一种训练方法、特征提取方法、装置及电子设备制造方法及图纸

本说明书实施例提供一种训练方法、特征提取方法、装置及电子设备。训练方法包括：将样本对象对应目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集，其中，第一短期特征集中的各短期特征对应有相同的第一时间粒度。将第二短期特征集按照时间顺序组合成长期特征集，其中，长期特征集中的各长期特征对应有相同的第二时间粒度，第二时间粒度大于第一时间粒度。将长期特征集输入至卷积神经网络，得到目标对象对应所述目标分类下的目标特征集。将目标特征集输入至用于识别目标分类的分类模型，以基于所述分类模型针对样本对象的识别结果，对循环神经网络和卷积神经网络进行训练。

A training method, feature extraction method, device and electronic equipment

【技术实现步骤摘要】
一种训练方法、特征提取方法、装置及电子设备
本文件涉及数据处理
，尤其涉及一种训练方法、特征提取方法、装置及电子设备。
技术介绍
随着人工智能的发展，越来越多的场景会应用到由神经网络所构建的深度学习模型，以达到机械化处理信息的目的。在其中一些场景中，需要使用不同时间粒度所呈现的特征对模型进行训练。现有技术的作为是分别针对每种时间粒度的特征，对模型进行单独训练。这种方式下，首先训练效率不高；其次，训练后的模型无法体现出短期特性与长期特性之间的隐性关联，导致模型性能不佳。有鉴于此，如何以较高的效率，训练出能够关联短期特性和长期特性的模型，是当前亟需要解决的技术问题。
技术实现思路
本说明书实施例目的是提供一种训练方法、特征提取方法及相关装置，能够以较高的效率，训练出能够关联短期特性和长期特性的模型。为了实现上述目的，本说明书实施例是这样实现的：第一方面，提供一种训练方法，包括：将样本对象对应目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集，其中，所述第一短期特征集中的各短期特征对应有相同的第一时间粒度；将所述第二短期特征集按照时间顺序组合成长期特征集，其中，所述长期特征集中的各长期特征对应有相同的第二时间粒度，所述第二时间粒度大于所述第一时间粒度；将所述长期特征集输入至卷积神经网络，得到所述目标对象对应所述目标分类下的目标特征集；将所述目标特征集输入至用于识别所述目标分类的分类模型，以基于所述分类模型针对所述样本对象的识别结果，对所述循环神经网络和所述卷积神经网络进行训练。第二方面，提供一种特征提取方法，包括：将目标对象属于目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集，其中，所述第一短期特征集中的各短期特征对应有相同的第一时间粒度；将所述第二短期特征集按照时间顺序组合成长期特征集，其中，所述长期特征集中的各长期特征对应有相同的第二时间粒度，所述第二时间粒度大于所述第一时间粒度；将所述长期特征集输入至卷积神经网络，得到所述目标对象对应所述目标分类下的目标特征集；其中，所述循环神经网络和所述卷积神经网络是将样本对象的目标特征集输入至具有识别所述目标分类的分类模型后，基于所述分类模型得到针对所述样本对象的识别结果，对所述循环神经网络和所述卷积神经网络进行训练所得到的，所述样本对象的目标特征集是基于所述循环神经网络和所述卷积神经网络确定得到的。第三方面，提供一种神经网络的训练装置，包括：第一处理模块，将样本对象对应目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集；其中，所述第一短期特征集中的各短期特征对应有相同的第一时间粒度；第一组合模块，将所述第二短期特征集按照时间顺序组合成长期特征集，其中，所述长期特征集中的各长期特征对应有相同的第二时间粒度，所述第二时间粒度大于所述第一时间粒度；第二处理模块，将所述长期特征集输入至卷积神经网络，得到所述目标对象对应所述目标分类下的目标特征集；训练模块，将所述目标特征集输入至用于识别所述目标分类的分类模型，以基于所述分类模型针对所述样本对象的识别结果，对所述循环神经网络和所述卷积神经网络进行训练。第四方面，提供一种电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：将样本对象对应目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集；其中，所述第一短期特征集中的各短期特征对应有相同的第一时间粒度；将所述第二短期特征集按照时间顺序组合成长期特征集，其中，所述长期特征集中的各长期特征对应有相同的第二时间粒度，所述第二时间粒度大于所述第一时间粒度；将所述长期特征集输入至卷积神经网络，得到所述目标对象对应所述目标分类下的目标特征集；将所述目标特征集输入至用于识别所述目标分类的分类模型，以基于所述分类模型针对所述样本对象的识别结果，对所述循环神经网络和所述卷积神经网络进行训练。第五方面，提供一种算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：将样本对象对应目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集；其中，所述第一短期特征集中的各短期特征对应有相同的第一时间粒度；将所述第二短期特征集按照时间顺序组合成长期特征集，其中，所述长期特征集中的各长期特征对应有相同的第二时间粒度，所述第二时间粒度大于所述第一时间粒度；将所述长期特征集输入至卷积神经网络，得到所述目标对象对应所述目标分类下的目标特征集；将所述目标特征集输入至用于识别所述目标分类的分类模型，以基于所述分类模型针对所述样本对象的识别结果，对所述循环神经网络和所述卷积神经网络进行训练。第六方面，提供一种特征提取装置，包括：第三处理模块，将目标对象属于目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集；其中，所述第一短期特征集中的各短期特征对应有相同的第一时间粒度；第二组合模块，将所述第二短期特征集按照时间顺序组合成长期特征集，其中，所述长期特征集中的各长期特征对应有相同的第二时间粒度，所述第二时间粒度大于所述第一时间粒度；第四处理模块，将所述长期特征集输入至卷积神经网络，得到所述目标对象对应所述目标分类下的目标特征集；其中，所述循环神经网络和所述卷积神经网络是将样本对象的目标特征集输入至具有识别所述目标分类的分类模型后，基于所述分类模型得到的识别结果，对所述循环神经网络和所述卷积神经网络进行训练所得到的，所述样本对象的目标特征集是基于所述循环神经网络和所述卷积神经网络确定得到的。第七方面，提供一种电子设备，包括：将目标对象属于目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集；其中，所述第一短期特征集中的各短期特征对应有相同的第一时间粒度；将所述第二短期特征集按照时间顺序组合成长期特征集，其中，所述长期特征集中的各长期特征对应有相同的第二时间粒度，所述第二时间粒度大于所述第一时间粒度；将所述长期特征集输入至卷积神经网络，得到所述目标对象对应所述目标分类下的目标特征集；其中，所述循环神经网络和所述卷积神经网络是将样本对象的目标特征集输入至具有识别所述目标分类的分类模型后，基于所述分类模型得到的识别结果，对所述循环神经网络和所述卷积神经网络进行训练所得到的，所述样本对象的目标特征集是基于所述循环神经网络和所述卷积神经网络确定得到的。第八方面，提供一种算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：将目标对象属于目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集；其中，所述第一短期特征集中的各短期特征对应有相同的第一时间粒度；将所述第二短期特征集按照时间顺序组本文档来自技高网...

【技术保护点】
1.一种训练方法，包括：/n将样本对象对应目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集，其中，所述第一短期特征集中的各短期特征对应有相同的第一时间粒度；/n将所述第二短期特征集按照时间顺序组合成长期特征集，其中，所述长期特征集中的各长期特征对应有相同的第二时间粒度，所述第二时间粒度大于所述第一时间粒度；/n将所述长期特征集输入至卷积神经网络，得到所述目标对象对应所述目标分类下的目标特征集；/n将所述目标特征集输入至用于识别所述目标分类的分类模型，以基于所述分类模型针对所述样本对象的识别结果，对所述循环神经网络和所述卷积神经网络进行训练。/n

【技术特征摘要】
1.一种训练方法，包括：
将样本对象对应目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集，其中，所述第一短期特征集中的各短期特征对应有相同的第一时间粒度；
将所述第二短期特征集按照时间顺序组合成长期特征集，其中，所述长期特征集中的各长期特征对应有相同的第二时间粒度，所述第二时间粒度大于所述第一时间粒度；
将所述长期特征集输入至卷积神经网络，得到所述目标对象对应所述目标分类下的目标特征集；
将所述目标特征集输入至用于识别所述目标分类的分类模型，以基于所述分类模型针对所述样本对象的识别结果，对所述循环神经网络和所述卷积神经网络进行训练。


2.根据权利要求1所述的方法，
将所述目标特征集输入至用于识别所述目标分类的分类模型，以基于所述分类模型针对所述样本对象的识别结果，对所述循环神经网络和所述卷积神经网络进行训练，包括：
将所述目标特征集作为用于识别所述目标分类的分类模型的输入，将所述样本对象的标签作为所述分类模型的输出，以基于所述分类模型针对所述样本对象的识别结果，对所述循环神经网络和所述卷积神经网络进行训练，其中，所述样本对象的标签用于指示所述样本用对象是否符合所述目标分类。


3.根据权利要求1所述的方法，还包括：
所述循环神经网络包括以下至少一者：
长短期记忆网络、门控循环单元网络以及自注意力机制网络。


4.根据权利要求1所述的方法，
所述卷积神经网络包括：文本卷进循环网络。


5.根据权利要求1-4中任一项所述的方法，
所述卷积神经网络包括：
卷积层，对长期特征集进行卷积处理，得到卷积层输出特征集；
池化层，基于最大值池化算法和/或均值池化算法，对所述卷积层输出特征集进行池化处理，得到池化层输出特征集；
全连接层，将池化层输出特征集转换为单一维度的目标特征集。


6.根据权利要求1-4中任一项所述的方法，
所述目标分类为金融风险，所述第一短期特征集包括以下至少一种特征维度的短期特征：
所述样本对象在各第一时间粒度所对应的交易总金额、交易总笔数以及交易对手总数。


7.一种特征提取方法，包括：
将目标对象属于目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集，其中，所述第一短期特征集中的各短期特征对应有相同的第一时间粒度；
将所述第二短期特征集按照时间顺序组合成长期特征集，其中，所述长期特征集中的各长期特征对应有相同的第二时间粒度，所述第二时间粒度大于所述第一时间粒度；
将所述长期特征集输入至卷积神经网络，得到所述目标对象对应所述目标分类下的目标特征集；
其中，所述循环神经网络和所述卷积神经网络是将样本对象的目标特征集输入至具有识别所述目标分类的分类模型后，基于所述分类模型得到针对所述样本对象的识别结果，对所述循环神经网络和所述卷积神经网络进行训练所得到的，所述样本对象的目标特征集是基于所述循环神经网络和所述卷积神经网络确定得到的。


8.一种神经网络的训练装置，包括：
第一处理模块，将样本对象对应目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集；其中，所述第一短期特征集中的各短期特征对应有相同的第一时间粒度；
第一组合模块，将所述第二短期特征集按照时间顺序组合成长期特征集，其中，所述长期特征集中的各长期特征对应有相同的第二时间粒度，所述第二时间粒度大于所述第一时间粒度；
第二处理模块，将所述长期特征集输入至卷积神经网络，得到所述目标对象对应所述目标分类下的目标特征集；
训练模块，将所述目标特征集输入至用于识别所述目标分类的分类模型，以基于所述分类模型针对所述样本对象的识别结果，对所述循环神经网络和所述卷积神经网络进行训练。


9.一种电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：
将样本对象对应目标分类下的第一短期特征集输入至循环神经网络，得到第二短期特征集；其中，所述...

【专利技术属性】
技术研发人员：李怀松，潘健民，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33