[发明专利]用户资源额度分配方法、装置及电子设备

说明书

本公开涉及一种用户资源额度分配方法、装置、电子设备及计算机可读介质。该方法包括：基于用户授权获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；基于所述用户信息和预设策略生成多维度特征信息；将所述多维度特征信息输入用户额度分配模型中，生成分配系数，所述用户额度分配模型基于欠采样的多个历史用户信息和分类模型训练生成；基于所述分配系数为所述当前用户确定待分配的资源额度。本公开涉及的用户资源额度分配方法、装置、电子设备及计算机可读介质，能够解决在机器模型训练时，针对不平衡样本采用简单过采样或者欠采样而发生的过拟合问题，得到精确的计算模型，进而提高用户资源额度分配的效率，减少服务器计算压力。

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种用户资源额度分配方法、装置、电子设备及计算机可读介质。

背景技术

通常情况下机器学习模型需要对正样本和负样本进行学习，正样本是正确分类出的类别所对应的样本，负样本原则上可以选取任何不是正确类别的其他样本。但是对于金融领域或者其他领域而言，随着监管整改措施的实施以及借款人违约意识的加强，资源借用交易中违约样本较少，存在着较严重的类别不平衡问题。在这种情况下，正样本的选取是较容易的，负样本则较难获取。在用户金融风险分析的时候，可将未有过逾期的用户作为正样本，将已经违约的用户作为机器学习模型训练的负样本，但是对于正样本而言，负样本的数量是极少的，这种情况下产生的样本是不均衡的样本。

不均衡的样本，即数据集中存在某一类样本，其数量远多于或远少于其他类样本，从而导致一些机器学习模型失效的问题。不均衡的样本在很多场景中存在，例如欺诈检测，风控识别，在这些样本中，黑样本(一般为存在问题的样本)的数量一般远少于白样本(正常样本)。目前对于不均衡样本处理，主流方法还是从抽样的角度去处理，比如进行欠采样或者过采样来提升坏样本的比例，但是对于抽样方法，会造成过拟合现象；而且采样改变了样本的真实分布，使得学习的模型是有偏的，这种不均衡的样本会给机器学习模型训练引入很多误差数据，最终可能导致训练出来的模型效果不够理想。导致在机器学习模型在实际的应用过程中存在较多误差，严重影响在线用户的资源额度分配的准确度和效率。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种用户资源额度分配方法、装置、电子设备及计算机可读介质，能够解决在机器模型训练时，针对不平衡样本采用简单过采样或者欠采样而发生的过拟合问题，得到精确的计算模型，进而提高用户资源额度分配的效率，减少服务器计算压力。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种用户资源额度分配方法，该方法包括：基于用户授权获取当前用户的用户信息，所述用户信息包括基础信息和行为信息；基于所述用户信息和预设策略生成多维度特征信息；将所述多维度特征信息输入用户额度分配模型中，生成分配系数，所述用户额度分配模型基于欠采样的多个历史用户信息和分类模型训练生成；基于所述分配系数为所述当前用户确定待分配的资源额度。

可选地，还包括：获取满足预设条件的多个历史用户信息；将所述多个历史用户信息进行数据清洗和数据融合以生成多个历史特征信息；由所述多个历史特征信息中确定多个历史多维度特征信息；基于所述多个历史多维度特征通过欠采样的方式对分类模型进行迭代训练以生成所述用户额度分配模型。

可选地，由所述多个历史特征信息中确定多个历史多维度特征信息，包括：计算所述多个历史特征信息的变量参数、区分度参数、信息价值、模型特征参数；基于所述变量参数、所述区分度参数、所述信息价值、所述模型特征参数由所述多个历史特征信息中提取多个历史多维度特征信息。

可选地，由所述多个历史特征信息中确定多个历史多维度特征信息，还包括：基于所述多个历史多维度特征信息和得到历史用户信息之间的关系生成所述预设策略。