[發明專利]模型訓練方法、數據類型識別方法和計算機設備

在審

• 申請號: 201810071644.8
• 申請日: 2018-01-25
• 公開（公告）號: CN108304868A
• 公開（公告）日: 2018-07-20
• 發明（設計）人: 祝慧佳
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 李輝

1.一種模型訓練方法，包括：

使用經樣本數據集合訓練后的分類模型，識別測試數據集合中測試數據的類型，得到識別結果；其中，所述樣本數據集合包括第一類型樣本數據和第二類型樣本數據；所述第一類型樣本數據的類型與標的業務數據的類型相同；

基于所述識別結果，從所述測試數據集合中獲取疑似誤識數據集合；

從所述疑似誤識數據集合中獲取疑似誤識數據作為第二類型樣本數據；

基于添加了獲取的第二類型樣本數據的樣本數據集合，對所述分類模型再次進行訓練。

2.如權利要求1所述的方法，所述標的業務數據包括風險業務數據。

3.如權利要求1所述的方法，所述識別結果包括所述測試數據集合中測試數據的特征值；相應地，所述從所述測試數據集合中獲取疑似誤識數據集合，包括：

基于所述特征值，從所述測試數據集合中獲取疑似誤識數據集合。

4.如權利要求1所述的方法，所述從所述疑似誤識數據集合中獲取疑似誤識數據作為第二類型樣本數據，包括：

計算所述疑似誤識數據集合中疑似誤識數據的重要性指標；

基于所述重要性指標，從所述疑似誤識數據集合中獲取疑似誤識數據作為第二類型樣本數據。

5.如權利要求4所述的方法，所述測試數據集合中的測試數據為文本數據；相應地，所述計算所述疑似誤識數據集合中疑似誤識數據的重要性指標，包括：

對所述疑似誤識數據集合中的疑似誤識數據進行分詞處理，得到多個分詞詞匯；

從所述多個分詞詞匯中篩選出至少一個高頻詞匯；

基于高頻詞匯的重要性指標，計算所述疑似誤識數據集合中疑似誤識數據的重要性指標。

6.如權利要求5所述的方法，在計算所述疑似誤識數據集合中疑似誤識數據的重要性指標之前，所述方法還包括：

基于每個高頻詞匯的頻次、以及所述多個分詞詞匯的頻次之和，計算該高頻詞匯的第一參數；基于所述疑似誤識數據集合中疑似誤識數據的數量、以及所述疑似誤識數據集合中包含有該高頻詞匯的疑似誤識數據的數量，計算該高頻詞匯的第二參數；基于所述第一參數和所述第二參數，計算該高頻詞匯的重要性指標。

7.如權利要求1所述的方法，所述方法還包括：

檢測再次訓練后的分類模型是否滿足訓練終止條件；

若否，重復執行識別測試數據集合中測試數據的類型、從所述測試數據集合中獲取疑似誤識數據集合、從所述疑似誤識數據集合中獲取疑似誤識數據作為第二類型樣本數據、以及對所述分類模型再次進行訓練的步驟，直至滿足所述訓練終止條件。

8.一種計算機設備，包括：

識別單元，用于使用經樣本數據集合訓練后的分類模型，識別測試數據集合中測試數據的類型，得到識別結果；其中，所述樣本數據集合包括第一類型樣本數據和第二類型樣本數據；所述第一類型樣本數據的類型與標的業務數據的類型相同；

第一獲取單元，用于基于所述識別結果，從所述測試數據集合中獲取疑似誤識數據集合；

第二獲取單元，用于從所述疑似誤識數據集合中獲取疑似誤識數據作為第二類型樣本數據；

訓練單元，用于基于添加了獲取的第二類型樣本數據的樣本數據集合，對所述分類模型再次進行訓練。

9.一種計算機設備，包括存儲器和處理器；

所述存儲器，用于存儲計算機指令；

所述處理器，用于執行所述計算機指令實現以下步驟：使用經樣本數據集合訓練后的分類模型，識別測試數據集合中測試數據的類型，得到識別結果；其中，所述樣本數據集合包括第一類型樣本數據和第二類型樣本數據；所述第一類型樣本數據的類型與標的業務數據的類型相同；基于所述識別結果，從所述測試數據集合中獲取疑似誤識數據集合；從所述疑似誤識數據集合中獲取疑似誤識數據作為第二類型樣本數據；基于添加了獲取的第二類型樣本數據的樣本數據集合，對所述分類模型再次進行訓練。