(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211030724.1 (22)申请日 2022.08.26 (71)申请人 中国建设银行股份有限公司 地址 100033 北京市西城区金融大街25号 申请人 建信金融科技有限责任公司 (72)发明人 宋丽娜　朱祖恩　陈美熹　申友兵　 赖品宇　黄泽尹　陈启东　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 专利代理师 姜晓云 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) G06N 20/20(2019.01) (54)发明名称 用户数据处理方法、 装置、 计算机 设备、 存储 介质 (57)摘要 本申请公开了一种用户数据处理方法、 装 置、 计算机设备、 存储介质和计算机程序产品， 涉 及大数据智 能分析技术领域。 方法包括： 获取待 处理用户数据； 调用封装的综合处理模型， 以通 过综合处理模型中的特征提取模块对待处理用 户数据进行特征增强， 得到增强数据特征， 并分 别将增强数据特征输入至特征处理模块中， 以分 别通过特征处理模块中的至少两个用户数据处 理模型对增强数据特征进行预测， 得到各个用户 数据处理模 型对应的初始预测结果， 通过结果处 理模块根据预设方法以及各个初始预测结果， 计 算得到目标预测结果； 各个用户数据处理模型中 包括采用对抗生成 网络训练得到的模 型； 通过预 设框架显示目标预测结果。 采用本方法能够能够 对待处理用户数据进行准确评估。 权利要求书3页 说明书14页 附图5页 CN 115375454 A 2022.11.22 CN 115375454 A 1.一种用户数据处 理方法， 其特 征在于， 所述方法包括： 获取待处 理用户数据； 调用封装的综合处理模型， 以通过所述综合处理模型中的特征提取模块对所述待处理 用户数据进行特征增强， 得到增强数据特征， 并分别将所述增强数据特征输入至特征处理 模块中， 以分别通过所述特征 处理模块中的至少两个用户数据处理模型对 所述增强数据特 征进行预测， 得到各个所述用户数据 处理模型对应的初始预测结果， 通过结果处理模块根 据预设方法以及各个所述初始预测结果， 计算得到目标预测结果； 各个所述用户数据 处理 模型中包括采用对抗 生成网络训练得到的模型； 通过预设框架显示所述目标 预测结果。 2.根据权利要求1所述的方法， 其特征在于， 对所述待处理用户数据进行特征增强， 得 到增强数据特 征， 包括： 对所述待处 理用户数据进行 特征衍生， 得到衍 生特征； 获取预设核心特 征； 根据所述预设核心特 征对所述 衍生特征进行特征选择， 得到增强数据特 征。 3.根据权利要求2所述的方法， 其特征在于， 所述对所述待处理用户数据进行特征衍 生， 得到衍 生特征， 包括： 根据所述待处理用户数据的属性以及所述待处理用户数据得到新增数据， 并对所述待 处理用户数据以及所述 新增数据进行聚合， 得到所述 衍生特征； 和/或 将所述待处理用户数据输入至弱模型中， 通过所述弱模型将所述待处理用户数据的弱 模型特征进行特征衍生， 得到所述 衍生特征。 4.根据权利要求1所述的方法， 其特 征在于， 所述用户数据处 理模型的训练过程， 包括： 获取样本数据以及样本标签； 对所述样本数据进行 特征增强， 得到增强样本特 征； 将所述增强样本特 征输入至初始模型中进行训练， 得到预测指标； 根据所述预测指标与 所述样本标签的偏差， 通过网格化搜索调整所述初始模型的模型 参数， 直至训练完成得到所述用户数据处 理模型。 5.根据权利要求4所述的方法， 其特征在于， 所述对所述样本数据进行特征增强， 得到 增强样本特 征之前， 还 包括： 对所述样本数据进行 预处理； 所述对所述样本数据进行 预处理包括： 计算所述样本数据中每一个特 征的缺失率； 当所述缺失率大于预设阈值时， 删除所述特 征； 当所述缺失率小于预设阈值时， 采用预设填充方法对所述特 征进行填充。 6.根据权利要求4所述的方法， 其特征在于， 所述将所述增强样本特征输入至初始模型 中进行训练， 得到预测指标之前， 还 包括： 根据所述样本标签对所述训练样本的分布情况进行统计， 得到统计结果； 根据所述统计结果， 确定所述初始模型。 7.一种用户数据处 理装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取待处 理用户数据；权　利　要　求　书 1/3 页 2 CN 115375454 A 2预测模块， 用于调用封装的综合处理模型， 所述综合处理模型对所述待处理用户数据 进行特征增强， 得到增强数据特征， 并分别将所述增强数据特征输入至至少 两个预先训练 得到的用户数据处理模型中， 以分别通过至少两个所述用户数据处理模型根据所述增强数 据特征进行预测， 得到各个所述用户数据 处理模型对应的预测结果， 根据预设方法将各个 所述用户数据 处理模型对应的预测结果， 计算得到目标预测结果； 各个所述用户数据 处理 模型中包括采用对抗 生成网络训练得到的模型； 显示模块， 用于通过 预设框架显示所述目标 预测结果。 8.根据权利要求7 所述的装置， 其特 征在于， 所述预测模块包括： 衍生单元， 用于对所述待处 理用户数据进行 特征衍生， 得到衍 生特征； 核心特征获取单元， 用于获取 预设核心特 征； 选择单元， 用于根据预设核心特 征对所述 衍生特征进行特征选择， 得到增强数据特 征。 9.根据权利要求8所述的装置， 其特 征在于， 所述 衍生单元包括： 新增子单元， 用于根据 所述待处理用户数据的属性以及所述待处理用户数据得到新增 数据， 并对所述待处 理用户数据以及所述 新增数据进行聚合， 得到所述 衍生特征； 增强子单元， 用于将所述待处理用户数据输入至弱模型中， 通过所述弱模型将所述待 处理用户数据的弱模型 特征进行特征衍生， 得到所述 衍生特征。 10.根据权利要求7所述的装置， 其特征在于， 所述装置还包括模型训练模块； 其中， 所 述模型训练模块， 包括： 样本获取 单元， 用于获取样本数据以及样本标签； 样本增强单 元， 用于对所述样本数据进行 特征增强， 得到增强样本特 征； 训练单元， 用于将所述增强样本特 征输入至初始模型中进行训练， 得到预测指标； 参数优化单元， 用于根据所述预测指标与所述样本标签的偏差， 通过网格化搜索调整 所述初始模型的模型参数， 直至训练完成得到所述用户数据处 理模型。 11.根据权利要求10所述的装置， 其特 征在于， 所述模型训练模块， 还 包括： 预处理单元， 用于对所述样本数据进行 预处理； 所述预处 理单元， 包括 计算子单 元， 用于计算所述样本数据中每一个特 征的缺失率； 删除子单 元， 用于当所述 缺失率大于预设阈值时， 删除所述特 征； 填充子单元， 用于当所述缺失率小于预设阈值时， 采用预设填充方法对所述特征进行 填充。 12.根据权利要求10所述的装置， 其特 征在于， 所述模型训练模块， 还 包括： 统计单元， 用于根据所述样本标签对所述训练样本的分布情况进行统计， 得到统计结 果； 模型确定单 元， 用于根据所述统计结果， 确定所述初始模型。 13.一种计算机设备， 包括存储器和 处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处 理器执行所述计算机程序时实现权利要求1至 6中任一项所述的方法的步骤。 14.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至 6中任一项所述的方法的步骤。 15.一种计算机程序产品， 包括计算机程序， 其特征在于， 该计算机程序被处理器执行权　利　要　求　书 2/3 页 3 CN 115375454 A 3