CN111047429A - 一种概率预测方法及装置 - Google Patents

一种概率预测方法及装置 Download PDF

Info

Publication number
CN111047429A
CN111047429A CN201911237089.2A CN201911237089A CN111047429A CN 111047429 A CN111047429 A CN 111047429A CN 201911237089 A CN201911237089 A CN 201911237089A CN 111047429 A CN111047429 A CN 111047429A
Authority
CN
China
Prior art keywords
preset
probability
sample
data
overdue
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
CN201911237089.2A
Other languages
English (en)
Inventor
孙晓菲
赵琪
郭延祥
姚明
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.)
Ccx Credit Technology Co ltd
Original Assignee
Ccx Credit 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 Ccx Credit Technology Co ltd filed Critical Ccx Credit Technology Co ltd
Priority to CN201911237089.2A priority Critical patent/CN111047429A/zh
Publication of CN111047429A publication Critical patent/CN111047429A/zh
Pending legal-status Critical Current

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请实施例提供了一种概率预测方法及装置，涉及计算机技术领域，所述方法包括：电子设备可以获取贷款用户的用户行为数据以及用户静态数据；利用注意力机制提取用户行为数据中的时序性行为特征；将时序性行为特征输入至预设分类模型，预测得到第一逾期概率；根据第一逾期概率，确定贷款用户的逾期还款的目标概率，基于本方案，电子设备可以根据贷款用户的用户行为数据中的时序性行为特征，利用预设分类模型预测得到贷款用户的逾期还款概率，提高了贷款用户的逾期还款概率预测的准确率。

Description

一种概率预测方法及装置
技术领域
本申请涉及计算机技术领域，特别是涉及一种概率预测方法及装置。
背景技术
当今，很多金融机构在做贷款用户的行为评分卡时，大多时候只是单纯的用到贷款用户的静态数据或者是贷款用户的非时序性行为数据，去预测该贷款用户的逾期还款概率。
然而，对单个贷款用户来说，单纯使用其静态数据或者是其非时序性行为数据，来做逾期还款概率预测时，无法精确捕捉客户行为的变化点，故很多时候对贷款用户的逾期还款概率的预测就会不够准确，这就在一定程度上，降低了贷款用户的逾期还款概率预测的准确率。
发明内容
本申请实施例的目的在于提供一种概率预测方法及装置，以提高贷款用户的逾期还款概率预测的准确率。具体技术方案如下：
第一方面，为了达到上述目的，本申请实施例公开了一种概率预测方法，所述方法包括如下步骤：
获取贷款用户的用户行为数据；
利用注意力机制提取所述用户行为数据中的时序性行为特征；
将所述时序性行为特征输入至预设分类模型，预测得到第一逾期概率；其中，所述预设分类模型是基于第一预设训练集训练得到的模型，所述第一预设训练集包括多个样本时序性行为特征以及第一样本逾期概率；
根据所述第一逾期概率，确定所述贷款用户的逾期还款的目标概率。
可选的，所述利用注意力机制提取所述用户行为数据中的时序性行为特征，包括：
利用预设长短期记忆(英文：Long Short-Term Memory，简称：LSTM)网络对所述用户行为数据进行编码处理，得到编码处理后的用户行为数据；其中，所述预设LSTM网络是基于第二预设训练集训练得到的网络，所述第二预设训练集包括多个样本用户行为数据和每一样本用户行为数据对应的样本编码数据；
利用注意力机制提取编码处理后的用户行为数据中的时序性行为特征。
可选的，所述预设LSTM网络采用以下步骤训练得到：
获取第二预设训练集，所述第二预设训练集包括多个样本用户行为数据和每一样本用户行为数据的样本编码数据；
利用所述预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据；
根据所述每一样本用户行为数据的目标编码数据和样本编码数据，确定数据编码的第二损失值；
根据所述第二损失值，确定所述预设LSTM网络是否收敛；
若否，则调整所述预设LSTM网络的参数，返回执行利用所述预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据的步骤；
若是，则结束所述预设LSTM网络的训练。
可选的，所述根据所述第一逾期概率，确定所述贷款用户的逾期还款的目标概率包括：
提取用户静态数据中的静态特征；
将所述第一逾期概率和所述静态特征输入至所述预设分类模型，预测得到第二逾期概率；
将所述第二逾期概率作为所述贷款用户的逾期还款的目标概率。
可选的，所述预设分类模型可以采用以下步骤训练得到：
获取第一预设训练集，所述第一预设训练集包括多个样本时序性行为特征以及第一样本逾期概率；
将所述多个样本时序性行为特征输入至所述预设分类模型，得到第一预测逾期概率；
根据所述第一预测逾期概率和所述第一样本逾期概率，确定概率预测的第一损失值；
根据所述第一损失值，确定所述预设分类模型是否收敛；
若否，则调整所述预设分类模型的参数，返回执行将所述多个样本时序性行为特征输入至所述预设分类模型，得到第一预测逾期概率的步骤；
若是，则结束所述预设分类模型的训练。
第二方面，为了达到上述目的，本申请实施例公开了一种概率预测装置，所述装置包括：
获取模块，用于获取贷款用户的用户行为数据；
提取模块，用于利用注意力机制提取所述用户行为数据中的时序性行为特征；
预测模块，用于将所述时序性行为特征输入至预设分类模型，预测得到第一逾期概率；其中，所述预设分类模型是基于第一预设训练集训练得到的模型，所述第一预设训练集包括多个样本时序性行为特征以及第一样本逾期概率；
确定模块，用于根据所述第一逾期概率，确定所述贷款用户的逾期还款的目标概率。
可选的，所述第一提取模块具体用于：
利用预设LSTM网络对所述用户行为数据进行编码处理，得到编码处理后的用户行为数据；其中，所述预设LSTM网络是基于第二预设训练集训练得到的网络，所述第二预设训练集包括多个样本用户行为数据和每一样本用户行为数据对应的样本编码数据；
利用注意力机制提取编码处理后的用户行为数据中的时序性行为特征。
可选的，所述装置还包括：
第一训练模块，用于训练得到所述预设LSTM网络；
所述第一训练模块，具体用于：
获取第二预设训练集，所述第二预设训练集包括多个样本用户行为数据和每一样本用户行为数据的样本编码数据；
利用所述预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据；
根据所述每一样本用户行为数据的目标编码数据和样本编码数据，确定数据编码的第二损失值；
根据所述第二损失值，确定所述预设LSTM网络是否收敛；
若否，则调整所述预设LSTM网络的参数，返回执行利用所述预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据的步骤；
若是，则结束所述预设LSTM网络的训练。
可选的，所述确定模块，具体用于：
提取用户静态数据中的静态特征；
将所述第一预测概率和所述静态特征输入至所述预设分类模型，预测得到第二逾期概率；
将所述第二逾期概率作为贷款用户的逾期还款的目标概率。
可选的，所述装置还包括：
第二训练模块，用于训练所述预设分类模型；
所述第二训练模块，具体用于：
获取第一预设训练集，所述第一预设训练集包括多个样本时序性行为特征以及样本逾期概率；
将所述多个样本时序性行为特征输入至所述预设分类模型，得到第一预测逾期概率；
根据所述第一预测逾期概率和所述第一样本逾期概率，确定概率预测的第一损失值；
根据所述第一损失值，确定所述预设分类模型是否收敛；
若否，则调整所述预设分类模型的参数，返回执行将所述多个样本时序性行为特征输入至所述预设分类模型，得到第一预测逾期概率的步骤；
若是，则结束所述预设分类模型的训练。
第三方面，为了达到上述目的，本申请实施例公开了提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面所述的方法步骤。
第四方面，为了达到上述目的，本申请实施例公开了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内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法步骤。
第五方面，为了达到上述目的，本申请实施例公开了提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的方法。
本申请实施例提供的一种概率预测方法及装置中，电子设备可以获取贷款用户的用户行为数据；利用注意力机制提取用户行为数据中的时序性行为特征；将时序性行为特征输入至预设分类模型，预测得到第一逾期概率；根据第一逾期概率，确定贷款用户的逾期还款的目标概率。基于本方案，电子设备利用了贷款用户的用户行为数据中的时序性行为特征，利用预先训练得到的分类模型，预测得到贷款用户的逾期概率，即逾期还款概率，提高了贷款用户的逾期还款概率预测的准确率。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种概率预测方法的流程图；
图2为本申请实施例提供的一种注意力机制提取特征的示意图；
图3为本申请实施例提供的一种预设分类模型训练的流程图；
图4为本申请实施例提供的一种概率预测方法的另一种流程图；
图5为本申请实施例提供的另一种预设分类模型训练的流程图；
图6为本申请实施例提供的一种预设LSTM网络训练的流程图；
图7为本申请实施例提供的一种用户行为数据的示意图；
图8为本申请实施例提供的一种目标编码数据的示意图；
图9为本申请实施例提供的一种时序性行为特征的示意图；
图10为本申请实施例提供的一种概率预测装置的结构示意图；
图11为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。
下面将结合具体实施方式，对本申请实施例提供的一种概率预测的方法进行详细的说明，如图1所示，具体步骤如下：
步骤101，获取贷款用户的用户行为数据。
本申请实施例中，电子设备可以获取贷款用户的用户行为数据，其中，上述用户行为数据可以为某一时间段中贷款用户的消费数据、还款数据等行为数据。
步骤102，利用注意力机制提取用户行为数据中的时序性行为特征。
本申请实施例中，电子设备可以在获取到贷款用户的用户行为数据之后，利用注意力机制提取该用户行为数据中的时序性行为特征。其中，上述时序性行为特征可以为按照时间顺序提取的贷款用户的行为特征，例如，在t时刻对应的贷款用户的消费、还款等行为特征，在t+1时刻对应的贷款用户的消费、还款等行为特征等等。
在一个实施例中，利用注意力机制提取时序性行为特征过程可以包括：提取不同时刻用户行为数据的行为特征向量，按照距离当前时刻的远近，设置不同时刻行为特征向量的权重系数，距离当前时刻的远，行为特征向量的权重系数越小，距离当前时刻的近，行为特征向量的权重系数越大；选择权重系数大于预设阈值的行为特征向量，之后，利用归一化函数(如softmax)对所选择的行为特征向量的权重系数进行归一化处理；基于归一化后的权重系数，对所选择的行为特征向量进行加权计算，得到时序性行为特征。
下面结合图2进行说明，如图2所示：图中h1，h2，…，ht可以表示为不同时刻的输入向量；a11，a12，…，ak1，akt可以表示为不同输入向量对应的权重系数；s1，s2，…，sk可以表示为由多个不同的输入向量，按照不同输入向量对应的权重系数加权之后得到的背景向量；
Figure BDA0002305172140000071
可以表示为矩阵或者向量的相加运算。根据预先设置的权重系数阈值，将背景向量中的权重系数大于预设阈值的输入向量通过全连接层，利用归一化函数(如softmax)进行归一化处理，使其权重系数的和相加之后等于1，接下来按照归一化后的权重系数相加，得到新的背景向量，作为输出，即为利用注意力机制提取之后的时序性行为特征。
例如，一个背景向量si＝0.6h1+0.25h2+0.001h3+…+0.000002ht，此时，我们设置的权重系数阈值为0.2，则将h1和h2作为输入向量，通过全连接层，利用softmax函数对其进行归一化处理，将权重系数0.6和0.25变为新的权重系数0.7和0.3，此时新的背景向量st＝0.7h1+0.3h2，将新的背景向量作为输出，即st为利用注意力机制提取之后的时序性行为特征。
本申请实施例中，利用注意力机制提取用户行为数据中的时序性行为特征，可以更加准确的获取用户行为数据中的时序性行为特征，提高了概率预测的准确性。
在一个实施例中，电子设备可以利用预设LSTM网络对上述获取到的贷款用户的用户行为数据，进行编码处理，得到编码处理后的用户行为数据，之后，电子设备可以利用注意力机制提取该编码处理后的用户行为数据中的时序性行为特征，其中，上述预设LSTM网络是基于第二预设训练集训练得到的网络，该第二预设集可以包括多个样本用户行为数据以及每一样本用户行为数据对应的样本编码数据。预设LSTM网络的训练下面会进行详细描述，此处不再展开说明。
步骤103，将时序性行为特征输入至预设分类模型，预测得到第一逾期概率；其中，该预设分类模型是基于第一预设训练集训练得到的模型，该第一预设训练集可以包括多个样本时序性行为特征以及第一样本逾期概率。本申请实施例中，预设分类模型可以为循环神经网络(英文：Recurrent Neural Network，简称：RNN)、逻辑回归(英文：LogisticsRegression，简称：LR)分类模型等分类模型。
电子设备在提取用户行为数据中的时序性行为特征之后，可以将该时序性行为特征输入至预设分类模型，预测得到第一逾期概率。
步骤104，根据第一逾期概率，确定贷款用户的逾期还款的目标概率。
本申请实施例中，电子设备在利用预设分类模型预测得到第一逾期概率之后，电子设备可以根据该第一逾期概率，确定贷款用户的逾期还款的目标概率。
本申请实施例提供的一种概率预测方法中，电子设备利用了贷款用户的用户行为数据中的时序性行为特征，利用预先训练得到的分类模型，预测得到贷款用户的逾期概率，即逾期还款概率，提高了贷款用户的逾期还款概率预测的准确率。
在本申请的一个实施例中，如图3所示，上述预设分类模型可以采用以下步骤训练得到：
步骤301、获取第一预设训练集，该第一预设训练集包括多个样本时序性行为特征以及第一样本逾期概率。
本申请实施例中，电子设备在训练得到预设分类模型时，可以先获取第一预设训练集。为了保证训练得到的预设分类模型能够准确地预测逾期概率，第一预设训练集包括的样本时序性行为特征越多越好。
步骤302、将多个样本时序性行为特征输入至预设分类模型，得到第一预测逾期概率。
本申请实施例中，针对每一样本时序性行为特征，电子设备将该时序性行为特征输入至预设分类模型，得到该时序性行为特征所代表的贷款用户的第一预测逾期概率。
步骤303、根据多个时序性行为特征所代表的贷款用户的第一预测逾期概率和第一样本逾期概率，确定概率预测的第一损失值。
一个实施例中，针对每一时序性行为特征所代表的贷款用户，电子设备计算该时序性行为特征所代表的贷款用户的第一预测逾期概率和第一样本逾期概率之间的差值。若差值小于预设差值阈值，则确定该时序性行为特征所代表的贷款用户的概率预测结果正确。否则确定该时序性行为特征所代表的贷款用户的概率预测结果错误。电子设备基于每一时序性行为特征所代表的贷款用户每一时序性行为特征所代表的贷款用户的概率预测结果，统计概率预测的正确率和错误率。
电子设备可以将概率预测的正确率或错误率作为概率预测的第一损失值。
步骤304、根据第一损失值，确定预设分类模型是否收敛。若否，则执行步骤305。若是，则执行步骤306。
一个实施例中，概率预测的正确率为概率预测的第一损失值。若第一损失值大于预设正确率阈值，则电子设备确定预设分类模型收敛，否则确定预设分类模型未收敛。
另一个实施例中，概率预测的错误率为概率预测的第一损失值。若第一损失值小于预设错误率阈值，则电子设备确定预设分类模型收敛，否则确定预设分类模型未收敛。
步骤305、调整预设分类模型的参数，返回执行步骤302。
若确定预设分类模型未收敛，则电子设备调整预设分类模型的参数，重新执行步骤302，将多个样本时序性行为特征输入至预设分类模型，得到第一预测逾期概率，继续训练预设分类模型。
步骤306、结束预设分类模型的训练。
采用上述步骤301-306训练得到预设分类模型，利用预设分类模型可以准确地预测得到贷款用户还款的逾期概率。
在一个实施例中，电子设备在利用分类模型预测得到第一逾期概率之后，可以将第一逾期概率和静态特征输入至预设分类模型当中，预测得到第二逾期概率，并将该第二逾期概率作为贷款用户的逾期还款的目标概率。具体的参考图4，图4为本申请实施例提供的一种概率预测方法的另一种流程图，包括以下方法步骤：
步骤401、获取贷款用户的用户行为数据。步骤401与步骤101一致。
步骤402、利用注意力机制提取用户行为数据中的时序性行为特征。步骤402与步骤102一致。
步骤403、将时序性行为特征输入至预设分类模型，预测得到第一逾期概率。步骤403与步骤103一致。
步骤404、提取用户静态数据的静态特征。
本申请实施例中，电子设备可以在获取到用户静态数据之后，提取用户静态数据中的静态特征。其中，静态特征可以为贷款用户的身份信息、申请信息等静态基础类数据。
步骤405、将第一逾期概率和静态特征输入至预设分类模型，预测得到第二逾期概率。
本申请实施例中，电子设备在利用分类模型预测得到第一逾期概率之后，还可以将第一逾期概率作为一个特征和静态特征输入至预设分类模型当中，预测得到第二逾期概率，提高了概率预测的准确性。
步骤406、将第二逾期概率作为贷款用户的逾期还款的目标概率。
本申请实施例中，在预测得到贷款用户的逾期还款的第一逾期概率后，以预测得到第一逾期概率作为监督，进一步预测得到贷款用户的逾期还款的目标概率。以更多的特征预测贷款用户的逾期还款的目标概率，进一步提高了贷款用户的逾期还款概率预测的准确率。
在本申请的一个实施例中，如图5所示，又提供了一种预设分类模型的训练方法，具体包括以下步骤：
步骤501、获取第三预设训练集，该第三预设训练集包括多个第一样本逾期概率、样本静态特征以及第二样本逾期概率。
本申请实施例中，电子设备在训练得到预设分类模型时，可以先获取第三预设训练集。为了保证训练得到的预设分类模型能够更准确地预测第二样本逾期概率，第一预设训练集包括的第一样本逾期概率越多越好。
步骤502、将多个第一样本逾期概率和静态特征输入至预设分类模型，得到第二预测逾期概率。
本申请实施例中，针对每一第一样本逾期概率和静态特征，电子设备可以将该第一样本逾期概率和静态特征输入至预设分类模型，预测得到第二预测逾期概率。
步骤503、根据第二预测逾期概率和第二样本逾期概率，确定概率预测的第三损失值。
一个实施例中，针对每一第一样本逾期概率所代表的贷款用户，电子设备计算该贷款用户的第二预测逾期概率和第二样本逾期概率的差值。若差值小于预设差值阈值，则确定该贷款用户的概率预测结果正确。否则确定该贷款用户的概率预测结果错误。电子设备基于每一贷款用户的第二逾期概率的预测结果，统计概率预测的正确率和错误率。
电子设备可以将概率预测的正确率或错误率作为概率预测的第三损失值。
步骤504、根据第三损失值，确定预设分类模型是否收敛。若否，执行步骤505。若是，则执行步骤506。
一个实施例中，概率预测的正确率为概率预测的第三损失值。若第三损失值大于预设正确率阈值，则电子设备确定预设分类模型收敛，否则确定预设分类模型未收敛。
另一个实施例中，概率预测的错误率为概率预测的第三损失值。若第三损失值小于预设错误率阈值，则电子设备确定预设分类模型收敛，否则确定预设分类模型未收敛。
步骤505、调整预设分类模型的参数，返回执行步骤502。
若确定预设分类模型未收敛，则电子设备调整预设分类模型的参数，重新执行步骤502，将多个第一样本逾期概率和静态特征输入至预设分类模型，得到第二预测逾期概率，继续训练预设分类模型。
步骤506、结束预设分类模型的训练。
采用上述步骤501-506训练得到预设分类模型，利用预设分类模型可以准确地预测得到贷款用户还款的逾期概率。
本申请实施例中，电子设备利用了贷款用户的用户行为数据中的时序性行为特征，利用预先训练得到的分类模型预测，预测得到贷款用户的第一逾期概率，之后又结合第一逾期概率和用户静态数据中的静态特征，利用预先训练得到的分类模型预测，预测得到第二逾期概率，即逾期还款的目标概率，提高了贷款用户的逾期还款的目标概率预测的准确率。
在本申请的一个实施例中，如图6所示，上述预设LSTM网络可以采用以下方式训练得到：
步骤601、获取第二预设训练集，该第二预设训练集包括多个样本用户行为数据和每一样本用户行为数据对应的样本编码数据。
本申请实施例中，电子设备在训练上述预设LSTM网络时，可以预先获取第二预设训练集。为了保证训练得到的预设分类模型能够准确地预测逾期概率，第一预设训练集包括的样本时序性行为特征越多越好。
步骤602、利用预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据。
本申请实施例中，电子设备在获取到第二预设训练集之后，可以利用预设LSTM网络对上述每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据。
步骤603、根据每一样本用户行为数据的目标编码数据和样本编码数据，确定数据编码的第二损失值。
一个实施例中，针对每一样本用户行为数据，电子设备确定该样本用户行为数据的目标编码数据和样本编码数据是否相同。若相同，则电子设备确定该样本用户行为数据的编码正确，否则确定该样本用户行为数据的编码错误。电子设备据每一样本用户行为数据的目标编码数据和样本编码数据，统计编码的正确率和错误率。电子设备可以将编码的正确率或错误率作为第二损失值。
步骤604、根据第二损失值，确定上述预设LSTM网络是否收敛。若否，则执行步骤605。若是，则执行步骤606。
一个实施例中，编码的正确率为第二损失值。若第二损失值大于预设正确率阈值，则电子设备确定预设LSTM网络收敛，否则确定预设LSTM网络未收敛。
另一个实施例中，编码的错误率为第二损失值。若第二损失值小于预设错误率阈值，则电子设备确定预设LSTM网络收敛，否则确定预设LSTM网络未收敛。
步骤605、调整预设LSTM网络的参数，返回执行步骤602。
若确定预设LSTM网络未收敛，则电子设备调整预设LSTM网络的参数，重新执行步骤602，利用预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据，继续训练预设LSTM网络。
步骤606、结束预设LSTM网络的训练。
采用上述步骤601-606训练得到预设LSTM网络，利用预设LSTM网络可以准确地对用户行为数据进行编码处理。
下面结合图7-9对利用预设LSTM网络可以准确地对用户行为数据进行编码处理，得到时序性行为特征。
电子设备获取用户行为数据，如图7所示，该用户行为数据包括，t1、t2、t3、t4以及t5这5个时刻的用户行为数据，且该用户行为数据分为x1、x2、x3、x4以及x5这5个维度的行为特征。
电子设备利用预设LSTM网络对用户行为数据进行编码处理，得到如图8所示编码处理后的用户行为数据，该编码处理后的用户行为数据包括t1、t2、t3、t4以及t5这5个时刻编码处理后的用户行为数据，且该编码处理后的用户行为数据分为s1、s2以及s3这3个维度的行为特征。通过预设LSTM网络既可降维，又可以提取序列数据间的隐性特征。
电子设备利用注意力机制，从编码处理后的用户行为数据中提取到的用户数据中的时序性行为特征，如图9所示，时序性行为特征包括t1，t3和t4这3个时刻的用户行为数据，且时序性行为特征分为f1、f2以及f3这3个维度的行为特征。通过注意力机制可筛选出重要特征。
本申请实施例提供的一种概率预测方法中，电子设备可以获取贷款用户的用户行为数据；利用注意力机制提取用户行为数据中的时序性行为特征；将时序性行为特征输入至预设分类模型，预测得到第一逾期概率；根据第一逾期概率，确定贷款用户的逾期还款的目标概率。基于本方案，电子设备利用了贷款用户的用户行为数据中的时序性行为特征，利用预先训练得到的分类模型，预测得到贷款用户的逾期概率，即逾期还款概率，提高了贷款用户的逾期还款概率预测的准确率。
基于相同的技术构思，本申请实施例还提供了一种概率预测装置，如图10所示，该装置包括：
获取模块1001，用于获取贷款用户的用户行为数据；
提取模块1002，用于利用注意力机制提取用户行为数据中的时序性行为特征；
预测模块1003，用于将时序性行为特征输入至预设分类模型，预测得到第一逾期概率；其中，预设分类模型是基于第一预设训练集训练得到的模型，第一预设训练集包括多个样本时序性行为特征以及样本逾期概率；
确定模块1004，用于根据第一逾期概率，确定贷款用户的逾期还款的目标概率。
可选的，提取模块1002具体用于：
利用预设长短期记忆LSTM网络对用户行为数据进行编码处理，得到编码处理后的用户行为数据；其中，预设LSTM网络是基于第二预设训练集训练得到的网络，第二预设训练集包括多个样本用户行为数据和每一样本用户行为数据对应的样本编码数据；
利用注意力机制提取编码处理后的用户行为数据中的时序性行为特征。
可选的，装置还包括：
第一训练模块，用于训练得到预设LSTM网络；
上述第一训练模块，具体用于：
获取第二预设训练集，第二预设训练集包括多个样本用户行为数据和每一样本用户行为数据的样本编码数据；
利用预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据；
根据每一样本用户行为数据的目标编码数据和样本编码数据，确定数据编码的第二损失值；
根据第二损失值，确定预设LSTM网络是否收敛；
若否，则调整预设LSTM网络的参数，返回执行利用预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据的步骤；
若是，则结束预设LSTM网络的训练。
可选的，确定模块1004，具体用于：
提取用户静态数据中的静态特征；
将第一逾期概率和静态特征输入至预设分类模型，预测得到第二逾期概率；
将第二逾期概率作为贷款用户的逾期还款的目标概率。
可选的，装置还包括：
第二训练模块，用于训练预设分类模型；
上述第二训练模块具体用于：
获取第一预设训练集，第一预设训练集包括多个样本时序性行为特征以及样本逾期概率；
将多个样本时序性行为特征输入至预设分类模型，得到预测逾期概率；
根据预测逾期概率和样本逾期概率，确定概率预测的第一损失值；
根据第一损失值，确定预设分类模型是否收敛；
若否，则调整预设分类模型的参数，返回执行将多个样本时序性行为特征输入至预设分类模型，得到预测逾期概率的步骤；
若是，则结束预设分类模型的训练。
本申请实施例提供的一种概率预测装置中，电子设备可以获取贷款用户的用户行为数据；利用注意力机制提取用户行为数据中的时序性行为特征；将时序性行为特征输入至预设分类模型，预测得到第一逾期概率；根据第一逾期概率，确定贷款用户的逾期还款的目标概率。基于本方案，电子设备利用了贷款用户的用户行为数据中的时序性行为特征，利用预先训练得到的分类模型，预测得到贷款用户的逾期概率，即逾期还款概率，提高了贷款用户的逾期还款概率预测的准确率。
本申请实施例还提供了一种电子设备，如图11所示，包括处理器1101、通信接口1102、存储器1103和通信总线1104，其中，处理器1101，通信接口1102，存储器1103通过通信总线1104完成相互间的通信，
存储器1103，用于存放计算机程序；
处理器1101，用于执行存储器1103上所存放的程序时，实现上述任一概率预测方法实施例中的方法步骤。
本申请实施例提供的一种电子设备中，电子设备可以获取贷款用户的用户行为数据；利用注意力机制提取用户行为数据中的时序性行为特征；将时序性行为特征输入至预设分类模型，预测得到第一逾期概率；根据第一逾期概率，确定贷款用户的逾期还款的目标概率。基于本方案，电子设备利用了贷款用户的用户行为数据中的时序性行为特征，利用预先训练得到的分类模型，预测得到贷款用户的逾期概率，即逾期还款概率，提高了贷款用户的逾期还款概率预测的准确率。
上述网络设备提到的通信总线可以是外设部件互连标准(英文：PeripheralComponent Interconnect，简称：PCI)总线或扩展工业标准结构(英文：Extended IndustryStandard Architecture，简称：EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述网络设备与其他设备之间的通信。
存储器可以包括随机存取存储器(英文：Random Access Memory，简称：RAM)，也可以包括非易失性存储器(英文：Non-Volatile Memory，简称：NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(英文：Central ProcessingUnit，简称：CPU)、网络处理器(英文：Network Processor，简称：NP)等；还可以是数字信号处理器(英文：Digital Signal Processing，简称：DSP)、专用集成电路(英文：ApplicationSpecific Integrated Circuit，简称：ASIC)、现场可编程门阵列(英文：Field-Programmable Gate Array，简称：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。
基于相同的技术构思，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内存储有计算机程序，所述计算机程序被处理器执行时实现上述概率预测方法步骤。
基于相同的技术构思，本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述概率预测方法步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，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，对于装置、电子设备、计算机可读存储介质实施例而言，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。
以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (12)

1.一种概率预测方法，其特征在于，所述方法包括：
获取贷款用户的用户行为数据；
利用注意力机制提取所述用户行为数据中的时序性行为特征；
将所述时序性行为特征输入至预设分类模型，预测得到第一逾期概率；其中，所述预设分类模型是基于第一预设训练集训练得到的模型，所述第一预设训练集包括多个样本时序性行为特征以及第一样本逾期概率；
根据所述第一逾期概率，确定所述贷款用户的逾期还款的目标概率。
2.根据权利要求1所述的方法，其特征在于，所述利用注意力机制提取所述用户行为数据中的时序性行为特征，包括：
利用预设长短期记忆LSTM网络对所述用户行为数据进行编码处理，得到编码处理后的用户行为数据；其中，所述预设LSTM网络是基于第二预设训练集训练得到的网络，所述第二预设训练集包括多个样本用户行为数据和每一样本用户行为数据对应的样本编码数据；
利用注意力机制提取编码处理后的用户行为数据中的时序性行为特征。
3.根据权利要求2所述的方法，其特征在于，所述预设LSTM网络采用以下步骤训练得到：
获取第二预设训练集，所述第二预设训练集包括多个样本用户行为数据和每一样本用户行为数据的样本编码数据；
利用所述预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据；
根据所述每一样本用户行为数据的目标编码数据和样本编码数据，确定数据编码的第二损失值；
根据所述第二损失值，确定所述预设LSTM网络是否收敛；
若否，则调整所述预设LSTM网络的参数，返回执行利用所述预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据的步骤；
若是，则结束所述预设LSTM网络的训练。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一逾期概率，确定所述贷款用户的逾期还款的目标概率的步骤，包括：
提取用户静态数据中的静态特征；
将所述第一逾期概率和所述静态特征输入至所述预设分类模型，预测得到第二逾期概率；
将所述第二逾期概率作为所述贷款用户的逾期还款的目标概率。
5.根据权利要求1所述的方法，其特征在于，所述预设分类模型可以采用以下步骤训练得到：
获取第一预设训练集，所述第一预设训练集包括多个样本时序性行为特征以及第一样本逾期概率；
将所述多个样本时序性行为特征输入至所述预设分类模型，得到第一预测逾期概率；
根据所述第一预测逾期概率和所述第一样本逾期概率，确定概率预测的第一损失值；
根据所述第一损失值，确定所述预设分类模型是否收敛；
若否，则调整所述预设分类模型的参数，返回执行将所述多个样本时序性行为特征输入至所述预设分类模型，得到第一预测逾期概率的步骤；
若是，则结束所述预设分类模型的训练。
6.一种概率预测装置，其特征在于，所述装置包括：
获取模块，用于获取贷款用户的用户行为数据；
提取模块，用于利用注意力机制提取所述用户行为数据中的时序性行为特征；
预测模块，用于将所述时序性行为特征输入至预设分类模型，预测得到第一逾期概率；其中，所述预设分类模型是基于第一预设训练集训练得到的模型，所述第一预设训练集包括多个样本时序性行为特征以及第一样本逾期概率；
确定模块，用于根据所述第一逾期概率，确定所述贷款用户的逾期还款的目标概率。
7.根据权利要求6所述的装置，其特征在于，所述第一提取模块具体用于：
利用预设长短期记忆LSTM网络对所述用户行为数据进行编码处理，得到编码处理后的用户行为数据；其中，所述预设LSTM网络是基于第二预设训练集训练得到的网络，所述第二预设训练集包括多个样本用户行为数据和每一样本用户行为数据对应的样本编码数据；
利用注意力机制提取编码处理后的用户行为数据中的时序性行为特征。
8.根据权利要求7所述的方法，其特征在于，所述装置还包括：
第一训练模块，用于训练得到所述预设LSTM网络；
所述第一训练模块，具体用于：
获取第二预设训练集，所述第二预设训练集包括多个样本用户行为数据和每一样本用户行为数据的样本编码数据；
利用所述预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据；
根据所述每一样本用户行为数据的目标编码数据和样本编码数据，确定数据编码的第二损失值；
根据所述第二损失值，确定所述预设LSTM网络是否收敛；
若否，则调整所述预设LSTM网络的参数，返回执行利用所述预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据的步骤；
若是，则结束所述预设LSTM网络的训练。
9.根据权利要求6所述的装置，其特征在于，所述确定模块具体用于：
提取用户静态数据中的静态特征；
将所述第一逾期概率和所述静态特征输入至所述预设分类模型，预测得到第二逾期概率；
将所述第二逾期概率作为所述贷款用户的逾期还款的目标概率。
10.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二训练模块，用于训练所述预设分类模型；
所述第二训练模块，具体用于：
获取第一预设训练集，所述第一预设训练集包括多个样本时序性行为特征以及第一样本逾期概率；
将所述多个样本时序性行为特征输入至所述预设分类模型，得到第一预测逾期概率；
根据所述第一预测逾期概率和所述第一样本逾期概率，确定概率预测的第一损失值；
根据所述第一损失值，确定所述预设分类模型是否收敛；
若否，则调整所述预设分类模型的参数，返回执行将所述多个样本时序性行为特征输入至所述预设分类模型，得到第一预测逾期概率的步骤；
若是，则结束所述预设分类模型的训练。
11.一种电子设备，其特征在于包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序，实现权利要求1-5任一所述的方法步骤。
12.一种计算机可读存储介质，其特征在于，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
CN201911237089.2A 2019-12-05 2019-12-05 一种概率预测方法及装置 Pending CN111047429A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911237089.2A CN111047429A (zh) 2019-12-05 2019-12-05 一种概率预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911237089.2A CN111047429A (zh) 2019-12-05 2019-12-05 一种概率预测方法及装置

Publications (1)

Publication Number Publication Date
CN111047429A true CN111047429A (zh) 2020-04-21

Family

ID=70234796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911237089.2A Pending CN111047429A (zh) 2019-12-05 2019-12-05 一种概率预测方法及装置

Country Status (1)

Country Link
CN (1) CN111047429A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738846A (zh) * 2020-07-27 2020-10-02 北京淇瑀信息科技有限公司 贷后管理策略生成方法、装置及电子设备
CN112184431A (zh) * 2020-11-09 2021-01-05 上海优扬新媒信息技术有限公司 用户风险确定方法和装置
CN113222732A (zh) * 2021-05-17 2021-08-06 中国农业银行股份有限公司 信息处理方法、装置、设备及存储介质
CN113313569A (zh) * 2021-05-18 2021-08-27 建信金融科技有限责任公司 预测还款金额的方法、装置、设备及存储介质
CN113435998A (zh) * 2021-06-23 2021-09-24 平安科技（深圳）有限公司 贷款逾期预测方法、装置、电子设备及存储介质
WO2022213211A1 (en) * 2021-04-09 2022-10-13 The Toronto-Dominion Bank Predicting product-specific events during targeted temporal intervals using trained artificial-intelligence processes
WO2022213206A1 (en) * 2021-04-08 2022-10-13 The Toronto-Dominion Bank Predicting occurrences of targeted attrition events using trained artificial-intelligence processes

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734338A (zh) * 2018-04-24 2018-11-02 阿里巴巴集团控股有限公司 基于lstm模型的信用风险预测方法及装置
CN108846520A (zh) * 2018-06-22 2018-11-20 北京京东金融科技控股有限公司 贷款逾期预测方法、装置以及计算机可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734338A (zh) * 2018-04-24 2018-11-02 阿里巴巴集团控股有限公司 基于lstm模型的信用风险预测方法及装置
CN108846520A (zh) * 2018-06-22 2018-11-20 北京京东金融科技控股有限公司 贷款逾期预测方法、装置以及计算机可读存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738846A (zh) * 2020-07-27 2020-10-02 北京淇瑀信息科技有限公司 贷后管理策略生成方法、装置及电子设备
CN112184431A (zh) * 2020-11-09 2021-01-05 上海优扬新媒信息技术有限公司 用户风险确定方法和装置
WO2022213206A1 (en) * 2021-04-08 2022-10-13 The Toronto-Dominion Bank Predicting occurrences of targeted attrition events using trained artificial-intelligence processes
WO2022213211A1 (en) * 2021-04-09 2022-10-13 The Toronto-Dominion Bank Predicting product-specific events during targeted temporal intervals using trained artificial-intelligence processes
CN113222732A (zh) * 2021-05-17 2021-08-06 中国农业银行股份有限公司 信息处理方法、装置、设备及存储介质
CN113313569A (zh) * 2021-05-18 2021-08-27 建信金融科技有限责任公司 预测还款金额的方法、装置、设备及存储介质
CN113435998A (zh) * 2021-06-23 2021-09-24 平安科技（深圳）有限公司 贷款逾期预测方法、装置、电子设备及存储介质
CN113435998B (zh) * 2021-06-23 2023-05-02 平安科技（深圳）有限公司 贷款逾期预测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111047429A (zh) 一种概率预测方法及装置
US11461847B2 (en) Applying a trained model to predict a future value using contextualized sentiment data
CN110069709B (zh) 意图识别方法、装置、计算机可读介质及电子设备
US20180253657A1 (en) Real-time credit risk management system
CN113222700B (zh) 基于会话的推荐方法及装置
CN111160959B (zh) 一种用户点击转化预估方法及装置
CN113190702B (zh) 用于生成信息的方法和装置
US20220309292A1 (en) Growing labels from semi-supervised learning
CN115098789B (zh) 基于神经网络的多维兴趣融合推荐方法、装置及相关设备
CN111667024B (zh) 内容推送方法、装置、计算机设备和存储介质
CN116822651A (zh) 基于增量学习的大模型参数微调方法、装置、设备及介质
CN113239702A (zh) 意图识别方法、装置、电子设备
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN114118570A (zh) 业务数据预测方法及装置、电子设备和存储介质
CN111932041B (zh) 基于风险识别的模型训练方法、装置和电子设备
CN115794898B (zh) 一种金融资讯推荐方法、装置、电子设备及存储介质
CN113269259B (zh) 一种目标信息的预测方法及装置
CN116308738A (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
US20210312265A1 (en) Response Generation using Memory Augmented Deep Neural Networks
CN115278757A (zh) 一种检测异常数据的方法、装置及电子设备
CN114997907A (zh) 一种预测模型的训练方法、信息推荐的方法及装置
CN114065858A (zh) 一种模型训练方法、装置、电子设备及存储介质
CN113434494A (zh) 一种数据清洗方法、系统、电子设备及存储介质
CN112784165A (zh) 关联关系预估模型的训练方法以及预估文件热度的方法

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