CN113256145B - 安全中心中台系统 - Google Patents
安全中心中台系统 Download PDFInfo
- Publication number
- CN113256145B CN113256145B CN202110639706.2A CN202110639706A CN113256145B CN 113256145 B CN113256145 B CN 113256145B CN 202110639706 A CN202110639706 A CN 202110639706A CN 113256145 B CN113256145 B CN 113256145B
- Authority
- CN
- China
- Prior art keywords
- vectors
- feature
- security
- feature vector
- encoder
- 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
- 239000013598 vector Substances 0.000 claims description 333
- 238000012549 training Methods 0.000 claims description 84
- 238000009826 distribution Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000003032 molecular docking Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011217 control strategy Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000004148 unit process Methods 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
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及安全中心中台的领域,安全中心中台是针对用户做风控策略,基于历史数据和实时行为数据,定义用户风险,对行为指标进行封装,对策略进行封装,并对行为结果进行拦截、标记。具体地,本申请提出了一种安全中心中台系统,该系统采用使用深度神经网络模型的基于标签的分类技术,来计算不同的安全功能在每个业务场景下的权重值以对不同业务场景下的安全功能进行整合,通过这样的方式,可以针对差异化的出行场景个性化定制不同的方案,大幅降低开发成本,同时满足运营方的定制化需求。
Description
技术领域
本申请涉及安全中心中台的领域,且更为具体地,涉及一种安全中心中台系统、安全中心中台系统的操作方法。
背景技术
安全中心中台是针对用户做风控策略,基于历史数据和实时行为数据,定义用户风险,对行为指标进行封装,对策略进行封装,并对行为结果进行拦截、标记。
例如,针对于乘客的安全中心中台,包括事前、事中、事后风控,其中,事前风控,包括对用户进行实名认证、紧急联系人、实时位置保护、行程录音、虚拟号等功能授权,获取相应的数据权限,通过大数据对用户的合规性进行数据分析并在用户下单前进行提醒拦截;事中风控包括行程录音加密存储实时上传服务器,虚拟号随机分配号段保护用户隐私,用户一键求援后实时上报订单信息、乘客位置及司机行程轨迹,对司机进行事中行为涉及业务和历史可疑行为进行拦截并支持给紧急联系人发送行程短信及后台预警处理;事后风控包括可对司机的账号、入账、提现等行为进行拦截,并为场景纠纷及刑事案件提供判责依据。
目前业内的产品是针对每一个出行业务场景设计对应的安全功能,对于差异化的出行场景复用性较差。并且,不同的安全功能(例如实名认证、紧急联系人、实时位置保护、隐私号保护、行程录音保护等)在不同的业务场景中(例如网约车、顺风车、代驾、出租车、货运等)发挥着不同的风控权重。具体地,某一安全功能可能在某一业务场景中占据着较大的风控比重,但其在另一业务场景中的风控比重则相对较低甚至可以被忽略。
因此,期望提供能够确定每个业务场景下的相应的安全功能的权重值以将不同业务场景下的安全功能进行整合。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种安全中心中台系统、安全中心中台系统的操作方法,其采用使用深度神经网络模型的基于标签的分类技术,来计算不同的安全功能在每个业务场景下的权重值以对不同业务场景下的安全功能进行整合,通过这样的方式,可以针对差异化的出行场景个性化定制不同的方案,大幅降低开发成本,同时满足运营方的定制化需求。
根据本申请的一个方面,提供了一种安全中心中台系统,其包括:
安全功能单元,用于获取多个安全功能;业务场景单元,用于获取多个业务场景;训练单元,用于:将所述多个安全功能和所述多个业务场景分别转化为多个第一输入向量和多个第二输入向量;将所述多个第一输入向量和所述多个第二输入向量分别输入由全连接深度神经网络构成的第一编码器和第二编码器,以获得多个第一特征向量和多个第二特征向量;分别计算所述多个第一特征向量中每一个特征向量与所述多个第二特征向量中的每一个特征向量的第一组交叉熵损失函数值;分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,以获得由多个分集概率阶数组成的第三特征向量,其中,每个所述第二特征向量的分集概率阶数为所述多个第二特征向量的概率分布的均值除以每个所述第二特征向量的概率分布;分别计算所述多个第一特征向量中每一个特征向量与所述第三特征向量的第二组交叉熵损失函数值;基于所述第一组交叉熵损失函数值和所述第二组交叉熵损失函数值,对所述第一编码器和所述第二编码器进行训练;以及推断单元,用于:获取待分类的安全功能;将所述待分类的安全功能转化为第一待分类输入向量后通过经所述训练单元训练完成的所述第一编码器以获得第一待分类特征向量;将所述第一待分类向量输入以基于所述第二特征向量的标签值的分类器,以获得对应于所述第一待分类向量的分类结果,所述分类结果用于表示所述待分类的安全功能在特定业务场景下的权重。
在上述安全中心中台系统中,所述训练单元,进一步用于:对所述多个安全功能和所述多个业务场景分别进行独热编码以转化为所述多个第一输入向量和所述多个第二输入向量。
在上述安全中心中台系统中,所述训练单元,进一步用于:将所述多个安全功能和所述多个业务场景通过词嵌入模型以获得多个第一文本词向量和多个第二文本词向量;以及,将所述多个第一文本词向量和所述多个第二文本词向量分别输入语义理解模型,以获得所述多个第一输入向量和所述多个第二输入向量。
在上述安全中心中台系统中,所述训练单元,进一步用于:将所述多个第二特征向量中每一个特征向量转化为0到1区间内的概率以获得多个第一概率值;计算所述多个第一概率值的均值以获得第二概率值;以及,以如下公式分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,其中,所述公式为:divi=-log2E(p)/log2pi,其中,E(p)为所述第二概率值,Pi为所述第一概率值。
在上述安全中心中台系统中,所述训练单元,进一步用于:将每一个所述第二特征向量输入Sigmoid激活函数以将所述第二特征向量中各个位置的特征值转化到0到1的区间内;以及,计算所述第二特征向量中各个位置的特征值的均值以获得所述第一概率值。
在上述安全中心中台系统中,所述训练单元,进一步用于:迭代地以所述第一组交叉熵损失函数值的加权和训练所述第一编码器和所述第二编码器,以及,以所述第二组交叉熵损失函数值的加权和训练第一编码器。
在上述安全中心中台系统中,所述分类器的标签值为所述第二特征向量中各个位置的特征值的均值或者加权和。
根据本申请的另一方面,提供了一种安全中心中台系统的操作方法,其包括:通过安全功能单元获取多个安全功能;通过业务场景单元获取多个业务场景;通过训练单元将所述多个安全功能和所述多个业务场景分别转化为多个第一输入向量和多个第二输入向量;将所述多个第一输入向量和所述多个第二输入向量分别输入由全连接深度神经网络构成的第一编码器和第二编码器,以获得多个第一特征向量和多个第二特征向量;分别计算所述多个第一特征向量中每一个特征向量与所述多个第二特征向量中的每一个特征向量的第一组交叉熵损失函数值;分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,以获得由多个分集概率阶数组成的第三特征向量,其中,每个所述第二特征向量的分集概率阶数为所述多个第二特征向量的概率分布的均值除以每个所述第二特征向量的概率分布;分别计算所述多个第一特征向量中每一个特征向量与所述第三特征向量的第二组交叉熵损失函数值;以及,基于所述第一组交叉熵损失函数值和所述第二组交叉熵损失函数值,对所述第一编码器和所述第二编码器进行训练;以及通过推断单元获取待分类的安全功能;将所述待分类的安全功能转化为第一待分类输入向量后通过经所述训练单元训练完成的所述第一编码器以获得第一待分类特征向量;以及,将所述第一待分类向量输入以基于所述第二特征向量的标签值的分类器,以获得对应于所述第一待分类向量的分类结果,所述分类结果用于表示所述待分类的安全功能在特定业务场景下的权重。
与现有技术相比,本申请的实施例提供了一种安全中心中台系统、安全中心中台系统的操作方法,其采用使用深度神经网络模型的基于标签的分类技术,来计算不同的安全功能在每个业务场景下的权重值以对不同业务场景下的安全功能进行整合。通过这样的方式,可以针对差异化的出行场景个性化定制不同的方案,大幅降低开发成本,同时满足运营方的定制化需求。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的安全中心中台系统的应用场景图。
图2为根据本申请实施例的安全中心中台系统的框图。
图3为根据本申请实施例的安全中心中台系统的操作方法的流程图。
图4为根据本申请实施例的安全中心中台系统中训练单元的操作方法的架构示意图。
图5为根据本申请实施例的安全中心中台系统中推断单元的操作方法架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如上所述,目前业内的产品是针对每一个出行业务场景设计对应的安全功能,对于差异化的出行场景复用性较差。并且,不同的安全功能在不同的业务场景中(例如网约车、顺风车、代驾、出租车、货运等)发挥着不同的风控权重。具体地,某一安全功能可能在某一业务场景中占据着较大的风控比重,但其在另一业务场景中的风控比重则相对较低甚至可以被忽略。因此,期望提供能够确定每个业务场景下的相应的安全功能的权重值以将不同业务场景下的安全功能进行整合。
为了计算不同的安全功能在每个业务场景下的权重值,本申请的申请人考虑采用使用深度神经网络模型的基于标签的分类技术。也就是,将每个安全功能编码为相应的特征向量,并针对不同业务场景设置相应的标签值,从而获得相应的特征向量在对应标签值下的分类器的概率值以作为每个安全功能在该特定业务场景下的权重。
本申请的申请人发现,如果仅将安全功能通过编码器进行编码,而以例如独热向量的简单形式表示业务场景,尽管可以使用交叉熵损失函数来训练编码器使得特征分布与标签分布一致,但仍然缺乏足够的约束来进行编码器的训练,使得分类器的训练常常存在欠拟合,影响训练效果和分类精度。
基于此,本申请的申请人一方面使用另一编码器来对标签向量进行编码,来基于交叉熵损失函数值同时训练两个编码器,以提升两个编码器编码出的高维特征趋向一致的速率,另一方面利用标签的分集概率阶数来修正安全功能的编码,以能够基于标签的分集性质来促进两者的相关性。
具体地,在本申请的技术方案中,首先将安全功能和业务场景转换为多个第一输入向量和多个第二输入向量,例如可以简单地通过独热向量的表示,也可以通过语义理解模型,比如双向LSTM模型。然后,将所述多个第一输入向量和多个第二输入向量分别输入由全连接深度神经网络构成的第一编码器和第二编码器,以获得多个第一特征向量和多个第二特征向量,并分别计算多个第一特征向量中的每一个特征向量与多个第二特征向量中的每一个特征向量的第一组交叉熵损失函数值。
并且,针对多个第二特征向量,计算其分集概率阶数,也就是,对于每个第二特征向量,首先将其转换为[0,1]区间的概率值,例如将每个位置的特征值转换为概率值后求均值,以获得多个第一概率值。然后,进一步计算所述多个第一概率值的均值以获得第二概率值,这里,该第二概率值实质上是作为第一概率值的期望值,然后,计算分集概率阶数,即divi=-log2E(p)/log2pi。
然后,将所述分集概率阶数组合为第三特征向量,并分别计算多个第一特征向量中的每一个特征向量与第三特征向量的第二组交叉熵损失函数值。这样,在实际训练过程中,迭代地以第一组交叉熵损失函数值的加权和训练第一编码器和第二编码器,和以第二组交叉熵损失函数值的加权和训练第一编码器。
在第一编码器和第二编码器训练完成之后,就可以计算安全功能对应的多个第一特征向量在以基于第二特征向量的标签值的分类器下的概率,以作为每个安全功能在特定业务场景下的权重。这里,标签值可以简单地设置为第二特征向量的各特征值的均值或者加权和。
基于此,本申请提出了一种安全中心中台系统,其包括:安全功能单元,用于获取多个安全功能;业务场景单元,用于获取多个业务场景;
训练单元,用于:将所述多个安全功能和所述多个业务场景分别转化为多个第一输入向量和多个第二输入向量;将所述多个第一输入向量和所述多个第二输入向量分别输入由全连接深度神经网络构成的第一编码器和第二编码器,以获得多个第一特征向量和多个第二特征向量;分别计算所述多个第一特征向量中每一个特征向量与所述多个第二特征向量中的每一个特征向量的第一组交叉熵损失函数值;分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,以获得由多个分集概率阶数组成的第三特征向量,其中,每个所述第二特征向量的分集概率阶数为所述多个第二特征向量的概率分布的均值除以每个所述第二特征向量的概率分布;分别计算所述多个第一特征向量中每一个特征向量与所述第三特征向量的第二组交叉熵损失函数值;基于所述第一组交叉熵损失函数值和所述第二组交叉熵损失函数值,对所述第一编码器和所述第二编码器进行训练;以及,推断单元,用于:获取待分类的安全功能;将所述待分类的安全功能转化为第一待分类输入向量后通过经所述训练单元训练完成的所述第一编码器以获得第一待分类特征向量;将所述第一待分类向量输入以基于所述第二特征向量的标签值的分类器,以获得对应于所述第一待分类向量的分类结果,所述分类结果用于表示所述待分类的安全功能在特定业务场景下的权重。
图1图示了根据本申请实施例的安全中心中台系统的应用场景图。如图1所示,在该应用场景的训练阶段中,通过获取多个不同业务场景和多个不同的安全功能。在具体实施中,如果业务场景和安全功能的描述较为复杂,可为对应的业务场景和安全功能设置标签;如果业务场景和安全功能的描述相对简单的话,可直接以业务场景和安全功能的描述作为输入数据。然后,将所述获得的多个不同业务场景和所获得的多个不同的安全功能输入至部署有安全中心中台算法的服务器中(例如,如图1中所示意的云服务器S),其中,所述服务器能够用于安全中心中台算法以所述获得的多个不同业务场景下的多个不同的安全功能对安全中心中台的卷积神经网络进行训练。
在训练完成后,在推断阶段中,首先获取待分类的安全功能;然后,将所述获得的待分类的安全功能输入至部署有安全中心中台算法的服务器中,其中,所述服务器能够以安全中心中台算法对所述获得的待分类的安全功能进行处理,以生成用于表示所述待分类的安全功能在特定业务场景下的权重的分类结果。
在一个具体的示例中,所述不同的业务场景包括但不局限于网约车、顺风车、代驾、出租车、货运等,且所述不同的安全功能包括但不局限于实名认证、紧急联系人、实时位置保护、隐私号保护、行程录音保护等。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的安全中心中台系统的框图。如图2所示,根据本申请实施例的安全中心中台系统 200,包括:安全功能单元 210,用于获取多个安全功能;业务场景单元 220,用于获取多个业务场景;训练单元 230,用于:将所述多个安全功能和所述多个业务场景分别转化为多个第一输入向量和多个第二输入向量;将所述多个第一输入向量和所述多个第二输入向量分别输入由全连接深度神经网络构成的第一编码器和第二编码器,以获得多个第一特征向量和多个第二特征向量;分别计算所述多个第一特征向量中每一个特征向量与所述多个第二特征向量中的每一个特征向量的第一组交叉熵损失函数值;分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,以获得由多个分集概率阶数组成的第三特征向量,其中,每个所述第二特征向量的分集概率阶数为所述多个第二特征向量的概率分布的均值除以每个所述第二特征向量的概率分布;分别计算所述多个第一特征向量中每一个特征向量与所述第三特征向量的第二组交叉熵损失函数值;基于所述第一组交叉熵损失函数值和所述第二组交叉熵损失函数值,对所述第一编码器和所述第二编码器进行训练;以及,推断单元 240,用于:获取待分类的安全功能;将所述待分类的安全功能转化为第一待分类输入向量后通过经所述训练单元训练完成的所述第一编码器以获得第一待分类特征向量;将所述第一待分类向量输入以基于所述第二特征向量的标签值的分类器,以获得对应于所述第一待分类向量的分类结果,所述分类结果用于表示所述待分类的安全功能在特定业务场景下的权重。
在本申请实施例中,所述业务场景单元 220,用于获取多个业务场景。在该实施例中,所述业务场景包括但不限于限于网约车、顺风车、代驾、出租车、货运等。在具体实施中,如果业务场景的文本描述较为复杂,可为对应的业务场景设置标签,也就是,以标签来表示所述业务场景。当然,如果业务场景的文本描述较为简单,则可直接用所述业务场景的文本描述来表示所述业务场景。
在本申请实施例中,所述安全功能单元 210,用于获取多个安全功能。在该实施例中,所述安全功能包括但不限于:实名认证、紧急联系人、实时位置保护、隐私号保护、行程录音保护等。相一致地,在具体实施中,如果安全功能的文本描述较为复杂,可为对应的安全功能设置标签,也就是,以标签来表示所述安全功能。当然,如果安全功能的文本描述较为简单,则可直接用所述安全功能的文本描述来表示所述业务场景。
如上所述,在本申请的安全中心中台系统中,致力于将不同业务场景下的安全功能进行整合。但是,由于业务场景的不同,不同的安全功能可能会具有不同的权重,因此,期望提供能够确定每个业务场景下的相应的安全功能的权重值。相应地,为了计算不同的安全功能在每个业务场景下的权重值,本申请的申请人考虑采用使用深度神经网络模型的基于标签的分类技术。也就是,将每个安全功能编码为相应的特征向量,并针对不同业务场景设置相应的标签值,从而获得相应的特征向量在对应标签值下的分类器的概率值以作为每个安全功能在该特定业务场景下的权重。
具体地,在本申请实施例中,所述训练单元 230,用于将所述多个安全功能和所述多个业务场景分别转化为多个第一输入向量和多个第二输入向量。更具体地,在一个具体的示例中,所述训练单元 230,用于对所述多个安全功能和所述多个业务场景分别进行独热编码以转化为所述多个第一输入向量和所述多个第二输入向量。也就是,以独特编码的编码方式对所述多个安全功能和所述多个业务场景进行编码,以获得所述多个第一输入向量和所述多个第二输入向量。
在本申请另外一个具体的示例中,所述训练单元,用于将所述多个安全功能和所述多个业务场景通过词嵌入模型以获得多个第一文本词向量和多个第二文本词向量;以及,将所述多个第一文本词向量和所述多个第二文本词向量分别输入语义理解模型,以获得所述多个第一输入向量和所述多个第二输入向量。也就是,通过词嵌入模型和语义理解模型将所述多个安全功能和所述多个业务场景转化为所述多个第一输入向量和所述多个第二输入向量。在一个具体示例中,所述语义理解模型可被实施为双向LSTM模型。
接着,所述训练单元 230,进一步用于将所述多个第一输入向量和所述多个第二输入向量分别输入由全连接深度神经网络构成的第一编码器和第二编码器,以获得多个第一特征向量和多个第二特征向量。也就是,将所述多个第一输入向量和多个第二输入向量分别输入由全连接深度神经网络构成的第一编码器和第二编码器,以获得多个第一特征向量和多个第二特征向量。
本申请的申请人发现,如果仅将安全功能通过编码器进行编码,而以例如独热向量的简单形式表示业务场景,尽管可以使用交叉熵损失函数来训练编码器使得特征分布与标签分布一致,但仍然缺乏足够的约束来进行编码器的训练,使得分类器的训练常常存在欠拟合,影响训练效果和分类精度。
基于此,本申请的申请人一方面使用另一编码器来对标签向量进行编码,来基于交叉熵损失函数值同时训练两个编码器,以提升两个编码器编码出的高维特征趋向一致的速率,另一方面利用标签的分集概率阶数来修正安全功能的编码,以能够基于标签的分集性质来促进两者的相关性。
相应地,所述训练单元 230,进一步用于分别计算所述多个第一特征向量中每一个特征向量与所述多个第二特征向量中的每一个特征向量的第一组交叉熵损失函数值。所述训练单元 230,进一步用于分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,以获得由多个分集概率阶数组成的第三特征向量,其中,每个所述第二特征向量的分集概率阶数为所述多个第二特征向量的概率分布的均值除以每个所述第二特征向量的概率分布;以及,分别计算所述多个第一特征向量中每一个特征向量与所述第三特征向量的第二组交叉熵损失函数值。
所述训练单元 230,首先将所述多个第二特征向量中每一个特征向量转化为0到1区间内的概率以获得多个第一概率值,例如,将每一个所述第二特征向量输入Sigmoid激活函数以将所述第二特征向量中各个位置的特征值转化到0到1的区间内。接着,计算所述多个第一概率值的均值以获得第二概率值,当然,在本申请其他示例中,也可以以所述多个第一概率值的中位数作为所述第二概率值。然后,以如下公式分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,其中,所述公式为:divi=-log2E(p)/log2pi,其中,E(p)为所述第二概率值,Pi为所述第一概率值。
相应地,所述训练单元 230,进一步用于基于所述第一组交叉熵损失函数值和所述第二组交叉熵损失函数值,对所述第一编码器和所述第二编码器进行训练。在一个示例中,所述训练单元230,首先迭代地以所述第一组交叉熵损失函数值的加权和训练所述第一编码器和所述第二编码器;然后,以所述第二组交叉熵损失函数值的加权和训练第一编码器。
在训练完成后,在第一编码器和第二编码器训练完成之后,就可以计算安全功能对应的多个第一特征向量在以基于第二特征向量的标签值的分类器下的概率,以作为每个安全功能在特定业务场景下的权重。
具体地,所述推断单元 240,首先获取待分类的安全功能;接着,将所述待分类的安全功能转化为第一待分类输入向量后通过经所述训练单元训练完成的所述第一编码器以获得第一待分类特征向量;然后,将所述第一待分类向量输入以基于所述第二特征向量的标签值的分类器,以获得对应于所述第一待分类向量的分类结果,所述分类结果用于表示所述待分类的安全功能在特定业务场景下的权重。
在一个示例中,在安全中心中台系统 200中,所述分类器的标签值为所述第二特征向量中各个位置的特征值的均值或者加权和。
综上,基于本申请实施例的所述安全中心中台系统 200被阐明,其采用使用深度神经网络模型的基于标签的分类技术,来计算不同的安全功能在每个业务场景下的权重值以对不同业务场景下的安全功能进行整合,通过这样的方式,可以针对差异化的出行场景个性化定制不同的方案,大幅降低开发成本,同时满足运营方的定制化需求。
如上所述,根据本申请实施例的安全中心中台系统 200可以实现在各种终端设备中,例如安全中心中台算法的服务器等。在一个示例中,根据本申请实施例的安全中心中台系统 200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该安全中心中台系统 200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该安全中心中台系统 200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该安全中心中台系统 200与该终端设备也可以是分立的设备,并且该安全中心中台系统 200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
示例性方法
图3图示了根据本申请实施例的安全中心中台系统的操作方法的流程图。如图3所示,根据本申请实施例的安全中心中台系统的操作方法,包括:S110,通过安全功能单元获取多个安全功能;S120,通过业务场景单元获取多个业务场景;S130,通过训练单元将所述多个安全功能和所述多个业务场景分别转化为多个第一输入向量和多个第二输入向量;S140,通过训练单元将所述多个第一输入向量和所述多个第二输入向量分别输入由全连接深度神经网络构成的第一编码器和第二编码器,以获得多个第一特征向量和多个第二特征向量;S150,通过训练单元分别计算所述多个第一特征向量中每一个特征向量与所述多个第二特征向量中的每一个特征向量的第一组交叉熵损失函数值;S160,通过训练单元分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,以获得由多个分集概率阶数组成的第三特征向量,其中,每个所述第二特征向量的分集概率阶数为所述多个第二特征向量的概率分布的均值除以每个所述第二特征向量的概率分布;S170,通过训练单元分别计算所述多个第一特征向量中每一个特征向量与所述第三特征向量的第二组交叉熵损失函数值;以及,S180,通过训练单元基于所述第一组交叉熵损失函数值和所述第二组交叉熵损失函数值,对所述第一编码器和所述第二编码器进行训练;以及,S190,通过推断单元获取待分类的安全功能;S200,通过推断单元将所述待分类的安全功能转化为第一待分类输入向量后通过经所述训练单元训练完成的所述第一编码器以获得第一待分类特征向量;以及,S210,通过推断单元将所述第一待分类向量输入以基于所述第二特征向量的标签值的分类器,以获得对应于所述第一待分类向量的分类结果,所述分类结果用于表示所述待分类的安全功能在特定业务场景下的权重。
图4图示了根据本申请实施例的安全中心中台系统中训练单元的操作方法的架构示意图。如图4所示,在训练阶段中,在该网络架构中,首先,将获取的所述多个安全功能(例如,如图3中所示意的SF)和所述多个业务场景(例如,如图3中所示意的BS)分别转化为多个第一输入向量(例如,如图3中所示意的IV1)和多个第二输入向量(例如,如图3中所示意的IV2);接着,将所述多个第一输入向量和所述多个第二输入向量分别输入由全连接深度神经网络构成的第一编码器(例如,如图3中所示意的E1)和第二编码器(例如,如图3中所示意的E2),以获得多个第一特征向量(例如,如图3中所示意的FV1)和多个第二特征向量(例如,如图3中所示意的FV2);然后,分别计算所述多个第一特征向量中每一个特征向量与所述多个第二特征向量中的每一个特征向量的第一组交叉熵损失函数值(例如,如图3中所示意的CV1);接着,分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,以获得由多个分集概率阶数组成的第三特征向量(例如,如图3中所示意的FV3),特别地,每个所述第二特征向量的分集概率阶数为所述多个第二特征向量的概率分布的均值除以每个所述第二特征向量的概率分布;然后,分别计算所述多个第一特征向量中每一个特征向量与所述第三特征向量的第二组交叉熵损失函数值(例如,如图3中所示意的CV2);以及,最后,基于所述第一组交叉熵损失函数值和所述第二组交叉熵损失函数值,对所述第一编码器和所述第二编码器进行训练。
图5图示了根据本申请实施例的安全中心中台系统中推断单元的操作方法的架构示意图。如图5所示,在推断阶段中,在该网络架构中,首先,将获取的待分类的安全功能(例如,如图3中所示意的DOS)转化为第一待分类输入向量(例如,如图3中所示意的IVC1)后通过经所述训练单元训练完成的所述第一编码器(例如,如图3中所示意的En1)以获得第一待分类特征向量(例如,如图3中所示意的FVC1);以及,将所述第一待分类向量输入以基于所述第二特征向量的标签值的分类器(例如,如图3中所示意的圈S),以获得对应于所述第一待分类向量的分类结果,所述分类结果用于表示所述待分类的安全功能在特定业务场景下的权重。
更具体地,在步骤S110中,通过安全功能单元获取多个安全功能;以及,在步骤S120中,通过业务场景单元获取多个业务场景。如前所述,应可以理解,由于业务场景的不同,不同的安全功能可能会具有不同的权重,因此,为了将不同业务场景下的安全功能进行整合,就需要计算不同的安全功能在每个业务场景下的权重值。相应地,在本申请的技术方案中,采用使用深度神经网络模型的基于标签的分类技术,来进行对每个安全功能在特定业务场景下权重的分类。
在本申请的具体应用中,所述不同的业务场景包括但不局限于网约车、顺风车、代驾、出租车、货运等,并且不同的安全功能包括但不局限于实名认证、紧急联系人、实时位置保护、隐私号保护、行程录音保护等。
更具体地,在训练阶段中,在步骤S130中,将所述多个安全功能和所述多个业务场景分别转化为多个第一输入向量和多个第二输入向量;以及,在步骤S140中,将所述多个第一输入向量和所述多个第二输入向量分别输入由全连接深度神经网络构成的第一编码器和第二编码器,以获得多个第一特征向量和多个第二特征向量。也就是,首先将所述多个安全功能和所述多个业务场景转换为多个第一输入向量和多个第二输入向量,然后用由全连接深度神经网络构成的第一编码器和第二编码器分别对所述多个第一输入向量和所述多个第二输入向量进行处理,以提取出所述多个第一输入向量和所述多个第二输入向量在高维空间中的特征表示,以获得所述多个第一特征向量和所述多个第二特征向量。
具体地,在本申请实施例中,将所述多个安全功能和所述多个业务场景分别转化为多个第一输入向量和多个第二输入向量的过程,例如可以简单地通过独热向量的表示,在具体示例中,通过对所述多个安全功能和所述多个业务场景分别进行独热编码以转化为所述多个第一输入向量和所述多个第二输入向量;也可以通过语义理解模型,比如双向LSTM模型,在具体示例中,通过将所述多个安全功能和所述多个业务场景通过词嵌入模型以获得多个第一文本词向量和多个第二文本词向量;以及,将所述多个第一文本词向量和所述多个第二文本词向量分别输入语义理解模型,以获得所述多个第一输入向量和所述多个第二输入向量。
特别地,在本申请具体示例中,所述深度神经网络为深度全连接网络,例如,多层感知机模型。本领域普通技术人员应知晓,多层感知机模型其能够充分地利用第一输入向量和第二输入向量中各个位置的信息和各个位置之间的关联信息,以提取出能够表达安全功能和业务场景的高维特征。
更具体地,在训练阶段中,在步骤S150中,分别计算所述多个第一特征向量中每一个特征向量与所述多个第二特征向量中的每一个特征向量的第一组交叉熵损失函数值。应可以理解,为了后续基于交叉熵损失函数值来对编码器进行训练以使得特征分布与标签分布一致,就需要计算所述多个第一特征向量与所述多个第二特征向量的交叉熵损失函数值。
更具体地,在训练阶段中,在步骤S160中,分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,以获得由多个分集概率阶数组成的第三特征向量,其中,每个所述第二特征向量的分集概率阶数为所述多个第二特征向量的概率分布的均值除以每个所述第二特征向量的概率分布。应可以理解,在本申请的技术方案中,如果仅将安全功能通过编码器进行编码,而以例如独热向量的简单形式表示业务场景,尽管可以使用交叉熵损失函数来训练编码器使得特征分布与标签分布一致,但仍然缺乏足够的约束来进行编码器的训练,使得分类器的训练常常存在欠拟合,影响训练效果和分类精度。
具体地,在本申请实施例中,分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,以获得由多个分集概率阶数组成的第三特征向量的过程,包括:首先,将所述多个第二特征向量中每一个特征向量转化为0到1区间内的概率以获得多个第一概率值,在具体示例中,将每一个所述第二特征向量输入Sigmoid激活函数以将所述第二特征向量中各个位置的特征值转化到0到1的区间内,这样会便于后续的计算;以及,计算所述第二特征向量中各个位置的特征值的均值以获得所述第一概率值。接着,计算所述多个第一概率值的均值以获得第二概率值,这里,该所述第二概率值实质上是作为所述第一概率值的期望值。然后,以如下公式分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,其中,所述公式为:divi=-log2E(p)/log2pi,其中,E(p)为所述第二概率值,Pi为所述第一概率值。最后,将所述分集概率阶数组合为第三特征向量。
更具体地,在训练阶段中,在步骤S170中,分别计算所述多个第一特征向量中每一个特征向量与所述第三特征向量的第二组交叉熵损失函数值;以及,在步骤S180中,基于所述第一组交叉熵损失函数值和所述第二组交叉熵损失函数值,对所述第一编码器和所述第二编码器进行训练。如前所述,应可以理解,如果仅将安全功能通过编码器进行编码,将会缺乏足够的约束来进行编码器的训练,使得分类器的训练常常存在欠拟合,影响训练效果和分类精度。因此,在本申请的技术方案中,一方面使用另一编码器来对标签向量进行编码,来基于交叉熵损失函数值同时训练两个编码器,以提升两个编码器编码出的高维特征趋向一致的速率,另一方面利用标签的分集概率阶数来修正安全功能的编码,以能够基于标签的分集性质来促进两者的相关性。
具体地,在本申请实施例中,在实际训练过程中,迭代地以所述第一组交叉熵损失函数值的加权和训练所述第一编码器和所述第二编码器,以及,以所述第二组交叉熵损失函数值的加权和训练第一编码器。
在训练完成后,进入推断阶段。
更具体地,在推断阶段中,在步骤S190中,通过推断单元获取待分类的安全功能;以及,在步骤S200中,将所述待分类的安全功能转化为第一待分类输入向量后通过经所述训练单元训练完成的所述第一编码器以获得第一待分类特征向量。也就是,首先,将所述待分类的安全功能描述转换为第一待分类输入向量;接着,用训练单元训练完成后的所述第一编码器对所述第一待分类输入向量进行处理,以提取出所述第一待分类输入向量在高维空间中的特征表示以获得第一待分类特征向量。
更具体地,在推断阶段中,在步骤S210中,将所述第一待分类向量输入以基于所述第二特征向量的标签值的分类器,以获得对应于所述第一待分类向量的分类结果,所述分类结果用于表示所述待分类的安全功能在特定业务场景下的权重。也就是,将每个安全功能编码为相应的特征向量,并针对不同业务场景设置相应的标签值,从而获得相应的特征向量在对应标签值下的分类器的概率值以作为每个安全功能在该特定业务场景下的权重。具体地,在本申请实施例中,所述分类器的标签值为所述第二特征向量中各个位置的特征值的均值或者加权和。
综上,基于本申请实施例的安全中心中台系统的操作方法被阐明,其采用使用深度神经网络模型的基于标签的分类技术,来计算不同的安全功能在每个业务场景下的权重值以对不同业务场景下的安全功能进行整合。通过这样的方式,可以针对差异化的出行场景个性化定制不同的方案,大幅降低开发成本,同时满足运营方的定制化需求。
Claims (8)
1.一种安全中心中台系统,其特征在于,包括:安全功能单元,用于获取多个安全功能;业务场景单元,用于获取多个业务场景;训练单元,用于:将所述多个安全功能和所述多个业务场景分别转化为多个第一输入向量和多个第二输入向量;将所述多个第一输入向量和所述多个第二输入向量分别输入由全连接深度神经网络构成的第一编码器和第二编码器,以获得多个第一特征向量和多个第二特征向量;分别计算所述多个第一特征向量中每一个特征向量与所述多个第二特征向量中的每一个特征向量的第一组交叉熵损失函数值;分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,以获得由多个分集概率阶数组成的第三特征向量,其中,每个所述第二特征向量的分集概率阶数为所述多个第二特征向量的概率分布的均值除以每个所述第二特征向量的概率分布;分别计算所述多个第一特征向量中每一个特征向量与所述第三特征向量的第二组交叉熵损失函数值;基于所述第一组交叉熵损失函数值和所述第二组交叉熵损失函数值,对所述第一编码器和所述第二编码器进行训练;以及推断单元,用于:获取待分类的安全功能;将所述待分类的安全功能转化为第一待分类输入向量后通过经所述训练单元训练完成的所述第一编码器以获得第一待分类特征向量;将所述第一待分类特征向量输入到基于所述第二特征向量的标签值的分类器中,以获得对应于所述第一待分类特征向量的分类结果,所述分类结果用于表示所述待分类的安全功能在特定业务场景下的权重。
2.根据权利要求1所述的安全中心中台系统,其中,所述训练单元,进一步用于:对所述多个安全功能和所述多个业务场景分别进行独热编码以转化为所述多个第一输入向量和所述多个第二输入向量。
3.根据权利要求1所述的安全中心中台系统,其中,所述训练单元,进一步用于:将所述多个安全功能和所述多个业务场景通过词嵌入模型以获得多个第一文本词向量和多个第二文本词向量;以及,将所述多个第一文本词向量和所述多个第二文本词向量分别输入语义理解模型,以获得所述多个第一输入向量和所述多个第二输入向量。
4.根据权利要求1所述的安全中心中台系统,其中,所述训练单元,进一步用于:迭代地以所述第一组交叉熵损失函数值的加权和训练所述第一编码器和所述第二编码器,以及,以所述第二组交叉熵损失函数值的加权和训练第一编码器。
5.根据权利要求1所述的安全中心中台系统,其中,所述分类器的标签值为所述第二特征向量中各个位置的特征值的均值或者加权和。
6.一种安全中心中台系统的操作方法,其特征在于,包括:通过安全功能单元获取多个安全功能;通过业务场景单元获取多个业务场景;通过训练单元将所述多个安全功能和所述多个业务场景分别转化为多个第一输入向量和多个第二输入向量;将所述多个第一输入向量和所述多个第二输入向量分别输入由全连接深度神经网络构成的第一编码器和第二编码器,以获得多个第一特征向量和多个第二特征向量;分别计算所述多个第一特征向量中每一个特征向量与所述多个第二特征向量中的每一个特征向量的第一组交叉熵损失函数值;分别计算所述多个第二特征向量中每一个特征向量的分集概率阶数,以获得由多个分集概率阶数组成的第三特征向量,其中,每个所述第二特征向量的分集概率阶数为所述多个第二特征向量的概率分布的均值除以每个所述第二特征向量的概率分布;分别计算所述多个第一特征向量中每一个特征向量与所述第三特征向量的第二组交叉熵损失函数值;以及,基于所述第一组交叉熵损失函数值和所述第二组交叉熵损失函数值,对所述第一编码器和所述第二编码器进行训练;以及通过推断单元获取待分类的安全功能;将所述待分类的安全功能转化为第一待分类输入向量后通过经所述训练单元训练完成的所述第一编码器以获得第一待分类特征向量;以及,将所述第一待分类特征向量输入到基于所述第二特征向量的标签值的分类器中,以获得对应于所述第一待分类特征向量的分类结果,所述分类结果用于表示所述待分类的安全功能在特定业务场景下的权重。
7.根据权利要求6所述的安全中心中台系统的操作方法,进一步包括通过所述训练单元对所述多个安全功能和所述多个业务场景分别进行独热编码以转化为所述多个第一输入向量和所述多个第二输入向量。
8.根据权利要求6所述的安全中心中台系统的操作方法,进一步包括通过所述训练单元将所述多个安全功能和所述多个业务场景通过词嵌入模型以获得多个第一文本词向量和多个第二文本词向量;以及,通过所述训练单元将所述多个第一文本词向量和所述多个第二文本词向量分别输入语义理解模型,以获得所述多个第一输入向量和所述多个第二输入向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110639706.2A CN113256145B (zh) | 2021-06-09 | 2021-06-09 | 安全中心中台系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110639706.2A CN113256145B (zh) | 2021-06-09 | 2021-06-09 | 安全中心中台系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256145A CN113256145A (zh) | 2021-08-13 |
CN113256145B true CN113256145B (zh) | 2021-09-21 |
Family
ID=77187154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110639706.2A Active CN113256145B (zh) | 2021-06-09 | 2021-06-09 | 安全中心中台系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256145B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410036A (zh) * | 2018-10-09 | 2019-03-01 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
CN112819044A (zh) * | 2021-01-20 | 2021-05-18 | 江苏天幕无人机科技有限公司 | 用于目标对象的目标操作任务补偿的神经网络的训练方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11188799B2 (en) * | 2018-11-12 | 2021-11-30 | Sony Corporation | Semantic segmentation with soft cross-entropy loss |
IL288669B1 (en) * | 2019-06-18 | 2024-04-01 | Verint Americas Inc | Identifying anomalies in textual items using cross entropies |
WO2021000362A1 (zh) * | 2019-07-04 | 2021-01-07 | 浙江大学 | 一种基于深度神经网络模型的地址信息特征抽取方法 |
CN112508041A (zh) * | 2020-12-21 | 2021-03-16 | 苏州锐希信息技术有限公司 | 基于分类结果标签的用于喷雾控制的神经网络的训练方法 |
CN112766810A (zh) * | 2021-02-04 | 2021-05-07 | 广州蕊生网络科技有限公司 | 用于智能综合性整体质量评价的神经网络的训练方法 |
-
2021
- 2021-06-09 CN CN202110639706.2A patent/CN113256145B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410036A (zh) * | 2018-10-09 | 2019-03-01 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
CN112819044A (zh) * | 2021-01-20 | 2021-05-18 | 江苏天幕无人机科技有限公司 | 用于目标对象的目标操作任务补偿的神经网络的训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113256145A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230336754A1 (en) | Video compression using deep generative models | |
JP7460044B2 (ja) | 自律車両、ならびに自律車両システムに係る装置、プログラム、およびコンピュータ可読媒体 | |
CN111937050B (zh) | 乘客相关物品丢失减少 | |
CN111837156A (zh) | 利用神经网络进行图像分析、视点感知模式识别以及生成多视图车辆表示的车辆重识别技术 | |
US20210065712A1 (en) | Automotive visual speech recognition | |
CN109636397A (zh) | 公共交通出行控制方法、装置、计算机设备及存储介质 | |
US20210004731A1 (en) | Ticketing method and system | |
EP2951070A1 (en) | Assessment and management of emotional state of a vehicle operator | |
ES2736901A1 (es) | Caracterización de una colisión de vehículo | |
US11061911B2 (en) | Driving data analyzer | |
KR20220138360A (ko) | 발언 프로세싱 장치, 발언 프로세싱 방법, 및 프로그램 | |
CN108389392A (zh) | 一种基于机器学习的交通事故责任认定系统 | |
CN106570444A (zh) | 基于行为识别的车载智能提醒方法及系统 | |
CN113256145B (zh) | 安全中心中台系统 | |
Kamruzzaman | 6G wireless communication assisted security management using cloud edge computing | |
Mahale et al. | Vehicle and passenger identification in public transportation to fortify smart city indices | |
CN111681645B (zh) | 情绪识别模型训练方法、情绪识别方法、装置及电子设备 | |
US11525937B2 (en) | Registration system | |
EP3933692A1 (en) | An image classifier comprising a non-injective transformation | |
Ni et al. | Pedestrians crossing intention anticipation based on dual‐channel action recognition and hierarchical environmental context | |
CN111757270A (zh) | 超员车辆识别方法及装置 | |
Kedia et al. | Design and development of an autonomous in-seat passenger state identification in a modern vigilance enabled public transportation system | |
Koesdwiady et al. | Driver inattention detection system: A PSO-based multiview classification approach | |
CN114241453B (zh) | 一种利用关键点注意力的驾驶员分心驾驶监测方法 | |
KR102591189B1 (ko) | 차량용 인공지능 블랙박스를 이용한 교통사고 현황을 분석하는 방법 및 이를 위한 장치 |
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 |