用户分类方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种用户分类方法、装置、计算机设备和存储介质。


背景技术：

2.在传统技术中，常常需要对用户标识进行分类，以根据用户标识所属的类别，执行不同的动作。比如，当向用户推送信息时，可根据用户标识所属的类别推送相应的信息，从而提高信息转化率；或者，可根据用户标识所属的类别确定用户标识的风险等级，从而提高风险控制能力。
3.但是，由于隐私保护等原因，有时很难获取直接用于分类的数据，即使利用相关数据进行拟合，其拟合得到的数据大多存在不准确的问题，这导致对用户标识的分类不准确。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够准确识别用户标识所属的类别的用户分类方法、装置、计算机设备和存储介质。
5.一种用户分类方法，方法包括：
6.获取目标用户标识在各个预设领域对应的特征信息；
7.根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的因子载荷矩阵，因子载荷矩阵用于表征目标用户标识在各个预设领域对应的特征信息，与各个预设领域对应的目标特征信息之间的相关关系；
8.根据目标用户标识在各个预设领域对应的因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数；
9.根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识的资源数值；
10.根据目标用户标识的资源数值确定目标用户标识所属的类别。
11.一种用户分类装置，装置包括：
12.获取模块，用于获取目标用户标识在各个预设领域对应的特征信息；
13.生成模块，用于根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的因子载荷矩阵，因子载荷矩阵用于表征目标用户标识在各个预设领域对应的特征信息，与各个预设领域对应的目标特征信息之间的相关关系；
14.确定模块，用于根据目标用户标识在各个预设领域对应的因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数；
15.确定模块，还用于根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识的资源数值；
16.确定模块，还用于根据目标用户标识的资源数值确定目标用户标识所属的类别。
17.一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计
算机程序时实现以下步骤：
18.获取目标用户标识在各个预设领域对应的特征信息；
19.根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的因子载荷矩阵，因子载荷矩阵用于表征目标用户标识在各个预设领域对应的特征信息，与各个预设领域对应的目标特征信息之间的相关关系；
20.根据目标用户标识在各个预设领域对应的因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数；
21.根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识的资源数值；
22.根据目标用户标识的资源数值确定目标用户标识所属的类别。
23.一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
24.获取目标用户标识在各个预设领域对应的特征信息；
25.根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的因子载荷矩阵，因子载荷矩阵用于表征目标用户标识在各个预设领域对应的特征信息，与各个预设领域对应的目标特征信息之间的相关关系；
26.根据目标用户标识在各个预设领域对应的因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数；
27.根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识的资源数值；
28.根据目标用户标识的资源数值确定目标用户标识所属的类别。
29.上述用户分类方法、装置、计算机设备和存储介质，获取目标用户标识在各个预设领域对应的特征信息，接着，根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的因子载荷矩阵，接着，根据目标用户标识在各个预设领域对应的因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数，接着，根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识的资源数值，并根据目标用户标识的资源数值确定目标用户标识所属的类别，这样，综合目标用户标识在各个预设领域的状况来构建目标用户标识的资源数值，根据目标用户标识的资源数值确定目标用户标识所属的类别，实现准确识别目标用户标识所属的类别。
附图说明
30.图1为一个实施例中用户分类方法的流程示意图；
31.图2为一个实施例中构建预设领域的特征标识的流程示意图；
32.图3为一个实施例中获取因子载荷矩阵的流程示意图；
33.图4为一个实施例中获取特征系数的流程示意图；
34.图5为另一个实施例中用户分类方法的流程示意图；
35.图6为一个实施例中投资因子的示意图；
36.图7为一个实施例中消费因子的示意图；
37.图8为一个实施例中身份因子的示意图；
38.图9为一个实施例中资源因子的示意图；
39.图10为一个实施例中用户资产分布的示意图；
40.图11为一个实施例中资源数值的分布结果的示意图；
41.图12为一个实施例中用户分类装置的结构框图；
42.图13为一个实施例中计算机设备的内部结构图。
具体实施方式
43.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
44.在一个实施例中，如图1所示，提供了一种用户分类方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
45.步骤102，获取目标用户标识在各个预设领域对应的特征信息。
46.其中，目标用户标识是指待检测类别的用户标识。目标用户标识用于唯一表示目标用户身份。目标用户标识可为目标用户的身份证号码、护照号码、驾驶证号码等。
47.预设领域可包括投资领域、消费领域、资源领域和身份领域中的至少一个。投资是指以预设数值的资源作为输入，通过动态调节模型，在预设时间内处理输出对应的资源的过程。消费是指以预定数值的资源作为输入，通过交换模型，处理输出对应的资源的过程。资源可为目标用户标识所对应的资产等。身份可为目标用户标识所对应的资源等级。
48.投资领域的特征信息，可用于描述目标用户标识的投资行为；消费领域的特征信息，可用于描述目标用户标识的消费行为；资源领域的特征信息，可包括目标用户标识对应的具体资产；身份领域的特征信息，可包括构成目标用户标识的资源等级的因素。
49.在一个实施例中，特征信息可包括特征标识，以及目标用户标识在特征标识对应的特征值。获取目标用户标识在各个预设领域对应的特征信息，包括：获取各个预设领域对应的特征标识，以及目标用户标识在特征标识对应的特征值。
50.在一个实施例中，终端获取目标用户标识在各个预设领域对应的特征信息。
51.步骤104，根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的因子载荷矩阵。
52.其中，因子载荷矩阵用于表征目标用户标识在各个预设领域对应的特征信息，与各个预设领域对应的目标特征信息之间的相关关系。各个预设领域对应的目标特征信息，是隐藏在各个预设领域对应的特征信息中，且无法直接测量得到的隐性变量。比如，以图像的清晰度为例，图像的清晰度可通过亮度、对比度、饱和度、锐化强度等变量进行描述，可将亮度、对比度、饱和度总结为色彩因素，可将锐化强度归为结构因素，这样，将四个变量总结为两个隐性变量。
53.在一个实施例中，根据目标用户标识在各个预设领域对应的特征信息，确定目标用户标识在各个预设领域对应的目标特征信息，根据目标用户标识在各个预设领域对应的目标特征信息，生成目标用户标识在各个预设领域对应的因子载荷矩阵。在一个实施例中，
可通过因子分析方法，根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的因子载荷矩阵。因子分析方法是在多个变量中找出隐藏的、具有代表性的公共因子，将相同本质的变量归入一个公共因子，从而减少变量的数量。
54.在一个实施例中，可通过主成分分析方法，根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的因子载荷矩阵。主成分分析方法是利用降维的思想，将多个变量转化为至少一个公共因子进行表示，其中，在主成分分析方法中，公共因子是多个变量的线性组合，各个公共因子之间互不相关，从而这些公共因子能够反映变量的大部分信息，且所反映的信息互不重叠。
55.在一个实施例中，终端根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的因子载荷矩阵。
56.步骤106，根据目标用户标识在各个预设领域对应的因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数。
57.其中，特征系数用于表征特征信息在目标特征信息的权重。
58.在一个实施例中，可根据因子载荷矩阵，确定特征信息在目标特征信息对应的因子载荷，根据特征信息在目标特征信息对应的因子载荷，确定特征信息的特征系数。因子载荷反映了第i个变量与第j个公共因子的相关关系的密切程度，因子载荷的绝对值越大，第i个变量与第j个公共因子的相关关系越密切。
59.在一个实施例中，终端根据目标用户标识在各个预设领域对应的因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数。
60.步骤108，根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识的资源数值。
61.其中，资源数值用于表征目标用户标识的资源情况。
62.在一个实施例中，可计算目标用户标识在各个预设领域对应的特征值与特征值对应的特征系数之间的乘积，进而计算各个乘积之间的加和，将加和作为目标用户标识的资源数值。
63.在一个实施例中，终端根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识的资源数值。
64.步骤110，根据目标用户标识的资源数值确定目标用户标识所属的类别。
65.在一个实施例中，可预先设置至少两个类别，比如第一类别、第二类别、第三类别等；并且，可预先设置预先存储的资源数值与类别之间的关联关系。其中，第一类别的资源数值可小于第三类别的资源数值，第三类别的资源数值可小于第二类别的资源数值。
66.在一个实施例中，获取预先存储的资源数值与类别之间的关联关系，根据目标用户标识的资源数值以及该关联关系确定目标用户标识所属的类别。
67.在一个实施例中，当对目标用户标识进行信息推送时，可获取目标用户标识所属的类别，根据目标用户标识所属的类别推送对应的信息。比如，用户标识a所属的类别为第二类别，用户标识b所属的类别为第一类别，可针对用户标识a推送投资类型的信息，针对用户标识b推送理财类型的信息。
68.在一个实施例中，当对目标用户标识进行风险识别时，可获取目标用户标识所属的类别，根据目标用户标识所属的类别确定目标用户标识的风险等级。比如，用户标识a所
属的类别为第二类别，用户标识b所属的类别为第一类别，当用户标识a、用户标识b申请同一数值的资源时，可判定用户标识a的风险低于用户标识b的风险。
69.在一个实施例中，终端根据目标用户标识的资源数值确定目标用户标识所属的类别。
70.上述用户分类方法中，获取目标用户标识在各个预设领域对应的特征信息，接着，根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的因子载荷矩阵，接着，根据目标用户标识在各个预设领域对应的因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数，接着，根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识的资源数值，并根据目标用户标识的资源数值确定目标用户标识所属的类别，这样，综合目标用户标识在各个预设领域的状况来构建目标用户标识的资源数值，根据目标用户标识的资产数值确定目标用户标识所属的类别，实现准确识别目标用户标识所属的类别。
71.在一个实施例中，获取目标用户标识在特征标识对应的特征值的方式，包括：获取目标用户标识在特征标识对应的参数值；对目标用户标识在特征标识对应的参数值进行数据标准化处理，得到目标用户标识在特征标识对应的特征值。
72.其中，参数值用于描述特征标识对应的原始数据。
73.在一个实施例中，参数值可为特征标识对应的原始数据，也可根据特征标识与参数值之间的对应关系确定。比如，特征标识为“超过阈值的数值转移”，其对应的参数值可为“超过阈值的数值转移”对应的原始数据，其对应的参数值也可为根据预先存储的“超过阈值的数值转移”与参数值之间的对应关系所确定的数值。
74.具体地，对目标用户标识在特征标识对应的参数值进行数据标准化处理，使得不同量级的数据转化为同一量级的数据。可选地，可通过z-score标准化方法、最大最小标准化方法、小数定标法等，对目标用户标识在特征标识对应的参数值进行数据标准化处理，得到目标用户标识在特征标识对应的特征值。
75.本实施例中，获取目标用户标识在特征标识对应的参数值，对目标用户标识在特征标识对应的参数值进行数据标准化处理，得到目标用户标识在特征标识对应的特征值，这样，使得目标用户标识在特征标识对应的特征值处于同一量级，便于后续的分析、计算。
76.在一个实施例中，获取各个预设领域对应的特征标识的方式，包括：获取预先存储的预设领域与特征标识之间的匹配关系；根据匹配关系确定各个预设领域对应的特征标识。
77.在一个实施例中，可预先选取一些特征标识，按照这些特征标识的属性对应分配给预设领域，并将特征标识与对应的预设领域关联存储。比如，特征标识“是否数值转移超过阈值”，可反映出目标用户标识的消费习惯，因此可将特征标识“是否数值转移超过阈值”与消费领域关联存储。
78.本实施例中，获取预先存储的预设领域与特征标识之间的匹配关系，根据匹配关系确定各个预设领域对应的特征标识，这样，使得各个预设领域的特征标识能够准确描述用户在各个预设领域的状况，进而提高了对用户资源数值分析的准确性。
79.在一个实施例中，如图2所示，预设领域与特征标识之间的匹配关系的构建方式，包括：
80.步骤202，获取第一类别对应的样本用户标识以及第二类别对应的样本用户标识，对第一类别对应的样本用户标识以及第二类别对应的样本用户标识进行特征分析，确定候选特征标识。
81.其中，以预设资源数值为界限，第一类别对应的样本用户标识用于表征资源数值低于预设资源数值的用户类型，第二类别对应的样本用户标识用于表征资源数值高于预设资源数值的用户类型，预设资源数值可根据实际应用进行设定。
82.在一个实施例中，第一类别对应的样本用户标识以及第二类别对应的样本用户标识可根据指标参数确定，指标参数包括账户剩余值、转移至第三方账户的数值、转移至个人第三方账户的次数和转移至他人账户次数中的至少一个，第二类别对应的样本用户标识对应的账户剩余值大于第一类别对应的样本用户标识对应的账户剩余值。
83.可选地，可将账户剩余值、转移至第三方账户的数值以及转移至个人第三方账户的次数满足第一条件的样本用户标识作为第一类别对应的样本用户标识。当预设时长内的账户剩余值均小于第一预设值、平均转移至第三方账户的数值小于第二预设值、预设时间间隔内的平均转移至个人第三方账户的次数大于预设次数时，判定账户剩余值、转移至第三方账户的数值以及转移至个人第三方账户的次数满足第一条件。以微信钱包为例，当过去6个月的零钱剩余值均小于100元、平均转移至第三方账户的数值小于10元、每月平均转移至个人第三方账户的次数大于1次时，判定账户剩余值、转移至第三方账户的数值以及转移至个人第三方账户的次数满足第一条件。个人第三方账户可为银行卡账号等。
84.可选地，可将账户剩余值以及转移至他人账户次数满足第二条件的样本用户标识作为第二类别对应的样本用户标识。当预定时长内的日均账户剩余值大于第二预设值、预定时间间隔内的平均转移至他人账户次数小于预定次数时，判定账户剩余值以及转移至他人账户次数满足第二条件，其中，第二预设值大于第一预设值。以微信钱包为例，当过去6个月的日均零钱剩余值大于50万元、每月平均转移至他人账户次数小于10次时，判定账户剩余值以及转移至他人账户次数满足第二条件，这样可排除商户收款账号。
85.在一个实施例中，可对第一类别对应的样本用户标识以及第二类别对应的样本用户标识构建多个维度画像，比如基础画像、消费画像、应用程序偏好、投资偏好等等，从而提取到多个候选特征标识。
86.步骤204，根据特征选取条件，在候选特征标识中确定目标特征标识。
87.在一个实施例中，特征选取条件包括：信息价值大于第一阈值、召回率大于第二阈值、统计周期大于第三阈值、业务相关系数大于第四阈值中的至少一个，并且，当至少两个候选特征标识的特征相关系数大于第五阈值时，将其中召回率最高的候选特征标识作为目标特征标识。
88.其中，信息价值是iv(information value)值，其用于描述变量的预测能力，信息价值越大，变量的预测能力越强，可选地，第一阈值可为0.2。召回率用于描述样本中有多少正例被预测正确，可选地，第二阈值可为0.3。统计周期用于描述变量数据的采集周期，可选地，第三阈值可为12个月，比如候选特征标识“过去1个月用于消费的数值转移”与候选特征标识“过去12个月用于消费的数值转移”，选择稳定性更高的“过去12个月用于消费的数值转移”作为目标特征标识。业务相关系数用于描述变量与资源之间的相关关系，使得选取与资源较为相关的目标特征标识，而舍弃譬如“页面点击率”、“新闻浏览量”等与资源相关性
不高的候选特征标识，可选地，第四阈值可为0.7。特征相关系数用于描述变量与变量之间的相关关系，可选地，第五阈值可为0.7。
89.步骤206，按照预设领域对目标特征标识进行分类，得到各个预设领域对应的特征标识，将预设领域与预设领域对应的特征标识进行关联，得到预设领域与特征标识之间的匹配关系。
90.在一个实施例中，根据目标特征标识的属性对应分配给预设领域，并将特征标识与对应的预设领域关联存储。比如，目标特征标识“是否有投资经验”，可反映出目标用户标识的投资习惯，因此可将目标特征标识“是否有投资经验”与投资领域关联存储。
91.本实施例中，获取第一类别对应的样本用户标识以及第二类别对应的样本用户标识，对第一类别对应的样本用户标识以及第二类别对应的样本用户标识进行特征分析，确定候选特征标识，根据特征选取条件，在候选特征标识中确定目标特征标识，按照预设领域对目标特征标识进行分类，得到各个预设领域对应的特征标识，将预设领域与预设领域对应的特征标识进行关联，得到预设领域与特征标识之间的匹配关系，这样，使得各个预设领域的特征标识能够准确描述用户在各个预设领域的状况，进而提高了对用户资源数值分析的准确性。
92.在一个实施例中，如图3所示，根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的因子载荷矩阵，包括：
93.步骤302，根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的相关系数矩阵。
94.其中，相关系数矩阵可反映特征信息之间的相关关系，其通过特征信息之间的相关系数建立，相关系数用于反映特征信息之间的相关程度。特征信息之间的相关系数越大，特征信息之间的相关关系越密切。
95.在一个实施例中，也可根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的协方差矩阵。协方差矩阵可反映特征信息之间的相关关系，特征信息之间的协方差越大，特征信息之间的相关关系越密切。
96.步骤304，获取各个预设领域对应的相关系数矩阵的特征根以及特征向量。
97.在一个实施例中，计算各个预设领域对应的相关系数矩阵的特征根、方差贡献率和累计方差贡献率，确定公共因子(即目标特征信息)的个数。特征根用于描述公共因子所能解释的方差大小，方差贡献率可反映公共因子对特征信息的单一解释程度，累计方差贡献率可反映公共因子对特征信息的累计解释程度。
98.在一个实施例中，可在各个预设领域选取特征根满足预设条件(例如特征根大于1)和/或累计方差贡献率满足预定条件(例如累计方差贡献率大于80％)对应的个数作为公共因子的个数。可选地，可在各个预设领域分别选取1个或者2个公共因子。
99.步骤306，根据各个预设领域对应的相关系数矩阵的特征根以及特征向量，生成目标用户标识在各个预设领域对应的因子载荷矩阵。
100.在一个实施例中，可计算公共因子的特征根对应的标准正交化特征向量，根据相关系数矩阵的特征根以及公共因子的标准正交化特征向量，建立目标用户标识在各个预设领域对应的因子载荷矩阵。其中，每一个公共因子的因子载荷的平方和等于对应的特征根。因子载荷为第i个变量与第j个公共因子的相关系数，其反映了第i个变量与第j个公共因子
的相关关系的密切程度。
101.本实施例中，根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的相关系数矩阵，获取各个预设领域对应的相关系数矩阵的特征根以及特征向量，根据各个预设领域对应的相关系数矩阵的特征根以及特征向量，生成目标用户标识在各个预设领域对应的因子载荷矩阵，这样，准确建立目标用户标识在各个预设领域对应的因子载荷矩阵。
102.在一个实施例中，如图4所示，根据目标用户标识在各个预设领域对应的因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数，包括：
103.步骤402，对目标用户标识在各个预设领域对应的因子载荷矩阵进行正交旋转处理，得到目标用户标识在各个预设领域对应的旋转因子载荷矩阵。
104.其中，旋转因子载荷矩阵用于表征目标用户标识在各个预设领域对应的特征信息，与各个预设领域对应的目标特征信息之间的相关关系。具体地，与因子载荷矩阵相比，旋转因子载荷矩阵使得同一列上的因子载荷向1和0两极分离，使得各个变量在某个公共因子上产生较大的因子载荷，而在其它的公共因子上产生较小的因子载荷，使得公共因子具有明确的含义。比如，投资领域的公共因子可为投资因子，消费领域的公共因子可为消费因子，身份领域的公共因子可为身份因子，资源领域的公共因子可为资源因子。
105.在一个实施例中，可通过最大方差法对目标用户标识在各个预设领域对应的因子载荷矩阵进行正交旋转处理，得到目标用户标识在各个预设领域对应的旋转因子载荷矩阵。
106.步骤404，根据旋转因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数。
107.在一个实施例中，可根据旋转因子载荷矩阵，获取特征信息在目标特征信息的因子载荷，根据特征信息在目标特征信息的因子载荷，确定目标用户标识在各个预设领域对应的特征信息的特征系数。
108.本实施例中，对目标用户标识在各个预设领域对应的因子载荷矩阵进行正交旋转处理，得到目标用户标识在各个预设领域对应的旋转因子载荷矩阵，根据旋转因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数，这样，准确获取目标用户标识在各个预设领域对应的特征系数。
109.在一个实施例中，根据旋转因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数，包括：根据旋转因子载荷矩阵，获取目标用户标识在各个预设领域对应的因子得分系数矩阵；根据因子得分系数矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数。
110.在一个实施例中，可通过加权最小二乘法、回归分析预测法、thomson因子得分法等，对旋转因子载荷矩阵进行处理，得到因子得分系数矩阵。
111.在一个实施例中，根据因子得分系数矩阵，确定特征信息的特征系数的方式可以是：获取特征信息在目标特征信息的因子载荷，将因子载荷对应的因子得分系数，作为特征信息的特征系数。
112.本实施例中，根据旋转因子载荷矩阵，获取目标用户标识在各个预设领域对应的因子得分系数矩阵，根据因子得分系数矩阵，确定目标用户标识在各个预设领域对应的特
征信息的特征系数，这样，准确获取目标用户标识在各个预设领域对应的特征系数。
113.在一个实施例中，根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识的资源数值，包括：根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识在各个预设领域的资源得分；根据目标用户标识在各个预设领域的资源得分，确定目标用户标识的资源数值。
114.在一个实施例中，根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识在各个预设领域的资源得分，包括：计算目标用户标识在预设领域对应的特征信息，与特征信息的特征系数之间的乘积，获取乘积中的最大值，将该乘积中的最大值作为目标用户标识在预设领域的资源得分；或者，计算目标用户标识在预设领域对应的特征信息，与特征信息的特征系数之间的乘积，计算乘积的平均值，将该乘积的平均值作为目标用户标识在预设领域的资源得分。
115.在一个实施例中，根据目标用户标识在各个预设领域的资源得分，确定目标用户标识的资源数值，包括：
[0116][0117]
其中，y为目标用户标识的资源数值，x为目标用户标识在各个预设领域的资源得分。
[0118]
具体地，log(logarithm)可解决各个预设领域的资源得分分布不均匀的问题，得到类似正态的分布曲线；sigmoid函数，即f(z)＝1/(1+e-z
)形式的函数，使得资源数值在0-100之间，并且当一预设领域的资源得分较高时，资源数值也会呈现比较高的分数。
[0119]
在一个实施例中，根据目标用户标识在各个预设领域的资源得分，确定目标用户标识的资源数值，包括：获取各个预设领域的资源得分中的最大值，将该最大值作为目标用户标识的资源数值；或者，计算各个预设领域的资源得分的平均值，将该平均值作为目标用户标识的资源数值；或者，计算各个预设领域的资源得分之和，将该加和作为目标用户标识的资源数值；或者，对各个预设领域的资源得分设置权重，计算各个预设领域的资源得分与对应的权重的乘积，计算各个预设领域的乘积之和，得到目标用户标识的资源数值。
[0120]
本实施例中，根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识在各个预设领域的资源得分，根据目标用户标识在各个预设领域的资源得分，确定目标用户标识的资源数值，这样，通过目标用户标识在各个预设领域的资源得分构建目标用户标识在的资源数值，解决了无法获取直接用于评估用户的资源情况的数据的问题。
[0121]
在一个实施例中，根据目标用户标识在预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识在预设领域的资源得分的方式，包括：计算目标用户标识在预设领域对应的特征信息，与特征信息的特征系数之间的乘积；将预设领域的乘积进行加和，得到目标用户标识在预设领域的资源得分。
[0122]
具体地，可根据以下公式计算目标用户标识在预设领域的资源得分：
[0123]
f2＝∑w
i
×
f1[0124]
其中，f2为预设领域的资源得分，f1为目标用户标识在预设领域对应的特征信息，
w
i
为特征信息的特征系数。
[0125]
本实施例中，计算目标用户标识在预设领域对应的特征信息，与特征信息的特征系数之间的乘积，将预设领域的乘积进行加和，得到目标用户标识在预设领域的资源得分，这样，获取目标用户标识在各个预设领域的资源得分，以通过目标用户标识在各个预设领域的资源得分构建目标用户标识在的资源数值。
[0126]
在一个实施例中，如图5所示，提供了一种用户分类方法，该方法包括以下步骤：
[0127]
步骤502，获取第一类别对应的样本用户标识以及第二类别对应的样本用户标识，对第一类别对应的样本用户标识以及第二类别对应的样本用户标识进行特征分析，确定候选特征标识。
[0128]
步骤504，根据特征选取条件，在候选特征标识中确定目标特征标识。
[0129]
步骤506，按照预设领域对目标特征标识进行分类，得到各个预设领域对应的特征标识。
[0130]
步骤508，获取各个预设领域对应的特征标识，以及目标用户标识在特征标识对应的特征值，预设领域包括投资领域、消费领域、资源领域和身份领域。
[0131]
步骤510，根据各个预设领域对应的特征标识，以及目标用户标识在特征标识对应的特征值，确定目标用户标识在各个预设领域对应的目标特征信息。
[0132]
步骤512，根据目标用户标识在各个预设领域对应的目标特征信息，确定目标用户标识在各个预设领域对应的特征信息的特征系数。
[0133]
步骤514，根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识对应的资源数值，并根据目标用户标识对应的资源数值确定目标用户标识所属的类别。
[0134]
本实施例中，综合目标用户标识在各个预设领域的状况来构建目标用户标识的资源数值，实现准确分析用户标识的资源情况，进而根据目标用户标识的资产数值确定目标用户标识所属的类别，实现准确识别目标用户标识所属的类别。
[0135]
在一个具体的实施例中，提供了一种用户分类方法，该方法包括以下步骤：
[0136]
获取目标用户标识在各个预设领域对应的特征信息，预设领域可包括投资领域、消费领域、资源领域和身份领域，特征信息可包括特征标识以及目标用户标识在特征标识对应的特征值。
[0137]
接着，根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的相关系数矩阵，获取各个预设领域对应的相关系数矩阵的特征根以及特征向量，根据各个预设领域对应的相关系数矩阵的特征根以及特征向量，生成目标用户标识在各个预设领域对应的因子载荷矩阵。
[0138]
进一步地，对目标用户标识在各个预设领域对应的因子载荷矩阵进行正交旋转处理，得到目标用户标识在各个预设领域对应的旋转因子载荷矩阵。
[0139]
接着，根据旋转因子载荷矩阵，获取目标用户标识在各个预设领域对应的因子得分系数矩阵，根据因子得分系数矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数。比如，如图6所示，图6展示了投资领域的特征信息与公共因子之间的特征系数；如图7所示，图7展示了消费领域的特征信息与公共因子之间的特征系数；如图8所示，图8展示了身份领域的特征信息与公共因子之间的特征系数；如图9所示，图9展示了资源领域
的特征信息与公共因子之间的特征系数。
[0140]
进一步地，根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识在各个预设领域的资源得分。
[0141]
接着，根据目标用户标识在各个预设领域的资源得分，确定目标用户标识的资源数值。
[0142]
具体地，可通过以下公式计算目标用户标识的资源数值。
[0143][0144]
其中，y为目标用户标识的资源数值，x为目标用户标识在各个预设领域的资源得分。
[0145]
进一步地，根据目标用户标识的资源数值确定目标用户标识所属的类别。
[0146]
如图10所示，图10为通过本实施例提供的方法预测得到的用户资产分布，其与调研报告提供的数据相吻合。
[0147]
如图11所示，图11为对高净值用户和一般净值用户的资源数值的分布比对结果，左边为一般净值用户比例，右边为高净值用户比例，两类用户的资源数值区分明显，说明资源数值可准确反映用户的资源情况。
[0148]
上述用户分类方法中，综合目标用户标识在各个预设领域的状况来构建目标用户标识的资源数值，实现准确分析用户标识的资源情况，进而根据目标用户标识的资产数值确定目标用户标识所属的类别，实现准确识别目标用户标识所属的类别。
[0149]
本技术还提供一种应用场景，该应用场景应用上述的用户分类方法。具体地，该用户分类方法在该应用场景的应用如下：分析目标用户标识所属的类别，按照目标用户标识所属的类别，对目标用户标识进行信息推送。
[0150]
该方法包括：
[0151]
获取目标用户标识在各个预设领域对应的特征信息，预设领域可包括投资领域、消费领域、资源领域和身份领域，特征信息可包括特征标识以及目标用户标识在特征标识对应的特征值。
[0152]
接着，根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的相关系数矩阵，获取各个预设领域对应的相关系数矩阵的特征根以及特征向量，根据各个预设领域对应的相关系数矩阵的特征根以及特征向量，生成目标用户标识在各个预设领域对应的因子载荷矩阵。
[0153]
进一步地，对目标用户标识在各个预设领域对应的因子载荷矩阵进行正交旋转处理，得到目标用户标识在各个预设领域对应的旋转因子载荷矩阵。
[0154]
接着，根据旋转因子载荷矩阵，获取目标用户标识在各个预设领域对应的因子得分系数矩阵，根据因子得分系数矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数。
[0155]
进一步地，根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识在各个预设领域的资源得分。
[0156]
接着，根据目标用户标识在各个预设领域的资源得分，确定目标用户标识的资源
数值。
[0157]
具体地，可通过以下公式计算目标用户标识的资源数值。
[0158][0159]
其中，y为目标用户标识的资源数值，x为目标用户标识在各个预设领域的资源得分。
[0160]
进一步地，根据目标用户标识的资源数值确定目标用户标识所属的类别。
[0161]
接着，根据目标用户标识所属的类别，向目标用户标识推送信息。可预先设置类别与信息类型之间的关联关系，根据目标用户标识所属的类别，向目标用户标识推送相应信息类型的信息。
[0162]
上述用户分类方法中，综合目标用户标识在各个预设领域的状况来构建目标用户标识的资源数值，实现准确分析用户标识的资源情况，进而根据目标用户标识的资产数值确定目标用户标识所属的类别，实现准确识别目标用户标识所属的类别，从而针对性地对目标用户标识进行信息推送，提高了信息转化率。
[0163]
本技术还另外提供一种应用场景，该应用场景应用上述的用户分类方法。具体地，该用户分类方法在该应用场景的应用如下：分析目标用户标识所属的类别，根据目标用户标识所属的类别，对目标用户标识进行风险识别。
[0164]
该方法包括：
[0165]
获取目标用户标识在各个预设领域对应的特征信息，预设领域可包括投资领域、消费领域、资源领域和身份领域，特征信息可包括特征标识以及目标用户标识在特征标识对应的特征值。
[0166]
接着，根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的相关系数矩阵，获取各个预设领域对应的相关系数矩阵的特征根以及特征向量，根据各个预设领域对应的相关系数矩阵的特征根以及特征向量，生成目标用户标识在各个预设领域对应的因子载荷矩阵。
[0167]
进一步地，对目标用户标识在各个预设领域对应的因子载荷矩阵进行正交旋转处理，得到目标用户标识在各个预设领域对应的旋转因子载荷矩阵。
[0168]
接着，根据旋转因子载荷矩阵，获取目标用户标识在各个预设领域对应的因子得分系数矩阵，根据因子得分系数矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数。
[0169]
进一步地，根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识在各个预设领域的资源得分。
[0170]
接着，根据目标用户标识在各个预设领域的资源得分，确定目标用户标识的资源数值。
[0171]
具体地，可通过以下公式计算目标用户标识的资源数值。
[0172]
[0173]
其中，y为目标用户标识的资源数值，x为目标用户标识在各个预设领域的资源得分。
[0174]
进一步地，根据目标用户标识的资源数值确定目标用户标识所属的类别。
[0175]
接着，根据目标用户标识所属的类别，检测目标用户标识的风险等级。可预先设置类别与风险等级之间的关联关系，根据目标用户标识所属的类别，确定目标用户标识的风险等级。
[0176]
上述用户分类方法中，综合目标用户标识在各个预设领域的状况来构建目标用户标识的资源数值，实现准确分析用户标识的资源情况，进而根据目标用户标识的资产数值确定目标用户标识所属的类别，实现准确识别目标用户标识所属的类别，从而确定目标用户标识的风险等级，提高了风控能力。
[0177]
应该理解的是，虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0178]
在一个实施例中，如图12所示，提供了一种用户分类装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：获取模块1202、生成模块1204和确定模块1206，其中：
[0179]
获取模块1202，用于获取目标用户标识在各个预设领域对应的特征信息；
[0180]
生成模块1204，用于根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的因子载荷矩阵，因子载荷矩阵用于表征目标用户标识在各个预设领域对应的特征信息，与各个预设领域对应的目标特征信息之间的相关关系；
[0181]
确定模块1206，用于根据目标用户标识在各个预设领域对应的因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数；
[0182]
确定模块1206，还用于根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识的资源数值；
[0183]
确定模块1206，还用于根据目标用户标识的资源数值确定目标用户标识所属的类别。
[0184]
上述用户分类装置中，获取第一类别对应的样本用户标识以及第二类别对应的样本用户标识，对第一类别对应的样本用户标识以及第二类别对应的样本用户标识进行特征分析，确定候选特征标识，根据特征选取条件，在候选特征标识中确定目标特征标识，按照预设领域对目标特征标识进行分类，得到各个预设领域对应的特征标识，将预设领域与预设领域对应的特征标识进行关联，得到预设领域与特征标识之间的匹配关系，这样，综合目标用户标识在各个预设领域的状况来构建目标用户标识的资源数值，根据目标用户标识的资产数值确定目标用户标识所属的类别，实现准确识别目标用户标识所属的类别。
[0185]
在一个实施例中，特征信息包括特征标识，以及目标用户标识在特征标识对应的特征值；获取模块1202，还用于：获取各个预设领域对应的特征标识，以及目标用户标识在特征标识对应的特征值；获取模块1202，还用于：获取目标用户标识在特征标识对应的参数
值；对目标用户标识在特征标识对应的参数值进行数据标准化处理，得到目标用户标识在特征标识对应的特征值。
[0186]
本实施例中，获取目标用户标识在特征标识对应的参数值，对目标用户标识在特征标识对应的参数值进行数据标准化处理，得到目标用户标识在特征标识对应的特征值，这样，使得目标用户标识在特征标识对应的特征值处于同一量级，便于后续的分析、计算。
[0187]
在一个实施例中，获取模块1202，还用于：获取预先存储的预设领域与特征标识之间的匹配关系；根据匹配关系确定各个预设领域对应的特征标识。
[0188]
本实施例中，获取预先存储的预设领域与特征标识之间的匹配关系，根据匹配关系确定各个预设领域对应的特征标识，这样，使得各个预设领域的特征标识能够准确描述用户在各个预设领域的状况，进而提高了对用户资源数值分析的准确性。
[0189]
在一个实施例中，获取模块1202，还用于：获取第一类别对应的样本用户标识以及第二类别对应的样本用户标识，对第一类别对应的样本用户标识以及第二类别对应的样本用户标识进行特征分析，确定候选特征标识；确定模块1206，还用于：根据特征选取条件，在候选特征标识中确定目标特征标识；用户分类装置还包括分类模块，分类模块，用于：按照预设领域对目标特征标识进行分类，得到各个预设领域对应的特征标识，将预设领域与预设领域对应的特征标识进行关联，得到预设领域与特征标识之间的匹配关系；其中，第一类别对应的样本用户标识以及第二类别对应的样本用户标识根据指标参数确定，指标参数包括账户剩余值、转移至第三方账户的数值、转移至个人第三方账户的次数和转移至他人账户次数中的至少一个，第二类别对应的样本用户标识对应的账户剩余值大于第一类别对应的样本用户标识对应的账户剩余值；特征选取条件包括：信息价值大于第一阈值、召回率大于第二阈值、统计周期大于第三阈值、业务相关系数大于第四阈值中的至少一个，并且，当至少两个候选特征标识的特征相关系数大于第五阈值时，将其中召回率最高的候选特征标识作为目标特征标识。
[0190]
本实施例中，获取第一类别对应的样本用户标识以及第二类别对应的样本用户标识，对第一类别对应的样本用户标识以及第二类别对应的样本用户标识进行特征分析，确定候选特征标识，根据特征选取条件，在候选特征标识中确定目标特征标识，按照预设领域对目标特征标识进行分类，得到各个预设领域对应的特征标识，将预设领域与预设领域对应的特征标识进行关联，得到预设领域与特征标识之间的匹配关系，这样，使得各个预设领域的特征标识能够准确描述用户在各个预设领域的状况，进而提高了对用户资源数值分析的准确性。
[0191]
在一个实施例中，生成模块1204，还用于：根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的相关系数矩阵；获取各个预设领域对应的相关系数矩阵的特征根以及特征向量；根据各个预设领域对应的相关系数矩阵的特征根以及特征向量，生成目标用户标识在各个预设领域对应的因子载荷矩阵。
[0192]
本实施例中，根据目标用户标识在各个预设领域对应的特征信息，生成目标用户标识在各个预设领域对应的相关系数矩阵，获取各个预设领域对应的相关系数矩阵的特征根以及特征向量，根据各个预设领域对应的相关系数矩阵的特征根以及特征向量，生成目标用户标识在各个预设领域对应的因子载荷矩阵，这样，准确建立目标用户标识在各个预设领域对应的因子载荷矩阵。
[0193]
在一个实施例中，确定模块1206，还用于：对目标用户标识在各个预设领域对应的因子载荷矩阵进行正交旋转处理，得到目标用户标识在各个预设领域对应的旋转因子载荷矩阵，旋转因子载荷矩阵用于表征目标用户标识在各个预设领域对应的特征信息，与各个预设领域对应的目标特征信息之间的相关关系；根据旋转因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数。
[0194]
本实施例中，对目标用户标识在各个预设领域对应的因子载荷矩阵进行正交旋转处理，得到目标用户标识在各个预设领域对应的旋转因子载荷矩阵，根据旋转因子载荷矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数，这样，准确获取目标用户标识在各个预设领域对应的特征系数。
[0195]
在一个实施例中，确定模块1206，还用于：根据旋转因子载荷矩阵，获取目标用户标识在各个预设领域对应的因子得分系数矩阵；根据因子得分系数矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数。
[0196]
本实施例中，根据旋转因子载荷矩阵，获取目标用户标识在各个预设领域对应的因子得分系数矩阵，根据因子得分系数矩阵，确定目标用户标识在各个预设领域对应的特征信息的特征系数，这样，准确获取目标用户标识在各个预设领域对应的特征系数。
[0197]
在一个实施例中，确定模块1206，还用于：根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识在各个预设领域的资源得分；根据目标用户标识在各个预设领域的资源得分，确定目标用户标识的资源数值。
[0198]
本实施例中，根据目标用户标识在各个预设领域对应的特征信息，以及特征信息的特征系数，确定目标用户标识在各个预设领域的资源得分，根据目标用户标识在各个预设领域的资源得分，确定目标用户标识的资源数值，这样，通过目标用户标识在各个预设领域的资源得分构建目标用户标识在的资源数值，解决了无法获取直接用于评估用户的资源情况的数据的问题。
[0199]
在一个实施例中，确定模块1206，还用于：计算目标用户标识在预设领域对应的特征信息，与特征信息的特征系数之间的乘积；将预设领域的乘积进行加和，得到目标用户标识在预设领域的资源得分。
[0200]
本实施例中，计算目标用户标识在预设领域对应的特征信息，与特征信息的特征系数之间的乘积，将预设领域的乘积进行加和，得到目标用户标识在预设领域的资源得分，这样，获取目标用户标识在各个预设领域的资源得分，以通过目标用户标识在各个预设领域的资源得分构建目标用户标识在的资源数值。
[0201]
关于用户分类装置的具体限定可以参见上文中对于用户分类方法的限定，在此不再赘述。上述用户分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0202]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计
算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种用户分类方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0203]
本领域技术人员可以理解，图13中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0204]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0205]
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0206]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0207]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0208]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。