逾期风险警示方法、装置及电子设备与流程

1.本公开涉及计算机信息处理领域，具体而言，涉及一种逾期风险警示方法、装置、电子设备及计算机可读介质。


背景技术：

2.资源风险防范是指资源市场主体在对相关分析的基础上运用一定的方法合规性地防范风险发生或规避风险以实现预期目标的行为。在当前的环境中，随着个人和企业资源信贷需求的增加，涌现了越来越多的提供资源服务的公司，对于这些资源类的服务公司而言，提前预防用户的资源风险，是一个热门技术领域。而各互联网资源服务机构应对资源欺诈风险侦测的主要方式可以分为两大类，即基于规则的应对方式和基于机器学习算法的应对方式。
3.其中，规则主要依赖于管理人员的业务经验或特征归类，设置一些规则来对用户进行筛选，这种方式存在一定的主观性，有时难免疏漏。相对而言基于机器学习的应对方案则更加客观，同时准确性也有更为清晰可靠的量化标准。而目前最常用的算法主要有逻辑回归、朴素贝叶斯、支持向量机、随机森林等。
4.然而，在一般的机器学习模型中，受机器学习模型的特性制约，机器学习模型训练的目标是能够对大部分普通用户进行良好的区别，但是，在实际应用中，特别是在对欺诈用户或者逾期用户的识别中，更加关注的目标是对极个别的风险用户的识别，而不是对普通用户的识别。但是，由于在正常的样本数据中，欺诈用户对应的坏样本存在较少，这使得通过这种样本训练的机器学习模型更难对坏样本进行识别。
5.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。


技术实现要素：

6.有鉴于此，本公开提供一种逾期风险警示方法、装置、电子设备及计算机可读介质，能够精准对具有预设特征的用户进行识别，在其存在逾期风险时提前预警，以便尽早采取恰当的用户策略，防范资源风险，提高资源安全，降低服务器的计算压力。
7.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。
8.根据本公开的一方面，提出一种逾期风险警示方法，该方法包括：获取预定状态用户的用户信息，所述用户信息包括：基础信息和行为信息；基于所述用户信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据；将所述时长特征数据、所述行为特征数据、所述频率特征数据，和所述属性特征数据输入逾期风险模型中，生成逾期概率，其中，所述逾期风险模型是基于焦点损失函数对机器学习模型进行训练并逐步调优生成的；在所述逾期概率大于阈值时，生成逾期风险警示信息。
9.可选地，还包括：获取历史用户的用户信息；基于所述用户信息生成历史时长特征
数据，历史行为特征数据，历史频率特征数据，和历史属性特征数据；通过带有样本标签的所述历史时长特征数据，所述历史行为特征数据，所述历史频率特征数据，和所述历史属性特征数据对机器学习模型进行训练；在训练过程中基于焦点损失函数和逐步调优方式生成所述逾期风险模型。
10.可选地，获取历史用户的用户信息，包括：获取完成所述预定状态的历史用户的用户信息；基于所述预定状态的完成情况为所述历史用户分配样本标签。
11.可选地，在训练过程中基于焦点损失函数和逐步调优方式生成所述逾期风险模型，包括：在训练过程中基于交叉熵损失函数生成初始模型；确定焦点损失函数的解析式；基于所述初始模型和所述焦点损失函数的解析式生成中间模型；基于所述中间模型对模型参数进行逐步调优以生成所述逾期风险模型。
12.可选地，在训练过程中基于交叉熵损失函数生成初始模型，包括：在训练过程中基于交叉熵损失函数的最优解对应的模型参数生成所述初始模型。
13.可选地，基于所述初始模型和所述焦点损失函数的解析式生成中间模型，包括：将所述焦点损失函数的解析式发送至机器学习模型的目标函数接口；由所述机器学习模型的输出结果获取所述焦点损失函数的计算结果；基于网格搜索方法和所述计算结果确定所述焦点损失函数的最优解；将所述焦点损失函数的最优解对应的模型参数生成所述中间模型。
14.可选地，基于所述中间模型对模型参数进行逐步调优以生成所述逾期风险模型，包括：基于所述中间模型，以焦点损失函数最小值为目标通过迭代计算确定第一模型参数的最优解；基于所述中间模型、所述第一模型参数的最优解，以焦点损失函数最小值为目标通过迭代计算确定第二模型参数的最优解；基于所述第一模型参数的最优解，第二模型参数的最优解，焦点损失函数最小值生成所述逾期风险模型。
15.可选地，基于所述用户信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据，包括：将用户对应的行为信息按照其对应的时间进行排序；通过排序后的行为信息和基础信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据。
16.可选地，通过排序后的行为信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据，包括：通过首个行为信息与末尾行为信息的间隔时间确定所述时长特征数据；和/或通过所述末尾行为信息所对应的时间确定所述行为特征数据；和/或通过所述行为信息和基础信息中的数量确定所述频率特征数据；和/或通过所述行为信息和基础信息中的金额确定所述属性特征数据。
17.根据本公开的一方面，提出一种逾期风险警示装置，该装置包括：信息模块，用于获取预定状态用户的用户信息，所述用户信息包括：基础信息和行为信息；特征模块，用于基于所述用户信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据；计算模块，用于将所述时长特征数据、所述行为特征数据、所述频率特征数据，和所述属性特征数据输入逾期风险模型中，生成逾期概率，其中，所述逾期风险模型是基于焦点损失函数对机器学习模型进行训练并逐步调优生成的；警示模块，用于在所述逾期概率大于阈值时，生成逾期风险警示信息。
18.根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一
个或多个处理器实现如上文的方法。
19.根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
20.根据本公开的逾期风险警示方法、装置、电子设备及计算机可读介质，获取预定状态用户的用户信息，所述用户信息包括：基础信息和行为信息；基于所述用户信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据；将所述时长特征数据、所述行为特征数据、所述频率特征数据，和所述属性特征数据输入逾期风险模型中，生成逾期概率，其中，所述逾期风险模型是基于焦点损失函数对机器学习模型进行训练并逐步调优生成的；在所述逾期概率大于阈值时，生成逾期风险警示信息的方式，能够精准对具有预设特征的用户进行识别，在其存在逾期风险时提前预警，以便尽早采取恰当的用户策略，防范资源风险，提高资源安全，降低服务器的计算压力。
21.应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
22.通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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他的附图。
23.图1是根据一示例性实施例示出的一种逾期风险警示方法及装置的系统框图。
24.图2是根据一示例性实施例示出的一种逾期风险警示方法的流程图。
25.图3是根据另一示例性实施例示出的一种逾期风险警示方法的流程图。
26.图4是根据另一示例性实施例示出的一种逾期风险警示方法的流程图。
27.图5是根据一示例性实施例示出的一种逾期风险警示装置的框图。
28.图6是根据一示例性实施例示出的一种电子设备的框图。
29.图7是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
30.现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
31.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
32.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
33.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
34.应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
35.本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
36.本公开中，资源是指任何可被利用的物质、信息、时间，信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。本公开的创新之处在于如何使用服务器和客户端之间的信息交互技术来使逾期风险警示的过程更加自动化、高效和减小人力成本。由此，从本质上来说，本公开可以应用于各类资源的逾期预警，包括实体的货物、水、电，以及有意义的资料等。但是，为了方便起见，本公开中以金融数据资源为例进行说明逾期预警的实施，但本领域技术人员应当理解，本公开亦可以用于其他资源的逾期预警。
37.图1是根据一示例性实施例示出的一种逾期风险警示方法及装置的系统框图。
38.如图1所示，系统架构10可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
39.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
40.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
41.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果(例如警示信息)反馈给金融服务网站的管理员。
42.服务器105可例如获取预定状态用户的用户信息，所述用户信息包括：基础信息和行为信息；服务器105可例如基于所述用户信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据；服务器105可例如将所述时长特征数据、所述行为特征数据、所述频率特征数据，和所述属性特征数据输入逾期风险模型中，生成逾期概率，其中，所述逾期风险模型是基于焦点损失函数对机器学习模型进行训练并逐步调优生成的；服务器105可例如在所述逾期概率大于阈值时，生成逾期风险警示信息。
43.服务器105还可例如获取历史用户的用户信息；基于所述用户信息生成历史时长特征数据，历史行为特征数据，历史频率特征数据，和历史属性特征数据；通过带有样本标签的所述历史时长特征数据，所述历史行为特征数据，所述历史频率特征数据，和所述历史属性特征数据对机器学习模型进行训练；在训练过程中基于焦点损失函数和逐步调优方式生成所述逾期风险模型。
44.服务器105还可例如将训练完毕的逾期风险模型设置的终端设备101、102、103中，以使得终端设备101、102、103获取预定状态用户的用户信息，所述用户信息包括：基础信息和行为信息；基于所述用户信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据；将所述时长特征数据、所述行为特征数据、所述频率特征数据，和所述属性特征数据输入逾期风险模型中，生成逾期概率；在所述逾期概率大于阈值时，终端设备101、102、103生成逾期风险警示信息，并将逾期风险警示信息发送至服务器105。
45.服务器105可以是一个实体的服务器，还可例如为多个服务器组成，服务器105中的一部分可例如作为本公开中的模型训练系统，用于基于焦点损失函数对机器学习模型进行训练并逐步调优生成逾期风险模型；服务器105中的一部分还可例如作为本公开中的风险警示系统，用于将所述时长特征数据、所述行为特征数据、所述频率特征数据，和所述属性特征数据输入逾期风险模型中，生成逾期概率，在所述逾期概率大于阈值时，生成逾期风险警示信息。
46.需要说明的是，本公开实施例所提供的逾期风险警示方法可以由服务器105和/或终端设备101、102、103执行，相应地，逾期风险警示装置可以设置于服务器105和/或终端设备101、102、103中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。
47.图2是根据一示例性实施例示出的一种逾期风险警示方法的流程图。逾期风险警示方法20至少包括步骤s202至s208。
48.如图2所示，在s202中，获取预定状态用户的用户信息，所述用户信息包括：基础信息和行为信息。预定状态可为已经有过资源借贷服务但是暂时未到资源归还期的用户。
49.在本公开实施例中，用户可为个人用户或者企业用户，资源额度的分配可为金融资源额度的调整，也可为电力资源、水力资源的分配。其中，用户信息可包括基础信息，可例如为业务账号信息、用户的终端设备标识信息、用户所处地域信息等；用户信息还可包括行为信息，可例如为用户的页面操作数据、用户的业务访问时长、用户的业务访问频率等，对象信息的具体内容可根据实际应用场景确定，在此不做限制。更具体的，可基于用户授权采用网页埋点的方式获取用户的用户信息。
50.在s204中，基于所述用户信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据。可例如，将用户对应的行为信息按照其对应的时间进行排序；通过排序后的行为信息和基础信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据。
51.在一个实施例中，通过排序后的行为信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据，包括：通过首个行为信息与末尾行为信息的间隔时间确定所述时长特征数据；和/或通过所述末尾行为信息所对应的时间确定所述行为特征数据；和/或通过所述行为信息和基础信息中的数量确定所述频率特征数据；和/或通过所述行为信息和基础信息中的金额确定所述属性特征数据。
52.可例如以用户借贷行为和相关的时间为例，可将借贷行为相关的行为数据分为，最近一次借贷，借贷频率，以及借贷金额。更具体的可根据首次借贷行为与最后一次借贷行为的时间间隔生成时长特征数据；通过最后一次借贷行为的时间确定行为特征数据，通过借贷行为发生的次数确定频率特征数据，通过节点行为中的借贷金额确定属性特征数据。
53.值得一提的是，在属性特征数据中，可将用户最后一次借贷的金额作为属性特征数据，还可将用户多次借贷行为中平均借贷金额最为属性特征数据，具体情况可根据模型计算中关注点的不同而进行调整，本公开不以此为限。
54.在s206中，将所述时长特征数据、所述行为特征数据、所述频率特征数据，和所述属性特征数据输入逾期风险模型中，生成逾期概率，其中，所述逾期风险模型是基于焦点损失函数对机器学习模型进行训练并逐步调优生成的。
55.在s208中，在所述逾期概率大于阈值时，生成逾期风险警示信息。可例如通过历史用户的统计数据生成阈值，在逾期概率大于阈值时，可认为该用户具有较高的欺诈或者逾期风险，此时生成逾期风险警示信息并禁止该用户进行其他交易。
56.根据本公开的逾期风险警示方法，获取预定状态用户的用户信息，所述用户信息包括：基础信息和行为信息；基于所述用户信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据；将所述时长特征数据、所述行为特征数据、所述频率特征数据，和所述属性特征数据输入逾期风险模型中，生成逾期概率，其中，所述逾期风险模型是基于焦点损失函数对机器学习模型进行训练并逐步调优生成的；在所述逾期概率大于阈值时，生成逾期风险警示信息的方式，能够精准对具有预设特征的用户进行识别，在其存在逾期风险时提前预警，以便尽早采取恰当的用户策略，防范资源风险，提高资源安全，降低服务器的计算压力。
57.应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。
58.图3是根据另一示例性实施例示出的一种逾期风险警示方法的流程图。图3所示的流程30是对“基于焦点损失函数对机器学习模型进行训练并逐步调优生成逾期风险模型”的详细描述。
59.如图3所示，在s302中，获取历史用户的用户信息。可例如，获取完成所述预定状态的历史用户的用户信息；基于所述预定状态的完成情况为所述历史用户分配样本标签。可例如选取已完成资源借贷的用户，更具体的，在已完成资源借贷的用户中，有过逾期行为的历史用户被分配负样本标签，而已完成资源借贷的用户，未有过逾期行为的历史用户被分配正样本标签。
60.在s304中，基于所述用户信息生成历史时长特征数据，历史行为特征数据，历史频率特征数据，和历史属性特征数据。
61.在s306中，通过带有样本标签的所述历史时长特征数据，所述历史行为特征数据，所述历史频率特征数据，和所述历史属性特征数据对机器学习模型进行训练。机器学习模型可例如为xgboost模型。
62.在s308中，在训练过程中基于焦点损失函数和逐步调优方式生成所述逾期风险模型。可例如，在训练过程中基于交叉熵损失函数生成初始模型；确定焦点损失函数的解析式；基于所述初始模型和所述焦点损失函数的解析式生成中间模型；基于所述中间模型对模型参数进行逐步调优以生成所述逾期风险模型。
63.具体的，在训练初始模型、中间模型、逾期风险模型的过程中，针对每个模型，在训练中可分别构建调整模型，将样本集合中的各个历史用户的用户信息输入所述调整模型，
以得到预测标签，将所述预测标签与相应的真实的标签进行比对，判断预测标签与真实的标签是否一致，统计与真实的标签一致的预测标签的数量，并计算与真实的标签一致的预测标签的数量在所有预测标签的数量中的占比，若所述占比大于或等于预设占比值，则所述调整模型收敛，得到训练完成的调整模型，若所述占比小于所述预设占比值，则调整所述调整模型中的参数，通过调整后的调整模型重新预测各个对象的预测标签，直至所述占比大于或等于预设占比值。其中，调整所述调整模型中的参数的方法可以采用随机梯度下降算法、梯度下降算法或正规方程进行。
64.若调整所述调整模型的参数的次数超过预设次数时，可以更换构建调整模型所使用的模型，以提高模型训练效率。
65.图4是根据另一示例性实施例示出的一种逾期风险警示方法的流程图。图4所示的流程40是对图3所示的流程中s308“在训练过程中基于焦点损失函数和逐步调优方式生成所述逾期风险模型”的详细描述。
66.如图4所示，在s402中，在训练过程中基于交叉熵损失函数生成初始模型。可例如，在训练过程中基于交叉熵损失函数的最优解对应的模型参数生成所述初始模型。
67.在s404中，确定焦点损失函数的解析式。更进一步的，可例如确定焦点损失函数中gradient(梯度函数)和hessian(黑塞矩阵)的解析式。
68.在s406中，基于所述初始模型和所述焦点损失函数的解析式生成中间模型。可例如，将所述焦点损失函数的解析式发送至机器学习模型的目标函数接口；由所述机器学习模型的输出结果获取所述焦点损失函数的计算结果；基于网格搜索方法和所述计算结果确定所述焦点损失函数的最优解；将所述焦点损失函数的最优解对应的模型参数生成所述中间模型。
69.其中，将focal损失函数gradient和hessian的解析式传入xgboost的目标函数定义接口的方式，相比于数值求导的方式节约了2～3倍的计算时间。
70.基于训练模型和调优的基础上，改用focal损失对模型进行逐步优化，能在auc和ks变化不大的情况下提升模型的捕获率和lift。
71.在s408中，基于所述中间模型对模型参数进行逐步调优以生成所述逾期风险模型。可例如，基于所述中间模型，以焦点损失函数最小值为目标通过迭代计算确定第一模型参数的最优解；基于所述中间模型、所述第一模型参数的最优解，以焦点损失函数最小值为目标通过迭代计算确定第二模型参数的最优解；基于所述第一模型参数的最优解，第二模型参数的最优解，焦点损失函数最小值生成所述逾期风险模型。
72.其中，第一模型参数可为base_score，第二模型参数可为min_child_weight。基于中间模型，向loss达到最小值的方向逐步调整模型参数base_score，并观察模型迭代过程中评价指标的变化来选取参数的最优值；然后调整模型超参数min_child_weight，并选取最优的迭代次数，得到最终优化后的逾期风险模型。
73.在消费金融领域，以xgboost为代表的集成学习模型仍是用于量化风险的主要手段。在运用xgboost进行贷中b卡的构建过程中，普遍使用的是默认的交叉熵损失函数。然而在贷中交易的风控场景中，需要在保证通过率的前提下拒绝最坏的一小部分客户，因此除了通用的auc、ks等评价指标之外，对头部区分度相关的指标，如捕获率、lift等也同样关注。本公开的逾期风险警示方法，通过对xgboost中损失函数的自定义，可以引导训练过程
中赋予样本不同的loss权重分布，最终得到在对最坏客群的区分上更胜一筹的模型。
74.本公开的逾期风险警示方法，利用focal损失来定义xgboost的损失函数，并采用逐步调优来提升模型区分效果的方法。focal损失引入了两个新的参数来解决样本的正负不平衡和分类难度不同的问题，使模型训练时更关注正类难分类的样本，最终增加了最坏客群分数区间的捕获数量，改善了计算速度。
75.本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由cpu执行的计算机程序。在该计算机程序被cpu执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
76.此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
77.下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
78.图5是根据一示例性实施例示出的一种逾期风险警示装置的框图。如图5所示，逾期风险警示装置50包括：信息模块502，特征模块504，计算模块506，警示模块508。
79.信息模块502用于获取预定状态用户的用户信息，所述用户信息包括：基础信息和行为信息；
80.特征模块504用于基于所述用户信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据；
81.计算模块506用于将所述时长特征数据、所述行为特征数据、所述频率特征数据，和所述属性特征数据输入逾期风险模型中，生成逾期概率，其中，所述逾期风险模型是基于焦点损失函数对机器学习模型进行训练并逐步调优生成的；
82.警示模块508用于在所述逾期概率大于阈值时，生成逾期风险警示信息。
83.根据本公开的逾期风险警示装置，获取预定状态用户的用户信息，所述用户信息包括：基础信息和行为信息；基于所述用户信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据；将所述时长特征数据、所述行为特征数据、所述频率特征数据，和所述属性特征数据输入逾期风险模型中，生成逾期概率，其中，所述逾期风险模型是基于焦点损失函数对机器学习模型进行训练并逐步调优生成的；在所述逾期概率大于阈值时，生成逾期风险警示信息的方式，能够精准对具有预设特征的用户进行识别，在其存在逾期风险时提前预警，以便尽早采取恰当的用户策略，防范资源风险，提高资源安全，降低服务器的计算压力。
84.图6是根据一示例性实施例示出的一种电子设备的框图。
85.下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
86.如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
87.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执
行，使得所述处理单元610执行本说明书中的根据本公开各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图2，图3，图4中所示的步骤。
88.所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。
89.所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
90.总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
91.电子设备600也可以与一个或多个外部设备600’(例如键盘、指向设备、蓝牙设备等)通信，使得用户能与该电子设备600交互的设备通信，和/或该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
92.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图7所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd
‑
rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
93.所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
94.所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
95.可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户
计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
96.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取预定状态用户的用户信息，所述用户信息包括：基础信息和行为信息；基于所述用户信息生成时长特征数据，行为特征数据，频率特征数据，和属性特征数据；将所述时长特征数据、所述行为特征数据、所述频率特征数据，和所述属性特征数据输入逾期风险模型中，生成逾期概率，其中，所述逾期风险模型是基于焦点损失函数对机器学习模型进行训练并逐步调优生成的；在所述逾期概率大于阈值时，生成逾期风险警示信息。该计算机可读介质还可实现如下功能：获取历史用户的用户信息；基于所述用户信息生成历史时长特征数据，历史行为特征数据，历史频率特征数据，和历史属性特征数据；通过带有样本标签的所述历史时长特征数据，所述历史行为特征数据，所述历史频率特征数据，和所述历史属性特征数据对机器学习模型进行训练；在训练过程中基于焦点损失函数和逐步调优方式生成所述逾期风险模型。
97.本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
98.通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd
‑
rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
99.以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。