[發(fā)明專利]用戶分類方法及裝置、計算機可讀存儲介質(zhì)、電子設備

在審

• 申請?zhí)枺?/td>: 202010568382.3
• 申請日: 2020-06-19
• 公開（公告）號: CN111738331A
• 公開（公告）日: 2020-10-02
• 發(fā)明（設計）人: 白云飛
• 申請（專利權）人: 北京同邦卓益科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q40/02
• 代理公司: 北京律智知識產(chǎn)權代理有限公司 11438
• 代理人: 王輝;闞梓瑄

本發(fā)明實施例是關于一種用戶分類方法及裝置、計算機可讀存儲介質(zhì)、電子設備，涉及機器學習技術領域，該方法包括：獲取待分類用戶的歷史用戶數(shù)據(jù)，并根據(jù)所述歷史用戶數(shù)據(jù)中的屬性特征生成所述待分類用戶的用戶特征；根據(jù)所述待分類用戶的用戶特征所屬的特征類別，對所述待分類用戶的用戶特征進行處理得到多個初始待處理特征，并對各所述初始待處理特征進行特征交叉，生成初始待處理特征矩陣；將所述初始待處理矩陣輸入至多粒度級聯(lián)森林模型中，并根據(jù)所述多粒度級聯(lián)森林模型的輸出結果對待分類用戶進行分類。本發(fā)明實施例提高了用戶分類結果的準確率。

技術領域

本發(fā)明實施例涉及機器學習技術領域，具體而言，涉及一種用戶分類方法、用戶分類裝置、計算機可讀存儲介質(zhì)以及電子設備。

背景技術

在信貸場景中，風險控制是其中最重要的一環(huán)，可以通過在客戶獲取期建立信用風險評分的方法，來預測客戶帶來違約風險的概率大小。

在現(xiàn)有的風險概率的預測方法中，是通過在客戶申請?zhí)幚砥冢⑸暾堬L險評分模型，然后通過風險評分模型預測客戶開戶后一定時期內(nèi)違約拖欠的風險概率，目的是對信用不良客戶和非目標客戶進行分類。其中，上述風險評估模型為邏輯回歸模型。

但是，上述方法存在如下缺陷：一方面，邏輯回歸模型入模變量的維度較高，因此存在大量的冗余數(shù)據(jù)，使得系統(tǒng)的負擔較重；另一方面，難以有效利用其所有信息，進而使得用戶分類的準確率較低。

需要說明的是，在上述背景技術部分發(fā)明的信息僅用于加強對本發(fā)明的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現(xiàn)有技術的信息。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種用戶分類方法、用戶分類裝置、計算機可讀存儲介質(zhì)以及電子設備，進而至少在一定程度上克服由于相關技術的限制和缺陷而導致的分類效率較低以及分類準確率較低的問題。

根據(jù)本發(fā)明公開的一個方面，提供一種用戶分類方法，包括：

獲取待分類用戶的歷史用戶數(shù)據(jù)，并根據(jù)所述歷史用戶數(shù)據(jù)中的屬性特征生成所述待分類用戶的用戶特征；

根據(jù)所述待分類用戶的用戶特征所屬的特征類別，對所述待分類用戶的用戶特征進行處理得到多個初始待處理特征，并對各所述初始待處理特征進行特征交叉，生成初始待處理特征矩陣；

將所述初始待處理矩陣輸入至多粒度級聯(lián)森林模型中，并根據(jù)所述多粒度級聯(lián)森林模型的輸出結果對待分類用戶進行分類。

在本發(fā)明公開的一種示例性實施例中，所述特征類別包括連續(xù)型、離散型、類別型以及時間型中的多種；

其中，根據(jù)所述待分類用戶的用戶特征所屬的特征類別，對所述待分類用戶的用戶特征進行處理得到多個初始待處理特征包括：

當所述特征類別為連續(xù)型時，基于預設的客戶關系管理模型對所述待分類用戶的用戶特征進行特征構造，得到多個第一初始特征；

當所述特征類別為離散型時，對所述待分類用戶的用戶特征進行證據(jù)權重轉(zhuǎn)化，得到多個第二初始特征；

當所述特征類別為類別型時，對所述待分類用戶的用戶特征進行獨熱編碼，得到多個第三初始特征；

當所述特征類別為時間型時，計算所述待分類用戶的用戶特征的時間長度，得到多個第四初始特征；其中，所述第四初始特征為數(shù)值型連續(xù)特征。

在本發(fā)明公開的一種示例性實施例中，對各所述初始待處理特征進行特征交叉，生成初始待處理特征矩陣包括：

對所述第一初始特征、第二初始特征、第三初始特征以及第四初始特征進行特征交叉，生成所述初始待處理特征矩陣；