基于机器学习的用户线上导流推荐方法和装置制造方法及图纸

本公开关于一种基于机器学习的用户线上导流推荐方法和装置，涉及大数据数据分析技术领域，方法包括：获取待导流用户的数据；将待导流用户的数据输入至导流规则模型，获取待导流用户所在的用户群及所在用户群的第一审批通过率a；对第一审批通过率a大于或等于预设阈值的第一待导流用户直接进行推荐；将第一审批通过率a小于预设阈值的第二待导流用户的数据输入至训练好的导流分流模型，得到第二待导流用户的导流推荐分数；根据导流推荐分数，确定第二待导流用户的导流推荐等级，并基于导流推荐等级对第二待导流用户进行推荐。由此，能够对待导流用户进行导流推荐，以提高用户审批通过率，降低获客成本。降低获客成本。降低获客成本。

【技术实现步骤摘要】
基于机器学习的用户线上导流推荐方法和装置


[0001]本公开涉及大数据数据分析
，尤其涉及一种基于机器学习的用户线上导流推荐方法和装置。

技术介绍

[0002]随着金融服务的不断更新，个人信贷产品正在成为一种全民性金融产品，层出不穷的金融机构大大地增加了行业竞争，使得获客成本较高。
[0003]相关技术中，通过线下方式获取个人信贷产品用户，如：面对面推广，在人流量大的地方摆设摊点，免费办理个人信贷产品后赠送礼品，此外还有一些电话推广和活动推广方式，在互联网上时代发展的驱动下，越来越多的银行开始着手于通过线上渠道进行个人信贷产品业务引流。但该种方法形成一个进件的成本价格较高，推广方需要花费高额的广告费用，并且线上用户群的审批通过率较线下申请用户群的审批通过率低，大大的增加了获得有效用户的成本。
[0004]因此，如何有效的识别用户，提高线上用户群的审批通过率，为亟需解决的技术问题。

技术实现思路

[0005]本公开提供一种基于机器学习的用户线上导流推荐方法和装置。
[0006]本公开的技术方案如下：
[0007]根据本公开实施例的第一方面，提供一种基于机器学习的用户线上导流推荐方法，包括：获取待导流用户的数据；将所述待导流用户的数据输入至导流规则模型，获取所述待导流用户所在的用户群及所在用户群的第一审批通过率a；对所述第一审批通过率a大于或等于预设阈值的第一待导流用户直接进行推荐；将所述第一审批通过率a小于预设阈值的第二待导流用户的数据输入至训练好的导流分流模型，得到所述第二待导流用户的导流推荐分数；根据所述导流推荐分数，确定所述第二待导流用户的导流推荐等级，并基于所述导流推荐等级对所述第二待导流用户进行推荐。
[0008]在一些实施例中，所述将所述第一审批通过率a小于预设阈值的第二待导流用户的数据输入至训练好的导流分流模型，得到所述第二待导流用户的导流推荐分数，包括：
[0009]将所述第二待导流用户的数据输入至训练好的导流分流模型，预测所述第二待导流用户通过审批的第二审批通过率b；根据所述第一审批通过率a和所述第二审批通过率b，计算得到审批通过率坏好比odds；其中，odds＝a/(1
‑
a)*b/(1
‑
b)；根据所述审批通过率坏好比odds，得到所述第二待导流用户的导流推荐分数score；其中，score＝base
‑
score+pdo/ln(2)ln(odds)，base
‑
score为基础分且为大于0的整数，pdo为翻倍数且为大于0的整数。
[0010]在一些实施例中，所述方法，还包括：获取训练样本数据集；根据所述训练样本数据集获取导流规则模型；根据所述训练样本数据集，对导流分流模型进行训练，生成训练好
的导流分流模型。
[0011]在一些实施例中，所述获取训练样本数据集，包括：采集多个训练样本用户的样本数据；其中，所述样本数据包括样本特征和样本审批结果；对所述样本特征进行预处理，搭建导流标签池；其中，所述导流标签池包括多个特征标签；根据所述样本审批结果和所述导流标签池，生成所述训练样本数据集。
[0012]在一些实施例中，所述根据所述训练样本数据集获取导流规则模型，包括：根据所述特征标签，将多个训练样本用户划分为多个样本用户群；根据所述样本用户群、所述样本审批结果和业务规则，应用单变量分箱和交叉分析训练规则，生成所述导流规则模型。
[0013]在一些实施例中，所述根据所述训练样本数据集，对导流分流模型进行训练，生成训练好的导流分流模型，包括：对所述特征标签进行特征筛选，获取模型训练特征；采用机器学习算法搭建所述导流分流模型；将所述模型训练特征输入至所述导流分流模型，对所述导流分流模型进行训练，生成训练好的导流分流模型。
[0014]根据本公开实施例的第二方面，提供一种基于机器学习的用户线上导流推荐装置，包括：数据获取单元，用于获取待导流用户的数据；第一处理单元，用于将所述待导流用户的数据输入至导流规则模型，获取所述待导流用户所在的用户群及所在用户群的第一审批通过率a；第一推荐单元，用于对所述第一审批通过率a大于或等于预设阈值的第一待导流用户直接进行推荐；第二处理单元，用于将所述第一审批通过率a小于预设阈值的第二待导流用户的数据输入至训练好的导流分流模型，得到所述第二待导流用户的导流推荐分数；第二推荐单元单元，用于根据所述导流推荐分数，确定所述第二待导流用户的导流推荐等级，并基于所述导流推荐等级对所述第二待导流用户进行推荐。
[0015]在一些实施例中，所述第二处理单元，包括：第一计算单元，用于将所述第二待导流用户的数据输入至训练好的导流分流模型，预测所述第二待导流用户通过审批的第二审批通过率b；第二计算单元，用于根据所述第一审批通过率a和所述第二审批通过率b，计算得到审批通过率坏好比odds；其中，odds＝a/(1
‑
a)*b/(1
‑
b)；第三计算单元，用于根据所述审批通过率坏好比odds，得到所述第二待导流用户的导流推荐分数score；其中，score＝base
‑
score+pdo/ln(2)ln(odds)，base
‑
score为基础分且为大于0的整数，pdo为翻倍数且为大于0的整数。
[0016]在一些实施例中，所述装置，还包括：样本数据获取单元，用于获取训练样本数据集；第一模型生成单元，用于根据所述训练样本数据集获取导流规则模型；第二模型生成单元，用于根据所述训练样本数据集，对导流分流模型进行训练，生成训练好的导流分流模型。
[0017]在一些实施例中，所述样本数据获取单元，具体用于：采集多个训练样本用户的样本数据；其中，所述样本数据包括样本特征和样本审批结果；对所述样本特征进行预处理，搭建导流标签池；其中，所述导流标签池包括多个特征标签；根据所述样本审批结果和所述导流标签池，生成所述训练样本数据集。
[0018]在一些实施例中，所述第一模型生成单元，具体用于：根据所述特征标签，将多个训练样本用户划分为多个样本用户群；根据所述样本用户群、所述样本审批结果和业务规则，应用单变量分箱和交叉分析训练规则，生成所述导流规则模型。
[0019]在一些实施例中，所述第二模型生成单元，具体用于：对所述特征标签进行特征筛
选，获取模型训练特征；采用机器学习算法搭建所述导流分流模型；将所述模型训练特征输入至所述导流分流模型，对所述导流分流模型进行训练，生成训练好的导流分流模型。
[0020]根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现本公开第一方面实施例提出的基于机器学习的用户线上导流推荐方法。
[0021]根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的用户线上导流推荐方法，其特征在于，包括：获取待导流用户的数据；将所述待导流用户的数据输入至导流规则模型，获取所述待导流用户所在的用户群及所在用户群的第一审批通过率a；对所述第一审批通过率a大于或等于预设阈值的第一待导流用户直接进行推荐；将所述第一审批通过率a小于预设阈值的第二待导流用户的数据输入至训练好的导流分流模型，得到所述第二待导流用户的导流推荐分数；根据所述导流推荐分数，确定所述第二待导流用户的导流推荐等级，并基于所述导流推荐等级对所述第二待导流用户进行推荐。2.根据权利要求1所述的方法，其特征在于，所述将所述第一审批通过率a小于预设阈值的第二待导流用户的数据输入至训练好的导流分流模型，得到所述第二待导流用户的导流推荐分数，包括：将所述第二待导流用户的数据输入至训练好的导流分流模型，预测所述第二待导流用户通过审批的第二审批通过率b；根据所述第一审批通过率a和所述第二审批通过率b，计算得到审批通过率坏好比odd s；其中，odds＝a/(1
‑
a)*b/(1
‑
b)；根据所述审批通过率坏好比odds，得到所述第二待导流用户的导流推荐分数score；其中，score＝base
‑
score+pdo/ln(2)ln(odds)，base
‑
score为基础分且为大于0的整数，pdo为翻倍数且为大于0的整数。3.根据权利要求2所述的方法，其特征在于，所述方法，还包括：获取训练样本数据集；根据所述训练样本数据集获取导流规则模型；根据所述训练样本数据集，对导流分流模型进行训练，生成训练好的导流分流模型。4.根据权利要求3所述的方法，其特征在于，所述获取训练样本数据集，包括：采集多个训练样本用户的样本数据；其中，所述样本数据包括样本特征和样本审批结果；对所述样本特征进行预处理，搭建导流标签池；其中，所述导流标签池包括多个特征标签；根据所述样本审批结果和所述导流标签池，生成所述训练样本数据集。5.根据权利要求4所述的方法，其特征在于，所述根据所述训练样本数据集获取导流规则模型，包括：根据所述特征标签，将多个训练样本用户划分为多个样本用户群；根据所述样本用户群、所述样本审批结果和业务规则，应用单变量分箱和交叉分析训练规则，生成所述导流规则模型。6.根据权利要求4所述的方法，其特征在于，所述根据所述训练样本数据集，对导流分流模型进行训练，生成训练好的导流分流模型，包括：对所述特征标签进行特征筛选，获取模型训练特征；采用机器学习算法搭建所述导流分流模型；将所述模型训练特征输入至所述导流分流模型，对所述导流分流模型进行训练，生成
训练好的导流分流模型。7.一种基于机器学习的用户线上导流推荐装置，其特征在于，包括：数据获取单元，用于获取待导流用户的数据；第一处理单元，用于将所述待导流用户的数据输入至导流规则模型，获取所述待导流用户所在的用户群及所在用户群的第一审批通过率a；第一推荐单元...

【专利技术属性】
技术研发人员：范欣，张越，杨简闻，
申请(专利权)人：中国建设银行股份有限公司，
类型：发明
国别省市：