JP7102344B2 - 機械学習モデルのモデリング方法及びデバイス - Google Patents

Description

本願は、「MODELING METHOD AND DEVICE FOR MACHINE LEARNING MODEL」と題された２０１６年２月１９日に出願された中国特許出願第２０１６１００９４６６４．８号への優先権を主張するものであり、この中国特許出願は全体として参照により本明細書に援用される。

技術分野
本願は、コンピュータ技術に関し、特に機械学習モデルのモデリング方法及びデバイスに関する。

背景技術
挙動パターンが機械学習モデルを使用することにより特定される場合、特定の目標挙動に属する様々な特定の挙動の共通の特徴が一般に抽出され、それにより、共通の特徴に従って機械学習モデルを構築する。構築された機械学習モデルは、特定の挙動が共通の特徴を有するか否かに従って、特定の挙動が目標挙動に属するか否かを判断する。

ネットワークにおける不正取引を一例として使用する。不正取引とは、取引事実の偽造又は隠匿、クレジットレコードルールの逸脱又は悪意のある使用、及びクレジットレコードオーダーの干渉又は邪魔等の不正な偽商品販売、ショップの格付け、クレジットポイント、又は商品コメント等の売り手ユーザ及び／又は買い手ユーザが不正利益を得る挙動を指す。例えば、現在、ブラッシング（brushing）、評価水増し、現金引き出し、並びに偽の注文及び融資等の不正取引の種類がある。ネットワークの取引挙動を規制するには、不正取引の挙動パターンを特定する必要がある。

様々なタイプの不正取引があり、各タイプの不正取引は、様々な特定の実施様式を有し、様々なタイプの不正取引の取引挙動は互いと大きく異なる。従来技術では、共通の特徴を抽出するように不正取引を特定する機械モデルを構築することは不可能である。したがって、従来技術では、各機械学習モデルが、不正取引の実施形態又は１つのタイプの不正取引を特定する。機械学習モデルを使用することにより不正取引が認識される場合、複数のモデルを確立する必要があり、高コスト及び低い認識効率に繋がる。

発明の概要
本発明は、目標挙動が多くの異なるタイプの実施形態を有する場合、目標挙動の包括的な特定に適用可能であり、したがって、コストを節減し、認識効率を改善した機械学習モデルを構築する、機械学習モデルのモデリング方法及びデバイスを提供する。

上記目的を達成するために、本発明の実施形態は以下の技術的解決策を採用する。

第１の態様では、機械学習モデルのモデリング方法が提供され、本方法は、
排他的中間目標変数を取得することであって、中間目標変数は不正取引タイプを示すのに使用される、取得することと、
各中間目標変数に対応する機械学習サブモデルの確率値を得るように、機械学習サブモデルをトレーニングすることであって、機械学習サブモデルは、取引挙動を記述する特徴変数に従って、対応する中間目標変数により示される不正取引タイプを特定するのに使用される、トレーニングすることと、
機械学習サブモデルの確率値を合算して、目標確率値を取得することと、
目標確率値及び特徴変数に従って、不正取引を特定する目標機械学習モデルを確立することと
を含む。

第２の態様では、機械学習モデルのモデリングデバイスが提供され、本デバイスは、
排他的中間目標変数を取得するように構成された取得モジュールであって、中間目標変数は不正取引タイプを示すのに使用される、取得モジュールと、
各中間目標変数に対応する機械学習サブモデルの確率値を得るように、機械学習サブモデルをトレーニングするように構成されたトレーニングモジュールであって、機械学習サブモデルは、取引挙動を記述する特徴変数に従って、対応する中間目標変数により示される不正取引タイプを特定するのに使用される、トレーニングモジュールと、
機械学習サブモデルの確率値を合算して、目標確率値を取得するように構成された合算モジュールと、
目標確率値及び特徴変数に従って、不正取引を特定する目標機械学習モデルを確立するように構成されたモデリングモジュールと
を含む。

本発明の実施形態において提供される機械学習モデルのモデリング方法及びデバイスでは、各中間目標変数に対応する機械学習サブモデルは、機械学習サブモデルの確率値を得るようにトレーニングされ、次に、機械学習サブモデルの確率値を合算し、目標挙動を特定する目標機械学習モデルが、合算により得られる目標確率値及び取引挙動を記述する特徴変数に従って確立される。各機械学習サブモデルは、特定のタイプの目標挙動の特定に使用され、機械学習サブモジュールの確率値は合算されて、標本が複数の目標挙動タイプのうちの少なくとも１つのタイプのものである確率を得るため、確率値に基づいて構築された機械学習モデルは、目標挙動の包括的な特定に使用することができる。例えば、モデリング方法が不正取引の応用状況に適用される場合、構築されたモデルは不正取引を包括的に特定することができ、従来技術のように不正取引の異なる実施形態又は異なるタイプに複数のモデルを構築する必要がなく、したがって、コストが節減され、不正取引の認識効率が改善する。

上記例示は、本発明の技術的解決策の単なる概要であり、本明細書の内容に従って実施されて、本発明の技術的手段をより明確に理解することができる。さらに、本発明の特定の実施様式が、本発明の上記及び他の目的、特徴、及び利点をより理解できるようにするために以下に指定される。

図面の簡単な説明
当業者は、以下の好ましい実施様式の詳細な説明を読むことにより様々な他の利点及び恩恵を明確に知ることになる。添付図面は、単に好ましい実施様式を示すために使用され、本発明を限定する意図はない。さらに、同一の参照符号は、添付図面全体を通して同一の構成要素を示すのに使用される。

本発明の実施形態１による機械学習モデルのモデリング方法の概略フローチャートである。 本発明の実施形態２による機械学習モデルのモデリング方法の概略フローチャートである。 目標変数を再構築する概略フローチャートである。 本発明の実施形態３による機械学習モデルのモデリングデバイスの概略構造図である。 本発明の実施形態４による機械学習モデルのモデリングデバイスの概略構造図である。

詳細な説明
本開示の例示的な実施形態について、添付図面を参照してより詳細に以下に説明する。本開示の例示的な実施形態は添付図面に示されるが、本開示が様々な形態で実施可能であり、本明細書に記載される実施形態により限定されるものではないことを理解されたい。逆に、実施形態は、当業者が本開示をより完全に理解するために提供され、本開示の範囲を当業者に完全に伝達することができる。

本発明の実施形態において提供される機械学習モデルのモデリング方法及びデバイスについて、添付図面を参照して以下に詳細に説明する。

実施形態１
図１は、本発明の実施形態１による機械学習モデルのモデリング方法の概略フローチャートである。この実施形態において提供される方法は、不正取引を特定するのに使用することができる。換言すれば、この実施形態において述べられる目標挙動は不正取引であり得る。この実施形態において提供される方法は、他の異常取引に更に適用可能であり得、この実施形態に限定されない。図１に示されるように、方法は以下のステップを含む。

ステップ１０１：各中間目標変数に対応する機械学習サブモデルが、機械学習サブモデルの確率値を得るようにトレーニングされる。

機械学習サブモデルは、取引挙動を記述する特徴変数に従って、対応する中間目標変数により示される目標挙動タイプの特定に使用される。

特に、目標挙動は様々な実施形態を有し、同様の取引挙動を有する実施形態は１つのタイプに分類し得、各タイプ内の取引挙動は同様であるが、異なるタイプの取引挙動は一般に、互いと劇的に異なっている。例えば、不正取引を特定する応用状況では、不正取引は様々な実施形態を有する。ブラッシング、現金引き出し、ローン詐欺、及び評価水増しという実施形態の中でも、評価水増し及びブラッシングの取引挙動はかなり類似しており、１つのタイプに分類することができ、一方、現金引き出し及びローン詐欺の取引挙動は大きく異なり、それぞれ１つのタイプとして使用することができる。

目標挙動が分類されるとき、目標挙動の特定の実施形態を示す初期目標変数間の互換状態又は排他状態に従って、互換性のある初期目標変数を結合して、相互に排他的な状態の中間目標変数を取得する。異なる実施形態の取引挙動が大きく異なる場合、異なる実施形態に対応する初期目標変数は排他的である。異なる実施形態の取引挙動がわずかに異なる場合、異なる実施形態に対応する初期目標変数は互換性を有する。

各中間目標変数に対応する機械学習サブモデルが構築される。機械学習サブモデルは、取引挙動を記述する特徴変数に従って、標本が、対応する中間目標変数により示される目標挙動タイプに属するか否かを判断するためのバイナリモデルである。機械学習サブモデルは、機械学習サブモデルの確率値を得るようにトレーニング標本を使用することによりトレーニングされる。

ステップ１０２：機械学習サブモデルの確率値を合算して、目標確率値を取得する。

各機械学習サブモデルは、対応する中間目標変数により示される目標挙動タイプの特定に使用されるため、機械学習サブモデルの確率値を合算して、複数の目標挙動タイプのうちの少なくとも１つを特定する確率、すなわち、目標確率値を取得することができる。

ステップ１０３：目標挙動を特定する目標機械学習モデルが、目標確率値及び特徴変数に従って確立される。

特に、目標挙動を特定する目標機械学習モデルが構築される。目標機械学習モデルはバイナリモデルである。目標機械学習モデルの確率は目標確率値であり、目標機械学習モデルの入力は、取引挙動を記述する特徴変数であり、目標機械学習モデルの出力は、取引挙動が目標挙動であるか否かを示す目標変数である。目標変数の値は０又は１である。目標変数の値が、標本の特徴変数に従って１と判断される場合、標本は肯定標本であり、すなわち、目標挙動に属し、その他の場合、標本は目標挙動ではない。

この実施形態では、各中間目標変数に対応する機械学習サブモデルは、機械学習サブモデルの確率値を得るようにトレーニングされ、次に、機械学習サブモデルの確率値を合算し、目標挙動を特定する目標機械学習モデルが、合算により得られる目標確率値及び取引挙動を記述する特徴変数に従って確立される。不正取引を特定する応用状況では、目標挙動は不正取引であり、したがって、各機械学習サブモデルは、対応する中間目標変数により示される不正取引のタイプの特定に使用され、複数の不正取引タイプのうちの少なくとも１つを特定する確率は、機械学習サブモデルの確率値を合算することにより得ることができ、確率値に基づいて構築されたモデルは、様々な不正取引タイプを特定することができ、したがって、コストを節減し、不正取引の認識効率を改善することができる。

実施形態２
図２は、本発明の実施形態２による機械学習モデルのモデリング方法の概略フローチャートである。この実施形態では、不正取引を包括的に特定するための機械学習モデルの構築は、本発明の実施形態における技術的解決策を更に説明するための一例として使用される。図２に示されるように、方法は以下のステップを含む。

ステップ２０１：予め設定された初期目標変数及び特徴変数が得られる。

特に、過去取引データが、過去の取引により形成された取引レコードを記録する。各取引レコードは、それぞれ買い手取引情報、売り手取引情報、及び商品取引情報である三次元の取引情報を含む。加えて、各取引レコードは、取引が、様々な不正取引の特定の実施形態に属するか否かを示す情報を更に含み、不正取引の特定の実施形態は、ブラッシング、現金引き出し、ローン詐欺、及び評価水増しを含むが、これらに限定されない。

ユーザは、過去取引データから、特徴変数ｘとして設定される、取引情報を記述するパラメータを抽出することができ、また、初期特徴変数ｙとして設定される、不正取引のタイプを記述するパラメータを抽出することができる。

例えば、ブラッシングは初期特徴変数ｙ_１として使用し得、現金引き出しは初期特徴変数ｙ_２として使用し得、ローン詐欺は初期特徴変数ｙ_３として使用し得、評価水増しは初期特徴変数ｙ_４として使用し得る。

過去情報は多数のパラメータを含むため、ユーザは、特徴変数を設定する際、可能な限り多くの、取引情報を記述するパラメータを特徴変数として抽出することができる。完全な取引情報を抽出することにより、特徴変数により記述される取引挙動はより正確である。分類等の分析動作が、それに従って確立される機械学習モデルを使用することにより行われる場合、得られた結果はより正確であることができる。

ステップ２０２：初期目標変数に従って、排他的な中間目標変数が取得される。

特に、初期目標変数間の互換状態又は排他状態が特定され、初期目標変数間の互換状態又は排他状態に従って、互換性のある初期目標変数を統合して、相互に排他的な状態の中間目標変数を取得する。

まず、式

に従って初期目標変数間の互換状態又は排他状態が特定され、相互に排他的な状態の初期目標変数が２つごとに初期目標変数対として使用される。Ｎｕｍ_ｉｊは、初期目標変数ｙ_ｉ及び初期目標変数ｙ_ｊが過去取引データ内で肯定標本として同時に定義される取引レコードの数を示す。Ｎｕｍ_ｉは、初期目標変数ｙ_ｉにより、過去取引データ内で肯定標本として定義される取引レコードの数を示し、Ｎｕｍ_ｊは、初期目標変数ｙ_ｊにより、過去取引データ内で肯定標本として定義される取引レコードの数を示す。ｉ及びｊの範囲は１≦ｉ≦Ｎ、１≦ｊ≦Ｎである。Ｎは初期特徴変数の総数である。２つの初期目標変数は、Ｈ＝１である場合、排他的であり、２つの初期目標変数は、Ｈ＝０である場合、互換である。加えて、上記式中の０．２は単なる好ましい閾値である。実際の使用において、別の値を選択してもよい。閾値の値が低いほど、Ｈ＝１である場合に特定される２つの初期目標変数は、互いに対する排他性が高い；換言すれば、一方の初期目標変数対は、他方の初期目標変数の値に対してより小さな影響を有する。

なお、本明細書での肯定標本とは、取引レコードが、初期目標変数により示される不正取引タイプに属することを指し、その他の場合、否定標本である。本明細書での排他的とは、一方の初期目標変数の値が、他方の初期目標変数の値に対して小さな影響を有することを指し、本明細書での互換的とは、一方の初期目標変数の値が、他方の初期目標変数の値に対して大きな影響を有することを指す。

次に、分割集合が構築され、この集合は、全ての初期目標変数を含む。次に、初期目標変数対に従って分割集合を２つの次のレベルの分割集合に分割するステップが繰り返し実行され、次のレベルの分割集合は、分割が全ての初期目標変数対に対して行われるまで、次の初期目標変数対に従って分割を行うのに使用される。各分割集合は、初期目標変数対内の１つの初期目標変数、及び初期目標変数対以外の分割集合内の全ての要素を含む。相互包含関係を有する分割集合を統合して、目標部分集合を取得する。同じ目標部分集合内の初期目標変数を統合して、中間目標変数Ｙとして機能する。

例えば、初期目標変数がｙ_１、ｙ_２、ｙ_３、及びｙ_４である場合、かつ計算を通して、初期目標変数対ｙ１及びｙ２、初期目標変数対ｙ１及びｙ４、初期目標変数対ｙ２及びｙ４、並びに初期目標変数対ｙ３及びｙ４がそれぞれ相互に排他的な関係を有すると判断される場合、それに従って、分割集合｛ｙ１，ｙ２，ｙ３，ｙ４｝に対して分割及び統合の再構築プロセスを行い得る。図３は、目標変数を再構築する概略フローチャートである。図３に示されるように、得られた目標部分集合は｛ｙ１，ｙ２｝、｛ｙ２，ｙ３｝、及び｛ｙ４｝であり、ここで、ｙ１及びｙ２はＹ１に統合され、ｙ２及びｙ３はＹ２に統合され、ｙ４はＹ３として使用される。

ステップ２０３：中間目標変数に対応する機械学習サブモデルが構築される。

特に、各中間目標変数のバイナリ機械学習サブモデルが構築され、中間目標変数の機械学習サブモデルが、標本が中間目標変数の肯定標本であるか否かの判断に使用される。

機械学習サブモデルが線形モデルであることに基づいて、機械学習サブモデルの性能を改善し、機械学習サブモデルのトレーニング中、トレーニングノイズを低減するために、各中間目標変数の機械学習サブモデルの特徴変数をスクリーニングし得、スクリーニング後の各機械学習サブモデルの特徴変数は異なり得る。単なる単方向特徴変数は、特徴変数の一貫しない方向に起因するトレーニングノイズを回避するために、各機械学習サブモデルにおいて保持される。特定のスクリーニングプロセスは、特徴変数と各初期目標変数との共分散を計算し、統合して、中間目標変数を取得することと、初期目標変数間の共分散と一貫しない方向を有する特徴変数を排除することとを含む。

例えば、特徴変数はＸ_１、Ｘ_２、・・・、Ｘ_ｑ、・・・、及びＸ_ｎを含み、ここで、ｎは特徴変数の総数である。中間目標変数は、Ｙ_１、Ｙ_２、・・・、Ｙ_ｖ、・・・、及びＹ_Ｎ’を含み、ここで、Ｎ’は中間目標変数の総数である。

統合して、中間目標変数Ｙ_ｖを得るための初期目標変数は、ｙｓと記される。中間目標変数Ｙ_ｖの機械学習サブモデルでは、各特徴変数Ｘ_ｑと初期目標変数ｙ_ｓとの共分散は、式

を使用することにより計算される。

計算された共分散特徴変数Ｃｏｖ_ｑ１、Ｃｏｖ_ｑ２、・・・、Ｃｏｖ_ｑＳが同じ符号を有する場合、特徴変数Ｘ_ｑは保持され、その他の場合、特徴変数Ｘ_ｑは排除される。

ここで、１≦ｑ≦ｎ、１≦ｓ≦Ｓであり、Ｓは、統合して、中間目標変数Ｙ_Ｖを取得するための初期目標変数ｙ_ｓの数であり、Ｘ_ｑｋは、過去取引データ内のｋ番目の取引レコード内の特徴変数Ｘ_ｑの値であり、ｙ_ｓｋは、過去取引データ内のｋ番目の取引レコード内の初期目標変数ｙ_ｓの値であり、

は、過去取引データ内の特徴変数Ｘ_ｑの平均値であり、

は、過去取引データ内の初期目標変数ｙ_ｓの平均値である。

中間目標変数Ｙの機械学習サブモデルＭが構築され、機械学習サブモデルＭの入力は、スクリーニング後の特徴変数Ｘであり、出力は中間目標変数Ｙである。

ステップ２０４：中間目標変数に対応する機械学習サブモデルは、機械学習サブモデルの確率を得るようにトレーニングされる。

特に、過去取引データ内の各取引レコードがトレーニング標本として使用され、機械学習サブモデルは、過去取引データにより形成されるトレーニング標本集合を使用することにより、機械学習サブモデルの確率Ｐ_ｖを得るようにトレーニングされる。

機械学習サブモデルのよりよいトレーニングシミュレーション性能を得るために、過去取引データ内の各取引レコードは、機械学習サブモデルに対応する中間目標変数を得るために統合される初期目標変数の重みに従ってコピーし得る。コピーされた過去取引データは、トレーニング標本集合として使用される。各機械学習サブモデルのトレーニング標本集合はこのようにして構築される。

重みは、初期目標変数の重大性を示すために使用され、したがって、初期目標変数が重大であるほど、コピー動作後のトレーニング標本集合内の初期目標変数の肯定標本の数は大きく、したがって、トレーニング中のトレーニングシミュレーション性能を改善する。

例えば：
中間目標変数Ｙ_ｖの機械学習サブモデルのトレーニング標本集合が構築されるとき、中間目標変数Ｙ_ｖを取得するために統合される初期目標変数ｙ_ｓの重みは、Ｗ_１、Ｗ_２、・・・、Ｗ_ｓ、・・・、Ｗｓとして予め決定される。取引レコード毎に、中間目標変数Ｙ_ｖを取得するために統合される各初期目標変数ｙ_ｓの重みＷ_ｓは、式

に代入される。

トレーニング標本が初期目標変数ｙ_ｓの肯定標本である場合、ｙ_ｓ＝１であり、トレーニング標本が初期目標変数ｙ_ｓの否定標本である場合、ｙ_ｓ＝０であり、標本のコピー数ＣＮが得られる。対応するＣＮ回分のコピーが各トレーニング標本に対して行われて、トレーニング標本集合を構築する。

次に、中間目標変数に対応する機械学習サブモデルがそれぞれ、コピーにより得られたトレーニング標本集合を使用することによりトレーニングされ、機械学習サブモデルの確率Ｐ_１、Ｐ_２、・・・、Ｐ_ｖ、・・・、及びＰ_Ｎ’を取得する。

ステップ２０５：機械学習サブモデルの確率を合算して、目標確率値を取得する。

特に、機械学習サブモデルの確率Ｐ_１、Ｐ_２、・・・、Ｐ_ｖ、・・・、Ｐ_Ｎ’を式

に代入して、機械学習モデルの確率Ｐを計算し取得する。

ステップ２０６：機械学習モデルが構築される。

特に、機械学習モデルはバイナリモデルであり、機械学習モデルの確率はＰであり、入力は特徴変数Ｘであり、出力は、取引が不正取引であるか否かを示す目標変数である。構築された機械学習モデルは、入力特徴変数により記述される取引挙動が不正取引に属するか否かを判断するのに使用される。標本は、機械学習モデルに基づいて判断される。標本が肯定標本として判断される場合、標本により示される取引が不正取引である確率が高いことを示し、標本が否定標本であると判断される場合、標本により示される取引が不正取引である確率が低いことを示す。

実施形態３
図４は、本発明の実施形態３による機械学習モデルのモデリングデバイスの概略構造図である。図４に示されるように、モデリングデバイスは、トレーニングモジュール４１、合算モジュール４２、及びモデリングモジュール４３を含む。

トレーニングモジュール４１は、機械学習サブモデルの確率値を得るように、各中間目標変数に対応する機械学習サブモデルをトレーニングするように構成される。

機械学習サブモデルは、取引挙動を記述する特徴変数に従って、対応する中間目標変数により示される目標挙動タイプを特定するのに使用される。

合算モジュール４２は、機械学習サブモデルの確率値を合算して、目標確率値を取得するように構成される。

特に、合算モジュール４２は、各機械学習サブモデルの確率ｐ_ｖを式

に代入して、計算により機械学習モデルの確率Ｐを取得するように特に構成される。

式中、Ｎ’は機械学習サブモデルの数である。

モデリングモジュール４３は、目標確率値及び特徴変数に従って、目標挙動を特定するための目標機械学習モデルを確立するように構成される。

この実施形態では、各中間目標変数に対応する機械学習サブモデルは、機械学習サブモデルの確率値を得るようにトレーニングされ、次に、機械学習サブモデルの確率値が合算され、目標挙動を特定する目標機械学習モデルが、合算により得られる目標確率値及び取引挙動を記述する特徴変数に従って確立される。不正取引を特定する応用状況では、目標挙動は不正取引であり、したがって、各機械学習サブモデルは、対応する中間目標変数により示される不正取引タイプの特定に使用され、複数の不正取引タイプのうちの少なくとも１つを特定する確率は、機械学習サブモデルの確率値を合算することにより取得することができ、確率値に基づいて構築されたモデルは、様々な不正取引タイプを特定することができ、したがって、コストを節減し、不正取引の認識効率を改善する。

実施形態４
図５は、本発明の実施形態４による機械学習モデルのモデリングデバイスの概略構造図である。図５に示されるように、図４に提供される機械学習モデルのモデリングデバイスを基準に、モデリングデバイスは、取得モジュール４４を更に含む。

取得モジュール４４は、初期目標変数間の互換状態又は排他状態に従って、互換性のある初期目標変数を統合して、相互に排他的な状態の中間目標変数を取得するように構成され、初期目標変数は、目標挙動の実施形態を示すのに使用される。

図６は、本発明の実施形態４による機械学習モデルの別のモデリングデバイスの概略構造図である。可能な実施形態として、取得モジュール４４は、計算ユニット４４１、結合ユニット４４２、構築ユニット４４３、分割ユニット４４４、統合ユニット４４５、及び特定ユニット４４６を更に含む。

計算ユニット４４１は、式

に従って、初期目標変数間の互換状態又は排他状態を特定するように構成される。

式中、Ｎｕｍ_ｉｊは、初期目標変数ｙ_ｉ及び初期目標変数ｙ_ｊにより、過去取引データ内で肯定標本として同時に定義される取引レコードの数を示し、Ｎｕｍ_ｉは、初期目標変数ｙ_ｉにより、過去取引データ内で肯定標本として定義される取引レコードの数を示し、Ｎｕｍ_ｊは、初期目標変数ｙ_ｊにより、過去取引データ内で肯定標本として定義される取引レコードの数を示し、１≦ｉ≦Ｎ、１≦ｊ≦Ｎであり、Ｎは初期特徴変数の総数であり、２つの初期目標変数は、Ｈ＝１である場合、排他的であり、２つの初期目標変数は、Ｈ＝０である場合、互換である。

Ｔ_１及びＴ_２は予め設定される閾値であり、０＜Ｔ_１＜１であり、０＜Ｔ_２＜１である。好ましくは、Ｔ_１＝Ｔ_２＝０．２である。

結合ユニット４４２は、相互に排他的な状態の初期目標変数を２つごとに結合して、初期目標変数対にするように構成される。

構築ユニット４４３は、初期目標変数を含む分割集合を構築するように構成される。

分割ユニット４４４は、初期目標変数対毎に、初期目標変数対に従って分割集合を２つの次のレベルの分割集合に順次分割するステップを実行するように構成され、次のレベルの分割集合のそれぞれは、初期目標変数対内の１つの初期目標変数、及び初期目標変数対以外の分割集合内の全ての要素を含む。

ここで、次のレベルの分割集合は、次の初期目標変数対に従って分割を行うために使用される。

統合ユニット４４５は、相互包含関係を有する分割集合を統合して、目標部分集合を取得するように構成される。

特定ユニット４４６は、同じ目標部分集合内の初期目標変数を統合して、中間目標変数として機能するように構成される。

さらに、機械学習サブモデルは線形モデルである。モデリングデバイスは、共分散計算モジュール４５、スクリーニングモジュール４６、計算モジュール４７、コピーモジュール４８、及び標本モジュール４９を更に含む。

共分散計算モジュール４５は、特徴変数Ｘ_ｑと各機械学習サブモデルの各初期目標変数ｙ_ｓとの共分散を計算するように構成される。

ここで、初期目標変数ｙ_ｓは、機械学習サブモデルに対応する中間目標変数を取得するために、統合するのに使用される。

スクリーニングモジュール４６は、特徴変数Ｘ_ｑと各初期目標変数ｙ_ｓとの共分散の符号が異なる場合、特徴変数Ｘ_ｑを排除し、その他の場合、特徴変数Ｘ_ｑを保持するように構成される。

計算モジュール４７は、取引レコード毎に、初期目標変数ｙ_ｓ及び初期目標変数ｙ_ｓの重みＷ_ｓを式

に代入して、取引レコードのコピー数ＣＮを取得するように構成される。

ここで、取引レコードが初期目標変数ｙ_ｓの肯定標本である場合、ｙ_ｓ＝１であり、その他の場合、ｙ_ｓ＝０であり、Ｓは初期目標変数ｙ_ｓの数である。

コピーモジュール４８は、各初期目標変数ｙ_ｓの重みＷ_ｓにより決まる取引レコードのコピー数に従って、各機械学習サブモデルのために過去取引データ内の取引レコードをコピーするように構成され、初期目標変数ｙ_ｓは、機械学習サブモデルに対応する中間目標変数を取得するために、統合するのに使用される。

標本モジュール４９は、コピーされた過去取引データを機械学習サブモデルのトレーニング標本として使用するように構成される。

この実施形態において提供されるデバイスは、図１及び図２に示される方法を実行するように構成される。この実施形態において繰り返されない様々な機能モジュールの説明については、上記実施形態を参照のこと。

この実施形態では、各中間目標変数に対応する機械学習サブモデルは、機械学習サブモデルの確率値を得るようにトレーニングされ、次に、機械学習サブモデルの確率値を合算し、目標挙動を特定する目標機械学習モデルが、合算により得られる目標確率値及び取引挙動を記述する特徴変数に従って確立される。不正取引を特定する応用状況では、目標挙動は不正取引であり、したがって、各機械学習サブモデルは、対応する中間目標変数により示される不正取引タイプの特定に使用され、複数の不正取引タイプのうちの少なくとも１つを特定する確率は、機械学習サブモデルの確率値を合算することにより取得することができ、確率値に基づいて構築されたモデルは、様々な不正取引タイプを特定することができ、したがって、コストを節減し、不正取引の認識効率を改善する。

上記方法実施形態を実施するステップの全て又は一部が、関連するハードウェアに命令するプログラムを通して達成し得ることを当業者は理解し得る。プログラムは、コンピュータ可読記憶媒体に記憶し得る。プログラムは、実行されると、上記方法実施形態のステップを実行する。記憶媒体は、ＲＯＭ、ＲＡＭ、磁気ディスク、及び光ディスク等のプログラムコードを記憶することができる様々な媒体を含む。

最後に、上記実施形態が単に、本発明の技術的解決策を示すために使用され、本発明を限定する意図がないことに留意されたい。本発明について上記実施形態を参照して詳細に説明したが、上記実施形態において記録された技術的解決策を変更することもでき、又は同等の置換を実施形態における幾つか若しくは全ての技術的特徴に対して行い得ることを当業者は理解されたい。これらの変更又は置換は、本発明の実施形態における技術的解決策の範囲から逸脱する対応する技術的解決策の本質をなさない。

Claims (24)

1. 機械学習モデルのモデリング方法であって、
   初期目標変数間の互換状態又は相互に排他的な状態に従って、互換性のある初期目標変数を統合して、中間目標変数を取得することであって、前記中間目標変数は、相互に排他的な状態にあり、前記初期目標変数のうちの少なくとも１つは、目標挙動の実施形態を示すのに使用される、前記中間目標変数を取得することと、
   複数の機械学習サブモデルのそれぞれの確率値を得るように、前記複数の機械学習サブモデルをトレーニングすることであって、 前記複数の機械学習サブモデルのそれぞれは、前記中間目標変数の１つに対応することと、
   前記複数の機械学習サブモデルをトレーニングすることから取得された確率値に基づいて、目標確率値を取得することと、
   前記目標確率値及び特徴変数に従って、前記目標挙動を特定する目標機械学習モデルを構築することと
   を含む、方法。
2. 前記互換性のある初期目標変数を統合することは、
   相互に排他的な状態の２つの初期目標変数ごとに初期目標変数対を構築することと、
   前記初期目標変数を含む分割集合を構築することと、
   初期目標変数対毎に、前記初期目標変数対に従って分割集合を２つの次のレベルの分割集合に分割することであって、前記次のレベルの分割集合のそれぞれは、前記初期目標変数対中の１つの初期目標変数、及び前記分割集合内の１つ以上の要素を含み、前記次のレベルの分割集合は、次の初期目標変数対に従って分割を行うために使用される、分割することと、
   相互包含関係を有する分割集合を統合して、目標部分集合を取得することと、
   前記目標部分集合内の初期目標変数を統合して、前記中間目標変数のうちの少なくとも１つを取得することと
   を含む、請求項１に記載のモデリング方法。
3. 前記互換性のある初期目標変数を統合することの前に、式
   

   

   
   に従って前記初期目標変数間の互換状態又は相互に排他的な状態を特定すること
   を更に含み、式中、Ｎｕｍ_ｉｊは、初期目標変数ｙ_ｉ及び初期目標変数ｙ_ｊの両方により、過去取引データ内で肯定標本として定義される取引レコードの数であり、Ｎｕｍ_iは、初期目標変数ｙ_ｉにより、前記過去取引データ内で肯定標本として定義される取引レコードの数であり、Ｎｕｍ_ｊは、初期目標変数ｙ_ｊにより、前記過去取引データ内で肯定標本として定義される取引レコードの数であり、１≦ｉ≦Ｎ、１≦ｊ≦Ｎであり、Ｎは初期特徴変数の総数であり、前記２つの初期目標変数は、Ｈ＝１である場合、排他的であり、前記２つの初期目標変数は、Ｈ＝０である場合、互換であり、Ｔ_１及びＴ_２は予め設定される閾値であり、０＜Ｔ_１＜１であり、かつ０＜Ｔ_２＜１である、請求項１に記載のモデリング方法。
4. 前記複数の機械学習サブモデルのうちの少なくとも１つは線形モデルであり、
   前記複数の機械学習サブモデルをトレーニングすることの前に、前記複数の機械学習サブモデルのうちの前記少なくとも１つの特徴変数Ｘ_ｑと各初期目標変数ｙ _ｓ との共分散を特定することであって、前記初期目標変数ｙ_ｓは、前記中間目標変数を取得するのに使用される、特定することと、
   前記特徴変数Ｘ_ｑと各初期目標変数ｙ_ｓとの前記共分散の符号が同一ではない場合、前記特徴変数Ｘ_ｑを排除し、前記特徴変数Ｘ_ｑと各初期目標変数ｙ_ｓとの前記共分散の符号が同一である場合、前記特徴変数Ｘ_ｑを保持することと
   を更に含む、請求項１に記載のモデリング方法。
5. 前記複数の機械学習サブモデルをトレーニングすることの前に、各初期目標変数ｙ_ｓの重みＷ_ｓにより決まる取引レコードのコピー数に従って、各機械学習サブモデルのために前記過去取引データ内の取引レコードをコピーすることであって、前記初期目標変数ｙ_ｓは、前記中間目標変数を取得するのに使用される、コピーすることと、
   前記機械学習サブモデルのトレーニング標本として、前記コピーされた過去取引データを使用することと
   を更に含む、請求項３に記載のモデリング方法。
6. 前記取引レコードをコピーすることの前に、式
   

   

   
   に基づいて、前記取引レコードのコピー数を取得することであって、式中、ＣＮはコピー数であり、Ｓは初期目標変数ｙ_ｓの数であり、前記取引レコードが初期目標変数ｙ_ｓの肯定標本である場合、ｙ_ｓ＝１であり、前記取引レコードが初期目標変数ｙ_ｓの肯定標本ではない場合、ｙ_ｓ＝０である、取得すること
   を更に含む、請求項５に記載のモデリング方法。
7. 前記目標確率値を取得することは、
   式
   

   

   
   に基づいて、前記機械学習モデルの確率Ｐを特定することであって、式中、ｐ_ｖは対応する機械学習サブモデルの前記確率値であり、Ｎ’は前記機械学習サブモデルの数である、特定すること
   を含む、請求項１に記載のモデリング方法。
8. 前記目標挙動は不正取引を含み、前記複数の機械学習サブモデルのそれぞれは、取引挙動を記述する前記特徴変数のうちの少なくとも１つに従って、対応する中間目標変数により示される目標挙動タイプを特定する、請求項１に記載のモデリング方法。
9. 機械学習モデルのモデリングデバイスであって、
   初期目標変数間の互換状態又は相互に排他的な状態に従って、互換性のある初期目標変数を統合して、中間目標変数を取得するように構成された取得モジュールであって、前記中間目標変数は、相互に排他的な状態にあり、前記初期目標変数のうちの少なくとも１つは、目標挙動の実施形態を示すのに使用される、取得モジュールと、
   複数の機械学習サブモデルのそれぞれの確率値を得るように、前記複数の機械学習サブモデルをトレーニングするように構成されたトレーニングモジュールであって、 前記複数の機械学習サブモデルのそれぞれは、前記中間目標変数の１つに対応する、トレーニングモジュールと、
   前記トレーニングモジュールによって取得された前記複数の機械学習サブモデルの前記確率値に基づいて、目標確率値を取得するように構成された合算モジュールと、
   前記目標確率値及び特徴変数に従って、前記目標挙動を特定する目標機械学習モデルを構築するように構成されたモデリングモジュールと
   を含む、モデリングデバイス。
10. 前記取得モジュールは、
    相互に排他的な状態の２つの初期目標変数ごとに初期目標変数対を構築するように構成された結合ユニットと、
    前記初期目標変数を含む分割集合を構築するように構成された構築ユニットと、
    初期目標変数対毎に、前記初期目標変数対に従って分割集合を２つの次のレベルの分割集合に分割するように構成された分割ユニットであって、前記次のレベルの分割集合のそれぞれは、前記初期目標変数対中の１つの初期目標変数、及び前記分割集合内の１つ以上の要素を含み、前記次のレベルの分割集合は、次の初期目標変数対に従って分割を行うために使用される、分割ユニットと、
    相互包含関係を有する分割集合を統合して、目標部分集合を取得するように構成された統合ユニットと、
    前記目標部分集合内の初期目標変数を統合して、前記中間目標変数のうちの少なくとも１つを取得するように構成された特定ユニットと
    を含む、請求項９に記載のモデリングデバイス。
11. 前記取得モジュールは、
    式
    

    

    
    に従って前記初期目標変数間の互換状態又は相互に排他的な状態を特定するように構成された取得ユニット
    を更に含み、式中、Ｎｕｍ_ｉｊは、初期目標変数ｙ_ｉ及び初期目標変数ｙ_ｊの両方により、過去取引データ内で肯定標本として定義される取引レコードの数であり、Ｎｕｍ_ｉは、初期目標変数ｙ_ｉにより、前記過去取引データ内で肯定標本として定義される取引レコードの数であり、Ｎｕｍ_ｊは、初期目標変数ｙ_ｊにより、前記過去取引データ内で肯定標本として定義される取引レコードの数であり、１≦ｉ≦Ｎ、１≦ｊ≦Ｎであり、Ｎは初期特徴変数の総数であり、前記２つの初期目標変数は、Ｈ＝１である場合、排他的であり、前記２つの初期目標変数は、Ｈ＝０である場合、互換であり、Ｔ_１及びＴ_２は予め設定される閾値であり、０＜Ｔ_１＜１であり、０＜Ｔ_２＜１である、請求項９に記載のモデリングデバイス。
12. 前記複数の機械学習サブモデルのうちの少なくとも１つは線形モデルであり、前記デバイスは、
    前記複数の機械学習サブモデルのうちの前記少なくとも１つの特徴変数Ｘ_ｑと各初期目標変数ｙ_ｓとの共分散を特定するように構成された共分散計算モジュールであって、前記初期目標変数ｙ_ｓは、前記中間目標変数を取得するのに使用される、共分散計算モジュールと、
    前記特徴変数Ｘ_ｑと各初期目標変数ｙ_ｓとの前記共分散の符号が同一ではない場合、前記特徴変数Ｘ_ｑを排除し、前記特徴変数Ｘ_ｑと各初期目標変数ｙ_ｓとの前記共分散の符号が同一である場合、前記特徴変数Ｘ_ｑを保持するように構成されたスクリーニングモジュールと
    を更に含む、請求項９に記載のモデリングデバイス。
13. 各初期目標変数ｙ_ｓの重みＷ_ｓにより決まる取引レコードのコピー数に従って、各機械学習サブモデルのために前記過去取引データ内の取引レコードをコピーするように構成されたコピーモジュールであって、前記初期目標変数ｙ_ｓは、前記中間目標変数を取得するのに使用される、コピーモジュールと、
    前記機械学習サブモデルのトレーニング標本として、前記コピーされた過去取引データを使用するように構成された標本モジュールと
    を更に含む、請求項１１に記載のモデリングデバイス。
14. 式
    

    

    
    に基づいて、前記取引レコードのコピー数を取得するように構成された特定モジュールであって、式中、ＣＮはコピー数であり、Ｓは初期目標変数ｙ_ｓの数であり、前記取引レコードが前記初期目標変数ｙ_ｓの肯定標本である場合、ｙ_ｓ＝１であり、前記取引レコードが前記初期目標変数ｙ_ｓの肯定標本ではない場合、ｙ_ｓ＝０である、特定モジュール
    を更に含む、請求項１３に記載のモデリングデバイス。
15. 前記合算モジュールは、式
    

    

    
    に基づいて、前記機械学習モデルの確率Ｐを特定するように構成され、式中、ｐ_ｖは対応する機械学習サブモデルの前記確率値であり、Ｎ’は前記機械学習サブモデルの数である、請求項９に記載のモデリングデバイス。
16. 前記目標挙動は不正取引を含み、前記複数の機械学習サブモデルのそれぞれは、取引挙動を記述する前記特徴変数のうちの少なくとも１つに従って、対応する中間目標変数により示される目標挙動タイプを特定する、請求項９に記載のモデリングデバイス。
17. 電子デバイスの１つ以上のプロセッサによって実行可能な命令の集合を記憶して前記電子デバイスに機械学習モデルのモデリング方法を実行させる非一時的コンピュータ可読記憶媒体であって、前記方法は、
    初期目標変数間の互換状態又は相互に排他的な状態に従って、互換性のある初期目標変数を統合して、中間目標変数を取得することであって、前記中間目標変数は、相互に排他的な状態にあり、前記初期目標変数のうちの少なくとも１つは、目標挙動の実施形態を示すのに使用される、前記中間目標変数を取得することと、
    複数の機械学習サブモデルのそれぞれの確率値を得るように、前記複数の機械学習サブモデルをトレーニングすることであって、 前記複数の機械学習サブモデルのそれぞれは、前記中間目標変数の１つに対応することと、
    前記複数の機械学習サブモデルをトレーニングすることから取得された確率値に基づいて、目標確率値を取得することと、
    前記目標確率値及び特徴変数に従って、前記目標挙動を特定する目標機械学習モデルを構築することと
    を含む、非一時的コンピュータ可読記憶媒体。
18. 前記電子デバイスの前記１つ以上のプロセッサによって実行可能な前記命令の集合は、前記互換性のある初期目標変数を統合するために、前記電子デバイスに、
    相互に排他的な状態の２つの初期目標変数ごとに初期目標変数対を構築することと、
    前記初期目標変数を含む分割集合を構築することと、
    初期目標変数対毎に、前記初期目標変数対に従って分割集合を２つの次のレベルの分割集合に分割することであって、前記次のレベルの分割集合のそれぞれは、前記初期目標変数対中の１つの初期目標変数、及び前記分割集合内の１つ以上の要素を含み、前記次のレベルの分割集合は、次の初期目標変数対に従って分割を行うために使用される、分割することと、
    相互包含関係を有する分割集合を統合して、目標部分集合を取得することと、
    前記目標部分集合内の初期目標変数を統合して、前記中間目標変数のうちの少なくとも１つを取得することと
    を実行させる、請求項１７に記載の非一時的コンピュータ可読記憶媒体。
19. 前記電子デバイスの前記１つ以上のプロセッサによって実行可能な前記命令の集合は、前記電子デバイスに、
    前記互換性のある初期目標変数を統合することの前に、式
    

    

    
    に従って前記初期目標変数間の互換状態又は相互に排他的な状態を特定すること
    を更に実行させ、式中、Ｎｕｍ_ｉｊは、初期目標変数ｙ_ｉ及び初期目標変数ｙ_ｊの両方により、過去取引データ内で肯定標本として定義される取引レコードの数であり、Ｎｕｍ_iは、初期目標変数ｙ_ｉにより、前記過去取引データ内で肯定標本として定義される取引レコードの数であり、Ｎｕｍ_ｊは、初期目標変数ｙ_ｊにより、前記過去取引データ内で肯定標本として定義される取引レコードの数であり、１≦ｉ≦Ｎ、１≦ｊ≦Ｎであり、Ｎは初期特徴変数の総数であり、前記２つの初期目標変数は、Ｈ＝１である場合、排他的であり、前記２つの初期目標変数は、Ｈ＝０である場合、互換であり、Ｔ_１及びＴ_２は予め設定される閾値であり、０＜Ｔ_１＜１であり、かつ０＜Ｔ_２＜１である、請求項１７に記載の非一時的コンピュータ可読記憶媒体。
20. 前記複数の機械学習サブモデルのうちの少なくとも１つは線形モデルであり、前記電子デバイスの前記１つ以上のプロセッサによって実行可能な前記命令の集合は、前記電子デバイスに、
    前記複数の機械学習サブモデルをトレーニングすることの前に、前記複数の機械学習サブモデルのうちの前記少なくとも１つの特徴変数Ｘ_ｑと各初期目標変数ｙ_ｓとの共分散を特定することであって、前記初期目標変数ｙ_ｓは、前記中間目標変数を取得するのに使用される、特定することと、
    前記特徴変数Ｘ_ｑと各初期目標変数ｙ_ｓとの前記共分散の符号が同一ではない場合、前記特徴変数Ｘ_ｑを排除し、前記特徴変数Ｘ_ｑと各初期目標変数ｙ_ｓとの前記共分散の符号が同一である場合、前記特徴変数Ｘ_ｑを保持することと
    を更に実行させる、請求項１７に記載の非一時的コンピュータ可読記憶媒体。
21. 前記電子デバイスの前記１つ以上のプロセッサによって実行可能な前記命令の集合は、前記電子デバイスに、
    前記複数の機械学習サブモデルをトレーニングすることの前に、各初期目標変数ｙ_ｓの重みＷ_ｓにより決まる取引レコードのコピー数に従って、各機械学習サブモデルのために前記過去取引データ内の取引レコードをコピーすることであって、前記初期目標変数ｙ_ｓは、前記中間目標変数を取得するのに使用される、コピーすることと、
    前記機械学習サブモデルのトレーニング標本として、前記コピーされた過去取引データを使用することと
    を更に実行させる、請求項１９に記載の非一時的コンピュータ可読記憶媒体。
22. 前記電子デバイスの前記１つ以上のプロセッサによって実行可能な前記命令の集合は、前記電子デバイスに、
    前記取引レコードをコピーすることの前に、式
    

    

    
    に基づいて、前記取引レコードのコピー数を取得することであって、式中、ＣＮはコピー数であり、Ｓは初期目標変数ｙ_ｓの数であり、前記取引レコードが初期目標変数ｙ_ｓの肯定標本である場合、ｙ_ｓ＝１であり、前記取引レコードが初期目標変数ｙ_ｓの肯定標本ではない場合、ｙ_ｓ＝０である、取得すること
    を更に実行させる、請求項２１に記載の非一時的コンピュータ可読記憶媒体。
23. 前記電子デバイスの前記１つ以上のプロセッサによって実行可能な前記命令の集合は、前記目標確率値を取得するために、前記電子デバイスに、
    式
    

    

    
    に基づいて、前記機械学習モデルの確率Ｐを特定することであって、式中、ｐ_ｖは対応する機械学習サブモデルの前記確率値であり、Ｎ’は前記機械学習サブモデルの数である、
    特定すること
    を実行させる、請求項１７に記載の非一時的コンピュータ可読記憶媒体。
24. 前記目標挙動は不正取引を含み、前記複数の機械学習サブモデルのそれぞれは、取引挙動を記述する前記特徴変数のうちの少なくとも１つに従って、対応する中間目標変数により示される目標挙動タイプを特定する、請求項１７に記載の非一時的コンピュータ可読記憶媒体。

Images