设备101、102、103,网络104、第三方平台105、106和服务器107。网络104用以在终端设备101、102、103和第三方平台105、106之间提供通信链路的介质;网络104还用以在第三方平台105、106和服务器107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。
用户可以使用终端设备101、102、103通过网络104与第三方平台105、106交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
用户还使用终端设备101、102、103通过第三方平台105、106登陆到服务器107上,已获得用户服务。
终端设备101、102、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107可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理,并将处理结果(例如用户策略)反馈给金融服务网站的管理员和/或终端设备101、102、103。
服务器107可例如获取来自第三方平台用户的用户信息,所述用户信息包括基础信息和行为信息;服务器107可例如根据所述用户信息生成用户特征信息;服务器107可例如将所述用户特征信息输入平台用户风险模型中,生成用户风险评分,所述平台用户风险模型基于梯度提升决策树模型和共享层生成;服务器107可例如基于所述用户风险评分和预设策略为所述用户确定用户策略。
服务器107可例如基于来自第三方平台的历史用户的用户信息生成第一历史样本集合;服务器107可例如基于来自本地平台的历史用户的用户信息生成第二历史样本集合;服务器107可例如通过所述第一历史样本集合和所述第二历史样本集合中的历史样本交替对梯度提升决策树模型和共享层进行训练以生成所述平台用户风险模型。
服务器107可以是一个实体的服务器,还可例如为多个服务器组成,服务器107中的一部分可例如作为本公开中的业务***,用于为来自第三方的用户分配用户策略;服务器107中的一部分还可例如作为本公开中的模型训练***,用于基于梯度提升决策树模型和共享层生成平台用户风险模型。
需要说明的是,本公开实施例所提供的第三方平台用户的策略分配方法可以由服务器107执行,相应地,第三方平台用户的策略分配装置可以设置于服务器107中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。
图2是根据一示例性实施例示出的一种第三方平台用户的策略分配方法的流程图。第三方平台用户的策略分配方法20至少包括步骤S202至S208。
如图2所示,在S202中,获取来自第三方平台用户的用户信息,所述用户信息包括基础信息和行为信息。更具体的,可通过API结果获取来自第三方平台用户的用户信息。在本公开实施例中,用户可为个人用户或者企业用户,资源额度的分配可为金融资源额度的调整,也可为电力资源、水力资源的分配。其中,用户信息可包括基础信息,可例如为业务账号信息、用户的终端设备标识信息、用户所处地域信息等;用户信息还可包括行为信息,可例如为用户的页面操作数据、用户的业务访问时长、用户的业务访问频率等,用户信息的具体内容可根据实际应用场景确定,在此不做限制。更具体的,可基于用户授权采用网页埋点的方式获取当前用户的用户信息。
更具体的,用户在第三方网站的行为信息可通过Fiddler工具获取,Fiddler工具以web代理服务器的形式进行工作的,客户端先将请求数据发送出去后,Fiddler代理服务器会将数据包进行拦截,代理服务器再冒充客户端发送数据到服务器;同理,服务器将响应数据返回,代理服务器也会将数据拦截,再返回给客户端。通过Fiddler可获取用户网络浏览的驻留时间、驻留页面,点击操作等等相关的浏览数据。
在S204中,根据所述用户信息生成用户特征信息。可对用户信息进行数据清洗和数据融合以将用户信息转化为多维度数据,更具体的,可对用户信息进行变量缺失率分析与处理、异常值处理;还可将连续型变量离散化的用户信息进行WOE转化、离散型变量WOE转化、文本变量加工处理、文本变量的word2vec处理等等。
其中,WOE的是“Weight of Evidence”,即证据权重。WOE是对原始特征的一种编码形式。要对一个特征进行WOE编码,需要首先把这个变量进行分组处理。Word2vec,是一群用来产生词向量的相关模型。这些模型为浅而双层的神经网络,用来训练以重新建构语言学之词文本。word2vec模型可用来映射每个词到一个向量,可用来表示词对词之间的关系。
在S206中,将所述用户特征信息输入平台用户风险模型中,生成用户风险评分,所述平台用户风险模型基于梯度提升决策树模型和共享层生成。
在S208中,基于所述用户风险评分和预设策略为所述用户确定用户策略。用户策略可包括用户额度、资源利率、资源归还期限、特享资源信息等。更进一步的,可将用户风险评分跟多个阈值进行对比以分别确定资源额度、资源偿还时间、特享资源信息的内容,还可将资源额度、资源偿还时间、特享资源信息中的一个或者多个进行组合,根据组合值最终的用户策略。
根据本公开的第三方平台用户的策略分配方法,获取来自第三方平台用户的用户信息,所述用户信息包括基础信息和行为信息;根据所述用户信息生成用户特征信息;将所述用户特征信息输入平台用户风险模型中,生成用户风险评分,所述平台用户风险模型基于梯度提升决策树模型和共享层生成;基于所述用户风险评分和预设策略为所述用户确定用户策略的方式,能够快速准确的对来自第三方平台的用户进行风险识别,并为其分配用户策略,在保证资源安全的同时,提高资源利用率和分配效率。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种第三方平台用户的策略分配方法的流程图。图3所示的流程30是对“基于梯度提升决策树模型和共享层生成平台用户风险模型”的详细描述。
如图3所示,在S302中,基于来自第三方平台的历史用户的用户信息生成第一历史样本集合。包括:来自第三方平台的历史用户的用户信息;将所述用户信息进行特征处理以生成用户特征信息;根据第一判定准则为所述第三方平台的历史用户分配第一标签;基于带有第一标签的历史用户的特征信息生成所述第一历史样本集合。
更进一步的,可由历史用户的用户信息中提取部分数据生成特征信息,还可对用户信息进行归一化处理、分箱处理等等。第一判定准则可为是否违约准则,可在所述历史用户在本平台上有过违约记录时,确定所述历史用户带有违约标签;在所述历史用户在本平台上未有违约记录时,确定所述历史用户带有正常标签。
在S304中,基于来自本地平台的历史用户的用户信息生成第二历史样本集合。包括:来自本地平台的历史用户的用户信息;将所述用户信息进行特征处理以生成用户特征信息;根据第二判定准则为所述本地平台的历史用户分配第二标签;基于带有第二标签的历史用户的特征信息生成所述第二历史样本集合。
第二判定准则可为是否过退准则,可在所述历史用户在本平台上有过拒绝资源借贷记录时,确定所述历史用户带有拒绝标签;在所述历史用户在本平台上有正常资源借贷记录时,确定所述历史用户带有通过标签。
在S306中,通过所述第一历史样本集合和所述第二历史样本集合中的历史样本交替对梯度提升决策树模型和共享层进行训练以生成所述平台用户风险模型。
更具体的,可例如将所述第一历史样本集合和所述第二历史样本集合中的历史样本交替输入到梯度提升决策树模型和共享层中以对其进行训练;在训练过程中计算第一历史样本集合对应的第一损失函数;在训练过程中计算第二历史样本集合对应的第二损失函数;在所述第一损失函数和所述第二损失函数获得最优解时,基于当前梯度提升决策树模型和共享层的参数生成所述平台用户风险模型。
图4是根据另一示例性实施例示出的一种第三方平台用户的策略分配方法的流程图。图4所示的流程40是对图3所示的流程中S306“通过所述第一历史样本集合和所述第二历史样本集合中的历史样本交替对梯度提升决策树模型和共享层进行训练以生成所述平台用户风险模型”的详细描述。
如图4所示,在S402中,将所述第一历史样本集合和所述第二历史样本集合中的历史样本交替输入到梯度提升决策树模型和共享层中以对其进行训练。可例如,先在第一历史样本集合中随机提取一组历史用户输入到梯度提升决策树模型和共享层进行训练,在训练结束后,再在第二历史样本集合中随机提取一组历史用户输入到梯度提升决策树模型和共享层继续进行训练;在训练结束后,再提取第一历史样本用户,如此反复直至模型训练完成为止。
在一个实施例中,将所述第一历史样本集合和所述第二历史样本集合中的历史样本交替输入到梯度提升决策树模型;根据所述梯度提升决策树模型的叶子节点的数值生成计算结果;将所述计算结果进行独热编码处理,生成输入特征;根据所述输入特征对所述共享层进行训练。
历史样本即为带有标签的用户特征信息,将用户特征信息输入梯度提升决策树模型之后,梯度提升决策树模型的多个叶子节点会得到不同的计算数值,将多个节点的计算数值顺序排列,然后经过独热编码处理,以得到输入特征。
再根据第一历史样本集合对应的输入特征和第二历史样本集合对应的而输入特征交替对共享层进行训练。其中,所述共享层为神经网络结构。
在S404中,在训练过程中计算第一历史样本集合对应的第一损失函数。包括:在训练过程中基于标签偏差度生成第一历史样本集合对应的第一损失函数。
更具体的,可例如,共享层的函数表达式为:
第一样本第一损失函数可为:
ls=relu(wx+b);其中,w,b为待计算的参数;
第一历史样本集合对应的输入特征对应的sigmoid函数为:
其中,Sxgb为标签偏差度,标签偏差度是根据梯度提升决策树模型计算结果和真实标签的偏差计算得到的。Sigmoid函数是一个在生物学中常见的S型函数,也称为S型生长曲线。在信息科学中,由于其单增以及反函数单增等性质,Sigmoid函数常被用作神经网络的激活函数,将变量映射到0,1之间。
第一历史样本集合对应的输入特征对应的损失函数为:
loss1=loss(O1)。
在S406中,在训练过程中计算第二历史样本集合对应的第二损失函数。
第二历史样本集合对应的输入特征对应的sigmoid函数为:
O2=sigmoid(wls+b);
第二历史样本集合对应的输入特征对应的损失函数为:
loss1=loss(O2)。
在S408中,在所述第一损失函数和所述第二损失函数获得最优解时,基于当前梯度提升决策树模型和共享层的参数生成所述平台用户风险模型。包括:根据梯度下降方法求取所述第一损失函数和所述第二损失函数的稳定解。
具体的,针对每个对象集合,分别构建调整模型,将所述对象集合中的各个对象的对象信息输入所述调整模型,以得到预测标签,将所述预测标签与相应的真实的标签进行比对,判断预测标签与真实的标签是否一致,统计与真实的标签一致的预测标签的数量,并计算与真实的标签一致的预测标签的数量在所有预测标签的数量中的占比,若所述占比大于或等于预设占比值,则所述调整模型收敛,得到训练完成的调整模型,若所述占比小于所述预设占比值,则调整所述调整模型中的参数,通过调整后的调整模型重新预测各个对象的预测标签,直至所述占比大于或等于预设占比值。其中,调整所述调整模型中的参数的方法可以采用随机梯度下降算法、梯度下降算法或正规方程进行。
若调整所述调整模型的参数的次数超过预设次数时,可以更换构建调整模型所使用的模型,以提高模型训练效率。
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CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图5是根据一示例性实施例示出的一种第三方平台用户的策略分配装置的框图。如图5所示,第三方平台用户的策略分配装置50包括:用户模块502,特征模块504,评分模块506,策略模块508。
用户模块502用于获取来自第三方平台用户的用户信息,所述用户信息包括基础信息和行为信息;
特征模块504用于根据所述用户信息生成用户特征信息;
评分模块506用于将所述用户特征信息输入平台用户风险模型中,生成用户风险评分,所述平台用户风险模型基于梯度提升决策树模型和共享层生成;
策略模块508用于基于所述用户风险评分和预设策略为所述用户确定用户策略。
根据本公开的第三方平台用户的策略分配装置,获取来自第三方平台用户的用户信息,所述用户信息包括基础信息和行为信息;根据所述用户信息生成用户特征信息;将所述用户特征信息输入平台用户风险模型中,生成用户风险评分,所述平台用户风险模型基于梯度提升决策树模型和共享层生成;基于所述用户风险评分和预设策略为所述用户确定用户策略的方式,能够快速准确的对来自第三方平台的用户进行风险识别,并为其分配用户策略,在保证资源安全的同时,提高资源利用率和分配效率。
图6是根据一示例性实施例示出的一种电子设备的框图。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本公开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执行本说明书中的根据本公开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2,图3,图4中所示的步骤。
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600’(例如键盘、指向设备、蓝牙设备等)通信,使得用户能与该电子设备600交互的设备通信,和/或该电子设备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,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,如图7所示,根据本公开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非易失性存储介质(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)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。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公开操作的程序代码,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)。
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一个该设备执行时,使得该计算机可读介质实现如下功能:获取来自第三方平台用户的用户信息,所述用户信息包括基础信息和行为信息;根据所述用户信息生成用户特征信息;将所述用户特征信息输入平台用户风险模型中,生成用户风险评分,所述平台用户风险模型基于梯度提升决策树模型和共享层生成;基于所述用户风险评分和预设策略为所述用户确定用户策略。该计算机可读介质还可实现如下功能:基于来自第三方平台的历史用户的用户信息生成第一历史样本集合;基于来自本地平台的历史用户的用户信息生成第二历史样本集合;通过所述第一历史样本集合和所述第二历史样本集合中的历史样本交替对梯度提升决策树模型和共享层进行训练以生成所述平台用户风险模型。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本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。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例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,根据本公开实施例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非易失性存储介质(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、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (12)
1.一种第三方平台用户的策略分配方法,其特征在于,包括:
获取来自第三方平台用户的用户信息,所述用户信息包括基础信息和行为信息;
根据所述用户信息生成用户特征信息;
将所述用户特征信息输入平台用户风险模型中,生成用户风险评分,所述平台用户风险模型基于梯度提升决策树模型和共享层生成;
基于所述用户风险评分和预设策略为所述用户确定用户策略。
2.如权利要求1所述的方法,其特征在于,还包括:
基于来自第三方平台的历史用户的用户信息生成第一历史样本集合;
基于来自本地平台的历史用户的用户信息生成第二历史样本集合;
通过所述第一历史样本集合和所述第二历史样本集合中的历史样本交替对梯度提升决策树模型和共享层进行训练以生成所述平台用户风险模型。
3.如权利要求2所述的方法,其特征在于,基于来自第三方平台的历史用户的用户信息生成第一历史样本集合,包括:
获取来自第三方平台的历史用户的用户信息;
将所述用户信息进行特征处理以生成用户特征信息;
根据第一判定准则为所述第三方平台的历史用户分配第一标签;
基于带有第一标签的历史用户的特征信息生成所述第一历史样本集合。
4.如权利要求2所述的方法,其特征在于,基于来自本地平台的历史用户的用户信息生成第二历史样本集合,包括:
获取来自本地平台的历史用户的用户信息;
将所述用户信息进行特征处理以生成用户特征信息;
根据第二判定准则为所述本地平台的历史用户分配第二标签;
基于带有第二标签的历史用户的特征信息生成所述第二历史样本集合。
5.如权利要求2所述的方法,其特征在于,通过所述第一历史样本集合和所述第二历史样本集合中的历史样本交替对梯度提升决策树模型和共享层进行训练以生成所述平台用户风险模型,包括:
将所述第一历史样本集合和所述第二历史样本集合中的历史样本交替输入到梯度提升决策树模型和共享层中以对其进行训练;
在训练过程中计算第一历史样本集合对应的第一损失函数;
在训练过程中计算第二历史样本集合对应的第二损失函数;
在所述第一损失函数和所述第二损失函数获得最优解时,基于当前梯度提升决策树模型和共享层的参数生成所述平台用户风险模型。
6.如权利要求5所述的方法,其特征在于,将所述第一历史样本集合和所述第二历史样本集合中的历史样本交替输入到梯度提升决策树模型和共享层中以对其进行训练,包括:
将所述第一历史样本集合和所述第二历史样本集合中的历史样本交替输入到梯度提升决策树模型;
根据所述梯度提升决策树模型的叶子节点的数值生成计算结果;
将所述计算结果进行独热编码处理,生成输入特征;
根据所述输入特征对所述共享层进行训练。
7.如权利要求6所述的方法,其特征在于,所述共享层为神经网络结构。
8.如权利要求5所述的方法,其特征在于,在训练过程中计算第一历史样本集合对应的第一损失函数,包括:
在训练过程中基于标签偏差度生成第一历史样本集合对应的第一损失函数。
9.如权利要求5所述的方法,其特征在于,在所述第一损失函数和所述第二损失函数获得最优解时,包括:
根据梯度下降方法求取所述第一损失函数和所述第二损失函数的稳定解。
10.一种第三方平台用户的策略分配装置,其特征在于,包括:
用户模块,用于获取来自第三方平台用户的用户信息,所述用户信息包括基础信息和行为信息;
特征模块,用于根据所述用户信息生成用户特征信息;
评分模块,用于将所述用户特征信息输入平台用户风险模型中,生成用户风险评分,所述平台用户风险模型基于梯度提升决策树模型和共享层生成;
策略模块,用于基于所述用户风险评分和预设策略为所述用户确定用户策略。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
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1-9中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799827.3A CN113610354A (zh) | 2021-07-15 | 2021-07-15 | 第三方平台用户的策略分配方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799827.3A CN113610354A (zh) | 2021-07-15 | 2021-07-15 | 第三方平台用户的策略分配方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113610354A true CN113610354A (zh) | 2021-11-05 |
Family
ID=78304667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110799827.3A Pending CN113610354A (zh) | 2021-07-15 | 2021-07-15 | 第三方平台用户的策略分配方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610354A (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895245A (zh) * | 2017-12-26 | 2018-04-10 | 国网宁夏电力有限公司银川供电公司 | 一种基于用户画像的电费回收风险评估方法 |
US20180276533A1 (en) * | 2017-03-26 | 2018-09-27 | Facebook, Inc. | Multi-task neutral network for feed ranking |
CN108629413A (zh) * | 2017-03-15 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 神经网络模型训练、交易行为风险识别方法及装置 |
CN108694673A (zh) * | 2018-05-16 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN109034658A (zh) * | 2018-08-22 | 2018-12-18 | 重庆邮电大学 | 一种基于大数据金融的违约用户风险预测方法 |
CN109063931A (zh) * | 2018-09-06 | 2018-12-21 | 盈盈(杭州)网络技术有限公司 | 一种预测货运物流司机违约概率的模型方法 |
CN109509039A (zh) * | 2018-12-29 | 2019-03-22 | 携程计算机技术(上海)有限公司 | 价格预测模型的建立方法及***、商品推荐方法及*** |
CN110084318A (zh) * | 2019-05-07 | 2019-08-02 | 哈尔滨理工大学 | 一种结合卷积神经网络和梯度提升树的图像识别方法 |
CN110363417A (zh) * | 2019-07-02 | 2019-10-22 | 北京淇瑀信息科技有限公司 | 金融风险策略生成方法、装置及电子设备 |
US20200074542A1 (en) * | 2018-09-05 | 2020-03-05 | Consumerinfo.Com, Inc. | Database platform for realtime updating of user data from third party sources |
CN111242364A (zh) * | 2020-01-07 | 2020-06-05 | 上海钧正网络科技有限公司 | 基于神经网络的车辆故障和舒适度预测方法、装置、终端及介质 |
CN111401914A (zh) * | 2020-04-02 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 风险评估模型的训练、风险评估方法及装置 |
US20200242492A1 (en) * | 2019-01-25 | 2020-07-30 | Stripe, Inc. | Shared learning across separate entities with private data features |
CN111582651A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 用户风险分析模型训练方法、装置及电子设备 |
CN111951789A (zh) * | 2020-08-14 | 2020-11-17 | 北京达佳互联信息技术有限公司 | 语音识别模型的训练、语音识别方法、装置、设备及介质 |
CN111967543A (zh) * | 2020-10-23 | 2020-11-20 | 北京淇瑀信息科技有限公司 | 用户资源配额确定方法、装置及电子设备 |
CN112529702A (zh) * | 2021-02-05 | 2021-03-19 | 北京淇瑀信息科技有限公司 | 用户授信策略分配方法、装置及电子设备 |
-
2021
- 2021-07-15 CN CN202110799827.3A patent/CN113610354A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629413A (zh) * | 2017-03-15 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 神经网络模型训练、交易行为风险识别方法及装置 |
US20180276533A1 (en) * | 2017-03-26 | 2018-09-27 | Facebook, Inc. | Multi-task neutral network for feed ranking |
CN107895245A (zh) * | 2017-12-26 | 2018-04-10 | 国网宁夏电力有限公司银川供电公司 | 一种基于用户画像的电费回收风险评估方法 |
CN108694673A (zh) * | 2018-05-16 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN109034658A (zh) * | 2018-08-22 | 2018-12-18 | 重庆邮电大学 | 一种基于大数据金融的违约用户风险预测方法 |
US20200074542A1 (en) * | 2018-09-05 | 2020-03-05 | Consumerinfo.Com, Inc. | Database platform for realtime updating of user data from third party sources |
CN109063931A (zh) * | 2018-09-06 | 2018-12-21 | 盈盈(杭州)网络技术有限公司 | 一种预测货运物流司机违约概率的模型方法 |
CN109509039A (zh) * | 2018-12-29 | 2019-03-22 | 携程计算机技术(上海)有限公司 | 价格预测模型的建立方法及***、商品推荐方法及*** |
US20200242492A1 (en) * | 2019-01-25 | 2020-07-30 | Stripe, Inc. | Shared learning across separate entities with private data features |
CN110084318A (zh) * | 2019-05-07 | 2019-08-02 | 哈尔滨理工大学 | 一种结合卷积神经网络和梯度提升树的图像识别方法 |
CN110363417A (zh) * | 2019-07-02 | 2019-10-22 | 北京淇瑀信息科技有限公司 | 金融风险策略生成方法、装置及电子设备 |
CN111242364A (zh) * | 2020-01-07 | 2020-06-05 | 上海钧正网络科技有限公司 | 基于神经网络的车辆故障和舒适度预测方法、装置、终端及介质 |
CN111401914A (zh) * | 2020-04-02 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 风险评估模型的训练、风险评估方法及装置 |
CN111582651A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 用户风险分析模型训练方法、装置及电子设备 |
CN111951789A (zh) * | 2020-08-14 | 2020-11-17 | 北京达佳互联信息技术有限公司 | 语音识别模型的训练、语音识别方法、装置、设备及介质 |
CN111967543A (zh) * | 2020-10-23 | 2020-11-20 | 北京淇瑀信息科技有限公司 | 用户资源配额确定方法、装置及电子设备 |
CN112529702A (zh) * | 2021-02-05 | 2021-03-19 | 北京淇瑀信息科技有限公司 | 用户授信策略分配方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
王青天等: "《Python金融大数据风控建模实战》", 北京:机械工业出版社, pages: 292 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348660A (zh) | 生成风险警示信息的方法、装置及电子设备 | |
CN112529702B (zh) | 用户授信策略分配方法、装置及电子设备 | |
CN112508694B (zh) | 服务器处理资源额度申请的方法、装置及电子设备 | |
CN112348659B (zh) | 用户识别策略的分配方法、装置及电子设备 | |
CN112015562A (zh) | 基于迁移学习的资源分配方法、装置及电子设备 | |
CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN114611008B (zh) | 基于联邦学习的用户服务策略确定方法、装置及电子设备 | |
CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
CN112016796A (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
CN112017062B (zh) | 基于客群细分的资源额度分配方法、装置及电子设备 | |
CN113298354A (zh) | 业务衍生指标的自动生成方法、装置及电子设备 | |
CN113610366A (zh) | 风险警告生成方法、装置及电子设备 | |
CN112016793A (zh) | 基于目标用户群的资源分配方法、装置及电子设备 | |
CN113610625A (zh) | 逾期风险警示方法、装置及电子设备 | |
CN113570207B (zh) | 用户策略分配方法、装置及电子设备 | |
CN114742645B (zh) | 基于多阶段时序多任务的用户安全等级识别方法及装置 | |
CN113610536A (zh) | 交易拒绝用户的用户策略分配方法、装置及电子设备 | |
CN113568739B (zh) | 用户资源额度分配方法、装置及电子设备 | |
CN114091815A (zh) | 资源请求处理方法、装置、***及电子设备 | |
CN111626438B (zh) | 基于模型迁移的用户策略分配方法、装置及电子设备 | |
CN113298555B (zh) | 推广策略生成方法、装置及电子设备 | |
CN113902545A (zh) | 资源额度分配方法、装置及电子设备 | |
CN113610354A (zh) | 第三方平台用户的策略分配方法、装置及电子设备 | |
CN113902543A (zh) | 资源配额调整方法、装置及电子设备 |
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 |