CN113298645A - 资源额度调整方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种资源额度调整方法、装置、电子设备及计算机可读介质。该方法包括：定时获取目标对象的对象信息，所述对象信息包括行为信息和基础信息；基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合；基于所述目标对象集合确定目标调整模型；将所述对象信息输入所述目标调整模型中，生成调整系数；基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整。本公开涉及的资源额度调整方法、装置、电子设备及计算机可读介质，能够精准的确定用户的用户策略和资源额度，进而精准的对用户的状态进行监控和把控，既能及时快速的了解用户需求，为用户提供恰当的资源额度，又能在超预期情况下提前预警以保障公司的资源安全。

Description

资源额度调整方法、装置及电子设备

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种资源额度调整方法、装置、电子设备及计算机可读介质。

背景技术

随着经济的发展，为了满足其自身发展的需要，个人用户或者企业用户经常由资源服务机构进行资源借用活动，对于资源服务机构而言，用户的资源借用活动很可能会给资源服务公司带来风险。在还款期限届满之前，借用对象(公司或个人)的商务状况的重大不利变化很可能影响其履约能力，从而发生资源拖欠归还的风险，因此，为了降低此类风险的发生概率，资源服务机构需要对借用对象进行风险评估，进而制定其相对应的资源分配额度。

在资源额度的分配方法上，现有技术是基于历史对象的基本信息结合行为数据进行建模，进而通过模型分析出当前对象的风险值，进而根据风险值确定用户的资源额度。现有技术中是将历史对象作为一个整体进行建模仿真，但是，在实际情况中，对象本身具有个性特点，历史对象的特点也并不是服从一个总体人群分布，而是有若干个子客群组成的混合人群分布，如果通过一个模型综合代表所有类别用户的风险特征，未免有失偏颇，难以做到对用户的精细化管理。而且，由于资源借用对象对资源的使用具有不确定性，有些时候在用户未完成上次资源归还的情况下，用户还会再次申请资源借用，这个时候，如何分配用户的资源配额就是个难题。还有些时候，用户虽然完成了上次资源归还，但是本次资源申请距离上次授信的日期较远，是否还要按照上次授信的资源配额为用户分配本次的配额也是个难题。鉴于现有技术中的困境，如何及时准确的对用户的资源额度进行更新，也是个亟待解决的问题。

因此，需要一种新的资源额度调整方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种资源额度调整方法、装置、电子设备及计算机可读介质，能够精准的确定用户的用户策略和资源额度，进而精准的对用户的状态进行监控和把控，既能及时快速的了解用户需求，为用户提供恰当的资源额度，又能在超预期情况下提前预警以保障公司的资源安全。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种资源额度调整方法，该方法包括：定时获取目标对象的对象信息，所述对象信息包括行为信息和基础信息；基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合；基于所述目标对象集合确定目标调整模型；将所述对象信息输入所述目标调整模型中，生成调整系数；基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整。

可选地，还包括：获取多个历史对象的对象信息；通过层次聚类方式将所述多个历史对象分为所述多个对象集合。

可选地，还包括：获取所述多个对象集合；基于预设规则为所述多个对象集合中的多个对象确定标签；基于所述多个对象集合和其对应的标签对机器学习模型进行训练，以生成多个调整模型。

可选地，基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合，包括：由所述多个对象集合中分别提取多个考核对象；将所述对象信息和所述多个对象集合对应的多个考核对象的对象信息共同进行层次聚类处理；根据层次聚类处理的结果确定所述目标对象集合。

可选地，根据层次聚类处理的结果确定所述目标对象集合，包括：根据层次聚类的结果提取预定数量的考核对象；基于所述预定数量的考核对象的所属对象集合确定所述目标对象集合。

可选地，基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整，包括：基于所述调整系数确定额度范围；基于所述调整系数确定调整时间；基于所述额度范围、所述调整时间对所述目标对象的资源额度进行调整。

可选地，基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整，还包括：基于所述调整系数确定监测周期；基于所述监测周期对所述目标对象进行监测。

根据本公开的一方面，提出一种资源额度调整装置，该装置包括：信息模块，用于定时获取目标对象的对象信息，所述对象信息包括行为信息和基础信息；集合模块，用于基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合；模型模块，用于基于所述目标对象集合确定目标调整模型；系数模块，哟个月将所述对象信息输入所述目标调整模型中，生成调整系数；调整模块，用于基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的资源额度调整方法、装置、电子设备及计算机可读介质，定时获取目标对象的对象信息，所述对象信息包括行为信息和基础信息；基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合；基于所述目标对象集合确定目标调整模型；将所述对象信息输入所述目标调整模型中，生成调整系数；基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整的方式，能够精准的确定用户的用户策略和资源额度，进而精准的对用户的状态进行监控和把控，既能及时快速的了解用户需求，为用户提供恰当的资源额度，又能在超预期情况下提前预警以保障公司的资源安全。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据一示例性实施例示出的一种资源额度调整方法及装置的系统框图。

图2是根据一示例性实施例示出的一种资源额度调整方法的流程图。

图3是根据另一示例性实施例示出的一种资源额度调整方法的流程图。

图4是根据另一示例性实施例示出的一种资源额度调整方法的流程图。

图5是根据一示例性实施例示出的一种资源额度调整装置的框图。

图6是根据另一示例性实施例示出的一种资源额度调整装置的框图。

图7是根据一示例性实施例示出的一种电子设备的框图。

图8是根据一示例性实施例示出的一种计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开全面和完整，并将示例实施例的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部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

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。

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。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“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。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

本发明中，资源是指任何可被利用的物质、信息、时间，信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。本发明的创新之处在于如何使用服务器和客户端之间的信息交互技术来使资源额度调整的过程更加自动化、高效和减小人力成本。由此，从本质上来说，本发明可以应用于各类资源的分配，包括实体的货物、水、电，以及有意义的资料等。但是，为了方便起见，本发明中以金融数据资源为例进行说明资源分配的实施，但本领域技术人员应当理解，本发明亦可以用于其他资源的分配。

本公开的实施例提供的资源额度调整方法(为方便描述，可简称本申请实施例提供的方法)可适用于投资、银行、保险、证券以及电商等多个应用领域中的任一应用领域。在各个应用领域中，所涉及的应用场景可包括但不限于登录、注册、贷前、贷中、贷后、节假日活动或者促销活动等。本申请实施例提供的方法可适用于上述任一应用场景的任一业务类型的用户策略和资源额度的生成。

图1是根据一示例性实施例示出的一种资源额度调整方法及装置的系统框图。

如图1所示，系统架构10可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如资源服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的资源服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的对象信息进行分析等处理，并将处理结果(例如用户策略、资源额度区间)反馈给金融服务网站的管理员和/或终端设备101、102、103。

服务器105可例如定时获取目标对象的对象信息，所述对象信息包括行为信息和基础信息；服务器105可例如基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合；服务器105可例如基于所述目标对象集合确定目标调整模型；服务器105可例如将所述对象信息输入所述目标调整模型中，生成调整系数；服务器105可例如基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整。

服务器105还可例如获取多个历史对象的对象信息；通过层次聚类方式将所述多个历史对象分为所述多个对象集合。

服务器105还可例如获取所述多个对象集合；基于预设规则为所述多个对象集合中的多个对象确定标签；基于所述多个对象集合和其对应的标签对机器学习模型进行训练，以生成多个调整模型。

服务器105可以是一个实体的服务器，还可例如为多个服务器组成，需要说明的是，本公开实施例所提供的资源额度调整方法可以由服务器105执行，相应地，资源额度调整装置可以设置于服务器105中。而提供给用户进行资源服务平台浏览的网页端一般位于终端设备101、102、103中。

图2是根据一示例性实施例示出的一种资源额度调整方法的流程图。资源额度调整方法20至少包括步骤S202至S210。

如图2所示，在S202中，定时获取目标对象的对象信息，所述对象信息包括行为信息和基础信息。在本公开实施例中，目标对象可为个人用户或者企业用户，资源额度的调整可为金融资源额度的调整，也可为电力资源、水力资源的调整。其中，对象信息可包括基础信息，可例如为业务账号信息、用户的终端设备标识信息、用户所处地域信息等；对象信息还可包括行为信息，可例如为用户的页面操作数据、用户的业务访问时长、用户的业务访问频率等，对象信息的具体内容可根据实际应用场景确定，在此不做限制。

在S204中，基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合。包括：由所述多个对象集合中分别提取多个考核对象；将所述对象信息和所述多个对象集合对应的多个考核对象的对象信息共同进行层次聚类处理；根据层次聚类处理的结果确定所述目标对象集合。

层次聚类方式是利用层次方法的平衡迭代规约进行聚类(Balanced IterativeReducing and Clustering Using Hierarchies)的方式，它利用了聚类特征树结构来实现快速聚类，其中，聚类特征树的每个节点由若干个聚类特征(Clustering Feature，简称CF)组成，每个节点包括叶子节点都有若干个CF，而内部节点的CF有指向孩子节点的指针，所有的叶子节点用一个双向链表链接起来。层次聚类方式一个比较突出的优势是只需要单遍扫描数据集就能进行聚类，聚类速度快，处理大样本的数据集有明显的优势。

其中，根据层次聚类处理的结果确定所述目标对象集合，包括：根据层次聚类的结果提取预定数量的考核对象；基于所述预定数量的考核对象的所属对象集合确定所述目标对象集合。可例如，实现通过历史对象数据生成了若干个对象集合，在若干个对象集合中分别提取若干个对象作为考核对象，更具体的，可将对象集合中的核心对象作为考核对象，还可随机提取若干个对象作为考核对象。

计算考核对象和目标对象的CF值，其中CF值为三元组，可以用(N，LS，SS)表示。其中N代表了这个CF中拥有的样本点的数量；LS代表了这个CF中拥有的样本点各特征维度的和向量，SS代表了这个CF中拥有的样本点各特征维度的平方和。

构建层次聚类树，所述层次聚类树包括初始值为空的根节点、叶子节点、非叶节点、簇节点；首先提取目标对象的CF值，将CF值更新到簇节点；基于簇节点的当前数据更新所述层次聚类树中的叶子节点、非叶节点对应的数值；继续提取多个考核对象中的一个考核对象的FC数值以将其更新到所述层次聚类树中；直至所有考核对象提取完毕为止。此时观测目标对象在层次聚类树的哪一个叶子节点中，根据这个叶子节点中其他的考核对象所在的对象集合作为所述目标对象集合。

在S206中，基于所述目标对象集合确定目标调整模型。预先可设置多个已经过训练的调整模型，每个对象集合对应一个调整模型。

在S208中，将所述对象信息输入所述目标调整模型中，生成调整系数。调整模型可为通过极端梯度提升决策树模型或者逻辑回归等方法构建B卡模型。

其中，B卡模型是根据借用资源后的行为表现，预测未来逾期风险的模型。B卡模型可动态监控资源借用后的风险变化。

在S210中，基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整。包括：基于所述调整系数确定额度范围；基于所述调整系数确定调整时间；基于所述额度范围、所述调整时间对所述目标对象的资源额度进行调整。更具体的，在目标对象的调整系数小于第一阈值时，可认为该对象在整个资源借用后的表现和借用前的表现一致，当前可不对目标对象的资源额度进行调整；而在目标对象的调整系数大于第一阈值且小于第二阈值时，可认为该对象在整个资源借用后的表现和借用前的表现不一致，具有一定的风险，可在设定在服务器不繁忙的时候，例如每天的凌晨，统一对目标对象进行资源额度调整，具体的，获取服务器的服务状态，根据所述服务状态判断服务器是否繁忙，当所述服务器不繁忙时，对所述目标对象进行资源额度调整；而在目标对象的调整系数大于第二阈值时，可认为该目标对象在整个资源借用后的表现和借用前的表现明确不一致，具有很大的风险，当前就需要对目标对象的额度进行调整。

在一个实施例中，还包括：基于所述调整系数确定监测周期；基于所述监测周期对所述目标对象进行监测。对于调整系数和基础系数偏差较大的用户，可缩短对其进行监控的周期，以便实时根据用户基础信息和行为信息调整用户额度和用户策略。更具体的，在目标对象的调整系数小于第一阈值时，可设定再次计算目标对象的调整系数的周期为第一时间周期，第一时间周期为一个较长的时间周期，可例如为半个月或30天；而在目标对象的调整系数大于第一阈值且小于第二阈值时，可设定再次计算目标对象的调整系数的周期为第二时间周期，第二时间周期为一个中等长度的时间周期，可例如为1周；而在目标对象的调整系数大于第二阈值时，可设定再次计算目标对象的调整系数的周期为第三时间周期，第三时间周期为一个较短的时间周期，可例如为3天或者1天，具体的，第一时间周期大于第二时间周期，第二时间周期大于第三时间周期。

对不同的对象按照设定不同的调整时间和调整周期的方式，能够合理利用服务器资源，在不明显增加服务器处理压力的同时，还能够密切监控风险较大的用户的行为，以便对风险较高的对象实时收紧资源分配额度，保障资源安全。

根据本公开的资源额度调整方法，定时获取目标对象的对象信息，所述对象信息包括行为信息和基础信息；基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合；基于所述目标对象集合确定目标调整模型；将所述对象信息输入所述目标调整模型中，生成调整系数；基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整的方式，能够精准的确定用户的用户策略和资源额度，进而精准的对用户的状态进行监控和把控，既能及时快速的了解用户需求，为用户提供恰当的资源额度，又能在超预期情况下提前预警以保障公司的资源安全。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种资源额度调整方法的流程图。图3所示的流程30是对图2所示的流程的补充描述。

如图3所示，在S302中，获取多个历史对象的对象信息。获取已经在资源服务平台注册过的并且有过资源借用记录的历史对象的信息。

在S304中，通过层次聚类方式将所述多个历史对象分为所述多个对象集合。聚类就是给定一个包含N个数据点的数据集和一个距离度量函数F(例如计算簇内每两个数据点之间的平均距离的函数)，要求将这个数据集划分为K个簇，最后的结果是找到一种对于数据集的最佳划分，使得距离度量函数F的值最小。从机器学习的角度来看，聚类是一种非监督的学习算法，通过将数据集聚成n个簇，使得簇内点之间距离最小化，簇之间的距离最大化。

现有的聚类方法相对来说较为粗犷，精度较低，很多的时候这种传统的分客群的方法很难保证客群特征组内相近、组间相异。为了解决上述问题，本公开基于层次聚类方式进行客户分群。

在S306中，基于预设规则为所述多个对象集合中的多个对象确定标签。根据历史对象有无资源偿还逾期记录来为不同的历史对象分配正向标签或负向标签；还可以根据历史对象的日常支出、征信情况、工资水平和负债情况来对不同的历史对象分配超高风险、高风险、中高风险、中风险、中低风险、低风险或无风险的标签；设定多参考标准的表格，针对各个标准下分别设定百分比值的标签，百分比值的标签可以对历史对象进行更多的风险标定，提高对于不同历史对象的区分度，最终根据百分比值的标签可以提高对于目标对象的资源额度的调整精度，比如，构建包括对象的年龄、学历、在账月份、有无学历、多头数量、收入、借款活跃度等20多个变量的多个多参数向量样本，并针对不同向量值添加百分比值的标签，通过线性回归得到标签模型，将历史对象的对象信息输入标签模型，得到该对象信息对应的百分比值标签。

在S308中，基于所述多个对象集合和其对应的标签对机器学习模型进行训练，以生成多个调整模型。基于所述多个对象集合和其对应的标签对极端梯度提升决策树模型或者逻辑回归模型进行训练，以生成多个调整模型。

具体的，针对每个对象集合，分别构建调整模型，将所述对象集合中的各个对象的对象信息输入所述调整模型，以得到预测标签，将所述预测标签与相应的真实的标签进行比对，判断预测标签与真实的标签是否一致，统计与真实的标签一致的预测标签的数量，并计算与真实的标签一致的预测标签的数量在所有预测标签的数量中的占比，若所述占比大于或等于预设占比值，则所述调整模型收敛，得到训练完成的调整模型，若所述占比小于所述预设占比值，则调整所述调整模型中的参数，通过调整后的调整模型重新预测各个对象的预测标签，直至所述占比大于或等于预设占比值。其中，调整所述调整模型中的参数的方法可以采用随机梯度下降算法、梯度下降算法或正规方程进行。

若调整所述调整模型的参数的次数超过预设次数时，可以更换构建调整模型所使用的模型，以提高模型训练效率。

通过层次聚类方式进行客户分群进而构建机器学习模型在一定程度上能提高机器学习模型的性能，因为每个客群内的特征较为相近，总体分布更为一致，更有利于机器学习模型进行精细化分析。

图4是根据另一示例性实施例示出的一种资源额度调整方法的流程图。图4所示的流程40是对图3所示的流程中S304“通过层次聚类方式将所述多个历史对象分为所述多个对象集合”的详细描述。

如图4所示，在S402中，通过所述多个历史对象生成多个聚类节点，所述聚类节点的数值由点数、线性和、平方和组成。其中，聚类特征树的每个节点由若干个聚类特征(Clustering Feature，简称CF)组成，每个节点包括叶子节点都有若干个CF，而内部节点的CF有指向孩子节点的指针，所有的叶子节点用一个双向链表链接起来。CF值，其中CF值为三元组，可以用(N，LS，SS)表示。其中N代表了这个CF中拥有的样本点的数量；LS代表了这个CF中拥有的样本点各特征维度的和向量，SS代表了这个CF中拥有的样本点各特征维度的平方和。

在S404中，构建层次聚类树，所述层次聚类树包括初始值为空的根节点、叶子节点、非叶节点、簇节点。

在S406中，将所述多个聚类节点依次更新到所述层次聚类树中，以将所述多个历史对象分为所述多个对象集合。

在一个实施例中，具体可包括：提取任一历史对象对应的聚类节点的数值；将所述数值更新到簇节点；基于簇节点的当前数据更新所述层次聚类树中的叶子节点、非叶节点对应的数值；继续提取另一历史对象对应的聚类节点的数值以将其更新到所述层次聚类树中；直至所有聚类节点提取完毕为止。最终层次聚类树中每个簇中的历史对象作为一个对象集合。

其中，继续提取另一历史对象对应的聚类节点的数值以将其更新到所述层次聚类树中，包括：在另一历史对象对应的聚类节点的数值更新到所述层次聚类树的过程中，计算所述另一历史对象对应的聚类节点和当前聚类节点的距离；根据所述距离将所述另一历史对象对应的聚类节点更新到已有叶子节点中或分裂为新的叶子节点。

创建一个空的叶子节点和簇节点，在最初，可例如获取第一个节点的CF值(1,2,3),把点(1,2,3)的id值放入簇节点，更新簇节点的CF值为(1,(1,2,3)，(1,4,9))，把簇节点作为叶子节点的一个孩子，更新叶子的CF值为(1,(1,2,3)，(1,4,9))。实际上只要往树中放入一个CF，就要更新从根节点到该叶子节点的路径上所有节点的CF值。

当又有一个数据点要插入树中时，把这个点封装为一个簇节点(这样它就有了一个CF值)，把新到的数据点记为CF_new，拿到树的簇节点的各个孩子节点的CF值，根据两个簇之间的距离来找到CF_new与哪个节点最近，就把CF_new加入哪个子树上面去。这是一个递归的过程。递归的终止点是要把CF_new加入到一个簇节点中，如果加入之后簇的直径没有超过预设值，则直接加入，否则CF_new要单独作为一个簇，成为簇节点的兄弟结点。插入之后注意更新该节点及其所有祖先节点的CF值。

插入新节点后，可能有些节点的孩子数大于了预设值，此时该节点要分裂。对于叶子节点，它现在有L+1个簇节点，我们要新创建一个叶子节点，使它作为原叶子节点的兄弟结点，同时注意每新创建一个叶子节点都要把它插入到双向链表中。L+1个簇节点要分到这两个叶子节点中，怎么分呢？找出这L+1个簇节点中距离最远的两个簇(根据簇距离)，剩下的簇看离哪个近就跟谁站在一起。分好后更新两个叶子节点的CF值，其祖先节点的CF值没有变化，不需要更新。这可能导致祖先节点的递归分裂，因为叶子节点分裂后恰好其父节点的孩子数超过了预设值。非叶子节点的分裂方法与叶子节点的相似，只不过产生新的非叶子节点后不需要把它放入一个双向链表中。如果是树的簇节点要分裂，则树的高度加1。

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CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图5是根据一示例性实施例示出的一种资源额度调整装置的框图。如图5所示，资源额度调整装置50包括：信息模块502，集合模块504，模型模块506，系数模块508，调整模块510。

信息模块502用于定时获取目标对象的对象信息，所述对象信息包括行为信息和基础信息；

集合模块504用于基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合；所述集合模块504包括：对象单元用于由所述多个对象集合中分别提取多个考核对象；层次单元，用于将所述对象信息和所述多个对象集合对应的多个考核对象的对象信息共同进行层次聚类处理；集合单元，用于根据层次聚类处理的结果确定所述目标对象集合。

所述集合单元，还用于根据层次聚类的结果提取预定数量的考核对象；基于所述预定数量的考核对象的所属对象集合确定所述目标对象集合。

模型模块506用于基于所述目标对象集合确定目标调整模型；

系数模块508用于将所述对象信息输入所述目标调整模型中，生成调整系数；

调整模块510用于基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整。所述调整模块510包括：调整单元，用于基于所述调整系数确定额度范围；基于所述调整系数确定调整时间；基于所述额度范围、所述调整时间对所述目标对象的资源额度进行调整。监测单元，用于基于所述调整系数确定监测周期；基于所述监测周期对所述目标对象进行监测。

图6是根据另一示例性实施例示出的一种资源额度调整装置的框图。如图6所示，资源额度调整装置60包括：历史模块602，聚类模块604，模型训练模块606。

历史模块602用于获取多个历史对象的对象信息；

聚类模块604用于通过层次聚类方式将所述多个历史对象分为所述多个对象集合。所述聚类模块604包括：节点单元，用于通过所述多个历史对象生成多个聚类节点，所述聚类节点的数值由点数、线性和、平方和组成；树单元，用于构建层次聚类树，所述层次聚类树包括初始值为空的根节点、叶子节点、非叶节点、簇节点；更新单元，用于将所述多个聚类节点依次更新到所述层次聚类树中，以将所述多个历史对象分为所述多个对象集合。

其中，更新单元还用于提取任一历史对象对应的聚类节点的数值；将所述数值更新到簇节点；基于簇节点的当前数据更新所述层次聚类树中的叶子节点、非叶节点对应的数值；继续提取另一历史对象对应的聚类节点的数值以将其更新到所述层次聚类树中；直至所有聚类节点提取完毕为止。更新单元，还用于在另一历史对象对应的聚类节点的数值更新到所述层次聚类树的过程中，计算所述另一历史对象对应的聚类节点和当前聚类节点的距离；根据所述距离将所述另一历史对象对应的聚类节点更新到已有叶子节点中或分裂为新的叶子节点。

模型训练模块606用于获取所述多个对象集合；基于预设规则为所述多个对象集合中的多个对象确定标签；基于所述多个对象集合和其对应的标签对机器学习模型进行训练，以生成多个调整模型。

根据本公开的资源额度调整装置，定时获取目标对象的对象信息，所述对象信息包括行为信息和基础信息；基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合；基于所述目标对象集合确定目标调整模型；将所述对象信息输入所述目标调整模型中，生成调整系数；基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整的方式，能够精准的确定用户的用户策略和资源额度，进而精准的对用户的状态进行监控和把控，既能及时快速的了解用户需求，为用户提供恰当的资源额度，又能在超预期情况下提前预警以保障公司的资源安全。

图7是根据一示例性实施例示出的一种电子设备的框图。

下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740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710执行，使得所述处理单元710执行本说明书中的根据本公开各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图2，图3，图4中所示的步骤。

所述存储单元720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)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。

所述存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205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730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。

电子设备700也可以与一个或多个外部设备700’(例如键盘、指向设备、蓝牙设备等)通信，使得用户能与该电子设备700交互的设备通信，和/或该电子设备700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750进行。并且，电子设备700还可以通过网络适配器760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760可以通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700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，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图8所示，根据本公开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非易失性存储介质(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)执行根据本公开实施方式的上述方法。

所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质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。可读存储介质的更具体的例子(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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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公开操作的程序代码，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)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：定时获取目标对象的对象信息，所述对象信息包括行为信息和基础信息；基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合；基于所述目标对象集合确定目标调整模型；将所述对象信息输入所述目标调整模型中，生成调整系数；基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本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。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例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，根据本公开实施例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非易失性存储介质(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、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (10)

1.一种资源额度调整方法，其特征在于，包括：

定时获取目标对象的对象信息，所述对象信息包括行为信息和基础信息；

基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合；

基于所述目标对象集合确定目标调整模型；

将所述对象信息输入所述目标调整模型中，生成调整系数；

基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整。

2.如权利要求1所述的方法，其特征在于，还包括：

获取多个历史对象的对象信息；

通过层次聚类方式将所述多个历史对象分为所述多个对象集合。

3.如权利要求2所述的方法，其特征在于，还包括：

获取所述多个对象集合；

基于预设规则为所述多个对象集合中的多个对象确定标签；

基于所述多个对象集合和其对应的标签对机器学习模型进行训练，以生成多个调整模型。

4.如权利要求1所述的方法，其特征在于，基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合，包括：

由所述多个对象集合中分别提取多个考核对象；

将所述对象信息和所述多个对象集合对应的多个考核对象的对象信息共同进行层次聚类处理；

根据层次聚类处理的结果确定所述目标对象集合。

5.如权利要求4所述的方法，其特征在于，根据层次聚类处理的结果确定所述目标对象集合，包括：

根据层次聚类的结果提取预定数量的考核对象；

基于所述预定数量的考核对象的所属对象集合确定所述目标对象集合。

6.如权利要求1所述的方法，其特征在于，基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整，包括：

基于所述调整系数确定额度范围；

基于所述调整系数确定调整时间；

基于所述额度范围、所述调整时间对所述目标对象的资源额度进行调整。

7.如权利要求1～6中任一所述的方法，其特征在于，所述方法还包括：

基于所述调整系数确定监测周期；

基于所述监测周期对所述目标对象进行监测。

8.一种资源额度调整装置，其特征在于，包括：

信息模块，用于定时获取目标对象的对象信息，所述对象信息包括行为信息和基础信息；

集合模块，用于基于层次聚类方式和所述对象信息由多个对象集合中确定目标对象集合；

模型模块，用于基于所述目标对象集合确定目标调整模型；

系数模块，用于将所述对象信息输入所述目标调整模型中，生成调整系数；

调整模块，用于基于所述调整系数生成用户策略以对所述目标对象的资源额度进行调整。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images