[發(fā)明專利]用戶篩選方法、裝置及電子設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202111545315.0
• 申請(qǐng)日: 2021-12-16
• 公開（公告）號(hào): CN114240148A
• 公開（公告）日: 2022-03-25
• 發(fā)明（設(shè)計(jì)）人: 顧凌云;周軒;喬韻如;王震宇;陶帥
• 申請(qǐng)（專利權(quán)）人: 上海冰鑒信息科技有限公司
• 主分類號(hào): G06Q10/06
• 分類號(hào): G06Q10/06;G06Q10/04;G06Q40/02
• 代理公司: 成都頂峰專利事務(wù)所(普通合伙) 51224
• 代理人: 陳秋霞

1.一種用戶篩選方法，其特征在于，所述方法包括：

獲取第一待處理用戶集合，所述第一待處理用戶集合包括多個(gè)待處理用戶，每個(gè)所述待處理用戶包括用戶信息；

根據(jù)第一預(yù)設(shè)規(guī)則及各所述待處理用戶的用戶信息，對(duì)所述第一待處理用戶集合進(jìn)行篩選，獲得第二待處理用戶集合；

使用訓(xùn)練好的第一預(yù)測(cè)模型對(duì)所述第二待處理用戶集合進(jìn)行處理，獲得所述各第二待處理用戶集合中各待處理用戶的用戶分值，其中，所述用戶分值越高，表征該待處理用戶被預(yù)測(cè)為正樣本的概率越低；所述正樣本為被預(yù)測(cè)為會(huì)產(chǎn)生借貸逾期的用戶；

獲取預(yù)設(shè)的第一分?jǐn)?shù)閾值和第二分?jǐn)?shù)閾值，所述第一分?jǐn)?shù)閾值小于所述第二分?jǐn)?shù)閾值；

根據(jù)所述第一分?jǐn)?shù)閾值、所述第二分?jǐn)?shù)閾值及所述第一預(yù)測(cè)模型得出的用戶分值，將所述第二待處理用戶集合劃分為低分待處理用戶集合、中分待處理用戶集合及高分待處理用戶集合；

分別使用訓(xùn)練好的第二預(yù)測(cè)模型和第三預(yù)測(cè)模型，對(duì)所述高分待處理用戶集合和所述中分待處理用戶集合進(jìn)行處理，獲得所述高分待處理用戶集合和所述中分待處理用戶集合的用戶分值；

根據(jù)所述第二預(yù)測(cè)模型和所述第三預(yù)測(cè)模型對(duì)應(yīng)的篩選分?jǐn)?shù)閾值，從所述高分待處理用戶集合和所述中分待處理用戶集合中篩選出用戶分值滿足條件的待處理用戶樣本作為準(zhǔn)入用戶。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

獲取第一訓(xùn)練樣本集合，所述第一訓(xùn)練樣本集合包括多個(gè)訓(xùn)練樣本，每個(gè)所述訓(xùn)練樣本包括用戶數(shù)據(jù)及用戶還款逾期標(biāo)簽；

根據(jù)所述第一預(yù)設(shè)規(guī)則對(duì)所述第一訓(xùn)練樣本集合進(jìn)行篩選，獲得第二訓(xùn)練樣本集合；

將所述第二訓(xùn)練樣本集合中具有逾期記錄的用戶樣本作為正樣本標(biāo)簽，將沒有逾期記錄的用戶樣本作為負(fù)樣本標(biāo)簽，對(duì)第一預(yù)測(cè)模型進(jìn)行訓(xùn)練；

通過訓(xùn)練后的第一預(yù)測(cè)模型對(duì)所述第二訓(xùn)練樣本集合進(jìn)行處理，獲得所述各第二訓(xùn)練樣本集合中各訓(xùn)練樣本的第一用戶分值，其中，所述第一用戶分值越高，表征該訓(xùn)練樣本被預(yù)測(cè)為正樣本的概率越低；

獲取預(yù)設(shè)的第一分?jǐn)?shù)閾值和第二分?jǐn)?shù)閾值，所述第一分?jǐn)?shù)閾值小于所述第二分?jǐn)?shù)閾值；

根據(jù)所述第一分?jǐn)?shù)閾值、所述第二分?jǐn)?shù)閾值及所述第一用戶分值，將所述第二訓(xùn)練樣本集合劃分為低分樣本用戶集合、中分樣本用戶集合及高分樣本用戶集合；

針對(duì)所述高分樣本用戶集合，將具有逾期記錄的用戶樣本作為正樣本標(biāo)簽，將沒有逾期記錄的用戶樣本作為負(fù)樣本標(biāo)簽，對(duì)第二預(yù)測(cè)模型進(jìn)行訓(xùn)練；

通過訓(xùn)練后的第二預(yù)測(cè)模型對(duì)所述高分樣本用戶集合進(jìn)行處理，獲得所述各高分樣本用戶集合中各訓(xùn)練樣本的第二用戶分值，其中，所述第二用戶分值越高，表征該訓(xùn)練樣本被預(yù)測(cè)為正樣本的概率越低；

針對(duì)所述中分樣本用戶集合，將具有逾期記錄的用戶樣本作為正樣本標(biāo)簽，將沒有逾期記錄的用戶樣本作為負(fù)樣本標(biāo)簽，對(duì)第三預(yù)測(cè)模型進(jìn)行訓(xùn)練；

通過訓(xùn)練后的第三預(yù)測(cè)模型對(duì)所述中分樣本用戶集合進(jìn)行處理，獲得所述各中分樣本用戶集合中各訓(xùn)練樣本的第三用戶分值，其中，所述第三用戶分值越高，表征該訓(xùn)練樣本被預(yù)測(cè)為正樣本的概率越低；

獲取預(yù)設(shè)正樣本比例，將所述第二預(yù)測(cè)模型從所述高分樣本用戶集合中得出的最高的第二用戶分值作為第三分?jǐn)?shù)閾值，將所述第三預(yù)測(cè)模型從所述中分樣本用戶集合中得出的最高的第三用戶分值作為第四分?jǐn)?shù)閾值；

逐漸降低所述第三分?jǐn)?shù)閾值，若在所述第三分?jǐn)?shù)閾值降至所述第二預(yù)測(cè)模型從所述高分樣本用戶集合中得出的最低的第二用戶分值之前，所述高分樣本用戶集合中，所述第二用戶分值大于所述第三分?jǐn)?shù)閾值且具有正樣本標(biāo)簽的用戶樣本數(shù)量與所述第二用戶分值大于所述第三分?jǐn)?shù)閾值的用戶樣本數(shù)量之比達(dá)到所述預(yù)設(shè)正樣本比例，則將當(dāng)前的第三分?jǐn)?shù)閾值作為所述第二預(yù)測(cè)模型的篩選分?jǐn)?shù)閾值，將所述第四分?jǐn)?shù)閾值作為所述第三預(yù)測(cè)模型的篩選分?jǐn)?shù)閾值；

若所述第三分?jǐn)?shù)閾值降至所述第二預(yù)測(cè)模型從所述高分樣本用戶集合中得出的最低的第二用戶分值時(shí)，所述高分樣本用戶集合中，所述第二用戶分值大于所述第三分?jǐn)?shù)閾值且具有正樣本標(biāo)簽的用戶樣本數(shù)量與所述第二用戶分值大于所述第三分?jǐn)?shù)閾值的用戶樣本數(shù)量之比未達(dá)到所述預(yù)設(shè)正樣本比例，則將當(dāng)前的所述第三分?jǐn)?shù)閾值作為所述第二預(yù)測(cè)模型的篩選分?jǐn)?shù)閾值，并逐漸降低所述第四分?jǐn)?shù)閾值，并計(jì)算所述第二用戶分值大于所述第三分?jǐn)?shù)閾值且具有正樣本標(biāo)簽的用戶樣本數(shù)量與所述第三用戶分值大于所述第四分?jǐn)?shù)閾值且具有正樣本標(biāo)簽的用戶樣本數(shù)量的第一和值，計(jì)算所述第二用戶分值大于所述第三分?jǐn)?shù)閾值的用戶樣本數(shù)量與所述第三用戶分值大于所述第四分?jǐn)?shù)閾值的用戶樣本數(shù)量的第二和值，直至所述第一和值與所述第二和值之比達(dá)到所述預(yù)設(shè)正樣本比例，將所述第四分?jǐn)?shù)閾值作為所述第三預(yù)測(cè)模型的篩選分?jǐn)?shù)閾值。