用户的类型信息的确定方法、设备及存储介质技术

本公开实施例提供一种用户的类型信息的确定方法、设备及存储介质，属于科技金融领域，该方法包括：获取用户的特征数据；将用户的特征数据分别输入第一预测模型和第二预测模型，获取第一预测模型输出的第一转化率以及第二预测模型输出的第二转化率，第一预测模型用于预测在预设执行条件下生成用户的目标数据的概率，第二预测模型用于预测在不施加预设执行条件下生成用户的目标数据的概率；根据第一转化率和第二转化率，确定用户的类型信息。通过该方式，可以在预设执行条件下有效对用户的类型进行划分。型进行划分。型进行划分。

【技术实现步骤摘要】
用户的类型信息的确定方法、设备及存储介质


[0001]本公开涉及科技金融领域，尤其涉及一种用户的类型信息的确定方法、设备及存储介质。

技术介绍

[0002]随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Finteh)转变，用户的类型信息的确定技术也不例外，但由于金融行业的安全性、实时性要求，也对技术提出的更高的要求。
[0003]相关技术中，通过获取客户的累计额度使用率样本，将客户的基本信息(身份、交易、资产、授信、购买等)作为特征，输入到机器学习模型中，输出预测的所述客户的贷款累计额度使用率。若客户的贷款累计额度使用率超过预设阈值，则表示该客户为潜在客户，从而对用户的类型进行划分。
[0004]然而，现有的用户的类型的划分方式中，无法反映不同营销条件施加下的用户类型，从而使得划分出的用户的类型的有效性不高。

技术实现思路

[0005]本公开实施例提供一种用户的类型信息的确定方法、设备及存储介质，以解决现有技术中划分出的用户的类型的有效性不高的问题。
[0006]第一方面，本公开实施例提供一种用户的类型信息的确定方法，所述方法包括：
[0007]获取用户的特征数据；
[0008]将所述用户的特征数据分别输入第一预测模型和第二预测模型，获取所述第一预测模型输出的第一转化率以及所述第二预测模型输出的第二转化率，所述第一预测模型用于预测在预设执行条件下生成所述用户的目标数据的概率，所述第二预测模型用于预测在不施加所述预设执行条件下生成所述用户的目标数据的概率；
[0009]根据所述第一转化率和所述第二转化率，确定所述用户的类型信息。
[0010]一种可选的实施方式中，所述根据所述第一转化率和所述第二转化率，确定所述用户的类型信息，包括：
[0011]将所述第一转化率和所述第二转化率的差值作为所述预设执行条件对生成所述用户的目标数据的概率
[0012]的贡献值；
[0013]根据所述第一转化率、所述第二转化率以及所述贡献值，确定所述用户的类型信息。
[0014]一种可选的实施方式中，所述第一预测模型是通过第一样本集训练后生成的，所述第一样本集中包含有历史用户的特征数据以及在所述预设执行条件下生成所述历史用户的目标数据的结果数据；
[0015]所述第二预测模型是通过第二样本集训练后生成的，所述第二样本集中包含有历
史用户的特征数据以及在不施加所述预设执行条件下生成所述历史用户的目标数据的结果数据。
[0016]一种可选的实施方式中，在根据所述第一转化率和所述第二转化率，确定所述用户的类型信息之后，所述方法还包括：
[0017]根据用户的多维向量，在数据库中查询目标类型的用户的转移用户，所述多维向量用于表征在多个维度下用户之间的关联关系，所述转移用户为被施加所述预设执行条件以进行量级拓展的用户。
[0018]一种可选的实施方式中，所述根据用户的多维向量，在数据库中查询目标类型的用户的转移用户，包括：
[0019]根据所述数据库中待查询的用户的多维向量和所述目标类型的用户的多维向量之间的余弦相似度，确定所述待查询的用户是否为所述转移用户。
[0020]一种可选的实施方式中，所述根据用户的多维向量，在数据库中查询目标类型的用户的转移用户，包括：
[0021]根据预设的采样比例，对所述目标类型的用户的多维向量和非目标类型的用户的多维向量进行采样，生成第三样本集，所述目标类型的用户的多维向量为所述第三样本集的正样本，所述非目标类型的用户的多维向量为所述第三样本集的负样本；
[0022]使用所述第三样本对相似人群扩展模型进行训练；
[0023]将所述数据库中待查询的用户的多维向量输入训练后的相似人群扩展模型中，并获取所述训练后的相似人群扩展模型输出的人群转换概率；
[0024]根据所述人群转换概率，确定所述待查询的用户是否为所述转移用户。
[0025]一种可选的实施方式中，在所述根据用户的多维向量，在数据库中查询目标类型的用户的转移用户之前，所述方法还包括：
[0026]根据所述用户之间的关联信息，确定所述数据库中的用户的多维向量。
[0027]一种可选的实施方式中，所述根据所述用户之间的关联信息，确定所述数据库中用户的多维向量，包括：
[0028]从所述数据库中选择目标用户作为用户关系网中的目标节点；
[0029]依次确定所述目标节点的关联用户节点序列中的当前末尾节点的下一用户节点，直至所述目标用户的节点序列的长度达到预设的序列长度；
[0030]根据所述目标节点的关联用户节点序列，生成所述目标节点的关联节点阵列；
[0031]根据所述目标节点的关联节点阵列，确定所述数据库中用户的多维向量。
[0032]一种可选的实施方式中，所述确定所述目标节点的关联用户节点序列中的当前末尾节点的下一用户节点，包括：
[0033]确定所述当前末尾节点的归一化转移概率并对所述当前末尾节点的关联节点进行加权采样，确定所述下一用户节点。
[0034]一种可选的实施方式中，所述确定所述当前末尾节点的归一化转移概率，包括：
[0035]根据所述用户之间的关联信息，确定所述当前末尾节点与任一关联用户节点之间的转移概率；
[0036]归一化所述当前末尾节点与任一关联用户节点之间的转移概率，确定所述当前末尾节点的归一化转移概率。
[0037]一种可选的实施方式中，所述根据所述用户之间的关联信息，确定所述当前末尾节点与任一关联用户节点之间的转移概率，包括：
[0038]根据所述用户之间的关联信息以及所述用户的标识，生成所述当前末尾节点与任一关联用户节点之间的权重数据；
[0039]根据所述当前末尾节点与任一关联用户节点在用户关系网中最短路径距离的取值，确定所述当前末尾节点与任一关联用户节点之间的权重修正系数；
[0040]根据所述当前末尾节点与任一关联用户节点之间的权重数据和所述当前末尾节点与任一关联用户节点之间的权重修正系数，确定所述当前末尾节点与任一关联用户节点之间的转移概率。
[0041]一种可选的实施方式中，所述最短路径距离的取值包括第一取值、第二取值和第三取值；所述最短路径距离的取值与所述权重修正系数存在映射关系；
[0042]若所述关联用户节点为所述当前末尾节点的上一节点，则所述最短路径距离的取值为所述第一取值，若所述关联用户节点与所述当前末尾节点为相邻节点，则所述最短路径距离的取值为所述第二取值，若所述关联用户节点不是所述当前末尾节点的上一节点或所述当前末尾节点的相邻节点，则所述最短路径距离的取值为所述第三取值。
[0043]第二方面，本公开实施例提供一种用户的类型信息的确定装置，包括：
[0044]获取模块，用于获取用户的特征数据。
[0045]预测模块，用于将所述用户的特征数据分别输入第一预测模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户的类型信息的确定方法，其特征在于，所述方法包括：获取用户的特征数据；将所述用户的特征数据分别输入第一预测模型和第二预测模型，获取所述第一预测模型输出的第一转化率以及所述第二预测模型输出的第二转化率，所述第一预测模型用于预测在预设执行条件下生成所述用户的目标数据的概率，所述第二预测模型用于预测在不施加所述预设执行条件下生成所述用户的目标数据的概率；根据所述第一转化率和所述第二转化率，确定所述用户的类型信息。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一转化率和所述第二转化率，确定所述用户的类型信息，包括：将所述第一转化率和所述第二转化率的差值作为所述预设执行条件对生成所述用户的目标数据的概率的贡献值；根据所述第一转化率、所述第二转化率以及所述贡献值，确定所述用户的类型信息。3.根据权利要求1所述的方法，其特征在于，所述第一预测模型是通过第一样本集训练后生成的，所述第一样本集中包含有历史用户的特征数据以及在所述预设执行条件下生成所述历史用户的目标数据的结果数据；所述第二预测模型是通过第二样本集训练后生成的，所述第二样本集中包含有历史用户的特征数据以及在不施加所述预设执行条件下生成所述历史用户的目标数据的结果数据。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，在根据所述第一转化率和所述第二转化率，确定所述用户的类型信息之后，所述方法还包括：根据用户的多维向量，在数据库中查询目标类型的用户的转移用户，所述多维向量用于表征在多个维度下用户之间的关联关系，所述转移用户为被施加所述预设执行条件以进行量级拓展的用户。5.根据权利要求4所述的方法，其特征在于，所述根据用户的多维向量，在数据库中查询目标类型的用户的转移用户，包括：根据所述数据库中待查询的用户的多维向量和所述目标类型的用户的多维向量之间的余弦相似度，确定所述待查询的用户是否为所述转移用户。6.根据权利要求4所述的方法，其特征在于，所述根据用户的多维向量，在数据库中查询目标类型的用户的转移用户，包括：根据预设的采样比例，对所述目标类型的用户的多维向量和非目标类型的用户的多维向量进行采样，生成第三样本集，所述目标类型的用户的多维向量为所述第三样本集的正样本，所述非目标类型的用户的多维向量为所述第三样本集的负样本；使用所述第三样本对相似人群扩展模型进行训练；将所述数据库中待查询的用户的多维向量输入训练后的相似人群扩展模型中，并获取所述训练后的相似人群扩展模型输出的人群转换概率；根据所述人群转换概率，确定所述待查询的用户是否为所述转移用户。7.根据权利要求4所述的方法，其特征在于，在所述根据用户的多维向量，在数据库中查询目标类型的用户的转移用户之前，所述方法还包括：根据所述用户之间的...

【专利技术属性】
技术研发人员：张海川，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：