神经网络模型的训练方法、调用方法、设备及存储介质技术

本申请公开了一种神经网络模型的训练方法、调用方法、设备及存储介质，该方法包括：获取训练样本数据；将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，其中，所述神经网络模型包括多个多项式，且所述多个多项式中包括高阶多项式；根据训练后的每个所述多项式，完成所述神经网络模型训练。该神经网络模型兼顾了模型的精度和可解释性。

【技术实现步骤摘要】
神经网络模型的训练方法、调用方法、设备及存储介质
本申请涉及计算机
，尤其涉及一种神经网络模型的训练方法、调用方法、设备及存储介质。
技术介绍
在智能推荐、智能风控等二分类场景中，通常采用逻辑回归模型、复杂机器学习模型等模型进行二分类处理，如进行推荐或不推荐，通过或拒绝等。逻辑回归模型，简单易用，容易理解，模型的可解释性强，但是逻辑回归模型的精度低，输出结果的精准性不高。复杂机器学习模型，其精度高，输出结果的精准性高，但是复杂机器学习模型的可解释性弱，人们无法理解模型输出结果的原因，存在不可解释性。因此，如何兼顾模型的精度以及可解释性成为亟需解决的问题。
技术实现思路
本申请实施例提供一种神经网络模型的训练方法、调用方法、设备及存储介质，可以实现兼顾模型的精度以及可解释性。第一方面，本申请实施例提供了一种神经网络模型的训练方法，包括：获取训练样本数据；将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，其中，所述神经网络模型包括多个多项式，且所述多个多项式中包括高阶多项式；根据训练后的每个所述多项式，完成所述神经网络模型训练。第二方面，本申请实施例提供了一种神经网络模型的调用方法，所述神经网络模型为如上述的神经网络模型，所述方法包括：获取准推荐用户名单中每个用户对应的用户特征数据；将所述用户特征数据输入所述神经网络模型，输出每个用户对应的推荐概率；根据每个用户对应的所述推荐概率，确定推荐用户名单，以根据所述推荐用户名单进行用户推荐。第三方面，本申请实施例还提供了一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的神经网络模型的训练方法；或者，实现如上述的神经网络模型的调用方法。第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时使所述处理器实现上述的神经网络模型的训练方法；或者，实现如上述的神经网络模型的调用方法。本申请实施例提供了一种神经网络模型的训练方法、装置、计算机设备及计算机可读存储介质，通过获取训练样本数据，并将该训练样本数据多次输入预设的神经网络模型，该神经网络模型包括多个多项式，且多个多项式中包括高阶多项式，依次对该神经网络模型中的每个多项式进行训练，根据训练后的每个多项式，完成神经网络模型训练。由于该神经网络模型具有训练后的包含高阶多项式的多个多项式，该模型输出结果的精准性高，确保了模型的精度；而且，每个多项式也具有可解释性，因而确保了模型的可解释性。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例提供的一种神经网络模型的训练方法的步骤示意流程图；图2是本申请实施例提供的一种对神经网络模型中的每个多项式进行训练的步骤示意流程图；图3是本申请实施例提供的一种第一多项式对应模型的输入输出示意图；图4是本申请实施例提供的一种第一多项式对应模型的可解释性示意图；图5是本申请实施例提供的一种对神经网络模型中的第一多项式进行训练的步骤示意流程图；图6是本申请实施例提供的一种第二多项式对应模型的输入输出示意图；图7是本申请实施例提供的一种第二多项式对应模型的可解释性示意图；图8是本申请实施例提供的一种决策树示意图；图9是本申请实施例提供的一种对神经网络模型进行测试的步骤示意流程图；图10是本申请实施例提供的一种神经网络模型的调用方法的步骤示意流程图；图11是本申请实施例提供的一种计算机设备的示意性框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。在智能推荐、智能风控等二分类场景中，通常采用逻辑回归模型、复杂机器学习模型等模型进行二分类处理，如进行推荐或不推荐，通过或拒绝等。逻辑回归模型，简单易用，容易理解，模型的可解释性强，但是逻辑回归模型的精度低，输出结果的精准性不高。复杂机器学习模型，其精度高，输出结果的精准性高，但是复杂机器学习模型的可解释性弱，人们无法理解模型输出结果的原因，存在不可解释性。对于模型的可解释性，有以下几个用途：1、在模型出现逻辑谬误的时候可以及时诊断，发现原因并做出调整；2、在很多场景如营销或者医疗，对模型的理解有助于对症下药，例如在智能推荐的场景中，知道推荐的原因有助于制定针对性的推荐策略，说服用户去购买推荐的物品，并帮助用户做出决策；在客户流失预警模型中，知道用户被预警的原因，可制定针对性的挽留方案；在智能风控场景中，告知用户拒绝原因有助于提升用户体验，减少客户投诉，并指导金融机构针对性地调整获客渠道以提升用户质量、提升审批通过率；3、在许多场景下，可解释性是模型能被使用的必须要求，必须使用的要求可能来源于客户、监管机构、中介机构或公司自身。例如，在智能推荐的场景中，给出向客户推荐某个产品的原因是因为需要向用户解释为什么系统会推荐某个特定的物品，增强用户对推荐系统的信任，并响应用户的需求；在金融风控这样的强监管领域，没有解释性的模型是难以得到使用的，因为其既不符合监管机构对于风控模型的要求，也不利于金融机构自身的风险管控，而且如果拒绝客户来源于中介推荐，那么也通常需要给予中介机构合理的拒绝理由。因此，可解释性对于模型也是十分关键的。由上可知，常用的逻辑回归模型、复杂机器学习模型都无法兼顾模型的精度以及可解释性。为了解决上述问题，本申请的实施例提供了一种神经网络模型的训练方法、调用方法、设备及存储介质，用于实现兼顾本文档来自技高网...

【技术保护点】
1.一种神经网络模型的训练方法，其特征在于，包括：/n获取训练样本数据；/n将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，其中，所述神经网络模型包括多个多项式，且所述多个多项式中包括高阶多项式；/n根据训练后的每个所述多项式，完成所述神经网络模型训练。/n

【技术特征摘要】
1.一种神经网络模型的训练方法，其特征在于，包括：
获取训练样本数据；
将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，其中，所述神经网络模型包括多个多项式，且所述多个多项式中包括高阶多项式；
根据训练后的每个所述多项式，完成所述神经网络模型训练。


2.根据权利要求1所述的方法，其特征在于，所述将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，包括：
将所述神经网络模型中的每个多项式依次确定为当前待训练的多项式；
若所述多个多项式中不存在已训练的多项式，则将所述神经网络模型中除所述当前待训练的多项式以外的其他多项式置零，输入所述训练样本数据至所述神经网络模型，对所述当前待训练的多项式进行训练；
若所述多个多项式中存在已训练的多项式，则将所述神经网络模型中除所述已训练的多项式和所述当前待训练的多项式以外的其他多项式置零，输入所述训练样本数据至所述神经网络模型，对所述当前待训练的多项式进行训练。


3.根据权利要求1所述的方法，其特征在于，所述多个多项式包括第一多项式、第二多项式和第三多项式，所述第一多项式为一阶多项式，所述第二多项式为二阶多项式，所述第三多项式为三阶或三阶以上多项式，所述将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，包括：
将所述第二多项式和所述第三多项式置零，输入所述训练样本数据至所述神经网络模型，对所述第一多项式进行训练；
将所述第三多项式置零，并基于训练后的所述第一多项式，输入所述训练样本数据至所述神经网络模型，对所述第二多项式进行训练；
基于训练后的所述第一多项式以及训练后的所述第二多项式，将所述训练样本数据输入所述神经网络模型，对所述第三多项式进行训练。


4.根据权利要求3所述的方法，其特征在于，所述第三多项式为高阶决策树规则函数多项式，所述将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练之前，包括：
采用随机森林算法生成多棵决策树；
基于所述多棵决策树，确定对应路径长度大于2的多条路径；
根据所述多条路径，生成所述高阶决策树规则函数多项式。


5.根据权利要求3所述的方法，其特征在于，所述对所述第一多项式...

【专利技术属性】
技术研发人员：邵俊，张磊，曹新建，
申请(专利权)人：深圳索信达数据技术有限公司，
类型：发明
国别省市：广东;44