【技术实现步骤摘要】
一种系统资源调整方法、装置及设备
本说明书涉及人工智能
，特别地，涉及一种系统资源调整方法、装置及设备。
技术介绍
随着大数据服务平台技术的快速发展，金融服务类型以及可选择的服务渠道也越来越多样化、越来越便捷，使得用户的选择机会越来越多，相应的，金融机构的用户也越来越不稳定。为了有效挽留用户，金融机构的服务系统通常需要进行大量的数据分析以及资源调整，以使提供给用户的资源更符合用户的需求。在此基础上，各应用场景下的用户稳定性预测对系统资源调整的准确性是非常重要的。目前常用的用户稳定性评估方法主要为基于有监督学习模型的分类方法，通过对已有的客户流失信息进行建模分析，利用训练得到的模型对新样本进行流失概率预测，以确定各用户的稳定性。但采用有监督学习模型的分类方法，需要利用已知用户流失结果的信息。但随着金融服务类型的多样化，很多情况下很难清晰划定用户的流失结果，导致预测所基于的样本数据的较难高效准确的选择，从而影响用户稳定性预测的准确性，进而影响系统资源调整的准确性以及高效性。因此，目前亟需一种更加准确高效的系统资源调
【技术保护点】
1.一种系统资源调整方法，其特征在于，应用于服务器，所述方法包括：/n获取具有用于表征用户流失特征的特征数据的指定信息集、及标签集；所述指定信息集至少包括预测样本集及基准样本集；所述标签集包括基准样本集中的各基准样本所对应的用户流失结果；/n利用所述基准样本集及所述标签集对应构建得到多个子分类器；其中，子分类器的数量为大于等于3的奇数；/n调取所述预测样本集所对应的相似性矩阵，以利用所述相似性矩阵构建子分类器对所述预测样本集的预测样本进行用户流失预测的相似性损失；其中，所述相似性矩阵用于表征所述预测样本集的各预测样本在用户流失特征空间下的接近程度分布；/n结合子分类器所对应...
【技术特征摘要】
1.一种系统资源调整方法，其特征在于，应用于服务器，所述方法包括：
获取具有用于表征用户流失特征的特征数据的指定信息集、及标签集；所述指定信息集至少包括预测样本集及基准样本集；所述标签集包括基准样本集中的各基准样本所对应的用户流失结果；
利用所述基准样本集及所述标签集对应构建得到多个子分类器；其中，子分类器的数量为大于等于3的奇数；
调取所述预测样本集所对应的相似性矩阵，以利用所述相似性矩阵构建子分类器对所述预测样本集的预测样本进行用户流失预测的相似性损失；其中，所述相似性矩阵用于表征所述预测样本集的各预测样本在用户流失特征空间下的接近程度分布；
结合子分类器所对应的所述相似性损失，利用所述预测样本集对相应的子分类器进行优化，得到优化后的子分类器，以在基于所述优化后的子分类器评估目标用户得出的稳定值低于预设稳定值的情况下，调整提供给所述目标用户的系统资源。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
结合子分类器之间的差异性损失，利用所述预测样本集对各子分类器进行优化；其中，所述差异性损失用于表征任两个子分类器对所述预测样本集的预测样本进行用户流失预测的差异性特征。
3.根据权利要求1所述的方法，其特征在于，所述相似性矩阵采用下述方式构建：
si,j＝exp(-λ||xi-xj||2)
其中，SU为相似性矩阵，其维度为|XU|×|XU|，|XU|为预测样本集XU中样本的数量，si,j用于表征预测样本xi和xj之间的相似性，λ为调节相似性度量的超参数。
4.根据权利要求1所述的方法，其特征在于，所述相似性损失采用下述方式构建：
其中，Rsimi(fk(XU),SU)表示第k个子分类器对预测样本集XU的各预测样本进行用户流失预测的相似性损失，fk(·)为第k个子分类器对预测样本进行预测的判别函数，SU为相似性矩阵，xm、xn为预测样本集XU中的预测样本。
5.根据权利要求2所述的方法，其特征在于，所述差异性损失采用下述方式构建：
其中，Rdiv(fp(XU),fq(XU))表示第p个子分类器与第q个子分类器对预测样本集XU进行用户流失预测的差异性损失，fp(·)、fq(·)分别为第p个子分类器、第q个子分类器的判别函数，|XU|预测样本集XU中样本的数量，x为预测样本集XU中的预测样本。
6.根据权利要求2所述的方法，其特征在...
【专利技术属性】
技术研发人员：陈李龙，王娜，强锋，倪灵，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。