一种用户分类方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供了一种用户分类方法、装置、电子设备及存储介质，属于计算机技术领域。本发明专利技术通过获取待分类用户对应的多个用户行为信息及每个所述用户行为信息对应的用户特征变量；将所述用户特征变量按照预设转化规则转化成第一入模变量；按照用户行为信息对应的用户行为，将各所述第一入模变量输入行为分类模型中对应的子模型，以使各子模型对输入的第一入模变量进行评分，得到多个行为特征分数；将多个所述行为特征分数进行分箱，计算各分箱对应的WOE值；将各分箱对应的所述WOE值输入评分卡模型，得到所述待分类用户的用户类别，以实现对不同时期用户行为的评估偏差较小，有效评估出用户还款意愿。

【技术实现步骤摘要】
一种用户分类方法、装置、电子设备及存储介质
本专利技术涉及计算机
，尤其涉及一种用户分类方法、装置、电子设备及存储介质。
技术介绍
现有的用户分类方法,多是通过用户基础信息，用户借款行为等数据建立评分卡模型,根据评分卡分数对用户的还款类型进行分类。建模前对用户信息变量进行处理，包括筛选和分箱：筛选多以变量的IV值作为筛选依据，分箱多以等频分箱、等距分箱或WOE分箱等方式为主。建模时多以逻辑回归，决策树等较单一的机器学习模型为主。而这些变量处理方式和模型建立方式输出的结果粒度相对比较粗，对不同时期用户行为分类有较大偏差。
技术实现思路
本专利技术实施例的目的在于提供一种用户分类方法、装置、电子设备及存储介质，以解决上述变量处理方式和模型建立方式输出的结果粒度相对比较粗，对不同时期用户行为分类有较大偏差问题。具体技术方案如下：第一方面，提供了一种用户分类方法，包括：获取待分类用户的多个用户行为信息，并基于所述用户行为信息确定用户特征变量；将各所述用户特征变量按照预设转化规则转化成第一入模变量；按照用户行为信息，将各所述第一入模变量输入行为分类模型中对应的子模型，以使各子模型对第一入模变量进行评分，得到多个行为特征分数；将多个所述行为特征分数进行分箱，计算各分箱对应的WOE值；将各分箱对应的所述WOE值输入评分卡模型，得到所述待分类用户的用户类别。可选地，所述将各所述用户特征变量按照预设转化规则转化成第一入模变量，包括：计算各所述用户特征变量的IV值，对多个所述IV值排序，选取IV值最大的多个用户特征变量作为第一输入变量；将各所述用户特征变量利用随机森林模型进行重要性排序，选取重要性最高的多个用户特征变量中，与所述第一输入变量不同的用户特征变量，作为第二输入变量；将各所述用户特征变量利用lightGBM模型进行重要性排序，选取重要性最高的多个用户特征变量中，与所述第二输入变量不同的用户特征变量，作为第三输入变量；将第一输入变量、第二输入变量及第三输入变量进行去重合并，得到所述第一入模变量。可选地，所述计算各所述用户特征变量的IV值，包括：将各所述用户特征变量进行分箱处理，得到多个分箱，每个分箱包含一个或多个用户特征变量；计算各分箱中用户特征变量的WOE值；针对每个分箱中用户特征变量的WOE值，计算各所述用户特征变量的IV值。可选地，所述计算各所述用户特征变量的IV值，还包括：针对每个所述用户特征变量，获取与所述用户特征变量相关联的第一相关特征变量；将所述用户特征变量和所述第一相关特征变量组合，得到新的用户特征变量，并执行将各所述用户特征变量进行分箱处理，得到多个分箱的步骤。可选地，所述将第一入模变量输入行为分类模型之前，所述方法还包括：将所述第一入模变量输入反欺诈模型，得到反欺诈意向值；将反欺诈意向值与预设欺诈意向值比较；若反欺诈意向值小于或等于预设欺诈意向值，则执行将第一入模变量输入行为分类模型的步骤。可选地，所述方法还包括：判断所述待分类用户的用户类别是否位于预设用户类别集合内；若所述待分类用户的用户类别位于预设用户类别集合内，输出所述待分类用户的用户类别；若所述待分类用户的用户类别位于预设用户类别集合外，将所述用户特征变量输入辅助模型，以使所述辅助模型对所述用户特征变量进行分箱处理；判断各分箱中的用户特征变量是否不存在对应的变量值；若无不存在对应的变量值，执行将各所述用户特征变量按照预设转化规则转化成第一入模变量的步骤。可选地，所述方法还包括：若有不存在对应的变量值，获取各分箱中的不存在对应的变量值，建立包含不存在对应的变量值的分箱，计算所述包含不存在对应的变量值的分箱的WOE值；若所述包含不存在对应的变量值的分箱的WOE值小于或等于预设目标箱WOE值，则将不存在对应的变量值赋值为预设数值，执行将各所述用户特征变量按照预设转化规则转化成第一入模变量的步骤；若所述包含不存在对应的变量值的分箱的WOE值大于预设目标箱WOE值，则获取第二相关特征变量，所述第二相关特征变量与每个所述不存在对应的变量值对应的用户特征变量相关联，将第二相关特征变量进行分箱处理，得到多个分箱，每个分箱包含一个或多个用户特征变量第二相关特征变量，执行判断各分箱中的用户特征变量是否不存在对应的变量值步骤。第二方面，提供了一种用户分类装置，包括：获取模块，用于获取待分类用户对应的多个用户行为信息及每个所述用户行为信息对应的用户特征变量；转化模块，用于将所述用户特征变量按照预设转化规则转化成第一入模变量；第一模型模块，用于按照用户行为信息对应的用户行为，将各所述第一入模变量输入行为分类模型中对应的子模型，以使各子模型对输入的第一入模变量进行评分，得到多个行为特征分数；计算模块，用于将多个所述行为特征分数进行分箱，计算各分箱对应的WOE值；第二模型模块，用于将各分箱对应的所述WOE值输入评分卡模型，得到所述待分类用户的用户类别。可选地，转化模块，包括：第一选取单元，用于计算各所述用户特征变量的IV值，对多个所述IV值排序，选取IV值最大的多个用户特征变量作为第一输入变量；第二选取单元，用于将各所述用户特征变量利用随机森林模型进行重要性排序，选取重要性最高的多个用户特征变量中，与所述第一输入变量不同的用户特征变量，作为第二输入变量；第三选取单元，用于将各所述用户特征变量利用lightGBM模型进行重要性排序，选取重要性最高的多个用户特征变量中，与所述第二输入变量不同的用户特征变量，作为第三输入变量；合并单元，用于将第一输入变量、第二输入变量及第三输入变量进行去重合并，得到所述第一入模变量。可选地，第一选取单元，包括：第一执行单元，用于将各所述用户特征变量进行分箱处理，得到多个分箱，每个分箱包含一个或多个用户特征变量；第二执行单元，用于计算各分箱中用户特征变量的WOE值；第三执行单元，用于针对每个分箱中用户特征变量的WOE值，计算各所述用户特征变量的IV值。可选地，第一选取单元，还包括：第四执行单元，用于针对每个所述用户特征变量，获取与所述用户特征变量相关联的第一相关特征变量；第五执行单元，用于将所述用户特征变量和所述第一相关特征变量组合，得到新的用户特征变量，并执行第一执行单元。可选地，所述装置，还包括：第三模型模块输入单元，用于将所述第一入模变量输入反欺诈模型，得到反欺诈意向值；第三模型模块比较单元，用于将反欺诈意向值与预设欺诈意向值比较；第三模型模块控制单元，用于若反欺诈意向值小于或等于预设欺诈意向值，则执行第一模型模块。可选地，所述装置，还包括：第四模型模块第一判断单元，用于判断所述待分类用户的用户类别是否位于预设用户类别集合本文档来自技高网...

【技术保护点】
1.一种用户分类方法，其特征在于，所述方法包括：/n获取待分类用户的多个用户行为信息，并基于所述用户行为信息确定用户特征变量；/n将各所述用户特征变量按照预设转化规则转化成第一入模变量；/n按照用户行为信息，将各所述第一入模变量输入行为分类模型中对应的子模型，以使各子模型对第一入模变量进行评分，得到多个行为特征分数；/n将多个所述行为特征分数进行分箱，计算各分箱对应的WOE值；/n将各分箱对应的所述WOE值输入评分卡模型，得到所述待分类用户的用户类别。/n

【技术特征摘要】
1.一种用户分类方法，其特征在于，所述方法包括：
获取待分类用户的多个用户行为信息，并基于所述用户行为信息确定用户特征变量；
将各所述用户特征变量按照预设转化规则转化成第一入模变量；
按照用户行为信息，将各所述第一入模变量输入行为分类模型中对应的子模型，以使各子模型对第一入模变量进行评分，得到多个行为特征分数；
将多个所述行为特征分数进行分箱，计算各分箱对应的WOE值；
将各分箱对应的所述WOE值输入评分卡模型，得到所述待分类用户的用户类别。


2.根据权利要求1所述的方法，其特征在于，所述将各所述用户特征变量按照预设转化规则转化成第一入模变量，包括：
计算各所述用户特征变量的IV值，对多个所述IV值排序，选取IV值最大的多个用户特征变量作为第一输入变量；
将各所述用户特征变量利用随机森林模型进行重要性排序，选取重要性最高的多个用户特征变量中，与所述第一输入变量不同的用户特征变量，作为第二输入变量；
将各所述用户特征变量利用lightGBM模型进行重要性排序，选取重要性最高的多个用户特征变量中，与所述第二输入变量不同的用户特征变量，作为第三输入变量；
将第一输入变量、第二输入变量及第三输入变量进行去重合并，得到所述第一入模变量。


3.根据权利要求2所述的方法，其特征在于，所述计算各所述用户特征变量的IV值，包括：
将各所述用户特征变量进行分箱处理，得到多个分箱，每个分箱包含一个或多个用户特征变量；
计算各分箱中用户特征变量的WOE值；
针对每个分箱中用户特征变量的WOE值，计算各所述用户特征变量的IV值。


4.根据权利要求3所述的方法，其特征在于，所述计算各所述用户特征变量的IV值，还包括：
针对每个所述用户特征变量，获取与所述用户特征变量相关联的第一相关特征变量；
将所述用户特征变量和所述第一相关特征变量组合，得到新的用户特征变量，并执行将各所述用户特征变量进行分箱处理，得到多个分箱的步骤。


5.根据权利要求1所述的方法，其特征在于，所述将第一入模变量输入行为分类模型之前，所述方法还包括：
将所述第一入模变量输入反欺诈模型，得到反欺诈意向值；
将反欺诈意向值与预设欺诈意向值比较；
若反欺诈意向值小于或等于预设欺诈意向值，则执行将第一入模变量输入行为分类模型的步骤。


6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
判断所述待分类用户的用户类别...

【专利技术属性】
技术研发人员：张雯倩，刘慈文，李晓晓，常远芳，吴梦瑶，文芷晴，
申请(专利权)人：上海晓途网络科技有限公司，
类型：发明
国别省市：上海;31