申请/专利权人：第四范式(北京)技术有限公司

申请日：2019-12-17

公开（公告）日：2024-04-02

公开（公告）号：CN111104978B

主分类号：G06F18/214

分类号：G06F18/214;G06Q20/40;G06F18/24;G06N20/20

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2020.05.29#实质审查的生效;2020.05.05#公开

摘要：本发明公开了一种反欺诈模型的训练方法及装置，主要方案包括：执行模型迭代训练过程：将训练样本数据集中留存的训练样本数据拆分为训练集和验证集；用训练集分别训练多个弱分类器后，获取多个弱分类器分别在验证集上的预测分值；对于每个弱分类器，根据其在验证集上的预测分值确定该弱分类器的数据分布适应度值；根据各弱分类器的数据分布适应度值选取目标弱分类器；利用目标弱分类器对训练集进行预测，根据预测分值对训练样本数据集进行训练样本数据剔除处理；当训练样本数据集中留存的训练样本数据的数据量小于数据量阈值时结束迭代训练过程，否则进行下一轮训练；在结束迭代训练过程后组合各轮训练中得到的目标弱分类器形成反欺诈模型。

主权项：1.一种反欺诈模型的训练方法，其特征在于，应用于互联网金融领域，包括：获取训练样本数据集，所述训练样本数据集中包括多个具有二分类标签的训练样本数据，其中，所述二分类标签用于表征训练样本数据是否为与欺诈行为相应的数据，所述训练样本数据包括用户类特征和用户行为类特征，所述用户类特征用于表示用户的特征信息，所述用户行为类特征用于表示用户交易行为信息；执行模型迭代训练过程，其中，每一轮训练包括如下步骤：将所述训练样本数据集中留存的训练样本数据拆分为训练集和验证集；用所述训练集分别训练预设的多个弱分类器后，获取所述多个弱分类器分别在验证集上的预测分值；对于每个弱分类器，根据其在验证集上的预测分值确定该弱分类器的数据分布适应度值；根据各弱分类器的数据分布适应度值，选取一个目标弱分类器；利用所述目标弱分类器对所述训练集进行预测，并根据预测分值对所述训练样本数据集进行训练样本数据剔除处理；判断所述训练样本数据集中留存的训练样本数据的数据量是否小于预设的数据量阈值，是则结束迭代训练过程，否则进行下一轮训练；在结束迭代训练过程后，组合各轮训练中得到的目标弱分类器形成反欺诈模型；所述多个弱分类器是基于算力要求而预设的，其中，所述算力要求至少包括如下内容中的至少一种：训练样本数据的数据总量、训练要求时长、训练用机的硬件信息和训练用机的架构；组合各轮训练中得到的目标弱分类器形成反欺诈模型，包括：按照各轮训练中得到的目标弱分类器的得到顺序确定各目标弱分类器的执行顺序，其中，所述执行顺序与所述得到顺序相同；根据所述执行顺序组合各目标弱分类器形成反欺诈模型。

全文数据：

权利要求：

百度查询： 第四范式(北京)技术有限公司 一种反欺诈模型的训练方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD