本公開的實(shí)施例涉及模型訓(xùn)練，具體地，涉及基于拒絕推斷的模型訓(xùn)練方法、裝置、設(shè)備和存儲介質(zhì)。

背景技術(shù)：

1、在家裝分期貸款領(lǐng)域，用戶準(zhǔn)入預(yù)測是金融機(jī)構(gòu)為確保貸款安全和合規(guī)性所關(guān)注的重要環(huán)節(jié)。確保借款人的還款能力和信用狀況符合要求，是維護(hù)金融機(jī)構(gòu)資產(chǎn)質(zhì)量的關(guān)鍵任務(wù)。

2、由于家裝分期場景的特殊性，可用于訓(xùn)練的樣本相對有限。這一稀缺性使得傳統(tǒng)的機(jī)器學(xué)習(xí)方法在實(shí)現(xiàn)準(zhǔn)確的用戶準(zhǔn)入預(yù)測方面面臨挑戰(zhàn)，特別是在需要考慮多維度金融信息的情況下。信用良好的客戶相對較多，不良信用客戶相對較少，這導(dǎo)致了模型直接在負(fù)樣本較少的樣本訓(xùn)練，存在較大的不穩(wěn)定，難以保證模型的一致性和魯棒性。

技術(shù)實(shí)現(xiàn)思路

1、本文中描述的實(shí)施例提供了一種基于拒絕推斷的模型訓(xùn)練方法、裝置、設(shè)備和存儲介質(zhì)，能夠?qū)ω?fù)樣本進(jìn)行擴(kuò)充，提高樣本訓(xùn)練中負(fù)樣本的數(shù)量，從而提高模型的一致性和魯棒性。

2、第一方面，本公開提供了一種基于拒絕推斷的模型訓(xùn)練方法，包括：

3、基于同一訓(xùn)練數(shù)據(jù)集訓(xùn)練多個不同的基礎(chǔ)模型；基于訓(xùn)練后的各所述基礎(chǔ)模型對同一目標(biāo)數(shù)據(jù)集進(jìn)行預(yù)測，得到元特征矩陣，其中，所述目標(biāo)數(shù)據(jù)集為驗(yàn)證數(shù)據(jù)集和/或測試數(shù)據(jù)集，所述元特征矩陣中的一列為一個訓(xùn)練后的所述基礎(chǔ)模型對所述目標(biāo)數(shù)據(jù)集的預(yù)測結(jié)果；基于所述元特征矩陣訓(xùn)練元模型；基于訓(xùn)練后的各所述基礎(chǔ)模型和訓(xùn)練后的所述元模型對多個拒絕樣本進(jìn)行預(yù)測，得到所有所述拒絕樣本中的負(fù)樣本；將負(fù)樣本數(shù)據(jù)加入所述訓(xùn)練數(shù)據(jù)集中，并返回執(zhí)行所述基于同一訓(xùn)練數(shù)據(jù)集訓(xùn)練多個不同的基礎(chǔ)模型。

4、在本公開的一些實(shí)施例中，所述基于同一訓(xùn)練數(shù)據(jù)集訓(xùn)練多個不同的基礎(chǔ)模型之前，還包括：

5、獲取參與過申請業(yè)務(wù)的所有用戶的數(shù)據(jù)信息以及各用戶對應(yīng)的標(biāo)簽，所述數(shù)據(jù)信息包括個人信息、業(yè)務(wù)信息、征信信息和還款表現(xiàn)信息；從各所述用戶的所述數(shù)據(jù)信息中提取目標(biāo)特征，得到所述訓(xùn)練數(shù)據(jù)集。

6、在本公開的一些實(shí)施例中，所述獲取參與過申請業(yè)務(wù)的所有用戶的數(shù)據(jù)信息以及各用戶對應(yīng)的標(biāo)簽包括：

7、采集參與過所述申請業(yè)務(wù)的所有所述用戶的所述數(shù)據(jù)信息；基于各所述用戶的所述還款表現(xiàn)信息，確定各所述用戶對應(yīng)的標(biāo)簽。

8、在本公開的一些實(shí)施例中，所述從各所述用戶的所述數(shù)據(jù)信息中提取目標(biāo)特征，得到所述訓(xùn)練數(shù)據(jù)集包括：

9、對所有所述用戶的所述數(shù)據(jù)信息中的缺失值、異常值和重復(fù)值進(jìn)行處理；基于處理后的各所述用戶的所述數(shù)據(jù)信息，確定各所述用戶的所述目標(biāo)特征；基于所有所述用戶的目標(biāo)特征，確定所述訓(xùn)練數(shù)據(jù)集和所述目標(biāo)數(shù)據(jù)集。

10、在本公開的一些實(shí)施例中，所述基于處理后的各所述用戶的所述數(shù)據(jù)信息，確定各所述用戶的所述目標(biāo)特征包括：

11、基于處理后的各所述用戶的所述數(shù)據(jù)信息進(jìn)行特征衍生，得到初始特征；將各所述用戶的所述初始特征進(jìn)行編碼，得到模型可識別的中間特征；從各所述用戶的所述中間特征中篩選出各所述用戶的所述目標(biāo)特征。

12、在本公開的一些實(shí)施例中，多個不同的所述基礎(chǔ)模型為不同算法的模型，和/或同一算法的不同超參量配置的模型。

13、在本公開的一些實(shí)施例中，所述基于訓(xùn)練后的各所述基礎(chǔ)模型和訓(xùn)練后的所述元模型對多個拒絕樣本進(jìn)行預(yù)測，得到所有所述拒絕樣本中的負(fù)樣本包括：

14、將所有拒絕樣本數(shù)據(jù)輸入至訓(xùn)練后的所有所述基礎(chǔ)模型，得到所有所述拒絕樣本對應(yīng)的所述元特征矩陣；將所有所述拒絕樣本對應(yīng)的所述元特征矩陣輸入至訓(xùn)練后的所述元模型，得到所有所述拒絕樣本各自對應(yīng)的預(yù)測概率，所述預(yù)測概率用于表征對應(yīng)的所述拒絕樣本為正類別的概率；將所述預(yù)測概率小于概率閾值的所述拒絕樣本確定為所述負(fù)樣本

15、第二方面，本公開提供了一種基于拒絕推斷的模型訓(xùn)練裝置，包括：

16、訓(xùn)練模塊，用于基于同一訓(xùn)練數(shù)據(jù)集訓(xùn)練多個不同的基礎(chǔ)模型。

17、預(yù)測模塊，用于基于訓(xùn)練后的各所述基礎(chǔ)模型對同一目標(biāo)數(shù)據(jù)集進(jìn)行預(yù)測，得到元特征矩陣，其中，所述目標(biāo)數(shù)據(jù)集為驗(yàn)證數(shù)據(jù)集和/或測試數(shù)據(jù)集，所述元特征矩陣中的一列為一個訓(xùn)練后的所述基礎(chǔ)模型對所述目標(biāo)數(shù)據(jù)集的預(yù)測結(jié)果。

18、所述訓(xùn)練模塊，還用于基于所述元特征矩陣訓(xùn)練元模型。

19、所述預(yù)測模塊，還用于基于訓(xùn)練后的各所述基礎(chǔ)模型和訓(xùn)練后的所述元模型對多個拒絕樣本進(jìn)行預(yù)測。

20、確定模塊，用于得到所有所述拒絕樣本中的負(fù)樣本，并將負(fù)樣本數(shù)據(jù)加入所述訓(xùn)練數(shù)據(jù)集中。

21、第三方面，本公開提供了一種電子設(shè)備，包括處理器，所述處理器用于執(zhí)行存儲于存儲器的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)第一方面提供的任一方法的步驟。

22、第四方面，本公開提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，計(jì)算機(jī)程序在由處理器執(zhí)行時實(shí)現(xiàn)第一方面提供的任一方法的步驟。

23、本公開提供的技術(shù)方案中，基于同一訓(xùn)練數(shù)據(jù)集訓(xùn)練多個不同的基礎(chǔ)模型，基于訓(xùn)練后的各基礎(chǔ)模型對同一目標(biāo)數(shù)據(jù)集進(jìn)行預(yù)測，得到元特征矩陣，基于元特征矩陣訓(xùn)練元模型，基于訓(xùn)練后的各基礎(chǔ)模型和訓(xùn)練后的元模型對多個拒絕樣本進(jìn)行預(yù)測，得到所有拒絕樣本中的負(fù)樣本，將負(fù)樣本數(shù)據(jù)加入訓(xùn)練數(shù)據(jù)集中，并返回執(zhí)行基于同一訓(xùn)練數(shù)據(jù)集訓(xùn)練多個不同的基礎(chǔ)模型，能夠?qū)ω?fù)樣本進(jìn)行擴(kuò)充，提升樣本訓(xùn)練中負(fù)樣本的數(shù)量，從而能夠提高模型的一致性和魯棒性。

技術(shù)特征：

1.一種基于拒絕推斷的模型訓(xùn)練方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于同一訓(xùn)練數(shù)據(jù)集訓(xùn)練多個不同的基礎(chǔ)模型之前，還包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取參與過申請業(yè)務(wù)的所有用戶的數(shù)據(jù)信息以及各用戶對應(yīng)的標(biāo)簽包括：

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述從各所述用戶的所述數(shù)據(jù)信息中提取目標(biāo)特征，得到所述訓(xùn)練數(shù)據(jù)集包括：

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述基于處理后的各所述用戶的所述數(shù)據(jù)信息，確定各所述用戶的所述目標(biāo)特征包括：

6.根據(jù)權(quán)利要求1-5任一項(xiàng)所述的方法，其特征在于，多個不同的所述基礎(chǔ)模型為不同算法的模型，和/或同一算法的不同超參量配置的模型。

7.根據(jù)權(quán)利要求1-5任一項(xiàng)所述的方法，其特征在于，所述基于訓(xùn)練后的各所述基礎(chǔ)模型和訓(xùn)練后的所述元模型對多個拒絕樣本進(jìn)行預(yù)測，得到所有所述拒絕樣本中的負(fù)樣本包括：

8.一種基于拒絕推斷的模型訓(xùn)練裝置，其特征在于，包括：

9.一種電子設(shè)備，其特征在于，包括：處理器，所述處理器用于執(zhí)行存儲于存儲器的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)權(quán)利要求1-7任一項(xiàng)所述方法的步驟。

10.一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)權(quán)利要求1-7任一項(xiàng)所述方法的步驟。

技術(shù)總結(jié)
本公開的實(shí)施例提供基于拒絕推斷的模型訓(xùn)練方法、裝置、設(shè)備和存儲介質(zhì)。該基于拒絕推斷的模型訓(xùn)練方法包括：基于同一訓(xùn)練數(shù)據(jù)集訓(xùn)練多個不同的基礎(chǔ)模型，基于訓(xùn)練后的各基礎(chǔ)模型對同一目標(biāo)數(shù)據(jù)集進(jìn)行預(yù)測，得到元特征矩陣，基于元特征矩陣訓(xùn)練元模型，基于訓(xùn)練后的各基礎(chǔ)模型和訓(xùn)練后的元模型對多個拒絕樣本進(jìn)行預(yù)測，得到所有拒絕樣本中的負(fù)樣本，將負(fù)樣本數(shù)據(jù)加入訓(xùn)練數(shù)據(jù)集中，并返回執(zhí)行基于同一訓(xùn)練數(shù)據(jù)集訓(xùn)練多個不同的基礎(chǔ)模型。該基于拒絕推斷的模型訓(xùn)練方法能夠?qū)ω?fù)樣本進(jìn)行擴(kuò)充，提升樣本訓(xùn)練中負(fù)樣本的數(shù)量，從而能夠提高模型的一致性和魯棒性。

技術(shù)研發(fā)人員：余勇輝,李建超,周波
受保護(hù)的技術(shù)使用者：杭州蜂工場信息技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19