[發明專利]機器學習模型的建模方法及裝置

有效

• 申請號: 201610094664.8
• 申請日: 2016-02-19
• 公開（公告）號: CN107103171B
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 張柯;褚崴;施興;謝樹坤;謝鋒
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N20/00;G06K9/62;G06Q30/00
• 代理公司: 北京市惠誠律師事務所 11353
• 代理人: 劉子敬

1.一種機器學習模型的建模方法，其特征在于，包括：

根據各初始目標變量之間的相容或互斥狀態，對相容的初始目標變量進行合并，獲得相互之間為互斥狀態的中間目標變量；其中，所述初始目標變量用于指示目標行為的實現形式；

分別對各中間目標變量對應的機器學習子模型進行訓練，獲得各機器學習子模型的概率值；其中，所述機器學習子模型用于根據描述交易行為的特征變量判定對應中間目標變量指示的目標行為類型；

對各機器學習子模型的概率值進行概率求和，獲得目標概率值；

根據所述目標概率值和所述特征變量，建立用于判定是否為目標行為的目標機器學習模型，

其中，所述特征變量為從歷史交易數據中提取的用于描述交易信息的參數，并且所述初始目標變量為從所述歷史交易數據中提取的用于描述虛假交易類型的參數。

2.根據權利要求1所述的建模方法，其特征在于，所述根據各初始目標變量之間的相容或互斥狀態，對相容的初始目標變量進行合并，獲得相互之間為互斥狀態的中間目標變量，包括：

將兩兩之間為互斥狀態的初始目標變量組成初始目標變量對；

構建包括各初始目標變量的拆分集合；

依次針對每一個初始目標變量對，執行根據所述初始目標變量對，將拆分集合拆分為兩個下一級的拆分集合的步驟，在每一個下一級的拆分集合中包含有所述初始目標變量對中的一個初始目標變量，以及被拆分的拆分集合中除所述初始目標變量對之外的全部元素；其中，所述下一級的拆分集合用于根據下一個初始目標變量對進行拆分；

對相互之間存在包含關系的拆分集合進行合并，獲得目標子集；

將同一目標子集中的初始目標變量合并，作為所述中間目標變量。

3.根據權利要求1所述的建模方法，其特征在于，所述根據各初始目標變量之間的相容或互斥狀態，對相容的初始目標變量進行合并，獲得相互之間為互斥狀態的中間目標變量之前，還包括：

根據公式確定初始目標變量之間的相容或互斥狀態；其中，Num_ij表示歷史交易數據中初始目標變量y_i和初始目標變量y_j同時定義為正樣本的交易記錄的條數，Num_i表示所述歷史交易數據中初始目標變量y_i定義為正樣本的交易記錄的條數，Num_j表示所述歷史交易數據中初始目標變量y_j定義為正樣本的交易記錄的條數，1≤i≤N，1≤j≤N，N為初始目標變量的總數，H=1時兩初始目標變量之間為互斥，H=0時兩初始目標變量之間為相融，T₁和T₂為預設閾值，0＜T₁＜1，0＜T₂＜1。

4.根據權利要求1所述的建模方法，其特征在于，所述機器學習子模型為線性模型，所述分別對各中間目標變量對應的機器學習子模型進行訓練，獲得各機器學習子模型的概率之前，還包括：

針對每一個機器學習子模型，計算特征變量X_q與各初始目標變量y_s之間的協方差；其中，所述初始目標變量y_s用于合并獲得所述機器學習子模型所對應的中間目標變量；

若所述特征變量X_q與各初始目標變量y_s之間的協方差正負號不相同，則篩選掉所述特征變量X_q，否則，保留所述特征變量X_q。

5.根據權利要求1所述的建模方法，其特征在于，所述分別對各中間目標變量對應的機器學習子模型進行訓練，獲得各機器學習子模型的概率之前，還包括：

針對每一個機器學習子模型，根據各初始目標變量y_s權重W_s所確定出的交易記錄復制條數，對所述歷史交易數據中的交易記錄進行復制；其中，所述初始目標變量y_s用于合并獲得所述機器學習子模型所對應的中間目標變量；

將復制后的歷史交易數據作為所述機器學習子模型的訓練樣本。