CN115130621A - 一种模型训练方法、装置、存储介质及电子设备 - Google Patents
一种模型训练方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115130621A CN115130621A CN202211060836.1A CN202211060836A CN115130621A CN 115130621 A CN115130621 A CN 115130621A CN 202211060836 A CN202211060836 A CN 202211060836A CN 115130621 A CN115130621 A CN 115130621A
- Authority
- CN
- China
- Prior art keywords
- user
- feature
- data corresponding
- dimension
- dimension combination
- 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.)
- Granted
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种模型训练方法、装置、存储介质及电子设备,本说明书实施例中针对将用户数据涉及维度进行组合后的每个维度组合,将用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中,得到该维度组合对应的特征数据。以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对特征表示模型进行训练。最后,特征表示模型将提取的特征数据输入业务模型,使业务模型执行业务。在此方法中,将同一用户的不同维度组合对应的特征数据之间偏差最小化为目标,训练特征表示模型,可以使特征表示模型学习到不同维度下的数据之间的隐含关系,从而提高特征表示模型表示特征数据的准确性以及业务模型执行业务的准确性。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种模型训练方法、装置、存储介质及电子设备。
背景技术
在不同的业务场景中,通常采用不同的业务模型执行不同业务场景下的业务,比如:风控场景下的业务模型执行针对用户的风控业务。在业务模型执行业务之前,需要准确获取用户的用户数据对应的特征数据,并将获取到的特征数据作为业务模型的输入,从而得到业务执行结果。其中,用户数据是指表示用户特性的数据,比如:性别、年龄、交易次数等维度的隐私数据。
目前,通过现有的训练特征表示模型的方法,无法学习到不同维度的数据之间的隐含关系,从而使训练完成的特征表示模型无法准确表示出用户数据对应的特征数据,导致业务模型无法准确执行业务。
发明内容
本说明书实施例提供一种模型训练方法、装置、存储介质及电子设备,以部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种模型训练方法,所述方法包括:
获取用户的用户数据,所述用户数据包含不同维度的数据;
将所述用户数据中涉及的维度进行组合,得到各维度组合,一个维度组合中包含有所述用户数据涉及的全量维度中的部分维度;
针对每个维度组合,将所述用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中,得到该维度组合对应的特征数据;
以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练,所述特征表示模型用于在获取到目标用户的用户数据后,从目标用户的用户数据中提取特征数据,并将提取出的特征数据输入到业务模型,以使所述业务模型根据所述特征表示模型提取出的特征数据,执行业务。
可选地,所述特征表示模型包括:编码器和解码器;
针对每个维度组合,将所述用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中,得到该维度组合对应的特征数据,具体包括:
针对每个维度组合,将所述用户数据中该维度组合内包含的维度对应的数据输入到所述特征表示模型中的编码器,得到该维度组合对应的特征数据;
以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练之前,所述方法还包括:
将该维度组合对应的特征数据输入到所述特征表示模型中的解码器,得到该维度组合对应的解码数据;
以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练,具体包括:
以同一用户在不同维度组合对应的特征数据之间的偏差最小化,以及针对每个维度组合,所述用户数据中该维度组合内包含的维度对应的数据与该维度组合对应的解码数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练。
可选地,以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练,具体包括:
以同一用户在不同维度组合对应的特征数据之间的偏差最小化,以及不同用户对应的特征数据之间的偏差最大化为优化目标,对所述特征表示模型进行训练。
可选地,以同一用户在不同维度组合对应的特征数据之间的偏差最小化,以及不同用户对应的特征数据之间的偏差最大化为优化目标,对所述特征表示模型进行训练,具体包括:
针对每个用户,确定该用户在不同维度组合对应的特征数据之间的偏差,得到该用户对应的第一偏差,以及确定该用户在任意维度组合对应的特征数据与其他用户在任意维度组合对应的特征数据之间的偏差,作为第二偏差;
根据每个用户对应的第一偏差以及第二偏差,确定对比损失;
以最小化所述对比损失为优化目标,对所述特征表示模型进行训练。
可选地,所述方法还包括:
获取训练样本;
针对每个维度组合,将所述训练样本中该维度组合内包含的维度对应的数据输入到训练后的特征表示模型中,得到所述训练样本在该维度组合对应的特征数据;
将所述训练样本在每个维度组合对应的特征数据输入到待训练的业务模型中,得到业务结果;
根据所述业务结果,对所述业务模型进行训练。
可选地,将所述训练样本在每个维度组合对应的特征数据输入到待训练的业务模型中,得到业务结果,具体包括:
针对每个维度组合,确定该维度组合在所述业务模型所属的业务场景下对应的特征权重;
根据每个维度组合在所述业务模型所属的业务场景下对应的特征权重,对所述训练样本在每个维度组合对应的特征数据进行融合,得到融合后特征;
将所述融合后特征输入到所述业务模型中,得到业务结果。
本说明书提供的一种模型训练装置,包括:
获取模块,用于获取用户的用户数据,所述用户数据包含不同维度的数据;
组合模块,用于将所述用户数据中涉及的维度进行组合,得到各维度组合,一个维度组合中包含有所述用户数据涉及的全量维度中的部分维度;
特征表示模块,用于针对每个维度组合,将所述用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中,得到该维度组合对应的特征数据;
训练特征表示模型模块,用于以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练,所述特征表示模型用于在获取到目标用户的用户数据后,从目标用户的用户数据中提取特征数据,并将提取出的特征数据输入到业务模型,以使所述业务模型根据所述特征表示模型提取出的特征数据,执行业务。
可选地,所述装置还包括:训练业务模型模块;
所述训练业务模型模块,用于获取训练样本;针对每个维度组合,将所述训练样本中该维度组合内包含的维度对应的数据输入到训练后的特征表示模型中,得到所述训练样本在该维度组合对应的特征数据;将所述训练样本在每个维度组合对应的特征数据输入到待训练的业务模型中,得到业务结果;根据所述业务结果,对所述业务模型进行训练。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的模型训练方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的模型训练方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例中将获取到的用户数据涉及维度进行组合,得到各维度组合。然后,针对每个维度组合,将用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中,得到该维度组合对应的特征数据。以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对特征表示模型进行训练。训练完成的特征表示模型从目标用户的用户数据中提取特征数据,并将特征输入业务模型,以使业务模型根据输入的特征执行业务。在此方法中,将同一用户的不同维度组合对应的特征数据之间偏差最小化为目标,训练特征表示模型,可以使特征表示模型学习到不同维度下的数据之间的隐含关系,从而提高特征表示模型表示出用户数据的特征数据的准确性以及业务模型执行业务的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的模型训练方法的流程示意图;
图2为本说明书实施例提供的训练特征表示模型的示意图;
图3为本说明书实施例提供的一种确定维度组合的示意图;
图4为本说明书实施例提供的另一种确定维度组合的示意图;
图5为本说明书实施例提供的模型训练装置的结构示意图;
图6为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
在对现有的特征表示模型进行训练的过程中,为了学习到同一用户的不同用户数据在整体上的特征表示,对不同用户数据进行噪声处理,得到不同的噪声处理后数据。然后,对不同的噪声处理后数据进行编码再解码,以解码后的数据与未经过噪声处理的用户数据之间的偏差最小化为目标,对特征表示模型进行训练。在对特征表示模型的训练过程中,即使学习到了不同用户数据在整体上的特征表示,但是,由于引入了噪声,导致特征表示模型无法学习到不同用户数据之间的隐含关系,从而降低了特征表示模型表示用户数据的特征数据的准确性。
在本说明书中,为了学习到不同用户数据之间的隐含关系,可以按照用户数据涉及的维度,得到各维度组合。一个维度组合包含用户数据涉及的全量维度中的部分维度。然后,针对每个维度组合,将用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中,得到该维度组合对应的特征数据。以同一用户在不同维度组合对应的特征数据之间的偏差最小化为目标,训练特征表示模型。
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供一种模型训练方法的流程示意图,包括:
S100:获取用户的用户数据,所述用户数据包含不同维度的数据。
在本说明书实施例中,可以从存储有各用户的用户数据的表格中,获取各用户的用户数据。其中,每个用户的用户数据可以是指每个用户在不同维度下的数据。
另外,每个用户的用户数据涉及的维度可以包括属性维度和与业务场景相关的维度,属性维度可以包括:性别、年龄、身高等维度。针对与业务场景相关的维度,以风控场景为例,每个用户的用户数据涉及的与业务场景相关的维度可以包括:交易金额、交易次数、登录次数、是否更改密码、收款方信息、是否更换绑定的信息等维度。
比如:若一个用户的用户数据涉及的维度依次为性别、年龄、日均交易金额、是否更改密码,则这个用户在不同维度下的数据依次为:女、14、15、否。
S102:将所述用户数据中涉及的维度进行组合,得到各维度组合,一个维度组合中包含有所述用户数据涉及的全量维度中的部分维度。
在本说明书实施例中,在获取到各用户的用户数据之后,由于每个用户的用户数据涉及的维度是相同的,因此,可以根据用户数据涉及的维度,将用户数据涉及的维度进行组合,得到各维度组合,并确定用户数据中处于各维度组合内的数据。其中,一个维度组合中包含用户数据涉及的全量维度中的部分维度。
以一个用户为例,在将用户数据涉及的维度进行组合的过程中实际上是将同一用户的用户数据基于不同维度组合进行划分的过程中。在得到各维度组合后,可以从同一用户的用户数据中确定出每个维度组合包含的维度对应的数据。
其中,针对每个维度组合,该维度组合内包含的维度对应的数据可以是从一个用户的用户数据中确定出的与该维度组合内包含的维度对应的数据,也可以是从多个用户的用户数据中确定出的与该维度组合内包含的维度对应的数据。
S104:针对每个维度组合,将所述用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中,得到该维度组合对应的特征数据。
S106:以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练,所述特征表示模型用于在获取到目标用户的用户数据后,从目标用户的用户数据中提取特征数据,并将提取出的特征数据输入到业务模型,以使所述业务模型根据所述特征表示模型提取出的特征数据,执行业务。
在本说明书实施例中,本说明书实施例中提供一种特征表示模型,该特征表示模型用于提取用户的用户数据的特征数据以及根据特征数据还原成用户数据。该特征表示模型中至少包括:编码器和解码器。
接下来,对该特征表示模型的训练进行说明。其中,输入特征表示模型中的一条样本是指一个用户在全量维度下的数据或一个用户在部分维度下的数据。
在本说明书实施例中,在得到各维度组合之后,针对每个维度组合,可以将用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中,通过特征表示模型得到该维度组合对应的特征数据。然后,以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对特征表示模型进行训练。其中,特征数据可以指特征向量。
具体的,针对每个维度组合,将用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中的编码器,得到该维度组合对应的特征数据。然后,将该维度组合对应的特征数据输入到特征表示模型中的解码器,得到该维度组合对应的解码数据。最后,以同一用户在不同维度组合对应的特征数据之间的偏差最小化,以及针对每个维度组合,用户数据中在该维度组合内的数据与该维度组合对应的解码数据之间的偏差最小化为优化目标,对特征表示模型进行训练。其中,计算偏差的方法可以包括:欧氏距离、均方误差、余弦相似度等。如图2所示。
在图2中,以一个用户为例,将用户的用户数据涉及的维度进行组合,得到多个维度组合,分别为维度组合1~维度组合K。将用户数据中各维度组合内包含的维度对应的数据分别输入编码器中,得到每个维度组合对应的特征数据。再将每个维度组合对应的特征数据输入解码器中,得到每个维度组合对应的解码数据。针对每个维度组合,用户数据中该维度组合内包含的维度对应的数据与该维度组合对应的解码数据之间的偏差最小化、同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对特征表示模型进行训练。
此外,在对特征表示模型进行训练时,还可以以同一用户在不同维度组合对应的解码数据之间的偏差最小化,以及针对每个维度组合,用户数据中该维度组合内包含的维度对应的数据与该维度组合对应的解码数据之间的偏差最小化为优化目标,对特征表示模型进行训练。
在对特征表示模型训练完成之后,可以通过训练完成的特征表示模型提取目标用户的用户数据的特征数据,并将提取出的特征数据输入到待训练的业务模型中,对待训练的业务模型进行训练。训练完成的业务模型可以根据特征表示模型提取的特征数据,执行业务。其中,业务模型执行的业务可以由业务场景决定。
比如:当业务模型应用于风控场景时,可以将特征表示模型提取的用户的特征数据输入业务模型中,以使业务模型基于输入的特征数据,对用户的交易行为进行风险评估。
通过上述图1所示的方法可见,本说明书将获取到的用户数据涉及维度进行组合,得到各维度组合。然后,针对每个维度组合,将用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中,得到该维度组合对应的特征数据。以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对特征表示模型进行训练。训练完成的特征表示模型从目标用户的用户数据中提取特征数据,并将特征输入业务模型,以使业务模型根据输入的特征执行业务。在此方法中,将同一用户的不同维度组合对应的特征数据之间偏差最小化为目标,训练特征表示模型,可以使特征表示模型学习到不同维度下的数据之间的隐含关系,从而提高特征表示模型表示出用户数据的特征数据的准确性以及业务模型执行业务的准确性。另外,由于特征表示模型学习到同一用户的不同维度下的数据之间的隐含关系,在具体的业务场景中,业务模型可以只根据部分特征表示模型提取的特征数据,执行业务。
进一步,在图1所示的步骤S102中,除了在输入特征表示模型之前,得到各维度组合之外,还可以将多个或一个用户的用户数据输入特征表示模型中,以通过特征表示模型将用户数据中涉及的维度进行组合,得到各维度组合,并确定各维度组合内包含的维度对应的数据。然后,针对每个维度组合,将用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中的编码器,得到该维度组合对应的特征数据。然后,将该维度组合对应的特征数据输入到特征表示模型中的解码器,得到该维度组合对应的解码数据。最后,以同一用户在不同维度组合对应的特征数据之间的偏差最小化,以及针对每个维度组合,用户数据中在该维度组合内的数据与该维度组合对应的解码数据之间的偏差最小化为优化目标,对特征表示模型进行训练。
接下来,对确定各维度组合以及各维度组合内的数据的两种方法进行说明,其中,确定各维度组合和确定各维度组合内的数据的方法可以集成于特征表示模型。
第一种方法:确定每个用户的用户数据涉及的所有维度,并将所有维度进行排序。针对每次选取,从所有维度中确定出该次选取的相邻维度,作为该次选取出的维度组合。同时,根据每个用户的用户数据中涉及的维度,从每个用户的用户数据中确定出该次选取出的维度组合内包含的维度对应的数据。其中,每次选取可以是指选取预设数量且相邻的维度。如图3所示。
在图3中,若每个用户的用户数据涉及六个维度,其中,每行表示每个用户,每列表示每个维度。可以将前三个相邻维度作为一个维度组合,则每个用户在前三个相邻维度下的数据,作为这个维度组合内包含的维度对应的数据,将后三个相邻维度作为另一个维度组合,则每个用户在后三个相邻维度下的数据,作为另一个维度组合内包含的维度对应的数据。
第二种方法:针对每次选取,从所有维度中确定出该次选取的部分维度,作为该次选取出的维度组合。同时,根据每个用户的用户数据中涉及的维度,从每个用户的用户数据中确定出该次选取出的维度组合内包含的维度对应的数据。其中,每次选取可以是指随机选取预设数量的维度。如图4所示。
在图4中,若每个用户的用户数据涉及六个维度,其中,每行表示每个用户,每列表示每个维度。可以随机选取第一列和第三列维度,作为一个维度组合,则每个用户在第一列和第三列维度下的数据,作为这个维度组合内包含的维度对应的数据。随机选取第四列和第六列维度,作为另一个维度组合,则每个用户在第四列和第六列维度下的数据,作为另一个维度组合内包含的维度对应的数据。
在图1所示的步骤S106中,在构建优化目标时,可以将同一用户在不同维度组合对应的特征数据之间的偏差最小化作为优化目标,对特征表示模型进行训练。这样,可以使从同一用户的用户数据中提取出的特征数据尽可能接近。
具体的,针对每个用户,确定该用户在不同维度组合对应的特征数据之间的偏差,得到该用户对应的第一偏差。以每个用户对应的第一偏差的最小化为优化目标,对特征表示模型进行训练。
其中,确定该用户对应的第一偏差的公式为:。a可以表示一个维度
组合,b表示除a维度组合之外的任意一个维度组合。可以表示a维度组合中用户i的特征
数据,可以表示b维度组合中用户i的特征数据。表示用户i在a维度组合对应
的特征数据与用户i在b维度组合对应的特征数据之间的偏差,即,第一偏差。
进一步,可以根据每个用户对应的第一偏差,确定第三偏差。根据第三偏差,确定距离损失。以距离损失最小化为优化目标,对特征表示模型进行训练。
在构建优化目标时,除了将同一用户在不同维度组合对应的特征数据之间的偏差最小化作为优化目标之外,还可以将不同用户在不同维度组合对应的特征数据之间的偏差最大化为优化目标,对特征表示模型进行训练。这样,可以使从不同用户的用户数据提取出的特征数据不相同。
具体的,针对每个用户,确定该用户在不同维度组合对应的特征数据之间的偏差,得到该用户对应的第一偏差,以及确定该用户在任意维度组合对应的特征数据与其他用户在任意维度组合对应的特征数据之间的偏差,作为第二偏差。然后,根据每个用户对应的第一偏差以及第二偏差,确定对比损失。最后,以最小化对比损失为优化目标,对特征表示模型进行训练。
其中,表示对比损失,表示不同维度组合构成的组合对,a可以表示一个维度组
合,b表示除a维度组合之外的任意一个维度组合。可以表示a维度组合中用户i的特征数
据,可以表示b维度组合中用户i的特征数据。表示所有用户在a维度组合对应
的特征数据与在b维度组合对应的特征数据之间的综合偏差。表示用户i在a维
度组合对应的特征数据与在b维度组合对应的特征数据之间的偏差,即,用户i对应的第一
偏差。表示用户i在a维度组合对应的特征数据与用户k在b维度组合对应的特
征数据之间的偏差,即,第二偏差。
此外,在构建优化目标时,还可以针对每个维度组合,将从用户数据中确定出的该维度组合内包含的维度对应的数据与该维度组合对应的解码数据之间的偏差最小化作为优化目标,对特征表示模型进行训练。其中,该维度组合内包含的维度对应的数据可以是一个用户的用户数据中的部分数据,也可以是由每个用户的用户数据中的部分数据组成。
针对一个维度组合,针对这个维度组合涉及的每个用户,将该用户的用户数据中这个维度组合内包含的维度对应的数据输入到特征表示模型中的编码器,得到该用户对应的特征数据。然后,将该用户对应的特征数据输入到特征表示模型中的解码器,得到该用户对应的解码数据。根据该用户的用户数据中这个维度组合内包含的维度对应的数据与该用户对应的解码数据之间的偏差,确定该用户对应的第四偏差。根据每个用户对应的第四偏差,确定这个维度组合对应的总偏差。根据每个维度组合对应的总偏差,确定重构损失。以重构损失最小化为优化目标,对特征表示模型进行训练。
另外,在训练特征表示模型时,还可以根据距离损失、对比损失和重构损失,确定综合损失,以综合损失最小化为优化目标,对特征表示模型进行训练。其中,可以将距离损失、对比损失和重构损失相加,得到综合损失。
本说明书中在对特征表示模型训练完成之后,可以通过训练完成的特征表示模型提取的特征数据,对业务模型进行有监督训练。
具体的,获取训练样本。其中,一个训练样本可以是一个用户的用户数据。然后,针对每个维度组合,将获取到的训练样本中该维度组合内包含的维度对应的数据输入到训练后的特征表示模型的编码器中,得到训练样本在该维度组合对应的特征数据。之后,将训练样本在每个维度组合对应的特征数据输入到待训练的业务模型中,得到业务结果。最后,根据业务结果与标签,对业务模型进行训练。其中,业务结果与业务模型应用的业务场景有关。
比如:业务模型应用于风控场景,将训练样本在每个维度组合对应的特征数据输入到待训练的业务模型中,以通过业务模型预测用户的交易行为是否存在风险。其中,交易行为存在风险或交易行为不存在风险就是业务结果。
在将训练样本在每个维度组合对应的特征数据输入到待训练的业务模型中,得到业务结果时,针对每个维度组合,可以确定该维度组合在业务模型所属的业务场景下对应的特征权重。然后,根据每个维度组合在业务模型所属的业务场景下对应的特征权重,对训练样本在每个维度组合对应的特征数据进行融合,得到融合后特征。最后,将融合后特征输入到所述业务模型中,得到业务结果。
在对业务模型训练时,通过调整每个维度组合在业务模型所属的业务场景下对应的特征权重,训练业务模型。也就是,训练完成的业务模型应用于所属的业务场景。
在业务模型训练完成后,获取目标用户的用户数据。然后,针对每个维度组合,将目标用户的用户数据中该维度组合内包含的维度对应的数据输入到训练后的特征表示模型的编码器中,得到目标用户的用户数据在该维度组合对应的特征数据。之后,根据每个维度组合在业务模型所属的业务场景下训练完成所确定的特征权重,对目标用户的用户数据在每个维度组合对应的特征数据进行融合,得到融合后特征。最后,将融合后特征输入到训练完成的业务模型中,得到针对目标用户的业务结果。
以上为本说明书实施例提供的模型训练方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和电子设备。
图5为本说明书实施例提供的模型训练装置的结构示意图,所述装置包括:
获取模块501,用于获取用户的用户数据,所述用户数据包含不同维度的数据;
组合模块502,用于将所述用户数据中涉及的维度进行组合,得到各维度组合,一个维度组合中包含有所述用户数据涉及的全量维度中的部分维度;
特征表示模块503,用于针对每个维度组合,将所述用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中,得到该维度组合对应的特征数据;
训练特征表示模型模块504,用于以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练,所述特征表示模型用于在获取到目标用户的用户数据后,从目标用户的用户数据中提取特征数据,并将提取出的特征数据输入到业务模型,以使所述业务模型根据所述特征表示模型提取出的特征数据,执行业务。
可选地,所述装置还包括:训练业务模型模块505;
训练业务模型模块505,用于获取训练样本;针对每个维度组合,将所述训练样本中该维度组合内包含的维度对应的数据输入到训练后的特征表示模型中,得到所述训练样本在该维度组合对应的特征数据;将所述训练样本在每个维度组合对应的特征数据输入到待训练的业务模型中,得到业务结果;根据所述业务结果,对所述业务模型进行训练。
可选地,所述训练业务模型模块505,具体用于针对每个维度组合,确定该维度组合在所述业务模型所属的业务场景下对应的特征权重;根据每个维度组合在所述业务模型所属的业务场景下对应的特征权重,对所述训练样本在每个维度组合对应的特征数据进行融合,得到融合后特征;将所述融合后特征输入到所述业务模型中,得到业务结果。
可选地,所述特征表示模型包括:编码器和解码器;
可选地,所述特征表示模块503,具体用于针对每个维度组合,将所述用户数据中该维度组合内包含的维度对应的数据输入到所述特征表示模型中的编码器,得到该维度组合对应的特征数据。
可选地,以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练之前,所述训练特征表示模型模块504还用于,将该维度组合对应的特征数据输入到所述特征表示模型中的解码器,得到该维度组合对应的解码数据。
可选地,所述训练特征表示模型模块504,具体用于以同一用户在不同维度组合对应的特征数据之间的偏差最小化,以及针对每个维度组合,所述用户数据中该维度组合内包含的维度对应的数据与该维度组合对应的解码数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练。
可选地,所述训练特征表示模型模块504,具体用于以同一用户在不同维度组合对应的特征数据之间的偏差最小化,以及不同用户对应的特征数据之间的偏差最大化为优化目标,对所述特征表示模型进行训练。
可选地,所述训练特征表示模型模块504,具体用于针对每个用户,确定该用户在不同维度组合对应的特征数据之间的偏差,得到该用户对应的第一偏差,以及确定该用户在任意维度组合对应的特征数据与其他用户在任意维度组合对应的特征数据之间的偏差,作为第二偏差;根据每个用户对应的第一偏差以及第二偏差,确定对比损失;以最小化所述对比损失为优化目标,对所述特征表示模型进行训练。
本说明书还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可用于执行上述图1提供的模型训练方法。
基于图1所示的模型训练方法,本说明书实施例还提供了图6所示的无人设备的结构示意图。如图6,在硬件层面,该无人设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所示的模型训练方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的数据集。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种模型训练方法,所述方法包括:
获取用户的用户数据,所述用户数据包含不同维度的数据;
将所述用户数据中涉及的维度进行组合,得到各维度组合,一个维度组合中包含有所述用户数据涉及的全量维度中的部分维度;
针对每个维度组合,将所述用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中,得到该维度组合对应的特征数据;
以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练,所述特征表示模型用于在获取到目标用户的用户数据后,从目标用户的用户数据中提取特征数据,并将提取出的特征数据输入到业务模型,以使所述业务模型根据所述特征表示模型提取出的特征数据,执行业务。
2.如权利要求1所述的方法,所述特征表示模型包括:编码器和解码器;
针对每个维度组合,将所述用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中,得到该维度组合对应的特征数据,具体包括:
针对每个维度组合,将所述用户数据中该维度组合内包含的维度对应的数据输入到所述特征表示模型中的编码器,得到该维度组合对应的特征数据;
以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练之前,所述方法还包括:
将该维度组合对应的特征数据输入到所述特征表示模型中的解码器,得到该维度组合对应的解码数据;
以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练,具体包括:
以同一用户在不同维度组合对应的特征数据之间的偏差最小化,以及针对每个维度组合,所述用户数据中该维度组合内包含的维度对应的数据与该维度组合对应的解码数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练。
3.如权利要求1或2所述的方法,以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练,具体包括:
以同一用户在不同维度组合对应的特征数据之间的偏差最小化,以及不同用户对应的特征数据之间的偏差最大化为优化目标,对所述特征表示模型进行训练。
4.如权利要求3所述的方法,以同一用户在不同维度组合对应的特征数据之间的偏差最小化,以及不同用户对应的特征数据之间的偏差最大化为优化目标,对所述特征表示模型进行训练,具体包括:
针对每个用户,确定该用户在不同维度组合对应的特征数据之间的偏差,得到该用户对应的第一偏差,以及确定该用户在任意维度组合对应的特征数据与其他用户在任意维度组合对应的特征数据之间的偏差,作为第二偏差;
根据每个用户对应的第一偏差以及第二偏差,确定对比损失;
以最小化所述对比损失为优化目标,对所述特征表示模型进行训练。
5.如权利要求1所述的方法,所述方法还包括:
获取训练样本;
针对每个维度组合,将所述训练样本中该维度组合内包含的维度对应的数据输入到训练后的特征表示模型中,得到所述训练样本在该维度组合对应的特征数据;
将所述训练样本在每个维度组合对应的特征数据输入到待训练的业务模型中,得到业务结果;
根据所述业务结果,对所述业务模型进行训练。
6.如权利要求5所述的方法,将所述训练样本在每个维度组合对应的特征数据输入到待训练的业务模型中,得到业务结果,具体包括:
针对每个维度组合,确定该维度组合在所述业务模型所属的业务场景下对应的特征权重;
根据每个维度组合在所述业务模型所属的业务场景下对应的特征权重,对所述训练样本在每个维度组合对应的特征数据进行融合,得到融合后特征;
将所述融合后特征输入到所述业务模型中,得到业务结果。
7.一种模型训练装置,包括:
获取模块,用于获取用户的用户数据,所述用户数据包含不同维度的数据;
组合模块,用于将所述用户数据中涉及的维度进行组合,得到各维度组合,一个维度组合中包含有所述用户数据涉及的全量维度中的部分维度;
特征表示模块,用于针对每个维度组合,将所述用户数据中该维度组合内包含的维度对应的数据输入到特征表示模型中,得到该维度组合对应的特征数据;
训练特征表示模型模块,用于以同一用户在不同维度组合对应的特征数据之间的偏差最小化为优化目标,对所述特征表示模型进行训练,所述特征表示模型用于在获取到目标用户的用户数据后,从目标用户的用户数据中提取特征数据,并将提取出的特征数据输入到业务模型,以使所述业务模型根据所述特征表示模型提取出的特征数据,执行业务。
8.如权利要求7所述的装置,所述装置还包括:训练业务模型模块;
所述训练业务模型模块,用于获取训练样本;针对每个维度组合,将所述训练样本中该维度组合内包含的维度对应的数据输入到训练后的特征表示模型中,得到所述训练样本在该维度组合对应的特征数据;将所述训练样本在每个维度组合对应的特征数据输入到待训练的业务模型中,得到业务结果;根据所述业务结果,对所述业务模型进行训练。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-6任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211060836.1A CN115130621B (zh) | 2022-08-31 | 2022-08-31 | 一种模型训练方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211060836.1A CN115130621B (zh) | 2022-08-31 | 2022-08-31 | 一种模型训练方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115130621A true CN115130621A (zh) | 2022-09-30 |
CN115130621B CN115130621B (zh) | 2022-12-27 |
Family
ID=83387081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211060836.1A Active CN115130621B (zh) | 2022-08-31 | 2022-08-31 | 一种模型训练方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115130621B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402113A (zh) * | 2023-06-08 | 2023-07-07 | 之江实验室 | 一种任务执行的方法、装置、存储介质及电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033309A (zh) * | 2018-07-17 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备及存储介质 |
CN110096526A (zh) * | 2019-04-30 | 2019-08-06 | 秒针信息技术有限公司 | 一种用户属性标签的预测方法及预测装置 |
CN110197375A (zh) * | 2018-11-28 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 一种相似用户识别方法、装置、相似用户识别设备和介质 |
US20190313155A1 (en) * | 2018-04-04 | 2019-10-10 | Hulu, LLC | Dimension Isolation Prediction In Video Delivery Systems |
CN110413999A (zh) * | 2019-07-17 | 2019-11-05 | 新华三大数据技术有限公司 | 实体关系抽取方法、模型训练方法及相关装置 |
CN111552802A (zh) * | 2020-03-09 | 2020-08-18 | 北京达佳互联信息技术有限公司 | 文本分类模型训练方法和装置 |
CN111667022A (zh) * | 2020-06-30 | 2020-09-15 | 腾讯科技(深圳)有限公司 | 用户数据处理方法、装置、计算机设备和存储介质 |
CN112598128A (zh) * | 2020-12-16 | 2021-04-02 | 北京三快在线科技有限公司 | 一种模型训练以及联机分析处理方法及装置 |
CN112950291A (zh) * | 2021-03-31 | 2021-06-11 | 北京奇艺世纪科技有限公司 | 模型的偏差优化方法、装置、设备及计算机可读介质 |
CN114461869A (zh) * | 2021-12-21 | 2022-05-10 | 北京达佳互联信息技术有限公司 | 业务特征数据处理方法、装置、电子设备及存储介质 |
US20220188647A1 (en) * | 2019-04-15 | 2022-06-16 | Nippon Telegraph And Telephone Corporation | Model learning apparatus, data analysis apparatus, model learning method and program |
CN114943563A (zh) * | 2022-06-09 | 2022-08-26 | 中国银行股份有限公司 | 一种权益推送方法、装置、计算机设备及存储介质 |
-
2022
- 2022-08-31 CN CN202211060836.1A patent/CN115130621B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190313155A1 (en) * | 2018-04-04 | 2019-10-10 | Hulu, LLC | Dimension Isolation Prediction In Video Delivery Systems |
CN109033309A (zh) * | 2018-07-17 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备及存储介质 |
CN110197375A (zh) * | 2018-11-28 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 一种相似用户识别方法、装置、相似用户识别设备和介质 |
US20220188647A1 (en) * | 2019-04-15 | 2022-06-16 | Nippon Telegraph And Telephone Corporation | Model learning apparatus, data analysis apparatus, model learning method and program |
CN110096526A (zh) * | 2019-04-30 | 2019-08-06 | 秒针信息技术有限公司 | 一种用户属性标签的预测方法及预测装置 |
CN110413999A (zh) * | 2019-07-17 | 2019-11-05 | 新华三大数据技术有限公司 | 实体关系抽取方法、模型训练方法及相关装置 |
CN111552802A (zh) * | 2020-03-09 | 2020-08-18 | 北京达佳互联信息技术有限公司 | 文本分类模型训练方法和装置 |
CN111667022A (zh) * | 2020-06-30 | 2020-09-15 | 腾讯科技(深圳)有限公司 | 用户数据处理方法、装置、计算机设备和存储介质 |
CN112598128A (zh) * | 2020-12-16 | 2021-04-02 | 北京三快在线科技有限公司 | 一种模型训练以及联机分析处理方法及装置 |
CN112950291A (zh) * | 2021-03-31 | 2021-06-11 | 北京奇艺世纪科技有限公司 | 模型的偏差优化方法、装置、设备及计算机可读介质 |
CN114461869A (zh) * | 2021-12-21 | 2022-05-10 | 北京达佳互联信息技术有限公司 | 业务特征数据处理方法、装置、电子设备及存储介质 |
CN114943563A (zh) * | 2022-06-09 | 2022-08-26 | 中国银行股份有限公司 | 一种权益推送方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
王保宪等: "基于图像高维特征压缩映射的混凝土表面裂缝检测算法", 《北京理工大学学报》 * |
蒋广琪等: "仿真假体视觉下眼手协调任务研究", 《中国康复医学杂志》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402113A (zh) * | 2023-06-08 | 2023-07-07 | 之江实验室 | 一种任务执行的方法、装置、存储介质及电子设备 |
CN116402113B (zh) * | 2023-06-08 | 2023-10-03 | 之江实验室 | 一种任务执行的方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115130621B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
CN110378400B (zh) | 一种用于图像识别的模型训练方法及装置 | |
CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN114997472A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN115130621B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN110033092B (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
CN115618964A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN115712866A (zh) | 数据处理方法、装置及设备 | |
CN116630480B (zh) | 一种交互式文本驱动图像编辑的方法、装置和电子设备 | |
CN111507726B (zh) | 一种报文生成方法、装置及设备 | |
CN107247704B (zh) | 词向量处理方法、装置以及电子设备 | |
CN112686394A (zh) | 一种模型训练的方法及装置 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN115221523B (zh) | 数据处理方法、装置及设备 | |
CN111538925A (zh) | 统一资源定位符url指纹特征的提取方法及装置 | |
CN108681490B (zh) | 针对rpc信息的向量处理方法、装置以及设备 | |
CN107577658B (zh) | 词向量处理方法、装置以及电子设备 | |
CN107562715B (zh) | 词向量处理方法、装置以及电子设备 | |
CN109325127B (zh) | 一种风险识别方法和装置 | |
CN114511376A (zh) | 基于多模型的信用数据处理方法及装置 | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
CN114996570A (zh) | 一种信息推荐的方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |