金融风险分类模型的训练方法、分类方法、装置及设备制造方法及图纸

本申请公开了一种金融风险分类模型的训练方法、分类方法、装置及设备，属于计算机技术领域。所述方法包括：将用户数据集划分为第一用户数据集以及第二用户数据集，第一用户数据集中的第一用户数据属于第一时间段，第二用户数据集中的第二用户数据属于第二时间段，用户数据集中的数据的特征在第一时间段和第二时间段上的分布不同；将第一用户数据以及第二用户数据输入与时间域无关的特征提取网络，输出用户特征向量；通过用户特征向量训练金融风险分类模型。该用户特征向量的分布不随时间变化，根据该用户特征向量训练得到的金融风险分类模型，在预测分类时能够消除时间对特征分布的影响，从而能够提升预测数据分类的准确度。

【技术实现步骤摘要】
金融风险分类模型的训练方法、分类方法、装置及设备
本申请涉及计算机
，特别涉及一种金融风险分类模型的训练方法、分类方法、装置及设备。
技术介绍
深度学习是近年来的一个热门学科。基于深度学习的分类模型，能够实现对输入的数据进行分类。例如在金融领域中，计算机设备通过分类模型能够根据输入的用户行为数据输出用户的金融风险评级。目前，通常使用基于深度学习的分类模型来对数据进行分类。首先需要通过已知的数据和数据对应的分类标签对分类模型进行训练，即根据数据对应的分类标签和数据的分类结果调整分类模型的参数，保证分类模型对数据进行分类的准确性。之后再将需要分类的数据输入完成训练的分类模型，分类模型对该输入的数据进行分类。当数据的特征分布随时间变化时，例如金融领域的数据的特征，会随不同时间的政策产生分布变化。基于历史数据训练的分类模型用于预测近期的数据，会出现预测准确度下降的问题。
技术实现思路
本申请提供了一种金融风险分类模型的训练方法、分类方法、装置及设备，提升预测数据分类的准确度。所述技术方案如下：根据本申请本文档来自技高网...

【技术保护点】
1.一种金融风险分类模型的训练方法，其特征在于，所述方法包括：/n将用户数据集划分为第一用户数据集以及第二用户数据集，所述第一用户数据集中的第一用户数据属于第一时间段，所述第二用户数据集中的第二用户数据属于第二时间段，所述第二时间段在所述第一时间段之后，所述用户数据集用于反映金融借贷领域的用户的特征，所述特征在所述第一时间段和所述第二时间段上的分布不同；/n将所述第一用户数据以及所述第二用户数据输入与时间域无关的特征提取网络，输出用户特征向量；/n通过所述用户特征向量训练金融风险分类模型，所述金融风险分类模型用于对待分类用户数据进行分类，所述分类用于反映所述待分类用户数据的金融风险。/n

【技术特征摘要】
1.一种金融风险分类模型的训练方法，其特征在于，所述方法包括：
将用户数据集划分为第一用户数据集以及第二用户数据集，所述第一用户数据集中的第一用户数据属于第一时间段，所述第二用户数据集中的第二用户数据属于第二时间段，所述第二时间段在所述第一时间段之后，所述用户数据集用于反映金融借贷领域的用户的特征，所述特征在所述第一时间段和所述第二时间段上的分布不同；
将所述第一用户数据以及所述第二用户数据输入与时间域无关的特征提取网络，输出用户特征向量；
通过所述用户特征向量训练金融风险分类模型，所述金融风险分类模型用于对待分类用户数据进行分类，所述分类用于反映所述待分类用户数据的金融风险。


2.根据权利要求1所述的方法，其特征在于，在所述将所述第一用户数据以及所述第二用户数据输入与时间域无关的特征提取网络，输出用户特征向量之前，所述方法还包括：
根据所述第一用户数据以及所述第二用户数据，对所述特征提取网络和时域对抗网络进行时间域对抗训练；
其中，所述时间域对抗用于将所述第一用户数据以及所述第二用户数据在时间域上的差异的特征分布映射至一个随时间稳定的特征空间，所述时域对抗网络用于区分所述用户特征向量属于所述第一时间段或所述第二时间段。


3.根据权利要求2所述的方法，其特征在于，所述特征提取网络与所述时域对抗网络之间建立有梯度反转层，所述梯度反转层用于使所述特征提取网络与所述时域对抗网络的训练目标相反；
所述根据所述第一用户数据以及所述第二用户数据，对所述特征提取网络和时域对抗网络进行时间域对抗训练，包括：
将所述第一用户数据以及所述第二用户数据输入所述特征提取网络，输出所述用户特征向量；
将所述用户特征向量输入所述时域对抗网络，输出预测时域分类，所述预测时域分类用于预测所述用户特征向量属于所述第一时间段或所述第二时间段；
采用时域分类损失函数确定所述预测时域分类与真实时域分类之间的时域分类损失，所述真实时域分类是根据所述用户特征向量与所述第一时间段和所述第二时间段之间的对应关系确定的；
根据所述时域分类损失以及所述梯度反转层，基于梯度反向传播训练所述特征提取网络以及所述时域对抗网络。


4.根据权利要求2或3所述的方法，其特征在于，所述第一用户数据集包括有标签数据以及无标签数据，所述有标签数据的分类标签用于反映所述有标签数据的所述金融风险，所述金融风险分类模型包括教师分类网络以及学生分类网络，所述教师分类网络与所述学生分类网络的网络结构相同，所述教师分类网络的参数是根据所述学生分类网络的参数进行滑动平均计算得到的；
所述通过所述用户特征向量训练金融风险分类模型，包括：
将所述用户特征向量输入所述教师分类网络，输出第一预测分类，所述第一预测分类用于预测所述用户特征向量对应的所述分类标签；
将所述用户特征向量输入所述学生分类网络，输出第二预测分类，所述第二预测分类用于预测所述用户特征向量对应的所述分类标签；
采用分类损失函数确定...

【专利技术属性】
技术研发人员：郭清宇，蓝利君，孙艺芙，李超，王翔，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44