用户类型预测方法、装置、电子设备及存储介质与流程

本申请涉及计算机
技术领域：
，主要涉及了一种用户类型预测方法、装置、电子设备及存储介质。
背景技术：
：风险控制(简称风控)是指风险管理者采取各种措施和方法，消灭或减少风险事件发生的各种可能性，或者减少风险事件发生时造成的损失。现有的风控模型只能判定用户为正常还款用户、逾期用户或者被拒用户，因此如何在风控中确定容易导致风险事件发生的用户是当前亟需解决的技术问题。技术实现要素：本申请实施例提供了一种用户类型预测方法、装置、电子设备及存储介质，可提高确定申请用户是否为黑名单用户的准确性，便于提高风险识别能力。第一方面，本申请实施例提供一种用户类型预测方法，包括：在接收到预测请求时，构建用户类型预测模型；基于预设数据库，确定第一用户和与所述第一用户关联的第二用户；基于所述预设数据库，获取所述第一用户与所述第二用户的关联度和所述第二用户的特征及其对应的第一特征值；将所述关联度和所述第一特征值输入至所述用户类型预测模型，得到所述第一用户的逾期概率；基于所述逾期概率，预测所述第一用户为黑名单用户。在一种实现方式中，所述构建用户类型预测模型，包括：基于所述预设数据库，确定训练申请用户集对应的训练数据集和训练结果集、验证申请用户集对应的验证数据集和验证结果集；根据所述训练数据集和所述训练结果集，构建用户类型待验证模型；根据所述验证数据集和所述验证结果集，对所述用户类型待验证模型进行验证，得到所述用户类型预测模型。在一种实现方式中，所述基于所述预设数据库，确定训练申请用户集对应的训练数据集和训练结果集、验证申请用户集对应的验证数据集和验证结果集，包括：根据预先设置的预测周期、还款时长和所述当前时间，确定第一时段、第二时段、第三时段和第四时段；在所述预设数据库中，分别获取所述第一时段、所述第二时段授权申请信息的申请用户，得到第一用户集和第二用户集；在所述预设数据库中，分别获取从历史时间到所述第一时段的开始时间之间、从所述历史时间到所述第二时段的开始时间之间授权申请信息的申请用户和与其申请用户关联的关联用户，得到第三用户集和第四用户集；确定所述第一用户集和所述第三用户集之间重合的用户属于所述训练申请用户集、所述第二用户集和所述第四用户集之间重合的用户属于所述验证申请用户集；在所述预设数据库中，分别确定从所述历史时间到所述第一时段的开始时间之间所述训练申请用户集、从所述历史时间到所述第一时段的结束时间之间所述验证申请用户集中每一申请用户或其关联的关联用户对应的特征及其对应的特征值，得到所述训练数据集和所述验证数据集；在所述预设数据库中，分别确定所述第三时段中与所述训练申请用户集、所述第四时段中与所述验证申请用户集中每一申请用户对应的还款信息，得到所述训练数据集和所述验证结果集。在一种实现方式中，所述基于预设数据库，确定第一用户和与所述第一用户关联的第二用户，包括：在所述预设数据库中，获取从历史时间到当前时间之间授权申请信息的申请用户，得到预测申请用户集，所述第一用户为所述预测申请用户集中的任意一个申请用户；在所述预设数据库中，基于所述第一用户的第一用户标识查找所述第一用户的即时通讯信息和/或申请信息；基于所述即时通讯信息和/或申请信息，确定与所述第一用户关联的第二用户。在一种实现方式中，所述基于所述预设数据库，获取所述第二用户的特征及其对应的第一特征值，包括：在所述预设数据库中，基于所述第二用户的第二用户标识查找所述第二用户对应多个申请信息；若所述申请信息的个数为多个，获取各个所述申请信息对应的目标评价值，得到多个目标评价值；根据所述多个目标评价值获取所述第二用户的特征及其对应的第一特征值。在一种实现方式中，所述基于所述预设数据库，获取所述第二用户的特征及其对应的第一特征值，包括：基于所述预设数据库，确定所述第二用户对应的社区，以及所述社区对应的特征及其对应的特征值；将所述社区对应的特征及其对应的特征值作为所述第二用户的特征及其对应的第一特征值。在一种实现方式中，所述第二用户的数量为多个；所述将所述关联度和所述第一特征值输入至所述用户类型预测模型，得到所述第一用户的逾期概率，包括：将各个所述第二用户与所述第一用户的关联度、各个所述第二用户的第一特征值输入至所述用户类型预测模型，得到所述第一用户的逾期概率。第二方面，本申请实施例提供一种用户类型预测装置，包括：接收单元，用于接收预测请求；处理单元，用于构建用户类型预测模型；基于预设数据库，确定第一用户和与所述第一用户关联的第二用户；基于所述预设数据库，获取所述第一用户与所述第二用户的关联度和所述第二用户的特征及其对应的第一特征值；将所述关联度和所述第一特征值输入至所述用户类型预测模型，得到所述第一用户的逾期概率；基于所述逾期概率，预测所述第一用户为黑名单用户。在一种实现方式中，在所述构建用户类型预测模型方面，所述处理单元具体用于基于所述预设数据库确定训练申请用户集对应的训练数据集和训练结果集、验证申请用户集对应的验证数据集和验证结果集；根据所述训练数据集和所述训练结果集构建用户类型待验证模型；根据所述验证数据集和所述验证结果集对所述用户类型待验证模型进行验证得到所述用户类型预测模型。在一种实现方式中，在所述基于所述预设数据库确定训练申请用户集对应的训练数据集和训练结果集、验证申请用户集对应的验证数据集和验证结果集方面，所述处理单元具体用于根据预先设置的预测周期、还款时长和所述当前时间确定第一时段、第二时段、第三时段和第四时段；在所述预设数据库中，分别获取所述第一时段、所述第二时段授权申请信息的申请用户得到第一用户集和第二用户集；在所述预设数据库中，分别获取从历史时间到所述第一时段的开始时间之间、从所述历史时间到所述第二时段的开始时间之间授权申请信息的申请用户和与其申请用户关联的关联用户得到第三用户集和第四用户集；确定所述第一用户集和所述第三用户集之间重合的用户属于所述训练申请用户集、所述第二用户集和所述第四用户集之间重合的用户属于所述验证申请用户集；在所述预设数据库中，分别确定从所述历史时间到所述第一时段的开始时间之间所述训练申请用户集、从所述历史时间到所述第一时段的结束时间之间所述验证申请用户集中每一申请用户或其关联的关联用户对应的特征及其对应的特征值得到所述训练数据集和所述验证数据集；在所述预设数据库中，分别确定所述第三时段中与所述训练申请用户集、所述第四时段中与所述验证申请用户集中每一申请用户对应的还款信息，得到所述训练数据集和所述验证结果集。在一种实现方式中，在所述基于预设数据库确定第一用户和与所述第一用户关联的第二用户方面，所述处理单元具体用于在所述预设数据库中，获取从历史时间到当前时间之间授权申请信息的申请用户得到预测申请用户集，所述第一用户为所述预测申请用户集中的任意一个申请用户；在所述预设数据库中，基于所述第一用户的第一用户标识查找所述第一用户的即时通讯信息和/或申请信息；基于所述即时通讯信息和/或申请信息，确定与所述第一用户关联的第二用户。在一种实现方式中，在所述基于所述预设数据库获取所述第二用户的特征及其对应的第一特征值方面，所述处理单元具体用于在所述预设数据库中，基于所述第二用户的第二用户标识查找所述第二用户对应多个申请信息；若所述申请信息的个数为多个，获取各个所述申请信息对应的目标评价值得到多个目标评价值；根据所述多个目标评价值获取所述第二用户的特征及其对应的第一特征值。在一种实现方式中，在所述基于所述预设数据库获取所述第二用户的特征及其对应的第一特征值方面，所述处理单元具体用于基于所述预设数据库确定所述第二用户对应的社区以及所述社区对应的特征及其对应的特征值；将所述社区对应的特征及其对应的特征值作为所述第二用户的特征及其对应的第一特征值。在一种实现方式中，所述第二用户的数量为多个；在所述将所述关联度和所述第一特征值输入至所述用户类型预测模型得到所述第一用户的逾期概率方面，所述处理单元具体用于将各个所述第二用户与所述第一用户的关联度、各个所述第二用户的第一特征值输入至所述用户类型预测模型得到所述第一用户的逾期概率。第三方面，本申请实施例提供一种电子设备，包括处理器、存储器以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，所述程序包括用于如第一方面中所描述的部分或全部步骤的指令。第四方面，本申请实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储计算机程序，其中，所述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。第五方面，本申请实施例提供了一种计算机程序产品，其中，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。通过实施本发明实施例，在接收到预测请求时，构建用户类型预测模型，然后基于预设数据库确定第一用户和与第一用户关联的第二用户，再基于预设数据库获取第一用户与第二用户的关联度和第二用户的特征及其对应的第一特征值，然后将第一用户与第二用户的关联度以及该第一特征值输入用户类型预测模型得到第一用户的逾期概率，基于逾期概率预测第一用户为黑名单用户。即本申请可以根据其他用户(即第二用户)的特征值、与其他用户的关联度和预先构建的用户类型预测模型来预测申请用户(即第一用户)的逾期概率，并基于逾期概率识别申请用户是否为黑名单用户，可提高确定申请用户是否为黑名单用户的准确性，便于提高风险识别能力。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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，还可以根据这些附图获得其他的附图。其中：图1a为本申请实施例提供的一种用户类型预测方法的流程示意图；图1b是本发明实施例提供的一种时间与用户集之间关系的示意图；图1c是本发明实施例提供的另一种时间与用户集之间关系的示意图；图1d是本发明实施例提供的一种知识图谱的示意图；图2为本申请实施例提供的另一种用户类型预测方法的流程示意图；图3为本申请实施例提供的一种用户类型预测装置的结构示意图；图4为本申请实施例提供的一种电子设备的结构示意图。具体实施方式为了使本
技术领域：
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。本申请实施例所涉及到的电子设备可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(userequipment，ue)，移动台(mobilestation，ms)，电子设备(terminaldevice)等等。为方便描述，上面提到的设备统称为电子设备。下面对本申请实施例进行详细介绍。请参照图1a，本申请实施例提供一种用户类型预测方法的流程示意图。具体的，如图1a所示，一种用户类型预测方法，包括：s101、电子设备在接收到预测请求时，构建用户类型预测模型。在一种实现方式中，该预测请求可以是根据用户的操作自动生成的，也可以是等待预测周期，预测周期可以是一个月，例如：每个月的月底到达时，向电子设备发送预测请求，也就是说，在预测周期到达时，对预设数据库中存储的申请用户进行预测，本申请实施例对此不作限定。在一种实现方式中，用户类型预测模型用于预测申请用户是否为黑名单用户。上述构建用户类型预测模型包括：基于预设数据库确定训练申请用户集对应的训练数据集和训练结果集、验证申请用户集对应的验证数据集和验证结果集；根据该训练数据集和该训练结果集构建用户类型待验证模型；根据该验证数据集和该验证结果集对该用户类型待验证模型进行验证得到该用户类型预测模型。其中，预设数据库可以预先存储于电子设备中，或者，存储在云端服务器中，电子设备通过访问云端服务器获取预设数据库。该预设数据库中包括从历史时间到当前时间之间的所有申请信息，例如：个人消费分期合同、渠道消费分期合同、贷款或借款的声明信息等；该预设数据库还可包括根据上述申请信息得到的关联信息，例如：授权信息、还款信息、即时通讯信息、其它的申请信息等，本申请实施例对此不做限定。需要说明的是，申请用户(例如：第一用户)向授权对象提交申请业务可得到申请信息，本申请只关注申请用户的用户类型。其中，申请信息包括申请用户的身份信息和关联用户(例如：与第一用户关联的第二用户)的身份信息，关联用户可以是配偶、亲属、朋友等；身份信息包括用户标识、身份证号、联系电话、性别、年龄段、学历，是否黑名单等，该申请信息还包括贷款金额、预设还款时长等，本申请实施例对此不做限定。该用户标识可以是申请用户的昵称、身份证号或者申请用户的联系电话，在本申请实施例中，将申请用户的用户标识作为申请用户标识(例如：第一用户的用户标识为第一用户标识)，将关联用户的用户标识作为关联用户标识(例如：第二用户的用户标识为第二用户标识)，在预设数据库中以申请用户标识存储申请用户的申请信息和根据上述申请信息得到的关联信息。授权信息用于指示本次申请信息是否授权，即授权信息为授权或非授权，在本申请实施例中，可根据被授权对象的经济能力或配偶、亲属的经济能力确定申请用户的授权信息，本申请实施例对此不做限定。在授权信息为授权时，还款信息为被授权对象的还款时间信息，或者根据还款期限得到的正常还款或逾期还款等，本申请实施例对此不做限定。即时通讯信息包括申请用户的通话记录信息、短信记录信息和社交应用中的对话信息或社交圈信息等，本申请实施例对此不做限定。在一种实现方式中，申请用户和关联用户的身份信息可以是申请用户在提交申请业务时填入的，也可以通过申请信息中提交的相关资料确定的，其中：相关资料包括身份证、结婚证、房产证、户口簿信息等，本申请实施例对此不做限定。在一种实现方式中，训练申请用户集包括多个训练申请用户，训练数据集为该多个训练申请用户中每一训练申请用户和其对应的关联用户的特征及其特征值，训练结果集为该多个训练申请用户中每一训练申请用户对应的还款信息。验证申请用户集包括多个验证申请用户，验证数据集为该多个验证申请用户中每一验证申请用户和其对应的关联用户的特征及其特征值，验证结果集为该多个验证申请用户中每一验证申请用户对应的还款信息。在一种实现方式中，上述基于该预设数据库确定训练申请用户集对应的训练数据集和训练结果集、验证申请用户集对应的验证数据集和验证结果集包括：该电子设备根据预先设置的预测周期、还款时长和该当前时间确定第一时段、第二时段、第三时段和第四时段；在该预设数据库中，分别获取该第一时段、该第二时段授权申请信息的申请用户得到第一用户集和第二用户集；在该预设数据库中，分别获取从历史时间到该第一时段的开始时间之间、从该历史时间到该第二时段的开始时间之间授权申请信息的申请用户和与其申请用户关联的关联用户得到第三用户集和第四用户集；确定该第一用户集与该第三用户集之间重合的用户属于该训练申请用户集、该第二用户集与该第四用户集之间重合的用户属于该验证申请用户集；在该预设数据库中，分别确定从该历史时间到该第一时段的开始时间之间该训练申请用户集、从该历史时间到该第二时段的开始时间之间该验证申请用户集中每一申请用户对应的特征及其对应的特征值得到该训练数据集和该验证数据集；在该预设数据库中，分别确定该第三时段中与该训练申请用户集、该第四时段中与该验证申请用户集中每一申请用户对应的还款信息得到该训练数据集和该验证结果集。其中，预测周期如前述，在此不再赘述；历史时间为预设数据库中第一个授权申请信息对应的时间；当前时间为接收到预测请求的时间；还款时长为授权申请信息的还款规定时间，例如：3个月，6个月等；第一时段用于确定训练申请用户集；第二时段用于确定验证申请用户集；第三时段包括第一时段之后的还款时长对应的时间段，第三时段用于确定训练结果集；第四时段包括第二时段之后的还款时长对应的时间段，第四时段用于确定验证结果集。举例来说，如图1b所示，假设当前时间为2017年12月31日，预测周期为1个月，还款时长为6个月，则根据该预测周期、还款时长和当前时间确定第一时段为2017年5月，第一用户集为第一时段授权申请信息的申请用户；第三时段包括第一时段之后的还款时长对应的时间段，即2017年5月1日-2017年11月30日；第三用户集为历史时间到2017年4月30日授权申请信息的申请用户和与申请用户关联的关联用户。当第一用户集包括1万个申请用户，第三用户集包括1亿个用户，且该1亿个用户中与1万个申请用户之间重合的用户为1千个，则训练申请用户集为该1千个的申请用户，基于该预设数据库确定从历史时间到2017年4月30日之间该1千个申请用户中每一申请用户的特征及其对应的特征值得到该训练数据集，基于该预设数据库确定在第三时段时，该1千个申请用户中每一申请用户的还款信息得到该训练结果集。根据该预测周期、还款时长和当前时间确定第二时段为2017年6月，第二用户集为第二时段授权申请信息的申请用户；第四时段与第二时段相差一个还款时长，则第四时段为第二时段之后的还款时长对应的时间段，即2017年7月1日-2017年12月31日；第四用户集为历史时间到2017年5月31日授权申请信息的申请用户和其申请用户关联的关联用户。当第二用户集包括1万个申请用户，第四用户集包括1亿1万个用户，且该1亿1万个用户中与1万个申请用户之间重合的用户为2千个，则验证申请用户集为该2千个的申请用户，基于该预设数据库确定从历史时间到2017年5月31日之间该2千个申请用户中每一申请用户对应的特征及其对应的特征值得到该验证数据集，基于该预设数据库确定在第四时段时，该2千个的申请用户中每一申请用户的还款信息得到该验证结果集。可以理解，根据预先设置的预测周期、还款时长和该当前时间确定第一时段、第二时段、第三时段和第四时段，在预设数据库中分别基于第一时段和第二时段确定训练申请用户集和验证申请用户集，进一步的分别根据训练申请用户集和验证申请用户集中每一申请用户对应的特征及其对应的特征值得到训练数据集和验证数据集，分别根据第三时段中训练申请用户集和第四时段中验证申请用户集中每一申请用户对应的还款信息得到训练结果集和验证结果集。也就是说，从历史时间开始获取训练数据或验证数据，且所选取的训练数据和验证数据与当前时间接近，可提高用户类型预测模型的准确性。在一种实现方式中，上述根据该训练数据集和该训练结果集构建用户类型待验证模型包括：获取该训练数据集中每一训练数据对应的特征及其对应的特征值得到多个训练特征集；根据该多个训练特征集和该训练结果集进行分类得到该用户类型待验证模型。其中，对于分类算法不做限定，可采用逻辑回归或者决策树算法对该多个训练特征集和该训练结果集进行分类，从而得到用户类型待验证模型。简单来说，用户类型待验证模型相当于一个函数，每一个训练特征为一个常数，每一个训练特征乘以一个参数可得到该训练特征对应的训练结果。可以理解，获取每一训练数据对应的特征及其对应的特征值得到多个训练特征集，再根据多个训练特征集和训练结果集进行分类得到该用户类型待验证模型，可提高用户类型待验证模型的准确性。在一种实现方式中，上述根据该验证数据集和该验证结果集对该用户类型待验证模型进行验证得到用户类型预测模型包括：获取该验证数据集中每一验证数据对应的特征及其对应的特征值得到多个验证特征集；根据该多个验证特征集和该验证结果集进行训练得到该用户类型待验证模型。其中，对于验证所采用的训练算法不做限定，可采用神经网络中常用的训练方法，例如：梯度下降法(gradientdescent)、牛顿算法(newton’smethod)、.共轭梯度法(conjugategradient)、准牛顿法(quasi-newtonmethod)、衰减的最小平方法levenberg-marquardt算法等。以梯度下降法举例来说，将验证数据输入用户类型待验证模型得到一个逾期概率，将该逾期概率与该验证数据对应的验证结果进行匹配，若匹配成功，则输入下一个验证数据，否则，根据该匹配得到误差函数进行反向运算，从而调整用户类型待验证模型，并在最后一个验证数据匹配成功或反向运算结束之后得到用户类型预测模型，从而对用户类型待验证模型进行验证，提高了用户类型预测模型的准确性。可以理解，在接收到预测请求时，基于预设数据库确定训练申请用户集对应的训练数据集和训练结果集、验证申请用户集对应的验证数据集和验证结果集，根据训练数据集和训练结果集构建用户类型待验证模型，然后根据验证数据集和验证结果集对用户类型待验证模型进行验证得到用户类型预测模型。即本申请可以通过训练和验证方法得到用户类型预测模型，并根据该预测模型对授权申请用户是否为黑名单用户进行预测，可提高预测申请用户是否为黑名单用户的准确性，便于提高风险识别能力。进一步的，上述构建用户类型预测模型包括：基于该预设数据库确定训练申请用户集对应的训练数据集和训练结果集、第一验证申请用户集对应的第一验证数据集和第一验证结果集、第二验证申请用户集对应的第二验证数据集和第二验证结果集；根据该训练数据集和该训练结果集构建用户类型待验证模型；根据该第一验证数据集和该第一验证结果集对该用户类型待验证模型进行验证得到用户类型验证模型；根据该第二验证数据集和该第二验证结果集对该用户类型验证模型进行验证得到用户类型预测模型。其中，上述基于该预设数据库确定训练申请用户集对应的训练数据集和训练结果集、第一验证申请用户集对应的第一验证数据集和第一验证结果集、第二验证申请用户集对应的第二验证数据集和第二验证结果集包括：该电子设备根据预先设置的预测周期、还款时长和该当前时间确定第一时段、第二时段、第三时段、第四时段、第五时段和第六时段；在该预设数据库中，分别获取该第一时段、该第二时段、该第五时段授权申请信息的申请用户得到第一用户集、第二用户集和第五用户集；在该预设数据库中，分别获取从历史时间到该第一时段的开始时间之间、从该历史时间到该第二时段的开始时间之间、从该历史时间到该第五时段的开始时间之间授权申请信息的申请用户和与该申请用户关联的关联用户得到第三用户集、第四用户集和第六用户集；确定该第五用户集与该第六用户集之间重合的用户属于该训练申请用户集、该第一用户集与该第三用户集之间重合的用户属于该第一验证申请用户集、该第二用户集与该第四用户集之间重合的用户属于该第二验证申请用户集；在该预设数据库中，分别确定从该历史时间到该第五时段的开始时间之间的训练申请用户集、从该历史时间到该第一时段的开始时间之间的第一验证申请用户集、从该历史时间到该第二时段的开始时间之间的第二验证申请用户集中每一申请用户对应的特征及其对应的特征值得到该训练数据集、该第一验证数据集和该第二验证数据集；在该预设数据库分别确定该第六时段中与该训练申请用户集、该第三时段中与该第一验证申请用户集、该第四时段中与该第二验证申请用户集中每一申请用户对应的还款信息得到该训练数据集、该第一验证结果集和第二验证结果集。其中，第五时段用于确定训练申请用户集；第一时段用于确定第一验证申请用户集；第二时段用于确定第二验证申请用户集；第六时段包括第五时段之后的还款时长对应的时段，用于确定训练结果集；第三时段包括第一时段之后的还款时长对应的时段，用于确定第一验证结果集；第四时段包括第二时段的还款时长对应的时段，用于确定第二验证结果集。举例来说，如图1c所示，假设当前时间为2017年12月31日，预测周期为1个月，还款时长为6个月，则根据该预测周期、还款时长和当前时间确定第五时段为2017年4月，第五用户集为第五时段授权申请信息的申请用户；第五时段包括第六时段的还款时长对应的时段，即为2017年5月1日-2017年10月30日；第六用户集为历史时间到2017年3月31日授权申请信息的申请用户和与申请用户关联的关联用户。当第五用户集包括1万个申请用户，第六用户集包括9千个用户，且该9千个用户中与1万个申请用户之间重合的用户为900个，则训练申请用户集为该1千个的申请用户，基于该预设数据库确定从历史时间到2017年3月31日之间该1千个申请用户中每一申请用户的特征及其特征值得到该训练数据集，基于该预设数据库确定在第六时段中，该900个申请用户中每一申请用户的还款信息得到该训练结果集。根据该预测周期、还款时长和当前时间确定第一时段为2017年5月，第一用户集为第一时段授权申请信息的申请用户；第三时段包括第一时段的还款时长对应的时段，即为2017年6月1日-2017年11月30日；第三用户集为历史时间到2017年4月30日授权申请信息的申请用户和与申请用户关联的关联用户。当第一用户集包括1万个申请用户，第三用户集包括1亿个用户，且该1亿个用户中与1万个申请用户之间重合的用户为1千个，则第一验证申请用户集为该1千个的申请用户，基于该预设数据库确定从历史时间到2017年4月30日之间该1千个申请用户中每一申请用户的特征及其对应的特征值得到第一验证数据集，基于该预设数据库确定在第三时段中，该1千个申请用户中每一申请用户的还款信息得到该第一验证结果集。根据该预测周期、还款时长和当前时间确定第二时段为2017年6月，第二用户集为第二时段授权申请信息的申请用户；第四时段包括第二时段的还款时长对应的时段，即为2017年7月1日-2017年12月31日；第四用户集为历史时间到2017年5月31日授权申请信息的申请用户和与申请用户关联的关联用户。当第二用户集包括1万个申请用户，第四用户集包括1亿1万个用户，且该1亿1万个用户中与1万个申请用户之间重合的用户为2千个，则第二验证申请用户集为该2千个的申请用户，基于该预设数据库确定从历史时间到2017年5月30日之间该2千个申请用户中每一申请用户对应的特征及其对应的特征值得到该第二验证数据集，基于该预设数据库确定在第四时段中，该2千个的申请用户中每一申请用户的还款信息得到该第二验证结果集。可以理解，上述方法通过一次训练和两次验证得到用户类型预测模型，并根据该预测模型对授权申请用户是否为黑名单用户进行预测，可进一步提高预测申请用户是否为黑名单用户的准确性，便于提高风险识别能力。s102、该电子设备基于预设数据库确定与第一用户和与该第一用户关联的第二用户。在一种实现方式中，该电子设备在该预设数据库中，获取从历史时间到当前时间之间授权申请信息的用户得到预测申请用户集，第一用户为预测申请用户集中的任意一个申请用户。其中，上述授权申请信息，即该申请信息的授权信息为授权。也就是说，第一用户为从历史时间到当前时间为止，授权申请信息的用户之一。在一种实现方式中，该电子设备在该预设数据库中基于该第一用户的第一用户标识查找该第一用户的即时通讯信息和/或申请信息。其中，第一用户标识可以是身份证号，也可以是电话号码，还可以是昵称等具有唯一性的标识信息。电子设备可将与第一用户关联的信息均存储于与第一用户标识对应的列表中，从而提高了查找第一用户相关信息的准确性和效率。可以理解，基于第一用户的即时通讯信息和/或申请信息确定与该第一用户关联的第二用户，提高了确定关联用户的准确性。且关联用户的相关信息也存储在该预设数据库中，便于提高依据关联用户的数据预测申请用户是否为黑名单用户的准确性。在一种实现方式中，电子设备可以根据该包含申请用户标识的即时通讯信息和申请信息，构建包含申请用户标识的知识图谱，该知识图谱记录了与申请用户具有关联关系的关联用户的用户标识。在另一种实现方式中，该电子设备在该预设数据库中基于该第一用户的第一用户标识查找与该第一用户关联的第二用户。也就是说，如前述的电子设备可将与第一用户关联的信息均存储于与第一用户标识对应的列表中，该列表可包括与该第一用户关联的第二用户，从而提高了查找第二用户的准确性和效率。在另一种实现方式中，电子设备可以根据知识图谱确定与该第一用户关联的第二用户。具体的，电子设备可以在预设数据库中获取该知识图谱，该知识图谱的顶点包括用户标识或电话号码；并在该知识图谱中，确定与第一用户标识对应的顶点关联的至少一个目标顶点，该目标顶点通过满足预设数量的边与该第一用户标识对应的顶点相连；将各个目标顶点包含的用户标识对应的用户确定为与该申请用户关联的关联用户。以图1d所示的知识图谱的示意图为例，其中，甲、乙、丙、丁、己为用户标识，a、b、c、d、e为电话号码，当申请用户标识为甲时，申请用户标识对应的顶点关联的目标顶点可以为乙、丁、己和丙(即关联用户可以为乙、丁、己和丙)，其中，乙和丁均通过2条边与甲相连，己和丙均通过3条边与甲相连。需要说明的是，图1d所示知识图谱仅用于举例，并不构成对本发明实施例的限定。在其他可行的实现方式中，知识图谱还可以包括其他用户标识和电话号码，可以理解的是，知识图谱中的两个用户标识之间还可以通过4、5、8或者其他数量的边相连，本发明实施例对此不作限定。s103：该电子设备基于该预设数据库获取该第一用户与该第二用户的关联度和该第二用户的特征及其对应的第一特征值。在一种实现方式中，关联度可以是大于0的数字，关联度可以用于表示申请用户(第一用户)与关联用户(第二用户)之间的亲密程度，关联度越大，表示申请用户与关联用户之间的亲密程度越高。在一种实现方式中，电子设备可在预设数据库中存储第一用户与第二用户的关联关系、以及其他用户与其他用户关联的其他关联用户的关联关系存储在预设数据库中的同一个关联关系表中，其中，其他用户与申请用户(和关联用户)不同。该电子设备还可将申请用户与关联用户的关联关系、其他用户和与其他用户关联的其他关联用户的关联关系分别存储在不同的关联关系表中，本发明实施例对此不作限定。在一种实现方式中，与第一用户具有关联关系的第二用户的个数可以是1个或多个。当第二用户的数量为多个时，各个第二用户与该第一用户之间的关联度相互独立，即各个第二用户与该第一用户之间的关联度可以相同，也可以不同。例如，第一用户与第二用户的关联关系表可以如下表1所示：表1第一用户标识第二用户标识关联度张三李四0.2张三王五0.3在另一种实现方式中，关联度可通过申请信息中申请用户填入的关系进行确定，如下表2所示，若第一用户与第二用户之间的关系为夫妻，则关联度为3；若第一用户与第二用户之间的关系为亲属，则关联度为2；若第一用户与第二用户之间的关系为朋友，则关联度为1。表2关系夫妻亲属朋友关联度321在另一种实现方式中，关联度可通过第一用户和第二用户之间的即时通话信息确定，例如：通话次数越多，通话时长越长，其关联度越大。在另一种实现方式中，该电子设备基于该即时通讯信息和/或申请信息获取该第一用户与该第二用户的关联度。可以理解，从预设数据库中存储的即时通讯信息和/或申请信息获取第一用户和第二用户的关联度，提高了确定关联度的准确性，从而提高依据关联用户的数据预测申请用户是否为黑名单用户的准确性。在另一种实现方式中，若电子设备根据知识图谱确定该第一用户与第二用户的关联度。若第一用户对应的顶点在知识图谱中通过预设数量的边与关联用户对应的顶点相连，则该预设数量越小，第一用户和关联用户的关联度越大，同理，该预设数量越大，第一用户和关联用户的关联度越小。以图1d所示的知识图谱的示意图为例，当第一用户标识为甲时，第一用户标识对应的顶点关联的目标顶点可以为乙、丁、己和丙(即关联用户可以为乙、丁、己和丙)，其中，乙和丁均通过2条边与甲相连，己和丙均通过3条边与甲相连，此时，甲和乙(或者丁)的关联度可以为0.6，甲和己(或者丙)的关联度可以为0.4。在一种实现方式中，电子设备可以根据第一用户与第二用户的第一关联度和第二关联度得到第一用户与第二用户的关联度。具体的，电子设备可以将第一关联度和第二关联度的乘积确定为第一用户与第二用户的关联度。其中，第一关联度可以是根据前述预设数量得到的。在一种实现方式中，知识图谱中的各条边具有权重，电子设备可以根据知识图谱中与第一用户相关联的边的权重，确定第二关联度。在一种实现方式中，电子设备根据知识图谱确定与该第一用户关联的关联用户之后，还可以执行如下步骤：在知识图谱中确定与第一用户标识对应的至少一个目标边集合，该目标边集合包括前述预设数量的边，第一用户标识对应的顶点和前述目标顶点通过该目标边集合中的所有边相连；针对各个目标边集合，根据该目标边集合中的所有边的权重确定第二关联度。以图1d所示的知识图谱的示意图为例，其中，知识图谱中的边旁边的数字为该条边的权重，当第一用户标识为甲时，第一用户标识对应的顶点关联的目标顶点为乙、丁、己和丙(即关联用户可以为乙、丁、己和丙)，其中，乙和丁均通过2条边与甲相连，己和丙均通过3条边与甲相连。此时，甲和乙(或者丁)的第一关联度可以为0.6，甲和己(或者丙)的第一关联度可以为0.4，甲和乙的第二关联度可以为0.4*0.4＝0.16，甲和丁的第二关联度可以为0.2*1＝0.2，甲和己的第二关联度可以为0.3*0.7*1＝0.21，甲和丙的第二关联度可以为0.2*0.3*1＝0.06，因此，甲和乙的关联度可以为0.6*0.16＝0.096，甲和丁的关联度可以为0.6*0.2＝0.12，甲和己的关联度可以为0.4*0.21＝0.084，甲和丙的关联度可以为0.4*0.06＝0.024。在一种实现方式中，第二用户的特征包括多种类别，例如：性别、年龄段、学历，是否黑名单等，每一类别对应一个特征值，且不同类别的特征对应的第一特征值相互独立。例如，当第二用户的特征包括申请用户的性别、年龄段和学历这3个类别，且第二用户的性别为男、年龄段为中年、学历为硕士时，电子设备对第二用户的特征进行处理后得到的第二用户的性别对应的第第一特征值可以为0.1，第二用户的年龄段对应的第第一特征值可以为0.2，第二用户的学历对应的第一特征值可以为0.1。在一种实现方式中，第二用户的特征及其对应的第一特征值可以包括是否正常还款、是否逾期和是否授权中的至少一个，及其相应的值。其中，非授权与授权相对应，非授权是指用户提交贷款信息时未被审核通过而被拒贷。例如，第二用户的特征及其对应的第一特征值可以如下表3所示：表3第一用户标识是否正常还款是否逾期是否授权张三010需要说明的是，第二用户的特征中，是否正常还款、是否逾期、是否授权的值中只有一个值为1，也就是说，若第二用户属于正常还款、逾期和授权中的任意一种情况时，其余两种情况的值为0。在一种实现方式中，第二用户的特征可以为正常还款、逾期和授权中的一个。例如，若第二用户的逾期记录如表3所示，则第二用户的特征为逾期还款，并且第二用户的特征对应的第一特征值为1。进一步的，该电子设备基于该即时通讯信息和/或申请信息获取该第二用户的特征及其对应的第一特征值。也就是说，从预设数据库中存储即时通讯信息和/或申请信息获取第二用户的特征及其对应的第一特征值，提高了确定特征及其对应的第一特征值的准确性，从而提高依据关联用户的数据预测申请用户是否为黑名单用户的准确性。在一种实现方式中，上述基于该预设数据库获取该第二用户的特征及其对应的第一特征值包括：基于该预设数据库确定该第二用户对应的社区，以及该社区对应的特征及其对应的特征值；将该社区对应的特征及其对应的特征值作为该第二用户的特征及其对应的第一特征值。也就是说，按照社区划分算法得到多个社区，再确定各个社区对应的逾期概率，将第二用户所在该社区的逾期概率作为其的第一特征值。在本申请实施例中，对于社区划分算法不做限定，可根据社区的地理位置进行划分，也可根据申请用户的知识图谱中的距离进行划分等。在另一种实现方式中，上述基于该预设数据库获取该第二用户的特征及其对应的第一特征值包括：在该预设数据库中，基于该第二用户的第二用户标识查找该第二用户对应多个申请信息；若该申请信息的个数为多个，获取各个该申请信息对应的目标评价值得到多个目标评价值；根据该多个目标评价值获取该第二用户的特征及其对应的第一特征值。也就是说，若该第二用户包含多个申请信息，可获取各个申请信息对应的目标评价值得到多个目标评价值，根据多个目标评价值确定该第二用户的特征及其对应的第一特征值。在本申请实施例中，对于获取每一申请信息对应的目标评价值的方法不做限定，可确定逾期维度和非授权维度对应的概率值，然后根据逾期维度和非授权维度对应的预设权值进行加权计算得到目标概率值。对于根据多个目标评价值确定该第二用户的特征及其对应的第一特征值也不做限定，可选取多个目标评价值中的最小值、最大值或加权平均值等。在一种实现方式中，确定该第一用户的特征及其对应的第二特征值的方法，可参照之前描述的确定第二用户的特征及其对应的第一特征值的方法，在此不再赘述。s104：该电子设备将该关联度和该第一特征值输入至所述用户类型预测模型得到该第一用户的逾期概率。在一种实现方式中，第一用户的逾期概率的取值范围为[0，1]，用于描述申请用户逾期还款的概率。可以理解，将第一用户与第二用户的关联度和第一特征值输入至用户类型预测模型得到第一用户的逾期概率，即将第一用户对应的数据特征输入至用户类型预测模型，可提高确定逾期概率的准确性。在另一种实现方式中，该方法还包括：获取该第一用户的特征及其对应的第二特征值；该将该关联度和该第一特征值输入至用户类型预测模型得到该第一用户的逾期概率包括：将该关联度、该第一特征值和该第二特征值输入至该用户类型预测模型得到该第一用户的逾期概率。其中，对于获取第一用户的特征及其对应的第二特征值可参照前述的方法，在此不再赘述。可以理解，将第一用户与第二用户的关联度、第一用户的第二特征值和第二用户的第一特征值输入至用户类型预测模型得到第一用户的逾期概率，即将第一用户对应的数据特征输入至用户类型预测模型，可进一步提高确定逾期概率的准确性。在另一种实现方式中，该方法还包括：该第二用户的数量为多个；该将该关联度和该第一特征值输入至用户类型预测模型得到该第一用户的逾期概率包括：将各个该第二用户与该第一用户的关联度、各个该第二用户的第一特征值输入至该用户类型预测模型得到该第一用户的逾期概率。可以理解，若接收到预测请求，基于预设数据库确定第一用户和与第一用户关联的多个第二用户，则进一步基于预设数据库确定第一用户与每一个第二用户的关联度，并获取每一个第二用户的特征及其对应的第一特征值，然后将第一用户与每一个第二用户的关联度以及该第二用户的第一特征值输入用户类型预测模型得到第一用户的逾期概率。即本申请可以根据多个其他用户(即第二用户)的特征值和用户类型预测模型来预测第一用户的逾期概率，从而提高了确定第一用户是否为黑名单用户的准确性，便于提高风险识别能力。s105：该电子设备基于该逾期概率识别该第一用户为黑名单用户。在本申请实施例中，对于该逾期概率识别第一用户是否为黑名单用户的方法不做限定，可设置一个目标阈值，在该逾期概率大于该目标阈值时，确定该第一用户为黑名单用户。在如图1a所示的方法中，在接收到预测请求时，构建用户类型预测模型，然后基于预设数据库确定第一用户和与第一用户关联的第二用户，再基于预设数据库获取第一用户与第二用户的关联度和第二用户的特征及其对应的第一特征值，然后将第一用户与第二用户的关联度以及该第一特征值输入用户类型预测模型得到第一用户的逾期概率，基于逾期概率预测第一用户为黑名单用户。即本申请可以根据其他用户(即第二用户)的特征值、与其他用户的关联度和预先构建的用户类型预测模型来预测申请用户(即第一用户)的逾期概率，并基于逾期概率识别申请用户是否为黑名单用户，可提高确定申请用户是否为黑名单用户的准确性，便于提高风险识别能力。与图1a实施例一致的，请参照图2，本申请实施例提供另一种用户类型预测方法的流程示意图。具体的，如图2所示，一种用户类型预测方法，包括：s201、在电子设备接收预测请求时，该电子设备基于预设数据库确定预测申请用户集对应的预测数据集、训练申请用户集对应的训练数据集和训练结果集、验证申请用户集对应的验证数据集和验证结果集。s202、该电子设备根据该训练数据集和该训练结果集构建用户类型待验证模型。s203、该电子设备根据该验证数据集和该验证结果集对该用户类型待验证模型进行验证得到该用户类型预测模型。s204：该电子设备将该预测数据集中每一预测数据输入至该用户类型预测模型得到该预测申请用户集中每一申请用户对应的逾期概率。s205：该电子设备基于该预测申请用户集中每一申请用户对应的逾期概率得到黑名单用户集。其中，第一用户为预设数据库中的任一申请用户。对于基于预设数据库确定预测申请用户集对应的预测数据集、训练申请用户集对应的训练数据集、验证申请用户集对应的验证数据集的方法，可参照基于预设数据库确定第一用户和第一用户关联的第二用户，再基于预设数据库确定该第一用户与该第二用户的关联度和该第二用户的特征及其对应的第一特征值的方法，即数据集中对应的数据为其申请用户关联的关联用户及其对应的特征值。在如图2所示的用户类型预测方法中，在电子设备接收到预测请求时，基于预设数据库确定预测申请用户集对应的预测数据集、训练申请用户集对应的训练数据训练结果集、验证申请用户集对应的验证数据集和验证结果集，根据上述训练数据集和上述训练结果集构建用户类型待验证模型，然后根据上述验证数据集和上述验证结果集对上述用户类型待验证模型进行验证得到用户类型预测模型，将上述预测数据集中每一预设数据输入至上述用户类型预测模型得到上述预测申请用户集中每一申请用户对应的逾期概率，再基于上述预测申请用户集中每一申请用户对应的逾期概率得到黑名单用户集。即本申请可以通过训练和验证方法得到用户类型预测模型，并根据该预测模型确定预测申请用户中的黑名单用户，可提高预测申请用户是否为黑名单用户的准确性，便于提高风险识别能力。与图1a和图2的实施例一致，请参照图3，图3是本申请实施例提供的一种用户类型预测装置的结构示意图，该装置应用于电子设备。如图3所示，上述用户类型预测装置300包括：接收单元301用于接收预测请求；处理单元302用于构建用户类型预测模型；基于预设数据库确定第一用户和与所述第一用户关联的第二用户；基于所述预设数据库获取所述第一用户与所述第二用户的关联度和所述第二用户的特征及其对应的第一特征值；将所述关联度和所述第一特征值输入至所述用户类型预测模型得到所述第一用户的逾期概率；基于所述逾期概率预测所述第一用户为黑名单用户。可以理解，若接收单元301接收到预测请求，处理单元302构建用户类型预测模型，然后基于预设数据库确定第一用户和与第一用户关联的第二用户，再基于预设数据库获取第一用户与第二用户的关联度和第二用户的特征及其对应的第一特征值，然后将第一用户与第二用户的关联度以及该第一特征值输入用户类型预测模型得到第一用户的逾期概率，基于逾期概率预测第一用户为黑名单用户。即本申请可以根据其他用户(即第二用户)的特征值、与其他用户的关联度和预先构建的用户类型预测模型来预测申请用户(即第一用户)的逾期概率，并基于逾期概率识别申请用户是否为黑名单用户，可提高确定申请用户是否为黑名单用户的准确性，便于提高风险识别能力。在一个可能的示例中，在所述构建用户类型预测模型方面，所述处理单元302具体用于基于所述预设数据库确定训练申请用户集对应的训练数据集和训练结果集、验证申请用户集对应的验证数据集和验证结果集；根据所述训练数据集和所述训练结果集构建用户类型待验证模型；根据所述验证数据集和所述验证结果集对所述用户类型待验证模型进行验证得到所述用户类型预测模型。在一个可能的示例中，在所述基于所述预设数据库确定训练申请用户集对应的训练数据集和训练结果集、验证申请用户集对应的验证数据集和验证结果集方面，所述处理单元302具体用于根据预先设置的预测周期、还款时长和所述当前时间确定第一时段、第二时段、第三时段和第四时段；在所述预设数据库中，分别获取所述第一时段、所述第二时段授权申请信息的申请用户得到第一用户集和第二用户集；在所述预设数据库中，分别获取从历史时间到所述第一时段的开始时间之间、从所述历史时间到所述第二时段的开始时间之间授权申请信息的申请用户和与其申请用户关联的关联用户得到第三用户集和第四用户集；确定所述第一用户集和所述第三用户集之间重合的用户属于所述训练申请用户集、所述第二用户集和所述第四用户集之间重合的用户属于所述验证申请用户集；在所述预设数据库中，分别确定从所述历史时间到所述第一时段的开始时间之间所述训练申请用户集、从所述历史时间到所述第一时段的结束时间之间所述验证申请用户集中每一申请用户或其关联的关联用户对应的特征及其对应的特征值得到所述训练数据集和所述验证数据集；在所述预设数据库中，分别确定所述第三时段中与所述训练申请用户集、所述第四时段中与所述验证申请用户集中每一申请用户对应的还款信息，得到所述训练数据集和所述验证结果集。在一个可能的示例中，在所述基于预设数据库确定第一用户和与所述第一用户关联的第二用户方面，所述处理单元302具体用于在所述预设数据库中，获取从历史时间到当前时间之间授权申请信息的申请用户得到预测申请用户集，所述第一用户为所述预测申请用户集中的任意一个申请用户；在所述预设数据库中，基于所述第一用户的第一用户标识查找所述第一用户的即时通讯信息和/或申请信息；基于所述即时通讯信息和/或申请信息，确定与所述第一用户关联的第二用户。在一个可能的示例中，在所述基于所述预设数据库获取所述第二用户的特征及其对应的第一特征值方面，所述处理单元302具体用于在所述预设数据库中，基于所述第二用户的第二用户标识查找所述第二用户对应多个申请信息；若所述申请信息的个数为多个，获取各个所述申请信息对应的目标评价值得到多个目标评价值；根据所述多个目标评价值获取所述第二用户的特征及其对应的第一特征值。在一个可能的示例中，在所述基于所述预设数据库获取所述第二用户的特征及其对应的第一特征值方面，所述处理单元302具体用于基于所述预设数据库确定所述第二用户对应的社区以及所述社区对应的特征及其对应的特征值；将所述社区对应的特征及其对应的特征值作为所述第二用户的特征及其对应的第一特征值。在一个可能的示例中，所述第二用户的数量为多个；在所述将所述关联度和所述第一特征值输入至所述用户类型预测模型得到所述第一用户的逾期概率方面，所述处理单元302具体用于将各个所述第二用户与所述第一用户的关联度、各个所述第二用户的第一特征值输入至所述用户类型预测模型得到所述第一用户的逾期概率。与图1a和图2的实施例一致，请参照图4，图4是本申请实施例提供的一种电子设备的结构示意图。如图4所示，该电子设备400包括处理器410、存储器420以及一个或多个程序430，其中，上述一个或多个程序430被存储在上述存储器420中，并且被配置由上述处理器410执行，上述程序430包括用于执行以下步骤的指令：在接收到预测请求时，构建用户类型预测模型；基于预设数据库确定第一用户和与所述第一用户关联的第二用户；基于所述预设数据库确定所述第一用户与所述第二用户的关联度和所述第二用户的特征及其对应的第一特征值；将所述关联度和所述第一特征值输入至所述用户类型预测模型得到所述第一用户的逾期概率；基于所述逾期概率预测所述第一用户为黑名单用户。可以理解，若电子设备400接收到预测请求，构建用户类型预测模型，然后基于预设数据库确定第一用户和与第一用户关联的第二用户，再基于预设数据库获取第一用户与第二用户的关联度和第二用户的特征及其对应的第一特征值，然后将第一用户与第二用户的关联度以及该第一特征值输入用户类型预测模型得到第一用户的逾期概率，基于逾期概率预测第一用户为黑名单用户。即本申请可以根据其他用户(即第二用户)的特征值、与其他用户的关联度和预先构建的用户类型预测模型来预测申请用户(即第一用户)的逾期概率，并基于逾期概率识别申请用户是否为黑名单用户，可提高确定申请用户是否为黑名单用户的准确性，便于提高风险识别能力。在一个可能的示例中，在上述构建用户类型预测模型方面，该程序430中的指令具体用于执行以下操作：基于所述预设数据库确定训练申请用户集对应的训练数据集和训练结果集、验证申请用户集对应的验证数据集和验证结果集；根据所述训练数据集和所述训练结果集，构建用户类型待验证模型；根据所述验证数据集和所述验证结果集，对所述用户类型待验证模型进行验证得到所述用户类型预测模型。在一个可能的示例中，在上述基于所述预设数据库确定训练申请用户集对应的训练数据集和训练结果集、验证申请用户集对应的验证数据集和验证结果集方面，该程序430中的指令具体用于执行以下操作：根据预先设置的预测周期、还款时长和所述当前时间确定第一时段、第二时段、第三时段和第四时段；在所述预设数据库中，分别获取所述第一时段、所述第二时段授权申请信息的申请用户得到第一用户集和第二用户集；在所述预设数据库中，分别获取从历史时间到所述第一时段的开始时间之间、从所述历史时间到所述第二时段的开始时间之间授权申请信息的申请用户和与其申请用户关联的关联用户得到第三用户集和第四用户集；确定所述第一用户集和所述第三用户集之间重合的用户属于所述训练申请用户集、所述第二用户集和所述第四用户集之间重合的用户属于所述验证申请用户集；在所述预设数据库中，分别确定从所述历史时间到所述第一时段的开始时间之间所述训练申请用户集、从所述历史时间到所述第一时段的结束时间之间所述验证申请用户集中每一申请用户或其关联的关联用户对应的特征及其对应的特征值得到所述训练数据集和所述验证数据集；在所述预设数据库中，分别确定所述第三时段中与所述训练申请用户集、所述第四时段中与所述验证申请用户集中每一申请用户对应的还款信息得到所述训练数据集和所述验证结果集。在一个可能的示例中，在上述基于预设数据库确定第一用户和与所述第一用户关联的第二用户方面，该程序430中的指令具体用于执行以下操作：在所述预设数据库中，获取从历史时间到当前时间之间授权申请信息的申请用户得到预测申请用户集，所述第一用户为所述预测申请用户集中的任意一个申请用户；在所述预设数据库中，基于所述第一用户的第一用户标识查找所述第一用户的即时通讯信息和/或申请信息；基于所述即时通讯信息和/或申请信息确定与所述第一用户关联的第二用户。在一个可能的示例中，在上述基于所述预设数据库获取所述第二用户的特征及其对应的第一特征值方面，该程序430中的指令具体用于执行以下操作：在所述预设数据库中，基于所述第二用户的第二用户标识查找所述第二用户对应多个申请信息；若所述申请信息的个数为多个，获取各个所述申请信息对应的目标评价值得到多个目标评价值；根据所述多个目标评价值获取所述第二用户的特征及其对应的第一特征值。在一个可能的示例中，在上述基于所述预设数据库获取所述第二用户的特征及其对应的第一特征值方面，该程序430中的指令具体用于执行以下操作：基于所述预设数据库，确定所述第二用户对应的社区，以及所述社区对应的特征及其对应的特征值；将所述社区对应的特征及其对应的特征值作为所述第二用户的特征及其对应的第一特征值。在一个可能的示例中，所述第二用户的数量为多个；在上述将所述关联度和所述第一特征值输入至所述用户类型预测模型得到所述第一用户的逾期概率方面，该程序430中的指令具体用于执行以下操作：将各个所述第二用户与所述第一用户的关联度、各个所述第二用户的第一特征值输入至所述用户类型预测模型得到所述第一用户的逾期概率。本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于存储计算机程序，该计算机程序使得计算机执行如方法实施例中记载的任一方法的部分或全部步骤，计算机包括电子设备。本申请实施例还提供一种计算机程序产品，计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，计算机程序可操作来使计算机执行如方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，计算机包括电子设备。需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模式并不一定是本申请所必须的。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模式的形式实现。集成的单元如果以软件程序模式的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、rom、ram、磁盘或光盘等。以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。当前第1页12