[发明专利]一种用户全生命周期信用预测方法、装置和计算机设备

权利要求书

1.一种用户全生命周期信用预测方法，其特征在于，所述方法包括：

获取待测用户在客户端应用内的操作记录数据，所述操作记录数据包括按照操作时间点顺序排序的多个行为数据；

识别出所述操作时间点中的关键时间点，并针对每一当前关键时间点，在所述操作记录数据中，对所述当前关键时间点与前一个关键时间点之间的所有行为数据中进行提取得到用户特征；

将所述用户特征以及所述前一个关键时间点的信用分输入到所述当前关键时间点对应的预测模型中，获得所述待测用户在所述当前关键时间点的信用分。

2.根据权利要求1所述的方法，其特征在于，所述获取待测用户在客户端应用内的操作记录数据，包括：

通过对所述客户端应用进行埋点，获取所述待测用户在所述客户端应用上的每个操作所对应的行为数据以及操作时间点；

对所述每个操作所对应的行为数据按照操作时间点顺序排序，得到所述操作记录数据。

3.根据权利要求1所述的方法，其特征在于，所述识别出所述操作时间点中的关键时间点，包括：

识别所述操作记录数据中的行为数据是否为关键操作对应的行为数据，若是，则将所述行为数据对应的操作时间点确定为关键时间点。

4.根据权利要求1所述的方法，其特征在于，所述用户特征包括以下至少之一：

指定应用页面的操作时长、指定应用页面的访问频次、被访问的应用页面的总数、被点击的指定页面元素的总数、用户位置的波动方差。

5.根据权利要求1至4任意一项所述的方法，其特征在于，所述关键时间点对应的预测模型是通过如下方式训练得到：

获取样本用户在所述客户端应用内的样本操作记录数据，其中，所述样本操作记录数据包括按照操作时间顺序排序的多个行为数据，所述样本用户被标记了信用标签；

针对所述关键时间点，在所述样本操作记录数据中，对所述关键时间点与前一个关键时间点之间的所有行为数据中进行提取得到样本用户特征；

利用所述样本用户特征和所述前一个关键时间点的信用分进行训练预设的神经网络模型，得到所述关键时间点对应的预测模型。

6.一种用户全生命周期信用预测装置，其特征在于，所述装置包括：

获取模块，用于获取待测用户在客户端应用内的操作记录数据，所述操作记录数据包括按照操作时间点顺序排序的多个行为数据；

识别模块，用于识别出所述操作时间点中的关键时间点；

提取模块，用于针对每一当前关键时间点，在所述操作记录数据中，对所述当前关键时间点与前一个关键时间点之间的所有行为数据中进行提取得到用户特征；

预测模块，用于将所述用户特征以及所述前一个关键时间点的信用分输入到所述当前关键时间点对应的预测模型中，获得所述待测用户在所述当前关键时间点的信用分。

7.根据权利要求6所述的装置，其特征在于，所述获取模块具体用于：

通过对所述客户端应用进行埋点，获取所述待测用户在所述客户端应用上的每个操作所对应的行为数据以及操作时间点；

对所述每个操作所对应的行为数据按照操作时间点顺序排序，得到所述操作记录数据。

8.根据权利要求6所述的装置，其特征在于，所述识别模块具体用于：

识别所述操作记录数据中的行为数据是否为关键操作对应的行为数据，若是，则将所述行为数据对应的操作时间点确定为关键时间点。

9.一种计算机设备，其特征在于，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；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1～5任意一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～5任意一项所述的方法。