一种基于用户服务变化的用户安全等级确定方法和装置

摘要

本发明提供了一种基于用户服务变化的用户安全等级确定方法和装置，该方法包括：将候选用户群中的候选用户的用户特征数据输入训练好的用户筛选模型，得到用于表征用户特定业务服务的变化概率的第一用户评分，根据第一用户评分确定候选用户群中的特定用户；根据特定用户的第一用户评分和用户特征数据确定第二用户评分；基于第一用户评分和第二用户评分确定特定用户的安全等级。本发明从所享服务发生变化的用户情况出发，确定用户能享受的服务可能出现的变化情况，从特定业务服务从无到有的变化情况信息的维度有效量化用户对于互联网服务的需求变化情况信息，能够精确地确定所述特定用户的安全等级及其变化情况信息。

说明书

技术领域

本发明涉及计算机信息处理领域，具体涉及一种基于用户服务变化的用户安全等级确定方法和装置。

背景技术

在基于互联网的应用技术中，常常需要在不同的参与方之间进行服务的交换。这里所称的服务是指任何可被利用的物质、信息、金钱、时间等。信息服务包括计算数据和各种类型的数据服务。数据服务包括各个领域中的各种专用数据。在提供用户服务的过程中，往往需要对用户的服务配置权进行认证，并为不同的用户分配不同的服务，所述服务配置权是指用户是否有权获取服务的一种认证，其可以由特定管理机构认证，也可以是服务所有的一方进行认证。

对于提供用户服务的机构而言，对用户进行全面深入的分析，能够有助于为用户提供更加优质的服务。但是，很多情况下，用户提交的用户信息并不充分，特别是对于刚刚落地注册的用户而言，用户服务机构仅能获知简单的用户信息，并不能知道用户的安全情况或者风险情况。在这种情况下，将分散的用户数据进行整合就成为了一个重要趋势。

对于个人用户而言，由于个人用户的个体差异性，互联网服务公司几乎无法事先预知个人用户的互联网服务需求的计划和时间，并且在不同时间段内可流动使用或可利用的互联网服务量也是变化的，因此，如何有效量化个人用户对于互联网服务随时间变化而产生的需求变化，如何确定用户安全等级的变化情况信息，如何为不同用户提供更加合理且更加优质的互联网服务，以及如何有效优化互联网服务提供过程，是当今互联网服务公司所面临的难题。

因此，有必要提供一种基于用户服务变化的用户安全等级确定方法。

发明内容

为了解决现有技术中无法精确量化各用户对于互联网服务随时间变化而产生的需求变化，如何确定用户安全等级的变化情况信息，如何为不同用户提供更加合理且更加优质的互联网服务以及如何优化互联网服务的提供过程等的技术问题。

本发明的第一方面提供一种基于用户服务变化的用户安全等级确定方法，包括：获取样本用户的样本特征数据和样本用户是否持有特定业务服务的变化情况信息；根据所述样本用户是否持有特定业务服务的变化情况信息对所述样本用户添加训练标签；并根据所述样本用户的样本特征数据和所述训练标签训练得到用户筛选模型；将候选用户群中的候选用户的用户特征数据输入训练好的所述用户筛选模型，得到用于表征用户特定业务服务的变化概率的第一用户评分，根据所述第一用户评分确定所述候选用户群中的特定用户；将所述特定用户的所述第一用户评分和用户特征数据输入用户安全识别模型，得到第二用户评分；基于所述第一用户评分和所述第二用户评分确定所述特定用户的安全等级。

根据可选的实施方式，基于所述第一用户评分和所述第二用户评分确定所述特定用户的安全等级，包括：根据历史用户的第一用户评分和安全等级拟合系数确定曲线，所述系数确定曲线用于确定用户的安全等级的第一计算系数；根据所述特定用户的第一用户评分和所述系数确定曲线，得到所述特定用户的第一计算系数a；确定与所述第二用户评分相对应的第二计算系数b；将第一计算系数a与第二计算系数b的乘积用作所述特定用户的调整系数；根据所述第一用户评分和所述第二用户评分确定所述特定用户的待定安全等级；根据所述调整系数调整所述待定安全等级，得到所述特定用户的安全等级。

根据可选的实施方式，根据所述第一用户评分和所述第二用户评分确定所述特定用户的待定安全等级，包括：根据所述特定用户的第一用户评分和第二用户评分，从预设安全等级分区间中确定对应的待定安全等级分区间；根据所述待定安全等级分区间确定所述特定用户的待定安全等级。

根据可选的实施方式，根据所述调整系数调整所述待定安全等级，得到所述特定用户的安全等级，包括：根据所述调整系数，从所述待定安全等级分区间中确定对应的安全等级分区间；根据所述安全等级分区间确定所述特定用户的安全等级。

根据可选的实施方式，根据所述安全等级分区间确定所述特定用户的安全等级，包括：根据预设安全等级分阈值范围，将所述安全等级分区间划分为至少一个安全等级分判断区间；针对每个安全等级分判断区间，计算所述安全等级判断区间中各个安全等级分的总和；根据安全等级分的总和最大的安全等级分判断区间所属的预设安全等级分阈值范围，确定所述特定用户的安全等级。

根据可选的实施方式，所述根据所述第一用户评分确定所述候选用户群中的特定用户，包括：在任一候选用户的所述第一用户评分位于设定阈值范围内时，确定所述候选用户为特定用户，所述特定用户为识别为未持有特定业务服务到持有特定业务服务的候选用户。

根据可选的实施方式，所述根据所述样本用户是否持有特定业务服务的变化情况信息对所述样本用户添加训练标签，包括：若所述样本用户在特定时间段内从未持有特定业务服务到持有特定业务服务，则对所述样本用户添加第一标签；若所述样本用户在特定时间段内未持有特定业务服务，则对所述样本用户添加第二标签；所述特定业务服务包括发放在指定时间内可使用的优惠卡、优惠券和/或折扣券。

此外，本发明的第二方面还提供了一种基于用户服务变化的用户安全等级确定装置，包括:数据获取模块，用于获取样本用户的样本特征数据和样本用户是否持有特定业务服务的变化情况信息；模型训练模块，根据所述样本用户是否持有特定业务服务的变化情况信息对所述样本用户添加训练标签；并根据所述样本用户的样本特征数据和所述训练标签训练得到用户筛选模型；第一处理模块，用于将候选用户群中的候选用户的用户特征数据输入训练好的所述用户筛选模型，得到用于表征用户特定业务服务的变化概率的第一用户评分，根据所述第一用户评分确定所述候选用户群中的特定用户；将所述特定用户的所述第一用户评分和用户特征数据输入用户安全识别模型，得到第二用户评分；第二处理模块，基于所述第一用户评分和所述第二用户评分确定所述特定用户的安全等级。

此外，本发明还提供了一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行如本发明所述的基于用户服务变化的用户安全等级确定方法。

此外，本发明还提供了一种计算机程序产品，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现如本发明所述的基于用户服务变化的用户安全等级确定方法。

有益效果

与现有技术相比，本发明通过使用“样本用户是否持有特定业务服务的变化情况信息”的特征对所述样本用户添加训练标签，根据所述样本用户的样本特征数据和所述训练标签训练得到用户筛选模型；将候选用户群中的候选用户的用户特征数据输入训练好的所述用户筛选模型，得到用于表征用户特定业务服务的变化概率的第一用户评分，根据所述第一用户评分确定所述候选用户群中的特定用户；将所述特定用户的所述第一用户评分和用户特征数据输入用户安全识别模型，得到第二用户评分；基于所述第一用户评分和所述第二用户评分，从所享服务发生变化的用户情况出发，确定用户能享受的服务可能出现的变化情况，从特定业务服务从无到有的变化情况信息的维度有效量化用户对于互联网服务的需求变化情况，能够精确地确定所述特定用户的安全等级及其变化情况信息，进一步可以根据用户安全等级为不同用户提供更加合理且更加优质的互联网服务。

进一步地，根据所述历史用户的第一用户评分和安全等级拟合系数确定曲线，能够获得更精确的系数确定曲线；根据所确定的系数确定曲线计算第一计算系数，能够实现对所计算的第一用户评分进行校正处理，能够获得更精确的第一用户评分。

进一步地，通过将第一计算系数a与第二计算系数b的乘积作为特定用户的调整系数，能够根据各用户对于互联网服务随时间变化而产生的需求变化来重新确定所述特定用户的安全等级，能够更精确地确定所述特定用户的安全等级，能够进一步优化用户安全等级确定方法，能够进一步地优化互联网服务的提供过程。

附图说明

为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。

图1是本发明的基于用户服务变化的用户安全等级确定方法的一示例的流程图。

图2是本发明的基于用户服务变化的用户安全等级确定方法的另一示例的流程图。

图3是本发明的基于用户服务变化的用户安全等级确定方法的又一示例的流程图。

图4是本发明的基于用户服务变化的用户安全等级确定装置的一示例的示意性结构框图。

图5是本发明的基于用户服务变化的用户安全等级确定装置的另一示例的示意性结构框图。

图6是根据本发明的计算机设备的示例性实施例的结构框图。

图7是根据本发明的计算机程序产品的示例性实施例的结构框图。

具体实施方式

现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。

在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。

术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

鉴于上述问题，本发明提供了一种基于用户服务变化的用户安全等级确定方法。该方法通过使用“样本用户是否持有特定业务服务的变化情况信息”的特征对所述样本用户添加训练标签，根据所述样本用户的样本特征数据和所述训练标签训练得到用户筛选模型；将候选用户群中的候选用户的用户特征数据输入训练好的所述用户筛选模型，得到用于表征用户特定业务服务的变化概率的第一用户评分，根据所述第一用户评分确定所述候选用户群中的特定用户；将所述特定用户的所述第一用户评分和用户特征数据输入用户安全识别模型，得到第二用户评分；基于所述第一用户评分和所述第二用户评分，从所享服务发生变化的用户情况出发，确定用户能享受的服务可能出现的变化情况，从特定业务服务从无到有的变化情况信息的维度有效量化用户对于互联网服务的需求变化情况，能够精确地确定所述特定用户的安全等级及其变化情况信息，进一步可以根据用户安全等级为不同用户提供更加合理且更加优质的互联网服务。相比较于现有技术中只考虑用户静态的情况而确定的模型，本方案对于可能出现特定情况(服务变化)的用户进行针对性分析，提高了对于不同用户的精细化管理，使得提供的服务更加服务用户需求。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。为了方便起见，本发明中以互联网服务为示例进行说明用户安全等级确定方法的实施，但本领域技术人员应当理解，本发明亦可以用于其他服务配额的重新确定。

实施例1

下面，将参照图1至图3描述本发明的基于用户服务变化的用户安全等级确定方法的实施例。

图1是本发明的基于用户服务变化的用户安全等级确定方法的一示例的流程图。

如图1所示，该用户安全等级确定方法包括以下步骤。

步骤S101，获取样本用户的样本特征数据和样本用户是否持有特定业务服务的变化情况信息。

步骤S102，根据所述样本用户是否持有特定业务服务的变化情况信息对所述样本用户添加训练标签；并根据所述样本用户的样本特征数据和所述训练标签训练得到用户筛选模型。

步骤S103，将候选用户群中的候选用户的用户特征数据输入训练好的所述用户筛选模型，得到用于表征用户特定业务服务的变化概率的第一用户评分，根据所述第一用户评分确定所述候选用户群中的特定用户。

步骤S104，将所述特定用户的所述第一用户评分和用户特征数据输入用户安全识别模型，得到第二用户评分；基于所述第一用户评分和所述第二用户评分确定所述特定用户的安全等级。

需要说明的是，在本发明中，互联网服务包括由用户设备向互联网服务平台的申请而提供例如购物、乘车、地图、外卖、共享单车等的服务。例如，所述互联网服务包括使用服务、分配服务、筹集服务、保障服务或互助服务、拼团购买以及乘车服务等等。其中，服务是指任何可被利用的物质、信息、时间，信息数据包括计算数据和各种类型的服务数据。服务数据包括各个领域中的各种专用数据。本发明的用户安全等级确定方法特别适用于所述互联网服务。以下以互联网服务分配服务相关的数据为示例，对本发明方法进行具体说明。

首先，在步骤S101中，获取样本用户的样本特征数据和样本用户是否持有特定业务服务的变化情况信息。

例如，从使用服务、分配服务等互联网服务的历史数据中，获取样本用户的样本特征数据和样本用户是否持有特定业务服务的变化情况信息。

具体地，所述样本用户的样本特征数据包括网络上公开的用户信息或者经用户授权而获取的用户信息以及用户标识，该用户标识例如为112**0等，或者使用字母和/或数字表示的用户标识，用户标识仅用于对用户的编号，并通过用户标识替换掉可以识别用户身份的信息，仅通过无法识别用户身份的用户信息进行本方案的数据处理，比如，年龄、学历、户籍等，实现对于保护用户隐私；还可以采用对用户信息中可以识别出用户身份的信息删除或者匿名化处理的方式来实现对于用户隐私的保护，匿名化处理可以通过加密手段对数据进行处理。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。

接下来，在步骤S102中，根据所述样本用户是否持有特定业务服务的变化情况信息对所述样本用户添加训练标签；并根据所述样本用户的样本特征数据和所述训练标签训练得到用户筛选模型。

为了从用户服务变化的特征维度，有效量化用户对于互联网服务的需求变化情况信息，本发明根据样本用户是否持有特定业务服务的变化情况信息对所述样本用户添加训练标签以构建用户筛选模型。

具体地，使用逻辑回归模型或深度神经网络，建立用户筛选模型，该用户筛选模型用于筛选特定用户，并且所述用户筛选模型计算的第一用户评分为0～1之间的数值。

需要说明的是，上述仅作为示例进行说明，不能理解对本发明的限制，在其他示例中，还可以使用逻辑回归模型和深度神经网络，建立用户筛选模型。

对于用户筛选模型的构建，包括建立训练数据集，所述建立训练数据集包括定义好、坏样本。其中，使用“样本用户是否持有特定业务服务的变化情况信息”的特征对所述样本用户添加训练标签以定义好、坏样本，并根据所述样本用户的样本特征数据和所述训练标签训练得到用户筛选模型。即该训练标签为“用户是否发生了从未持有到持有特定业务服务的变化的概率”，标签值规定为0或1，即第一用户评分为0～1之间的数值，其中，1表示用户发生了从未持有到持有特定业务服务的变化(或者，若所述样本用户在特定时间段内从未持有特定业务服务到持有特定业务服务，则对所述样本用户添加第一标签)，0表示用户未发生从未持有到持有特定业务服务的变化(或者，若所述样本用户在特定时间段内未持有特定业务服务，则对所述样本用户添加第二标签)。通常，第一用户评分越大表示该用户发生了从未持有到持有特定业务服务的变化的概率越大，则表示用户从坏用户到好用户变化的可能性越大，而第一用户评分越小表示该用户未发生从未持有到持有特定业务服务的变化的概率越大，则表示用户从坏用户到好用户变化的可能性越小。

需要说明的是，上述仅作为示例，进行说明，不能理解成对本发明的限制，在其他实施方式中，还可以使用“特定时间段内用户是否持有特定业务服务的变化”的特征对样本用户添加训练标签以定义好坏样本，即标签为“特定时间段内用户是否发生了从未持有到持有特定业务服务的变化的概率”，标签值规定为0或1”，其中所述特定时间段包括6个月，8个月，10个月，12个月或18个月等。此外，在其他实施方式中，还可以使用特定时间段内发放例如优惠券、折扣券等特定业务服务的次数和券值等多个参数来确定所述变化的概率。上述均作为可选示例进行说明，不能理解成对本发明的限制。

更具体地，所述特定业务服务包括发放在指定时间内可使用服务额度的卡、优惠券和/或折扣券。例如，所述指定时间包括一个月、两个月、三个月、6个月，一年等。例如，所述可使用服务额度为1000元、2000元、5000元等，或者为1000元～5000元，1000元～3000元，2000元～10000元等的额度使用范围。

作为一具体实施方式，所述训练数据集包括标注有从未持有到持有特定业务服务的变化的概率标签的历史用户及其用户特征数据，所述用户特征包括网络上公开的用户信息或者经用户授权而获取的用户信息以及用户标识，该用户标识例如为112**0等，或者使用字母和/或数字表示的用户标识。

在另一实施方式，所述训练数据集包括标注有从未持有到持有特定业务服务的变化的概率标签的历史用户及其用户特征数据，以及服务配额数据。

进一步地，所述服务配额数据包括用户所选的互联网服务类型、与各互联网服务类型相对应的服务配额、服务可使用时间、服务是否未使用、服务归还是否逾期或违约等等。

在又一实施方式中，所述服务配额数据包括用户所选的互联网服务类型、与各互联网服务类型相对应的服务配额、服务可使用时间、服务归还时间、已归还次数、未归还额、归还逾期数据、违约数据以及欺诈数据等等。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制，在其他实施方式中，所述服务配额数据还可以包括是否包含多种互联网服务类型、服务类型的数量以及是否有欺诈数据等。

进一步地，使用训练数据集训练所建立的用户筛选模型。

可选地，对于模型训练过程，还包括对模型参数进行优化，所述模型参数包括深度神经网络的各层之间的权重参数和偏置参数。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。在其他示例中，模型参数还包括深度神经网络的层数、迭代次数和学习率。

具体地，例如设定模型参数的先验概率服从标准正态分布，使用MCMC方法对所述权重参数和偏置参数的分布进行多次采样，得到参数组合集，更具体地，在使用所述参数组合集进行测试时，对所输入的同一用户特征数据进行多次前向传播，计算各模型参数的平均数和统计方差值，以优化各模型参数，最后输出参数优化后的神经网络。由此，能够优化所述用户筛选模型的模型参数，能够提高模型精确度。

因此，通过使用“用户是否持有特定业务服务的变化”的特征定义好坏样本以建立训练数据集，并使用该训练数据集训练用户筛选模型，能够从特定业务服务从无到有的变化特征的维度有效量化用户对于互联网服务的需求变化情况信息。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。

接下来，在步骤S103中，将候选用户群中的候选用户的用户特征数据输入训练好的所述用户筛选模型，得到用于表征用户特定业务服务的变化概率的第一用户评分，根据所述第一用户评分确定所述候选用户群中的特定用户。

具体地，确定候选用户群，并从该候选用户群中筛选待调整互联网服务配额(在本发明中，也简称为服务配额或者服务分配额)的候选用户。

需要说明的是，在本发明中，所述候选用户是指已使用互联网服务所提供的互联网服务的用户群。

在一实施方式中，在筛选提高服务配额的分配服务(例如理财服务)场景下，确定指定服务配额范围内的候选用户群。例如，所述指定服务配额范围例如为1000元～2000元，2000元～5000元等。

具体地，获取所述候选用户群的用户特征数据，所述用户特征数据例如为用户标识。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制，在其他实施方式中，用户特征数据还可以为网络上公开的用户信息或者经用户授权而获取的用户信息等。

接着，将候选用户群的用户特征数据(即各候选用户的用户特征数据)输入训练好的所述用户筛选模型，计算各候选用户的第一用户评分，所述第一用户评分用于表征特定业务服务的变化概率。例如，通过第一用户评分表征特定时间段内(例如6个月，12个月等)从未持有特定业务服务到持有特定业务服务的变化的概率，或者表征特定时间段内(例如6个月，12个月等)从未持有特定业务服务到未持有特定业务服务的无变化的概率。

在该实施方式中，根据所述第一用户评分筛选特定用户，所述特定用户为具有从未持有特定业务服务到持有特定业务服务的变化特征的用户，并且所述特定用户为待提高互联网服务配额的用户。

具体地，所述变化特征包括特定时间段内从未持有特定业务服务到持有特定业务服务的变化特征。其中，所述特定时间段包括3个月、6个月、9个月和12个月等等。

因此，通过将候选用户群的用户特征数据输入训练好的所述用户筛选模型，计算第一用户评分，根据所述第一用户评分筛选特定用户，能够精确筛选出需求发生变化或需要调整服务配额的特定用户。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制，在其他实施方式中，所述特定用户还可以为待降低互联网服务配额的用户。

在另一实施方式中，如图2所示，将图1中的步骤S102拆分成步骤S102和步骤S201。

在步骤S201中，拟合系数确定曲线，以用于确定第一计算系数a。

需要说明的是，由于图2中的步骤S101、步骤S102和步骤S103与图1中的步骤S101、步骤S102和步骤S103大致相同，因此省略了相同部分的说明。

具体地，获取不同互联网服务的历史用户的用户特征数据、逾期概率或资源归还概率，计算各历史用户的第一用户评分。

在一实施方式中，根据历史用户的第一用户评分和安全等级拟合系数确定曲线，所述系数确定曲线用于确定用户的安全等级的第一计算系数。

具体地，根据所述特定用户的第一用户评分和所述系数确定曲线，得到所述特定用户的第一计算系数a。

在另一实施方式中，根据所述历史用户的第一用户评分和违约概率或资源归还概率拟合系数确定曲线，所述系数确定曲线用于确定用户的服务配额提高幅度(或者降低幅度)的第一计算系数a。

具体地，使用下式计算所述系数确定曲线。

y＝Ax

其中，y表示安全等级或者历史的逾期概率、违约概率或资源归还概率；x表示第一计算系数a；A，B，C分别为曲线参数。

需要说明的是，在本发明中，对于不同类型的互联网服务在不同历史时间段内的统计数据(例如逾期概率、违约概率或资源归还概率的最大值、最小值，平均值，违约或逾期用户占用户量的比例等影响因素所确定的)，进行设定。此外，特定时间段内所述系数确定曲线还可以为多个线段和/或曲线组成的分段函数。上述仅作为示例进行说明，不能理解成对本发明的限制。

由此，根据所述历史用户的第一用户评分和安全等级或者违约概率(或违约概率)或服务归还概率拟合系数确定曲线，能够获得更精确的系数确定曲线。

具体地，根据候选用户的用户特征数据和对应的互联网服务类型，选择各候选用户的系数确定曲线，并使用所选择的系数确定曲线计算各候选用户的第一计算系数a。

进一步地，将所计算的第一计算系数a与步骤S102所计算的第一用户评分的乘积，作为所述候选用户的最终的第一用户评分。由此，根据所确定的系数确定曲线计算第一计算系数，能够实现对所计算的第一用户评分的校正处理，能够获得更精确的第一用户评分。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。

接着，根据所计算的第一用户评分，从候选用户中筛选出特定用户。

具体地，在任一候选用户的所述第一用户评分位于设定阈值范围内时，确定所述候选用户为特定用户，所述特定用户为识别为未持有特定业务服务到持有特定业务服务的候选用户。

需要说明的是，在本实施方式中，所述设定阈值是根据历史用户在一定时间段内的统计计算的到的值，但是不限于此，还是可以是所有统计数据的平均值与相应的第一计算系数的乘积。上述仅作为示例进行说明，不能理解成对本发明的限制。

在另一实施方式中，在所计算的候选用户的第一用户评分位于设定阈值范围内时，筛选所述候选用户为特定用户，所述特定用户为具有从未持有特定业务服务到持有特定业务服务的变化特征的用户。

由此，根据所述第一用户评分能够精确确定出所述候选用户群中的特定用户。

需要说明的是，上述作为示例进行说明，不能理解成对本发明的限制。

接下来，在步骤S104中，将所述特定用户所述第一用户评分和用户特征数据输入用户安全识别模型，得到第二用户评分；基于所述第一用户评分和所述第二用户评分确定所述特定用户的安全等级。

具体地，对于所筛选出的特定用户，将所述特定用户的第一用户评分和用户特征数据输入用户安全识别模型，计算第二用户评分。

具体地，例如使用Xgboost模型和/或深度神经网络，建立用户安全识别模型，并使用训练数据集训练该用户安全识别模型，其中，所述训练数据集包括历史用户的用户特征数据和服务使用期间的违约概率或逾期概率。

对于所述用户安全识别模型，例如，使用“服务使用期间是否违约或逾期(即违约概率或逾期概率)”定义好坏样本，即“服务使用期间有违约或逾期”的标签为1，而“服务使用期间有违约或逾期”的标签为0。由此，通过违约概率或逾期概率来表征用户的好与坏。

具体地，使用训练好的用户安全识别模型计算所述特定用户的第二用户评分。

可选地，根据预设安全等级分阈值范围，将所述安全等级分区间划分为至少一个安全等级分判断区间。针对每个安全等级分判断区间，计算所述安全等级判断区间中各个安全等级分的总和。

对于预设安全等级划分阈值，比如，预设安全等级分阈值范围为0～1、1～2、2～3.....N-1～N；安全等级分区间属于0～1，则安全等级为1级，属于1～2，则安全等级为2级；依次类推，预设安全等级分阈值范围所对应的安全等级。

进一步地，根据安全等级分的总和最大的安全等级分判断区间所属的预设安全等级分阈值范围，确定所述特定用户的安全等级。

可选地，还包括预先设置多个服务配额区间，以用于确定不同安全等级所对应的预设服务配额区间。

作为具体实施方式，以0.01～0.10中任意数值为间隔，分成多个服务配额区间。例如，以0.03为间隔，则0.97～1.00的第二用户评分对应8000元～10000元，0.94～0.97的安全等级分对应6000元～8000元，等等。

在另一实施方式中，如图3所示，还包括确定服务配额的调整系数的步骤S301。

在步骤S301中，确定特定用户的调整系数，以根据所述调整系数，重新确定所述特定用户的安全等级。

需要说明的是，由于图3中的步骤S101、步骤S102和步骤S103与图1中的步骤S101、步骤S102和步骤S103大致相同，因此省略了相同部分的说明。

在图3所示的实施方式中，基于所述第一用户评分和所述第二用户评分确定所述特定用户的待定安全等级。

具体地，所述确定特定用户的调整系数包括确定第二计算系数，其中，根据所计算的第二用户评分，确定与所述第二用户评分相对应的第二计算系数。

可选地，对特定时间段内，例如当前时间点起向前推算12个月的历史特定时间段内的历史用户进行统计计算，选择用户数量最大的预设服务配额区间，或者选择用户数量大于设置值或用户数量的排序前三(从大到小的数量排序)的服务配额区间，所选择的服务配额区间为参照服务配额区间，以用于确定相对应的第二计算系数。

进一步地，判断所述特定用户的第二用户评分是否在参照服务配额区间对应的范围内，如果在参照服务配额区间对应的范围内，则确定所述特定用户所对应的第二计算系数；如果不在参照服务配额区间对应的范围内，则使用所计算的第二评分确定相应的预服务配额区间，以进一步确定待提高(或待调整)的服务配额，由此，能够重新确定所述特定用户的服务配额。

对于所述调整系数，将第一计算系数a与第二计算系数b的乘积用作所述特定用户的调整系数。

具体地，根据所述调整系数调整所述待定安全等级，得到所述特定用户的安全等级。

更具体地，根据所述调整系数，从所述待定安全等级分区间(即上述预设安全等级分阈值范围)中确定对应的安全等级分区间。进一步地，根据所述安全等级分区间确定所述特定用户的安全等级。

在又一实施方式中，将第一计算系数a与第二计算系数b的乘积(即调整系数)再乘以所确定的服务配额区间，以重新确定所述特定用户的服务配额，由此，能够更精确地确定所述特定用户的服务配额。

由此，通过将第一计算系数a与第二计算系数b的乘积作为特定用户的调整系数，能够根据各用户对于互联网服务随时间变化而产生的需求变化来重新确定所述特定用户的安全等级，能够更精确地确定所述特定用户的安全等级，能够进一步优化用户安全等级确定方法，能够进一步地优化互联网服务的提供过程。

上述方法的过程仅用于对本发明的说明，其中，步骤的顺序和数量没有特别的限制。此外，上述方法中的步骤还可以拆分成两个、三个，或者有些步骤也可以合并成一个步骤，根据实际示例进行调整。

与现有技术相比，本发明通过使用“样本用户是否持有特定业务服务的变化情况信息”的特征对所述样本用户添加训练标签，根据所述样本用户的样本特征数据和所述训练标签训练得到用户筛选模型；将候选用户群中的候选用户的用户特征数据输入训练好的所述用户筛选模型，得到用于表征用户特定业务服务的变化概率的第一用户评分，根据所述第一用户评分确定所述候选用户群中的特定用户；将所述特定用户的所述第一用户评分和用户特征数据输入用户安全识别模型，得到第二用户评分；基于所述第一用户评分和所述第二用户评分，能够精确地确定所述特定用户的安全等级及其变化情况信息，能够为不同用户提供更加合理且更加优质的互联网服务，还能够优化互联网服务的提供过程。

进一步地，根据所述历史用户的第一用户评分和安全等级拟合系数确定曲线，能够获得更精确的系数确定曲线；根据所确定的系数确定曲线计算第一计算系数，能够实现对所计算的第一用户评分进行校正处理，能够获得更精确的第一用户评分。

进一步地，通过将第一计算系数a与第二计算系数b的乘积作为特定用户的调整系数，能够根据各用户对于互联网服务随时间变化而产生的需求变化来重新确定所述特定用户的安全等级，能够更精确地确定所述特定用户的安全等级，能够进一步优化用户安全等级确定方法，能够进一步地优化互联网服务的提供过程。

本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。

下面描述本发明的装置的实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。

实施例2

参照图4和图5，将说明本发明的实施例2的用户安全等级确定装置。

如图4所示，本发明还提供了一种基于用户服务变化的用户安全等级确定装置。所述用户安全等级装置400包括:数据获取模块401，用于获取样本用户的样本特征数据和样本用户是否持有特定业务服务的变化情况信息；模型训练模块402，根据所述样本用户是否持有特定业务服务的变化情况信息对所述样本用户添加训练标签；并根据所述样本用户的样本特征数据和所述训练标签训练得到用户筛选模型；第一处理模块403，用于将候选用户群中的候选用户的用户特征数据输入训练好的所述用户筛选模型，得到用于表征用户特定业务服务的变化概率的第一用户评分，根据所述第一用户评分确定所述候选用户群中的特定用户；将所述特定用户的所述第一用户评分和用户特征数据输入用户安全识别模型，得到第二用户评分；第二处理模块404，基于所述第一用户评分和所述第二用户评分确定所述特定用户的安全等级。

为了从用户服务变化的特征维度，有效量化用户对于互联网服务的需求变化情况信息，本发明根据样本用户是否持有特定业务服务的变化情况信息对所述样本用户添加训练标签以构建用户筛选模型。

具体地，使用逻辑回归模型或深度神经网络，建立用户筛选模型，该用户筛选模型用于筛选特定用户，并且所述用户筛选模型计算的第一用户评分为0～1之间的数值。

需要说明的是，上述仅作为示例进行说明，不能理解对本发明的限制，在其他示例中，还可以使用逻辑回归模型和深度神经网络，建立用户筛选模型。

对于用户筛选模型的构建，包括建立训练数据集，所述建立训练数据集包括定义好、坏样本。其中，使用“样本用户是否持有特定业务服务的变化情况信息”的特征对所述样本用户添加训练标签以定义好、坏样本，并根据所述样本用户的样本特征数据和所述训练标签训练得到用户筛选模型。即该训练标签为“用户是否发生了从未持有到持有特定业务服务的变化的概率”，标签值规定为0或1，即第一用户评分为0～1之间的数值，其中，1表示用户发生了从未持有到持有特定业务服务的变化(或者，若所述样本用户在特定时间段内从未持有特定业务服务到持有特定业务服务，则对所述样本用户添加第一标签)，0表示用户未发生从未持有到持有特定业务服务的变化(或者，若所述样本用户在特定时间段内未持有特定业务服务，则对所述样本用户添加第二标签)。通常，第一用户评分越大表示该用户发生了从未持有到持有特定业务服务的变化的概率越大，则表示用户从坏用户到好用户变化的可能性越大，而第一用户评分越小表示该用户未发生从未持有到持有特定业务服务的变化的概率越大，则表示用户从坏用户到好用户变化的可能性越小。

需要说明的是，上述仅作为示例，进行说明，不能理解成对本发明的限制，在其他实施方式中，还可以使用“特定时间段内用户是否持有特定业务服务的变化”的特征对样本用户添加训练标签以定义好坏样本，即标签为“特定时间段内用户是否发生了从未持有到持有特定业务服务的变化的概率”，标签值规定为0或1”，其中所述特定时间段包括6个月，8个月，10个月，12个月或18个月等。此外，在其他实施方式中，还可以使用特定时间段内发放例如优惠券、折扣券等特定业务服务的次数和券值等多个参数来确定所述变化的概率。上述均作为可选示例进行说明，不能理解成对本发明的限制。

更具体地，所述特定业务服务包括发放在指定时间内可使用服务额度的卡、优惠券和/或折扣券。例如，所述指定时间包括一个月、两个月、三个月、6个月，一年等。例如，所述可使用服务额度为1000元、2000元、5000元等，或者为1000元～5000元，1000元～3000元，2000元～10000元等的额度使用范围。

作为一具体实施方式，所述训练数据集包括标注有从未持有到持有特定业务服务的变化的概率标签的历史用户及其用户特征数据，所述用户特征包括网络上公开的用户信息或者经用户授权而获取的用户信息以及用户标识，该用户标识例如为112**0等，或者使用字母和/或数字表示的用户标识。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制，在其他实施方式中，所述服务配额数据还可以包括是否包含多种互联网服务类型、服务类型的数量以及是否有欺诈数据等。

进一步地，使用训练数据集训练所建立的用户筛选模型。

因此，通过使用“用户是否持有特定业务服务的变化”的特征定义好坏样本以建立训练数据集，并使用该训练数据集训练用户筛选模型，能够从特定业务服务从无到有的变化特征的维度有效量化用户对于互联网服务的需求变化情况信息。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。

在另一实施方式中，如图5所示，还包括确定模块501，即将图4中的第二处理模块404拆分成确定模块501和第二处理模块404，所述确定模块501用于确定调整系数。

具体地，根据历史用户的第一用户评分和安全等级拟合系数确定曲线，所述系数确定曲线用于确定用户的安全等级的第一计算系数；根据所述特定用户的第一用户评分和所述系数确定曲线，得到所述特定用户的第一计算系数a。

具体地，使用下式计算所述系数确定曲线。

y＝Ax

其中，y表示安全等级或者历史的逾期概率、违约概率或资源归还概率；x表示第一计算系数a；A，B，C分别为曲线参数。

需要说明的是，在本发明中，对于不同类型的互联网服务在不同历史时间段内的统计数据(例如逾期概率、违约概率或资源归还概率的最大值、最小值，平均值，违约或逾期用户占用户量的比例等影响因素所确定的)，进行设定。此外，特定时间段内所述系数确定曲线还可以为多个线段和/或曲线组成的分段函数。上述仅作为示例进行说明，不能理解成对本发明的限制。

由此，根据所述历史用户的第一用户评分和安全等级或者违约概率(或违约概率)或服务归还概率拟合系数确定曲线，能够获得更精确的系数确定曲线。

进一步地，确定与所述第二用户评分相对应的第二计算系数b。

具体地，将第一计算系数a与第二计算系数b的乘积用作所述特定用户的调整系数。

可选地，根据所述特定用户的第一用户评分和第二用户评分，从预设安全等级分区间中确定对应的待定安全等级分区间。根据所述待定安全等级分区间确定所述特定用户的待定安全等级。

先基于所述第一用户评分和所述第二用户评分确定所述特定用户的待定安全等级。

具体地，根据所述调整系数，从所述待定安全等级分区间中确定对应的安全等级分区间；根据所述安全等级分区间重新确定所述特定用户的安全等级。

更具体地，所述确定特定用户的调整系数包括确定第二计算系数，其中，根据所计算的第二用户评分，确定与所述第二用户评分相对应的第二计算系数。

可选地，对特定时间段内，例如当前时间点起向前推算12个月的历史特定时间段内的历史用户进行统计计算，选择用户数量最大的预设服务配额区间，或者选择用户数量大于设置值或用户数量的排序前三(从大到小的数量排序)的服务配额区间，所选择的服务配额区间为参照服务配额区间，以用于确定相对应的第二计算系数。

进一步地，判断所述特定用户的第二用户评分是否在参照服务配额区间对应的范围内，如果在参照服务配额区间对应的范围内，则确定所述特定用户所对应的第二计算系数；如果不在参照服务配额区间对应的范围内，则使用所计算的第二评分确定相应的预服务配额区间，以进一步确定待提高(或待调整)的服务配额，由此，能够重新确定所述特定用户的服务配额。

与现有技术相比，本发明通过使用“样本用户是否持有特定业务服务的变化情况信息”的特征对所述样本用户添加训练标签，根据所述样本用户的样本特征数据和所述训练标签训练得到用户筛选模型；将候选用户群中的候选用户的用户特征数据输入训练好的所述用户筛选模型，得到用于表征用户特定业务服务的变化概率的第一用户评分，根据所述第一用户评分确定所述候选用户群中的特定用户；将所述特定用户的所述第一用户评分和用户特征数据输入用户安全识别模型，得到第二用户评分；基于所述第一用户评分和所述第二用户评分，能够精确地确定所述特定用户的安全等级及其变化情况信息，能够为不同用户提供更加合理且更加优质的互联网服务，还能够优化互联网服务的提供过程。

进一步地，根据所述历史用户的第一用户评分和安全等级拟合系数确定曲线，能够获得更精确的系数确定曲线；根据所确定的系数确定曲线计算第一计算系数，能够实现对所计算的第一用户评分进行校正处理，能够获得更精确的第一用户评分。

进一步地，通过将第一计算系数a与第二计算系数b的乘积作为特定用户的调整系数，能够根据各用户对于互联网服务随时间变化而产生的需求变化来重新确定所述特定用户的安全等级，能够更精确地确定所述特定用户的安全等级，能够进一步优化用户安全等级确定方法，能够进一步地优化互联网服务的提供过程。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

实施例3

下面描述本发明的计算机设备实施例，该计算机设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明计算机设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明计算机设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图6是根据本发明的计算机设备的示例性实施例的结构框图。下面参照图6来描述根据本发明该实施例的的计算机设备200。图6显示的计算机设备200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机设备200以通用计算设备的形式表现。计算机设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同装置组件(包括存储单元220和处理单元210)的总线230、显示单元240等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述计算机设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1所示的步骤。

所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。

所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

计算机设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该计算机设备200交互的设备通信，和/或与使得该计算机设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，计算机设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与计算机设备200的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机程序产品能够实现本发明的上述方法。

如图7所示，所述计算机程序可以存储于一个或多个计算机程序产品上。计算机程序产品例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机程序产品的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机程序产品可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机程序产品上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。