[發(fā)明專利]一種用戶分類的方法和相關(guān)裝置

在審

• 申請?zhí)枺?/td>: 202010344241.3
• 申請日: 2020-04-27
• 公開（公告）號(hào): CN111523604A
• 公開（公告）日: 2020-08-11
• 發(fā)明（設(shè)計(jì)）人: 徐曉健;嚴(yán)潔;欒英英;彭勃;童楚婕;李福洋
• 申請（專利權(quán)）人: 中國銀行股份有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06Q40/02;G06N3/12;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 儲(chǔ)倩

1.一種用戶分類的方法，其特征在于，包括：

獲取待分類用戶的用戶信息；

基于所述待分類用戶的用戶信息、XGBoost模型、LightGBM模型和神經(jīng)網(wǎng)絡(luò)模型，分別獲得所述待分類用戶的第一用戶類別、第二用戶類別和第三用戶類別；

基于所述第一用戶類別、所述第一用戶類別對應(yīng)的第一權(quán)重、所述第二用戶類別、所述第二用戶類別對應(yīng)的第二權(quán)重、所述第三用戶類別和所述第三用戶類別對應(yīng)的第三權(quán)重，加權(quán)處理獲得目標(biāo)用戶類別；所述第一權(quán)重、所述第二權(quán)重和所述第三權(quán)重由遺傳算法確定的。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述XGBoost模型是基于訓(xùn)練用戶的用戶信息、對應(yīng)的用戶類別標(biāo)簽和XGBoost訓(xùn)練得到的；所述LightGBM模型是基于所述訓(xùn)練用戶的用戶信息、對應(yīng)的所述用戶類別標(biāo)簽和LightGBM訓(xùn)練得到的；所述神經(jīng)網(wǎng)絡(luò)模型是基于所述訓(xùn)練用戶的用戶信息、對應(yīng)的所述用戶類別標(biāo)簽和神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述XGBoost模型的訓(xùn)練步驟包括：

將所述訓(xùn)練用戶的用戶信息輸入所述XGBoost，獲得所述訓(xùn)練用戶的第一預(yù)測用戶類別；

基于所述第一預(yù)測用戶類別和所述用戶類別標(biāo)簽，利用所述XGBoost的損失函數(shù)訓(xùn)練調(diào)整所述XGBoost的參數(shù)獲得所述XGBoost模型。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述LightGBM模型的訓(xùn)練步驟包括：

將所述訓(xùn)練用戶的用戶信息輸入所述LightGBM，獲得所述訓(xùn)練用戶的第二預(yù)測用戶類別；

基于所述第二預(yù)測用戶類別和所述用戶類別標(biāo)簽，利用所述LightGBM的損失函數(shù)訓(xùn)練調(diào)整所述LightGBM的參數(shù)獲得所述LightGBM模型。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練步驟包括：

將所述訓(xùn)練用戶的用戶信息輸入所述神經(jīng)網(wǎng)絡(luò)，獲得所述訓(xùn)練用戶的第三預(yù)測用戶類別；

基于所述第三預(yù)測用戶類別和所述用戶類別標(biāo)簽，利用所述神經(jīng)網(wǎng)絡(luò)的損失函數(shù)訓(xùn)練調(diào)整所述神經(jīng)網(wǎng)絡(luò)的參數(shù)獲得所述神經(jīng)網(wǎng)絡(luò)模型。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述第一權(quán)重、所述第二權(quán)重和所述第三權(quán)重的確定步驟包括：

基于所述第一預(yù)測用戶類別、所述第二預(yù)測用戶類別和所述第三預(yù)測用戶類別，以及所述遺傳算法中第一初始權(quán)重、第二初始權(quán)重和第三初始權(quán)重，加權(quán)處理獲得所述訓(xùn)練用戶的預(yù)測用戶類別；

基于所述預(yù)測用戶類別和所述用戶類別標(biāo)簽，調(diào)整所述第一初始權(quán)重、所述第二初始權(quán)重和所述第三初始權(quán)重，確定所述第一權(quán)重、所述第二權(quán)重和所述第三權(quán)重。

7.根據(jù)權(quán)利要求1-6任意一項(xiàng)所述的方法，其特征在于，所述用戶信息包括用戶基本信息、用戶資產(chǎn)信息、用戶交易信息和用戶行為信息；所述用戶信息具體為經(jīng)過數(shù)據(jù)預(yù)處理后的用戶信息，所述數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗和數(shù)據(jù)向量化。

8.一種用戶分類的裝置，其特征在于，包括：

用戶信息獲取單元，用于獲取待分類用戶的用戶信息；

第一獲得單元，用于基于所述待分類用戶的用戶信息、XGBoost模型、LightGBM模型和神經(jīng)網(wǎng)絡(luò)模型，分別獲得所述待分類用戶的第一用戶類別、第二用戶類別和第三用戶類別；

第二獲得單元，用于基于所述第一用戶類別、所述第一用戶類別對應(yīng)的第一權(quán)重、所述第二用戶類別、所述第二用戶類別對應(yīng)的第二權(quán)重、所述第三用戶類別和所述第三用戶類別對應(yīng)的第三權(quán)重，加權(quán)處理獲得目標(biāo)用戶類別；所述第一權(quán)重、所述第二權(quán)重和所述第三權(quán)重由遺傳算法確定的。

9.一種終端設(shè)備，其特征在于，所述終端設(shè)備包括處理器以及存儲(chǔ)器：

所述存儲(chǔ)器用于存儲(chǔ)程序代碼，并將所述程序代碼傳輸給所述處理器；

所述處理器用于根據(jù)所述程序代碼中的指令執(zhí)行權(quán)利要求1-7任一項(xiàng)所述的用戶分類的方法。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)用于存儲(chǔ)程序代碼，所述程序代碼用于執(zhí)行權(quán)利要求1-7任一項(xiàng)所述的用戶分類的方法。