CN113011722B 系统资源数据分配方法和装置 （中国工商银行股份有限公司）

本申请提供了一种系统资源数据分配方法户风险特征的特征数据的指定信息集、及标签取无标签样本集中各无标签样本的近邻有标签应无标签样本在用户风险特征空间中的接近程类器对目标用户的风险预测结果向目标用户分2样本所对应的风险类别；提取所述无标签样本集中各无标签样本的近邻有标签样本，并根据邻有标签样本包括有标签样本集中的与对应无标签样本在用户风险特征空间中的接近程基于所述无标签样本集中各无标签样本对应的信息熵，对所述分类器进根据所述无标签样本集中各无标签样本的伪标签与近邻有标签样本的风险类别之间利用所述各无标签样本对应的信息熵和伪标样本集的无标签样本和所述有标签样本集中的有标签样本进行用户风险特征预测的近邻3基于所述边界增强约束和所述近邻判别约束，对所述分类器进按照以下公式确定所述无标签样本集对应的U4的指定信息基于不同时间维度统计得到的时本集中各有标签样本所对应的风险类别；计算模块，用于提取所述无标签样本集中各无标签样本优化模块，用于基于所述无标签样本集中各无标签其中，所述优化模块具体用于：基于所述无标签样本集56近邻有标签样本包括有标签样本集中的与对应无标签样本在用户风险特征空间中的接近签样本集和无标签样本集，标签集包括有标签样本集中各有标签样本所对应的风险类别；应无标签样本在用户风险特征空间中的接近程度满足预设条件的有标签样本；优化模块，7分类器，以基于优化后的分类器对目标用户的风险预测结果向目标用户分配系统资源数令被执行时实现上述任意实施例中所述的系统资源数据分样本的近邻有标签样本的风险类别之间的异同，计算无标签样本集对应的近邻判别矩阵，8所述资源数据则可以为分配给目标用户的系统资源数据等。通过准确识别用户的风险性，[0020]图1是本说明书提供的所述系统资源数据分配方法实施例流程示意图。虽然本说造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布从与金融机构的关联平台中获取的用户信息提取得到的特9应信息集标识所对应的指定信息集及标签集，以用于当前测试场景下的系统资源数据分有标签样本包括有标签样本集中的与对应无标签样本在用户风险特征空间中的接近程度样本的近邻有标签样本为有标签样本集中与该无标签样本在用户风险特征空间中的接近[0029]在一个实施例中，可以采用k近邻算法来确定无标签样本集中各无标签样本对应[0032]服务器可以基于无标签样本集中各无标签样本对应的信息熵，对分类器进行优息熵越小说明该无标签样本处于分类边界区域的可能性越小，对分类边界的贡献也比较可以根据各无标签样本的伪标签与该无标签样本的近邻有标签样本的风险类别之间的异无标签样本集对应的近邻判别矩阵以及各无标签样本对应的信息上，对分类器进行优化，样本集的无标签样本和有标签样本集中的有标签样本进行用户风险特征预测的近邻判别U为近邻判别矩阵中的元素，为XU中的第i个无标签样本，xj为X中的第j个有标签样本，ne'(x:)表示风险类别与的伪标签同类的近邻有标签样本，表示风险类别与的伪标签异类的近邻有标签样本。其中，other是指xj不属于无标签样本的近邻有标签样分类器对无标签样本集的无标签样本和有标签样本集中的有标签样本进行用户风险特征可以更加准确的表征不同流失类型的用户的特征，进而提高系统资源数据分配的准确性。[0067]请参考图2和图3，图2为本说明书提供的一个实施例中的风险预测模型的构建流[0087]一些实施例中，所述特征数据可以包括时间序列聚合特征以及时间序列历史特信息基于不同时间维度统计得到的时序分布数据。所述时间维度如可以包括取前一个月、的实现也是可能并被构想的。图4是本申请实施例的系统资源数据分配装置的一种结构框[0097]获取模块401用于获取具有用于表征用户风险特征的特征数据的指定信息集、及各有标签样本所对应的风险类别。[0099]计算模块403用于提取无标签样本集中各无标签样本的近邻有标签样本，并根据[0100]优化模块404用于基于无标签样本集中各无标签样本对应的信息熵，对分类器进贡献也比较小。可以基于无标签样本集中各无标签样本对应的信息熵对分类器进行优化，[0103]本申请实施方式还提供了一种计算机设备，具体可以参阅图5所示的基于本申请[0106]本申请实施方式中还提供了一种基于系统资源数据分配[0107]在本实施方式中，上述存储介质包括但不限于随机存取存储器(RandomAccessMemory,RAM)、只读存储器(Read-OnlyMemory,ROM)、缓存(Cache)、硬盘(HardDisk