CN111626438B - 基于模型迁移的用户策略分配方法、装置及电子设备 - Google Patents
基于模型迁移的用户策略分配方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111626438B CN111626438B CN202010733477.6A CN202010733477A CN111626438B CN 111626438 B CN111626438 B CN 111626438B CN 202010733477 A CN202010733477 A CN 202010733477A CN 111626438 B CN111626438 B CN 111626438B
- Authority
- CN
- China
- Prior art keywords
- user
- model
- loss function
- basic data
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013508 migration Methods 0.000 title claims abstract description 54
- 230000005012 migration Effects 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000006978 adaptation Effects 0.000 claims description 43
- 238000003860 storage Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000013468 resource allocation Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 75
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种基于模型迁移的用户策略分配方法、装置、电子设备及计算机可读介质。该方法包括:获取第一预设场景中的用户的基础数据;将所述基础数据输入用户分析模型中,生成用户评分,其中,所述用户分析模型通过所述第一预设场景中的第一用户和第二预设场景中的第二用户的基础数据和模型迁移方法生成;基于所述用户评分为所述用户进行策略分配。本公开涉及的基于模型迁移的用户策略分配方法、装置、电子设备及计算机可读介质,能够直接将不同应用场景下的相关模型进行复用,进而快速准确的为用户分配用户策略,既能节约时间,又能改善单独用某一场景下的用户数据进行模型训练时,训练效果不好的问题。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种基于模型迁移的用户策略分配方法、装置、电子设备及计算机可读介质。
背景技术
在机器学习模型的训练过程中,样本的特征对于构建机器学习模型起着决定性的作用,比如在某互联网金融服务企业中,具有A,B,C三个业务部门,需要对这三个业务部门的用户分别进行仿真建模。还可例如,在某互联网金融服务企业中,A部门用户数量多,已累积了大量带标签的样本,通过A部门的用户样本训练得到的模型效果很好,而B部门的用户少,样本量较少,仅通过B部门的用户样本是没办法获得训练效果很好的机器学习模型。对于一个公司的业务部门来讲,虽然具体业务有差异,但是一般都是同一个业务背景下的不同业务分支,其中有很多共性的特点可以共用。如果能将A业务的相关模型复用到B业务上使用,既能节约时间,又能改善单独用B业务的用户进行训练效果不好的问题。
在经典的机器学习问题中,往往假设训练集和测试集分布一致,在训练集上训练模型,在测试集上测试。然而在实际问题中,测试场景往往不可控,测试集和训练集分布有很大差异,这时候就会出现所谓过拟合问题:模型在测试集上效果不理想。以人脸识别为例,如果用东方人脸数据训练,用于识别西方人,相比东方人识别性能会明显下降。当训练集和测试集分布不一致的情况下,通过在训练数据上按经验误差最小准则训练的模型在测试上性能不好。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供一种基于模型迁移的用户策略分配方法、装置、电子设备及计算机可读介质,能够直接将不同应用场景下的相关模型进行复用,进而快速准确的为用户分配用户策略,既能节约时间,又能改善单独用某一场景下的用户数据进行模型训练时,训练效果不好的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种基于模型迁移的用户策略分配方法,该方法包括:获取第一预设场景中的用户的基础数据;将所述基础数据输入用户分析模型中,生成用户评分,其中,所述用户分析模型通过所述第一预设场景中的第一用户和第二预设场景中的第二用户的基础数据和模型迁移方法生成;基于所述用户评分为所述用户进行策略分配;其中,模型迁移的步骤,包括:基于第二用户的基础数据在所述第二预设场景中训练获得基础模型;在所述基础模型中添加适应层和域混淆损失函数以生成初始用户模型;通过第一用户和第二用户的基础数据对所述初始用户模型进行训练生成所述用户分析模型。
可选地,还包括:获取所述第一预设场景中的第一用户和所述第二预设场景中的第二用户的基础数据;生成初始用户模型;通过所述第一用户和第二用户的基础数据对所述初始用户模型进行训练以生成所述用户分析模型。
可选地,所述第一用户的基础数据包括不带标签的基础数据;所述第二用户的基础数据为带标签的基础数据。
可选地,生成初始用户模型,包括:获取所述第二预设场景中的带有标签的第二用户的基础数据;将所述第二用户的基础数据输入逻辑回归模型中进行训练以生成所述基础模型;在所述基础模型中添加适应层和域混淆损失函数以生成所述初始用户模型。
可选地,通过所述其他用户的基础数据对所述初始用户模型进行训练以生成所述用户分析模型,包括:将所述第二用户的基础数据作为所述初始用户模型的源数据;将所述第一用户的基础数据作为所述初始用户模型的目标数据;基于所述初始用户模型中的适应层和域混淆损失函数对所述源数据和所述目标数据进行优化以生成所述用户分析模型。
可选地,所述域混淆损失函,包括:第一域混淆损失函数和第二域混淆损失函数;基于所述初始用户模型中的适应层和域混淆损失函数对所述源数据和所述目标数据进行优化以生成所述用户分析模型,包括:所述初始用户模型中的适应层对所述源数据和所述目标数据进行计算,分别生成所述第一域混淆损失函数和所述第二域混淆损失函数;基于所述第一域混淆损失函数和所述第二域混淆损失函数生成目标域混淆损失函数;基于所述目标域混淆损失函数的最优值确定所述适应层的结构;基于确定的所述适应层的结构和所述初始用户模型生成所述用户分析模型。
可选地,基于所述第一域混淆损失函数和所述第二域混淆损失函数生成目标域混淆损失函数,包括:将所述第一域混淆损失函数和所述第二域混淆损失函数之间的最大平均差异距离作为所述目标域混淆损失函数。
可选地,基于所述目标域混淆损失函数的最优值确定所述适应层的结构,包括:通过优化算法确定所述目标域混淆损失函数的最小距离;将所述最小距离时所述适应层的参数作为最优解。
可选地,基于所述用户评分为所述用户进行策略分配,包括:将所述用户评分和多个阈值区间进行比较以确定所述用户的用户类别;基于所述用户类别为所述用户进行策略分配。
可选地,还包括:基于所述用户类别为所述用户的进行资源分配。
根据本公开的一方面,提出一种基于模型迁移的用户策略分配装置,该装置包括:数据模块,用于获取第一预设场景中的用户的基础数据;分析模块,用于将所述基础数据输入用户分析模型中,生成用户评分,其中,所述用户分析模型通过所述第一预设场景和第二预设场景中的其他用户的基础数据和模型迁移方法生成;分配模块,用于基于所述用户评分为所述用户进行策略分配;模型迁移模块,用于基于第二用户的基础数据在所述第二预设场景中训练获得基础模型;在所述基础模型中添加适应层和域混淆损失函数以生成初始用户模型;并通过第一用户和第二用户的基础数据对所述初始用户模型进行训练生成所述用户分析模型。
可选地,还包括:场景模块,用于获取所述第一预设场景和所述第二预设场景中的其他用户的基础数据;初始模块,用于生成初始用户模型;模型模块,用于通过所述其他用户的基础数据对所述初始用户模型进行训练以生成所述用户分析模型。
可选地,所述场景模块,包括:第一单元,用于获取所述第一预设场景中的第一用户的基础数据,所述第一用户的基础数据包括不带标签的基础数据;第二单元,用于获取所述第二预设场景中的第二用户的基础数据,所述第二用户的基础数据为带标签的基础数据。
可选地,所述初始模块,包括:标签单元,用于获取所述第二预设场景中的带有标签的第二用户的基础数据;训练单元,用于将所述第二用户的基础数据输入逻辑回归模型中进行训练以生成所述基础模型;添加单元,用于在所述基础模型中添加适应层和域混淆损失函数以生成所述初始用户模型。
可选地,所述模型模块,包括:源数据单元,用于将所述第二用户的基础数据作为所述初始用户模型的源数据;目标数据单元,用于将所述第一用户的基础数据作为所述初始用户模型的目标数据;优化单元,用于基于所述初始用户模型中的适应层和域混淆损失函数对所述源数据和所述目标数据进行优化以生成所述用户分析模型。
可选地,所述域混淆损失函,包括:第一域混淆损失函数和第二域混淆损失函数;所述优化单元,包括:计算子单元,用于所述初始用户模型中的适应层对所述源数据和所述目标数据进行计算,分别生成所述第一域混淆损失函数和所述第二域混淆损失函数;函数子单元,用于基于所述第一域混淆损失函数和所述第二域混淆损失函数生成目标域混淆损失函数;结构子单元,用于基于所述目标域混淆损失函数的最优值确定所述适应层的结构;模型子单元,用于基于确定的所述适应层的结构和所述初始用户模型生成所述用户分析模型。
可选地,所述函数子单元,还用于将所述第一域混淆损失函数和所述第二域混淆损失函数之间的最大平均差异距离作为所述目标域混淆损失函数。
可选地,所述结构子单元,还用于通过优化算法确定所述目标域混淆损失函数的最小距离;将所述最小距离时所述适应层的参数作为最优解。
可选地,所述分配模块,包括:比较单元,用于将所述用户评分和多个阈值区间进行比较以确定所述用户的用户类别;策略单元,用于基于所述用户类别为所述用户进行策略分配。
可选地,还包括:资源单元,用于基于所述用户类别为所述用户的进行资源分配。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本公开的基于模型迁移的用户策略分配方法、装置、电子设备及计算机可读介质,获取第一预设场景中的用户的基础数据;将所述基础数据输入用户分析模型中,生成用户评分,其中,所述用户分析模型通过所述第一预设场景和第二预设场景中的其他用户的基础数据和模型迁移方法生成;基于所述用户评分为所述用户进行策略分配的方式,能够直接将不同应用场景下的相关模型进行复用,进而快速准确的为用户分配用户策略,既能节约时间,又能改善单独用某一场景下的用户数据进行模型训练时,训练效果不好的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的一种基于模型迁移的用户策略分配方法及装置的系统框图。
图2是根据一示例性实施例示出的一种基于模型迁移的用户策略分配方法的流程图。
图3是根据另一示例性实施例示出的一种基于模型迁移的用户策略分配方法的流程图。
图4是根据另一示例性实施例示出的一种基于模型迁移的用户策略分配方法的流程图。
图5是根据一示例性实施例示出的一种基于模型迁移的用户策略分配装置的框图。
图6是根据另一示例性实施例示出的一种基于模型迁移的用户策略分配装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种基于模型迁移的用户策略分配方法及装置的系统框图。
如图1所示,系统架构10可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理,并将处理结果(例如用户策略具体内容)反馈给金融服务网站的管理员和/或终端设备101、102、103。
服务器105可例如获取第一预设场景中的用户的基础数据;服务器105可例如将所述基础数据输入用户分析模型中,生成用户评分,所述用户分析模型通过所述第一预设场景中的第一用户和第二预设场景中的第二用户的基础数据和模型迁移方法生成;服务器105可例如基于所述用户评分为所述用户进行策略分配;其中,模型迁移的步骤,包括:基于第二用户的基础数据在所述第二预设场景中训练获得基础模型;在所述基础模型中添加适应层和域混淆损失函数以生成初始用户模型;通过第一用户和第二用户的基础数据对所述初始用户模型进行训练生成所述用户分析模型。
服务器105还可例如获取所述第一预设场景和所述第二预设场景中的其他用户的基础数据;服务器105还可例如生成初始用户模型;服务器105还可例如通过所述其他用户的基础数据对所述初始用户模型进行训练以生成所述用户分析模型。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,需要说明的是,本公开实施例所提供的基于模型迁移的用户策略分配方法可以由服务器105执行,相应地,基于模型迁移的用户策略分配装置可以设置于服务器105中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。
图2是根据一示例性实施例示出的一种基于模型迁移的用户策略分配方法的流程图。基于模型迁移的用户策略分配方法20至少包括步骤S202至S206。
如图2所示,在S202中,获取第一预设场景中的用户的基础数据。其中,第一预设场景可为在金融服务平台中的资源借用A类场景,用户的基础数据可包括用户的性别,年龄,职业,收入,第三方平台的资源借用情况,授信情况,以往资源借用情况等等。在大多数应用场景中,第一预设场景中的用户流量的样本量太少,不足以支撑训练机器学习模型。
在S204中,将所述基础数据输入用户分析模型中,生成用户评分,其中,所述用户分析模型通过所述第一预设场景中的第一用户和第二预设场景中的第二用户的基础数据和模型迁移方法生成。其中,第二预设场景可为在金融服务平台中的资源借用B类场景,第二预设场景中用户多,可通过第二场景中的用户训练得到准确度更高的模型,然后迁移到第一预设场景中来使用。
其中,模型迁移的步骤,包括:基于第二用户的基础数据在所述第二预设场景中训练获得基础模型;在所述基础模型中添加适应层和域混淆损失函数以生成初始用户模型;通过第一用户和第二用户的基础数据对所述初始用户模型进行训练生成所述用户分析模型。模型迁移的具体步骤将在图3的实施例中进行详细描述。
其中,模型迁移(Parameter based TL)假设源域和目标域共享模型参数,是指将之前在源域中通过大量数据训练好的模型应用到目标域上进行预测。模型迁移的基本思想是直接在模型层面进行自适应。模型自适应的方法有两种思路,一是直接建模模型,但是在模型中加入“domain间距离近”的约束,二是采用迭代的方法,渐进的对目标域的样本进行分类,将信度高的样本加入训练集,并更新模型。
在S206中,基于所述用户评分为所述用户进行策略分配。更具体的,可例如,将所述用户评分和多个阈值区间进行比较以确定所述用户的用户类别;基于所述用户类别为所述用户进行策略分配。
在一个实施例中,还包括:基于所述用户类别为所述用户的进行资源分配。本发明中,资源是指任何可被利用的物质、信息、时间,信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。本发明的创新之处在于如何使用服务器和客户端之间的信息交互技术来使资源分配的过程更加自动化、高效和减小人力成本。由此,从本质上来说,本发明可以应用于各类资源的分配,包括实体的货物、水、电,以及有意义的资料等。但是,为了方便起见,本发明中以金融数据资源为例进行说明资源分配的实施,但本领域技术人员应当理解,本发明亦可以用于其他资源的分配。
可设定多个风险阈值范围,在用户为低风险区间时,用户策略可为对用户进行资源额度增加处理,在用户为高风险区间时,用户策略可为降低用户的资源额度。
在一个实施例中,还包括:在所述用户风险数值高于阈值时,生成用户监管策略;在用户的风险数值高于预设阈值时,可将用户设定为重点监控用户,以便对用户进行实时监管,防范资源安全风险。在所述用户风险数值小于阈值时,生成用户提额策略。
根据本公开的基于模型迁移的用户策略分配方法,获取第一预设场景中的用户的基础数据;将所述基础数据输入用户分析模型中,生成用户评分,其中,所述用户分析模型通过所述第一预设场景和第二预设场景中的其他用户的基础数据和模型迁移方法生成;基于所述用户评分为所述用户进行策略分配的方式,能够直接将不同应用场景下的相关模型进行复用,进而快速准确的为用户分配用户策略,既能节约时间,又能改善单独用某一场景下的用户数据进行模型训练时,训练效果不好的问题。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种基于模型迁移的用户策略分配方法的流程图。图3所示的流程30是对“通过所述第一预设场景和第二预设场景中的其他用户的基础数据和模型迁移方法生成用户分析模型”的详细描述。
如图3所示,在S302中,获取所述第一预设场景和所述第二预设场景中的其他用户的基础数据。包括:获取所述第一预设场景中的第一用户的基础数据,所述第一用户的基础数据包括不带标签的基础数据;更具体的,第一用户的基础数据中可能只有少数几个特征是带有标签的,比如基础数据中的学历带有标签,或者基础数据中的职业带有标签,其他基础数据均为不带标签的数据;还包括:获取所述第二预设场景中的第二用户的基础数据,所述第二用户的基础数据为带标签的基础数据,如上文所述,第二用户的基础数据为完善的基础数据,各个特征都带有明确的标签。
在S304中,生成初始用户模型。包括:获取所述第二预设场景中的带有标签的第二用户的基础数据;将所述第二用户的基础数据输入逻辑回归模型中进行训练以生成所述基础模型;在所述基础模型中添加适应层和域混淆损失函数以生成所述初始用户模型。
在S306中,通过所述其他用户的基础数据对所述初始用户模型进行训练以生成所述用户分析模型。包括:将所述第二用户的基础数据作为所述初始用户模型的源数据;将所述第一用户的基础数据作为所述初始用户模型的目标数据;基于所述初始用户模型中的适应层和域混淆损失函数对所述源数据和所述目标数据进行优化以生成所述用户分析模型。
图4是根据另一示例性实施例示出的一种基于模型迁移的用户策略分配方法的流程图。图4所示的流程40是对图3所示的流程中S306中“ 基于所述初始用户模型中的适应层和域混淆损失函数对所述源数据和所述目标数据进行优化以生成所述用户分析模型”的详细描述。
如图4所示,在S402中,初始用户模型中的适应层对所述源数据和所述目标数据进行计算,分别生成所述第一域混淆损失函数和所述第二域混淆损失函数。领域自适应问题中源域(source domain)和目标域(target domain)共享相同的特征和类别,但是特征分布不同,如何利用信息丰富的源域样本来提升目标域模型的性能。源域表示与测试样本不同的领域,具有丰富的监督标注信息;目标域表示测试样本所在的领域,无标签或者只有少量标签。源域和目标域往往属于同一类任务,但是分布不同。
初始用户模型的神经网络模型有两个数据输入,第一输入为源数据(第二预设场景,都带有标签);第二输入是目标数据(第一预设场景,可不带标签),这个包含有两个流向数据的卷积神经网络,在这两个流向的数据间共享权值。
在S404中,基于所述第一域混淆损失函数和所述第二域混淆损失函数生成目标域混淆损失函数。更具体的,将所述第一域混淆损失函数和所述第二域混淆损失函数之间的最大平均差异距离作为所述目标域混淆损失函数。
由于在两个流向的网络的特征层之间增加了一个适应层,基于适应层的输出计算出一个domain loss(C1+C2),通过利用源域及目标域特征之间的MMD(Maximum MeanDiscrepancy)距离来作为domain loss,通过最小化MMD距离来减小源于与目标域之间的差异。
其中,C1可代表第一预设场景和第二预设场景用户样本相似性之间的误差,用来衡量带标签数据之间的相似性损失,C2可表示源数据集与目标数据集之间的在模型分析效果上的误差,用来衡量用第一用户的基础数据和第二用户的基础数据进行分类计算后,最终分类效果的损失。
在S406中,基于所述目标域混淆损失函数的最优值确定所述适应层的结构。包括:通过优化算法确定所述目标域混淆损失函数的最小距离;将所述最小距离时所述适应层的参数作为最优解。最小化MMD距离的含义即为C1+C2最小,即为样本最近接、分类效果最接近。
可例如,在适应层位置的选取上,通过逐层的计算源数据与目标数据之间的MMD距离,来选择最小的MMD距离的层的位置为适应层的位置。确定适应层的位置后,同样通过尝试不同的尺寸的适应层,选择能使MMD距离最小的尺寸来作为适应层的参数。
在S408中,基于确定的所述适应层的结构和所述初始用户模型生成所述用户分析模型。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU 执行的计算机程序。在该计算机程序被CPU 执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图5是根据一示例性实施例示出的一种基于模型迁移的用户策略分配装置的框图。如图5所示,基于模型迁移的用户策略分配装置50包括:数据模块502,分析模块504,分配模块506,模型迁移模块508。
数据模块502用于获取第一预设场景中的用户的基础数据;
分析模块504用于将所述基础数据输入用户分析模型中,生成用户评分,其中,所述用户分析模型通过所述第一预设场景和第二预设场景中的其他用户的基础数据和模型迁移方法生成;
分配模块506用于基于所述用户评分为所述用户进行策略分配。所述分配模块,包括:比较单元,用于将所述用户评分和多个阈值区间进行比较以确定所述用户的用户类别;策略单元,用于基于所述用户类别为所述用户进行策略分配;资源单元,用于基于所述用户类别为所述用户的进行资源分配。
模型迁移模块508用于基于第二用户的基础数据在所述第二预设场景中训练获得基础模型;在所述基础模型中添加适应层和域混淆损失函数以生成初始用户模型;并通过第一用户和第二用户的基础数据对所述初始用户模型进行训练生成所述用户分析模型。
图6是根据另一示例性实施例示出的一种基于模型迁移的用户策略分配装置的框图。如图6所示,基于模型迁移的用户策略分配装置60包括:场景模块602,初始模块604,模型模块606。
场景模块602用于获取所述第一预设场景和所述第二预设场景中的其他用户的基础数据;所述场景模块602包括:第一单元用于获取所述第一预设场景中的第一用户的基础数据,所述第一用户的基础数据包括不带标签的基础数据;第二单元,用于获取所述第二预设场景中的第二用户的基础数据,所述第二用户的基础数据为带标签的基础数据。
初始模块604用于生成初始用户模型;所述初始模块604包括:标签单元,用于获取所述第二预设场景中的带有标签的第二用户的基础数据;训练单元,用于将所述第二用户的基础数据输入逻辑回归模型中进行训练以生成所述基础模型;添加单元,用于在所述基础模型中添加适应层和域混淆损失函数以生成所述初始用户模型。
模型模块606用于通过所述其他用户的基础数据对所述初始用户模型进行训练以生成所述用户分析模型。所述模型模块606包括:源数据单元,用于将所述第二用户的基础数据作为所述初始用户模型的源数据;目标数据单元,用于将所述第一用户的基础数据作为所述初始用户模型的目标数据;所述模型模块606包括:优化单元,用于基于所述初始用户模型中的适应层和域混淆损失函数对所述源数据和所述目标数据进行优化以生成所述用户分析模型。
其中,所述域混淆损失函,包括:第一域混淆损失函数和第二域混淆损失函数;所述优化单元可包括:计算子单元,用于所述初始用户模型中的适应层对所述源数据和所述目标数据进行计算,分别生成所述第一域混淆损失函数和所述第二域混淆损失函数;函数子单元,用于基于所述第一域混淆损失函数和所述第二域混淆损失函数生成目标域混淆损失函数;所述函数子单元,还用于将所述第一域混淆损失函数和所述第二域混淆损失函数之间的最大平均差异距离作为所述目标域混淆损失函数。结构子单元,用于基于所述目标域混淆损失函数的最优值确定所述适应层的结构;所述结构子单元,还用于通过优化算法确定所述目标域混淆损失函数的最小距离;将所述最小距离时所述适应层的参数作为最优解。模型子单元,用于基于确定的所述适应层的结构和所述初始用户模型生成所述用户分析模型。
根据本公开的基于模型迁移的用户策略分配装置,获取第一预设场景中的用户的基础数据;将所述基础数据输入用户分析模型中,生成用户评分,其中,所述用户分析模型通过所述第一预设场景和第二预设场景中的其他用户的基础数据和模型迁移方法生成;基于所述用户评分为所述用户进行策略分配的方式,能够直接将不同应用场景下的相关模型进行复用,进而快速准确的为用户分配用户策略,既能节约时间,又能改善单独用某一场景下的用户数据进行模型训练时,训练效果不好的问题。
图7是根据一示例性实施例示出的一种电子设备的框图。
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元710执行,使得所述处理单元710执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元710可以执行如图2,图3,图4中所示的步骤。
所述存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
所述存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备700’(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备700交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,如图8所示,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:获取第一预设场景中的用户的基础数据;将所述基础数据输入用户分析模型中,生成用户评分,其中,所述用户分析模型通过所述第一预设场景和第二预设场景中的其他用户的基础数据和模型迁移方法生成;基于所述用户评分为所述用户进行策略分配。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (5)
1.一种基于模型迁移的用户策略分配方法,其特征在于,包括:
获取第一部门的资源借用场景中的当前用户的基础数据,其中,基础数据包括:性别,年龄,职业,收入数据,第三方平台的资源借用数据,授信数据,以往资源借用数据;
将所述基础数据输入用户分析模型中,生成用户评分,其中,所述用户分析模型通过所述第一部门的资源借用场景中的不带标签的第一用户和第二部门的资源借用场景的带有标签的第二用户的基础数据和模型迁移方法生成;
将所述用户评分和多个阈值区间进行比较以确定所述当前用户的用户类别,基于所述用户类别为所述当前用户的进行物质资源和/或信息资源和/或时间资源和/或信息资源分配;
在当前用户处于低风险区间时,对当前用户进行资源额度增加处理;
在当前用户处于高风险区间时,降低当前用户的资源额度;
在当前用户风险数值高于阈值时,将用户设定为重点监控用户,对当前用户进行实时监管;
其中,模型迁移的步骤,包括:
获取第一部门的资源借用场景和第二部门的资源借用场景中的其他用户的基础数据;
将第二部门的资源借用场景中的用户的基础数据输入逻辑回归模型中进行训练以生成基础模型;
在所述基础模型中添加适应层和域混淆损失函数以生成初始用户模型;
初始用户模型中的适应层对第二用户的基础数据和第一用户的基础数据进行计算,分别生成第一域混淆损失函数和第二域混淆损失函数;
基于所述第一域混淆损失函数和所述第二域混淆损失函数生成目标域混淆损失函数;
基于所述目标域混淆损失函数的最优值确定所述适应层的结构;
基于确定的所述适应层的结构和所述初始用户模型生成所述用户分析模型。
2.如权利要求1所述的方法,其特征在于,基于所述第一域混淆损失函数和所述第二域混淆损失函数生成目标域混淆损失函数,包括:
将所述第一域混淆损失函数和所述第二域混淆损失函数之间的最大平均差异距离作为所述目标域混淆损失函数。
3.一种基于模型迁移的用户策略分配装置,其特征在于,包括:
数据模块,用于获取第一部门的资源借用场景中的当前用户的基础数据,其中,基础数据包括:性别,年龄,职业,收入数据,第三方平台的资源借用数据,授信数据,以往资源借用数据;
分析模块,用于将所述基础数据输入用户分析模型中,生成用户评分,其中,所述用户分析模型通过所述第一部门的资源借用场景中的不带标签的第一用户和第二部门的资源借用场景的带有标签的第二用户的基础数据和模型迁移方法生成;
分配模块,用于将所述用户评分和多个阈值区间进行比较以确定所述当前用户的用户类别,基于所述用户类别为所述当前用户的进行物质资源和/或信息资源和/或时间资源和/或信息资源分配;并在当前用户处于低风险区间时,对当前用户进行资源额度增加处理;在当前用户处于高风险区间时,降低当前用户的资源额度;在当前用户风险数值高于阈值时,将用户设定为重点监控用户,对当前用户进行实时监管;
模型迁移模块,用于获取第一部门的资源借用场景和第二部门的资源借用场景中的其他用户的基础数据;将第二部门的资源借用场景中的用户的基础数据输入逻辑回归模型中进行训练以生成基础模型;在所述基础模型中添加适应层和域混淆损失函数以生成初始用户模型;初始用户模型中的适应层对第二用户的基础数据和第一用户的基础数据进行计算,分别生成第一域混淆损失函数和第二域混淆损失函数;基于所述第一域混淆损失函数和所述第二域混淆损失函数生成目标域混淆损失函数;基于所述目标域混淆损失函数的最优值确定所述适应层的结构;基于确定的所述适应层的结构和所述初始用户模型生成所述用户分析模型。
4.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1或2所述的方法。
5.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1或2所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010733477.6A CN111626438B (zh) | 2020-07-27 | 2020-07-27 | 基于模型迁移的用户策略分配方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010733477.6A CN111626438B (zh) | 2020-07-27 | 2020-07-27 | 基于模型迁移的用户策略分配方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626438A CN111626438A (zh) | 2020-09-04 |
CN111626438B true CN111626438B (zh) | 2021-12-14 |
Family
ID=72271516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010733477.6A Active CN111626438B (zh) | 2020-07-27 | 2020-07-27 | 基于模型迁移的用户策略分配方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626438B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808004A (zh) * | 2017-11-15 | 2018-03-16 | 北京百度网讯科技有限公司 | 模型训练方法和系统、服务器、存储介质 |
CN109948741A (zh) * | 2019-03-04 | 2019-06-28 | 北京邮电大学 | 一种迁移学习方法及装置 |
CN110458598A (zh) * | 2019-07-04 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 场景适配方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102184278B1 (ko) * | 2018-11-21 | 2020-11-30 | 한국과학기술원 | 메타학습에 기반한 임의의 목표 데이터셋과 모델 구조로의 전이학습 방법 및 시스템 |
-
2020
- 2020-07-27 CN CN202010733477.6A patent/CN111626438B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808004A (zh) * | 2017-11-15 | 2018-03-16 | 北京百度网讯科技有限公司 | 模型训练方法和系统、服务器、存储介质 |
CN109948741A (zh) * | 2019-03-04 | 2019-06-28 | 北京邮电大学 | 一种迁移学习方法及装置 |
CN110458598A (zh) * | 2019-07-04 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 场景适配方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111626438A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529702B (zh) | 用户授信策略分配方法、装置及电子设备 | |
CN111210335B (zh) | 用户风险识别方法、装置及电子设备 | |
CN112015562A (zh) | 基于迁移学习的资源分配方法、装置及电子设备 | |
CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
CN112017060B (zh) | 为目标用户进行资源分配的方法、装置及电子设备 | |
CN111178687B (zh) | 金融风险分类方法、装置及电子设备 | |
CN112348659B (zh) | 用户识别策略的分配方法、装置及电子设备 | |
CN112016793B (zh) | 基于目标用户群的资源分配方法、装置及电子设备 | |
CN112016792A (zh) | 用户资源配额确定方法、装置及电子设备 | |
CN112017062B (zh) | 基于客群细分的资源额度分配方法、装置及电子设备 | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
CN111191677B (zh) | 用户特征数据生成方法、装置及电子设备 | |
CN112348658A (zh) | 资源分配方法、装置及电子设备 | |
CN114742645B (zh) | 基于多阶段时序多任务的用户安全等级识别方法及装置 | |
US11714637B1 (en) | User support content generation | |
CN111626438B (zh) | 基于模型迁移的用户策略分配方法、装置及电子设备 | |
CN113570207B (zh) | 用户策略分配方法、装置及电子设备 | |
CN113568739B (zh) | 用户资源额度分配方法、装置及电子设备 | |
US20230169389A1 (en) | Domain adaptation | |
US11741128B2 (en) | Model-free high confidence data clustering | |
CN112348661B (zh) | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 | |
CN113902545A (zh) | 资源额度分配方法、装置及电子设备 | |
CN112527852A (zh) | 用户动支策略分配方法、装置及电子设备 | |
CN112950003A (zh) | 用户资源配额调整方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |