本公开提供了一种交易风险预测模型的训练方法、装置、设备及介质，可以应用于计算机技术领域和人工智能技术领域。该交易风险预测模型的训练方法包括：响应于获取到的数据使用许可操作，获取样本用户的交易数据样本集合；利用交易数据样本集合中的第i样本数据和第i+1样本数据依次分别对初始交易风险预测模型进行训练，得到与第i样本数据相对应的第i损失函数值和与第i+1样本数据对应的第i+1损失函数值；根据第i损失函数值和第i+1损失函数值之间的差值，确定第i+1学习率；根据第i+1学习率，更新初始交易风险预测模型的模型参数，得到训练好的交易风险预测模型。好的交易风险预测模型。好的交易风险预测模型。
【技术实现步骤摘要】
交易风险预测模型的训练方法、装置、设备及介质
[0001]本公开涉及计算机
和人工智能
，更具体地，涉及一种交易风险预测模型的训练方法、装置、设备及介质。
技术介绍
[0002]随着互联网金融技术和人工智能技术的发展，当前在审核网上借贷类产品材料时，除了人工审核外，同时也辅助人工智能审核方法。相关技术中，对用户的借贷风险进行预测的方法主要基于统计学方法、机器学习方法，以及将多种统计学方法和人工智能方法进行组合的方式。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下问题：现有借贷风险预测方法对用户的借贷逾期风险进行评估的精度较低，导致评估安全性较低。
技术实现思路
[0004]有鉴于此，本公开提供了一种交易风险预测模型的训练方法、装置、设备及介质。
[0005]本公开的一个方面提供了一种交易风险预测模型的训练方法，包括：
[0006]响应于获取到的数据使用许可操作，获取样本用户的交易数据样本集合，其中，上述交易数据样本集合中交易数据样本包括上述样本用户的属性信息和交易特征信息；
[0007]利用上述交易数据样本集合中的第i样本数据和第i+1样本数据依次分别对初始交易风险预测模型进行训练，得到与上述第i样本数据相对应的第i损失函数值和与上述第i+1样本数据对应的第i+1损失函数值，其中，i大于等于1；
[0008]根据上述第i损失函数值和上述第i+1损失函数值之间的差值，确定第i+1学习率；
[0009]根据上述第i+1学习率，更新上述初始交易风险预测模型的模型参数，得到训练好的上述交易风险预测模型，其中，上述交易风险预测模型用于对待识别用户的交易数据进行处理，预测针对上述待识别用户的交易风险。
[0010]根据本公开的实施例，上述响应于获取到的数据使用许可操作，获取样本用户的交易数据样本集合包括：
[0011]响应于获取到的数据使用许可操作，获取上述交易数据样本集合中每个样本用户的原始交易数据，其中，上述原始交易数据包括与多个指标对应的数据值；
[0012]对上述原始交易数据的多个指标进行筛选，得到多个第一指标；
[0013]将上述原始交易数据中与上述多个第一指标对应的数据确定为交易数据样本中的数据。
[0014]根据本公开的实施例，上述对上述原始交易数据的多个指标进行筛选，得到多个第一指标包括：
[0015]利用特征权重算法对上述原始交易数据的多个指标进行筛选，得到多个第二指标；
[0016]计算上述多个第二指标各自的信用价值，得到多个信用价值；
[0017]根据上述多个信用价值对上述多个第二指标进行筛选，得到多个第一指标。
[0018]根据本公开的实施例，上述根据上述第i损失函数值和第i+1损失函数值之间的差值，确定第i+1学习率包括：
[0019]根据上述差值确定指数函数的指数值；
[0020]将上述指数值减去第一预设值后除以上述指数值与第一预设值的和，得到第一数值；
[0021]将上述第一数值加上上述第一预设值后乘以与第i+1学习率参数，得到与上述第i+1学习率参数相关的第一公式，其中，上述第i+1学习率参数表征待求解的上述第i+1学习率；
[0022]将上述第一公式与第二预设值相加，得到第二公式；
[0023]将上述第i+1学习率参数等于上述第二公式，得到上述第i+1学习率。
[0024]根据本公开的实施例，上述利用上述交易数据样本集合中的第i样本数据和第i+1样本数据依次分别对初始交易风险预测模型进行训练，得到与上述第i样本数据相对应的第i损失函数值和与上述第i+1样本数据对应的第i+1损失函数值包括：
[0025]将上述样本集合中的样本数据分为有风险类别数据与无风险类别数据；
[0026]利用基于密度的空间聚类算法对上述有风险类别数据与上述无风险类别数据中数据量最大的类别数据进行聚类，得到K簇类别数据，其中，K为正整数；
[0027]根据K簇类别数据，以及上述有风险类别数据与上述无风险类别数据中数据量最小的类别数据，生成平衡数据集；
[0028]利用上述平衡数据集中第i个样本数据和第i+1个样本数据依次分别对上述初始交易风险预测模型进行训练，得到与上述第i样本数据相对应的第i损失函数值和与上述第i+1样本数据对应的第i+1损失函数值。
[0029]根据本公开的实施例，上述根据K簇类别数据，以及上述有风险类别数据与上述无风险类别数据中数据量最小的类别数据，生成平衡数据集包括：
[0030]针对上述K簇类别数据中的每个类别数据，从上述每个类别数据中抽取第三预设值的数据，得到与上述K簇类别数据分别对应的下采样类别数据，得到多个下采样类别数据；
[0031]根据上述多个下采样类别数据，以及上述有风险类别数据与上述无风险类别数据中数据量最小的类别数据，生成平衡数据集。
[0032]根据本公开的实施例，上述初始交易风险预测模型的初始参数是根据第一预设学习率计算得到的。
[0033]本公开的另一个方面提供了一种交易风险预测模型的训练装置，包括：
[0034]样本集合获取模块，用于响应于获取到的数据使用许可操作，获取样本用户的交易数据样本集合，其中，上述交易数据样本集合中交易数据样本包括上述样本用户的属性信息和交易特征信息；
[0035]损失函数值得到模块，用于利用上述交易数据样本集合中的第i样本数据和第i+1样本数据依次分别对初始交易风险预测模型进行训练，得到与上述第i样本数据相对应的第i损失函数值和与上述第i+1样本数据对应的第i+1损失函数值，其中，i大于等于1；
[0036]学习率确定模块，用于根据上述第i损失函数值和上述第i+1损失函数值之间的差
值，确定第i+1学习率；
[0037]预测模型得到模块，用于根据上述第i+1学习率，更新上述初始交易风险预测模型的模型参数，得到训练好的上述交易风险预测模型，其中，上述交易风险预测模型用于对待识别用户的交易数据进行处理，预测针对上述待识别用户的交易风险。
[0038]本公开的另一方面提供了电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个指令，其中，当一个或多个指令被一个或多个处理器执行时，使得一个或多个处理器实现如上所述的方法。
[0039]本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，指令被处理器执行时使处理器实现如上所述的方法。
[0040]本公开的另一方面提供了一种计算机程序产品，计算机程序产品包括计算机可执行指令，指令在被执行时用于实现如上所述的方法。
[0041]根据本公开的实施例，通过响应于获取到的数据使用许可操作，获取样本用户的交易数据样本集合，利用交易数据样本集合中的第i样本数据和第i+1样本数据依次分别对初始交易风险预测模型进行训练，得到与第i样本数据相对应的第i损失函数值和与第i+1样本本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种交易风险预测模型的训练方法，包括：响应于获取到的数据使用许可操作，获取样本用户的交易数据样本集合，其中，所述交易数据样本集合中交易数据样本包括所述样本用户的属性信息和交易特征信息；利用所述交易数据样本集合中的第i样本数据和第i+1样本数据依次分别对初始交易风险预测模型进行训练，得到与所述第i样本数据相对应的第i损失函数值和与所述第i+1样本数据对应的第i+1损失函数值，其中，i大于等于1；根据所述第i损失函数值和所述第i+1损失函数值之间的差值，确定第i+1学习率；根据所述第i+1学习率，更新所述初始交易风险预测模型的模型参数，得到训练好的所述交易风险预测模型，其中，所述交易风险预测模型用于对待识别用户的交易数据进行处理，预测针对所述待识别用户的交易风险。2.根据权利要求1所述的方法，其中，所述响应于获取到的数据使用许可操作，获取样本用户的交易数据样本集合包括：响应于获取到的数据使用许可操作，获取所述交易数据样本集合中每个样本用户的原始交易数据，其中，所述原始交易数据包括与多个指标对应的数据值；对所述原始交易数据的多个指标进行筛选，得到多个第一指标；将所述原始交易数据中与所述多个第一指标对应的数据确定为交易数据样本中的数据。3.根据权利要求2所述的方法，其中，所述对所述原始交易数据的多个指标进行筛选，得到多个第一指标包括：利用特征权重算法对所述原始交易数据的多个指标进行筛选，得到多个第二指标；计算所述多个第二指标各自的信用价值，得到多个信用价值；根据所述多个信用价值对所述多个第二指标进行筛选，得到多个第一指标。4.根据权利要求1所述的方法，其中，所述根据所述第i损失函数值和第i+1损失函数值之间的差值，确定第i+1学习率包括：根据所述差值确定指数函数的指数值；将所述指数值减去第一预设值后除以所述指数值与第一预设值的和，得到第一数值；将所述第一数值加上所述第一预设值后乘以与第i+1学习率参数，得到与所述第i+1学习率参数相关的第一公式，其中，所述第i+1学习率参数表征待求解的所述第i+1学习率；将所述第一公式与第二预设值相加，得到第二公式；将所述第i+1学习率参数等于所述第二公式，得到所述第i+1学习率。5.根据权利要求1所述的方法，其中，所述利用所述交易数据样本集合中的第i样本数据和第i+1样本数据依次分别对初始交易风险预测模型进行训练，得到与所述第i样本数据相对应的第i损失函数值和与所述第i+1样本数据对应的第i+1损失函数值包括：将所述样本集合中的样本数据分为有风险类别数据与无风险类别数据；利用基于密...
【专利技术属性】
技术研发人员：程鹏，张志雄，闫明阳，吴庭栋，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。