[發明專利]評分卡模型訓練方法及裝置

在審

• 申請號: 202010572344.5
• 申請日: 2020-06-22
• 公開（公告）號: CN111738456A
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 郭豪;蔡準;孫悅;郭曉鵬
• 申請（專利權）人: 北京芯盾時代科技有限公司
• 主分類號: G06N20/20
• 分類號: G06N20/20;G06Q40/02
• 代理公司: 北京樂知新創知識產權代理事務所(普通合伙) 11734
• 代理人: 周偉

1.一種評分卡模型訓練方法，其特征在于，所述方法包括：

獲取多個歷史數據，及每個歷史數據對應的標簽信息；

對每個歷史數據進行向量化，得到每個歷史數據對應的第一向量；

將每個第一向量及對應的標簽信息輸入到Xgboost模型進行轉化訓練，得到每個歷史數據對應的第一學習信息；

將每個第一向量、對應標簽信息及對應的第一學習信息輸入到WideDeep模型中進行轉化訓練，得到每歷史數據對應的指導概率值；

將每個第一向量及對應的指導概率值輸入到邏輯回歸模型中，并結合半監督的學習技巧進行學習訓練，得到評分卡模型。

2.根據權利要求1所述的方法，其特征在于，所述將每個第一向量及對應的標簽信息輸入到Xgboost模型進行轉化訓練，得到每個歷史數據對應的第一學習信息，包括：

將(x₁，y₁)…(x_n，y_n)輸入到Xgboost模型中進行轉化訓練，得到

其中,x_n為第n個歷史數據對應的第一向量；y_n為第n個歷史數據對應的標簽信息；z_n為第n個歷史數據對應的第一學習信息，n為正整數。

3.根據權利要求2所述的方法，其特征在于，所述將每個第一向量、對應標簽信息及對應的第一學習信息輸入到WideDeep模型中進行轉化訓練，得到每歷史數據對應的指導概率值，包括：

將(x₁，y₁，z₁)…(x_n，y_n，z_n)輸入到WideDeep模型中，具體的轉換公式如下：

(p_i0，p_i1)＝WideDeep(x_i)＝sigmoid(F_deep(x_i)+F_wide(x_i)+z_i)；

F_wide(x_i)＝w_wide*x_i+b_wide；

F_deep(x_i)＝MLP_deep(x_i)；

其中，(p_i0，p_i1)為第i個歷史數據對應的指導概率值；MLP_deep代表多層神經網絡參數；w_wide和b_wide為Wide模型的向量參數，初始值為隨機數，并根據第一損失函數L_WideDeep(x_i)更新w_wide和b_wide的值；

4.根據權利要求3所述的方法，其特征在于，所述將每個第一向量、對應的指導概率值輸入到邏輯回歸模型中，并結合半監督的學習技巧進行學習訓練，得到評分卡模型，包括：

通過以下公式訓練得到評分卡模型LR(x_i)：

LR(x_i)＝sigmoid(w_LR*x_i+b_LR)；

其中，w_LR和b_LR為評分卡模型的向量參數，初始值為隨機數，并根據第二損失函數L_total(x_i)更新w_LR和b_LR的值；

L_total(x_i)＝L₁(x_i)+α*L₂(x_i)；

其中，α為融合系數。