CN117312847A - 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
- CN117312847A CN117312847A CN202311146762.8A CN202311146762A CN117312847A CN 117312847 A CN117312847 A CN 117312847A CN 202311146762 A CN202311146762 A CN 202311146762A CN 117312847 A CN117312847 A CN 117312847A
- Authority
- CN
- China
- Prior art keywords
- training sample
- feature
- risk
- determining
- user
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 415
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012954 risk control Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003999 initiator Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种模型训练的方法、装置、存储介质和电子设备，所述方法包括：针对各训练样本，确定该训练样本中指定类型的数据为指定数据，并将指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征。将该训练样本中所有类型的数据输入待训练的风险识别模型的第二编码层，确定该训练样本的第二特征。以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对待训练的风险识别模型中第二编码层的模型参数进行调整。通过第一特征指导第二编码层对训练样本进行特征提取，更好地表征用户存在的风险，提高识别结果准确性。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种模型训练的方法、装置、存储介质及电子设备。
背景技术
随着信息科技的发展，为用户执行业务提供支持的服务提供方越来越多，例如，提供支付功能的服务提供方。同时，隐私数据的安全也受到了广泛的关注。
目前，用户在使用服务提供方提供的功能执行业务的过程中，可能出现违规行为。故服务提供方需要对用户执行的业务进行风险识别，确定用户执行的业务是否存在风险。例如，用户在使用服务提供方提供的支付工具进行支付的过程中，服务提供方需要对用户使用支付工具发生的交易事件进行风险识别，确定该笔交易事件是否存在风险。因此，如何训练模型以确定用户执行的业务是否存在风险是一个非常重要的问题。
基于此，本说明书提供一种模型训练的方法。
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，包括：
确定历史上各用户的交易事件作为各训练样本；
针对每一个训练样本，确定该训练样本中指定类型的数据为指定数据；
将该训练样本对应的指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征；将该训练样本中所有类型的数据输入所述待训练的风险识别模型的第二编码层，确定该训练样本的第二特征；
以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整。
可选地，所述指定数据至少为交易设备标识、交易物品名以及交易工具标识中的两种；
确定该训练样本中指定类型的数据为指定数据，具体包括：
确定该训练样本中各指定类型的数据为各指定数据
将该训练样本对应的指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征，具体包括：
将该训练样本对应的各指定数据进行拼接，得到该训练样本对应的文本；
将该训练样本对应的文本输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征。
可选地，所述待训练的风险识别模型还包括识别层；
以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整，具体包括：
以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整；
将历史上所述各用户的交易事件对应的风险情况作为所述各训练样本对应的标注；
将所述各训练样本的第二特征输入所述待训练的风险识别模型的识别层，确定所述各训练样本对应的识别结果；
以各识别结果与各标注之间的差异最小为目标，至少对所述第二编码层的模型参数进行调整。
可选地，所述方法还包括：
确定待识别的用户的交易事件；
将所述交易事件输入训练完成的第二编码层，确定所述交易事件的第二特征；
将所述第二特征输入训练完成的识别层，确定所述待识别的用户的风险情况；
根据所述风险情况，对所述待识别的用户进行风险控制。
可选地，所述方法还包括：
确定待识别的用户的交易事件；
将所述交易事件输入训练完成的第二编码层，确定所述交易事件的第二特征；
在预先构建的检索库中，确定与所述第二特征之间的距离在指定范围内的第三特征；
确定所述第三特征对应的用户的风险情况，并作为所述待识别的用户的风险情况；
根据所述待识别的用户的风险情况，对所述待识别的用户进行风险控制。
可选地，所述方法还包括：
确定待识别的用户的交易事件；
将所述交易事件输入训练完成的风险识别模型中的第二编码层，确定所述交易事件的第二特征；
在预先构建的检索库中，确定与所述第二特征之间的距离在指定范围内的第三特征；
确定所述第三特征对应的用户的风险情况，并作为所述待识别的用户的风险情况；
根据所述待识别的用户的风险情况，对所述待识别的用户进行风险控制。
可选地，以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整，具体包括：
将该训练样本的第一特征与该训练样本的第二特征作为第一组合，将该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征作为第二组合；
以各第一组合内的特征之间的距离最小和以各第二组合内的特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整。
本说明书提供了一种模型训练的装置，包括：
第一确定模块，用于确定历史上各用户的交易事件作为各训练样本；
第二确定模块，用于针对每一个训练样本，确定该训练样本中指定类型的数据为指定数据；
特征提取模块，用于将该训练样本对应的指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征；将该训练样本中所有类型的数据输入所述待训练的风险识别模型的第二编码层，确定该训练样本的第二特征；
训练模块，用于以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整。
可选地，所述指定数据至少为交易设备标识、交易物品名以及交易工具标识中的两种；
所述第二确定模块具体用于，确定该训练样本中各指定类型的数据为各指定数据
所述特征提取模块具体用于，将该训练样本对应的各指定数据进行拼接，得到该训练样本对应的文本；将该训练样本对应的文本输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征。
可选地，所述待训练的风险识别模型还包括识别层；
所述训练模块具体用于，以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整；将历史上所述各用户的交易事件对应的风险情况作为所述各训练样本对应的标注；将所述各训练样本的第二特征输入所述待训练的风险识别模型的识别层，确定所述各训练样本对应的识别结果；以各识别结果与各标注之间的差异最小为目标，至少对所述第二编码层的模型参数进行调整。
可选地，所述装置还包括：
应用模块，用于确定待识别的用户的交易事件；将所述交易事件输入训练完成的第二编码层，确定所述交易事件的第二特征；将所述第二特征输入训练完成的识别层，确定所述待识别的用户的风险情况；根据所述风险情况，对所述待识别的用户进行风险控制。
可选地，所述装置还包括：
应用模块，用于确定待识别的用户的交易事件；将所述交易事件输入训练完成的第二编码层，确定所述交易事件的第二特征；在预先构建的检索库中，确定与所述第二特征之间的距离在指定范围内的第三特征；确定所述第三特征对应的用户的风险情况，并作为所述待识别的用户的风险情况；根据所述待识别的用户的风险情况，对所述待识别的用户进行风险控制。
可选地，所述装置还包括：
应用模块，用于确定待识别的用户的交易事件；将所述交易事件输入训练完成的风险识别模型中的第二编码层，确定所述交易事件的第二特征；在预先构建的检索库中，确定与所述第二特征之间的距离在指定范围内的第三特征；确定所述第三特征对应的用户的风险情况，并作为所述待识别的用户的风险情况；根据所述待识别的用户的风险情况，对所述待识别的用户进行风险控制。
可选地，所述训练模块具体用于，将该训练样本的第一特征与该训练样本的第二特征作为第一组合，将该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征作为第二组合；以各第一组合内的特征之间的距离最小和以各第二组合内的特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整。
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方法中，确定历史上各用户的交易事件作为各训练样本。之后，针对每一个训练样本，确定该训练样本中指定类型的数据为指定数据，将该训练样本对应的指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征。以及将该训练样本中所有类型的数据输入待训练的风险识别模型的第二编码层，确定该训练样本的第二特征。之后，以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对待训练的风险识别模型中第二编码层的模型参数进行调整。
从上述方法中可以看出，本方法中，先确定历史上各用户的交易事件作为各训练样本，并针对每一个训练样本，确定该训练样本中指定类型的数据为指定数据，将该训练样本对应的指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征。以及将该训练样本中所有类型的数据输入待训练的风险识别模型的第二编码层，确定该训练样本的第二特征。之后，以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对待训练的风险识别模型中第二编码层的模型参数进行调整。通过各训练样本对应的第一特征，指导第二编码层对各训练样本进行特征提取，使得第二编码层提取到的特征可以更好地表征用户存在的风险，进而根据提取到的特征，对用户进行风险识别，得到的识别结果更加地准确。后续训练完成的风险识别模型可以对待识别的用户进行风险识别，提高了识别结果的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附
图中：
图1为本说明书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的应用的示意图；
图3为本说明书中提供的另一种风险识别模型的应用的示意图；
图4为本说明书中提供的一种模型训练的装置示意图；
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：确定历史上各用户的交易事件作为各训练样本。
在本说明书中，用于训练模型的设备确定历史上用户的各交易事件为各训练样本。其中，上述用于训练模型的设备可以是用于训练模型的服务器，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。历史上用户的交易事件为用户使用服务提供方提供的支付工具进行支付时发生的交易数据，该交易数据通常包括三种类型的数据，即连续类型数据、类别类型数据以及标识类型数据(即id类型数据)，该类别类型数据为具有固定类别的数据，比如用户所在的省份。该标识类型数据为没有固定类别或者类别无法枚举的数据，比如用户所使用的交易设备的标识、交易物品的名称以及用户所使用的交易工具的标识等，该交易工具可以为用于交易所使用的支付工具。
故交易数据可以包括交易发起方信息、交易接收方信息以及交易金额等信息，该交易发起方信息为使用支付工具进行支付的用户的信息，该用户的信息包括用户名称、用户所使用的交易设备标识、交易设备名称、用户所使用的交易工具标识以及用户所进行交易的物品名等信息。交易接收方信息包括作为接收方的用户的信息。
S102：针对每一个训练样本，确定该训练样本中指定类型的数据为指定数据。
服务器可以针对每一个训练样本，确定该训练样本中指定类型的数据为指定数据。其中，指定类型为标识类型(即id类型)，那么指定数据为标识类型数据。由于交易事件中属于标识类型的数据有很多种，故指定数据可以至少为交易设备标识、交易物品名以及交易工具标识中的一种。服务器确定出的指定数据可以采用KV JSON形式进行表示，也就是服务器确定出的指定数据可以为KV JSON形式的文本。例如，服务器从训练样本1中确定出的指定数据为交易设备标识1，那么采用KV JSON形式表示得到的指定数据为{交易设备标识：1}。
另外，当指定数据不仅仅只为一种标识类型的数据时，也就是指定数据至少为交易设备标识、交易物品名以及交易工具标识中的两种时，服务器可以确定该训练样本中各指定类型的数据为各指定数据。
S104：将该训练样本对应的指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征；将该训练样本中所有类型的数据输入所述待训练的风险识别模型的第二编码层，确定该训练样本的第二特征。
S106：以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整。
服务器将该训练样本对应的指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征。同时，将该训练样本中所有类型的数据输入待训练的风险识别模型的第二编码层，确定该训练样本的第二特征。之后，以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对待训练的风险识别模型中第二编码层的模型参数进行调整。其中，待训练的风险识别模型包括第一编码层以及第二编码层，第一编码层用于提取标识类型数据的特征，第二编码层用于提取交易数据(即训练样本中所有类型的数据)的特征，该交易数据包括所有类型的数据，不仅仅包括标识类型数据，还包括连续类型数据以及类别类型数据，具体包括何种类型的数据，本说明书不做具体限定。
在本说明书中，在至少对待训练的风险识别模型中第二编码层进行训练时，服务器可以采用对比学习的训练方式进行训练，每一个训练样本对应的第一特征与第二特征组成正样本对，每一个训练样本对应的第一特征与其他训练样本的第二特征组成负样本对。以正样本对内的特征之间的距离最小和以负样本对内的特征之间的距离最大为目标，至少对待训练的风险识别模型中第二编码层的模型参数进行调整。基于此，上述在以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对待训练的风险识别模型中第二编码层的模型参数进行调整时，服务器可以将该训练样本的第一特征与该训练样本的第二特征作为第一组合，将该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征作为第二组合。之后，以各第一组合内的特征之间的距离最小和以各第二组合内的特征之间的距离最大为目标，至少对待训练的风险识别模型中第二编码层的模型参数进行调整。
例如，用于训练待训练的风险识别模型的训练样本分别为样本1～3，样本1对应的第一特征为特征A，样本1对应的第二特征为特征a。样本2对应的第一特征为特征B，样本2对应的第二特征为特征b，样本3对应的第一特征为特征C，样本3对应的第二特征为特征c。那么正样本对为特征A与特征a、特征B与特征b、特征C与特征c三个正样本对，负样本对为特征A与特征b、特征A与特征c、特征B与特征a、特征B与特征c、特征C与特征a、特征C与特征b六个负样本对。以每一个正样本对内的特征之间(即特征A与特征a之间、特征B与特征b之间、特征C与特征c之间)的距离最小和每一个负样本对内的特征之间(即特征A与特征b之间、特征A与特征c之间、特征B与特征a之间、特征B与特征c之间、特征C与特征a之间、特征C与特征b之间)的距离最大为目标，至少对待训练的风险识别模型中第二编码层的模型参数进行调整。
在本说明书中，对于存在风险的用户往往在标识类型的数据上存在聚集性，也就是大多数存在风险的用户对应的交易数据中的标识类型的数据比较相似，比如多个用户使用同一交易设备进行交易，或者多个用户的交易数据中的交易接收方的为同一个接收方，也就是多个用户将金额汇入同一个交易工具中，那么多个用户对应的交易工具标识是相同的。基于此，在训练风险识别模型时，以基于训练样本中的指定数据得到的第一特征与基于该训练样本中所有类型的数据得到的第二特征之间的距离最小和以该第一特征与基于其他训练样本中所有类型的数据得到的第二特征之间的距离最大为目标，至少对待训练的风险识别模型中第二编码层的模型参数进行调整，使得每一个训练样本的第一特征与第二特征之间的距离越来越近，相似度越来越大，每一个训练样本的第一特征与其他训练样本的第二特征之间的距离越来越远，相似度越来越小。通过将各训练样本的第一特征作为监督信号，指导待训练的风险识别模型中第二编码层对训练样本提取特征，使得提取到的训练样本对应的特征可以更好地表征用户存在的风险，并且根据提取到的特征，对用户进行风险识别，得到的识别结果更加地准确。
另外，在本说明书中，主要是利用第二编码层对训练样本中所有类型的数据进行特征提取，得到第二特征。后续应用时也是利用第二编码层对待识别的用户的交易事件进行特征提取，从而根据提取到的特征，确定待识别的用户是否存在风险。而第一编码层主要是用于提取训练样本中指定数据的第一特征，第一特征用于指导第二编码层进行特征提取。故在上述步骤S106中，服务器在以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标训练模型时，至少要对待训练的风险识别模型中第二编码层的模型参数进行调整，以使得第二编码层可以在第一特征的指导下，更好地进行特征提取。后续在应用的过程中，以训练完成的第二编码层对待识别的用户的交易事件进行特征提取，使得提取到的特征可以更好地表征待识别的用户存在的风险。
基于此，上述第一编码层可以为预先训练的编码层，具体的，服务器可以预先基于文本数据，对第一编码层进行训练。该文本数据可以为通用的文本数据集，该文本数据的格式可以为KV JSON形式的文本，本说明书不做具体限定。并且上述第一编码层可以为任意已有的文本编码器。故当第一编码层为预先训练的编码层时，上述步骤S106中服务器可以以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，仅对待训练的风险识别模型中第二编码层的模型参数进行调整。
另外，上述第一编码层还可以为未进行过训练的编码层，可以在上述步骤S106中与第二编码层一起进行训练。故在上述步骤S106中服务器可以以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，对待训练的风险识别模型中第一编码层的模型参数以及第二编码层的模型参数进行调整。
在本说明书中，由于指定数据可以至少为交易设备标识、交易物品名以及交易工具标识中的两种，上述步骤S102中服务器可以确定出各指定数据，故在上述将该训练样本对应的指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征时，服务器可以将该训练样本对应的各指定数据进行拼接，得到该训练样本对应的文本。之后，将该训练样本对应的文本输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征。其中，各指定数据均为KV JSON形式的文本。例如，服务器从训练样本1中确定出的指定数据为交易设备标识1、交易物品名为名称2以及交易工具标识1，那么将各指定数据进行拼接，得到训练样本对应的文本，该文本为{交易设备标识：1，交易物品名：名称2，交易工具标识：1}。将该文本输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征。
从上述方法中可以看出，本说明书在训练模型时，服务器先确定历史上各用户的交易事件作为各训练样本。之后，针对每一个训练样本，确定该训练样本中指定类型的数据为指定数据，将该训练样本对应的指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征。以及将该训练样本中所有类型的数据输入待训练的风险识别模型的第二编码层，确定该训练样本的第二特征。之后，以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对待训练的风险识别模型中第二编码层的模型参数进行调整。通过各训练样本对应的第一特征，指导第二编码层对各训练样本进行特征提取，使得第二编码层提取到的特征可以更好地表征用户存在的风险，进而根据提取到的特征，对用户进行风险识别，得到的识别结果更加地准确。后续训练完成的风险识别模型可以对待识别的用户进行风险识别，提高了识别结果的准确性。
在本说明书中，上述步骤S100中的训练样本可以为有标注的样本，也可以为无标注的样本。服务器可以仅基于训练样本，至少对待训练的风险识别模型中第二编码层的模型参数进行调整(即训练第二编码层)，并在训练完成时，应用训练完成的第二编码层，对待识别的用户进行风险识别。故在训练完成待训练的风险识别模型中第二编码层之后，如图2所示，图2为本说明书中提供的一种风险识别模型的应用的示意图。服务器可以确定待识别的用户的交易事件，将交易事件输入训练完成的风险识别模型中的第二编码层，确定交易事件的第二特征。之后，在预先构建的检索库中，确定与第二特征之间的距离在指定范围内的第三特征，再第三特征对应的用户的风险情况，并作为待识别的用户的风险情况。根据待识别的用户的风险情况，对待识别的用户进行风险控制。
其中，检索库为服务器预先构建的，该检索库中包括对各用户的交易事件进行特征提取后得到的特征，检索库中包括的特征对应的用户可以为有风险的用户，也可以为无风险的用户。另外，对于用户是否有风险，可以为风控人员基于用户的交易事件进行确定的，也就是风控人员标记的用户是否存在风险。具体的，当交易事件存在风险时，风控人员可以将该交易事件标记为有风险，故该交易事件对应的风险情况为有风险，该交易事件对应的用户存在风险。当交易事件不存在风险时，风控人员将该交易事件标记为无风险，该交易事件对应的风险情况为无风险，该交易事件对应的用户不存在风险。当然，用户是否有风险也可以为任意已有的风控识别体系基于用户的交易事件进行确定，本说明书不作具体限定。当然，有风险的用户具体有何种类型的风险，也可以由风控人员进行标记，还可以由任意已有的风控是把别体系进行确定，本说明书不具体限定。
上述指定范围为预先设置的数值，当检索库中的某一特征与第二特征之间的距离在指定范围内，说明该特征与第二特征相似，可以将该特征对应的用户的风险情况作为待识别的用户对应的风险情况，也就是当该特征与第二特征相似时，该特征对应的用户存在风险，那么第二特征对应的待识别的用户也可能存在风险，故可以将该特征对应的用户的风险情况作为待识别的用户对应的风险情况。上述风险情况可以为有风险以及无风险中的一种，也可以为各种类型的风险以及无风险中的一种，本说明书不做具体限定。
上述在根据待识别的用户的风险情况，对待识别的用户进行风险控制时，服务器可以根据待识别的用户的风险情况，确定对待识别的用户进行风险控制的策略，并根据确定出的策略，对待识别的用户进行风险控制。其中，策略是根据用户的风险情况进行确定，当用户存在的风险高时，需要采用较为严格的策略对用户进行风险控制，比如识别出用户1存在高风险，策略可以为限制用户1使用支付工具进行支付。但当用户存在的风险低或者不存在风险时，需要采用较为宽松的策略对用户进行风险控制，比如识别出用户1存在的风险比较低，策略可以为限制用户1每月使用支付工具进行支付的次数。
上述在根据待识别的用户的风险情况，确定对待识别的用户进行风险控制的策略时，服务器可以将待识别的用户的风险情况发送给风控人员，由风控人员根据接受到的风险情况，制定策略，并返回。当然，服务器也可以根据待识别的用户的风险情况，从预先构建的策略库中，确定风险情况对应的策略。
在本说明书中，为了更好地识别用户存在的风险，服务器可以根据训练样本对应的标注，对待训练的风险识别模型进行微调，以使训练完成的风险识别模型可以更好地识别风险，故待训练的风险识别模型还包括识别层，在上述步骤S106中，服务器可以先以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对待训练的风险识别模型中第二编码层的模型参数进行调整。之后，将历史上各用户的交易事件对应的风险情况作为各训练样本对应的标注，将各训练样本的第二特征输入待训练的风险识别模型的识别层，确定各训练样本对应的识别结果，以各识别结果与各标注之间的差异最小为目标，至少对第二编码层的模型参数进行调整。其中，服务器是基于训练样本至少对待训练的风险识别模型中第二编码层进行训练。再基于训练样本以及训练样本对应的标注至少对待训练的风险识别模型中第二编码层进行训练，上述历史上各用户的交易事件对应的风险情况可以为有风险以及无风险中的一种，也可以为各种类型的风险以及无风险中的一种，该风险情况可以为由风控人员进行确定的，也可以为由任意已有的风控识别体系确定的，本说明书不做具体限定。
上述在将各训练样本的第二特征输入待训练的风险识别模型的识别层时，输入识别层的各训练样本的第二特征是由将各训练样本输入训练完成的第二编码层得到的。该训练完成的第二编码层是通过以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标进行训练得到的。
在本说明书中，在训练风险识别模型时，可以有两个训练阶段。在第一训练阶段，服务器先针对每一个训练样本，以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对待训练的风险识别模型中第二编码层进行训练。在第一训练阶段之后的第二训练阶段时，服务器基于各训练样本(即上述对第二编码层进行训练的样本)以及各训练样本的标注，至少对待训练的风险识别模型中第二编码层进行训练。
在上述第二训练阶段，主要是利用各训练样本的标注以及各训练样本的识别结果，对第二编码层进行微调，以使第二编码层可以更好地提取到训练样本中与风险相关的特征，进而更好地识别训练样本中存在的风险。故上述识别层可以为服务器预先训练的网络层，在第二训练阶段，可以仅对第二编码层进行训练。该识别层可以为服务器预先基于历史交易事件训练的，当然，该识别层也可以为任意已有的识别交易事件是否存在风险的网络层，本说明书不做具体限定。故在第二训练阶段中以各识别结果与各标注之间的差异最小为目标，至少对第二编码层的模型参数进行调整时，服务器可以以各识别结果与各标注之间的差异最小为目标，只对第二编码层的模型参数进行调整。
另外，上述识别层还可以为未经过训练的网络层，该识别层可以在第二训练阶段与第二编码层一起进行训练，故在第二训练阶段中以各识别结果与各标注之间的差异最小为目标，至少对第二编码层的模型参数进行调整时，服务器可以以各识别结果与各标注之间的差异最小为目标，对第二编码层的模型参数以及识别层的模型参数进行调整。
在本说明书中，在第二训练阶段时，也就是在上述至少对待训练的风险识别模型中第二编码层的模型参数进行调整之后，服务器也可以重新确定一些新的有标注的训练样本，再基于新确定出的训练样本以及训练样本的标注，至少对待训练的风险识别模型中第二编码层的模型参数进行调整。基于此，上述步骤S100中确定出的训练样本可以为无标注的训练样本。具体的，在上述步骤S106中，服务器可以先以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对待训练的风险识别模型中第二编码层的模型参数进行调整。之后，服务器可以确定历史上各用户的交易事件为各有标注样本，将各交易事件对应的风险情况作为各有标注样本对应的标注。之后，将各有标注样本输入第二编码层，确定各识别结果。再以各识别结果与各标注之间的差异最小为目标，至少对第二编码层的模型参数进行调整。
基于此，在训练完成第二编码层之后，服务器可以仅利用训练完成的风险识别模型中的第二编码层，再结合预先构建的检索库，对待识别的用户进行风险识别。具体的，服务器可以确定待识别的用户的交易事件，将交易事件输入训练完成的第二编码层，确定交易事件的第二特征。之后，在预先构建的检索库中，确定与第二特征之间的距离在指定范围内的第三特征，再确定第三特征对应的用户的风险情况，并作为待识别的用户的风险情况。根据待识别的用户的风险情况，对待识别的用户进行风险控制。
另外，上述识别层可以为预先训练的网络层，也可以为与第二编码层一起进行训练的网络层，故在训练完成第二编码层或者训练完成第二编码层以及识别层之后，服务器也可以利用训练完成的风险识别模型中的第二编码层以及识别层，对待识别的用户进行风险识别。具体的，如图3所示，图3为本说明书中提供的另一种风险识别模型的应用的示意图，服务器可以确定待识别的用户的交易事件，将交易事件输入训练完成的第二编码层，确定交易事件的第二特征。之后，将第二特征输入训练完成的识别层，确定待识别的用户的风险情况，根据风险情况，对待识别的用户进行风险控制。
在本说明书，上述各训练样本对应的标注可以为多个，比如对于一个用户可能存在多种类型的风险，或者某一交易事件中存在多种类型的风险，故该用户的交易事件或者该交事件对应的训练样本的标注可以为多个，也就是多种类型的风险，故上述在以各识别结果与各标注之间的差异最小为目标，至少对第二编码层的模型参数进行调整时，服务器可以针对各训练样本，并且针对该训练样本的每一个标注，以该训练样本对应的识别结果以及该标注，至少对第二编码层的模型参数进行调整。使得第二编码层可以学习到如何提取各种类型的风险的特征，以便后续可以更好地识别各种类型的风险。
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4所示。
图4为本说明书中提供的一种模型训练的装置示意图，具体包括：
第一确定模块200，用于确定历史上各用户的交易事件作为各训练样本；
第二确定模块202，用于针对每一个训练样本，确定该训练样本中指定类型的数据为指定数据；
特征提取模块204，用于将该训练样本对应的指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征；将该训练样本中所有类型的数据输入所述待训练的风险识别模型的第二编码层，确定该训练样本的第二特征；
训练模块206，用于以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整。
可选地，所述指定数据至少为交易设备标识、交易物品名以及交易工具标识中的两种；
所述第二确定模块202具体用于，确定该训练样本中各指定类型的数据为各指定数据
所述特征提取模块204具体用于，将该训练样本对应的各指定数据进行拼接，得到该训练样本对应的文本；将该训练样本对应的文本输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征。
可选地，所述待训练的风险识别模型还包括识别层；
所述训练模块206具体用于，以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整；将历史上所述各用户的交易事件对应的风险情况作为所述各训练样本对应的标注；将所述各训练样本的第二特征输入所述待训练的风险识别模型的识别层，确定所述各训练样本对应的识别结果；以各识别结果与各标注之间的差异最小为目标，至少对所述第二编码层的模型参数进行调整。
可选地，所述装置还包括：
应用模块208，用于确定待识别的用户的交易事件；将所述交易事件输入训练完成的第二编码层，确定所述交易事件的第二特征；将所述第二特征输入训练完成的识别层，确定所述待识别的用户的风险情况；根据所述风险情况，对所述待识别的用户进行风险控制。
可选地，所述装置还包括：
应用模块208，用于确定待识别的用户的交易事件；将所述交易事件输入训练完成的第二编码层，确定所述交易事件的第二特征；在预先构建的检索库中，确定与所述第二特征之间的距离在指定范围内的第三特征；确定所述第三特征对应的用户的风险情况，并作为所述待识别的用户的风险情况；根据所述待识别的用户的风险情况，对所述待识别的用户进行风险控制。
可选地，所述装置还包括：
应用模块208，用于确定待识别的用户的交易事件；将所述交易事件输入训练完成的风险识别模型中的第二编码层，确定所述交易事件的第二特征；在预先构建的检索库中，确定与所述第二特征之间的距离在指定范围内的第三特征；确定所述第三特征对应的用户的风险情况，并作为所述待识别的用户的风险情况；根据所述待识别的用户的风险情况，对所述待识别的用户进行风险控制。
可选地，所述训练模块206具体用于，将该训练样本的第一特征与该训练样本的第二特征作为第一组合，将该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征作为第二组合；以各第一组合内的特征之间的距离最小和以各第二组合内的特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整。
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5所示的电子设备的示意结构图。如图5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 (16)
1.一种模型训练的方法，包括：
确定历史上各用户的交易事件作为各训练样本；
针对每一个训练样本，确定该训练样本中指定类型的数据为指定数据；
将该训练样本对应的指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征；将该训练样本中所有类型的数据输入所述待训练的风险识别模型的第二编码层，确定该训练样本的第二特征；
以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整。
2.如权利要求1所述的方法，所述指定数据至少为交易设备标识、交易物品名以及交易工具标识中的两种；
确定该训练样本中指定类型的数据为指定数据，具体包括：
确定该训练样本中各指定类型的数据为各指定数据
将该训练样本对应的指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征，具体包括：
将该训练样本对应的各指定数据进行拼接，得到该训练样本对应的文本；
将该训练样本对应的文本输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征。
3.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识别层；
以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整，具体包括：
以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整；
将历史上所述各用户的交易事件对应的风险情况作为所述各训练样本对应的标注；
将所述各训练样本的第二特征输入所述待训练的风险识别模型的识别层，确定所述各训练样本对应的识别结果；
以各识别结果与各标注之间的差异最小为目标，至少对所述第二编码层的模型参数进行调整。
4.如权利要求3所述的方法，所述方法还包括：
确定待识别的用户的交易事件；
将所述交易事件输入训练完成的第二编码层，确定所述交易事件的第二特征；
将所述第二特征输入训练完成的识别层，确定所述待识别的用户的风险情况；
根据所述风险情况，对所述待识别的用户进行风险控制。
5.如权利要求3所述的方法，所述方法还包括：
确定待识别的用户的交易事件；
将所述交易事件输入训练完成的第二编码层，确定所述交易事件的第二特征；
在预先构建的检索库中，确定与所述第二特征之间的距离在指定范围内的第三特征；
确定所述第三特征对应的用户的风险情况，并作为所述待识别的用户的风险情况；
根据所述待识别的用户的风险情况，对所述待识别的用户进行风险控制。
6.如权利要求1所述的方法，所述方法还包括：
确定待识别的用户的交易事件；
将所述交易事件输入训练完成的风险识别模型中的第二编码层，确定所述交易事件的第二特征；
在预先构建的检索库中，确定与所述第二特征之间的距离在指定范围内的第三特征；
确定所述第三特征对应的用户的风险情况，并作为所述待识别的用户的风险情况；
根据所述待识别的用户的风险情况，对所述待识别的用户进行风险控制。
7.如权利要求1所述的方法，以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整，具体包括：
将该训练样本的第一特征与该训练样本的第二特征作为第一组合，将该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征作为第二组合；
以各第一组合内的特征之间的距离最小和以各第二组合内的特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整。
8.一种模型训练的装置，包括：
第一确定模块，用于确定历史上各用户的交易事件作为各训练样本；
第二确定模块，用于针对每一个训练样本，确定该训练样本中指定类型的数据为指定数据；
特征提取模块，用于将该训练样本对应的指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征；将该训练样本中所有类型的数据输入所述待训练的风险识别模型的第二编码层，确定该训练样本的第二特征；
训练模块，用于以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整。
9.如权利要求8所述的装置，所述指定数据至少为交易设备标识、交易物品名以及交易工具标识中的两种；
所述第二确定模块具体用于，确定该训练样本中各指定类型的数据为各指定数据
所述特征提取模块具体用于，将该训练样本对应的各指定数据进行拼接，得到该训练样本对应的文本；将该训练样本对应的文本输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征。
10.如权利要求8所述的装置，所述待训练的风险识别模型还包括识别层；
所述训练模块具体用于，以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整；将历史上所述各用户的交易事件对应的风险情况作为所述各训练样本对应的标注；将所述各训练样本的第二特征输入所述待训练的风险识别模型的识别层，确定所述各训练样本对应的识别结果；以各识别结果与各标注之间的差异最小为目标，至少对所述第二编码层的模型参数进行调整。
11.如权利要求10所述的装置，所述装置还包括：
应用模块，用于确定待识别的用户的交易事件；将所述交易事件输入训练完成的第二编码层，确定所述交易事件的第二特征；将所述第二特征输入训练完成的识别层，确定所述待识别的用户的风险情况；根据所述风险情况，对所述待识别的用户进行风险控制。
12.如权利要求10所述的装置，所述装置还包括：
应用模块，用于确定待识别的用户的交易事件；将所述交易事件输入训练完成的第二编码层，确定所述交易事件的第二特征；在预先构建的检索库中，确定与所述第二特征之间的距离在指定范围内的第三特征；确定所述第三特征对应的用户的风险情况，并作为所述待识别的用户的风险情况；根据所述待识别的用户的风险情况，对所述待识别的用户进行风险控制。
13.如权利要求8所述的装置，所述装置还包括：
应用模块，用于确定待识别的用户的交易事件；将所述交易事件输入训练完成的风险识别模型中的第二编码层，确定所述交易事件的第二特征；在预先构建的检索库中，确定与所述第二特征之间的距离在指定范围内的第三特征；确定所述第三特征对应的用户的风险情况，并作为所述待识别的用户的风险情况；根据所述待识别的用户的风险情况，对所述待识别的用户进行风险控制。
14.如权利要求8所述的装置，所述训练模块具体用于，将该训练样本的第一特征与该训练样本的第二特征作为第一组合，将该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征作为第二组合；以各第一组合内的特征之间的距离最小和以各第二组合内的特征之间的距离最大为目标，至少对所述待训练的风险识别模型中所述第二编码层的模型参数进行调整。
15.一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1～7任一项所述的方法。
16.一种电子设备，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1～7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311146762.8A CN117312847A (zh) | 2023-09-06 | 2023-09-06 | 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 |
|---|---|---|---|
| CN202311146762.8A CN117312847A (zh) | 2023-09-06 | 2023-09-06 | 一种模型训练的方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117312847A true CN117312847A (zh) | 2023-12-29 |
Family
ID=89285704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311146762.8A Pending CN117312847A (zh) | 2023-09-06 | 2023-09-06 | 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) | CN117312847A (zh) |
-
2023
- 2023-09-06 CN CN202311146762.8A patent/CN117312847A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443618B (zh) | 风控策略的生成方法及装置 | |
| CN113221555B (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
| CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
| CN114943307B (zh) | 一种模型训练的方法、装置、存储介质以及电子设备 | |
| CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN115712866B (zh) | 数据处理方法、装置及设备 | |
| CN116127305A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| 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 | |
| CN117786107A (zh) | 一种文本分类模型的训练方法、装置、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 | |
| CN117093862A (zh) | 一种模型训练的方法、装置、电子设备及存储介质 | |
| CN115563584B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
| CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
| CN115130621B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
| CN117312847A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN115017905A (zh) | 一种模型训练和信息推荐的方法及装置 | |
| CN118114042A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN116028820B (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 | |
| CN117455493A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN115730233B (zh) | 一种数据处理方法、装置、可读存储介质以及电子设备 | |
| CN115658891B (zh) | 一种意图识别的方法、装置、存储介质及电子设备 | |
| CN114528937B (zh) | 模型训练方法、装置、设备及系统 | |
| CN116843466A (zh) | 一种风险识别模型训练方法、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 |