本發(fā)明涉及計算機(jī)，尤其涉及一種模型訓(xùn)練、用戶長短期特性差異預(yù)測方法、裝置以及存儲介質(zhì)。

背景技術(shù)：

1、隨著數(shù)字經(jīng)濟(jì)的發(fā)展和人工智能技術(shù)的應(yīng)用，大數(shù)據(jù)分析在各行各業(yè)中發(fā)揮著越來越重要的作用。信貸等業(yè)務(wù)存在較高的風(fēng)險性和不確定性，采用機(jī)器學(xué)習(xí)等技術(shù)建立信貸模型等模型，可以從海量數(shù)據(jù)中挖掘有價值的數(shù)據(jù)并分析、學(xué)習(xí)用戶的行為模式，進(jìn)而達(dá)到合理規(guī)避業(yè)務(wù)風(fēng)險、減少公司損失、擴(kuò)大收益的目的。在信貸業(yè)務(wù)等業(yè)務(wù)場景中存在用戶短期違約(逾期)風(fēng)險較好且用戶長期違約風(fēng)險較差等問題。目前，通?；诙唐谶`約風(fēng)險標(biāo)簽和長期違約風(fēng)險標(biāo)簽分別構(gòu)建模型，將兩個模型結(jié)合使用用以識別短期違約風(fēng)險好而長期違約風(fēng)險差的用戶；但是，兩個模型之間并沒有直接對比關(guān)系，基于兩個模型輸出的預(yù)測分不能直接、準(zhǔn)確確定短期違約風(fēng)險和長期違約風(fēng)險的差異。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明要解決的一個技術(shù)問題是提供一種模型訓(xùn)練、用戶長短期特性差異預(yù)測方法、裝置以及存儲介質(zhì)。

2、根據(jù)本公開的第一方面，提供一種模型訓(xùn)練方法，包括：確定與用戶長期特性相對應(yīng)的長期屬性、與用戶短期特性相對應(yīng)的短期屬性；基于所述長期屬性與所述短期屬性之間的屬性一致性關(guān)系，確定用戶的長短期特性融合屬性以及長短期特性融合標(biāo)簽；根據(jù)所述長期屬性、所述短期屬性和所述長短期特性融合屬性對用戶特征進(jìn)行篩選處理，獲得目標(biāo)特征；基于與所述目標(biāo)特性相對應(yīng)的用戶特征數(shù)據(jù)以及用戶的長短期特性融合標(biāo)簽生成訓(xùn)練樣本集；使用所述訓(xùn)練樣本集對長短期特性差異預(yù)測模型進(jìn)行訓(xùn)練；對訓(xùn)練后的所述長短期特性差異預(yù)測模型進(jìn)行評估處理，用以基于評估處理結(jié)果對所述長短期特性差異預(yù)測模型進(jìn)行調(diào)整處理。

3、可選地，所述對訓(xùn)練后的所述長短期特性差異預(yù)測模型進(jìn)行評估處理包括：使用訓(xùn)練后的所述長短期特性差異預(yù)測模型對評估樣本集進(jìn)行處理，獲得與所述評估樣本集中的樣本相對應(yīng)的差異預(yù)測值；基于所述差異預(yù)測值對訓(xùn)練后的所述長短期特性差異預(yù)測模型進(jìn)行可視化評估處理。

4、可選地，所述基于所述差異預(yù)測值對訓(xùn)練后的所述長短期特性差異預(yù)測模型進(jìn)行可視化評估處理包括：基于所述差異預(yù)測值對所述評估樣本集中的樣本進(jìn)行排序處理；對進(jìn)行排序處理后的所述評估樣本集中的樣本進(jìn)行分組處理，生成多個樣本分組；確定與各個樣本分組相對應(yīng)的真實長短期特性差異信息；根據(jù)所述真實長短期特性差異信息生成與多個樣本分組相對應(yīng)的評估圖表，用以對訓(xùn)練后的所述長短期特性差異預(yù)測模型進(jìn)行可視化評估處理。

5、可選地，所述確定與各個樣本分組相對應(yīng)的真實長短期特性差異信息包括：在所述樣本分組中，確定所述用戶長期特性為目標(biāo)屬性的第一樣本數(shù)量、所述用戶短期特性為所述目標(biāo)屬性的第二樣本數(shù)量；基于所述第一樣本數(shù)量和所述第二樣本數(shù)量確定所述真實長短期特性差異信息。

6、可選地，所述評估樣本集中的樣本為與所述訓(xùn)練樣本集中的樣本相對應(yīng)的跨時間樣本。

7、可選地，所述根據(jù)所述長期屬性、所述短期屬性和所述長短期特性融合屬性對用戶特征進(jìn)行篩選處理，獲得目標(biāo)特征包括：根據(jù)所述長期屬性對進(jìn)行初篩后的用戶特征進(jìn)行篩選處理，獲得第一用戶特征集合；根據(jù)所述短期屬性對進(jìn)行初篩后的用戶特征進(jìn)行篩選處理，獲得第二用戶特征集合；基于所述第一用戶特征集合和所述第二用戶特征集合進(jìn)行交集或并集計算，獲取用戶特征融合集合；根據(jù)所述長短期特性融合屬性對所述用戶特征融合集合內(nèi)的用戶特征進(jìn)行篩選處理，獲得所述目標(biāo)特征。

8、可選地，所述確定與用戶長期特性相對應(yīng)的長期屬性、與用戶短期特性相對應(yīng)的短期屬性包括：設(shè)置觀察點(diǎn)、第一表現(xiàn)期和第二表現(xiàn)期；其中，所述觀察點(diǎn)之后的未來第一時間段為所述第一表現(xiàn)期，所述觀察點(diǎn)之后的未來第二時間段為所述第二表現(xiàn)期，所述第二時間段大于所述第一時間段；基于在第一表現(xiàn)期內(nèi)的、與用戶短期特性相對應(yīng)的業(yè)務(wù)數(shù)據(jù)以及業(yè)務(wù)數(shù)據(jù)閾值，確定所述短期屬性；基于在第二表現(xiàn)期內(nèi)的、與用戶長期特性相對應(yīng)的業(yè)務(wù)數(shù)據(jù)以及所述業(yè)務(wù)數(shù)據(jù)閾值，確定所述長期屬性。

9、可選地，確定用戶的長短期特性融合屬性包括：在所述長期屬性與所述短期屬性一致的情況下，確定所述長短期特性融合屬性為第一屬性；并且，在所述長期屬性與所述短期屬性不一致的情況下，確定所述長短期特性融合屬性為第二屬性。

10、可選地，所述用戶長期特性包括：用戶長期違約風(fēng)險；所述用戶短期特性包括：用戶短期違約風(fēng)險；所述長短期特性差異預(yù)測模型包括：邏輯回歸模型、決策樹模型。

11、根據(jù)本公開的第二方面，提供一種用戶長短期特性差異預(yù)測方法，包括：獲取訓(xùn)練好的長短期特性差異預(yù)測模型；其中，所述長短期特性差異預(yù)測模型是通過如上所述的模型訓(xùn)練方法訓(xùn)練得到；使用所述長短期特性差異預(yù)測模型對與目標(biāo)特性相對應(yīng)的用戶特征數(shù)據(jù)進(jìn)行處理，用以獲得用戶的長期特性與短期特性差異的信息。

12、根據(jù)本公開的第三方面，提供一種模型訓(xùn)練裝置，包括：屬性確定模塊，用于確定與用戶長期特性相對應(yīng)的長期屬性、與用戶短期特性相對應(yīng)的短期屬性；屬性融合模塊，用于基于所述長期屬性與所述短期屬性之間的屬性一致性關(guān)系，確定用戶的長短期特性融合屬性以及長短期特性融合標(biāo)簽；特征篩選模塊，用于根據(jù)所述長期屬性、所述短期屬性和所述長短期特性融合屬性對用戶特征進(jìn)行篩選處理，獲得目標(biāo)特征；樣本生成模塊，用于基于與所述目標(biāo)特性相對應(yīng)的用戶特征數(shù)據(jù)以及與用戶的長短期特性融合標(biāo)簽生成訓(xùn)練樣本集；訓(xùn)練處理模塊，用于使用所述訓(xùn)練樣本集對長短期特性差異預(yù)測模型進(jìn)行訓(xùn)練；評估處理模塊，用于對訓(xùn)練后的所述長短期特性差異預(yù)測模型進(jìn)行評估處理，用以基于評估處理結(jié)果對所述長短期特性差異預(yù)測模型進(jìn)行調(diào)整處理。

13、根據(jù)本公開的第四方面，提供一種用戶長短期特性差異預(yù)測裝置，包括：模型獲取模塊，用于獲取訓(xùn)練好的長短期特性差異預(yù)測模型；其中，所述長短期特性差異預(yù)測模型是通過如上所述的訓(xùn)練方法訓(xùn)練得到；預(yù)測處理模塊，用于使用所述長短期特性差異預(yù)測模型對與目標(biāo)特性相對應(yīng)的用戶特征數(shù)據(jù)進(jìn)行處理，用以獲得用戶的長期特性與短期特性差異的信息。

14、根據(jù)本公開的第五方面，提供一種模型訓(xùn)練裝置，包括：存儲器；以及耦接至所述存儲器的處理器，所述處理器被配置為基于存儲在所述存儲器中的指令，執(zhí)行如上所述的訓(xùn)練方法。

15、根據(jù)本公開的第六方面，提供一種用戶長短期特性差異預(yù)測裝置，包括：存儲器；以及耦接至所述存儲器的處理器，所述處理器被配置為基于存儲在所述存儲器中的指令，執(zhí)行如上所述的預(yù)測方法。

16、根據(jù)本公開的第七方面，提供一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)指令，所述指令被處理器執(zhí)行如上所述的方法。

17、本公開的模型訓(xùn)練、用戶長短期特性差異預(yù)測方法、裝置以及存儲介質(zhì)，根據(jù)長期特性與短期特性確定長短期特性融合標(biāo)簽，基于長期屬性、短期屬性和長短期特性融合屬性獲得目標(biāo)特征，使用基于與目標(biāo)特性相對應(yīng)的用戶特征數(shù)據(jù)以及長短期特性融合標(biāo)簽生成的訓(xùn)練樣本集對長短期特性差異預(yù)測模型進(jìn)行訓(xùn)練，并對訓(xùn)練后的模型進(jìn)行可視化評估等評估處理；可以提高模型訓(xùn)練效率和預(yù)測的準(zhǔn)確性，能夠直接、準(zhǔn)確地確定用戶是否存在長短期特性差異，可以準(zhǔn)確、全面的識別具有短期和長期特性差異的用戶群體，能夠?qū)τ脩暨M(jìn)行精細(xì)化管控。