CN116340852B - 一种模型训练、业务风控的方法及装置 - Google Patents

一种模型训练、业务风控的方法及装置 Download PDF

Info

Publication number
CN116340852B
CN116340852B CN202310632423.4A CN202310632423A CN116340852B CN 116340852 B CN116340852 B CN 116340852B CN 202310632423 A CN202310632423 A CN 202310632423A CN 116340852 B CN116340852 B CN 116340852B
Authority
CN
China
Prior art keywords
target
classification
model
classifier
loss
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.)
Active
Application number
CN202310632423.4A
Other languages
English (en)
Other versions
CN116340852A (zh
Inventor
郑开元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202310632423.4A priority Critical patent/CN116340852B/zh
Publication of CN116340852A publication Critical patent/CN116340852A/zh
Application granted granted Critical
Publication of CN116340852B publication Critical patent/CN116340852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书公开了一种模型训练、业务风控的方法及装置，用于隐私保护，可以通过设置在轻量模型中的各辅助分类器对主分类器进行辅助，从而使得主分类器能够集成各辅助分类器的风险预测结果，得到更加准确的风险预测结果。

Description

一种模型训练、业务风控的方法及装置
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、业务风控的方法及装置。
背景技术
随着互联网技术的发展，神经网络模型（Neural Network，NN）以其所具有的优秀的数据处理能力受到广泛关注。
但是，目前输出结果精确度较高的神经网络模型的规模往往较大，不便于部署到服务器，而规模较小的神经网络模型在输出结果上精确度又相对较低。因此，现有的神经网络模型往往不能在保持较小规模的同时，保证输出结果在精确度上较高。
发明内容
本说明书提供一种模型训练、业务风控的方法及装置，以解决现有技术存在的规模小的神经网络模型的精确度差的问题。
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方法，包括：
获取轻量模型作为待训练模型，并获取用于训练所述待训练模型的训练样本，所述待训练模型包括：风控模型，所述训练样本包括：样本业务数据；
将所述训练样本输入到所述风控模型中，以通过所述风控模型中的特征提取层，得到所述训练样本的特征数据；
针对所述风控模型中的每个辅助分类器，将所述特征数据输入到该辅助分类器中，得到该辅助分类器针对所述训练样本的风险预测结果，作为该辅助分类器对应的第一风险预测结果；
将各第一风险预测结果输入到所述风控模型中的主分类器中，以使所述主分类器根据所述各第一风险预测结果，得到针对所述训练样本的风险预测结果，作为第二风险预测结果；
根据所述第一风险预测结果、所述第二风险预测结果、以及所述训练样本的实际风险标签，对所述风控模型进行训练，所述风控模块用于执行业务风控。
可选地，根据所述第一风险预测结果、所述第二风险预测结果、以及所述训练样本的实际风险标签，对所述风控模型进行训练，具体包括：
根据所述第一风险预测结果、所述第二风险预测结果、以及所述训练样本的实际风险标签，确定至少一种目标损失，所述目标损失包括：用于表征所述各第一风险预测结果和所述实际风险标签之间的偏差的第一损失、用于表征所述各第一风险预测结果与目标风险预测结果之间的偏差的第二损失、用于表征所述目标风险预测结果与所述第二风险预测结果之间的偏差的第三损失、用于表征所述第二风险预测结果和所述实际风险标签之间的偏差的第四损失、用于表征各第一风险预测结果之间的偏差的第五损失，所述目标风险预测结果是基于各第一风险预测结果与所述实际风险标签之间的偏差，从所述各第一风险预测结果中选取出的，各第一风险预测结果之间的偏差越小，所述第五损失越大；
以最小化所述目标损失为优化目标，对所述待训练模型进行训练。
可选地，基于各第一风险预测结果与所述实际风险标签之间的偏差，从所述各第一风险结果中选取出所述目标风险预测结果，具体包括：
将与所述实际风险标签之间的偏差最小的第一风险预测结果，作为选取出的目标风险预测结果。
可选地，根据所述第一风险预测结果、所述第二风险预测结果、以及所述训练样本的实际风险标签，确定至少一种目标损失，具体包括：
当所述目标损失为所述第一损失时，针对每个第一风险预测结果，根据该第一风险预测结果和所述训练样本的实际风险标签之间的偏差，确定第一子损失；
根据所述各第一子损失，确定第一损失。
可选地，根据所述第一风险预测结果、所述第二风险预测结果、以及所述训练样本的实际风险标签，确定至少一种目标损失，具体包括：
当所述目标损失为所述第二损失时，针对每个第一风险预测结果，根据该第一风险预测结果和所述目标风险预测结果之间的偏差，确定第二子损失；
根据各第二子损失，确定第二损失。
可选地，针对所述风控模型中的每个辅助分类器，将所述特征数据输入到该辅助分类器中，得到该辅助分类器针对所述训练样本的风险预测结果，作为该辅助分类器对应的第一风险预测结果，具体包括：
确定所述训练样本对应的业务场景，作为目标业务场景；
从所述风控模型中的各辅助分类器中，确定出与所述目标业务场景相匹配的各辅助分类器，作为各第一目标分类器；
针对每个第一目标分类器，将所述特征数据输入到该第一目标分类器中，得到该第一目标分类器针对所述训练样本的风险预测结果，作为该第一目标分类器对应的第一风险预测结果；
将各第一风险预测结果输入到所述风控模型中的主分类器中，以使所述主分类器根据所述各第一风险预测结果，得到针对所述训练样本的风险预测结果，具体包括：
从所述风控模型中的各主分类器中，确定出与所述目标业务场景相匹配的主分类器，作为第二目标分类器；
将各第一目标分类器对应的第一风险预测结果输入到所述第二目标分类器中，以使所述第二目标分类器根据所述各第一目标分类器对应的第一风险预测结果，得到针对所述训练样本的风险预测结果，作为第二风险预测结果。
本说明书提供了一种业务风控的方法，包括：
获取待执行业务的业务数据；
将所述业务数据输入到风控模型中，以通过所述风控模型根据所述待执行业务的业务数据，得到所述待执行业务的风险预测结果，所述风控模型是通过上述模型训练方法训练得到；
根据所述待执行业务的风险预测结果，执行相应的任务。
本说明书提供了一种模型训练装置，包括：
获取模块，用于获取轻量模型作为待训练模型，并获取用于训练所述待训练模型的训练样本，所述待训练模型包括：风控模型，所述训练样本包括：样本业务数据；
特征提取模块，用于将所述训练样本输入到所述风控模型中，以通过所述风控模型中的特征提取层，得到所述训练样本的特征数据；
第一分类模块，用于针对所述风控模型中的每个辅助分类器，将所述特征数据输入到该辅助分类器中，得到该辅助分类器针对所述训练样本的风险预测结果，作为该辅助分类器对应的第一风险预测结果；
第二分类模块，用于将各第一风险预测结果输入到所述风控模型中的主分类器中，以使所述主分类器根据所述各第一风险预测结果，得到针对所述训练样本的风险预测结果，作为第二风险预测结果；
训练模块，用于根据所述第一风险预测结果、所述第二风险预测结果、以及所述训练样本的实际风险标签，对所述风控模型进行训练，所述风控模型用于执行业务风控。
可选地，所述训练模块具体用于，根据所述第一风险预测结果、所述第二风险预测结果、以及所述训练样本的实际风险标签，确定至少一种目标损失，所述目标损失包括：用于表征所述各第一风险预测结果和所述实际风险标签之间的偏差的第一损失、用于表征所述各第一风险预测结果与目标风险预测结果之间的偏差的第二损失、用于表征所述目标风险预测结果与所述第二风险预测结果之间的偏差的第三损失、用于表征所述第二风险预测结果和所述实际风险标签之间的偏差的第四损失、用于表征各第一风险预测结果之间的偏差的第五损失，所述目标风险预测结果是基于各第一风险预测结果与所述实际风险标签之间的偏差，从所述各第一风险预测结果中选取出的，各第一风险预测结果之间的偏差越小，所述第五损失越大；以最小化所述目标损失为优化目标，对所述待训练模型进行训练。
可选地，所述训练模块具体用于，将与所述实际风险标签之间的偏差最小的第一风险预测结果，作为选取出的目标风险预测结果。
可选地，所述训练模块具体用于，当所述目标损失为所述第一损失时，针对每个第一风险预测结果，根据该第一风险预测结果和所述训练样本的实际风险标签之间的偏差，确定第一子损失；根据所述各第一子损失，确定第一损失。
可选地，所述训练模块具体用于，当所述目标损失为所述第二损失时，针对每个第一风险预测结果，根据该第一风险预测结果和所述目标风险预测结果之间的偏差，确定第二子损失；根据各第二子损失，确定第二损失。
可选地，所述第一分类模块具体用于，确定所述训练样本对应的业务场景，作为目标业务场景；从所述风控模型中的各辅助分类器中，确定出与所述目标业务场景相匹配的各辅助分类器，作为各第一目标分类器；针对每个第一目标分类器，将所述特征数据输入到该第一目标分类器中，得到该第一目标分类器针对所述训练样本的风险预测结果，作为该第一目标分类器对应的第一风险预测结果；
所述第二分类模块具体用于，从所述风控模型中的各主分类器中，确定出与所述目标业务场景相匹配的主分类器，作为第二目标分类器；将各第一目标分类器对应的第一风险预测结果输入到所述第二目标分类器中，以使所述第二目标分类器根据所述各第一目标分类器对应的第一风险预测结果，得到针对所述训练样本的风险预测结果，作为第二风险预测结果。
本说明书提供了一种业务风控的装置，包括：
业务数据获取模块，用于获取待执行业务的业务数据；
风控模块，用于将所述业务数据输入到风控模型中，以通过所述风控模型根据所述待执行业务的业务数据，得到所述待执行业务的风险预测结果，所述风控模型是通过上述模型训练方法训练得到；
业务执行模块，用于根据所述待执行业务的风险预测结果，执行相应的任务。
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、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、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方法，首先获取轻量模型作为待训练模型，待训练模型包括风控模型，并获取用于训练风控模型的训练样本，将训练样本输入到风控模型中，以通过风控模型中的特征提取层，得到训练样本的特征数据，针对风控模型中的每个辅助分类器，将特征数据输入到该辅助分类器中，得到该辅助分类器针对训练样本的风险预测结果，作为该辅助分类器对应的第一风险预测结果，将各第一风险预测结果输入到风控模型中的主分类器中，以使主分类器根据各第一风险预测结果，得到针对训练样本的风险预测结果，作为第二风险预测结果，根据第一风险预测结果、第二风险预测结果、以及训练样本的实际风险标签，对风控模型进行训练。
从上述方法中可以看出，可以通过设置在轻量模型中的各辅助分类器对主分类器进行辅助，从而使得主分类器能够集成各辅助分类器的风险预测结果，得到更加准确的风险预测结果。
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为本说明书中提供的一种模型训练方法的流程示意图；
图2为本说明书中提供的风控模型的结构示意图；
图3为本说明书中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装置的示意图；
图5为本说明书提供的一种业务风控的装置的示意图；
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为本说明书中提供的一种模型训练方法的流程示意图，包括以下步骤：
S100：获取轻量模型作为待训练模型，并获取用于训练所述待训练模型的训练样本，所述待训练模型包括：风控模型，所述训练样本包括：样本业务数据。
在支付风险监控、反欺诈等业务场景中，业务平台通常会通过风控模型，针对待执行业务的业务数据进行分类，以确定待执行业务是否为风险业务，进而可以按照预设的风险业务管控策略针对风险业务进行管控。
其中，在通过上述的风控模型进行待执行业务的风险预测之前，还需要对其进行训练，方可部署到业务平台中。
基于此，当业务平台需要对风控模型进行训练时，可以获取用于风控的轻量模型，作为待训练模型，并可以获取相应的标记后的业务数据，作为训练样本，这里的标记后的业务数据可以根据业务场景确定，可以为诸如：结构化数据、序列数据、图形数据、文本数据等，例如：在支付风险监控场景中，根据用户的支付行为确定出的结构化数据，即为上述的业务数据，再例如：在判断账号是否为用户本人登录的场景中，根据用户的历史登录行为确定的历史行为序列数据，即为上述的业务数据。
其中，上述的轻量模型可以是通过将预训练得到的复杂的风控模型，经过知识蒸馏等方法压缩后得到的，也可以是直接创建出的。
业务平台在获取到上述的业务数据后，可以通过人工标记等标记方式，对上述的业务数据进行标记，以得到每个业务数据对应的实际风险标签。
在本说明书中，用于实现模型训练方法的执行主体，可以是指服务器等设置于业务平台的指定设备，也可以是指诸如台式电脑、笔记本电脑等指定设备，为了便于描述，下面仅以服务器是执行主体为例，对本说明书提供的模型训练方法进行说明。
S102：将所述训练样本输入到所述风控模型中，以通过所述风控模型中的特征提取层，得到所述训练样本的特征数据。
S104：针对所述风控模型中的每个辅助分类器，将所述特征数据输入到该辅助分类器中，得到该辅助分类器针对所述训练样本的风险预测结果，作为该辅助分类器对应的第一风险预测结果。
服务器在获取到各训练样本后，可以将各训练样本输入到风控模型中，以通过风控模型中的特征提取层，得到训练样本的特征数据。
进一步地，服务器可以针对风控模型中的每个辅助分类器，将特征数据输入到该辅助分类器中，得到该辅助分类器针对训练样本的风险预测结果，作为该辅助分类器对应的第一风险预测结果。
其中，上述的第一风险预测结果可以为辅助模型针对训练样本输出的该训练样本对应的logit值，这里的logit值即为训练样本的属于每个类别的概率的比值Odds的对数，例如：对于一个骰子而言，这个骰子每次转动朝上的数字为6的概率为，不为6的概率为/>，则这个骰子每次转动朝上的数字为6对应的Odds值为/>，logit值为/>。
需要说明的是，上述的各辅助分类器所需的参数量仅为一个全连接层（Fullyconnected layers，FC）对应的参数量，因此，对于模型的运算效率的影响较低。
S106：将各第一风险预测结果输入到所述风控模型中的主分类器中，以使所述主分类器根据所述各第一风险预测结果，得到针对所述训练样本的风险预测结果，作为第二风险预测结果。
进一步地，服务器可以将各第一风险预测结果输入到风控模型中的主分类器中，以使主分类器根据各第一风险预测结果，得到针对训练样本的风险预测结果，作为第二风险预测结果，具体如图2所示。
图2为本说明书中提供的风控模型的结构示意图。
从图2中可以看出，服务器可以通过在特征提取层和输出层之间添加各辅助分类器，以使辅助分类器与主分类器搭配使用，通过集成学习的方式得到分类结果，进而可以提升模型的准确率。
除此之外，在实际应用场景中，通常需要针对一个业务数据，进行多个分类预测，例如：判断该业务数据对应的待执行业务是否为为不合规收付款业务、判断该业务数据对应的待执行业务是否为在他人诱导下的高风险业务等，可以理解为存在多个风控业务类型，通常需要针对每个风控业务类型，判断该业务数据是否属于该风控业务类型，也就是需要确定该业务数据对应的多个分类标签。
基于此，上述的风控模型可以包含：各辅助分类器组、主分类器组，其中，针对每个辅助分类器组和主分类器组，该辅助分类器组或主分类器组中包含每个辅助分类器或主分类器用于对业务数据是否属于一种类型的分类标签进行预测，例如：假设一个辅助分类器组包含三个辅助分类器，其中，第一个辅助分类器用于预测该业务数据是否属于A类型风险业务、第一个辅助分类器用于预测该业务数据是否属于B类型风险业务、第一个辅助分类器用于预测该业务数据是否属于C类型风险业务。
因此，服务器在将特征数据输入到该辅助分类器以及将各第一风险预测结果输入到主分类器中时，可以确定训练样本对应的业务场景，作为目标业务场景，从待训练模型中的各辅助分类器中，确定出与目标业务场景相匹配的各辅助分类器，作为各第一目标分类器，针对每个第一目标分类器，将特征数据输入到该第一目标分类器中，得到该第一目标分类器针对训练样本的风险预测结果，作为该第一目标分类器对应的第一风险预测结果，以及从风控模型中的各主分类器中，确定出与目标业务场景相匹配的主分类器，作为第二目标分类器，将各第一目标分类器对应的第一风险预测结果输入到第二目标分类器中，以使第二目标分类器根据各第一目标分类器对应的第一风险预测结果，得到针对训练样本的风险预测结果，作为第二风险预测结果。
需要说明的是，通过上述方法训练得到的风控模型可以通过各辅助分类器组以及主分类器组，对业务数据进行多标签输出。
S108：根据所述第一风险预测结果、所述第二风险预测结果、以及所述训练样本的实际风险标签，对所述风控模型进行训练。
服务器在通过各辅助分类器和各主分类器，得到各第一风险预测结果和第二风险预测结果后，可以根据各第一风险预测结果、第二风险预测结果、以及训练样本的实际风险标签，确定至少一种目标损失，其中，上述的目标损失包括：用于表征各第一风险预测结果和实际风险标签之间的偏差的第一损失、用于表征各第一风险预测结果与目标风险预测结果之间的偏差的第二损失、用于表征目标风险预测结果与第二风险预测结果之间的偏差的第三损失、用于表征第二风险预测结果和实际风险标签之间的偏差的第四损失、用于表征各第一风险预测结果之间的偏差的第五损失。
具体地，当需要确定第一损失时，服务器可以针对每个第一风险预测结果，根据该第一风险预测结果和训练样本的实际风险标签之间的偏差，确定第一子损失，根据各第一子损失，确定第一损失，这里根据各第一子损失，确定第一损失的方式可以是通过求和、求平均等方式得到第一损失。
当需要确定第二损失时，服务器可以针对每个第一风险预测结果，根据该第一风险预测结果和目标风险预测结果之间的偏差，确定第二子损失，根据各第二子损失，确定第二损失。
其中，上述的目标风险预测结果可以是基于各第一风险预测结果与实际风险标签之间的偏差，从各第一风险预测结果中选取出的。
具体地，服务器可以将与实际风险标签之间的偏差最小的第一风险预测结果，作为选取出的目标风险预测结果，其中，在对风控模型进行多轮迭代训练的过程中，每轮迭代训练所选取出的辅助分类器都可能不一样，也就是说，每个辅助分类器在每轮迭代训练的过程中所学习到的内容都不一样，因此，每个辅助分类器都可能作为目标分类器，以使其他辅助分类器对该辅助分类器进行学习。
需要说明的是，通过第二和第三损失，可以以互学习蒸馏的方式，使各辅助分类器和主分类器之间相互进行蒸馏学习，从而使得对风控模型训练效果得到提升。
在实际应用场景中，由于通过第三损失对风控模型进行训练时，会使得各辅助分类器之间进行相互学习，从而使得各辅助分类器出现趋同问题（即各辅助分类器的参数趋近相同），进而使得训练效果降低，因此，为了避免上述问题，可以通过第五损失，即通过负学习的方式，来保证各辅助分类器输出的第一风险预测结果之间保持一定的差异性，即实现“和而不同”的效果。
具体地，当需要确定第五损失时，服务器可以针对每个第一风险预测结果，确定该第一风险预测结果与除该第一风险预测结果之外的每个其他风险预测结果之间的偏差值，根据各偏差值，确定第五损失。
服务器根据该第一风险预测结果与除该第一风险预测结果之外的每个其他风险预测结果之间的偏差值确定第五损失的方法可以有两种，以下分别针对这两种方法进行详细说明。
第一种可以为，根据各第一风险预测结果的方差，确定第五损失，具体可以参考如下公式：
上述公式中，即为第五损失，/>即为第i个第一风险预测结果，即为各第一风险预测结果的平均值。
第二种可以为，根据各第一风险预测结果之间的差值，确定第五损失，具体可以参考如下公式：
上述公式中，即为第五损失，/>即为第i个第一风险预测结果，即为第k个第一风险预测结果。
从上述两种方法可以看出，可以通过使得各第一风险预测结果之间的偏差越小，第五损失越大的方式，使得在对风控模型进行训练的过程中，各辅助训练器之间保持一定的差异性，从而能够进一步地提升风控模型的训练效果。
需要说明的是，上述的五个损失中，第一损失和第四损失是使用硬标签对风控模型进行训练、第二和第三损失是使用软标签对风控模型进行训练，这里的硬标签和软标签是模型训练的两种标签，其中，硬标签为离散数据，一般为二分类问题中的0或1，也就是训练样本是否属于风险业务，上述训练样本的实际风险标签即为硬标签，软标签为；连续数据，一般为0~1，也就是训练样本是否属于风险业务的概率值，上述目标风险预测结果即为软标签。
进一步地，服务器在确定至少一种目标损失后，可以以最小化目标损失为优化目标，对风控模型进行训练。
从上述内容中可以看出，不仅可以通过辅助分类器与主分类器搭配使用得到风险预测结果，从而使得风险预测结果的准确性得到提升，还可以根据各辅助分类器以及主分类器的风险预测结果，确定出各目标损失，进而可以使得各辅助分类器和主分类器对预设的标签进行学习，并且还可以使得各辅助分类器和主分类器之间能够互相学习，从而可以提升模型训练效果。
为了进一步地对上述内容进行说明，以下将针对上述的待训练模型为风控模型、训练样本为样本业务数据为例，对上述的模型训练方法进行详细说明。
具体地，服务器可以将样本业务数据输入到风控模型中，以通过风控模型中的特征提取层，得到样本业务数据的特征数据，针对风控模型中的每个辅助分类器，将特征数据输入到该辅助分类器中，得到该辅助分类器针对样本业务数据的风险预测结果，作为该辅助分类器对应的第一风险预测结果，将各第一风险预测结果输入到待训练模型中的主分类器中，以使主分类器根据各第一风险预测结果，得到针对样本业务数据的风险预测结果，作为第二风险预测结果，根据第一风险预测结果、第二风险预测结果、以及样本数据的实际风险标签，对风控模型进行训练。
其中，上述的样本业务数据可以是服务器处理的用户发起的历史业务请求对应的业务数据。
本说明书还提供了通过上述模型训练方法训练得到的风控模型进行业务风控的方法，如图3所示。
图3为本说明书中提供的一种业务风控的方法的流程示意图，包括以下步骤：
S300：获取待执行业务的业务数据。
S302：将所述业务数据输入到风控模型中，以通过所述风控模型根据所述待执行业务的业务数据，得到所述待执行业务的风险预测结果，所述风控模型是通过上述模型训练方法训练得到。
S304：根据所述待执行业务的风险预测结果，执行相应的任务。
服务器在响应于用户发起的业务请求进行业务执行之前，可以获取待执行业务的业务数据，并将业务数据输入到风控模型中，以通过风控模型中的特征提取层，得到待执行业务的特征数据。
进一步地，通过风控模型中的特征提取层，将待执行业务的特征数据输入到风控模型的每个辅助分类器中，得到每个辅助分类器针对待执行业务的风险预测结果，将每个辅助分类器针对待执行业务的风险预测结果输入到风控模型中的主分类器中，以通过主分类器，得到待执行业务的风险预测结果，进而可以根据待执行业务的风险预测结果，执行相应的任务。
上述相应的任务可以是若通过主分类器确定待执行业务为风险业务，则按照预设的风险管控策略，对待执行业务进行风险管控。
从上述内容中可以看出，可以通过上述模型训练方法训练得到的风控模型对待执行业务进行风险控制。
以上为本说明书的一个或多个实施例提供的模型训练方法，基于同样的思路，本说明书还提供了相应的模型训练装置，以及业务风控的装置如图4、图5所示。
图4为本说明书提供的一种模型训练装置的示意图，所述装置包括：
获取模块401，用于获取轻量模型作为待训练模型，并获取用于训练所述待训练模型的训练样本，所述待训练模型包括：风控模型，所述训练样本包括：样本业务数据；
特征提取模块402，用于将所述训练样本输入到所述风控模型中，以通过所述风控模型中的特征提取层，得到所述训练样本的特征数据；
第一分类模块403，用于针对所述风控模型中的每个辅助分类器，将所述特征数据输入到该辅助分类器中，得到该辅助分类器针对所述训练样本的风险预测结果，作为该辅助分类器对应的第一风险预测结果；
第二分类模块404，用于将各第一风险预测结果输入到所述风控模型中的主分类器中，以使所述主分类器根据所述各第一风险预测结果，得到针对所述训练样本的风险预测结果，作为第二风险预测结果；
训练模块405，用于根据所述第一风险预测结果、所述第二风险预测结果、以及所述训练样本的实际风险标签，对所述风控模型进行训练，所述风控模型用于执行业务风控。
可选地，所述训练模块405具体用于，根据所述第一风险预测结果、所述第二风险预测结果、以及所述训练样本的实际风险标签，确定至少一种目标损失，所述目标损失包括：用于表征所述各第一风险预测结果和所述实际风险标签之间的偏差的第一损失、用于表征所述各第一风险预测结果与目标风险预测结果之间的偏差的第二损失、用于表征所述目标风险预测结果与所述第二风险预测结果之间的偏差的第三损失、用于表征所述第二风险预测结果和所述实际风险标签之间的偏差的第四损失、用于表征各第一风险预测结果之间的偏差的第五损失，所述目标风险预测结果是基于各第一风险预测结果与所述实际风险标签之间的偏差，从所述各第一风险预测结果中选取出的，各第一风险预测结果之间的偏差越小，所述第五损失越大；以最小化所述目标损失为优化目标，对所述待训练模型进行训练。
可选地，所述训练模块405具体用于，将与所述实际风险标签之间的偏差最小的第一风险预测结果，作为选取出的目标风险预测结果。
可选地，所述训练模块405具体用于，当所述目标损失为所述第一损失时，针对每个第一风险预测结果，根据该第一风险预测结果和所述训练样本的实际风险标签之间的偏差，确定第一子损失；根据所述各第一子损失，确定第一损失。
可选地，所述训练模块405具体用于，当所述目标损失为所述第二损失时，针对每个第一风险预测结果，根据该第一风险预测结果和所述目标风险预测结果之间的偏差，确定第二子损失；根据各第二子损失，确定第二损失。
可选地，所述第一分类模块403具体用于，确定所述训练样本对应的业务场景，作为目标业务场景；从所述风控模型中的各辅助分类器中，确定出与所述目标业务场景相匹配的各辅助分类器，作为各第一目标分类器；针对每个第一目标分类器，将所述特征数据输入到该第一目标分类器中，得到该第一目标分类器针对所述训练样本的风险预测结果，作为该第一目标分类器对应的第一风险预测结果；
所述第二分类模块404具体用于，从所述风控模型中的各主分类器中，确定出与所述目标业务场景相匹配的主分类器，作为第二目标分类器；将各第一目标分类器对应的第一风险预测结果输入到所述第二目标分类器中，以使所述第二目标分类器根据所述各第一目标分类器对应的第一风险预测结果，得到针对所述训练样本的风险预测结果，作为第二风险预测结果。
图5为本说明书提供的一种业务风控的装置的示意图，所述装置包括：
业务数据获取模块501，用于获取待执行业务的业务数据；
风控模块502，用于将所述业务数据输入到风控模型中，以通过所述风控模型根据所述待执行业务的业务数据，得到所述待执行业务的风险预测结果，所述风控模型是通过上述模型训练的方法训练得到；
业务执行模块503，用于根据所述待执行业务的风险预测结果，执行相应的任务。
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、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，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的模型训练、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。
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 (18)

1.一种模型训练方法，包括：
获取轻量模型作为待训练模型，并获取用于训练所述待训练模型的训练样本；其中，所述轻量模型通过将预训练得到的复杂的风控模型，经过知识蒸馏方法压缩后得到，或者直接创建得到；当所述待训练模型用于支付风险监控场景，则根据用户的支付行为确定出的结构化数据，作为训练样本；
将所述训练样本输入到所述待训练模型中，以通过所述待训练模型中的特征提取层，得到所述训练样本的特征数据；
确定所述支付风险监控场景，作为目标业务场景，从所述待训练模型中的各辅助分类器中，确定出与所述目标业务场景相匹配的各辅助分类器，作为各第一目标分类器，针对每个第一目标分类器，将所述特征数据输入到该第一目标分类器中，得到该第一目标分类器针对所述训练样本的分类结果，作为该第一目标分类器对应的第一分类结果；
将各第一分类结果输入到所述待训练模型中的主分类器中，以使所述主分类器根据所述各第一分类结果，得到针对所述训练样本的分类结果，作为第二分类结果；
根据所述第一分类结果、所述第二分类结果、以及所述训练样本的实际分类标签，至少确定用于表征各第一分类结果之间的偏差的第五损失，至少基于所述第五损失确定目标损失，并以最小化所述目标损失为优化目标，对所述待训练模型进行训练，其中，各第一分类结果之间的偏差越小，所述第五损失越大；
其中，所述辅助分类器对应不同风控业务类型，所述支付风险监控场景的风控业务类型至少包括：不合规收付款业务、他人诱导下的高风险业务中的一种。
2.如权利要求1所述的方法，根据所述第一分类结果、所述第二分类结果、以及所述训练样本的实际分类标签，至少确定用于表征各第一分类结果之间的偏差的第五损失，至少基于所述第五损失确定目标损失，具体包括：
根据所述第一分类结果、所述第二分类结果、以及所述训练样本的实际分类标签，确定至少一种目标损失，除所述第五损失以外所述目标损失还包括：用于表征所述各第一分类结果和所述实际分类标签之间的偏差的第一损失、用于表征所述各第一分类结果与目标分类结果之间的偏差的第二损失、用于表征所述目标分类结果与所述第二分类结果之间的偏差的第三损失、用于表征所述第二分类结果和所述实际分类标签之间的偏差的第四损失，所述目标分类结果是基于各第一分类结果与所述实际分类标签之间的偏差，从所述各第一分类结果中选取出的。
3.如权利要求2所述的方法，基于各第一分类结果与所述实际分类标签之间的偏差，从所述各第一分类结果中选取出所述目标分类结果，具体包括：
将与所述实际分类标签之间的偏差最小的第一分类结果，作为选取出的目标分类结果。
4.如权利要求2所述的方法，根据所述第一分类结果、所述第二分类结果、以及所述训练样本的实际分类标签，确定至少一种目标损失，具体包括：
当所述目标损失为所述第一损失时，针对每个第一分类结果，根据该第一分类结果和所述训练样本的实际分类标签之间的偏差，确定第一子损失；
根据所述各第一子损失，确定第一损失。
5.如权利要求4所述的方法，根据所述第一分类结果、所述第二分类结果、以及所述训练样本的实际分类标签，确定至少一种目标损失，具体包括：
当所述目标损失为所述第二损失时，针对每个第一分类结果，根据该第一分类结果和所述目标分类结果之间的偏差，确定第二子损失；
根据各第二子损失，确定第二损失。
6.如权利要求1所述的方法，从所述待训练模型中的各辅助分类器中，确定出与所述目标业务场景相匹配的各辅助分类器，作为各第一目标分类器，针对每个第一目标分类器，将所述特征数据输入到该第一目标分类器中，得到该第一目标分类器针对所述训练样本的分类结果，作为该第一目标分类器对应的第一分类结果之前，所述方法还包括：
确定所述训练样本对应的业务场景，作为目标业务场景；
将各第一分类结果输入到所述待训练模型中的主分类器中，以使所述主分类器根据所述各第一分类结果，得到针对所述训练样本的分类结果，具体包括：
从所述待训练模型中的各主分类器中，确定出与所述目标业务场景相匹配的主分类器，作为第二目标分类器，作为第二分类结果；
将各第一目标分类器对应的第一分类结果输入到所述第二目标分类器中，以使所述第二目标分类器根据所述各第一目标分类器对应的第一分类结果，得到针对所述训练样本的分类结果，作为第二分类结果。
7.如权利要求1所述的方法，所述待训练模型包括：风控模型，所述训练样本包括：样本业务数据；
将所述训练样本输入到所述待训练模型中，以通过所述待训练模型中的特征提取层，得到所述训练样本的特征数据，具体包括：
将所述样本业务数据输入到所述风控模型中，以通过所述风控模型中的特征提取层，得到所述样本业务数据的特征数据；
从所述待训练模型中的各辅助分类器中，确定出与所述目标业务场景相匹配的各辅助分类器，作为各第一目标分类器，针对每个第一目标分类器，将所述特征数据输入到该第一目标分类器中，得到该第一目标分类器针对所述训练样本的分类结果，作为该第一目标分类器对应的第一分类结果，具体包括：
针对所述风控模型中的每个辅助分类器，将所述特征数据输入到该辅助分类器中，得到该辅助分类器针对所述样本业务数据的风险预测结果，作为该辅助分类器对应的第一风险预测结果；
将各第一分类结果输入到所述待训练模型中的主分类器中，以使所述主分类器根据所述各第一分类结果，得到针对所述训练样本的分类结果，作为第二分类结果，具体包括：
将各第一风险预测结果输入到所述待训练模型中的主分类器中，以使所述主分类器根据所述各第一风险预测结果，得到针对所述样本业务数据的风险预测结果，作为第二风险预测结果；
根据所述第一分类结果、所述第二分类结果、以及所述训练样本的实际分类标签，对所述待训练模型进行训练，具体包括：
根据所述第一风险预测结果、所述第二风险预测结果、以及所述样本业务数据的实际风险标签，对所述风控模型进行训练。
8.一种业务风控的方法，包括：
获取待执行业务的业务数据；
将所述业务数据输入到风控模型中，以通过所述风控模型根据所述待执行业务的业务数据，得到所述待执行业务的风险预测结果，所述风控模型是通过上述权利要求1~7任一项所述的方法训练得到；
根据所述待执行业务的风险预测结果，执行相应的任务。
9.一种模型训练装置，包括：
获取模块，用于获取轻量模型作为待训练模型，并获取用于训练所述待训练模型的训练样本；其中，所述轻量模型通过将预训练得到的复杂的风控模型，经过知识蒸馏方法压缩后得到，或者直接创建得到；当所述待训练模型用于支付风险监控场景，则根据用户的支付行为确定出的结构化数据，作为训练样本；
特征提取模块，用于将所述训练样本输入到所述待训练模型中，以通过所述待训练模型中的特征提取层，得到所述训练样本的特征数据；
第一分类模块，用于确定所述支付风险监控场景，作为目标业务场景，从所述待训练模型中的各辅助分类器中，确定出与所述目标业务场景相匹配的各辅助分类器，作为各第一目标分类器，针对每个第一目标分类器，将所述特征数据输入到该第一目标分类器中，得到该第一目标分类器针对所述训练样本的分类结果，作为该第一目标分类器对应的第一分类结果；
第二分类模块，用于将各第一分类结果输入到所述待训练模型中的主分类器中，以使所述主分类器根据所述各第一分类结果，得到针对所述训练样本的分类结果，作为第二分类结果；
训练模块，用于根据所述第一分类结果、所述第二分类结果、以及所述训练样本的实际分类标签，至少确定用于表征各第一分类结果之间的偏差的第五损失，至少基于所述第五损失确定目标损失，并以最小化所述目标损失为优化目标，对所述待训练模型进行训练，其中，各第一分类结果之间的偏差越小，所述第五损失越大；
其中，所述辅助分类器对应不同风控业务类型，所述支付风险监控场景的风控业务类型至少包括：不合规收付款业务、他人诱导下的高风险业务中的一种。
10.如权利要求9所述的装置，所述训练模块具体用于，根据所述第一分类结果、所述第二分类结果、以及所述训练样本的实际分类标签，确定至少一种目标损失，除所述第五损失以外所述目标损失还包括：用于表征所述各第一分类结果和所述实际分类标签之间的偏差的第一损失、用于表征所述各第一分类结果与目标分类结果之间的偏差的第二损失、用于表征所述目标分类结果与所述第二分类结果之间的偏差的第三损失、用于表征所述第二分类结果和所述实际分类标签之间的偏差的第四损失，所述目标分类结果是基于各第一分类结果与所述实际分类标签之间的偏差，从所述各第一分类结果中选取出的，各第一分类结果之间的偏差越小。
11.如权利要求10所述的装置，所述训练模块具体用于，将与所述实际分类标签之间的偏差最小的第一分类结果，作为选取出的目标分类结果。
12.如权利要求10所述的装置，所述训练模块具体用于，当所述目标损失为所述第一损失时，针对每个第一分类结果，根据该第一分类结果和所述训练样本的实际分类标签之间的偏差，确定第一子损失；根据所述各第一子损失，确定第一损失。
13.如权利要求12所述的装置，所述训练模块具体用于，当所述目标损失为所述第二损失时，针对每个第一分类结果，根据该第一分类结果和所述目标分类结果之间的偏差，确定第二子损失；根据各第二子损失，确定第二损失。
14.如权利要求9所述的装置，所述第一分类模块具体用于，确定所述训练样本对应的业务场景，作为目标业务场景；从所述待训练模型中的各辅助分类器中，确定出与所述目标业务场景相匹配的各辅助分类器，作为各第一目标分类器；针对每个第一目标分类器，将所述特征数据输入到该第一目标分类器中，得到该第一目标分类器针对所述训练样本的分类结果，作为该第一目标分类器对应的第一分类结果；
所述第二分类模块具体用于，从所述待训练模型中的各主分类器中，确定出与所述目标业务场景相匹配的主分类器，作为第二目标分类器，作为第二分类结果；将各第一目标分类器对应的第一分类结果输入到所述第二目标分类器中，以使所述第二目标分类器根据所述各第一目标分类器对应的第一分类结果，得到针对所述训练样本的分类结果，作为第二分类结果。
15.如权利要求9所述的装置，所述待训练模型包括：风控模型，所述训练样本包括：样本业务数据；
所述特征提取模块具体用于，将所述样本业务数据输入到所述风控模型中，以通过所述风控模型中的特征提取层，得到所述样本业务数据的特征数据；
所述第一分类模块具体用于，针对所述风控模型中的每个辅助分类器，将所述特征数据输入到该辅助分类器中，得到该辅助分类器针对所述样本业务数据的风险预测结果，作为该辅助分类器对应的第一风险预测结果；
所述第二分类模块具体用于，将各第一风险预测结果输入到所述待训练模型中的主分类器中，以使所述主分类器根据所述各第一风险预测结果，得到针对所述样本业务数据的风险预测结果，作为第二风险预测结果；
所述训练模块具体用于，根据所述第一风险预测结果、所述第二风险预测结果、以及所述样本业务数据的实际风险标签，对所述风控模型进行训练。
16.一种业务风控的装置，包括：
业务数据获取模块，用于获取待执行业务的业务数据；
风控模块，用于将所述业务数据输入到风控模型中，以通过所述风控模型根据所述待执行业务的业务数据，得到所述待执行业务的风险预测结果，所述风控模型是通过上述权利要求1~7任一项所述的方法训练得到；
业务执行模块，用于根据所述待执行业务的风险预测结果，执行相应的任务。
17.一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权利要求1~8任一项所述的方法。
18.一种电子设备，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权利要求1~8任一项所述的方法。
CN202310632423.4A 2023-05-30 2023-05-30 一种模型训练、业务风控的方法及装置 Active CN116340852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310632423.4A CN116340852B (zh) 2023-05-30 2023-05-30 一种模型训练、业务风控的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310632423.4A CN116340852B (zh) 2023-05-30 2023-05-30 一种模型训练、业务风控的方法及装置

Publications (2)

Publication Number Publication Date
CN116340852A CN116340852A (zh) 2023-06-27
CN116340852B true CN116340852B (zh) 2023-09-15

Family

ID=86880821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310632423.4A Active CN116340852B (zh) 2023-05-30 2023-05-30 一种模型训练、业务风控的方法及装置

Country Status (1)

Country Link
CN (1) CN116340852B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059854A (zh) * 2019-03-13 2019-07-26 阿里巴巴集团控股有限公司 用于风险识别的方法及装置
CN111027870A (zh) * 2019-12-14 2020-04-17 支付宝(杭州)信息技术有限公司 用户风险评估方法及装置、电子设备、存储介质
CN112330035A (zh) * 2020-11-10 2021-02-05 支付宝(杭州)信息技术有限公司 风险预测模型的训练方法及装置
CN112926663A (zh) * 2021-02-25 2021-06-08 中国平安人寿保险股份有限公司 分类模型的训练方法、装置、计算机设备及存储介质
CN114358197A (zh) * 2022-01-10 2022-04-15 上海亿保健康管理有限公司 分类模型的训练方法及装置、电子设备、存储介质
US11605465B1 (en) * 2018-08-16 2023-03-14 Clarify Health Solutions, Inc. Computer network architecture with machine learning and artificial intelligence and patient risk scoring
CN115908924A (zh) * 2022-11-23 2023-04-04 中国地质大学（武汉） 一种基于多分类器的小样本高光谱图像语义分割方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308158B (zh) * 2020-11-05 2021-09-24 电子科技大学 一种基于部分特征对齐的多源领域自适应模型及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11605465B1 (en) * 2018-08-16 2023-03-14 Clarify Health Solutions, Inc. Computer network architecture with machine learning and artificial intelligence and patient risk scoring
CN110059854A (zh) * 2019-03-13 2019-07-26 阿里巴巴集团控股有限公司 用于风险识别的方法及装置
CN111027870A (zh) * 2019-12-14 2020-04-17 支付宝(杭州)信息技术有限公司 用户风险评估方法及装置、电子设备、存储介质
CN112330035A (zh) * 2020-11-10 2021-02-05 支付宝(杭州)信息技术有限公司 风险预测模型的训练方法及装置
CN112926663A (zh) * 2021-02-25 2021-06-08 中国平安人寿保险股份有限公司 分类模型的训练方法、装置、计算机设备及存储介质
CN114358197A (zh) * 2022-01-10 2022-04-15 上海亿保健康管理有限公司 分类模型的训练方法及装置、电子设备、存储介质
CN115908924A (zh) * 2022-11-23 2023-04-04 中国地质大学（武汉） 一种基于多分类器的小样本高光谱图像语义分割方法及***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Improving multiclass classification by deep networks using DAGSVM and Triplet Loss☆;Nakul Agarwal等;《Pattern Recognition Letters》;第112卷;第184-190页 *
Machine Learning for Predictive Maintenance: A Multiple Classifier Approach;Gian Antonio Susto等;《IEEE Transactions on Industrial Informatics》;第11卷(第3期);第812-820页 *
具有类间差异约束的多对抗深度域适应模型;马娜等;《计算机科学与探索》;第17卷(第5期);第1168-1179页 *
基于大数据分类与SVDD模型的多场景500kV劣化绝缘子判定研究;普子恒等;《电瓷避雷器》(第2期);第189-196页 *

Also Published As

Publication number Publication date
CN116340852A (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
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
CN115238826B (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN115146731A (zh) 一种模型训练的方法、业务风控的方法及装置
CN116152933A (zh) 一种异常检测模型的训练方法、装置、设备及存储介质
CN116757278B (zh) 一种预测模型的训练方法、装置、存储介质及电子设备
CN116578877B (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
CN117093862A (zh) 一种模型训练的方法、装置、电子设备及存储介质
CN116340852B (zh) 一种模型训练、业务风控的方法及装置
CN115017905A (zh) 一种模型训练和信息推荐的方法及装置
CN115545938B (zh) 一种执行风险识别业务的方法、装置、存储介质及设备
CN115017915B (zh) 一种模型训练、任务执行的方法及装置
CN116843466A (zh) 一种风险识别模型训练方法、装置、存储介质及电子设备
CN116501852B (zh) 一种可控对话模型训练方法、装置、存储介质及电子设备
CN116434787B (zh) 一种语音情感识别的方法、装置、存储介质及电子设备
CN117972436B (zh) 大语言模型的训练方法、训练装置、存储介质及电子设备
CN117575611A (zh) 一种风险识别的方法、装置、存储介质及电子设备
CN116957330A (zh) 一种模型训练、业务风控方法、装置、设备及存储介质
CN116363418A (zh) 一种训练分类模型的方法、装置、存储介质及电子设备
CN117592102A (zh) 一种业务执行方法、装置、设备及存储介质
CN116401541A (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN117494052A (zh) 一种基于时空静态信息自动化生成的预测方法及装置
CN117455493A (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN117520850A (zh) 一种模型训练方法、装置、存储介质及电子设备
CN118193797A (zh) 一种业务执行的方法、装置、存储介质及电子设备
CN116842570A (zh) 一种模型训练的方法以及业务风控的方法及装置

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