一种基于深度学习的风险确定方法及装置制造方法及图纸

本发明专利技术提供了一种基于深度学习的风险确定方法及装置，其中，该方法包括：获取目标对象的多个目标特征，其中，所述多个目标特征中的每个目标特征包括多个特性向量；将所述多个目标特征输入到预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述目标对象对应目标属性的置信度；根据所述目标对象对应目标属性的置信度确定所述目标对象的风险指数，可以解决相关技术中通过呈线性关系的类别特征转数值后的特征值容易引起组合特征和属性值训练得到的线性模型得到目标属性的置信度，存在准确性低的问题，提高了目标属性的置信度的准确性。

【技术实现步骤摘要】
一种基于深度学习的风险确定方法及装置
本专利技术涉及数据处理领域，具体而言，涉及一种基于深度学习的风险确定方法及装置。
技术介绍
传统的建模过程中，挖掘交叉特征主要依靠人工提取，这种做法主要有以下缺点：重要的特征都是与应用场景息息相关的，针对每一种应用场景，工程师们都需要首先花费大量时间和精力深入了解数据的规律之后才能设计、提取出高效的高阶交叉特征，因此人力成本高；原始数据中往往包含大量稀疏的特征，例如用户和物品的ID，交叉特征的维度空间是原始特征维度的乘积，因此很容易带来维度灾难的问题；类别特征转数值后的特征值容易引起组合特征和属性值呈线性关系。针对相关技术中通过呈线性关系的类别特征转数值后的特征值容易引起组合特征和属性值训练得到的线性模型得到目标属性的置信度，存在准确性低的问题，尚未提出解决方案。
技术实现思路
本专利技术实施例提供了一种基于深度学习的风险确定方法及装置，以至少解决相关技术中通过呈线性关系的类别特征转数值后的特征值容易引起组合特征和属性值训练得到的线性模型得到目标属性的置信度，存在准确性低的问题。根据本专利技术的一个实施例，提供了一种基于深度学习的风险确定方法，包括：获取目标对象的多个目标特征，其中，所述多个目标特征中的每个目标特征包括多个特性向量；将所述多个目标特征输入到预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述目标对象对应目标属性的置信度；根据所述目标对象对应目标属性的置信度确定所述目标对象的风险指数。可选地，所述方法还包括：获取预定数量的目标对象的多个特征信息、以及所述多个特征信息对应的属性值，其中，所述多个特征信息中的每个特征信息包括多个特性向量；根据预定数量的目标对象的多个特征信息、以及所述多个特征信息对应的属性值对原始神经网络模型进行训练，得到所述目标神经网络模型。可选地，根据预定数量的目标对象的多个特征信息、以及所述多个特征信息对应的属性值对原始神经网络模型进行训练，得到所述目标神经网络模型包括：通过向量内积的方式生成所述预定数量的目标对象的多个特征信息的组合特征；根据所述预定数量的组合特征以及所述组合特征对应的属性值对所述原始神经网络模型进行训练，得到所述目标神经网络模型。可选地，根据所述预定数量的组合特征以及所述组合特征对应的属性值对所述原始神经网络模型进行训练，得到所述目标神经网络模型包括：使用所述预定数量的组合特征以及所述组合特征对应的属性值对所述原始神经网络模型进行训练，得到所述目标神经网络模型，其中，所述预定数量的组合特征为所述原始神经网络模型的输入，训练好的所述目标神经网络模型输出的所述多个目标特征对应的目标属性与所述多个目标特征实际对应的属性满足预定损失函数。可选地，通过向量内积的方式生成所述预定数量的目标对象的多个特征信息的组合特征包括：分别根据预设规则将所述多个特征信息中的每个特征信息转换成多个特征向量；通过特征向量内积的方式生成所述多个特征信息的组合特征。可选地，通过特征向量内积的方式生成所述多个特征信息的组合特征包括：确定所述多个特征信息对应的多个特征向量之间的内积；根据所述内积生成所述多个特征信息的组合特征。根据本专利技术的另一个实施例，还提供了一种基于深度学习的风险确定装置，包括：第一获取模块，用于获取目标对象的多个目标特征，其中，所述多个目标特征中的每个目标特征包括多个特性向量；输入模块，用于将所述多个目标特征输入到预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述目标对象对应目标属性的置信度；确定模块，用于根据所述目标对象对应目标属性的置信度确定所述目标对象的风险指数。可选地，所述装置还包括：第二获取模块，用于获取预定数量的目标对象的多个特征信息、以及所述多个特征信息对应的属性值，其中，所述多个特征信息中的每个特征信息包括多个特性向量；训练模块，用于根据预定数量的目标对象的多个特征信息、以及所述多个特征信息对应的属性值对原始神经网络模型进行训练，得到所述目标神经网络模型。可选地，所述训练模块包括：生成子模块，用于通过向量内积的方式生成所述预定数量的目标对象的多个特征信息的组合特征；训练子模块，用于根据所述预定数量的组合特征以及所述组合特征对应的属性值对所述原始神经网络模型进行训练，得到所述目标神经网络模型。可选地，所述训练子模块，还用于使用所述预定数量的组合特征以及所述组合特征对应的属性值对所述原始神经网络模型进行训练，得到所述目标神经网络模型，其中，所述预定数量的组合特征为所述原始神经网络模型的输入，训练好的所述目标神经网络模型输出的所述多个目标特征对应的目标属性与所述多个目标特征实际对应的属性满足预定损失函数。可选地，所述生成子模块包括：转换单元，用于分别根据预设规则将所述多个特征信息中的每个特征信息转换成多个特征向量；生成单元，用于通过特征向量内积的方式生成所述多个特征信息的组合特征。可选地，所述生成单元，还用于确定所述多个特征信息对应的多个特征向量之间的内积；根据所述内积生成所述多个特征信息的组合特征。根据本专利技术的又一个实施例，还提供了一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。根据本专利技术的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。通过本专利技术，获取目标对象的多个目标特征，其中，所述多个目标特征中的每个目标特征包括多个特性向量；将所述多个目标特征输入到预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述目标对象对应目标属性的置信度；根据所述目标对象对应目标属性的置信度确定所述目标对象的风险指数，可以解决相关技术中通过呈线性关系的类别特征转数值后的特征值容易引起组合特征和属性值训练得到的线性模型得到目标属性的置信度，存在准确性低的问题，通过呈非线性关系的预定数量的目标的多个特征信息以及对应的属性值训练得到的目标神经网络模型，得到目标对象的目标属性的置信度，提高了目标属性的置信度的准确性。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是本专利技术实施例的基于深度学习的风险确定方法的移动终端的硬件结构框图；图2是根据本专利技术实施例的基于深度学习的风险确定方法的流程图；图3是根据本专利技术实施例的数据建模特征的示意图一；图4是根据本专利技术实施例的数据建模特征的示意图二；图5是根据本专利技术实施例的数据建模特征的示意图三；图6是根据本专利技术实施例的数据建模特本文档来自技高网...

【技术保护点】
1.一种基于深度学习的风险确定方法，其特征在于，包括：/n获取目标对象的多个目标特征，其中，所述多个目标特征中的每个目标特征包括多个特性向量；/n将所述多个目标特征输入到预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述目标对象对应目标属性的置信度；/n根据所述目标对象对应目标属性的置信度确定所述目标对象的风险指数。/n

【技术特征摘要】
1.一种基于深度学习的风险确定方法，其特征在于，包括：
获取目标对象的多个目标特征，其中，所述多个目标特征中的每个目标特征包括多个特性向量；
将所述多个目标特征输入到预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述目标对象对应目标属性的置信度；
根据所述目标对象对应目标属性的置信度确定所述目标对象的风险指数。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取预定数量的目标对象的多个特征信息、以及所述多个特征信息对应的属性值，其中，所述多个特征信息中的每个特征信息包括多个特性向量；
根据预定数量的目标对象的多个特征信息、以及所述多个特征信息对应的属性值对原始神经网络模型进行训练，得到所述目标神经网络模型。


3.根据权利要求2所述的方法，其特征在于，根据预定数量的目标对象的多个特征信息、以及所述多个特征信息对应的属性值对原始神经网络模型进行训练，得到所述目标神经网络模型包括：
通过向量内积的方式生成所述预定数量的目标对象的多个特征信息的组合特征；
根据所述预定数量的组合特征以及所述组合特征对应的属性值对所述原始神经网络模型进行训练，得到所述目标神经网络模型。


4.根据权利要求3所述的方法，其特征在于，根据所述预定数量的组合特征以及所述组合特征对应的属性值对所述原始神经网络模型进行训练，得到所述目标神经网络模型包括：
使用所述预定数量的组合特征以及所述组合特征对应的属性值对所述原始神经网络模型进行训练，得到所述目标神经网络模型，其中，所述预定数量的组合特征为所述原始神经网络模型的输入，训练好的所述目标神经网络模型输出的所述多个目标特征对应的目标属性与所述多个目标特征实际对应的属性满足预定损失函数。


5.根据权利要求3所述的方法，...

【专利技术属性】
技术研发人员：马欣骅，毛灿，刘尔凯，丁永建，李璠，
申请(专利权)人：光大科技有限公司，
类型：发明
国别省市：北京;11