【技术实现步骤摘要】
本专利技术涉及数据处理领域，尤其涉及一种定价模型训练方法、定价方法、装置、电子设备及介质。
技术介绍
1、在信贷领域，需要对用户进行个性化定价，即针对不同用户确定不同利率，如需要在针对用户授信成功时对用户贷款利率进行初始定价，以及在用户发生复购时对用户利率进行价格调整等。定价是信贷领域的核心问题之一，信贷领域通常会根据用户的特征以及其他相关信息生成适当的定价策略，以提高金融机构的稳健性以及盈利能力等。
2、面对日益增长的客户需求，传统的人工审核和风险分析已无法满足业务的快速发展。因此，金融机构正逐渐采用人工智能相关方法实现自动智能化定价。定价策略对金融机构的盈利率以及用户复购率有重要影响，但盈利率以及复购率通常会受到一些用户数据的影响，如会受到用户的信用资质、用户贷款额度等因素的影响，也就是说，即使使用相同的定价策略，由于信用资质、贷款额度不同的用户，其表现也会有所不同，这也导致定价策略引起的盈利率以及复购率不同，这些影响盈利率以及复购率的用户数据通常被称为混淆因子。例如，对于一个资质良好、具有优质银行流水和较少历史逾期的用户，如果其历史借款定价较低，可能很难准确预估在较高定价下该用户的表现。资质等因素成为定价行为中的混淆因子。
3、如何消除混淆因子的影响，从而得到较为准确的定价是信贷领域中的一个重要问题。
技术实现思路
1、有鉴于此，本专利技术实施例提供了一种定价模型训练方法、定价方法、装置、电子设备及介质，以提高定价准确性。
2、根据本专利技
3、针对预设训练集中的每组训练数据，将所述训练数据中包括的用户数据及其对应的定价输入至待训练的定价模型中；每组所述训练数据中还包括：所述用户数据对应的定价下，所述用户数据对应的盈利值标签；
4、获取所述待训练的定价模型输出的盈利值，作为输出盈利值；所述输出盈利值为所述待训练的定价模型通过预设加权模型对所述用户数据进行加权，得到加权后的用户数据，并基于所述加权后的用户数据以及所述对应的定价得到的；所述加权后的用户数据与所述用户数据对应的定价互相独立；
5、基于所述输出盈利值以及所述盈利值标签之间的第一差异，调整所述待训练的定价模型的参数，直至所述第一差异小于第一预设差异阈值，得到目标定价模型。
6、在一种可能的实施例中，所述预设加权模型通过以下步骤预先得到：
7、获取各用户的用户历史数据；所述用户历史数据包括多种类型；
8、针对各所述类型，对所述类型的各用户历史数据进行随机抽样，获取所述类型对应的目标值；
9、基于各所述用户的用户历史数据以及校准分布，对待训练的加权模型进行训练，得到预设加权模型；所述校准分布中包括各所述类型对应的目标值。
10、在一种可能的实施例中，所述待训练的加权模型为生成对抗网络，所述基于各所述用户的用户历史数据以及校准分布，对待训练的加权模型进行训练，得到预设加权模型，包括：
11、针对各所述用户的用户历史数据，将所述用户的用户历史数据输入至生成对抗网络；所述生成对抗网络包括生成器以及判别器；
12、获取所述生成器输出的对所述用户的用户历史数据进行加权，得到的加权后用户历史数据；
13、获取所述判别器输出的所述加权后用户历史数据与所述校准分布之间的第二差异；
14、基于所述第二差异调整所述生成器以及所述判别器的参数，直至所述第二差异小于第二预设差异阈值，得到预设加权模型。
15、在一种可能的实施例中，所述第二差异与所述判别器的输出与预设真值之间的误差正相关，与所述判别器的输出与预设假值之间的误差正相关；
16、所述基于所述第二差异调整所述生成器以及所述判别器的参数，包括：
17、交替调整所述生成器以及所述判别器的参数，以最小化所述第二差异。
18、根据本专利技术的另一方面，提供了一种定价方法，其特征在于，所述方法包括：
19、获取目标用户的用户数据以及期望定价；
20、将所述用户数据以及所述期望定价输入至预先训练的目标定价模型中；所述目标定价模型为如上述任一所述的定价模型训练方法训练得到；
21、获取所述目标定价模型输出的目标盈利值；
22、在所述目标盈利值高于预设盈利值的情况下，确定所述期望定价为目标定价。在一种可能的实施例中，所述期望定价有多个；所述方法还包括：
23、确定基于所述目标定价模型得到的多个目标盈利值中最高的目标盈利值对应的期望定价为目标定价。
24、在一种可能的实施例中，所述方法还包括：
25、在所述目标盈利值不高于所述预设盈利值的情况下，改变期望定价，返回所述将所述用户数据以及所述期望定价输入至预先训练的目标定价模型中的步骤。
26、根据本专利技术的另一方面，提供了一种定价模型训练装置，其特征在于，所述装置包括：
27、第一输入模块，用于针对预设训练集中的每组训练数据，将所述训练数据中包括的用户数据及其对应的定价输入至待训练的定价模型中；每组所述训练数据中还包括：所述用户数据对应的定价下，所述用户数据对应的盈利值标签；
28、输出模块，用于获取所述待训练的定价模型输出的盈利值，作为输出盈利值；所述输出盈利值为所述待训练的定价模型通过预设加权模型对所述用户数据进行加权，得到加权后的用户数据，并基于所述加权后的用户数据以及所述对应的定价得到的；所述加权后的用户数据与所述用户数据对应的定价互相独立；
29、调整模块，用于基于所述输出盈利值以及所述盈利值标签之间的第一差异，调整所述待训练的定价模型的参数，直至所述第一差异小于第一预设差异阈值，得到目标定价模型。
30、根据本专利技术的另一方面，提供了一种定价装置，其特征在于，所述装置包括：
31、第一获取模块，用于获取目标用户的用户数据以及期望定价；
32、第二输入模块，用于将所述用户数据以及所述期望定价输入至预先训练的目标定价模型中；所述目标定价模型为如上述任一所述的定价模型训练方法训练得到；
33、第二获取模块，用于获取所述目标定价模型输出的目标盈利值；
34、确定模块，用于在所述目标盈利值高于预设盈利值的情况下，确定所述期望定价为目标定价。
35、根据本专利技术的另一方面，提供了一种电子设备，包括：
36、处理器；以及
37、存储程序的存储器，
38、其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行上述任一所述的定价模型训练方法和/或定价方法。
39、根据本专利技术的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行上述任一所述的定价模型训练方法和/或定价方法。
40、本申请实施例中提供的一个或多个技术方本文档来自技高网...
【技术保护点】
1.一种定价模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预设加权模型通过以下步骤预先得到：
3.根据权利要求2所述的方法，其特征在于，所述待训练的加权模型为生成对抗网络，所述基于各所述用户的用户历史数据以及校准分布，对待训练的加权模型进行训练，得到预设加权模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述第二差异与所述判别器的输出与预设真值之间的误差正相关，与所述判别器的输出与预设假值之间的误差正相关；
5.一种定价方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述期望定价有多个；
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
8.一种定价模型训练装置，其特征在于，所述装置包括：
9.一种定价装置，其特征在于，所述装置包括：
10.一种电子设备，包括：
11.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-4或5-
...【技术特征摘要】
1.一种定价模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预设加权模型通过以下步骤预先得到：
3.根据权利要求2所述的方法，其特征在于，所述待训练的加权模型为生成对抗网络，所述基于各所述用户的用户历史数据以及校准分布，对待训练的加权模型进行训练，得到预设加权模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述第二差异与所述判别器的输出与预设真值之间的误差正相关，与所述判别器的输出与预设假值之间的误差正相关；
【专利技术属性】
技术研发人员：王一茜，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。