基于多源异构数据的资源分配方法、装置和电子设备制造方法及图纸

本发明专利技术属于在计算机信息处理技术领域，提供一种基于多源异构数据的资源分配方法、装置和电子设备，方法包括：获取用户进行资源请求时的用户数据；根据所述用户数据的类型分别输入预设的机器学习模型，得到与所述类型对应的评估结果；根据所述评估结果对所述用户进行资源分配。本发明专利技术通过获取历史用户的用户数据，并将不同类型的用户数据分别输入对应的机器学习模型进行训练，利用训练好的机器学习模型对新用户的用户数据进行评估，根据评估结果对新用户进行资源分配，减少了数据转换过程中导致的信息损失，改善数据使用的单一性，提高了数据使用效率和模型输出的准确率，评估策略更灵活多变，降低了业务风险和损失。降低了业务风险和损失。降低了业务风险和损失。

【技术实现步骤摘要】
基于多源异构数据的资源分配方法、装置和电子设备


[0001]本专利技术属于计算机信息处理
，更具体的是涉及一种基于多源异构数据的资源分配方法、装置、电子设备和计算机可读介质。

技术介绍

[0002]在各个领域中，特征对模型的效果影响尤为突出，好的特征不仅能够提高模型在训练集上的效果，而且在跨时间验证上的效果也较为稳定。现有技术中对模型进行训练时，通常会将各种非结构化数据转换成结构化数据，便于输入模型，但实际上，非结构化数据在转成结构化数据的过程中，往往会损失其中所蕴含的信息量，降低了模型的精度，资源管理平台使用模型对用户进行评估时的降低了评估结果的准确率。

技术实现思路

[0003](一)要解决的技术问题
[0004]本专利技术旨在解决如何提高资源管理平台评估用户的准确率的技术问题。
[0005](二)技术方案
[0006]为解决上述技术问题，本专利技术的一方面提出一种基于多源异构数据的资源分配方法，包括：
[0007]获取用户进行资源请求时的用户数据；
[0008]根据所述用户数据的类型分别输入预设的机器学习模型，得到与所述类型对应的评估结果；
[0009]根据所述评估结果对所述用户进行资源分配。
[0010]根据本专利技术的优选实施方式，所述获取用户进行资源请求时的用户数据，进一步包括：
[0011]获取用户注册时提交的身份数据；
[0012]获取用户进行资源请求过程中提交的图片数据；
[0013]获取用户进行资源请求过程中产生的埋点数据。
[0014]根据本专利技术的优选实施方式，所述图片数据包括：
[0015]用户进行人脸识别时拍摄的图片数据及用户上传的图片数据。
[0016]根据本专利技术的优选实施方式，在根据所述用户数据的类型分别输入预设的机器学习模型前，所述方法还包括：
[0017]将历史用户进行资源请求的用户数据作为训练样本对所述机器学习模型进行训练；
[0018]根据所述历史用户的用户数据类型分别训练得到第一评估模型、第二评估模型和第三评估模型。
[0019]根据本专利技术的优选实施方式，所述根据所述用户数据的类型分别输入预设的机器学习模型，得到与所述类型对应的评估结果，进一步包括：
[0020]将所述身份数据输入所述第一评估模型，得到第一评分；
[0021]将所述图片数据输入所述第二评估模型，得到第二评分；
[0022]将所述埋点数据输入所述第三评估模型，得到第三评分。
[0023]根据本专利技术的优选实施方式，所述根据所述评估结果对所述用户进行资源分配，进一步包括：
[0024]将所述第一评分、第二评分和第三评分输入训练好的综合评估模型，并设置对应的指标，输出得到该用户的综合评估结果；
[0025]根据所述综合评估结果对所述用户进行资源分配。
[0026]根据本专利技术的优选实施方式，所述根据所述评估结果对所述用户进行资源分配，进一步包括：
[0027]根据预设规则分别对所述第一评分、第二评分和第三评分设置不同的阈值；
[0028]判断所述第一评分、第二评分和第三评分是否超过阈值，得到该用户的综合评估结果；
[0029]根据所述综合评估结果对所述用户进行资源分配。
[0030]本专利技术第二方面提出一种基于多源异构数据的资源分配装置，包括：
[0031]数据获取模块，用于获取用户进行资源请求时的用户数据；
[0032]评估模块，用于根据所述用户数据的类型分别输入预设的机器学习模型，得到与所述类型对应的评估结果；
[0033]资源分配模块，用于根据所述评估结果对所述用户进行资源分配。
[0034]本专利技术第三方面提出一种电子设备，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，所述处理器执行所述的方法。
[0035]本专利技术第四方面还提出一种计算机可读介质，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，实现所述的方法。
[0036](三)有益效果
[0037]本专利技术通过获取历史用户的用户数据，并将不同类型的用户数据分别输入对应的机器学习模型进行训练，利用训练好的机器学习模型对新用户的用户数据进行评估，根据评估结果对新用户进行资源分配，减少了数据转换过程中导致的信息损失，改善数据使用的单一性，提高了数据使用效率和模型输出的准确率，评估策略更灵活多变，降低了业务风险和损失。
附图说明
[0038]图1是本专利技术一个实施例的一种基于多源异构数据的资源分配方法流程示意图；
[0039]图2是本专利技术一个实施例的一种基于多源异构数据的资源分配装置示意图；
[0040]图3是本专利技术的一个实施例的电子设备的结构示意图；
[0041]图4是本专利技术的一个实施例的计算机可读记录介质的示意图。
具体实施方式
[0042]在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在
特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本专利技术。
[0043]附图中的流程图仅是一种示例性的流程演示，不代表本专利技术的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本专利技术的专利技术主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
[0044]附图中的框图一般表示的是功能实体，并不一定必然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/或处理单元装置和/或微控制器装置中实现这些功能实体。
[0045]各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，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，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本专利技术实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
[0046]在互联网的各个领域均存在着互联网服务，例如借贷、购物、打车、地图、外卖，以金融领域为例，金融产品种类繁多，其中与借贷相关产品更是举不胜数，此时金融机构需要对于申请借贷用户的风险进行提前预测。
[0047]本专利技术实施例以金融领域为例来进行说明，现有技术中，资源管理平台首先将获取的借贷用户的用户数据转化成结构化数据，然后将结构化数据输入训练好的机器学习模型，得到对该用户的评分，以此判断该用户的风险，在数据转本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源异构数据的资源分配方法，其特征在于，包括：获取用户进行资源请求时的用户数据；根据所述用户数据的类型分别输入预设的机器学习模型，得到与所述类型对应的评估结果；根据所述评估结果对所述用户进行资源分配。2.根据权利要求1所述的基于多源异构数据的资源分配方法，其特征在于，所述获取用户进行资源请求时的用户数据，进一步包括：获取用户注册时提交的身份数据；获取用户进行资源请求过程中提交的图片数据；获取用户进行资源请求过程中产生的埋点数据。3.根据权利要求1或2任一项所述的基于多源异构数据的资源分配方法，其特征在于，所述图片数据包括：用户进行人脸识别时拍摄的图片数据及用户上传的图片数据。4.根据权利要求1
‑
3任一项所述的基于多源异构数据的资源分配方法，其特征在于，在根据所述用户数据的类型分别输入预设的机器学习模型前，所述方法还包括：将历史用户进行资源请求的用户数据作为训练样本对所述机器学习模型进行训练；根据所述历史用户的用户数据类型分别训练得到第一评估模型、第二评估模型和第三评估模型。5.根据权利要求1
‑
4任一项所述的基于多源异构数据的资源分配方法，其特征在于，所述根据所述用户数据的类型分别输入预设的机器学习模型，得到与所述类型对应的评估结果，进一步包括：将所述身份数据输入所述第一评估模型，得到第一评分；将所述图片数据输入所述第二评估模型，得到第二评分；将所述埋点数据输入所述第三评估模型，得到第三评分。6.根据权利要求...

【专利技术属性】
技术研发人员：刘然，孙涛，沈赟，
申请(专利权)人：上海淇玥信息技术有限公司，
类型：发明
国别省市：