[发明专利]基于改进GDBT算法的用户评级方法及系统

权利要求书

1.基于改进GDBT算法的用户评级方法，其特征在于包括如下步骤：

获取用户基本信息，根据用户历史申请单位拉取用户对产品的申请行为，获取用户行为信息，基于用户行为信息建立用户的专家评分尺度，并基于用户基本信息和用户行为信息组成的用户信息构建用于用户评价的指标体系；；

通过Topsis理想方法对样本进行标签建设，得到样本在Topsis理想解法下的评分值作为第一评分值，通过PCA模型对样本进行标签建设，得到样本的PCA算法下的评分值作为第二评分值，并基于线性可信度累加融合第一评分值和第二评分值，得到样本得分标签；

通过从构造一个变量多个决策树转变为构造一个多变量决策树的方式改进GDBT算法，基于所述用户信息以及样本得分标签，通过改进的GDBT算法构建用户评级模型，所述用户评级模型用于以用户信息为输入、推理输出用户得分；

通过所述用户评级模型预测输出用户得分，并对所述用户得分进行归一化处理；

配置用户评级策略，通过用户评级策略确定用户等级以及不同等级的资源推荐策略，基于用户得分，根据用户评级策略确定用户等级并进行资源推荐。

2.根据权利要求1所述的基于改进GDBT算法的用户评级方法，其特征在于所述用户基本信息包括用户名称、用户类型、使用产品类型以及用户年净利润；

所述用户申请行为包括单号order_id以及申请的信贷产品；；

专家评分尺度包括使用资金目标程度得分、个人征信状况得分、偿还能力得分、消费能力得分、银行贡献得分以及调研配合得分。

3.根据权利要求1所述的基于改进GDBT算法的用户评级方法，其特征在于通过Topsis理想方法对样本进行标签建设，包括如下步骤：

对用户信息数据集X＝{x_i},i＝1,2,…,n，x_i包含特征L＝{y_m},m＝1,2,…,n，寻找最优劣解，找到一个特征的最优记为f_j⁺，找到每一特征最差记为f_j^-；

计算各用户与最优最劣向量的欧式距离：

计算用户的相对贴近程度：

确定用户评分：

其中，Otopsis_i为第i个样本在Topsis理想解法下的样本评分值。

4.根据权利要求1所述的基于改进GDBT算法的用户评级方法，其特征在于通过PCA模型对样本进行标签建设，包括如下步骤：

对用户信息数据集X＝{x_i},i＝1,2,…,n，x_i包含特征L＝{y_m},m＝1,2,…，进行PCA算法建模；

根据主成分贡献度的大小，选取j个主成分，Y＝{y_j},j＝1,2,…,a，y_j为第j主成分得分，将第i个样本的第j主成分记为y_ij；

根据第j个主成分的贡献度con_j计算各个主成分得分，并根据主成分得分计算每个样本在PCA算法下的标签样本得分值，第i个样本在PCA算法下的标签样本得分值计算公式为：

5.根据权利要求1所述的基于改进GDBT算法的用户评级方法，其特征在于基于线性可信度累加融合第一评分值和第二评分值，得到的样本得分标签计算公式为：

O＝αOtopsis_i+βOpca_i＝(o₁o₂,…,o_n)

其中，o_n为第n个样本对应的样本得分标签，α,β为引入的加权因子，α,β的相加和等于1。