System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及神经网络训练的,尤其涉及一种模型训练方法、相关装置、设备以及计算机可读存储介质。
技术介绍
1、在互联网信贷领域,互联网金融公司为了在小额贷款领域吸引更多的客户进行信贷管理,通常会采取一些营销策略。向客户发放贷款优惠券就是常见的营销策略。通常,对于互联网金融公司而言,可以根据与该公司存在历史业务关系的客户留下的过往贷款信息(例如,用户征信数据等),互联网金融公司给这些客户发放相应的一定面额或折扣的贷款优惠券,客户凭贷款优惠券向互联网金融公司进行贷款时,可以减免部分还款金额。例如,将面值为1000元的贷款优惠券发放给客户,客户在向该互联网金融公司进行贷款后,在还款时,客户可以凭该贷款优惠券少还1000元。通过这种方式,可以减少用户的还款成本,降低用户的融资成本,提高平台的信贷竞争力。这不仅可以增加金融公司贷款的用户数量,还可以增加在贷的余额。
2、因此,如何在待投放的贷款优惠券数量一定的情况下,精确地将贷款优惠券投放给对贷款优惠券敏感程度高的用户(对于敏感程度高的客户而言,贷款优惠券是他们是否进行信贷的重要考虑因素),是技术人员日益关注的问题。
技术实现思路
1、本申请实施例提供一种借贷模型训练方法、相关装置、设备以及可读存储介质,解决了借贷模型输出的数据准确性不高、不科学以及不全面的问题。
2、第一方面,本申请实施例提供一种借贷模型训练方法,包括:在数据库中获取m个目标用户的样本数据,样本数据包括目标用户的一条或多条特征信息;将m条样本数据进行预处
3、在上述实施例中,第二神经网络输出的第一数据和第二数据中包括在向用户发放贷款优惠券的情况下,用户借贷概率值、贷款余额使用情况(贷款余额留存率)以及贷款余额等信息;第三神经网络输出的第三数据和第四数据中包括在不向用户发放贷款优惠券的情况下,用户借贷概率值、贷款余额使用情况(贷款余额留存率)以及贷款余额等信息。这样,在基于训练好的第二神经网络和第三神经网络输出的数据计算的差分值(例如,第一数据和第三数据的差分值)中包括用户对贷款优惠券的敏感度、余额留存率、贷款数额等信息,使得基于训练好的第二神经网络和第三神经网络输出的数据计算的差分值更加科学和全面。这样,当用户通过该差分值确定的待发送贷款优惠券的用户更加精准。
4、结合第一方面,在一种可能实现的方式中,将m条样本数据进行预处理,得到n条预处理后的样本数据,具体包括:将m条样本数据中存在脏数据的样本数据清除,得到n条样本数据,脏数据为影响目标用户借贷意愿的特征信息;将n条样本数据中的每条特征信息进行归一化处理,得到预处理后的样本数据。
5、结合第一方面,在一种可能实现的方式中,基于第一数据、第三数据、第一余额留存率预测值、第二余额留存率预测值得到第一调整值,具体包括:将第一数据和第三数据进行差分计算,得到第一差分值;将第一余额留存率预测值和第二余额留存率预测值进行差分计算,得到第一目标差分值;根据公式计算第一调整值,adi为第一调整值,yi为第一差分值,xi为第一目标差分值。
6、结合第一方面,在一种可能实现的方式中,基于第二数据、第四数据、第一余额预测值和第二余额预测值得到第二调整值,具体包括:将第二数据和第四数据进行差分计算,得到第二差分值;将第一余额预测值和第二余额预测值进行差分计算,得到第二目标差分值;根据公式计算第二调整值,ad′i为第二调整值,yi为第二差分值,x′i为第二目标差分值。
7、第二方面,本申请实施例提供一种借贷模型训练装置,该借贷模型训练装置包括获取单元、预处理单元、第一处理单元、第二处理单元、第三处理单元、第四处理单元、第五处理单元以及调整单元;其中:
8、获取单元,用于在数据库中获取m个目标用户的样本数据;
9、预处理单元,用于将m条样本数据进行预处理,得到n条预处理后的样本数据;
10、第一处理单元,用于将预处理后的样本数据通过第一神经网络处理,得到样本数据对应的第一向量、第二向量、第一余额留存率预测值、第二余额留存率预测值、第一余额预测值和第二余额预测值;
11、第二预处理单元,用于将第一向量通过第二神经网络处理得到第一数据和第二数据;
12、第三预处理单元,用于将第二向量通过第三神经网络处理得到第三数据和第四数据;
13、第四处理单元,用于基于第一数据、第三数据、第一余额留存率预测值、第二余额留存率预测值得到第一调整值;
14、第五处理单元,用于基于第二数据、第四数据、第一余额预测值和第二余额预测值得到第二调整值;
15、调整单元,用于根据第一调整值和第二调整值调整第二神经网络和第三神经网络的网络参数和/或网络结构。
16、结合第二方面,在一种可能实现的方式中,将m条样本数据进行预处理,得到n条预处理后的样本数据,具体包括:将m条样本数据中存在脏数据的样本数据清除,得到n条样本数据,脏数据为影响目标用户借贷意愿的特征信息;将n条样本数据中的每条特征信息进行归一化处理,得到预处理后的样本数据。
17、结合第二方面,在一种可能实现的方式中,基于第一数据、第三数据、第一余额留存率预测值、第二余额留存率预测值得到第一调整值,具体包括:将第一数据和第三数据进行差分计算,得到第一差分值;将第一余额留存率预测值和第二余额留存率预测值进行差分计算,得到第一目标差分值;根据公式计算第一调整值,adi为第一调整值,yi为第一差分值,xi为第一目标差分值。
18、结合第二方面,在一种可能实现的方式中,基于第二数据、第四数据、第一余额预测值和第二余额预测值得到第二调整值,具体包括:将第二数据和第四数据进行差分计算,得到第二差分值;将第一余额预测值和第二余额预测值进行差分计算,得到第二目标差分值;根据公式计算第二调整值,ad′i为第二调整值,yi为第二差分值,x′i为第二目标差分值。
19、第三方面,本申请实施例提供了一种借贷模型训练设备,包括存储器和处理器;
20、其中,所述存储器用于存储程序代码,所述处理器用于调用所述存储器存储的程序代码,执行上述第一方面及其各种可能实现的方式中的借贷模型训练方法。
21、第四方面,本申请实本文档来自技高网...
【技术保护点】
1.一种借贷模型训练方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,所述将所述M条样本数据进行预处理,得到N条预处理后的样本数据,具体包括:
3.如权利要求1所述的方法,其特征在于,所述基于所述第一数据、所述第三数据、所述第一余额留存率预测值、所述第二余额留存率预测值得到第一调整值,具体包括:
4.如权利要求1所述的方法,其特征在于,所述基于所述第二数据、所述第四数据、所述第一余额预测值和所述第二余额预测值得到第二调整值,具体包括:
5.一种借贷模型训练装置,其特征在于,包括执行如权利要求1-4任意一项所述的借贷模型训练方法的单元。
6.一种借贷模型训练设备,其特征在于,包括:存储器和处理器,其中:
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时,实现如权利要求1-4任意一项所述的方法。
【技术特征摘要】
1.一种借贷模型训练方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,所述将所述m条样本数据进行预处理,得到n条预处理后的样本数据,具体包括:
3.如权利要求1所述的方法,其特征在于,所述基于所述第一数据、所述第三数据、所述第一余额留存率预测值、所述第二余额留存率预测值得到第一调整值,具体包括:
4.如权利要求1所述的方法,其特征在于,所述基于所述第二数据、所述第四数据...
【专利技术属性】
技术研发人员:徐天运,杨青,
申请(专利权)人:度小满科技北京有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。