CN108062709A - 基于半监督学习的用户行为模型训练方法及装置 - Google Patents

Abstract

本发明公开了一种基于半监督学习的用户行为模型训练方法及装置，其方法包括：将用户数据输入至在数个中间层中引入噪声数据的神经网络中，获取第一中间层的第一噪声输出结果；利用第一噪声输出结果对神经网络进行重构处理，得到至少一个第二中间层的第二重构输出结果；将用户数据输入至神经网络中，得到至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果；利用第二输出结果与第二重构输出结果之间的损失，以及第一输出结果与第一噪声输出结果之间的损失，对神经网络进行训练。本发明在神经网络中引入噪声数据，利用噪声输出结果得到重构输出结果。利用重构输出结果与神经网络的输出结果之间的损失，实现对神经网络的训练。

Description

基于半监督学习的用户行为模型训练方法及装置

技术领域

本发明涉及深度学习领域，具体涉及一种基于半监督学习的用户行为模型训练方法及装置。

背景技术

对于金融领域，由于存在对用户放款后，用户在还款时可能逾期的行为，逾期还款会导致各种风险问题。因此，需要对金融进行风控管理，通过风控管理，结合用户的行为，对金融贷款的风险进行把控。

现有技术在金融风控管理时，一般采用评分卡模型，仅对放款的用户进行管理，且评分卡模型需要监督学习，即需要有标注的用户数据，且用户数据的结果分类比例要求均衡。但在当前的大数据时代，往往收集到的用户数据大量为无标注的用户数据，且收集到的有标注用户数据的结果分类比例相差很大。因此，需要一种方法，基于大量无标注的用户数据对用户行为进行挖掘，以便根据挖掘结果进行风控管理。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于半监督学习的用户行为模型训练方法及装置。

根据本发明的一个方面，提供了一种基于半监督学习的用户行为模型训练方法，其包括：

将用户数据输入至在数个中间层中引入噪声数据的神经网络中，数个中间层包括第一中间层和至少一个第二中间层；获取第一中间层的第一噪声输出结果；

利用第一噪声输出结果对神经网络进行重构处理，得到至少一个第二中间层的第二重构输出结果；

将用户数据输入至神经网络中，得到至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果；

利用第二输出结果与第二重构输出结果之间的损失，以及第一输出结果与第一噪声输出结果之间的损失，对神经网络进行训练。

可选地，针对具有标注结果的用户数据，方法还包括：通过将用户数据输入至神经网络中，得到神经网络的输出层的输出结果；利用输出层的输出结果与标注结果之间的损失，对神经网络进行训练。

可选地，第一中间层为神经网络的瓶颈层。

可选地，至少一个第二中间层为彼此相邻的第二中间层和/或彼此间具有层间隔的第二中间层。

可选地，用户数据包括无标注结果的用户数据和具有标注结果的用户数据；无标注结果的用户数据为未放款用户数据；具有标注结果的用户数据为放款且不逾期用户数据和/或放款且逾期用户数据。

根据本发明的另一方面，提供了一种预测方法，其包括：

将未放款用户数据输入至利用上述基于半监督学习的用户行为模型训练方法得到的神经网络中，得到预测结果；预测结果为不逾期或逾期。

根据本发明的另一方面，提供了一种基于半监督学习的用户行为模型训练装置，其包括：

噪声输出模块，适于将用户数据输入至在数个中间层中引入噪声数据的神经网络中，数个中间层包括第一中间层和至少一个第二中间层；获取第一中间层的第一噪声输出结果；

噪声重构模块，适于利用第一噪声输出结果对神经网络进行重构处理，得到至少一个第二中间层的第二重构输出结果；

输出模块，适于将用户数据输入至神经网络中，得到至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果；

第一训练模块，适于利用第二输出结果与第二重构输出结果之间的损失，以及第一输出结果与第一噪声输出结果之间的损失，对神经网络进行训练。

可选地，针对具有标注结果的用户数据，装置还包括：

第二训练模块，适于通过将用户数据输入至神经网络中，得到神经网络的输出层的输出结果；利用输出层的输出结果与标注结果之间的损失，对神经网络进行训练。

可选地，第一中间层为神经网络的瓶颈层。

可选地，至少一个第二中间层为彼此相邻的第二中间层和/或彼此间具有层间隔的第二中间层。

可选地，用户数据包括无标注结果的用户数据和具有标注结果的用户数据；无标注结果的用户数据为未放款用户数据；具有标注结果的用户数据为放款且不逾期用户数据和/或放款且逾期用户数据。

根据本发明的另一方面，提供了一种预测装置，适于将未放款用户数据输入至利用上述基于半监督学习的用户行为模型训练装置得到的神经网络中，得到预测结果；预测结果为不逾期或逾期。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；

存储器用于存放至少一可执行指令，可执行指令使处理器执行上述基于半监督学习的用户行为模型训练方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述基于半监督学习的用户行为模型训练方法对应的操作。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；

存储器用于存放至少一可执行指令，可执行指令使处理器执行上述预测方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述预测方法对应的操作。

根据本发明提供的基于半监督学习的用户行为模型训练方法及装置，将用户数据输入至在数个中间层中引入噪声数据的神经网络中，数个中间层包括第一中间层和至少一个第二中间层；获取第一中间层的第一噪声输出结果；利用第一噪声输出结果对神经网络进行重构处理，得到至少一个第二中间层的第二重构输出结果；将用户数据输入至神经网络中，得到至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果；利用第二输出结果与第二重构输出结果之间的损失，以及第一输出结果与第一噪声输出结果之间的损失，对神经网络进行训练。本发明构建了双向的网络结构，在神经网络中引入噪声数据，利用噪声输出结果对神经网络进行重构处理，得到重构输出结果。利用重构输出结果与神经网络的输出结果之间的损失，实现神经网络的训练。进一步，本发明有效的利用大量无标注的数据对神经网络进行训练，提高大量无标注数据的利用率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的基于半监督学习的用户行为模型训练方法的流程图；

图2示出了根据本发明一个实施例的基于半监督学习的用户行为模型训练装置的功能框图；

图3示出了根据本发明一个实施例的一种计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的基于半监督学习的用户行为模型训练方法的流程图。如图1所示，基于半监督学习的用户行为模型训练方法具体包括如下步骤：

步骤S101，将用户数据输入至在数个中间层中引入噪声数据的神经网络中，数个中间层包括第一中间层和至少一个第二中间层；获取第一中间层的第一噪声输出结果。

用户数据包括无标注结果的用户数据和具有标注结果的用户数据。具体的，如对于金融风控领域，可以收集到大量的无标注结果的用户数据为未放款用户数据，收集到具有标注结果的用户数据为放款且不逾期用户数据和/或放款且逾期用户数据。无标注结果的用户数据的数据量与具有标注结果的用户数据的数据量比例可能会很大，如1000：1，这种数据量的巨大差距，使得用户数据无法直接对神经网络进行训练。进一步，具有标注结果的用户数据中放款且不逾期用户数据的数据量和放款且逾期用户数据的数据量的比例可能为100:1，这两种数据的差异过大，也不符合一般神经网络对两种不同样本数据的需求比例。因此，本实施例基于以上用户数据采用基于半监督学习的用户行为模型训练方法，对神经网络进行训练。

将这些用户数据输入至神经网络中，其中，在神经网络的数个中间层中均引入了噪声数据，以便对各个中间层得到的用户数据的特征数据进行扰动。其中，数个中间层包括第一中间层和至少一个第二中间层，第一中间层为神经网络的瓶颈层(得到特征数据最少的中间层)。将用户数据输入至在数个中间层中引入噪声数据的神经网络中，获取到第一中间层的第一噪声输出结果。如神经网络的数个中间层包括5个中间层，第1-4个中间层为彼此相邻的第二中间层，第5个中间层为第一中间层。其中在5个中间层中引入噪声数据，得到第5个中间层的第一噪声输出结果。

步骤S102，利用第一噪声输出结果对神经网络进行重构处理，得到至少一个第二中间层的第二重构输出结果。

至少一个第二中间层可以为多个彼此相邻的第二中间层，或者多个彼此间具有层间隔的第二中间层。如神经网络的数个中间层包括5个中间层，第1和2个中间层为彼此相邻的第二中间层，第2和4个中间层为具有2层间隔的第二中间层。利用第一噪声输出结果对神经网络进行重构处理，重构出至少一个第二中间层的第二重构输出结果。重构时，可以得到4个彼此相邻的第二中间层的第二重构输出结果，如得到第1-4个中间层的第二重构输出结果；或者，得到多个彼此间具有层间隔的第二中间层的第二重构输出结果，如得到第2个中间层和第4个中间层的第二重构输出结果；或者得到第1个中间层、第2个中间层和第4个中间层的第二重构输出结果，即得到多个彼此相邻的第二中间层第二重构输出结果和多个彼此间具有层间隔的第二中间层的第二重构输出结果。具体得到的第二中间层的第二重构输出结果根据实施情况进行设置，此处不做限定。

步骤S103，将用户数据输入至神经网络中，得到至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果。

将用户数据输入至不引入噪声数据的神经网络中，得到对应的至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果。需要注意的是，这里的至少一个第二中间层与步骤S102中得到的第二重构输出结果对应的至少一个第二中间层需为一一对应的第二中间层。如步骤S102中得到神经网络中第2个中间层和第4个中间层的第二重构输出结果，本步骤也需要得到神经网络中第2个中间层和第4个中间层的第二输出结果。

步骤S104，利用第二输出结果与第二重构输出结果之间的损失，以及第一输出结果与第一噪声输出结果之间的损失，对神经网络进行训练。

利用第二输出结果与第二重构输出结果之间的损失，以及第一输出结果与第一噪声输出结果之间的损失，可以更新神经网络中各中间层的权重参数，使第二重构输出结果尽可能的去接近第二输出结果，第一噪声输出结果尽可能的去接近第一输出结果，以保障神经网络训练的方向正确，获取到的用户数据的特征数据可以最大程度的重构用户数据，进而方便利用获取到的特征数据对用户行为进行判定。

本实施例中基于半监督学习的用户行为模型训练方法还可以包括步骤S105和步骤S106。

步骤S105，通过将用户数据输入至神经网络中，得到神经网络的输出层的输出结果。

步骤S106，利用输出层的输出结果与标注结果之间的损失，对神经网络进行训练。

步骤S105和S106主要针对具有标注结果的用户数据，通过将用户数据输入至神经网络中，可以得到神经网络的输出层的输出结果。利用输出层的输出结果与标注结果之间的损失，可以更新神经网络中输出层的权重参数，使输出结果尽可能的去接近标注结果，从而完成对神经网络进行训练。由于步骤S101-S104已经对神经网络的各中间层进行了训练，使得神经网络能够提取到的较少维度就能够重构用户数据的特征数据，在此基础上，使用少量的具有标注结果的用户数据，就可以完成对神经网络输出层的训练，从而完成对神经网络的训练。

可选地，基于就近原则，在具有标注结果的用户数据附近的无标注结果的用户数据可以推测其也具有与其接近的具有标注结果的用户数据相同的标注结果，这些无标注结果的用户数据也可以用于对输出层的训练。但优选地，利用具有标注结果的用户数据对神经网络进行训练更加准确。

根据本发明提供的基于半监督学习的用户行为模型训练方法，将用户数据输入至在数个中间层中引入噪声数据的神经网络中，数个中间层包括第一中间层和至少一个第二中间层；获取第一中间层的第一噪声输出结果；利用第一噪声输出结果对神经网络进行重构处理，得到至少一个第二中间层的第二重构输出结果；将用户数据输入至神经网络中，得到至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果；利用第二输出结果与第二重构输出结果之间的损失，以及第一输出结果与第一噪声输出结果之间的损失，对神经网络进行训练。本发明构建了双向的网络结构，在神经网络中引入噪声数据，利用噪声输出结果对神经网络进行重构处理，得到重构输出结果。利用重构输出结果与神经网络的输出结果之间的损失，实现神经网络的训练。进一步，本发明有效的利用大量无标注的数据对神经网络进行训练，提高大量无标注数据的利用率。

本发明还提供了一种预测方法，具体的，将未放款用户数据输入至利用上述实施例中基于半监督学习的用户行为模型训练方法得到的神经网络中，可以直接得到预测结果。其中，预测结果为不逾期或逾期。即利用得到的神经网络，根据未放款用户数据可以预测，在对该未放款用户放款后，该用户为准时还款的不逾期用户，或者该用户为不准时还款的逾期用户。这样利用海量无标注用户数据(未放款用户数据)和少量具有标注结果的用户数据(放款且不逾期用户数据和/或放款且逾期用户数据)训练得到的神经网络，可以对未放款用户先进行预测，提高风控管理的安全等级。

图2示出了根据本发明一个实施例的基于半监督学习的用户行为模型训练装置的功能框图。如图2所示，基于半监督学习的用户行为模型训练装置包括如下模块：

噪声输出模块210，适于将用户数据输入至在数个中间层中引入噪声数据的神经网络中，数个中间层包括第一中间层和至少一个第二中间层；获取第一中间层的第一噪声输出结果。

用户数据包括无标注结果的用户数据和具有标注结果的用户数据。具体的，如对于金融风控领域，可以收集到大量的无标注结果的用户数据为未放款用户数据，收集到具有标注结果的用户数据为放款且不逾期用户数据和/或放款且逾期用户数据。无标注结果的用户数据的数据量与具有标注结果的用户数据的数据量比例可能会很大，如1000：1，这种数据量的巨大差距，使得用户数据无法直接对神经网络进行训练。进一步，具有标注结果的用户数据中放款且不逾期用户数据的数据量和放款且逾期用户数据的数据量的比例可能为100:1，这两种数据的差异过大，也不符合一般神经网络对两种不同样本数据的需求比例。因此，本实施例基于以上用户数据采用基于半监督学习的用户行为模型训练方法，对神经网络进行训练。

噪声输出模块210将这些用户数据输入至神经网络中，其中，在神经网络的数个中间层中均引入了噪声数据，以便对各个中间层得到的用户数据的特征数据进行扰动。其中，数个中间层包括第一中间层和至少一个第二中间层，第一中间层为神经网络的瓶颈层(得到特征数据最少的中间层)。噪声输出模块210将用户数据输入至在数个中间层中引入噪声数据的神经网络中，获取到第一中间层的第一噪声输出结果。如神经网络的数个中间层包括5个中间层，第1-4个中间层为彼此相邻的第二中间层，第5个中间层为第一中间层。其中噪声输出模块210在5个中间层中引入噪声数据，得到第5个中间层的第一噪声输出结果。

噪声重构模块220，适于利用第一噪声输出结果对神经网络进行重构处理，得到至少一个第二中间层的第二重构输出结果。

至少一个第二中间层可以为多个彼此相邻的第二中间层，或者多个彼此间具有层间隔的第二中间层。如神经网络的数个中间层包括5个中间层，第1和2个中间层为彼此相邻的第二中间层，第2和4个中间层为具有2层间隔的第二中间层。噪声重构模块220利用第一噪声输出结果对神经网络进行重构处理，重构出至少一个第二中间层的第二重构输出结果。噪声重构模块220重构时，可以得到4个彼此相邻的第二中间层的第二重构输出结果，如噪声重构模块220得到第1-4个中间层的第二重构输出结果；或者，噪声重构模块220得到多个彼此间具有层间隔的第二中间层的第二重构输出结果，如噪声重构模块220得到第2个中间层和第4个中间层的第二重构输出结果；或者噪声重构模块220得到第1个中间层、第2个中间层和第4个中间层的第二重构输出结果，即噪声重构模块220得到多个彼此相邻的第二中间层第二重构输出结果和多个彼此间具有层间隔的第二中间层的第二重构输出结果。具体噪声重构模块220得到的第二中间层的第二重构输出结果根据实施情况进行设置，此处不做限定。

输出模块230，适于将用户数据输入至神经网络中，得到至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果。

输出模块230将用户数据输入至不引入噪声数据的神经网络中，得到对应的至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果。需要注意的是，输出模块230的至少一个第二中间层与噪声重构模块220得到的第二重构输出结果对应的至少一个第二中间层需为一一对应的第二中间层。如噪声重构模块220得到神经网络中第2个中间层和第4个中间层的第二重构输出结果，输出模块230也需要得到神经网络中第2个中间层和第4个中间层的第二输出结果。

第一训练模块240，适于利用第二输出结果与第二重构输出结果之间的损失，以及第一输出结果与第一噪声输出结果之间的损失，对神经网络进行训练。

第一训练模块240利用第二输出结果与第二重构输出结果之间的损失，以及第一输出结果与第一噪声输出结果之间的损失，可以更新神经网络中各中间层的权重参数，使第二重构输出结果尽可能的去接近第二输出结果，第一噪声输出结果尽可能的去接近第一输出结果，以保障神经网络训练的方向正确，获取到的用户数据的特征数据可以最大程度的重构用户数据，进而方便利用获取到的特征数据对用户行为进行判定。

本实施例中基于半监督学习的用户行为模型训练装置还可以包括第二训练模块250。

第二训练模块250，适于通过将用户数据输入至神经网络中，得到神经网络的输出层的输出结果；利用输出层的输出结果与标注结果之间的损失，对神经网络进行训练。

第二训练模块250主要针对具有标注结果的用户数据，通过将用户数据输入至神经网络中，可以得到神经网络的输出层的输出结果。第二训练模块250利用输出层的输出结果与标注结果之间的损失，可以更新神经网络中输出层的权重参数，使输出结果尽可能的去接近标注结果，从而完成对神经网络进行训练。由于第一训练模块240已经对神经网络的各中间层进行了训练，使得神经网络能够提取到的较少维度就能够重构用户数据的特征数据，在此基础上，第二训练模块250使用少量的具有标注结果的用户数据，就可以完成对神经网络输出层的训练，从而完成对神经网络的训练。

可选地，基于就近原则，在具有标注结果的用户数据附近的无标注结果的用户数据可以推测其也具有与其接近的具有标注结果的用户数据相同的标注结果，这些无标注结果的用户数据也可以用于对输出层的训练。但优选地，第二训练模块250利用具有标注结果的用户数据对神经网络进行训练更加准确。

根据本发明提供的基于半监督学习的用户行为模型训练装置，将用户数据输入至在数个中间层中引入噪声数据的神经网络中，数个中间层包括第一中间层和至少一个第二中间层；获取第一中间层的第一噪声输出结果；利用第一噪声输出结果对神经网络进行重构处理，得到至少一个第二中间层的第二重构输出结果；将用户数据输入至神经网络中，得到至少一个第二中间层的第二输出结果以及第一中间层的第一输出结果；利用第二输出结果与第二重构输出结果之间的损失，以及第一输出结果与第一噪声输出结果之间的损失，对神经网络进行训练。本发明构建了双向的网络结构，在神经网络中引入噪声数据，利用噪声输出结果对神经网络进行重构处理，得到重构输出结果。利用重构输出结果与神经网络的输出结果之间的损失，实现神经网络的训练。进一步，本发明有效的利用大量无标注的数据对神经网络进行训练，提高大量无标注数据的利用率。

本发明还提供了一种预测装置，具体的，预测装置将未放款用户数据输入至利用上述实施例中基于半监督学习的用户行为模型训练方法得到的神经网络中，可以直接得到预测结果。其中，预测装置得到的预测结果为不逾期或逾期。即预测装置利用得到的神经网络，根据未放款用户数据可以预测，在对该未放款用户放款后，该用户为准时还款的不逾期用户，或者该用户为不准时还款的逾期用户。这样利用海量无标注用户数据(未放款用户数据)和少量具有标注结果的用户数据(放款且不逾期用户数据和/或放款且逾期用户数据)训练得到的神经网络，可以对未放款用户先进行预测，提高风控管理的安全等级。

本申请还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于半监督学习的用户行为模型训练方法。

图3示出了根据本发明一个实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图3所示，该计算设备可以包括：处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。

其中：

处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。

通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器302，用于执行程序310，具体可以执行上述基于半监督学习的用户行为模型训练方法实施例中的相关步骤。

具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。

处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序310具体可以用于使得处理器302执行上述任意方法实施例中的基于半监督学习的用户行为模型训练方法。程序310中各步骤的具体实现可以参见上述基于半监督学习的用户行为模型训练实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

本申请还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的预测方法。

本发明还提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使处理器执行上述的预测方法对应的操作。该计算设备的结构示意图与图3所示的计算设备的结构示意图相同，此处不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于半监督学习的用户行为模型训练的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种基于半监督学习的用户行为模型训练方法，其包括：

将用户数据输入至在数个中间层中引入噪声数据的神经网络中，所述数个中间层包括第一中间层和至少一个第二中间层；获取所述第一中间层的第一噪声输出结果；

利用所述第一噪声输出结果对所述神经网络进行重构处理，得到所述至少一个第二中间层的第二重构输出结果；

将所述用户数据输入至所述神经网络中，得到所述至少一个第二中间层的第二输出结果以及所述第一中间层的第一输出结果；

利用所述第二输出结果与所述第二重构输出结果之间的损失，以及所述第一输出结果与所述第一噪声输出结果之间的损失，对所述神经网络进行训练。

2.根据权利要求1所述的方法，其中，针对具有标注结果的用户数据，所述方法还包括：通过将用户数据输入至所述神经网络中，得到所述神经网络的输出层的输出结果；利用所述输出层的输出结果与所述标注结果之间的损失，对所述神经网络进行训练。

3.根据权利要求1或2所述的方法，其中，所述第一中间层为所述神经网络的瓶颈层。

4.一种预测方法，其包括：

将未放款用户数据输入至利用权利要求1-3中任一项所述的基于半监督学习的用户行为模型训练方法得到的神经网络中，得到预测结果；所述预测结果为不逾期或逾期。

5.一种基于半监督学习的用户行为模型训练装置，其包括：

噪声输出模块，适于将用户数据输入至在数个中间层中引入噪声数据的神经网络中，所述数个中间层包括第一中间层和至少一个第二中间层；获取所述第一中间层的第一噪声输出结果；

噪声重构模块，适于利用所述第一噪声输出结果对所述神经网络进行重构处理，得到所述至少一个第二中间层的第二重构输出结果；

输出模块，适于将所述用户数据输入至所述神经网络中，得到所述至少一个第二中间层的第二输出结果以及所述第一中间层的第一输出结果；

第一训练模块，适于利用所述第二输出结果与所述第二重构输出结果之间的损失，以及所述第一输出结果与所述第一噪声输出结果之间的损失，对所述神经网络进行训练。

6.一种预测装置，适于将未放款用户数据输入至利用权利要求5所述的基于半监督学习的用户行为模型训练装置得到的神经网络中，得到预测结果；所述预测结果为不逾期或逾期。

7.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-3中任一项所述的基于半监督学习的用户行为模型训练方法对应的操作。

8.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-3中任一项所述的基于半监督学习的用户行为模型训练方法对应的操作。

9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求4所述的预测方法对应的操作。

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求4所述的预测方法对应的操作。