[发明专利]行为数据的处理方法、行为预测方法、装置、设备及介质

说明书

本发明实施例提出一种行为数据的处理方法、行为预测方法、装置、设备及介质，该处理方法包括：基于样本用户集合中的第一类样本用户的应用程序使用行为数据与第二类样本用户的应用程序使用行为数据之间的差异，筛选出至少一个目标应用程序，第一类样本用户包括发生逾期还款的用户，第二类样本用户包括未发生逾期还款的用户；根据样本用户集合中每个用户使用至少一个目标应用程序的时长，计算每个用户对应的至少一个目标应用程序中的每个目标应用程序的权重；根据每个用户对应的每个目标应用程序的权重，确定用户逾期还款预测模型。通过本发明实施例，减少人工干预，避免消耗大量的人力资源，减少人工主观判断造成的预测结果出现偏差。

技术领域

本发明涉及互联网技术领域，尤其涉及一种行为数据的处理方法、行为预测方法、装置、设备及介质。

背景技术

个人信用评估通过采集多维度的个人历史数据，生成特征变量后采用一定的建模方法预测个人未来的逾期风险，广泛地应用于信用卡申请、消费分期、免押金租赁等领域。

征信数据是目前银行等大型机构使用广泛的判断依据，征信数据和逾期风险强关联，数据规范，但覆盖的人群有限，无法满足大量无征信记录群体的信贷需求。有鉴于此，越来越多的机构开始使用碎片化、非结构化的数据来预测个人的逾期风险。

现有技术中有两种方式来预测借贷的用户是否会逾期还款。第一种是基于专家经验的风控规则，需要风控人员及时跟进市场动态，捕捉贷款用户的行为，根据贷款用户的行为判断该用户是否具有高欺诈或逾期风险。第二种是基于专家经验的特征工程(特征工程，意思是从原始数据中提取特征供模型使用)，通常是由工作人员从原始数据中提取特征训练模型，通过模型预测用户是否具有高欺诈或逾期风险。

这两种风控运用技术，缺乏稳定性，需要工作人员不停地观测风控规则和特征工程的有效性，即是否能区别出逾期用户与非逾期用户。由于人工干预很容易出现偏差，因此一旦工作人员的工作失误，会造成比较大的偏差。人工干预需要耗费大量的精力，耗时长，效率低。

发明内容

本发明实施例提供了一种行为数据的处理方法、行为预测方法、装置、设备及介质，能够基于样本用户使用应用程序的行为得到用户逾期还款预测模型，用户逾期还款预测模型可以预测目标用户是否会逾期还款，减少人工干预，避免消耗大量的人力资源，减少了人工主观判断造成的结果出现偏差，缩短了预测用户是否逾期还款的周期，提高了预测效率。

第一方面，本发明实施例提供了一种用户使用应用程序的行为数据的处理方法，包括：

获取样本用户集合中所有用户的应用程序使用行为数据；其中所述应用程序使用行为数据包括应用程序安装数据和应用程序卸载数据；

基于所述样本用户集合中的第一类样本用户的应用程序使用行为数据与第二类样本用户的应用程序使用行为数据之间的差异，筛选出至少一个目标应用程序；其中所述第一类样本用户包括发生逾期还款的用户，所述第二类样本用户包括未发生逾期还款的用户；

根据所述样本用户集合中每个用户使用所述至少一个目标应用程序的时长，计算所述每个用户对应的所述至少一个目标应用程序中的每个目标应用程序的权重；

根据所述每个用户对应的所述每个目标应用程序的权重，确定用户逾期还款预测模型；其中所述用户逾期还款预测模型用于预测目标用户是否会逾期还款。

第二方面，本发明实施例提供了一种用户行为预测方法，包括：

根据目标用户使用至少一个目标应用程序中的每个目标应用程序的时长，计算所述目标用户对应的所述每个目标应用程序的权重；

将所述目标用户对应的所述每个目标应用程序的权重，输入到预设的用户逾期还款预测模型中，得到所述目标用户是否会逾期还款的预测结果；其中，所述用户逾期还款预测模型采用的是第一方面所述的用户逾期还款预测模型，所述至少一个目标应用程序是第一方面所述的至少一个目标应用程序。