模型训练方法技术

本申请公开了一种模型训练方法

【技术实现步骤摘要】
模型训练方法、数据处理方法、装置、设备、介质和产品


[0001]本申请涉及大数据数据处理
，具体涉及一种模型训练方法
、
数据处理方法
、
装置
、
设备
、
介质和产品
。

技术介绍

[0002]随着经济的飞速发展，如何促进经济增长是目前研究的热点话题
。
消费是经济增长的持久内生动力，为响应监管减费让利的精神，让金融机构中的存量用户或者在贷用户继续消费信贷产品，促进消费回暖，各金融机构可以通过数字化经营推广利率优惠，进而促进用户对信贷产品的消费，进而促进经济的增长
。
[0003]目前在通过数字化经营推广利率优惠时，针对目标用户的筛选通常是根据各用户的基础信息
、
信贷信息
、
消费信息
、
资产负债等综合建立各用户的画像，在不同的推广需求下，将各用户划分为不同的标签，进而向对应的用户推广信贷产品
。
[0004]上述筛选推广的目标用户的方式不够精确，无法实现精准触达，可能造成资源浪费或者打扰到非敏感对象
。

技术实现思路

[0005]本申请实施例的目的是提供一种模型训练方法
、
数据处理方法
、
装置
、
设备
、
介质和产品，以提高识别出待进行信贷产品推广的目标对象的准确度，进而实现推广的精准触达
。
[0006]本申请的技术方案如下：
[0007]第一方面，提供了一种模型训练方法，该方法包括：
[0008]获取借贷目标信贷产品的借贷对象的至少一个特征信息，其中，所述目标信贷产品为历史时间段内利率有调整的信贷产品，所述借贷对象为所述历史时间段内借贷所述目标信贷产品的对象，所述借贷对象为多个；
[0009]基于第一目标特征信息的特征值，对各所述借贷对象进行分箱，其中，所述第一目标特征信息为至少一个所述特征信息中的任意一个；
[0010]对所述第一目标特征信息的每个分箱分别进行
WOE
编码，得到所述第一目标特征信息的每个分箱的
WOE
值；
[0011]将每个所述借贷对象的各所述目标特征信息对应的各分箱的
WOE
值，以及每个借贷对象的标签作为训练样本，对筛选模型进行训练，得到目标筛选模型，其中，所述目标筛选模型用于预测每个借贷对象在所述目标信贷产品的利率调整后继续借贷所述目标信贷产品的概率值，所述筛选模型的损失函数基于每个借贷对象的概率值和每个借贷对象的标签确定
。
[0012]第二方面，提供了一种数据处理方法，该方法包括：
[0013]获取借贷目标信贷产品的第二借贷对象的至少一个特征信息；
[0014]对所述第二借贷对象的至少一个特征信息进行处理，得到各所述特征信息对应的
各分箱的
WOE
值；
[0015]将各所述特征信息对应的各分箱的
WOE
值输入至目标筛选模型中，得到所述第二借贷对象在所述目标信贷产品的利率调整后继续借贷所述目标信贷产品的概率值，其中，所述目标筛选模型基于第一方面所述的方法得到；
[0016]基于所述概率值，确定所述目标信贷产品的推广策略
。
[0017]第三方面，提供了一种模型训练装置，该装置包括：
[0018]获取模块，用于获取借贷目标信贷产品的借贷对象的至少一个特征信息，其中，所述目标信贷产品为历史时间段内利率有调整的信贷产品，所述借贷对象为所述历史时间段内借贷所述目标信贷产品的对象，所述借贷对象为多个；
[0019]分箱模块，用于基于第一目标特征信息的特征值，对各所述借贷对象进行分箱，其中，所述第一目标特征信息为至少一个所述特征信息中的任意一个；
[0020]编码模块，用于对所述第一目标特征信息的每个分箱分别进行
WOE
编码，得到所述第一目标特征信息的每个分箱的
WOE
值；
[0021]模型训练模块，用于将每个所述借贷对象的各所述目标特征信息对应的各分箱的
WOE
值，以及每个借贷对象的标签作为训练样本，对筛选模型进行训练，得到目标筛选模型，其中，所述目标筛选模型用于预测每个借贷对象在所述目标信贷产品的利率调整后继续借贷所述目标信贷产品的概率值，所述筛选模型的损失函数基于每个借贷对象的概率值和每个借贷对象的标签确定
。
[0022]第四方面，提供了一种数据处理装置，该装置包括：
[0023]获取模块，用于获取借贷目标信贷产品的第二借贷对象的至少一个特征信息；
[0024]第一确定模块，用于对所述第二借贷对象的至少一个特征信息进行处理，得到各所述特征信息对应的各分箱的
WOE
值；
[0025]第二确定模块，用于将各所述特征信息对应的各分箱的
WOE
值输入至目标筛选模型中，得到所述第二借贷对象在所述目标信贷产品的利率调整后继续借贷所述目标信贷产品的概率值，其中，所述目标筛选模型基于第一方面所述的方法得到；
[0026]第三确定模块，用于基于所述概率值，确定所述目标信贷产品的推广策略
。
[0027]第五方面，本申请实施例提供了一种电子设备，该电子设备包括处理器
、
存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现本申请第一方面实施例任一所述的模型训练方法，和
/
或，本申请第二方面实施例任一所述的数据处理方法的步骤
。
[0028]第六方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现本申请第一方面实施例任一所述的模型训练方法，和
/
或，本申请第二方面实施例任一所述的数据处理方法的步骤
。
[0029]第七方面，本申请实施例提供了一种计算机程序产品，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备能够执行本申请第一方面实施例任一所述的模型训练方法，和
/
或，本申请第二方面实施例任一所述的数据处理方法的步骤
。
[0030]本申请的实施例提供的技术方案至少带来以下有益效果：
[0031]在本申请实施例中，通过获取借贷目标信贷产品的借贷对象的至少一个特征信息，然后基于第一借贷对象的每个特征信息的特征值，对各借贷对象进行分箱，对第一目标
特征信息的每个分箱分别进行
WOE
编码，得到第一目标特征信息的每个分箱的
WOE
值，然后将每个借贷对象的各特征信息对应的各分箱的
WOE
值，以及每个借贷对象的标签作为训练样本，对筛选模型进行训练，得到目标筛选模型，由于目标信贷产品为历本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种模型训练方法，其特征在于，所述方法包括：获取借贷目标信贷产品的借贷对象的至少一个特征信息，其中，所述目标信贷产品为历史时间段内利率有调整的信贷产品，所述借贷对象为所述历史时间段内借贷所述目标信贷产品的对象，所述借贷对象为多个；基于第一目标特征信息的特征值，对各所述借贷对象进行分箱，其中，所述第一目标特征信息为至少一个所述特征信息中的任意一个；对所述第一目标特征信息的每个分箱分别进行
WOE
编码，得到所述第一目标特征信息的每个分箱的
WOE
值；将每个所述借贷对象的各所述目标特征信息对应的各分箱的
WOE
值，以及每个借贷对象的标签作为训练样本，对筛选模型进行训练，得到目标筛选模型，其中，所述目标筛选模型用于预测每个借贷对象在所述目标信贷产品的利率调整后继续借贷所述目标信贷产品的概率值，所述筛选模型的损失函数基于每个借贷对象的概率值和每个借贷对象的标签确定
。2.
根据权利要求1所述的方法，其特征在于，在所述基于第一特征信息的特征值，对各所述借贷对象进行分箱之前，所述方法还包括：基于第一借贷对象的每个所述特征信息的特征值，计算每个所述特征信息对应的衍生特征，其中，所述第一借贷对象为多个借贷对象中的任意一个；基于所述衍生特征，对各所述特征信息进行筛选，得到至少一个目标特征信息；所述基于第一目标特征信息的特征值，对各所述借贷对象进行分箱，包括：基于第一目标特征信息的特征值，对各所述借贷对象进行分箱，其中，所述第一目标特征信息为至少一个目标特征信息中的任意一个
。3.
根据权利要求2所述的方法，其特征在于，所述衍生特征包括信息价值，在所述得到所述第一目标特征信息的每个分箱的
WOE
值之后，所述方法还包括：基于所述第一目标特征信息的每个分箱的
WOE
值，计算每个分箱的信息价值；将所述第一目标特征信息的每个分箱的信息价值进行累加，得到所述第一目标特征信息的目标信息价值；将各所述目标特征信息的目标信息价值中大于预设信息价值阈值的目标特征信息筛选出来，得到第二目标特征信息；基于所述第二目标特征信息的特征值，对所述第二目标特征信息进行分箱；基于所述第二目标特征信息中各分箱中的借贷对象，对所述第二目标特征信息的每个分箱分别进行
WOE
编码，得到所述第二目标特征信息的每个分箱的
WOE
值；所述将每个所述借贷对象的各所述目标特征信息对应的各分箱的
WOE
值，以及每个借贷对象的标签作为训练样本，对筛选模型进行训练，得到目标筛选模型，包括：将每个所述借贷对象的所述第二目标特征信息对应的各分箱的
WOE
值，以及每个借贷对象的标签作为训练样本，对筛选模型进行训练，得到目标筛选模型
。4.
根据权利要求1所述的方法，其特征在于，在对筛选模型进行训练的过程中，所述方法还包括：利用模型评估指标对所述筛选模型进行评估；在确定所述模型评估指标大于阈值模型评估指标阈值的情况下，所述筛选模型训练完
成；其中，所述模型评估指标至少包括：曲线下面积和
KS
指标
。5.
一种数据处理方法，其特征在于，所述方法包括：获取借贷目标信贷产品的第二借贷对象的至少一个特征信息；对所述第二借贷对象的至少一个特征信息进行处理，得到各所述特征信息对应的各...

【专利技术属性】
技术研发人员：陈芷君，徐谦，庞广龙，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：