[發明專利]一種訓練方法、特征提取方法、裝置及電子設備

在審

• 申請號: 201911050651.0
• 申請日: 2019-10-31
• 公開（公告）號: CN110796240A
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 李懷松;潘健民
• 申請（專利權）人: 支付寶(杭州)信息技術有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62
• 代理公司: 11315 北京國昊天誠知識產權代理有限公司
• 代理人: 許振新

1.一種訓練方法，包括：

將樣本對象對應目標分類下的第一短期特征集輸入至循環神經網絡，得到第二短期特征集，其中，所述第一短期特征集中的各短期特征對應有相同的第一時間粒度；

將所述第二短期特征集按照時間順序組合成長期特征集，其中，所述長期特征集中的各長期特征對應有相同的第二時間粒度，所述第二時間粒度大于所述第一時間粒度；

將所述長期特征集輸入至卷積神經網絡，得到所述目標對象對應所述目標分類下的目標特征集；

將所述目標特征集輸入至用于識別所述目標分類的分類模型，以基于所述分類模型針對所述樣本對象的識別結果，對所述循環神經網絡和所述卷積神經網絡進行訓練。

2.根據權利要求1所述的方法，

將所述目標特征集輸入至用于識別所述目標分類的分類模型，以基于所述分類模型針對所述樣本對象的識別結果，對所述循環神經網絡和所述卷積神經網絡進行訓練，包括：

將所述目標特征集作為用于識別所述目標分類的分類模型的輸入，將所述樣本對象的標簽作為所述分類模型的輸出，以基于所述分類模型針對所述樣本對象的識別結果，對所述循環神經網絡和所述卷積神經網絡進行訓練，其中，所述樣本對象的標簽用于指示所述樣本用對象是否符合所述目標分類。

3.根據權利要求1所述的方法，還包括：

所述循環神經網絡包括以下至少一者：

長短期記憶網絡、門控循環單元網絡以及自注意力機制網絡。

4.根據權利要求1所述的方法，

所述卷積神經網絡包括：文本卷進循環網絡。

5.根據權利要求1-4中任一項所述的方法，

所述卷積神經網絡包括：

卷積層，對長期特征集進行卷積處理，得到卷積層輸出特征集；

池化層，基于最大值池化算法和/或均值池化算法，對所述卷積層輸出特征集進行池化處理，得到池化層輸出特征集；

全連接層，將池化層輸出特征集轉換為單一維度的目標特征集。

6.根據權利要求1-4中任一項所述的方法，

所述目標分類為金融風險，所述第一短期特征集包括以下至少一種特征維度的短期特征：

所述樣本對象在各第一時間粒度所對應的交易總金額、交易總筆數以及交易對手總數。

7.一種特征提取方法，包括：

將目標對象屬于目標分類下的第一短期特征集輸入至循環神經網絡，得到第二短期特征集，其中，所述第一短期特征集中的各短期特征對應有相同的第一時間粒度；

將所述第二短期特征集按照時間順序組合成長期特征集，其中，所述長期特征集中的各長期特征對應有相同的第二時間粒度，所述第二時間粒度大于所述第一時間粒度；

將所述長期特征集輸入至卷積神經網絡，得到所述目標對象對應所述目標分類下的目標特征集；

其中，所述循環神經網絡和所述卷積神經網絡是將樣本對象的目標特征集輸入至具有識別所述目標分類的分類模型后，基于所述分類模型得到針對所述樣本對象的識別結果，對所述循環神經網絡和所述卷積神經網絡進行訓練所得到的，所述樣本對象的目標特征集是基于所述循環神經網絡和所述卷積神經網絡確定得到的。

8.一種神經網絡的訓練裝置，包括：

第一處理模塊，將樣本對象對應目標分類下的第一短期特征集輸入至循環神經網絡，得到第二短期特征集；其中，所述第一短期特征集中的各短期特征對應有相同的第一時間粒度；

第一組合模塊，將所述第二短期特征集按照時間順序組合成長期特征集，其中，所述長期特征集中的各長期特征對應有相同的第二時間粒度，所述第二時間粒度大于所述第一時間粒度；

第二處理模塊，將所述長期特征集輸入至卷積神經網絡，得到所述目標對象對應所述目標分類下的目標特征集；

訓練模塊，將所述目標特征集輸入至用于識別所述目標分類的分類模型，以基于所述分類模型針對所述樣本對象的識別結果，對所述循環神經網絡和所述卷積神經網絡進行訓練。