CN112990294B - 行为判别模型的训练方法、装置、电子设备及存储介质 - Google Patents
行为判别模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112990294B CN112990294B CN202110260861.3A CN202110260861A CN112990294B CN 112990294 B CN112990294 B CN 112990294B CN 202110260861 A CN202110260861 A CN 202110260861A CN 112990294 B CN112990294 B CN 112990294B
- Authority
- CN
- China
- Prior art keywords
- behavior
- sample set
- classification result
- confidence
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000003814 drug Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012850 discrimination method Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 claims 29
- 230000002596 correlated effect Effects 0.000 claims 4
- 238000010276 construction Methods 0.000 claims 1
- 238000002372 labelling Methods 0.000 abstract description 10
- 230000006399 behavior Effects 0.000 description 324
- 230000002159 abnormal effect Effects 0.000 description 13
- 229940079593 drug Drugs 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种行为判别模型的训练方法、装置、电子设备及存储介质。包括：通过标记样本集训练得到初始行为判别模型，并将未标记样本集输入至初始行为判别模型中，得到未标记样本集中各未标记样本对应的行为分类结果；基于各未标记样本以及各未标记样本对应的行为分类结果，对标记样本集进行更新，以基于更新后的标记样本集对初始行为判别模型进行更新训练，得到目标行为判别模型。本发明实施例的行为判别模型的训练方法，无需大量人工标注数据，节省了人工标注的时间与成本，进而提高了模型的训练速度；并且，通过未标记样本集的预测结果对标记样本集进行更新，以基于更新的标记样本集对模型进行更新训练，显著提高了模型的输出精度。
Description
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种行为判别模型的训练方法、装置、电子设备及存储介质。
背景技术
医疗保险欺诈行为，一般是指参保人或医疗机构,以某种特定的模式来套取医保基金的行为。比如，超量购药、虚假计费、不合理住院等行为。
对于医疗保险欺诈行为的检测，一般需要根据实际业务场景,结合该场景下参保人或机构的行为指标特征，进行检测识别。其一般方法包括有监督学习训练方法和无监督学习训练方法。其中，有监督学习训练方法为：根据业务场景，结合医学常识，人工标注医疗保险欺诈数据，并利用标注出来的数据样本进行有监督学习训练，得到模型可用于未标注样本检测；无监督学习训练方法为：利用无监督学习，如Kmeans、DBSCAN等聚类算法，对样本集进行聚类，并结合医学知识库人为筛选异常组。
然而，上述方法存在以下缺陷：有监督学习训练方法准确率相对较高，但是需要大量人工标注数据，而人工标注的时间和人力成本较高。无监督学习训练方法无需人工标注，但准确率较低。
发明内容
本发明实施例提供了一种行为判别模型的训练方法、装置、电子设备及存储介质，提高了行为判别模型的训练速度，并且，提高了行为判别模型的输出精度。
第一方面，本发明实施例提供了一种行为判别模型的训练方法，包括：
获取标记样本集和未标记样本集；
基于所述标记样本集训练得到初始行为判别模型，将所述未标记样本集输入至所述初始行为判别模型，生成所述未标记样本集中各未标记样本对应的行为分类结果；
基于所述行为分类结果以及所述行为分类结果对应的未标记样本更新所述标记样本集，基于更新后的标记样本集对所述初始行为判别模型进行更新训练，得到目标行为判别模型。
第二方面，本发明实施例还提供了一种行为判别方法，包括：
获取待判别的行为数据；
基于预先设置的目标行为判别模型生成所述行为数据对应的行为分类结果，其中，所述目标行为判别模型基于如本发明任意实施例提供的行为判别模型的训练方法训练得到。
第三方面，本发明实施例还提供了一种行为判别模型的训练装置，包括：
样本集获取模块，用于获取标记样本集和未标记样本集；
初始训练模块，用于基于所述标记样本集训练得到初始行为判别模型，将所述未标记样本集输入至所述初始行为判别模型，生成所述未标记样本集中各未标记样本对应的行为分类结果；
更新训练模块，用于基于所述行为分类结果以及所述行为分类结果对应的未标记样本更新所述标记样本集，基于更新后的标记样本集对所述初始行为判别模型进行更新训练，得到目标行为判别模型。
第四方面，发明实施例还提供了一种行为判别装置，包括：
数据获取模块，用于获取待判别的行为数据；
判别模块，用于基于预先设置的目标行为判别模型生成所述行为数据对应的行为分类结果，其中，所述目标行为判别模型基于如本发明任意实施例提供的行为判别模型的训练方法训练得到。
第五方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
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如本发明任意实施例提供的行为判别模型的训练方法。
第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例提供的行为判别模型的训练方法。
上述发明中的实施例具有如下优点或有益效果：
通过标记样本集训练得到初始行为判别模型，并将未标记样本集输入至初始行为判别模型中，得到未标记样本集中各未标记样本对应的行为分类结果；基于各未标记样本以及各未标记样本对应的行为分类结果，对标记样本集进行更新，以基于更新后的标记样本集对初始行为判别模型进行更新训练，得到目标行为判别模型。本发明实施例的行为判别模型的训练方法，无需大量人工标注数据，节省了人工标注的时间与成本，进而提高了模型的训练速度；并且，通过未标记样本集的预测结果对标记样本集进行更新，以基于更新的标记样本集对模型进行更新训练，显著提高了模型的输出精度。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种行为判别模型的训练方法的流程示意图；
图2为本发明实施例二所提供的一种行为判别模型的训练方法的流程示意图；
图3为本发明实施例三所提供的一种行为判别方法的流程示意图；
图4为本发明实施例四所提供的一种行为判别模型的训练装置的结构示意图；
图5为本发明实施例五所提供的一种行为判别装置的结构示意图；
图6为本发明实施例六所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种行为判别模型的训练方法的流程示意图，本实施例可适用于根据标记样本集和未标记样本集训练得到行为判别模型的情况，尤其适用于根据标记样本集训练得到初始行为判别模型，根据初始行为判别模型对未标记样本集的预测结果对标记样本集进行更新，以基于更新的标记样本集更新训练初始行为判别模型的情形，该方法可以由行为判别模型的训练装置来执行，该装置可以由硬件和/或软件来实现，该方法具体包括如下步骤：
在介绍本实施例提供的行为判别模型的训练方法之前，可以对应用场景进行示例性说明。示例性的，应用场景可以是医保欺诈行为识别，即，本实施例提供的行为判别模型的训练方法可用于训练得到医保欺诈行为判别模型，以基于训练得到的医保欺诈行为判别模型识别用户或医疗机构套取医保基金的欺诈行为，包括超量购药、虚假计费、不合理住院等。示例性的，应用场景还可以是异常登录行为识别，即，本实施例提供的行为判别模型的训练方法还可用于训练得到异常登录行为判别模型，以基于训练得到的异常登录行为判别模型识别出用户的异常登录行为。示例性的，应用场景还可以是异常支付行为识别，即，本实施例提供的行为判别模型的训练方法还可用于训练得到异常支付行为判别模型，以基于训练得到的异常支付行为判别模型识别出用户异常支付行为，如刷订单、支付账号被盗用等。
S110、获取标记样本集和未标记样本集。
其中，标记样本集可以是包含有人工标注的样本集。即，标记样本集包括各标记样本以及各标记样本对应的标签，各标记样本对应的标签可以是预先设置的人工标注，用于表示标记样本的分类。如，标记样本对应的标签可以是0(非医保欺诈行为)或1(医保欺诈行为)。未标记样本集可以是不包含有人工标注的样本集。即，未标记样本集由各未标记样本构成。需要说明的是，标记样本或未标记样本可以是对关联物品数量、关联项目数量、关联金额、发生次数、发生时间以及发生地点中的至少一项的描述。在一种实施方式中，标记样本或未标记样本还可以是对预设的单位时间内的关联物品数量、关联项目数量、关联金额、发生次数、发生时间、发生地点、次均关联物品数量以及次均关联金额中的至少一项的描述。
示例性的，以识别虚假计费医保欺诈行为这一应用场景为例，标记样本或未标记样本可以包括用户在预设的单位时间内的关联项目数量(如，用户在2天内合计做了5次磁共振项目)、关联金额(如，用户5次磁共振项目合计3000元)、次均关联金额(如，项目次均600元)等描述。以识别异常登录行为这一应用场景为例，标记样本或未标记样本可以包括用户在预设的单位时间内的发生次数(如，在1小时内登录了12次)、发生地点(如，第一次登录在上海市、第二次登录在北京市等)以及发生时间(如，第一次登录时间为12：00、第二次登录时间为12：01等)。
可选的，获取标记样本集和未标记样本集，包括：获取设定场景下对应的初始样本数据，生成初始样本数据对应的场景特征指标；基于场景特征指标构造初始样本数据对应的初始样本集；基于初始样本集确定标记样本集和未标记样本集。
其中，设定场景可以是预先设置的应用场景。可选的，设定场景包括超量购药场景、虚假计费场景和不合理住院场景。其中，超量购药场景可以是识别超量购药医保欺诈行为；虚假计费场景可以是识别虚假计费医保欺诈行为；不合理住院场景可以是识别不合理住院医保欺诈行为。可选的，设定场景还包括异常登陆场景和异常支付场景。
各种设定场景具备其对应的初始样本数据。示例性的，超量购药场景对应的初始样本数据可以是医保结算购药数据；异常登录场景对应的初始样本数据可以是账号登录数据。在获取到设定场景下对应的初始样本数据后，构造初始样本数据对应的场景特征指标。其中，场景特征指标可以用于描述初始样本数据在设定场景下的相关特征。示例性的，在超量购药场景中，可以以人名+药品名为维度构造初始样本数据的场景特征指标，场景特征指标可以包括单位时间内购药数量、单位时间内购药金额、次均购药数量以及次均购药金额等；或者，还可以以人名为维度构造初始样本数据的场景特征指标，场景特征指标可以包括单位时间内购药种类名称、单位时间内购药数量以及单位时间内购药金额等。在虚假计费场景中，可以以人名+医疗机构为维度构造初始样本数据的场景特征指标，场景特征指标可以包括单位时间内检查项目的数量、项目累计金额以及次均检查项目的数量等。
在得到初始样本数据对应的场景特征指标后，基于场景特征指标构造初始样本数据对应的初始样本集。可选的，基于初始样本集确定标记样本集和未标记样本集，包括：将初始样本集划分为标记样本集和未标记样本集，并为标记样本集中的标记样本添加人工标注。
在一种实施方式中，可以从初始样本集中选取一定比例的样本集作为标记样本集，其中，选取的比例可以基于初次训练模型的精度要求以及速度要求进行设置，精度要求越高，选取的比例越高，速度要求越高，选取的比例越低，本申请对此不作限定。示例性的，从初始样本及中选取20％作为标记样本集，剩余80％作为未标记样本集，并为标记样本集中的标记样本添加对应的标签。例如，某标记样本为单位时间(2天)内购药数量50、购药金额2000元、次均购药数量25、购药金额1000元，则该标记样本对应的标签(人工标注)可以是1(医保欺诈行为)。
在该可选的实施方式中，生成设定场景下的场景特征指标，并根据场景特征指标构造初始样本集的目的在于：通过构造设定场景对应的样本集，得到设定场景对应的行为判别模型，进而实现设定场景下的行为判别。
S120、基于标记样本集训练得到初始行为判别模型，将未标记样本集输入至初始行为判别模型，生成未标记样本集中各未标记样本对应的行为分类结果。
其中，初始行为判别模型基于标记样本集训练得到。示例性的，初始行为判别模型的训练过程为：将标记样本集输入至预先构建的行为判别模型中，所述标记样本集包括各标记样本以及各标记样本对应的标签；根据预先构建的行为判别模型输出的各标记样本对应的预测行为分类结果，以及标记样本对应的标签，计算损失函数；根据损失函数的计算结果对预先构建的行为判别模型的网络参数进行反向调整，直至损失函数的计算结果收敛，得到初始行为判别模型。可选的，预先构建的行为判别模型可以是有监督分类模型，包括但不限于随机森林模型、逻辑回归模型、梯度提升决策树模型、支持向量机模型、朴素贝叶斯模型和k-邻近模型。
具体的，在基于标记样本集训练得到初始行为判别模型后，将未标记样本集输入至初始行为判别模型，得到初始行为判别模型输出的各未标记样本对应的行为分类结果。可选的，行为分类结果可以是0，可以是1，也可以是0至1之间的任意值，即，行为分类结果的取值为[0,1]。示例性的，若未标记样本集包括1000个未标记样本，则初始行为判别模型输出1000个取值为[0,1]的行为分类结果。
S130、基于行为分类结果以及行为分类结果对应的未标记样本更新标记样本集，基于更新后的标记样本集对初始行为判别模型进行更新训练，得到目标行为判别模型。
具体的，若初始行为判别模型输出的行为分类结果为正确的行为分类结果，则可以将正确的行为分类结果以及该行为分类结果对应的未标记样本添加至标记样本集中，作为标记样本集中的标记样本以及标记样本对应的标签，以对初始行为判别模型进行更新训练。
需要说明的是，可以基于行为分类结果直接确定其是否为正确的行为分类结果；如，0.05接近0，为正确的行为分类结果；0.99接近1，为正确的行为分类结果。或者，还可以基于用户对行为分类结果的反馈验证信息，确定其是否为正确的行为分类结果。示例性的，在初始行为判别模型输出各行为分类结果后，将各行为分类结果进行展示并获取用户基于展示的各行为分类结果的反馈验证信息，基于反馈验证信息为验证通过的行为分类结果以及行为分类结果对应的未标记样本更新标记样本集。
在一种实施方式中，针对每一次迭代更新训练中用于更新标记样本集的未标记样本，其选取依据可以根据迭代更新训练的次数进行适应性调整。例如，当前迭代更新训练的次数越高，则选取用于更新标记样本集的未标记样本时对应的样本选取阈值越低。即，初始行为判别模型的不同的迭代更新训练次数具备其对应的样本选取阈值，以在不同的迭代更新训练次数中调整模型迭代训练的难度。例如，迭代训练次数越高，初始行为判别模型迭代训练的难度越大。示例性的，对于第二次迭代更新训练时，可以将行为分类结果高于0.95(样本选取阈值)和低于0.05(样本选取阈值)的未标记样本添加至标记样本集；对于第三次迭代更新训练时，可以将行为分类结果高于0.9(样本选取阈值)和低于0.1(样本选取阈值)的未标记样本添加至标记样本集。在一种实施方式中，还可以采用一定的衰减系数对样本选取阈值进行动态调整，以保证在初始行为判别模型经过最大迭代训练次数后，样本选取阈值不小于一定值。
在一种实施方式中，针对需要更新到标记样本集中的未标记样本，在将这些未标记样本添加至标记样本集的过程中，为未标记样本引入样本权重，以使在初始行为判别模型的迭代更新训练过程中考虑到样本权重。可选的，还可以对样本权重进行动态衰减调整，以保证初始行为判别模型的更新迭代训练更偏向于原始的较置信的标记样本。例如，可以根据指定的最大训练次数，如20次，每训练25％的训练次数，样本权重减少0.025，以保证样本权重不低于某一特定值。
本实施例基于初始行为判别模型的输出结果更新标记样本集的目的在于：通过对参与模型训练的样本进行迭代更新，来扩充参与模型训练的样本集的大小，进而提高最终训练得出的模型的精度。在一种实施方式中，可以基于行为分类结果以及行为分类结果对应的未标记样本更新标记样本集，还可以基于行为分类结果以及行为分类结果对应的未标记样本更新标记样本集和未标记样本集。即，可以只对标记样本集进行更新；或者，还可以在更新标记样本集的同时更新未标记样本集，例如，将需要添加至标记样本集的未标记样本从未标记样本集中删除。
在本实施例中，可以基于行为分类结果以及行为分类结果对应的未标记样本循环更新标记样本集，并基于更新后的标记样本集对初始行为判别模型进行循环更新训练，直至达到训练结束条件，得到目标行为判别模型。可选的，训练结束条件可以是未标记样本集中的未标记样本的数量低于设定数量阈值，或者，还可以是初始行为判别模型的输出精度超过设定精度阈值。
示例性的，获取到的标记样本集包括200个标记样本和200个标记样本对应的标签，未标记样本集包括1000个未标记样本，将1000个未标记样本输入至初始行为判别模型，得到1000个未标记样本对应的行为分类结果，基于1000个未标记样本对应的行为分类结果对标记样本集进行第一次更新(如，将其中的200个未标记样本以及200个未标记样本对应的行为分类结果添加至标记样本集)，基于第一次更新后标记样本集(包括400个标记样本以及400个标记样本对应的标签)更新训练初始行为判别模型；将第一次更新后的未标记样本集(包括800个未标记样本)输入至更新训练后的初始行为判别模型，得到800个未标记样本对应的行为分类结果，基于800个未标记样本对应的行为分类结果对标记样本集进行第二次更新(如，将300个未标记样本以及300个未标记样本对应的行为分类结果添加至第一次更新后的标记样本集)，基于第二次更新后的标记样本集(包括700个标记样本以及700个标记样本对应的标签)更新训练初始行为判别模型)，重复将更新后的未标记样本输入至更新训练后的初始行为判别模型中，直至达到训练结束条件，得到目标行为判别模型。
本实施例的技术方案，通过标记样本集训练得到初始行为判别模型，并将未标记样本集输入至初始行为判别模型中，得到未标记样本集中各未标记样本对应的行为分类结果；基于各未标记样本以及各未标记样本对应的行为分类结果，对标记样本集进行更新，以基于更新后的标记样本集对初始行为判别模型进行更新训练，得到目标行为判别模型。本发明实施例的行为判别模型的训练方法，无需大量人工标注数据，节省了人工标注的时间与成本，进而提高了模型的训练速度；并且，通过未标记样本集的预测结果对标记样本集进行更新，以基于更新的标记样本集对模型进行更新训练，显著提高了模型的输出精度。
实施例二
图2为本发明实施例二提供的一种行为判别模型的训练方法的流程示意图，本实施例在上述各实施例的基础上，可选的，基于行为分类结果以及行为分类结果对应的未标记样本更新标记样本集，基于更新后的标记样本集对初始行为判别模型进行更新训练，得到目标行为判别模型，包括：基于行为分类结果以及行为分类结果对应的未标记样本，更新标记样本集以及未标记样本集；若更新后的未标记样本集非空，则基于当前更新后的标记样本集对初始行为判别模型进行更新训练得到更新行为判别模型，并基于更新行为判别模型对当前的未标记样本集中各未标记样本进行分类处理得到行为分类结果，根据行为分类结果以及行为分类结果对应的未标记样本循环更新标记样本集以及未标记样本集，直至更新后的未标记样本集为空。
其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2，本实施例提供的行为判别模型的训练方法包括如下步骤：
S210、获取标记样本集和未标记样本集。
S220、基于标记样本集训练得到初始行为判别模型，将未标记样本集输入至初始行为判别模型，生成未标记样本集中各未标记样本对应的行为分类结果。
S230、基于行为分类结果以及行为分类结果对应的未标记样本，更新标记样本集以及未标记样本集。
具体的，根据初始行为判别模型输出的行为分类结果以及行为分类结果对应的未标记样本，对标记样本集以及未标记样本集进行更新。
可选的，基于行为分类结果以及行为分类结果对应的未标记样本，更新标记样本集以及未标记样本集，包括：基于各行为分类结果的置信度确定置信分类结果；在未标记样本集中剔除置信分类结果对应的未标记样本，并将置信分类结果以及置信分类结果对应的未标记样本添加至标记样本集。
其中，行为分类结果的置信度可以是行为分类结果的可靠程度。在一种实施方式中，可以基于行为分类结果确定行为分类结果的置信度。示例性的，行为分类结果越接近0或越接近1，则行为分类结果的置信度越高；行为分类结果越接近0.5，则行为分类结果的置信度越低。如，行为分类结果为0.99时，行为分类结果可以近似为1，其对应的置信度较高。
可选的，基于各行为分类结果的置信度确定置信分类结果，包括：将满足置信度阈值条件的行为分类结果确定为置信分类结果；或者，根据各未标记样本对应的行为分类结果确定各行为分类结果的分布比例，基于分布比例确定置信分类结果。
其中，置信度阈值条件可以是行为分类结果的置信度大于或等于置信度阈值；置信度阈值可以根据模型精度需求或模型训练速度需求进行设置。例如，置信度阈值可以是0.9，本申请对置信度阈值的具体数值不进行限定。在一种实施方式中，可以将置信度大于或等于置信度阈值的行为分类结果确定为置信分类结果。在另一种实施方式中，还可以根据各未标记样本对应的行为分类结果确定各行为分类结果的分布比例，基于分布比例确定置信分类结果。
需要说明的是，根据各未标记样本对应的行为分类结果确定各行为分类结果的分布比例，基于分布比例确定置信分类结果，包括下述中的至少一种：
根据各未标记样本对应的行为分类结果统计各行为分类结果的分布比例，基于各行为分类结果的分布比例确定各置信度的分布比例，基于各置信度的分布比例确定置信度阈值，将满足置信度阈值条件的行为分类结果确定为置信分类结果；
根据各未标记样本对应的行为分类结果统计各行为分类结果的分布比例，基于统计得到的各行为分类结果的分布比例划分置信分布区间，将位于置信分布区间内的行为分类结果确定为置信分类结果。
即，通过置信度阈值条件确定置信分类结果，或者，通过行为分类结果的分布比例确定置信分类结果，实现了置信分类结果的准确确定，保证了置信分类结果的可靠性，进而保证了参与迭代训练的样本的准确性。
具体的，在得到置信分类结果之后，置信分类结果以及置信分类结果对应的未标记样本添加至标记样本集，包括：将置信分类结果对应的未标记样本作为标记样本，并将置信分类结果作为标记样本对应的标签，将所述标记样本和所述标记样本对应的标签添加至标记样本集。
在该可选的实施方式中，基于各行为分类结果的置信度确定置信分类结果，并在未标记样本集中剔除置信分类结果对应的未标记样本，在标记样本中添加置信分类结果对应的未标记样本以及置信分类结果，以将初始行为判别模型输出的可靠结果以及可靠结果对应的样本作为迭代训练样本，保证了迭代训练样本的准确性，进而提高了模型迭代训练的输出精度。
S240、若更新后的未标记样本集非空，则基于当前更新后的标记样本集对初始行为判别模型进行更新训练得到更新行为判别模型，并基于更新行为判别模型对当前的未标记样本集中各未标记样本进行分类处理得到行为分类结果，根据行为分类结果以及行为分类结果对应的未标记样本循环更新标记样本集以及未标记样本集，直至更新后的未标记样本集为空。
具体的，在更新后的当前未标记样本集仍然包含未标记样本时，将当前标记样本集作为更新训练样本，对初始行为判别模型进行更新训练得到更新行为判别模型，并将更新后的当前未标记样本集输入至更新行为判别模型，得到当前未标记样本集中各未标记样本对应的行为分类结果；基于当前未标记样本集中各未标记样本对应的行为分类结果，重复执行更新当前标记样本集以及当前未标记样本集，基于更新后的当前标记样本集得到更新行为判别模型，并基于更新行为判别模型得到当前未标记样本集中未标记样本对应的行为分类结果的步骤，直至更新后的未标记样本集为空，即，更新后的未标记样本集不含有未标记样本。
本实施例的技术方案，以未标记样本集中不含有未标记样本为训练结束的条件，利用每一次训练出的行为判别模型对未标记样本集进行分类处理，根据分类处理的行为分类结果更新标记样本集和未标记样本集，并通过更新的标记样本集迭代训练行为判别模型，显著提高了模型的输出精度。
实施例三
图3为本发明实施例三提供的一种行为判别方法的流程示意图，本实施例可适用于对待判别的行为数据进行行为判别的情况，尤其适用于基于上述各实施例中训练得到的行为判别模型，生成待判别的行为数据对应的行为分类结果的情形，该方法可以由行为判别装置来执行，该装置可以由硬件和/或软件来实现，该方法具体包括如下步骤：
S310、获取待判别的行为数据。
其中，待判别的行为数据可以是对预设的单位时间内的关联物品数量、关联项目数量、关联金额、发生次数、发生时间、发生地点、次均关联物品数量以及次均关联金额中的至少一项的描述。在一种实施方式中，待判别的行为数据可以是场景特征指标。示例性的，待判别的行为数据可以是：单位时间(2天)内购药数量100、购药金额3000元、次均购药数量20、购药金额600元。
S320、基于预先设置的目标行为判别模型生成行为数据对应的行为分类结果，其中，目标行为判别模型基于如本发明任意实施例提供的行为判别模型的训练方法训练得到。
其中，预先设置的目标行为判别模型的训练方法可以参考上述各实施例所提供的行为判别模型的训练方法，在此不对目标行为判别模型的训练方法进行赘述。
可选的，还可以预先训练得到各设定场景对应的目标行为判别模型，在获取到待判别的行为数据后，确定行为数据对应的设定场景，根据该设定场景对应的目标行为判别模型生成行为数据对应的行为分类结果。示例性的，分别预先训练得到超量购药场景、虚假计费场景和不合理住院场景对应的目标行为判别模型，在获取到待判别的行为数据后，若该行为数据对应的设定场景为不合理住院场景，则根据不合理住院场景对应的目标行为判别模型生成行为数据对应的行为分类结果。
本实施例的技术方案，通过预先设置的目标行为判别模型，对获取到的待判别的行为数据进行分类处理，以确定行为数据对应的行为分类结果，实现了各种设定场景下的用户行为的准确判断。
实施例四
图4为本发明实施例四提供的一种行为判别模型的训练装置的结构示意图，本实施例可适用于根据标记样本集和未标记样本集训练得到行为判别模型的情况，尤其适用于根据标记样本集训练得到初始行为判别模型，根据初始行为判别模型对未标记样本集的预测结果对标记样本集进行更新，以基于更新的标记样本集更新训练初始行为判别模型的情形，该装置具体包括：样本集获取模块410、初始训练模块420以及更新训练模块430。
样本集获取模块410，用于获取标记样本集和未标记样本集；
初始训练模块420，用于基于标记样本集训练得到初始行为判别模型，将未标记样本集输入至初始行为判别模型，生成未标记样本集中各未标记样本对应的行为分类结果；
更新训练模块430，用于基于行为分类结果以及行为分类结果对应的未标记样本更新标记样本集，基于更新后的标记样本集对初始行为判别模型进行更新训练，得到目标行为判别模型。
可选的，更新训练模块430包括样本集更新单元和模型更新训练单元，其中，样本集更新单元用于基于行为分类结果以及行为分类结果对应的未标记样本，更新标记样本集以及未标记样本集；模型更新训练单元用于若更新后的未标记样本集非空，则基于当前更新后的标记样本集对初始行为判别模型进行更新训练得到更新行为判别模型，并基于更新行为判别模型对当前的未标记样本集中各未标记样本进行分类处理得到行为分类结果，根据行为分类结果以及行为分类结果对应的未标记样本循环更新标记样本集以及未标记样本集，直至更新后的未标记样本集为空。
可选的，样本集更新单元包括置信结果确定单元以及置信结果变更单元，其中，置信结果确定单元用于基于各行为分类结果的置信度确定置信分类结果；置信结果变更单元用于在未标记样本集中剔除置信分类结果对应的未标记样本，并将置信分类结果以及置信分类结果对应的未标记样本添加至标记样本集。
可选的，置信结果确定单元具体用于将满足置信度阈值条件的行为分类结果确定为置信分类结果；或者，根据各未标记样本对应的行为分类结果确定各行为分类结果的分布比例，基于分布比例确定置信分类结果。
可选的，样本集获取模块410具体用于获取设定场景下对应的初始样本数据，生成初始样本数据对应的场景特征指标；基于场景特征指标构造初始样本数据对应的初始样本集；基于初始样本集确定标记样本集和未标记样本集。
可选的，设定场景包括超量购药场景、虚假计费场景和不合理住院场景。
在本实施例中，通过标记样本集训练得到初始行为判别模型，并将未标记样本集输入至初始行为判别模型中，得到未标记样本集中各未标记样本对应的行为分类结果；基于各未标记样本以及各未标记样本对应的行为分类结果，对标记样本集进行更新，以基于更新后的标记样本集对初始行为判别模型进行更新训练，得到目标行为判别模型。本发明实施例的行为判别模型的训练方法，无需大量人工标注数据，节省了人工标注的时间与成本，进而提高了模型的训练速度；并且，通过未标记样本集的预测结果对标记样本集进行更新，以基于更新的标记样本集对模型进行更新训练，显著提高了模型的输出精度。
本发明实施例所提供的行为判别模型的训练装置可执行本发明任意实施例所提供的行为判别模型的训练方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述系统所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
实施例五
图5为本发明实施例五提供的一种行为判别装置的结构示意图，本实施例可适用于对待判别的行为数据进行行为判别的情况，尤其适用于基于上述各实施例中训练得到的行为判别模型，生成待判别的行为数据对应的行为分类结果的情形，该装置具体包括：数据获取模块510以及判别模块520。
数据获取模块510，用于获取待判别的行为数据；
判别模块520，用于基于预先设置的目标行为判别模型生成行为数据对应的行为分类结果，其中，目标行为判别模型基于如本发明任意实施例提供的行为判别模型的训练方法训练得到。
本实施例的判别模块，通过预先设置的目标行为判别模型，对获取到的待判别的行为数据进行分类处理，以确定行为数据对应的行为分类结果，实现了各种设定场景下的用户行为的准确判断。
实施例六
图6是本发明实施例六提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图6显示的电子设备12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。设备12典型的是承担行为判别模型的训练功能的电子设备。
如图6所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，存储器28，连接不同组件(包括存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(IndustryStandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
电子设备12典型地包括多种计算机可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机装置可读介质，例如随机存取存储器(RandomAccess Memory，RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机存储介质。仅作为举例，存储装置34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品40，该程序产品40具有一组程序模块42，这些程序模块被配置以执行本发明各实施例的功能。程序产品40，可以存储在例如存储器28中，这样的程序模块42包括但不限于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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、鼠标、摄像头等和显示器)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，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22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LocalAreaNetwork，LAN)，广域网WideAreaNetwork，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12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12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、磁盘阵列(RedundantArrays of Independent Disks，RAID)装置、磁带驱动器以及数据备份存储装置等。
处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的行为判别模型的训练方法，包括：
获取标记样本集和未标记样本集；
基于标记样本集训练得到初始行为判别模型，将未标记样本集输入至初始行为判别模型，生成未标记样本集中各未标记样本对应的行为分类结果；
基于行为分类结果以及行为分类结果对应的未标记样本更新标记样本集，基于更新后的标记样本集对初始行为判别模型进行更新训练，得到目标行为判别模型。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的行为判别模型的训练方法的技术方案。
实施例七
本发明实施例七还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的行为判别模型的训练方法步骤，该方法包括：
获取标记样本集和未标记样本集；
基于标记样本集训练得到初始行为判别模型，将未标记样本集输入至初始行为判别模型，生成未标记样本集中各未标记样本对应的行为分类结果；
基于行为分类结果以及行为分类结果对应的未标记样本更新标记样本集，基于更新后的标记样本集对初始行为判别模型进行更新训练，得到目标行为判别模型。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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、或半导体的系统、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(非穷举的列表)包括：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。在本文件中，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系统、装置或者器件使用或者与其结合使用。
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系统、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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (5)
1.一种行为判别模型的训练方法，其特征在于，包括：
获取标记样本集和未标记样本集；
基于所述标记样本集训练得到初始行为判别模型，将所述未标记样本集输入至所述初始行为判别模型，生成所述未标记样本集中各未标记样本对应的行为分类结果；
基于所述行为分类结果以及所述行为分类结果对应的未标记样本更新所述标记样本集，基于更新后的标记样本集对所述初始行为判别模型进行更新训练，得到目标行为判别模型；其中，用于更新所述标记样本集的所述未标记样本的样本选取阈值是基于迭代更新训练的次数或设定的衰减系数进行动态调整的；
其中，所述获取标记样本集和未标记样本集，包括：
获取设定场景下对应的初始样本数据，生成所述初始样本数据对应的场景特征指标；其中，所述场景特征指标用于描述初始样本数据在设定场景下的相关特征；其中，所述设定场景包括超量购药场景、虚假计费场景和不合理住院场景；
基于所述场景特征指标构造所述初始样本数据对应的初始样本集；
基于所述初始样本集确定标记样本集和未标记样本集；
其中，所述基于所述初始样本集确定标记样本集和未标记样本集，包括：
从所述初始样本集中选取一定比例的样本集作为标记样本集；其中，所述一定比例是基于初次训练模型的精度要求以及速度要求设置的；所述精度要求与所述一定比例成正相关，所述速度要求与所述一定比例成负相关；
其中,所述基于所述行为分类结果以及所述行为分类结果对应的未标记样本更新所述标记样本集，基于更新后的标记样本集对所述初始行为判别模型进行更新训练，得到目标行为判别模型，包括：
基于所述行为分类结果以及所述行为分类结果对应的未标记样本，更新所述标记样本集以及所述未标记样本集；
若更新后的未标记样本集非空，则基于当前更新后的标记样本集对所述初始行为判别模型进行更新训练得到更新行为判别模型，并基于所述更新行为判别模型对当前的所述未标记样本集中各未标记样本进行分类处理得到行为分类结果，根据所述行为分类结果以及所述行为分类结果对应的未标记样本循环更新所述标记样本集以及所述未标记样本集，直至更新后的未标记样本集为空；
其中，所述基于所述行为分类结果以及所述行为分类结果对应的未标记样本，更新所述标记样本集以及所述未标记样本集，包括：
基于各所述行为分类结果的置信度确定置信分类结果；
在所述未标记样本集中剔除所述置信分类结果对应的未标记样本，并将所述置信分类结果以及所述置信分类结果对应的未标记样本添加至所述标记样本集；
其中，所述基于各所述行为分类结果的置信度确定置信分类结果，包括：
将满足置信度阈值条件的行为分类结果确定为置信分类结果；或者，
根据所述各未标记样本对应的行为分类结果确定各行为分类结果的分布比例，基于所述分布比例确定置信分类结果；
其中，所述根据所述各未标记样本对应的行为分类结果确定各行为分类结果的分布比例，基于所述分布比例确定置信分类结果，包括：
根据所述各未标记样本对应的行为分类结果统计各行为分类结果的分布比例，基于所述各行为分类结果的分布比例确定各置信度的分布比例，基于所述各置信度的分布比例确定置信度阈值，将满足置信度阈值条件的行为分类结果确定为置信分类结果；和/或
根据所述各未标记样本对应的行为分类结果统计各行为分类结果的分布比例，基于统计得到的所述各行为分类结果的分布比例划分置信分布区间，将位于所述置信分布区间内的行为分类结果确定为置信分类结果。
2.一种行为判别方法，其特征在于，包括：
获取待判别的行为数据；
基于预先设置的目标行为判别模型生成所述行为数据对应的行为分类结果，其中，所述目标行为判别模型基于如权利要求1所述的行为判别模型的训练方法训练得到。
3.一种行为判别模型的训练装置，其特征在于，包括：
样本集获取模块，用于获取标记样本集和未标记样本集；
初始训练模块，用于基于所述标记样本集训练得到初始行为判别模型，将所述未标记样本集输入至所述初始行为判别模型，生成所述未标记样本集中各未标记样本对应的行为分类结果；
更新训练模块，用于基于所述行为分类结果以及所述行为分类结果对应的未标记样本更新所述标记样本集，基于更新后的标记样本集对所述初始行为判别模型进行更新训练，得到目标行为判别模型；其中，用于更新所述标记样本集的所述未标记样本的样本选取阈值是基于迭代更新训练的次数或设定的衰减系数进行动态调整的；
其中，所述样本集获取模块，包括：
场景特征指标生成单元，用于获取设定场景下对应的初始样本数据，生成初始样本数据对应的场景特征指标；其中，所述场景特征指标用于描述初始样本数据在设定场景下的相关特征；其中，所述设定场景包括超量购药场景、虚假计费场景和不合理住院场景；
初始样本集构造单元，用于基于场景特征指标构造初始样本数据对应的初始样本集；
样本集确定单元，用于基于初始样本集确定标记样本集和未标记样本集；
其中，所述样本集确定单元，包括：
标记样本集选取子单元，用于从所述初始样本集中选取一定比例的样本集作为标记样本集；其中，所述一定比例是基于初次训练模型的精度要求以及速度要求设置的；所述精度要求与所述一定比例成正相关，所述速度要求与所述一定比例成负相关；
其中,所述更新训练模块，包括：
样本集更新单元，用于基于所述行为分类结果以及所述行为分类结果对应的未标记样本，更新所述标记样本集以及所述未标记样本集；
模型更新训练单元，用于若更新后的未标记样本集非空，则基于当前更新后的标记样本集对所述初始行为判别模型进行更新训练得到更新行为判别模型，并基于所述更新行为判别模型对当前的所述未标记样本集中各未标记样本进行分类处理得到行为分类结果，根据所述行为分类结果以及所述行为分类结果对应的未标记样本循环更新所述标记样本集以及所述未标记样本集，直至更新后的未标记样本集为空；
其中，所述样本集更新单元，包括：
置信结果确定单元，用于基于各所述行为分类结果的置信度确定置信分类结果；
置信结果变更单元，用于在所述未标记样本集中剔除所述置信分类结果对应的未标记样本，并将所述置信分类结果以及所述置信分类结果对应的未标记样本添加至所述标记样本集；
其中，所述置信结果确定单元具体用于：将满足置信度阈值条件的行为分类结果确定为置信分类结果；或者，根据所述各未标记样本对应的行为分类结果确定各行为分类结果的分布比例，基于所述分布比例确定置信分类结果；其中，所述根据所述各未标记样本对应的行为分类结果确定各行为分类结果的分布比例，基于所述分布比例确定置信分类结果，包括：
根据所述各未标记样本对应的行为分类结果统计各行为分类结果的分布比例，基于所述各行为分类结果的分布比例确定各置信度的分布比例，基于所述各置信度的分布比例确定置信度阈值，将满足置信度阈值条件的行为分类结果确定为置信分类结果；和/或
根据所述各未标记样本对应的行为分类结果统计各行为分类结果的分布比例，基于统计得到的所述各行为分类结果的分布比例划分置信分布区间，将位于所述置信分布区间内的行为分类结果确定为置信分类结果。
4.一种电子设备，其特征在于，所述电子设备包括：
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如权利要求1中所述的行为判别模型的训练方法。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1中所述的行为判别模型的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110260861.3A CN112990294B (zh) | 2021-03-10 | 2021-03-10 | 行为判别模型的训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110260861.3A CN112990294B (zh) | 2021-03-10 | 2021-03-10 | 行为判别模型的训练方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112990294A CN112990294A (zh) | 2021-06-18 |
| CN112990294B true CN112990294B (zh) | 2024-04-16 |
Family
ID=76334817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110260861.3A Active CN112990294B (zh) | 2021-03-10 | 2021-03-10 | 行为判别模型的训练方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112990294B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537630A (zh) * | 2021-08-04 | 2021-10-22 | 支付宝(杭州)信息技术有限公司 | 业务预测模型的训练方法及装置 |
| CN113626488A (zh) * | 2021-08-04 | 2021-11-09 | 挂号网（杭州）科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN114048104A (zh) * | 2021-11-24 | 2022-02-15 | 国家电网有限公司大数据中心 | 一种监控方法、装置、设备及存储介质 |
| CN114469132A (zh) * | 2022-02-11 | 2022-05-13 | 挂号网（杭州）科技有限公司 | 模型训练方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019019860A1 (zh) * | 2017-07-24 | 2019-01-31 | 华为技术有限公司 | 训练分类模型的方法与装置 |
| CN109460795A (zh) * | 2018-12-17 | 2019-03-12 | 北京三快在线科技有限公司 | 分类器训练方法、装置、电子设备及计算机可读介质 |
| CN109816027A (zh) * | 2019-01-29 | 2019-05-28 | 北京三快在线科技有限公司 | 无人驾驶决策模型的训练方法、装置及无人驾驶设备 |
| CN110457675A (zh) * | 2019-06-26 | 2019-11-15 | 平安科技（深圳）有限公司 | 预测模型训练方法、装置、存储介质及计算机设备 |
| CN111695610A (zh) * | 2020-05-26 | 2020-09-22 | 东南大学 | 一种基于多分类器集成的半监督识别方法 |
-
2021
- 2021-03-10 CN CN202110260861.3A patent/CN112990294B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019019860A1 (zh) * | 2017-07-24 | 2019-01-31 | 华为技术有限公司 | 训练分类模型的方法与装置 |
| CN109460795A (zh) * | 2018-12-17 | 2019-03-12 | 北京三快在线科技有限公司 | 分类器训练方法、装置、电子设备及计算机可读介质 |
| CN109816027A (zh) * | 2019-01-29 | 2019-05-28 | 北京三快在线科技有限公司 | 无人驾驶决策模型的训练方法、装置及无人驾驶设备 |
| CN110457675A (zh) * | 2019-06-26 | 2019-11-15 | 平安科技（深圳）有限公司 | 预测模型训练方法、装置、存储介质及计算机设备 |
| CN111695610A (zh) * | 2020-05-26 | 2020-09-22 | 东南大学 | 一种基于多分类器集成的半监督识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 组合标记的多视图半监督协同分类算法;于重重;刘宇;谭励;商利利;马萌;;计算机应用(11);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112990294A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112990294B (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
| CN107491432B (zh) | 基于人工智能的低质量文章识别方法及装置、设备及介质 | |
| CN110633991A (zh) | 风险识别方法、装置和电子设备 | |
| CN111222981A (zh) | 可信度确定方法、装置、设备和存储介质 | |
| CN110929525B (zh) | 一种网贷风险行为分析检测方法、装置、设备和存储介质 | |
| CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
| CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
| CN111125658A (zh) | 识别欺诈用户的方法、装置、服务器和存储介质 | |
| CN111931047B (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
| CN111598122B (zh) | 数据校验方法、装置、电子设备和存储介质 | |
| CN111046184B (zh) | 文本的风险识别方法、装置、服务器和存储介质 | |
| CN112184304A (zh) | 一种辅助决策的方法、系统、服务器和存储介质 | |
| CN113010785B (zh) | 用户推荐方法及设备 | |
| CN111625555B (zh) | 一种订单匹配方法、装置、设备及存储介质 | |
| CN113379469A (zh) | 一种异常流量检测方法、装置、设备及存储介质 | |
| CN112989050A (zh) | 一种表格分类方法、装置、设备及存储介质 | |
| CN111860554B (zh) | 风险监控方法、装置、存储介质及电子设备 | |
| CN116245630A (zh) | 一种反欺诈检测方法、装置、电子设备及介质 | |
| CN115204322B (zh) | 行为链路异常识别方法和装置 | |
| CN111815435A (zh) | 一种群体风险特征的可视化方法、装置、设备及存储介质 | |
| CN111681050A (zh) | 一种广告推送方法、装置、设备和存储介质 | |
| CN111738290A (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
| CN111582647A (zh) | 用户数据处理方法、装置及电子设备 | |
| CN115762704A (zh) | 一种处方审核方法、装置、设备和存储介质 | |
| CN110297989B (zh) | 异常检测的测试方法、装置、设备和介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240429 Address after: Room b-12af-06, No. 198, Qidi Road, Xiaoshan Economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province Patentee after: WEIYIYUN (HANGZHOU) HOLDING Co.,Ltd. Country or region after: China Address before: Room 2303, 23 / F, building 3, No. 371, Mingxing Road, Xiaoshan Economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province, 311200 Patentee before: GUAHAOWANG (HANGZHOU) TECHNOLOGY CO.,LTD. Country or region before: China |