(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 202211271947.7 (22)申请日 2022.10.18 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 刘京　李亚雄　马小菲　刘航　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 王曦　张祥意 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) G06Q 40/02(2012.01) (54)发明名称 基于KNN算法的用户分类方法及装置 (57)摘要 本发明提供了一种基于KNN算法的用户分类 方法及装置， 对应的方法包括： 接收用户的个人 信息； 根据所述个人信息以及预先建立的KNN用 户分类模型对多个用户进行分类， 所述KNN用户 分类模型是基于KNN算法所生成的。 本发明采用 的KNN分类算法简单易用， 模型训练时间快， 其 建 立的模型结构完全是根据数据来决定的， 符合现 实情况， 比较适用于样本容量较大的分类情况， 对异常值不敏感， 因此对于银行贷款数据分类的 适用性很高， 并且KNN分类算法具有很好的预测 效果， 对于贷款违约风险的预测把控 可以提供较 为可信的参 考。 权利要求书1页 说明书9页 附图5页 CN 115545113 A 2022.12.30 CN 115545113 A 1.一种基于KN N算法的用户分类方法， 其特 征在于， 包括： 接收用户的个人信息； 根据所述个人信息以及预先建立的KNN用户分类模型对多个用户进行分类， 所述KNN用 户分类模型 是基于KN N算法所生成的。 2.如权利 要求1所述的基于KNN算法的用户分类方法， 其特征在于， 建立所述KNN用户分 类模型的方法包括： 利用Python机器学习sklearn库中的KNeighborsClassifier函数， 基于前期收集到的 客户数据建立所述KN N用户分类模型的初始模型； 通过skle arn库中的fit(X_train,y_train)函数训练所述初始模型， 以生成所述KNN用 户分类模型。 3.如权利要求1所述的基于KN N算法的用户分类方法， 其特 征在于， 还 包括： 利用rain_test_spl it函数来将数据集随机划分为训练集以及测试集。 4.如权利要求3所述的基于KN N算法的用户分类方法， 其特 征在于， 还 包括： 对所述个人信息进行 预处理； 对所述训练集进行归一 化处理。 5.一种基于KN N算法的用户分类装置， 其特 征在于， 包括： 个人信息 接收模块， 用于 接收用户的个人信息； 用户分类模块， 用于根据所述个人信息以及预先建立的KNN用户分类模型对多个用户 进行分类， 所述KN N用户分类模型 是基于KN N算法所生成的。 6.如权利要求5所述的基于KNN算法的用户分类装置， 其特征在于， 还包括： 分类模型建 立模块， 用于建立所述KN N用户分类模型， 所述分类模型建立模块包括： 初始模型建立模块， 用于利用Python机器学习sklearn库中的KNeighborsClassifier 函数， 基于前期收集到的客户数据建立所述KN N用户分类模型的初始模型； 分类模型建立单元， 用于通过sklearn库中的fit(X_train,y_train)函数训练所述初 始模型， 以生成所述KN N用户分类模型。 7.如权利要求5所述的基于KN N算法的用户分类装置， 其特 征在于， 还 包括： 数据集划分模块， 用于利用Python中机器学习库sklearn.model_selection中的 train_test_spl it函数来将数据集随机划分为训练集以及测试集。 8.如权利要求7 所述的基于KN N算法的用户分类装置， 其特 征在于， 还 包括： 信息预处 理模块， 用于对所述个人信息进行 预处理； 训练集归一 化模块， 用于对所述训练集进行归一 化处理。 9.一种计算机程序产品， 包括计算机程序/指令， 其特征在于， 该计算机程序/指令被处 理器执行时实现权利要求1至4任一项所述的基于KN N算法的用户分类方法的步骤。 10.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现权利要求1至4任一项所述一种基于 KNN算法的用户分类方法的步骤。 11.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该计算机程序被 处理器执行时实现权利要求1至4任一项所述的基于KN N算法的用户分类方法的步骤。权　利　要　求　书 1/1 页 2 CN 115545113 A 2基于KNN算法的用户分类方 法及装置 技术领域 [0001]本申请属于计算机数据处理技术领域， 具体涉及一种基于KNN算法的用户分类方 法及装置 。 背景技术 [0002]在现有技术中， 随着市场需求的日益增多， 银行业的贷款业务数量不断上升。 出于 经济效益最大化和信用风险规避的双重考量， 银行有必 要对涉及贷款业务客户的贷款状态 进行准确分类， 并在此基础上实现较为准确的分类预测， 从而有助于银行把控客户信贷违 约风险， 有效规避损失， 达 到对商业银 行的贷款 风险控制的要求。 发明内容 [0003]本发明可用于计算机数据处理技术在金融方面应用的技术领域， 也可用于除金 融 领域之外的任意领域， 本发明所提供的基于KNN算法 的用户分类方法及装置， 采用的KNN分 类算法与SVM支持向量机算法相比具有 更低的训练 时间复杂度， 对数据的分布没有假设， 分 类准确度高且对异常点不敏感， 比较适用于样本容量较大的分类情况， KNN模型仅涉及一个 参数K的取值选择， 在应用中通常可以通过交叉验证法来选择最优的K值。 [0004]为解决上述 技术问题， 本发明提供以下技 术方案： [0005]第一方面， 本发明提供一种基于KN N算法的用户分类方法包括： [0006]接收用户的个人信息； [0007]根据所述个人信息以及预先建立的KNN用户分类模型对多个用户进行分类， 所述 KNN用户分类模型 是基于KN N算法所生成的。 [0008]一实施例中， 建立所述KN N用户分类模型的方法包括： [0009]利用Python机器学习sklearn库中的KNeighborsClassifier函数， 基于前期收集 到的客户数据建立所述KN N用户分类模型的初始模型； [0010]通过sklearn库中的fit(X_tr ain,y_tr ain)函数训练所述初始模型， 以生成所述 KNN用户分类模型。 [0011]一实施例中， 基于KN N算法的用户分类方法还 包括： [0012]利用Python中机器学习 库sklear n.model_ selection中的train_test_ split函数 来将数据集随机划分为训练集以及测试集。 [0013]一实施例中， 基于KN N算法的用户分类方法还 包括： [0014]对所述个人信息进行 预处理； [0015]对所述训练集进行归一 化处理。 [0016]第二方面， 本发明提供一种基于KN N算法的用户分类方法及装置， 该装置包括： [0017]个人信息 接收模块， 用于 接收用户的个人信息； [0018]用户分类模块， 用于根据所述个人信息以及预先建立的KNN用户分类模型对多个 用户进行分类， 所述KN N用户分类模型 是基于KN N算法所生成的。说　明　书 1/9 页 3 CN 115545113 A 3