基于多阶段时序多任务的用户安全等级识别方法及装置制造方法及图纸

本申请涉及一种基于多阶段时序多任务的用户安全等级识别方法及装置。该方法包括：根据全量用户和其对应的用户阶段生成多个阶段集合；将多个阶段集合按照时序依次排列；根据第n+1阶段集合、第n组模型参数向量对第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，n为正整数；直至所述多个阶段集合训练完毕，基于多组模型参数向量生成多组阶段评分模型；通过所述多组阶段评分模型对当前用户进行安全等级识别。本申请能够从实际问题和应用场景出发，从模型样本角度、模型参数角度整体改进多任务机器学习方法，从而保证应用系统用户数据安全、交易安全。交易安全。交易安全。

User security level identification method and device based on multi-stage timing and multi task

【技术实现步骤摘要】
基于多阶段时序多任务的用户安全等级识别方法及装置


[0001]本申请涉及计算机信息处理领域，具体而言，涉及一种基于多阶段时序多任务的用户安全等级识别方法、装置、电子设备及计算机可读介质。

技术介绍

[0002]利用历史数据中的有用信息来帮助分析未来数据的机器学习，通常需要大量有标签数据才能训练出一个优良的学习器。深度学习模型是一种典型的机器学习模型，因为这类模型是带有很多隐藏层和很多参数的神经网络，所以通常需要数以百万计的数据样本才能学习得到准确的参数。但是，包括医学图像分析在内的一些应用无法满足这种数据要求，因为标注数据需要很多人力劳动。在这些情况下，多任务学习（MTL）可以通过使用来自其它相关学习任务的有用信息来帮助缓解这种数据稀疏问题。
[0003]多任务学习任务是根据训练数据集（包含训练数据实例和它们的标签）预测未曾见过的数据的标签。训练数据集中数据的“好坏”对多任务学习的效果有着至关重要的作用。但是，在实际的应用场景中，训练数据集中的数据很难准确的反应真实情况。
[0004]在所述
技术介绍
部分公开的上述信息仅用于加强对本申请的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0005]有鉴于此，本申请提供一种基于多阶段时序多任务的用户安全等级识别方法、装置、电子设备及计算机可读介质，能够从实际问题和应用场景出发，从模型样本角度、模型参数角度整体改进多任务机器学习方法，从而保证应用系统用户数据安全、交易安全。
[0006]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0007]根据本申请的一方面，提出一种基于多阶段时序多任务的用户安全等级识别方法，该方法包括：根据全量用户和其对应的用户阶段生成多个阶段集合；将多个阶段集合按照时序依次排列；依次根据第n+1阶段集合、第n组模型参数向量对第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，n为正整数；直至所述多个阶段集合训练完毕，基于多组模型参数向量生成多组阶段评分模型；通过所述多组阶段评分模型对当前用户进行安全等级识别。
[0008]可选地，根据全量用户和其对应的用户阶段生成多个阶段集合，包括：根据产品特征确定多个用户阶段；将全量用户中每一个用户对应的用户阶段和所述多个用户阶段进行匹配；根据匹配结果将用户分配至和其用户阶段对应的阶段集合中。
[0009]可选地，根据全量用户和其对应的用户阶段生成多个阶段集合，还包括：为每一个用户阶段确定标签策略；根据所述标签策略为每一个阶段集合中用户分配样本标签。
[0010]可选地，依次根据第n+1阶段集合、第n组模型参数向量对第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，包括：提取所述多个阶段集合中的第一阶段集合；将
第一阶段集合输入第一组初始模型中，生成第一组模型参数向量；根据第n+1阶段集合、第n组模型参数向量对第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，n为正整数。
[0011]可选地，依次根据第n+1阶段集合、第n组模型参数向量对第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，还包括：为每一个用户阶段确定一组机器学习模型；根据每一个用户阶段对应的标签策略为历史用户分配样本标签；通过带有样本标签的历史用户对第n+1组机器学习模型进行训练，生成第n+1组初始模型，n为正整数。
[0012]可选地，将第一阶段集合输入第一组初始模型中，生成第一组模型参数向量，包括：将第一阶段集合中的用户信息分别输入第一组初始模型中；第一组初始模型根据用户信息和其对应的标签进行模型训练，在训练完毕后，生成第一组模型参数向量。
[0013]可选地，根据第n+1阶段集合、第n组模型参数向量对第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，包括：生成更新向量；将所述更新向量加权后叠加到第n+1组初始模型的模型参数向量中；将第n+1阶段集合中的用户信息分别输入模型参数向量更新后的第n+1组初始模型中以进行多任务训练；在训练完毕后，生成第n+1组模型参数向量。
[0014]可选地，生成更新向量，包括：将第n组模型参数向量进行非线性变换以生成更新向量；或通过第一组至第n组模型参数向量的非线性变换生成第一组至第n组的更新向量。
[0015]可选地，将第n+1阶段集合中的用户信息分别输入模型参数向量更新后的第n+1组初始模型中以进行多任务训练，包括：将第n+1阶段集合中的用户信息分别输入模型参数向量更新后的第n+1组初始模型中；第n+1组初始模型根据用户信息和其对应的标签进行多任务训练；在训练过程中的损失函数不满足收敛条件时，重新确定第n+1组初始模型的初始模型参数以再次进行多任务训练；在损失函数满足收敛条件时，完成第n+1组初始模型的多任务训练。
[0016]可选地，重新确定第n+1组初始模型的初始模型参数以再次进行模型训练，包括：对第n+1组初始模型再次进行模型训练以生成新的初始模型参数；或重新确定收敛条件以对第n+1组初始模型再次进行模型训练，生成新的初始模型参数。
[0017]根据本申请的一方面，提出一种基于多阶段时序多任务的用户安全等级识别装置，该装置包括：阶段模块，用于根据全量用户和其对应的用户阶段生成多个阶段集合；排序模块，用于将多个阶段集合按照时序依次排列；训练模块，用于依次根据第n+1阶段集合、第n组模型参数向量对第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，n为正整数；模型模块，用于直至所述多个阶段集合训练完毕，基于多组模型参数向量生成多组评分模型；分级模块，用于通过所述多组评分模型对当前用户进行安全等级识别，根据识别结果确定所述当前用户的安全分级。
[0018]根据本申请的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。
[0019]根据本申请的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
[0020]根据本申请的基于多阶段时序多任务的用户安全等级识别方法、装置、电子设备及计算机可读介质，通过根据全量用户和其对应的用户阶段生成多个阶段集合；将多个阶
段集合按照时序依次排列；依次根据第n+1阶段集合、第n组模型参数向量对第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，生成第n组模型参数向量，n为正整数；直至所述多个阶段集合训练完毕，基于多组模型参数向量生成多组阶段评分模型；通过所述多组阶段评分模型对当前用户进行安全等级识别的方式，能够从实际问题和应用场景出发，从模型样本角度、模型参数角度整体改进多任务机器学习方法，从而保证应用系统用户数据安全、交易安全。
[0021]应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多阶段时序多任务的用户安全等级识别方法，其特征在于，包括：根据全量用户和其对应的用户阶段生成多个阶段集合；将多个阶段集合按照时序依次排列；依次根据第n+1阶段集合、第n组模型参数向量对第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，n为正整数；直至所述多个阶段集合训练完毕，基于多组模型参数向量生成多组阶段评分模型；通过所述多组阶段评分模型对当前用户进行安全等级识别。2.如权利要求1所述的方法，其特征在于，根据全量用户和其对应的用户阶段生成多个阶段集合，包括：根据产品特征确定多个用户阶段；将全量用户中每一个用户对应的用户阶段和所述多个用户阶段进行匹配；根据匹配结果将用户分配至和其用户阶段对应的阶段集合中。3.如权利要求2所述的方法，其特征在于，根据全量用户和其对应的用户阶段生成多个阶段集合，还包括：为每一个用户阶段确定标签策略；根据所述标签策略为每一个阶段集合中用户分配样本标签。4.如权利要求1所述的方法，其特征在于，依次根据第n+1阶段集合、第n组模型参数向量对第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，包括：提取所述多个阶段集合中的第一阶段集合；将第一阶段集合输入第一组初始模型中，生成第一组模型参数向量；根据第n+1阶段集合、第n组模型参数向量对第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，n为正整数。5.如权利要求1所述的方法，其特征在于，依次根据第n+1阶段集合、第n组模型参数向量对第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，还包括：为每一个用户阶段确定一组机器学习模型；根据每一个用户阶段对应的标签策略为历史用户分配样本标签；通过带有样本标签的历史用户对第n+1组机器学习模型进行训练，生成第n+1组初始模型，n为正整数。6.如权利要求4所述的方法，其特征在于，将第一阶段集合输入第一组初始模型中，生成第一组模型参数向量，包括：将第一阶段集合中的用户信息分别输入第一组初始模型中；第一组初始模型根据用户信息和其对应的标签进行模型训练，在训练完毕后，生成第一组模型参数向量。7.如权利要求4所述的方法，其特征在于，根据第n+1阶段集合、第n组模型参数向量对第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，包括：生成更新向量；将所述更新向量加权后叠...

【专利技术属性】
技术研发人员：王磊，宋孟楠，苏绥绥，郑彦，
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：