CN117952229A - 一种模型训练方法、业务风控方法、装置以及存储介质 - Google Patents
一种模型训练方法、业务风控方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN117952229A CN117952229A CN202410194736.0A CN202410194736A CN117952229A CN 117952229 A CN117952229 A CN 117952229A CN 202410194736 A CN202410194736 A CN 202410194736A CN 117952229 A CN117952229 A CN 117952229A
- Authority
- CN
- China
- Prior art keywords
- modal
- information
- feature extraction
- text description
- extraction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000012549 training Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 161
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 235000013305 food Nutrition 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 244000208060 Lawsonia inermis Species 0.000 description 1
- 241000282840 Vicugna vicugna Species 0.000 description 1
- 230000002159 abnormal effect Effects 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
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000021185 dessert Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000002265 prevention Effects 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书提供的一种模型训练方法、业务风控方法、装置以及存储介质,可以首先获取预设业务事件对应的多模态信息,以及描述预设业务事件的文本描述信息,将多模态信息输入预设的多模态特征提取模型,以提取出针对多模态信息的多模态特征,以及将文本描述信息输入到预设的文本描述特征提取模型,以提取出针对文本描述信息的文本描述特征,而后,以最小化多模态特征与文本描述特征之间的偏差为优化目标,对多模态特征提取模型以及文本描述特征提取模型进行联合训练,训练后的多模态特征提取模型用于对用户执行业务时所涉及的多模态信息进行特征提取,以将提取出的特征通过预设的接口输入到预设的问答模型中,并根据问答模型输出的结果执行业务。
Description
技术领域
本说明书涉及风险防控领域,尤其涉及一种模型训练方法、业务风控方法、装置以及存储介质。
背景技术
目前,风控系统在对用户进行风险识别的过程中,可以使用基于人工智能的问答模型对用户的业务信息进行分析并对用户的行为进行推理,从而根据问答模型的输出结果进行风险控制,以保证用户个人信息或隐私数据的安全。
但是,现有的问答模型同时只能处理与分析单一模态下的业务信息,例如,问答模型只能对用户提交的凭证文本信息进行处理,再例如,问答模型只能对用户上传的业务图片进行处理。
所以,目前的问答模型无法对用户在多模态下的业务信息进行同时处理,而由于不同模态下的信息之间往往具有一定的关联性,这导致问答模型仅根据单一的模态信息进行风控时,输出的结果往往准确性较低,从而带来了一定的安全隐患。
因此,如何能够有效地利用用户的多模态信息,以提高问答模型的风控准确率,则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方法、业务风控方法、装置以及存储介质,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:
本说明书提供了一种模型训练方法,包括:
获取预设业务事件对应的多模态信息,以及用于描述所述预设业务事件的文本描述信息;
将所述多模态信息输入到预设的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述多模态信息的多模态特征;以及将所述文本描述信息输入到预设的文本描述特征提取模型中,以使所述文本描述特征提取模型提取出针对所述文本描述信息的文本描述特征;
以最小化所述多模态特征与所述文本描述特征之间的偏差为优化目标,对所述多模态特征提取模型以及所述文本描述特征提取模型进行联合训练,训练后的多模态特征提取模型用于对用户执行业务时所涉及的多模态信息进行特征提取,以将提取出的特征通过预设的接口输入到预设的问答模型中,并根据所述问答模型输出的结果执行业务。
可选地,将所述多模态信息输入到预设的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述多模态信息的多模态特征,具体包括:
将所述多模态信息输入到预设的多模态特征提取模型中,以使所述多模态特征提取模型分别提取出所述多模态信息中包含的各模态信息的模态特征,并对所述各模态信息的模态特征进行拼接,得到拼接后特征,以将所述拼接后特征作为针对所述多模态信息的多模态特征。
可选地,获取预设业务事件对应的多模态信息,以及用于描述所述预设业务事件的文本描述信息,具体包括:
获取各用户在预设业务事件中的多模态信息,以及用于描述各用户所执行的预设业务事件的文本描述信息;
以最小化所述多模态特征与所述文本描述特征之间的偏差为优化目标,对所述多模态特征提取模型以及所述文本描述特征提取模型进行联合训练,具体包括:
针对每个用户,以最小化该用户的多模态信息对应的多模态特征与该用户的多模态信息对应的文本描述信息的文本描述特征之间的偏差,以及最大化该用户的多模态信息对应的多模态特征与其他用户的多模态信息对应的文本描述信息的文本描述特征之间的偏差为优化目标,对所述多模态特征提取模型以及所述文本描述特征提取模型进行联合训练。
可选地,所述多模态信息包括:文本信息、图像信息、音频信息。
本说明书提供了一种业务风控方法,包括:
获取待检测用户数据,所述待检测用户数据为多模态的数据;
将所述待检测用户数据输入到预先训练的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述待检测用户数据的多模态特征,所述多模态特征提取模型是通过如上述模型训练方法训练得到的;
将所述多模态特征以及用于执行业务风控的目标问题输入预设的问答模型中,以使所述问答模型生成针对所述目标问题的问答结果;
根据所述问答结果,对所述用户进行业务风控。
本说明书提供了一种模型训练装置,包括:获取模块:用于获取预设业务事件对应的多模态信息,以及用于描述所述预设业务事件的文本描述信息;
提取模块:用于将所述多模态信息输入到预设的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述多模态信息的多模态特征;以及将所述文本描述信息输入到预设的文本描述特征提取模型中,以使所述文本描述特征提取模型提取出针对所述文本描述信息的文本描述特征;
训练模块:以最小化所述多模态特征与所述文本描述特征之间的偏差为优化目标,对所述多模态特征提取模型以及所述文本描述特征提取模型进行联合训练,训练后的多模态特征提取模型用于对用户执行业务时所涉及的多模态信息进行特征提取,以将提取出的特征通过预设的接口输入到预设的问答模型中,并根据所述问答模型输出的结果执行业务。
可选地,所述提取模块具体用于:
将所述多模态信息输入到预设的多模态特征提取模型中,以使所述多模态特征提取模型分别提取出所述多模态信息中包含的各模态信息的模态特征,并对所述各模态信息的模态特征进行拼接,得到拼接后特征,以将所述拼接后特征作为针对所述多模态信息的多模态特征。
可选地,所述获取模块具体用于:
获取各用户在预设业务事件中的多模态信息,以及用于描述各用户所执行的预设业务事件的文本描述信息;
所述训练模块具体用于:
针对每个用户,以最小化该用户的多模态信息对应的多模态特征与该用户的多模态信息对应的文本描述信息的文本描述特征之间的偏差,以及最大化该用户的多模态信息对应的多模态特征与其他用户的多模态信息对应的文本描述信息的文本描述特征之间的偏差为优化目标,对所述多模态特征提取模型以及所述文本描述特征提取模型进行联合训练。
可选地,所述多模态信息包括:文本信息、图像信息、音频信息。
本说明书提供了一种业务风控装置,包括:
获取模块:用于获取待检测用户数据,所述待检测用户数据为多模态的数据;
提取模块:用于将所述待检测用户数据输入到预先训练的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述待检测用户数据的多模态特征,所述多模态特征提取模型是通过如上述模型训练方法训练得到的;
生成模块:用于将所述多模态特征以及用于执行业务风控的目标问题输入预设的问答模型中,以使所述问答模型生成针对所述目标问题的问答结果;
风控模块:用于根据所述问答结果,对所述用户进行业务风控。
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方法或业务风控方法。
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或业务风控方法。
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,可以首先获取预设业务事件对应的多模态信息,以及用于描述预设业务事件的文本描述信息,将多模态信息输入到预设的多模态特征提取模型中,以提取出针对多模态信息的多模态特征,以及将文本描述信息输入到预设的文本描述特征提取模型中,以提取出针对文本描述信息的文本描述特征,而后,以最小化多模态特征与文本描述特征之间的偏差为优化目标,对多模态特征提取模型以及文本描述特征提取模型进行联合训练,训练后的多模态特征提取模型用于对用户执行业务时所涉及的多模态信息进行特征提取,以将提取出的特征通过预设的接口输入到预设的问答模型中,并根据问答模型输出的结果执行业务。
从上述方法中可以看出,通过对多模态特征提取模型以及文本描述特征提取模型进行联合训练,可以使多模态特征提取模型学习到将提取出的多模态特征表示为类似文本特征的能力,进而使提取出的多模态特征不仅包含了各模态信息的内容,还能使得后续的问答模型可以理解该多模态特征,并按照处理文本特征的方式来处理该多模态特征。这样一来,将提取出的多模态特征输入问答模型,可以使问答模型对采用类似文本特征所表征出的多模态特征进行处理,以通过分析不同模态信息之间的关联性来输出较为精准的风险识别结果,避免了现有的问答模型只能处理与分析单一模态下的信息所造成的输出结果精准性较低的情况的出现,大大提高了问答模型的风控准确率。
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为本说明书中提供的一种模型训练方法的流程示意图;
图2为本说明书提供的一种业务风控方法的流程示意图的示意图;
图3为本说明书提供的一种模型训练装置的示意图;
图4为本说明书提供的一种业务风控装置的示意图;
图5为本说明书中提供的一种对应于图1或图2的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种模型训练方法的流程示意图,包括以下步骤:
S101:获取预设业务事件对应的多模态信息,以及用于描述所述预设业务事件的文本描述信息。
本说明书中涉及的模型训练方法的执行主体可以是诸如台式电脑、笔记本电脑等终端设备,也可以是安装在终端设备中的客户端,亦或是服务器。下面仅以服务器是执行主体为例,对本说明书实施例中的模型训练方法进行说明。
目前,风控系统在对用户进行风险识别的过程中,可以使用基于人工智能的问答模型对用户的业务信息进行分析并对用户的行为进行推理,从而根据问答模型的输出结果进行风险控制,以保证用户个人信息或隐私数据的安全。但是,现有的问答模型同时只能处理与分析单一模态下的业务信息,即,目前的问答模型无法对用户在多模态下的业务信息进行同时处理,而由于不同模态下的信息之间往往具有一定的关联性,这导致问答模型仅根据单一的模态信息进行风控时,输出的结果往往准确性较低,从而带来了一定的安全隐患。
为了解决上述问题,在本说明书中,服务器可以首先获取预设业务事件对应的多模态信息,其中,预设业务事件可以对应于用户所执行的业务,诸如用户查询旅游相关的信息、用户执行支付业务、用户执行保险理财业务等。
多模态信息可以是指文本信息、图像信息以及音频信息等不同模态形式下的信息,每种业务事件所需的多模态信息的具体内容也有所区别。例如,针对用户查询旅游相关的信息这一预设业务事件来说,该预设业务事件对应的多模态信息可以是用户所查询的有关旅游地点的文本信息、用户所查询的旅游地点的美食的图片信息以及用户查询的旅游保险概要讲解的音频信息等。再例如,针对用户执行保险理财业务这一预设业务事件来说,该预设业务事件对应的多模态信息可以是用户的保险合同及条款对应的文本信息、用户保险单据的图片信息以及用户咨询保险理财业务的音频信息。再例如,针对用户执行支付业务这一预设业务事件来说,该预设业务事件对应的多模态信息可以是有关用户的订单内容的文本信息、用户的身份认证图片信息以及用户咨询支付业务的音频信息。
与此同时,服务器还可以获取用来描述上述预设业务事件的文本描述信息,例如,针对预设事件中包含了用户查询的三亚旅游攻略文本信息、查询的三亚的海南鸡饭等美食图片信息以及查询的旅游保险概要讲解的音频信息,用来描述该预设业务事件的文本描述信息可以是“该用户可能在未来一段时间内去三亚进行旅游以及购买旅游保险。”再例如,针对预设事件中包含了用户与客服咨询汽车保险合同对应的文本信息、用户查询的汽车保险产品的图片信息以及用户咨询的汽车保险理财业务的音频信息,用来描述该预设业务事件的文本描述信息可以是“该业务在未来可能会购买汽车保险。”
在本说明书中,服务器所获取的用来描述预设业务事件的文本描述信息可以采用人工的方式对预设业务事件进行描述来得到,当然,也可以采用其他软件工具来获取。例如,可以将预设业务事件对应的多模态信息中包含的文本形式的信息、图片形式的信息以及语音形式的信息分别输入预设的文本内容提取模型(如:条件随机场模型等)、预设图片内容提取模型(如:区域卷积神经网络模型等)以及预设的语音内容提取模型(如:DeepSpeech模型等),并确定出各模态的信息对应的文本形式的信息,而后,可以将各模态的信息对应的文本形式的信息输入到预设的文本模型(如:Transformer模型等)中,进而可以确定出用来描述预设业务事件的文本描述信息。
S102:将所述多模态信息输入到预设的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述多模态信息的多模态特征;以及将所述文本描述信息输入到预设的文本描述特征提取模型中,以使所述文本描述特征提取模型提取出针对所述文本描述信息的文本描述特征。
在本说明书中,服务器可以将预设业务事件的多模态信息输入到预设的多模态特征提取模型(诸如ImageBind模型等)中,多模态特征提取模型可以分别提取出多模态信息中包含的各模态信息的模态特征,并对各模态信息的模态特征进行拼接,得到拼接后特征,进而可以将拼接后特征作为针对多模态信息的多模态特征。
服务器可以将文本描述信息输入到预设的文本描述特征提取模型(诸如词袋模型(Bag of Words Model,BoW)等)中,进而可以使文本描述特征提取模型提取出针对文本描述信息的文本描述特征。
S103:以最小化所述多模态特征与所述文本描述特征之间的偏差为优化目标,对所述多模态特征提取模型以及所述文本描述特征提取模型进行联合训练,训练后的多模态特征提取模型用于对用户执行业务时所涉及的多模态信息进行特征提取,以将提取出的特征通过预设的接口输入到预设的问答模型中,并根据所述问答模型输出的结果执行业务。
在本说明书中,服务器可以采用联合训练的方式,使得多模态特征与文本描述特征之间的偏差越来越小,进而对多模态特征提取模型以及文本描述特征提取模型进行训练。通过这种训练方式,可以使得多模态特征提取模型学习到将提取出的多模态特征表示为类似文本特征的能力,这样,在无需对问答模型进行任何改造或是调整的情况下,可以在后续过程中直接将提取出的多模态特征输入到问答模型中,而问答模型则可以按照处理文本特征的方式,来理解和处理包含有多个模态信息的内容以及用于表征各模态信息之间潜在关联关系的多模态特征。
当然,为了进一步提升训练后的多模态特征提取模型以及文本特征提取模型对特征进行提取的精确度,在获取预设事件对应的多模态信息时,可以获取多个用户在预设业务事件中的多模态信息,针对每个用户,在对多模态特征提取模型以及文本描述特征提取模型进行联合训练的过程中,除了使该用户的多模态信息对应的多模态特征与该用户的多模态信息对应的文本描述信息的文本描述特征之间的偏差越来越小之外,还可以通过使该用户的多模态信息对应的多模态特征与其他用户的多模态信息对应的文本描述信息的文本描述特征之间的偏差越来越大,来对多模态特征提取模型以及文本描述特征提取模型进行联合训练。其中,各用户的多模态信息可以是针对同一预设业务事件的,也可以是针对不同预设业务事件的。这样一来,可以使多模态特征提取模型可以学习到区分不同用户的多模态信息的能力,进而提高了对不同用户的多模态信息的特征表达的准确性,从而提升了多模态特征提取模型对特征提取的精准性。
服务器可以采用训练后的多模态特征提取模型对用户执行业务事件时所对应的多模态信息进行特征提取,进而可以将提取出的特征通过预设的接口输入到预设的问答模型(诸如Vicuna模型)中,从而可以根据问答模型输出的结果执行风控业务等,诸如,该问答模型的输出结果中表明当前用户的信用风险较高,进而可以通过风控系统对当前用户增强监控力度等。其中,需要通过接口来建立多模态特征提取模型与问答模型之间的交互,是因为多模态特征提取模型所确定出的是针对多模态信息的多模态特征,即,不能采用一般的问答模型的输入端(如:文本输入框等)来接收多模态特征提取模型的输出结果,而是需要通过预设的接口直接输入到问答模型中。相应的,在此过程中,问答模型也不需要使用对文本输入框中输入的文本进行特征提取的特征提取层,而是可以直接对通过预设的接口接收到的多模态特征进行处理。
由此可以看出,通过对多模态特征提取模型以及文本描述特征提取模型进行联合训练,可以使多模态特征提取模型学习到将提取出的多模态特征表示为类似文本特征的能力,进而使提取出的多模态特征不仅包含了各多模态信息的内容,还能使得后续的问答模型可以理解多模态特征,并按照处理文本特征的方式来处理该多模态特征。这样一来,将提取出的多模态特征输入问答模型,可以使问答模型对采用类似文本特征所表征出的多模态特征进行理解和处理,以通过分析不同模态的信息之间的关联性来输出较为精准的风险识别结果,避免了现有的问答模型只能处理与分析单一模态下的信息所造成的输出结果精准性较低的情况的出现,大大提高了问答模型的风控准确率。
上述主要介绍了模型训练方法,在对模型进行训练完成后,即可应用到业务风控中,下面将详细介绍本说明书提供的一种业务风控方法。
图2为本说明书提供的一种业务风控方法的流程示意图,包括以下步骤:
S201:获取待检测用户数据,所述待检测用户数据为多模态的数据。
对于本说明书提供的业务风控方法,其执行主体可以是服务器,也可以是诸如台式电脑、笔记本电脑等终端设备,下面仅以服务器为例,对后续内容进行详细说明。
在进行业务风控的过程中,服务器可以采集用户的数据,作为待检测用户数据,而后,服务器可以对获取的待检测用户数据进行处理与分析,进而来检测该用户的风险程度,并根据该用户的风险程度来对该用户进行业务风控,其中,待检测用户数据是指该用户的多模态数据,而用户所执行的业务可以根据实际需求而定,如,可以指保险理财业务、支付业务等业务。
S202:将所述待检测用户数据输入到预先训练的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述待检测用户数据的多模态特征,所述多模态特征提取模型是通过如上述模型训练方法训练得到的。
在实际应用过程中,服务器中可以部署通过上述模型训练方法得到的多模态特征提取模型,并将上述待检测用户数据输入到多模态特征提取模型中,由于该多模态特征提取模型已经学习到了将提取出的多模态特征以类似文本特征进行表示的能力,使提取出的多模态特征可以直接在问答模型中使用,从而可以使问答模型基于接收到的多模态特征中所表征出的各模态特征之间的关联性以及各模态信息的具体内容,进行精准的业务风控。
S203:将所述多模态特征以及用于执行业务风控的目标问题输入预设的问答模型中,以使所述问答模型生成针对所述目标问题的问答结果。
当然,在进行业务风控的过程中,除了输入用户的业务事件对应的多模态信息之外,还需要输入用于执行业务风控的目标问题,目标问题可用于指导问答模型来执行后续的业务风控业务,其中,目标问题可以是诸如“当前用户是否具有骗保风险?”等。本说明书中的多模态信息和目标问题的输入方式不同,多模态信息可以输入到多模态特征提取模型中,以使多模态特征提取模型将提取的多模态特征通过预设的接口输入到问答模型中,而目标问题可以直接通过问答模型的输入端(如:文本输入框等)进行输入。而后,问答模型可以基于获取到的多模态特征,在目标问题的提示下对用户的业务事件进行风险识别,从而生成针对目标问题的问答结果,其中,问答结果可以是诸如“当前用户骗保风险较低”等。
S204:根据所述问答结果,对所述用户进行业务风控。
而后,服务器可以根据问答模型给出的问答结果,作为对用户的风险程度判断的重要因素,并参考该重要因素对用户进行相应的业务风控处理,诸如,若根据问答结果所确定出的用户的风险程度较高,则可以实时监测该用户的异常业务事件操作。
从上述方法可以看出,在进行业务风控的过程中,可以只运用由上述模型训练方法训练得到的多模态特征提取模型来对待检测用户数据进行特征提取,所提取出的多模态特征可以表示为类似文本特征,并且包含了各多模态信息的内容,进而可以将多模态特征输入问答模型,从而使问答模型对采用类似文本特征所表征出的多模态特征进行理解和处理,通过分析不同模态的信息之间的关联性来输出较为精准的风险识别结果,避免了现有的问答模型只能处理与分析单一模态下的信息所造成的输出结果精准性较低的情况的出现,大大提高了问答模型的风控准确率。
需要注意的是,本说明书中涉及的方法的本质是在不改变预设的问答模型的结构以及不对问答模型进行大量训练的基础上有效地利用预设业务事件的多模态信息,以使问答模型可以分析各模态信息之间的关联性,从而给出精确性较高的回答。
因此,本说明书中涉及的方法除了应用在风控领域之外,还可以应用在信息推荐领域,例如,获取的多模态信息可以是用户所喜爱的美食的关键字、用户所喜爱的美食的图片以及用户对美食的评论中的音频数据,并且文本描述信息可以用于描述用户对美食进行评论的事件。而后,可以将多模态信息输入多模态特征提取模型以及将文本描述信息输入到文本描述特征提取模型中,以得到多模态特征和文本描述特征,并且可以通过最小化多模态特征与文本描述特征之间的偏差为优化目标,对多模态特征提取模型以及文本描述特征提取模型进行联合训练,进而可以得到训练后的多模态特征提取模型以及训练后的文本描述特征提取模型。在实际应用过程中,可以将待检测用户数据输入训练后的多模态特征提取模型,并将提取出的多模态特征通过接口输入到预设的问答模型,同时问答模型可以结合获取的有关信息推荐的问题,输出针对该问题的回答,例如,有关信息推荐的问题可以是诸如“用户更喜欢吃什么美食?”,针对该问题的回答可以是诸如“用户较为喜欢吃蛋糕类的甜品。”,进而,可以根据该回答对用户进行相应的美食的推荐。
以上为本说明书的一个或多个实施的方法,基于同样的思路,本说明书还提供了相应的模型训练装置以及业务风控装置,如图3、图4所示。
图3为本说明书提供的一种模型训练装置的示意图,包括:
获取模块301:用于获取预设业务事件对应的多模态信息,以及用于描述所述预设业务事件的文本描述信息;
提取模块302:用于将所述多模态信息输入到预设的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述多模态信息的多模态特征;以及将所述文本描述信息输入到预设的文本描述特征提取模型中,以使所述文本描述特征提取模型提取出针对所述文本描述信息的文本描述特征;
训练模块303:以最小化所述多模态特征与所述文本描述特征之间的偏差为优化目标,对所述多模态特征提取模型以及所述文本描述特征提取模型进行联合训练,训练后的多模态特征提取模型用于对用户执行业务时所涉及的多模态信息进行特征提取,以将提取出的特征通过预设的接口输入到预设的问答模型中,并根据所述问答模型输出的结果执行业务。
可选地,所述提取模块302具体用于:
将所述多模态信息输入到预设的多模态特征提取模型中,以使所述多模态特征提取模型分别提取出所述多模态信息中包含的各模态信息的模态特征,并对所述各模态信息的模态特征进行拼接,得到拼接后特征,以将所述拼接后特征作为针对所述多模态信息的多模态特征。
可选地,所述获取模块301具体用于:
获取各用户在预设业务事件中的多模态信息,以及用于描述各用户所执行的预设业务事件的文本描述信息;
所述训练模块303具体用于:
针对每个用户,以最小化该用户的多模态信息对应的多模态特征与该用户的多模态信息对应的文本描述信息的文本描述特征之间的偏差,以及最大化该用户的多模态信息对应的多模态特征与其他用户的多模态信息对应的文本描述信息的文本描述特征之间的偏差为优化目标,对所述多模态特征提取模型以及所述文本描述特征提取模型进行联合训练。
可选地,所述多模态信息包括:文本信息、图像信息、音频信息。
图4为本说明书提供的一种业务风控装置,包括:
获取模块401:用于获取待检测用户数据,所述待检测用户数据为多模态的数据;
提取模块402:用于将所述待检测用户数据输入到预先训练的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述待检测用户数据的多模态特征,所述多模态特征提取模型是通过如上述模型训练方法训练得到的;
生成模块403:用于将所述多模态特征以及用于执行业务风控的目标问题输入预设的问答模型中,以使所述问答模型生成针对所述目标问题的问答结果;
风控模块404:用于根据所述问答结果,对所述用户进行业务风控。
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提供的模型训练方法或图2提供的业务风控方法。
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所示的模型训练方法或图2所示的业务风控方法。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,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种模型训练方法,包括:
获取预设业务事件对应的多模态信息,以及用于描述所述预设业务事件的文本描述信息;
将所述多模态信息输入到预设的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述多模态信息的多模态特征;以及将所述文本描述信息输入到预设的文本描述特征提取模型中,以使所述文本描述特征提取模型提取出针对所述文本描述信息的文本描述特征;
以最小化所述多模态特征与所述文本描述特征之间的偏差为优化目标,对所述多模态特征提取模型以及所述文本描述特征提取模型进行联合训练,训练后的多模态特征提取模型用于对用户执行业务时所涉及的多模态信息进行特征提取,以将提取出的特征通过预设的接口输入到预设的问答模型中,并根据所述问答模型输出的结果执行业务。
2.如权利要求1所述的方法,将所述多模态信息输入到预设的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述多模态信息的多模态特征,具体包括:
将所述多模态信息输入到预设的多模态特征提取模型中,以使所述多模态特征提取模型分别提取出所述多模态信息中包含的各模态信息的模态特征,并对所述各模态信息的模态特征进行拼接,得到拼接后特征,以将所述拼接后特征作为针对所述多模态信息的多模态特征。
3.如权利要求1所述的方法,获取预设业务事件对应的多模态信息,以及用于描述所述预设业务事件的文本描述信息,具体包括:
获取各用户在预设业务事件中的多模态信息,以及用于描述各用户所执行的预设业务事件的文本描述信息;
以最小化所述多模态特征与所述文本描述特征之间的偏差为优化目标,对所述多模态特征提取模型以及所述文本描述特征提取模型进行联合训练,具体包括:
针对每个用户,以最小化该用户的多模态信息对应的多模态特征与该用户的多模态信息对应的文本描述信息的文本描述特征之间的偏差,以及最大化该用户的多模态信息对应的多模态特征与其他用户的多模态信息对应的文本描述信息的文本描述特征之间的偏差为优化目标,对所述多模态特征提取模型以及所述文本描述特征提取模型进行联合训练。
4.如权利要求1~3任一项所述的方法,所述多模态信息包括:文本信息、图像信息、音频信息。
5.一种业务风控方法,包括:
获取待检测用户数据,所述待检测用户数据为多模态的数据;
将所述待检测用户数据输入到预先训练的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述待检测用户数据的多模态特征,所述多模态特征提取模型是通过如权利要求1~4任一项所述的方法训练得到的;
将所述多模态特征以及用于执行业务风控的目标问题输入预设的问答模型中,以使所述问答模型生成针对所述目标问题的问答结果;
根据所述问答结果,对所述用户进行业务风控。
6.一种模型训练装置,包括:
获取模块:用于获取预设业务事件对应的多模态信息,以及用于描述所述预设业务事件的文本描述信息;
提取模块:用于将所述多模态信息输入到预设的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述多模态信息的多模态特征;以及将所述文本描述信息输入到预设的文本描述特征提取模型中,以使所述文本描述特征提取模型提取出针对所述文本描述信息的文本描述特征;
训练模块:以最小化所述多模态特征与所述文本描述特征之间的偏差为优化目标,对所述多模态特征提取模型以及所述文本描述特征提取模型进行联合训练,训练后的多模态特征提取模型用于对用户执行业务时所涉及的多模态信息进行特征提取,以将提取出的特征通过预设的接口输入到预设的问答模型中,并根据所述问答模型输出的结果执行业务。
7.如权利要求6所述的装置,所述提取模块具体用于:
将所述多模态信息输入到预设的多模态特征提取模型中,以使所述多模态特征提取模型分别提取出所述多模态信息中包含的各模态信息的模态特征,并对所述各模态信息的模态特征进行拼接,得到拼接后特征,以将所述拼接后特征作为针对所述多模态信息的多模态特征。
8.如权利要求6所述的装置,所述获取模块具体用于:
获取各用户在预设业务事件中的多模态信息,以及用于描述各用户所执行的预设业务事件的文本描述信息;
所述训练模块具体用于:
针对每个用户,以最小化该用户的多模态信息对应的多模态特征与该用户的多模态信息对应的文本描述信息的文本描述特征之间的偏差,以及最大化该用户的多模态信息对应的多模态特征与其他用户的多模态信息对应的文本描述信息的文本描述特征之间的偏差为优化目标,对所述多模态特征提取模型以及所述文本描述特征提取模型进行联合训练。
9.如权利要求6~8任一项所述的装置,所述多模态信息包括:文本信息、图像信息、音频信息。
10.一种业务风控装置,包括:
获取模块:用于获取待检测用户数据,所述待检测用户数据为多模态的数据;
提取模块:用于将所述待检测用户数据输入到预先训练的多模态特征提取模型中,以使所述多模态特征提取模型提取出针对所述待检测用户数据的多模态特征,所述多模态特征提取模型是通过如权利要求1~4任一项所述的方法训练得到的;
生成模块:用于将所述多模态特征以及用于执行业务风控的目标问题输入预设的问答模型中,以使所述问答模型生成针对所述目标问题的问答结果;
风控模块:用于根据所述问答结果,对所述用户进行业务风控。
11.一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1~5任一项所述的方法。
12.一种电子设备,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1~5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410194736.0A CN117952229A (zh) | 2024-02-21 | 2024-02-21 | 一种模型训练方法、业务风控方法、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410194736.0A CN117952229A (zh) | 2024-02-21 | 2024-02-21 | 一种模型训练方法、业务风控方法、装置以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117952229A true CN117952229A (zh) | 2024-04-30 |
Family
ID=90805073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410194736.0A Pending CN117952229A (zh) | 2024-02-21 | 2024-02-21 | 一种模型训练方法、业务风控方法、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952229A (zh) |
-
2024
- 2024-02-21 CN CN202410194736.0A patent/CN117952229A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437416B (zh) | 一种基于语音识别的咨询业务处理方法及装置 | |
CN113221555B (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
CN113516480B (zh) | 一种支付风险识别方法、装置及设备 | |
US20240177510A1 (en) | Model training method and apparatus, service processing method and apparatus, storage medium, and device | |
CN117076650B (zh) | 一种基于大语言模型的智能对话方法、装置、介质及设备 | |
CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN115146601A (zh) | 语言处理任务的执行方法、装置、可读存储介质以及设备 | |
CN116127305A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117369783B (zh) | 一种安全代码生成模型的训练方法及装置 | |
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 | |
CN116186330A (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN117952229A (zh) | 一种模型训练方法、业务风控方法、装置以及存储介质 | |
CN115017905A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
CN115658891B (zh) | 一种意图识别的方法、装置、存储介质及电子设备 | |
CN117390293B (zh) | 一种针对纠纷案件的信息推荐方法、装置、介质及设备 | |
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 | |
CN117591217A (zh) | 一种信息展示方法、装置、设备及存储介质 | |
CN117592581A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN117933424A (zh) | 一种模型训练方法、业务风控方法、装置以及存储介质 | |
CN117575611A (zh) | 一种风险识别的方法、装置、存储介质及电子设备 | |
CN118172783A (zh) | 图像处理方法及装置 | |
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 |