(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 202210678842.7 (22)申请日 2022.06.15 (71)申请人 海南大学 地址 570000 海南省海口市人民大道58号 (72)发明人 黄梦醒　董春秋　吴迪　冯子凯　 毋媛媛　冯思玲　张宏瑞　 (74)专利代理 机构 苏州中合知识产权代理事务 所(普通合伙) 32266 专利代理师 阮梅 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 40/06(2012.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 基于LSF-FC算法的银行用户画像模型生成 方法 (57)摘要 本发明公开基于LSF ‑FC算法的银行用户画 像模型生成方法， 包括如下步骤： 基于银行不同 的业务类型对应生成不同的标签； 为满足银行不 同的业务需求的不同用户匹配对应的标签， 形成 银行客户样 本集； 基于特征相关性多标签学习算 法对银行客户样本集进行机器学习， 获得银行用 户画像模型； 将不带标签的待检测用户数据信息 输入银行用户画 像模型中， 输出待检测用户的预 测标签； 根据待检测用户的预测标签执行对应的 业务的相关步骤。 本发明基于特征相关性多 标签 学习的银行用户画像模型构建及应用， 将银行的 各个业务标签综合到一个用户画 像模型中， 全面 的描述用户偏好， 从而更精准的对客户进行个性 化服务。 权利要求书2页 说明书7页 附图3页 CN 115205011 A 2022.10.18 CN 115205011 A 1.基于LSF ‑FC算法的银 行用户画像模型生成方法， 其特 征在于， 包括如下步骤： 基于银行不同的业 务类型对应生成不同的标签； 基于历史的用户数据信息， 为满足银行不同的业务需求的不同用户匹配对应的标签， 形成银行客户样本集； 基于特征相关性多标签学习算法对银行客户样本集进行机器学习， 获得银行用户画像 模型； 将不带标签的待检测用户数据信 息输入银行用户画像模型中， 输出待检测用户的预测 标签； 根据待检测用户的预测标签执 行对应的业 务的相关步骤。 2.根据权利 要求1所述的基于LSF ‑FC算法的银行用户画像模型生成方法， 其特征在于， 还包括如下步骤： 对银行客户样本集进行 预处理。 3.根据权利 要求2所述的基于LSF ‑FC算法的银行用户画像模型生成方法， 其特征在于， 所述预处 理， 包括如下步骤： 将异常值过多和重复值过多且不符合预设业 务逻辑的特 征进行删除； 将缺失值高于预设阈值的特征进行删除， 缺失值不高于预设阈值的特征采用均值填补 或众数填补来 填补缺失值； 将非数值型 数据进行 特征编码。 4.根据权利 要求3所述的基于LSF ‑FC算法的银行用户画像模型生成方法， 其特征在于， 所述将非数值型 数据进行 特征编码， 包括如下步骤： 针对定序型非数值离 散特征采用标签编码； 针对乱序型非数值离 散特征采用独热编码。 5.根据权利 要求2所述的基于LSF ‑FC算法的银行用户画像模型生成方法， 其特征在于， 所述预处 理还包括采用z ‑score标准化银行客户样本集。 6.根据权利 要求1所述的基于LSF ‑FC算法的银行用户画像模型生成方法， 其特征在于， 所述基于特征相关性多标签学习算法对银行客户样本集进 行机器学习， 获得银行用户画像 模型， 具体包括如下步骤： 将所述银 行客户样本集分为数据训练集和数据测试集； 将数据训练集输入预设的线性 回归模型中进行机器学习， 生成初始模型， 其中， 通过概 率邻域图计算数据训练集中特征之间的相关性， 再通过余弦相似性计算标签之间的相关 性， 将特征之间的相关性和标签之间的相关性结合到目标函数中， 筛选出每个标签的特定 特征； 将数据测试集输入初始模型中， 输出 预测结果； 通过评测指标评估初始模型的预测结果， 若评估指标达到预设要求， 则将当前的初始 模型作为银 行用户画像模型输出， 若则调参后继续学习直至 评测指标满足预设要求。 7.根据权利 要求6所述的基于LSF ‑FC算法的银行用户画像模型生成方法， 其特征在于， 通过N折交叉验证将所述银 行客户样本集划分数据训练集和数据测试集。 8.根据权利 要求6所述的基于LSF ‑FC算法的银行用户画像模型生成方法， 其特征在于， 所述通过概率邻域图计算数据训练集中特 征之间的相关性， 计算公式如下：权　利　要　求　书 1/2 页 2 CN 115205011 A 2其中， Sij表示样本特征zi和zj之间的相似度， kNN(zj)代表利用欧氏距离计算的zj的k个 邻居集合， 则zi∈kNN(zj)表示样本特 征zi是样本特 征zj的近邻。 9.根据权利 要求6所述的基于LSF ‑FC算法的银行用户画像模型生成方法， 其特征在于， 所述目标函数如下 所示： 其中， X表示样本特征矩阵， W为系数矩阵， Y表示样本标签矩阵， R＝1 ‑C， C表示所有标签 的标签相关矩阵， L ＝A‑S， L是k近邻图S上的图Laplacian矩阵， A是对角矩阵， 10.根据权利要求1所述的基于LSF ‑FC算法的银行用户画像模型生成方法， 其特征在 于， 还包括如下步骤： 将不带标签的待检测用户数据信息以及预测标签作为银行用户画像模型的增量学习 样本， 对银 行用户画像模型进行不断的修 正完善， 形成闭环。权　利　要　求　书 2/2 页 3 CN 115205011 A 3