CN117251730A - 一种风控模型的预训练方法、装置、存储介质及电子设备 - Google Patents

一种风控模型的预训练方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN117251730A
CN117251730A CN202311176867.8A CN202311176867A CN117251730A CN 117251730 A CN117251730 A CN 117251730A CN 202311176867 A CN202311176867 A CN 202311176867A CN 117251730 A CN117251730 A CN 117251730A
Authority
CN
China
Prior art keywords
coding
wind control
loss
coding end
training
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.)
Pending
Application number
CN202311176867.8A
Other languages
English (en)
Inventor
欧建永
赵文龙
董迹海
马博群
刘腾飞
张天翼
宋博文
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 CN202311176867.8A priority Critical patent/CN117251730A/zh
Publication of CN117251730A publication Critical patent/CN117251730A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Accounting & Taxation (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Feedback Control In General (AREA)

Abstract

本说明书公开了一种风控模型的预训练方法、装置、存储介质及电子设备，在对风控模型进行预训练时，可获取风控样本，将风控样本分别输入待训练的风控模型的各编码端，得到各编码端输出的各编码结果。根据各编码结果和预训练任务，确定各编码端对应的损失，根据确定出的各编码端对应的损失，确定各编码端的损失权重。根据各编码端的损失权重，对各编码端对应的损失进行加权，得到最终损失，根据最终损失，对待训练的风控模型中的各编码端进行训练。在对风控模型进行多任务预训练时，根据每个任务对应的编码端的损失，确定各编码端损失的权重，从而得到最终损失，平衡了训练风控模型时各训练任务的损失收敛速度，使得各训练任务可在相同时刻收敛。

Description

一种风控模型的预训练方法、装置、存储介质及电子设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种风控模型的预训练方法、装置、存储介质及电子设备。
背景技术
随着科技的发展，隐私数据日益受到大众的关注，人工智能技术飞速发展，机器学习技术得到广泛的应用。
在风控领域，在对某平台的用户进行风控时，可根据用户的个人信息以及交易信息等，对用户进行风险分析，并基于分析结果对用户进行风控。通常用户对应的风险的种类较多，如：账户盗用风险、非法资金风险等，并且由于随着时间的推移还会出现一些其他新的种类的风险，因此为了避免在每次出现新种类的风险时重新训练模型，在风控领域，可先将用户的结构化数据作为样本，对模型进行预训练得到通用风控模型，并在后续可根据实际应用的下游业务以及出现的新的种类的风险等对模型进行微调训练，从而降低训练成本。
在对风控模型进行预训练的过程中，可同时基于多种训练任务对风控模型进行预训练，如：掩码学习任务、对比学习任务等等。然而，不同的训练任务的收敛速度也即训练完成的时间是不同的，因此在对风控模型进行多任务训练时，如何平衡多个任务的收敛速度，使得各训练任务的训练完成时间一致是一个重点问题。
基于此，本申请说明书提供了一种风控模型的预训练方法。
发明内容
本说明书提供一种风控模型的预训练方法、装置、存储介质及电子设备，以至少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：
本说明书提供了一种风控模型的预训练方法，所述方法用于训练风控模型中的编码端，所述风控模型包括多个编码端，以及与所述多个编码端均相连的预测层，所述多个编码端用于基于不同的编码方式对风控样本进行编码得到编码结果，所述预测层用于基于多个编码端的编码结果得到风控结果；所述方法包括：
获取风控样本；
将所述风控样本分别输入待训练的风控模型的各编码端，得到各编码端输出的编码结果；
针对每个编码端，根据该编码端对应的编码结果以及该编码端对应的预训练任务，确定该编码端对应的损失；
根据确定出的各编码端对应的损失，确定各编码端的损失权重；
根据各编码端的损失权重，对各编码端对应的损失进行加权，得到最终损失；
根据所述最终损失，对所述待训练的风控模型中的各编码端进行训练。
可选地，确定各编码端的损失权重，具体包括：
针对每个编码端，确定该编码端对应的损失变化率；
根据确定出的各编码端对应的损失变化率，确定该编码端的损失权重，其中，所述损失变化率与所述损失权重呈正相关。
可选地，确定该编码端对应的损失变化率，具体包括：
在对该编码端进行迭代训练的过程中，针对每轮迭代训练，确定该编码端在上轮迭代训练中的损失与上两轮迭代训练中的损失的比值；
将所述比值作为该编码端对应的在该轮迭代训练中的损失变化率。
可选地，确定该编码端的损失权重，具体包括：
确定各编码端对应的损失变化率的和；
根据该编码端对应的损失变化率以及确定出的各编码端对应的损失变化率的和，确定该编码端的损失权重。
可选地，根据各编码端的损失权重，对各编码端对应的损失进行加权，得到最终损失，具体包括：
针对每个编码端，根据预设的经验参数以及该编码端对应的损失权重，对该编码端对应的损失进行加权，得到该编码端对应的加权损失；
确定得到的各编码端对应的加权损失的和；
将确定出的各编码端对应的加权损失的和作为最终损失。
可选地，所述风控模型包括第一编码端；
将所述风控样本分别输入所述待训练的风控模型的各编码端，得到各编码端输出的各编码结果，具体包括：
通过掩膜对所述风控样本进行处理，并将处理后的风控样本输入所述待训练的风控模型的第一编码端，得到所述第一编码端输出的第一编码结果；
根据该编码端对应的编码结果以及该编码端对应的预训练任务，确定该编码端对应的损失，具体包括：
将所述第一编码结果输入解码端，得到所述解码端输出的将所述处理后的风控样本进行还原的还原结果；
根据所述还原结果与所述风控样本之间的差异，确定所述第一编码端对应的第一损失。
可选地，所述风控模型包括第二编码端；
将所述风控样本分别输入所述待训练的风控模型的各编码端，得到各编码端输出的各编码结果，具体包括：
针对每个风控样本，确定与该风控样本增广样本；
将该风控样本以及该风控样本的增广样本作为正样本，输入所述待训练的风控模型的第二编码端，得到所述第二编码端输出的所述正样本对应的第二编码结果；
将除该风控样本的其他风控样本作为负样本，输入所述待训练的风控模型的第二编码端，得到所述第二编码端输出的所述负样本对应的第三编码结果；
根据该编码端对应的编码结果以及该编码端对应的预训练任务，确定该编码端对应的损失，具体包括：
根据所述正样本对应的第二编码结果以及所述负样本对应的第三编码结果，确定所述第二编码端对应的第二损失。
可选地，确定与该风控样本相关的增广样本，具体包括：
确定该风控样本中分词的平行语料分词；
使用所述平行语料分词替换该风控样本中的分词，将替换分词后的风控样本作为该风控样本的增广样本。
可选地，所述方法还包括：
获取用户的用户数据，其中，所述用户数据至少包括用户的交易信息；
将所述用户数据作为样本数据，并获取所述样本数据对应的风控标签；
将所述样本数据分别输入预训练后的风控模型的多个编码端，得到样本数据对应的各编码结果；
将所述样本数据对应的各编码结果进行特征融合，并输入所述预测层，得到所述预训练后的风控模型输出的第一风控结果；
根据所述第一风控结果以及所述风控标签，对所述预训练后的风控模型进行训练，得到训练完成的风控模型。
可选地，所述方法还包括：
获取用户的用户数据，其中，所述用户数据至少包括用户的交易信息；
将所述用户数据分别输入训练完成的风控模型的多个编码端，得到所述用户数据对应的各编码结果；
将所述用户数据对应的各编码结果进行特征融合，并输入所述预测层，得到所述训练完成的风控模型输出的第二风控结果；
根据所述第二风控结果对所述用户进行风控。
本说明书提供了一种风控模型的预训练装置，所述装置用于训练风控模型中的编码端，所述风控模型包括多个编码端，以及与所述多个编码端均相连的预测层，所述多个编码端用于基于不同的编码方式对风控样本进行编码得到编码结果，所述预测层用于基于多个编码端的编码结果得到风控结果；所述装置具体包括：
获取模块，用于获取风控样本；
编码模块，用于将所述风控样本分别输入待训练的风控模型的各编码端，得到各编码端输出的编码结果；
损失确定模块，用于针对每个编码端，根据该编码端对应的编码结果以及该编码端对应的预训练任务，确定该编码端对应的损失；
权重确定模块，用于根据确定出的各编码端对应的损失，确定各编码端的损失权重；
加权模块，用于根据各编码端的损失权重，对各编码端对应的损失进行加权，得到最终损失；
训练模块，用于根据所述最终损失，对所述待训练的风控模型中的各编码端进行训练。
可选地，所述权重确定模块具体用于，针对每个编码端，确定该编码端对应的损失变化率；根据确定出的各编码端对应的损失变化率，确定该编码端的损失权重，其中，所述损失变化率与所述损失权重呈正相关。
可选地，所述权重确定模块具体用于，在对该编码端进行迭代训练的过程中，针对每轮迭代训练，确定该编码端在上轮迭代训练中的损失与上两轮迭代训练中的损失的比值；将所述比值作为该编码端对应的在该轮迭代训练中的损失变化率。
可选地，所述权重确定模块具体用于，确定各编码端对应的损失变化率的和；根据该编码端对应的损失变化率以及确定出的各编码端对应的损失变化率的和，确定该编码端的损失权重。
可选地，所述加权模块具体用于，针对每个编码端，根据预设的经验参数以及该编码端对应的损失权重，对该编码端对应的损失进行加权，得到该编码端对应的加权损失；确定得到的各编码端对应的加权损失的和；将确定出的各编码端对应的加权损失的和作为最终损失。
可选地，所述风控模型包括第一编码端；
所述编码模块具体用于，通过掩膜对所述风控样本进行处理，并将处理后的风控样本输入所述待训练的风控模型的第一编码端，得到所述第一编码端输出的第一编码结果；
所述损失确定模块具体用于，将所述第一编码结果输入解码端，得到所述解码端输出的将所述处理后的风控样本进行还原的还原结果；根据所述还原结果与所述风控样本之间的差异，确定所述第一编码端对应的第一损失。
可选地，所述风控模型包括第二编码端；
所述编码模块具体用于，针对每个风控样本，确定与该风控样本相关的增广样本；将该风控样本以及该风控样本的增广样本作为正样本，输入所述待训练的风控模型的第二编码端，得到所述第二编码端输出的所述正样本对应的第二编码结果；将除该风控样本的其他风控样本作为负样本，输入所述待训练的风控模型的第二编码端，得到所述第二编码端输出的所述负样本对应的第三编码结果；
所述损失确定模块具体用于，根据所述正样本对应的第二编码结果以及所述负样本对应的第三编码结果，确定所述第二编码端对应的第二损失。
可选地，所述编码模块具体用于，确定该风控样本中分词的平行语料分词；使用所述平行语料分词替换该风控样本中的分词，将替换分词后的风控样本作为该风控样本的增广样本。
可选地，所述训练模块还用于，获取用户的用户数据，其中，所述用户数据至少包括用户对应的交易事件信息；将所述用户数据作为样本数据，并获取所述用户对应的风险标签；根据所述样本数据以及所述风险标签，对预训练得到的风控模型进行训练，得到训练完成的风控模型。
可选地，所述装置还包括应用模块；
所述应用模块具体用于，获取用户的用户数据，其中，所述用户数据至少包括用户的交易信息；将所述用户数据分别输入训练完成的风控模型的多个编码端，得到所述用户数据对应的各编码结果；将所述用户数据对应的各编码结果进行特征融合，并输入所述预测层，得到所述训练完成的风控模型输出的第二风控结果；根据所述第二风控结果对所述用户进行风控。
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一种风控模型的预训练方法。
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风控模型的预训练方法。
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：
在本说明书提供的风控模型的预训练方法中可以看出，在对风控模型进行预训练的过程中，先获取风控样本，将风控样本分别输入待训练的风控模型的各编码端，得到各编码端输出的各编码结果。然后根据各编码结果以及各编码端对应的预训练任务，确定各编码端对应的损失，并根据确定出的各编码端对应的损失，确定各编码端的损失权重。最后，根据各编码端的损失权重，对各编码端对应的损失进行加权，得到最终损失，并根据最终损失，对待训练的风控模型中的各编码端进行训练。在对风控模型进行多任务预训练时，根据每个任务对应的编码端的损失，确定各编码端损失的权重，从而得到最终损失，平衡了训练风控模型时各训练任务的损失收敛速度，使得各训练任务可在相同时刻收敛，提高多任务训练的效率。
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为本说明书中一种风控模型的预训练方法的流程示意图；
图2为本说明书提供的一种风控模型的结构示意图；
图3为本说明书提供的一种风控模型的结构示意图；
图4为本说明书提供的一种风控模型的预训练装置示意图；
图5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申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书提供的一种风控模型的预训练方法的流程示意图，具体可包括以下步骤：
S100：获取风控样本。
S102：将所述风控样本分别输入待训练的风控模型的各编码端，得到各编码端输出的编码结果。
S104：针对每个编码端，根据该编码端对应的编码结果以及该编码端对应的预训练任务，确定该编码端对应的损失。
执行本说明书技术方案的执行主体可为任何具备计算能力的设备(如：服务器、终端等)。
在本说明书中，首先，该计算设备可获取风控样本。该风控样本可为用户，如可为用户在风控系统或者风控平台中的账号、设备号等等，更具体的可为用户对应的用户数据，该用户数据可为用户的交易信息、个人信息等等，进一步用户的交易信息可包括交易时间、交易金额、交易双方信息等等，个人信息可包括用户的年龄、性别等等，也即该风控样本具体可为用户的多维度的信息数据，包括：用户的交易信息、个人信息、其他行为信息等等。进一步的，该风控样本是结构化数据，也即用户数据是结构化数据如表格等。
如图2所示，为本申请说明书提供的一种风控模型的结构示意图，则在本说明书中，风控模型中有多个编码端，以及与该多个编码端均相连的预测层，该多个编码端用于基于不同的编码方式对风控样本进行编码得到编码结果，该预测层用于基于多个编码端的编码结果得到风控结果。需要说明的是，本说明书提供的方法应用于基于多个训练任务同时对风控模型进行训练的过程中，也即基于至少两个训练任务，该多个训练任务为预训练任务，如掩码学习，对比学习等等，也即应用于预训练多任务风控模型，具体为训练风控模型中的编码端。
则该计算设备可将风控样本分别输入待训练的风控模型的各编码端，在本说明书的一个或多个实施例中，在预训练风控模型的过程中，可设置两个预训练任务，即掩码学习任务以及对比学习任务，在掩码学习任务中包括特征重建任务以及mask预测，其中，掩码学习任务通过产生mask掩码对部分特征进行掩盖，也即对风控样本进行掩膜处理，进而特征重建可还原也即可重建被掩盖的数据并预测当前位置是否被掩盖，对比学习任务可通过数据增广得到增广样本或者特征增广得到增广特征，从而得到正负样本以进行对比学习。
则在本说明书的一个或多个实施例中，该风控模型中包括第一编码端以及第二编码端，该第一编码端对应的预训练任务可为掩码学习任务，该第二编码端对应的预训练任务可为对比学习任务。则该计算设备可通过掩膜对风控样本进行处理，并将处理后的风控样本输入待训练的风控模型中的第一编码端，得到第一编码结果。同时，该计算设备可针对每个风控样本，确定与该风控样本相关的增广样本，也即对风控样本进行数据增强处理，并将该风控样本以及该风控样本的增广样本作为正样本，将除该风控样本的其他样本作为负样本，分别输入待训练的风控模型的第二编码端，得到正样本对应的第二编码结果以及负样本对应的第三编码结果。进而该计算设备可将第一编码结果输入解码端，也即对第一编码结果进行特征重建，得到解码端输出的对处理后的风控样本进行还原的还原结果，并可基于还原结果以及风控样本之间的差异，确定第一编码端对应的第一损失，以及根据正样本对应的第二编码结果以及第三编码结果，确定第二编码端对应的第二损失。
其中，在确定风控样本的增广样本时，可确定风控样本中的分词的平行语料分词，并进行替换，如风控样本为：用户A，交易时间：2023年1月7日，交易金额：50000元，则可使用英文、俄文等等，对风控样本中的中文分词进行替换，当然也可确定分词的近义词或者确定分词的其他的不同表示方式并进行替换，如上述风控样本中50000元，可为伍万元、五万元等等。
此外，如图3所示，为本说明书提供的一种风控模型的结构示意图，即在本说明书的一个或多个实施例中，该风控模型可还包括特征提取层，且该特征提取层用于对风控样本进行特征提取，以将提取到的特征输入编码端。则该计算设备可将风控样本输入该特征提取层，得到样本特征，并可将该样本特征分别输入风控模型中的编码端。则在将风控样本分别输入待训练的风控模型的各编码端，得到各编码端输出的各编码结果时，该计算设备可针对每个样本特征，确定该样本特征的增广特征，并将该样本特征以及该样本特征的增广特征作为正样本输入第二编码端。确定该样本特征的增广特征时，可将该样本特征进行矩阵变换，将变换后的该样本特征作为该样本特征的增广特征，或者将该样本特征进行掩码处理，将掩码处理后的该样本特征作为该样本特征的增广特征，从而基于该样本特征以及该样本特征的增广特征进行对比学习任务。
S106：根据确定出的各编码端对应的损失，确定各编码端的损失权重。
然后，该计算设备可根据确定出的各编码端对应的损失，确定各编码端的损失权重。对于多任务训练而言，在训练的过程中，风控模型学习不同训练任务时的难易程度是不同的，也即各训练任务对应的损失的收敛速度是不同的，因此为了平衡各任务，以使得各训练任务以相近的步骤进行收敛或者说是在相近的时刻进行收敛，该计算设备可基于各训练任务也即各编码端对应的损失确定各编码端的损失权重。
具体的，该计算设备可针对每个编码端，确定该编码端对应的损失变化率，并根据各编码端对应的损失变化率，确定该编码端的损失权重。在确定该编码端对应的损失变化率时，该计算设备可在对该编码端进行迭代训练的过程中，针对每轮迭代训练，确定该编码端在上轮迭代训练中的损失与上两轮迭代训练中的损失的比值，将该比值作为该编码端对应的在该轮迭代训练中的损失变化率。公式如下：
其中，i表示当前训练任务，为训练任务i在当前时刻的损失变化率，/>为上轮迭代训练中的损失，/>为上两轮迭代训练中的损失，k为迭代训练的轮次数。当然，该k也可为不同batch的训练样本，则在确定损失变化率时，可基于不同batch的训练样本确定损失变化率，也即针对每个风控样本集合，确定该编码端对应的基于上一个风控样本集合得到的损失与基于上上个风控样本集合得到的损失的比值，将该比值作为该编码端对应的损失变化率，则/>为基于上一个风控样本集合得到的损失，/>基于上上个风控样本集合得到的损失。
此外，由于损失的变化率表征训练任务的收敛程度，也即损失变化率越大，表明当前时刻该训练任务未趋于收敛，该损失变化率越小，表明当前时刻该训练任务趋于收敛，因此，相对而言，在当前时刻损失变化率大的训练任务对于风控模型而言是较难学习的，损失变化率较小的训练任务对于风控模型而言是较容易学习的，则给损失变化率较大的损失分配的损失权重应当较大，给损失变化率较小的损失分配的损失权重应当较小，也即在本说明书中，损失变化率与损失权重呈正相关。
具体的，在本说明书中，该计算设备可确定各编码端对应的损失变化率的和，进而针对每个编码端，根据该编码端对应的损失变化率以及确定出的各编码端对应的损失变化率的和，确定该编码端的损失权重。如下公式所示：
其中，表示训练任务i在当前时刻的损失权重，T为超参数，可用于不同训练任务之间的/>的差异程度，n为训练任务的总个数。
则在本说明书的一个或多个实施例中，该计算设备可确定风控模型的掩码学习任务对应的第一编码端的第一损失变化率，以及确定该风控模型的对比学习任务对应的第二编码端的第二损失变化率，进而可基于第一损失变化率与第二损失变化率，确定各训练任务对应的损失权重。
S108：根据各编码端的损失权重，对各编码端对应的损失进行加权，得到最终损失。
S110：根据所述最终损失，对所述待训练的风控模型中的各编码端进行训练。
最后，该计算设备可根据各编码端的损失权重，对各编码端对应的损失进行加权，得到最终损失。具体为针对每个编码端，根据预设的经验参数以及该编码端对应的损失权重，对该编码端对应的损失进行加权，得到该编码端对应的加权损失，并确定得到的各编码端对应的加权损失的和，从而可将确定出的各编码端对应的加权损失的和作为最终损失。如下公式：
其中，loss为最终损失，n为训练任务的总个数，lossi为第i个训练任务的损失，bi为第i个训练任务的损失权重，ai为预设的经验参数，作为训练任务的损失权重中的一部分以用于平衡不同训练任务对应的损失之间的量纲差异，默认情况下可设为1。
基于图1所示的风控模型的预训练方法，在对风控模型进行预训练的过程中，先获取风控样本，将风控样本分别输入待训练的风控模型的各编码端，得到各编码端输出的各编码结果。然后根据各编码结果以及风控样本，确定各编码端对应的损失，并根据确定出的各编码端对应的损失，确定各编码端的损失权重。最后，根据各编码端的损失权重，对各编码端对应的损失进行加权，得到最终损失，并根据最终损失，对待训练的风控模型中的各编码端进行训练。在对风控模型进行多任务预训练时，根据每个任务对应的编码端的损失，确定各编码端损失的权重，从而得到最终损失，平衡了训练风控模型时各训练任务的损失收敛速度，使得各训练任务可在相同时刻收敛，提高多任务训练的效率。
进一步的，在本说明书中，该计算设备还可获取用户的用户数据，将用户数据作为样本数据，并获取样本数据对应的风控标签，将所述样本数据分别输入预训练后的风控模型的多个编码端，得到样本数据对应的各编码结果。然后，将样本数据对应的各编码结果进行特征融合，并输入预测层，得到预训练后的风控模型输出的第一风控结果，并根据第一风控结果以及风控标签，对预训练后的风控模型进行训练，得到训练完成的风控模型。其中，该用户数据可为用户的交易信息。
需要说明的是，在对预训练后的风控模型进行训练时，可只对风控模型中的预测层进行训练，也可对编码端以及预测层同时进行训练。
在本说明书的一个或多个实施例中，预训练完成的风控模型可应用于分析用户的风险等级，以对用户进行风控，则该风控模型具体可为风险等级分类模型。则该计算设备可获取用户的用户数据，并将该用户数据作为样本用户，以及确定用户对应的风险标签，并根据样本用户以及样本用户对应的风险标签，对预训练得到的风控模型进行训练，从而得到训练完成的风控模型。
其中，用户数据至少包括用户对应的交易信息，还可包括用户的个人信息等等，也即多维度的用户数据，可与上述步骤S100-S106中的风控样本一致，只是在对预训练完成的风控模型进行训练时，要基于样本的标签对风控模型进行监督训练。该计算设备可获取历史数据中风控人员对用户的风险类型标记，得到各用户对应的各风险类别，也即可基于历史业务数据，得到样本用户以及样本用户对应的风险标签。其中，风险类别总体而言可包括有风险、无风险，当然也可进一步进行细化分类，如一级风险、二级风险等等，也可为账户盗用风险、非法资金风险等等。
更进一步的，训练完成的风控模型可用于对用户进行风控。具体的，该计算设备可先获取用户的用户数据，该用户数据至少包括用户的交易信息。然后将用户数据分别输入训练完成的风控模型的多个编码端，得到用户数据对应的各编码结果，并将用户数据对应的各编码结果进行特征融合，输入预测层，得到训练完成的风控模型输出的第二风控结果。最后根据第二风控结果对用户进行风控。对用户进行风控可包括限制用户的交易次数、交易金额以及冻结用户的账号。
此外，在本说明书的一个或多个实施例中，该风控模型的中的编码端结构可为Transfomer的编码器结构。并且，在对风控模型进行训练的过程中，可通过特征提取层对样本进行特征提取，在Transfomer中该特征是n维的特征，则该计算设备可对该n维特征进行分位数变换，以将整数、浮点数以及类别特征都转换成整数，并作为Transfomer中look upEmbedding查询的下标，进而得到各编码端对应的look up Embedding向量。通常每个特征都可具备单独的lookup Embedding，在本说明书中，可将每个特征的look up Embeddding均设置为一致，以保证风控模型具备足够的学习体量，并且可将分位数的分bin设置较大，以进一步扩大风控模型学习的特征数量。进而可将对特征提取层输出的特征进行处理后的n维Embedding向量，输入到Tramsfomer的编码器中，得到编码结果。
基于上述内容所述的风控模型的预训练方法，本说明书实施例还对应的提供一种用于风控模型的预训练装置示意图，如图4所示。
图4为本说明书实施例提供的一种风控模型的预训练装置的示意图，所述装置包括：
获取模块400，用于获取风控样本；
编码模块402，用于将所述风控样本分别输入待训练的风控模型的各编码端，得到各编码端输出的编码结果；
损失确定模块404，用于针对每个编码端，根据该编码端对应的编码结果以及该编码端对应的预训练任务，确定该编码端对应的损失；
权重确定模块406，用于根据确定出的各编码端对应的损失，确定各编码端的损失权重；
加权模块408，用于根据各编码端的损失权重，对各编码端对应的损失进行加权，得到最终损失；
训练模块410，用于根据所述最终损失，对所述待训练的风控模型中的各编码端进行训练。
可选地，所述权重确定模块406具体用于，针对每个编码端，确定该编码端对应的损失变化率；根据确定出的各编码端对应的损失变化率，确定该编码端的损失权重，其中，所述损失变化率与所述损失权重呈正相关。
可选地，所述权重确定模块406具体用于，在对该编码端进行迭代训练的过程中，针对每轮迭代训练，确定该编码端在上轮迭代训练中的损失与上两轮迭代训练中的损失的比值；将所述比值作为该编码端对应的在该轮迭代训练中的损失变化率。
可选地，所述权重确定模块406具体用于，确定各编码端对应的损失变化率的和；根据该编码端对应的损失变化率以及确定出的各编码端对应的损失变化率的和，确定该编码端的损失权重。
可选地，所述加权模块408具体用于，针对每个编码端，根据预设的经验参数以及该编码端对应的损失权重，对该编码端对应的损失进行加权，得到该编码端对应的加权损失；确定得到的各编码端对应的加权损失的和；将确定出的各编码端对应的加权损失的和作为最终损失。
可选地，所述风控模型包括第一编码端；
所述编码模块402具体用于，通过掩膜对所述风控样本进行处理，并将处理后的风控样本输入所述待训练的风控模型的第一编码端，得到所述第一编码端输出的第一编码结果；
所述损失确定模块404具体用于，将所述第一编码结果输入解码端，得到所述解码端输出的将所述处理后的风控样本进行还原的还原结果；根据所述还原结果与所述风控样本之间的差异，确定所述第一编码端对应的第一损失。
可选地，所述风控模型包括第二编码端；
所述编码模块402具体用于，针对每个风控样本，确定与该风控样本相关的增广样本；将该风控样本以及该风控样本的增广样本作为正样本，输入所述待训练的风控模型的第二编码端，得到所述第二编码端输出的所述正样本对应的第二编码结果；将除该风控样本的其他风控样本作为负样本，输入所述待训练的风控模型的第二编码端，得到所述第二编码端输出的所述负样本对应的第三编码结果；
所述损失确定模块404具体用于，根据所述正样本对应的第二编码结果以及所述负样本对应的第三编码结果，确定所述第二编码端对应的第二损失。
可选地，所述编码模块402具体用于，确定该风控样本中分词的平行语料分词；使用所述平行语料分词替换该风控样本中的分词，将替换分词后的风控样本作为该风控样本的增广样本。
可选地，所述训练模块410还用于，获取用户的用户数据，其中，所述用户数据至少包括用户对应的交易事件信息；将所述用户数据作为样本数据，并获取所述用户对应的风险标签；根据所述样本数据以及所述风险标签，对预训练得到的风控模型进行训练，得到训练完成的风控模型。
可选地，所述装置还包括应用模块412；
所述应用模块412具体用于，获取用户的用户数据，其中，所述用户数据至少包括用户的交易信息；将所述用户数据分别输入训练完成的风控模型的多个编码端，得到所述用户数据对应的各编码结果；将所述用户数据对应的各编码结果进行特征融合，并输入所述预测层，得到所述训练完成的风控模型输出的第二风控结果；根据所述第二风控结果对所述用户进行风控。
本说明书实施例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内容所述的风控模型的预训练方法。
基于上述内容所述的风控模型的预训练方法，本说明书实施例还提出了图5所示的电子设备的示意结构图。如图5，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，以实现上述内容所述的风控模型的预训练方法。
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 (13)

1.一种风控模型的预训练方法，所述方法用于训练风控模型中的编码端，所述风控模型包括多个编码端，以及与所述多个编码端均相连的预测层，所述多个编码端用于基于不同的编码方式对风控样本进行编码得到编码结果，所述预测层用于基于多个编码端的编码结果得到风控结果；所述方法包括：
获取风控样本；
将所述风控样本分别输入待训练的风控模型的各编码端，得到各编码端输出的编码结果；
针对每个编码端，根据该编码端对应的编码结果以及该编码端对应的预训练任务，确定该编码端对应的损失；
根据确定出的各编码端对应的损失，确定各编码端的损失权重；
根据各编码端的损失权重，对各编码端对应的损失进行加权，得到最终损失；
根据所述最终损失，对所述待训练的风控模型中的各编码端进行训练。
2.如权利要求1所述的方法，确定各编码端的损失权重，具体包括：
针对每个编码端，确定该编码端对应的损失变化率；
根据确定出的各编码端对应的损失变化率，确定该编码端的损失权重，其中，所述损失变化率与所述损失权重呈正相关。
3.如权利要求2所述的方法，确定该编码端对应的损失变化率，具体包括：
在对该编码端进行迭代训练的过程中，针对每轮迭代训练，确定该编码端在上轮迭代训练中的损失与上两轮迭代训练中的损失的比值；
将所述比值作为该编码端对应的在该轮迭代训练中的损失变化率。
4.如权利要求2所述的方法，确定该编码端的损失权重，具体包括：
确定各编码端对应的损失变化率的和；
根据该编码端对应的损失变化率以及确定出的各编码端对应的损失变化率的和，确定该编码端的损失权重。
5.如权利要求1所述的方法，根据各编码端的损失权重，对各编码端对应的损失进行加权，得到最终损失，具体包括：
针对每个编码端，根据预设的经验参数以及该编码端对应的损失权重，对该编码端对应的损失进行加权，得到该编码端对应的加权损失；
确定得到的各编码端对应的加权损失的和；
将确定出的各编码端对应的加权损失的和作为最终损失。
6.如权利要求1所述的方法，所述风控模型包括第一编码端；
将所述风控样本分别输入所述待训练的风控模型的各编码端，得到各编码端输出的各编码结果，具体包括：
通过掩膜对所述风控样本进行处理，并将处理后的风控样本输入所述待训练的风控模型的第一编码端，得到所述第一编码端输出的第一编码结果；
根据该编码端对应的编码结果以及该编码端对应的预训练任务，确定该编码端对应的损失，具体包括：
将所述第一编码结果输入解码端，得到所述解码端输出的将所述处理后的风控样本进行还原的还原结果；
根据所述还原结果与所述风控样本之间的差异，确定所述第一编码端对应的第一损失。
7.如权利要求1所述的方法，所述风控模型包括第二编码端；
将所述风控样本分别输入所述待训练的风控模型的各编码端，得到各编码端输出的各编码结果，具体包括：
针对每个风控样本，确定与该风控样本增广样本；
将该风控样本以及该风控样本的增广样本作为正样本，输入所述待训练的风控模型的第二编码端，得到所述第二编码端输出的所述正样本对应的第二编码结果；
将除该风控样本的其他风控样本作为负样本，输入所述待训练的风控模型的第二编码端，得到所述第二编码端输出的所述负样本对应的第三编码结果；
根据该编码端对应的编码结果以及该编码端对应的预训练任务，确定该编码端对应的损失，具体包括：
根据所述正样本对应的第二编码结果以及所述负样本对应的第三编码结果，确定所述第二编码端对应的第二损失。
8.如权利要求7所述的方法，确定与该风控样本相关的增广样本，具体包括：
确定该风控样本中分词的平行语料分词；
使用所述平行语料分词替换该风控样本中的分词，将替换分词后的风控样本作为该风控样本的增广样本。
9.如权利要求1所述的方法，所述方法还包括：
获取用户的用户数据，其中，所述用户数据至少包括用户的交易信息；
将所述用户数据作为样本数据，并获取所述样本数据对应的风控标签；
将所述样本数据分别输入预训练后的风控模型的多个编码端，得到样本数据对应的各编码结果；
将所述样本数据对应的各编码结果进行特征融合，并输入所述预测层，得到所述预训练后的风控模型输出的第一风控结果；
根据所述第一风控结果以及所述风控标签，对所述预训练后的风控模型进行训练，得到训练完成的风控模型。
10.如权利要求1所述的方法，所述方法还包括：
获取用户的用户数据，其中，所述用户数据至少包括用户的交易信息；
将所述用户数据分别输入训练完成的风控模型的多个编码端，得到所述用户数据对应的各编码结果；
将所述用户数据对应的各编码结果进行特征融合，并输入所述预测层，得到所述训练完成的风控模型输出的第二风控结果；
根据所述第二风控结果对所述用户进行风控。
11.一种风控模型的预训练装置，所述装置用于训练风控模型中的编码端，所述风控模型包括多个编码端，以及与所述多个编码端均相连的预测层，所述多个编码端用于基于不同的编码方式对风控样本进行编码得到编码结果，所述预测层用于基于多个编码端的编码结果得到风控结果；所述装置具体包括：
获取模块，用于获取风控样本；
编码模块，用于将所述风控样本分别输入待训练的风控模型的各编码端，得到各编码端输出的编码结果；
损失确定模块，用于针对每个编码端，根据该编码端对应的编码结果以及该编码端对应的预训练任务，确定该编码端对应的损失；
权重确定模块，用于根据确定出的各编码端对应的损失，确定各编码端的损失权重；
加权模块，用于根据各编码端的损失权重，对各编码端对应的损失进行加权，得到最终损失；
训练模块，用于根据所述最终损失，对所述待训练的风控模型中的各编码端进行训练。
12.一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1-10任一所述的方法。
13.一种电子设备，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1-10任一所述的方法。
CN202311176867.8A 2023-09-12 2023-09-12 一种风控模型的预训练方法、装置、存储介质及电子设备 Pending CN117251730A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311176867.8A CN117251730A (zh) 2023-09-12 2023-09-12 一种风控模型的预训练方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311176867.8A CN117251730A (zh) 2023-09-12 2023-09-12 一种风控模型的预训练方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN117251730A true CN117251730A (zh) 2023-12-19

Family

ID=89125757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311176867.8A Pending CN117251730A (zh) 2023-09-12 2023-09-12 一种风控模型的预训练方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN117251730A (zh)

Similar Documents

Publication Publication Date Title
CN116205290B (zh) 一种基于中间特征知识融合的知识蒸馏方法和装置
CN111881973A (zh) 一种样本选择方法、装置、存储介质及电子设备
CN116502176A (zh) 一种语言模型的预训练方法、装置、介质及电子设备
CN111507726B (zh) 一种报文生成方法、装置及设备
CN113887206B (zh) 一种模型训练及关键词提取方法及装置
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
CN117034942B (zh) 一种命名实体识别方法、装置、设备及可读存储介质
CN116578877B (zh) 一种模型训练及二次优化打标的风险识别的方法及装置
CN116308738B (zh) 一种模型训练的方法、业务风控的方法及装置
CN117113174A (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN117036829A (zh) 一种基于原型学习实现标签增强的叶片细粒度识别方法和系统
CN117409466A (zh) 一种基于多标签控制的三维动态表情生成方法及装置
CN115017915B (zh) 一种模型训练、任务执行的方法及装置
CN116824331A (zh) 一种模型训练、图像识别方法、装置、设备及存储介质
CN117251730A (zh) 一种风控模型的预训练方法、装置、存储介质及电子设备
CN117875413B (zh) 一种知识图谱本体中概念构建方法、装置、介质及设备
CN116340469B (zh) 一种同义词挖掘方法、装置、存储介质及电子设备
CN116501852B (zh) 一种可控对话模型训练方法、装置、存储介质及电子设备
CN117494068B (zh) 一种结合深度学习与因果推断的网络舆情分析方法及装置
CN117743824A (zh) 一种模型训练、业务执行方法、装置、存储介质及设备
CN117313739A (zh) 一种语言模型的训练方法、装置、设备及存储介质
CN116756293A (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN116595969A (zh) 一种文本生成的方法、装置、存储介质及电子设备
CN117454247A (zh) 一种模型的训练方法、装置、存储介质及电子设备
CN117593003A (zh) 一种模型训练的方法、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