[發(fā)明專利]數(shù)據(jù)的處理方法和裝置

在審

• 申請?zhí)枺?/td>: 202010192671.8
• 申請日: 2020-03-18
• 公開（公告）號: CN111429215A
• 公開（公告）日: 2020-07-17
• 發(fā)明（設(shè)計）人: 劉格格
• 申請（專利權(quán)）人: 北京互金新融科技有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06N3/04;G06N3/08
• 代理公司: 北京康信知識產(chǎn)權(quán)代理有限責任公司 11240
• 代理人: 董文倩

1.一種數(shù)據(jù)的處理方法，其特征在于，包括：

獲取訓練數(shù)據(jù)集，其中，所述訓練數(shù)據(jù)集中包含多個訓練樣本，其中，所述訓練樣本指的是以訂單為粒度構(gòu)造的變量；

將所述訓練數(shù)據(jù)集輸入至卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練，得到訓練后的卷積神經(jīng)網(wǎng)絡(luò)模型，并從所述訓練后的卷積神經(jīng)網(wǎng)絡(luò)模型中的隱藏層提取出所述訓練樣本的新變量。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述訂單由主體和客體構(gòu)成，所述訓練樣本為不同主體和客體在不同時間窗口下的特征值構(gòu)成的矩陣，其中，所述主體用于表征所述訂單的用戶信息，所述客體用于表征所述訂單的訂單信息。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，從所述訓練后的卷積神經(jīng)網(wǎng)絡(luò)模型中的隱藏層提取出所述訓練樣本的新變量包括：

識別出目標風險下所述矩陣中的無效特征區(qū)域；

從所述隱藏層提取出所述無效特征區(qū)域包含的特征值；

根據(jù)所述無效特征區(qū)域包含的特征值確定所述訓練樣本的新變量。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)模型的特征至少包括：局部連接以及權(quán)重共享，其中，所述局部連接為所述卷積神經(jīng)網(wǎng)絡(luò)模型中的多個局部區(qū)域內(nèi)的所有節(jié)點與下一層節(jié)點的連接關(guān)系，所述權(quán)重共享為掃描所述局部區(qū)域時，節(jié)點的鏈接權(quán)重共享。

5.根據(jù)權(quán)利要求1至4中任意一項所述的方法，其特征在于，在得到訓練后的卷積神經(jīng)網(wǎng)絡(luò)模型之后，所述方法還包括：

將所述訓練樣本的新變量輸入主模型；

使用所述主模型處理所述訓練樣本的新變量，得到預(yù)測結(jié)果。

6.一種數(shù)據(jù)的處理裝置，其特征在于，包括：

獲取單元，用于獲取訓練數(shù)據(jù)集，其中，所述訓練數(shù)據(jù)集中包含多個訓練樣本，其中，所述訓練樣本指的是以訂單為粒度構(gòu)造的變量；

訓練單元，用于將所述訓練數(shù)據(jù)集輸入至卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練，得到訓練后的卷積神經(jīng)網(wǎng)絡(luò)模型，并從所述訓練后的卷積神經(jīng)網(wǎng)絡(luò)模型中的隱藏層提取出所述訓練樣本的新變量。

7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述訂單由主體和客體構(gòu)成，所述訓練樣本為不同主體和客體在不同時間窗口下的特征值構(gòu)成的矩陣，其中，所述主體用于表征所述訂單的用戶信息，所述客體用于表征所述訂單的訂單信息。

8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述訓練單元包括：

識別模塊，用于識別出目標風險下所述矩陣中的無效特征區(qū)域；

處理模塊，用于從所述隱藏層提取出所述無效特征區(qū)域包含的特征值；

確定模塊，用于根據(jù)所述無效特征區(qū)域包含的特征值確定所述訓練樣本的新變量。

9.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)模型的特征至少包括：局部連接以及權(quán)重共享，其中，所述局部連接為所述卷積神經(jīng)網(wǎng)絡(luò)模型中的多個局部區(qū)域內(nèi)的所有節(jié)點與下一層節(jié)點的連接關(guān)系，所述權(quán)重共享為掃描所述局部區(qū)域時，節(jié)點的鏈接權(quán)重共享。

10.根據(jù)權(quán)利要求6至9中任意一項所述的裝置，其特征在于，所述裝置還包括：

輸入單元，用于在在得到訓練后的卷積神經(jīng)網(wǎng)絡(luò)模型之后，將所述訓練樣本的新變量輸入主模型；

預(yù)測單元，用于使用所述主模型處理所述訓練樣本的新變量，得到預(yù)測結(jié)果。

11.一種存儲介質(zhì)，其特征在于，所述存儲介質(zhì)包括存儲的程序，其中，在所述程序運行時控制所述存儲介質(zhì)所在設(shè)備執(zhí)行權(quán)利要求1至5中任意一項所述數(shù)據(jù)的處理方法。

12.一種處理器，其特征在于，所述處理器用于運行程序，其中，所述程序運行時執(zhí)行權(quán)利要求1至5中任意一項所述數(shù)據(jù)的處理方法。