CN112288572A - 业务数据处理方法及计算机设备 - Google Patents
业务数据处理方法及计算机设备 Download PDFInfo
- Publication number
- CN112288572A CN112288572A CN202011544363.3A CN202011544363A CN112288572A CN 112288572 A CN112288572 A CN 112288572A CN 202011544363 A CN202011544363 A CN 202011544363A CN 112288572 A CN112288572 A CN 112288572A
- Authority
- CN
- China
- Prior art keywords
- model
- data set
- sample
- variable
- fraud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例所提供的业务数据处理方法及计算机设备,能够在第一业务区域和第二业务区域下都能够有效获取建模数据的场景下,利用算法的设计,在逐步迭代中有效提高原有模型样本中与第二业务区域中类似的样本的权重,同时减少原有模型中的非类似样本的权重。在迭代中,通过设定的迭代早停机制,在多轮迭代中,模型表现没有显著提升的情况下终止循环。这样一来,一方面避免了需要人工设定迭代次数的主观性,另一方面能够在循环终止的情况下,选出多轮迭代中表现最好的一个模型进行实际部署,解决了需要部署迭代中所有模型,以输出模型结果的复杂性。如此,能够提高风控模型的泛化性能,从而确保预测准确率不会出现偏差。
Description
技术领域
本发明涉及数据特征处理技术领域,具体而言,涉及一种业务数据处理方法及计算机设备。
背景技术
随着全球经济一体化的发展,不同地区之间的金融信贷业务也呈现交互式发展。在进行金融信贷业务处理时,需要实现大数据风控处理。为了确保大数据风控体系在不同地区之间的兼容性,需要根据样本数据进行风控模型的建模,然而不同地区之间的样本数据的数据规模是不同的,这样会导致针对不同地区进行风控模型建模时可能导致风控模型的预测准确率出现偏差。
发明内容
为了改善上述问题,本发明提供了一种业务数据处理方法及计算机设备。
第一方面,提供一种业务数据处理方法,应用于计算机设备,所述方法包括以下步骤:
步骤S1,从目标数据平台获取在第一业务区域内的P个第一业务项目的第一反欺诈变量和第一欺诈客户标签,组成P个第一反欺诈建模样本数据集;其中,所述第一反欺诈变量作为建模的第一预测变量,所述第一欺诈客户标签作为建模的第一响应变量;其中,P为正整数;
步骤S2,基于所述P个第一反欺诈建模样本数据集分别训练一个目标模型,并从P个目标模型中选择AUC数值最高的模型作为模型S,将所述模型S的建模样本数据集确定为数据集S,将所述模型S的变量组合作为变量组合S;
步骤S3,根据所述变量组合S从所述目标数据平台中获取在第二业务区域内的第二业务项目的第二反欺诈变量和第二欺诈客户标签,组成第二反欺诈建模样本数据集T;其中,所述第二反欺诈变量作为建模的第二预测变量,所述第二欺诈客户标签作为建模的第二响应变量;
步骤S4,合并所述数据集S和所述数据集T得到数据集A;其中,所述数据集S的样本量为n,所述数据集T的样本量为m;对所述集A中的样本个体设置编号,编号为1到n+m,编号为1到n的样本个体来自数据集S,编号为n+1到n+m的样本个体来自数据集T;其中,n和m为正整数;
步骤S5,对所述数据集A中的样本个体分配初始权重;
步骤S6,设定用于记录迭代次数的整数型变量t,且对所述变量t赋值为1;其中,t为正整数;
步骤S7,针对所述数据集A,按照当前的样本权重,并使用所述变量组合S训练模型At;
步骤S8,调用所述模型At,对所述数据集A中的样本进行预测,输出欺诈标签的概率,并确定所述模型At相对于所述数据集T的预测损失et;
步骤S9,确定所述模型At相对于所述数据集T的预测性能指标AUC,并缓存所述预测性能指标AUC和所述欺诈标签的概率对应的模型预测结果;
步骤S10,根据所述预测损失et确定并更新所述数据集T中的样本的权重;
步骤S11,更新迭代所述变量t,将所述变量t的赋值加1;
步骤S12,对步骤S7至步骤S11进行循环迭代,直至满足迭代循环条件,以得到x个待处理模型;
步骤S13,基于所述x个待处理模型中的每个待处理模型相对于所述数据集T的预测性能指标AUC,确定出最终模型,并提取所述最终模型对应的模型参数作为与所述第二业务项目对应的建模参数。
可选地,步骤S5中,对所述数据集A中的样本个体分配初始权重,包括:
将所述数据集A中来自所述数据集S的每个样本个体的权重分配为1/n;
将所述数据集A中来自所述数据集T的每个样本个体的权重分配为1/m。
可选地,在步骤S2中,所述目标模型为逻辑回归模型。
可选地,在步骤S2中,所述目标模型为随机森林模型。
可选地,在步骤S2中,所述目标模型为支持向量机。
可选地,在步骤S12中,迭代循环条件如下:步骤S9中缓存的预测性能指标AUC的提升量满足设定条件。
可选地,步骤S9中缓存的预测性能指标AUC的提升量满足设定条件,包括:步骤S9中缓存的预测性能指标AUC的提升量连续5轮的提升小于5%。
第二方面,提供一种计算机设备,包括业务数据处理装置,所述业务数据处理装置用于执行第一方面所述的方法。
第三方面,提供一种计算机设备,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中调取计算机程序,并通过运行所述计算机程序实现第一方面所述的方法。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时实现第一方面所述的方法。
本发明实施例所提供的业务数据处理方法及计算机设备,能够在第一业务区域和第二业务区域下都能够有效获取建模数据的场景下,利用算法的设计,在逐步迭代中有效提高原有模型样本中与第二业务区域中类似的样本的权重,同时减少原有模型中的非类似样本的权重。在迭代中,通过设定的迭代早停机制,在多轮迭代中,模型表现没有显著提升的情况下终止循环。这样一来,一方面避免了需要人工设定迭代次数的主观性,另一方面能够在循环终止的情况下,选出多轮迭代中表现最好的一个模型进行实际部署,解决了需要部署迭代中所有模型,以输出模型结果的复杂性。如此,能够提高风控模型的泛化性能,从而确保预测准确率不会出现偏差。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1为本发明实施例所提供的一种业务数据处理方法的流程图。
图2为本发明实施例所提供的一种计算机设备的硬件结构图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
近几年,很多国内的信贷机构去海外尤其是东南亚和南亚等发展中国家开展普惠金融信贷业务,希望把近几年国内积累的先进大数据风控体系运用到海外市场。海外业务的反欺诈风控体系对于信贷业务的平稳健康发展具有非常重要的意义。
但是由于海外客群对比国内有很大的差异,而且确少足够的欺诈样本来进行反欺诈策略和模型的开发。本发明基于国内和国外都能取得的移动端设备信息数据和模型算法的设计,有效合并基于设备的跨国反欺诈模型样本,对新业务场景下的反欺诈模型的建立有效增加样本,增强模型的预测性和稳定性。
本发明主要通过算法的设计,解决在可用欺诈样本较少的情况下,使用跨国欺诈模型样本作为辅助样本,对可用样本进行扩充的问题,能够有效提高预测能力,降低补充样本可能带来的模型预测偏差。
基于设备的反欺诈模型是通过移动端软件开发工具包(SDK)采集到的设备环境信息,设备指纹信息,设备APP安装信息等,基于机器学习模型来识别恶意申请贷款的欺诈客户。设备信息字段维度较多,需要大量的样本来进行模型的开发。本专利是利用算法的设计,把一个场景下丰富的样本数据经过筛选合并到另一个场景下的样本中,来开发针对新场景下的反欺诈模型。
行业内的通常的做法是直接把基于国内大量数据建立的设备反欺诈模型应用在海外信贷市场,等后期样本量积累足够的情况下再重新开发反欺诈模型。
在客群差异明显的情况下,直接套用另外样本开发的模型会加剧模型的预测偏差,在反欺诈领域会造成严重的欺诈风险,进而引发流动性风险。
本发明同样是将国内业务的样本和模型应用于海外业务,在算法层面创造性根据建模预测损失分别调整目标客群样本(海外业务样本)、辅助客群样本(国内业务样本)这两类样本的权重,使经过加权融合后的样本更加接近于目标客群,使建模结果更加适用于目标客群,减少了预测偏差,增强了模型预测的准确性和稳定性。
在上述基础上,请结合参阅图1,示出了一种业务数据处理方法的简要示意图,可以包括以下步骤S1-步骤S13所描述的内容。
步骤S1,从目标数据平台获取在第一业务区域内的P个第一业务项目的第一反欺诈变量和第一欺诈客户标签,组成P个第一反欺诈建模样本数据集;其中,所述第一反欺诈变量作为建模的第一预测变量,所述第一欺诈客户标签作为建模的第一响应变量;其中,P为正整数。
例如,目标数据平台可以是机构风控***的数据平台。
例如,第一业务区域可以是国内区域。
例如,业务项目可以是信贷产品。
其中,信贷产品需要满足的条件包括:
(1)产品类型与海外信贷产品相同,例如:同为消费分期型产品;
(2)产品经过一段时间的运营,已经基于用户还款表现和贷后调查认定了一批欺诈客户;
(3)产品通过移动端APP的埋点获取了客户的设备信息(设备型号等)、行为信息(注册、申请、登录等)、地理位置信息(经纬度、运动轨迹等)、软件安装(APP列表等)等信息,加工生成了可供反欺诈建模的变量,并且这些反欺诈变量可以基于海外业务所采集的信息进行加工生成。
步骤S2,基于所述P个第一反欺诈建模样本数据集分别训练一个目标模型,并从P个目标模型中选择AUC数值最高的模型作为模型S,将所述模型S的建模样本数据集确定为数据集S,将所述模型S的变量组合作为变量组合S。
步骤S3,根据所述变量组合S从所述目标数据平台中获取在第二业务区域内的第二业务项目的第二反欺诈变量和第二欺诈客户标签,组成第二反欺诈建模样本数据集T;其中,所述第二反欺诈变量作为建模的第二预测变量,所述第二欺诈客户标签作为建模的第二响应变量。
例如,例如,第二业务区域可以是海外区域。
步骤S4,合并所述数据集S和所述数据集T得到数据集A;其中,所述数据集S的样本量为n,所述数据集T的样本量为m;对所述集A中的样本个体设置编号,编号为1到n+m,编号为1到n的样本个体来自数据集S,编号为n+1到n+m的样本个体来自数据集T;其中,n和m为正整数。
步骤S5,对所述数据集A中的样本个体分配初始权重。
步骤S6,设定用于记录迭代次数的整数型变量t,且对所述变量t赋值为1;其中,t为正整数。
步骤S7,针对所述数据集A,按照当前的样本权重,并使用所述变量组合S训练模型At。
步骤S8,调用所述模型At,对所述数据集A中的样本进行预测,输出欺诈标签的概率,并确定所述模型At相对于所述数据集T的预测损失et。
步骤S9,确定所述模型At相对于所述数据集T的预测性能指标AUC,并缓存所述预测性能指标AUC和所述欺诈标签的概率对应的模型预测结果。
步骤S10,根据所述预测损失et确定并更新所述数据集T中的样本的权重。
其中,在更新权重时,可以设置Bt和B两个参数,这两个参数可以根据预测损失et计算得到。这样设计,能够实现如下功能:
(1)对于数据集A中来自数据集S的样本个体,当样本个体被模型正确预测时,其权重被降低;当样本个体被模型错误预测时,其权重被提高。
(2)对于数据集A中来自数据集T的样本个体,当样本个体被模型正确预测时,其权重被升高;当样本个体被模型错误预测时,其权重被降低。
步骤S11,更新迭代所述变量t,将所述变量t的赋值加1。
步骤S12,对步骤S7至步骤S11进行循环迭代,直至满足迭代循环条件,以得到x个待处理模型。
步骤S13,基于所述x个待处理模型中的每个待处理模型相对于所述数据集T的预测性能指标AUC,确定出最终模型,并提取所述最终模型对应的模型参数作为与所述第二业务项目对应的建模参数。
如此,基于上述步骤S1-步骤S13所描述的内容,能够在第一业务区域和第二业务区域下都能够有效获取建模数据的场景下,利用算法的设计,在逐步迭代中有效提高原有模型样本中与第二业务区域中类似的样本的权重,同时减少原有模型中的非类似样本的权重。在迭代中,通过设定的迭代早停机制,在多轮迭代中,模型表现没有显著提升的情况下终止循环。这样一来,一方面避免了需要人工设定迭代次数的主观性,另一方面能够在循环终止的情况下,选出多轮迭代中表现最好的一个模型进行实际部署,解决了需要部署迭代中所有模型,以输出模型结果的复杂性。如此,能够提高风控模型的泛化性能,从而确保预测准确率不会出现偏差。
可选地,步骤S5中,对所述数据集A中的样本个体分配初始权重,包括:
将所述数据集A中来自所述数据集S的每个样本个体的权重分配为1/n;
将所述数据集A中来自所述数据集T的每个样本个体的权重分配为1/m。
可选地,在步骤S2中,所述目标模型为逻辑回归模型。
可选地,在步骤S2中,所述目标模型为随机森林模型。
可选地,在步骤S2中,所述目标模型为支持向量机。
可选地,在步骤S12中,迭代循环条件如下:步骤S9中缓存的预测性能指标AUC的提升量满足设定条件。
可选地,步骤S9中缓存的预测性能指标AUC的提升量满足设定条件,包括:步骤S9中缓存的预测性能指标AUC的提升量连续5轮的提升小于5%。
在上述基础上,提供了一种计算机设备,包括业务数据处理装置,所述业务数据处理装置用于执行上述所述的方法。
在上述基础上,如图2所示,提供了一种计算机设备100,包括互相之间通信的处理器110和存储器120,所述处理器110用于从所述存储器120中调取计算机程序,并通过运行所述计算机程序实现上述的方法。
在上述基础上,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时实现上述的方法。
综上,基于上述方案,本发明能够在业务层面上把基于国内大量反欺诈样本建立的基于设备的反欺诈模型在海外信贷业务中实现落地。最终在海外市场部署的反欺诈模型融合了国内反欺诈模型中的样本和海外市场中初期积累的少量欺诈样本,并基于第4部分中算法的设计,使用自适应的方法调整两部分样本在建模过程中的权重,使经过扩充的建模样本更接近海外信贷业务的样本,使模型在新场景中的泛化性能得到提高。
本发明所使用的算法,根据建模预测损失分别调整目标客群样本(海外业务样本)、辅助客群样本(国内业务样本)这两类样本的权重:
(1)对于来自目标客群的样本个体,当样本个体被模型正确预测时,其权重被降低;当样本个体被模型错误预测时,其权重被提高。这是为了让模型在训练中降低对容易被预测的典型样本信息的使用,更多使用不容易被预测的样本信息,从而能够提升模型对于目标客群的预测能力。
(2)对于来自辅助客群的样本个体,当样本个体被模型正确预测时,其权重被升高;当样本个体被模型错误预测时,其权重被降低。这是考虑到来自辅助客群的样本与目标客群本身具有差异,被正确预测的样本更接近于目标客群,而被错误分类的样本与目标客群的差异更大,需要更多地使用接近目标客群的样本的信息,在扩充了样本量的同时降低客群间差异对模型训练的干扰,从而能够提升模型对于目标客群的预测能力。
在多轮迭代的基础上,最终的的模型筛选方式是以目标客群(数据集T)样本上的预测性能AUC为依据,也保证了建模结果对于目标客群的适用性。同时
同时,选择单个模型而非模型融合(Model Ensembling)作为最终建模结果,有利于保持模型的可解释性、降低部署难度以及对于计算资源要求。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种业务数据处理方法,其特征在于,应用于计算机设备,所述方法包括以下步骤:
步骤S1,从目标数据平台获取在第一业务区域内的P个第一业务项目的第一反欺诈变量和第一欺诈客户标签,组成P个第一反欺诈建模样本数据集;其中,所述第一反欺诈变量作为建模的第一预测变量,所述第一欺诈客户标签作为建模的第一响应变量;其中,P为正整数;
步骤S2,基于所述P个第一反欺诈建模样本数据集分别训练一个目标模型,并从P个目标模型中选择AUC数值最高的模型作为模型S,将所述模型S的建模样本数据集确定为数据集S,将所述模型S的变量组合作为变量组合S;
步骤S3,根据所述变量组合S从所述目标数据平台中获取在第二业务区域内的第二业务项目的第二反欺诈变量和第二欺诈客户标签,组成第二反欺诈建模样本数据集T;其中,所述第二反欺诈变量作为建模的第二预测变量,所述第二欺诈客户标签作为建模的第二响应变量;
步骤S4,合并所述数据集S和所述数据集T得到数据集A;其中,所述数据集S的样本量为n,所述数据集T的样本量为m;对所述集A中的样本个体设置编号,编号为1到n+m,编号为1到n的样本个体来自数据集S,编号为n+1到n+m的样本个体来自数据集T;其中,n和m为正整数;
步骤S5,对所述数据集A中的样本个体分配初始权重;
步骤S6,设定用于记录迭代次数的整数型变量t,且对所述变量t赋值为1;其中,t为正整数;
步骤S7,针对所述数据集A,按照当前的样本权重,并使用所述变量组合S训练模型At;
步骤S8,调用所述模型At,对所述数据集A中的样本进行预测,输出欺诈标签的概率,并确定所述模型At相对于所述数据集T的预测损失et;
步骤S9,确定所述模型At相对于所述数据集T的预测性能指标AUC,并缓存所述预测性能指标AUC和所述欺诈标签的概率对应的模型预测结果;
步骤S10,根据所述预测损失et确定并更新所述数据集T中的样本的权重;
步骤S11,更新迭代所述变量t,将所述变量t的赋值加1;
步骤S12,对步骤S7至步骤S11进行循环迭代,直至满足迭代循环条件,以得到x个待处理模型;
步骤S13,基于所述x个待处理模型中的每个待处理模型相对于所述数据集T的预测性能指标AUC,确定出最终模型,并提取所述最终模型对应的模型参数作为与所述第二业务项目对应的建模参数。
2.根据权利要求1所述的方法,其特征在于,步骤S5中,对所述数据集A中的样本个体分配初始权重,包括:
将所述数据集A中来自所述数据集S的每个样本个体的权重分配为1/n;
将所述数据集A中来自所述数据集T的每个样本个体的权重分配为1/m。
3.根据权利要求1所述的方法,其特征在于,在步骤S2中,所述目标模型为逻辑回归模型。
4.根据权利要求1所述的方法,其特征在于,在步骤S2中,所述目标模型为随机森林模型。
5.根据权利要求1所述的方法,其特征在于,在步骤S2中,所述目标模型为支持向量机。
6.根据权利要求1所述的方法,其特征在于,在步骤S12中,迭代循环条件如下:步骤S9中缓存的预测性能指标AUC的提升量满足设定条件。
7.根据权利要求6所述的方法,其特征在于,步骤S9中缓存的预测性能指标AUC的提升量满足设定条件,包括:步骤S9中缓存的预测性能指标AUC的提升量连续5轮的提升小于5%。
8.一种计算机设备,其特征在于,包括业务数据处理装置,所述业务数据处理装置用于执行权利要求1-7任一项所述的方法。
9.一种计算机设备,其特征在于,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中调取计算机程序,并通过运行所述计算机程序实现权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在运行时实现权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011544363.3A CN112288572B (zh) | 2020-12-24 | 2020-12-24 | 业务数据处理方法及计算机设备 |
US17/462,028 US11321777B1 (en) | 2020-12-24 | 2021-08-31 | Business data processing method and computer device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011544363.3A CN112288572B (zh) | 2020-12-24 | 2020-12-24 | 业务数据处理方法及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112288572A true CN112288572A (zh) | 2021-01-29 |
CN112288572B CN112288572B (zh) | 2021-03-09 |
Family
ID=74426597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011544363.3A Active CN112288572B (zh) | 2020-12-24 | 2020-12-24 | 业务数据处理方法及计算机设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11321777B1 (zh) |
CN (1) | CN112288572B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837863A (zh) * | 2021-09-27 | 2021-12-24 | 上海冰鉴信息科技有限公司 | 一种业务预测模型创建方法、装置及计算机可读存储介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11586979B2 (en) * | 2018-12-31 | 2023-02-21 | Visa International Service Association | System, method, and computer program product for distributed cache data placement |
US11935054B2 (en) * | 2022-01-31 | 2024-03-19 | Walmart Apollo, Llc | Systems and methods for automatically generating fraud strategies |
CN116757621A (zh) * | 2022-03-03 | 2023-09-15 | 鼎捷软件股份有限公司 | 业务行为管理***及业务行为管理方法 |
CN115577646A (zh) * | 2022-12-08 | 2023-01-06 | 北京领雁科技股份有限公司 | 基于多源异构数据的数据建模方法、装置、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020208359A1 (en) * | 2019-04-12 | 2020-10-15 | Ultrahaptics Ip Ltd | Using Iterative 3D Model Fitting for Domain Adaption of a Hand Pose Estimation Neural Network |
CN111932041A (zh) * | 2020-10-09 | 2020-11-13 | 支付宝(杭州)信息技术有限公司 | 基于风险识别的模型训练方法、装置和电子设备 |
CN112039702A (zh) * | 2020-08-31 | 2020-12-04 | 中诚信征信有限公司 | 基于联邦学习和相互学习的模型参数训练方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10452992B2 (en) * | 2014-06-30 | 2019-10-22 | Amazon Technologies, Inc. | Interactive interfaces for machine learning model evaluations |
US10902428B1 (en) * | 2015-12-16 | 2021-01-26 | EMC IP Holding Company LLC | Maintaining a risk model using feedback directed to other risk models |
CN112017040B (zh) * | 2020-10-16 | 2021-01-29 | 银联商务股份有限公司 | 信用评分模型训练方法、评分方法及***、设备及介质 |
-
2020
- 2020-12-24 CN CN202011544363.3A patent/CN112288572B/zh active Active
-
2021
- 2021-08-31 US US17/462,028 patent/US11321777B1/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020208359A1 (en) * | 2019-04-12 | 2020-10-15 | Ultrahaptics Ip Ltd | Using Iterative 3D Model Fitting for Domain Adaption of a Hand Pose Estimation Neural Network |
CN112039702A (zh) * | 2020-08-31 | 2020-12-04 | 中诚信征信有限公司 | 基于联邦学习和相互学习的模型参数训练方法及装置 |
CN111932041A (zh) * | 2020-10-09 | 2020-11-13 | 支付宝(杭州)信息技术有限公司 | 基于风险识别的模型训练方法、装置和电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837863A (zh) * | 2021-09-27 | 2021-12-24 | 上海冰鉴信息科技有限公司 | 一种业务预测模型创建方法、装置及计算机可读存储介质 |
CN113837863B (zh) * | 2021-09-27 | 2023-12-29 | 上海冰鉴信息科技有限公司 | 一种业务预测模型创建方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US11321777B1 (en) | 2022-05-03 |
CN112288572B (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288572B (zh) | 业务数据处理方法及计算机设备 | |
CN109902849B (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
CN105468742B (zh) | 恶意订单识别方法及装置 | |
CN110598845B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN110852447B (zh) | 元学习方法和装置、初始化方法、计算设备和存储介质 | |
CN111615702B (zh) | 一种从图像中提取结构化数据的方法、装置和设备 | |
US11227217B1 (en) | Entity transaction attribute determination method and apparatus | |
CN110197716B (zh) | 医学影像的处理方法、装置及计算机可读存储介质 | |
CN110647921A (zh) | 一种用户行为预测方法、装置、设备及存储介质 | |
CN113902473B (zh) | 业务预测***的训练方法及装置 | |
CN112348081A (zh) | 用于图像分类的迁移学习方法、相关装置及存储介质 | |
CN111008335B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN112766825A (zh) | 企业金融服务风险预测方法及装置 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
CN116229170A (zh) | 基于任务迁移的联邦无监督图像分类模型训练方法、分类方法及设备 | |
CN111709415A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN114692889A (zh) | 用于机器学习算法的元特征训练模型 | |
CN114092162B (zh) | 推荐质量确定方法、推荐质量确定模型的训练方法及装置 | |
CN113128597B (zh) | 一种用户行为特征的提取和分类预测的方法及装置 | |
CN116823264A (zh) | 风险识别方法、装置、电子设备、介质及程序产品 | |
CN111159397B (zh) | 文本分类方法和装置、服务器 | |
US11227122B1 (en) | Methods, mediums, and systems for representing a model in a memory of device | |
CN113554448A (zh) | 一种用户流失预测方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |