用户评估方法、装置及存储介质与流程

1.本技术涉及用户评估技术领域，特别是涉及用户评估方法、装置及存储介质。


背景技术：

2.为了提高用户的粘性，大多产品都会建立用户等级体系。目前，对于用户等级评估的方法主要采用评分卡模型和机器学习模型。其中，评分卡模型属于广义线性模型，特点在于因变量和自变量属于线性关系，简单具有可解释性，模型表现稳定，不容易过拟合，但是由于只能解释变量间的线性关系，且对异常值敏感，不能自动处理缺失值，所以模型预测能力也相对较弱。因此，为了可以处理复杂的多维关系，使模型在训练数据上可以达到较好的预测表现结果，一般会采用机器学习模型方法。
3.但是由于相关的机器学习模型为单一机器学习模型，单一机器学习模型存在学习性能比较弱、预测精度比较低的问题。


技术实现要素：

4.本技术提供了用户评估方法、装置及计算机可读存储介质，能够提高对用户评估的准确性。
5.本技术使用的一种技术方案是提供一种用户评估方法，该方法包括：根据用户信息获取对应的明细数据；从明细数据中提取出数据特征；将数据特征输入至评估模型，得到评估模型输出的预测概率；其中，评估模型是通过多个不同类型的子评估模型按照相应权重融合得到；每一子评估模型是利用部分相似的训练特征训练得到；对预测概率进行分数转换，利用转换得到的分数对用户进行评估。
6.其中，将数据特征输入至评估模型，得到评估模型输出的预测概率，包括：将数据特征分别输入至每一子评估模型，得到每一子评估模型输出的子预测概率；利用所有子预测概率，得到评估模型输出的预测概率。
7.其中，利用所有子预测概率，得到评估模型输出的预测概率，包括：获取每一子评估模型对应的权重和准确率，其中，准确率在子评估模型训练完后得到；利用每一子评估模型对应的权重、准确率对对应的子预测概率进行加权处理，得到评估模型输出的预测概率。
8.其中，子预测概率包括正向子预测概率和负向子预测概率；利用所有子预测概率，得到评估模型输出的预测概率，包括：利用所有正向子预测概率，得到正向预测概率，以及利用所有负向子预测概率，得到负向预测概率；将正向预测概率和负向预测概率作为评估模型输出的预测概率输出。
9.其中，对预测概率进行分数转换，利用转换得到的分数对用户进行评估，包括：获取正向预测概率与负向预测概率之间的比值，以及目标用户对应的基础分；利用基础分和比值进行分数转换，并利用转换得到的分数对目标用户进行评估。
10.其中，部分子评估模型内包括多个并联的子结构，部分子评估模型中的每一子评估模型采用以下方式进行训练：获取训练特征；将训练特征输入至子评估模型的每一子结
构，使每一子结构同步并行训练，得到每一子结构对应的权重。
11.其中，部分子评估模型内包括多个串联的子结构，部分子评估模型中的每一子评估模型采用以下方式进行训练：获取训练特征；利用训练特征对部分子评估模型进行训练，得到每一子结构对应的权重；其中，每一子结构利用上一子结构的参数为基准进行训练。
12.其中，获取训练特征，包括：从样本集中抽取出若干样本，形成若干个训练样本集；对每一训练样本集中的样本进行特征提取，得到训练特征。
13.本技术使用的另一种技术方案是提供一种用户评估装置，该用户评估装置包括存储器和处理器，存储器用于存储程序数据，处理器用于执行程序数据以实现如上述技术方案提供的方法。
14.本技术使用的另一种技术方案是提供一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，计算机程序在被处理器执行时，用于实现如上述技术方案提供的方法。
15.本技术的有益效果是：区别于现有技术的情况，本技术通过根据用户信息获取对应的明细数据；从明细数据中提取出数据特征；将数据特征输入至评估模型，得到评估模型输出的预测概率；其中，评估模型是通过多个不同类型的子评估模型按照相应权重融合得到；每一子评估模型是利用部分相似的训练特征训练得到；对预测概率进行分数转换，利用转换得到的分数对用户进行评估。由于本技术通过采用由多个不同类型的子评估模型按照相应权重融合得到的评估模型对用户进行评估，因每一子评估模型是利用部分相似的训练特征训练得到，所以本技术的评估模型是基于多个特征以及按照特征的重要性对用户进行比较全面地评估，进而提高评估模型对用户评估的准确性。改善了相关技术因采用单一机器学习模型只能评估用户部分特征，挖掘的信息有限，强相关因素覆盖率不高，导致单一机器学习模型预测准确性比较低的问题。
附图说明
16.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，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。其中：
17.图1是本技术提供的用户评估方法第一实施例的流程示意图；
18.图2是本技术提供的用户评估方法第二实施例的流程示意图；
19.图3是本技术提供的用户评估方法第三实施例的流程示意图；
20.图4是本技术提供的用户评估方法第四实施例的流程示意图；
21.图5是本技术提供的用户评估方法第五实施例的流程示意图；
22.图6为子评估模型进行样本和特征抽样的流程图；
23.图7为子评估模型进行并行训练的流程图；
24.图8为子评估模型进行串行训练的流程图；
25.图9是本技术提供的用户评估装置一实施例的结构示意图；
26.图10是本技术提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
27.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。可以理解的是，此处所描述的具体实施例仅用于解释本技术，而非对本技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部结构。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
28.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
29.为了提高用户的粘性，大多产品都会建立用户等级体系。目前，对于用户等级评估的方法主要采用评分卡模型和机器学习模型。其中，评分卡模型属于广义线性模型，特点在于因变量和自变量属于线性关系，简单具有可解释性，模型表现稳定，不容易过拟合，但是由于只能解释变量间的线性关系，且对异常值敏感，不能自动处理缺失值，所以模型预测能力也相对较弱。因此，为了可以处理复杂的多维关系，使模型在训练数据上可以达到较好的预测表现结果，一般会采用机器学习模型方法。
30.但是由于相关的机器学习模型为单一机器学习模型，单一机器学习模型存在学习性能比较弱、预测精度比较低的问题。
31.因此，本技术提供一种用户评估方法，以解决上述问题。
32.参阅图1，图1是本技术提供的用户评估方法第一实施例的流程示意图。该方法包括：
33.步骤110：根据用户信息获取对应的明细数据。
34.其中，用户信息可以是用户的基本属性信息，如客户的姓名、联系信息、地址信息等，这类信息主要来自于用户的登记信息。
35.明细数据可以是用户详细的基本信息或者用户的行为信息等。
36.比如用户的行为信息可以是用户近期到店次数，一天试驾次数，用户了解该店的渠道或线索等。
37.具体地，步骤110可以是根据用户的姓名获取用户对应的近期到店次数，一天试驾次数，用户了解该店的渠道或线索、试驾车型、购物意向等明细数据。
38.步骤120：从明细数据中提取出数据特征。
39.其中，提取出的数据特征可以是既有的属性特征(比如到店次数、试驾次数、试驾车型)，也可以是根据既有的数据特征进行转换得到的新特征或者是根据既有的数据特征进行聚合得到的统计特征。
40.在一些实施例中，需要根据明细数据计算出模型入参数据，再根据入参数据提取出数据特征。
41.比如，明细数据为用户a十天内到店了2次。
42.根据明细数据“用户a十天内到店了2次。”计算模型入参数据为“用户a最近10天到店次数。”，则根据明细数据统计用户a在10天内到店次数是2，其中到店次数2即为从明细数据“用户a十天内到店了2次”中提取出的数据特征。
43.步骤130：将数据特征输入至评估模型，得到评估模型输出的预测概率。
44.其中，评估模型是通过多个不同类型的子评估模型按照相应权重融合得到；每一子评估模型是利用部分相似的训练特征训练得到。
45.其中，多个不同类型的子评估模型可以是每个子评估模型对应的特征不同。比如多个子评估模型可以是基本信息子评估模型、线索子评估模型、到店子评估模型和试驾子评估模型，这些子评估模型分别对应的数据特征为基本信息、线索、到店和试驾。
46.其中，部分相似的训练特征可以是试驾细分出的试驾车型，试驾次数等。
47.步骤140：对预测概率进行分数转换，利用转换得到的分数对用户进行评估。
48.比如，预先设置某一概率对应的标准分数，以及每一分数范围对应的用户等级，然后根据预先设置某一概率对应的标准分数对预测概率进行分数转换，通过查找预设的分数-用户等级表，找到该分数下对应的用户等级。
49.其中，分数-用户等级表可以是：100-600分为下单用户，600-800分为低潜在用户，800-1000分为高潜在用户等等。
50.具体地，假设预先设置概率为0.8时对应的标准分数为1000，若评估模型输出的预测概率为0.5，则根据转换关系，可以得到该预测概率对应的分数为625，进一步地查找到分数625对应的用户等级为下单用户。
51.在一些实施例中，预测概率可以包括下单概率和未下单概率。对预测概率进行分数转换可以是根据用户的基础分数、相关的程度系数以及下单概率和未下单概率的比值进行计算以实现分数的转换。
52.同样地，可以通过查找预设的分数-用户等级表，找到转换后的分数对应的用户等级。
53.该实施例通过采用由多个不同类型的子评估模型按照相应权重融合得到的评估模型对用户进行评估，因每一子评估模型是利用部分相似的训练特征训练得到，所以本技术的评估模型是基于多个特征以及按照特征的重要性对用户进行比较全面地评估，进而提高评估模型对用户评估的准确性。改善了相关技术因采用单一机器学习模型只能评估用户部分特征，挖掘的信息有限，强相关因素覆盖率不高，导致单一机器学习模型预测准确性比较低的问题。
54.参阅图2，图2是本技术提供的用户评估方法第二实施例的流程示意图。该方法包括：
55.步骤210：根据用户信息获取对应的明细数据。
56.步骤220：从明细数据中提取出数据特征。
57.步骤230：将数据特征分别输入至每一子评估模型，得到每一子评估模型输出的子预测概率。
58.比如说，将基本信息、线索、到店和试驾分别输入至基本信息子评估模型、线索子评估模型、到店子评估模型和试驾子评估模型，得到基本信息子评估模型、线索子评估模型、到店子评估模型和试驾子评估模型分别输出的子预测概率。
59.步骤240：利用所有子预测概率，得到评估模型输出的预测概率。
60.其中，可以采用以下公式计算评估模型输出的预测概率。
61.p1＝(w1p
11
+w2p
21
+w3p
31
+...+wnp
n1
)/n；
62.p0＝(w1p
10
+w2p
20
+w3p
30
+...+wnp
n0
)/n；
63.其中，an为各个子评估模型的准确率；wmn为各个子评估模型的重要性权重，可以通过层次分析法得到；wn为各个子评估模型的最终权重，是根据每个子评估模型的重要性权重和准确率，经过归一化后得到的；p
n1
为各个子评估模型预测为下单的概率，p
n0
为各个子评估模型预测为未下单的概率；p1为评估模型输出的预测下单概率；p0为评估模型输出的预测未下单概率。
64.其中，评估模型是通过多个不同类型的子评估模型按照相应权重融合得到；每一子评估模型是利用部分相似的训练特征训练得到。
65.步骤250：对预测概率进行分数转换，利用转换得到的分数对用户进行评估。
66.其中，可以采用以下公式对预测概率进行分数转换：
[0067][0068]
其中，b为程度系数，表示正负样本比例上升一个单位，对应的分数变化情况；basepoint为基础分，可以根据实际需求进行手动设定。基础分一方面是用来调增用户分数的分布范围，如0-100或0-1000，另一方面可以统计分数标准，如模型之间分数统一范围，可以做到模型的横向对比；pd0为翻番的分数。
[0069]
该实施例通过采用由多个不同类型的子评估模型按照相应权重融合得到的评估模型对用户进行评估，因每一子评估模型是利用部分相似的训练特征训练得到，所以本技术的评估模型是基于多个特征以及按照特征的重要性对用户进行比较全面地评估，进而提高评估模型对用户评估的准确性。改善了相关技术因采用单一机器学习模型只能评估用户部分特征，挖掘的信息有限，强相关因素覆盖率不高，导致单一机器学习模型预测准确性比较低的问题。
[0070]
参阅图3，图3是本技术提供的用户评估方法第三实施例的流程示意图。该方法包括：
[0071]
步骤310：根据用户信息获取对应的明细数据。
[0072]
步骤320：从明细数据中提取出数据特征。
[0073]
步骤330：将数据特征分别输入至每一子评估模型，得到每一子评估模型输出的子预测概率。
[0074]
步骤340：获取每一子评估模型对应的权重和准确率，其中，准确率在子评估模型训练完后得到。
[0075]
步骤350：利用每一子评估模型对应的权重、准确率对对应的子预测概率进行加权处理，得到评估模型输出的预测概率。
[0076]
其中，加权处理可以是将每一子评估模型对应的权重、准确率以及每一子评估模型输出的子预测概率进行乘积，将乘积作为加权处理的结果。评估模型输出的预测概率可以是利用每一子评估模型对应的加权处理结果进行加和再求平均得到。
[0077]
其中，评估模型是通过多个不同类型的子评估模型按照相应权重融合得到；每一子评估模型是利用部分相似的训练特征训练得到。
[0078]
步骤360：对预测概率进行分数转换，利用转换得到的分数对用户进行评估。
[0079]
该实施例通过采用由多个不同类型的子评估模型按照相应权重融合得到的评估模型对用户进行评估，因每一子评估模型是利用部分相似的训练特征训练得到，所以本技术的评估模型是基于多个特征以及按照特征的重要性对用户进行比较全面地评估，进而提高评估模型对用户评估的准确性。改善了相关技术因采用单一机器学习模型只能评估用户部分特征，挖掘的信息有限，强相关因素覆盖率不高，导致单一机器学习模型预测准确性比较低的问题。
[0080]
在一些实施例中，子预测概率包括正向子预测概率和负向子预测概率，具体参阅图4，图4是本技术提供的用户评估方法第四实施例的流程示意图。该方法包括：
[0081]
步骤410：根据用户信息获取对应的明细数据。
[0082]
步骤420：从明细数据中提取出数据特征。
[0083]
步骤430：将数据特征分别输入至每一子评估模型，得到每一子评估模型输出的子预测概率。
[0084]
步骤440：利用所有正向子预测概率，得到正向预测概率，以及利用所有负向子预测概率，得到负向预测概率。
[0085]
具体可以参考以下公式：
[0086]
p1＝(w1p
11
+w2p
21
+w3p
31
+
…
+wnp
n1
)/n；
[0087]
p0＝(w1p
10
+w2p
20
+w3p
30
+...+wnp
n0
)/n；
[0088]
其中，an为各个子评估模型的准确率；wmn为各个子评估模型的重要性权重，可以通过层次分析法得到；wn为各个子评估模型的最终权重，是根据每个子评估模型的重要性权重和准确率，经过归一化后得到的；p
n1
为各个子评估模型的正向子预测概率，p
n0
为各个子评估模型的负向子预测概率；p1为正向预测概率，比如可以是用户下单概率；p0为负向预测概率，比如可以是用户未下单的概率。
[0089]
步骤450：将正向预测概率和负向预测概率作为评估模型输出的预测概率输出。
[0090]
即p1为评估模型输出的正向预测概率，其中正向预测概率可以是用户下单概率；p0为评估模型输出的负向预测概率，其中，负向预测概率可以是用户未下单的概率。
[0091]
其中，评估模型是通过多个不同类型的子评估模型按照相应权重融合得到；每一子评估模型是利用部分相似的训练特征训练得到。
[0092]
步骤460：对预测概率进行分数转换，利用转换得到的分数对用户进行评估。
[0093]
该实施例通过采用由多个不同类型的子评估模型按照相应权重融合得到的评估模型对用户进行评估，因每一子评估模型是利用部分相似的训练特征训练得到，所以本技术的评估模型是基于多个特征以及按照特征的重要性对用户进行比较全面地评估，进而提高评估模型对用户评估的准确性。改善了相关技术因采用单一机器学习模型只能评估用户部分特征，挖掘的信息有限，强相关因素覆盖率不高，导致单一机器学习模型预测准确性比较低的问题。
[0094]
另外，该实施例通过使用模型准确率微调子评估模型的权重，使子评估模型的融合权重既考虑了业务指标(模型重要性程度)，也考虑了数据指标(模型准确率)，使得子评估模型的融合权重在参与计算类别概率时能更好的反应真实的情况。
[0095]
参阅图5，图5是本技术提供的用户评估方法第五实施例的流程示意图。该方法包
括：
[0096]
步骤510：根据用户信息获取对应的明细数据。
[0097]
步骤520：从明细数据中提取出数据特征。
[0098]
步骤530：将数据特征分别输入至每一子评估模型，得到每一子评估模型输出的子预测概率。
[0099]
步骤540：利用所有正向子预测概率，得到正向预测概率，以及利用所有负向子预测概率，得到负向预测概率。
[0100]
步骤550：将正向预测概率和负向预测概率作为评估模型输出的预测概率输出。
[0101]
其中，评估模型是通过多个不同类型的子评估模型按照相应权重融合得到；每一子评估模型是利用部分相似的训练特征训练得到。
[0102]
步骤560：获取正向预测概率与负向预测概率之间的比值，以及目标用户对应的基础分。
[0103]
步骤570：利用基础分和比值进行分数转换，并利用转换得到的分数对用户进行评估。
[0104]
其中，可以采用以下公式进行分数转换：
[0105][0106]
其中，b为程度系数，表示正负样本比例上升一个单位，对应的分数变化情况；basepoint为目标用户对应的基础分，可以根据实际需求进行手动设定；pd0为翻番的分数。
[0107]
该实施例通过采用由多个不同类型的子评估模型按照相应权重融合得到的评估模型对用户进行评估，因每一子评估模型是利用部分相似的训练特征训练得到，所以本技术的评估模型是基于多个特征以及按照特征的重要性对用户进行比较全面地评估，进而提高评估模型对用户评估的准确性。改善了相关技术因采用单一机器学习模型只能评估用户部分特征，挖掘的信息有限，强相关因素覆盖率不高，导致单一机器学习模型预测准确性比较低的问题。
[0108]
在一些实施例中，本技术选用的子评估模型为本身有差异的子评估模型，比如lr，rf，gbdt和/或svm等子评估模型，每个子评估模型训练时先随机抽取样本和特征，使得子评估模型训练的样本和特征保持差异性，再配合k折交叉验证得到最优子评估模型，以解决模型差异性和模型容易过拟合问题。
[0109]
其中，子评估模型训练部署采用分布式集群spark，使用k8s集群管理资源，使用dolphinscheduler部署模型pipeline并上线。
[0110]
关于子评估模型的训练方式可以参阅图6至图8，图6为子评估模型进行样本和特征抽样的流程图，图7为子评估模型进行并行训练的流程图。图8为子评估模型进行串行训练的流程图。
[0111]
可选地，在一些实施例中，部分子评估模型内包括多个并联的子结构，部分子评估模型中的每一子评估模型采用以下方式进行训练：
[0112]
(1)获取训练特征。
[0113]
其中，获取训练特征，具体可以包括以下流程：
[0114]
1-1：从样本集中抽取出若干样本，形成若干个训练样本集。
[0115]
1-2：对每一训练样本集中的样本进行特征提取，得到训练特征。
[0116]
其中，图6中采用的抽样方法为自举法(boostraping)，如图6所示，从样本集合n*d中进行k轮样本抽样，每一轮抽取出n个样本，形成k个训练样本集，每个训练样本集的样本数为n，对k个分别包含n个样本的训练样本集进行特征提取，其中，对每一训练样本集中的样本进行特征提取，每个训练样本集中的样本分别提取d个特征，得到训练特征为n*d。
[0117]
(2)将训练特征输入至子评估模型的每一子结构，使每一子结构同步并行训练，得到每一子结构对应的权重。
[0118]
如图7所示，将训练特征n*d输入至子评估模型(其中，这里的子评估模型可以是随机森林的子评估模型)中的每一基模型(其中，基模型为子结构)，然后并行地训练每一基模型，得到每一基模型对应的权重。利用每一基模型对测试数据进行预测，得到每一基模型对应的测试结果，将每一基模型对应的测试结果通过投票或者平均的方式得到最终模型，其中，可以将最终模型作为随机森林的子评估模型。
[0119]
可选地，在一些实施例中，部分子评估模型内包括多个串联的子结构，部分子评估模型中的每一子评估模型采用以下方式进行训练：
[0120]
1)获取训练特征。
[0121]
同样地，其中，获取训练特征，具体可以包括以下流程：
[0122]
1-1：从样本集中抽取出若干样本，形成若干个训练样本集。
[0123]
1-2：对每一训练样本集中的样本进行特征提取，得到训练特征。
[0124]
其中，图6中采用的抽样方法为自举法(boostraping)，如图6所示，从样本集合n*d中进行k轮样本抽样，每一轮抽取出n个样本，形成k个训练样本集，每个训练样本集的样本数为n，对k个分别包含n个样本的训练样本集进行特征提取，其中，对每一训练样本集中的样本进行特征提取，每个训练样本集中的样本分别提取d个特征，得到训练特征为n*d。
[0125]
2)利用训练特征对部分子评估模型进行训练，得到每一子结构对应的权重；其中，每一子结构利用上一子结构的参数为基准进行训练。
[0126]
如图8所示，对全量样本进行样本和特征提取，得到训练特征，将训练特征输入到子评估模型(比如xgboost子评估模型)中的第一个基模型(其中，基模型为子结构)中学习并单独训练得到第一个基模型的权重，第二个基模型以第一个基模型的学习残差作为训练目标继续训练，得到第二个基模型的权重，第三个基模型以第二个基模型的学习残差作为训练目标继续训练，得到第三个基模型的权重，如此训练，直到符合停止训练标注，这样就得到了n个基模型，且每个基模型都有对应的权重，对所有基模型的预测结果进行加权求和，得到最终的集成模型，其中，可以将最终的集成模型作为子评估模型(比如xgboost子评估模型)。
[0127]
另外，本技术的子评估模型也可以采用其他的建模方式，比如逻辑回归(logistic regression，lr)子评估模型，采用常规的回归建模方式；比如支持向量机(support vector machines，svm)子评估模型，采用常规的寻找最优分类平面的建模方式。
[0128]
由于相关的评分卡模型对于相关性不强的变量建模的模型，入参数量会上升，失去了简单可解释的特点，且对稀疏分布不均变量分箱效果不好导致整个模型效果不好。另
外单一机器学习模型处理多维稀疏变量容易导致模型过拟合，进而影响模型效果。
[0129]
而本技术的通过采用由多个不同类型的子评估模型按照相应权重融合得到的评估模型；多个子评估模型通过使用机器学习训练即基模型，能很好的处理非线性关系，并且多个子评估模型中有的子评估模型内部采用并行或串行的训练方式，能够较好的处理异常值，缺失值，数据维度大，数据特征稀疏的问题，进而在不导致过拟合的前提下，提高评估模型的评估能力。
[0130]
参阅图9，图9是本技术提供的用户评估装置一实施例的结构示意图，该用户评估装置130包括存储器131和处理器132，存储器131用于存储程序数据，处理器132用于执行程序数据以实现如下的方法：
[0131]
根据用户信息获取对应的明细数据；从明细数据中提取出数据特征；将数据特征输入至评估模型，得到评估模型输出的预测概率；其中，评估模型是通过多个不同类型的子评估模型按照相应权重融合得到；每一子评估模型是利用部分相似的训练特征训练得到；对预测概率进行分数转换，利用转换得到的分数对用户进行评估。
[0132]
可以理解，处理器132还用于执行程序数据以实现上述任一实施例的方法。
[0133]
参阅图10，图10是本技术提供的计算机可读存储介质一实施例的结构示意图，该计算机可读存储介质140存储有程序数据141，程序数据141在被处理器执行时，用于实现如下的方法：
[0134]
根据用户信息获取对应的明细数据；从明细数据中提取出数据特征；将数据特征输入至评估模型，得到评估模型输出的预测概率；其中，评估模型是通过多个不同类型的子评估模型按照相应权重融合得到；每一子评估模型是利用部分相似的训练特征训练得到；对预测概率进行分数转换，利用转换得到的分数对用户进行评估。
[0135]
可以理解，程序数据141在被处理器执行时，还用于实现上述任一实施例的方法。
[0136]
在本技术所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0137]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
[0138]
另外，在本技术各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以使用硬件的形式实现，也可以使用软件功能单元的形式实现。
[0139]
上述其他实施方式中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u
盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0140]
以上仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。

技术特征：
1.一种用户评估方法，其特征在于，所述方法包括：根据用户信息获取对应的明细数据；从所述明细数据中提取出数据特征；将所述数据特征输入至评估模型，得到所述评估模型输出的预测概率；其中，所述评估模型是通过多个不同类型的子评估模型按照相应权重融合得到；每一子评估模型是利用部分相似的训练特征训练得到；对所述预测概率进行分数转换，利用转换得到的分数对所述用户进行评估。2.根据权利要求1所述的评估方法，其特征在于，所述将所述数据特征输入至评估模型，得到所述评估模型输出的预测概率，包括：将所述数据特征分别输入至每一子评估模型，得到每一子评估模型输出的子预测概率；利用所有子预测概率，得到所述评估模型输出的预测概率。3.根据权利要求2所述的评估方法，其特征在于，所述利用所有子预测概率，得到所述评估模型输出的预测概率，包括：获取每一子评估模型对应的权重和准确率，其中，所述准确率在子评估模型训练完后得到；利用每一子评估模型对应的权重、准确率对对应的所述子预测概率进行加权处理，得到所述评估模型输出的预测概率。4.根据权利要求2所述的评估方法，其特征在于，所述子预测概率包括正向子预测概率和负向子预测概率；所述利用所有子预测概率，得到所述评估模型输出的预测概率，包括：利用所有正向子预测概率，得到正向预测概率，以及利用所有负向子预测概率，得到负向预测概率；将所述正向预测概率和所述负向预测概率作为所述评估模型输出的预测概率输出。5.根据权利要求4所述的评估方法，其特征在于，所述对所述预测概率进行分数转换，利用转换得到的分数对所述用户进行评估，包括：获取所述正向预测概率与负向预测概率之间的比值，以及目标用户对应的基础分；利用所述基础分和所述比值进行分数转换，并利用转换得到的分数对所述目标用户进行评估。6.根据权利要求1所述的评估方法，其特征在于，部分子评估模型内包括多个并联的子结构，所述部分子评估模型中的每一子评估模型采用以下方式进行训练：获取训练特征；将所述训练特征输入至所述子评估模型的每一子结构，使每一子结构同步并行训练，得到每一子结构对应的权重。7.根据权利要求1所述的评估方法，其特征在于，部分子评估模型内包括多个串联的子结构，所述部分子评估模型中的每一子评估模型采用以下方式进行训练：获取训练特征；利用所述训练特征对所述部分子评估模型进行训练，得到每一子结构对应的权重；其中，每一子结构利用上一子结构的参数为基准进行训练。8.根据权利要求6所述的评估方法，其特征在于，所述获取训练特征，包括：
从样本集中抽取出若干样本，形成若干个训练样本集；对每一训练样本集中的样本进行特征提取，得到训练特征。9.一种用户评估装置，其特征在于，所述用户评估装置包括存储器和处理器，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1-8任一项所述的用户评估方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序数据，所述程序数据在被处理器执行时，用于实现如权利要求1-8任一项所述的用户评估方法。

技术总结
本申请公开了一种用户评估方法、装置及存储介质，该方法包括：根据用户信息获取对应的明细数据；从明细数据中提取出数据特征；将数据特征输入至评估模型，得到评估模型输出的预测概率；其中，评估模型是通过多个不同类型的子评估模型按照相应权重融合得到；每一子评估模型是利用部分相似的训练特征训练得到；对预测概率进行分数转换，利用转换得到的分数对用户进行评估。通过上述方法，能够提高评估模型对用户评估的准确性。对用户评估的准确性。对用户评估的准确性。


技术研发人员：王言发 宋文健 马霄
受保护的技术使用者：浙江零跑科技股份有限公司
技术研发日：2023.03.10
技术公布日：2023/7/18