CN112598252A - 一种评级模型训练方法和装置 - Google Patents
一种评级模型训练方法和装置 Download PDFInfo
- Publication number
- CN112598252A CN112598252A CN202011489095.XA CN202011489095A CN112598252A CN 112598252 A CN112598252 A CN 112598252A CN 202011489095 A CN202011489095 A CN 202011489095A CN 112598252 A CN112598252 A CN 112598252A
- Authority
- CN
- China
- Prior art keywords
- rating model
- training
- rating
- data
- sample
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种评级模型训练方法和装置,涉及计算机技术领域。该方法的一具体实施例包括:根据所接收的评级资料,自动获取监管数据;根据所述评级资料和所述监管数据,构建训练样本和验证样本;根据所述训练样本构建基础评级模型;根据所述验证样本,对所述基础评级模型进行模型泛化性能验证,如果验证结果不满足预设准确度阈值,则对所述基础评级模型进行进一步的训练;根据训练后的数据构建优化评级模型;并且基于对所述基础评级模型与所述优化评级模型的对比调整,获得最终评级模型。本发明还公开了一种评级模型训练装置。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种评级模型训练方法和评级模型训练装置。
背景技术
地方金融机构现有评级体系往往采取线下人工打分的形式,监管指标涉及数量多,实际评级时计算复杂,结果更新慢,造成较大的监管人力资源和时间成本投入。本发明提供一种人工智能的地方金融机构监管评级模型的训练方法,通过信息化手段不断提高评级结果的精确程度,节约人力成本和时间成本。
地方金融机构评级模型建立了指标之间的关联和权重关系,通过增加精确度和召回率来对参数进行调和,在数据采集阶段运用机器学习匹配相关函数,建立多指标、多维度、多向量的识别模式,充分考虑模型的复杂性以及模型的准确性,才能建立了更加精确可靠的评级模型。现有监管评级模型假设指标之间无关联关系,通过单一指标的加工计算形成评级得分,往往未考虑指标之间的关联和权重关系,与本方案相似度不高。
传统的监管评级模型加工方法通常采用接入业务数据形成单一指标,通过计算指标归集形成指数,利用指数与阈值的关系进行区间打分,最终根据加总的得分匹配对应的评级结果。传统的评级方法有一定的局限性,单一指标的计算假设各个指标之间无关联,计算方法较为简单,无法实现识别到并发关联的风险。模型的核心是假定了所有指标向量之间的单个协方差都为零,简化了数据的搜集和整理。
发明内容
有鉴于此,本发明实施例提供一种评级模型训练方法和评级模型训练装置。本发明将建立指标之间的关联和权重关系,解决传统模型存在的缺陷,并通过训练不断调整关联和权重关系,提升模型的精确度。
为实现上述目的,根据本发明实施例的一个方面,提供了一种评级模型训练方法,包括:
根据所接收的评级资料,自动获取监管数据;
根据所述评级资料和所述监管数据,构建训练样本和验证样本;
根据所述训练样本构建基础评级模型;
根据所述验证样本,对所述基础评级模型进行模型泛化性能验证,如果验证结果不满足预设准确度阈值,则对所述基础评级模型进行进一步的训练;
根据训练后的数据构建优化评级模型;并且
基于对所述基础评级模型与所述优化评级模型的对比调整,获得最终评级模型。
可选地,所述训练样本包括训练集和测试集。
可选地,所述训练集和测试集的关系为4比1。
可选地,所述验证样本包括根据获取的监管数据提取的模型特征、关联关系的交叉特征、偏离值特征以及实际的业务场景存在的隐晦特征。
可选地,根据所述训练样本构建基础评级模型,包括:
根据所述训练样本中的训练集,基于机器学习算法构建所述基础评级模型。
可选地,对所述基础评级模型进行进一步的训练,包括:
通过调整所述评级模型构建过程中的参数配置,以及调整所述评级模型构建过程中的样本结构,对所述基础评级模型进行进一步的训练。
可选地,调整所述评级模型构建过程中的参数配置,包括:
调整指标间交叉特征关联方式、证据权重转换以及选取的特征字段的经济意义。
可选地,调整所述评级模型构建过程中的样本结构,包括:
调整所述样本结构中的标签定义、样本数量、样本的字段内容以及样本拆分。
可选地,所述样本拆分包括所述训练样本与所述验证样本的拆分、所述训练样本中的训练集与测试集的拆分。
根据本发明实施例的第二方面,提供一种评级模型训练装置,包括:
数据获取模块,根据所接收的评级资料,自动获取监管数据;
样本构建模块,根据所述评级资料和所述监管数据,构建训练样本和验证样本;
基础评级模型构建模块,根据所述训练样本构建基础评级模型;
基础评级模型验证模块,根据所述验证样本,对所述基础评级模型进行模型泛化性能验证,其中如果验证结果不满足预设准确度阈值,则对所述基础评级模型进行进一步的训练;
优化评级模型构建模块,根据训练后的数据构建优化评级模型;以及
最终评级模型生成模块,基于对所述基础评级模型与所述优化评级模型的对比调整,获得最终评级模型。
根据本发明实施例的第三方面,提供一种实现评级模型训练电子设备,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本发明实施例第一方面提供的方法。
根据本发明实施例的第四方面,提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例第一方面提供的方法。
上述发明中的一个实施例具有如下优点或有益效果:通过一种评级模型训练的方法和装置,提高了评级过程的效率,通过不断训练评级模型,使得监管评级的结果更加精准、可靠和全面,同时能够随着监管政策和监管数据的更新智能化的训练更新评级模型。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的评级模型训练方法的主要流程的示意图;
图2是根据本发明实施例的评级模型训练的示意图;
图3是根据本发明实施例的评级模型训练装置的主要模块的示意图;
图4是本发明实施例可以应用于其中的示例性装置的架构图;
图5是适于用来实现本发明实施例的终端设备或服务器的计算机装置的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本发明设计一种地方金融机构监管评级模型的训练方法和装置,使得评级更为高效,且评级模型不固定,并且会随着新增数据的读取进行优化。
根据本发明实施例的一个方面,提供了一种评级模型训练方法。图1是根据本发明实施例的评级模型训练方法的主要流程的示意图,如图1所示,根据本发明实施例的评级模型训练方法,包括:步骤S101、步骤S102、步骤S103、步骤S104、步骤S105和步骤S106。
在步骤S101中,根据所接收的评级资料,自动获取监管数据。接收地方金融机构的评级相关资料,根据所接收的监管评级资料自动获取相关监管数据,包括企业基本信息、业务数据、财务数据、舆情数据等。
在步骤S102中,根据所述评级资料和所述监管数据,构建训练样本和验证样本。训练样本中包含训练集和测试集,一般训练集和测试集的关系为4比1。验证样本用于验证模型的泛化能力,根据获取的指标提取模型特征、并构建关联关系的交叉特征、偏离值特征以及实际的业务场景存在的隐晦特征。
在步骤S103中,根据所述训练样本构建基础评级模型。根据训练样本中的训练集,基于机器学习算法构建基础评级模型,并且利用测试集对其进行模型调优。
在步骤S104中,根据所述验证样本,对所述基础评级模型进行模型泛化性能验证,如果验证结果不满足预设准确度阈值,则对所述基础评级模型进行进一步的训练。通过不断训练模型返回结果,来提高基础评级模型的精确度。
在步骤S105中,根据训练后的数据构建优化评级模型。随着评级资料和监管数据的读取和累积,使用新增数据构建优化评级模型,将新增的评级后的数据作为样本进行模型微调,以获得优化评级模型。
在步骤S106中,基于对所述基础评级模型与所述优化评级模型的对比调整,获得最终评级模型,最终以最终评级模型的应用为准。
图2是根据本发明实施例的评级模型训练的示意图,其中示出了根据本发明的评级模型训练的如下具体过程。接收地方金融机构的评级相关资料,包括历史重大风险事件、违约行为、是否引发系统性风险等;根据所接收的监管评级资料自动获取相关监管数据,包括企业基本信息、业务数据、财务数据、舆情数据等;根据所述评级资料和监管数据构建训练样本(训练样本中包含训练集和测试集,一般训练集和测试集的关系为4比1)以及验证样本(其用于验证模型的泛化能力);根据获取的指标提取模型特征、并构建关联关系的交叉特征、偏离值特征以及实际的业务场景存在的隐晦特征。根据训练样本中的训练集,基于机器学习算法构建基础评级模型,在测试集进行模型调优;根据验证样本对所述基础评级模型进行模型泛化性能验证(模型的预测结果与实际值差距越小,则模型的泛化越强,一般用准确率做为衡量标准);不断训练模型返回结果以提高基础评级模型的精确度。
当基础评级模型的准确度未达到预设准确度阈值,准确度、精度、召回率三个维度时,需要对基础评级模型进行再次训练。包括两种训练方式:检查地方金融机构监管评级模型构建过程中的参数配置是否不合理,若不合理需要重新调整指标间交叉特征关联方式和证据权重转换,选取的特征字段是否存在不符合经济意义的情况。利用修改后的评级模型和训练样本重新训练基础评级模型。另一种方法是检查评级模型构建过程中的样本结构是否不合理,包括标签定义、样本数量、样本拆分,样本拆分又包括训练样本与验证样本的拆分、训练样本中训练集与测试集的拆分。如果存在不合理的部分,则需要将评级资料和监管数据进行重新整理匹配,生成新的训练样本,根据新的训练样本对基础评级模型进行再次训练。
随着评级资料和监管数据的读取和累积,使用新增数据构建优化评级模型,将新增的评级后的数据作为样本进行模型微调,以获得优化评级模型,将基础评级模型和优化评级模型进行对比调整,获得最终评级模型,最终以最终评级模型的应用为准。
图3是根据本发明实施例的评级模型训练装置300的主要模块的示意图,如图3所示,评级模型训练装置300包括:数据获取模块301,用于根据所接收的评级资料,自动获取监管数据;样本构建模块302,用于根据所述评级资料和所述监管数据,构建训练样本和验证样本;基础评级模型构建模块303,用于根据所述训练样本构建基础评级模型;基础评级模型验证模块304,用于根据所述验证样本,对所述基础评级模型进行模型泛化性能验证,其中如果验证结果不满足预设准确度阈值,则对所述基础评级模型进行进一步的训练;优化评级模型构建模块305,用于根据训练后的数据构建优化评级模型;以及最终评级模型生成模块306,用于基于对所述基础评级模型与所述优化评级模型的对比调整,获得最终评级模型。
根据本发明的一个实施例,提供一种实现评级模型训练电子设备,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本发明实施例第一方面提供的方法。
根据本发明的又一实施例,提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例第一方面提供的方法。
图4示出了可以应用本发明实施例的评级模型训练方法或评级模型训练装置的示例性装置架构400。
如图4所示,装置架构400可以包括终端设备401、402、403,网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备401、402、403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。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图5,其示出了适于用来实现本发明实施例的终端设备的计算机装置500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机装置500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有装置500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的装置中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读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、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括:任务生成模块,响应于用户存放尾箱的任务申请生成存箱任务请求,将所述存箱任务请求发送至服务端;任务执行模块,接收所述服务端响应于所述存箱任务请求生成的第一动态密码以及所述用户输入的存箱密码;对第一动态密码和所述存箱密码进行校验,并在校验通过时执行存箱任务以将与所述尾箱绑定的保管袋存入数据分箱装置。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,任务生成模块还可以被描述为“执行存箱任务的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。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,使得该设备包括:响应于用户存放尾箱的任务申请生成存箱任务请求,将所述存箱任务请求发送至服务端;接收所述服务端响应于所述存箱任务请求生成的第一动态密码以及所述用户输入的存箱密码;对第一动态密码和所述存箱密码进行校验,并在校验通过时执行存箱任务以将与所述尾箱绑定的保管袋存入数据分箱装置。
根据本发明实施例的技术方案,预先将网点的尾箱与保管袋绑定,通过保管袋将尾箱内的物品存放至网点的数据分箱装置,能保障特殊气象条件、堵车等情况下全部网点能够正常时间开门营业。同时由于无需日始日终押运,可压缩押运、寄库费用,降低运营成本,还能减少网点业务人员工作时间,提高工作效率。
上述具体实施例,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种评级模型训练方法,其特征在于,包括:
根据所接收的评级资料,自动获取监管数据;
根据所述评级资料和所述监管数据,构建训练样本和验证样本;
根据所述训练样本构建基础评级模型;
根据所述验证样本,对所述基础评级模型进行模型泛化性能验证,如果验证结果不满足预设准确度阈值,则对所述基础评级模型进行进一步的训练;
根据训练后的数据构建优化评级模型;并且
基于对所述基础评级模型与所述优化评级模型的对比调整,获得最终评级模型。
2.如权利要求1所述的方法,其特征在于,所述训练样本包括训练集和测试集。
3.如权利要求2所述的方法,其特征在于,所述训练集和测试集的关系为4比1。
4.如权利要求1所述的方法,其特征在于,所述验证样本包括根据获取的监管数据提取的模型特征、关联关系的交叉特征、偏离值特征以及实际的业务场景存在的隐晦特征。
5.如权利要求1所述的方法,其特征在于,根据所述训练样本构建基础评级模型,包括:
根据所述训练样本中的训练集,基于机器学习算法构建所述基础评级模型。
6.如权利要求1所述的方法,其特征在于,对所述基础评级模型进行进一步的训练,包括:
通过调整所述评级模型构建过程中的参数配置,以及调整所述评级模型构建过程中的样本结构,对所述基础评级模型进行进一步的训练。
7.如权利要求6所述的方法,其特征在于,调整所述评级模型构建过程中的参数配置,包括:
调整指标间交叉特征关联方式、证据权重转换以及选取的特征字段的经济意义。
8.如权利要求6所述的方法,其特征在于,调整所述评级模型构建过程中的样本结构,包括:
调整所述样本结构中的标签定义、样本数量、样本的字段内容以及样本拆分。
9.如权利要求8所述的方法,其特征在于,所述样本拆分包括所述训练样本与所述验证样本的拆分、所述训练样本中的训练集与测试集的拆分。
10.一种评级模型训练装置,其特征在于,包括:
数据获取模块,根据所接收的评级资料,自动获取监管数据;
样本构建模块,根据所述评级资料和所述监管数据,构建训练样本和验证样本;
基础评级模型构建模块,根据所述训练样本构建基础评级模型;
基础评级模型验证模块,根据所述验证样本,对所述基础评级模型进行模型泛化性能验证,其中如果验证结果不满足预设准确度阈值,则对所述基础评级模型进行进一步的训练;
优化评级模型构建模块,根据训练后的数据构建优化评级模型;以及
最终评级模型生成模块,基于对所述基础评级模型与所述优化评级模型的对比调整,获得最终评级模型。
11.一种实现评级模型训练电子设备,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时,使得所述一个或多个处理器实现如权利要求1-9中任一项所述的方法。
12.一种计算机可读介质,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1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011489095.XA CN112598252A (zh) | 2020-12-16 | 2020-12-16 | 一种评级模型训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011489095.XA CN112598252A (zh) | 2020-12-16 | 2020-12-16 | 一种评级模型训练方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112598252A true CN112598252A (zh) | 2021-04-02 |
Family
ID=75196591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011489095.XA Pending CN112598252A (zh) | 2020-12-16 | 2020-12-16 | 一种评级模型训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598252A (zh) |
-
2020
- 2020-12-16 CN CN202011489095.XA patent/CN112598252A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555640B (zh) | 路由规划的方法和装置 | |
CN107809331B (zh) | 识别异常流量的方法和装置 | |
CN109684624B (zh) | 一种自动识别订单地址路区的方法和装置 | |
CN111383100A (zh) | 基于风险模型的全生命周期管控方法和装置 | |
CN114549874A (zh) | 多目标图文匹配模型的训练方法、图文检索方法及装置 | |
CN111932020A (zh) | 客户流失预测方法和装置 | |
CN111339743B (zh) | 一种账号生成的方法和装置 | |
CN112085087A (zh) | 业务规则生成的方法、装置、计算机设备及存储介质 | |
CN116757224A (zh) | 意图理解方法、装置、设备和介质 | |
US11120460B2 (en) | Effectiveness of service complexity configurations in top-down complex services design | |
CN114297278A (zh) | 批量数据快速写入方法、系统和装置 | |
EP3843090B1 (en) | Method and apparatus for outputting analysis abnormality information in spoken language understanding | |
CN112598252A (zh) | 一种评级模型训练方法和装置 | |
CN115391343A (zh) | 账单数据处理方法、装置、电子设备和存储介质 | |
CN112990311A (zh) | 一种准入客户的识别方法和装置 | |
CN108768742B (zh) | 网络构建方法及装置、电子设备、存储介质 | |
CN114202309A (zh) | 用户与企业的匹配参数的确定方法、电子设备及程序产品 | |
CN114511022A (zh) | 特征筛选、行为识别模型训练、异常行为识别方法及装置 | |
CN113869042A (zh) | 文本标题生成方法、装置、电子设备以及存储介质 | |
CN112231299A (zh) | 一种特征库动态调整的方法和装置 | |
CN110895564A (zh) | 一种潜在客户数据处理方法和装置 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
CN110083807A (zh) | 合同的修改影响自动预测方法、装置、介质及电子设备 | |
CN113627610B (zh) | 用于表箱预测的深度学习模型训练方法及表箱预测方法 | |
CN111144694B (zh) | 基于触点分析的运营流程管理方法和装置 |
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 |