CN111062563A - 风险预测模型的训练方法、风险预测方法及相关装置 - Google Patents
风险预测模型的训练方法、风险预测方法及相关装置 Download PDFInfo
- Publication number
- CN111062563A CN111062563A CN201911085899.0A CN201911085899A CN111062563A CN 111062563 A CN111062563 A CN 111062563A CN 201911085899 A CN201911085899 A CN 201911085899A CN 111062563 A CN111062563 A CN 111062563A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- risk
- risk prediction
- sample data
- service scene
- 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
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
本说明书实施例提供一种风险预测模型的训练方法、风险预测方法及相关装置。训练方法包括:基于第一业务场景相对于第二业务场景的新增风险特征维度和第二业务场景的第二风险预测模型,初始化第一业务场景的第一风险预测模型,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度和新增风险特征维度,第二风险预测模型的风险特征维度在第一风险预测模型中的初始权重为第二风险预测模型的风险特征维度在第二风险预测模型中的权重。采用弱监督方式,对第一风险预测模型在第一业务场景中的目标样本数据预标注,得到目标样本数据在第一业务场景中的预估分类标签。基于目标样本数据和预估分类标签对第一风险预测模型进行训练。
Description
技术领域
本文件涉及风控技术领域,尤其涉及一种风险预测模型的训练方法、风险预测方法及相关装置。
背景技术
随着人工智能的发展,深度学习模型凭借具有机械化处理信息的能力,得到了越来越广泛的使用。目前的模型训练依赖于标注的训练数据,而标注的训练数据是已定性的数据,需要一定的时间落实、积累。举个典型例子,在借贷业务场景中,风险预测模型依赖于逾期数据进行训练。逾期数据顾名思义,是经过时间落实用户逾期行为的数据。在实际应用中,业务场景是不断变化的,风险预测模型也应迭代推新。如果仅依赖已标注的训练数据对风险预测模型进行训练,会导致模型存在滞后性,无法提供实时性的风险防范。
有鉴于此,如何能够使风险预测模型随业务场景的不断变化,提供实时性的风险防范,是当前亟待解决的技术问题。
发明内容
本说明书实施例目的是提供一种预测模型的处理方法、装置及电子设备,能够使风险预测模型能够随业务场景的不断变化,提供实时性的风险防范的技术方案。
为了实现上述目的,本说明书实施例是这样实现的:
第一方面,提供一种风险预测模型的训练方法,包括:
基于第一业务场景相对于第二业务场景的新增风险特征维度,以及第二业务场景的第二风险预测模型,初始化第一业务场景的第一风险预测模型,其中,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度以及所述新增风险特征维度,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重;
采用弱监督方式,对第一风险预测模型在第一业务场景中的目标样本数据进行预标注,得到所述目标样本数据在所述第一业务场景中的预估分类标签;
将所述目标样本数据作为所述第一风险预测模型的输入,将所述预估分类标签作为所述第一风险预测模型的输出,对所述第一风险预测模型进行训练。
第二方面,提供一种风险预测方法,包括:
在确定目标用户在第一业务场景的真值分类标签前,按照第一业务场景的第一风险预测模型所具有的风险特征维度,对所述目标用户进行特征提取,得到所述目标用户的风险特征数据;
将所述目标用户的风险特征数据输入至第一风险预测模型,以对所述目标用户进行风险预测,其中,所述第一风险预测模型是基于第一业务场景中的目标样本数据和对应的预估分类标签训练得到的,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度以及第一业务场景相对于第二业务场景的新增风险特征维度,所述第一风险预测模型在训练前进行初始化,使得所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重。
第三方面,提供一种风险预测模型的训练装置,包括:
初始化模块,基于第一业务场景相对于第二业务场景的新增风险特征维度,以及第二业务场景的第二风险预测模型,初始化第一业务场景的第一风险预测模型,其中,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度以及所述新增风险特征维度,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重;
预标注模块,采用弱监督的方式,对第一风险预测模型在第一业务场景中的目标样本数据进行预标注,得到所述目标样本数据在所述第一业务场景中的预估分类标签;
训练模块,将所述目标样本数据作为所述第一风险预测模型的输入,将所述预估分类标签作为所述第一风险预测模型的输出,对所述第一风险预测模型进行训练。
第四方面,提供一种电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行:
基于第一业务场景相对于第二业务场景的新增风险特征维度,以及第二业务场景的第二风险预测模型,初始化第一业务场景的第一风险预测模型,其中,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度以及所述新增风险特征维度,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重;
采用弱监督方式,对第一风险预测模型在第一业务场景中的目标样本数据进行预标注,得到所述目标样本数据在所述第一业务场景中的预估分类标签;
将所述目标样本数据作为所述第一风险预测模型的输入,将所述预估分类标签作为所述第一风险预测模型的输出,对所述第一风险预测模型进行训练。
第五方面,提供一种算机可读存储介质,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下步骤:
基于第一业务场景相对于第二业务场景的新增风险特征维度,以及第二业务场景的第二风险预测模型,初始化第一业务场景的第一风险预测模型,其中,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度以及所述新增风险特征维度,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重;
采用弱监督方式,对第一风险预测模型在第一业务场景中的目标样本数据进行预标注,得到所述目标样本数据在所述第一业务场景中的预估分类标签;
将所述目标样本数据作为所述第一风险预测模型的输入,将所述预估分类标签作为所述第一风险预测模型的输出,对所述第一风险预测模型进行训练。
第六方面,提供一种风险预测装置,包括:
特征提取模块,按照第一业务场景的第一风险预测模型所具有的风险特征维度,提取所述目标用户的风险特征样本数据,其中,所述第一风险预测模型具有第二风险预测模型的样本数据的风险特征维度以及第一业务场景相对于第二业务场景的新增风险特征维度;
风险预测模块,将所述目标用户的风险特征数据输入至第一风险预测模型,以对所述目标用户进行风险预测,其中,所述第一风险预测模型是基于第一业务场景中的目标样本数据和对应的预估分类标签训练得到的,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重。
第七方面,提供一种电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行:
按照第一业务场景的第一风险预测模型所具有的风险特征维度,提取所述目标用户的风险特征样本数据,其中,所述第一风险预测模型具有第二风险预测模型的样本数据的风险特征维度以及第一业务场景相对于第二业务场景的新增风险特征维度;
将所述目标用户的风险特征数据输入至第一风险预测模型,以对所述目标用户进行风险预测,其中,所述第一风险预测模型是基于第一业务场景中的目标样本数据和对应的预估分类标签训练得到的,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重。
第八方面,提供一种算机可读存储介质,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下步骤:
按照第一业务场景的第一风险预测模型所具有的风险特征维度,提取所述目标用户的风险特征样本数据,其中,所述第一风险预测模型具有第二风险预测模型的样本数据的风险特征维度以及第一业务场景相对于第二业务场景的新增风险特征维度;
将所述目标用户的风险特征数据输入至第一风险预测模型,以对所述目标用户进行风险预测,其中,所述第一风险预测模型是基于第一业务场景中的目标样本数据和对应的预估分类标签训练得到的,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重。
基于本说明书实施例的方案,当新业务场景投放后,在已有业务场景的风险预测模型的基础上引入新增风险特征维度,从构建新业务场景的风险预测模型。同时,采用弱监督方式对新业务场景中尚未落实真值分类标签的样本数据进行预标注,以对新业务场景的风险预测模型进行提前训练,从而实现了风险预测模型的迭代更新,可满足风险预测的实时性要求。
附图说明
为了更清楚地说明本说明书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说明书实施例中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的风险预测模型的训练方法的第一种流程示意图。
图2为本说明书实施例提供的风险预测模型的训练方法的第二种流程示意图。
图3为本说明书实施例提供的风险预测方法的流程示意图。
图4为本说明书实施例提供的风险预测模型的训练装置的结构示意图。
图5为本说明书实施例提供的风险预测装置的结构示意图。
图6为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
如前所述,目前的模型训练依赖于标注的训练数据,而标注的训练数据是已定性的数据,需要一定的时间落实、积累。在风控领域里,业务场景是不断变化的,风险预测模型也应迭代推新。如果仅依赖已标注的训练数据对风险预测模型进行训练,会导致风险预测模型存在滞后性,无法提供实时性的风险防范。为此,本文件旨提供一种解决方案。
图1是本说明书实施例预测模型的处理方法的流程图。图1所示的方法可以由下文相对应的装置执行,包括:
步骤S102,基于第一业务场景相对于第二业务场景的新增风险特征维度,以及第二业务场景的第二风险预测模型,初始化第一业务场景的第一风险预测模型,其中,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度以及新增风险特征维度,第二风险预测模型的风险特征维度在第一风险预测模型中的初始权重为第二风险预测模型的风险特征维度在第二风险预测模型中的权重。
其中,上述第一业务场景可以指新业务场景,上述第二业务场景可以指原有业务场景。随着第一业务场景引入,第二业务场景的第二风险预测模型需要适应这一变化。为此,本步骤可以将第一业务场景相对于第二业务场景的新增风险特征维度引入到原有的第二风险预测模型,获得第一风险预测模型。在这个第一风险预测模型中,属于第二业务场景的原有风险特征维度还保留在第二风险预测模型的权重。
步骤S104,采用弱监督方式,对第一风险预测模型在第一业务场景中的目标样本数据进行预标注,得到目标样本数据在第一业务场景中的预估分类标签。
应理解,由于第一业务场景指新业务场景,因此尚不能及时积累具有真值分类标签的样本数据以对第一风险预测模型进行训练。为此,本步骤可以采用采用弱监督方式先对第一业务场景的目标样本数据进行预标注,得到预估分类标签。这里所述的预估分类标签并不一定等同于真值分类标签,在说明书实施例的方案中,允许预估分类标签与真值分类标签存在误差。
步骤S104,将目标样本数据作为第一风险预测模型的输入,将预估分类标签作为第一风险预测模型的输出,对第一风险预测模型进行训练。
应理解,对第一风险预测模型进行训练的过程中,会对第一业务场景相对于第二业务场景的新增风险特征维度的权重进行学习,同时也会对原先在第二风险预测模型中已有的特征维度的权重进行重新调整,使得第一风险预测模型在训完完成后,可以同时适用于对第一业务场景和第二业务场景。
基于图1所示的训练方法,当新业务场景投放后,在已有业务场景的风险预测模型的基础上引入新增风险特征维度,从构建新业务场景的风险预测模型。同时,采用弱监督方式对新业务场景中尚未落实真值分类标签的样本数据进行预标注,以对新业务场景的风险预测模型进行提前训练,从而实现了风险预测模型的迭代更新,可满足风险预测的实时性要求。
为方便理解,下面以比较典型的借贷业务场景为例,对本说明书实施例的方法进行详细介绍。
在借贷业务场景中,借贷提供方会构建风险预测模型以进行风险防范。其中,已有的风险预测模型的训练方式基于逾期业务用户的风险特征数据和真值分类标签进行训练,使风险预测模型具有预测业务用户未来是否会发生逾期行为的能力。
当新的借贷业务场景产生时(比如开发了新的借贷业务品种或新的借贷标准),需要花费一定时间落实逾期的用户,并收集逾期用户的风险特征数据。这就导致已有风险预测模型的更新存在滞后。
这里,本说明书实施例的方法为了使风险预测模型能够及时适应业务场景的变化,对尚未落实逾期的用户进行预标注,并使用预标注的用户的风险特征数据提前对已有业务场景的风险预测模型进行迁移训练。其中,方法的主流程包括:
步骤一,对新的目标借贷业务场景进行特征刻画,确定属于目标借贷业务场景特有的风险特征维度。
其中,目标借贷业务场景相比于已有借贷业务场景,具有不同的信贷欺诈风险表现形式,本步骤中,可以结业目标借贷业务场景独有的特点,设计能够刻画信贷欺诈风险的风险特征维度。比如,从设备、环境、行为、人际关系等角度,来设计属于目标借贷业务场景的风险特征维度。
应理解,目标借贷业务场景特有的特征维度不同于已有借贷业务场景的特征维度,即上文所述的新增特征维度。
步骤二,按照已有借贷业务场景的特征维度和目标借贷业务场景的新增特征维度,对目标借贷业务场景中尚未落实逾期的多个业务用户进行特征提取,获得多个样本数据。
步骤三,采用弱监督投票机制(弱监督投标机制具有至少两个对应有不同逾期评估规则的投票方),对各样本数据进行预标注,得到各样本数据在目标借贷业务场景中的预估分类标签。
在弱监督投标机制下,至少一个投票方会根据样本数据来对其对应的有业务用户进行逾期评估。这里,不同的投票方会具有不同的逾期评估规则,根据少数服从多数的原则,确定业务用户是否为逾期用户。如果业务用户是逾期用户,则其样本数据的预估分类标签指示为“黑标签”,如果业务用户不是逾期用户,则其样本数据的预估分类标签指示为“白标签”。
为方便理解,简单举例对弱监督投标机制进行介绍:
假设弱监督投标机制具有10个投票方。在本轮投票下,有6个投票方判定目标样本数据对应的业务用户是逾期用户,则本步骤最终将目标样本数据预标注为“黑标签”。若不足4个投票方认定目标样本数据对应的业务用户是逾期用户,则本步骤最终将目标样本数据预标注为“白标签”。若认定目标样本数据对应的业务用户是逾期用户的数量与认定目标样本数据对应的业务用户不是逾期用户的数量相同,可以对选取到的目标样本数据进行剔除。
在实际应用中,弱监督投标机制可以基于弱监督投票模型机械化执行。作为示例性介绍。弱监督投票模型具有至少两个子模型,每个子模型代表着一个投票方,具有与其投票方的逾期评估规则相匹配的计算函数。在预标注过程中,将目标样本数据输入至弱监督投票模型,由其中各个子模型进行逾期评估,之后对各个子模型的逾期评估结果进行汇总,输出最终确定得到的预估分类标签。
当然,除了上述弱监督投票机制外,本说明书实施例的方法还可以采用弱监督的离群异常检测算法,来对目标样本数据进行预标注。
即,使用离群异常检测算法对各样本数据进行聚类计算,一般情况下只有少数业务用户会违约逾期,因此可以对被离群异常检测算法孤立出来的样本数据预标注为“黑标签”,将其余的样本数据预标注为“白标签”。
可见,基于弱监督的预标注方式并不唯一,不管采用哪种具体的预标注方式都应属。
此外,预标注的结果也不限于是只有“黑标签”和“白标签”这两种,取决于实际的业务分类需求。比如,根据风险等级需求,可以将分类标签分为“无风险”、“低风险”和“高风险”这三种,由于无法进穷举,本文不再进行赘述。
步骤四,基于目标借贷业务场景中已预标注的样本数据,对已有借贷业务场景的风险预测模型进行针对目标业务场景的迁移训练,得到用于运行在目标业务场景的风险预测模型。
构建目标借贷业务场景的风险预测模型(第一风险预测模型)。
本步骤中,可以从运行于已有借贷业务场景的风险预测模型(第二风险预测模型)基础上,构建目标借贷业务场景的风险预测模型。即,基于已有借贷业务场景的风险特征维度以及目标借贷业务场景针对已有借贷业务场景的新增风险特征维度,构建目标借贷业务场景的风险预测模型。
之后,对目标借贷业务场景的风险预测模型进行初始化,使已有借贷业务场景的风险预测模型中各个风险特征维度的权重在目标借贷业务场景的风险预测模型得到保留。
最后,基于将目标借贷业务场景中已预标注的样本数据作为目标借贷业务场景的风险预测模型的输入,将样本数据对应的预估分类标签作为目标借贷业务场景的风险预测模型的输出,对目标借贷业务场景的风险预测模型进行迭代训练。
其中,在迭代训练过程中,还可以根据训练结果,对训练用的样本数据进行调整。
比如,为了提高训练效率,可以删掉近几轮迭代中训练结果来过摇摆的样本数据,或者对近几轮迭代中训练结果来过摇摆的样本数据重新进行预标注。
应理解,在目标借贷业务场景的风险预测模型收敛到预定条件后,或者,迭代轮次达到预设次数后,即可结束迭代训练。
步骤五,对训练后的目标借贷业务场景的风险预测模型进行测试,并基于测试结果,决定是否进行实际投放。
如前所述,预标注所获得的预估分类标签可能与真值标签存在一定误差,因此风险预测模型在迁移训练可以得到了劣化的效果。为了避免将劣化的风险预测模型投入使用,需要对迁移训练的风险预测模型进行测试。
本步骤中,可以,按照已有借贷业务场景的特征维度和目标借贷业务场景的新增特征维度,对目标借贷业务场景中已经落实逾期的多个业务用户进行特征提取,获得多个测试样本数据。
应理解,这里所述的测试样本数据对应有真值分类标签,在输入至迁移训练后的风险预测模型,可以用于准确验证模型性能。
如果,移训练后的风险预测模型预测试准确率满足预设准确率要求,则可以执行将其运行于目标借贷业务场景的操作。
下面对本说明书实施例的处理方法的实际应用进行介绍。
在实际应用中,对于刚上线或即将上线新品种借贷业务,会出现新的风险维度和风险变量,基于已有的预测模型难以再适用于新品种借贷业务的风险预测。
在上述背景下,本说明书实施例的处理方法可以通过热启动的方式,对预测模型进行针对新品种借贷业务的迁移训练。如图2所示,流程包括:
步骤S201,在新品种借贷业务投放后,沿用已有的风险预测模型暂时对新品种借贷业务进行风险拦截。
步骤S202,对新品种借贷业务进行特征刻画,得到新品种借贷业务相对于已有品种借贷业务的新增风险特征维度。
步骤S203,线下备份一个已有品种借贷业务的风险预测模型,并将新品种借贷业务的新增风险特征维度添加至备份的风险预测模型,得到新的风险预测模型,其中新的风险预测模型中在已有品种借贷业务中存在的风险特征维度依然保留之前的权重。
步骤S204,基于新品种借贷业务的新增风险特征维度和原有品种借贷业务的风险特征维度,对新品种借贷业务中未落逾期的业务用户进行特征数据提取,得到样本数据。
步骤S205,采用弱监督投票机制,对样本数据预标注,得到样本数据在新品种借贷业务中的预估分类标签。
步骤S206,基于样本数据和对应的预估分类标签,对新的风险预测模型进行训练,实现针对新品种借贷业务的迁移学习。
步骤S207,对新的风险预测模型进行性能测试,若测试结果满足测试要求,将新的风险预测模型替换掉线上当前在新品种借贷业务场景中运行的风险预测模型。
当然,测试结果未能满足测试要求,则可以调整样本数据以及对应的预估分类标签,以重新进行迁移训练、测试,直至新的风险预测模型的测试结果满足测试要求后进行投放。
以上是对本说明书实施例的方法的介绍,可以看出,当本说明书实施例的方法的应用在借贷业务领域,风险预测模型的训练不会强依赖信用逾期数据,从而提高迭代更新速度,加快了风险防范节奏。
与上述方法相对应地,如图3所示,本说明书实施例还提供一种风险预测方法,包括:
步骤S302,按照第一业务场景的第一风险预测模型所具有的风险特征维度,提取目标用户的风险特征样本数据,第一风险预测模型具有第二风险预测模型的样本数据的风险特征维度以及第一业务场景相对于第二业务场景的新增风险特征维度。
步骤S304,将目标用户的风险特征数据输入至第一风险预测模型,以对目标用户进行风险预测,第一风险预测模型是基于第一业务场景中的目标样本数据和对应的预估分类标签训练得到的,第二风险预测模型的风险特征维度在第一风险预测模型中的初始权重为第二风险预测模型的风险特征维度在第二风险预测模型中的权重。
基于图3所示的风险预测方法可以知道,由于风险预测模型可以及时根据新投放的业务场景进行迁移学习,因此在新业务场景投放的初期,也可以基于风险预测模型对新业务场景进行有效的风险预测,从而实现了实时性的风险防范效果。
图4所示的是本说明书实施例的风险预测模型的训练装置400,包括:
初始化模块410,基于第一业务场景相对于第二业务场景的新增风险特征维度,以及第二业务场景的第二风险预测模型,初始化第一业务场景的第一风险预测模型,其中,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度以及所述新增风险特征维度,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重;
预标注模块420,采用弱监督的方式,对第一风险预测模型在第一业务场景中的目标样本数据进行预标注,得到所述目标样本数据在所述第一业务场景中的预估分类标签;
训练模块430,将所述目标样本数据作为所述第一风险预测模型的输入,将所述预估分类标签作为所述第一风险预测模型的输出,对所述第一风险预测模型进行训练。
基于图4所示的训练装置,当新业务场景投放后,在已有业务场景的风险预测模型的基础上引入新增风险特征维度,从构建新业务场景的风险预测模型。同时,采用弱监督方式对新业务场景中尚未落实真值分类标签的样本数据进行预标注,以对新业务场景的风险预测模型进行提前训练,从而实现了风险预测模型的迭代更新,可满足风险预测的实时性要求。
可选地,模型构建模块420在执行时,具体在部署在第二业务场景的已有风险预测模型中,引入第一业务场景的特征维度,以得到目标风险预测模型。
可选地,所述模型训练模块430在执行时,具体将所述第一样本用户对应所述第一业务场景的特征维度的特征值作以及第二样本用户对应所述第二业务场景的特征维度的特征值作为所述目标风险预测模型的输入,将所述第一样本用户在第一业务场景中的预估分类标签以及所述第二样本用户在第二业务场景中的真值标签作为所述目标风险预测模型的输出,以对所述目标风险预测模型进行训练,其中,所述第二样本用户属于所述第二业务场景的业务用户。
可选地,本说明书实施例的装置还包括:
测试模块,基于至少一个第三样本用户对应第一业务场景的特征维度的特征值对所述目标风险预测模型进行测试,其中,所述至少一个第三样本用户是所述第一业务场景中已被确定真值分类标签的业务用户。若所述目标风险预测模型针对所述至少一个第三样本用户的测试准确率满足预设准确率要求,则执行将所述目标风险预测模型运行于所述第一业务场景的操作。
可选地,所述第一业务场景为借贷业务场景,所述第一样本用户为所述第一业务场景中逾期尚未落实的业务用户。所述弱监督标注模块410在执行时,具体获取所述第一样本用户在逾期判定结果确定前的用户行为数据,并采用弱监督方式,基于所述第一样本用户在逾期判定结果确定前的用户行为数据,对所述第一样本用户进行逾期评估。之后,按照逾期评估结果,对所述第一样本用进行预标注。
可选地,上述弱监督方式可以包括弱监督投标机制,该弱监督投标机制具有至少两个对应有不同逾期评估规则的投票方。
显然,本说明书实施例的训练装置可以作为上述图1所示的训练方法的执行主体,因此能够实现训练方法在图1所实现的功能。由于原理相同,本文不再赘述。
图5所示的是本说明书实施例的风险预测装置500,包括:
特征提取模块510,按照第一业务场景的第一风险预测模型所具有的风险特征维度,提取所述目标用户的风险特征样本数据,其中,所述第一风险预测模型具有第二风险预测模型的样本数据的风险特征维度以及第一业务场景相对于第二业务场景的新增风险特征维度;
风险预测模块520,将所述目标用户的风险特征数据输入至第一风险预测模型,以对所述目标用户进行风险预测,其中,所述第一风险预测模型是基于第一业务场景中的目标样本数据和对应的预估分类标签训练得到的,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重。
通过图5所示的风险预测装置可以知道,由于风险预测模型可以及时根据新投放的业务场景进行迁移学习,因此在新业务场景投放的初期,也可以基于风险预测模型对新业务场景进行有效的风险预测,从而实现了实时性的风险防范效果。
显然,本说明书实施例的风险预测装置可以作为上述图3所示的风险预测方法的执行主体,因此能够实现风险预测方法在图3所实现的功能。由于原理相同,本文不再赘述。
图6是本说明书的一个实施例电子设备的结构示意图。请参考图6,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如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个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是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。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
可选地,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,在逻辑层面上形成风险预测模型的训练装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
基于第一业务场景相对于第二业务场景的新增风险特征维度,以及第二业务场景的第二风险预测模型,初始化第一业务场景的第一风险预测模型,其中,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度以及所述新增风险特征维度,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重;
采用弱监督方式,对第一风险预测模型在第一业务场景中的目标样本数据进行预标注,得到所述目标样本数据在所述第一业务场景中的预估分类标签;
将所述目标样本数据作为所述第一风险预测模型的输入,将所述预估分类标签作为所述第一风险预测模型的输出,对所述第一风险预测模型进行训练。
可选地,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,在逻辑层面上形成风险预测装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
按照第一业务场景的第一风险预测模型所具有的风险特征维度,提取所述目标用户的风险特征样本数据,其中,所述第一风险预测模型具有第二风险预测模型的样本数据的风险特征维度以及第一业务场景相对于第二业务场景的新增风险特征维度;
将所述目标用户的风险特征数据输入至第一风险预测模型,以对所述目标用户进行风险预测,其中,所述第一风险预测模型是基于第一业务场景中的目标样本数据和对应的预估分类标签训练得到的,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重。
上述如本说明书图1所示实施例揭示的风险预测模型的训练方法或者图3所示实施例揭示的风险预测方法可以应用于处理器中,也可以由处理器实现。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(Central Processing 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(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,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说明书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。结合本说明书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。
应理解,本说明书实施例的电子设备可以实现上述风险预测模型的训练装置在图1,或者风险预测装置在图3所示的实施例的功能,本文不再赘述。
当然,除了软件实现方式之外,本说明书的电子设备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。
此外,本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令。
上述指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下方法:
基于第一业务场景相对于第二业务场景的新增风险特征维度,以及第二业务场景的第二风险预测模型,初始化第一业务场景的第一风险预测模型,其中,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度以及所述新增风险特征维度,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重;
采用弱监督方式,对第一风险预测模型在第一业务场景中的目标样本数据进行预标注,得到所述目标样本数据在所述第一业务场景中的预估分类标签;
将所述目标样本数据作为所述第一风险预测模型的输入,将所述预估分类标签作为所述第一风险预测模型的输出,对所述第一风险预测模型进行训练。
或者,上述指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图3所示实施例的方法,并具体用于执行以下方法:
按照第一业务场景的第一风险预测模型所具有的风险特征维度,提取所述目标用户的风险特征样本数据,其中,所述第一风险预测模型具有第二风险预测模型的样本数据的风险特征维度以及第一业务场景相对于第二业务场景的新增风险特征维度;
将所述目标用户的风险特征数据输入至第一风险预测模型,以对所述目标用户进行风险预测,其中,所述第一风险预测模型是基于第一业务场景中的目标样本数据和对应的预估分类标签训练得到的,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重。
应理解,上述指令当被包括多个应用程序的便携式电子设备执行时,能够使上文所述的风险预测模型的训练装置实现图1所示实施例的功能,或者使上文所述的风险预测装置实现图3所示实施例的功能,本文不再赘述。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。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。
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。
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。此外,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
Claims (12)
1.一种风险预测模型的训练方法,包括:
基于第一业务场景相对于第二业务场景的新增风险特征维度,以及第二业务场景的第二风险预测模型,初始化第一业务场景的第一风险预测模型,其中,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度以及所述新增风险特征维度,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重;
采用弱监督方式,对第一风险预测模型在第一业务场景中的目标样本数据进行预标注,得到所述目标样本数据在所述第一业务场景中的预估分类标签;
将所述目标样本数据作为所述第一风险预测模型的输入,将所述预估分类标签作为所述第一风险预测模型的输出,对所述第一风险预测模型进行训练。
2.根据权利要求1所述的方法,还包括:
基于第一业务场景中已确定有真值分类标签的样本数据,对所述第一风险预测模型进行测试;
若第一风险预测模型的测试准确率满足预设准确率要求,则执行将所述第一风险预测模型运行于所述第一业务场景的操作。
3.根据权利要求1所述的方法,还包括:
所述第一业务场景和所述第二业务场景互不相同的借贷业务场景,所述目标样本数据是所述第一业务场景中逾期尚未落实的业务用户的数据。
4.根据权利要求3所述的方法,还包括:
采用弱监督方式,对第一风险预测模型在第一业务场景中的目标样本数据进行预标注,包括:
采用弱监督方式,基于所述第一业务场景中逾期尚未落实的业务用户的行为数据,对该业务用户进行逾期评估;
按照逾期评估结果,对所述业务用户进行预标注。
5.根据权利要求4所述的方法,还包括:
所述弱监督方式包括弱监督投标机制,所述弱监督投标机制具有至少两个对应有不同逾期评估规则的投票方。
6.一种风险预测方法,包括:
按照第一业务场景的第一风险预测模型所具有的风险特征维度,提取所述目标用户的风险特征样本数据,其中,所述第一风险预测模型具有第二风险预测模型的样本数据的风险特征维度以及第一业务场景相对于第二业务场景的新增风险特征维度;
将所述目标用户的风险特征数据输入至第一风险预测模型,以对所述目标用户进行风险预测,其中,所述第一风险预测模型是基于第一业务场景中的目标样本数据和对应的预估分类标签训练得到的,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重。
7.一种风险预测模型的训练装置,包括:
初始化模块,基于第一业务场景相对于第二业务场景的新增风险特征维度,以及第二业务场景的第二风险预测模型,初始化第一业务场景的第一风险预测模型,其中,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度以及所述新增风险特征维度,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重;
预标注模块,采用弱监督的方式,对第一风险预测模型在第一业务场景中的目标样本数据进行预标注,得到所述目标样本数据在所述第一业务场景中的预估分类标签;
训练模块,将所述目标样本数据作为所述第一风险预测模型的输入,将所述预估分类标签作为所述第一风险预测模型的输出,对所述第一风险预测模型进行训练。
8.一种电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行:
基于第一业务场景相对于第二业务场景的新增风险特征维度,以及第二业务场景的第二风险预测模型,初始化第一业务场景的第一风险预测模型,其中,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度以及所述新增风险特征维度,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重;
采用弱监督方式,对第一风险预测模型在第一业务场景中的目标样本数据进行预标注,得到所述目标样本数据在所述第一业务场景中的预估分类标签;
将所述目标样本数据作为所述第一风险预测模型的输入,将所述预估分类标签作为所述第一风险预测模型的输出,对所述第一风险预测模型进行训练。
9.一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下步骤:
基于第一业务场景相对于第二业务场景的新增风险特征维度,以及第二业务场景的第二风险预测模型,初始化第一业务场景的第一风险预测模型,其中,第一风险预测模型的样本数据包括第二风险预测模型的样本数据的风险特征维度以及所述新增风险特征维度,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重;
采用弱监督方式,对第一风险预测模型在第一业务场景中的目标样本数据进行预标注,得到所述目标样本数据在所述第一业务场景中的预估分类标签;
将所述目标样本数据作为所述第一风险预测模型的输入,将所述预估分类标签作为所述第一风险预测模型的输出,对所述第一风险预测模型进行训练。
10.一种风险预测装置,包括:
特征提取模块,按照第一业务场景的第一风险预测模型所具有的风险特征维度,提取所述目标用户的风险特征样本数据,其中,所述第一风险预测模型具有第二风险预测模型的样本数据的风险特征维度以及第一业务场景相对于第二业务场景的新增风险特征维度;
风险预测模块,将所述目标用户的风险特征数据输入至第一风险预测模型,以对所述目标用户进行风险预测,其中,所述第一风险预测模型是基于第一业务场景中的目标样本数据和对应的预估分类标签训练得到的,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重。
11.一种电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行:
按照第一业务场景的第一风险预测模型所具有的风险特征维度,提取所述目标用户的风险特征样本数据,其中,所述第一风险预测模型具有第二风险预测模型的样本数据的风险特征维度以及第一业务场景相对于第二业务场景的新增风险特征维度;
将所述目标用户的风险特征数据输入至第一风险预测模型,以对所述目标用户进行风险预测,其中,所述第一风险预测模型是基于第一业务场景中的目标样本数据和对应的预估分类标签训练得到的,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重。
12.一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下步骤:
按照第一业务场景的第一风险预测模型所具有的风险特征维度,提取所述目标用户的风险特征样本数据,其中,所述第一风险预测模型具有第二风险预测模型的样本数据的风险特征维度以及第一业务场景相对于第二业务场景的新增风险特征维度;
将所述目标用户的风险特征数据输入至第一风险预测模型,以对所述目标用户进行风险预测,其中,所述第一风险预测模型是基于第一业务场景中的目标样本数据和对应的预估分类标签训练得到的,所述第二风险预测模型的风险特征维度在所述第一风险预测模型中的初始权重为所述第二风险预测模型的风险特征维度在所述第二风险预测模型中的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911085899.0A CN111062563A (zh) | 2019-11-08 | 2019-11-08 | 风险预测模型的训练方法、风险预测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911085899.0A CN111062563A (zh) | 2019-11-08 | 2019-11-08 | 风险预测模型的训练方法、风险预测方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062563A true CN111062563A (zh) | 2020-04-24 |
Family
ID=70297860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911085899.0A Pending CN111062563A (zh) | 2019-11-08 | 2019-11-08 | 风险预测模型的训练方法、风险预测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062563A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582565A (zh) * | 2020-04-26 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 数据融合方法、装置和电子设备 |
CN113065748A (zh) * | 2021-03-15 | 2021-07-02 | 中国平安财产保险股份有限公司 | 业务风险评估方法、装置、设备及存储介质 |
CN113159085A (zh) * | 2020-12-30 | 2021-07-23 | 北京爱笔科技有限公司 | 分类模型的训练及基于图像的分类方法、相关装置 |
CN114819614A (zh) * | 2022-04-22 | 2022-07-29 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359793A (zh) * | 2018-08-03 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 一种针对新场景的预测模型训练方法及装置 |
US20190197550A1 (en) * | 2017-12-21 | 2019-06-27 | Paypal, Inc. | Generic learning architecture for robust temporal and domain-based transfer learning |
CN110070183A (zh) * | 2019-03-11 | 2019-07-30 | 中国科学院信息工程研究所 | 一种弱标注数据的神经网络模型训练方法及装置 |
CN110163236A (zh) * | 2018-10-15 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 模型的训练方法和装置、存储介质、电子装置 |
-
2019
- 2019-11-08 CN CN201911085899.0A patent/CN111062563A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190197550A1 (en) * | 2017-12-21 | 2019-06-27 | Paypal, Inc. | Generic learning architecture for robust temporal and domain-based transfer learning |
CN109359793A (zh) * | 2018-08-03 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 一种针对新场景的预测模型训练方法及装置 |
CN110163236A (zh) * | 2018-10-15 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 模型的训练方法和装置、存储介质、电子装置 |
CN110070183A (zh) * | 2019-03-11 | 2019-07-30 | 中国科学院信息工程研究所 | 一种弱标注数据的神经网络模型训练方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582565A (zh) * | 2020-04-26 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 数据融合方法、装置和电子设备 |
CN113159085A (zh) * | 2020-12-30 | 2021-07-23 | 北京爱笔科技有限公司 | 分类模型的训练及基于图像的分类方法、相关装置 |
CN113065748A (zh) * | 2021-03-15 | 2021-07-02 | 中国平安财产保险股份有限公司 | 业务风险评估方法、装置、设备及存储介质 |
CN114819614A (zh) * | 2022-04-22 | 2022-07-29 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062563A (zh) | 风险预测模型的训练方法、风险预测方法及相关装置 | |
CN109784391B (zh) | 基于多模型的样本标注方法及装置 | |
US20180336888A1 (en) | Method and Apparatus of Training Acoustic Feature Extracting Model, Device and Computer Storage Medium | |
CN111274134A (zh) | 基于图神经网络的漏洞识别与预测方法、系统、计算机设备和存储介质 | |
US11971959B2 (en) | Data test method, electronic device and storage medium | |
CN109559735B (zh) | 一种基于神经网络的语音识别方法、终端设备及介质 | |
CN111145076B (zh) | 数据并行化处理方法、系统、设备及存储介质 | |
CN112465049A (zh) | 异常检测模型生成方法和装置、异常事件检测方法和装置 | |
CN110096938B (zh) | 一种视频中的动作行为的处理方法和装置 | |
CN111338692B (zh) | 基于漏洞代码的漏洞分类方法、装置及电子设备 | |
CN111046971A (zh) | 图像识别方法、装置、设备及计算机可读存储介质 | |
CN112148594A (zh) | 一种脚本测试方法、装置、电子设备及存储介质 | |
CN110490058B (zh) | 行人检测模型的训练方法、装置、系统和计算机可读介质 | |
CN107220169B (zh) | 一种模拟服务器返回定制化数据的方法和设备 | |
CN114443483A (zh) | 人工智能系统的测试方法、装置、电子设备及介质 | |
CN112214402B (zh) | 一种代码验证算法的选择方法、装置及存储介质 | |
CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
CN112668637B (zh) | 网络模型的训练方法、识别方法、装置及电子设备 | |
CN112614168B (zh) | 一种目标人脸跟踪方法、装置、电子设备及存储介质 | |
CN112183622B (zh) | 一种移动应用bots安装作弊检测方法、装置、设备及介质 | |
CN108984386A (zh) | 应用程序搜索的测试方法、装置及存储介质 | |
CN114611698A (zh) | 模型的部署方法、装置、电子设备及存储介质 | |
CN110135464B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN113935034A (zh) | 基于图神经网络的恶意代码家族分类方法、装置和存储介质 | |
CN113792567A (zh) | 数据处理方法与数据处理模型的训练方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200424 |