基于多元用户异常行为数据的用户分类模型研究与应用

关矛; 林立言

doi:10.13992/j.cnki.tetas.2024.11.001

Chinese

您当前的位置：

首页 >

文章列表页 >

基于多元用户异常行为数据的用户分类模型研究与应用

开发与研究 | 更新时间：2026-04-20

- 基于多元用户异常行为数据的用户分类模型研究与应用
- 基于多元用户异常行为数据的用户分类模型研究与应用
- 电信工程技术与标准化 2024年37卷第11期页码：1-6
- 作者机构：
  
  中移互联网有限公司
- 作者简介：
- 基金信息：
- DOI：10.13992/j.cnki.tetas.2024.11.001
  中图分类号： TP311.13;TN929.5
- 纸质出版：2024
- 稿件说明：
移动端阅览
关矛, 林立言. 基于多元用户异常行为数据的用户分类模型研究与应用[J]. 电信工程技术与标准化, 2024,37(11):1-6.

关矛, 林立言. 基于多元用户异常行为数据的用户分类模型研究与应用[J]. 2024, 37(11): 1-6.
关矛, 林立言. 基于多元用户异常行为数据的用户分类模型研究与应用[J]. 电信工程技术与标准化, 2024,37(11):1-6. DOI： 10.13992/j.cnki.tetas.2024.11.001.

关矛, 林立言. 基于多元用户异常行为数据的用户分类模型研究与应用[J]. 2024, 37(11): 1-6. DOI： 10.13992/j.cnki.tetas.2024.11.001.

摘要

对于电信运营商而言，挖掘海量用户的网络行为数据，提升数智化风险防控水平，具有重要意义。本文融合电信运营商的欠费行为数据和异常订购数据等风险数据源，通过特征提取、标准化处理与逻辑回归建模，构建更为精准且可迭代的用户分类模型，满足电信运营商在权益订购和发放等场景的业务风控需要，以实现对用户异常行为的有效预测和管理。实验结果表明，该方法为风控决策提供了有力的参考。

Abstract

关键词

Keywords

references

Marcin Czajkowski,Marek Kretowski.Decision tree underfitting in mining of gene expression data. An evolutionary multi-test tree approach[J].Expert Systems With Applications,2019.

Edward I. Altman,Gabriele Sabato.Modelling Credit Risk for SMEs: Evidence from the U.S. Market[J].Abacus,2007.

Leo Breiman.Random Forests.[J].Machine Learning,2001.

徐许斌.人工智能在金融信息安全风控中的应用研究[J].中国经贸导刊,2024(10).

肖明魁.跨模型在用户意图理解任务中的对比研究[J].信息技术与信息化,2024(07).

阮一凡.人工智能技术在金融风控中的应用研究[J].商展经济,2024(07).

王炯.中小银行数字化风控体系构建的逻辑和策略[J].中国银行业,2023(01).

黄健文,丁奕,苏丽裕,闫宇,匡磊怀.基于大数据的实时风控体系构建探究[J].数字通信世界,2022(05).

李小庆.基于“大数据+AI”构建全程智能风控体系[J].金融科技时代,2021(06).

王奕森,夏树涛.集成学习之随机森林算法综述[J].信息通信技术,2018(01).

罗方科,陈晓红.基于Logistic回归模型的个人小额贷款信用风险评估及应用[J].财经理论与实践,2017(01).

方匡南,吴见彬,朱建平,谢邦昌.随机森林方法研究综述[J].统计与信息论坛,2011(03).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

电信运营商绿电引入策略研究

人工智能大模型发展趋势及电信运营商应对策略

浅析电信运营商在大模型领域的业务创新发展

电信运营商数智化转型核心能力评估模型研究与实践

电信运营商信息服务科技能力助力数字政府建设思路