资源交互等级的输出方法、装置、计算机设备、可读存储介质与流程

本技术涉及人工智能，特别是涉及一种资源交互等级的输出方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术：

1、在传统的针对账户的资源交互等级划分的过程中，需要使用传统的神经网络模型，比如直接将回归模型的输出作为资源交互等级的级别。然而，回归模型普及性的基础在于用它去预测和解释可以进行数值量化和比较的度量变量。但是对于不能进行数值量化和比较的非度量变量，多元回归不适合解决此类问题。

2、因此，当前的资源交互等级的划分方式，存在着输出资源交互等级的准确度较低的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提升输出的资源交互等级准确度的资源交互等级的输出方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种资源交互等级的输出方法。所述方法包括：

3、获取目标账户在两个时间周期对应的属性描述信息；所述目标账户包括向目标对象办理资源交互业务的账户；所述时间周期包括第一周期和第二周期，所述第一周期的时间早于所述第二周期；

4、针对所述第一周期的所述属性描述信息进行聚类，得到第一聚类结果，以及，针对所述第二周期的所述属性描述信息进行聚类，得到第二聚类结果；

5、根据所述第一聚类结果和所述第二聚类结果，确定账户转移矩阵；所述账户转移矩阵表征各目标账户从所述第一周期至所述第二周期的资源交互等级的变化情况；所述资源交互等级表征各所述目标账户在资源交互过程中按期履行合约的概率值大小；

6、基于预设定的资源变化趋势信息，根据所述账户转移矩阵，输出目标周期中各所述目标账户对应的所述资源交互等级；所述资源变化趋势信息表征在所述第二周期至目标周期内资源总量的变化趋势；所述目标周期为所述第二周期之后的时间周期。

7、在其中一个实施例中，所述针对所述第一周期的所述属性描述信息进行聚类，得到第一聚类结果，包括：

8、从所述第一周期的所述属性描述信息对应的多个变量中筛选得到目标变量；

9、确定针对所述目标变量进行聚类的聚类数目；

10、按照所述聚类数目的要求，对各所述目标账户的所述目标变量进行聚类，得到所述第一聚类结果。

11、在其中一个实施例中，所述从所述第一周期的所述属性描述信息对应的多个变量中筛选得到目标变量，包括：

12、根据所述第一周期的所述属性描述信息，构建所述属性描述信息对应的账户评分模型；所述账户评分模型包括各目标账户在各评分维度对应的评分信息；

13、将所述账户评分模型中的各所述评分维度对应的变量，确定为所述目标变量。

14、在其中一个实施例中，所述基于预设定的资源变化趋势信息，根据所述账户转移矩阵，输出目标周期中各所述目标账户对应的所述资源交互等级，包括：

15、对所述账户转移矩阵进行简化，得到简化后的所述账户转移矩阵；

16、基于所述第二周期至所述目标周期的周期间隔数，将所述资源变化趋势信息和所述简化后的所述账户转移矩阵进行融合，得到目标转移矩阵；

17、根据所述目标转移矩阵和所述第二周期的账户分布进行融合，得到所述在目标周期中各所述目标账户对应的所述资源交互等级；所述第二周期的账户分布包括在所述第二周期中所述目标账户对应的所述资源交互等级。

18、在其中一个实施例中，所述方法还包括：

19、获取所述第二周期至所述目标周期内资源总量的变化信息；

20、将所述第二周期至所述目标周期内资源总量的变化信息，作为所述资源变化趋势信息。

21、在其中一个实施例中，所述方法还包括：

22、根据各所述目标账户对应的所述属性描述信息和所述资源交互等级，构建线性判别分析模型；

23、以所述线性判别分析模型对应的目标函数为约束条件，对所述线性判别分析模型进行求解，得到求解结果；所述求解结果包括各所述资源交互等级对应的误判概率；

24、根据各所述资源交互等级对应的误判概率，对所述资源交互等级进行修正，得到修正后的所述资源交互等级。

25、在其中一个实施例中，所述对所述线性判别分析模型进行求解，包括：

26、基于各类样本均值向量中的观测值、类间离散度矩阵和类内离散度矩阵确定后验概率确定规则；

27、根据所述后验概率确定规则，分别计算得到对目标周期中各所述目标账户对应的所述资源交互等级，得到各所述资源交互等级对应的误判概率。

28、第二方面，本技术还提供了一种资源交互等级的输出装置。所述装置包括：

29、信息获取模块，用于获取目标账户在两个时间周期对应的属性描述信息；所述目标账户包括向目标对象办理资源交互业务的账户；所述时间周期包括第一周期和第二周期，所述第一周期的时间早于所述第二周期；

30、聚类模块，用于针对所述第一周期的所述属性描述信息进行聚类，得到第一聚类结果，以及，针对所述第二周期的所述属性描述信息进行聚类，得到第二聚类结果；

31、转移矩阵确定模块，用于根据所述第一聚类结果和所述第二聚类结果，确定账户转移矩阵；所述账户转移矩阵表征各目标账户从所述第一周期至所述第二周期的资源交互等级的变化情况；所述资源交互等级表征各所述目标账户在资源交互过程中按期履行合约的概率值大小；

32、等级输出模块，用于基于预设定的资源变化趋势信息，根据所述账户转移矩阵，输出目标周期中各所述目标账户对应的所述资源交互等级；所述资源变化趋势信息表征在所述第二周期至目标周期内资源总量的变化趋势；所述目标周期为所述第二周期之后的时间周期。

33、第三方面，本技术还提供了一种计算机设备。所述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，所述处理器执行所述计算机程序时实现以下步骤：

34、获取目标账户在两个时间周期对应的属性描述信息；所述目标账户包括向目标对象办理资源交互业务的账户；所述时间周期包括第一周期和第二周期，所述第一周期的时间早于所述第二周期；

35、针对所述第一周期的所述属性描述信息进行聚类，得到第一聚类结果，以及，针对所述第二周期的所述属性描述信息进行聚类，得到第二聚类结果；

36、根据所述第一聚类结果和所述第二聚类结果，确定账户转移矩阵；所述账户转移矩阵表征各目标账户从所述第一周期至所述第二周期的资源交互等级的变化情况；所述资源交互等级表征各所述目标账户在资源交互过程中按期履行合约的概率值大小；

37、基于预设定的资源变化趋势信息，根据所述账户转移矩阵，输出目标周期中各所述目标账户对应的所述资源交互等级；所述资源变化趋势信息表征在所述第二周期至目标周期内资源总量的变化趋势；所述目标周期为所述第二周期之后的时间周期。

38、第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

39、获取目标账户在两个时间周期对应的属性描述信息；所述目标账户包括向目标对象办理资源交互业务的账户；所述时间周期包括第一周期和第二周期，所述第一周期的时间早于所述第二周期；

40、针对所述第一周期的所述属性描述信息进行聚类，得到第一聚类结果，以及，针对所述第二周期的所述属性描述信息进行聚类，得到第二聚类结果；

41、根据所述第一聚类结果和所述第二聚类结果，确定账户转移矩阵；所述账户转移矩阵表征各目标账户从所述第一周期至所述第二周期的资源交互等级的变化情况；所述资源交互等级表征各所述目标账户在资源交互过程中按期履行合约的概率值大小；

42、基于预设定的资源变化趋势信息，根据所述账户转移矩阵，输出目标周期中各所述目标账户对应的所述资源交互等级；所述资源变化趋势信息表征在所述第二周期至目标周期内资源总量的变化趋势；所述目标周期为所述第二周期之后的时间周期。

43、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

44、获取目标账户在两个时间周期对应的属性描述信息；所述目标账户包括向目标对象办理资源交互业务的账户；所述时间周期包括第一周期和第二周期，所述第一周期的时间早于所述第二周期；

45、针对所述第一周期的所述属性描述信息进行聚类，得到第一聚类结果，以及，针对所述第二周期的所述属性描述信息进行聚类，得到第二聚类结果；

46、根据所述第一聚类结果和所述第二聚类结果，确定账户转移矩阵；所述账户转移矩阵表征各目标账户从所述第一周期至所述第二周期的资源交互等级的变化情况；所述资源交互等级表征各所述目标账户在资源交互过程中按期履行合约的概率值大小；

47、基于预设定的资源变化趋势信息，根据所述账户转移矩阵，输出目标周期中各所述目标账户对应的所述资源交互等级；所述资源变化趋势信息表征在所述第二周期至目标周期内资源总量的变化趋势；所述目标周期为所述第二周期之后的时间周期。

48、上述资源交互等级的输出方法、装置、计算机设备、存储介质和计算机程序产品，首先获取目标账户在两个时间周期对应的属性描述信息，然后针对第一周期的属性描述信息进行聚类，得到第一聚类结果，以及，针对第二周期的属性描述信息进行聚类，得到第二聚类结果，进而根据第一聚类结果和第二聚类结果，确定账户转移矩阵，最后基于预设定的资源变化趋势信息，根据账户转移矩阵，输出目标周期中各目标账户对应的资源交互等级；针对账户的资源交互等级，对账户进行两次聚类，透过属性描述信息来分析判断和推测账户履行资源交互过程中合约的能力，输出账户属于某个资源交互类别，进而引入优化资源交互级别迁移的马尔可夫风险转移矩阵，预测资源交互等级在周期后的变化情况，提升了针对目标账户的资源交互类型的数据准确度。