用户策略触发方法、装置及电子设备制造方法及图纸

本公开涉及一种用户策略触发方法、装置、电子设备及计算机可读介质。该方法包括：获取预设状态的目标用户的用户数据；将所述用户数据输入非稳态风险分析模型，生成多个风险值和其对应的时间节点，所述非稳态风险分析模型是通过带有时间节点的多个历史用户数据集合训练生成；基于所述多个风险值确定多个风险策略；根据所述多个风险策略和其对应的时间节点生成多个用户策略触发任务。本公开涉及的用户策略触发方法、装置、电子设备及计算机可读介质，能够对用户在未来一段时间内，面临不同的外部环境，或者不同的用户策略时的风险进行分析，并依据分析结果确定用户风险策略，大大提高了用户策略的分配效率、减少企业资源损失。

【技术实现步骤摘要】
用户策略触发方法、装置及电子设备
本公开涉及计算机信息处理领域，具体而言，涉及一种用户策略触发方法、装置、电子设备及计算机可读介质。
技术介绍
随着经济的发展，为了满足其自身发展的需要，个人用户或者企业用户经常由金融服务机构进行借款活动，对于金融服务机构而言，用户的借款活动很可能会给金融服务公司带来风险。在还款期限届满之前，借款人（信贷用户）财务商务状况的重大不利变化很可能影响其履约能力，从而发生呆账、坏账等风险，因此，为了降低此类风险的发生概率，金融服务机构需要对借款人进行风险评估，进而制定其相对应的用户策略，用户策略用于为该用户确定其资源占用的额度、资源归还的期限，用户策略还可用于为用户分配特享资源等等。在用户策略制定上，现有技术是通过专家的经验知识，然后基于用户基本信息结合个人行为数据进行分析，从而制定的用户策略。而且，现有技术中的用户策略大部分是在用户授信初期制定的，而在用户使用金融产品的过程中会面临很多外部环境的变化，比如某行业经济下滑、失业率增多，或者是用户的信用状态发生变化、或者是金融服务公司对整体用户策略的调整，这些变动都会对用户的个人风险数据产生影响。如果不能及时对用户可能产生的风险进行预警，会给金融服务公司带来极大的风险。因此，需要一种新的用户策略触发方法、装置、电子设备及计算机可读介质。在所述
技术介绍
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。
技术实现思路
有鉴于此，本公开提供一种用户策略触发方法、装置、电子设备及计算机可读介质，能够对用户在未来一段时间内，面临不同的外部环境，或者不同的用户策略时的风险进行分析，并依据分析结果确定用户风险策略，大大提高了用户策略的分配效率、减少企业资源损失。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，提出一种用户策略触发方法，该方法包括：获取预设状态的目标用户的用户数据；将所述用户数据输入非稳态风险分析模型，生成多个风险值和其对应的时间节点，所述非稳态风险分析模型是通过带有时间节点的多个历史用户数据集合训练生成；基于所述多个风险值确定多个风险策略；根据所述多个风险策略和其对应的时间节点生成多个用户策略触发任务。可选地，还包括：获取多个历史用户的用户数据；确定多个时间节点；基于所述时间节点生成所述多个历史用户数据集合；通过所述多个历史用户数据集合对机器学习模型进行训练以生成所述非稳态风险分析模型。可选地，确定多个时间节点，包括：根据用户状态特征变化时间确定时间节点；根据历史用户策略上线时间确定时间节点；根据外部环境变化时间确定时间节点。可选地，基于所述时间节点生成所述多个历史用户数据集合，包括：根据所述时间节点对所述多个用户数据进行划分生成所述多个历史用户数据集合。可选地，根据所述时间节点对所述多个用户数据进行划分生成所述多个历史用户数据集合，包括：根据所述时间节点生成多个时间段；将所述多个历史用户数据中的时间和所述多个时间段进行对应；通过包含某一时间段的部分历史用户数据生成多个历史用户数据集合。可选地，通过包含某一时间段的部分历史用户数据生成多个历史用户数据集合，包括：通过包含某一时间段的部分历史用户数据生成子集合t0，子集合t1，子集合t2，……，子集合tk；通过子集合tj和tj+1生成历史用户数据集合；其中，。可选地，通过所述多个历史用户数据集合对机器学习模型进行训练以生成所述非稳态风险分析模型，包括：在所述多个历史用户数据集合中依次随机提取历史用户数据集合；通过随机提取的历史用户数据集合依次对机器学习模型进行训练；在所有历史用户数据集合中的数据提取完毕时，根据当前的机器学习模型参数生成所述非稳态风险分析模型。可选地，通过随机提取的历史用户数据集合依次对机器学习模型进行训练，包括：读取所述历史用户数据集合中的子集合tj中的一个历史用户数据；通过历史用户数据对机器学习模型进行训练以生成中间态风险分析模型；读取所述历史用户数据集合中的子集合tj+1中的一个历史用户数据；通过历史用户数据对机器学习模型进行训练以更新所述中间态风险分析模型。可选地，根据当前的机器学习模型参数生成所述非稳态风险分析模型，包括：根据当前的中间态风险分析模型的参数生成所述非稳态风险分析模型。可选地，还包括：在到达所述用户策略触发任务中的时间节点时，更新所述目标用户的用户策略。根据本公开的一方面，提出一种用户策略触发装置，该装置包括：数据模块，用于获取预设状态的目标用户的用户数据；风险分析模块，用于将所述用户数据输入非稳态风险分析模型，生成多个风险值和其对应的时间节点，所述非稳态风险分析模型是通过带有时间节点的多个历史用户数据集合训练生成；策略模块，用于基于所述多个风险值确定多个风险策略；策略触发模块，用于根据所述多个风险策略和其对应的时间节点生成多个用户策略触发任务。可选地，还包括：历史数据模块，用于获取多个历史用户的用户数据；时间节点模块，用于确定多个时间节点；数据集合模块，用于基于所述时间节点生成所述多个历史用户数据集合；模型训练模块，用于通过所述多个历史用户数据集合对机器学习模型进行训练以生成所述非稳态风险分析模型。可选地，所述时间节点模块，还用于根据用户状态特征变化时间确定时间节点；根据历史用户策略上线时间确定时间节点；根据外部环境变化时间确定时间节点。可选地，所述数据集合模块，还用于根据所述时间节点对所述多个用户数据进行划分生成所述多个历史用户数据集合。可选地，所述数据集合模块，包括：时间段单元，用于根据所述时间节点生成多个时间段；对应单元，用于将所述多个历史用户数据中的时间和所述多个时间段进行对应；筛选单元，用于通过包含某一时间段的部分历史用户数据生成多个历史用户数据集合。可选地，所述筛选单元，还用于通过包含某一时间段的部分历史用户数据生成子集合t0，子集合t1，子集合t2，……，子集合tk；通过子集合tj和tj+1生成历史用户数据集合；其中，。可选地，所述模型训练模块，包括：提取单元，用于在所述多个历史用户数据集合中依次随机提取历史用户数据集合；训练单元，用于通过随机提取的历史用户数据集合依次对机器学习模型进行训练；生成单元，用于在所有历史用户数据集合中的数据提取完毕时，根据当前的机器学习模型参数生成所述非稳态风险分析模型。可选地，所述提取单元，还用于读取所述历史用户数据集合中的子集合tj中的一个历史用户数据；通过历史用户数据对机器学习模型进行训练以生成中间态风险分析模型；读取所述历史用户数据集合中的子集合tj+1中的一个历史用户数据；通过历史用户数据对机器学习模型进行训练以更新所述中间态风险分析模型。可选地，所述提取单元，还用于根据当前的中间态风险分析模型的参数生成所述非稳态风险分析模型。可选地，还包括：策略分配模块，用于在到达所述用户策本文档来自技高网...

【技术保护点】
1.一种用户策略触发方法，其特征在于，包括：/n获取预设状态的目标用户的用户数据；/n将所述用户数据输入非稳态风险分析模型，生成多个风险值和其对应的时间节点，所述非稳态风险分析模型是通过带有时间节点的多个历史用户数据集合训练生成；/n基于所述多个风险值确定多个风险策略；/n根据所述多个风险策略和其对应的时间节点生成多个用户策略触发任务。/n

【技术特征摘要】
1.一种用户策略触发方法，其特征在于，包括：
获取预设状态的目标用户的用户数据；
将所述用户数据输入非稳态风险分析模型，生成多个风险值和其对应的时间节点，所述非稳态风险分析模型是通过带有时间节点的多个历史用户数据集合训练生成；
基于所述多个风险值确定多个风险策略；
根据所述多个风险策略和其对应的时间节点生成多个用户策略触发任务。


2.如权利要求1所述的方法，其特征在于，还包括：
获取多个历史用户的用户数据；
确定多个时间节点；
基于所述时间节点生成所述多个历史用户数据集合；
通过所述多个历史用户数据集合对机器学习模型进行训练以生成所述非稳态风险分析模型。


3.如权利要求2所述的方法，其特征在于，确定多个时间节点，包括：
根据用户状态特征变化时间确定时间节点；
根据历史用户策略上线时间确定时间节点；
根据外部环境变化时间确定时间节点。


4.如权利要求2所述的方法，其特征在于，基于所述时间节点生成所述多个历史用户数据集合，包括：
根据所述时间节点对所述多个历史用户数据进行划分生成所述多个历史用户数据集合。


5.如权利要求4所述的方法，其特征在于，根据所述时间节点对所述多个历史用户数据进行划分生成所述多个历史用户数据集合，包括：
根据所述时间节点生成多个时间段；
将所述多个历史用户数据中的时间和所述多个时间段进行对应；
通过包含某一时间段的部分历史用户数据生成多个历史用户数据集合。


6.如权利要求5所述的方法，其特征在于，通过包含某...

【专利技术属性】
技术研发人员：宋孟楠，苏绥绥，
申请(专利权)人：北京淇瑀信息科技有限公司，
类型：发明
国别省市：北京;11