[發明專利]一種基于深度學習的風險確定方法及裝置

在審

• 申請號: 202010888648.2
• 申請日: 2020-08-28
• 公開（公告）號: CN112036474A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 馬欣驊;毛燦;劉爾凱;丁永建;李璠
• 申請（專利權）人: 光大科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06Q10/06
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 張秀英

1.一種基于深度學習的風險確定方法，其特征在于，包括：

獲取目標對象的多個目標特征，其中，所述多個目標特征中的每個目標特征包括多個特性向量；

將所述多個目標特征輸入到預先訓練好的目標神經網絡模型中，得到所述目標神經網絡模型輸出的所述目標對象對應目標屬性的置信度；

根據所述目標對象對應目標屬性的置信度確定所述目標對象的風險指數。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

獲取預定數量的目標對象的多個特征信息、以及所述多個特征信息對應的屬性值，其中，所述多個特征信息中的每個特征信息包括多個特性向量；

根據預定數量的目標對象的多個特征信息、以及所述多個特征信息對應的屬性值對原始神經網絡模型進行訓練，得到所述目標神經網絡模型。

3.根據權利要求2所述的方法，其特征在于，根據預定數量的目標對象的多個特征信息、以及所述多個特征信息對應的屬性值對原始神經網絡模型進行訓練，得到所述目標神經網絡模型包括：

通過向量內積的方式生成所述預定數量的目標對象的多個特征信息的組合特征；

根據所述預定數量的組合特征以及所述組合特征對應的屬性值對所述原始神經網絡模型進行訓練，得到所述目標神經網絡模型。

4.根據權利要求3所述的方法，其特征在于，根據所述預定數量的組合特征以及所述組合特征對應的屬性值對所述原始神經網絡模型進行訓練，得到所述目標神經網絡模型包括：

使用所述預定數量的組合特征以及所述組合特征對應的屬性值對所述原始神經網絡模型進行訓練，得到所述目標神經網絡模型，其中，所述預定數量的組合特征為所述原始神經網絡模型的輸入，訓練好的所述目標神經網絡模型輸出的所述多個目標特征對應的目標屬性與所述多個目標特征實際對應的屬性滿足預定損失函數。

5.根據權利要求3所述的方法，其特征在于，通過向量內積的方式生成所述預定數量的目標對象的多個特征信息的組合特征包括：

分別根據預設規則將所述多個特征信息中的每個特征信息轉換成多個特征向量；

通過特征向量內積的方式生成所述多個特征信息的組合特征。

6.根據權利要求5所述的方法，其特征在于，通過特征向量內積的方式生成所述多個特征信息的組合特征包括：

確定所述多個特征信息對應的多個特征向量之間的內積；

根據所述內積生成所述多個特征信息的組合特征。

7.一種基于深度學習的風險確定裝置，其特征在于，包括：

第一獲取模塊，用于獲取目標對象的多個目標特征，其中，所述多個目標特征中的每個目標特征包括多個特性向量；

輸入模塊，用于將所述多個目標特征輸入到預先訓練好的目標神經網絡模型中，得到所述目標神經網絡模型輸出的所述目標對象對應目標屬性的置信度；

確定模塊，用于根據所述目標對象對應目標屬性的置信度確定所述目標對象的風險指數。

8.根據權利要求7所述的裝置，其特征在于，所述裝置還包括：

第二獲取模塊，用于獲取預定數量的目標對象的多個特征信息、以及所述多個特征信息對應的屬性值，其中，所述多個特征信息中的每個特征信息包括多個特性向量；

訓練模塊，用于根據預定數量的目標對象的多個特征信息、以及所述多個特征信息對應的屬性值對原始神經網絡模型進行訓練，得到所述目標神經網絡模型。

9.一種計算機可讀的存儲介質，其特征在于，所述存儲介質中存儲有計算機程序，其中，所述計算機程序被設置為運行時執行所述權利要求1至6任一項中所述的方法。

10.一種電子裝置，包括存儲器和處理器，其特征在于，所述存儲器中存儲有計算機程序，所述處理器被設置為運行所述計算機程序以執行所述權利要求1至6中任一項所述的方法。