CN115618748A - 一种模型优化的方法、装置、设备及存储介质 - Google Patents

一种模型优化的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115618748A
CN115618748A CN202211508332.1A CN202211508332A CN115618748A CN 115618748 A CN115618748 A CN 115618748A CN 202211508332 A CN202211508332 A CN 202211508332A CN 115618748 A CN115618748 A CN 115618748A
Authority
CN
China
Prior art keywords
feature
target
data
dimension
model
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
Application number
CN202211508332.1A
Other languages
English (en)
Other versions
CN115618748B (zh
Inventor
王维强
张长浩
申书恒
傅欣艺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202211508332.1A priority Critical patent/CN115618748B/zh
Publication of CN115618748A publication Critical patent/CN115618748A/zh
Application granted granted Critical
Publication of CN115618748B publication Critical patent/CN115618748B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Accounting & Taxation (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)

Abstract

本说明书公开了一种模型优化的方法、装置、设备及存储介质，可以对从各业务模型中，筛选出业务结果准确率低的模型作为目标模型，从而可以根据目标模型的输入的特征数据，以及目标模型的输出结果进行拟合，从而可以确定出输入到目标模型中的特征数据的每个特征维度对应的权重值，进而可以根据确定出的特征数据的每个特征维度对应的权重值，确定出目标模型对特征数据中的哪些特征维度的数据更为关注，并根据目标模型关注的特征维度，对目标模型进行优化。

Description

一种模型优化的方法、装置、设备及存储介质
技术领域
本说明书涉及人工智能技术领域，尤其涉及一种模型优化的方法、装置、设备及存储介质。
背景技术
目前，随着人工智能技术的发展，机器学习模型被应用于各个方面中，例如：通过神经网络模型根据用户数据对用户的操作进行风控，从而保护用户的个人隐私数据等。
但是，用于不同领域中的机器学习模型通常被视为“黑箱”，即，用户仅知道机器学习模型可以根据输入的数据得到输出结果，但并不了解机器学习模型是如何根据输入的数据得到输出的结果的，而这样就导致无法对机器学习模型进行进一步的优化。
发明内容
本说明书提供一种模型优化的方法、装置、设备及存储介质，以部分的解决现有技术存在的问题。
本说明书采用下述技术方案：
本说明书提供了一种模型优化的方法，包括：
确定执行业务所需的各业务模型；
根据在指定时间段内通过各业务模型执行业务后得到的业务结果，从所述各业务模型中选择目标模型；
确定作为目标模型的输入数据的各候选特征数据；
从各候选特征数据中选择出目标特征数据，所述目标特征数据中包含有若干特征维度；
将所述目标特征数据输入到所述目标模型中，得到所述目标特征数据对应的输出结果；
根据各特征维度对应的权重和每个特征维度对应的特征值，确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重；
根据确定出的每个特征维度对应的权重，对所述目标模型进行优化，并采用优化后的目标模型执行所述业务。
可选地，从各候选特征数据中选择出目标特征数据，具体包括：
针对每个候选特征数据，将该候选特征数据输入到所述目标模型中，得到该候选特征数据对应的输出结果；
根据该候选特征数据对应的输出结果，确定该候选特征数据对所述目标模型得到输出结果的影响程度，作为该候选特征数据对应的影响程度；
根据每个候选特征数据对应的影响程度，从所述各候选特征数据中筛选出目标特征数据。
可选地，将所述目标特征数据输入到所述目标模型中，得到所述目标特征数据对应的输出结果，具体包括：
对所述目标特征数据中的部分特征维度对应的特征值进行掩蔽处理，得到各掩蔽后特征数据；
将所述各掩蔽后特征数据输入到所述目标模型中，得到每个掩蔽后特征数据对应的输出结果。
可选地，根据所述各特征维度对应的权重和每个特征维度对应的特征值，确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重，具体包括：
针对每个掩蔽后特征数据，根据所述各特征维度对应的权重以及每个特征维度在该掩蔽后特征数据中对应的特征值，确定该掩蔽后特征数据对应的拟合结果；
以每个掩蔽后特征数据对应的拟合结果与每个掩蔽后特征数据各自对应的输出结果之间的偏差最小化为优化目标，确定出每个特征维度对应的权重。
可选地，根据所述各特征维度对应的权重和每个特征维度对应的特征值确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重，具体包括：
将所述目标特征数据以及所述目标特征数据对应的输出结果输入到预设的权重确定模型中，以使所述权重确定模型根据所述各特征维度对应的权重和每个特征维度对应的特征值确定拟合结果，并以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重。
可选地，根据所述各特征维度对应的权重和每个特征维度对应的特征值确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重，具体包括：
根据所述各特征维度对应的权重和每个特征维度对应的特征值确定拟合结果，以及根据所述特征数据中包含的每个特征维度之间的相关性，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重。
本说明书提供了一种模型优化的装置，包括：
第一确定模块，用于确定执行业务所需的各业务模型；
第一选择模块，用于根据在指定时间段内通过各业务模型执行业务后得到的业务结果，从所述各业务模型中选择出目标模型；
第二确定模块，用于确定作为目标模型的输入数据的各候选特征数据；
第二选择模块，用于从各候选特征数据中选择出目标特征数据，所述目标特征数据中包含有若干特征维度；
获取模块，用于将所述目标特征数据输入到所述目标模型中，得到所述目标特征数据对应的输出结果；
权重确定模块，用于根据各特征维度对应的权重和每个特征维度对应的特征值，确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重。
优化模块，用于根据确定出的每个特征维度对应的权重，对所述目标模型进行优化，并采用优化后的目标模型执行所述业务。
可选地，所述第二选择模块具体用于，针对每个候选特征数据，将该候选特征数据输入到所述目标模型中，得到该候选特征数据对应的输出结果；根据该候选特征数据对应的输出结果，确定该候选特征数据对所述目标模型得到输出结果的影响程度，作为该候选特征数据对应的影响程度；根据每个候选特征数据对应的影响程度，从所述各候选特征数据中筛选出目标特征数据。
本说明书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实现上述模型优化的方法。
本说明书提供了一种电子设备，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模型优化的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的模型优化的方法，首先确定执行业务所需的各业务模型，根据在指定时间段内通过各业务模型执行业务后得到的业务结果，从各业务模型中选择目标模型，确定作为目标模型的输入数据的各候选特征数据，从各候选特征数据中选择出目标特征数据，目标特征数据中包含有若干特征维度，将目标特征数据输入到目标模型中，得到目标特征数据对应的输出结果，根据各特征维度对应的权重和每个特征维度对应的特征值，确定拟合结果，采用预设优化算法，以拟合结果与目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重，根据确定出的每个特征维度对应的权重，对目标模型进行优化，并采用优化后的目标模型执行业务。
从上述方法中可以看出，可以对从各业务模型中，筛选出业务结果准确率低的模型作为目标模型，从而可以根据目标模型的输入的特征数据，以及目标模型的输出结果进行拟合，从而可以确定出输入到目标模型中的特征数据的每个特征维度对应的权重值，进而可以根据确定出的特征数据的每个特征维度对应的权重值，确定出目标模型对特征数据中的哪些特征维度的数据更为关注，并根据目标模型关注的特征维度，对目标模型进行优化。
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为本说明书中提供的一种模型优化的方法的流程示意图；
图2为本说明书中提供的特征数据的示意图；
图3为本说明书提供的一种模型优化的装置的示意图；
图4为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
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为本说明书中提供的一种模型优化的方法的流程示意图，包括以下步骤：
S100：确定执行业务所需的各业务模型。
S102：根据在指定时间段内通过各业务模型执行业务后得到的业务结果，从所述各业务模型中选择目标模型。
在本说明书中，业务平台的服务器可以从各业务模型中，筛选出需要进行优化的业务模型作为目标模型，进而可以针对目标模型进行优化。
具体地，业务平台的服务器可以根据在指定时间段内通过各业务模型执行业务后得到的业务结果，从各业务模型中选择目标模型。例如：从各业务模型中筛选出执行业务后得到的业务结果的准确率较低的模型，作为目标模型。
在本说明书中，用于实现模型优化的方法的执行主体，可以是指服务器等设置于业务平台的指定设备，也可以是指诸如台式电脑、笔记本电脑等终端设备，为了便于描述，下面仅以服务器是执行主体为例，对本说明书提供的模型优化的方法进行说明。
S104：确定作为目标模型的输入数据的各候选特征数据。
S106：从各候选特征数据中选择出目标特征数据，所述目标特征数据中包含有若干特征维度。
在本说明书中，业务平台的服务器可以获取输入到目标模型中的特征数据，作为各候选特征数据，以根据输入到目标模型的各候选特征数据，对目标模型进行优化，这里的输入到目标模型中的特征数据可以是例如：用户在不同时间的业务行为对应的特征数据、用户在不同时间的账号状态对应的特征数据等。
进一步地，不同的候选特征数据对目标模型得到输出结果的影响程度往往不同，因此，业务平台的服务器还可以对各候选特征数据进行筛选，以筛选出对目标模型得到输出结果的影响程度高的候选特征数据，作为目标特征数据，进而可以基于目标特征数据对目标模型进行优化，这里的不同的候选特征数据是值类别不同的特征数据，例如：用户的业务行为对应的特征数据和用户的账号状态对应的特征数据即为类别不同的特征数据。
具体地，业务平台的服务器可以针对每个候选特征数据，将该候选特征数据输入到目标模型中，得到该候选特征数据对应的输出结果，根据该候选特征数据对应的输出结果，确定该候选特征数据对目标模型得到输出结果的影响程度，作为该候选特征数据对应的影响程度，进而可以根据每个候选特征数据对应的影响程度，从各候选特征数据中筛选出目标特征数据。
除此之外，在账号风控等领域中，神经网络模型往往需要根据用户过去一个月，甚至一年的特征值，来对用户的账号进行账号风控，而用户过去一个月，甚至一年的特征值中，可能只有小部分的特征值能对神经网络模型的输出结果的影响程度较大，因此，可以看出在账号风控等领域中，输入到神经网络模型的这些目标特征数据中包含的影响程度较大的特征值是较为稀疏的。
因此，业务平台的服务器可以将获取到的特征数据中的特征值按照指定特征维度进行聚合，得到各特征维度对应的特征值，进而可以确定每个特征维度对应的权重，进而可以有效的减少计算量，这里的指定特征维度可以指诸如：时间、地区等维度，以指定特征维度为时间为例，业务平台的服务器可以将用户的特征数据中的特征值按小时为单位进行聚合，如图2所示。
图2为本说明书中提供的特征数据的示意图。
从图2中可以看出，业务平台的服务器可以将用户的特征数据中的特征值按小时进行聚合，将特征数据中属于同一个小时的特征值，作为一个特征维度对应的特征值，图2中的一个方块即为一个特征维度对应的特征值，其中，每列的方块对应着一天中的每个小时，每行的方块对应着每天。
以用户的特征数据为用户的行为特征的数据为例，上述的特征数据是指用户的一个月内的所有业务行为对应的特征值，上述的特征值是值，用户在一个月内的任意一个业务行为在进行特征提取后得到的特征表示，即为一个特征值，因此，目标特征数据中包含有若干特征维度下的多个特征值。
S108：将所述目标特征数据输入到所述目标模型中，得到所述目标特征数据对应的输出结果。
服务器可以对目标特征数据中的部分特征维度对应的特征值进行掩蔽处理，得到各掩蔽后特征数据，将各掩蔽后特征数据输入到目标模型中，得到每个掩蔽后特征数据对应的输出结果。
具体地，服务器可以按照不同的掩蔽策略，将目标特征数据中的部分特征维度对应的特征值进行掩蔽处理，从而得到各掩蔽后特征数据，其中，服务器按照任意一种掩蔽策略对目标特征数据进行掩蔽处理后都会得到一个掩蔽后特征数据。
例如：假设用户的目标特征数据为一天内用户的业务行为对应的特征数据，通过上述内容可知，服务器可以将用户一天内的每个业务行为对应的特征值按小时划分为24个特征维度的特征值，进而可以将这24个特征维度的数据中的部分特征维度的数据进行掩蔽，如：将下午三点和下午五点这个两个特征维度对应的特征值进行掩蔽，就得到一个掩蔽后特征数据。
其中，服务器每次对目标特征数据进行掩蔽处理时所掩蔽的数据不同，因此，每个掩蔽后特征数据中包含未被掩蔽的特征维度不同，进而可以根据每个掩蔽后特征数据对应的输出结果，确定出目标特征数据中每个特征维度对应的权重。
S110：根据所述各特征维度对应的权重和每个特征维度对应的特征值，确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重。
进一步地，服务器可以针对每个掩蔽后特征数据，根据各特征维度对应的权重以及每个特征维度在该掩蔽后特征数据中对应的特征值，确定该掩蔽后特征数据对应的拟合结果，以每个掩蔽后特征数据对应的拟合结果与每个掩蔽后特征数据各自对应的输出结果之间的偏差最小化为优化目标，确定出每个特征维度对应的权重。
具体地，服务器可以将各掩蔽后特征数据以及各掩蔽后特征数据对应的输出结果输入到预设的权重确定模型中，以使权重确定模型根据各特征维度对应的权重以及每个特征维度在该掩蔽后特征数据中对应的特征值，确定该掩蔽后特征数据对应的拟合结果，以每个掩蔽后特征数据对应的拟合结果与每个掩蔽后特征数据各自对应的输出结果之间的偏差最小化为优化目标，确定出每个特征维度对应的权重。
其中，服务器通过预设的权重确定模型，以拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重的方法可以是通过极大似然估计算法，以根据各特征维度对应的权重和每个特征维度对应的特征值确定出的拟合结果无限趋近于目标特征数据对应的输出结果为优化目标，确定出每个特征维度对应的权重。
除此之外，服务器还可以通过预设的权重确定模型确定目标特征数据中每个特征维度对应的初始权重，进而可以通过多轮迭代，确定出目标特征数据中每个特征维度对应的权重。
其中，针对每轮迭代，权重拟合模型可以确定该轮迭代中目标特征数据中每个特征维度对应的待优化权重，进而可以根据目标特征数据中每个特征维度对应的待优化权重，预测每个特征维度对应的特征值属于预设的各高斯分布的概率值，进而可以根据预测出的每个特征维度对应的特征值属于预设的各高斯分布的概率值，以及目标模型针对每个掩蔽后特征数据对应的输出结果，重新估算出目标特征数据中每个特征维度对应的待优化权重，该轮迭代中目标特征数据中每个特征维度对应的待优化权重是将上述的初始权重迭代至上一轮迭代后得到的，在确定满足预设的迭代终止条件后，得到目标特征数据中每个特征维度对应的权重。
上述内容中，预设的高斯分布的数量可以根据实际需求确定。
上述内容中，预设的迭代终止条件可以是例如：预设的各高斯分布收敛，即，预测出的每个特征维度对应的特征值属于预设的各高斯分布的概率值不再改变为止，再例如：迭代的轮数达到预设阈值等。
上述内容中，权重拟合模型根据预测出的每个特征维度对应的特征值属于预设的各高斯分布的概率值，以及目标模型针对每个掩蔽后特征数据的输出结果，重新估算出目标特征数据中每个特征维度对应的待优化权重的方法可以是，通过极大似然估计算法计算出目标特征数据中每个特征维度对应的待优化权重。
从上述内容中可以看出，服务器可以将目标特征数据中的每个特征维度都视为一个独立的个体，即，每个特征维度之间互相独立，进而可以准确地确定出每个特征维度对应的权重，但是，有一些特征维度与其他特征维度存在密切的相关性，即，单独看待该特征维度对应的特征值时，并不能体现出该特征维度对应的特征值对目标模型得到输出结果的影响程度，因此，这个特征维度作为一个独立的个体时对应的权重并不大，当该特征维度对应的特征值与其他特征维度对应的特征值联合在一起的时候，这两个特征维度对应的特征值对于目标模型得到输出结果的影响程度就很大了。
例如：假设用户周五下午五点的业务行为和用户周一到周四下午五点的行为特征数据之间存在较大的差异（如：周一到周四下午五点的时候，用户通过会有小额交易，而周五下午五点的时候突然出现大额交易），将用户周一到周五每天下午五点的特征维度对应的特征值整体作为一个独立的个体时，就可以体现出这种差异，而目标模型可以根据这个个体，判断出用户周五下午五点的业务行为存在异常，而如果将用户周五下午五点的行为特征数据单独作为一个个体时，目标模型就不能根据这个个体，判断出用户周五下午五点的行为特征是否存在异常，因此，将用户周一到周五每天下午五点的特征维度对应的特征值整体作为一个独立的个体对应的权重，可能会相比于将用户周一到周五每天下午五点的特征维度对应的特征值分别作为一个独立的个体对应的权重更大。
再例如：用户下午三点到下午五点，连续的这三个小时出现多次登录账号失败记录，则可能说明是用户更换手机后忘记登录密码，因此，当将下午三点到下午五点，连续的这三个小时出现多次登录账号失败记录整体作为一个个体时对应的权重，和将下午三点到下午五点，连续的这三个小时出现多次登录账号失败记录分别作为一个个体时对应的权重有较大的差异。
基于此，服务器可以根据各特征维度对应的权重和每个特征维度对应的特征值确定拟合结果，以及根据特征数据中包含的每个特征维度之间的相关性，采用预设优化算法，以拟合结果与目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重。
其中，各特征维度之间的相关性可以是预先确定的，权重模型可以按照预先确定出的各特征维度之间的相关性，将存在相关性的各特征维度划分为一个各特征维度组合，进而可以根据各特征维度和/或特征维度组合对应的权重和每个特征维度和/或特征维度组合对应的特征值确定拟合结果，采用预设优化算法，以拟合结果与目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度和/或特征维度组合对应的权重。
需要说明的是，针对每个特征维度组合，该特征维度组合中的各特征维度是通过使用融合套索Fused Lasso以在上述的拟合过程中，对该特征组合中包含的存在相关性的各特征维度对应的权重值的之间的差值进行限制，使将该特征组合中包含的存在相关性的各特征维度对应的权重值的之间的差值处于预设的一个较小的阈值内，从而实现上述的将存在相关性的各特征维度划分为一个各特征维度组合。
S112：根据确定出的每个特征维度对应的权重，对所述目标模型进行优化，并采用优化后的目标模型执行业务。
在本说明书中，服务器可以确定的目标特征数据中的每个特征维度对应的权重，对目标模型进行优化，并采用优化后的目标模型执行相应的业务。
其中，优化后的目标模型对应的业务可以是例如：根据输入的用户业务行为对应的数据，对用户的业务行为进行风险监测等。
从上述内容中可以看出，服务器可以确定出目标特征数据中的每个特征维度和/或特征维度组合对应的权重，确定的目标模型主要是根据目标特征数据中的哪些特征维度和/或特征维度组合对应的特征值得到输出结果的，从而可以对训练目标模型的样本数据，目标模型的结构等进行优化。
需要说明的是，实际应用中的业务风控较为复杂，且为了保证业务风控的有效性，需要不断对业务风控中的风控模型进行优化，以使得优化后的模型能够适应业务风控中不断变化的各种风控环境。
为此，本说明书提供的模型优化方法可以适用于对业务风控中所使用的风控模型进行优化，所以，服务器可以先确定出在执行业务过程中所使用的各种风控模型（这里的风控模型即为上述提到的业务模型）。而后，服务器可以根据在指定时间段内通过各种风控模型执行风控业务后得到的风控结果，从这些风控模型中确定出目标模型。
服务器具体可以通过在指定时间段内所收集到的各风控模型执行风控业务的风控结果，以及用户实际所遇到的风险情况，来确定出风控效果较差的风控模型作为目标模型。而后，服务器可以从确定出的各候选特征数据选择出目标特征数据，并将其输入到目标模型中，得到输出结果。其中，在业务风控场景中，特征数据可以是指用户执行业务的业务记录对应的特征数据、用户执行业务时所基于的地理信息对应的特征数据、用户执行业务时所基于的时间信息对应的特征数据、用户执行交易业务时所涉及的交易金额对应的特征数据等。
服务器可以根据各特征维度对应权重和每个特征维度对应的特征值，确定出拟合结果，并采用预设的优化算法，以拟合结果与目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重。
服务器可以通过确定出的每个特征维度对应的权重，确定出目标模型在执行风控业务时，更为关注哪些数据，进而根据实际的风控需求，来对目标模型进行优化，这样可以使得优化后的风控模型显著提高风控效果，提升主动风控防控的能力。
以上为本说明书的一个或多个实施例提供的模型优化的方法，基于同样的思路，本说明书还提供了相应的模型优化的装置，如图3所示。
图3为本说明书提供的一种模型优化的装置的示意图，包括：
第一确定模块301，用于确定执行业务所需的各业务模型；
第一选择模块302，用于根据在指定时间段内通过各业务模型执行业务后得到的业务结果，从所述各业务模型中选择出目标模型；
第二确定模块303，用于确定作为目标模型的输入数据的各候选特征数据；
第二选择模块304，用于从各候选特征数据中选择出目标特征数据，所述目标特征数据中包含有若干特征维度；
获取模块305，用于将所述目标特征数据输入到所述目标模型中，得到所述目标特征数据对应的输出结果；
权重确定模块306，用于根据各特征维度对应的权重和每个特征维度对应的特征值，确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重。
优化模块307，用于根据确定出的每个特征维度对应的权重，对所述目标模型进行优化，并采用优化后的目标模型执行所述业务。
可选地，所述第二选择模块304具体用于，针对每个候选特征数据，将该候选特征数据输入到所述目标模型中，得到该候选特征数据对应的输出结果；根据该候选特征数据对应的输出结果，确定该候选特征数据对所述目标模型得到输出结果的影响程度，作为该候选特征数据对应的影响程度；根据每个候选特征数据对应的影响程度，从所述各候选特征数据中筛选出目标特征数据。
可选地，所述获取模块305具体用于，对所述目标特征数据中的部分特征维度对应的特征值进行掩蔽处理，得到各掩蔽后特征数据；将所述各掩蔽后特征数据输入到所述目标模型中，得到每个掩蔽后特征数据对应的输出结果。
可选地，所述权重确定模块306具体用于，针对每个掩蔽后特征数据，根据所述各特征维度对应的权重以及每个特征维度在该掩蔽后特征数据中对应的特征值，确定该掩蔽后特征数据对应的拟合结果；以每个掩蔽后特征数据对应的拟合结果与每个掩蔽后特征数据各自对应的输出结果之间的偏差最小化为优化目标，确定出每个特征维度对应的权重。
可选地，所述权重确定模块306具体用于，将所述目标特征数据以及所述目标特征数据对应的输出结果输入到预设的权重确定模型中，以使所述权重确定模型根据所述各特征维度对应的权重和每个特征维度对应的特征值确定拟合结果，并以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重。
可选地，所述权重确定模块306具体用于，根据所述各特征维度对应的权重和每个特征维度对应的特征值确定拟合结果，以及根据所述特征数据中包含的每个特征维度之间的相关性，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种模型优化的方法。
本说明书还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4，在硬件层面，该电子设备包括处理器、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的模型优化的方法。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组合。
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)

1.一种模型优化的方法，包括：
确定执行业务所需的各业务模型；
根据在指定时间段内通过各业务模型执行业务后得到的业务结果，从所述各业务模型中选择目标模型；
确定作为目标模型的输入数据的各候选特征数据；
从各候选特征数据中选择出目标特征数据，所述目标特征数据中包含有若干特征维度；
将所述目标特征数据输入到所述目标模型中，得到所述目标特征数据对应的输出结果；
根据各特征维度对应的权重和每个特征维度对应的特征值，确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重；
根据确定出的每个特征维度对应的权重，对所述目标模型进行优化，并采用优化后的目标模型执行所述业务。
2.如权利要求1所述的方法，从各候选特征数据中选择出目标特征数据，具体包括：
针对每个候选特征数据，将该候选特征数据输入到所述目标模型中，得到该候选特征数据对应的输出结果；
根据该候选特征数据对应的输出结果，确定该候选特征数据对所述目标模型得到输出结果的影响程度，作为该候选特征数据对应的影响程度；
根据每个候选特征数据对应的影响程度，从所述各候选特征数据中筛选出目标特征数据。
3.如权利要求1所述的方法，将所述目标特征数据输入到所述目标模型中，得到所述目标特征数据对应的输出结果，具体包括：
对所述目标特征数据中的部分特征维度对应的特征值进行掩蔽处理，得到各掩蔽后特征数据；
将所述各掩蔽后特征数据输入到所述目标模型中，得到每个掩蔽后特征数据对应的输出结果。
4.如权利要求3所述的方法，根据所述各特征维度对应的权重和每个特征维度对应的特征值，确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重，具体包括：
针对每个掩蔽后特征数据，根据所述各特征维度对应的权重以及每个特征维度在该掩蔽后特征数据中对应的特征值，确定该掩蔽后特征数据对应的拟合结果；
以每个掩蔽后特征数据对应的拟合结果与每个掩蔽后特征数据各自对应的输出结果之间的偏差最小化为优化目标，确定出每个特征维度对应的权重。
5.如权利要求1所述的方法，根据所述各特征维度对应的权重和每个特征维度对应的特征值确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重，具体包括：
将所述目标特征数据以及所述目标特征数据对应的输出结果输入到预设的权重确定模型中，以使所述权重确定模型根据所述各特征维度对应的权重和每个特征维度对应的特征值确定拟合结果，并以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重。
6.如权利要求1所述的方法，根据所述各特征维度对应的权重和每个特征维度对应的特征值确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重，具体包括：
根据所述各特征维度对应的权重和每个特征维度对应的特征值确定拟合结果，以及根据所述特征数据中包含的每个特征维度之间的相关性，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重。
7.一种模型优化的装置，包括：
第一确定模块，用于确定执行业务所需的各业务模型；
第一选择模块，用于根据在指定时间段内通过各业务模型执行业务后得到的业务结果，从所述各业务模型中选择出目标模型；
第二确定模块，用于确定作为目标模型的输入数据的各候选特征数据；
第二选择模块，用于从各候选特征数据中选择出目标特征数据，所述目标特征数据中包含有若干特征维度；
获取模块，用于将所述目标特征数据输入到所述目标模型中，得到所述目标特征数据对应的输出结果；
权重确定模块，用于根据各特征维度对应的权重和每个特征维度对应的特征值，确定拟合结果，采用预设优化算法，以所述拟合结果与所述目标特征数据对应的输出结果的差异最小化为优化目标，确定出每个特征维度对应的权重；
优化模块，用于根据确定出的每个特征维度对应的权重，对所述目标模型进行优化，并采用优化后的目标模型执行所述业务。
8.如权利要求7所述的装置，所述第二选择模块具体用于，针对每个候选特征数据，将该候选特征数据输入到所述目标模型中，得到该候选特征数据对应的输出结果；根据该候选特征数据对应的输出结果，确定该候选特征数据对所述目标模型得到输出结果的影响程度，作为该候选特征数据对应的影响程度；根据每个候选特征数据对应的影响程度，从所述各候选特征数据中筛选出目标特征数据。
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。
CN202211508332.1A 2022-11-29 2022-11-29 一种模型优化的方法、装置、设备及存储介质 Active CN115618748B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211508332.1A CN115618748B (zh) 2022-11-29 2022-11-29 一种模型优化的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211508332.1A CN115618748B (zh) 2022-11-29 2022-11-29 一种模型优化的方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115618748A true CN115618748A (zh) 2023-01-17
CN115618748B CN115618748B (zh) 2023-05-02

Family

ID=84879652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211508332.1A Active CN115618748B (zh) 2022-11-29 2022-11-29 一种模型优化的方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115618748B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115827918A (zh) * 2023-02-13 2023-03-21 支付宝(杭州)信息技术有限公司 一种执行业务的方法、装置、存储介质及电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180285437A1 (en) * 2017-03-30 2018-10-04 The Boeing Company Dimension optimization in singular value decomposition-based topic models
CN111260419A (zh) * 2020-02-20 2020-06-09 世纪龙信息网络有限责任公司 获取用户属性的方法、装置、计算机设备和存储介质
CN112163962A (zh) * 2020-09-10 2021-01-01 北京三快在线科技有限公司 一种模型训练和业务风控的方法及装置
CN113344197A (zh) * 2021-06-02 2021-09-03 北京三快在线科技有限公司 一种识别模型的训练方法、业务执行的方法以及装置
CN114330519A (zh) * 2021-12-20 2022-04-12 北京达佳互联信息技术有限公司 数据确定方法、装置、电子设备及存储介质
CN114585970A (zh) * 2019-10-17 2022-06-03 Asml荷兰有限公司 将测量数据拟合至模型和对性能参数分布建模的方法以及相关联的设备
CN114926026A (zh) * 2022-05-21 2022-08-19 中国电子科技集团公司第二十研究所 一种多维特征深度学习的目标分配优化方法
CN115062978A (zh) * 2022-06-17 2022-09-16 中国工商银行股份有限公司 权重分配方法、装置、计算机设备、存储介质和程序产品
CN115130573A (zh) * 2022-06-24 2022-09-30 腾讯科技（深圳）有限公司 数据处理方法、装置、存储介质、设备及产品

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180285437A1 (en) * 2017-03-30 2018-10-04 The Boeing Company Dimension optimization in singular value decomposition-based topic models
CN114585970A (zh) * 2019-10-17 2022-06-03 Asml荷兰有限公司 将测量数据拟合至模型和对性能参数分布建模的方法以及相关联的设备
CN111260419A (zh) * 2020-02-20 2020-06-09 世纪龙信息网络有限责任公司 获取用户属性的方法、装置、计算机设备和存储介质
CN112163962A (zh) * 2020-09-10 2021-01-01 北京三快在线科技有限公司 一种模型训练和业务风控的方法及装置
CN113344197A (zh) * 2021-06-02 2021-09-03 北京三快在线科技有限公司 一种识别模型的训练方法、业务执行的方法以及装置
CN114330519A (zh) * 2021-12-20 2022-04-12 北京达佳互联信息技术有限公司 数据确定方法、装置、电子设备及存储介质
CN114926026A (zh) * 2022-05-21 2022-08-19 中国电子科技集团公司第二十研究所 一种多维特征深度学习的目标分配优化方法
CN115062978A (zh) * 2022-06-17 2022-09-16 中国工商银行股份有限公司 权重分配方法、装置、计算机设备、存储介质和程序产品
CN115130573A (zh) * 2022-06-24 2022-09-30 腾讯科技（深圳）有限公司 数据处理方法、装置、存储介质、设备及产品

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭俊;周建中;邹强;宋利祥;张勇传;: "新安江模型参数多目标优化研究", 水文 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115827918A (zh) * 2023-02-13 2023-03-21 支付宝(杭州)信息技术有限公司 一种执行业务的方法、装置、存储介质及电子设备
CN115827918B (zh) * 2023-02-13 2023-05-05 支付宝(杭州)信息技术有限公司 一种执行业务的方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN115618748B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN108596410B (zh) 一种风控事件自动处理方法及装置
CN108243032B (zh) 一种服务等级信息的获取方法、装置及设备
CN109426912B (zh) 风控系统优化方法、系统、装置以及电子设备
CN110634030A (zh) 应用的业务指标挖掘方法、装置及设备
CN115238826B (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN114943307A (zh) 一种模型训练的方法、装置、存储介质以及电子设备
CN115618748A (zh) 一种模型优化的方法、装置、设备及存储介质
CN110516915B (zh) 业务节点训练、评估方法、装置及电子设备
CN115827918B (zh) 一种执行业务的方法、装置、存储介质及电子设备
CN116051118B (zh) 行为时序模型的分析方法及装置
CN116402108A (zh) 一种模型训练及图数据的处理方法、装置、介质及设备
CN115543945A (zh) 一种模型压缩的方法、装置、存储介质及电子设备
CN115567371A (zh) 一种异常检测方法、装置、设备及可读存储介质
CN111242195B (zh) 模型、保险风控模型训练方法、装置及电子设备
WO2024113932A1 (zh) 一种模型优化的方法、装置、设备及存储介质
CN113205377A (zh) 一种信息推荐的方法及装置
CN113344590A (zh) 一种模型训练以及投诉率预估的方法及装置
CN113157767A (zh) 一种风险数据监控方法、装置以及设备
CN111026458A (zh) 一种应用程序退出时间设置方法及装置
CN116109008B (zh) 一种业务执行的方法、装置、存储介质及电子设备
CN115545938B (zh) 一种执行风险识别业务的方法、装置、存储介质及设备
CN112948361B (zh) 一种数据修复的方法及装置
CN112884478B (zh) 一种数据处理方法、装置及设备
CN111539737B (zh) 一种账号风险检测方法、装置及设备
CN115795342B (zh) 一种业务场景分类的方法、装置、存储介质及电子设备

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