资源额度分配方法、装置及电子设备制造方法及图纸

本公开涉及一种资源额度分配方法、装置、电子设备及计算机可读介质。该方法包括：获取用户的用户信息，所述用户信息包括基础信息和行为信息；基于所述用户信息生成用户特征；将所述用户特征输入动支风险模型中，生成动支率和风险率，所述动支风险模型通过具有目标相关性的多目标机器学习模型训练生成；将所述动支率和所述风险率与预设策略进行匹配；根据匹配结果为所述用户进行资源额度分配。本公开涉及的资源额度分配方法、装置、电子设备及计算机可读介质，能够快速准确的为用户分配资源额度，合理满足用户需求的同时保障金融数据安全、金融交易安全。金融交易安全。金融交易安全。

【技术实现步骤摘要】
资源额度分配方法、装置及电子设备


[0001]本公开涉及计算机信息处理领域，具体而言，涉及一种资源额度分配方法、装置、电子设备及计算机可读介质。

技术介绍

[0002]随着经济的发展，为了满足其自身发展的需要，个人用户或者企业用户经常由金融服务机构进行借款活动，对于金融服务机构而言，用户的借款活动很可能会给金融服务公司带来风险。在还款期限届满之前，借款人(信贷用户)财务商务状况的重大不利变化很可能影响其履约能力，从而发生呆账、坏账等风险，因此，为了降低此类风险的发生概率，保障金融信息安全，金融服务机构需要对借款人进行风险评估，进而制定其相对应的用户资源分配额度。
[0003]在现有技术中，经常使用机器学习的方式，通过用户的行为或者基础信息生成用户画像，进而确定用户的金融资源风险数值，继而根据风险程度为用户进行资源额度的分配。但是，在实际应用过程中，经常出现有些风险程度较低的客户，虽然拥有较高的金融资源额度，但是其使用资源的次数较少，而有些用户，经常需要占用资源，但是由于其金融风险较高，每次占用金融资源的额度无法满足其需求。这种情况给用户本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种资源额度分配方法，其特征在于，包括：获取用户的用户信息，所述用户信息包括基础信息和行为信息；基于所述用户信息生成用户特征；将所述用户特征输入动支风险模型中，生成动支率和风险率，所述动支风险模型通过具有目标相关性的多目标机器学习模型训练生成；将所述动支率和所述风险率与预设策略进行匹配；根据匹配结果为所述用户进行资源额度分配。2.如权利要求1所述的方法，其特征在于，还包括：获取历史用户的用户信息；为所述历史用户分配动支标签和风险标签；基于带有所述动支标签和所述风险标签的历史用户的用户信息对具有目标相关性的多目标机器学习模型进行训练，生成所述动支风险模型。3.如权利要求2所述的方法，其特征在于，获取历史用户的用户信息，包括：获取预设时间范围内的历史用户的用户信息。4.如权利要求3所述的方法，其特征在于，为所述历史用户分配动支标签和风险标签，包括：基于预设时间范围后的所述历史用户的第一行为信息为所述历史用户分配动支标签；基于预设时间范围后的所述历史用户的第二行为信息为所述历史用户分配风险标签。5.如权利要求2所述的方法，其特征在于，基于带有所述动支标签和所述风险标签的历史用户的用户信息对具有目标相关性的多目标机器学习模型进行训练，生成所述动支风险模型，包括：基于带有所述动支标签和所述风险标签的历史用户的用户信息对具有目标相关性的多目标机器学习模型进行训练；在训练过程中通过动支损失函数和风险损失函数对具有目标相关性的多目标机器学习模型的参数进行更新；在所述动支损失函数和所述风险损失函数收敛时，生成所述动支风险模型。6.如权利要求5所述的方法，其特征在于，还包括：基于输入层、共享层、第一参数层、第二参数层、动支特征层、风险特征层生成所述具有目标相关性的多目标机器学习模型；其中，所述动支特征层和所述风险特征层的特征相关联。7.如权利要求6所述的方法，其特征在于，基于带有所述动支标签和是风险标签的历史用户的用户信息对具有目标相关性的多目标机器学习模型进行训练，包括：历史用户的用户信息输入所述具有目标相关性的多目标机器学习模型的输入层；所述输入层提取所述用户信息中的多个特征；所述共享层在所述多个特征中提取共享特征；所述第一参数层、所述第二参数层...

【专利技术属性】
技术研发人员：王佳松，宋孟楠，焦雅，
申请(专利权)人：北京淇瑀信息科技有限公司，
类型：发明
国别省市：