用户失联率预测模型的训练方法及用户失联率的预测方法与流程

1.本技术涉及数据处理技术领域，具体而言，本技术涉及一种用户失联率预测模型的训练方法及用户失联率的预测方法。


背景技术：

2.金融机构的借贷业务中，当遇到用户欠款逾期的情况时，需要对用户进行逾期欠款催收。
3.目前，在进行逾期欠款催收时，能否成功建立与欠款逾期用户的联系，直接关乎对欠款的催收效果。因此，如果能够对欠款逾期用户的失联率进行预测，就能够为有效提升催收效果并降低逾期坏账率提供基础。


技术实现要素：

4.本技术的目的旨在至少能解决上述的技术缺陷之一。本技术所采用的技术方案如下：
5.第一方面，本技术实施例提供了一种用户失联率预测模型的训练方法，该方法包括：
6.确定处于指定业务状态的目标用户；
7.确定训练集，训练集包括在第一时段内目标用户的联系标签以及用户特征，联系标签用于表征目标用户在第一时段内的催收联系情况；
8.根据训练集，通过机器学习算法训练用户失联率预测模型。
9.可选地，确定处于指定业务状态的目标用户，包括：
10.将欠款逾期在目标期限内的用户确定为指定业务状态的目标用户。
11.可选地，获取在第一时段内目标用户的催收联系情况的联系标签，包括：
12.基于预设定的关联关系，确定目标用户的催收联系情况所关联的联系标签。
13.可选地，确定训练集，包括：
14.基于联系标签以及用户特征构建各目标用户的特征向量；
15.基于各目标用户的特征向量构建训练集。
16.可选地，在基于联系标签以及用户特征构建各目标用户的特征向量之前，上述方法还包括：
17.对用户特征中存在的异常情况进行处理。
18.可选地，获取目标用户在第一时段内用户特征，包括：
19.获取目标用户在第一时段内的用户相关信息；
20.基于用户相关信息提取初始用户特征；
21.基于初始用户特征与联系标签的相关性分析结果，从初始用户特征中确定用户特征。
22.可选地，上述方法还包括：
23.确定验证集，验证集包括在第二时段内目标用户的催收联系情况的联系标签以及用户特征；
24.基于验证集对用户失联率预测模型进行验证。
25.第二方面，本技术实施例提供了一种用户失联率的预测方法，该方法包括：
26.获取待预测用户的用户特征；
27.将用户特征输入预训练的用户失联率预测模型，得到待预测用户的用户失联率预测结果，其中，用户失联率预测模型为根据上述的第一方面中任一实施方式所示的用户失联率预测模型的训练方法训练得到的。
28.可选地，上述方法还包括：
29.基于用户失联率预测结果确定催收策略。
30.第三方面，本技术实施例提供了一种用户失联率预测模型的训练装置，该装置包括：
31.目标用户确定模块，用于确定处于指定业务状态的目标用户；
32.训练集确定模块，用于确定训练集，训练集包括在第一时段内目标用户的联系标签以及用户特征，联系标签用于表征目标用户在第一时段内的催收联系情况；
33.模型训练模块，用于根据训练集，通过机器学习算法训练用户失联率预测模型。
34.可选地，目标用户确定模块具体用于：
35.将欠款逾期在目标期限内的用户确定为指定业务状态的目标用户。
36.可选地，训练集确定模块在获取在第一时段内目标用户的催收联系情况的联系标签时，具体用于：
37.基于预设定的关联关系，确定目标用户的催收联系情况所关联的联系标签。
38.可选地，训练集确定模块具体用于：
39.基于联系标签以及用户特征构建各目标用户的特征向量；
40.基于各目标用户的特征向量构建训练集。
41.可选地，上述装置还包括：
42.异常处理模块，用于在基于联系标签以及用户特征构建各目标用户的特征向量之前，对用户特征中存在的异常情况进行处理。
43.可选地，训练集确定模块在获取目标用户在第一时段内用户特征时，具体用于：
44.获取目标用户在第一时段内的用户相关信息；
45.基于用户相关信息提取初始用户特征；
46.基于初始用户特征与联系标签的相关性分析结果，从初始用户特征中确定用户特征。
47.可选地，上述装置还包括验证模块，验证模块用于：
48.确定验证集，验证集包括在第二时段内目标用户的催收联系情况的联系标签以及用户特征；
49.基于验证集对用户失联率预测模型进行验证。
50.第四方面，本技术实施例提供了一种用户失联率的预测装置，该装置包括：
51.用户特征获取模块，用于获取待预测用户的用户特征；
52.失联率预测模块，用于将用户特征输入预训练的用户失联率预测模型，得到待预
测用户的用户失联率预测结果，其中，用户失联率预测模型为根据上述的第一方面中任一实施方式所示的用户失联率预测模型的训练方法训练得到的。
53.可选地，上述装置还包括：
54.催收策略确定模块，用于基于用户失联率预测结果确定催收策略。
55.第五方面，本技术实施例提供了一种电子设备，该电子设备包括：处理器和存储器；
56.存储器，用于存储操作指令；
57.处理器，用于通过调用操作指令，执行如本技术的第一方面的任一实施方式中或者第二方面的任一实施方式中所示的方法。
58.第六方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本技术的第一方面的任一实施方式中或者第二方面的任一实施方式中所示的方法。
59.本技术实施例提供的技术方案带来的有益效果是：
60.本技术实施例提供的方案，通过确定处于指定业务状态的目标用户，并根据第一时段内目标用户的联系标签以及用户特征确定训练集，从而根据训练集，通过机器学习算法训练用户失联率预测模型。基于本方案训练出的用户失联率预测模型，能够对欠款逾期用户的失联率进行准确预测，能够为有效提升催收效果，降低逾期坏账率提供基础。
附图说明
61.为了更清楚地说明本技术实施例中的技术方案，下面将对本技术实施例描述中所需要使用的附图作简单地介绍。
62.图1为本技术实施例提供的一种用户失联率预测模型的训练方法的流程示意图；
63.图2为本技术实施例提供的一种用户失联率的预测方法的流程示意图；
64.图3为本技术实施例提供的一种用户失联率预测模型的训练装置的结构示意图；
65.图4为本技术实施例提供的一种用户失联率的预测装置的结构示意图；
66.图5为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
67.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能解释为对本发明的限制。
68.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
69.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方
式作进一步地详细描述。
70.目前，在进行逾期欠款催收时，一般存在多种催收策略，而不同的催收策略对不同的用户往往会产生不同的催收效果。如果能够预测出欠款逾期用户的失联率，就能够针对不同失联率的用户采用相应的催收策略，从而提升催收效果，降低逾期坏账率。
71.本技术实施例提供的用户失联率预测模型的训练方法及用户失联率的预测方法，旨在解决现有技术的如上技术问题中的至少一个。
72.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
73.图1示出了本技术实施例提供的一种用户失联率预测模型的训练方法的流程示意图，如图1所示，该方法主要可以包括：
74.步骤s110：确定处于指定业务状态的目标用户；
75.步骤s120：确定训练集，训练集包括在第一时段内目标用户的联系标签以及用户特征，联系标签用于表征目标用户在第一时段内的催收联系情况；
76.步骤s130：根据训练集，通过机器学习算法训练用户失联率预测模型。
77.本技术实施例中，可以通过训练用户失联率预测模型进行对用户失联率的预测。为了保证用户失联率预测模型预测的准确性，可以根据目标用户所处的业务状态细分客群，根据指定业务状态的目标用户的数据进行建模。
78.本技术实施例中，可以获取目标用户在第一时段内的催收联系情况明细，从而确定联系标签。第一时段可以为在欠款逾期发生后的指定时长，如欠款逾期发生后的一个月。
79.作为一个示例，联系标签可以包括有联、无联以及难联。
80.本技术实施例中，可以多方位的获取用户的相关信息来提取用户特征，用户的相关信息如：交易信息、催记信息、卡片信息、app点击行为、外部多头借贷、借记卡资产负债信息、公积金以及地址比对信息等信息，以便充分利用已知的相关信息从多方位寻找用户特征，以提高最终训练出的模型的预测能力。
81.本技术实施例中，可以运用机器学习算法(如xgboost算法)进行建模，以便根据目标用户的用户特征与联系标签的关系(即先验概率)，来预测未来用户的失联概率。在实际使用中可以将失联概率转化为评分，根据评分确定对应的催收策略来进行催收，从而保证催收效果。
82.本技术实施例提供的方法，通过确定处于指定业务状态的目标用户，并根据第一时段内目标用户的联系标签以及用户特征确定训练集，从而根据训练集，通过机器学习算法训练用户失联率预测模型。基于本方案训练出的用户失联率预测模型，能够对欠款逾期用户的失联率进行准确预测，能够为有效提升催收效果，降低逾期坏账率提供基础。
83.本技术实施例的一种可选方式中，确定处于指定业务状态的目标用户，包括：
84.将欠款逾期在目标期限内的用户确定为指定业务状态的目标用户。
85.本技术实施例中，可以根据用户的欠款逾期时段将用户分为不同的业务状态。目标用户即欠款逾期时段在目标期限内的用户。
86.作为一个示例，可以将逾期在一个月内的用户的业务状态指定为m1逾期，本例中，可以将m1逾期的用户指定为目标用户。
87.本技术实施例的一种可选方式中，获取在第一时段内目标用户的催收联系情况的联系标签，包括：
88.基于预设定的关联关系，确定目标用户的催收联系情况所关联的联系标签。
89.本技术实施例中，可以预设置催收联系情况与联系标签的关联关系，从而基于联系情况确定联系标签。
90.具体而言，在确定联系标签时，可以将目标用户的催收联系情况明细进行汇总，并将催收记录区分为有联类催收记录、无联类催收记录以及难联类催收记录。
91.其中，有联类催收记录可以为用户已经承诺还款以及已联系到用户本人的催收记录等。
92.无联类催收记录可以为欠款人手机已取消、联系人电话空号或停机等催收记录。
93.难联类催收记录可以为用户手机占线或手机无人听等催收记录。
94.在确定联系标签时，可以将当月至少有一次有联类催收记录的目标用户的联系标签确定为有联；将当月无任何有联类催收记录且至少有一次无联类催收记录的目标用户的联系标签确定为无联；将除有联类催收记录和无联类催收记录之外的催收记录的目标用户的联系标签确定为无难联。
95.本技术实施例的一种可选方式中，确定训练集，包括：
96.基于联系标签以及用户特征构建各目标用户的特征向量；
97.基于各目标用户的特征向量构建训练集。
98.本技术实施例中，可以根据联系标签以及用户特征构建特征变量，用于模型训练。
99.本技术实施例的一种可选方式中，在基于联系标签以及用户特征构建各目标用户的特征向量之前，上述方法还包括：
100.对用户特征中存在的异常情况进行处理。
101.本技术实施例中，在提取用户特征时，用户特征中可能存在一些异常情况，如存在缺失值或者异常值等，这时可以先对用户特征中的异常情况进行处理，避免影响后续的模型训练过程。
102.本技术实施例的一种可选方式中，获取目标用户在第一时段内用户特征，包括：
103.获取目标用户在第一时段内的用户相关信息；
104.基于用户相关信息提取初始用户特征；
105.基于初始用户特征与联系标签的相关性分析结果，从初始用户特征中确定用户特征。
106.本技术实施例中，由于用户的相关信息的种类可能较多，因此基于用户相关信息提取的初始用户特征可能会具有较多维度，在实际使用中，可以对初始用户特征与联系标签的相关性进行分析，根据相关性分析结果从初始用户特征中筛选用户特征。
107.具体而言，可以进行特征信息价值iv分析、相关性分析、跨时点psi分析等，以后保证提取的用户特征的有效性。用户特征的iv值的大小表示该用户特征预测能力的强弱，用户特征的psi的大小表示该用户特征的稳定性。在模型开发过程中应该尽可能地选取iv值大、psi值小的用户特征。
108.本技术实施例的一种可选方式中，上述方法还包括：
109.确定验证集，验证集包括在第二时段内目标用户的催收联系情况的联系标签以及
用户特征；
110.基于验证集对用户失联率预测模型进行验证。
111.本技术实施例中，可以根据第二时段内目标用户的催收联系情况的联系标签以及用户特征构建验证集，用于对训练出的用户失联率预测模型进行验证。
112.在实际使用中，可以通过模型区分效果及评分稳定性、模型压力测试、模型在其他催收客群上的区分能力等指标，对用户失联率预测模型进行效果验证：
113.(1)模型区分效果及评分稳定性。ks值是衡量好坏样本累计分布的差值，好坏样本累计差异越大，ks指标越大，模型的风险区分能力越强，模型的风险排序性越好。评分稳定性越强，模型越好。
114.(2)模型压力测试。对模型进行压力测试，假设部分变量数据缺失的情况下的模型区分效果及模型评分的稳定性。
115.(3)模型在其他催收客群上的区分能力。用户失联率预测模型开发的样本数据是m1逾期。模型开发完成后，将失联率模型打分逻辑应用在m2逾期用户的客群上，仍可取得较为明显的区分效果。
116.图2示出了本技术实施例提供的一种用户失联率预测方法的流程示意图，如图2所示，该方法主要可以包括：
117.步骤s210：获取待预测用户的用户特征；
118.步骤s220：将用户特征输入预训练的用户失联率预测模型，得到待预测用户的用户失联率预测结果，其中，用户失联率预测模型为根据上述的用户失联率预测模型的训练方法训练得到的。
119.本技术实施例中，待预测用户可以为欠款逾期用户，可以通过预训练的用户失联率预测模型来预测用户失联率，可以根据将待预测用户的相关信息如交易信息、催记信息、卡片信息、app点击行为、外部多头借贷、借记卡资产负债信息、公积金以及地址比对信息等，提取用户特征。将用户特征输入预训练的用户失联率预测模型，输出用户失联率预测结果。
120.本技术实施例提供的方法，可以获取待预测用户的用户特征，将用户特征输入预训练的用户失联率预测模型，得到待预测用户的用户失联率预测结果，基于本方案，能够对欠款逾期用户的失联率进行准确预测，能够为有效提升催收效果，降低逾期坏账率提供基础。
121.本技术实施例的一种可选方式中，上述方法还包括：
122.基于用户失联率预测结果确定催收策略。
123.本技术实施例中，可以根据失联率预测结果得到预测出的用户失联率。
124.本技术实施例中，可以针对不同的用户失联率设定不同的催收策略，从而在预测出用户的用户失联率之后，根据用户失联率预测结果确定催收策略。
125.作为一个示例，不同的催收策略可以设定为对欠款逾期用户的不同联系频次。
126.基于与图1中所示的方法相同的原理，图3示出了本技术实施例提供的一种用户失联率预测模型的训练装置的结构示意图，如图3所示，该用户失联率预测模型的训练装置30可以包括：
127.目标用户确定模块310，用于确定处于指定业务状态的目标用户；
128.训练集确定模块320，用于确定训练集，训练集包括在第一时段内目标用户的联系标签以及用户特征，联系标签用于表征目标用户在第一时段内的催收联系情况；
129.模型训练模块330，用于根据训练集，通过机器学习算法训练用户失联率预测模型。
130.本技术实施例提供的装置，通过确定处于指定业务状态的目标用户，并根据第一时段内目标用户的联系标签以及用户特征确定训练集，从而根据训练集，通过机器学习算法训练用户失联率预测模型。基于本方案训练出的用户失联率预测模型，能够对欠款逾期用户的失联率进行准确预测，能够为有效提升催收效果，降低逾期坏账率提供基础。
131.可选地，目标用户确定模块具体用于：
132.将欠款逾期在目标期限内的用户确定为指定业务状态的目标用户。
133.可选地，训练集确定模块在获取在第一时段内目标用户的催收联系情况的联系标签时，具体用于：
134.基于预设定的关联关系，确定目标用户的催收联系情况所关联的联系标签。
135.可选地，训练集确定模块具体用于：
136.基于联系标签以及用户特征构建各目标用户的特征向量；
137.基于各目标用户的特征向量构建训练集。
138.可选地，上述装置还包括：
139.异常处理模块，用于在基于联系标签以及用户特征构建各目标用户的特征向量之前，对用户特征中存在的异常情况进行处理。
140.可选地，训练集确定模块在获取目标用户在第一时段内用户特征时，具体用于：
141.获取目标用户在第一时段内的用户相关信息；
142.基于用户相关信息提取初始用户特征；
143.基于初始用户特征与联系标签的相关性分析结果，从初始用户特征中确定用户特征。
144.可选地，上述装置还包括验证模块，验证模块用于：
145.确定验证集，验证集包括在第二时段内目标用户的催收联系情况的联系标签以及用户特征；
146.基于验证集对用户失联率预测模型进行验证。
147.可选地，上述装置还包括：
148.催收策略确定模块，用于基于用户失联率预测结果确定催收策略。
149.可以理解的是，本实施例中的用户失联率预测模型的训练装置的上述各模块具有实现图1中所示的实施例中的用户失联率预测模型的训练方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述用户失联率预测模型的训练装置的各模块的功能描述具体可以参见图1中所示实施例中的用户失联率预测模型的训练方法的对应描述，在此不再赘述。
150.基于与图2中所示的方法相同的原理，图4示出了本技术实施例提供的一种用户失联率的预测装置的结构示意图，如图4所示，该用户失联率的预测装置40可以包括：
151.用户特征获取模块410，用于获取待预测用户的用户特征；
152.失联率预测模块420，用于将用户特征输入预训练的用户失联率预测模型，得到待预测用户的用户失联率预测结果，其中，用户失联率预测模型为根据上述的任一实施方式所示的用户失联率预测模型的训练方法训练得到的。
153.本技术实施例提供的装置，可以获取待预测用户的用户特征，将用户特征输入预训练的用户失联率预测模型，得到待预测用户的用户失联率预测结果，基于本方案，能够对欠款逾期用户的失联率进行准确预测，能够为有效提升催收效果，降低逾期坏账率提供基础。
154.可选地，上述装置还包括：
155.催收策略确定模块，用于基于用户失联率预测结果确定催收策略。
156.可以理解的是，本实施例中的用户失联率的预测装置的上述各模块具有实现图2中所示的实施例中的用户失联率的预测方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述用户失联率的预测装置的各模块的功能描述具体可以参见图2中所示实施例中的用户失联率的预测方法的对应描述，在此不再赘述。
157.本技术实施例提供了一种电子设备，包括处理器和存储器；
158.存储器，用于存储操作指令；
159.处理器，用于通过调用操作指令，执行本技术任一实施方式中所提供的方法。
160.作为一个示例，图5示出了本技术实施例所适用的一种电子设备的结构示意图，如图5所示，该电子设备2000包括：处理器2001和存储器2003。其中，处理器2001和存储器2003相连，如通过总线2002相连。可选的，电子设备2000还可以包括收发器2004。需要说明的是，实际应用中收发器2004不限于一个，该电子设备2000的结构并不构成对本技术实施例的限定。
161.其中，处理器2001应用于本技术实施例中，用于实现上述方法实施例所示的方法。收发器2004可以包括接收机和发射机，收发器2004应用于本技术实施例中，用于执行时实现本技术实施例的电子设备与其他设备通信的功能。
162.处理器2001可以是cpu(central processing unit，中央处理器)，通用处理器，dsp(digital signal processor，数据信号处理器)，asic(application specific integrated circuit，专用集成电路)，fpga(field programmable gate array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器2001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
163.总线2002可包括一通路，在上述组件之间传送信息。总线2002可以是pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。总线2002可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
164.存储器2003可以是rom(read only memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，ram(random access memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom(electrically erasable programmable read only memory，电可擦可编程只读存储器)、cd
‑
rom(compact disc read only memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
165.可选的，存储器2003用于存储执行本技术方案的应用程序代码，并由处理器2001来控制执行。处理器2001用于执行存储器2003中存储的应用程序代码，以实现本技术任一实施方式中所提供的方法。
166.本技术实施例提供的电子设备，适用于上述方法任一实施例，在此不再赘述。
167.本技术实施例提供了一种电子设备，与现有技术相比，通过确定处于指定业务状态的目标用户，并根据第一时段内目标用户的联系标签以及用户特征确定训练集，从而根据训练集，通过机器学习算法训练用户失联率预测模型。基于本方案训练出的用户失联率预测模型，能够对欠款逾期用户的失联率进行准确预测，能够为有效提升催收效果，降低逾期坏账率提供基础。
168.本技术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上存储有计算机程序，该程序被处理器执行时实现上述方法实施例所示的方法。
169.本技术实施例提供的计算机可读存储介质，适用于上述方法任一实施例，在此不再赘述。
170.本技术实施例提供了一种计算机可读存储介质，与现有技术相比，通过确定处于指定业务状态的目标用户，并根据第一时段内目标用户的联系标签以及用户特征确定训练集，从而根据训练集，通过机器学习算法训练用户失联率预测模型。基于本方案训练出的用户失联率预测模型，能够对欠款逾期用户的失联率进行准确预测，能够为有效提升催收效果，降低逾期坏账率提供基础。
171.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
172.以上仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。