模型训练方法、装置、设备及存储介质与流程

技术特征：
1.一种模型训练方法，其特征在于，包括：获取第一出行样本；获取特征提取模型；通过所述特征提取模型对所述第一出行样本进行处理，得到出行特征向量，并通过第一分类模型对所述出行特征向量进行处理，得到第一预测信息；根据所述第一预测信息和所述第一出行样本对应的标记信息，分别更新所述特征提取模型和所述第一分类模型，得到第一风控模型。2.根据权利要求1所述的方法，其特征在于，所述获取特征提取模型，包括：获取多个第二出行样本，所述第二出行样本包括地点类别向量；对所述多个第二出行样本中的至少一个第二出行样本中的地点类别向量进行扰动，得到至少一个第三出行样本；采用所述至少一个第三出行样本和其他第二出行样本，训练初始特征提取模型，得到所述特征提取模型；所述其他第二出行样本包括所述多个第二出行样本中除所述至少一个第三出行样本之外的其他样本。3.根据权利要求2所述的方法，其特征在于，所述地点类别向量中包括多个地点类别元素；所述对所述多个第二出行样本中的至少一个第二出行样本中的地点类别向量进行扰动，得到至少一个第三出行样本，包括：针对所述至少一个第二出行样本中的每个第二出行样本包括的地点类别向量，从所述地点类别向量包括的多个地点类别元素中随机选择目标地点类别元素；对所述目标地点类别元素进行扰动，得到至少一个第三出行样本。4.根据权利要求2所述的方法，其特征在于，所述采用所述至少一个第三出行样本和其他第二出行样本，训练初始特征提取模型，得到所述特征提取模型之后，还包括：根据每个第二出行样本对应的用户标识，对所述多个第二出行样本进行分类处理，得到第一样本集和第二样本集；采用所述第一样本集和所述第二样本集，更新所述特征提取模型；所述通过所述特征提取模型对所述第一出行样本进行处理，得到出行特征向量，包括：通过更新后的所述特征提取模型对所述第一出行样本进行处理，得到出行特征向量。5.根据权利要求4所述的方法，其特征在于，所述采用所述第一样本集和所述第二样本集，更新所述特征提取模型，包括：分别将所述第一样本集和所述第二样本集中包括的样本输入所述特征提取模型中，得到第二特征向量，并将所述第二特征向量中包括的多个元素中具有预设标识的元素输入第二分类模型中，得到预测标识，预测标识指示第一样本集和所述第二样本集中包括的样本是否对应同一用户标识；根据所述预测标识与所述第一样本集和所述第二样本集中的样本对应的真实标识，确定第二损失函数；根据所述第二损失函数，更新所述特征提取模型。6.根据权利要求2
‑
5中任一项所述的方法，其特征在于，所述至少一个第三出行样本和其他第二出行样本组合成的样本集中包括多批样本，每批样本包括出行样本；所述采用所述至少一个第三出行样本和其他第二出行样本，训练初始特征提取模型，
得到所述特征提取模型，包括：从第一批样本开始，对出行样本包括的属性向量进行叠加，得到样本向量，所述属性向量包括时间向量、日期向量、地点类别向量和城市向量；将所述样本向量输入所述初始特征提取模型中，得到第一特征向量；将所述第一特征向量包括的多个元素中具有目标标识的元素输入第三分类模型中，得到预测地点类别；所述目标标识为进行扰动的地点类别元素对应的标识或者预先设定的地点类别元素对应的标识；根据所述预测地点类别和出行样本中包括的真实地点类别，确定第一损失函数；根据所述第一损失函数，确定所述特征提取模型。7.根据权利要求6所述的方法，其特征在于，所述根据所述第一损失函数，确定所述特征提取模型，包括：根据所述第一损失函数，分别更新所述初始特征提取模型和所述第三分类模型，得到更新后的初始特征提取模型和更新后的第三分类模型；判断所述更新后的初始特征提取模型是否处于收敛状态；若所述更新后的初始特征提取模型处于收敛状态，则将所述更新后的初始特征提取模型确定为所述特征提取模型；若所述更新后的初始特征提取模型处于未收敛状态，则重复执行如下步骤，直至所述更新后的初始特征提取模型处于收敛状态：重新获取第一特征向量，并将新的第一特征向量中包括的多个元素中具有目标标识的元素输入更新后的第三分类模型中，以得到新的损失函数。8.根据权利要求4所述的方法，其特征在于，所述根据所述每个第二出行样本对应的用户标识，对所述多个第二出行样本进行分类处理，得到第一样本集和第二样本集，包括：根据预先存储的多个用户标识和第二出行样本之间的对应关系，在所述多个第二出行样本中确定每个用户标识对应的第二出行样本；根据每个用户标识对应的第二出行样本，进行至少两次样本选择和样本拼接处理，得到所述第一样本集和所述第二样本集；所述第一样本集中包括多个第一拼接样本，所述第二样本集中包括多个第二拼接样本，所述第一拼接样本为对同一用户标识对应的多个第二出行样本进行拼接得到的，所述第二拼接样本为多个不同用户标识各自对应的第二出行样本进行拼接得到的。9.根据权利要求8所述的方法，其特征在于，针对一次样本选择和样本拼接处理，包括：针对所述多个用户标识中的每个用户标识，从所述用户标识对应的第二出行样本中选择至少两个第二出行样本，并对所述至少两个第二出行样本进行拼接，得到所述第一拼接样本；或者，针对所述多个用户标识，从所述多个第二出行样本中除每个用户标识对应的至少两个第二出行样本之外的其他出行样本中，选择至少两个不同用户标识各自对应的第二出行样本，并对所述至少两个不同用户标识各自对应的第二出行样本进行拼接，得到所述第二拼接样本。10.根据权利要求1
‑
5中任一项所述的方法，其特征在于，所述根据所述第一预测信息和所述第一出行样本对应的标记信息，分别更新所述特征提取模型和所述第一分类模型，
得到第一风控模型，包括；根据所述第一预测信息和所述第一出行样本对应的标记信息，确定第三损失函数，并根据第三损失函数，分别更新所述特征提取模型和所述第一分类模型；判断更新后的特征提取模型和第一分类模型是否收敛；若收敛，则将更新后的特征提取模型和第一分类模型，确定为所述第一风控模型。11.根据权利要求10所述的方法，其特征在于，所述方法还包括：采用所述第一风控模型对第四出行样本进行处理，得到第二预测信息；采用所述第二预测信息和所述第四出行样本对应的标记信息，训练第二风控模型。12.一种模型训练装置，其特征在于，包括：第一获取模块、第二获取模块和处理模块；其中，所述第一获取模块，用于获取第一出行样本；所述第二获取模块，用于获取特征提取模型；所述处理模块，用于通过所述特征提取模型对所述第一出行样本进行处理，得到出行特征向量，并通过第一分类模型对所述出行特征向量进行处理，得到第一预测信息；所述处理模块，还用于根据所述第一预测信息和所述第一出行样本对应的标记信息，分别更新所述特征提取模型和所述第一分类模型，得到第一风控模型。13.一种电子设备，其特征在于，包括：处理器、以及与所述处理器连接的存储器；所述存储器存储模型训练程序；处理器执行所述存储器存储的模型训练程序，以实现如权利要求1
‑
11中任一项所述的模型训练方法。14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有模型训练程序，所述模型训练程序被处理器执行时实现如权利要求1
‑
11中任一项所述的模型训练方法。15.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1
‑
11中任一项所述的模型训练方法。

技术总结
本申请公开了一种模型训练方法、装置、设备及存储介质，方法包括：获取第一出行样本；获取特征提取模型；通过特征提取模型对第一出行样本进行处理，得到出行特征向量，并通过第一分类模型对出行特征向量进行处理，得到第一预测信息；根据第一预测信息和第一出行样本对应的标记信息，分别更新特征提取模型和第一分类模型，得到第一风控模型。本申请公开的模型训练方法、装置、设备及存储介质能够提高训练得到的第一风控模型的准确性。到的第一风控模型的准确性。到的第一风控模型的准确性。


技术研发人员：何元钦
受保护的技术使用者：深圳前海微众银行股份有限公司
技术研发日：2021.09.14
技术公布日：2021/12/7