一种用户分类的方法和相关装置制造方法及图纸

本申请公开了一种用户分类的方法和相关装置，该方法包括：获取待分类用户的用户信息；将用户信息分别输入XGBoost模型、LightGBM模型和神经网络模型，获得待分类用户的第一用户类别、第二用户类别和第三用户类别；将第一用户类别、第二用户类别和第三用户类别，利用由遗传算法确定的对应的第一权重、第二权重和第三权重进行加权处理，获得目标用户类别。三个模型学习到的待分类用户的用户信息中特征的侧重点不同，将第一用户类别、第二用户类别和第三用户类别，结合遗传算法自适应获得的最优的第一权重、第二权重和第三权重进行融合，充分挖掘待分类用户的用户信息中的隐藏特征并提高利用率，提高用户分类结果的可靠性和准确性。

【技术实现步骤摘要】
一种用户分类的方法和相关装置
本申请涉及数据处理
，尤其涉及一种用户分类的方法和相关装置。
技术介绍
随着智能技术的快速发展，银行需要基于用户类别为用户提供智能化的金融服务，例如，基于用户类别进行智能化的、精准的金融产品推荐等，因此，在银行的很多金融服务的场景中用户分类是十分重要的。目前，针对银行的大量用户，一般是基于用户价值利用聚类算法进行用户分类，或者基于用户信息利用单个网络模型进行用户分类。但是，专利技术人经过研究发现，基于用户价值利用聚类算法进行用户分类的方法，其聚类算法属于无监督学习方法；利用单个网络模型进行用户分类的方法，其单个网络模型学习到的用户特征有限。综上，随着银行用户数量逐渐增多，上述两种方法均无法充分挖掘数据中的隐藏特征，数据利用率低，导致上述两种方法的用户分类结果均不够可靠、不够准确。
技术实现思路
有鉴于此，本申请实施例提供一种用户分类的方法和相关装置，能够充分挖掘数据中的隐藏特征，提高数据的利用率，从而提高用户分类结果的可靠性和准确性。第一方面，本申请实施例提供了一种用户分类的方法，该方法包括：获取待分类用户的用户信息；基于所述待分类用户的用户信息、XGBoost模型、LightGBM模型和神经网络模型，分别获得所述待分类用户的第一用户类别、第二用户类别和第三用户类别；基于所述第一用户类别、所述第一用户类别对应的第一权重、所述第二用户类别、所述第二用户类别对应的第二权重、所述第三用户类别和所述第三用户类别对应的第三权重，加权处理获得目标用户类别；所述第一权重、所述第二权重和所述第三权重由遗传算法确定的。可选的，所述XGBoost模型是基于训练用户的用户信息、对应的用户类别标签和XGBoost训练得到的；所述LightGBM模型是基于所述训练用户的用户信息、对应的所述用户类别标签和LightGBM训练得到的；所述神经网络模型是基于所述训练用户的用户信息、对应的所述用户类别标签和神经网络训练得到的。可选的，所述XGBoost模型的训练步骤包括：将所述训练用户的用户信息输入所述XGBoost，获得所述训练用户的第一预测用户类别；基于所述第一预测用户类别和所述用户类别标签，利用所述XGBoost的损失函数训练调整所述XGBoost的参数获得所述XGBoost模型。可选的，所述LightGBM模型的训练步骤包括：将所述训练用户的用户信息输入所述LightGBM，获得所述训练用户的第二预测用户类别；基于所述第二预测用户类别和所述用户类别标签，利用所述LightGBM的损失函数训练调整所述LightGBM的参数获得所述LightGBM模型。可选的，所述神经网络模型的训练步骤包括：将所述训练用户的用户信息输入所述神经网络，获得所述训练用户的第三预测用户类别；基于所述第三预测用户类别和所述用户类别标签，利用所述神经网络的损失函数训练调整所述神经网络的参数获得所述神经网络模型。可选的，所述第一权重、所述第二权重和所述第三权重的确定步骤包括：基于所述第一预测用户类别、所述第二预测用户类别和所述第三预测用户类别，以及所述遗传算法中第一初始权重、第二初始权重和第三初始权重，加权处理获得所述训练用户的预测用户类别；基于所述预测用户类别和所述用户类别标签，调整所述第一初始权重、所述第二初始权重和所述第三初始权重，确定所述第一权重、所述第二权重和所述第三权重。可选的，所述用户信息包括用户基本信息、用户资产信息、用户交易信息和用户行为信息；所述用户信息具体为经过数据预处理后的用户信息，所述数据预处理包括数据清洗和数据向量化。第二方面，本申请实施例提供了一种用户分类的装置，该装置包括：用户信息获取单元，用于获取待分类用户的用户信息；第一获得单元，用于基于所述待分类用户的用户信息、XGBoost模型、LightGBM模型和神经网络模型，分别获得所述待分类用户的第一用户类别、第二用户类别和第三用户类别；第二获得单元，用于基于所述第一用户类别、所述第一用户类别对应的第一权重、所述第二用户类别、所述第二用户类别对应的第二权重、所述第三用户类别和所述第三用户类别对应的第三权重，加权处理获得目标用户类别；所述第一权重、所述第二权重和所述第三权重由遗传算法确定的。第三方面，本申请实施例提供了一种终端设备，该终端设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行上述第一方面中任一项所述的用户分类的方法。第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面中任一项所述的用户分类的方法。与现有技术相比，本申请至少具有以下优点：采用本申请实施例的技术方案，首先，获取待分类用户的用户信息；然后，将用户信息分别输入XGBoost模型、LightGBM模型和神经网络模型，获得待分类用户的第一用户类别、第二用户类别和第三用户类别；最后，将第一用户类别、第二用户类别和第三用户类别，利用由遗传算法确定的对应的第一权重、第二权重和第三权重进行加权处理，获得目标用户类别。由此可见，XGBoost模型、LightGBM模型和神经网络模型这三个模型，学习到的待分类用户的用户信息中特征的侧重点不同，将第一用户类别、第二用户类别和第三用户类别，结合遗传算法自适应获得的最优的第一权重、第二权重和第三权重进行融合，能够充分挖掘待分类用户的用户信息中的隐藏特征，提高待分类用户的用户信息的利用率，从而提高用户分类结果的可靠性和准确性。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为本申请实施例中一种应用场景所涉及的系统框架示意图；图2为本申请实施例提供的一种用户分类的方法的流程示意图；图3为本申请实施例提供的一种用户分类的框架示意图；图4为本申请实施例提供的一种用户分类的装置的结构示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。在银行的很多金融服务的场景中，需要对银行用户进行用户分类。现阶段，一般是基于用户价值利用聚类算法进行用户分类，或者基于用户信息利用单个网络模型进行用户分类。但是，专利技术人经过研究发现，聚类算法属于无监督学习方法，单个网络模型学习本文档来自技高网...

【技术保护点】
1.一种用户分类的方法，其特征在于，包括：/n获取待分类用户的用户信息；/n基于所述待分类用户的用户信息、XGBoost模型、LightGBM模型和神经网络模型，分别获得所述待分类用户的第一用户类别、第二用户类别和第三用户类别；/n基于所述第一用户类别、所述第一用户类别对应的第一权重、所述第二用户类别、所述第二用户类别对应的第二权重、所述第三用户类别和所述第三用户类别对应的第三权重，加权处理获得目标用户类别；所述第一权重、所述第二权重和所述第三权重由遗传算法确定的。/n

【技术特征摘要】
1.一种用户分类的方法，其特征在于，包括：
获取待分类用户的用户信息；
基于所述待分类用户的用户信息、XGBoost模型、LightGBM模型和神经网络模型，分别获得所述待分类用户的第一用户类别、第二用户类别和第三用户类别；
基于所述第一用户类别、所述第一用户类别对应的第一权重、所述第二用户类别、所述第二用户类别对应的第二权重、所述第三用户类别和所述第三用户类别对应的第三权重，加权处理获得目标用户类别；所述第一权重、所述第二权重和所述第三权重由遗传算法确定的。


2.根据权利要求1所述的方法，其特征在于，所述XGBoost模型是基于训练用户的用户信息、对应的用户类别标签和XGBoost训练得到的；所述LightGBM模型是基于所述训练用户的用户信息、对应的所述用户类别标签和LightGBM训练得到的；所述神经网络模型是基于所述训练用户的用户信息、对应的所述用户类别标签和神经网络训练得到的。


3.根据权利要求2所述的方法，其特征在于，所述XGBoost模型的训练步骤包括：
将所述训练用户的用户信息输入所述XGBoost，获得所述训练用户的第一预测用户类别；
基于所述第一预测用户类别和所述用户类别标签，利用所述XGBoost的损失函数训练调整所述XGBoost的参数获得所述XGBoost模型。


4.根据权利要求3所述的方法，其特征在于，所述LightGBM模型的训练步骤包括：
将所述训练用户的用户信息输入所述LightGBM，获得所述训练用户的第二预测用户类别；
基于所述第二预测用户类别和所述用户类别标签，利用所述LightGBM的损失函数训练调整所述LightGBM的参数获得所述LightGBM模型。


5.根据权利要求4所述的方法，其特征在于，所述神经网络模型的训练步骤包括：
将所述训练用户的用户信息输入所述神经网络，获得所述训练用户的第三预测用户类别；
基于所述第三预测用户类别和所述用户...

【专利技术属性】
技术研发人员：徐晓健，严洁，栾英英，彭勃，童楚婕，李福洋，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：北京;11