[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： | CN111523604A | 公開（公告）日： | 2020-08-11 |
| 發(fā)明（設(shè)計）人： | 徐曉健;嚴潔;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： | G06K9/62 | 分類號： | G06K9/62;G06Q40/02;G06N3/12;G06N3/04;G06N3/08 |
| 代理公司： | 北京集佳知識產(chǎn)權(quán)代理有限公司 11227 | 代理人： | 儲倩 |
| 地址： | 100818 *** | 國省代碼： | 北京;11 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 用戶 分類 方法 相關(guān) 裝置 | ||
本申請公開了一種用戶分類的方法和相關(guān)裝置，該方法包括：獲取待分類用戶的用戶信息；將用戶信息分別輸入XGBoost模型、LightGBM模型和神經(jīng)網(wǎng)絡(luò)模型，獲得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；將第一用戶類別、第二用戶類別和第三用戶類別，利用由遺傳算法確定的對應的第一權(quán)重、第二權(quán)重和第三權(quán)重進行加權(quán)處理，獲得目標用戶類別。三個模型學習到的待分類用戶的用戶信息中特征的側(cè)重點不同，將第一用戶類別、第二用戶類別和第三用戶類別，結(jié)合遺傳算法自適應獲得的最優(yōu)的第一權(quán)重、第二權(quán)重和第三權(quán)重進行融合，充分挖掘待分類用戶的用戶信息中的隱藏特征并提高利用率，提高用戶分類結(jié)果的可靠性和準確性。
技術(shù)領(lǐng)域
本申請涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種用戶分類的方法和相關(guān)裝置。
背景技術(shù)
隨著智能技術(shù)的快速發(fā)展，銀行需要基于用戶類別為用戶提供智能化的金融服務(wù)，例如，基于用戶類別進行智能化的、精準的金融產(chǎn)品推薦等，因此，在銀行的很多金融服務(wù)的場景中用戶分類是十分重要的。目前，針對銀行的大量用戶，一般是基于用戶價值利用聚類算法進行用戶分類，或者基于用戶信息利用單個網(wǎng)絡(luò)模型進行用戶分類。
但是，發(fā)明人經(jīng)過研究發(fā)現(xiàn)，基于用戶價值利用聚類算法進行用戶分類的方法，其聚類算法屬于無監(jiān)督學習方法；利用單個網(wǎng)絡(luò)模型進行用戶分類的方法，其單個網(wǎng)絡(luò)模型學習到的用戶特征有限。綜上，隨著銀行用戶數(shù)量逐漸增多，上述兩種方法均無法充分挖掘數(shù)據(jù)中的隱藏特征，數(shù)據(jù)利用率低，導致上述兩種方法的用戶分類結(jié)果均不夠可靠、不夠準確。
發(fā)明內(nèi)容
有鑒于此，本申請實施例提供一種用戶分類的方法和相關(guān)裝置，能夠充分挖掘數(shù)據(jù)中的隱藏特征，提高數(shù)據(jù)的利用率，從而提高用戶分類結(jié)果的可靠性和準確性。
第一方面，本申請實施例提供了一種用戶分類的方法，該方法包括：
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的第一權(quán)重、所述第二用戶類別、所述第二用戶類別對應的第二權(quán)重、所述第三用戶類別和所述第三用戶類別對應的第三權(quán)重，加權(quán)處理獲得目標用戶類別；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。
可選的，所述XGBoost模型是基于訓練用戶的用戶信息、對應的用戶類別標簽和XGBoost訓練得到的；所述LightGBM模型是基于所述訓練用戶的用戶信息、對應的所述用戶類別標簽和LightGBM訓練得到的；所述神經(jīng)網(wǎng)絡(luò)模型是基于所述訓練用戶的用戶信息、對應的所述用戶類別標簽和神經(jīng)網(wǎng)絡(luò)訓練得到的。
可選的，所述XGBoost模型的訓練步驟包括：
將所述訓練用戶的用戶信息輸入所述XGBoost，獲得所述訓練用戶的第一預測用戶類別；
基于所述第一預測用戶類別和所述用戶類別標簽，利用所述XGBoost的損失函數(shù)訓練調(diào)整所述XGBoost的參數(shù)獲得所述XGBoost模型。
可選的，所述LightGBM模型的訓練步驟包括：
將所述訓練用戶的用戶信息輸入所述LightGBM，獲得所述訓練用戶的第二預測用戶類別；
基于所述第二預測用戶類別和所述用戶類別標簽，利用所述LightGBM的損失函數(shù)訓練調(diào)整所述LightGBM的參數(shù)獲得所述LightGBM模型。
可選的，所述神經(jīng)網(wǎng)絡(luò)模型的訓練步驟包括：
將所述訓練用戶的用戶信息輸入所述神經(jīng)網(wǎng)絡(luò)，獲得所述訓練用戶的第三預測用戶類別；
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于中國銀行股份有限公司，未經(jīng)中國銀行股份有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010344241.3/2.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
