CN111932041A - 基于风险识别的模型训练方法、装置和电子设备 - Google Patents

基于风险识别的模型训练方法、装置和电子设备 Download PDF

Info

Publication number
CN111932041A
CN111932041A CN202011069728.1A CN202011069728A CN111932041A CN 111932041 A CN111932041 A CN 111932041A CN 202011069728 A CN202011069728 A CN 202011069728A CN 111932041 A CN111932041 A CN 111932041A
Authority
CN
China
Prior art keywords
statistical center
sample
data set
expected value
statistical
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.)
Granted
Application number
CN202011069728.1A
Other languages
English (en)
Other versions
CN111932041B (zh
Inventor
吕乐
傅幸
周璟
宝鹏庆
王维强
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202011069728.1A priority Critical patent/CN111932041B/zh
Publication of CN111932041A publication Critical patent/CN111932041A/zh
Application granted granted Critical
Publication of CN111932041B publication Critical patent/CN111932041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例公开了一种基于风险识别的模型训练方法、装置及电子设备，具体方案包括：获取无样本标签的第一数据集，第一数据集包含预期具有第一类样本标签的样本数据，在该预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据；对第一数据集预配置第一类样本标签，利用该第一数据集运行配置有第一模型参数的目标模型，生成预测值。利用损失函数判断预测值相比于第一数据集所反映的目标值的损失量，估算损失量对应的第一数据集的统计中心估值，将统计中心估值转换成统计中心期望值，利用损失量和损失量对应的统计中心期望值调整第一模型参数，直到损失量达到预设条件。

Description

基于风险识别的模型训练方法、装置和电子设备
技术领域
本说明书实施例涉及计算机技术领域，尤其涉及一种基于风险识别的模型训练方法、装置和电子设备。
背景技术
机器学习是人工智能的一个分支学科，主要研究的是让机器从过去的经历中学习经验，对数据的不确定性进行建模，对未来进行预测。通常，机器学习方法包括如下两类：
a.有监督方法：有标注数据时，有监督方法通常可以实现更强的泛化能力；
b.无监督方法：不需要标注数据，通过异常检测技术就可以防范恶意攻击；
在实际业务场景中，在更多时候，可能只得到一小部分正样本和大量未标记的样本，但这些未标记样本中可能仍有少量正样本。虽然为了方便操作，可以将未标记样本都作为负样本进行训练，但是如何在这种情况下提升模型辨别准确度，就成为一个值得思考的问题。
发明内容
有鉴于此，本说明书实施例提供了一种提升模型准确度的基于风险识别的模型训练方法、装置和电子设备。
本说明书实施例采用下述技术方案：
本说明书实施例提供一种基于风险识别的模型训练方法，包括：
获取无样本标签的第一数据集，所述第一数据集包含预期具有第一类样本标签的样本数据，在所述预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据；
对所述第一数据集预配置所述第一类样本标签；
利用预配置所述第一类样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值；
基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
本说明书实施例还提供一种基于风险识别的模型训练方法，包括：
获取无样本标签的第一数据集，所述第一数据集包含预期的负样本数据，在所述预期的负样本数据中掺杂有正样本数据；
对所述第一数据集预配置负样本标签；
利用预配置所述负样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算所述损失量对应的预配置所述负样本标签的所述第一数据集的统计中心估值；
基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
本说明书实施例还提供一种基于风险识别的模型训练装置，包括：
获取模块，获取无样本标签的第一数据集，所述第一数据集包含预期具有第一类样本标签的样本数据，在所述预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据；
配置模块，对所述第一数据集预配置所述第一类样本标签；
运行模块，利用预配置所述第一类样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
判断模块，利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算模块，估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值；
转换模块，基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
调整模块，利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
本说明书实施例还提供一种基于风险识别的模型训练装置，包括：
获取模块，获取无样本标签的第一数据集，所述第一数据集包含预期的负样本数据，所述预期的负样本数据中掺杂有正样本数据；
配置模块，对所述第一数据集预配置负样本标签；
运行模块，利用预配置所述负样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
判断模块，利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算模块，估算所述损失量对应的预配置所述负样本标签的所述第一数据集的统计中心估值；
转换模块，基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
调整模块，利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
本说明书实施例还提供一种电子设备，包括：
处理器；以及被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取无样本标签的第一数据集，所述第一数据集包含预期具有第一类样本标签的样本数据，在所述预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据；
对所述第一数据集预配置所述第一类样本标签；
利用预配置所述第一类样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值；
基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
本说明书实施例还提供一种电子设备，包括：
处理器；以及被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取无样本标签的第一数据集，所述第一数据集包含预期的负样本数据，在所述预期的负样本数据中掺杂有正样本数据；
对所述第一数据集预配置负样本标签；
利用预配置所述负样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算所述损失量对应的预配置所述负样本标签的所述第一数据集的统计中心估值；
基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
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：
利用本说明书实施例提供的方案，如果第一数据集中预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据，即预期具有第一类样本标签的样本数据的数据量远多于具有第二类样本标签的样本数据，对该第一数据集预配置第一类样本标签，估算该预配置第一类样本标签的第一数据集的统计中心估值，统计中心估值是一个估计值，具有无偏性和有效性的概念在里面。在统计中心估值的基础上用一个可学习的统计中心期望值来产生更接近真实期望值的估计，利用该统计中心估值约束损失函数中所包含的统计中心期望值，统计中心期望值反映了数据集所偏向的第一类样本标签，可以规避数据集所存在的第二类样本标签的噪声对模型精确度的影响，以提高模型精确度。
附图说明
此处所说明的附图用来提供对本说明书实施例的进一步理解，构成本说明书实施例的一部分，本说明书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为本说明书实施例提供的一种基于风险识别的模型训练方法的流程图；
图2为本说明书实施例提供的一种基于风险识别的模型训练方法的一个应用示例的流程图；
图3为本说明书实施例提供的一种基于风险识别的模型训练方法的流程图；
图4为本说明书实施例提供的一种基于风险识别的模型训练装置的结构图；
图5为本说明书实施例提供的一种基于风险识别的模型训练装置的结构图；
图6示出了本说明书实施例所提供的一种更为具体的计算设备硬件结构示意图。
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，下面将结合本说明书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。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提出的一种基于风险识别的模型训练方法的流程图。本说明书实施例所要训练模型可用于风险识别领域，例如识别风险用户，具体如欺诈用户、恶意用户等。本方法方案具体阐述如下。
步骤101：获取无样本标签的第一数据集，所述第一数据集包含预期具有第一类样本标签的样本数据，在所述预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据。
步骤103：对所述第一数据集预配置所述第一类样本标签。
步骤105：利用预配置所述第一类样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值。
步骤107：利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值。
步骤109：估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值。
步骤111：基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
步骤113：利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
在本说明书实施例中，在预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据，是指无样本标签中绝大部分样本数据预期具有第一类样本标签，并掺杂有小部分具有第二类样本标签的样本数据。面对这种应用场景时，本说明书实施例提出通过优化统计中心期望值来调整目标模型中的第一模型参数的方案。统计中心估值可以根据第一数据集估算得到，统计中心期望值反映了数据集整体所偏向的第一类样本标签，利用统计中心期望值可以规避第一数据集所存在的第二类样本标签的噪声对模型精确度的影响，提升模型准确度。
由于统计中心估值是一个估计值，统计中心估值具有无偏性和有效性的概念在里面，该估值不能直接用做期望值，因此在统计中心估值的基础上用一个可学习的统计中心期望值来产生更接近真实期望值的估计。这样当损失量达到预设条件时，通过此时优化得到的统计中心期望值能够调整损失函数中包含的第一模型参数，得到最终用于风险识别的目标模型。
在本说明书实施例中，第一数据集可以是全量样本数据，还可以是全量样本数据的批次样本数据。如果是批次样本数据，则可以使用图1所示方案进行迭代，直到损失量达到预设条件。
在本说明书实施例中，预期具有第一类样本标签的样本数据，可以是指根据历史业务信息预判具有第一类样本标签的样本数据。在预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据，可以理解成，预期具有第一类样本标签的样本数据的数据量超过具有第二类样本标签的样本数据达到预设比例，该预设比例确保具有第二类样本标签的样本数据占到预期具有第一类样本标签的样本数据的一小部分。
在执行步骤101时，具体可以从数据库中获取无样本标签的第一数据集。具体地，根据风险识别业务标识，从数据库中获取该风险识别业务标识所对应的无样本标签的第一数据集。
在本说明书进一步实施例中，可以从电商平台的数据库中获取所述无样本标签的第一数据集，这样本说明书实施例记载的目标模型可以应用在电商平台，进行风险用户识别。从电商平台的数据库中所获取第一数据集是电商平台运行过程中产生的用户交易数据，用户交易数据反映用户属性，因此通过用户交易数据训练目标模型，使得目标模型可以用于识别恶意用户或善意用户。
因此，可以基于消费用户标识，从电商平台的数据库中获取消费用户标识所对应的无样本标签的第一数据集，对该消费用户标识预配置第一类样本标签。对各消费用户标识打标第一类样本标签，这样消费用户标识所属的样本数据均表征为预配置第一类样本标签。
对第一数据集预配置第一类样本标签，此时预期具有第一类样本标签的样本数据被正确地预配置第一类样本标签，具有第二类样本标签的样本数据也被错误地预配置第一类样本标签，这些被错误预配置的第一类样本标签属于标签噪声。
那么，执行步骤103，具体包括，将预配置第一类样本标签的第一数据集作为输入来运行目标模型，目标模型运行的结果即是生成预测值。
在本说明书实施例中，可以直接利用目标模型所对应损失函数，判断所述预测值相比于所述第一数据集所反映的目标值的损失量，该损失量为损失函数的函数值。
损失函数（loss function）用来估量目标模型的预测值f(x)与目标值Y的不一致程度，它是一个非负实值函数，通常使用l(Y，f(x))来表示，损失函数越小，即损失量越小，目标模型的鲁棒性就越好。其中，目标值可以是对第一数据集事先预认定的样本标签，如正样本或负样本。
具体地，损失函数可以选择平方损失函数、交叉熵损失函数、对数似然函数损失函数或0-1损失函数和绝对值损失函数，根据实际需要选择，在此不作限定。
在本说明书实施例中，损失函数中包含第一函数项和第二函数项，所述第一函数项和第二函数项均包含所述第一模型参数，所述第二函数项相比于所述第一函数项还包括所述统计中心期望值。其中，第一模型参数为配置在目标模型中，在风险识别过程中用于执行决策。在这种情况下，第一函数项将不受样本标签噪声的影响，而第二函数项因为包含了统计中心期望值而受样本标签噪声的影响，这有效实现可以利用统计中心期望值来调整第一模型参数的目的，增强本方案的可行性。
在本说明书实施例中，采用如下方式推导得到上述损失函数。
首先，经验损失函数可以表征为：
Figure 788321DEST_PATH_IMAGE001
Figure 213967DEST_PATH_IMAGE002
表征数据集，
Figure 223512DEST_PATH_IMAGE003
表征实际具有第二类样本标签的第二样本数据集，
Figure 70245DEST_PATH_IMAGE004
表征无样本标签的第一数据集，
Figure 389100DEST_PATH_IMAGE005
表示第一数据集和第二数据集中的数据量之和，k为第二数据集的数据量，
Figure 321284DEST_PATH_IMAGE006
表示第
Figure 134519DEST_PATH_IMAGE007
个样本的样本标签，
Figure 101338DEST_PATH_IMAGE008
表征第
Figure 325515DEST_PATH_IMAGE007
个样本的样本数据，
Figure 276153DEST_PATH_IMAGE009
表征第
Figure 627500DEST_PATH_IMAGE007
个样本的样本数据的函数。由于
Figure 448826DEST_PATH_IMAGE010
中所有样本的标签已知，
Figure 594636DEST_PATH_IMAGE011
可以计算，但
Figure 16259DEST_PATH_IMAGE004
中样本标签未知，为了更精确计算
Figure 171297DEST_PATH_IMAGE012
，此时可以对
Figure 847129DEST_PATH_IMAGE012
进行合理的估计。
具体地，使用折页损失函数，即
Figure 694999DEST_PATH_IMAGE013
，公式中
Figure 89071DEST_PATH_IMAGE014
。折页损失函数
Figure 34418DEST_PATH_IMAGE015
可以按下式分解：
Figure 830336DEST_PATH_IMAGE016
根据上式及
Figure 317949DEST_PATH_IMAGE017
，
Figure 199317DEST_PATH_IMAGE018
，可以得到
Figure 945425DEST_PATH_IMAGE019
这一公式右侧第一函数项项不受样本标签噪声信息的影响，公式第二函数项受样本噪声影响。同时，公式右侧与左侧之间的差值为
Figure 595849DEST_PATH_IMAGE020
第一函数项和第二函数项之间的最大差值为1。因此，上述损失函数
Figure 519943DEST_PATH_IMAGE021
表征为公式（一）：
Figure 888608DEST_PATH_IMAGE022
Figure 907248DEST_PATH_IMAGE023
Figure 881020DEST_PATH_IMAGE024
其中，常数项Const为
Figure 694124DEST_PATH_IMAGE025
，w为第一模型参数，
Figure 284506DEST_PATH_IMAGE027
为第一函数项，
Figure 857569DEST_PATH_IMAGE028
为第二函数项，第二函数项相比于第一函数项还包括统计中心估值。
Figure 728924DEST_PATH_IMAGE029
是第一数据集的真实统计中心估值。
在本说明书实施例中，统计中心估值可以是第一数据集中所有数据的中位值，具体如中位数或平均数。在一种方案中，可以直接对第一数据集估算统计中心估值。
在本说明书另一实施例中，估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值，具体包括：
估算预配置所述第一类样本标签的所述第一数据集的第一统计中心估值；
获取用于训练所述目标模型的实际具有所述第二类样本标签的第二数据集的第二统计中心估值；
获取用于训练所述目标模型的实际具有第二类样本标签的第二数据集的第二统计中心估值。这样，估算统计中心估值拆分为估算第一类样本标签的第一统计中心估值和获取第二统计中心估值。
在这种情况下，损失函数还包含第二统计中心期望值，则利用损失量和损失量对应的第一统计中心期望值和第二统计中心期望值调整第一模型参数。
其中，预配置第一类样本标签是对第一数据集打上第一类样本标签，实现对第一类样本标签的假设。在实际应用中，如果第一数据集所包含样本数据实际大部分是第一类样本标签，则可以默认该第一数据集整体具有第一类样本标签。而第二数据集则可以是实际确定的具有第二类样本标签。
在实际场景中，第二数据集可以是正样本，例如在风控识别领域，该正样本表征具有恶意风险的用户数据。此时，大量未标记的第一数据集被认为是负样本，负样本表征善意用户数据，但是其中掺杂少量数据为正样本，处于未知状态。
即使少量数据为正样本，但这些正样本数据的分布与实际的第二数据集中正样本的统计分布是基本一致的，因此就可以将对第一数据集的统计中心估值的估算转化成估算具有第一类样本标签的第一数据集的第一统计中心估值和实际的具有第二类样本标签的第二数据集的第二统计中心估值。
在这种情况下，基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值，可以包括：
基于所述第一统计中心估值与第一统计中心期望值之间的第一约束关系，将所述第一统计中心估值转换成第一统计中心期望值；
基于所述第二统计中心估值与第二统计中心期望值之间的第二约束关系，将所述第二统计中心估值转换成第二统计中心期望值，则所述统计中心期望值包括所述第一统计中心期望值和第二统计中心期望值。
具体地，参照如下公式：
Figure 994820DEST_PATH_IMAGE030
是无标签的第一数据集的真实统计中心。由于标签数据未知，因此通过以下方式（二）对其进行估计：
Figure 72497DEST_PATH_IMAGE031
Figure 449252DEST_PATH_IMAGE032
其中，
Figure 178043DEST_PATH_IMAGE033
为该第
Figure 880419DEST_PATH_IMAGE007
个样本的特征信息。
Figure 445393DEST_PATH_IMAGE034
由两种样本组成，第一种是无标签数据中的正样本（第二类样本标签的实例化），这些样本在建模过程中，被错误标定为负样本（第一类样本标签的实例化），根据前述分析，这部分样本的个数约为
Figure 625839DEST_PATH_IMAGE035
，其中
Figure 491026DEST_PATH_IMAGE036
为正样本的分布概率，
Figure 347993DEST_PATH_IMAGE037
表示目标模型的超参数（表示正样本出现在无标签数据集中的概率）；第二种即无标签数据中的负样本。因此，
Figure 134683DEST_PATH_IMAGE038
中的求和公式可分解为两部分，第一部分由错误标定为负样本的正样本组成，第二部分则由真实的负样本组成：
Figure 384399DEST_PATH_IMAGE039
其中，错误标为负样本的正样本的分布与第二数据集
Figure 838514DEST_PATH_IMAGE010
基本一致，因此，
Figure 866382DEST_PATH_IMAGE040
可以用来对
Figure 140368DEST_PATH_IMAGE041
进行无偏估计。
具体地，推导如下：
Figure 928196DEST_PATH_IMAGE042
Figure 971238DEST_PATH_IMAGE043
Figure 172937DEST_PATH_IMAGE044
Figure 199799DEST_PATH_IMAGE045
Figure 525738DEST_PATH_IMAGE046
Figure 954445DEST_PATH_IMAGE047
所以，对第一数据集
Figure 74848DEST_PATH_IMAGE004
的统计中心估值
Figure 838273DEST_PATH_IMAGE048
的估算转化成估算具有第一类样本标签的第一数据集的第一统计中心估值
Figure 436745DEST_PATH_IMAGE038
和实际的具有第二类样本标签的第二数据集
Figure 719959DEST_PATH_IMAGE003
的第二统计中心估值
Figure 276842DEST_PATH_IMAGE049
。
在进一步实施例中，为减弱统计中心估值方差大的影响，可以使用协方差对统计中心估值进行约束。因此，本方法还包括：
计算所述第一数据集中的各样本数据和所述各样本数据预配置的所述第一类样本标签之间的第一协方差，还计算所述第二数据集中的各样本数据和所述各样本数据具有的所述第二类样本标签之间的第二协方差。
在这种情况下，利用所述第一统计中心估值、第一协方差与第一统计中心期望值之间的第一约束关系，将第一统计中心估值转换成第一统计中心期望值；
利用所述第二统计中心估值、第二协方差与第二统计中心期望值之间的第二约束关系，将所述第二统计中心估值转换成第二统计中心期望值。这样，统计中心期望值实际拆分为第一统计中心期望值和第二统计中心期望值。
其中，协方差（Covariance）在概率论和统计学中用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况，即当两个变量是相同的情况。如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值时另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值；如果两个变量的变化趋势相反，即其中一个变量大于自身的期望值时另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。
应用在本说明书实施例中，协方差中的两个变量分别为样本标签和数据集中的特征信息。
具体地，为减弱公式中统计量方差大的影响，我们使用
Figure 261984DEST_PATH_IMAGE050
、
Figure 929726DEST_PATH_IMAGE049
的协方差矩阵（三）来对其进行约束：
Figure 333026DEST_PATH_IMAGE051
Figure 795231DEST_PATH_IMAGE052
这样，第一约束关系表征为：
Figure 18402DEST_PATH_IMAGE053
，其中
Figure 4681DEST_PATH_IMAGE054
表征第一统计中心期望值；
第二约束关系表征为：
Figure 996908DEST_PATH_IMAGE055
，其中，
Figure 630015DEST_PATH_IMAGE056
表征第二统计中心期望值。
在本说明书实施例中，损失函数中可以包含统计中心期望值和所述第一模型参数，则根据所述损失量和所述统计中心期望值调整所述损失函数中的所述第一模型参数；
根据所述损失函数中调整的所述第一模型参数确定所述目标模型中配置的所述第一模型参数，实现利用损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数。
也即是，通过调整损失函数中的第一模型参数，实现对目标模型中的第一模型参数的调整。
具体地，结合上文公式（一）、（二）和（三），得到优化的损失函数（四）：
Figure 606061DEST_PATH_IMAGE057
Figure 432302DEST_PATH_IMAGE058
Figure 279035DEST_PATH_IMAGE059
公式中，
Figure 614201DEST_PATH_IMAGE060
，
Figure 280806DEST_PATH_IMAGE061
，
Figure 343309DEST_PATH_IMAGE062
，
Figure 310128DEST_PATH_IMAGE063
。
在这一新的损失函数中，通过引入新的第一统计中心期望值
Figure 550616DEST_PATH_IMAGE064
来消除
Figure 970096DEST_PATH_IMAGE038
、
Figure 321443DEST_PATH_IMAGE065
方差较大的问题，可以认为以
Figure 657615DEST_PATH_IMAGE038
、
Figure 69005DEST_PATH_IMAGE040
为估计的统计中心估值初始值，在合理的方差范围
Figure 975781DEST_PATH_IMAGE066
、
Figure 396398DEST_PATH_IMAGE067
内，选择使损失函数最小的统计中心点来优化第一模型参数
Figure 72230DEST_PATH_IMAGE068
。这一新的优化目标可以有效降低数据集中的样本噪声影响。
其中，
Figure 169368DEST_PATH_IMAGE069
表征第一统计中心估值、第一协方差与第一统计中心期望值之间的第一约束关系；
Figure 563440DEST_PATH_IMAGE070
表征第二统计中心估值、第二协方差与第二统计中心期望值之间的第二约束关系，
Figure 256590DEST_PATH_IMAGE071
和
Figure 318087DEST_PATH_IMAGE067
根据需要设定，在此不作具体限定。
图2为本说明书实施例提出的一种基于风险识别的模型训练方法的一个应用示例的流程图，本方法具体阐述如下。
在本说明书实施例中，目标模型配置第一模型参数和第二模型参数。
则步骤202:利用所述目标模型中配置的第二模型参数提取所述第一数据集中的特征信息，利用所述目标模型中配置的所述第一模型参数识别所述特征信息以生成所述预测值。
步骤204：估算所述损失量对应的所述特征信息的所述统计中心估值。
步骤206：利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数和所述第二模型参数。
具体地，参考上文优化的损失函数（四），第一模型参数为
Figure 792318DEST_PATH_IMAGE068
，第二模型参数为
Figure 673686DEST_PATH_IMAGE072
，其中
Figure 436106DEST_PATH_IMAGE073
)用来表征目标模型从第一数据集中提取特征信息，而
Figure 86530DEST_PATH_IMAGE074
用来表征目标模型识别特征信息以生成预测值。
具体地，
Figure 10624DEST_PATH_IMAGE073
)作为提取数据中信息的模型，可以选择神经网络。
Figure 628556DEST_PATH_IMAGE075
可以是一个分类器，其输出为对y的预测，
Figure 663508DEST_PATH_IMAGE074
可以是一个线性分类器。其中，神经网络中配置第二模型参数，而分类器中配置第一模型参数。
在实际应用中，采用神经网络作为上述损失函数内的
Figure 434018DEST_PATH_IMAGE076
，神经网络提取原始输入特征
Figure 794592DEST_PATH_IMAGE077
中的表征向量
Figure 384973DEST_PATH_IMAGE078
，表征向量
Figure 472884DEST_PATH_IMAGE079
用于分类器对样本标签进行预测，神经网络可通过梯度下降算法进行优化，交替优化损失函数中的模型参数
Figure 363480DEST_PATH_IMAGE080
、
Figure 629376DEST_PATH_IMAGE081
。
当
Figure 707053DEST_PATH_IMAGE082
固定时，
Figure 333076DEST_PATH_IMAGE080
可以通过常用的梯度下降算法进行优化即可，优化目标可简化如下：
Figure 78178DEST_PATH_IMAGE083
当
Figure 249396DEST_PATH_IMAGE080
固定时，可以忽略函数损失中的常数项，求解关于
Figure 79949DEST_PATH_IMAGE082
的优化问题：
Figure 260394DEST_PATH_IMAGE084
Figure 840762DEST_PATH_IMAGE085
Figure 714040DEST_PATH_IMAGE086
以上优化问题为一个有约束的优化问题，可以采用拉格朗日数乘法对上述问题进行变换，引入拉格朗日变量
Figure 766309DEST_PATH_IMAGE087
，
Figure 750446DEST_PATH_IMAGE088
：
Figure 204561DEST_PATH_IMAGE089
通过计算
Figure 966849DEST_PATH_IMAGE090
，
Figure 506415DEST_PATH_IMAGE091
，得到
Figure 28663DEST_PATH_IMAGE092
Figure 586553DEST_PATH_IMAGE093
在优化
Figure 801633DEST_PATH_IMAGE081
的过程中值得注意的是，由于神经网络
Figure 828495DEST_PATH_IMAGE094
的参数随着模型的训练在不断变化，样本的表征向量
Figure 888855DEST_PATH_IMAGE079
随着模型的变化也会发生变化。因此，在每次
Figure 317562DEST_PATH_IMAGE082
优化的过程中
Figure 952812DEST_PATH_IMAGE038
、
Figure 466970DEST_PATH_IMAGE095
、
Figure 331021DEST_PATH_IMAGE096
、
Figure 614234DEST_PATH_IMAGE097
等统计量也是在平滑的发生变化的。因此，在使用拉格朗日法优化
Figure 171118DEST_PATH_IMAGE098
之前，可以使用神经网络和当前的参数
Figure 159190DEST_PATH_IMAGE072
，在批数据上计算表征向量
Figure 826931DEST_PATH_IMAGE079
，并以此更新
Figure 230231DEST_PATH_IMAGE038
、
Figure 692436DEST_PATH_IMAGE040
、
Figure 181186DEST_PATH_IMAGE099
、
Figure 636307DEST_PATH_IMAGE097
等统计量，更新公式（五）如下：
Figure 628534DEST_PATH_IMAGE100
Figure 261641DEST_PATH_IMAGE101
Figure 955796DEST_PATH_IMAGE102
Figure 965341DEST_PATH_IMAGE103
Figure 812074DEST_PATH_IMAGE104
、
Figure 616082DEST_PATH_IMAGE105
表示第t次迭代训练中的统计中心估值，
Figure 63113DEST_PATH_IMAGE106
、
Figure 610769DEST_PATH_IMAGE107
表示第t+1次迭代训练中的统计中心估值，在实际应用中，对t+1次迭代中使用的批数据按公式（二）及公式（三）计算
Figure 577588DEST_PATH_IMAGE108
、
Figure 818076DEST_PATH_IMAGE109
，采用上述公式（五）计算
Figure 503135DEST_PATH_IMAGE108
、
Figure 100820DEST_PATH_IMAGE110
与
Figure 922146DEST_PATH_IMAGE111
、
Figure 599115DEST_PATH_IMAGE105
的滑动平均，得到的
Figure 505891DEST_PATH_IMAGE106
、
Figure 660928DEST_PATH_IMAGE112
代入上述公式（四）。
同理地，对第t+1次迭代过程中估算得到的
Figure 851607DEST_PATH_IMAGE113
采用公式（五）进行衰减，衰减得到的
Figure 433898DEST_PATH_IMAGE113
代入上文公式（四）。
图3为本说明书实施例提出的一种基于风险识别的模型训练方法的流程图，本方法具体方案阐述如下。
步骤301：获取无样本标签的第一数据集，所述第一数据集包含预期的负样本数据，在所述预期的负样本数据中掺杂有正样本数据；
步骤303：对所述第一数据集预配置负样本标签；
步骤305：利用预配置所述负样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
步骤307：利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
步骤309：估算所述损失量对应的预配置所述负样本标签的所述第一数据集的统计中心估值；
步骤311：基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
步骤313：利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
在实际业务场景中，预期的负样本数据为信用良好的善意用户数据，换句话说为不存在业务风险的用户，这部分数据占到大部分，真正被标记为欺诈用户的正样本数据只占到很少。其中，那些善意用户数据未被标记，虽然这其中大多数信用良好，但仍有少量可能为欺诈用户。在用于风险识别的建模过程中，可以使用这些用户的行为数据集来识别预测用户是否欺诈。其中，欺诈用户即为数据集中的正样本，而未被标记的用户为数据集中的无标签数据集。
利用无样本标签的数据集进行训练建模过程中，认为负样本中具有一定量的噪声，本说明书实施例将有监督建模问题转换为一个训练过程中降低样本标签噪声影响的问题，尽可能消除样本标签噪声对损失函数的影响。通过预配置为负样本标签的数据集估计统计中心估值，将其转换成可训练的统计中心期望值，实现对损失函数中的第一模型参数的调整，进而得到目标模型中配置的第一模型参数。
图4为本说明书实施例提供的一种基于风险识别的模型训练装置的结构图，本装置包括：
获取模块410，获取无样本标签的第一数据集，所述第一数据集包含预期具有第一类样本标签的样本数据，在所述预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据；
配置模块420，对所述第一数据集预配置所述第一类样本标签；
运行模块430，利用预配置所述第一类样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
判断模块440，利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算模块450，估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值；
转换模块460，基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
调整模块470，利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
可选地，估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值，包括：
估算预配置所述第一类样本标签的所述第一数据集的第一统计中心估值；
获取用于训练所述目标模型的实际具有所述第二类样本标签的第二数据集的第二统计中心估值；
基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值，包括：
基于所述第一统计中心估值与第一统计中心期望值之间的第一约束关系，将所述第一统计中心估值转换成第一统计中心期望值；
基于所述第二统计中心估值与第二统计中心期望值之间的第二约束关系，将所述第二统计中心估值转换成第二统计中心期望值；
损失函数还包含所述第二统计中心期望值，则利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，包括：
利用所述损失量和所述损失量对应的所述第一统计中心期望值和第二统计中心期望值调整所述第一模型参数。
可选地，所述装置还计算所述第一数据集中的各样本数据和所述各样本数据预配置的第一类样本标签之间的第一协方差，还计算所述第二数据集中的各样本数据和所述各样本数据具有的所述第二类样本标签之间的第二协方差；
估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值，包括：
利用所述第一统计中心估值、第一协方差与第一统计中心期望值之间的第一约束关系，将所述第一统计中心估值转换成所述第一统计中心期望值；
利用所述第二统计中心估值、第二协方差与第二统计中心期望值之间的第二约束关系，将所述第二统计中心估值转换成所述第二统计中心期望值。
可选地，利用所述预配置所述第一类样本标签的所述第一数据集运行配置第一模型参数的目标模型，包括：
利用所述目标模型中配置的第二模型参数提取所述第一数据集中的特征信息，利用所述目标模型中配置的所述第一模型参数识别所述特征信息以生成所述预测值；
估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值，包括：
估算所述损失量对应的所述特征信息的所述统计中心估值；
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，包括：
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数和所述第二模型参数。
可选地，获取无样本标签的第一数据集，包括：
从数据库中获取无样本标签的第一数据集。
可选地，从数据库中获取无样本标签的第一数据集，包括：
从电商平台的数据库中获取所述无样本标签的第一数据集。
可选地，从电商平台的数据库中获取所述无样本标签的第一数据集，包括：
基于消费用户标识，从所述电商平台的数据库中获取所述消费用户标识所对应的所述无样本标签的第一数据集；
对所述消费用户标识预配置所述第一类样本标签。
图5为本说明书实施例提供的一种基于风险识别到模型训练装置的结构图，本装置包括：
获取模块510，获取无样本标签的第一数据集，所述第一数据集包含预期的负样本数据，在所述预期的负样本数据中掺杂有正样本数据；
配置模块520，对所述第一数据集预配置负样本标签；
运行模块530，利用预配置所述负样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
判断模块540，利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算模块550，估算所述损失量对应的预配置所述负样本标签的所述第一数据集的统计中心估值；
转换模块560，基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
调整模块570，利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
基于同一个发明构思，本说明书实施例还提供了一种电子设备，包括：
处理器；以及被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行图1-图3任一实施例所示方法。
基于同一发明构思，本说明书实施例中还提供了一种计算机可读存储介质，包括与电子设备结合使用计算机程序，所述计算机程序可被处理器执行以完成图1-图3任一实施例所示方法。
图6示出了本说明书实施例所提供的一种更为具体的计算设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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。
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 (20)

1.一种基于风险识别的模型训练方法，包括：
获取无样本标签的第一数据集，所述第一数据集包含预期具有第一类样本标签的样本数据，在所述预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据；
对所述第一数据集预配置所述第一类样本标签；
利用预配置所述第一类样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值；
基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
2.如权利要求1所述的方法，所述损失函数包含第一函数项和第二函数项，所述第一函数项和第二函数项均包含所述第一模型参数，所述第二函数项相比于所述第一函数项还包括所述统计中心期望值。
3.如权利要求1所述的方法，估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值，包括：
估算所述预配置所述第一类样本标签的所述第一数据集的第一统计中心估值；
获取用于训练所述目标模型的实际具有所述第二类样本标签的第二数据集的第二统计中心估值；
基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值，包括：
基于所述第一统计中心估值与第一统计中心期望值之间的第一约束关系，将所述第一统计中心估值转换成所述第一统计中心期望值；
基于所述第二统计中心估值与第二统计中心期望值之间的第二约束关系，将所述第二统计中心估值转换成所述第二统计中心期望值；
所述损失函数还包含所述第二统计中心期望值，则利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，包括：
利用所述损失量和所述损失量对应的所述第一统计中心期望值和第二统计中心期望值调整所述第一模型参数。
4.如权利要求3所述的方法，所述方法还包括：
计算所述第一数据集中的各样本数据和所述各样本数据预配置的所述第一类样本标签之间的第一协方差，还计算所述第二数据集中的各样本数据和所述各样本数据具有的所述第二类样本标签之间的第二协方差；
估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值，包括：
利用所述第一统计中心估值、第一协方差与第一统计中心期望值之间的第一约束关系，将所述第一统计中心估值转换成所述第一统计中心期望值；
利用所述第二统计中心估值、第二协方差与第二统计中心期望值之间的第二约束关系，将所述第二统计中心估值转换成所述第二统计中心期望值。
5.如权利要求1所述的方法，利用预配置所述第一类样本标签的所述第一数据集运行配置第一模型参数的目标模型，包括：
利用所述目标模型中配置的第二模型参数提取所述第一数据集中的特征信息，利用所述目标模型中配置的所述第一模型参数识别所述特征信息以生成所述预测值；
估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值，包括：
估算所述损失量对应的所述特征信息的所述统计中心估值；
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，包括：
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数和所述第二模型参数。
6.如权利要求5所述的方法，所述目标模型包含配置所述第二模型参数的神经网络和配置所述第一模型参数的分类器。
7.如权利要求1所述的方法，获取无样本标签的第一数据集，包括：
从数据库中获取无样本标签的第一数据集。
8.如权利要求7所述的方法，从数据库中获取无样本标签的第一数据集，包括：
从电商平台的数据库中获取所述无样本标签的第一数据集。
9.如权利要求8所述的方法，从电商平台的数据库中获取所述无样本标签的第一数据集，包括：
基于消费用户标识，从所述电商平台的数据库中获取所述消费用户标识所对应的所述无样本标签的第一数据集；
对所述消费用户标识预配置所述第一类样本标签。
10.一种基于风险识别的模型训练方法，包括：
获取无样本标签的第一数据集，所述第一数据集包含预期的负样本数据，在所述预期的负样本数据中掺杂有正样本数据；
对所述第一数据集预配置负样本标签；
利用预配置所述负样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算所述损失量对应的预配置所述负样本标签的所述第一数据集的统计中心估值；
基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
11.一种基于风险识别的模型训练装置，包括：
获取模块，获取无样本标签的第一数据集，所述第一数据集包含预期具有第一类样本标签的样本数据，在所述预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据；
配置模块，对所述第一数据集预配置所述第一类样本标签；
运行模块，利用预配置所述第一类样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
判断模块，利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算模块，估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值；
转换模块，基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
调整模块，利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
12.如权利要求11所述的装置，估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值，包括：
估算所述预配置所述第一类样本标签的所述第一数据集的第一统计中心估值；
获取用于训练所述目标模型的实际具有所述第二类样本标签的第二数据集的第二统计中心估值；
基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值，包括：
基于所述第一统计中心估值与第一统计中心期望值之间的第一约束关系，将所述第一统计中心估值转换成所述第一统计中心期望值；
基于所述第二统计中心估值与第二统计中心期望值之间的第二约束关系，将所述第二统计中心估值转换成所述第二统计中心期望值；
所述损失函数还包含所述第二统计中心期望值，则利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，包括：
利用所述损失量和所述损失量对应的所述第一统计中心期望值和第二统计中心期望值调整所述第一模型参数。
13.如权利要求12所述的装置，所述装置还计算所述第一数据集中的各样本数据和所述各样本数据预配置的所述第一类样本标签之间的第一协方差，还计算所述第二数据集中的各样本数据和所述各样本数据具有的所述第二类样本标签之间的第二协方差；
估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值，包括：
利用所述第一统计中心估值、第一协方差与第一统计中心期望值之间的第一约束关系，将所述第一统计中心估值转换成所述第一统计中心期望值；
利用所述第二统计中心估值、第二协方差与第二统计中心期望值之间的第二约束关系，将所述第二统计中心估值转换成所述第二统计中心期望值。
14.如权利要求11所述的装置，利用预配置所述第一类样本标签的所述第一数据集运行配置第一模型参数的目标模型，包括：
利用所述目标模型中配置的第二模型参数提取所述第一数据集中的特征信息，利用所述目标模型中配置的所述第一模型参数识别所述特征信息以生成所述预测值；
估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值，包括：
估算所述损失量对应的所述特征信息的所述统计中心估值；
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，包括：
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数和所述第二模型参数。
15.如权利要求11所述的装置，获取无样本标签的第一数据集，包括：
从数据库中获取无样本标签的第一数据集。
16.如权利要求15所述的装置，从数据库中获取无样本标签的第一数据集，包括：
从电商平台的数据库中获取所述无样本标签的第一数据集。
17.如权利要求11所述的装置，从电商平台的数据库中获取所述无样本标签的第一数据集，包括：
基于消费用户标识，从所述电商平台的数据库中获取所述消费用户标识所对应的所述无样本标签的第一数据集；
对所述消费用户标识预配置所述第一类样本标签。
18.一种基于风险识别的模型训练装置，包括：
获取模块，获取无样本标签的第一数据集，所述第一数据集包含预期的负样本数据，在所述预期的负样本数据中掺杂有正样本数据；
配置模块，对所述第一数据集预配置负样本标签；
运行模块，利用预配置所述负样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
判断模块，利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算模块，估算所述损失量对应的预配置所述负样本标签的所述第一数据集的统计中心估值；
转换模块，基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
调整模块，利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
19.一种电子设备，包括：
处理器；以及被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取无样本标签的第一数据集，所述第一数据集包含预期具有第一类样本标签的样本数据，在所述预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据；
对所述第一数据集预配置所述第一类样本标签；
利用预配置所述第一类样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值；
基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
20.一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取无样本标签的第一数据集，所述第一数据集包含预期的负样本数据，在所述预期的负样本数据中掺杂有正样本数据；
对所述第一数据集预配置负样本标签；
利用预配置所述负样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；
利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；
估算所述损失量对应的预配置所述负样本标签的所述第一数据集的统计中心估值；
基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。
CN202011069728.1A 2020-10-09 2020-10-09 基于风险识别的模型训练方法、装置和电子设备 Active CN111932041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011069728.1A CN111932041B (zh) 2020-10-09 2020-10-09 基于风险识别的模型训练方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011069728.1A CN111932041B (zh) 2020-10-09 2020-10-09 基于风险识别的模型训练方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN111932041A true CN111932041A (zh) 2020-11-13
CN111932041B CN111932041B (zh) 2021-01-05

Family

ID=73333708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011069728.1A Active CN111932041B (zh) 2020-10-09 2020-10-09 基于风险识别的模型训练方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN111932041B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288572A (zh) * 2020-12-24 2021-01-29 上海冰鉴信息科技有限公司 业务数据处理方法及计算机设备
CN112784749A (zh) * 2021-01-22 2021-05-11 北京百度网讯科技有限公司 目标模型的训练方法、目标对象的识别方法、装置及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807197A (zh) * 2019-10-31 2020-02-18 支付宝(杭州)信息技术有限公司 识别模型的训练方法及装置、风险网站识别方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288572A (zh) * 2020-12-24 2021-01-29 上海冰鉴信息科技有限公司 业务数据处理方法及计算机设备
US11321777B1 (en) 2020-12-24 2022-05-03 Shanghai Icekredit, Inc. Business data processing method and computer device
CN112784749A (zh) * 2021-01-22 2021-05-11 北京百度网讯科技有限公司 目标模型的训练方法、目标对象的识别方法、装置及介质
CN112784749B (zh) * 2021-01-22 2023-11-10 北京百度网讯科技有限公司 目标模型的训练方法、目标对象的识别方法、装置及介质

Also Published As

Publication number Publication date
CN111932041B (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN110069709B (zh) 意图识别方法、装置、计算机可读介质及电子设备
CN110472675B (zh) 图像分类方法、图像分类装置、存储介质与电子设备
WO2019218748A1 (zh) 一种保险业务风险预测的处理方法、装置及处理设备
Imani et al. Fach: Fpga-based acceleration of hyperdimensional computing by reducing computational complexity
CN111932041B (zh) 基于风险识别的模型训练方法、装置和电子设备
CN108898181B (zh) 一种图像分类模型的处理方法、装置及存储介质
CN110288079B (zh) 特征数据获取方法、装置和设备
CN111369258A (zh) 实体对象类型的预测方法、装置及设备
CN112528029A (zh) 文本分类模型处理方法、装置、计算机设备及存储介质
CN115712866A (zh) 数据处理方法、装置及设备
CN113128671A (zh) 一种基于多模态机器学习的服务需求动态预测方法及系统
CN114495101A (zh) 文本检测方法、文本检测网络的训练方法及装置
Berberidis et al. Data-adaptive active sampling for efficient graph-cognizant classification
CN116542673B (zh) 应用于机器学习的欺诈行为识别方法及系统
CN111190967B (zh) 用户多维度数据处理方法、装置及电子设备
US11972344B2 (en) Simple models using confidence profiles
Parker et al. Nonlinear time series classification using bispectrum‐based deep convolutional neural networks
Miao et al. Risk-based adaptive metric learning for nearest neighbour classification
CN114091789A (zh) 项目数据波动预测方法、装置、计算机设备和存储介质
Alippi et al. Learning in nonstationary and evolving environments
CN117216803B (zh) 一种面向智慧金融的用户信息保护方法及系统
US20230136209A1 (en) Uncertainty analysis of evidential deep learning neural networks
US20230419645A1 (en) Methods and apparatus for assisted data review for active learning cycles
WO2023130386A1 (en) Procedural video assessment
Gao et al. Unsupervised Network Traffic Classification Based on Multi-Source Synergistic Distribution Alignment

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