一种基于弱监督学习的风险评估方法、装置及电子设备制造方法及图纸

本发明专利技术公开了一种基于弱监督学习的风险评估方法、装置及电子设备，所述方法包括：获取多个标注函数；根据所述多个标注函数训练标签模型；将测试数据输入训练好的标签模型中生成新标签；根据所述新标签训练授信模型，通过所述授信模型评估用户风险。本发明专利技术将多个标注函数相结合，通过多个标注函数训练出一个可以超越标注函数的泛化能力的标签模型，通过训练好的标签模型给无标签用户生成新的融合标签，提升了无标签样本的利用率，同时，新的融合标签结合了各个标注函数的标签分类情况，具有更高的分类准确性，从而提升了风险区分效果。

【技术实现步骤摘要】
一种基于弱监督学习的风险评估方法、装置及电子设备
本专利技术涉及计算机信息处理
，具体而言，涉及一种基于弱监督学习的风险评估方法、装置、电子设备及计算机可读介质。
技术介绍
随着人工智能的快速发展，机器学习技术（尤其是深度学习技术）已经应用在了各个行业中。而在实际中，训练数据大多只有很少标签，或者没有标签。比如在金融行业中，金融平台为客户提供授信服务之前，要通过授信模型预测用户风险。而训练授信模型的训练样本中通常只有少量授信标签或者无授信标签。并且在少量授信标签中存在大量未动支用户、以及风险表现时滞的情况，也会造成大量用户无准确标签，影响对风险的区分效果。因此，如何提高训练数据的标签分类效果，是目前急需解决的技术问题。
技术实现思路
本专利技术旨在解决现有的用户数据样本标签少且不准确，影响模型效果导致金融风控效果的技术问题。为了解决上述技术问题，本专利技术第一方面提出一种基于弱监督学习的风险评估方法，所述方法包括：获取多个标注函数；根据所述多个标注函数训练标签模型；将测试数据输入训练好的本文档来自技高网...

【技术保护点】
1.一种基于弱监督学习的风险评估方法，其特征在于，所述方法包括：/n获取多个标注函数；/n根据所述多个标注函数训练标签模型；/n将测试数据输入训练好的标签模型中生成新标签；/n根据所述新标签训练授信模型，通过所述授信模型评估用户风险。/n

【技术特征摘要】
1.一种基于弱监督学习的风险评估方法，其特征在于，所述方法包括：
获取多个标注函数；
根据所述多个标注函数训练标签模型；
将测试数据输入训练好的标签模型中生成新标签；
根据所述新标签训练授信模型，通过所述授信模型评估用户风险。


2.根据权利要求1所述的方法，其特征在于，所述根据所述多个标注函数训练标签模型包括：
将训练样本分为第一训练样本和第二训练样本；
通过所述第一训练样本根据不同标注函数之间的冲突训练标注模型；
通过所述标注模型确定所述第二训练样本的概率性标注；
根据所述第二训练样本及对应的概率性标注训练标签模型。


3.根据权利要求2中所述的方法，其特征在于，所述通过所述第一训练样本根据不同标注函数之间的冲突训练标注模型包括：
通过所述多个标注函数分别对第一训练样本打标签，生成标签矩阵；
计算所述标签矩阵的重合度；
根据所述标签矩阵的重合度基于概率生成器获得融合标签。


4.根据权利要求1中所述的方法，其特征在于，所述根据所述多个标注函数训练标签模型为：
将所述多个标注函数分别对样本数据打...

【专利技术属性】
技术研发人员：张国光，宋孟楠，苏绥绥，
申请(专利权)人：北京淇瑀信息科技有限公司，
类型：发明
国别省市：北京;11