用于资源分配的数据分析方法及电子设备与流程

本技术属于人工智能，具体涉及一种用于资源分配的数据分析方法、用于资源分配的数据分析装置、计算机可读介质、电子设备以及计算机程序产品。

背景技术：

1、针对大中型对公客户的资源审批业务，目前商业银行主要还是依靠专职审批人员给出的专家判断。虽然专职审批人员具有丰富的信贷经验，但是专家判断通常存在不同程度的主观性，缺少全面及时准确的数据支撑。

技术实现思路

1、本技术提供一种用于资源分配的数据分析方法、用于资源分配的数据分析装置、计算机可读介质、电子设备以及计算机程序产品，目的在于提高资源分配的准确性。

2、本技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本技术的实践而习得。

3、根据本技术实施例的一个方面，提供一种用于资源分配的数据分析方法，该方法包括：

4、解析交互主体发起的资源分配请求，得到所述资源分配请求中携带的属性数据，所述属性数据包括与所述交互主体的资源管理能力相关的多个维度的属性参数；

5、对所述属性数据进行特征提取，得到与所述属性数据相对应的特征向量；

6、根据迭代更新的评分模型对所述特征向量进行映射处理，得到用于评价所述交互主体的资源管理能力的属性评分；所述评分模型包括第一参数集合和第二参数集合，所述第一参数集合中的模型参数的损失误差高于所述第二参数集合中的模型参数，所述第一参数集合中的模型参数按照指数型概率迭代更新，所述第二参数集合中的模型参数按照线性概率迭代更新；

7、根据所述属性评分与多个评分阈值的数值关系确定所述交互主体的资源分配结果。

8、在本技术的一些实施例中，基于以上技术方案，在根据迭代更新的评分模型对所述特征向量进行映射处理之前，所述方法还包括：

9、获取用于训练评分模型的样本数据，所述样本数据包括在历史时间区间内请求分配资源的历史属性数据以及用于表示与所述历史属性数据相对应的资源分配结果的样本标签；

10、对所述历史属性数据进行特征提取，得到与所述历史属性数据相对应的历史特征向量；

11、对评分模型进行随机初始化，得到多组模型参数；

12、分别根据具有多组所述模型参数的评分模型对所述历史特征向量进行映射处理，得到所述历史属性数据的样本评分；

13、根据所述样本评分与所述样本标签的差异度确定所述模型参数的损失误差；

14、根据所述模型参数的损失误差，迭代更新所述模型参数。

15、在本技术的一些实施例中，基于以上技术方案，根据所述模型参数的损失误差，迭代更新所述模型参数，包括：

16、根据所述模型参数的损失误差，确定所述模型参数的变异概率；

17、根据所述变异概率和预设的变异幅值对所述模型参数进行迭代更新。

18、在本技术的一些实施例中，基于以上技术方案，根据所述模型参数的损失误差，迭代更新所述模型参数，包括：

19、根据所述模型参数的损失误差，对多组所述模型参数进行排序；

20、根据排序结果，从多组所述模型参数中选取具有最高适应度的目标模型参数；

21、获取与所述模型参数相对应的交叉概率，并根据所述交叉概率将所述模型参数与所述目标模型参数交换参数值。

22、在本技术的一些实施例中，基于以上技术方案，获取与所述模型参数相对应的交叉概率，包括：

23、根据所述模型参数的损失误差，对多组所述模型参数进行分类处理，得到所述第一参数集合和所述第二参数集合；

24、根据所述模型参数的损失误差，确定与所述第一参数集合中的模型参数相对应的第一交叉概率，所述第一交叉概率是与所述适应度相关的指数型概率；

25、根据所述模型参数的迭代更新轮次，确定与所述第二参数集合中的模型参数相对应的第二交叉概率，所述第二交叉概率是与所述迭代更新轮次相关的线性概率。

26、在本技术的一些实施例中，基于以上技术方案，与所述第一参数集合中的模型参数相对应的第一交叉概率大于50％。

27、在本技术的一些实施例中，基于以上技术方案，所述目标模型参数包括在当前的一个迭代更新轮次中具有最高适应度的局部目标模型参数和在全部的多个迭代更新轮次中具有最高适应度的全局目标模型参数；

28、根据所述交叉概率将所述模型参数与所述目标模型参数交换参数值，包括：

29、根据所述交叉概率将所述模型参数与所述局部目标模型参数和所述全局目标模型参数中的至少一个交换参数值。

30、在本技术的一些实施例中，基于以上技术方案，在所述第一参数集合中，所述局部目标模型参数与所述全局目标模型参数具有相同的交叉概率；在所述第二参数集合中，所述局部目标模型参数的交叉概率与所述迭代更新轮次具有正相关关系，所述全局目标模型参数的交叉概率与所述迭代更新轮次具有负相关关系。

31、在本技术的一些实施例中，基于以上技术方案，对所述属性数据进行特征提取，得到与所述属性数据相对应的特征向量，包括：

32、对所述属性数据各个维度的属性参数分别进行归一化处理，得到无量纲的特征参数；

33、根据预先训练的线性回归模型确定与各个所述特征参数相对应的权重系数，所述权重系数与所述线性回归模型的回归系数具有正相关关系；

34、根据所述权重系数对所述特征参数进行加权处理后，组合得到与所述属性数据相对应的特征向量。

35、根据本技术实施例的一个方面，提供一种用于资源分配的数据分析装置，该装置包括：

36、解析模块，被配置为解析交互主体发起的资源分配请求，得到所述资源分配请求中携带的属性数据，所述属性数据包括与所述交互主体的资源管理能力相关的多个维度的属性参数；

37、提取模块，被配置为对所述属性数据进行特征提取，得到与所述属性数据相对应的特征向量；

38、映射模块，被配置为根据迭代更新的评分模型对所述特征向量进行映射处理，得到用于评价所述交互主体的资源管理能力的属性评分；所述评分模型包括第一参数集合和第二参数集合，所述第一参数集合中的模型参数的损失误差高于所述第二参数集合中的模型参数，所述第一参数集合中的模型参数按照指数型概率迭代更新，所述第二参数集合中的模型参数按照线性概率迭代更新；

39、分配模块，被配置为根据所述属性评分与多个评分阈值的数值关系确定所述交互主体的资源分配结果。

40、根据本技术实施例的一个方面，提供一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如以上技术方案中的用于资源分配的数据分析方法。

41、根据本技术实施例的一个方面，提供一种电子设备，该电子设备包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器被配置为执行所述可执行指令来实现如以上技术方案中的用于资源分配的数据分析方法。

42、根据本技术实施例的一个方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如以上技术方案中的用于资源分配的数据分析方法。

43、在本技术实施例提供的技术方案中，通过解析交互主体发起的资源分配请求，得到资源分配请求中携带的属性数据，并对属性数据进行特征提取，得到与属性数据相对应的特征向量；然后根据迭代更新的评分模型对特征向量进行映射处理，得到用于评价交互主体的资源管理能力的属性评分；其中，评分模型包括第一参数集合和第二参数集合，第一参数集合中的模型参数的损失误差高于第二参数集合中的模型参数，第一参数集合中的模型参数按照指数型概率迭代更新，第二参数集合中的模型参数按照线性概率迭代更新；最后根据属性评分与多个评分阈值的数值关系确定交互主体的资源分配结果。本技术实施例按照模型参数对于资源管理能力的适应度高低的不同将模型参数划分为两个集合，在适应度较高的集合中采用指数型概率迭代更新模型参数，而在适应度较低的集合中采用线性概率迭代更新模型参数，由此可以实现对于模型参数的差异化更新，提高对于评分模型的模型参数的迭代更新效率，提高模型参数对于属性数据的适应速度，进而能够提高资源分配的准确性。

44、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。