[發明專利]基于用戶分群的提額策略確定方法、裝置和電子設備

在審

• 申請號: 201910581346.8
• 申請日: 2019-06-29
• 公開（公告）號: CN110349000A
• 公開（公告）日: 2019-10-18
• 發明（設計）人: 乾春濤;沈赟;鄭彥
• 申請（專利權）人: 上海淇毓信息科技有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02
• 代理公司: 北京清誠知識產權代理有限公司 11691
• 代理人: 喬東峰

1.一種基于用戶分群的提額策略確定方法，其特征在于，包括：

確定對于歷史金融用戶集的分群規則；

對歷史金融用戶集中的用戶按照所述分群規則分成至少兩個用戶群；

對于各用戶群，分別由該用戶群內的歷史金融用戶數據建立訓練數據集、測試數據集及提額模型；

使用各用戶群的訓練數據集、測試數據集對相應的提額模型進行訓練和測試；

對于新用戶，按照所述的分群規則進行分群，使用該用戶對應的用戶群的提額模型確定提額策略。

2.根據權利要求1所述的方法，其特征在于：所述確定對于歷史金融用戶集的分群規則包括：

計算所述歷史金融用戶集中的用戶數據的各變量的重要性指標；

根據所述重要性指標確定分群變量和依變量的分類規則。

3.根據權利要求1-2中任一項所述的方法，其特征在于：所述確定對于歷史金融用戶集的分群規則包括：

計算所述歷史金融用戶集中的用戶數據的各變量的分布穩定性指標；

根據所述分布穩定性指標確定分群變量和依變量的分類規則。

4.根據權利要求1-3中任一項所述的方法，其特征在于：所述確定對于歷史金融用戶集的分群規則包括：

計算所述歷史金融用戶集中的用戶數據的各變量的區分度指標；

根據所述區分度指標確定分群變量和依變量的分類規則。

5.根據權利要求1-4中任一項所述的方法，其特征在于：所述計算所述歷史金融用戶集中的用戶數據的各變量的區分度指標包括：

建立機器自學習分類模型，通過機器自學習確定區分度最高的變量及基于該變量的分類規則。

6.根據權利要求1-5中任一項所述的方法，其特征在于：所述確定對于歷史金融用戶集的分群規則包括：

計算所述歷史金融用戶集中的用戶數據的自變量對因變量的影響度指標；

根據所述影響度指標確定分群變量和依變量的分類規則。

7.根據權利要求1-6中任一項所述的方法，其特征在于：所述計算所述歷史金融用戶集中的用戶數據的自變量對因變量的影響度指標包括：

使用Boruta算法計算所述自變量對因變量的影響度。

8.一種基于用戶分群的提額策略確定裝置，其特征在于，包括：

規則建立模塊，用于確定對于歷史金融用戶集的分群規則；

分群模塊，用于對歷史金融用戶集中的用戶按照所述分群規則分成至少兩個用戶群；

模型建立模塊，用于對于各用戶群，分別由該用戶群內的歷史金融用戶數據建立訓練數據集、測試數據集及提額模型，以及使用各用戶群的訓練數據集、測試數據集對相應的提額模型進行訓練和測試；

策略確定模塊，對于新用戶，其用于按照所述的分群規則進行分群，使用該用戶對應的用戶群的提額模型確定提額策略。

9.一種電子設備，包括：

處理器；以及

存儲計算機可執行指令的存儲器，所述計算機可執行指令在被執行時使所述處理器執行根據權利要求1-7中任一項所述的方法。

10.一種計算機可讀存儲介質，其中，所述計算機可讀存儲介質存儲一個或多個程序，當所述一個或多個程序被處理器執行時，實現權利要求1-7中任一項所述的方法。