CN117290724A - 服务处理模型训练方法及装置 - Google Patents

Abstract

本说明书实施例提供了服务处理模型训练方法及装置，其中，一种服务处理模型训练方法包括：根据目标服务的第一服务类型下的服务数据确定第一训练样本；基于第一训练样本，对第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络；将第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络；基于第一训练样本和第二服务类型下的第二训练样本，对基准处理网络和特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型。

Description

服务处理模型训练方法及装置

技术领域

本文件涉及数据处理技术领域，尤其涉及一种服务处理模型训练方法及装置。

背景技术

随着网络技术和通信技术的发展，信息网络成为生活的重要组成部分，越来越多的用户通过线上的方式参与服务方提供的各种服务，用户参与不同的服务的过程中，根据服务的不同，进行服务处理的数据也存在不同；

信息网络的发展，用户基于网络参与服务的频率越来越高，越来越多的服务方向用户提供不同类型的服务，在用户参与不同类型的服务过程中，如何高效的对不同类型下的数据进行处理，如何向用户提供更加高效和更加有效的服务是用户和服务方日益关注的重点。

发明内容

本说明书一个或多个实施例提供了一种服务处理模型训练方法。所述服务处理模型训练方法，包括：根据目标服务的第一服务类型下的服务数据确定第一训练样本。基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络；所述第一处理模型包括基准处理网络和所述初始特征处理网络。将所述第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络。基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型。

本说明书一个或多个实施例提供了一种服务处理方法，包括：获取目标服务的待处理数据；所述待处理数据包括所述目标服务的第一服务类型或者第二服务类型下的待处理数据。将所述待处理数据输入服务处理模型进行服务处理，得到服务处理结果。其中，所述服务处理模型基于所述第一服务类型下的第一训练样本和所述第二服务类型下的第二训练样本，对基准处理网络和特征处理网络构建的待训练服务处理模型进行模型训练得到；所述特征处理网络在对所述第一服务类型下的第一特征处理网络和所述第二服务类型下的第二特征处理网络进行融入处理后得到。

本说明书一个或多个实施例提供了一种服务处理模型训练装置，包括：样本确定模块，被配置为根据目标服务的第一服务类型下的服务数据确定第一训练样本。网络训练模块，被配置为基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络；所述第一处理模型包括基准处理网络和所述初始特征处理网络。融合处理模块，被配置为将所述第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络。模型训练模块，被配置为基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型。

本说明书一个或多个实施例提供了一种服务处理装置，包括：数据获取模块，被配置为获取目标服务的待处理数据；所述待处理数据包括所述目标服务的第一服务类型或者第二服务类型下的待处理数据。服务处理模块，被配置为将所述待处理数据输入服务处理模型进行服务处理，得到服务处理结果。其中，所述服务处理模型基于所述第一服务类型下的第一训练样本和所述第二服务类型下的第二训练样本，对基准处理网络和特征处理网络构建的待训练服务处理模型进行模型训练得到；所述特征处理网络在对所述第一服务类型下的第一特征处理网络和所述第二服务类型下的第二特征处理网络进行融入处理后得到。

本说明书一个或多个实施例提供了一种服务处理模型训练设备，包括：处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：根据目标服务的第一服务类型下的服务数据确定第一训练样本。基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络；所述第一处理模型包括基准处理网络和所述初始特征处理网络。将所述第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络。基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型。

本说明书一个或多个实施例提供了一种服务处理设备，包括：处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：获取目标服务的待处理数据；所述待处理数据包括所述目标服务的第一服务类型或者第二服务类型下的待处理数据。将所述待处理数据输入服务处理模型进行服务处理，得到服务处理结果。其中，所述服务处理模型基于所述第一服务类型下的第一训练样本和所述第二服务类型下的第二训练样本，对基准处理网络和特征处理网络构建的待训练服务处理模型进行模型训练得到；所述特征处理网络在对所述第一服务类型下的第一特征处理网络和所述第二服务类型下的第二特征处理网络进行融入处理后得到。

本说明书一个或多个实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：根据目标服务的第一服务类型下的服务数据确定第一训练样本。基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络；所述第一处理模型包括基准处理网络和所述初始特征处理网络。将所述第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络。基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型。

本说明书一个或多个实施例提供了另一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：获取目标服务的待处理数据；所述待处理数据包括所述目标服务的第一服务类型或者第二服务类型下的待处理数据。将所述待处理数据输入服务处理模型进行服务处理，得到服务处理结果。其中，所述服务处理模型基于所述第一服务类型下的第一训练样本和所述第二服务类型下的第二训练样本，对基准处理网络和特征处理网络构建的待训练服务处理模型进行模型训练得到；所述特征处理网络在对所述第一服务类型下的第一特征处理网络和所述第二服务类型下的第二特征处理网络进行融入处理后得到。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；

图1为本说明书一个或多个实施例提供的一种实施环境的示意图；

图2为本说明书一个或多个实施例提供的一种服务处理模型训练方法处理流程图；

图3为本说明书一个或多个实施例提供的一种融合处理前后的网络示意图；

图4为本说明书一个或多个实施例提供的一种应用于风险识别模型训练场景的服务处理模型训练方法处理流程图；

图5为本说明书一个或多个实施例提供的一种应用于交易检测模型训练场景的服务处理模型训练方法处理流程图；

图6为本说明书一个或多个实施例提供的一种服务处理方法处理流程图；

图7为本说明书一个或多个实施例提供的一种服务处理模型训练装置实施例的示意图；

图8为本说明书一个或多个实施例提供的一种服务处理装置实施例的示意图；

图9为本说明书一个或多个实施例提供的一种服务处理模型训练设备的结构示意图；

图10为本说明书一个或多个实施例提供的一种服务处理设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，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，都应当属于本文件的保护范围。

本说明书一个或多个实施例提供的服务处理模型训练方法，可适用于对服务处理模型进行模型训练这一实施环境，如图1所示，该实施环境至少包括服务器101，基准处理网络102和服务处理模型103；基准处理网络102和服务处理模型可以部署在服务器101上，也可以单独针对基准处理网络102和服务处理模型103分配相应的服务器使基准处理网络102和服务处理模型103部署在各自分配获得的服务器上；

此外，该实施环境还可包括用户终端104，可通过用户终端104进行服务数据的确定和标注，得到训练样本。

其中，服务器101可以是一台或者多台服务器，若干台服务器组成的服务器集群，或者，云计算平台的云服务器，用于对服务处理模型103进行训练以及调用，此外，服务器101还可用于对目标服务的服务数据的生成和管理；用户终端104，可以是智能手机、平板电脑、电子书阅读器、可穿戴设备、基于AR(Augmented Reality，增强现实)/VR(VirtualReality，虚拟现实)进行信息交互的设备等，还可安装有应用程序或者浏览器，通过应用程序或者浏览器与用户交互进行服务数据的确定和标注，也可通过应用程序内的子程序与用户交互进行服务数据的确定和标注。

该实施环境中，服务器101基于第一服务类型下的第一训练样本，对第一服务类型下由基准处理网络和特征处理网络构成的第一处理模型中的初始特征处理网络进行训练，得到目标服务的第一服务类型下的第一特征处理网络，将第一特征处理网络和第二服务类型下的第二特征处理网络进行合并，得到特征处理网络，基于第一服务类型下的第一训练样本和第二服务类型下的第二训练样本，对基准处理网络和特征处理网络构建的服务处理模型进行模型训练，得到训练后的服务处理模型。

本说明书提供的一种服务处理模型训练方法的一个或者多个实施例如下：

本说明书提供的一种服务处理模型训练方法，在对目标服务的各服务类型进行模型训练得到各服务类型下的处理模型后，将各服务类型下的处理模型中的特征处理网络进行融合，得到特征处理网络，基于目标服务的基准处理网络和特征处理网络构建目标服务的服务处理模型，使一个服务仅部署一个模型就实现对不同服务类型的服务处理，进一步，通过各服务类型下的训练样本对构建的服务处理模型进行进一步训练，提升服务处理模型对各服务类型的服务处理的有效性和准确性。

参照图2，本实施例提供的服务处理模型训练方法，具体包括步骤S202至步骤S208。

步骤S202，根据目标服务的第一服务类型下的服务数据确定第一训练样本。

本实施例中，所述目标服务，包括向个人用户或者商户等团组提供的服务；例如风险识别服务、交易服务等。同一个服务，以用户和商户形式参与的过程中，参与的数据可能存在不同，服务的处理方式也可能不同，可见，用户和形式参与目标服务的过程中，目标服务的服务类型不同；

例如，风险识别服务中，对用户的用户名称、身份凭证等信息进行风险识别，对商户的商户证明凭证进行风险识别；此处，对于不同的处理对象采用不同的服务类型进行服务处理；再例如，交易服务中，用户向另一用户进行转账，对用户和另一用户的关系进行核验，用户向另一用户发放权益，则分别对用户和另一用户对权益的权限进行核验，此处，对于不同的服务形式，采用不同的服务类型进行服务处理；本实施例中的第一服务类型和第二服务类型，表示目标服务下不同的服务类型；其中，目标服务的服务类型，可基于参与目标服务的对象进行划分，也可基于目标服务提供的不同服务进行划分，此外，还可基于其他因素进行划分，具体可根据实际场景进行配置，本实施例在此不做限定。

本实施例中目标服务的不同服务类型下的服务获取或者产生的数据为该服务类型下的服务数据。

具体实施时，为了训练能够对第一服务类型下的待处理数据进行服务处理的模型，根据目标服务的第一服务类型下的服务数据确定第一训练样本；例如，将风险识别服务中用户风险识别类型下的用户数据作为样本数据，以及各用户数据对应的风险类别作为样本标签，得到风险识别服务中用户风险识别类型下的训练样本。

步骤S204，基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络。

目标服务中，由于服务类型不同，处理的数据可能不同，但是进行的服务是一致的；例如，无论是对用户进行风险识别还是对商户进行风险识别，都是风险识别；无论是转账还是权益发放，本质上都是资源转移；因此，针对目标服务，可配置基准处理网络，用于进行目标服务的服务处理；由于基准处理网络在一定程度上属于大模型，对于不同的服务类型，每次都对基准处理网络进行训练，会导致一定的资源浪费，且如果仅对大模型进行训练，大模型在学习新的任务后可能会因为遗忘的问题导致大模型在之前的服务类型的服务处理过程中的变现变得很差，因此，在目标服务的基准处理网络的基础上，针对目标服务的不同服务类型，训练各服务类型的进行特征处理的网络。

本实施例中的基准处理网络，是指比较通用的，有比较多的基本知识的大模型，也即是训练好的具有一定的处理能力的大模型；可以是开源大模型，也可以是针对目标服务研发的大模型，还可以是基于开源大模型进行进一步开发的大模型；

本实施例中的初始特征处理网络，是指未经训练的进行特征处理的网络；所述第一特征处理网络，是指基于第一服务类型下的第一训练样本对初始特征处理网络进行训练后得到的第一服务类型下进行特征处理的网络。

本实施例中进行特征处理的网络，包括进行特征编码的网络；例如LoRA(Low-RankAdaptation of Large Language Models，大语言模型的低阶适应)。待处理数据输入特征处理的网络进行特征处理后输入基准处理网络，可使基准处理网络输出的结果更加贴近对应的服务类型的处理要求。需要说明的是，基准处理网络可以包括多个层，特征处理的网络也可以包括多个层，特征处理的网络和基准处理网络可以穿插部署；例如，基准处理网络包括10层，在基准处理网络的第1层后、第4层后和第7层后分别插入特征处理的网络；再例如，在基准处理网络的每一层后插入特征处理的网络，具体的，基准处理网络和特征处理的网络的部署关系可根据实际需求进行配置，本实施例再次不做限定。但需要说明的是，目标服务下，不同服务类型的处理模型中，基准处理网络和初始特征处理网络的部署方式一致。

本实施例中，为了保证对目标服务的第一服务类型下的待处理数据进行服务处理的处理效果，基于第一训练样本，对第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络。可选的，所述第一处理模型包括基准处理网络和所述初始特征处理网络。

具体的，在对第一服务类型下的第一处理模型进行模型训练的过程中，仅仅对第一处理模型中的初始特征处理网络进行训练，避免对基准处理网络进行训练导致基准处理网络对其他服务类型下的待处理数据的处理效果降低。需要说明的是，由于进行主要进行服务处理的是基准处理网络，因此，在对初始特征处理网络进行训练的过程中，依然基于基准处理网络对应的损失函数进行训练损失的计算。

在具体执行过程中，为了避免针对目标服务的各服务类型存储各服务类型下的处理模型，导致目标服务存储的模型太多占用大量的存储空间，在对各服务模型下的处理模型中的初始特征处理网络进行训练，得到各服务类型的特征处理网络后，将各服务类型的特征处理网络进行融合处理，得到目标服务的特征处理网络。

基于此，本实施例提供的第一种可选实施方式中，基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练的过程中，执行如下操作：

将所述第一训练样本中的样本数据输入所述第一处理模型进行服务处理，得到第一服务处理结果；

基于所述第一服务处理结果和所述第一训练样本中的样本标签，计算训练损失；

根据所述训练损失，对所述第一处理模型中的所述初始特征处理网络进行参数调整。

具体的，将第一训练样本中的样本数据输入第一处理模型进行服务处理，得到第一服务处理结果，将第一服务处理结果和第一训练样本中的样本标签输入损失函数进行损失计算，得到训练损失，根据训练损失，对第一处理模型中的初始特征处理网络进行参数调整，直至第一处理模型收敛，得到第一特征处理网络。

也即是，使用基准处理网络和初始特征处理网络相结合的模式，在参数调整的过程中，基准处理网络的参数冻结，仅对初始特征处理网络的参数进行调整。若目标服务仅包含第一服务类型，在对第一服务类型下的第一处理模型中的初始特征处理网络进行训练后，将第一服务类型下的第一处理模型作为目标服务的服务处理模型即可。

本实施例提供的第二种可选实施方式中，采用如下方式实现基于第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络的过程：

基于所述第一训练样本，对所述第一处理模型中的初始特征处理网络中的初始特征输出网络进行训练，得到第一特征输出网络；

根据所述初始特征处理网络中的特征转换网络和所述第一特征输出网络构建所述第一特征处理网络。

具体的，初始特征处理网络可由特征转换网络和特征输出网络构成，在训练的过程中，仅对特征输出网络进行参数调整，基于得到的第一特征输出网络和初始特征处理网络中的特征转换网络构建第一特征输出网络。

可选的，基于所述第一训练样本，对所述第一处理模型中的初始特征处理网络中的初始特征输出网络进行训练，得到第一特征输出网络的过程中，将所属地第一训练样本中的样本数据输入所述第一处理模型进行服务处理，得到第一服务处理结果；基于所述第一服务处理结果和所述第一训练样本中的样本标签，计算训练损失，根据所述训练损失，对所述第一处理模型中的初始特征处理网络中的初始特征输出网络进行参数调整，直至模型收敛，得到所述第一特征输出网络。

也即是，使用基准处理网络、特征转换网络和初始特征输出网络相结合的模式，在参数调整的过程中，基准处理网络和特征转换网络的参数冻结，仅对初始特征输出网络的参数进行调整。

此外，除了上述两种对初始特征处理网络进行训练的方法之外还可以是上述两种方式的结合，例如，在对第一处理模型中的初始特征网络进行训练的过程中，执行如下操作：

将所述第一训练样本中的样本数据输入所述第一处理模型进行服务处理，得到第一服务处理结果；

基于所述第一服务处理结果和所述第一训练样本中的样本标签，计算训练损失；

根据所述训练损失，对所述第一处理模型中的所述初始特征处理网络进行参数调整。

可选的，所述初始特征处理网络由初始特征转换网络和初始特征输出网络构成，对所述第一处理模型中所述初始特征处理网络进行参数调整，直至模型收敛后，得到的第一特征处理网络由第一特征转换网络和第一特征输出网络构成。

步骤S206，将所述第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络。

所述特征处理网络，包括目标服务的进行特征处理的网络。

与上述第一服务类型下的第一处理模型的第一特征处理网络的训练过程类似，本实施例提供的一种可选实施方式中，所述第二特征处理网络，采用如下方式得到：

基于所述第二训练样本，对所述第二处理模型中的初始特征处理网络进行训练，得到所述第二特征处理网络；

其中，所述第二处理模型包括所述基准处理网络和所述初始特征处理网络。

具体实施时，为了节省目标服务占用的存储空间，在得到目标服务的第一服务类型下的第一特征处理网络和第二服务类型下的第二特征处理网络后，将第一特征处理网络和第二特征处理网络进行融合处理，得到目标服务的特征处理网络。

对应于上述两种对初始特征处理网络的训练方式，本实施例中的融合处理包括参数融合和网络合并两种，下述对本实施例提供的两种进行融合处理的方式进行具体说明。

(1)参数融合

对应于上述提供的第一种初始特征处理网络的训练方法，本实施例提供的一种可选实施方式中，采用如下方式实现第一特征处理网络和第二特征处理网络的融合处理：

读取所述第一特征处理网络的第一网络参数，以及所述第二特征处理网络的第二网络参数；

将所述第一网络参数和所述第二网络参数进行参数融合，得到目标网络参数；

基于所述目标网络参数构建所述特征处理网络。

具体的，通过将第一特征处理网络的第一网络参数和第二特征处理网络的第二网络参数进行参数融合，得到目标网络参数，将网络参数为目标网络参数的特征处理网络作为目标服务的特征处理网络。

也即是，将目标服务的各服务类型下的特征处理网络进行融合处理，得到目标服务的特征处理网络；具体的，计算各服务类型下的特征处理网络的网络参数的平均值，作为目标网络参数即可。

如图3中(a)所示，第一特征处理网络和第二特征处理网络进行融合处理后，得到一个特征处理网络。其中，特征处理网络的结构、第一特征处理网络的结构和第二特征处理网络的结构相同。例如，第一特征处理网络包括第一特征转换网络和第一特征输出网络，第二特征处理网络包括第二特征转换网络和第二特征输出网络，则融合处理得到的特征处理网络包括一个特征转换网络和一个特征输出网络。

(2)网络合并

对应与上述提供的第二种初始特征处理网络的训练方法，本实施例提供的一种可选实施方式中，采用如下方式实现第一特征处理网络和第二特征处理网络的融合处理：

将所述第一特征输出网络和所述第二特征处理网络中的第二特征输出网络进行网络合并，得到合并输出网络；

基于所述特征转换网络和所述合并输出网络构建所述特征处理网络。

具体的，由于第一特征输出网络和第二特征输出网络，为了实现网络合并，将第一特征输出网络和第二特征输出网络进行合并，得到合并输出网络，然后基于特征转换网络和合并输出网络构建特征处理网络，得到包括特征转换网络、第一特征处理网络和第二特征处理网络的特征处理网络。

如图3中(b)所示，第一特征处理网络和第二特征处理网络进行融合处理后，得到的特征处理网络包括一个特征转换网络和两个特征输出网络。其中，特征处理网络与第一特征处理网络和第二特征处理网络的结构不同。例如，第一特征处理网络包括第一特征转换网络和第一特征输出网络，第二特征处理网络包括第二特征转换网络和第二特征输出网络，则融合处理得到的特征处理网络包括一个特征转换网络和两个特征输出网络。

除了上述分别进行参数融合和网络合并以实现融合处理之外，还可将参数融合和网络合并进行结合以实现对第一特征处理网络和第二特征处理网络的融合处理；对应于上述结合进行初始特征处理网络的训练的过程，本实施例中，还可基于如下方式进行第一特征处理网络和第二特征处理网络的融合处理：

读取所述第一特征处理网络中第一特征转换网络的第一转换网络参数，以及，读取所述第二特征处理网络中第二特征转换网络的第二转换网络参数；将所述第一转换网络参数和所述第二转换网络参数进行参数融合，得到目标转换网络参数；基于所述目标转换网络参数构建目标特征转换网络；以及，

将所述第一特征处理网络中的第一特征输出网络和所述第二特征处理网络中的第二特征输出网络进行网络合并，得到合并输出网络；

基于所述目标特征转换网络和所述合并输出网络构建所述特征处理网络。

也即是，图3中(b)所示的特征转换网络，在第一特征处理网络中第一特征转换网络与第二特征处理网络中第二特征转换网络一致的情况下，为第一特征转换网络；在第一特征转换网络与第二特征转换网络不一致的情况下，为第一特征转换网络和第二特征转换网络进行融合处理后的特征转换网络。

步骤S208，基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型。

在上述对第一特征处理网络和第二特征处理网络进行融合处理，得到特征处理网络之后，为了实现对目标服务的服务处理，基于基准处理网络和特征处理网络构建服务处理模型，在得到服务处理模型之后，通过第一训练样本和第二服务类型下的第二训练样本，对服务处理模型进行模型训练，得到训练完成的服务处理模型，以对目标服务下的待处理数据进行服务处理，保证服务处理模型在各服务类型下的服务处理效果。

具体实施时，若得到的特征处理网络是参数融合后的特征处理网络，即特征处理网络与第一特征处理网络和第二特征处理网络的结构相同，则在对服务处理模型进行模型训练的过程中，通过第一训练样本和第二训练样本对服务处理模型进行模型训练，使训练得到的服务处理模型同时具备对第一服务类型和第二服务类型下的待处理数据的服务处理能力。

本实施例提供的一种可选实施方式中，基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型的过程中，执行如下操作：

按照预设比例对所述第一训练样本进行采样，得到第一采样样本，以及，按照所述预设比例对所述第二训练样本进行采样，得到第二采样样本；

基于所述第一采样样本和所述第二采样样本，对所述基准处理网络和所述特征处理网络构建的服务处理网络中所述特征处理网络进行训练，得到训练后的服务处理模型。

在具体执行过程中，为了避免由于第一训练样本和第二训练样本的数量太多导致训练时间太长，造成资源浪费，对第一训练样本和第二训练样本进行采样，基于采样得到的训练样本对服务处理模型进行模型训练；为了使训练得到的服务处理模型对第一服务类型和第二服务类型的服务处理的效果接近，按照预设比例对第一训练样本和第二训练样本进行采样，得到第一采样样本和第二采样样本，基于第一采样样本和第二采样样本对服务处理模型进行模型训练。

在对服务处理模型进行模型训练的过程中，依然保持基准处理网络的参数不变，对特征处理网络进行参数调整即可。

在训练得到服务处理模型后，对于目标服务的各服务类型下的待处理数据，通过该服务处理模型进行服务处理，本实施例提供的一种可选实施方式中，还执行如下操作：

获取所述目标服务的待处理数据；所述待处理数据包括所述第一服务类型或者所述第二服务类型下的数据；

将所述待处理数据输入训练得到的服务处理模型进行服务处理，得到服务处理结果。

本实施例提供的另一种可选实施方式中，还可采用如下方式实现基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型：

基于所述第一训练样本，对待训练的服务处理模型中所述第一特征输出网络进行训练，以及，基于所述第二训练样本，对所述待训练的服务处理模型中所述第二特征输出网络进行训练，得到所述服务处理模型。

具体的，在得到的特征处理网络为经过网络合并后得到的特征处理网络的情况下，即特征处理网络与第一特征处理网络和第二特征处理网络的结构不相同，特征处理网络中包括各服务类型的特征输出网络的情况下，在对服务处理模型进行模型训练的过程中，通过第一训练样本对服务处理模型中的第一特征输出网络进行训练，通过第二训练样本对服务处理模型中的第二特征输出网络进行训练，使训练得到的服务处理模型通过各服务类型对应的特征输出网络进行各服务类型的服务处理结果的输出。

除了基于第一训练样本，对待训练的服务处理模型中第一特征输出网络进行训练，以及，基于第二训练样本，对待训练的服务处理模型中第二特征输出网络进行训练之外，还可基于第一训练样本，对待训练的服务处理模型中的特征转换网络和第一特征输出网络进行训练，以及，基于第二训练样本，对待训练的服务处理模型中的特征转换网络和第二特征输出网络进行训练，得到服务处理模型。其中，基于第二训练样本进行训练的可以是经过第一训练样本训练完成的服务处理模型。还需要说明的是，基于第一训练样本和第二训练样本进行模型训练的过程中，无论是上述哪种实现方式，都可按照预设比例对第一训练样本进行采样，得到第一采样样本，以及基于所述预设比例对第二训练样本进行采样，得到第二采样样本，基于所述第一采样样本和所述第二采样样本对待训练的服务处理模型进行模型训练。

本实施例中待训练的服务处理模型，也即是基准处理网络和特征处理网络构建的服务处理模型。

在训练得到包含各服务类型的特征输出网络的服务处理模型后，可基于该服务处理模型对目标服务的各服务类型下的待处理数据进行服务处理，需要说明的是，该服务处理模型中，包括类型划分网络，类型划分网络对待处理数据进行类型划分，得到待处理数据的服务类型后，基于基准处理网络、特征转换网络和服务类型对应的特征输出网络对待处理数据进行服务处理，得到服务处理结果。由于特征转换网络和特征输出网络部署在基准处理网络的不同位置，对于各部署的特征转换网络和特征输出网络，都基于特征转换网络和服务类型对应的特征输出网络进行处理，并输出之后的网络即可。本实施例以特征处理网络部署在基准处理网络之前，对服务处理的过程进行具体说明。本实施例提供的一种可选实施方式中，得到训练后的服务处理模型后，将所述目标服务的待处理数据输入训练得到的服务处理模型进行服务处理，得到服务处理结果；

其中，所述服务处理，包括：

对所述待处理数据进行类型划分，得到所述待处理数据的服务类型；

将所述待处理数据输入训练得到的特征转换网络进行特征转换，得到转换特征；

将所述转换特征输入所述服务类型对应的特征输出网络进行输出计算，得到输出特征；

将所述输出特征输入所述基准处理网络进行特征处理，得到服务处理结果。

具体的，首先类型划分网络对待处理数据进行类型划分，得到待处理数据的服务类型；然后特征转换网络对待处理数据进行特征转换，得到转换特征，服务类型对应的特征输出网络对转换特征进行输出计算，得到输出特征，基准处理网络对输出特征进行特征处理，得到服务处理结果。

需要说明的是，本实施例中的待处理数据，可以是用户信息、商户信息、交易信息等服务参与过程中获取或者产生的数据。

综上所述，本实施例提供的服务处理模型训练方法，根据目标服务的各服务类型下的服务数据确定各服务类型下的训练样本，基于各服务类型下的训练样本，对各服务类型下的处理模型中的初始特征处理网络进行训练，得到各服务类型的特征处理网络，将各服务类型的特征处理网络进行融合处理，得到目标服务的特征处理网络，基于目标服务的基准处理网络和特征处理网络构建服务处理模型，为了使获得的服务处理模型同时对各服务类型下的待处理数据进行服务处理，基于各服务类型下的训练样本，对服务处理模型进行模型训练，得到训练后的服务处理模型，以对目标服务的各服务类型下的待处理数据进行服务处理。

下述以本实施例提供的一种服务处理模型训练方法在风险识别模型训练场景的应用为例，对本实施例提供的服务处理模型训练方法进行进一步说明，参见图4，应用于风险识别模型训练场景的服务处理模型训练方法，具体包括如下步骤。

步骤S402，根据风险识别服务的用户风险识别类型下的用户数据确定用户训练样本。

步骤S404，基于用户训练样本，对用户风险识别类型下的用户风险识别模型中的初始特征处理网络进行训练，得到用户特征处理网络。

可选的，用户风险识别模型包括风险识别网络和初始特征处理网络。

步骤S406，读取风险识别服务的商户风险识别类型下的商户风险识别模型中的商户特征处理网络。

可选的，商户风险识别模型为在用户风险识别模型训练之前采用上述方式类似的过程训练得到的。

步骤S408，将用户特征处理网络的网络参数和商户特征处理网络的网络参数进行参数融合，得到目标网络参数。

步骤S410，基于目标网络参数构建特征处理网络，并基于风险识别网络和特征处理网络构建初始风险识别模型。

可选的，初始风险识别模型与用户风险识别模型和商户风险识别模型的模型结构一致。

步骤S412，对用户训练样本进行采样，得到用户采样样本，以及对商户训练样本进行采样，得到商户采样样本。

步骤S414，基于用户采样样本和商户采样样本对初始风险识别模型中的特征处理网络进行训练，得到风险识别模型。

进一步，在得到风险识别模型后，若获取到待识别用户数据，将待识别用户数据输入风险识别模型进行风险识别，得到用户风险识别结果；若获取到待识别商户数据，将待识别商户数据输入风险识别模型进行风险识别，得到商户风险识别结果。

下述以本实施例提供的一种服务处理模型训练方法在交易检测模型训练场景的应用为例，对本实施例提供的服务处理模型训练方法进行进一步说明，参见图5，应用于交易检测模型训练场景的服务处理模型训练方法，具体包括如下步骤。

步骤S502，根据交易检测服务的转账检测类型下的转账数据确定转账训练样本。

步骤S504，基于转账训练样本，对转账检测类型下的转账检测模型中的初始特征处理网络进行训练，得到转账特征处理网络。

可选的，转账检测模型包括交易检测网络和初始特征处理网络。

步骤S506，读取交易检测服务的支付检测类型下的支付检测模型中的支付特征处理网络。

可选的，支付检测模型为转账检测模型训练之前采用上述方式类似的过程训练得到的。

步骤S508，将支付特征处理网络和转账特征处理网络进行网络合并，得到合并处理网络。

步骤S510，基于交易检测网络和合并处理网络构建初始交易检测模型。

可选的，初始交易检测模型的合并处理网络中包含转账特征处理网络和支付特征处理网络。

步骤S512，对转账训练样本进行采样，得到转账采样样本，以及对支付训练样本进行采样，得到支付采样样本。

步骤S514，基于转账采样样本对初始交易检测模型中的转账特征处理网络进行训练，以及，基于支付采样样本对初始交易检测模型中的支付特征处理网络进行训练，得到交易检测模型。

进一步，在得到交易检测模型之后，若获取到待检测转账数据，将待检测转账数据输出交易检测模型进行交易检测，得到交易准入或者不准入的检测结果。

其中，交易检测包括：

交易检测网络中的类型划分层对待检测转账数据进行类型划分，得到转账检测类型；

基于交易检测网络中的其他层和转账检测类型对应的转账特征处理网络进行转账检测，得到转账检测结果。

本说明书提供的一种服务处理方法的一个或者多个实施例如下：

本实施例提供的服务处理方法中的相关内容，与上述实施例提供的服务处理模型训练方法的相关内容类似，阅读本实施例请参照上述实施例的相关内容或者对上述实施例的相关内容进行适应性修改即可，本实施例在此不做赘述。

参照图6，本实施例提供的服务处理方法，具体包括步骤S602至步骤S604。

步骤S602，获取目标服务的待处理数据。

可选的，所述待处理数据包括所述目标服务的第一服务类型或者第二服务类型下的待处理数据。

步骤S604，将所述待处理数据输入服务处理模型进行服务处理，得到服务处理结果。

可选的，所述服务处理模型基于所述第一服务类型下的第一训练样本和所述第二服务类型下的第二训练样本，对基准处理网络和特征处理网络构建的待训练服务处理模型进行模型训练得到；所述特征处理网络在对所述第一服务类型下的第一特征处理网络和所述第二服务类型下的第二特征处理网络进行融入处理后得到。

本实施例提供的一种可选实施方式中，所述服务处理，包括：

将所述待处理数据输入特征转换网络进行特征转换，得到转换特征；

将所述转换特征输入特征输出网络进行输出计算，得到输出特征；

将所述输出特征输入所述基准处理网络进行特征处理，得到服务处理结果。

本实施例提供的另一种可选实施方式中，所述服务处理，包括：

对所述待处理数据进行类型划分，得到所述待处理数据的服务类型；

将所述待处理数据输入特征转换网络进行特征转换，得到转换特征；

将所述转换特征输入所述服务类型对应的特征输出网络进行输出计算，得到输出特征；

将所述输出特征输入所述基准处理网络进行特征处理，得到服务处理结果。

本说明书提供的一种服务处理模型训练装置的一个或者多个实施例如下：

在上述的实施例中，提供了一种服务处理模型训练方法，与之相对应的，还提供了一种服务处理模型训练装置，下面结合附图进行说明。

参照图7，其示出了本实施例提供的一种服务处理模型训练装置实施例的示意图。

由于装置实施例对应于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。

本实施例提供一种服务处理模型训练装置，包括：

样本确定模块702，被配置为根据目标服务的第一服务类型下的服务数据确定第一训练样本；

网络训练模块704，被配置为基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络；所述第一处理模型包括基准处理网络和所述初始特征处理网络；

融合处理模块706，被配置为将所述第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络；

模型训练模块708，被配置为基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型。

本说明书提供的一种服务处理装置的一个或者多个实施例如下：

在上述的实施例中，提供了一种服务处理方法，与之相对应的，还提供了一种服务处理装置，下面结合附图进行说明。

参照图8，其示出了本实施例提供的一种服务处理装置实施例的示意图。

由于装置实施例对应于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。

本实施例提供一种服务处理装置，包括：

数据获取模块802，被配置为获取目标服务的待处理数据；所述待处理数据包括所述目标服务的第一服务类型或者第二服务类型下的待处理数据；

服务处理模块804，被配置为将所述待处理数据输入服务处理模型进行服务处理，得到服务处理结果；

其中，所述服务处理模型基于所述第一服务类型下的第一训练样本和所述第二服务类型下的第二训练样本，对基准处理网络和特征处理网络构建的待训练服务处理模型进行模型训练得到；所述特征处理网络在对所述第一服务类型下的第一特征处理网络和所述第二服务类型下的第二特征处理网络进行融入处理后得到。

本说明书提供的一种服务处理模型训练设备的一个或者多个实施例如下：

对应上述描述的一种服务处理模型训练方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种服务处理模型训练设备，该服务处理模型训练设备用于执行上述提供的服务处理模型训练方法，图9为本说明书一个或多个实施例提供的一种服务处理模型训练设备的结构示意图。

本实施例提供的一种服务处理模型训练设备，包括：

如图9所示，服务处理模型训练设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器901和存储器902，存储器902中可以存储有一个或一个以上存储应用程序或数据。其中，存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括服务处理模型训练设备中的一系列计算机可执行指令。更进一步地，处理器901可以设置为与存储器902通信，在服务处理模型训练设备上执行存储器902中的一系列计算机可执行指令。服务处理模型训练设备还可以包括一个或一个以上电源903，一个或一个以上有线或无线网络接口904，一个或一个以上输入/输出接口905，一个或一个以上键盘906等。

在一个具体的实施例中，服务处理模型训练设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对服务处理模型训练设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

根据目标服务的第一服务类型下的服务数据确定第一训练样本；

基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络；所述第一处理模型包括基准处理网络和所述初始特征处理网络；

将所述第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络；

基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型。

本说明书提供的一种服务处理设备的一个或者多个实施例如下：

对应上述描述的一种服务处理方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种服务处理设备，该服务处理设备用于执行上述提供的服务处理方法，图10为本说明书一个或多个实施例提供的一种服务处理设备的结构示意图。

本实施例提供的一种服务处理设备，包括：

如图10所示，服务处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器1001和存储器1002，存储器1002中可以存储有一个或一个以上存储应用程序或数据。其中，存储器1002可以是短暂存储或持久存储。存储在存储器1002的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括服务处理设备中的一系列计算机可执行指令。更进一步地，处理器1001可以设置为与存储器1002通信，在服务处理设备上执行存储器1002中的一系列计算机可执行指令。服务处理设备还可以包括一个或一个以上电源1003，一个或一个以上有线或无线网络接口1004，一个或一个以上输入/输出接口1005，一个或一个以上键盘1006等。

在一个具体的实施例中，服务处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对服务处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取目标服务的待处理数据；所述待处理数据包括所述目标服务的第一服务类型或者第二服务类型下的待处理数据；

将所述待处理数据输入服务处理模型进行服务处理，得到服务处理结果；

其中，所述服务处理模型基于所述第一服务类型下的第一训练样本和所述第二服务类型下的第二训练样本，对基准处理网络和特征处理网络构建的待训练服务处理模型进行模型训练得到；所述特征处理网络在对所述第一服务类型下的第一特征处理网络和所述第二服务类型下的第二特征处理网络进行融入处理后得到。

本说明书提供的一种存储介质的一个或者多个实施例如下：

对应上述描述的一种服务处理模型训练方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种存储介质。

本实施例提供的存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：

根据目标服务的第一服务类型下的服务数据确定第一训练样本；

基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络；所述第一处理模型包括基准处理网络和所述初始特征处理网络；

将所述第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络；

基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型。

需要说明的是，本说明书中关于存储介质的实施例与本说明书中关于服务处理模型训练方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应方法的实施，重复之处不再赘述。

本说明书提供的另一种存储介质的一个或者多个实施例如下：

对应上述描述的一种服务处理方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种存储介质。

本实施例提供的存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：

获取目标服务的待处理数据；所述待处理数据包括所述目标服务的第一服务类型或者第二服务类型下的待处理数据；

将所述待处理数据输入服务处理模型进行服务处理，得到服务处理结果；

其中，所述服务处理模型基于所述第一服务类型下的第一训练样本和所述第二服务类型下的第二训练样本，对基准处理网络和特征处理网络构建的待训练服务处理模型进行模型训练得到；所述特征处理网络在对所述第一服务类型下的第一特征处理网络和所述第二服务类型下的第二特征处理网络进行融入处理后得到。

需要说明的是，本说明书中关于存储介质的实施例与本说明书中关于服务处理方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应方法的实施，重复之处不再赘述。

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或者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，比如装置实施例、设备实施例和存储介质实施例，三者均相似于方法实施例，所以描述地比较简单，阅读装置实施例、设备实施例和存储介质实施例中的相关内容请参照方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪30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，在实施本说明书实施例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，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例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。

本说明书一个或多个实施例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的一个或多个实施例，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。

以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。

Claims (17)

1.一种服务处理模型训练方法，包括：

根据目标服务的第一服务类型下的服务数据确定第一训练样本；

基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络；所述第一处理模型包括基准处理网络和所述初始特征处理网络；

将所述第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络；

基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型。

2.根据权利要求1所述的方法，所述基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，包括：

将所述第一训练样本中的样本数据输入所述第一处理模型进行服务处理，得到第一服务处理结果；

基于所述第一服务处理结果和所述第一训练样本中的样本标签，计算训练损失；

根据所述训练损失，对所述第一处理模型中的所述初始特征处理网络进行参数调整。

3.根据权利要求1所述的方法，所述将所述第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络，包括：

读取所述第一特征处理网络的第一网络参数，以及所述第二特征处理网络的第二网络参数；

将所述第一网络参数和所述第二网络参数进行参数融合，得到目标网络参数；

基于所述目标网络参数构建所述特征处理网络。

4.根据权利要求1所述的方法，所述第二特征处理网络，采用如下方式得到：

基于所述第二训练样本，对所述第二处理模型中的初始特征处理网络进行训练，得到所述第二特征处理网络；

其中，所述第二处理模型包括所述基准处理网络和所述初始特征处理网络。

5.根据权利要求1所述的方法，所述基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型，包括：

按照预设比例对所述第一训练样本进行采样，得到第一采样样本，以及，按照所述预设比例对所述第二训练样本进行采样，得到第二采样样本；

基于所述第一采样样本和所述第二采样样本，对所述基准处理网络和所述特征处理网络构建的服务处理网络中所述特征处理网络进行训练，得到训练后的服务处理模型。

6.根据权利要求1所述的方法，还包括：

获取所述目标服务的待处理数据；所述待处理数据包括所述第一服务类型或者所述第二服务类型下的数据；

将所述待处理数据输入训练得到的服务处理模型进行服务处理，得到服务处理结果。

7.根据权利要求1所述的方法，所述基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络，包括：

基于所述第一训练样本，对所述第一处理模型中的初始特征处理网络中的初始特征输出网络进行训练，得到第一特征输出网络；

根据所述初始特征处理网络中的特征转换网络和所述第一特征输出网络构建所述第一特征处理网络。

8.根据权利要求7所述的方法，所述将所述第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络，包括：

将所述第一特征输出网络和所述第二特征处理网络中的第二特征输出网络进行网络合并，得到合并输出网络；

基于所述特征转换网络和所述合并输出网络构建所述特征处理网络。

9.根据权利要求8所述的方法，所述基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型，包括：

基于所述第一训练样本，对待训练的服务处理模型中所述第一特征输出网络进行训练，以及，基于所述第二训练样本，对所述待训练的服务处理模型中所述第二特征输出网络进行训练，得到服务处理模型。

10.根据权利要求9所述的方法，还包括：

将所述目标服务的待处理数据输入训练得到的服务处理模型进行服务处理，得到服务处理结果；

其中，所述服务处理，包括：

对所述待处理数据进行类型划分，得到所述待处理数据的服务类型；

将所述待处理数据输入训练得到的特征转换网络进行特征转换，得到转换特征；

将所述转换特征输入所述服务类型对应的特征输出网络进行输出计算，得到输出特征；

将所述输出特征输入所述基准处理网络进行特征处理，得到服务处理结果。

11.一种服务处理方法，包括：

获取目标服务的待处理数据；所述待处理数据包括所述目标服务的第一服务类型或者第二服务类型下的待处理数据；

将所述待处理数据输入服务处理模型进行服务处理，得到服务处理结果；

其中，所述服务处理模型基于所述第一服务类型下的第一训练样本和所述第二服务类型下的第二训练样本，对基准处理网络和特征处理网络构建的待训练服务处理模型进行模型训练得到；所述特征处理网络在对所述第一服务类型下的第一特征处理网络和所述第二服务类型下的第二特征处理网络进行融入处理后得到。

12.根据权利要求11所述的方法，所述服务处理，包括：

将所述待处理数据输入特征转换网络进行特征转换，得到转换特征；

将所述转换特征输入特征输出网络进行输出计算，得到输出特征；

将所述输出特征输入所述基准处理网络进行特征处理，得到服务处理结果。

13.根据权利要求11所述的方法，所述服务处理，包括：

对所述待处理数据进行类型划分，得到所述待处理数据的服务类型；

将所述待处理数据输入特征转换网络进行特征转换，得到转换特征；

将所述转换特征输入所述服务类型对应的特征输出网络进行输出计算，得到输出特征；

将所述输出特征输入所述基准处理网络进行特征处理，得到服务处理结果。

14.一种服务处理模型训练装置，包括：

样本确定模块，被配置为根据目标服务的第一服务类型下的服务数据确定第一训练样本；

网络训练模块，被配置为基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络；所述第一处理模型包括基准处理网络和所述初始特征处理网络；

融合处理模块，被配置为将所述第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络；

模型训练模块，被配置为基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型。

15.一种服务处理装置，包括：

数据获取模块，被配置为获取目标服务的待处理数据；所述待处理数据包括所述目标服务的第一服务类型或者第二服务类型下的待处理数据；

服务处理模块，被配置为将所述待处理数据输入服务处理模型进行服务处理，得到服务处理结果；

其中，所述服务处理模型基于所述第一服务类型下的第一训练样本和所述第二服务类型下的第二训练样本，对基准处理网络和特征处理网络构建的待训练服务处理模型进行模型训练得到；所述特征处理网络在对所述第一服务类型下的第一特征处理网络和所述第二服务类型下的第二特征处理网络进行融入处理后得到。

16.一种服务处理模型训练设备，包括：

处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：

根据目标服务的第一服务类型下的服务数据确定第一训练样本；

基于所述第一训练样本，对所述第一服务类型下的第一处理模型中的初始特征处理网络进行训练，得到第一特征处理网络；所述第一处理模型包括基准处理网络和所述初始特征处理网络；

将所述第一特征处理网络和第二服务类型下的第二处理模型中的第二特征处理网络进行融合处理，得到特征处理网络；

基于所述第一训练样本和所述第二服务类型下的第二训练样本，对所述基准处理网络和所述特征处理网络构建的服务处理模型进行模型训练，得到服务处理模型。

17.一种服务处理设备，包括：

处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：

获取目标服务的待处理数据；所述待处理数据包括所述目标服务的第一服务类型或者第二服务类型下的待处理数据；

将所述待处理数据输入服务处理模型进行服务处理，得到服务处理结果；

其中，所述服务处理模型基于所述第一服务类型下的第一训练样本和所述第二服务类型下的第二训练样本，对基准处理网络和特征处理网络构建的待训练服务处理模型进行模型训练得到；所述特征处理网络在对所述第一服务类型下的第一特征处理网络和所述第二服务类型下的第二特征处理网络进行融入处理后得到。