CN115146731A - 一种模型训练的方法、业务风控的方法及装置 - Google Patents
一种模型训练的方法、业务风控的方法及装置 Download PDFInfo
- Publication number
- CN115146731A CN115146731A CN202210836957.4A CN202210836957A CN115146731A CN 115146731 A CN115146731 A CN 115146731A CN 202210836957 A CN202210836957 A CN 202210836957A CN 115146731 A CN115146731 A CN 115146731A
- Authority
- CN
- China
- Prior art keywords
- user
- group
- user group
- data
- prediction
- 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.)
- Pending
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种模型训练的方法、业务风控的方法及装置,首先,获取用户的用户数据。其次,将用户数据输入到待训练的预测模型中,以提取用户对应的用户特征,并根据用户特征,确定用户所属的至少一个用户群体。而后,针对用户所属的每个用户群体,将用户特征输入到该用户群体对应的子模型中,预测用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果。最后,根据用户所属的至少一个用户群体对应的预测结果以及用户对应的标签信息,对预测模型进行训练。本方法可以根据用户在用户所属的至少一个用户群体对应的子模型下的预测结果,确定出更加准确的预测结果。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种模型训练的方法、业务风控的方法及装置。
背景技术
随着经济的快速发展,信用消费也越来越受关注,***消费、个人汽车贷款、助学贷款、小额消费贷款等各种个人消费信用贷款日益增多。各个信贷担保方通常会使用预测模型来对用户办理的业务进行风险预测。
目前,通常通过获取到的全量样本对预测模型进行训练,但是,全量样本中包含有不同类型的用户群体对应的用户数据。由于全量样本中包含的不同类型的用户群体的用户数量不同,部分类型的用户群体的用户数量较少,这会导致预测模型在训练过程中更多的关注用户数量较多的类型对应的用户群体,从而使得预测模型在预测用户数量较少的类型对应的用户群体时的准确性较低。
因此,如何能够提高预测模型确定出的预测结果的准确性,则是一个亟待解决的问题。
发明内容
本说明书提供一种模型训练的方法、业务风控的方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种模型训练的方法,预测模型包含有各用户群体对应的子模型,不同的子模型用于处理不同的用户群体对应的用户数据,包括:
获取用户的用户数据;
将所述用户数据输入到待训练的预测模型中,以提取所述用户对应的用户特征,并根据所述用户特征,确定所述用户所属的至少一个用户群体;
针对所述用户所属的每个用户群体,将所述用户特征输入到该用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果;
根据所述用户所属的至少一个用户群体对应的预测结果以及所述用户对应的标签信息,对所述预测模型进行训练。
可选地,将所述用户数据输入到待训练的预测模型中,以提取所述用户对应的用户特征,具体包括:
将所述用户数据输入到待训练的预测模型中,对所述用户数据进行特征提取,以确定出所述用户对应的原始特征;
通过第一指定数据对所述用户数据中缺失数据的数据维度进行补充,并通过第二指定数据对所述用户数据中除缺失数据的数据维度以外的其他数据维度进行替换,以得到补偿特征;
根据所述原始特征以及所述补偿特征,确定所述用户对应的用户特征。
可选地,确定出所述用户对应的原始特征,具体包括:
通过所述预测模型中的第一特征权重,对所述用户数据进行特征提取,以确定出所述用户对应的原始特征;
根据所述原始特征以及所述补偿特征,确定所述用户对应的用户特征,具体包括:
根据所述预测模型中的第二特征权重以及所述补偿特征,确定调整后的补偿特征;
根据所述原始特征以及所述调整后的补偿特征,确定所述用户对应的用户特征。
可选地,所述用户群体包括:全局用户群体、各子用户群体,所述全局用户群体包含有所有用户,所述子用户群体是所有用户按照预设的业务需求进行划分后得到的;
针对所述用户所属的每个用户群体,将所述用户特征输入到该用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果,具体包括:
将所述用户特征输入到全局用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为全局用户群体对应的预测结果,以及针对所述用户所属的每个子用户群体,将所述用户特征输入到该子用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为该子用户群体对应的预测结果。
可选地,所述预测模型包括:权重网络;
根据所述用户所属的至少一个用户群体对应的预测结果以及所述用户对应的标签信息,对所述预测模型进行训练,具体包括:
将所述用户特征以及所述用户所属的用户群体对应的用户群标识输入到所述权重网络,确定所述用户所属的至少一个用户群体对应的权重系数;
根据所述用户所属的至少一个用户群体对应的预测结果、所述用户所属的至少一个用户群体对应的权重系数以及所述用户对应的标签信息,对所述预测模型进行训练。
可选地,根据所述用户所属的至少一个用户群体对应的预测结果以及所述用户对应的标签信息,对所述预测模型进行训练,具体包括:
根据所述用户所属的至少一个用户群体对应的预测结果,确定预测模型对应的综合预测结果;
根据所述用户所属的至少一个用户群体对应的预测结果、所述预测模型对应的综合预测结果以及所述用户对应的标签信息,对所述预测模型进行训练。
可选地,根据所述用户所属的至少一个用户群体对应的预测结果、所述预测模型对应的综合预测结果以及所述用户对应的标签信息,对所述预测模型进行训练,具体包括:
确定所述综合预测结果以及所述用户对应的标签信息之间的偏差,作为第一偏差;
针对所述用户所属的每个用户群体,确定该用户群体对应的预测结果与所述用户对应的标签信息之间的偏差,作为该用户群体对应的第二偏差;
根据所述第一偏差以及所述用户所属的各用户群体对应的第二偏差,确定损失和值,并以最小化所述损失和值为优化目标,对所述预测模型进行训练。
可选地,根据所述第一偏差以及所述用户所属的各用户群体对应的第二偏差,确定损失和值,具体包括:
获取所述第一偏差对应的偏差权重以及所述用户所属的各用户群体对应的第二偏差的偏差权重;
根据所述第一偏差对应的偏差权重以及所述第一偏差,确定第一损失值;
针对所述用户所属的每个用户群体,根据该用户群体对应的第二偏差以及该用户群体对应的第二偏差的偏差权重,确定该用户群体对应的第二损失值;
根据所述第一损失值以及所述用户所属的各用户群体对应的第二损失值,确定损失和值。
可选地,以最小化所述损失和值为优化目标,对所述预测模型进行训练,具体包括:
以最小化所述损失和值,以及所述第一损失值与所述用户所属的各用户群体对应的第二损失值相接近为优化目标,对所述预测模型进行训练。
本说明书提供了一种业务风控的方法,包括:
接收目标用户针对目标业务的业务请求;
根据所述业务请求,确定所述目标用户的用户数据;
将所述用户数据输入到预先训练的预测模型中,以提取所述目标用户对应的用户特征,并根据所述用户特征,确定所述目标用户所属的至少一个用户群体,所述预测模型是通过上述模型训练的方法训练得到的;
针对所述目标用户所属的每个用户群体,将所述用户特征输入到所述预测模型中包含的该用户群体对应的子模型中,预测所述目标用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果;
根据所述目标用户所属的至少一个用户群体对应的预测结果,对所述目标用户进行业务风控。
本说明书提供了一种模型训练的装置,
预测模型包含有各用户群体对应的子模型,不同的子模型用于处理不同的用户群体对应的用户数据,包括:
获取模块,用于获取用户的用户数据;
输入模块,用于将所述用户数据输入到待训练的预测模型中,以提取所述用户对应的用户特征,并根据所述用户特征,确定所述用户所属的至少一个用户群体;
预测模块,用于针对所述用户所属的每个用户群体,将所述用户特征输入到该用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果;
训练模块,用于根据所述用户所属的至少一个用户群体对应的预测结果以及所述用户对应的标签信息,对所述预测模型进行训练。
本说明书提供了一种业务风控的装置,包括:
接收模块,用于接收目标用户针对目标业务的业务请求;
确定模块,用于根据所述业务请求,确定所述目标用户的用户数据;
输入模块,用于将所述用户数据输入到预先训练的预测模型中,以提取所述目标用户对应的用户特征,并根据所述用户特征,确定所述目标用户所属的至少一个用户群体,所述预测模型是通过上述模型训练的方法训练得到的;
预测模块,用于针对所述目标用户所属的每个用户群体,将所述用户特征输入到所述预测模型中包含的该用户群体对应的子模型中,预测所述目标用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果;
风控模块,用于根据所述目标用户所属的至少一个用户群体对应的预测结果,对所述目标用户进行业务风控。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练的方法以及业务风控的方法。
本说明书提供了一种电子设备,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,所述处理器执行所述程序时实现上述模型训练的方法以及业务风控的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的模型训练的方法以及业务风控的方法中,首先,获取用户的用户数据。其次,将用户数据输入到待训练的预测模型中,以提取用户对应的用户特征,并根据用户特征,确定用户所属的至少一个用户群体。而后,针对用户所属的每个用户群体,将用户特征输入到该用户群体对应的子模型中,预测用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果。最后,根据用户所属的至少一个用户群体对应的预测结果以及用户对应的标签信息,对预测模型进行训练。
从上述方法中可以看出,本方法可以根据用户对应的用户特征,确定用户所属的至少一个用户群体,并通过用户所属的至少一个用户群体对应的子模型,确定用户所属的至少一个用户群体对应的预测结果,以对预测模型进行训练。从而,根据用户在用户所属的至少一个用户群体对应的子模型下的预测结果,确定出更加准确的预测结果。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种模型训练的方法的流程示意图;
图2为本说明书提供的一种预测模型的模型结构的示意图;
图3为本说明书提供的一种业务风控的方法的流程示意图;
图4为本说明书提供的一种模型训练的装置示意图;
图5为本说明书提供的一种业务风控的装置示意图;
图6为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种模型训练的方法的流程示意图,包括以下步骤:
S100:获取用户的用户数据。
在本说明书实施例中,对预测模型进行训练的执行主体可以是服务器,也可以是诸如台式电脑等电子设备,为了便于描述,下面仅以服务器为执行主体,对本说明书提供的预测模型的训练方法进行说明。
在本说明书实施例中,预测模型包含有各用户群体对应的子模型,不同的子模型用于处理不同的用户群体对应的用户数据。这里提到的不同的用户群体可以是指将所有用户按照预设的业务需求进行划分后得到的用户群体。例如,根据用户执行业务的数量,将用户划分为活跃用户、非活跃用户。再例如,根据用户是否执行过业务,将用户划分为新用户、老用户。
服务器可以获取用户的用户数据。这里提到的用户数据包含用户的基本用户信息以及用户行为,例如,在信用贷款业务中,基本用户信息包括:婚姻状况、年龄、性别、职业、个人收入等。用户行为包括:历史消费数据、历史查询数据、历史贷款数据等。这里提到的历史贷款数据包括:最大逾期天数、最小逾期天数、贷款余额、逾期金额、提前还款次数、提款次数、提款总金额、提款金额占授信金额占比、借款利率、借款期限等。
需要说明的是,用户的用户数据可以是从第三方担保机构、各个银行、用户操作的应用中获取到的。
服务器可以将上述提到的用户数据构成一个训练样本,后续提到的用户对应的标签信息可以是指用户数据构成的训练样本对应的标签信息,该标签信息可以根据用户对业务的执行情况来确定。例如,若用户履约执行业务,标签信息为一,若用户未履约执行业务,标签信息为零。
这里提到的业务可以是指需要对用户行为进行评估的业务,例如,需要评估用户是否会出现违规或违约的业务(贷款业务等),需要评估用户消费能力的业务(信用租借业务、***业务等)等。
其中,若预测模型的应用场景为信贷场景,获取到的用户数据需要满足业务周期的要求。这里提到的业务周期可以是根据业务的实际需求确定出的周期,可以是预设的一段时间,本说明书对期限的时间长度没有限制,具体可以根据实际需求而定。例如,用户已经执行业务的业务周期满足六个月的要求,将用户的用户数据作为训练预测模型的训练样本。
S102:将所述用户数据输入到待训练的预测模型中,以提取所述用户对应的用户特征,并根据所述用户特征,确定所述用户所属的至少一个用户群体。
在本说明书实施例中,服务器可以将用户数据输入到待训练的预测模型中,以提取用户对应的用户特征,并根据用户特征,确定用户所属的至少一个用户群体。
在实际应用中,在获取用户的用户数据时,用户数据中并非所有的数据维度都存在数据,部分数据维度的数据为空(null)。例如,用户未在部分数据维度输入数据,导致该部分数据维度缺失数据。若用户数据中有部分数据维度缺失数据,则需要对该用户数据中的缺失数据进行处理后,才可以将该用户数据用于训练预测模型。
在本说明书实施例中,服务器可以将用户的用户数据输入到待训练的预测模型中,对用户数据进行特征提取,以确定出用户数据对应的原始特征。
其次,服务器可以通过第一指定数据对用户数据中缺失数据的数据维度进行补充,并通过第二指定数据对用户数据中除缺失数据的数据维度以外的其他数据维度进行替换,以得到补偿特征。这里提到的第一指定数据可以是指预先设定的数值,例如,数值设定为一,同样的,这里提到的第二指定数据也可以是指预先设定的数据,例如,数值设定为零。
最后,服务器可以根据原始特征以及补偿特征,确定用户对应的用户特征。
目前,对该用户数据进行处理的方法通常是将缺失数据的数据维度中的空白数据(null)设置为零。但是,用户在哪些数据维度中为空白数据,本身就包含有部分信息。因此,简单的将空白数据设置为零,会导致信息丢失。例如,未获取到用户的收入信息,可能是用户是自由职业,将用户的收入信息设置为零,会导致丢失用户具有收入这一信息,导致对该用户的预测结果准确性较差。基于此,服务器可以对用户数据中缺失数据的数据维度单独进行权重的设置,以避免将空白数据设置为零时的信息丢失。
在本说明书实施例中,服务器可以通过预测模型中的第一特征权重,对用户数据进行特征提取,以确定出用户数据对应的原始特征。
其次,服务器可以根据所述预测模型中的第二特征权重以及所述补偿特征,确定调整后的补偿特征。
最后,服务器可以根据所述原始特征以及所述调整后的补偿特征,确定所述用户对应的用户特征。其中,预测模型中可以包含有特征输入网络,服务器可以将用户数据输入到特征输入网络中,通过上述方法,确定用户对应的用户特征,具体公式如下:
fi(x)=h(x)⊙wh+I(x is None)⊙wg
在上述公式中,fi(x)可以用于表示用户数据对应的用户特征。fi()可以用于表示特征输入网络对应的模型参数。x可以是指用户数据对应的原始特征。h(x)可以用于表示先对原始特征x中的各个数据维度中的数据进行标准化或归一化,然后将缺失数据设置为零。I(x is None)可以用于表示指示函数,用于判断原始特征x中的各个数据维度中的数据是否为缺失数据,若为缺失数据,将该缺失数据的数据维度中的数据设置为一,若不为缺失数据,将该缺失数据的数据维度中的数据设置为零。wh可以用于表示原始特征对应的权重系数。wg可以用于表示补偿特征对应的权重系数,⊙可以用于表示哈达玛积。
可以看出,在上述公式中,服务器通过第一权重参数,同时将用户数据乘上权重系数wh,以及将缺失数据的数据维度中的数据设置为零,得到原始特征。同样的,服务器可以通过第二权重系数,同时对用户数据中缺失数据的数据维度进行补充,并乘上权重系数wg,以及将用户数据中除缺失数据的数据维度以外的其他数据维度删除,得到补偿特征。
然后,服务器可以将原始特征与补偿特征进行相加,将补偿特征中的缺失数据补充到原始特征中的缺失数据的数据维度上,以得到用户对应的用户特征。通过上述方法,将缺失数据与数值为零进行区分,避免将缺失数据设置为零时的信息丢失。
目前,预测模型通常通过一个简单的线性模型来学习这些特征的权重,但是,这种方式只能确定出特定的特征组合。并且,这种方式依赖人工进行特征组合,会导致预测模型对未出现的特征组合的感知能力较低,使得预测模型确定出的预测结果的准确性较低。因此,服务器需要确定出不同的特征组合对预测出的预测结果的影响,以此得到准确的预测结果。
在本说明书实施例中,预测模型包含有特征提取网络,特征提取网络可以应用多种方法,例如,预测模型可以应用注意力机制网络。服务器可以将用户数据输入到注意力机制网络,确定用户数据中的各数据维度上的数据之间的相关性。
其次,针对每个数据维度,服务器可以根据该数据维度上的数据与其他数据维度上的数据之间的相关性,确定该数据维度对应的相关性权重,并根据各个数据维度上的数据以及该数据维度对应的相关性权重,确定该数据维度对应的综合特征。
最后,服务器可以根据各数据维度对应的综合特征,确定用户对应的用户特征。
再例如,预测模型可以应用基础特征网络。服务器可以将用户数据输入到基础特征网络,以通过基础特征网络,对用户数据中的各个数据维度进行单独编码,得到基础特征。
再例如,预测模型可以应用组合特征网络。服务器可以将用户数据输入到组合特征网络,以通过组合特征网络,对用户数据中的各个数据维度进行组合编码,得到组合特征。
当然,服务器可以将注意力机制网络中的综合特征、基础特征网络中的基础特征、组合特征网络中的组合特征中的至少两个进行拼接,得到用户对应的用户特征。
S104:针对所述用户所属的每个用户群体,将所述用户特征输入到该用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果。
S106:根据所述用户所属的至少一个用户群体对应的预测结果以及所述用户对应的标签信息,对所述预测模型进行训练。
在本说明书实施例中,针对用户所属的每个用户群体,服务器可以将用户特征输入到该用户群体对应的子模型中,预测用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果。
然后,服务器可以根据用户所属的至少一个用户群体对应的预测结果以及用户对应的标签信息,对预测模型进行训练。
在实际应用中,通常对不同类型的用户群体单独建立不同的预测模型,以提高对不同类型的用户群体所办理的业务对应的预测结果的准确性。但是,由于部分类型的用户群体的用户数量较小,这部分类型的用户群体对应的预测模型的训练较少,从而,导致这部分类型的用户群体对应的预测模型确定出的预测结果的准确性较低。基于此,服务器可以通过构建的不同子用户群体对应的子模型以及全局用户群体对应的子模型,将确定出的多个预测结果相结合,得到准确的预测结果。
在本说明书实施例中,服务器可以根据用户所属的至少一个用户群体对应的预测结果,确定预测模型对应的综合预测结果。
具体的,用户群体包括:全局用户群体、各子用户群体。这里提到的全局用户群体包含有所有用户,这里提到的子用户群体是所有用户按照预设的业务需求进行划分后得到的。服务器可以将用户特征输入到全局用户群体对应的子模型中,预测用户执行目标业务对应的业务结果,作为全局用户群体对应的预测结果,以及针对用户所属的每个子用户群体,将用户特征输入到该子用户群体对应的子模型中,预测用户执行目标业务对应的业务结果,作为该子用户群体对应的预测结果。
然后,服务器可以根据用户所属的至少一个用户群体对应的预测结果、预测模型对应的综合预测结果以及用户对应的标签信息,对预测模型进行训练。
具体的,服务器可以根据全局用户群体对应的预测结果以及用户所属的各子用户群体对应的预测结果、预测模型对应的综合预测结果以及用户对应的标签信息,对预测模型进行训练。
可以看出,全局用户群体对应的子模型是由所有用户对应的用户数据训练得到的,具有较强的泛化能力。每个子用户群体对应的子模型是由子用户群体中的用户对应的用户数据训练得到的,确定出的预测结果更具有针对性。将这多个预测结果相结合,可以有效的提高预测模型确定出的预测结果的准确性。
进一步的,由于不同类型的用户群体的用户数量不同,部分用户群体的用户数量较少,这会导致预测模型在训练过程中更多关注用户数量较多的用户群体,从而使得预测模型在预测用户数量较少的用户群体时的准确性较低。因此,不同的子模型的预测结果对最终的预测结果的影响不同。基于此,服务器可以通过用户特征,确定用户所属的每个用户群体的权重系数,以调整不同的子模型的预测结果对最终的预测结果的影响。
在本说明书实施例中,预测模型包括:权重网络。服务器可以将用户特征以及用户所属的用户群体对应的用户群标识输入到权重网络,确定用户所属的至少一个用户群体对应的权重系数。这里提到的用户群标识用于提示对哪些用户群体确定权重系数。
其次,服务器可以根据用户所属的至少一个用户群体对应的预测结果、用户所属的至少一个用户群体对应的权重系数以及用户对应的标签信息,对预测模型进行训练。
其中,预测模型在训练过程中还需要对权重网络对应的网络参数进行调整,以确定出合适的用户所属的各用户群体对应的子模型的权重系数。
在本说明书实施例中,服务器可以确定综合预测结果以及用户对应的标签信息之间的偏差,作为第一偏差。
而后,服务器可以针对用户所属的每个用户群体,确定该用户群体对应的预测结果与用户对应的标签信息之间的偏差,作为该用户群体对应的第二偏差。
最后,服务器可以根据第一偏差以及用户所属的各用户群体对应的第二偏差,确定损失和值,并以最小化损失和值为优化目标,对预测模型进行训练。
在实际应用中,不同用户群体对应的子模型确定出的预测结果与用户对应的标签信息之间的偏差,以及综合预测结果与用户对应的标签信息之间的偏差,在训练过程中对预测模型的训练效果并不相同。基于此,服务器可以确定出各用户群体对应的子模型确定出的预测结果与用户对应的标签信息之间的偏差对应的权重系数以及综合预测结果与用户对应的标签信息之间的偏差对应的权重系数,以此确定用于训练预测模型的损失和值。
在本说明书实施例中,服务器可以获取第一偏差对应的偏差权重以及用户所属的各用户群体对应的第二偏差的偏差权重。偏差权重可以通过网络搜索、贝叶斯搜索等超参数调参的方法得到。
其次,服务器可以根据第一偏差对应的偏差权重以及第一偏差,确定第一损失值。
而后,针对用户所属的每个用户群体,服务器可以根据该用户群体对应的第二偏差以及该用户群体对应的第二偏差的偏差权重,确定该用户群体对应的第二损失值。
然后,服务器可以根据第一损失值以及用户所属的各用户群体对应的第二损失值,确定损失和值。
最后,服务器可以以最小化损失和值为优化目标,对预测模型进行训练。经过多轮的迭代训练,可以使偏差不断减小,并收敛在一个数值范围内,进而完成预测模型的训练。具体公式如下:
在上述公式中,n可以用于表示用户的数量。k可以用于表示子用户群体对应的子模型的数量,其中,i=0可以用于表示全局用户群体对应的子模型的预测结果。i=1可以用于表示第一个子用户群体对应的子模型的预测结果。i=k+1可以用于表示预测模型对应的综合预测结果。可以用于表征用户数据sj在子模型li中的损失。I(sj,li)可以用于表示指示函数,用户数据sj是否属于子模型li。从上述公式中可以看出,服务器可以确定出用户对应的用户数据在预测模型中的损失的平均值。
由于,第一偏差以及用户所属的各用户群体对应的第二偏差,在训练过程中对预测模型的训练效果并不相同。基于此,服务器需要使得第一偏差在训练过程中对预测模型的训练效果,与用户所属的各用户群体对应的第二偏差在训练过程中对预测模型的训练效果相似。
在本说明书实施例中,服务器可以以最小化损失和值,以及第一损失值与用户所属的各用户群体对应的第二损失值相接近为优化目标,对预测模型进行训练。
需要说明的是,预测模型中的网络结构可以有多种形式,例如,Wide&Deep模型(Wide&Deep Learning for Recommender Systems)、注意力机制网络(Attention Model,AM)等,本说明书不对预测模型进行具体的限定。
当然,在本说明书实施例中,服务器可以将上述权重网络、特征提取网络、各子模型相结合,得到预测模型。具体如图2所示。
图2为本说明书实施例提供的一种预测模型的模型结构的示意图。
在图2中,服务器可以将用户数据输入到预测模型中的特征输入网络,确定用户数据对应的原始特征以及用户数据对应的补偿特征,并将原始特征与补偿特征进行相加,确定用户对应的用户特征。
其次,服务器可以将用户对应的用户特征输入到特征提取网络中,得到不同的特征组合。将不同的特征组合输入用户所属的各用户群体对应的子模型以及全局子模型中,预测用户执行目标业务对应的业务结果,作为各用户群体对应的预测结果,以及预测用户在全局子模型中执行目标业务对应的业务结果,作为全局子模型对应的预测结果。
而后,服务器可以将用户特征输入到权重网络,确定用户所属的各用户群体对应的权重系数以及全局子模型对应的权重系数。服务器可以再根据用户所属的各用户群体对应的权重系数、全局子模型对应的权重系数、各用户群体对应的预测结果以及全局子模型对应的预测结果,确定综合预测结果。
然后,服务器可以确定综合预测结果以及用户对应的标签信息之间的偏差,作为第一偏差。针对用户所属的每个用户群体,确定该用户群体对应的预测结果与用户对应的标签信息之间的偏差,作为该用户群体对应的第二偏差。
最后,服务器可以获取第一偏差对应的偏差权重以及用户所属的各用户群体对应的第二偏差的偏差权重。并根据第一偏差、用户所属的各用户群体对应的第二偏差、第一偏差对应的偏差权重以及用户所属的各用户群体对应的第二偏差的偏差权重,确定损失和值,并以最小化损失和值为优化目标,对预测模型进行训练。
从上述过程中可以看出,本方法可以根据用户对应的用户特征,确定用户所属的至少一个用户群体,并通过用户所属的至少一个用户群体对应的子模型,确定用户所属的至少一个用户群体对应的预测结果,以对预测模型进行训练。从而,根据用户在用户所属的至少一个用户群体对应的子模型下的预测结果,确定出更加准确的预测结果。
进一步的,本方法还可以通过预测模型中的特征输入网络,避免直接将缺失数据直接设置为零的信息丢失。
本说明书实施例在预测模型的训练完成后,可以通过预测模型对用户进行业务风控,具体过程如图3所示。
图3为本说明书中一种业务风控的方法的流程示意图。
S300:接收目标用户针对目标业务的业务请求。
S302:根据所述业务请求,确定所述目标用户的用户数据。
S304:将所述用户数据输入到预先训练的预测模型中,以提取所述目标用户对应的用户特征,并根据所述用户特征,确定所述目标用户所属的至少一个用户群体,所述预测模型是通过上述模型训练的方法训练得到的。
S306:针对所述目标用户所属的每个用户群体,将所述用户特征输入到所述预测模型中包含的该用户群体对应的子模型中,预测所述目标用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果。
S308:根据所述目标用户所属的至少一个用户群体对应的预测结果,对所述目标用户进行业务风控。
在本说明书实施例中,服务器可以接收目标用户针对目标业务的业务请求,例如,若设定业务为贷款业务,服务器可以接收目标用户的贷款申请。
其次,服务器再根据业务请求,确定目标用户的用户数据,例如,服务器确定目标用户的基本用户信息以及用户行为。
而后,服务器可以将用户数据输入到预先训练的预测模型中,以提取目标用户对应的用户特征,并根据用户特征,确定目标用户所属的至少一个用户群体。
然后,服务器可以将针对目标用户所属的每个用户群体,将用户特征输入到预测模型中包含的该用户群体对应的子模型中,预测目标用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果。这里提到的业务结果用于表示目标用户是否会履约执行目标业务。
最后,服务器可以根据目标用户所属的至少一个用户群体对应的预测结果,对目标用户进行业务风控。
具体的,服务器可以根据目标用户所属的至少一个用户群体对应的预测结果,确定综合预测概率。若综合预测概率大于设定概率阈值,则通过目标用户对目标业务的业务申请。
从上述内容可以看出,服务器将通过这种方式训练后的预测模型应用到实际业务中,可以有效提高风险识别的准确性。
以上为本说明书的一个或多个实施例提供的模型训练的方法,基于同样的思路,本说明书还提供了相应的模型训练的装置,如图4所示。
图4为本说明书提供的一种模型训练的装置示意图,预测模型包含有各用户群体对应的子模型,不同的子模型用于处理不同的用户群体对应的用户数据,包括:
获取模块400,用于获取用户的用户数据;
输入模块402,用于将所述用户数据输入到待训练的预测模型中,以提取所述用户对应的用户特征,并根据所述用户特征,确定所述用户所属的至少一个用户群体;
预测模块404,用于针对所述用户所属的每个用户群体,将所述用户特征输入到该用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果;
训练模块406,用于根据所述用户所属的至少一个用户群体对应的预测结果以及所述用户对应的标签信息,对所述预测模型进行训练。
可选地,所述输入模块402具体用于,将所述用户数据输入到待训练的预测模型中,对所述用户数据进行特征提取,以确定出所述用户对应的原始特征,通过第一指定数据对所述用户数据中缺失数据的数据维度进行补充,并通过第二指定数据对所述用户数据中除缺失数据的数据维度以外的其他数据维度进行替换,以得到补偿特征,根据所述原始特征以及所述补偿特征,确定所述用户对应的用户特征。
可选地,所述输入模块402具体用于,通过所述预测模型中的第一特征权重,对所述用户数据进行特征提取,以确定出所述用户对应的原始特征,根据所述预测模型中的第二特征权重以及所述补偿特征,确定调整后的补偿特征,根据所述原始特征以及所述调整后的补偿特征,确定所述用户对应的用户特征。
可选地,所述用户群体包括:全局用户群体、各子用户群体,所述全局用户群体包含有所有用户,所述子用户群体是所有用户按照预设的业务需求进行划分后得到的;
所述预测模块404具体用于,将所述用户特征输入到全局用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为全局用户群体对应的预测结果,以及针对所述用户所属的每个子用户群体,将所述用户特征输入到该子用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为该子用户群体对应的预测结果。
可选地,所述预测模型包括:权重网络;
所述训练模块406具体用于,将所述用户特征以及所述用户所属的用户群体对应的用户群标识输入到所述权重网络,确定所述用户所属的至少一个用户群体对应的权重系数,根据所述用户所属的至少一个用户群体对应的预测结果、所述用户所属的至少一个用户群体对应的权重系数以及所述用户对应的标签信息,对所述预测模型进行训练。
可选地,所述训练模块406具体用于,根据所述用户所属的至少一个用户群体对应的预测结果,确定预测模型对应的综合预测结果,根据所述用户所属的至少一个用户群体对应的预测结果、所述预测模型对应的综合预测结果以及所述用户对应的标签信息,对所述预测模型进行训练。
可选地,所述训练模块406具体用于,确定所述综合预测结果以及所述用户对应的标签信息之间的偏差,作为第一偏差,针对所述用户所属的每个用户群体,确定该用户群体对应的预测结果与所述用户对应的标签信息之间的偏差,作为该用户群体对应的第二偏差,根据所述第一偏差以及所述用户所属的各用户群体对应的第二偏差,确定损失和值,并以最小化所述损失和值为优化目标,对所述预测模型进行训练。
可选地,所述训练模块406具体用于,获取所述第一偏差对应的偏差权重以及所述用户所属的各用户群体对应的第二偏差的偏差权重,根据所述第一偏差对应的偏差权重以及所述第一偏差,确定第一损失值,针对所述用户所属的每个用户群体,根据该用户群体对应的第二偏差以及该用户群体对应的第二偏差的偏差权重,确定该用户群体对应的第二损失值,根据所述第一损失值以及所述用户所属的各用户群体对应的第二损失值,确定损失和值。
可选地,所述训练模块406具体用于,以最小化所述损失和值,以及所述第一损失值与所述用户所属的各用户群体对应的第二损失值相接近为优化目标,对所述预测模型进行训练。
图5为本说明书提供的一种业务风控的装置示意图,包括:
接收模块500,用于接收目标用户针对目标业务的业务请求;
确定模块502,用于根据所述业务请求,确定所述目标用户的用户数据;
输入模块504,用于将所述用户数据输入到预先训练的预测模型中,以提取所述目标用户对应的用户特征,并根据所述用户特征,确定所述目标用户所属的至少一个用户群体,所述预测模型是通过上述模型训练的方法训练得到的;
预测模块506,用于针对所述目标用户所属的每个用户群体,将所述用户特征输入到所述预测模型中包含的该用户群体对应的子模型中,预测所述目标用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果;
风控模块508,用于根据所述目标用户所属的至少一个用户群体对应的预测结果,对所述目标用户进行业务风控。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种模型训练的方法以及业务风控的方法。
本说明书还提供了图6所示的一种对应于图1的电子设备的示意结构图。如图6所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的模型训练的方法以及业务风控的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (14)
1.一种模型训练的方法,其特征在于,预测模型包含有各用户群体对应的子模型,不同的子模型用于处理不同的用户群体对应的用户数据,包括:
获取用户的用户数据;
将所述用户数据输入到待训练的预测模型中,以提取所述用户对应的用户特征,并根据所述用户特征,确定所述用户所属的至少一个用户群体;
针对所述用户所属的每个用户群体,将所述用户特征输入到该用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果;
根据所述用户所属的至少一个用户群体对应的预测结果以及所述用户对应的标签信息,对所述预测模型进行训练。
2.如权利要求1所述的方法,其特征在于,将所述用户数据输入到待训练的预测模型中,以提取所述用户对应的用户特征,具体包括:
将所述用户数据输入到待训练的预测模型中,对所述用户数据进行特征提取,以确定出所述用户对应的原始特征;
通过第一指定数据对所述用户数据中缺失数据的数据维度进行补充,并通过第二指定数据对所述用户数据中除缺失数据的数据维度以外的其他数据维度进行替换,以得到补偿特征;
根据所述原始特征以及所述补偿特征,确定所述用户对应的用户特征。
3.如权利要求2所述的方法,其特征在于,确定出所述用户对应的原始特征,具体包括:
通过所述预测模型中的第一特征权重,对所述用户数据进行特征提取,以确定出所述用户对应的原始特征;
根据所述原始特征以及所述补偿特征,确定所述用户对应的用户特征,具体包括:
根据所述预测模型中的第二特征权重以及所述补偿特征,确定调整后的补偿特征;
根据所述原始特征以及所述调整后的补偿特征,确定所述用户对应的用户特征。
4.如权利要求1所述的方法,其特征在于,所述用户群体包括:全局用户群体、各子用户群体,所述全局用户群体包含有所有用户,所述子用户群体是所有用户按照预设的业务需求进行划分后得到的;
针对所述用户所属的每个用户群体,将所述用户特征输入到该用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果,具体包括:
将所述用户特征输入到全局用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为全局用户群体对应的预测结果,以及针对所述用户所属的每个子用户群体,将所述用户特征输入到该子用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为该子用户群体对应的预测结果。
5.如权利要求1所述的方法,其特征在于,所述预测模型包括:权重网络;
根据所述用户所属的至少一个用户群体对应的预测结果以及所述用户对应的标签信息,对所述预测模型进行训练,具体包括:
将所述用户特征以及所述用户所属的用户群体对应的用户群标识输入到所述权重网络,确定所述用户所属的至少一个用户群体对应的权重系数;
根据所述用户所属的至少一个用户群体对应的预测结果、所述用户所属的至少一个用户群体对应的权重系数以及所述用户对应的标签信息,对所述预测模型进行训练。
6.如权利要求1所述的方法,其特征在于,根据所述用户所属的至少一个用户群体对应的预测结果以及所述用户对应的标签信息,对所述预测模型进行训练,具体包括:
根据所述用户所属的至少一个用户群体对应的预测结果,确定预测模型对应的综合预测结果;
根据所述用户所属的至少一个用户群体对应的预测结果、所述预测模型对应的综合预测结果以及所述用户对应的标签信息,对所述预测模型进行训练。
7.如权利要求6所述的方法,其特征在于,根据所述用户所属的至少一个用户群体对应的预测结果、所述预测模型对应的综合预测结果以及所述用户对应的标签信息,对所述预测模型进行训练,具体包括:
确定所述综合预测结果以及所述用户对应的标签信息之间的偏差,作为第一偏差;
针对所述用户所属的每个用户群体,确定该用户群体对应的预测结果与所述用户对应的标签信息之间的偏差,作为该用户群体对应的第二偏差;
根据所述第一偏差以及所述用户所属的各用户群体对应的第二偏差,确定损失和值,并以最小化所述损失和值为优化目标,对所述预测模型进行训练。
8.如权利要求7所述的方法,其特征在于,根据所述第一偏差以及所述用户所属的各用户群体对应的第二偏差,确定损失和值,具体包括:
获取所述第一偏差对应的偏差权重以及所述用户所属的各用户群体对应的第二偏差的偏差权重;
根据所述第一偏差对应的偏差权重以及所述第一偏差,确定第一损失值;
针对所述用户所属的每个用户群体,根据该用户群体对应的第二偏差以及该用户群体对应的第二偏差的偏差权重,确定该用户群体对应的第二损失值;
根据所述第一损失值以及所述用户所属的各用户群体对应的第二损失值,确定损失和值。
9.如权利要求8所述的方法,其特征在于,以最小化所述损失和值为优化目标,对所述预测模型进行训练,具体包括:
以最小化所述损失和值,以及所述第一损失值与所述用户所属的各用户群体对应的第二损失值相接近为优化目标,对所述预测模型进行训练。
10.一种业务风控的方法,其特征在于,包括:
接收目标用户针对目标业务的业务请求;
根据所述业务请求,确定所述目标用户的用户数据;
将所述用户数据输入到预先训练的预测模型中,以提取所述目标用户对应的用户特征,并根据所述用户特征,确定所述目标用户所属的至少一个用户群体,所述预测模型是通过上述权利要求1~9任一项所述的方法训练得到的;
针对所述目标用户所属的每个用户群体,将所述用户特征输入到所述预测模型中包含的该用户群体对应的子模型中,预测所述目标用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果;
根据所述目标用户所属的至少一个用户群体对应的预测结果,对所述目标用户进行业务风控。
11.一种模型训练的装置,其特征在于,预测模型包含有各用户群体对应的子模型,不同的子模型用于处理不同的用户群体对应的用户数据,包括:
获取模块,用于获取用户的用户数据;
输入模块,用于将所述用户数据输入到待训练的预测模型中,以提取所述用户对应的用户特征,并根据所述用户特征,确定所述用户所属的至少一个用户群体;
预测模块,用于针对所述用户所属的每个用户群体,将所述用户特征输入到该用户群体对应的子模型中,预测所述用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果;
训练模块,用于根据所述用户所属的至少一个用户群体对应的预测结果以及所述用户对应的标签信息,对所述预测模型进行训练。
12.一种业务风控的装置,其特征在于,包括:
接收模块,用于接收目标用户针对目标业务的业务请求;
确定模块,用于根据所述业务请求,确定所述目标用户的用户数据;
输入模块,用于将所述用户数据输入到预先训练的预测模型中,以提取所述目标用户对应的用户特征,并根据所述用户特征,确定所述目标用户所属的至少一个用户群体,所述预测模型是通过上述权利要求1~9任一项所述的方法训练得到的;
预测模块,用于针对所述目标用户所属的每个用户群体,将所述用户特征输入到所述预测模型中包含的该用户群体对应的子模型中,预测所述目标用户执行目标业务对应的业务结果,作为该用户群体对应的预测结果;
风控模块,用于根据所述目标用户所属的至少一个用户群体对应的预测结果,对所述目标用户进行业务风控。
13.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~10任一项所述的方法。
14.一种电子设备,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上述权利要求1~10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210836957.4A CN115146731A (zh) | 2022-07-15 | 2022-07-15 | 一种模型训练的方法、业务风控的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210836957.4A CN115146731A (zh) | 2022-07-15 | 2022-07-15 | 一种模型训练的方法、业务风控的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115146731A true CN115146731A (zh) | 2022-10-04 |
Family
ID=83412820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210836957.4A Pending CN115146731A (zh) | 2022-07-15 | 2022-07-15 | 一种模型训练的方法、业务风控的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146731A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109008A (zh) * | 2023-04-04 | 2023-05-12 | 支付宝(杭州)信息技术有限公司 | 一种业务执行的方法、装置、存储介质及电子设备 |
CN116258574A (zh) * | 2023-02-28 | 2023-06-13 | 王宇轩 | 一种基于混合效应逻辑回归的违约率预测方法及*** |
CN116308738A (zh) * | 2023-02-10 | 2023-06-23 | 之江实验室 | 一种模型训练的方法、业务风控的方法及装置 |
CN116805228A (zh) * | 2023-08-18 | 2023-09-26 | 鲲鹏智慧冷链(山东)有限公司 | 一种冷链物流储存温湿度预测***及方法 |
-
2022
- 2022-07-15 CN CN202210836957.4A patent/CN115146731A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308738A (zh) * | 2023-02-10 | 2023-06-23 | 之江实验室 | 一种模型训练的方法、业务风控的方法及装置 |
CN116308738B (zh) * | 2023-02-10 | 2024-03-08 | 之江实验室 | 一种模型训练的方法、业务风控的方法及装置 |
CN116258574A (zh) * | 2023-02-28 | 2023-06-13 | 王宇轩 | 一种基于混合效应逻辑回归的违约率预测方法及*** |
CN116258574B (zh) * | 2023-02-28 | 2023-10-13 | 王宇轩 | 一种基于混合效应逻辑回归的违约率预测方法及*** |
CN116109008A (zh) * | 2023-04-04 | 2023-05-12 | 支付宝(杭州)信息技术有限公司 | 一种业务执行的方法、装置、存储介质及电子设备 |
CN116805228A (zh) * | 2023-08-18 | 2023-09-26 | 鲲鹏智慧冷链(山东)有限公司 | 一种冷链物流储存温湿度预测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115146731A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN114997472A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
CN113643119A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN113641896A (zh) | 一种模型训练以及推荐概率预测方法及装置 | |
CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN110033092B (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
CN116882767B (zh) | 一种基于不完善异构关系网络图的风险预测方法及装置 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN116578877A (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
CN115130621B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN115660105A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN114860967A (zh) | 一种模型训练的方法、信息推荐的方法以及装置 | |
CN114996570A (zh) | 一种信息推荐的方法及装置 | |
CN114372736A (zh) | 一种路线推荐的方法、装置、存储介质及电子设备 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
CN117786061B (zh) | 一种基于时空注意力机制的大语言模型预测方法及装置 | |
CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 | |
CN112884478B (zh) | 一种数据处理方法、装置及设备 | |
CN117350351B (zh) | 用户响应预测***的训练方法、用户响应预测方法及装置 | |
CN116431888A (zh) | 一种模型训练的方法、信息推荐的方法以及装置 | |
CN116842570A (zh) | 一种模型训练的方法以及业务风控的方法及装置 | |
CN117744836A (zh) | 一种支付方式推荐模型的训练方法及装置 | |
CN117391624A (zh) | 一种业务执行方法、装置、存储介质及电子设备 |
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 |