信贷逾期提醒方法和装置与流程

1.本技术涉及信息处理技术领域，尤其涉及一种信贷逾期提醒方法和装置。


背景技术：

2.在信贷业务中，为了提高资金回款率，需要在借贷用户存在信贷逾期的情况下，通过人工或者语音机器人向借贷用户的终端发起语音呼叫，以通过语音形式提醒借贷用户及时还款。
3.为了提升资金回款率，较为常用的方式是随着借贷用户逾期时间的不断增长，不断增加向该借贷用户发起语音呼叫的频次。然而，随着语音呼叫次数增多，借贷用户接通语音呼叫的次数并不会相应增多，使得语音呼叫的触达率低，也就不利于提升资金回款率；而且，频繁发起语音呼叫还会耗费大量的语音通信资源。


技术实现要素：

4.有鉴于此，本技术提供了一种信贷逾期提醒方法和装置，以更为合理的向信贷逾期的借贷用户发起语音呼叫，提升语音呼叫的接通率，从而有利于提升资源回款率。
5.为实现上述目的，本技术提供了一种信贷逾期提醒方法，包括：
6.获得存在信贷逾期的逾期用户的用户属性数据集合以及历史行为数据集合，所述用户属性数据集合包括：至少一种属性维度上的用户属性数据，所述历史行为数据集合包括至少一种行为维度上的历史行为数据；
7.针对每种属性维度，按照所述属性维度中不同属性数据在一天的不同时间区间上的呼叫适合度，以及所述逾期用户在所述属性维度上的用户属性数据，确定所述逾期用户在各所述时间区间上的呼叫适合度；
8.针对每种行为维度，获得所述行为维度对应的多个参照行为集以及每个参照行为集在一天的不同时间区间上的呼叫适合度，其中，每个参照行为集包括：至少一个参照用户在所述行为维度上的历史行为数据；
9.针对每种行为维度，基于各参照行为集中各参照用户在所述行为维度上的历史行为数据，确定与所述逾期用户在所述行为维度上的历史行为数据匹配的目标参照行为集，将所述目标参照行为集在各时间区间上的呼叫适合度分别确定为所述逾期用户在相应时间区间上的呼叫适合度；
10.结合所述逾期用户在不同属性维度和行为维度上对应的不同时间区间的呼叫适合度，确定所述逾期用户在一天的不同时间区间上的综合呼叫适合度；
11.基于所述逾期用户在一天的不同时间区间上的综合呼叫适合度，确定适合向所述逾期用户发起语音呼叫至少一个时间区间，所述语音呼叫用于提醒所述逾期用户存在借贷逾期。
12.在一种可能的实现方式中，在确定适合向所述逾期用户发起语音呼叫至少一个时间区间之前，还包括：
13.确定所述逾期用户所处的逾期阶段；
14.所述基于所述逾期用户在一天的不同时间区间上的综合呼叫适合度，确定适合向所述逾期用户发起语音呼叫至少一个时间区间，包括：
15.按照所述逾期用户在不同时间区间上的综合呼叫适合度以及所述逾期用户所处的借贷逾期阶段，确定适合向所述逾期用户发起语音呼叫至少一个时间区间。
16.在又一种可能的实现方式中，所述按照所述逾期用户在不同时间区间上的综合呼叫适合度以及所述逾期用户所处的借贷逾期阶段，确定适合向所述逾期用户发起语音呼叫至少一个时间区间，包括：
17.如果所述逾期用户处于用于表征借贷逾期时长较短的逾期初期阶段，从综合呼叫适合度靠前的设定数量个时间区间中，确定适合向所述逾期用户发起语音呼叫的时间区间；
18.如果所述逾期用户处于用于表征借贷逾期时长较长的长期逾期阶段，分别将一天中多个时间段内综合呼叫适合度较高的时间区间确定为适合向所述逾期用户发起语音呼叫的时间区间，每个时间段包括多个时间区间，且不同时间段包含的时间区间不同。
19.在又一种可能的实现方式中，所述获得存在信贷逾期的逾期用户的用户属性数据集合以及历史行为数据集合，包括：
20.获得当前存在信贷逾期的多个逾期用户各自的用户属性数据集合以及历史行为数据集合；
21.所述基于各参照行为集中各参照用户在所述行为维度上的历史行为数据，确定与所述逾期用户在所述行为维度上的历史行为数据匹配的目标参照行为集，包括：
22.基于各参照行为集中各参照用户在所述行为维度上的历史行为数据以及所述各逾期用户在所述行为维度上的历史行为数据，对各参照用户和各逾期用户进行聚类，得到多个聚类类别，每个聚类类别包括至少一个参照用户的历史行为数据以及至少一个逾期用户的历史行为数据；
23.针对每个逾期用户，将与所述逾期用户属于同一个聚类类别的参照用户对应的参照行为集，确定为与所述逾期用户在所述行为维度上的历史行为数据匹配的目标参照行为集。
24.在又一种可能的实现方式中，所述历史行为数据集合包括至少一种行为维度上各自的至少一组历史行为数据序列，每组历史行为数据序列包括：一天中不同时间区间上的历史行为数据，且不同历史行为数据序列为在当前时刻之前的不同历史时间周期内获得的；
25.每种行为序列对应的每个参照行为集包括：至少一个参照用户各自在所述行为维度上的至少一组历史行为数据序列；
26.所述基于各参照行为集中各参照用户在所述行为维度上的历史行为数据以及所述各逾期用户在所述行为维度上的历史行为数据，对各参照用户和各逾期用户进行聚类，包括：
27.基于各参照行为集中各参照用户在所述行为维度上对应的至少一组历史行为数据序列，以及，各逾期用户在所述行为维度上对应的至少一组历史行为数据序列，对各参照用户和各逾期用户进行聚类。
28.在又一种可能的实现方式中，在所述对各参照用户和各逾期用户进行聚类之前，还包括：
29.针对每个逾期用户，确定所述逾期用户在所述行为维度上的至少一组历史行为数据序列的权重，一组历史行为数据序列对应的历史时间周期距离当前时刻的时长越长，该组历史行为数据序列对应的权重越小；
30.所述基于各参照行为集中各参照用户在所述行为维度上对应的至少一组历史行为数据序列，以及，各逾期用户在所述行为维度上对应的至少一组历史行为数据序列，对各参照用户和各逾期用户进行聚类，包括：
31.基于各参照行为集中各参照用户在所述行为维度上对应的至少一组历史行为数据序列，各逾期用户在所述行为维度上对应的至少一组历史行为数据序列以及每个逾期用户对应的每组历史行为数据序列的权重，对各参照用户和各逾期用户进行聚类。
32.在又一种可能的实现方式中，所述历史行为数据集合包括至少一种行为维度上的历史行为数据可以包括如下一种或者多种：
33.所述逾期用户的应用操作行为数据，所述应用操作行为数据为用户在至少一个金融应用中的操作行为数据；
34.所述逾期用户的借贷行为数据；
35.所述逾期用户对应的历史语音呼叫的呼叫记录数据，所述历史语音呼叫为针对信贷逾期提醒的语音呼叫；
36.所述逾期用户上报的呼叫设置数据，所述呼叫设置数据包括适合呼叫和/或禁止呼叫的时间区间的数据。
37.又一方面，本技术还提供了一种信贷逾期提醒装置，包括：
38.数据获得单元，用于获得存在信贷逾期的逾期用户的用户属性数据集合以及历史行为数据集合，所述用户属性数据集合包括：至少一种属性维度上的用户属性数据，所述历史行为数据集合包括至少一种行为维度上的历史行为数据；
39.第一适合度确定单元，用于针对每种属性维度，按照所述属性维度中不同属性数据在一天的不同时间区间上的呼叫适合度，以及所述逾期用户在所述属性维度上的用户属性数据，确定所述逾期用户在各所述时间区间上的呼叫适合度；
40.参照获得单元，用于针对每种行为维度，获得所述行为维度对应的多个参照行为集以及每个参照行为集在一天的不同时间区间上的呼叫适合度，其中，每个参照行为集包括：至少一个参照用户在所述行为维度上的历史行为数据；
41.第二适合度确定单元，用于针对每种行为维度，基于各参照行为集中各参照用户在所述行为维度上的历史行为数据，确定与所述逾期用户在所述行为维度上的历史行为数据匹配的目标参照行为集，将所述目标参照行为集在各时间区间上的呼叫适合度分别确定为所述逾期用户在相应时间区间上的呼叫适合度；
42.综合适合度确定单元，用于结合所述逾期用户在不同属性维度和行为维度上对应的不同时间区间的呼叫适合度，确定所述逾期用户在一天的不同时间区间上的综合呼叫适合度；
43.适合区间确定单元，用于基于所述逾期用户在一天的不同时间区间上的综合呼叫适合度，确定适合向所述逾期用户发起语音呼叫至少一个时间区间，所述语音呼叫用于提
醒所述逾期用户存在借贷逾期。
44.在一种可能的实现方式中，还包括：阶段确定单元，用于在适合区间确定单元确定适合向所述逾期用户发起语音呼叫至少一个时间区间之前，确定所述逾期用户所处的逾期阶段；
45.适合区间确定单元，具体为，用于按照所述逾期用户在不同时间区间上的综合呼叫适合度以及所述逾期用户所处的借贷逾期阶段，确定适合向所述逾期用户发起语音呼叫至少一个时间区间。
46.在又一种可能的实现方式中，所述数据获得单元，具体为，用于获得当前存在信贷逾期的多个逾期用户各自的用户属性数据集合以及历史行为数据集合；
47.所述第二适合度确定单元，包括：
48.聚类子单元，用于针对每种行为维度，基于各参照行为集中各参照用户在所述行为维度上的历史行为数据以及所述各逾期用户在所述行为维度上的历史行为数据，对各参照用户和各逾期用户进行聚类，得到多个聚类类别，每个聚类类别包括至少一个参照用户的历史行为数据以及至少一个逾期用户的历史行为数据；
49.目标集确定单元，用于针对每个逾期用户，将与所述逾期用户属于同一个聚类类别的参照用户对应的参照行为集，确定为与所述逾期用户在所述行为维度上的历史行为数据匹配的目标参照行为集。
50.由以上可知，在本技术实施例中，本技术不仅会结合逾期用户在各属性维度上的用户属性数据，确定逾期用户在一天的不同时间区间上的呼叫适合度，还会结合逾期用户在各行为维度上的历史行为数据，确定逾期用户在一天的不同时间区间上的呼叫适合度。由于逾期用户的在不同用户属性的用户属性特征以及不同行为维度上的历史行为数据可以更为全面的反映出逾期用户的习惯等能够反映逾期用户适合接听语音的时间段的信息，因此，本技术结合逾期用户在各个属性维度以及各个行为维度对应的一天中不同时间区上的呼叫适合度，能够更为准确的确定出该逾期用户在一天的不同时间区间上的综合呼叫适合度，从而结合综合呼叫适合度能够更为准确向逾期用户发起呼叫的时间区间，也就可以提升提高逾期用户接听语音呼叫的概率，使得基于语音呼叫的逾期提醒的触达率提升，进而有利于提升回款率。
附图说明
51.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，还可以根据提供的附图获得其他的附图。
52.图1示出了本技术实施例提供的信贷逾期提醒方法的一种流程示意图；
53.图2示出了本技术实施例提供的信贷逾期提醒方法的又一种流程示意图；
54.图3示出了本技术实施例提供的信贷逾期提醒装置的一种组成结构示意图。
具体实施方式
55.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，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有付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。
56.如图1所示，其示出了本技术提供的一种信贷逾期提醒方法一个实施例的流程示意图，本实施例的方法可以应用于计算机设备，如，该计算机设备可以为金融应用对应的金融服务平台中的节点或者服务器。本实施例的方法可以包括：
57.s101，获得存在信贷逾期的逾期用户的用户属性数据集合以及历史行为数据集合。
58.其中，该用户属性数据集合包括：至少一种属性维度上的用户属性数据。
59.如，用户属性数据集合可以包括逾期用户的年龄、性别、居住地址(或者手机号码归属地)、职业以及学历等等多个属性维度上部分或者全部属性维度上的属性值。
60.可以理解的是，随着时间变动，逾期用户可能会处于存在借贷逾期前的阶段、借贷逾期初始阶段以及长期逾期阶段等不同阶段，而在不同阶段逾期用户的用户属性也会存在变化，如，用户更换了居住地或者手机号码，那么用户的居住地或者手机归属地等就会发生变化。基于此，本技术会不断更新用户的用户属性数据，因此，该步骤获得的用户属性数据为逾期用户最近更新的用户属性数据。
61.该历史行为数据集合包括至少一种行为维度上的历史行为数据。可以理解的是，用户的历史行为数据是随着时间不断新增和变化的，因此，本技术可以获得当前时刻之前一段时间内用户的历史行为数据，因此，每种行为维度上的历史行为数据都是具有时间属性的历史行为序列数据。
62.如，本技术中历史行为数据集合中可以包括如下一种或者几种行为维度上的历史行为数据：：
63.逾期用户的应用操作行为数据，该应用操作行为数据为用户在至少一个金融应用中的操作行为数据；
64.逾期用户的借贷行为数据；
65.逾期用户对应的历史语音呼叫的呼叫记录数据，所述历史语音呼叫为针对信贷逾期提醒的语音呼叫；
66.逾期用户上报的呼叫设置数据，所述呼叫设置数据包括适合呼叫和/或禁止呼叫的时间区间的数据。
67.其中，应用操作行为数据可以为用户在金融相关应用或者其他应用上进行操作的行为记录数据，例如，在应用上存在的登录、浏览或者点击等行为的时间点以及次数等等数据。
68.借贷行为数据可以为逾期用户在应用或者金融机构借贷、还款以及存款行为的数据信息等。
69.历史语音呼叫的呼叫记录数据可以为在逾期用户在存在信贷逾期后，针对该逾期用户已经发起的语音呼叫的呼叫记录数据，该呼叫记录数据可以记录语音呼叫是否接通以及接通时间等等。如，假设当前逾期用户存在信贷逾期的时间较长，那么必然可以获得针对该逾期用户已发起的语音呼叫的时间点以及语音呼叫是否接通等信息。
70.其中，逾期用户上报的呼叫设置数据可以为逾期用户主动上报或者基于对逾期用
户的语音呼叫获得有关呼叫时间段的反馈数据。例如，呼叫设置数据可以包括逾期用户反馈的不被打扰的时间段等。
71.可以理解的是，随着逾期用户出现信贷逾期的时间不断增加，逾期用户的历史行为数据也会不断增加，因此，本技术可以仅获得当前时刻之前设定时间内该逾期用户在各行为维度上的历史行为数据。其中，设定时间可以根据需要设定，如，设定时间可以为两个月。
72.s102，针对每种属性维度，按照该属性维度中不同属性数据在一天的不同时间区间上的呼叫适合度，以及逾期用户在属性维度上的用户属性数据，确定逾期用户在各时间区间上的呼叫适合度。
73.其中，呼叫适合度为表征适合发起语音呼叫的适合度。呼叫适合度越高，发起语音呼叫后被接通的概率越高。该呼叫适合度可以为一个分值，如，概率值或者数值等。
74.可以理解的是，一天可以划分出多个时间区间，具体一天所划分出的时间区间可以根据需要设定，如，可以将一天划分为24个时间区间，每个小时为一个时间区间。
75.其中，针对每种属性维度，本技术可以预先配置该属性维度中不同属性数据在一天的不同时间区间上的呼叫适合度。如，针对用户年龄这一属性维度，可以配置每个年龄段在一天的各个时间区间上的呼叫适合度。
76.其中，一个属性维度中不同属性数据在一天的不同时间区间上的呼叫适合度可以结合多个用户在该属性维度上的不同属性数据以及语音呼叫的接通情况等综合统计分析得到，对此不加限制。
77.可以理解的是，对于一种属性维度而言，基于配置的不同属性数据在一天的不同时间区间上的呼叫适合度，可以查询出适合该逾期用户的用户属性数据对应的呼叫适合度。
78.例如，仍以用户年龄为例，假设30-40岁的用户一般工作都比较忙，而为了能够提升语音呼叫的接通率，一般适合在晚上8点到9点之间发起语音呼叫，那么8点到9点的呼叫适合度最高，呼叫适合度可以为0.8，而9点-10点这一时间区间的呼叫适合度为0.7，而其他时间区间的呼叫适合度会相对较低。在此基础上，假设逾期用户的年龄为34岁，那么从逾期用户的年龄这一维度看，可以将配置的30-40岁对应的各个时间区间的呼叫适合度确定为该逾期用户在各个时间区间的呼叫适合度，因此，该逾期用户在8点到9点这一时间区间内的呼叫适合度为0.8，在9点到10点的呼叫适合度为0.7，其他时间区间的呼叫适合度也类似，不再赘述。
79.s103，针对每种行为维度，获得行为维度对应的多个参照行为集以及每个参照行为集在一天的不同时间区间上的呼叫适合度。
80.其中，对于一种行为维度而言，每个参照行为集包括：至少一个参照用户在该行为维度上的历史行为数据。其中，每个参照行为集中各参照用户在该种行为维度上的历史行为数据的具有相似性，如不同参照用户的历史行为数据的特征相似。
81.参照用户为预先确定出用于辅助确定逾期用户的呼叫适合度的样本用户。相应的，针对每种行为维度，同一参照行为集中各参照用户在一天的不同时间区间上的呼叫适合度是已知的且相同的。
82.可以理解的是，同一参照行为集(或者说参照行为集内的参照用户)对应到一天的
不同时间区间上的呼叫适合度可以基于统计得到的参照用户的语音呼叫接通情况或者参照用户填报的适合接听信贷相关的语音呼叫的时刻等信息确定的。对于具体确定参照用户在不同时间区间上的呼叫适合度的方式，不加限制。
83.可以理解的是，参照用户的历史行为数据所可能涉及到的行为维度和具体内容与前面逾期用户的历史行为数据所涉及到的行为维度和具体内容相似，具体可以参见前面的相关介绍，在此不再赘述。
84.s104，针对每种行为维度，基于各参照行为集中各参照用户在行为维度上的历史行为数据，确定与逾期用户在行为维度上的历史行为数据匹配的目标参照行为集，将目标参照行为集在各时间区间上的呼叫适合度分别确定为逾期用户在相应时间区间上的呼叫适合度。
85.其中，针对每种行为维度，如果参照行为集中各参照用户在该行为维度上的历史行为数据与该逾期用户在该行为维度上的历史行为数据匹配，则可以认为该参照行为集为与该逾期用户的历史行为数据匹配的目标参照行为集。
86.可以理解的是，针对一种行为维度，确定参照行为集中的各历史行为数据是否与逾期用户在该行为维度上的历史行为数据匹配的方式可以有多种实现方式。
87.如，在一种可能的实现方式中，对于一种行为维度，可以分别计算各参照行为集中的历史行为数据与该逾期用户在该行为维度上的历史行为数据之间的相似性，将与该逾期用户的历史行为数据的相似性最高或者超过设定阈值的参照行为集确定为目标参照行为集。
88.在又一种可能的实现方式中，本技术可以同步分析多个逾期用户各自在一天的不同时间区间上的呼叫适合度。相应的，在本技术中步骤s101中可以获得当前存在信贷逾期的多个逾期用户各自的用户属性数据集合以及历史行为数据集合。在此基础上，针对每种行为维度，本技术可以通过对个逾期用户以及参照用户进行聚类，以确定目标参照行为集。
89.具体的，可以基于各参照行为集中各参照用户在行为维度上的历史行为数据以及各逾期用户在行为维度上的历史行为数据，对各参照用户和各逾期用户进行聚类，得到多个聚类类别。其中，每个聚类类别包括至少一个参照用户的历史行为数据以及至少一个逾期用户的历史行为数据。可以理解的是，同一个聚类类别中的参照用户与逾期用户的历史行为数据相似。
90.相应的，针对每个逾期用户，可以将与该逾期用户属于同一个聚类类别的参照用户对应的参照行为集，确定为与该逾期用户在该行为维度上的历史行为数据匹配的目标参照行为集。
91.s105，结合逾期用户在不同属性维度和行为维度上对应的不同时间区间的呼叫适合度，确定逾期用户在一天的不同时间区间上的综合呼叫适合度。
92.可以理解的是，逾期用户的用户属性和历史行为数据可以从两个方向来反映适合向逾期用户发起语音呼叫且逾期用户会接通呼叫的时间区间，因此，为了能够最终确定适合向逾期用户发起语音呼叫的时间区间，需要综合各个属性维度和行为维度对应的呼叫适合度在不同时间区间上的分布，确定该预期用户在一天的不同时间区间上的呼叫适合度。
93.为了便于区分，将结合各属性维度和各行为维度上的呼叫适合度的分布信息确定出的呼叫适合度称为综合呼叫适合度。
94.如，在一种可能的实现方式中，针对一天中每个时间区间，可以将该逾期用户的各属性维度和各行为维度在该时间区间上的呼叫适合度相加，向相加得到的呼叫适合度确定为逾期用户在该时间区间上的综合呼叫适合度。
95.在又一种可能的实现方式中，针对一天中每个时间区间，可以计算该逾期用户的各属性维度和各行为维度在该时间区间上的呼叫适合度的平均值。将计算得到的呼叫适合度的平均值确定为逾期用户在该时间区间上的综合呼叫适合度。
96.在又一种可能的实现方式中，本技术还可以预先设定不同属性维度和行为维度的权重系数，针对一天中每个时间区间，可以结合该逾期用户的各属性维度和各行为维度的权重系数，以及该逾期用户的各属性维度和各行为维度在该时间区间上的呼叫适合度，对呼叫适合度进行加权平均或者加权求和，将计算出的结果确定为该逾期用户在该时间区间上的综合呼叫适合度。
97.s106，基于逾期用户在一天的不同时间区间上的综合呼叫适合度，确定适合向逾期用户发起语音呼叫至少一个时间区间。
98.其中，该语音呼叫用于提醒逾期用户存在借贷逾期。
99.在本技术中，语音呼叫的具体方式可以有多种可能，如，计算机设备可以借助语音外呼系统发起语音呼叫，计算机设备还可以向服务人员的终端发送
100.如，可以选取一个或者多个综合呼叫适合度最高的时间区间作为向逾期用户发起语音呼叫的时间区间等。
101.可以理解的是，在确定出一天中适合向逾期用户发起语音呼叫的时间区间后，本技术可以在到达向逾期用户发起语音呼叫的日期时，在该日期内按照确定出至少一个时间区间，向逾期用户发起语音呼叫，以在合理时机发起语音呼叫，提升逾期用户接通语音呼叫的概率，进而能够及时提醒逾期用户尽快还款。
102.其中，向逾期用户发起语音呼叫的日期可以根据需要设定，本技术对此不加限制。
103.可以理解的是，逾期用户存在信贷逾期的逾期时间长短不同，也会影响到逾期用户还款的心态等，因此，为了能够提升信贷回款率，除了提升信贷逾期提醒的呼叫触达率之外，还需要合理调整语音呼叫的频次和方式。
104.基于此，本技术还可以确定逾期用户所处的逾期阶段。相应的，可以按照逾期用户在不同时间区间上的综合呼叫适合度以及逾期用户所处的借贷逾期阶段，确定适合向该逾期用户发起语音呼叫至少一个时间区间。
105.如，信贷逾期可以划分为两个阶段，一个是用于表征信贷逾期时长较短的逾期初级阶段，一个是表征信贷逾期时长较长的长期逾期阶段。如，可以逾期时长不超过2个月内的时间段称为逾期初级阶段，而逾期时长超过2个月，则认为处于长期逾期阶段，具体划定逾期初始阶段和长期逾期阶段的时长可以根据需要设定，在此不加限制。
106.可以理解的是，在用户处于逾期初期节点，语音呼叫的主要目的是为了了解用户逾期原因，以提醒方式督促用户还款，在该种情况下，可以尽量减少对逾期用户的干扰，且提升逾期用户接听语音呼叫的概率。而在用户处于长期逾期阶段，则需要尽量减少借贷逾期过长而导致的坏账，不仅要保证语音呼叫的触达率，还要到达通过语音呼叫催促还款的目的，因此，需要增加语音呼叫的频率和强度。
107.如，在一种可能的实现方式中，如果逾期用户处于逾期初期阶段，可以从综合呼叫
适合度靠前的设定数量个时间区间中，确定适合向逾期用户发起语音呼叫的时间区间。
108.例如，设定数量可以为3个，因此，可以从综合呼叫适合度较高的前3个时间区间中，确定一个时间区间作为向该逾期用户发起语音呼叫的时间区间，以尽可能减少干扰到逾期用户并使得逾期用户愿意接通语音呼叫。
109.如果逾期用户处于长期逾期阶段，则分别将一天中多个时间段内综合呼叫适合度较高的时间区间确定为适合向逾期用户发起语音呼叫的时间区间。其中，每个时间段包括多个时间区间，且不同时间段包含的时间区间不同。
110.例如，可以将一天分为上午、下午以及晚上三个时间段，然后在每个时间段分别选取综合呼叫适合度最高的时间区间作为需要向该逾期用户发起语音呼叫的时间区间。
111.由以上可知，在本技术实施例中，本技术不仅会结合逾期用户在各属性维度上的用户属性数据，确定逾期用户在一天的不同时间区间上的呼叫适合度，还会结合逾期用户在各行为维度上的历史行为数据，确定逾期用户在一天的不同时间区间上的呼叫适合度。由于逾期用户的在不同用户属性的用户属性特征以及不同行为维度上的历史行为数据可以更为全面的反映出逾期用户的习惯等能够反映逾期用户适合接听语音的时间段的信息，因此，本技术结合逾期用户在各个属性维度以及各个行为维度对应的一天中不同时间区上的呼叫适合度，能够更为准确的确定出该逾期用户在一天的不同时间区间上的综合呼叫适合度，从而结合综合呼叫适合度能够更为准确向逾期用户发起呼叫的时间区间，也就可以提升提高逾期用户接听语音呼叫的概率，使得基于语音呼叫的逾期提醒的触达率提升。
112.而研究表明通过语音呼叫来进行逾期提醒的触达率的提升，可以有利于信贷逾期的回款率的提升，因此，通过提升呼叫触发率。有利于提升回款率。
113.可以理解的是，为了能够提升确定各个逾期用户适合的时间区间的效率，本技术还可以通过对多个逾期用户进行分析，下面结合一种实现方式为例进行说明。
114.如图2所示，其示出了本技术提供的信贷逾期提醒方法的一种流程示意图，本实施例的方法可以包括：
115.s201，获得当前存在信贷逾期的多个逾期用户各自的用户属性数据集合，历史行为数据集合以及每个逾期用户所处的逾期阶段。
116.其中，用户属性数据集合可以包括至少一种属性维度上的用户属性数据。关于不同属性维度上的用户属性数据可以参照前面实施例的相关介绍，在此不再赘述。
117.在本实施例中，历史行为数据集合包括至少一种行为维度上各自的至少一组历史行为数据序列。其中，行为维度的数量和种类均可以参照前面实施例的介绍。例如，至少可以获得用户在应用上的应用操作行为这一行为维度上的历史行为数据序列。
118.其中，每组历史行为数据序列包括：一天中不同时间区间上的历史行为数据，即每组历史行为数据序列为一个历史行为数据的时间序列。而且，不同历史行为数据序列为在当前时刻之前的不同历史时间周期内获得的。
119.如，针对一个行为维度而言，该行为维度上的每组历史行为数据序列为基于用户在某个时间周期内的历史行为数据统计得到的一天中不同时间区间上的历史行为数据。
120.例如，仍以用户在应用上的应用操作行为这一维度为例说明，本技术可以定期获得当前时刻之前最近两个月内用户在应用上的历史操作行为数据，每个历史操作行为数据可以为用户在某个时刻点执行了某项操作行为等。在本技术中可以仅仅关注用户在应用上
的不同时间区间内的操作次数。基于此，本技术可以将每周(或者每两周或者每个月等，不加限制)作为一个时间周期，那么可以分时间区间，对该一周内用户的应用操作次数的统计，从而得到每周对应的一个历史操作行为时间序列。
121.假设某一周内经过统计可以得到：用户在8点-9点这一时间区间，应用操作总次数为10次；在9点-10点这一时间区间，应用操作总次数为20次；用户在10点到11点这一时间区间上，应用操作总次数为100次；基于此，依次统计得到该周内按时间区间统计得到的各时间区间对应的应用操作总次数，从而得到对应该周期内一天中不同时间区间上的一个应用操作总次数的时间序列。
122.可以理解的是，以上是以应用操作行为这一维度的一种可能情况为例说明，对于行为维度为其他情况，过程也类似，具体可以根据需要设定，对此不加限制。
123.需要说明的是，在本实施例中是以结合逾期用户所处的逾期阶段来确定适合向该逾期用户发起语音呼叫的时间区间为例，因此，本实施例还需要获得逾期用户当前所处的逾期阶段。
124.s202，针对每种属性维度，按照该属性维度中不同属性数据在一天的不同时间区间上的呼叫适合度，以及逾期用户在属性维度上的用户属性数据，确定逾期用户在各时间区间上的呼叫适合度。
125.该步骤可以参见前面实施例的相关介绍，在此不再赘述。
126.s203，针对每种行为维度，获得该行为维度对应的多个参照行为集以及每个参照行为集在一天的不同时间区间上的呼叫适合度。
127.其中，对于一种行为维度而言，每个参照行为集包括：至少一个参照用户各自在该行为维度上的至少一组历史行为数据序列。
128.其中，对于参照用户的每组历史行为数据序列同样可以为一天内不同时间区间上历史行为数据的时间序列。
129.可以理解的是，不同组历史行为数据序列可以对应不同时间周期的历史行为数据序列。对应每个参照用户而言，不同时间周期是该参照用户中最后一个历史行为数据的采集时刻之前的各个时间周期。
130.例如，假设获得存在信贷逾期的样本用户在09年1月20日及之前2个月内的历史行为数据，且假设时间周期为一个月，那么针对每个行为维度，可以通过统计得到该样本用户在09年8月1日之前最近一个月内(如7月1日到7月31日内)对应的一组历史行为数据序列，以及最往前推一个月即(6月1日到6月30日)对应的一组历史行为数据序列。
131.s204，针对每种行为维度，基于各参照行为集中各参照用户在该行为维度上对应的至少一组历史行为数据序列，以及，各逾期用户在该行为维度上对应的至少一组历史行为数据序列，对各参照用户和各逾期用户进行聚类，得到多个聚类类别。
132.其中，每个聚类类别包括至少一个参照用户的历史行为数据以及至少一个逾期用户的历史行为数据。
133.其中，本技术的聚类方法可以有多种，具体可以根据需要设定。如，本技术可以采用k均值聚类算法进行聚类。
134.可以理解的是，从任意一个行为维度上来说，对于每个逾期用户而言，一组历史行为数据序列对应的历史时间周期距离当前时刻的时长越长，该组历史行为数据序列对该逾
期用户的影响越大，也就越能反映出逾期用户的喜好，进而更能适合确定该逾期用户适宜的时间区间。
135.基于以上分析，为了能够更为合理的确定逾期用户适宜的时间区间，对于每个行为维度，且每个逾期用户，本技术会确定该逾期用户在该行为维度上的至少一组历史行为数据序列的权重。其中，一组历史行为数据序列对应的历史时间周期距离当前时刻的时长越长，该组历史行为数据序列对应的权重越小。
136.相应的，针对每个行为维度，可以基于各参照行为集中各参照用户在该行为维度上对应的至少一组历史行为数据序列，各逾期用户在该行为维度上对应的至少一组历史行为数据序列以及每个逾期用户对应的每组历史行为数据序列的权重，对各参照用户和各逾期用户进行聚类。
137.如，可以采用结合权重的聚类算法进行聚类。
138.又如，还可以是针对该行为维度以及每个逾期用户，可以将逾期用户的在该行为维度上的每组历史行为数据序列与该历史行为数据序列对应的权重相乘，得到降权后的历史行为数据序列。在此基础上，可以基于各参照行为集中各参照用户在该行为维度上的至少一组历史行为数据序列，以及，各逾期用户在该行为维度上对应的各组降权后的历史行为数据序列，对各参照用户和各逾期用户进行聚类。
139.当然，还可以结合逾期用户的各组历史行为数据序列各自的权重，对逾期用户的各组历史行为数据序列进行加权平均，然后再基于加权平均后的历史行为数据序列进行聚类。
140.其中，确定一个历史时间周期对应的历史行为数据序列的权重的方式可以有多种可能，本技术对此不加限制。
141.如，可以借鉴牛顿冷却定律，假设逾期用户对应的n个历史时间周期，那么第i个历史时间周期的历史行为数据序列对应的权重qi可以通过如下公式计算得到：
142.qi＝q0*e-冷却系数*间隔周期数
143.其中，i为从1到n-1的自然数。e为自然常数，冷却系数为设定的常数，该冷却系数可以根据对历史逾期用户的用户属性数据和历史行为数据、以及语音呼叫的触达率综合确定。间隔周期数为当前历史时间周期与第一个历史周期之间间隔的历史时间周期的数量。其中，q0为第1个历史时间周期的历史行为数据序列，q0的取值可以设置为1，也可以根据需要设定为其他值，在此不加限制。
144.当然，此处仅仅是以一种确定各历史时间周期的历史行为数据序列对应的权重的一种实现方式为例说明，在实际应用中确定权重的方式还可以有其他多种可能，对此不加限制。
145.为了便于理解，以k均值聚类算法为例对聚类过程的原理进行介绍：
146.首先，根据手肘法则选择k值(即聚类的类别数)。具体的，将不同k值所对应的损失函数画成折线，横轴为k的取值，纵轴为距离平方和定义的损失函数，在折线上寻找明显拐点对应的k值作为选择的结果。
147.其次，遍历所有经过本技术处理得到的各逾期用户的各数据(历史行为数据序列)，找到该数据距离最近的中心点，将数据划分到该类别，基于此，将全部的数据都划分到k个类别中。
148.再次，计算每个类别里所有数据的平均值作为新的中心点。
149.最后，重复上述过程，直到k个中心点不再变化了，就达到了收敛的结果。
150.以上是结合k均值聚类算法对本技术的聚类过程进行的简单说明，但是本技术对于聚类过程的具体实现不加限制。
151.s205，针对每种行为维度及每个逾期用户，确定与该逾期用户属于同一个聚类类别的参照用户对应的目标参照行为集，将目标参照行为集在各时间区间上的呼叫适合度分别确定为该逾期用户在相应时间区间上的呼叫适合度。
152.其中，与逾期用户在所述行为维度上的历史行为数据匹配的参照行为集就是目标参照行为集，基于此，目标参照行为集对应的各时间区间上的呼叫适合度就为该逾期用户分别在各时间区间上的呼叫适合度。
153.可以理解的是，如果一个聚类类别中如果存在多个参照用户，那么这多个参照用户对应的目标参照行为集对应的各时间区间上的呼叫适合度应该是一致的。
154.特别的，如果同一个聚类类别中不同目标参照行为集对应的各时间区间上的呼叫适合度不同，那么针对每个时间区间，可以先确定同一个聚类类别各目标参照行为集在该时间区间上的呼叫适合度的平均值，将该平均值作为该聚类类别中逾期用户在该时间区间上的适合度。
155.s206，结合逾期用户在不同属性维度和行为维度上对应的不同时间区间的呼叫适合度，确定逾期用户在一天的不同时间区间上的综合呼叫适合度。
156.s207，按照逾期用户在不同时间区间上的综合呼叫适合度以及该逾期用户所处的借贷逾期阶段，确定适合向逾期用户发起语音呼叫至少一个时间区间。
157.该步骤s206和s207可以参见前面实施例的相关介绍，在此不再赘述。
158.可以理解的是，通过本技术的方案不仅可以提高提醒逾期用户还款的语音呼叫的触达率，而且，由于可以尽可能减少对逾期用户的干扰，可以减少逾期用户的投诉情况。
159.对应本技术的一种信贷逾期提醒方法，本技术还提供了一种信贷逾期提醒装置。
160.如图3所示，其示出了本技术一种信贷逾期提醒装置一个实施例的组成结构示意图，本实施例的装置可以包括：
161.数据获得单元301，用于获得存在信贷逾期的逾期用户的用户属性数据集合以及历史行为数据集合，用户属性数据集合包括：至少一种属性维度上的用户属性数据，该历史行为数据集合包括至少一种行为维度上的历史行为数据；
162.第一适合度确定单元302，用于针对每种属性维度，按照该属性维度中不同属性数据在一天的不同时间区间上的呼叫适合度，以及该逾期用户在该属性维度上的用户属性数据，确定该逾期用户在各该时间区间上的呼叫适合度；
163.参照获得单元303，用于针对每种行为维度，获得该行为维度对应的多个参照行为集以及每个参照行为集在一天的不同时间区间上的呼叫适合度，其中，每个参照行为集包括：至少一个参照用户在该行为维度上的历史行为数据；
164.第二适合度确定单元304，用于针对每种行为维度，基于各参照行为集中各参照用户在该行为维度上的历史行为数据，确定与该逾期用户在该行为维度上的历史行为数据匹配的目标参照行为集，将该目标参照行为集在各时间区间上的呼叫适合度分别确定为该逾期用户在相应时间区间上的呼叫适合度；
165.综合适合度确定单元305，用于结合该逾期用户在不同属性维度和行为维度上对应的不同时间区间的呼叫适合度，确定该逾期用户在一天的不同时间区间上的综合呼叫适合度；
166.适合区间确定单元306，用于基于该逾期用户在一天的不同时间区间上的综合呼叫适合度，确定适合向该逾期用户发起语音呼叫至少一个时间区间，该语音呼叫用于提醒该逾期用户存在借贷逾期。
167.在一种可能的实现方式中，该装置还包括：阶段确定单元，用于在适合区间确定单元确定适合向该逾期用户发起语音呼叫至少一个时间区间之前，确定该逾期用户所处的逾期阶段；
168.适合区间确定单元，具体为，用于按照该逾期用户在不同时间区间上的综合呼叫适合度以及该逾期用户所处的借贷逾期阶段，确定适合向该逾期用户发起语音呼叫至少一个时间区间。
169.在一种可能的实现方式中，适合区间确定单元，包括：
170.第一区间确定单元，用于如果该逾期用户处于用于表征借贷逾期时长较短的逾期初期阶段，从综合呼叫适合度靠前的设定数量个时间区间中，确定适合向该逾期用户发起语音呼叫的时间区间；
171.第二区间确定单元，用于如果该逾期用户处于用于表征借贷逾期时长较长的长期逾期阶段，分别将一天中多个时间段内综合呼叫适合度较高的时间区间确定为适合向该逾期用户发起语音呼叫的时间区间，每个时间段包括多个时间区间，且不同时间段包含的时间区间不同。
172.在一种可能的实现方式中，该数据获得单元，具体为，用于获得当前存在信贷逾期的多个逾期用户各自的用户属性数据集合以及历史行为数据集合；
173.该第二适合度确定单元，包括：
174.聚类子单元，用于针对每种行为维度，基于各参照行为集中各参照用户在该行为维度上的历史行为数据以及该各逾期用户在该行为维度上的历史行为数据，对各参照用户和各逾期用户进行聚类，得到多个聚类类别，每个聚类类别包括至少一个参照用户的历史行为数据以及至少一个逾期用户的历史行为数据；
175.目标集确定单元，用于针对每个逾期用户，将与该逾期用户属于同一个聚类类别的参照用户对应的参照行为集，确定为与该逾期用户在该行为维度上的历史行为数据匹配的目标参照行为集。
176.在又一种可能的实现方式中，该数据获得单元获得的历史行为数据集合包括至少一种行为维度上各自的至少一组历史行为数据序列，每组历史行为数据序列包括：一天中不同时间区间上的历史行为数据，且不同历史行为数据序列为在当前时刻之前的不同历史时间周期内获得的；
177.每种行为序列对应的每个参照行为集包括：至少一个参照用户各自在该行为维度上的至少一组历史行为数据序列；
178.聚类子单元，具体为，用于基于各参照行为集中各参照用户在该行为维度上对应的至少一组历史行为数据序列，以及，各逾期用户在该行为维度上对应的至少一组历史行为数据序列，对各参照用户和各逾期用户进行聚类。
179.在又一种可能的实现方式中，该装置还包括：
180.权重确定单元，用于在聚类子单元对各参照用户和各逾期用户进行聚类之前，针对每个逾期用户，确定该逾期用户在该行为维度上的至少一组历史行为数据序列的权重，一组历史行为数据序列对应的历史时间周期距离当前时刻的时长越长，该组历史行为数据序列对应的权重越小；
181.该聚类子单元，具体为，用于基于各参照行为集中各参照用户在该行为维度上对应的至少一组历史行为数据序列，各逾期用户在该行为维度上对应的至少一组历史行为数据序列以及每个逾期用户对应的每组历史行为数据序列的权重，对各参照用户和各逾期用户进行聚类。
182.需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。同时，本说明书中各实施例中记载的特征可以相互替换或者组合，使本领域专业技术人员能够实现或使用本技术。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
183.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
184.对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
185.以上仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。