[发明专利]基于GBST的用户推荐方法、装置及电子设备

说明书

本发明公开了一种基于GBST的用户推荐方法、装置及电子设备，所述方法包括：通过梯度提升生存树GBST模型确定目标用户的长期动支预测结果；根据所述长期动支预测结果在第1推荐周期内的动支预测值向对应的目标用户发送推荐信息，根据所述长期动支预测结果更新所述第1+i推荐周期内未促动目标用户在第(1+i)+1推荐周期内的动支预测值，并根据所述第(1+i)+1推荐周期内的动支预测值向所述第1+i推荐周期内未促动目标用户发送推荐信息，i是自然数；当i等于预设值时，结束推荐。本发明在控制成本的前提下，促进新增放款额的提升，促动更多的不活跃或睡眠优质用户，从而提高公司利润。

技术领域

本发明涉及计算机信息处理技术领域，具体而言，涉及一种基于GBST的用户推荐方法、装置、电子设备及计算机可读介质。

背景技术

随着互联网金融行业的蓬勃发展，向贷款机构申请消费信用贷款的用户越来越多，用户可在授信额度范围内一次或多次贷款。然而研究数据表明，存量用户在发生借款之后，发生再次贷款的意愿随着时间逐渐下降，余额留存慢慢下跌，导致资金的闲置，流动性低。

为了提高整体的再贷率与余额留存，目前的做法主要以人工策略分组为主，辅以简单的单个时间点的动支二分类模型，来对所有存量用户进行福利促动。然而，这种方式中，对于大部分的存量用户，都采用较高成本的福利进行促动，会导致部分动支意愿较高的客户产生“薅羊毛”的行为，加大公司的促动成本。此外，这种方式只能预测用户在单个时间点的动支意愿，因而只能对用户进行一次静态的福利促动，导致促动效率低下、新增放款额低，影响公司利润的问题。

发明内容

本发明旨在解决现有存量用户促动成本高、效率低，导致新增放款额低、公司利润低的技术问题。

为了解决上述技术问题，本发明第一方面提出一种基于GBST的用户推荐方法，所述方法包括：

通过梯度提升生存树GBST模型确定目标用户的长期动支预测结果；

根据所述长期动支预测结果在第1推荐周期内的动支预测值向对应的目标用户发送推荐信息，

根据所述长期动支预测结果更新所述第1+i推荐周期内未促动目标用户在第(1+i)+1推荐周期内的动支预测值，并根据所述第(1+i)+1推荐周期内的动支预测值向所述第1+i推荐周期内未促动目标用户发送推荐信息，i是自然数；

当i等于预设值时，结束推荐。

根据本发明一种优选的实施方式，所述通过梯度提升生存树GBST模型确定目标用户的长期动支预测结果包括：

根据推荐特征将目标用户分为不同的人群包；

通过GBST模型确定不同人群包中各个目标用户的长期动支预测结果。

根据本发明一种优选的实施方式，所述通过GBST模型确定不同人群包中各个目标用户的长期动支预测结果包括：

通过最大化生存曲线差异建立基础生存树；

利用前一棵生存树预测的生存概率与真实标签的残差进行优化迭代，训练后面的生存树，直到总体损失函数小于阈值停止迭代；

叠加每颗生存树的结果，输出每个目标用户的最优生存曲线作为该目标用户的长期动支预测结果。

根据本发明一种优选的实施方式，在所述迭代过程中，采用随机采样的方法防止模型过拟合。

根据本发明一种优选的实施方式，所述方法还包括：

创建不同用户组与推荐信息的关联表；

所述根据所述长期动支预测结果在第i推荐周期内的动支预测值向对应的目标用户发送推荐信息包括：