负面标签权重的获取方法、终端设备及介质技术

本发明专利技术适用于互联网技术领域，提供了一种负面标签权重的获取方法、终端设备及介质，该方法包括：若检测到客户关系网络拓扑出现更新，则获取其中多个节点所分别对应的客户样本数据；基于客户样本数据，构建并训练神经网络模型；将业务审批系统中各个待审核客户的画像特征输入神经网络模型，以输出每一待审核客户分别在每一负面标签类型上的权重值；根据负面标签类型相同的各个权重值的平均值，计算该负面标签类型的标签权重。本发明专利技术实现了标签权重的自动化更新，降低了操作复杂度；同时，也避免了标签权重分析维度单一的问题出现，提高了标签权重的计算准确性；保证了业务审批系统可以获取到实时更新的负面标签权重。

Method for obtaining negative label weight, terminal equipment and medium

The invention is applicable to the field of Internet technology and provides a method for obtaining negative label weight, a terminal device and a medium. The method comprises: if the topology of a customer relationship network is detected to be updated, the customer sample data corresponding to several nodes are obtained; and the God is constructed and trained based on the customer sample data. Through the network model, the portrait features of each customer to be audited in the business approval system are input into the neural network model to output the weight values of each customer to be audited on each negative label type; according to the average value of each weight value of the same negative label type, the label weight of the negative label type is calculated. The method realizes the automatic update of label weight, reduces the operation complexity, avoids the problem of single dimension of label weight analysis, improves the calculation accuracy of label weight, and ensures that the business approval system can obtain the negative label weight of real-time update.

【技术实现步骤摘要】
负面标签权重的获取方法、终端设备及介质
本专利技术属于互联网
，尤其涉及一种负面标签权重的获取方法、终端设备及计算机可读存储介质。
技术介绍
目前，通过对客户的个人特性属性进行分析，可以为客户打上不同类型的标签。现有技术中，通常是基于业务规则的方式来确定客户标签，即，只要检测到个人特征属性满足预设的业务规则，就会为该客户打上业务规则所对应的一个标签。例如，若客户满足“实际还款时间超过预定还款时间”这一业务规则，则为该客户打上逾期标签；若客户满足“具有理赔记录”这一业务规则，则为该客户打上理赔标签等。由于上述业务规则都是为了确定客户是否具有负面信息记录，因此，上述标签均为负面标签。对于每一类负面标签，根据该类负面标签的客户总数在所有客户中所占的比值，可计算出该负面标签的标签权重，以表示该类负面标签对逾期还款事件出现的影响程度大小。此后，该标签权重将会被管理员输入于贷款审批系统中，以作为贷款审核过程中的一项参考因子。然而，上述标签权重只能根据每一客户自身的特征属性来进行确定，忽略了关联客户之间的相互影响，由此降低了负面标签权重的准确性以及可参考性。
技术实现思路
有鉴于此，本专利技术实施例提供了一种负面标签权重的获取方法、终端设备及计算机可读存储介质，以解决现有技术中负面标签权重的准确性以及可参考性均较为低下的问题。本专利技术实施例的第一方面提供了一种负面标签权重的获取方法，包括：若检测到客户关系网络拓扑出现更新，则获取其中多个节点所分别对应的客户样本数据，所述客户样本数据包括画像特征、负面标签类型以及每一所述负面标签类型的权重值；基于所述客户样本数据，构建并训练神经网络模型；将业务审批系统中各个待审核客户的所述画像特征输入所述神经网络模型，以输出每一所述待审核客户分别在每一所述负面标签类型上的权重值；根据所述负面标签类型相同的各个所述权重值，计算该负面标签类型的标签权重。本专利技术实施例的第二方面提供了一种终端设备，包括存储器以及处理器，所述存储器中存储有可在所述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如下步骤：若检测到客户关系网络拓扑出现更新，则获取其中多个节点所分别对应的客户样本数据，所述客户样本数据包括画像特征、负面标签类型以及每一所述负面标签类型的权重值；基于所述客户样本数据，构建并训练神经网络模型；将业务审批系统中各个待审核客户的所述画像特征输入所述神经网络模型，以输出每一所述待审核客户分别在每一所述负面标签类型上的权重值；根据所述负面标签类型相同的各个所述权重值，计算该负面标签类型的标签权重。本专利技术实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：若检测到客户关系网络拓扑出现更新，则获取其中多个节点所分别对应的客户样本数据，所述客户样本数据包括画像特征、负面标签类型以及每一所述负面标签类型的权重值；基于所述客户样本数据，构建并训练神经网络模型；将业务审批系统中各个待审核客户的所述画像特征输入所述神经网络模型，以输出每一所述待审核客户分别在每一所述负面标签类型上的权重值；根据所述负面标签类型相同的各个所述权重值，计算该负面标签类型的标签权重。本专利技术实施例中，通过训练用于输出各负面标签类型的权重值的神经网络模型，并将整个神经网络模型应用于业务审批系统，保证了用户无需统计出各类负面标签权重后再手动地输入于系统，实现了标签权重的自动化更新，降低了操作复杂度。由于神经网络模型的训练样本是客户关系网络中的客户样本数据，而各项客户样本数据之间具有较高的关联性，因此，根据神经网络模型最终所输出的权重值来计算各负面标签类型的标签权重，是综合考虑了其它负面标签客户的相互影响所得到的计算结果，避免了标签权重分析维度单一的问题出现，提高了标签权重的计算准确性。由于客户关系网络拓扑出现更新时，神经网络模型也会动态更新，故保证了业务审批系统可以获取到实时更新的标签权重，由此使得审批人员基于该标签权重来对进行业务审批时，能够得到准确度更高的审批结果。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的负面标签权重的获取方法的实现流程图；图2是本专利技术实施例提供的负面标签权重的获取方法S101的具体实现流程图；图3是本专利技术实施例提供的负面标签权重的获取方法S102的具体实现流程图；图4是本专利技术实施例提供的负面标签权重的获取方法S1024的具体实现流程图；图5是本专利技术实施例提供的负面标签权重的获取装置的结构框图；图6是本专利技术实施例提供的终端设备的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。图1示出了本专利技术实施例提供的负面标签权重的获取方法的实现流程，该方法流程包括步骤S101至S104。各步骤的具体实现原理如下：S101：若检测到客户关系网络拓扑出现更新，则获取其中多个节点所分别对应的客户样本数据，所述客户样本数据包括画像特征、负面标签类型以及每一所述负面标签类型的权重值。根据预先收集得到的多个用户的客户数据，构建客户关系网络拓扑。客户关系网络拓扑中包含多个节点，每一个节点对应一个用户的客户数据。其中，客户数据包括画像特征、负面标签类型以及每一负面标签类型的权重值。画像特征包括但不限于用户的唯一标识符、工作单位、年龄、地址、供货商、债权方、债务方以及经营范围等标签的标签值。上述客户数据可从历史贷款申请用户的个人信息中收集，也可从预先对接的其他业务系统的历史订单信息中收集。若用户的画像特征满足预设的负面标签规则，则为用户打上该负面标签规则所对应的一类负面标签，该类负面标签即为用户的负面标签类型。例如，逾期标签与理赔标签为不同的负面标签类型。某类负面标签对某一用户产生逾期还款事件的影响程度大小为该用户在该负面标签类型上的权重值。若用户不满足任一负面标签规则，则其客户数据中负面标签类型的属性值为空值。本专利技术实施例中，从客户关系网络拓扑所包含的各个节点中，抽取多个节点，并读取抽取的每一节点所对应的客户数据，则读取到的客户数据为当前时刻的客户样本数据。本专利技术实施例中，若检测到新增的客户数据，则更新客户关系网络拓扑。此时，需要重复执行所述从客户关系网络拓扑所包含的各个节点中，抽取多个节点，并读取抽取的每一节点所对应的客户数据的步骤，以保证客户样本数据的实时更新。作为本专利技术的一个实施例，图2示出了本专利技术实施例提供的负面标签权重的获取方法S101的具体实现流程，详述如下：S1011：将更新后的客户关系网络拓扑分成多个子网络拓扑。本专利技术实施例中，由于客户关系网络拓扑通常包含过点的节点数目，因此，将最新时刻下本文档来自技高网...

【技术保护点】
1.一种负面标签权重的获取方法，其特征在于，包括：若检测到客户关系网络拓扑出现更新，则获取其中多个节点所分别对应的客户样本数据，所述客户样本数据包括画像特征、负面标签类型以及每一所述负面标签类型的权重值；基于所述客户样本数据，构建并训练神经网络模型；将业务审批系统中各个待审核客户的所述画像特征输入所述神经网络模型，以输出每一所述待审核客户分别在每一所述负面标签类型上的权重值；根据所述负面标签类型相同的各个所述权重值，计算该负面标签类型的标签权重。

【技术特征摘要】
1.一种负面标签权重的获取方法，其特征在于，包括：若检测到客户关系网络拓扑出现更新，则获取其中多个节点所分别对应的客户样本数据，所述客户样本数据包括画像特征、负面标签类型以及每一所述负面标签类型的权重值；基于所述客户样本数据，构建并训练神经网络模型；将业务审批系统中各个待审核客户的所述画像特征输入所述神经网络模型，以输出每一所述待审核客户分别在每一所述负面标签类型上的权重值；根据所述负面标签类型相同的各个所述权重值，计算该负面标签类型的标签权重。2.如权利要求1所述的负面标签权重的获取方法，其特征在于，所述若检测到客户关系网络拓扑出现更新，则获取其中多个节点所分别对应的客户样本数据，包括：将更新后的客户关系网络拓扑分成多个子网络拓扑；在每一所述子网络拓扑中，查找出携带负面标签的各个节点，并计算查找出的所述各个节点在该子网络拓扑中的第一占比值；获取所述客户关系网络拓扑中携带负面标签的各个节点的第二占比值；若任一所述子网络拓扑的所述第一占比值与所述第二占比值的差值小于第一预设阈值，则将该子网络拓扑中各个所述节点所分别对应的客户数据确定为所述客户样本数据。3.如权利要求2所述的负面标签权重的获取方法，其特征在于，所述若任一所述子网络拓扑的所述第一占比值与所述第二占比值的差值小于第一预设阈值，则将该子网络拓扑中各个所述节点所分别对应的客户数据确定为所述客户样本数据，包括：若任一所述子网络拓扑的所述第一占比值与所述第二占比值的差值小于预设阈值，则获取该子网络拓扑对应各个所述负面标签类型的第一节点分布以及所述客户关系网络拓扑对应各个所述负面标签类型的第二节点分布；若所述第一节点分布与所述第二节点分布的相似度大于第二预设阈值，则将该子网络拓扑中各个所述节点所分别对应的客户数据确定为所述客户样本数据。4.如权利要求1所述的负面标签权重的获取方法，其特征在于，所述基于所述客户样本数据，构建并训练神经网络模型，包括：获取所述客户样本数据中携带所述负面标签的负面样本数据以及携带正面标签的正面样本数据；根据所述负面样本数据以及所述正面样本数据所分别对应的负面标签节点以及正面标签节点，查找与所述负面标签节点以及与所述正面标签节点均具有关联关系的测试节点，并获取各个所述测试节点所对应的测试样本数据；将所述客户样本数据、所述负面样本数据以及所述测试样本数据分别输入初始化的神经网络模型的输入层、输出层以及隐含层；基于预设的边权重和点阈值，通过反向传播算法，训练所述神经网络模型。5.如权利要求1所述的负面标签权重的获取方法，其特征在于，所述基于预设的边权重和点阈值，通过反向传播算法，训练所述神经网络模型，包括：通过预设的梯度下降法，分别对训练层中每一节点以及每一条边的权重值进行迭代调整，并记录当前时刻的迭代次数；所述训练层包括所述输入层、输出层以及隐含层；当所述迭代次数达到第三预设阈值时，或者，当所述神经网络模型输出的任一所述负面标签类型的权重值达到第四预设阈值时，...

【专利技术属性】
技术研发人员：任钢林，
申请(专利权)人：平安普惠企业管理有限公司，
类型：发明
国别省市：广东,44