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

技术特征：
1.一种用户失联率预测模型的训练方法，其特征在于，包括：确定处于指定业务状态的目标用户；确定训练集，所述训练集包括在第一时段内所述目标用户的联系标签以及用户特征，所述联系标签用于表征所述目标用户在所述第一时段内的催收联系情况；根据所述训练集，通过机器学习算法训练用户失联率预测模型。2.根据权利要求1所述的方法，其特征在于，所述确定处于指定业务状态的目标用户，包括：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。3.根据权利要求1所述的方法，其特征在于，获取在第一时段内所述目标用户的催收联系情况的联系标签，包括：基于预设定的关联关系，确定所述目标用户的催收联系情况所关联的联系标签。4.根据权利要求1所述的方法，其特征在于，所述确定训练集，包括：基于所述联系标签以及所述用户特征构建各所述目标用户的特征向量；基于各所述目标用户的特征向量构建训练集。5.根据权利要求4所述的方法，其特征在于，在基于所述联系标签以及所述用户特征构建各所述目标用户的特征向量之前，所述方法还包括：对用户特征中存在的异常情况进行处理。6.根据权利要求4所述的方法，其特征在于，获取所述目标用户在第一时段内用户特征，包括：获取所述目标用户在第一时段内的用户相关信息；基于所述用户相关信息提取初始用户特征；基于所述初始用户特征与所述联系标签的相关性分析结果，从所述初始用户特征中确定用户特征。7.根据权利要求1
‑
6中任一项所述的方法，其特征在于，还包括：确定验证集，所述验证集包括在第二时段内所述目标用户的催收联系情况的联系标签以及用户特征；基于所述验证集对所述用户失联率预测模型进行验证。8.一种用户失联率的预测方法，其特征在于，包括：获取待预测用户的用户特征；将所述用户特征输入预训练的用户失联率预测模型，得到所述待预测用户的用户失联率预测结果，其中，所述用户失联率预测模型为根据权利要求1至7中任一项所述的用户失联率预测模型的训练方法训练得到的。9.根据权利要求8所述的方法，其特征在于，还包括：基于所述用户失联率预测结果确定催收策略。10.一种用户失联率预测模型的训练装置，其特征在于，包括：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；训练集确定模块，用于确定训练集，所述训练集包括在第一时段内所述目标用户的联系标签以及用户特征，所述联系标签用于表征所述目标用户在所述第一时段内的催收联系情况；
模型训练模块，用于根据所述训练集，通过机器学习算法训练用户失联率预测模型。11.一种用户失联率的预测装置，其特征在于，包括：用户特征获取模块，用于获取待预测用户的用户特征；失联率预测模块，用于将所述用户特征输入预训练的用户失联率预测模型，得到所述待预测用户的用户失联率预测结果，其中，所述用户失联率预测模型为根据权利要求1至7中任一项所述的用户失联率预测模型的训练方法训练得到的。12.一种电子设备，其特征在于，包括处理器和存储器；所述存储器，用于存储操作指令；所述处理器，用于通过调用所述操作指令，执行权利要求1
‑
9中任一项所述的方法。13.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1
‑
9中任一项所述的方法。

技术总结
本申请实施例提供了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。用户失联率预测模型的训练方法包括：确定处于指定业务状态的目标用户；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；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。降低逾期坏账率提供基础。降低逾期坏账率提供基础。


技术研发人员：李恒宇 朱珊珊
受保护的技术使用者：中信银行股份有限公司
技术研发日：2021.07.23
技术公布日：2021/10/26