CN110020670B - 一种模型迭代方法、装置及设备 - Google Patents

Abstract

本申请公开了一种模型迭代方法、装置和设备。方法包括：首先，基于第一样本集训练出第一模型，并测试出第一模型的黑样本拦截率；然后，在第一模型的拦截下，采集第二样本集，并使用第一模型对第二样本集中的第一黑样本进行评分；再然后，基于第一模型的黑样本拦截率和第二样本集中每个第一黑样本的评分值，生成模型修正权重，以供迭代出第二模型。由此，可通过调整模型修正权重的方式，以使第二样本集中的样本分布能尽可能的接近真实情况，进而提高迭代出的第二模型的性能。

Description

一种模型迭代方法、装置及设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种模型迭代方法、装置和设备。

背景技术

模型迭代是指随着样本数据的变化，使用新的样本数据训练出新版模型的过程。

目前的模型迭代过程中，由于上一版模型可能会失败掉一部分样本，导致新的样本集无法反应出新的样本数据的真实分布情况，进而影响新版模型的性能。

因此，需要提供一种更加可靠的模型迭代方案。

发明内容

本说明书实施例提供一种模型迭代方法，用于克服迭代出的模型性能差的问题。

本说明书实施例还提供一种模型迭代方法，包括：

确定第一模型的黑样本拦截率，所述第一模型基于第一样本集训练；

确定所述第一模型对第一黑样本的评分值，所述第一黑样本为第二样本集中的黑样本，所述第二样本集由所述第一模型拦截后生成；

基于所述黑样本拦截率和所述评分值，确定模型修正权重；

基于所述第二样本集和所述模型修正权重，迭代出第二模型。

本说明书实施例还提供一种模型迭代装置，包括：

第一确定模块，用于确定第一模型的黑样本拦截率，所述第一模型基于第一样本集训练；

第二确定模块，用于确定所述第一模型对第一黑样本的评分值，所述第一黑样本为第二样本集中的黑样本，所述第二样本集由所述第一模型拦截后生成；

第三确定模块，用于基于所述黑样本拦截率和所述评分值，确定模型修正权重；

迭代模块，用于基于所述第二样本集和所述模型修正权重，迭代出第二模型。

本说明书实施例还提供一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上述方法的步骤。

本说明书实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的方法的步骤。

本说明书实施例采用下述技术方案：

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过使用训练完成的第一模型对第二样本集中的第一黑样本进行评分，并基于各第一黑样本的评分值和第一模型的黑样本拦截率，确定模型修正权重，进而在考虑模型修正权重的基础上，迭代出第二模型。与现有技术相比，基于模型修正权重以有效确保第二样本集中的样本分布能尽可能的接近真实情况，从而迭代出高性能的第二模型。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书提供的一种应用场景的示意图；

图2为本说明书一实施例提供的一种模型迭代方法的流程示意图；

图3为本说明书一实施例提供的一种风控系统的工作原理示意图；

图4为本说明书一实施例提供的计算修正权重的原理示意图；

图5为本说明书一实施例提供的一种模型迭代装置的结构示意图；

图6为本说明书一实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

正如背景技术部分陈述的，在模型迭代过程中，由于前一版本的模型会拦截掉大量的具有某特征的黑样本，导致新产生的样本集中的黑样本减少，无法反应出最新样本的真实分布情况，进而使得训练出的新的版本的模型很容易会放过具有该类特征的黑样本，从而导致新的模型的性能变差，以及模型迭代效果变差。

其中，黑样本为属性为黑的风险样本，其可以为具有某一特征的样本，例如：被投诉的转账事件样本；也可以为综合考虑多种特征后确定评分超限的样本，例如：综合是否异地转账、收款方是否为新用户、是否被投诉等特征。

基于此，本发明提供一种模型迭代方法，通过使用训练完成的第一模型对第二样本集中的第一黑样本进行评分，并基于各第一黑样本的评分值和第一模型的黑样本拦截率，确定模型修正权重，进而在考虑模型修正权重的基础上，迭代出第二模型。与现有技术相比，基于模型修正权重以有效确保第二样本集中的样本分布能尽可能的接近真实情况，从而迭代出高性能的第二模型。

下面参见图1对本发明的应用场景进行示例性说明。

该应用场景中包括：业务处理平台101和模型迭代平台102，其中：

业务处理平台101，是指业务方使用的用于处理业务的平台，用于向模型迭代平台102提供作为样本数据的业务事件；

模型迭代平台102，是指执行模型迭代工作的平台，其可以是业务方所有的平台，也可以是第三方所有的平台，用于在迭代周期到达时，从业务处理平台101侧获取最新的业务事件以构建样本集，进而训练出一版本的模型；在下一迭代周期到达时，从业务处理平台101侧获取最新的业务事件以构建新的样本集，进而训练出下一版本的模型；以此类推，基于业务事件的变化迭代出一版版的模型。

其中，业务处理平台101可以是指接收业务请求并提供相应业务服务的服务器；模型迭代平台102可以是业务处理平台101的一部分，也可以为独立于业务处理平台101的服务器；业务事件可以示例为：转账事件、支付事件等等；迭代周期可以是指预先设定的每次模型迭代的时间间隔。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图2为本说明书一实施例提供的一种模型迭代方法的流程示意图，该方法可由图1中的模型迭代平台执行，参见图2，该方法具体可以包括如下步骤：

步骤220、确定第一模型的黑样本拦截率，所述第一模型基于第一样本集训练；

其中，黑样本拦截率是指第一模型拦截的样本集中的黑样本在该样本集中的所有黑样本中的占比。

需要说明的是，步骤220的一种实现方式可以为：

步骤S1、确定所述第一模型对第二黑样本的识别率，所述第二黑样本为测试样本集中的黑样本；具体地：

首先，确定目标第二黑样本在所述第二黑样本中的占比，所述目标第二黑样本为所述第一模型正确识别出的第二黑样本；然后，基于所述占比，确定所述第一模型对所述第二黑样本的识别率。

步骤S2、基于所述识别率，确定所述第一模型的黑样本拦截率。

对于步骤S1和步骤S2，具体可以示例为：

假设测试样本集中的黑样本数量为20，白样本数量为70，灰样本数量为10，若第一模型识别出了其中10个黑样本，则确定识别率为50％，黑样本拦截率为50％，若识别出了其中18个黑样本，则确定识别率为90％，黑样本拦截率为90％。

步骤240、确定所述第一模型对第一黑样本的评分值，所述第一黑样本为第二样本集中的黑样本，所述第二样本集由所述第一模型拦截后生成；

需要说明的是，步骤240的一种实现方式可以为：

步骤S1、确定第一黑样本的预设样本特征的量化数据；

其中，预设样本特征为针对业务事件的类型预先配置的多个维度的特征，量化数据是指对样本特征进行量化处理得到的。

步骤S2、基于所述量化数据，确定所述第一模型对所述第一黑样本的评分值。

下面以转账事件为例，对步骤S1和步骤S2进行示例性说明：

假设预设的样本特征包括：样本特征①-是否为异地转账、样本特征②-收款方是否为新用户、样本特征③-转账金额是否为敏感金额等，则分析每个转账事件的样本特征，若是异地转账，则样本特征①记为1，若收款方则为新用户，则样本特征②记为0，以此类推可得到转账事件的每个样本特征的量化数据；然后，将每个样本及其量化数据作为第一模型的输入，得到第一模型输出的评分值。

另外，为提高识别第一黑样本的效率以及模型迭代效率，本实施例进一步包括：标签配置及识别步骤；该步骤具体可以示例为：

首先，业务处理平台101采集最近时间段的业务事件，并确定各个业务事件的属性，若属性为黑，则为业务事件配置黑样本标签；若属性为白，则为业务事件配置白样本标签；若业务事件无属性，则为业务事件配置灰样本标签；然后，模型迭代平台102从业务平台101侧获取业务事件以构建第二样本集。

基于此，在模型迭代过程中，模型迭代平台102可确定第二样本集中的样本的样本标签，并基于所述于样本标签，确定所述第二样本集中的黑样本；其中，所述样本标签是指用于表征样本的类型的标签，例如：黑样本标签、白样本标签、灰样本标签。

步骤260、基于所述黑样本拦截率和所述评分值，确定模型修正权重；

需要说明的是，当前迭代周期内采集的业务事件中有一部分黑样本已经被第一模型所拦截，因此，第二样本集中的样本数据实际上是无法反映出当前业务事件的真实分布情况的。

基于此，步骤260的第一种实现方式可以为：

基于所述黑样本拦截率和每个第一黑样本的评分值，确定每个第一黑样本的修正权重；将每个第一黑样本的修正权重作为模型修正权重。具体可以示例为：

假设第一模型的黑样本拦截率90％，对第n个第一黑样本的评分值为0.6，为反映出样本真实的分布情况，可从单个第一黑样本的角度，基于预设配置规则为每个黑样本配置一修正权重。其中，预设配置规则可示例而非限定为：

Wn＝1+A*Pn

其中，Wn为第n个第一黑样本的修正权重∈(1,2)，A为黑样本拦截率∈(0,1)，Pn为第n个第一黑样本对应的评分值∈(0,1)。

以此类推，可得出每个第一黑样本的修正权重，并构建出修正权重列表{1.1、1.3、1.7…}，将该修正权重列表作为模型修正权重。

步骤260的第二种实现方式可以为：

基于于所述黑样本拦截率和每个第一黑样本的评分值，确定所述第二样本集的修正权重；将所述第二样本集的修正权重作为模型修正权重。具体可以示例为：

假设第一模型的黑样本拦截率90％，对各第一黑样本的评分值为{0.6、0.8、0.5…}，为反映出样本真实的分布情况，可从整个样本集的角度，基于预设配置规则为整个第二样本集配置一修正权重。其中，预设配置规则示例而非限定为：

W＝1+A*P

其中，W为第二样本集的修正权重∈(1,2)，A为黑样本拦截率∈(0,1)，P为第二样本集的各黑样本对应的评分值的平均值∈(0,1)。

进一步地，为提高修正权重的确定精度，进而提高模型迭代精度，本实施例还包括：灵活确定配置规则的步骤，该步骤具体可以为：

确定目标业务场景对应的权重配置规则，以供基于所述权重配置规则确定所述模型修正权重；其中，所述目标业务场景为所述第二模型应用的业务场景。

不难理解的是，对于安全性要求较高的业务场景，例如：转账、支付等业务场景，为最大程度的保证安全性，可选择安全性要求较高的权重配置规则；对于安全性要求较低的业务场景，例如：年龄，可选择安全性要求较高的权重配置规则。

步骤280、基于所述第二样本集和所述模型修正权重，迭代出第二模型。其一种实现方式可以为：

在步骤260获取的模型修正权重的基础上，以第二样本集中的样本的量化数据为输入，通过加权平均的方式，迭代出第二模型。

可见，本实施例通过使用训练完成的第一模型对第二样本集中的第一黑样本进行评分，并基于各第一黑样本的评分值和第一模型的黑样本拦截率，确定模型修正权重，进而在考虑模型修正权重的基础上，迭代出第二模型。与现有技术相比，基于模型修正权重以有效确保第二样本集中的样本分布能尽可能的接近真实情况，从而迭代出高性能的第二模型。

另外，对于上述方法实施方式，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施方式并不受所描述的动作顺序的限制，因为依据本发明实施方式，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施方式均属于优选实施方式，所涉及的动作并不一定是本发明实施方式所必须的。

图3为本说明书一实施例提供的一种风控系统的工作原理示意图，图1中模型迭代平台102作为风控系统的一部分，下面参见图3对风控系统进行展开说明：

步骤302、风控系统根据上一版本的模型和规则，判断该业务事件的风险值是否超标；

若是，则失败掉该业务事件；否则允许完成该业务事件。

例如：对于一笔交易而言，若风控系统从多个维度判断该交易的风险值大于预定风险阈值，则交易失败；否则，允许完成这笔交易。

基于此，不难获知的是，由于失败掉了部分风险超标的业务事件，将导致无法确定当前发生的业务事件的真实分布情况，进而使得样本失真。

步骤304、当触发模型迭代时，风控系统采集业务事件，以生成新的样本集；

其中，模型迭代触发条件可以为到达预设的迭代周期，也可以为发生异常事件；样本集中的样本可以为一件件的业务事件，而且业务事件上还可以配置有对应的标签，以表明业务事件的样本类型，例如：对于一笔交易事件，若是欺诈性的交易，则用户可打上欺诈的标签，以表示该交易事件为黑样本。

步骤306、根据上一版模型修正新的样本的权重，以使新版模型的训练样本分布尽可能的符合真实情况。具体可以示例为：

设上一版模型对各新样本的预测结果为P(0≤P≤1)，全部的样本为S(包括灰样本)，带标签样本为S1，a为调节权重的参数(a≥0)，w为新样本的修正权重，real为黑样本标签real∈(0，1)，则新模型的训练样本权重为：

w＝1+a*p

参见图4，为求解a，需要对现有带黑样本标签的样本权重进行调节，使得新样本集中带黑样本标签样本的案件率与上个模型预测的保持一致，具体如下：

步骤308、基于各个新样本的修正权重，迭代出新的模型，以供风控系统基于新的模型对业务事件进行风控评估。

可见，本实施例通过利用上个模型的预测结果来修正新样本的权重，以克服新模型变量分布受上个模型干扰所带来的分布失真问题，以确保模型迭代精度；而且，权重修正原则与样本真实标签无关，能有效防止数据标签的穿越和噪声的引入。

图5为本说明书一实施例提供的一种模型迭代装置的结构示意图，参见图5，该装置具体可以包括：第一确定模块51、第二确定模块52、第三确定模块53以及迭代模块54，其中：

第一确定模块51，用于确定第一模型的黑样本拦截率，所述第一模型基于第一样本集训练；

第二确定模块52，用于确定所述第一模型对第一黑样本的评分值，所述第一黑样本为第二样本集中的黑样本，所述第二样本集由所述第一模型拦截后生成；

第三确定模块53，用于基于所述黑样本拦截率和所述评分值，确定模型修正权重；

迭代模块54，用于基于所述第二样本集和所述模型修正权重，迭代出第二模型。

可选的，第一确定模块51，具体用于：

确定所述第一模型对第二黑样本的识别率；基于所述识别率，确定所述第一模型的黑样本拦截率；其中，所述第二黑样本为测试样本集中的黑样本。

可选的，第一确定模块51，具体用于：

确定目标第二黑样本在所述第二黑样本中的占比，所述目标第二黑样本为所述第一模型正确识别出的第二黑样本；基于所述占比，确定所述第一模型对所述第二黑样本的识别率。

可选的，第二确定模块52，具体用于：

确定第一黑样本的预设样本特征的量化数据；基于所述量化数据，确定所述第一模型对所述第一黑样本的评分值。

可选的，装置还包括：

第四确定模块，用于确定所述第二样本集中的样本的样本标签；基于所述于样本标签，确定所述第二样本集中的黑样本；其中，所述样本标签用于表征样本的类型。

可选的，第三确定模块53，具体用于：

基于所述黑样本拦截率和每个第一黑样本的评分值，确定每个第一黑样本的修正权重；将每个第一黑样本的修正权重作为模型修正权重。

可选的，第三确定模块53，具体用于：

基于于所述黑样本拦截率和每个第一黑样本的评分值，确定所述第二样本集的修正权重；将所述第二样本集的修正权重作为模型修正权重。

可选的，装置还包括：

第五确定模块，用于确定目标业务场景对应的权重配置规则，以供基于所述权重配置规则确定所述模型修正权重；其中，所述目标业务场景为所述第二模型应用的业务场景。

可见，本实施例通过使用训练完成的第一模型对第二样本集中的第一黑样本进行评分，并基于各第一黑样本的评分值和第一模型的黑样本拦截率，确定模型修正权重，进而在考虑模型修正权重的基础上，迭代出第二模型。与现有技术相比，基于模型修正权重以有效确保第二样本集中的样本分布能尽可能的接近真实情况，从而迭代出高性能的第二模型。

另外，对于上述装置实施方式而言，由于其与方法实施方式基本相似，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。应当注意的是，在本发明的装置的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本发明不受限于此，可以根据需要对各个部件进行重新划分或者组合。

图6为本说明书一实施例提供的一种电子设备的结构示意图，参见图6，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，在逻辑层面上形成模型迭代装置。当然，除了软件实现方式之外，本申请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。

网络接口、处理器和存储器可以通过总线系统相互连接。总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器可能包含高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器。

处理器，用于执行所述存储器存放的程序，并具体执行：

确定第一模型的黑样本拦截率，所述第一模型基于第一样本集训练；

确定所述第一模型对第一黑样本的评分值，所述第一黑样本为第二样本集中的黑样本，所述第二样本集由所述第一模型拦截后生成；

基于所述黑样本拦截率和所述评分值，确定模型修正权重；

基于所述第二样本集和所述模型修正权重，迭代出第二模型。

上述如本申请图5所示实施例揭示的模型迭代装置或管理者(Master)节点执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

模型迭代装置还可执行图2-4的方法，并实现管理者节点执行的方法。

基于相同的发明创造，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行图2-4对应的实施例提供的模型迭代控制方法。

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，对于系统实施例而言，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。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、设备(系统)、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，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。

以上所述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 (11)

1.一种模型迭代方法，其特征在于，应用于风控系统，包括：

确定所述风控系统的第一模型的黑样本拦截率，所述第一模型基于第一样本集训练，所述第一样本集中的样本包括风控业务事件的多个维度特征，所述黑样本表征对应的业务事件为欺诈性的事件，所述黑样本拦截率基于所述第一模型对第二黑样本的识别率确定，所述第二黑样本为测试样本集中的黑样本；

确定所述第一模型对第一黑样本的评分值，所述第一黑样本为第二样本集中的黑样本，所述第二样本集是所述第一模型对业务事件拦截后生成的新的样本集，所述评分值基于所述第一黑样本的预设样本特征的量化数据确定；

基于所述黑样本拦截率和所述评分值，确定模型修正权重；

基于所述第二样本集和所述模型修正权重，迭代出所述风控系统的第二模型。

2.根据权利要求1所述的方法，其特征在于，所述确定第一模型的黑样本拦截率，包括：

确定所述第一模型对第二黑样本的识别率；

基于所述识别率，确定所述第一模型的黑样本拦截率。

3.根据权利要求2所述的方法，其特征在于，所述确定所述第一模型对第二黑样本的识别率，包括：

确定目标第二黑样本在所述第二黑样本中的占比，所述目标第二黑样本为所述第一模型正确识别出的第二黑样本；

基于所述占比，确定所述第一模型对所述第二黑样本的识别率。

4.根据权利要求1所述的方法，其特征在于，所述确定所述第一模型对第一黑样本的评分值，包括：

确定第一黑样本的预设样本特征的量化数据；

基于所述量化数据，确定所述第一模型对所述第一黑样本的评分值。

5.根据权利要求1所述的方法，其特征在于，还包括：

确定所述第二样本集中的样本的样本标签；

基于所述样本标签，确定所述第二样本集中的黑样本；

其中，所述样本标签用于表征样本的类型。

6.根据权利要求1所述的方法，其特征在于，所述基于所述黑样本拦截率和所述评分值，确定模型修正权重，包括：

基于所述黑样本拦截率和每个第一黑样本的评分值，确定每个第一黑样本的修正权重；

将每个第一黑样本的修正权重作为模型修正权重。

7.根据权利要求1所述的方法，其特征在于，所述基于所述黑样本拦截率和所述评分值，确定模型修正权重，包括：

基于于所述黑样本拦截率和每个第一黑样本的评分值，确定所述第二样本集的修正权重；

将所述第二样本集的修正权重作为模型修正权重。

8.根据权利要求1所述的方法，其特征在于，在基于所述黑样本拦截率和所述评分值，确定模型修正权重之前，还包括：

确定目标业务场景对应的权重配置规则，以供基于所述权重配置规则确定所述模型修正权重；

其中，所述目标业务场景为所述第二模型应用的业务场景。

9.一种模型迭代装置，其特征在于，应用于风控系统，包括：

第一确定模块，用于确定所述风控系统的第一模型的黑样本拦截率，所述第一模型基于第一样本集训练，所述第一样本集中的样本包括风控业务事件的多个维度特征，所述黑样本表征对应的业务事件为欺诈性的事件，所述黑样本拦截率基于所述第一模型对第二黑样本的识别率确定，所述第二黑样本为测试样本集中的黑样本；

第二确定模块，用于确定所述第一模型对第一黑样本的评分值，所述第一黑样本为第二样本集中的黑样本，所述第二样本集是所述第一模型对业务事件拦截后生成的新的样本集，所述评分值基于所述第一黑样本的预设样本特征的量化数据确定；

第三确定模块，用于基于所述黑样本拦截率和所述评分值，确定模型修正权重；

迭代模块，用于基于所述第二样本集和所述模型修正权重，迭代出所述风控系统的第二模型。

10.一种电子设备，其特征在于，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1至8中任一项所述方法的步骤。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的方法的步骤。