(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 202211062860.9 (22)申请日 2022.08.31 (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 伏峰　 (74)专利代理 机构 北京东方亿 思知识产权代理 有限责任公司 1 1258 专利代理师 赵秀芹 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 用户识别方法、 装置、 设备、 介质及程序 产品 (57)摘要 本申请公开了一种用户识别方法、 装置、 设 备、 介质及程序产品， 该方法包括： 能够根据用户 数据集中各用户的信用数据， 确定各用户的资产 评估值； 根据各用户的资产评估值， 在多个用户 中筛选出部分用户生成第一用户集； 将用户数据 集中各用户的信用数据输入至深度学习模型中， 通过深度学习模 型得到各用户的信用表征值； 根 据各用户的信用表征值， 在 多个用户中筛选出部 分户生成第二用户集； 根据第一用户集和第二用 户集， 确定目标用户。 由此将资产评估方法与机 器学习方法结合来识别目标用户， 提高了用户识 别的准确性。 权利要求书3页 说明书13页 附图2页 CN 115526702 A 2022.12.27 CN 115526702 A 1.一种用户识别方法， 其特 征在于， 包括： 根据用户数据集中各用户的信用数据， 确定各所述用户的资产评估值， 所述用户数据 集中包括多个用户的信用数据， 所述资产评估值用于表征 所述用户的资产； 根据各所述用户的资产评估值， 在所述多个用户中筛 选出部分用户生成第一用户集； 将所述用户数据集中各用户的信用数据输入至深度 学习模型中， 通过所述深度 学习模 型得到各所述用户的信用表征值； 根据各所述用户的信用表征值， 在所述多个用户中筛选出部分所述户生成第二用户 集； 根据所述第一用户集和所述第二用户集， 确定目标用户， 所述目标用户为所述第一用 户集和所述第二用户集中的至少部分用户。 2.根据权利要求1所述的方法， 其特征在于， 所述将所述用户数据集中各用户的信用数 据输入至深度学习模型中， 通过 所述深度学习模型 得到各所述用户的信用表征值， 包括： 将所述用户数据集中各用户的信用数据输入至第 一识别模型中， 通过所述第 一识别模 型得到各所述用户的信用表征值， 所述第一识别模型为有监 督的深度学习模型。 3.根据权利要求2所述的方法， 其特 征在于， 所述第一识别模型包括第一子识别模型， 所述将所述用户数据集中各用户的信用数据输入至深度 学习模型中， 通过所述深度 学 习模型得到各所述用户的信用表征值， 包括： 将所述用户数据集中各用户的信用数据输入第 一子识别模型， 确定各所述用户的第 一 概率值， 所述第一子识别模型根据第一正样本数据和第一负样本数据训练得到， 所述第一 正样本数据包括所述第一用户集中各用户的信用数据， 所述第一负样本数据包括至少一个 第一用户的信用数据， 所述第一用户为所述多个用户中除所述第一用户集中的用户之外的 至少部分用户， 所述第一概率值用于表征所述用户与所述第一用户集中各用户为同一类用 户的概率； 所述根据 各所述用户的信用表征值， 在所述多个用户中筛选出部分所述户生成第 二用 户集， 包括： 在所述多个用户中， 筛选出所述第 一概率值大于或者等于第 一阈值的用户生成第 一用 户子集， 其中， 所述第二用户集包括所述第一用户子集。 4.根据权利要求3所述的方法， 其特征在于， 所述第 一识别模型包括第 一子识别模型和 第二子识别模型， 所述将所述用户数据集中各用户的信用数据输入至深度 学习模型中， 通过所述深度 学 习模型得到各所述用户的信用表征值， 还 包括： 将所述用户数据集中各用户的信用数据输入第 二子识别模型， 确定各所述用户的第 二 概率值， 所述第二子识别模型根据第二正样本数据和第二负样本数据训练得到， 所述第二 正样本数据包括所述第一用户集和所述第一用户子集中各用户的信用数据， 所述第二负样 本数据包括至少一个第二用户的信用数据， 所述第二用户为所述多个用户中除所述第一用 户集和所述第一用户子集中的用户之外的至少部分用户， 所述第二概率值用于表征所述用 户与所述第一用户集和所述第一用户子集中各用户为同一类用户的概 率； 所述根据 各所述用户的信用表征值， 在所述多个用户中筛选出部分所述户生成第 二用权　利　要　求　书 1/3 页 2 CN 115526702 A 2户集， 还包括： 在所述多个用户中， 筛选出所述第 二概率值大于或者等于第 二阈值的用户生成第 二用 户子集， 其中， 所述第二用户集包括所述第一用户子集和所述第二用户子集。 5.根据权利要求2所述的方法， 其特征在于， 所述第 一识别模型包括有监督的深度 学习 模型和无监 督的深度学习模型。 6.根据权利要求5所述的方法， 其特征在于， 所述第一识别模型包括第一子识别模型、 第二子识别模型和第三子识别模型， 所述将所述用户数据集中各用户的信用数据输入至深度 学习模型中， 通过所述深度 学 习模型得到各所述用户的信用表征值， 包括： 将所述用户数据集中各用户的信用数据输入第 一子识别模型， 确定各所述用户的第 一 概率值； 将所述用户数据集中各用户的信用数据输入第 二子识别模型， 确定各所述用户的第 二 概率值； 所述根据 各所述用户的信用表征值， 在所述多个用户中筛选出部分所述户生成第 二用 户集， 还包括： 在所述多个用户中， 筛选出所述第 一概率值大于第 三阈值小于第 一阈值的用户生成第 一待定用户集， 在所述多个用户中， 筛选出所述第 二概率值大于第四阈值小于第 二阈值的用户生成第 二待定用户集； 将所述第一待定用户集和所述第二待定用户集中各用户的信用数据输入第三子识别 模型， 确定各所述用户的第一异常值， 所述第三子识别模型为无监督深度学习模 型， 所述第 一异常值用于表征所述用户在所述第一待定用户集和所述第二待定用户集中相 较于其他 用户的异常程度； 根据各所述用户的所述第 一异常值， 在所述第 一待定用户集和所述第 二待定用户集中 筛选出部分用户生成第三用户子集， 其中， 所述第二用户集包括所述第三用户子集。 7.根据权利要求2所述的方法， 其特征在于， 所述根据各所述用户的信用表征值， 在所 述多个用户中筛 选出部分所述户生成第二用户集之后， 还 包括： 将所述用户数据集中各用户的信用数据输入第四识别模型， 确定所述用户数据集中各 所述用户的第二异常值， 所述第二异常值用于表征所述用户在所述用户数据集中相较于其 他用户的异常程度； 根据各所述用户的所述第 二异常值， 在所述用户数据集中筛选出部分用户生成第 三用 户集； 所述根据所述第一用户集和所述第二用户集， 确定目标用户， 包括： 根据所述第一用户集、 所述第二用户集和所述第三用户集， 确定目标用户。 8.根据权利要求1所述的方法， 其特征在于， 所述信用数据包括： 用户的房屋价值和托 管总资产， 所述根据用户数据集中各用户的信用数据， 确定各 所述用户的资产评估值， 包括：权　利　要　求　书 2/3 页 3 CN 115526702 A 3