[發明專利]基于多階段時序多任務的用戶安全等級識別方法及裝置

有效

• 申請號: 202210545013.1
• 申請日: 2022-05-19
• 公開（公告）號: CN114742645B
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 王磊;宋孟楠;蘇綏綏;鄭彥
• 申請（專利權）人: 北京淇瑀信息科技有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06Q20/38;G06N20/00;G06K9/62;G06F16/2458
• 代理公司: 北京清誠知識產權代理有限公司 11691
• 代理人: 何懷燕

1.一種基于多階段時序多任務的用戶安全等級識別方法，其特征在于，包括：

根據全量用戶和其對應的用戶階段生成多個階段集合；

將多個階段集合按照時序依次排列；

提取所述多個階段集合中的第一階段集合；

將第一階段集合輸入第一組初始模型中，生成第一組模型參數向量；

將第n組模型參數向量與第n+1組初始模型的模型參數向量進行加權求和，得到第n+1組初始模型的新的模型參數向量，根據第n+1階段集合對具有所述新的模型參數向量的第n+1組初始模型進行多任務訓練，生成第n+1組模型參數向量，n為正整數；各組所述初始模型為對應階段集合訓練好的模型；

直至所述多個階段集合訓練完畢，基于多組模型參數向量生成多組階段評分模型；

通過所述多組階段評分模型對當前用戶進行安全等級識別。

2.如權利要求1所述的方法，其特征在于，根據全量用戶和其對應的用戶階段生成多個階段集合，包括：

根據產品特征確定多個用戶階段；

將全量用戶中每一個用戶對應的用戶階段和所述多個用戶階段進行匹配；

根據匹配結果將用戶分配至和其用戶階段對應的階段集合中。

3.如權利要求2所述的方法，其特征在于，根據全量用戶和其對應的用戶階段生成多個階段集合，還包括：

為每一個用戶階段確定標簽策略；

根據所述標簽策略為每一個階段集合中用戶分配樣本標簽。

4.如權利要求1所述的方法，其特征在于，根據第n+1階段集合對具有所述新的模型參數向量的第n+1組初始模型進行多任務訓練，生成第n+1組模型參數向量，還包括：

為每一個用戶階段確定一組機器學習模型；

根據每一個用戶階段對應的標簽策略為歷史用戶分配樣本標簽；

通過帶有樣本標簽的歷史用戶對第n+1組機器學習模型進行訓練，生成第n+1組初始模型，n為正整數。

5.如權利要求1所述的方法，其特征在于，將第一階段集合輸入第一組初始模型中，生成第一組模型參數向量，包括：

將第一階段集合中的用戶信息分別輸入第一組初始模型中；

第一組初始模型根據用戶信息和其對應的標簽進行模型訓練，在訓練完畢后，生成第一組模型參數向量。

6.如權利要求1所述的方法，其特征在于，根據第n+1階段集合對具有所述新的模型參數向量的第n+1組初始模型進行多任務訓練，生成第n+1組模型參數向量，包括：

生成更新向量；

將所述更新向量加權后疊加到第n+1組初始模型的模型參數向量中；

將第n+1階段集合中的用戶信息分別輸入模型參數向量更新后的第n+1組初始模型中以進行多任務訓練；

在訓練完畢后，生成第n+1組模型參數向量。

7.如權利要求6所述的方法，其特征在于，生成更新向量，包括：

將第n組模型參數向量進行非線性變換以生成更新向量；或

通過第一組至第n組模型參數向量的非線性變換生成第一組至第n組的更新向量。

8.如權利要求6所述的方法，其特征在于，將第n+1階段集合中的用戶信息分別輸入模型參數向量更新后的第n+1組初始模型中以進行多任務訓練，包括：

將第n+1階段集合中的用戶信息分別輸入模型參數向量更新后的第n+1組初始模型中；

第n+1組初始模型根據用戶信息和其對應的標簽進行多任務訓練；

在訓練過程中的損失函數不滿足收斂條件時，重新確定第n+1組初始模型的初始模型參數以再次進行多任務訓練；

在損失函數滿足收斂條件時，完成第n+1組初始模型的多任務訓練。

9.如權利要求8所述的方法，其特征在于，重新確定第n+1組初始模型的初始模型參數以再次進行多任務訓練，包括：

對第n+1組初始模型再次進行模型訓練以生成新的初始模型參數；或

重新確定收斂條件以對第n+1組初始模型再次進行模型訓練，生成新的初始模型參數。