CN116028820B - 一种模型训练的方法、装置、存储介质及电子设备 - Google Patents
一种模型训练的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116028820B CN116028820B CN202310299829.5A CN202310299829A CN116028820B CN 116028820 B CN116028820 B CN 116028820B CN 202310299829 A CN202310299829 A CN 202310299829A CN 116028820 B CN116028820 B CN 116028820B
- Authority
- CN
- China
- Prior art keywords
- risk
- gradient
- model
- comprehensive
- wind control
- 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
Images
Landscapes
- Electrically Operated Instructional Devices (AREA)
Abstract
本说明书公开了一种模型训练的方法、装置、存储介质及电子设备,所述方法包括:先获取风控样本以及风控样本对应于各风险类型的原始标注,再根据风控样本对应于各风险类型的原始标注和预设的规则,确定风控样本的综合风险标注。之后,在训练待训练的风险识别模型时,若风险类型对应的梯度与综合梯度存在冲突,将风险类型对应的梯度与综合梯度不冲突的梯度分量重新作为风险类型对应的梯度,从而可以消除风险类型对应的梯度与综合梯度冲突的梯度分量。然后,根据各风险类型分别对应的梯度,确定出不存在冲突的待训练的风险识别模型的梯度来调整模型参数,减少了梯度冲突对模型训练的影响,使得训练得到的风险识别模型更准确。
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的方法、装置、存储介质及电子设备。
背景技术
随着科技的发展,隐私数据的安全越来越受到关注,多任务学习得到广泛的应用,尤其是在风控领域。
在用户使用支付工具进行支付的过程中,需要对这笔交易事件进行风险分析。而通常情况下,交易事件存在不同种类的风险,因此可以采用多任务学习模型对该笔交易事件进行风险分析,判断该笔交易是否存在风险以及存在那种风险。其中,多任务学习模型在训练过程中把多个相关的任务放在一起学习,通过同时学习多个任务训练模型。
但是,在训练多任务学习模型的时候,不同任务之间的梯度可能更新方向不同,会出现梯度冲突的情况。当出现梯度冲突时,模型更新方向可能不是最优的。例如,对于A类风险和B类风险的任务而言,当资金流转的发起用户和接收用户双方是亲属关系时出现风险的概率很高,而对于C类风险的任务而言,当资金流转的发起用户和接收用户双方是亲属关系时出现风险的概率可能不高,故以A类风险和B类风险的任务的梯度为主导更新多任务学习模型,可能会影响C类风险的任务输出结果的准确性。
因此,如何在减小梯度冲突的前提下进行多任务学习模型的训练是一个亟待解决的问题。
发明内容
本说明书提供一种模型训练的方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供一种模型训练的方法,待训练的风险识别模型包括多个第一输出层,每个第一输出层用于输出不同风险类型的风险识别结果,所述待训练的风险识别模型还包括第二输出层,所述第二输出层用于输出综合识别结果;所述方法包括:
获取风控样本以及所述风控样本对应于各风险类型的原始标注;
根据所述风控样本对应于各风险类型的原始标注和预设的规则,确定所述风控样本的综合风险标注;
将所述风控样本输入到所述待训练的风险识别模型,通过所述待训练的风险识别模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果,并通过所述待训练的风险识别模型中的第二输出层输出对所述风控样本的综合识别结果;
根据所述综合识别结果和所述综合风险标注,确定综合梯度;
针对每种风险类型,根据所述待训练的风险识别模型输出该风险类型的风险识别结果和所述原始标注,确定该风险类型对应的梯度,并判断该风险类型对应的梯度与所述综合梯度是否冲突,若是,将该风险类型对应的梯度与所述综合梯度不冲突的梯度分量,重新作为该风险类型对应的梯度;
根据确定出的各风险类型分别对应的梯度,确定所述待训练的风险识别模型的梯度;
根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型,得到风险识别模型。
可选地,根据所述风控样本对应于各风险类型的原始标注和预设的规则,确定所述风控样本的综合风险标注,具体包括:
针对每一个风控样本,当该风控样本对应于各风险类型的原始标注的原始标注为无风险时,确定该风控样本对应的业务的各参与用户;
判断第一指定时段内是否对任一所述参与用户执行过第一指定业务;
若是,则将该风控样本的综合风险标注设置为有风险;
若否,将该风控样本的综合风险标注设置为无风险。
可选地,在将该风控样本的综合风险标注设置为无风险之前,所述方法还包括:
判断第二指定时段内所述各参与用户之间是否执行过第二指定业务;
若是,则该风控样本的综合风险标注设置为无风险;
若否,则确定该风控样本为灰样本,不采用该风控样本训练所述待训练的风险识别模型。
可选地,判断该风险类型对应的梯度与所述综合梯度是否冲突,若是,将该风险类型对应的梯度与所述综合梯度不冲突的梯度分量作为该风险类型对应的梯度,具体包括:
确定该风险类型对应的梯度和所述综合梯度之间的余弦值;
判断所述余弦值是否小于零,若是,确定该风险类型对应的梯度在所述综合梯度的法线方向上的分量,作为该风险类型对应的梯度。
可选地,所述待训练的风险识别模型还包括特征提取层;
根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型,得到风险识别模型,具体包括:
根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型中所述多个第一输出层、所述第二输出层以及特征提取层,直到满足第一训练结束条件,得到第一模型;
将所述风控样本输入到所述第一模型,根据所述第一模型中第二输出层输出对所述风控样本的综合识别结果和所述综合风险标注,确定所述综合梯度,以及根据所述第一模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果和所述原始标注,确定各风险类型分别对应的梯度;
根据各风险类型分别对应的梯度和所述综合梯度,确定所述第一模型的梯度;
根据所述第一模型的梯度,在保留所述第一模型的特征提取层的参数的基础上,更新所述第一模型的各第一输出层以及所述第二输出层,得到风险识别模型。
可选地,根据各风险类别分别对应的梯度和所述综合梯度,确定所述第一模型的梯度,具体包括:
针对确定出的每一个风险类型对应的梯度,确定该风险类型对应的梯度在所述综合梯度的法线方向上的分量,作为第一分量梯度;
根据确定出的各第一分量梯度,确定所述第一模型的梯度。
可选地,根据各风险类别分别对应的梯度和所述综合梯度,确定所述第一模型的梯度,具体包括:
针对确定出的每一个风险类型对应的梯度,确定该风险类型对应的梯度在所述综合梯度的水平方向上的分量,作为第二分量梯度;
根据确定出的各第二分量梯度,确定所述第一模型的梯度。
可选地,所述待训练的风险识别模型还包括特征提取层;
根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型,得到风险识别模型,具体包括:
根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型中所述多个第一输出层、所述第二输出层以及特征提取层,直到满足第二训练结束条件,得到第二模型;
将所述风控样本输入到所述第二模型,根据所述第二模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果和所述原始标注,确定各风险类型分别对应的梯度;
针对各风险类型,根据该风险类型对应的梯度,在保留所述第二模型的特征提取层的参数和除该风险类型之外的其他风险类型的第一输出层的参数的基础上,更新该风险类型的第一输出层,得到风险识别模型。
可选地,所述方法还包括:
响应于用户发起的待执行业务;
将所述待执行业务输入训练得到的所述风险识别模型,得到所述待执行业务对应于各风险类型的风险识别结果;
根据得到的各风险识别结果,对所述待执行业务进行风控。
本说明书提供了一种模型训练的装置,待训练的风险识别模型包括多个第一输出层,每个第一输出层用于输出不同风险类型的风险识别结果,所述待训练的风险识别模型还包括第二输出层,所述第二输出层用于输出综合识别结果;所述装置包括:
获取模块,用于获取风控样本以及所述风控样本对应于各风险类型的原始标注;
确定模块,用于根据所述风控样本对应于各风险类型的原始标注和预设的规则,确定所述风控样本的综合风险标注;
结果模块,用于将所述风控样本输入到所述待训练的风险识别模型,通过所述待训练的风险识别模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果,并通过所述待训练的风险识别模型中的第二输出层输出对所述风控样本的综合识别结果;
第一梯度模块,用于根据所述综合识别结果和所述综合风险标注,确定综合梯度;
第二梯度模块,用于针对每种风险类型,根据所述待训练的风险识别模型输出该风险类型的风险识别结果和所述原始标注,确定该风险类型对应的梯度,并判断该风险类型对应的梯度与所述综合梯度是否冲突,若是,将该风险类型对应的梯度与所述综合梯度不冲突的梯度分量,重新作为该风险类型对应的梯度;
第三梯度模块,用于根据确定出的各风险类型分别对应的梯度,确定所述待训练的风险识别模型的梯度;
更新模块,用于根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型,得到风险识别模型。
可选地,所述确定模块具体用于,针对每一个风控样本,当该风控样本对应于各风险类型的原始标注的原始标注为无风险时,确定该风控样本对应的业务的各参与用户;判断第一指定时段内是否对任一所述参与用户执行过第一指定业务;若是,则将该风控样本的综合风险标注设置为有风险;若否,将该风控样本的综合风险标注设置为无风险。
可选地,所述确定模块,在将该风控样本的综合风险标注设置为无风险之前,还用于判断第二指定时段内所述各参与用户之间是否执行过第二指定业务;若是,则该风控样本的综合风险标注设置为无风险;若否,则确定该风控样本为灰样本,不采用该风控样本训练所述待训练的风险识别模型。
可选地,所述第二梯度模块具体用于,确定该风险类型对应的梯度和所述综合梯度之间的余弦值;判断所述余弦值是否小于零,若是,确定该风险类型对应的梯度在所述综合梯度的法线方向上的分量,作为该风险类型对应的梯度。
可选地,所述待训练的风险识别模型包括特征提取层;
所述更新模块具体用于,根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型中所述多个第一输出层、所述第二输出层以及特征提取层,直到满足第一训练结束条件,得到第一模型;将所述风控样本输入到所述第一模型,根据所述第一模型中第二输出层输出对所述风控样本的综合识别结果和所述综合风险标注,确定所述综合梯度,以及根据所述第一模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果和所述原始标注,确定各风险类型分别对应的梯度;根据各风险类型分别对应的梯度和所述综合梯度,确定所述第一模型的梯度;根据所述第一模型的梯度,在保留所述第一模型的特征提取层的参数的基础上,更新所述第一模型的各第一输出层以及所述第二输出层,得到风险识别模型。
可选地,所述更新模块具体用于,针对确定出的每一个风险类型对应的梯度,确定该风险类型对应的梯度在所述综合梯度的法线方向上的分量,作为第一分量梯度;根据确定出的各第一分量梯度,确定所述第一模型的梯度。
可选地,所述更新模块具体用于,针对确定出的每一个风险类型对应的梯度,确定该风险类型对应的梯度在所述综合梯度的水平方向上的分量,作为第二分量梯度;根据确定出的各第二分量梯度,确定所述第一模型的梯度。
可选地,所述待训练的风险识别模型包括特征提取层;
所述更新模块具体用于,根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型中所述多个第一输出层、所述第二输出层以及特征提取层,直到满足第二训练结束条件,得到第二模型;将所述风控样本输入到所述第二模型,根据所述第二模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果和所述原始标注,确定各风险类型分别对应的梯度;针对各风险类型,根据该风险类型对应的梯度,在保留所述第二模型的特征提取层的参数和除该风险类型之外的其他风险类型的第一输出层的参数的基础上,更新该风险类型的第一输出层,得到风险识别模型。
可选地,所述装置还包括:
使用模块,用于响应于用户发起的待执行业务;将所述待执行业务输入训练得到的所述风险识别模型,得到所述待执行业务对应于各风险类型的风险识别结果;根据得到的各风险识别结果,对所述待执行业务进行风控。
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训练的方法。
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训练的方法。
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:
本说明书提供的模型训练的方法中,可以先获取风控样本以及风控样本对应于各风险类型的原始标注,再根据风控样本对应于各风险类型的原始标注和预设的规则,确定风控样本的综合风险标注。之后,将风控样本输入到待训练的风险识别模型,通过待训练的风险识别模型中多个第一输出层输出风控样本对应于各风险类型的风险识别结果,并通过待训练的风险识别模型中的第二输出层输出对风控样本的综合识别结果。然后,根据综合识别结果和综合风险标注,确定综合梯度,再针对每种风险类型,根据待训练的风险识别模型输出该风险类型的风险识别结果和原始标注,确定该风险类型对应的梯度,并判断该风险类型对应的梯度与综合梯度是否冲突,若是,将该风险类型对应的梯度与综合梯度不冲突的梯度分量,重新作为该风险类型对应的梯度。然后,根据确定出的各风险类型分别对应的梯度,确定待训练的风险识别模型的梯度,并根据待训练的风险识别模型的梯度,更新待训练的风险识别模型,得到风险识别模型。
从上述方法中可以看出,本方法中通过风控样本对应于各风险类型的原始标注和预设的规则,确定风控样本的综合风险标注,在训练待训练的风险识别模型时,若风险类型对应的梯度与综合梯度存在冲突,将风险类型对应的梯度与综合梯度不冲突的梯度分量重新作为风险类型对应的梯度,以消除风险类型对应梯度与综合梯度冲突的梯度分量。使得根据各风险类型分别对应的梯度,可确定出不存在梯度冲突的待训练的风险识别模型的梯度,减少训练模型时由于梯度冲突带来的影响,优化了模型的更新方向,提高风险识别模型的准确度。
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训练的方法的流程示意图;
图2为本说明书中提供的一种风险识别模型部分结构的示意图;
图3为本说明书中提供的一种确定与综合梯度冲突的风险类型对应的梯度的示意图;
图4为本说明书中提供的一种确定待训练的风险识别模型的梯度的示意图;
图5为本说明书中提供的一种模型训练的装置的示意图;
图6为本说明书提供的对应于图1的电子设备示意图。
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。
本说明书的实施例提供了一种模型训练的方法、装置、存储介质及电子设备,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训练的方法的流程示意图,具体包括以下步骤:
S100:获取风控样本以及所述风控样本对应于各风险类型的原始标注。
在本说明书中,用于模型训练的设备获取风控样本以及风控样本对应于各风险类型的原始标注。其中,上述用于模型训练的设备可以是用于训练多任务学习模型的服务器,或能够执行本说明书方案的诸如手机、个人计算机(Personal Computer,PC)等设备。为了方便说明,下面以服务器为执行主体进行说明。
具体的,在本说明书中,该服务器用于训练的风险识别模型为多任务学习模型,该服务器可先确定历史业务的业务数据,将该业务数据作为训练风险识别模型的风控样本,并根据风控人员对该风控样本的标记,确定该风控样本对应于各风险类型的原始标注。其中,该风险识别模型可识别的风险类型可根据业务场景进行设置,并且,对该风控样本的标记包括对各类型风险的有风险或无风险的标记。
例如,假设风险识别模型为对交易事件进行风险分析,风险类型为H风险类型、I风险类型和G风险类型。服务器可以先将存在任一种类型的风险的交易事件,作为训练风险识别模型的风控样本,之后,根据确定出的交易事件存在的风险对应的类型,确定该交易事件对应于各风险类型的原始标注,比如,假设某一交易事件被风控人员标记存在H风险,可以将该交易事件作为训练风险识别模型的训练样本,对应的该交易事件对应于H风险类型的原始标注为有风险,而该交易事件对应于I风险类型和G风险类型的原始标注均为无风险。当然,训练该风险识别模型时也可采用白样本,则可以确定没有标注过任一类型的风险的交易事件,作为训练样本,则对应于H风险类型、I风险类型和G风险类型的原始标注均为无风险。
S102:根据所述风控样本对应于各风险类型的原始标注和预设的规则,确定所述风控样本的综合风险标注。
服务器根据风控样本对应于各风险类型的原始标注和预设的规则,确定风控样本的综合风险标注。其中,预设的规则可以为根据业务需求设定的规则,比如当风控样本对应于各风险类型的原始标注均为无风险时,风控样本的综合风险标注可以设置为无风险。综合风险标注是基于风控样本对应于各风险类型的原始标注和预设的规则确定的,涵盖各风险类型的原始标注的语义。故在后续风险识别模型的训练过程可以根据综合风险标注确定综合梯度,以此来提供各风险类型对应的梯度映射的整体方向,从而消解各风险类型对应的梯度与综合梯度的冲突的梯度分量。
具体的,针对每一个风控样本,当该风控样本对应于各风险类型的原始标注均为无风险时,将该风控样本的综合风险标注设置为无风险,当该风控样本对应于各风险类型的原始标注中存在任一有风险的原始标注时,将该风控样本的综合风险标注设置为有风险。
继续沿用上例,假设无论是原始标注还是综合风险标注,当标注为有风险时记为1,标注为无风险时记为0,服务器针对每一个交易事件,当该交易事件不存在H风险、I风险和G风险时,也就是该交易事件对应于H风险、I风险和G风险三种风险类型的原始标注均为无风险时,将该交易事件的综合风险标注设置为无风险,即label=[0, 0, 0, 0],对应于[综合风险标注,H风险类型的原始标注,I风险类型的原始标注,G风险类型的原始标注]。但当该交易事件存在H风险、I风险和G风险中任意一个风险时,也就是该交易事件对应于H风险类型、I风险类型和G风险类型的原始标注中存在有风险的原始标注,将该交易事件的综合风险标注设置为有风险,假设该交易事件存在H风险,则label= [1, 1, 0, 0]。
由于直接根据各风险类型的原始标注确定综合风险标注,也就是直接将各风险类型的原始标注进行相加的方式综合风险标注,会导致确定出的综合风险标注可能不够准确,比如由于风控样本对应于各风险类型的原始标注均为无风险,那该风控样本的综合风险标注设置为无风险,但是该风控样本的参与用户可能执行过某种业务,导致该样本存在风险,相应的该样本的综合风险标注应该设置为有风险,故为了提高设置样本的综合风险标注的准确性,服务器可以针对每一个风控样本,当该风控样本对应于各风险类型的原始标注为无风险时,确定该风控样本对应的业务的各参与用户,判断第一指定时段内是否对任一参与用户执行过第一指定业务,若是,则将该风控样本的综合风险标注设置为有风险,否则,将该风控样本的综合风险标注设置为无风险。其中,第一指定时间段可以为风控样本对应的业务发生后的任意时间段内,可根据需要设置。但是通常用户状态是不断发生变化的,第一指定时间段过长,可能导致确定的综合风险标注不准确,因此通常设置风控样本对应的业务发生后的短期时间段内,比如一个月。第一指定业务可以为是否被风控系统限制权限,也可以为根据业务场景进行设定的其他业务。
继续沿用上例,假设风控样本对应交易事件有两个用户参与,分别为用户A和用户B,第一指定时间段为交易事件发生后的一个月内,第一指定业务为是否被风控系统限制权限,则服务器可以针对每一个风控样本,当该风控样本对应于各风险类型的原始标注为无风险时,确定该风控样本对应的业务的各参与用户(即用户A和用户B),判断在交易事件发生后的一个月内用户A或用户B中任一参与用户是否被风控系统限制权限,若是,则将该风控样本的综合风险标注设置为有风险,否则,将该风控样本的综合风险标注设置为无风险。
S104:将所述风控样本输入到所述待训练的风险识别模型,通过所述待训练的风险识别模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果,并通过所述待训练的风险识别模型中的第二输出层输出对所述风控样本的综合识别结果。
本说明书中的待训练的风险识别模型至少包括特征提取层、多个第一输出层和第二输出层,每个第一输出层用于输出不同风险类型的风险识别结果,第二输出层用于输出综合识别结果,如图2所示,图2为本说明书中提供的一种风险识别模型部分结构的示意图,图2中包括风险识别模型的特征提取层、各风险类型对应的第一输出层(即图2中的Tower1、Tower 2和Tower 3)和第二输出层(即图2中的Tower 0),各风险类型对应的第一输出层是根据业务需求进行设置的。为了方便说明,后续过程中仅以包含三个风险类型的第一输出层的图2为例进行说明。服务器可以将风控样本输入到待训练的风险识别模型,通过待训练的风险识别模型中多个第一输出层输出风控样本对应于各风险类型的风险识别结果,并通过待训练的风险识别模型中的第二输出层输出对风控样本的综合识别结果。也就是服务器将风控样本输入到待训练的风险识别模型,得到待训练的风险识别模型中第二输出层(即Tower 0)的综合识别结果和各风险类型对应的Tower 1、Tower 2和Tower 3的风险识别结果。
S106:根据所述综合识别结果和所述综合风险标注,确定综合梯度。
S108:针对每种风险类型,根据所述待训练的风险识别模型输出该风险类型的风险识别结果和所述原始标注,确定该风险类型对应的梯度,并判断该风险类型对应的梯度与所述综合梯度是否冲突,若是,将该风险类型对应的梯度与所述综合梯度不冲突的梯度分量,重新作为该风险类型对应的梯度。
服务器可以根据综合识别结果和综合风险标注,确定综合梯度。之后,针对每种风险类型,服务器根据待训练的风险识别模型输出该风险类型的风险识别结果和原始标注,确定该风险类型对应的梯度,并判断该风险类型对应的梯度与综合梯度是否冲突,若是,将该风险类型对应的梯度与综合梯度不冲突的梯度分量,重新作为该风险类型对应的梯度。其中,当风险类型对应的梯度与综合梯度之间的夹角大于90°或者夹角为钝角时,则风险类型对应的梯度与综合梯度存在冲突。由于综合梯度是基于综合风险标注确定的,因此综合梯度表示了从各风险类型整体上看,风险识别模型调整的方向,所以基于综合梯度,可以确定每一个风险类型对应的梯度是否有需要消除的梯度冲突。
具体的,服务器将Tower 0的综合识别结果和综合风险标注输入到第二输出层的损失函数中并计算梯度,作为综合梯度。之后,针对每种风险类型,服务器将待训练的风险识别模型中该风险类型对应的第一输出层输出的风险识别结果和该风险类型的原始标注输出到该风险类型对应的第一输出层的损失函数中并计算梯度,作为该风险类型对应的梯度。然后,确定该风险类型对应的梯度和综合梯度之间的余弦值,判断余弦值是否小于零,若是,确定该风险类型对应的梯度在综合梯度的法线方向上的分量,重新作为该风险类型对应的梯度。其中,待训练的风险识别模型为包括特征提取层、多个第一输出层和第二输出层的多任务学习模型,第二输出层的损失函数为第二输出层训练过程中所使用的损失函数,风险类型对应的第一输出层的损失函数为风险类型对应的第一输出层训练过程中所使用的损失函数。
例如,如图3所示,图3为本说明书中提供的一种确定与综合梯度冲突的风险类型对应的梯度的示意图,图3中向量1为综合梯度,向量2~4分别为H风险类型、I风险类型和G风险类型对应的梯度,服务器可以确定该风险类型对应的梯度和综合梯度(即向量1)之间的余弦值,判断余弦值是否小于零,若是,确定该风险类型对应的梯度在综合梯度的法线方向上的分量,重新作为该风险类型对应的梯度。比如对于向量3,确定向量3与向量1之间的余弦值,显然该余弦值小于零,将向量3往向量1的法线方向(即图2中垂直于向量1的虚线部分)上投影,也就是确定向量3在向量1的法线方向上的分量,也就是图2中的向量3`,将得到分量(即向量3`)重新作为I风险类型对应的梯度。
服务器还可以确定该风险类型对应的梯度和综合梯度之间的夹角的大小,判断夹角的大小是否大于90°,若是,确定该风险类型对应的梯度在综合梯度的法线方向上的分量,重新作为该风险型对应的梯度。
S110:根据确定出的各风险类型分别对应的梯度,确定所述待训练的风险识别模型的梯度。
由于综合梯度可以不作为实际梯度参与待训练风险识别模型的梯度计算,只需要给与了待训练的风险识别模型调整的方向即可,故在根据确定出的各风险类型分别对应的梯度,确定待训练的风险识别模型的梯度时,服务器只需将各风险类型分别对应的梯度进行向量加法计算,可以不用加上综合梯度。之后,将经过向量加法计算后得到的梯度结果作为待训练的风险识别模型的梯度。继续沿用上例,结合图4,图4为本说明书中提供的一种确定待训练的风险识别模型的梯度的示意图,根据向量1~4得到各风险类型分别对应的梯度(即图4中的向量2`~4`)之后,将向量2`~4`相加,得到待训练的风险识别模型的梯度,即图4中的向量0。
S112:根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型,得到风险识别模型。
服务器可以根据待训练的风险识别模型的梯度,更新待训练的风险识别模型,得到风险识别模型。其中,风险识别模型用于识别待执行业务对应各风险类型的风险识别结果,并根据各风险类型的风险识别结果对待执行业务进行风控。
在得到风险识别模型之后,服务器可以响应于用户发起的待执行业务,确定待执行业务的业务数据,将确定出的业务数据输入训练得到的风险识别模型,得到待执行业务对应于各风险类型的风险识别结果。之后,根据得到的各风险识别结果,对待执行业务进行风控。具体的,将待执行业务的业务数据输入风险识别模型之后,当得到的各风险类型的风险识别结果均为无风险时,可以直接执行该待执行业务。但若任一风险类型的风险识别结果为有风险时,可以对该待执行业务对应的风险进行风控,并在风控通过后,执行该待执行业务。或者,若任一风险类型的风险识别结果为有风险时,直接拒绝执行该待执行业务,并告知用户该待执行业务存在的风险来源,比如告知用户该待执行业务存在H风险。
由于综合风险标注涵盖了各风险类型的原始标注的语义,第二输层输出的综合识别结果表征待执行业务整体风险的综合识别结果,可以提高对待执行业务的风险识别的准确性,故在将确定出的业务数据输入风险识别模型之后,可以根据综合识别结果和各风险类型的风险识别结果共同判断是否对待执行业务进行风控。
本说明书中在用户接收到该待执行业务存在风险的通知之后,用户可以对于该待执行业务的风险识别结果提出异议,并进行申诉。
从上述方法中可以看出,本方法中通过风控样本对应于各风险类型的原始标注和预设的规则,确定风控样本的综合风险标注,在训练待训练的风险识别模型时,若风险类型对应的梯度与综合梯度存在冲突,可以将风险类型对应的梯度与综合梯度不冲突的梯度分量重新作为风险类型对应的梯度,从而可以消除风险类型对应的梯度与综合梯度冲突的梯度分量。之后,根据各风险类型分别对应的梯度确定出的待训练的风险识别模型的梯度,更新待训练的风险识别模型,得到风险识别模型,可以使得确定出的待训练的风险识别模型的梯度不存在梯度冲突,减少训练模型时由于梯度冲突造成的由单一风险类型或者几个风险类型为主导更新模型的参数,导致其他风险类型的风险识别结果的准确性降低的问题,从而优化了模型的更新方向,提高风险识别模型的准确度。
在上述步骤S102中将该风控样本的综合风险标注设置为无风险之前,服务器还可以判断第二指定时段内各参与用户之间是否执行过第二指定业务,若是,则该风控样本的综合风险标注设置为无风险,否则,确定该风控样本为灰样本,不采用该风控样本训练待训练的风险识别模型。其中,灰样本为不使用其训练待训练的风险识别模型的样本。第二指定时间段与上述第一指定时间段可以相同,也可以不同,均可以为风控样本对应的业务发生后的任意时间段内,或者可以为风控样本对应的业务发生后的短期时间段内,比如一个月。第二指定业务可以为各参与用户之间是否执行过与该风控样本对应的业务相同的业务,也可以为根据业务场景进行设定的其他业务。
继续沿用上例,假设第二指定时间段为未来的一个月内,第二指定业务为用户A和用户B发生过成功的交易,服务器可以在将该风控样本的综合风险标注设置为无风险之前,判断未来的一个月内用户A和用户B之间是否发生过成功的交易,若是,则该风控样本的综合风险标注设置为无风险,否则,确定该风控样本为灰样本,不采用该风控样本训练待训练的风险识别模型。显然,用户A和用户B发生过成功的交易,则将该风控样本的综合风险标注设置为无风险。
由于在上述步骤S108中将与综合梯度冲突的风险类型对应的梯度向综合梯度的法线方向上投影,将得到的梯度分量重新作为与综合梯度冲突的风险类型对应的梯度,消解了与综合梯度冲突的梯度分量,可能会造成信息损失,甚至各风险类型对应的第一输出层的参数可能无法均收敛在其最优点。因此,该服务器可以先对模型整体训练,得到第一模型,之后“冻结”特征提取层的参数,根据风控样本训练各风险类型的对应的第一输出层,得到风险识别模型。也就是说,可以单独对每个风险类型的对应的第一输出层进行调整,并且在调整风险类型的对应的第一输出层的参数时不再根据综合梯度,消除与综合梯度冲突的梯度分量。
具体的,在上述步骤S112中服务器可以根据待训练的风险识别模型的梯度,更新待训练的风险识别模型的各风险类型的对应的第一输出层、第二输出层以及特征提取层,直到满足第一训练结束条件,得到第一模型。然后,将风控样本输入到第一模型,根据第一模型中第二输出层输出的综合识别结果和综合风险标注,确定综合梯度,以及根据第一模型中各第一输出层输出风控样本对应于各风险类型的风险识别结果和各风险类型分别对应的原始标注,确定各风险类型分别对应的梯度。之后,根据各风险类型分别对应的梯度和综合梯度,确定第一模型的梯度。然后,根据第一模型的梯度,在保留第一模型的特征提取层的参数的基础上,更新第一模型的各第一输出层和第二输出层,得到风险识别模型。
其中,待训练的风险识别模型至少包括各风险类型的对应的第一输出层、第二输出层以及特征提取层,得到综合梯度和风险类型对应的梯度过程与上述步骤S106~S108过程类似,这里就不再赘述。第一训练结束条件可以为迭代训练待训练的风险识别模型的各风险类型的对应的第一输出层、第二输出层以及特征提取层达到预设的训练次数,也就是假设设定使用样本对待训练的风险识别模型的各风险类型的对应的第一输出层、第二输出层以及特征提取层训练n次,就认为待训练的风险识别模型的各风险类型的对应的第一输出层、第二输出层以及特征提取层已经训练完成,达到预期效果。故当根据待训练的风险识别模型的梯度,更新待训练的风险识别模型的各风险类型的对应的第一输出层、第二输出层以及特征提取层达到预设的训练次数n时,将此时的模型作为第一模型。
第一训练结束条件也可以为迭代训练待训练的风险识别模型的各风险类型的对应的第一输出层、第二输出层以及特征提取层达到预设的训练次数m,判断待训练的风险识别模型的各风险类型的对应的第一输出层、第二输出层以及特征提取层是否收敛,当待训练的风险识别模型各风险类型的对应的第一输出层、第二输出层以及特征提取层收敛时,满足第一结束条件,否则,不满足第一结束条件,继续迭代训练。故根据待训练的风险识别模型的梯度,更新待训练的风险识别模型的各风险类型的对应的第一输出层、第二输出层以及特征提取层达到预设的训练次数m时,判断待训练的风险识别模型的各风险类型的对应的第一输出层、第二输出层以及特征提取层是否收敛,若收敛,将此时的模型作为第一模型,否则,继续迭代训练待训练的风险识别模型的各风险类型的对应的第一输出层、第二输出层以及特征提取层。其中,m和n均为设定的正整数。
在根据各风险类型分别对应的梯度和综合梯度,确定第一模型的梯度时,服务器可以针对确定出的每一个风险类型对应的梯度,确定该风险类型对应的梯度在综合梯度的水平方向上的分量,作为第二分量梯度。之后,根据确定出的各第二分量梯度,确定第一模型的梯度。在根据确定出的各第二分量梯度,确定第一模型梯度的过程与上述步骤S110的过程类似,这里就不再赘述。之后,以根据第二分量梯度得到的第一模型的梯度,在保留第一模型的特征提取层的参数的基础上,更新第一模型的各风险类型对应的第一输出层以及第二输出层,得到风险识别模型。由于服务器是根据风险类型对应的梯度在综合梯度水平方向上的分量,确定的第一模型的梯度,在水平方向上可以保留与综合梯度冲突的风险类型对应的梯度的分量,减少了由于消解与综合梯度冲突的梯度分量造成的信息损失,增加了各风险类型对应的第一输出层的参数收敛在其最优点的概率。
在根据各风险综合分别对应的梯度和综合梯度,确定第一模型的梯度时,服务器还可以针对确定出的每一个风险类型对应的梯度,确定该风险类型对应的梯度在综合梯度的法线方向上的分量,作为第一分量梯度。之后,根据确定出的各第一分量梯度,确定第一模型的梯度。在根据确定出的各第一分量梯度,确定第一模型梯度的过程与上述步骤S110的过程类似,这里就不再赘述。之后,以根据第一分量梯度得到的第一模型的梯度,在保留第一模型的特征提取层的参数的基础上,更新第一模型的各风险类型对应的第一输出层以及第二输出层,得到风险识别模型。由于服务器是根据风险类型对应梯度在综合梯度垂直方向上的分量,确定的第一模型的梯度,在上述步骤S112得到的模型的基础上增加了扰动,避免了各风险类型对应的第一输出层陷入局部最优,增加了各风险类型对应的第一输出层的参数收敛在其最优点的概率。
在本说明书中,服务器除了根据第一分量梯度得到第一模型的梯度,更新第一模型的各风险类型的第一输出层以及第二输出层,得到风险识别模型。或者根据第二分量得到第一模型的梯度,更新第一模型的各风险类型对应的第一输出层以及第二输出层,得到风险识别模型。当然,还可以采用上述两种方式进行交替训练,不分先后执行顺序。也就是该服务器可以先根据第一分量梯度得到第一模型的梯度,更新第一模型的各风险类型对应的第一输出层以及第二输出层,再根据第二分量梯度得到第一模型的梯度,更新第一模型的各风险类型对应的第一输出层以及第二输出层,或者先根据第二分量梯度得到第一模型的梯度,更新第一模型的各风险类型对应的第一输出层以及第二输出层,再根据第一分量梯度得到第一模型的梯度,更新第一模型的各风险类型对应的第一输出层以及第二输出层,交替进行迭代训练,得到风险识别模型。或者,服务器也可以先采用其中一种方式训练x次,再采用另一种方式训练y次,通过先多次训练再交替训练的方式,不分先后执行顺序,也就是在上述交替训练的基础上,不是每训练一次就交替一次,而是采用同一种方式训练x次后采用另一种方式进行训练,训练过程与上述交替训练过程类似,这里就不再赘述。x和y均为正整数,可以相同也可以不同。比如,可以采用其中一种方式训练50次,再采用另一种方式训练100次。
另外,为了增加各风险类型对应的第一输出层均收敛在其最优点的概率,可以单独对每个风险类型对应的第一输出层进行训练,因此,在上述步骤S112中服务器也可以根据待训练的风险识别模型的梯度,更新待训练的风险识别模型的各风险类型对应的第一输出层、第二输出层以及特征提取层,直到满足第二训练结束条件,得到第二模型。然后,将风控样本输入到第二模型,根据第二模型中各第一输出层输出风控样本对应于各风险类型的风险识别结果和各风险类型分别对应的原始标注,确定各风险类型分别对应的梯度。之后,针对各风险类型,根据该风险类型对应的梯度,在保留第二模型的特征提取层的参数和除该风险类型之外的其他风险类型的第一输出层的参数的基础上,更新该风险类型的第一输出层,得到风险识别模型。也就是说,每次迭代时只调整一个风险类型对应的第一输出层中的参数。
其中,待训练的风险识别模型至少包括各风险类型对应的第一输出层、第二输出层以及特征提取层,得到风险类型对应的梯度过程与上述步骤S108得到风险类型对应的梯度的过程类似,这里就不再赘述。第二训练结束条件与上述第一训练结束条件类似,均是预先设定模型训练的次数,故第一训练结束条件和第二训练结束条件可以相同也可以不同。当迭代训练待训练的风险识别模型的各风险类型对应的第一输出层、第二输出层以及特征提取层的训练次数达到预设的训练次数时,将此时的模型作为第二模型,具体过程在这里就不在赘述。
另外,上述两种继续训练模型的方法,可以单独与步骤S112的训练过程组合使用,也可一并与步骤S112的训练过程组合使用。在一并与步骤S112的训练过程组合使用时,具体的,服务器还可以根据第一模型的梯度,在保留第一模型的特征提取层的参数的基础上,更新第一模型的各风险类型对应的第一输出层以及第二输出层,直到满足第三训练结束条件,得到第三模型。之后,将风控样本输入到第三模型,根据第三模型中各第一输出层输出风控样本对应于各风险类型的风险识别结果和各风险类型分别对应的原始标注,确定各风险类型分别对应的梯度。然后,针对各风险类型,根据该风险类型对应的梯度,在保留第三模型的特征提取层的参数和除该风险类型之外的其他风险类型的第一输出层的参数的基础上,更新该风险类型的第一输出层,得到风险识别模型。其中,上述过程是在得到第一模型并根据第一模型的梯度,在保留第一模型的特征提取层的参数的基础上,更新第一模型的各风险类型对应的第一输出层后进行的。第三训练结束条件与上述第一训练结束条件类似,均是预先设定模型训练的次数,当迭代训练待训练的风险识别模型的各风险类型对应的第一输出层以及第二输出层的训练次数达到预设的训练次数时,将此时的模型作为第三模型,具体过程在这里就不在赘述。
在本说明书中,训练一次的风控样本可以为单样本,也可以为多样本。当训练一次的风控样本为多样本时,可以在样本集中随机生成多个作为训练样本的多样本,比如样本集中一共有1000个样本,可以随机生成125个由原本8个样本组成的多样本。
由于前述得到的多样本是在样本集中随机生成的,多样本中存在各种风险的浓度可能不相同,可能会导致综合梯度在某一风险类型上梯度过大或过小。因此,为了避免综合梯度在某一风险类型上梯度分量过大或过小的问题,使得综合梯度在各风险类型对应的梯度上分量相等,可以在保证训练样本各风险浓度相同的基础上进行样本采样,将采样得到的样本作为训练一次的训练样本。比如,样本集中存在H风险的样本占0.1%,存在I风险的样本占1%,存在G风险的样本占10%,可以对样本集进行采样,采样得到的多样本中存在H风险、I风险和G风险的样本均占1%。
在本说明书步骤S110中,服务器可以根据各风险类型分别对应的梯度和业务需求的类型,确定待训练的风险识别模型的梯度。具体的,服务器可以先确定业务需求的类型,当业务需求的类型为风险得分时,服务器将各风险类型分别对应的梯度进行向量加法计算,并将得到的结果作为待训练的风险识别模型的梯度。当业务需求的类型为综合得分时,服务器将各风险类型分别对应的梯度以及综合梯度进行向量加法计算,并将得到的结果作为待训练的风险识别模型的梯度。
本说明书中的模型训练的方法仅是以风控场景为例进行说明,该模型训练的方法还可以应用于其他使用多任务学习模型的业务场景中,解决应用于其他业务场景中的多任务学习模型训练过程中存在梯度冲突的问题,具体应用于何种场景,训练何种类型的多任务学习模型,本说明书不做具体限定。比如在内容推荐场景中,是否将某一条内容推荐给某一用户时,需要判断该条内容的发布人是否与该用户互相关注、该用户是否点赞过与该条内容相关的内容以及该用户是否转发过与该条内容相关的内容等条件作为各风险类型。基于此,可以应用本说明书中模型训练的方法,上述例子中的条件可以相当于前述内容中的风险类型,通过图1所示的模型训练的方法,可以训练得到应用于内容推荐的多任务学习模型,具体训练过程如图1所示,这里就不再赘述。
以上为本说明书的一个或多个实施例提供的模型训练的方法,基于同样的思路,本说明书还提供了相应的模型训练的装置,如图5所示。
图5为本说明书提供的一种模型训练的装置示意图,待训练的风险识别模型包括多个第一输出层,每个第一输出层用于输出不同风险类型的风险识别结果,所述待训练的风险识别模型还包括第二输出层,所述第二输出层用于输出综合识别结果;所述装置包括:
获取模块200,用于获取风控样本以及所述风控样本对应于各风险类型的原始标注;
确定模块202,用于根据所述风控样本对应于各风险类型的原始标注和预设的规则,确定所述风控样本的综合风险标注;
结果模块204,用于将所述风控样本输入到所述待训练的风险识别模型,通过所述待训练的风险识别模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果,并通过所述待训练的风险识别模型中的第二输出层输出对所述风控样本的综合识别结果;
第一梯度模块206,用于根据所述综合识别结果和所述综合风险标注,确定综合梯度;
第二梯度模块208,用于针对每种风险类型,根据所述待训练的风险识别模型输出该风险类型的风险识别结果和所述原始标注,确定该风险类型对应的梯度,并判断该风险类型对应的梯度与所述综合梯度是否冲突,若是,将该风险类型对应的梯度与所述综合梯度不冲突的梯度分量,重新作为该风险类型对应的梯度;
第三梯度模块210,用于根据确定出的各风险类型分别对应的梯度,确定所述待训练的风险识别模型的梯度;
更新模块212,用于根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型,得到风险识别模型。
可选地,所述确定模块202具体用于,针对每一个风控样本,当该风控样本对应于各风险类型的原始标注的原始标注为无风险时,确定该风控样本对应的业务的各参与用户;判断第一指定时段内是否对任一所述参与用户执行过第一指定业务;若是,则将该风控样本的综合风险标注设置为有风险;若否,将该风控样本的综合风险标注设置为无风险。
可选地,所述确定模块202,在将该风控样本的综合风险标注设置为无风险之前,还用于判断第二指定时段内所述各参与用户之间是否执行过第二指定业务;若是,则该风控样本的综合风险标注设置为无风险;若否,则确定该风控样本为灰样本,不采用该风控样本训练所述待训练的风险识别模型。
可选地,所述第二梯度模块208具体用于,确定该风险类型对应的梯度和所述综合梯度之间的余弦值;判断所述余弦值是否小于零,若是,确定该风险类型对应的梯度在所述综合梯度的法线方向上的分量,作为该风险类型对应的梯度。
可选地,所述待训练的风险识别模型包括特征提取层;
所述更新模块212具体用于,根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型中所述多个第一输出层、所述第二输出层以及特征提取层,直到满足第一训练结束条件,得到第一模型;将所述风控样本输入到所述第一模型,根据所述第一模型中第二输出层输出对所述风控样本的综合识别结果和所述综合风险标注,确定所述综合梯度,以及根据所述第一模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果和所述原始标注,确定各风险类型分别对应的梯度;根据各风险类型分别对应的梯度和所述综合梯度,确定所述第一模型的梯度;根据所述第一模型的梯度,在保留所述第一模型的特征提取层的参数的基础上,更新所述第一模型的各第一输出层以及所述第二输出层,得到风险识别模型。
可选地,所述更新模块212具体用于,针对确定出的每一个风险类型对应的梯度,确定该风险类型对应的梯度在所述综合梯度的法线方向上的分量,作为第一分量梯度;根据确定出的各第一分量梯度,确定所述第一模型的梯度。
可选地,所述更新模块212具体用于,针对确定出的每一个风险类型对应的梯度,确定该风险类型对应的梯度在所述综合梯度的水平方向上的分量,作为第二分量梯度;根据确定出的各第二分量梯度,确定所述第一模型的梯度。
可选地,所述待训练的风险识别模型包括特征提取层;
所述更新模块212具体用于,根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型中所述多个第一输出层、所述第二输出层以及特征提取层,直到满足第二训练结束条件,得到第二模型;将所述风控样本输入到所述第二模型,根据所述第二模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果和所述原始标注,确定各风险类型分别对应的梯度;针对各风险类型,根据该风险类型对应的梯度,在保留所述第二模型的特征提取层的参数和除该风险类型之外的其他风险类型的第一输出层的参数的基础上,更新该风险类型的第一输出层,得到风险识别模型。
可选地,所述装置还包括:
使用模块214,用于响应于用户发起的待执行业务;将所述待执行业务输入训练得到的所述风险识别模型,得到所述待执行业务对应于各风险类型的风险识别结果;根据得到的各风险识别结果,对所述待执行业务进行风控。
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所示的模型训练的方法。
本说明书还提供了图6所示的电子设备的示意结构图。如图6所述,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所示的模型训练的方法。
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,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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 (18)
1.一种模型训练的方法,待训练的风险识别模型包括多个第一输出层,每个第一输出层用于输出不同风险类型的风险识别结果,所述待训练的风险识别模型还包括第二输出层,所述第二输出层用于输出综合识别结果;所述方法包括:
获取交易事件的风控样本,以及所述交易事件的风控样本对应于各风险类型的原始标注,其中,将存在任一种类型的风险的交易事件,作为训练风险识别模型的风控样本;
根据所述风控样本对应于各风险类型的原始标注和预设的规则,确定所述风控样本的综合风险标注,其中,所述综合风险标注涵盖各风险类型的原始标注的语义;
将所述风控样本输入到所述待训练的风险识别模型,通过所述待训练的风险识别模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果,并通过所述待训练的风险识别模型中的第二输出层输出对所述风控样本的综合识别结果;
根据所述综合识别结果和所述综合风险标注,确定综合梯度;
针对每种风险类型,根据所述待训练的风险识别模型输出该风险类型的风险识别结果和所述原始标注,确定该风险类型对应的梯度,确定该风险类型对应的梯度和综合梯度之间的夹角的大小,并判断该风险类型对应的梯度与所述综合梯度之间的夹角的大小是否大于90°,若夹角大于90°则确定该风险类型对应的梯度和综合梯度存在冲突,将该风险类型对应的梯度与所述综合梯度不冲突的梯度分量,重新作为该风险类型对应的梯度;
根据确定出的各风险类型分别对应的梯度,确定所述待训练的风险识别模型的梯度;
根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型,得到交易事件的风险识别模型。
2.如权利要求1所述的方法,根据所述风控样本对应于各风险类型的原始标注和预设的规则,确定所述风控样本的综合风险标注,具体包括:
针对每一个风控样本,当该风控样本对应于各风险类型的原始标注的原始标注为无风险时,确定该风控样本对应的交易事件的各参与用户;
判断第一指定时段内是否对任一所述参与用户执行过第一指定交易事件;
若是,则将该风控样本的综合风险标注设置为有风险;
若否,将该风控样本的综合风险标注设置为无风险。
3.如权利要求2所述的方法,在将该风控样本的综合风险标注设置为无风险之前,所述方法还包括:
判断第二指定时段内所述各参与用户之间是否执行过第二指定交易事件;
若是,则该风控样本的综合风险标注设置为无风险;
若否,则确定该风控样本为灰样本,不采用该风控样本训练所述待训练的风险识别模型。
4.如权利要求1所述的方法,判断该风险类型对应的梯度与所述综合梯度之间的夹角的大小是否大于90°,若夹角大于90°则确定该风险类型对应的梯度和综合梯度存在冲突,将该风险类型对应的梯度与所述综合梯度不冲突的梯度分量作为该风险类型对应的梯度,具体包括:
确定该风险类型对应的梯度和所述综合梯度之间的余弦值;
判断所述余弦值是否小于零,若是,确定该风险类型对应的梯度与所述综合梯度之间的夹角大于90°,该风险类型对应的梯度和综合梯度存在冲突,并确定该风险类型对应的梯度在所述综合梯度的法线方向上的分量,作为该风险类型对应的梯度。
5.如权利要求1所述的方法,所述待训练的风险识别模型还包括特征提取层;
根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型,得到风险识别模型,具体包括:
根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型中所述多个第一输出层、所述第二输出层以及特征提取层,直到满足第一训练结束条件,得到第一模型;
将所述风控样本输入到所述第一模型,根据所述第一模型中第二输出层输出对所述风控样本的综合识别结果和所述综合风险标注,确定所述综合梯度,以及根据所述第一模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果和所述原始标注,确定各风险类型分别对应的梯度;
根据各风险类型分别对应的梯度和所述综合梯度,确定所述第一模型的梯度;
根据所述第一模型的梯度,在保留所述第一模型的特征提取层的参数的基础上,更新所述第一模型的各第一输出层以及所述第二输出层,得到风险识别模型。
6.如权利要求5所述的方法,根据各风险类别分别对应的梯度和所述综合梯度,确定所述第一模型的梯度,具体包括:
针对确定出的每一个风险类型对应的梯度,确定该风险类型对应的梯度在所述综合梯度的法线方向上投影得到的分量,作为第一分量梯度;
根据确定出的各第一分量梯度,确定所述第一模型的梯度。
7.如权利要求1所述的方法,所述待训练的风险识别模型还包括特征提取层;
根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型,得到风险识别模型,具体包括:
根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型中所述多个第一输出层、所述第二输出层以及特征提取层,直到满足第二训练结束条件,得到第二模型;
将所述风控样本输入到所述第二模型,根据所述第二模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果和所述原始标注,确定各风险类型分别对应的梯度;
针对各风险类型,根据该风险类型对应的梯度,在保留所述第二模型的特征提取层的参数和除该风险类型之外的其他风险类型的第一输出层的参数的基础上,更新该风险类型的第一输出层,得到风险识别模型。
8.如权利要求1所述的方法,所述方法还包括:
响应于用户发起的待执行交易事件;
将所述待执行交易事件输入训练得到的所述风险识别模型,得到所述待执行交易事件对应于各风险类型的风险识别结果;
根据得到的各风险识别结果,对所述待执行交易事件进行风控。
9.一种模型训练的装置,待训练的风险识别模型包括多个第一输出层,每个第一输出层用于输出不同风险类型的风险识别结果,所述待训练的风险识别模型还包括第二输出层,所述第二输出层用于输出综合识别结果;所述装置包括:
获取模块,用于获取交易事件的风控样本以及所述交易事件的风控样本对应于各风险类型的原始标注;
确定模块,用于根据所述风控样本对应于各风险类型的原始标注和预设的规则,确定所述风控样本的综合风险标注,其中,将存在任一种类型的风险的交易事件,作为训练风险识别模型的风控样本;
结果模块,用于将所述风控样本输入到所述待训练的风险识别模型,通过所述待训练的风险识别模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果,并通过所述待训练的风险识别模型中的第二输出层输出对所述风控样本的综合识别结果;
第一梯度模块,用于根据所述综合识别结果和所述综合风险标注,确定综合梯度;
第二梯度模块,用于针对每种风险类型,根据所述待训练的风险识别模型输出该风险类型的风险识别结果和所述原始标注,确定该风险类型对应的梯度,确定该风险类型对应的梯度和综合梯度之间的夹角的大小,并判断该风险类型对应的梯度与所述综合梯度之间的夹角的大小是否大于90°,若夹角大于90°则确定该风险类型对应的梯度和综合梯度存在冲突,将该风险类型对应的梯度与所述综合梯度不冲突的梯度分量,重新作为该风险类型对应的梯度;
第三梯度模块,用于根据确定出的各风险类型分别对应的梯度,确定所述待训练的风险识别模型的梯度;
更新模块,用于根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型,得到交易事件的风险识别模型。
10.如权利要求9所述的装置,所述确定模块具体用于,针对每一个风控样本,当该风控样本对应于各风险类型的原始标注的原始标注为无风险时,确定该风控样本对应的交易事件的各参与用户;判断第一指定时段内是否对任一所述参与用户执行过第一指定交易事件;若是,则将该风控样本的综合风险标注设置为有风险;若否,将该风控样本的综合风险标注设置为无风险。
11.如权利要求10所述的装置,所述确定模块,在将该风控样本的综合风险标注设置为无风险之前,还用于判断第二指定时段内所述各参与用户之间是否执行过第二指定交易事件;若是,则该风控样本的综合风险标注设置为无风险;若否,则确定该风控样本为灰样本,不采用该风控样本训练所述待训练的风险识别模型。
12.如权利要求9所述的装置,所述第二梯度模块具体用于,确定该风险类型对应的梯度和所述综合梯度之间的夹角的大小是否大于90°,若夹角大于90°则确定该风险类型对应的梯度和综合梯度存在冲突,该风险类型对应的梯度和所述综合梯度之间的余弦值;判断所述余弦值是否小于零,若是,确定该风险类型对应的梯度与所述综合梯度之间的夹角大于90°,该风险类型对应的梯度和综合梯度存在冲突,并确定该风险类型对应的梯度在所述综合梯度的法线方向上的分量,作为该风险类型对应的梯度。
13.如权利要求9所述的装置,所述待训练的风险识别模型包括特征提取层;
所述更新模块具体用于,根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型中所述多个第一输出层、所述第二输出层以及特征提取层,直到满足第一训练结束条件,得到第一模型;将所述风控样本输入到所述第一模型,根据所述第一模型中第二输出层输出对所述风控样本的综合识别结果和所述综合风险标注,确定所述综合梯度,以及根据所述第一模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果和所述原始标注,确定各风险类型分别对应的梯度;根据各风险类型分别对应的梯度和所述综合梯度,确定所述第一模型的梯度;根据所述第一模型的梯度,在保留所述第一模型的特征提取层的参数的基础上,更新所述第一模型的各第一输出层以及所述第二输出层,得到风险识别模型。
14.如权利要求13所述的装置,所述更新模块具体用于,针对确定出的每一个风险类型对应的梯度,确定该风险类型对应的梯度在所述综合梯度的法线方向上投影得到的分量,作为第一分量梯度;根据确定出的各第一分量梯度,确定所述第一模型的梯度。
15.如权利要求9所述的装置,所述待训练的风险识别模型包括特征提取层;
所述更新模块具体用于,根据所述待训练的风险识别模型的梯度,更新所述待训练的风险识别模型中所述多个第一输出层、所述第二输出层以及特征提取层,直到满足第二训练结束条件,得到第二模型;将所述风控样本输入到所述第二模型,根据所述第二模型中所述多个第一输出层输出所述风控样本对应于各风险类型的风险识别结果和所述原始标注,确定各风险类型分别对应的梯度;针对各风险类型,根据该风险类型对应的梯度,在保留所述第二模型的特征提取层的参数和除该风险类型之外的其他风险类型的第一输出层的参数的基础上,更新该风险类型的第一输出层,得到风险识别模型。
16.如权利要求9所述的装置,所述装置还包括:
使用模块,用于响应于用户发起的待执行交易事件;将所述待执行交易事件输入训练得到的所述风险识别模型,得到所述待执行交易事件对应于各风险类型的风险识别结果;根据得到的各风险识别结果,对所述待执行交易事件进行风控。
17.一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1~8任一项所述的方法。
18.一种电子设备,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1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310299829.5A CN116028820B (zh) | 2023-03-20 | 2023-03-20 | 一种模型训练的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310299829.5A CN116028820B (zh) | 2023-03-20 | 2023-03-20 | 一种模型训练的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116028820A CN116028820A (zh) | 2023-04-28 |
CN116028820B true CN116028820B (zh) | 2023-07-04 |
Family
ID=86074256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310299829.5A Active CN116028820B (zh) | 2023-03-20 | 2023-03-20 | 一种模型训练的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116028820B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401914A (zh) * | 2020-04-02 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 风险评估模型的训练、风险评估方法及装置 |
CN111553488A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 一种针对用户行为的风险识别模型训练方法及系统 |
CN113313575A (zh) * | 2021-06-08 | 2021-08-27 | 支付宝(杭州)信息技术有限公司 | 一种风险识别模型的确定方法及装置 |
WO2021213250A1 (zh) * | 2020-04-24 | 2021-10-28 | 支付宝(杭州)信息技术有限公司 | 安全业务交易 |
CN113643119A (zh) * | 2021-07-19 | 2021-11-12 | 北京三快在线科技有限公司 | 一种模型训练的方法、业务风控的方法及装置 |
WO2021247448A1 (en) * | 2020-06-01 | 2021-12-09 | Intel Corporation | Federated learning optimizations |
CN114861829A (zh) * | 2022-06-02 | 2022-08-05 | 深圳前海微众银行股份有限公司 | 特征提取模型的训练方法、装置、设备、介质及程序产品 |
WO2022236059A1 (en) * | 2021-05-07 | 2022-11-10 | Redkik Oy | Risk probability assessment for cargo shipment operations and methods of use thereof |
CN115329337A (zh) * | 2022-07-08 | 2022-11-11 | 广州大学 | 一种学习过程中模型梯度泄露输入信息的风险评估方法 |
CN115345296A (zh) * | 2022-08-12 | 2022-11-15 | 支付宝(杭州)信息技术有限公司 | 多任务模型的训练方法及装置 |
CN115563366A (zh) * | 2022-09-22 | 2023-01-03 | 北京三快在线科技有限公司 | 一种模型训练和数据分析的方法、装置、存储介质及设备 |
CN115600106A (zh) * | 2022-10-18 | 2023-01-13 | 支付宝(杭州)信息技术有限公司(Cn) | 一种风险识别模型的训练方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102602117B1 (ko) * | 2017-10-26 | 2023-11-13 | 매직 립, 인코포레이티드 | 딥 멀티태스크 네트워크들에서 적응적 손실 밸런싱을 위한 그라디언트 정규화 시스템들 및 방법들 |
-
2023
- 2023-03-20 CN CN202310299829.5A patent/CN116028820B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401914A (zh) * | 2020-04-02 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 风险评估模型的训练、风险评估方法及装置 |
WO2021213250A1 (zh) * | 2020-04-24 | 2021-10-28 | 支付宝(杭州)信息技术有限公司 | 安全业务交易 |
WO2021247448A1 (en) * | 2020-06-01 | 2021-12-09 | Intel Corporation | Federated learning optimizations |
CN111553488A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 一种针对用户行为的风险识别模型训练方法及系统 |
WO2022236059A1 (en) * | 2021-05-07 | 2022-11-10 | Redkik Oy | Risk probability assessment for cargo shipment operations and methods of use thereof |
CN113313575A (zh) * | 2021-06-08 | 2021-08-27 | 支付宝(杭州)信息技术有限公司 | 一种风险识别模型的确定方法及装置 |
CN113643119A (zh) * | 2021-07-19 | 2021-11-12 | 北京三快在线科技有限公司 | 一种模型训练的方法、业务风控的方法及装置 |
CN114861829A (zh) * | 2022-06-02 | 2022-08-05 | 深圳前海微众银行股份有限公司 | 特征提取模型的训练方法、装置、设备、介质及程序产品 |
CN115329337A (zh) * | 2022-07-08 | 2022-11-11 | 广州大学 | 一种学习过程中模型梯度泄露输入信息的风险评估方法 |
CN115345296A (zh) * | 2022-08-12 | 2022-11-15 | 支付宝(杭州)信息技术有限公司 | 多任务模型的训练方法及装置 |
CN115563366A (zh) * | 2022-09-22 | 2023-01-03 | 北京三快在线科技有限公司 | 一种模型训练和数据分析的方法、装置、存储介质及设备 |
CN115600106A (zh) * | 2022-10-18 | 2023-01-13 | 支付宝(杭州)信息技术有限公司(Cn) | 一种风险识别模型的训练方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Posterior probability and collaborative filtering based Heterogeneous Recommendations model for user/item Application in use case of IoVT;Tao Hai 等;《Computers and Electrical Engineering》;第105卷;1-27 * |
网络入侵检测及网络交易异常检测技术研究;阴梓然;《中国优秀硕士学位论文全文数据库 信息科技辑》;第2021年卷(第2期);I139-154 * |
Also Published As
Publication number | Publication date |
---|---|
CN116028820A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111238450B (zh) | 视觉定位方法及装置 | |
CN110032857B (zh) | 账户的注册、可信设备的识别方法及装置 | |
CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN115238826B (zh) | 一种模型训练的方法、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 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN117093862A (zh) | 一种模型训练的方法、装置、电子设备及存储介质 | |
CN116028820B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN116861976A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN111967769B (zh) | 一种风险识别方法、装置、设备及介质 | |
CN115018866A (zh) | 一种边界确定方法、装置、存储介质及电子设备 | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
CN115017905A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN111967767A (zh) | 一种业务风险识别方法、装置、设备及介质 | |
CN111539961A (zh) | 一种目标分割方法、装置以及设备 | |
CN115862675B (zh) | 一种情感识别方法、装置、设备及存储介质 | |
CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
CN116821193B (zh) | 一种基于代理模型近似处理的推理查询优化方法及装置 | |
CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 | |
CN118229294A (zh) | 一种风控的方法、装置、存储介质及电子设备 | |
CN117876114A (zh) | 一种业务执行和模型训练的方法及装置 | |
CN117312847A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117079274A (zh) | 一种识别模型的训练方法、装置、存储介质及电子设备 | |
CN117313739A (zh) | 一种语言模型的训练方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |