[发明专利]用户类型的预测方法及装置

权利要求书

1.一种用户类型的预测方法，其特征在于，包括：

获得多个用户的信用数据和身份信息；

根据每个用户的身份信息，确定每个用户的特征参数；

基于变分贝叶斯算法，根据多个用户的信用数据和特征参数，确定用户特征参数的权重系数；

根据所述用户特征参数的权重系数，确定用户的信用数据与特征参数的关联关系；

获得目标用户的身份信息，基于所述用户的信用数据与特征参数的关联关系，确定目标用户的信用数据；

根据目标用户的信用数据，预测目标用户的类型。

2.如权利要求1所述的方法，其特征在于，根据每个用户的身份信息，确定每个用户的特征参数，包括：

根据每个用户的身份信息，确定每个用户的多种特征数据；

将每个用户的各种特征数据分别进行标准化处理，确定每个用户的特征参数。

3.如权利要求1所述的方法，其特征在于，按照如下方法确定用户的信用数据与特征参数的关联关系：

式中：为用户的信用数据；P为用户的特征参数；为用户特征参数的权重系数；为用户信用数据的预测误差。

4.如权利要求1所述的方法，其特征在于，基于变分贝叶斯算法，根据多个用户的信用数据和特征参数，确定用户特征参数的权重系数，包括：

构建用户特征参数的权重系数的贝叶斯分层结构；其中，所述贝叶斯分层结构中包括多个与用户特征参数的权重系数关联的变量；

根据所述贝叶斯分层结构，建立用户特征参数的权重系数的辅助概率密度函数模型；

根据多个用户的信用数据和特征参数，求解辅助概率密度函数模型中的各个参数值；

基于最大化后验概率准则，根据求解后的辅助概率密度函数模型，确定用户特征参数的权重系数。

5.如权利要求4所述的方法，其特征在于，按照如下方式建立用户特征参数的权重系数的辅助概率密度函数模型，包括：

其中，

式中，为用户特征参数的权重系数的辅助概率密度函数；y为用户的信用数据；P为用户的特征参数；为用户特征参数的权重系数；为权重系数复高斯分布的方差；为权重系数复高斯分布的期望值；为在下的期望值；σ为预测误差的标准差；q(σ)为预测误差的标准差的概率密度函数；＜σ＞_q(σ)为σ在q(σ)下的期望值；χ为与关联的参数；V(χ)为与χ关联的对角矩阵。

6.如权利要求4所述的方法，其特征在于，根据多个用户的信用数据和特征参数，求解辅助率密度函数模型中的各个参数值，包括：

设置辅助概率密度函数模型中的各个参数的初始化值以及停止迭代条件；

循环执行如下步骤，直至满足停止迭代条件，确定辅助概率密度函数模型中的各个参数值：对辅助概率密度函数模型输入用户的信用数据和特征参数，输出权重系数；根据输出的权重系数，更新辅助概率密度函数模型中的各个参数值；对更新参数值后的辅助概率密度函数模型，重新输入用户的信用数据和特征参数。

7.一种用户类型的预测装置，其特征在于，包括：

数据获得模块，用于获得多个用户的信用数据和身份信息；

用户特征参数确定模块，用于根据每个用户的身份信息，确定每个用户的特征参数；

权重系数确定模块，用于基于变分贝叶斯算法，根据多个用户的信用数据和特征参数，确定用户特征参数的权重系数；

关联关系确定模块，用于根据所述用户特征参数的权重系数，确定用户的信用数据与特征参数的关联关系；

目标用户信用数据确定模块，用于获得目标用户的身份信息，基于所述用户的信用数据与特征参数的关联关系，确定目标用户的信用数据；

目标用户类型预测模块，用于根据目标用户的信用数据，预测目标用户的类型。