CN112749924A - 风控模型训练方法、系统、设备及计算机可读介质 - Google Patents
风控模型训练方法、系统、设备及计算机可读介质 Download PDFInfo
- Publication number
- CN112749924A CN112749924A CN202110133980.2A CN202110133980A CN112749924A CN 112749924 A CN112749924 A CN 112749924A CN 202110133980 A CN202110133980 A CN 202110133980A CN 112749924 A CN112749924 A CN 112749924A
- Authority
- CN
- China
- Prior art keywords
- training
- model
- scene
- label
- overdue
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 238000012954 risk control Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Feedback Control In General (AREA)
Abstract
本发明揭示了一种风控模型训练方法、系统、设备及计算机可读介质,所述训练方法包括:步骤S1、第二场景的第二数据集和第二逾期标签作为训练集和训练集标签,第一场景的第一数据集及第一逾期标签作为测试集和测试集逾期标签,第二场景没有但第一场景有的特征在训练的时候设置为统一的缺失值;训练源模型,得到模型A和模型A的树的颗数N;步骤S2、基于模型A,将第一场景的第三数据集和第三逾期标签作为再次训练的训练集和训练集标签,在模型A的数据结构的基础上再次训练出N颗树,得到最终的增量学习模型。本发明提出的风控模型训练方法、系统、设备及计算机可读介质,可提升模型的准确率及鲁棒性。
Description
技术领域
本发明属于风险控制技术领域,涉及一种风险控制系统,尤其涉及一种风控模型训练方法、系统、设备及计算机可读介质。
背景技术
风险控制是金融的关键,随着时代的发展,风控领域的一个总趋势是越来越信息化、模型化、智能化。
通常构建风险模型时需要准备的样本数据量比较大,尤其是在使用当下较为流行的XGBoost、深度学习等算法时,这种对数据量要求会显得格外突出。同时,实务中业务变化很快,难以有足够多的时间去积累足够多的样本。
有鉴于此,如今迫切需要设计一种新的风险控制方式,以便克服现有风险控制方式存在的上述至少部分缺陷。
发明内容
本发明提供一种风控模型训练方法、系统、设备及计算机可读介质,可提升模型的准确率及鲁棒性。
为解决上述技术问题,根据本发明的一个方面,采用如下技术方案:
一种风控模型训练方法,所述训练方法包括:
步骤S1、第二场景的第二数据集和第二逾期标签作为训练集和训练集标签,第一场景的第一数据集及第一逾期标签作为测试集和测试集逾期标签,第二场景没有但第一场景有的特征在训练的时候设置为统一的缺失值;以XGBoost算法训练源模型,得到模型A和模型A的树的颗数N;训练模型的过程包括:(1)特征筛选:根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标,去除掉不佳的特征;(2)XGBoost算法参数调参:根据经验或历史数据对参数进行调参;
步骤S2、基于模型A,将第一场景的第三数据集和第三逾期标签作为再次训练的训练集和训练集标签,在模型A的数据结构的基础上再次训练出N颗树,得到最终的增量学习模型。
根据本发明的另一个方面,采用如下技术方案:一种风控模型训练方法,所述训练方法包括:
步骤S1、第二场景的第二数据集和第二逾期标签作为训练集和训练集标签,第一场景的第一数据集及第一逾期标签作为测试集和测试集逾期标签,第二场景没有但第一场景有的特征在训练的时候设置为统一的缺失值;训练源模型,得到模型A和模型A的树的颗数N;
步骤S2、基于模型A,将第一场景的第三数据集和第三逾期标签作为再次训练的训练集和训练集标签,在模型A的数据结构的基础上再次训练出M颗树,得到最终的增量学习模型;其中,M∈[0.9N,1.1N]。
作为本发明的一种实施方式,所述步骤S1中,以XGBoost算法训练源模型,得到模型A和模型A的树的颗数N。
作为本发明的一种实施方式,所述步骤S1中,训练模型的过程包括:
特征筛选:根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标,去除掉不佳的特征;
XGBoost算法参数调参:根据经验或历史数据对参数进行调参。
根据本发明的又一个方面,采用如下技术方案:一种风控模型训练系统,其特征在于,所述训练系统包括:
源模型训练模块,用以将第二场景的第二数据集和第二逾期标签作为训练集和训练集标签,第一场景的第一数据集及第一逾期标签作为测试集和测试集逾期标签,第二场景没有但第一场景有的特征在训练的时候设置为统一的缺失值;所述源模型训练模块以XGBoost算法训练源模型,得到模型A和模型A的树的颗数N;
增量学习模型获取模块,用以基于模型A,将第一场景的第三数据集和第三逾期标签作为再次训练的训练集和训练集标签,在模型A的数据结构的基础上再次训练出N颗树,得到最终的增量学习模型;
其中,所述源模型训练模块包括:
特征筛选单元,用以根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标,去除掉不佳的特征;
XGBoost算法参数调参单元,用以根据经验或历史数据对参数进行调参。
根据本发明的又一个方面,采用如下技术方案:一种风控模型训练系统,所述训练系统包括:
源模型训练模块,用以将第二场景的第二数据集和第二逾期标签作为训练集和训练集标签,第一场景的第一数据集及第一逾期标签作为测试集和测试集逾期标签,第二场景没有但第一场景有的特征在训练的时候设置为统一的缺失值;训练源模型,得到模型A和模型A的树的颗数N;
增量学习模型获取模块,用以基于模型A,将第一场景的第三数据集和第三逾期标签作为再次训练的训练集和训练集标签,在模型A的数据结构的基础上再次训练出M颗树,得到最终的增量学习模型;其中,M∈[0.9N,1.1N]。
作为本发明的一种实施方式,所述源模型训练模块以XGBoost算法训练源模型,得到模型A和模型A的树的颗数N。
作为本发明的一种实施方式,所述源模型训练模块包括:
特征筛选单元,用以根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标,去除掉不佳的特征;
XGBoost算法参数调参单元,用以根据经验或历史数据对参数进行调参。
根据本发明的又一个方面,采用如下技术方案:一种风控模型训练方法的设备,所述设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述设备执行上述的方法。
根据本发明的又一个方面,采用如下技术方案:一种计算机可读介质,其上存储有计算机程序指令,所述计算机可读指令可被处理器执行以实现上述的方法。
本发明的有益效果在于:本发明提出的风控模型训练方法、系统、设备及计算机可读介质,可提升模型准确率,同时提升模型鲁棒性。
本发明主要是观察到“风险业务中,虽然场景不同,但借款的用户本质大体相似”的特点,创造性的对模型的训练过程进行改良,通过样本增量学习(确保在既有知识不被抛弃的情况下,通过其他场景样本的增量学习来提取“新知识”,融合“旧知识”以提高模型的准确性),并结合特征增量学习(在现有特征空间基础上,加入新的属性特征,构建新的特征空间,提升模型准确率)使模型学习到更多的正负样本。增量学习方法主要特点在于学习新知识的同时不会忘记旧知识,从而增加模型学习的样本量的同时还能提升模型的鲁棒性。
附图说明
图1为本发明一实施例中风控模型训练方法的流程图。
图2为本发明一实施例中风控模型训练系统的组成示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
为了进一步理解本发明,下面结合实施例对本发明优选实施方案进行描述,但是应当理解,这些描述只是为进一步说明本发明的特征和优点,而不是对本发明权利要求的限制。
该部分的描述只针对几个典型的实施例,本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
说明书中各个实施例中的步骤的表述只是为了方便说明,本申请的实现方式不受步骤实现的顺序限制。说明书中的“连接”既包含直接连接,也包含间接连接。
本发明揭示了一种风控模型训练方法,图1为本发明一实施例中风控模型训练方法的流程图;请参阅图1,所述训练方法包括:
【步骤S1】第二场景的第二数据集和第二逾期标签作为训练集和训练集标签,第一场景的第一数据集及第一逾期标签作为测试集和测试集逾期标签,第二场景没有但第一场景有的特征在训练的时候设置为统一的缺失值;训练源模型,得到模型A和模型A的树的颗数N。在一实施例中,N可以为50~200中的整数。
在本发明的一实施例中,以XGBoost算法训练源模型,得到模型A和模型A的树的颗数N。
在一实施例中,训练模型的过程包括:
特征筛选步骤:根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标去除掉不佳(即不符合设定规则)的特征;
XGBoost算法参数调参步骤:根据经验或历史数据对参数进行调参。
【步骤S2】基于模型A,将第一场景的第三数据集和第三逾期标签作为再次训练的训练集和训练集标签,在模型A的数据结构的基础上再次训练出M颗树,得到最终的增量学习模型;其中,M∈[0.9N,1.1N]。
本发明还揭示一种风控模型训练系统,图2为本发明一实施例中风控模型训练系统的组成示意图;请参阅图2,所述训练系统包括:源模型训练模块1及增量学习模型获取模块2。
所述源模型训练模块1用以将第二场景的第二数据集和第二逾期标签作为训练集和训练集标签,第一场景的第一数据集及第一逾期标签作为测试集和测试集逾期标签,第二场景没有但第一场景有的特征在训练的时候设置为统一的缺失值;训练源模型,得到模型A和模型A的树的颗数N。
在本发明的一实施例中,所述源模型训练模块以XGBoost算法训练源模型,得到模型A和模型A的树的颗数N。
在一实施例中,所述源模型训练模块1包括:特征筛选单元及XGBoost算法参数调参单元。特征筛选单元用以根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标去除掉不佳的特征。XGBoost算法参数调参单元用以根据经验或历史数据对参数进行调参。
所述增量学习模型获取模块2用以基于模型A,将第一场景的第三数据集和第三逾期标签作为再次训练的训练集和训练集标签,在模型A的数据结构的基础上再次训练出M颗树,得到最终的增量学习模型;其中,M∈[0.9N,1.1N]。
在不同数据下模型A的N颗树每次都会不同,这是由于模型A的N是根据训练目标的在一定的参数设定下计算得到的最优N;而接下来基于模型A的再训练M颗树,这里M可以是N±(N*10%)。在大多数建模场景下,建出的模型的树的颗数N在50-200之间。
本发明还揭示一种风控模型训练方法的设备,所述设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述设备执行上述的方法。
本发明进一步揭示一种计算机可读介质,其上存储有计算机程序指令,所述计算机可读指令可被处理器执行以实现上述的方法。
综上所述,本发明提出的风控模型训练方法、系统、设备及计算机可读介质,可提升模型准确率,同时提升模型鲁棒性。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施;例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中,本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中;例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现;例如,作为与处理器配合从而执行各个步骤或功能的电路。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。实施例中所涉及的效果或优点可因多种因素干扰而可能不能在实施例中体现,对于效果或优点的描述不用于对实施例进行限制。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (10)
1.一种风控模型训练方法,其特征在于,所述训练方法包括:
步骤S1、第二场景的第二数据集和第二逾期标签作为训练集和训练集标签,第一场景的第一数据集及第一逾期标签作为测试集和测试集逾期标签,第二场景没有但第一场景有的特征在训练的时候设置为统一的缺失值;以XGBoost算法训练源模型,得到模型A和模型A的树的颗数N;训练模型的过程包括:(1)特征筛选:根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标,去除掉不佳的特征;(2)XGBoost算法参数调参:根据经验或历史数据对参数进行调参;
步骤S2、基于模型A,将第一场景的第三数据集和第三逾期标签作为再次训练的训练集和训练集标签,在模型A的数据结构的基础上再次训练出N颗树,得到最终的增量学习模型。
2.一种风控模型训练方法,其特征在于,所述训练方法包括:
步骤S1、第二场景的第二数据集和第二逾期标签作为训练集和训练集标签,第一场景的第一数据集及第一逾期标签作为测试集和测试集逾期标签,第二场景没有但第一场景有的特征在训练的时候设置为统一的缺失值;训练源模型,得到模型A和模型A的树的颗数N;
步骤S2、基于模型A,将第一场景的第三数据集和第三逾期标签作为再次训练的训练集和训练集标签,在模型A的数据结构的基础上再次训练出M颗树,得到最终的增量学习模型;其中,M∈[0.9N,1.1N]。
3.根据权利要求2所述的风控模型训练方法,其特征在于:
所述步骤S1中,以XGBoost算法训练源模型,得到模型A和模型A的树的颗数N。
4.根据权利要求2所述的风控模型训练方法,其特征在于:
所述步骤S1中,训练模型的过程包括:
特征筛选:根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标,去除掉不佳的特征;
XGBoost算法参数调参:根据经验或历史数据对参数进行调参。
5.一种风控模型训练系统,其特征在于,所述训练系统包括:
源模型训练模块,用以将第二场景的第二数据集和第二逾期标签作为训练集和训练集标签,第一场景的第一数据集及第一逾期标签作为测试集和测试集逾期标签,第二场景没有但第一场景有的特征在训练的时候设置为统一的缺失值;所述源模型训练模块以XGBoost算法训练源模型,得到模型A和模型A的树的颗数N;
增量学习模型获取模块,用以基于模型A,将第一场景的第三数据集和第三逾期标签作为再次训练的训练集和训练集标签,在模型A的数据结构的基础上再次训练出N颗树,得到最终的增量学习模型;
其中,所述源模型训练模块包括:
特征筛选单元,用以根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标,去除掉不佳的特征;
XGBoost算法参数调参单元,用以根据经验或历史数据对参数进行调参。
6.一种风控模型训练系统,其特征在于,所述训练系统包括:
源模型训练模块,用以将第二场景的第二数据集和第二逾期标签作为训练集和训练集标签,第一场景的第一数据集及第一逾期标签作为测试集和测试集逾期标签,第二场景没有但第一场景有的特征在训练的时候设置为统一的缺失值;训练源模型,得到模型A和模型A的树的颗数N;
增量学习模型获取模块,用以基于模型A,将第一场景的第三数据集和第三逾期标签作为再次训练的训练集和训练集标签,在模型A的数据结构的基础上再次训练出M颗树,得到最终的增量学习模型;其中,M∈[0.9N,1.1N]。
7.根据权利要求6所述的风控模型训练系统,其特征在于:
所述源模型训练模块以XGBoost算法训练源模型,得到模型A和模型A的树的颗数N。
8.根据权利要求6所述的风控模型训练系统,其特征在于:
所述源模型训练模块包括:
特征筛选单元,用以根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标,去除掉不佳的特征;
XGBoost算法参数调参单元,用以根据经验或历史数据对参数进行调参。
9.一种风控模型训练方法的设备,其特征在于,所述设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述设备执行权利要求1至4中任一项所述的方法。
10.一种计算机可读介质,其特征在于,其上存储有计算机程序指令,所述计算机可读指令可被处理器执行以实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110133980.2A CN112749924A (zh) | 2021-02-01 | 2021-02-01 | 风控模型训练方法、系统、设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110133980.2A CN112749924A (zh) | 2021-02-01 | 2021-02-01 | 风控模型训练方法、系统、设备及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112749924A true CN112749924A (zh) | 2021-05-04 |
Family
ID=75653465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110133980.2A Pending CN112749924A (zh) | 2021-02-01 | 2021-02-01 | 风控模型训练方法、系统、设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749924A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10289903B1 (en) * | 2018-02-12 | 2019-05-14 | Avodah Labs, Inc. | Visual sign language translation training device and method |
WO2019184119A1 (zh) * | 2018-03-26 | 2019-10-03 | 平安科技(深圳)有限公司 | 风险模型训练方法、风险识别方法、装置、设备及介质 |
CN110942248A (zh) * | 2019-11-26 | 2020-03-31 | 支付宝(杭州)信息技术有限公司 | 交易风控网络的训练方法及装置、交易风险检测方法 |
CN111127191A (zh) * | 2019-12-25 | 2020-05-08 | 北京百度网讯科技有限公司 | 风险评估方法及装置 |
CN111311402A (zh) * | 2020-03-30 | 2020-06-19 | 百维金科(上海)信息科技有限公司 | 一种基于XGBoost的互联网金融风控模型 |
CN111581877A (zh) * | 2020-03-25 | 2020-08-25 | 中国平安人寿保险股份有限公司 | 样本模型训练方法、样本生成方法、装置、设备及介质 |
CN111598580A (zh) * | 2020-04-26 | 2020-08-28 | 杭州云象网络技术有限公司 | 一种基于XGBoost算法的区块链产品检测方法、系统及装置 |
CN111768285A (zh) * | 2019-04-01 | 2020-10-13 | 杭州金智塔科技有限公司 | 信贷风控模型构建系统、方法、风控系统及存储介质 |
CN111861703A (zh) * | 2020-07-10 | 2020-10-30 | 深圳无域科技技术有限公司 | 数据驱动的风控策略规则生成方法及系统、风险控制方法及系统 |
CN112132179A (zh) * | 2020-08-20 | 2020-12-25 | 中国人民解放军战略支援部队信息工程大学 | 基于少量标注样本的增量学习方法及系统 |
CN112270545A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 |
-
2021
- 2021-02-01 CN CN202110133980.2A patent/CN112749924A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10289903B1 (en) * | 2018-02-12 | 2019-05-14 | Avodah Labs, Inc. | Visual sign language translation training device and method |
WO2019184119A1 (zh) * | 2018-03-26 | 2019-10-03 | 平安科技(深圳)有限公司 | 风险模型训练方法、风险识别方法、装置、设备及介质 |
CN111768285A (zh) * | 2019-04-01 | 2020-10-13 | 杭州金智塔科技有限公司 | 信贷风控模型构建系统、方法、风控系统及存储介质 |
CN110942248A (zh) * | 2019-11-26 | 2020-03-31 | 支付宝(杭州)信息技术有限公司 | 交易风控网络的训练方法及装置、交易风险检测方法 |
CN111127191A (zh) * | 2019-12-25 | 2020-05-08 | 北京百度网讯科技有限公司 | 风险评估方法及装置 |
CN111581877A (zh) * | 2020-03-25 | 2020-08-25 | 中国平安人寿保险股份有限公司 | 样本模型训练方法、样本生成方法、装置、设备及介质 |
CN111311402A (zh) * | 2020-03-30 | 2020-06-19 | 百维金科(上海)信息科技有限公司 | 一种基于XGBoost的互联网金融风控模型 |
CN111598580A (zh) * | 2020-04-26 | 2020-08-28 | 杭州云象网络技术有限公司 | 一种基于XGBoost算法的区块链产品检测方法、系统及装置 |
CN111861703A (zh) * | 2020-07-10 | 2020-10-30 | 深圳无域科技技术有限公司 | 数据驱动的风控策略规则生成方法及系统、风险控制方法及系统 |
CN112132179A (zh) * | 2020-08-20 | 2020-12-25 | 中国人民解放军战略支援部队信息工程大学 | 基于少量标注样本的增量学习方法及系统 |
CN112270545A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9704111B1 (en) | Electronic transcription job market | |
US9460719B1 (en) | Automated delivery of transcription products | |
CN110191357A (zh) | 视频片段精彩度评估、动态封面生成方法及装置 | |
CN109300179B (zh) | 动画制作方法、装置、终端和介质 | |
CN110399800B (zh) | 基于深度学习vgg16框架的车牌检测方法及系统、存储介质 | |
WO2021051623A1 (zh) | 基于微服务框架的灰度发布方法、装置和计算机设备 | |
CN113505854B (zh) | 一种人脸图像质量评价模型构建方法、装置、设备及介质 | |
CN109684320B (zh) | 监测数据在线清洗的方法和设备 | |
CN106850289A (zh) | 结合高斯过程与强化学习的服务组合方法 | |
CN109224444A (zh) | 游戏人物识别方法、装置、存储介质和电子设备 | |
CN111639470B (zh) | 一种处理器协同芯片的仿真测试方法、系统及相关组件 | |
US8838615B2 (en) | Computer implemented method for automatically managing stored checkpoint data | |
CN108681505A (zh) | 一种基于决策树的测试用例排序方法和装置 | |
CN115203496A (zh) | 基于大数据的项目智能预测及评估方法、系统及可读存储介质 | |
CN109214640B (zh) | 指标结果的确定方法、设备及计算机可读存储介质 | |
CN110399813A (zh) | 一种年龄识别方法、装置、电子设备及存储介质 | |
CN112749924A (zh) | 风控模型训练方法、系统、设备及计算机可读介质 | |
CN115470365B (zh) | 一种基于深度度量学习的细粒度跨媒体检索方法 | |
CN114286198B (zh) | 一种视频关联方法、装置、电子设备和存储介质 | |
CN116071205A (zh) | 一种基于人工智能的校园教育信息化管理平台 | |
CN112749921A (zh) | 数学建模方法、系统、设备及计算机可读介质 | |
CN109783477B (zh) | 一种数据更新方法 | |
CN113918617A (zh) | 基于大数据的学业预警方法、系统和介质 | |
CN110414845B (zh) | 针对目标交易的风险评估方法及装置 | |
CN113094245A (zh) | 一种数据库集群健康性度量的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |