[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)的多輸出多任務(wù)特征評估方法、裝置和電子設(shè)備

在審

• 申請?zhí)枺?/td>: 202110167037.3
• 申請日: 2021-02-07
• 公開（公告）號: CN112949824A
• 公開（公告）日: 2021-06-11
• 發(fā)明（設(shè)計(jì)）人: 王垚煒
• 申請（專利權(quán)）人: 北京淇瑀信息科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06F16/215;G06Q40/02
• 代理公司: 北京清誠知識產(chǎn)權(quán)代理有限公司 11691
• 代理人: 喬東峰

本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)的多輸出多任務(wù)特征評估方法，其特征在于，包括：獲取歷史用戶信息，歷史用戶信息包括歷史用戶基礎(chǔ)信息和業(yè)務(wù)表現(xiàn)信息；基于歷史用戶信息構(gòu)建特征評價框架模型，框架模型包括多個互相連接并能夠各自獨(dú)立輸出對應(yīng)業(yè)務(wù)特征評價結(jié)果的子模型；獲取當(dāng)前用戶基礎(chǔ)信息；將當(dāng)前用戶基礎(chǔ)信息輸入至特征評價框架模型獲取當(dāng)前用戶多個不同類型業(yè)務(wù)的特征評分。本發(fā)明能夠同時優(yōu)化多組和多種類型的標(biāo)簽，得到比傳統(tǒng)優(yōu)化單個目標(biāo)值更加優(yōu)異的模型，同時，在上線部署方面可以大大節(jié)省人力資源，提高整個流程的效率。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)信息處理領(lǐng)域，具體而言，涉及一種基于神經(jīng)網(wǎng)絡(luò)的多輸出多任務(wù)特征評估方法、裝置、電子設(shè)備及計(jì)算機(jī)可讀介質(zhì)。

背景技術(shù)

隨著新興技術(shù)的進(jìn)步和經(jīng)濟(jì)社會的發(fā)展，個人用戶或企業(yè)用戶接收或提供互聯(lián)性金融服務(wù)變得越來越普遍，作為開展金融業(yè)務(wù)核心之一的特征控制方法也跟隨技術(shù)的進(jìn)步產(chǎn)生了翻天覆地的發(fā)展。在現(xiàn)有技術(shù)中，金融服務(wù)機(jī)構(gòu)根據(jù)也無需要對單個業(yè)務(wù)目標(biāo)標(biāo)簽分別進(jìn)行建模，再根據(jù)這些模型的評分進(jìn)行組合切分，制定策略，在風(fēng)控方面取得了較好的效果。

但是該方法也帶來一些問題，一是對多個業(yè)務(wù)目標(biāo)標(biāo)簽分別建模，增加了需求數(shù)量，需要較多的人員進(jìn)行參與，不利于降低運(yùn)營成本；二是單個模型通常僅能輸出單一標(biāo)簽的值，無法從時間序列上看出用戶業(yè)務(wù)表現(xiàn)情況；三是在策略制定時主要依靠對單個策略的分析后人工劃分，準(zhǔn)確性上仍有欠缺。

在所述背景技術(shù)部分公開的上述信息僅用于加強(qiáng)對本公開的背景的理解，因此它可以包括不構(gòu)成對本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

發(fā)明內(nèi)容

有鑒于此，本公開提供一種基于神經(jīng)網(wǎng)絡(luò)的多輸出多任務(wù)特征評估方法、裝置、電子設(shè)備及計(jì)算機(jī)可讀介質(zhì)，使用了神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，能夠同時優(yōu)化多組和多種類型的標(biāo)簽，得到比傳統(tǒng)優(yōu)化單個目標(biāo)值更加優(yōu)異的模型，同時，因?yàn)橹挥幸粋€模型，所以在上線部署方面可以大大節(jié)省人力資源，提高了整個流程的效率。

本公開的其他特性和優(yōu)點(diǎn)將通過下面的詳細(xì)描述變得顯然，或部分地通過本公開的實(shí)踐而習(xí)得。

根據(jù)本公開的一個方面，提出一種基于神經(jīng)網(wǎng)絡(luò)的多輸出多任務(wù)特征評估方法，該方法包括：獲取歷史用戶信息，所述歷史用戶信息包括歷史用戶基礎(chǔ)信息和業(yè)務(wù)表現(xiàn)信息；基于所述歷史用戶信息構(gòu)建特征評價框架模型，所述框架模型包括多個互相連接并能夠各自獨(dú)立輸出對應(yīng)業(yè)務(wù)特征評價結(jié)果的子模型，所述多個子模型串聯(lián)且前一子模型的輸出結(jié)果為其以后所有子模型的輸入信息；獲取當(dāng)前用戶基礎(chǔ)信息；將所述當(dāng)前用戶基礎(chǔ)信息輸入至所述特征評價框架模型獲取所述當(dāng)前用戶多個不同類型業(yè)務(wù)的特征評分。

可選地，所述業(yè)務(wù)表現(xiàn)信息還包括不同類型業(yè)務(wù)表現(xiàn)信息和/或同一業(yè)務(wù)以時間為序列的多個業(yè)務(wù)表現(xiàn)信息。

可選地，所述同一業(yè)務(wù)以時間為序列的多個業(yè)務(wù)表現(xiàn)信息為選取同一業(yè)務(wù)不同時間的表現(xiàn)值構(gòu)成的以時間為序列的向量。

可選地，所述特征評價框架模型進(jìn)一步包括：任一子模型的輸入信息包括所述用戶基礎(chǔ)信息以及當(dāng)前子模型之前所有子模型的輸出結(jié)果信息。

可選地，還包括：所述特征評價框架模型為利用tensorflow搭建的神經(jīng)網(wǎng)絡(luò)框架。

可選地，還包括：所述特征評價框架模型采用帶動量的隨機(jī)梯度下降優(yōu)化方法。

可選地，還包括：根據(jù)所述特征評價框架模型的輸出結(jié)果制定對應(yīng)業(yè)務(wù)的策略。

可選地，還包括：獲取所述歷史用戶信息及當(dāng)前用戶信息后對其進(jìn)行清洗。