CN115034893A - 深度学习模型的训练方法、风险评估方法和装置 - Google Patents

Abstract

本公开提供了一种深度学习模型的训练方法、风险评估方法和装置，涉及计算机技术领域，尤其涉及机器学习技术领域。具体实现方案为：利用与第一风控场景对应的第一对象特征集合对第一初始模型进行训练，得到第一模型；利用与多个第二风控场景对应的第二对象特征集合训练第二初始模型，得到多个第二模型；确定第一模型和每个第二模型之间的相似度，得到多个相似度；根据多个相似度，确定多个第二模型中的至少一个候选模型；在第一模型和至少一个候选模型中确定源模型；以及对源模型进行微调，得到经训练的深度学习模型。

Description

深度学习模型的训练方法、风险评估方法和装置

技术领域

本公开涉及计算机技术领域，尤其涉及深度学习技术领域。

背景技术

随着机器学习技术的不断进步，越来越多的行业使用深度学习模型对各种产品进行风控管理。例如，银行、保险等行业利用训练好的深度学习模型对与产品相关的数据进行打分，并根据分值来制定相应的风控策略。

发明内容

本公开提供了一种深度学习模型的训练方法、风险评估方法、装置、设备、存储介质以及程序产品。

根据本公开的一方面，提供了一种深度学习模型的训练方法，包括：利用与第一风控场景对应的第一对象特征集合对第一初始模型进行训练，得到第一模型，所述第一模型与所述第一风控场景相关；利用与多个第二风控场景对应的第二对象特征集合训练第二初始模型，得到多个第二模型，其中，所述第二初始模型与所述第一风控场景相关；确定所述第一模型和每个所述第二模型之间的相似度，得到多个相似度；根据所述多个相似度，确定所述多个第二模型中的至少一个候选模型；在所述第一模型和所述至少一个候选模型中确定源模型；以及对所述源模型进行微调，得到经训练的深度学习模型。

根据本公开的另一方面，提供了一种风险评估方法，包括：获取待评估对象的对象特征；以及将所述对象特征输入深度学习模型，得到风险评估结果，其中，所述深度学习模型是根据本公开实施例的方法训练的。

根据本公开的另一方面，提供了一种深度学习模型的训练装置，包括：第一训练模块，用于利用与第一风控场景对应的第一对象特征集合对第一初始模型进行训练，得到第一模型，所述第一模型与所述第一风控场景相关；第二训练模块，用于利用与多个第二风控场景对应的第二对象特征集合训练第二初始模型，得到多个第二模型，其中，所述第二初始模型与所述第一风控场景相关；相似度确定模块，用于确定所述第一模型和每个所述第二模型之间的相似度，得到多个相似度；候选模型确定模块，用于根据所述多个相似度，确定所述多个第二模型中的至少一个候选模型；源模型确定模块，用于在所述第一模型和所述至少一个候选模型中确定源模型；以及微调模块，用于对所述源模型进行微调，得到经训练的深度学习模型。

根据本公开的另一方面，提供了一种风险评估装置，包括：获取模块，用于获取待评估对象的对象特征；以及输入模块，用于将所述对象特征输入深度学习模型，得到风险评估结果，其中，所述深度学习模型是根据本公开实施例的方法训练的。

本公开的另一个方面提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例所示的方法。

根据本公开实施例的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开实施例所示的方法。

根据本公开实施例的另一方面，提供了一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现本公开实施例所示方法的步骤。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一个实施例的可以应用深度学习模型的训练方法、风险评估方法和装置的示例性系统架构示意图；

图2示意性示出了根据本公开的实施例的深度学习模型的训练方法的流程图；

图3示意性示出了根据本公开的实施例的深度学习模型的示意图；

图4示意性示出了根据本公开的实施例的确定第一模型和每个第二模型之间的相似度的方法的示意图；

图5示意性示出了根据本公开另一实施例的对源模型进行微调的方法的流程图；

图6示意性示出了根据本公开实施例的将第一对象特征集合和多个第二对象特征集合融合的方法的流程图；

图7示意性示出了根据本公开另一实施例的将第一对象特征集合和多个第二对象特征集合融合的方法的流程图；

图8示意性示出了根据本公开的实施例的风险评估方法的流程图；

图9示意性示出了根据本公开实施例的深度学习模型的训练装置的框图；

图10示意性示出了根据本公开实施例的深度学习模型的训练装置的框图；以及

图11示意性示出了可以用来实施本公开的实施例的示例电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

以下将结合图1对本公开提供的深度学习模型的训练方法、风险评估方法和装置的系统架构进行描述。

图1是根据本公开一个实施例的可以应用深度学习模型的训练方法、风险评估方法和装置的示例性系统架构示意图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。

终端设备101、102、103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。

服务器105可以是提供各种服务的服务器，例如用于执行模型训练任务的服务器。

本公开实施例所提供的深度学习模型的训练方法、风险评估方法一般可以由服务器105执行。相应地，本公开实施例所提供的深度学习模型的训练装置、风险评估装置一般可以设置于服务器105中。本公开实施例所提供的深度学习模型的训练方法、风险评估方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的深度学习模型的训练装置、风险评估装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

以下将结合图2对本公开提供的深度学习模型的训练方法进行描述。

图2示意性示出了根据本公开的实施例的深度学习模型的训练方法的流程图。

如图2所示，该深度学习模型的训练方法200包括在操作S210，利用与第一风控场景对应的第一对象特征集合对第一初始模型进行训练，得到第一模型。

根据本公开的实施例，第一风控场景例如可以包括信用卡申请、贷款申请等场景。第一对象特征集合可以为与第一风控场景对应的对象特征集合。

根据本公开的实施例，第一初始模型与第一风控场景相关。第一初始模型可以例如可以包括神经网络、xgboost、lightgbm等树模型。示例性地，本实施例中，第一初始模型可以根据与第一风控场景对应的模型信息来生成。其中，该模型信息例如可以包括模型的结构、输入格式、输出格式等等。该模型信息可以根据第一风控场景中的业务需求来设置。

根据本公开的实施例，对象特征集合例如可以包括多个对象特征。其中，对象例如可以包括用户，对象特征例如包括用户的身份特征、行为特征、征信特征、设备信息、网络地址、通讯信息等。

根据本公开的实施例，例如可以将第一对象特征集合拆分为训练集、验证集和测试集，利用训练集、验证集和测试集来训练第一初始模型，得到第一模型。

需要说明的是，在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

然后，在操作S220，利用多个第二风控场景对应的第二对象特征集合训练第二初始模型，得到多个第二模型。

根据本公开的实施例，第二初始模型与第一风控场景相关。第二初始模型可以例如可以包括神经网络、xgboost、lightgbm等树模型。示例性地，本实施例中，第二初始模型可以根据与第一风控场景对应的模型信息来生成。第二初始模型可以与第一初始模型具有相同的结构、输入格式和输出格式。

根据本公开的实施例，第二风控场景例如可以包括信用卡申请、贷款申请等场景。第二对象特征集合可以为与第二风控场景对应的对象特征集合。本实施例中，多个第二风控场景可以对应于任意数量的第二对象特征集合。

示例性地，根据本公开的一个实施例，多个第二风控场景中的每个第二风控场景可以对应于一个第二对象特征集合。基于此，例如可以针对多个第二风控场景中的每个第二风控场景，利用与每个第二风控场景对应的第二对象特征集合训练第二初始模型，得到多个第二模型。该多个第二模型分别与多个第二风控场景对应。

根据本公开的实施例，例如可以将第二对象特征集合拆分为训练集、验证集和测试集，利用训练集、验证集和测试集来训练第二初始模型，得到第二模型。

根据本公开的实施例，第二风控场景可以是与第一风控场景不同的风控场景。对应地，第二对象特征集合可以是与第一对象特征集合不同的对象特征集合。

例如，第一风控场景可以为信用卡的申请场景，与第一风控场景对应的第一对象特征集合可以包括信用卡用户的特征，与此对应地，第二风控场景可以为贷款的申请场景，与第而风控场景对应的第而对象特征集合可以包括贷款用户的特征。

又例如，第一风控场景可以为A类型信用卡的申请场景，与第一风控场景对应的第一对象特征集合可以包括A类型信用卡用户的特征，与此对应地，第二风控场景可以为B类型信用卡的申请场景，与第二风控场景对应的第二对象特征集合可以包括B类型信用卡用户的特征。

在操作S230，确定第一模型和每个第二模型之间的相似度，得到多个相似度。

根据本公开的实施例，第一模型和每个第二模型之间的相似度可以用于表示第一风控场景和第二风控场景之间的相似度。第一模型和每个第二模型之间的相似度越高，则可以表示第一风控场景和第二风控场景之间的相似度越高。

在操作S240，根据多个相似度，确定多个第二模型中的至少一个候选模型。

根据本公开的实施例，例如可以确定多个第二模型中相似度大于相似度阈值的第二模型，作为候选模型。其中，相似度阈值可以根据实际需要设置。

在操作S250，在第一模型和至少一个候选模型中确定源模型。

根据本公开的实施例，例如可以分别对第一模型和每个候选模型进行评估，根据评估结果，选择第一模型和每个候选模型中的一个作为源模型。

在操作S260，对源模型进行微调，得到经训练的深度学习模型。

根据本公开的实施例，微调的原理包括利用已知的网络结构和已知的网络参数，修改输出层，微调最后一层前的若干层的参数，从而可以有效利用深度神经网络强大的泛化能力，另外可以简化模型的设计和训练过程。通过对源模型进行微调(fine tuning)，可以将源模型学习到的知识迁移到深度学习模型中，以帮助深度学习模型的训练。

示例性地，本实施例中，微调例如可以包括：根据源模型，创建原始模型，其中，原始模型中至少部分模型结构与源模型相同，且原始模型和源模型中相同模型结构的参数相同。然后对原始模型进行训练，得到经训练的深度学习模型。

有时风控场景之间具有相似性，因此可以利用相似风控场景的模型作为源模型，对源模型进行微调，得到第一风控场景所需要的模型。在选择微调的源模型时，可以采用枚举法，即分别对每个风控场景的模型进行微调，得到多个候选模型，然后分别多个候选模型进行评估，根据评估结果从多个候选模型中选择最适合第一风控场景的模型。但是这个过程效率较低。

根据本公开的实施例，通过相似度来筛选候选模型，可以在微调时减少模型数量，提高训练效率。

图3示意性示出了根据本公开的实施例的深度学习模型的示意图。

如图3所示，深度学习模型30的输入可以为待评估对象的对象特征301，深度学习模型30可以根据对象特征301进行风险评估，得到对应的风险评估结果302。风险评估结果302可以用于表示待评估对象的风险大小。

示例性地，风险评估结果302例如可以为一个分值，分值越大则表示待评估对象的风险越大，分值越小则表示待评估对象的风险越小。

根据本公开的实施例，深度学习模型可以应用于信贷领域。例如，对于待办理信贷业务的用户，可以将该用户的特征输入深度学习模型，然后得到针对该用户的分值。如果分值大于或等于预定分值，则可以确定该用户风险较小，可以为该用户办理信贷业务。如果分值小于预定分值，则可以确定该用户风险较大，可以拒绝该用户办理信贷业务的申请。

根据本公开的实施例，在进行评估时可以根据第一风控场景的场景需求来选择评估方式，从而可以使评估结果更好地反应模型在应用于第一风控场景时的表现。

基于此，根据本公开的实施例，例如可以根据与第一风控场景对应的需求信息，分别对第一模型和至少一个候选模型进行评估，得到第一模型和至少一个候选模型的模型评估结果。其中，与第一风控场景对应的需求信息可以包括与第一风控场景相关的业务指标，例如，识别准确率、业务量提升量、申请质量提升量等等。然后可以根据第一模型和至少一个候选模型的模型评估结果，将第一模型和至少一个候选模型之一确定为源模型。例如，可以比较第一模型和候选模型的模型评估结果，选择模型评估结果最佳的模型作为源模型。

根据本公开的实施例，例如可以将第一对象特征集合中的每个第一对象特征分别输入第一模型，得到与每个第一对象特征对应的第一输出结果。确定第一输出结果的第一分布特征。然后，针对每个第二对象特征集合，将该第二对象特征集合中的每个第二对象特征分别输入与该第二对象特征集合对应的目标第二模型，得到与每个第二对象特征对应的第二输出结果。确定该第二输出结果的第二分布特征。接下来，根据第一分布特征和第二分布特征，确定第一模型与目标第二模型之间的相似度。

根据本公开的实施例，分布特征可以用于表示输出结果的分布状况。示例性地，本实施例中，可以通过比较第一分布特征和第二分布特征的差异来确定第一模型与第二模型之间的相似度。

根据本公开的实施例，可以分别针对每个第二模型，根据第一模型的第一输出结果和该第二模型的输出结果，计算PSI(population stability index，稳定度指标)，作为第一模型与该第二模型之间的相似度。第二模型所对应的PSI越大，则表示该第二模型与第一模型之间的相似度越高。

示例性地，本实施例中，第一模型和第二模型的输出结果可以为分值。基于此，可以将分值分为m个档位，其中，m为正整数，m的值可以根据实际需要设置。分别针对每个第二模型，统计第一模型的第一输出结果和该第二模型的输出结果在各档位中分布的变化程度，由此得到PSI，作为第一模型与该第二模型之间的相似度。

下面参考图4，结合具体实施例对上文所示的确定第一模型和每个第二模型之间的相似度的方法做进一步说明。

图4示意性示出了根据本公开的实施例的确定第一模型和每个第二模型之间的相似度的方法的示意图。

如图4所示，将第一对象特征集合401中的每个对象特征分别输入第一模型40，得到与每个第一对象特征对应的第一输出结果402。确定第一输出结果402的第一分布特征403。

针对第二对象特征集合411，将对象特征集合411中的每个第二对象特征分别输入与该第二对象特征集合411对应的第二模型41，得到与每个第二对象特征对应的第二输出结果412。然后确定该第二输出结果412的第二分布特征413。接下来，根据第一分布特征403和第二分布特征413，确定第一模型40与第二模型41之间的相似度414。

针对第二对象特征集合421，将对象特征集合421中的每个第二对象特征分别输入与该第二对象特征集合421对应的第二模型42，得到与每个第二对象特征对应的第二输出结果422。然后确定该第二输出结果422的第二分布特征423。接下来，根据第一分布特征403和第二分布特征423，确定第一模型40与第二模型42之间的相似度424。

针对第二对象特征集合431，将对象特征集合431中的每个第二对象特征分别输入与该第二对象特征集合431对应的第二模型43，得到与每个第二对象特征对应的第二输出结果432。然后确定该第二输出结果432的第二分布特征433。接下来，根据第一分布特征403和第二分布特征433，确定第一模型40与第二模型43之间的相似度434。

图5示意性示出了根据本公开另一实施例的对源模型进行微调的方法的流程图。

如图5所示，该对源模型进行微调的方法560包括在操作S561，根据源模型，创建原始模型。

根据本公开的实施例，原始模型中至少部分模型结构与源模型相同，且原始模型和源模型中相同模型结构的参数相同。

根据本公开的实施例，在创建原始模型时，可以复制源模型除了输出层外的其他模型设计以及参数。然后对原始模型添加一个新的输出层，并初始化该输出层的参数。

在操作S562，确定多个第二对象特征集合中每个第二对象特征与第一风控场景的相关度。

根据本公开的实施例，不同的风控场景之间可能存在相似性，相对应地，风控场景所对应的对象特征之间也存在相似性，可以用于训练相似风控场景中的模型。因此，本实施例中，可以通过确定第二对象特征与第一风控场景的相关度来确定第二对象特征集合中与第一风控场景相关的第二对象特征。相关度可以用于表示第二对象特征与第一风控场景之间的相关程度。

根据本公开的实施例，例如可以针对第一风控场景所对应的第一对象特征，将每个第一对象特征的标签(label)设置为1，针对第一风控场景之外其他风控场景所对应的其他对象特征，将每个其他对象特征的标签设置为0。将设置过标签的第一对象特征和其他对象特征作为样本训练分类模型。该分类模型的输入为对象特征，输出为0至1之间的数值，该数值可以表示该对象特征与第一风控场景的相关度，该数值越接近于1则表示相关度越高，越接近于0则表示相关度越低。基于此，可以将每个第二对象特征分别输入该分类模型，输出每个第二对象特征与第一风控场景的相关度。

在操作S563，根据相关度，将第一对象特征集合和多个第二对象特征集合融合，得到目标对象特征集合。

根据本公开的实施例，例如可以与第一风控场景相关度较高的对象特征与第一对象特征集合合并，从而得到目标对象特征集合。在

操作S564，根据目标对象特征集，对原始模型进行训练，得到经训练的深度学习模型。

根据本公开的实施例，例如可以将目标对象特征集拆分为训练集、验证集和测试集，利用训练集、验证集和测试集来训练原始模型，得到经训练的深度学习模型。

根据本公开的实施例，根据相关度，将第一对象特征集合和多个第二对象特征集合融合，得到目标对象特征集合，可以将与第一风控场景相关度较高的对象特征也应用于原始模型的训练中，从而提高原始模型的训练效果。

图6示意性示出了根据本公开实施例的将第一对象特征集合和多个第二对象特征集合融合的方法的流程图。

如图6所示，该将第一对象特征集合和多个第二对象特征集合融合的方法6630包括在操作S6631，针对每个第二对象特征集合，根据第二对象特征集合中每个第二对象特征的相关度，计算平均相关度。

根据本公开的实施例，例如可以针对每个第二对象特征集合，计算该第二对象特征集合中所有第二对象特征的相关度的平均值，作为该第二对象特征集合的平均相关度。

在操作S6632，根据平均相关度，确定多个第二对象特征集合中的相关对象特征集合。

根据本公开的实施例，例如可以确定平均相关度高于相关度阈值的第二对象特征集合作为相关对象特征集合。

根据本公开的另一实施例，例如也可以根据平均相关度由大到小的顺序，对第二对象特征集合进行排序，选择前K个第二对象特征集合，作为相关对象特征集合。其中，K为正整数，K的值可以根据实际需要确定。

在操作S6633，将第一对象特征集合与相关对象特征集合合并，得到目标对象特征集合。

根据本公开另一实施例，可以根据相关对象特征集合的平均相关度，对相关对象特征集合中的对象特征设置权重。每个相关对象特征集合中的对象特征设置相同的权重。相关对象特征集合的平均相关度越高，则该相关对象特征集合中的对象特征权重越高。另外，还可以对第一对象特征集合中的对象特征设置权重，可以理解的是，第一对象特征集合中的对象特征具有最高的权重。基于此，可以参考目标对象特征集中对象特征的权重对原始模型进行训练。通过在训练时对对象特征设置权重，可以提高训练效果。

图7示意性示出了根据本公开另一实施例的将第一对象特征集合和多个第二对象特征集合融合的方法的流程图。

如图7所示，该将第一对象特征集合和多个第二对象特征集合融合的方法7630包括在操作S7631，将多个第二对象特征集合中的第二对象特征根据相关度进行排序。

根据公开的实施例，例如可以按照相关度由大到小的顺序将多个第二对象特征集合中所有第二对象特征进行排序。

在操作S7632，选择前N个第二对象特征作为候选对象特征。

其中，N为正整数。根据本公开的实施例，N的初始值可以根据实际需要设置。

在操作S7633，确定与候选对象特征对应的训练效果提升量。

根据本公开的实施例，训练效果提升量可以用于衡量将候选对象特征加入原始模型的训练集中对原始模型训练效果的提升水平。示例性地，本实施例中，可以评估利用第一对象特征集合训练原始模型的训练效果，然后评估利用第一对象特征集合结合候选对象特征训练原始模型的训练效果。比较前后两个训练效果，得到训练效果提升量。

在操作S7634，训练效果提升量是否小于提升量阈值。在训练效果提升量大于或等于提升量阈值的情况下，执行操作S7635。在训练效果提升量小于提升量阈值的情况下，执行操作S7636。

根据本公开的实施例，提升量阈值可以根据实际需要确定。如果训练效果提升量小于提升量阈值，则表示继续添加后续第二对象特征对模型训练的提升不大。

在操作S7635，计算N与步长之和，作为新的N。针对新的N，返回操作S7632。

其中，步长为正整数，用于表示每次选择候选对象特征时，候选对象特征的增加量。根据本公开的实施例，步长可以根据实际需要设置。步长越大，则每次选择对象特征时，候选对象特征的数量相对于上一次增加得越多。

在操作S7636，将第一对象特征集合中的第一对象特征与候选对象特征合并，得到目标对象特征集合。

根据本公开另一实施例，在根据目标对象特征集中的每个对象特征的相关度设置为该对象特征设置的权重。对象特征的相关度越高，则该相关对象特征集合中的对象特征权重越高。另外，还可以对第一对象特征集合中的对象特征设置权重，可以理解的是，第一对象特征集合中的对象特征具有最高的权重。基于此，可以参考目标对象特征集中对象特征的权重对原始模型进行训练。通过在训练时对对象特征设置权重，可以提高训练效果。

以下将结合图8对本公开提供的风险评估方法进行描述。

图8示意性示出了根据本公开的实施例的风险评估方法的流程图。

如图8所示，该风险评估方法800包括在操作S810，获取待评估对象的对象特征。

在操作S820，将对象特征输入深度学习模型，得到风险评估结果。

根据本公开的实施例，深度学习模型可以用于对待评估对象的对象特征进行评估，得到风险评估结果，该风险评估结果可以表示待评估对象所对应的风险大小。深度学习模型可以预先经过训练，其中深度学习模型的训练方法可以参考上文，在此不再赘述。

例如，在信贷风控场景中，可以将用户的特征输入深度学习模型，得到风险评估结果，用于表示该用户的风险大小。可以根据该风险识别结果来确定是否为该用户办理信贷业务。如果该风险识别结果显示用户办的风险较小，则可以为该用户办理信贷业务。如果该风险识别结果显示用户办的风险较大，则可以拒绝为该用户办理信贷业务。

以下将结合图9对本公开提供的深度学习模型的训练装置进行描述。

图9示意性示出了根据本公开实施例的深度学习模型的训练装置的框图。

如图9所示，深度学习模型的训练装置900包括第一训练模块910、第二训练模块920、相似度确定模块930、候选模型确定模块940、源模型确定模块950和微调模块960。

第一训练模块910，用于利用与第一风控场景对应的第一对象特征集合对第一初始模型进行训练，得到第一模型，第一模型与第一风控场景相关。

第二训练模块920，用于利用与多个第二风控场景对应的第二对象特征集合训练第二初始模型，得到多个第二模型，其中，第二初始模型与第一风控场景相关。

相似度确定模块930，用于确定第一模型和每个第二模型之间的相似度，得到多个相似度。

候选模型确定模块940，用于根据多个相似度，确定多个第二模型中的至少一个候选模型。

源模型确定模块950，用于在第一模型和至少一个候选模型中确定源模型。

微调模块960，用于对源模型进行微调，得到经训练的深度学习模型。

以下将结合图10对本公开提供的深度学习模型的训练装置进行描述。

图10示意性示出了根据本公开实施例的深度学习模型的训练装置的框图。

如图10所示，风险评估装置1000包括获取模块1010和输入模块1020获取模块1010，用于获取待评估对象的对象特征；以及

输入模块1020，用于将对象特征输入深度学习模型，得到风险评估结果。

其中，深度学习模型是根据本公开实施例所示的深度学习模型的训练方法训练的。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图11示意性示出了可以用来实施本公开的实施例的示例电子设备1100的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如深度学习模型的训练方法和风险评估方法。例如，在一些实施例中，深度学习模型的训练方法和风险评估方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的深度学习模型的训练方法和风险评估方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行深度学习模型的训练方法和风险评估方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(″Virtual Private Server″，或简称″VPS″)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (14)

1.一种深度学习模型的训练方法，包括：

利用与第一风控场景对应的第一对象特征集合对第一初始模型进行训练，得到第一模型，所述第一初始模型与所述第一风控场景相关；

利用与多个第二风控场景对应的第二对象特征集合训练第二初始模型，得到多个第二模型，其中，所述第二初始模型与所述第一风控场景相关；

确定所述第一模型和每个所述第二模型之间的相似度，得到多个相似度；

根据所述多个相似度，确定所述多个第二模型中的至少一个候选模型；

在所述第一模型和所述至少一个候选模型中确定源模型；以及

对所述源模型进行微调，得到经训练的深度学习模型。

2.根据权利要求1所述的方法，其中，所述确定所述第一模型和每个所述第二模型之间的相似度，包括：

将所述第一对象特征集合中的每个第一对象特征分别输入所述第一模型，得到与所述每个第一对象特征对应的第一输出结果；

确定所述第一输出结果的第一分布特征；

针对所述每个第二对象特征集合，

将该第二对象特征集合中的每个第二对象特征分别输入与该第二对象特征集合对应的目标第二模型，得到与所述每个第二对象特征对应的第二输出结果；

确定所述第二输出结果的第二分布特征；以及

根据所述第一分布特征和所述第二分布特征，确定所述第一模型与所述目标第二模型之间的相似度。

3.根据权利要求1所述的方法，其中，所述在所述第一模型和所述至少一个候选模型中确定源模型包括：

根据与所述第一风控场景对应的需求信息，分别对所述第一模型和所述至少一个候选模型进行评估，得到所述第一模型和所述至少一个候选模型的模型评估结果；以及

根据所述第一模型和所述至少一个候选模型的模型评估结果，将所述第一模型和所述至少一个候选模型之一确定为源模型。

4.根据权利要求1所述的方法，其中，所述对所述源模型进行微调，得到经训练的深度学习模型，包括：

根据所述源模型，创建原始模型，其中，所述原始模型中至少部分模型结构与所述源模型相同，且所述原始模型和所述源模型中相同模型结构的参数相同；以及

对所述原始模型进行训练，得到所述经训练的深度学习模型。

5.根据权利要求4所述的方法，其中，所述对所述原始模型进行训练，得到所述经训练的深度学习模型还包括：

确定所述多个第二对象特征集合中每个第二对象特征与所述第一风控场景的相关度；

根据所述相关度，将所述第一对象特征集合和所述多个第二对象特征集合融合，得到目标对象特征集合；以及

根据所述目标对象特征集，对所述原始模型进行训练，得到所述经训练的深度学习。

6.根据权利要求5所述的方法，其中，所述根据所述相关度，将所述第一对象特征集合和所述多个第二对象特征集合融合，得到目标对象特征集合，包括：

针对每个所述第二对象特征集合，根据所述第二对象特征集合中每个第二对象特征的相关度，计算平均相关度；

根据所述平均相关度，确定所述多个第二对象特征集合中的相关对象特征集合；以及

将所述第一对象特征集合与所述相关对象特征集合合并，得到所述目标对象特征集合。

7.根据权利要求5所述的方法，其中，所述根据所述相关度，将所述第一对象特征集合和所述多个第二对象特征集合融合，得到目标对象特征集合，包括：

将所述多个第二对象特征集合中的第二对象特征根据相关度进行排序；

选择前N个第二对象特征作为候选对象特征，其中，N为正整数；

确定与所述候选对象特征对应的训练效果提升量；

在训练效果提升量大于或等于提升量阈值的情况下，计算N与步长之和，作为新的N，其中，步长为正整数，针对所述新的N，返回所述选择前N个第二对象特征作为候选对象特征的操作；以及

在训练效果提升量小于提升量阈值的情况下，将所述第一对象特征集合中的第一对象特征与所述候选对象特征合并，得到所述目标对象特征集合。

8.根据权利要求1所述的方法，其中，所述根据所述多个相似度，确定所述多个第二模型中的至少一个候选模型，包括：

确定所述多个第二模型中相似度大于相似度阈值的第二模型，作为所述候选模型。

9.一种风险评估方法，包括：

获取待评估对象的对象特征；以及

将所述对象特征输入深度学习模型，得到风险评估结果，

其中，所述深度学习模型是根据权利要求1-8中任一项所述的方法训练的。

10.一种深度学习模型的训练装置，包括：

第一训练模块，用于利用与第一风控场景对应的第一对象特征集合对第一初始模型进行训练，得到第一模型，所述第一模型与所述第一风控场景相关；

第二训练模块，用于利用与多个第二风控场景对应的第二对象特征集合训练第二初始模型，得到多个第二模型，其中，所述第二初始模型与所述第一风控场景相关；

相似度确定模块，用于确定所述第一模型和每个所述第二模型之间的相似度，得到多个相似度；

候选模型确定模块，用于根据所述多个相似度，确定所述多个第二模型中的至少一个候选模型；

源模型确定模块，用于在所述第一模型和所述至少一个候选模型中确定源模型；以及

微调模块，用于对所述源模型进行微调，得到经训练的深度学习模型。

11.一种风险评估装置，包括：

获取模块，用于获取待评估对象的对象特征；以及

输入模块，用于将所述对象特征输入深度学习模型，得到风险评估结果，

其中，所述深度学习模型是根据权利要求1-8中任一项所述的方法训练的。

12.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。

13.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。

14.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-9中任一项所述方法的步骤。

Images