CN114077962A - 基于用户标签的资源配额重新确定方法、装置和计算机设备 - Google Patents
基于用户标签的资源配额重新确定方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN114077962A CN114077962A CN202111213765.XA CN202111213765A CN114077962A CN 114077962 A CN114077962 A CN 114077962A CN 202111213765 A CN202111213765 A CN 202111213765A CN 114077962 A CN114077962 A CN 114077962A
- Authority
- CN
- China
- Prior art keywords
- user
- resource quota
- users
- resource
- candidate
- 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 68
- 238000004364 calculation method Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000001172 regenerating effect Effects 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000007477 logistic regression Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 33
- 238000009826 distribution Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 13
- 238000003860 storage Methods 0.000 description 19
- 239000013598 vector Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000013468 resource allocation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000037023 motor activity Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于用户标签的资源配额重新确定方法、装置和计算机设备。该方法包括:确定参照用户及其用户特征,将候选用户集合中用户与所述参照用户进行聚类计算,以筛选出目标用户群组;基于所筛选出的目标用户群组的用户特征重新生成用户标签,并根据用户标签建立用于训练资源配额确定模型的训练数据集;将候选用户的用户特征输入训练好的资源配额确定模型,输出与所述候选用户相对应的资源配额。本发明通过重新生成用户标签以定义好坏样本以建立训练数据集,并使用该训练数据集训练资源配额确定模型,能够有效量化用户对于互联网资源的需求变化情况,能够更精确地确定所述候选用户的资源配额,还能够进一步地优化互联网资源的分配过程。
Description
技术领域
本发明涉及计算机信息处理领域,具体涉及一种基于用户标签的资源配额重新确定方法、装置和计算机设备。
背景技术
在基于互联网的应用技术中,常常需要在不同的参与方之间进行资源的交换。这里所称的资源是指任何可被利用的物质、信息、金钱、时间等。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。在分配资源的过程中,往往需要对用户的资源配置权进行认证,并为不同的用户分配不同的资源配额,所述资源配置权是指用户是否有权获取资源的一种认证,其可以由特定的资源管理机构认证,也可以是资源所有的一方进行认证。所谓资源配额是指该用户在特定时间内可以获得的最高资源额。
与金钱相关的资源通常也称为互联网资源,该互联网资源是指互联网领域中关于资源服务主体与客体的结构、数量、规模、分布及其效应和相互作用关系的一系列对象的总和或集合体,在生产和生活中,只有互联网资源配置有效率,才能实现互联网资源和经济可持续发展。对于提供互联网资源服务的公司而言,互联网资源可以为资金的总额度,或者等同于资金的资产的额度等等。对于提供互联网资源服务的公司而言,互联网资产中的一部分可用来给个人用户提供资源服务,还有一部分可以给其他的企业用户提供金融服务,其他部分可用来投入到本公司的发展中去,或者进行其他的互联网相关的业务。
对于互联网资源服务的公司而言,由于总体的互联网资源在一个相对固定的时间是有限的,而如何在不同的业务中合理的进行互联网资源的分配就尤为重要。对于互联网资源服务公司所服务的企业级用户或者其他金融相关的业务而言,其需要占用互联网资源的时间和周期一般是通过事先计划审批才能够获准的,比较有利于统筹安排其互联网资源的分配。对于个人用户而言,由于个人用户的个体差异性,互联网资源服务公司几乎无法事先预知个人用户的互联网资源需求的计划和时间,并且在不同时间段内可流动使用或可利用的互联网资源总量也是变化的,因此,如何有效量化个人用户对于互联网资源服务随时间变化而产生的需求变化,针对个人用户的互联网资源进行更加合理的分配,以及如何有效提高互联网资源的可回收性和可再利用性,是当今互联网资源服务公司所面临的难题。
因此,有必要提供一种更优化的资源配额的重新确定方法。
发明内容
为了解决现有技术中无法精确量化各用户对于互联网资源服务随时间变化而产生的需求变化,如何优化互联网资源的分配过程以及如何有效提高互联网资源的可回收性和可再利用性等的技术问题。
本发明的第一方面提供了一种基于用户标签的资源配额重新确定方法,包括:确定参照用户及其用户特征,将候选用户集合中用户与所述参照用户进行聚类计算,以筛选出目标用户群组;基于所筛选出的目标用户群组的用户特征重新生成用户标签,并根据所述用户标签建立用于训练资源配额确定模型的训练数据集;将候选用户的用户特征输入训练好的资源配额确定模型,输出与所述候选用户相对应的资源配额。
根据可选的实施方式,所述确定参照用户及其用户特征包括:确定比所述候选用户集合中候选用户的资源配额值大的参照用户;并且,确定所述参照用户的用户基本信息特征、职业信息特征和资源归还表现特征。
根据可选的实施方式,所述将候选用户集合中用户与所述参照用户进行聚类计算,以筛选出目标用户群组包括:在所述聚类计算后生成多个用户群组,根据筛选规则从所述多个用户群组中筛选出目标用户群组;其中,所述筛选规则包括所述用户群组的用户总数量大于特定数量,所述用户群组中所述参照用户的数量与所述候选用户的数量之比在预定比例范围内,以及比较所述用户群组中所述参照用户的用户特征与所述候选用户的用户特征的相似度。
根据可选的实施方式,在所述用户群组的用户总数量大于特定数量,且所述用户群组中所述参照用户的数量与所述候选用户的数量之比为1:1时,确定所述用户群组为目标用户群组。
根据可选的实施方式,在所述用户群组的用户总数量大于特定数量,且所述用户群组的中所述参照用户的数量与所述候选用户的数量之比为1:1,和/或所述用户群组中所述参照用户的用户特征与所述候选用户的用户特征的相似度大于设定值时,确定所述用户群组为目标用户群组。
根据可选的实施方式,所述基于所筛选出的目标用户群组的用户特征生成用户标签包括:对与所述目标用户群组中候选用户相似的用户重新生成为1的用户标签,并且对与所述目标用户群组中候选用户不相似的用户重新生成为0的用户标签,重新定义正样本和负样本,以建立训练数据集;和/或对与所述目标用户群组中候选用户相似度大于指定值的用户重新生成为1的用户标签,并且对与所述目标用户群组中候选用户的相似度小于等于指定值的用户重新生成为0的用户标签,重新定义正样本和负样本,以建立训练数据集。
根据可选的实施方式,使用K-means算法对候选用户集合中用户与所述参照用户进行聚类计算或者进行多轮聚类计算。
根据可选的实施方式,构建所述构建资源配额确定模型包括:使用逻辑回归模型、Xgboost模型和/或深度神经网络,建立资源配额确定模型,所述资源配额确定模型计算用户评估值,并输出与所述候选用户的用户评估值相对应的资源配额值或资源配额范围,该用户评估值为0~1之间的数值;或者所述资源配额确定模型直接输出所述候选用户的资源配额值或资源配额范围。
此外,本发明的第二方面还提供了一种基于用户标签的资源配额重新确定装置,包括:筛选模块,用于确定参照用户及其用户特征,将候选用户集合中用户与所述参照用户进行聚类计算,以筛选出目标用户群组;建立模块,基于所筛选出的目标用户群组的用户特征重新生成用户标签,并根据所述用户标签建立用于训练资源配额确定模型的训练数据集;计算确定模块,用于将候选用户的用户特征输入训练好的资源配额确定模型,输出与所述候选用户相对应的资源配额。
此外,本发明的第三方面还提供了一种计算机设备,包括处理器和存储器,所述存储器用于存储计算机可执行程序,当所述计算机程序被所述处理器执行时,所述处理器执行如本发明所述的基于用户标签的资源配额重新确定方法。
此外,本发明的第四方面还提供了一种计算机程序产品,存储有计算机可执行程序,所述计算机可执行程序被执行时,实现如本发明所述的基于用户标签的资源配额重新确定方法。
有益效果
与现有技术相比,本发明通过确定参照用户及其用户特征,将候选用户集合中用户与所述参照用户进行聚类计算,筛选出目标用户群组,能够精确地从所获得的多个用户群组中筛选出目标用户群组;通过使用所筛选出的目标用户群组的用户特征重新生成的用户标签定义好坏样本以建立训练数据集,并使用该训练数据集训练资源配额确定模型,能够有效量化用户对于互联网资源的需求变化情况,能够精确地确定资源配额。
进一步地,根据筛选规则筛选目标用户群组,能够更精确地从所获得的多个用户群组中筛选出目标用户群组;通过计算确定资源配额的调整系数,并根据调整系数和所确定的资源配额区间,能够根据各用户对于互联网资源服务随时间变化而产生的需求变化来重新确定所述候选用户的资源配额,能够更精确地确定资源配额,能够进一步优化用户资源配额确定方法,能够进一步地优化互联网资源的分配过程,还能够有效提高互联网资源的可回收性和可再利用性。
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是本发明的基于用户标签的资源配额重新确定方法的一示例的流程图。
图2是本发明的基于用户标签的资源配额重新确定方法的另一示例的流程图。
图3是本发明的基于用户标签的资源配额重新确定方法的又一示例的流程图。
图4是本发明的基于用户标签的资源配额重新确定装置的一示例的示意性结构框图。
图5是本发明的基于用户标签的资源配额重新确定装置的另一示例的示意性结构框图。
图6是本发明的基于用户标签的资源配额重新确定装置的又一示例的示意性结构框图。
图7是根据本发明的计算机设备的示例性实施例的结构框图。
图8是根据本发明的计算机程序产品的示例性实施例的结构框图。
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。
鉴于上述问题,本发明提供了一种基于用户标签的资源配额重新确定方法,该方法通过确定参照用户及其用户特征,将候选用户集合中用户与所述参照用户进行聚类计算,筛选出目标用户群组,能够更精确地从所获得的多个用户群组中筛选出目标用户群组;通过使用所筛选出的目标用户群组的用户特征重新生成的用户标签定义好坏样本以建立训练数据集,并使用该训练数据集训练资源配额确定模型,能够有效量化用户对于互联网资源的需求变化情况,能够优化所述资源配额确定模型的模型参数,能够提高模型精确度。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。为了方便起见,本发明中以互联网数据资源为示例说明资源配额重新确定方法的实施,但本领域技术人员应当理解,本发明亦可以用于其他资源配额的重新确定。
实施例1
下面,将参照图1至图3描述本发明的基于用户标签的资源配额重新确定方法的实施例。
图1是本发明的基于用户标签的资源配额重新确定方法的一示例的流程图。
如图1所示,所述资源配额重新确定方法包括以下步骤。
步骤S101,确定参照用户及其用户特征,将候选用户集合中用户与所述参照用户进行聚类计算,以筛选出目标用户群组。
步骤S102,基于所筛选出的目标用户群组的用户特征重新生成用户标签,并根据所述用户标签建立用于训练资源配额确定模型的训练数据集。
步骤S103,将候选用户的用户特征输入训练好的资源配额确定模型,输出与所述候选用户相对应的资源配额。
需要说明的是,本发明的资源配额重新确定方法特别适用于互联网资源服务的应用场景。其中,互联网资源服务包括由用户设备或客户端向互联网资源服务平台的申请而提供例如购物、乘车、地图、外卖、共享单车等的服务资源。例如,所述互联网资源服务包括资源使用服务、资源分配服务、资源筹集服务、资源保障服务或互助服务、拼团购买以及乘车服务等等。其中,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。
首先,在步骤S101中,确定参照用户及其用户特征,将候选用户集合中用户与所述参照用户进行聚类计算,以筛选出目标用户群组。
具体地,根据不同互联网资源服务的业务目标,从预分类用户群中确定参照用户。
更具体地,所述业务目标包括特定时间内的互联网资源总量、资源可流动量、调整(提高或降低)资源配额等等。所述预分类用户群包括根据城市、年龄、性别、收入和/或动支行为等参数所划分的用户群。
在一实施方式中,在互联网资源分配服务的应用场景下,在业务目标为调整(提高或降低)资源配额的情况下,从互联网资源分配服务的预分类用户群中确定参照用户及其用户特征。
具体地,所述参照用户包括资源分配额度在特定值以上或者在特定范围内的用户。例如,资源分配额度在例如1万元以上或者在1万元~2万元的范围内。
更具体地,例如,在业务目标为提高用户的资源配额的情况下,确定比所述候选用户集合中候选用户的资源配额值大的参照用户;并且,确定所述参照用户的用户基本信息特征、职业信息特征和资源归还表现特征。
进一步地,所述用户特征包括用户账号、手机号、用户设备ID、用户基本信息、互联网资源服务使用的表现数据等。其中,所述用户基本信息包括用户性别、年龄、收入、城市等信息数据。
具体地,所述互联网资源服务使用的表现数据包括用户所选的互联网资源服务类型、与各互联网资源服务类型相对应的资源配额、资源可使用时间、资源归还是否逾期或违约等等。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。在其他实施方式中,所述资源配额数据还包括资源归还时间、已资源归还次数、未资源归还额、资源归还逾期数据、违约数据、欺诈数据以及特定时间内资源配额调整次数等等。此外,还可以包括资源配额使用次数、资源配额调整次数、特享资源凭证相关数据(例如是否具有特享资源凭证、特享资源凭证的领取次数或者特定时间内特享资源凭证的领取次数、特定时间内从未持有特享资源凭证到持有特享资源凭证的变化特征)等等。
进一步地,根据所确定的参照用户及其用户特征,对候选用户集合中用户与所述参照用户进行聚类计算或者进行聚类计算。
需要说明的是,在本发明中,所述候选用户集合是指已使用互联网资源服务所提供的互联网资源的用户群或者用户集合。
在一实施方式中,例如所确定的参照用户的资源配额为1.6万元,用户特征包括用户年龄、学历和城市。例如从资源配额为小于1.6万元的候选用户集合中筛选用户。
在另一实施方式中,例如所确定的参照用户的资源配额为1.8万元,用户特征包括用户性别、学历、互联网资源服务使用的表现数据。例如从资源配额为小于等于1.8万元的候选用户集合中筛选用户。
在又一实施方式中,例如所确定的参照用户的资源配额为2万元,用户特征包括用户学历、资源配额数据。例如从资源配额为小于等于2万元的候选用户集合中筛选用户。
在又一实施方式中,例如所确定的参照用户的资源配额为1万元,用户特征包括用户学历、资源归还逾期数据和违约数据。例如从资源配额为小于1万元的候选用户集合中筛选用户。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。
具体地,根据所述参照用户的用户特征,使用K-means算法对候选用户集合中用户与所述参照用户进行聚类计算或者进行多轮聚类计算。例如,进行两轮或者更多轮聚类计算,在所述聚类计算后生成多个用户群组,以从所述多个用户群组中筛选出目标用户群组。
对于多轮聚类计算,每一轮聚类采用不同的k值,并输出初始的聚类结果,所述k值是K-means算法中初始中心向量的个数。
作为一具体实施方式,设定用户样本服从正态分布,初始的聚类结果中的群组数量(或者类数量)随着所述多轮聚类处理的轮数增加而增加,并且在所述多轮聚类处理的轮数达到特定轮数时,初始的聚类结果中的类数量逐渐减小。
具体地,例如使用质心的算法进行聚类计算。对于多伦聚类处理,每一轮聚类采用不同的k值,并输出初始的聚类结果。其中,每一轮聚类处理包括:设定初始k值;随机产生k个类中心向量,使用K-means算法迭代更新该类中心向量,直到本次迭代时的类中心向量与上一次迭代时的类中心向量之间的距离小于指定阈值。
更具体地,例如,计算每个用户样本到每个类中心向量的欧氏距离;在各用户样本到各类中心向量的欧氏距离中,将距离最小的类中心向量所在的类作为该样本在本次迭代中所归属的类;将属于同一类的样本的均值向量作为下一轮迭代的类中心向量。由此,经过多轮聚类计算之后,获得多个用户群组。
需要说明的是,对于聚类的算法,不限于此,上述仅作为示例进行说明,不能理解成对本发明的限制,在其他示例中,还可以为基于概率分布的算法、EM算法等。
进一步地,根据筛选规则从所获得的多个用户群组中筛选出目标用户群组。
具体地,所述筛选规则包括所述用户群组的用户总数量大于特定数量,所述用户群组中所述参照用户的数量与所述候选用户的数量之比在预定比例范围内,以及比较所述用户群组中所述参照用户的用户特征与所述候选用户的用户特征的相似度。
需要说明的是,对于相似度的算法,例如计算用户特征生成的用户向量的相似度,或者计算所述用户向量的欧式距离等,但是不限于此,上述仅作为示例进行说明,不能理解成对本发明的限制。
在一实施方式中,例如,所述筛选规则为所述用户群组的用户总数量大于特定数量,所述用户群组中所述参照用户的数量与所述候选用户的数量之比为例如1:1。
在另一实施方式中,例如,所述筛选规则为所述用户群组的用户总数量大于特定数量,所述用户群组中所述参照用户的数量与所述候选用户的数量之比为例如在大于3:4~9:10的预定比例范围内。
在又一实施方式中,例如,所述筛选规则为所述用户群组的用户总数量大于特定数量,所述用户群组中所述参照用户的数量与所述候选用户的数量之比为例如1:1,以及比较所述用户群组中所述参照用户的用户特征与所述候选用户的用户特征的相似度。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。
对于目标用户群组的确定,在一实施方式中,在所述用户群组的用户总数量大于特定数量,且所述用户群组中所述参照用户的数量与所述候选用户的数量之比为1:1时,确定所述用户群组为目标用户群组。
在另一实施方式中,在所述用户群组的用户总数量大于特定数量,且所述用户群组的中所述参照用户的数量与所述候选用户的数量之比为1:1,和/或所述用户群组中所述参照用户的用户特征与所述候选用户的用户特征的相似度大于设定值时,确定所述用户群组为目标用户群组。
由此,根据上述筛选规则,能够更精确地从所获得的多个用户群组中筛选出目标用户群组。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。
接下来,在步骤S102中,基于所筛选出的目标用户群组的用户特征重新生成用户标签,并根据所述用户标签建立用于训练资源配额确定模型的训练数据集。
具体地,根据所筛选出的目标用户群组的用户特征,重新生成用户标签,其中,所筛选出的用户为需要调整(提高或降低)资源配额的用户。
例如,所筛选的目标用户群组的用户特征包括用户所在城市、互联网资源服务使用的表现数据等。其中,所述互联网资源服务使用的表现数据包括用户所选的互联网资源服务类型、与各互联网资源服务类型相对应的资源配额、资源可使用时间、资源配额使用次数、资源配额调整次数、特享资源凭证相关数据(例如是否具有特享资源凭证、特享资源凭证的领取次数或者特定时间内特享资源凭证的领取次数、特定时间内从未持有特享资源凭证到持有特享资源凭证的变化特征)以及资源归还是否逾期或违约、等等。
需要说明的是,在本发明中,所述特享资源使用凭证包括指定时间内可使用资源额度的卡、优惠券和/或折扣券。例如,所述指定时间包括1个月、2个月、3个月、6个月,12个月等。例如,所述可使用资源额度为1000元、2000元、5000元等,或者为1000元~5000元,1000元~3000元,2000元~10000元等的额度使用范围。
在一实施方式中,对与所述目标用户群组中候选用户相似的用户重新生成为1的用户标签,并且对与所述目标用户群组中候选用户不相似的用户重新生成为0的用户标签,重新定义正样本和负样本,以建立训练数据集。
在另一实施方式中,对与所述目标用户群组中候选用户相似度大于指定值(例如该指定值为相似度70%、80%或者90%)的用户重新生成为1的用户标签,并且对与所述目标用户群组中候选用户的相似度小于等于指定值(例如该指定值为相似度70%、80%或者90%)的用户重新生成为0的用户标签,重新定义正样本和负样本,以建立训练数据集。
在又一实施方式中,对与所述目标用户群组中候选用户相似度大于指定值(例如该指定值为相似度70%~90%的任意数值)、且持有特享资源凭证(或者特定时间内发生了从未持有到持有特享资源使用凭证的变化)的用户重新生成为1的用户标签,并且对与所述目标用户群组中候选用户的相似度小于等于指定值(例如该指定值为相似度70%~90%的任意数值)、且未持有特享资源凭证的的用户重新生成为0的用户标签,重新定义正样本和负样本,以建立训练数据集。其中,1表示用户发生了需要调整资源配额的需求变化,0表示用户未发生需要调整资源配额的需求变化。通常,用户标签越接近1,则表示用户需要调整资源配额的可能性越大,而用户标签越接近0,则表示该用户需要调整资源配额的可能性越小。
需要说明的是,上述仅作为示例,进行说明,不能理解成对本发明的限制,其中,所述特定时间段包括6个月,8个月,10个月,12个月或18个月等。此外,在其他实施方式中,还可以使用特定时间段内发放例如优惠券、折扣券等特享资源使用凭证的次数和券值等多个参数来确定所述需求变化的概率。上述均作为可选示例进行说明,不能理解成对本发明的限制。
具体地,所述特享资源使用凭证包括指定时间内可使用资源额度的卡、优惠券和/或折扣券。例如,所述指定时间包括1个月、2个月、3个月、6个月,12个月等。
作为一具体实施方式,所述训练数据集包括标注有所生成的用户标签的历史用户及其用户特征数据,所述用户特征包括用户账号、手机号、用户设备ID、用户基本信息等。
具体地,所述用户基本信息包括用户性别、年龄、收入等信息数据。
在另一实施方式,所述训练数据集包括标注有所生成的用户标签的历史用户及其用户特征数据,以及资源配额数据。
具体地,所述资源配额数据包括用户所选的互联网资源服务类型、与各互联网资源服务类型相对应的资源配额、资源可使用时间、资源配额使用次数、资源配额调整次数、特享资源凭证相关数据(例如是否具有特享资源凭证、特享资源凭证的领取次数或者特定时间内特享资源凭证的领取次数、特定时间内从未持有特享资源凭证到持有特享资源凭证的变化特征)以及资源归还是否逾期或违约等等。
在又一实施方式中,所述资源配额数据包括用户所选的互联网资源服务类型、与各互联网资源服务类型相对应的资源配额、资源可使用时间、资源归还时间、已资源归还次数、未资源归还额、资源归还逾期数据、违约数据以及欺诈数据等等。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制,在其他实施方式中,所述资源配额数据还可以包括是否包含多种互联网资源服务类型、服务类型的数量以及是否有欺诈数据等。
可选地,资源配额确定模型包括:例如使用逻辑回归模型、Xgboost模型和/或深度神经网络,建立资源配额确定模型。其中,所述资源配额确定模型计算用户评估值,并输出与所述候选用户的用户评估值相对应的资源配额值或资源配额范围,该用户评估值为0~1之间的数值。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。在其他实施方式中,所述资源配额确定模型还可以直接输出所述候选用户的资源配额值或资源配额范围。
进一步地,使用训练数据集训练所建立的资源配额确定模型。
可选地,对于模型训练过程,还包括对模型参数进行优化,所述模型参数包括深度神经网络的各层之间的权重参数和偏置参数。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。在其他示例中,模型参数还包括深度神经网络的层数、迭代次数和学习率。
具体地,例如设定模型参数的先验概率服从标准正态分布,使用MCMC方法对所述权重参数和偏置参数的分布进行多次采样,得到参数组合集,更具体地,在使用所述参数组合集进行测试时,对所输入的同一用户特征数据进行多次前向传播,计算各模型参数的平均数和统计方差值,以优化各模型参数,最后输出参数优化后的神经网络。由此,能够优化所述资源配额确定模型的模型参数,能够提高模型精确度。
因此,通过使用所筛选出的目标用户群组的用户特征重新生成的用户标签定义好坏样本以建立训练数据集,并使用该训练数据集训练资源配额确定模型,能够有效量化用户对于互联网资源的需求变化情况,能够优化所述资源配额确定模型的模型参数,能够提高模型精确度。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。
接下来,在步骤S103中,将候选用户的用户特征输入训练好的资源配额确定模型,输出与所述候选用户相对应的资源配额。
具体地,获取候选用户的用户特征,并将该候选用户的用户特征输入训练好的资源配额确定模型,以输出与所述候选用户相对应的资源配额。
如图2所示,在另一实施方式中,所述资源配额重新确定方法还包括确定目标用户群组的步骤S201。
在步骤S201中,确定目标用户群组(即候选用户群),并从该目标用户群组中筛选待调整互联网资源配额(在本发明中,也简称为资源配额或者资源分配额)的候选用户。
在步骤S201中,拟合系数确定曲线,以用于确定第一计算系数a。
需要说明的是,在图2所示的示例中,将图1中的步骤S103拆分成步骤S103和步骤S201。由于图2中的步骤S101、步骤S102和步骤S103与图1中的步骤S101、步骤S102和步骤S103大致相同,因此省略了相同部分的说明。
具体地,在筛选提高资源配额的互联网资源分配服务(例如理财服务)场景下,确定指定资源配额范围内的候选用户群。例如,所述指定资源配额范围例如为2000元~5000元,5000元~8000元等。
进一步地,还包括从所述候选用户集合(即目标用户群组)中筛选候选用户的步骤。
具体地,获取不同互联网资源服务的历史用户的用户特征数据、资源配额相关数据(例如特定时间内特享资源凭证的发放次数或特享资源凭证的使用次数)、逾期概率或资源归还概率,计算各历史用户的第一用户评分。
在一实施方式中,根据所述历史用户的第一用户评分和特定时间内特享资源凭证的发放次数(或特享资源凭证的使用次数)拟合系数确定曲线,所述系数确定曲线用于确定用户的资源配额提高幅度(或者降低幅度)的第一计算系数a。
需要说明的是,在上述示例中,使用特定时间内特享资源凭证的发放次数(或特享资源凭证的使用次数)表征使用特享资源凭证的使用率,其中,所述特定时间包括6个月、9个月、12个月、18个月或24个月。但是不限于此,上述仅作为示例进行说明,不能理解成对本发明的限制。
在另一实施方式中,根据所述历史用户的第一用户评分和违约概率(或资源归还概率、逾期概率)拟合系数确定曲线,所述系数确定曲线用于确定用户的资源配额提高幅度(或者降低幅度)的第一计算系数a。
具体地,使用下式计算所述系数确定曲线。
y=Ax2+Bx+C (1)
其中,y表示历史的特享资源凭证的使用率、逾期概率、违约概率或资源归还概率;x表示第一计算系数a;A,B,C分别为曲线参数。
需要说明的是,在本发明中,对于不同类型的互联网资源服务在不同历史时间段内的统计数据(例如特享资源凭证的使用率、逾期概率、违约概率或资源归还概率的最大值、最小值,平均值,违约或逾期用户占用户量的比例等影响因素所确定的),进行设定。此外,特定时间内所述系数确定曲线还可以为多个线段和/或曲线组成的分段函数。上述仅作为示例进行说明,不能理解成对本发明的限制。
由此,根据所述历史用户的第一用户评分、特享资源凭证的使用率和违约概率、违约概率或资源归还概率拟合系数确定曲线,能够获得更精确的系数确定曲线。
具体地,根据候选用户的用户特征数据和对应的互联资源服务类型,选择各候选用户的系数确定曲线,并使用所选择的系数确定曲线计算各候选用户的第一计算系数a。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。
具体地,通过将所计算的第一用户评分与相应的第一计算系数a相乘的到最终的第一用户评分,并根据所述最终的第一用户评分从候选用户集合(目标用户群组)中筛选出特定数量的候选用户。
在一实施方式中,在所计算的候选用户的第一用户评分大于设定阈值时,则将筛选出所述候选用户,所述候选用户例如为待提高互联网资源配额的用户。
需要说明的是,在本实施方式中,所述设定阈值是根据历史用户在一定时间段内的统计计算的到的值,但是不限于此,还是可以是所有统计数据的平均值与相应的第一计算系数的乘积。上述仅作为示例进行说明,不能理解成对本发明的限制。
进一步地,获取所筛选的候选用户的用户特征数据,所述用户特征数据例如为用户账号。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制,在其他实施方式中,用户特征数据还可以为手机号、用户设备ID等。
接着,将所述候选用户的用户特征数据输入训练好的资源配额确定模型,计算各候选用户的用户评估值,并根据所计算的用户评估值确定与所述候选用户的用户评估值相对应的资源配额值或资源配额范围。
在又一实施方式中,所述资源配额确定模型直接输出所述候选用户的资源配额值或资源配额范围。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。
因此,通过将候选用户的用户特征数据输入训练好的资源配额确定模型,计算用户评估值,能够精确确定需要调整的资源配额值或资源配额范围。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制,在其他实施方式中,所述候选用户还可以为待降低互联网资源配额的用户。
在另一示例中,如图3所示,还包括预先设置多个资源配额区间的步骤S301。
在步骤S301中,预先设置多个资源配额区间,以用于确定不同用户评估值所对应的预设资源配额区间。
作为具体实施方式,以0.01~0.10中任意数值为间隔,分成多个资源配额区间。例如,以0.02为间隔,则0.98~1.00的用户评估值对应8000元~10000元,0.94~0.97的用户评估值对应6000元~8000元,等等。
具体地,根据所计算的用户评估值,确定相应的预设资源配额区间,并重新确定所述候选用户的资源配额。
例如,根据所计算的用户评估值为0.98,则确定相应的预设资源配额为8000元~10000元,再根据所述候选用户的当前资源配额,计算需要提高的资源配额,以重新确定所述候选用户的资源配额。
在图3所示的示例,还包括确定资源配额的调整系数以重新确定所述候选用户的资源配额的步骤S301。
在步骤S301中,确定资源配额的调整系数,以根据所述调整系数,重新确定所述候选用户的资源配额。
具体地,所述确定资源配额的调整系数包括确定第二计算系数,其中,根据所计算的用户评估值,确定与所述用户评估值相对应的第二计算系数。
可选地,对特定时间段内,例如当前时间点起向前推算12个月的历史特定时间段内的历史用户进行统计计算,选择用户数量最大的预设资源配额区间,或者选择用户数量大于设置值或用户数量的排序前五(从大到小的数量排序)的资源配额区间,所选择的资源配额区间为参照资源配额区间,以用于确定相对应的第二计算系数。
进一步地,判断所述候选用户的用户评估值是否在参照资源配额区间对应的范围内,如果在参照资源配额区间对应的范围内,则确定所述候选用户所对应的第二计算系数;如果不在参照资源配额区间对应的范围内,则使用所计算的用户评估值确定相应的预资源配额区间,以进一步确定待提高(或待调整)的资源配额,由此,能够重新确定所述候选用户的资源配额。
对于所述调整系数,可以仅将第二计算系数作为资源配额的调整系数,还可以将第一计算系数a与第二计算系数b的乘积用作计算所述候选用户的资源配额的调整系数。
进一步地,将所确定的调整系数乘以所确定的资源配额区间(即与各候选用户相对应的资源配额区间),重新确定所述候选用户的资源配额,由此,能够更精确地确定所述候选用户的资源配额。
由此,通过计算确定资源配额的调整系数,并根据调整系数和所确定的资源配额区间,能够根据各用户对于互联网资源服务随时间变化而产生的需求变化来重新确定所述候选用户的资源配额,能够更精确地确定资源配额,能够进一步优化用户资源配额确定方法,能够进一步地优化互联网资源的分配过程,还能够有效提高互联网资源的可回收性和可再利用性。
上述方法的过程仅用于对本发明的说明,其中,步骤的顺序和数量没有特别的限制。此外,上述方法中的步骤还可以拆分成两个、三个,或者有些步骤也可以合并成一个步骤,根据实际示例进行调整。
与现有技术相比,本发明通过确定参照用户及其用户特征,将候选用户集合中用户与所述参照用户进行聚类计算,筛选出目标用户群组,能够精确地从所获得的多个用户群组中筛选出目标用户群组;通过使用所筛选出的目标用户群组的用户特征重新生成的用户标签定义好坏样本以建立训练数据集,并使用该训练数据集训练资源配额确定模型,能够有效量化用户对于互联网资源的需求变化情况,能够精确地确定资源配额。
进一步地,根据筛选规则筛选目标用户群组,能够更精确地从所获得的多个用户群组中筛选出目标用户群组;通过计算确定资源配额的调整系数,并根据调整系数和所确定的资源配额区间,能够根据各用户对于互联网资源服务随时间变化而产生的需求变化来重新确定所述候选用户的资源配额,能够更精确地确定资源配额,能够进一步优化用户资源配额确定方法,能够进一步地优化互联网资源的分配过程,还能够有效提高互联网资源的可回收性和可再利用性。
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的实施例,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。
实施例2
参照图4、图5和图6,本发明还提供了一种基于用户标签的资源配额重新确定装置400,该资源配额重新确定装置400包括:筛选模块401,用于确定参照用户及其用户特征,将候选用户集合中用户与所述参照用户进行聚类计算,以筛选出目标用户群组;建立模块402,基于所筛选出的目标用户群组的用户特征重新生成用户标签,并根据所述用户标签建立用于训练资源配额确定模型的训练数据集;计算确定模块403,用于将候选用户的用户特征输入训练好的资源配额确定模型,输出与所述候选用户相对应的资源配额。
如图5所示,所述资源配额重新确定装置400还包括确定模块501,即将筛选模块401拆分成确定模块501和筛选模块401。所述确定模块501用于确定参照用户及其用户特征,具体地,用于确定比所述候选用户集合中候选用户的资源配额值大的参照用户。并且,还用于确定所述参照用户的用户基本信息特征、职业信息特征和资源归还表现特征。
进一步地,所述将候选用户集合中用户与所述参照用户进行聚类计算,以筛选出目标用户群组。
可选地,使用K-means算法对候选用户集合中用户与所述参照用户进行聚类计算或者进行多轮聚类计算。在所述聚类计算后生成多个用户群组,根据筛选规则从所述多个用户群组中筛选出目标用户群组;其中,所述筛选规则包括所述用户群组的用户总数量大于特定数量,所述用户群组中所述参照用户的数量与所述候选用户的数量之比在预定比例范围内,以及比较所述用户群组中所述参照用户的用户特征与所述候选用户的用户特征的相似度。
在一实施方式中,在所述用户群组的用户总数量大于特定数量,且所述用户群组中所述参照用户的数量与所述候选用户的数量之比为1:1时,确定所述用户群组为目标用户群组。
在另一实施方式中,在所述用户群组的用户总数量大于特定数量,且所述用户群组的中所述参照用户的数量与所述候选用户的数量之比为1:1,和/或所述用户群组中所述参照用户的用户特征与所述候选用户的用户特征的相似度大于设定值时,确定所述用户群组为目标用户群组。
如图6所示,所述资源配额重新确定装置400还包括生成模块601,所述生成模块601基于所筛选出的目标用户群组的用户特征生成用户标签。
具体地,所述生成模块601根据所筛选出的目标用户群组的用户特征,重新生成用户标签,其中,所筛选出的用户为需要调整(提高或降低)资源配额的用户。
例如,所筛选的目标用户群组的用户特征包括用户所在城市、互联网资源服务使用的表现数据等。其中,所述互联网资源服务使用的表现数据包括用户所选的互联网资源服务类型、与各互联网资源服务类型相对应的资源配额、资源可使用时间、资源配额使用次数、资源配额调整次数、特享资源凭证相关数据(例如是否具有特享资源凭证、特享资源凭证的领取次数或者特定时间内特享资源凭证的领取次数、特定时间内从未持有特享资源凭证到持有特享资源凭证的变化特征)以及资源归还是否逾期或违约、等等。
需要说明的是,在本发明中,所述特享资源使用凭证包括指定时间内可使用资源额度的卡、优惠券和/或折扣券。例如,所述指定时间包括1个月、2个月、3个月、6个月,12个月等。例如,所述可使用资源额度为1000元、2000元、5000元等,或者为1000元~5000元,1000元~3000元,2000元~10000元等的额度使用范围。
在一实施方式中,对与所述目标用户群组中候选用户相似的用户重新生成为1的用户标签,并且对与所述目标用户群组中候选用户不相似的用户重新生成为0的用户标签,重新定义正样本和负样本,以建立训练数据集。
在另一实施方式中,所述生成模块601对与所述目标用户群组中候选用户相似度大于指定值(例如该指定值为相似度70%、80%或者90%)的用户重新生成为1的用户标签,并且对与所述目标用户群组中候选用户的相似度小于等于指定值(例如该指定值为相似度70%、80%或者90%)的用户重新生成为0的用户标签,重新定义正样本和负样本,以建立训练数据集。
在又一实施方式中,对与所述目标用户群组中候选用户相似度大于指定值(例如该指定值为相似度70%~90%的任意数值)、且持有特享资源凭证(或者特定时间内发生了从未持有到持有特享资源使用凭证的变化)的用户重新生成为1的用户标签,并且对与所述目标用户群组中候选用户的相似度小于等于指定值(例如该指定值为相似度70%~90%的任意数值)、且未持有特享资源凭证的的用户重新生成为0的用户标签,重新定义正样本和负样本,以建立训练数据集。其中,1表示用户发生了需要调整资源配额的需求变化,0表示用户未发生需要调整资源配额的需求变化。通常,用户标签越接近1,则表示用户需要调整资源配额的可能性越大,而用户标签越接近0,则表示该用户需要调整资源配额的可能性越小。
需要说明的是,上述仅作为示例,进行说明,不能理解成对本发明的限制,其中,所述特定时间段包括6个月,8个月,10个月,12个月或18个月等。此外,在其他实施方式中,还可以使用特定时间段内发放例如优惠券、折扣券等特享资源使用凭证的次数和券值等多个参数来确定所述需求变化的概率。上述均作为可选示例进行说明,不能理解成对本发明的限制。
具体地,所述特享资源使用凭证包括指定时间内可使用资源额度的卡、优惠券和/或折扣券。例如,所述指定时间包括1个月、2个月、3个月、6个月,12个月等。
作为一具体实施方式,所述训练数据集包括标注有所生成的用户标签的历史用户及其用户特征数据,所述用户特征包括用户账号、手机号、用户设备ID、用户基本信息等。
具体地,所述用户基本信息包括用户性别、年龄、收入等信息数据。
在另一实施方式,所述训练数据集包括标注有所生成的用户标签的历史用户及其用户特征数据,以及资源配额数据。
具体地,所述资源配额数据包括用户所选的互联网资源服务类型、与各互联网资源服务类型相对应的资源配额、资源可使用时间、资源配额使用次数、资源配额调整次数、特享资源凭证相关数据(例如是否具有特享资源凭证、特享资源凭证的领取次数或者特定时间内特享资源凭证的领取次数、特定时间内从未持有特享资源凭证到持有特享资源凭证的变化特征)以及资源归还是否逾期或违约等等。
在又一实施方式中,所述资源配额数据包括用户所选的互联网资源服务类型、与各互联网资源服务类型相对应的资源配额、资源可使用时间、资源归还时间、已资源归还次数、未资源归还额、资源归还逾期数据、违约数据以及欺诈数据等等。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制,在其他实施方式中,所述资源配额数据还可以包括是否包含多种互联网资源服务类型、服务类型的数量以及是否有欺诈数据等。
可选地,使用逻辑回归模型、Xgboost模型和/或深度神经网络,构建资源配额确定模型。
具体地,使用上述所建立的训练数据集训练资源配额确定模型,并使用训练好的资源配额确定模型计算用户评估值,输出与所述候选用户的用户评估值相对应的资源配额值或资源配额范围,该用户评估值为0~1之间的数值。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。在其他实施方式中,所述资源配额确定模型还可以直接输出所述候选用户的资源配额值或资源配额范围。
进一步地,使用训练数据集训练所建立的资源配额确定模型。
可选地,对于模型训练过程,还包括对模型参数进行优化,所述模型参数包括深度神经网络的各层之间的权重参数和偏置参数。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。在其他示例中,模型参数还包括深度神经网络的层数、迭代次数和学习率。
具体地,例如设定模型参数的先验概率服从标准正态分布,使用MCMC方法对所述权重参数和偏置参数的分布进行多次采样,得到参数组合集,更具体地,在使用所述参数组合集进行测试时,对所输入的同一用户特征数据进行多次前向传播,计算各模型参数的平均数和统计方差值,以优化各模型参数,最后输出参数优化后的神经网络。由此,能够优化所述资源配额确定模型的模型参数,能够提高模型精确度。
因此,通过使用所筛选出的目标用户群组的用户特征重新生成的用户标签定义好坏样本以建立训练数据集,并使用该训练数据集训练资源配额确定模型,能够有效量化用户对于互联网资源的需求变化情况,能够优化所述资源配额确定模型的模型参数,能够提高模型精确度。
进一步地,将候选用户的用户特征输入训练好的资源配额确定模型,输出与所述候选用户相对应的资源配额。
具体地,获取候选用户的用户特征,并将该候选用户的用户特征输入训练好的资源配额确定模型,以计算所述候选用户的用户评估值。
具体地,根据所计算的用户评估值,确定相应的预设资源配额区间,并重新确定所述候选用户的资源配额。
进一步地,还包括确定资源配额的调整系数,以根据所述调整系数,重新确定所述候选用户的资源配额。
具体地,所述确定资源配额的调整系数包括确定第二计算系数,其中,根据所计算的用户评估值,确定与所述用户评估值相对应的第二计算系数。
可选地,对特定时间段内,例如当前时间点起向前推算12个月的历史特定时间段内的历史用户进行统计计算,选择用户数量最大的预设资源配额区间,或者选择用户数量大于设置值或用户数量的排序前五(从大到小的数量排序)的资源配额区间,所选择的资源配额区间为参照资源配额区间,以用于确定相对应的第二计算系数。
进一步地,判断所述候选用户的用户评估值是否在参照资源配额区间对应的范围内,如果在参照资源配额区间对应的范围内,则确定所述候选用户所对应的第二计算系数;如果不在参照资源配额区间对应的范围内,则使用所计算的用户评估值确定相应的预资源配额区间,以进一步确定待提高(或待调整)的资源配额,由此,能够重新确定所述候选用户的资源配额。
对于所述调整系数,可以仅将第二计算系数作为资源配额的调整系数,还可以将第一计算系数a与第二计算系数b的乘积用作计算所述候选用户的资源配额的调整系数。
进一步地,将所确定的调整系数乘以所确定的资源配额区间(即与各候选用户相对应的资源配额区间),重新确定所述候选用户的资源配额,由此,能够更精确地确定所述候选用户的资源配额。
由此,通过计算确定资源配额的调整系数,并根据调整系数和所确定的资源配额区间,能够根据各用户对于互联网资源服务随时间变化而产生的需求变化来重新确定所述候选用户的资源配额,能够更精确地确定资源配额,能够进一步优化用户资源配额确定方法,能够进一步地优化互联网资源的分配过程,还能够有效提高互联网资源的可回收性和可再利用性。
需要说明的是,在实施例2中,省略了与实施例1相同的部分的说明。
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。
与现有技术相比,本发明通过确定参照用户及其用户特征,将候选用户集合中用户与所述参照用户进行聚类计算,筛选出目标用户群组,能够精确地从所获得的多个用户群组中筛选出目标用户群组;通过使用所筛选出的目标用户群组的用户特征重新生成的用户标签定义好坏样本以建立训练数据集,并使用该训练数据集训练资源配额确定模型,能够有效量化用户对于互联网资源的需求变化情况,能够精确地确定资源配额。
进一步地,根据筛选规则筛选目标用户群组,能够更精确地从所获得的多个用户群组中筛选出目标用户群组;通过计算确定资源配额的调整系数,并根据调整系数和所确定的资源配额区间,能够根据各用户对于互联网资源服务随时间变化而产生的需求变化来重新确定所述候选用户的资源配额,能够更精确地确定资源配额,能够进一步优化用户资源配额确定方法,能够进一步地优化互联网资源的分配过程,还能够有效提高互联网资源的可回收性和可再利用性。
实施例3
下面描述本发明的计算机设备实施例,该计算机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。对于本发明计算机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;对于在本发明计算机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7是根据本发明的计算机设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的计算机设备200。图7显示的计算机设备200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7所示,计算机设备200以通用计算设备的形式表现。计算机设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同装置组件(包括存储单元220和处理单元210)的总线230、显示单元240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210执行,使得所述处理单元210执行本说明书上述计算机设备的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210可以执行如图1所示的步骤。
所述存储单元220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)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205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230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。
计算机设备200也可以与一个或多个外部设备300(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计算机设备200交互的设备通信,和/或与使得该计算机设备200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250进行。并且,计算机设备200还可以通过网络适配器260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260可以通过总线230与计算机设备200的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备200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,使得该计算机程序产品能够实现本发明的上述方法。
如图8所示,所述计算机程序可以存储于一个或多个计算机程序产品上。计算机程序产品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。计算机程序产品的更具体的例子(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。计算机程序产品可以发送、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程序产品上,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)
1.一种基于用户标签的资源配额重新确定方法,其特征在于,包括:
确定参照用户及其用户特征,将候选用户集合中用户与所述参照用户进行聚类计算,以筛选出目标用户群组;
基于所筛选出的目标用户群组的用户特征重新生成用户标签,并根据所述用户标签建立用于训练资源配额确定模型的训练数据集;
将候选用户的用户特征输入训练好的资源配额确定模型,输出与所述候选用户相对应的资源配额。
2.根据权利要求1所述的资源配额重新确定方法,其特征在于,所述确定参照用户及其用户特征包括:
确定比所述候选用户集合中候选用户的资源配额值大的参照用户;并且,
确定所述参照用户的用户基本信息特征、职业信息特征和资源归还表现特征。
3.根据权利要求1或2所述的资源配额重新确定方法,其特征在于,所述将候选用户集合中用户与所述参照用户进行聚类计算,以筛选出目标用户群组包括:
在所述聚类计算后生成多个用户群组,根据筛选规则从所述多个用户群组中筛选出目标用户群组;其中,
所述筛选规则包括所述用户群组的用户总数量大于特定数量,所述用户群组中所述参照用户的数量与所述候选用户的数量之比在预定比例范围内,以及比较所述用户群组中所述参照用户的用户特征与所述候选用户的用户特征的相似度。
4.根据权利要求3所述的资源配额重新确定方法,其特征在于,
在所述用户群组的用户总数量大于特定数量,且所述用户群组中所述参照用户的数量与所述候选用户的数量之比为1:1时,确定所述用户群组为目标用户群组。
5.根据权利要求3所述的资源配额重新确定方法,其特征在于,
在所述用户群组的用户总数量大于特定数量,且所述用户群组的中所述参照用户的数量与所述候选用户的数量之比为1:1,和/或所述用户群组中所述参照用户的用户特征与所述候选用户的用户特征的相似度大于设定值时,确定所述用户群组为目标用户群组。
6.根据权利要求1所述的资源配额重新确定方法,其特征在于,所述基于所筛选出的目标用户群组的用户特征生成用户标签包括:
对与所述目标用户群组中候选用户相似的用户重新生成为1的用户标签,并且对与所述目标用户群组中候选用户不相似的用户重新生成为0的用户标签,重新定义正样本和负样本,以建立训练数据集;和/或
对与所述目标用户群组中候选用户相似度大于指定值的用户重新生成为1的用户标签,并且对与所述目标用户群组中候选用户的相似度小于等于指定值的用户重新生成为0的用户标签,重新定义正样本和负样本,以建立训练数据集。
7.根据权利要求1所述的资源配额重新确定方法,其特征在于,
使用K-means算法对候选用户集合中用户与所述参照用户进行聚类计算或者进行多轮聚类计算。
8.根据权利要求1所述的资源配额重新确定方法,其特征在于,构建所述资源配额确定模型包括:
使用逻辑回归模型、Xgboost模型和/或深度神经网络,建立资源配额确定模型,所述资源配额确定模型计算用户评估值,并输出与所述候选用户的用户评估值相对应的资源配额值或资源配额范围,该用户评估值为0~1之间的数值;或者
所述资源配额确定模型直接输出所述候选用户的资源配额值或资源配额范围。
9.一种基于用户标签的资源配额重新确定装置,其特征在于,包括:
筛选模块,用于确定参照用户及其用户特征,将候选用户集合中用户与所述参照用户进行聚类计算,以筛选出目标用户群组;
建立模块,基于所筛选出的目标用户群组的用户特征重新生成用户标签,并根据所述用户标签建立用于训练资源配额确定模型的训练数据集;
计算确定模块,用于将候选用户的用户特征输入训练好的资源配额确定模型,输出与所述候选用户相对应的资源配额。
10.一种计算机设备,包括处理器和存储器,所述存储器用于存储计算机可执行程序,当所述计算机程序被所述处理器执行时,所述处理器执行如权利要求1所述的基于用户标签的资源配额重新确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111213765.XA CN114077962A (zh) | 2021-10-19 | 2021-10-19 | 基于用户标签的资源配额重新确定方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111213765.XA CN114077962A (zh) | 2021-10-19 | 2021-10-19 | 基于用户标签的资源配额重新确定方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114077962A true CN114077962A (zh) | 2022-02-22 |
Family
ID=80283459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111213765.XA Pending CN114077962A (zh) | 2021-10-19 | 2021-10-19 | 基于用户标签的资源配额重新确定方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114077962A (zh) |
-
2021
- 2021-10-19 CN CN202111213765.XA patent/CN114077962A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270545A (zh) | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 | |
CN110348894B (zh) | 资源位广告展示的方法、装置及电子设备 | |
US11501239B2 (en) | Metric specific machine learning model improvement through metric specific outlier removal | |
CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
CN111967954A (zh) | 一种资源归还增比确定方法、装置和电子设备 | |
CN110675250A (zh) | 一种基于用户营销评分的信贷额度管理的方法、装置和电子设备 | |
CN111191894A (zh) | 基于用户分类进行资源需求处理的方法、装置和电子设备 | |
CN111598360A (zh) | 服务策略确定方法、装置及电子设备 | |
CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
CN111353872A (zh) | 一种基于金融表现值的授信处理的方法、装置和电子设备 | |
CN110348892A (zh) | 基于用户特征的定制信息生成方法、装置及电子设备 | |
US11693579B2 (en) | Value-based replication of streaming data | |
CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
CN111626528A (zh) | 一种基于贝塞尔曲线的资源配额确定方法、装置和电子设备 | |
CN110363583B (zh) | 一种基于位置信息创建用户消费行为标签的方法、装置和电子设备 | |
CN110070383B (zh) | 基于大数据分析的异常用户识别方法及装置 | |
CN114372849A (zh) | 一种互联网资源服务产品推送方法、装置和计算机设备 | |
CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
CN113837648B (zh) | 企业关联性分析方法、关联企业推荐方法和装置 | |
CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN114077962A (zh) | 基于用户标签的资源配额重新确定方法、装置和计算机设备 | |
US20220351069A1 (en) | Federated training of machine learning models | |
CN113902543A (zh) | 资源配额调整方法、装置及电子设备 | |
CN113379533A (zh) | 一种循环贷款提额方法、装置、设备及存储介质 | |
CN112950003A (zh) | 用户资源配额调整方法、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 |