CN117592581A - 一种模型训练方法、装置、存储介质及电子设备 - Google Patents

一种模型训练方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN117592581A
CN117592581A CN202311568281.6A CN202311568281A CN117592581A CN 117592581 A CN117592581 A CN 117592581A CN 202311568281 A CN202311568281 A CN 202311568281A CN 117592581 A CN117592581 A CN 117592581A
Authority
CN
China
Prior art keywords
dimension
sample data
data
supplementary
target
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
Application number
CN202311568281.6A
Other languages
English (en)
Inventor
杨信
吕乐
傅幸
王维强
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 CN202311568281.6A priority Critical patent/CN117592581A/zh
Publication of CN117592581A publication Critical patent/CN117592581A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书公开了一种模型训练方法、装置、存储介质及电子设备，可以基于确定出的输入到目标模型的不同维度的特征的改变对目标模型的输出结果的影响程度，来生成补充样本数据，从而可以基于补充样本数据对目标模型进行训练，进而可以提升训练后的目标模型的鲁棒性。

Description

一种模型训练方法、装置、存储介质及电子设备
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方法、装置、存储介质及电子设备。
背景技术
随着互联网技术以及人工智能技术的发展，各个企业对用户的个人隐私数据的安全性也越来越重视。
通常情况下，各业务平台可以通过预先训练的风控模型，对用户的各项业务进行风控，以保障用户的个人隐私数据的安全。而由于在实际应用过程中，输入到风控模型中的数据的格式、种类较为繁杂，这就对风控模型的鲁棒性有着较高的要求。
所以，如何提升风控模型的鲁棒性，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方法、装置、存储介质及电子设备，以部分的解决现有技术存在的风控模型的鲁棒性较低的问题。
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：
获取样本数据；
针对所述样本数据中包含的每个维度的特征值，确定该维度的特征值与目标模型在预训练过程中针对所述样本数据所得到的偏差之间的关联度，作为该维度对应的关联度，其中，所述偏差为所述目标模型在预训练过程中针对所述样本数据的输出结果与所述样本数据对应的实际结果之间的偏差，若所述关联度越大，则该维度的特征值的变化对所述目标模型的输出结果的影响程度越大；
根据每个维度对应的关联度，对所述样本数据包含的至少部分维度的特征值进行调整，得到补充样本数据；
通过所述补充样本数据，对所述目标模型进行训练，得到训练后目标模型，以通过训练后目标模型执行目标业务。
可选地，针对所述样本数据中包含的每个维度的特征值，确定该维度的特征值与目标模型在预训练过程中针对所述样本数据所得到的偏差之间的关联度，具体包括：
针对所述样本数据中包含的每个维度的特征值，判断该维度的特征值的类型是否为连续特征；
若是，则根据目标模型在预训练过程中针对所述样本数据所得到的偏差对该维度的特征值的偏导数结果，确定该维度的特征值与所述偏差之间的关联度。
可选地，针对所述样本数据中包含的每个维度的特征值，确定该维度的特征值与目标模型在预训练过程中针对所述样本数据所得到的偏差之间的关联度，具体包括：
针对所述样本数据中包含的每个维度的特征值，判断该维度的特征值的类型是否为离散特征；
若是，则根据目标模型在预训练过程中针对所述样本数据所得到的偏差在该维度的特征值下的差分结果，确定该维度的特征值与所述偏差之间的关联度。
可选地，根据每个维度对应的关联度，对所述样本数据包含的至少部分维度的特征值进行调整，得到补充样本数据，具体包括：
针对所述样本数据包含的每个维度的特征值，根据该维度的特征值对应的关联度，确定该维度的特征值对应的变化步长，作为该维度对应的变化步长，其中，若该维度的特征值对应的关联度越大，则该维度的特征值对应的变化步长越小；
从所述样本数据包含的各维度中选取至少部分维度作为目标维度，并根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到补充样本数据。
可选地，根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到补充样本数据，具体包括：
根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到基础补充数据；
根据每个目标维度对应的变化步长，确定所述基础补充数据对应的实际结果相比于所述样本数据对应的实际结果出现更改的概率；
根据所述概率，确定所述基础补充数据对应的实际结果相比于所述样本数据对应的实际结果是否出现更改；
若是，则重新确定所述基础补充数据对应的实际结果，作为补充实际结果，并根据所述基础补充数据以及所述补充实际结果，构建补充样本数据，否则，根据所述基础补充数据以及所述样本数据对应的实际结果，构建补充样本数据。
可选地，所述样本数据包括：风控业务中所使用的业务数据，所述业务数据包括：用户属性数据、用户行为数据、用户账号状态数据、用户历史数据中的至少一种，所述目标业务包括：风控业务。
本说明书提供了一种模型训练装置，包括：
获取模块，用于获取样本数据；
确定模块，用于针对所述样本数据中包含的每个维度的特征值，确定该维度的特征值与目标模型在预训练过程中针对所述样本数据所得到的偏差之间的关联度，作为该维度对应的关联度，其中，所述偏差为所述目标模型在预训练过程中针对所述样本数据的输出结果与所述样本数据对应的实际结果之间的偏差，若所述关联度越大，则该维度的特征值的变化对所述目标模型的输出结果的影响程度越大；
调整模块，用于根据每个维度对应的关联度，对所述样本数据包含的至少部分维度的特征值进行调整，得到补充样本数据；
训练模块，用于通过所述补充样本数据，对所述目标模型进行训练，得到训练后目标模型，以通过训练后目标模型执行目标业务。
可选地，所述确定模块具体用于，针对所述样本数据中包含的每个维度的特征值，判断该维度的特征值的类型是否为连续特征；若是，则根据目标模型在预训练过程中针对所述样本数据所得到的偏差对该维度的特征值的偏导数结果，确定该维度的特征值与所述偏差之间的关联度。
可选地，所述确定模块具体用于，针对所述样本数据中包含的每个维度的特征值，判断该维度的特征值的类型是否为离散特征；若是，则根据目标模型在预训练过程中针对所述样本数据所得到的偏差在该维度的特征值下的差分结果，确定该维度的特征值与所述偏差之间的关联度。
可选地，所述调整模块具体用于，针对所述样本数据包含的每个维度的特征值，根据该维度的特征值对应的关联度，确定该维度的特征值对应的变化步长，作为该维度对应的变化步长，其中，若该维度的特征值对应的关联度越大，则该维度的特征值对应的变化步长越小；从所述样本数据包含的各维度中选取至少部分维度作为目标维度，并根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到补充样本数据。
可选地，所述调整模块具体用于，根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到基础补充数据；根据每个目标维度对应的变化步长，确定所述基础补充数据对应的实际结果相比于所述样本数据对应的实际结果出现更改的概率；根据所述概率，确定所述基础补充数据对应的实际结果相比于所述样本数据对应的实际结果是否出现更改；若是，则重新确定所述基础补充数据对应的实际结果，作为补充实际结果，并根据所述基础补充数据以及所述补充实际结果，构建补充样本数据，否则，根据所述基础补充数据以及所述样本数据对应的实际结果，构建补充样本数据。
可选地，所述样本数据包括：风控业务中所使用的业务数据，所述业务数据包括：用户属性数据、用户行为数据、用户账号状态数据、用户历史数据中的至少一种，所述目标业务包括：风控业务。
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，首先获取目标模型以及用于训练目标模型的样本数据，针对样本数据中包含的每个维度的特征值，确定该维度的特征值与目标模型的输出结果与样本数据对应的实际结果之间偏差的关联度，其中，若关联度越大，则该维度的特征值的变化对目标模型的输出结果与样本数据对应的实际结果之间偏差大小的影响程度越大，进而根据关联度，对样本数据包含的至少部分维度的特征值进行调整，得到补充样本数据，通过补充样本数据，对目标模型进行训练，得到训练后目标模型。
从上述方法中可以看出，可以基于确定出的输入到目标模型的不同维度的特征的改变对目标模型的输出结果的影响程度，来生成补充样本数据，从而可以基于补充样本数据对目标模型进行训练，进而可以提升训练后的目标模型的鲁棒性。
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补充样本数据的生成方法的过程示意图；
图3为本说明书提供的一种模型训练装置的示意图；
图4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：获取样本数据。
在本说明书中，业务平台可以获取基础模型以及用于训练基础模型的样本数据，进而可以将获取到的样本数据输入到基础模型中，得到基础模型针对样本数据的输出结果，并可以以最小化基础模型针对样本数据的输出结果和样本数据对应的实际结果之间的偏差为优化目标，对基础模型进行训练，得到目标模型，其中，上述的基础模型可以根据实际需求确定。
例如：上述的基础模型可以为风控模型，则上述的样本数据可以为业务平台响应的历史风控业务中所使用的业务数据，业务平台可以获取到的业务数据输入到风控模型中，以通过风控模型针对输入的业务数据，得到输入的业务数据是否为风险业务的输出结果，进而可以以最小化风控模型针对输入的业务数据输出的业务数据是否为风险业务的输出结果和输入的业务数据是否为风险业务的实际结果之间的偏差为优化目标，对风控模型进行训练。其中，上述的业务数据包括：用户属性数据(如：用户名、用户性别等信息)、用户行为数据(如：用户在业务平台提供的操作界面中的点击行为的点击频率、拖曳行为的拖曳距离、文本输入行为的输入时长等行为数据)、用户账号状态数据(如：用户账户信用评估值、用户所处的网络环境数据等)、用户历史数据(如：用户历史发起的业务中包含风险业务的次数等)等数据中的至少一种。
再例如：上述的基础模型可以为搜索推荐模型，则上述的样本数据可以为用户的推荐请求数据(这里的推荐请求数据可以包括：用户历史输入的搜索关键词以及用户的用户信息等)业务平台可以将推荐请求数据输入到搜索推荐模型中，以通过搜索推荐模型针对输入的推荐请求数据，得到与推荐请求数据相匹配的推荐结果，进而可以以最小化搜索推荐模型针对输入的推荐请求数据输出的与推荐请求数据相匹配的推荐结果和用户实际点击的推荐结果之间的偏差为优化目标，对搜索推荐模型进行训练。
进一步地，业务平台可以在获取到上述的目标模型以及样本数据之后，基于样本数据生成各补充样本数据，并可以基于生成的各补充样本数据对目标模型再次进行训练，以提升目标模型的鲁棒性，以下将针对业务平台基于样本数据生成各补充样本数据的方法进行详细说明。
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、笔记本电脑等终端设备，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：针对所述样本数据中包含的每个维度的特征值，确定该维度的特征值与目标模型在预训练过程中针对所述样本数据所得到的偏差之间的关联度，作为该维度对应的关联度，其中，所述偏差为所述目标模型在预训练过程中针对所述样本数据的输出结果与所述样本数据对应的实际结果之间的偏差，若所述关联度越大，则该维度的特征值的变化对所述目标模型的输出结果的影响程度越大。
进一步地，服务器在获取到样本数据后，可以针对样本数据中包含的每个维度的特征值，确定该维度的特征值与目标模型在预训练过程中针对样本数据的输出结果与样本数据对应的实际结果之间的偏差之间的关联度，作为该维度对应的关联度，其中，若确定出的该维度的特征值与目标模型在预训练过程中针对样本数据的输出结果与样本数据对应的实际结果之间的偏差之间的关联度越大，则该维度的特征值的变化对目标模型的输出结果的影响程度越大，目标模型在预训练过程中针对样本数据的输出结果与样本数据对应的实际结果之间的偏差也就越大，具体如图2所示。
图2为本说明书中提供的补充样本数据的生成方法的过程示意图。
结合图2可以看出，服务器可以针对样本数据中包含的每个维度的特征值，判断该维度的特征值的类型是否为连续特征，若是，则可以根据目标模型在预训练过程中针对样本数据的输出结果与样本数据对应的实际结果之间的偏差对该维度的特征值的偏导数结果，确定该维度的特征值与目标模型在预训练过程中针对样本数据的输出结果与样本数据对应的实际结果之间的偏差之间的关联度，具体可以参考如下公式。
上述公式中，sij表示第i个样本的第j个维度的特征的敏感性，i代表样本下标，j代表维度下标，xij表示第i个样本的第j个特征，yi表示第i的样本的实际结果，f(xi,w)表示目标模型在预训练过程中针对样本数据的输出结果。
另外，服务器还可以针对样本数据中包含的每个维度的特征值，判断该维度的特征值的类型是否为离散特征，若是，则可以根据目标模型在预训练过程中针对样本数据所得到的偏差在该维度的特征值下的差分结果，确定该维度的特征值与偏差之间的关联度，具体可以参考如下公式。
上述公式中，Sij表示第i个样本的第j个维度的特征的敏感性，i代表样本下标，j代表维度的下标，f(xi,w)表示目标模型在预训练过程中针对样本数据的输出结果，f(xi\xij,w)表示目标模型在预训练过程中针对不包含第j个维度的特征的第i个样本的输出结果。
S104：根据每个维度对应的关联度，对所述样本数据包含的至少部分维度的特征值进行调整，得到补充样本数据。
S106：通过所述补充样本数据，对所述目标模型进行训练，得到训练后目标模型，以通过训练后目标模型执行目标业务。
进一步地，服务器可以针对样本数据包含的每个维度的特征值，根据该维度的特征值对应的关联度，确定该维度的特征值对应的变化步长，作为该维度对应的变化步长，进而可以从样本数据包含的各维度中选取至少部分维度作为目标维度，并根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到补充样本数据，其中，若该维度的特征值对应的关联度越大，则该维度的特征值对应的变化步长越小。
在实际应用场景中，存在部分维度的特征值与目标模型在预训练过程中针对样本数据所得到的偏差之间的关联度较大，也就是对目标模型的输出结果的影响程度较大，从而导致在对这部分维度的特征进行调整时，可能会使得得到的补充样本数据对应的实际结果相比于样本数据对应的实际结果发生更改，换句话说，当一个维度的特征值与目标模型在预训练过程中针对样本数据所得到的偏差之间的关联度较大时，则说明这个维度的特征值发生变化时，对目标模型的输出结果的影响较大，此时，当这个维度的特征值被调整时，则得到的补充样本数据对应的实际结果相比于样本数据对应的实际结果发生更改的概率也较大。
例如：在风控业务中，对实际结果为无风险的样本数据中包含的用户账号状态数据的值进行调整后，得到的补充样本数据的实际结果可能会更改为有风险。
基于此，服务器可以根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到基础补充数据，根据每个目标维度对应的变化步长，确定基础补充数据对应的实际结果相比于样本数据对应的实际结果出现更改的概率，根据基础补充数据对应的实际结果相比于样本数据对应的实际结果出现更改的概率，确定基础补充数据对应的实际结果相比于样本数据对应的实际结果是否出现更改，若是，则可以重新确定基础补充数据对应的实际结果，作为补充实际结果，并根据基础补充数据以及补充实际结果，构建补充样本数据，若否，则可以根据基础补充数据以及样本数据对应的实际结果，构建补充样本数据。
上述内容中，一个维度对应的变化步长可以理解为在对样本数据中包含的这个维度的值进行调整以得到补充样本数据时，每次调整的幅度大小。
值得说明的是，服务器根据基础补充数据对应的实际结果相比于样本数据对应的实际结果出现更改的概率，确定基础补充数据对应的实际结果相比于样本数据对应的实际结果是否出现更改，可以理解为，若一个维度对应的概率为则当对该维度的特征值进行调整后，得到的基础补充数据对应的实际结果相比于样本数据对应的实际结果有/>的概率发生更改。若一个维度对应的概率为/>另一个维度对应的概率为/>则当对该维度的特征值进行调整后，得到的基础补充数据对应的实际结果相比于样本数据对应的实际结果有/>(即，/>)的概率发生更改。
需要说明的是，服务器可以根据每个目标维度对应的变化步长，确定基础补充数据对应的实际结果相比于样本数据对应的实际结果出现更改的概率的方法可以为通过神经网络模型等方法确定。
除此之外，服务器还可以针对样本数据，确定样本数据对应的指定概率，即，该样本数据中的任意一个维度的特征值被调整后，得到的补充样本数据对应的实际结果相比于该样本数据对应的实际结果发生更改的概率。
进而可以基于上述的指定概率，确定针对样本数据包含的每个维度的特征值，根据该维度的特征值对应的关联度，确定该维度的特征值对应的变化步长，作为该维度对应的变化步长。
进一步地，服务器可以根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到基础补充数据，并根据上述的指定概率，确定基础补充数据对应的实际结果相比于样本数据对应的实际结果是否出现更改，若是，则可以重新确定基础补充数据对应的实际结果，作为补充实际结果，并根据基础补充数据以及补充实际结果，构建补充样本数据，若否，则可以根据基础补充数据以及样本数据对应的实际结果，构建补充样本数据。
可以理解为，预先将每个维度的特征值发生更改时基础补充数据对应的实际结果相比于样本数据对应的实际结果出现更改的概率设定为指定概率，进而可以在保持指定概率不变的基础下，根据每个维度的特征值对应的关联度，确定该维度的特征值对应的变化步长，作为该维度对应的变化步长，进而可以根据指定概率确定基础补充数据对应的实际结果相比于样本数据对应的实际结果是否出现更改。
进一步地，服务器在获取到各补充样本数据后，可以通过补充样本数据，对目标模型进行训练，得到训练后目标模型，并通过训练后目标模型执行目标业务。
上述的目标业务可以根据实际需求确定，如：风控业务、搜索推荐业务等。
从上述内容中可以看出，服务器可以基于确定出的输入到目标模型的不同维度的特征的改变对目标模型的输出结果的影响程度，来生成补充样本数据，从而可以基于补充样本数据对目标模型进行训练，进而可以提升训练后的目标模型的鲁棒性。
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，如图3所示。
图3为本说明书提供的一种模型训练装置的示意图，包括：
获取模块301，用于获取样本数据；
确定模块302，用于针对所述样本数据中包含的每个维度的特征值，确定该维度的特征值与目标模型在预训练过程中针对所述样本数据所得到的偏差之间的关联度，作为该维度对应的关联度，其中，所述偏差为所述目标模型在预训练过程中针对所述样本数据的输出结果与所述样本数据对应的实际结果之间的偏差，若所述关联度越大，则该维度的特征值的变化对所述目标模型的输出结果的影响程度越大；
调整模块303，用于根据每个维度对应的关联度，对所述样本数据包含的至少部分维度的特征值进行调整，得到补充样本数据；
训练模块304，用于通过所述补充样本数据，对所述目标模型进行训练，得到训练后目标模型，以通过训练后目标模型执行目标业务。
可选地，所述确定模块302具体用于，针对所述样本数据中包含的每个维度的特征值，判断该维度的特征值的类型是否为连续特征；若是，则根据目标模型在预训练过程中针对所述样本数据所得到的偏差对该维度的特征值的偏导数结果，确定该维度的特征值与所述偏差之间的关联度。
可选地，所述确定模块302具体用于，针对所述样本数据中包含的每个维度的特征值，判断该维度的特征值的类型是否为离散特征；若是，则根据目标模型在预训练过程中针对所述样本数据所得到的偏差在该维度的特征值下的差分结果，确定该维度的特征值与所述偏差之间的关联度。
可选地，所述调整模块303具体用于，针对所述样本数据包含的每个维度的特征值，根据该维度的特征值对应的关联度，确定该维度的特征值对应的变化步长，作为该维度对应的变化步长，其中，若该维度的特征值对应的关联度越大，则该维度的特征值对应的变化步长越小；从所述样本数据包含的各维度中选取至少部分维度作为目标维度，并根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到补充样本数据。
可选地，所述调整模块303具体用于，根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到基础补充数据；根据每个目标维度对应的变化步长，确定所述基础补充数据对应的实际结果相比于所述样本数据对应的实际结果出现更改的概率；根据所述概率，确定所述基础补充数据对应的实际结果相比于所述样本数据对应的实际结果是否出现更改；若是，则重新确定所述基础补充数据对应的实际结果，作为补充实际结果，并根据所述基础补充数据以及所述补充实际结果，构建补充样本数据，否则，根据所述基础补充数据以及所述样本数据对应的实际结果，构建补充样本数据。
可选地，所述样本数据包括：风控业务中所使用的业务数据，所述业务数据包括：用户属性数据、用户行为数据、用户账号状态数据、用户历史数据中的至少一种，所述目标业务包括：风控业务。
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方法。
本说明书还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4，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(HardwareDescription Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(AdvancedBoolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware DescriptionLanguage)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby HardwareDescription Language)等，目前最普遍使用的是VHDL(Very-High-Speed IntegratedCircuit Hardware DescriptionLanguage)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：ARC625D、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 (14)

1.一种模型训练方法，包括：
获取样本数据；
针对所述样本数据中包含的每个维度的特征值，确定该维度的特征值与目标模型在预训练过程中针对所述样本数据所得到的偏差之间的关联度，作为该维度对应的关联度，其中，所述偏差为所述目标模型在预训练过程中针对所述样本数据的输出结果与所述样本数据对应的实际结果之间的偏差，若所述关联度越大，则该维度的特征值的变化对所述目标模型的输出结果的影响程度越大；
根据每个维度对应的关联度，对所述样本数据包含的至少部分维度的特征值进行调整，得到补充样本数据；
通过所述补充样本数据，对所述目标模型进行训练，得到训练后目标模型，以通过训练后目标模型执行目标业务。
2.如权利要求1所述的方法，针对所述样本数据中包含的每个维度的特征值，确定该维度的特征值与目标模型在预训练过程中针对所述样本数据所得到的偏差之间的关联度，具体包括：
针对所述样本数据中包含的每个维度的特征值，判断该维度的特征值的类型是否为连续特征；
若是，则根据目标模型在预训练过程中针对所述样本数据所得到的偏差对该维度的特征值的偏导数结果，确定该维度的特征值与所述偏差之间的关联度。
3.如权利要求1所述的方法，针对所述样本数据中包含的每个维度的特征值，确定该维度的特征值与目标模型在预训练过程中针对所述样本数据所得到的偏差之间的关联度，具体包括：
针对所述样本数据中包含的每个维度的特征值，判断该维度的特征值的类型是否为离散特征；
若是，则根据目标模型在预训练过程中针对所述样本数据所得到的偏差在该维度的特征值下的差分结果，确定该维度的特征值与所述偏差之间的关联度。
4.如权利要求1所述的方法，根据每个维度对应的关联度，对所述样本数据包含的至少部分维度的特征值进行调整，得到补充样本数据，具体包括：
针对所述样本数据包含的每个维度的特征值，根据该维度的特征值对应的关联度，确定该维度的特征值对应的变化步长，作为该维度对应的变化步长，其中，若该维度的特征值对应的关联度越大，则该维度的特征值对应的变化步长越小；
从所述样本数据包含的各维度中选取至少部分维度作为目标维度，并根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到补充样本数据。
5.如权利要求4所述的方法，根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到补充样本数据，具体包括：
根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到基础补充数据；
根据每个目标维度对应的变化步长，确定所述基础补充数据对应的实际结果相比于所述样本数据对应的实际结果出现更改的概率；
根据所述概率，确定所述基础补充数据对应的实际结果相比于所述样本数据对应的实际结果是否出现更改；
若是，则重新确定所述基础补充数据对应的实际结果，作为补充实际结果，并根据所述基础补充数据以及所述补充实际结果，构建补充样本数据，否则，根据所述基础补充数据以及所述样本数据对应的实际结果，构建补充样本数据。
6.如权利要求1～5任一项所述的方法，所述样本数据包括：风控业务中所使用的业务数据，所述业务数据包括：用户属性数据、用户行为数据、用户账号状态数据、用户历史数据中的至少一种，所述目标业务包括：风控业务。
7.一种模型训练装置，包括：
获取模块，用于获取样本数据；
确定模块，用于针对所述样本数据中包含的每个维度的特征值，确定该维度的特征值与目标模型在预训练过程中针对所述样本数据所得到的偏差之间的关联度，作为该维度对应的关联度，其中，所述偏差为所述目标模型在预训练过程中针对所述样本数据的输出结果与所述样本数据对应的实际结果之间的偏差，若所述关联度越大，则该维度的特征值的变化对所述目标模型的输出结果的影响程度越大；
调整模块，用于根据每个维度对应的关联度，对所述样本数据包含的至少部分维度的特征值进行调整，得到补充样本数据；
训练模块，用于通过所述补充样本数据，对所述目标模型进行训练，得到训练后目标模型，以通过训练后目标模型执行目标业务。
8.如权利要求7所述的装置，所述确定模块具体用于，针对所述样本数据中包含的每个维度的特征值，判断该维度的特征值的类型是否为连续特征；若是，则根据目标模型在预训练过程中针对所述样本数据所得到的偏差对该维度的特征值的偏导数结果，确定该维度的特征值与所述偏差之间的关联度。
9.如权利要求7所述的装置，所述确定模块具体用于，针对所述样本数据中包含的每个维度的特征值，判断该维度的特征值的类型是否为离散特征；若是，则根据目标模型在预训练过程中针对所述样本数据所得到的偏差在该维度的特征值下的差分结果，确定该维度的特征值与所述偏差之间的关联度。
10.如权利要求7所述的装置，所述调整模块具体用于，针对所述样本数据包含的每个维度的特征值，根据该维度的特征值对应的关联度，确定该维度的特征值对应的变化步长，作为该维度对应的变化步长，其中，若该维度的特征值对应的关联度越大，则该维度的特征值对应的变化步长越小；从所述样本数据包含的各维度中选取至少部分维度作为目标维度，并根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到补充样本数据。
11.如权利要求10所述的装置，所述调整模块具体用于，根据每个目标维度对应的变化步长，对每个目标维度的特征值进行调整，得到基础补充数据；根据每个目标维度对应的变化步长，确定所述基础补充数据对应的实际结果相比于所述样本数据对应的实际结果出现更改的概率；根据所述概率，确定所述基础补充数据对应的实际结果相比于所述样本数据对应的实际结果是否出现更改；若是，则重新确定所述基础补充数据对应的实际结果，作为补充实际结果，并根据所述基础补充数据以及所述补充实际结果，构建补充样本数据，否则，根据所述基础补充数据以及所述样本数据对应的实际结果，构建补充样本数据。
12.如权利要求7～11任一项所述的装置，所述样本数据包括：风控业务中所使用的业务数据，所述业务数据包括：用户属性数据、用户行为数据、用户账号状态数据、用户历史数据中的至少一种，所述目标业务包括：风控业务。
13.一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1～6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，所述处理器执行所述程序时实现上述权利要求1～6任一项所述的方法。
CN202311568281.6A 2023-11-21 2023-11-21 一种模型训练方法、装置、存储介质及电子设备 Pending CN117592581A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311568281.6A CN117592581A (zh) 2023-11-21 2023-11-21 一种模型训练方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311568281.6A CN117592581A (zh) 2023-11-21 2023-11-21 一种模型训练方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN117592581A true CN117592581A (zh) 2024-02-23

Family

ID=89922553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311568281.6A Pending CN117592581A (zh) 2023-11-21 2023-11-21 一种模型训练方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN117592581A (zh)

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
CN115828162B (zh) 一种分类模型训练的方法、装置、存储介质及电子设备
CN117369783B (zh) 一种安全代码生成模型的训练方法及装置
CN117409466B (zh) 一种基于多标签控制的三维动态表情生成方法及装置
CN116824331A (zh) 一种模型训练、图像识别方法、装置、设备及存储介质
CN116228180A (zh) 用户信息推荐方法、装置和存储介质
CN117592581A (zh) 一种模型训练方法、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
CN115017915B (zh) 一种模型训练、任务执行的方法及装置
CN117494068B (zh) 一种结合深度学习与因果推断的网络舆情分析方法及装置
CN116340852B (zh) 一种模型训练、业务风控的方法及装置
CN115827880B (zh) 一种基于情感分类的业务执行方法及装置
CN115862675B (zh) 一种情感识别方法、装置、设备及存储介质
CN115952271B (zh) 一种生成对话信息的方法、装置、存储介质及电子设备
CN117009729B (zh) 基于softmax的数据处理方法及装置
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
CN117194992B (zh) 一种模型训练、任务执行方法、装置、存储介质及设备
CN117555644B (zh) 一种基于自然语言交互的前端页面构建方法及装置
CN116434787B (zh) 一种语音情感识别的方法、装置、存储介质及电子设备
CN117743824A (zh) 一种模型训练、业务执行方法、装置、存储介质及设备
CN117591217A (zh) 一种信息展示方法、装置、设备及存储介质
CN118229294A (zh) 一种风控的方法、装置、存储介质及电子设备
CN117171346A (zh) 一种实体链接方法、装置、存储介质及电子设备
CN116401541A (zh) 一种模型训练的方法、装置、存储介质及电子设备
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

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