用户行为识别模型的训练方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开一种用户行为识别模型的训练方法、装置、设备及存储介质。所述用户行为识别模型的训练方法包括：获取用户的至少一条行为数据；以及基于所述用户及多个样本用户的多条行为数据，对经预先训练的用户行为识别模型进行模型更新训练。根据本发明专利技术提供的用户行为识别模型的训练方法，通过使用待识别用户的任意条行为数据优化基础模型，能够获得用于高精度识别该用户行为的个性化模型，从而有效地保障该用户的个人信息安全。

【技术实现步骤摘要】
用户行为识别模型的训练方法、装置、设备及存储介质
本专利技术涉及计算机
，尤其涉及一种用户行为识别模型的训练方法、装置、计算机设备及计算机可读存储介质。
技术介绍
随着社会信息化程度的不断提升，人们的工作和生活方式逐渐由线下转移到了线上，例如：电子商务、网上银行业务等。相应地，在线用户势必面临个人敏感信息泄漏、银行账户失盗等安全问题。为保障用户的信息安全，需要对用户在终端设备的操作行为进行认证以识别用户的身份。然而，目前常用的认证方式普遍存在识别精度低、用户体验差等诸多缺陷。需要说明的是，在所述
技术介绍
部分公开的上述信息仅用于加强对本专利技术的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
有鉴于此，本专利技术提供一种用户行为识别模型的训练方法、装置、计算机设备及计算机可读存储介质。本专利技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本专利技术的实践而习得。根据本专利技术的一方面，提供一种用户行为识别模型的训练方法，包括：获取用户的至少一条行为数据；以及基于所述用户及多个样本用户的多条行为数据，对经预先训练的用户行为识别模型进行模型更新训练。根据本专利技术的一实施方式，所述用户行为识别模型的预先训练过程包括：获取多个样本用户的多条行为数据；及基于所述多个样本用户的多条行为数据，对初始的用户行为识别模型进行训练。根据本专利技术的一实施方式，基于所述多个样本用户的多条行为数据，对初始的用户行为识别模型进行训练，包括：分别抽取所述多个样本用户中一个样本用户的第一数量条行为数据和其它样本用户的第二数量条行为数据，组成一个训练任务的训练数据；针对每个训练任务，分别执行下述操作：从所述训练任务的训练数据中选出第三数量条行为数据，并根据所述第三数量条行为数据，对所述用户行为识别模型进行第一训练，以计算得到所述用户识别模型的第一模型参数；及从所述训练任务的训练数据中选出除所述第三数量条行为数据之外的第四数量条行为数据，并根据所述第四数量条行为数据，基于所述第一模型参数，对所述用户行为识别模型进行第二训练；以及基于每个训练任务的第二训练结果，更新所述用户识别模型的第二模型参数。根据本专利技术的一实施方式，根据所述第三数量条行为数据，对所述用户行为识别模型进行第一训练，以计算得到所述用户识别模型的第一模型参数，包括：基于当前的第二模型参数，对所述用户行为识别模型的损失函数进行求导，获得第一梯度值；及将所述第二模型参数减去所述第一梯度值与第一学习率的乘积，以计算得到所述第一模型参数。根据本专利技术的一实施方式，基于所述第一模型参数，对所述用户行为识别模型进行第二训练，包括：基于所述第一模型参数，对所述用户识别模型的损失函数进行求导，获得第二梯度值；基于每个训练任务的第二训练结果，更新所述用户识别模型的第二模型参数，包括：将所述当前的第二模型参数减去各训练任务的第二梯度值之和与第二学习率的乘积，以更新所述第二模型参数。根据本专利技术的一实施方式，基于所述用户及多个样本用户的多条行为数据，对经预先训练的用户行为识别模型进行模型更新训练，包括：基于更新后的所述第二模型参数，对所述用户识别模型的损失函数进行求导，获得第三梯度值；及将所述第二模型参数减去所述第三梯度值与所述第一学习率的乘积，以得到所述第一模型参数。根据本专利技术的一实施方式，获取用户的至少一条行为数据包括：获取用户的1～10条行为数据。根据本专利技术的另一方面，提供一种用户行为识别模型的训练装置，包括：数据获取模块，用于获取用户的至少一个行为数据；以及模型训练模块，用于基于所述用户及多个样本用户的多条行为数据，对经预先训练的用户行为识别模型进行模型更新训练。根据本专利技术的再一方面，提供一种计算机设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，所述处理器执行所述可执行指令时实现上述任一种用户行为识别模型的训练方法。根据本专利技术的再一方面，提供一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现上述任一种用户行为识别模型的训练方法。根据本专利技术提供的用户行为识别模型的训练方法，通过使用待识别用户的任意条行为数据优化基础模型，能够获得用于高精度识别该用户行为的个性化模型，从而有效地保障该用户的个人信息安全。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是根据一示例性实施方式示出的一种用户行为识别模型的训练方法的流程图。图2是根据一示例性实施方式示出的另一种用户行为识别模型的训练方法的流程图。图3是根据一示例性实施方式示出的再一种用户行为识别模型的训练方法的流程图。图4是根据一示例性实施方式示出的再一种用户行为识别模型的训练方法的流程图。图5是根据一示例性实施方式示出的再一种用户行为识别模型的训练方法的流程图。图6是根据一示例性实施方式示出的再一种用户行为识别模型的训练方法的流程图。图7是根据一示例性实施方式示出的一种用户行为识别模型的训练装置的框图。图8是根据一示例性实施方式示出的一种计算机设备的结构示意图。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本专利技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本专利技术的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本专利技术的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本专利技术的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本专利技术的各方面变得模糊。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。如上所述，为了解决目前常用的用户行为认证方式存在诸多缺陷的问题，本专利技术提出了一种用户行为识别模型的训练方法，通过对用户在终端设备的操作行为进行无感认证以识别用户的身份，从而保障其信息安全。无感认证是未来身份认证领域本文档来自技高网...

【技术保护点】
1.一种用户行为识别模型的训练方法，其特征在于，包括：/n获取用户的至少一条行为数据；以及/n基于所述用户及多个样本用户的多条行为数据，对经预先训练的用户行为识别模型进行模型更新训练。/n

【技术特征摘要】
1.一种用户行为识别模型的训练方法，其特征在于，包括：
获取用户的至少一条行为数据；以及
基于所述用户及多个样本用户的多条行为数据，对经预先训练的用户行为识别模型进行模型更新训练。


2.根据权利要求1所述的方法，其特征在于，所述用户行为识别模型的预先训练过程包括：
获取多个样本用户的多条行为数据；及
基于所述多个样本用户的多条行为数据，对初始的用户行为识别模型进行训练。


3.根据权利要求2所述的方法，其特征在于，基于所述多个样本用户的多条行为数据，对初始的用户行为识别模型进行训练，包括：
分别抽取所述多个样本用户中一个样本用户的第一数量条行为数据和其它样本用户的第二数量条行为数据，组成一个训练任务的训练数据；
针对每个训练任务，分别执行下述操作：
从所述训练任务的训练数据中选出第三数量条行为数据，并根据所述第三数量条行为数据，对所述用户行为识别模型进行第一训练，以计算得到所述用户识别模型的第一模型参数；及
从所述训练任务的训练数据中选出除所述第三数量条行为数据之外的第四数量条行为数据，并根据所述第四数量条行为数据，基于所述第一模型参数，对所述用户行为识别模型进行第二训练；以及
基于每个训练任务的第二训练结果，更新所述用户识别模型的第二模型参数。


4.根据权利要求3所述的方法，其特征在于，根据所述第三数量条行为数据，对所述用户行为识别模型进行第一训练，以计算得到所述用户识别模型的第一模型参数，包括：
基于当前的第二模型参数，对所述用户行为识别模型的损失函数进行求导，获得第一梯度值；及
将所述第二模型参数减去所述第一梯度值与第一学习率的乘积，以计算得到...

【专利技术属性】
技术研发人员：邱君华，李宏宇，
申请(专利权)人：同盾控股有限公司，
类型：发明
国别省市：浙江;33