【技术实现步骤摘要】
本申请涉及信息安全，特别是涉及一种生成对抗网络模型的训练方法及系统。
技术介绍
1、随着通信网络技术的飞速发展，多样化的通信服务在给人们带来更多便利的同时也给犯罪分子实施欺诈行为带来可乘之机，相应的对于反欺诈工作的技术要求也越来越高。
2、在目前的诈骗号码检测场景中，通常通过训练好的诈骗号码检测模型来进行诈骗号码的检测。但其诈骗号码检测模型的训练需要收集大量诈骗用户的业务行为数据来作为训练样本。而诈骗号码往往经过多项加密处理，其业务行为数据的收集困难容易导致正负样本不平衡的问题使得模型的训练效果不佳。目前通常采用生成对抗网络模型来应对上述提及的正负样本不平衡的问题，但目前采用的原始生成对抗网络模型由于其模型本身的训练不稳定性，容易出现生成的正负样本质量较差的问题。
3、因此，如何解决现有技术中正负样本生成质量较差的问题，成为本领域技术人员急需解决的技术问题。
技术实现思路
1、基于上述问题，为了解决现有技术中正负样本生成质量较差的问题，本申请提供了一种生成对抗网络模型的训练方法及系统。
2、本申请实施例公开了如下技术方案：
3、第一方面，本申请公开了一种生成对抗网络模型的训练方法，所述生成对抗网络模型包括第一生成器和多个特征判别器；所述训练方法，包括：
4、获取多组不同类别的特征数据；所述多组不同类别的特征数据具有各自对应的特征判别器；所述特征数据为所述特征判别器的输入数据；所述特征判别器的网络结构基于输入的所述特征数据确
5、针对于所述多个特征判别器中的第一特征判别器，将所述多组不同类别的特征数据中的至少一组特征数据作为训练数据，对所述第一特征判别器进行训练，确定所述第一特征判别器的损失函数；
6、根据所述多个特征判别器各自对应的损失函数，确定所述生成对抗网络模型的目标函数；
7、基于所述目标函数控制所述多个特征判别器和所述第一生成器进行交替训练，得到预设生成对抗网络模型；所述预设生成对抗网络模型为基于所述目标函数训练得到的生成对抗网络模型。
8、可选的，所述多组不同类别的特征数据包括：用户通信特征数据和用户基础信息数据；所述用户基础信息数据用于表征所述用户的身份信息和已办理的业务信息；所述针对于所述多个特征判别器中的第一特征判别器，将所述多组不同类别的特征数据中的至少一组特征数据作为训练数据，对所述第一特征判别器进行训练，确定所述第一特征判别器的损失函数，包括：
9、当所述训练数据为所述用户通信特征数据或所述用户基础信息数据时，将所述第一特征判别器的损失函数确定为wasserstein距离损失函数；
10、当所述训练数据为所述多组不同类别的特征数据时，将所述第一特征判别器的损失函数确定为最小二乘损失函数。
11、可选的，所述多个特征判别器包括：通信特征判别器；所述通信特征判别器的输入数据为所述用户通信特征数据；所述通信特征判别器的网络结构采用卷积网络结构；所述通信特征判别器的网络结构包括：多个全连接层、多个卷积层以及输出层。
12、可选的，所述多个特征判别器包括：基础特征判别器；所述基础特征判别器的输入数据为所述用户基础信息数据；所述基础特征判别器的网络结构采用全连接层的反向传播神经网络；所述基础特征判别器的网络结构包括：多个全连接层和输出层。
13、可选的，所述多个特征判别器包括：全局特征判别器；所述全局特征判别器的输入数据为所述多组不同类别的特征数据；所述全局特征判别器的网络结构采用卷积网络结构；所述全局特征判别器的网络结构包括：多个全连接层、多个卷积层以及输出层。
14、可选的，所针对于所述多个特征判别器中的第一特征判别器，将所述多组不同类别的特征数据中的至少一组特征数据作为训练数据，对所述第一特征判别器进行训练，确定所述第一特征判别器的损失函数之前，还包括：
15、基于双线性插值法对所述多组不同类别的特征数据进行特征图尺寸统一，得到所述多组不同类别的特征数据各自对应的特征图。
16、可选的，所述基于所述目标函数控制所述多个特征判别器和所述第一生成器进行交替训练，得到预设生成对抗网络模型之后，还包括：
17、获取所述诈骗业务行为数据；
18、将所述诈骗业务行为数据输入至所述预设生成对抗网络模型中，得到与所述诈骗业务行为数据对应的正负样本。
19、可选的，所述第一生成器的网络结构包括：预设反卷积层、全连接层和输出层；所述预设反卷积层基于预设大小和预设步长的卷积核构成；所述输出层采用tanh激活函数；所述预设反卷积层和所述全连接层采用relu激活函数。
20、第二方面，本申请公开了一种生成对抗网络模型的训练系统，所述生成对抗网络模型包括第一生成器和多个特征判别器；所述系统包括：
21、第一获取模块，用于获取多组不同类别的特征数据；所述多组不同类别的特征数据具有各自对应的特征判别器；所述特征数据为所述特征判别器的输入数据；所述特征判别器的网络结构基于输入的所述特征数据确定；所述特征数据基于对获取到的诈骗业务行为数据进行特征处理得到；
22、第一确定模块，用于针对于所述多个特征判别器中的第一特征判别器，将所述多组不同类别的特征数据中的至少一组特征数据作为训练数据，对所述第一特征判别器进行训练，确定所述第一特征判别器的损失函数；
23、第二确定模块，用于根据所述多个特征判别器各自对应的损失函数，确定所述生成对抗网络模型的目标函数；
24、训练模块，用于基于所述目标函数控制所述多个特征判别器和所述第一生成器进行交替训练，得到预设生成对抗网络模型；所述预设生成对抗网络模型为基于所述目标函数训练得到的生成对抗网络模型。
25、可选的，所述多组不同类别的特征数据包括：用户通信特征数据和用户基础信息数据；所述用户基础信息数据用于表征所述用户的身份信息和已办理的业务信息；所述第一确定，具体用于：
26、当所述训练数据为所述用户通信特征数据或所述用户基础信息数据时，将所述第一特征判别器的损失函数确定为wasserstein距离损失函数；
27、当所述训练数据为所述多组不同类别的特征数据时，将所述第一特征判别器的损失函数确定为最小二乘损失函数。
28、相较于现有技术，本申请具有以下有益效果：本申请提供了一种生成对抗网络模型的训练方法及系统，在本申请的生成对抗网络模型中包括有第一生成器和多个特征判别器；首先会获取多组不同类别的特征数据；所述多组不同类别的特征数据具有各自对应的特征判别器；所述特征数据为所述特征判别器的输入数据；所述特征判别器的网络结构基于输入的所述特征数据确定。然后基于所述多组不同类别的特征数据对所述多个特征判别器进行训练，确定所述多个特征判别器各自对应的损失函数，并根据所述多个特征判别器各自对应的损失函数本文档来自技高网...
【技术保护点】
1.一种生成对抗网络模型的训练方法，其特征在于，所述生成对抗网络模型包括第一生成器和多个特征判别器；所述训练方法，包括：
2.根据权利要求1所述的方法，其特征在于，所述多组不同类别的特征数据包括：用户通信特征数据和用户基础信息数据；所述用户基础信息数据用于表征所述用户的身份信息和已办理的业务信息；所述针对于所述多个特征判别器中的第一特征判别器，将所述多组不同类别的特征数据中的至少一组特征数据作为训练数据，对所述第一特征判别器进行训练，确定所述第一特征判别器的损失函数，包括：
3.根据权利要求2所述的方法，其特征在于，所述多个特征判别器包括：通信特征判别器；所述通信特征判别器的输入数据为所述用户通信特征数据；所述通信特征判别器的网络结构采用卷积网络结构；所述通信特征判别器的网络结构包括：多个全连接层、多个卷积层以及输出层。
4.根据权利要求2所述的方法，其特征在于，所述多个特征判别器包括：基础特征判别器；所述基础特征判别器的输入数据为所述用户基础信息数据；所述基础特征判别器的网络结构采用全连接层的反向传播神经网络；所述基础特征判别器的网络结构包括
5.根据权利要求1所述的方法，其特征在于，所述多个特征判别器包括：全局特征判别器；所述全局特征判别器的输入数据为所述多组不同类别的特征数据；所述全局特征判别器的网络结构采用卷积网络结构；所述全局特征判别器的网络结构包括：多个全连接层、多个卷积层以及输出层。
6.根据权利要求1所述的方法，其特征在于，所针对于所述多个特征判别器中的第一特征判别器，将所述多组不同类别的特征数据中的至少一组特征数据作为训练数据，对所述第一特征判别器进行训练，确定所述第一特征判别器的损失函数之前，还包括：
7.根据权利要求1所述的方法，其特征在于，所述基于所述目标函数控制所述多个特征判别器和所述第一生成器进行交替训练，得到预设生成对抗网络模型之后，还包括：
8.根据权利要求1所述的方法，其特征在于，所述第一生成器的网络结构包括：预设反卷积层、全连接层和输出层；所述预设反卷积层基于预设大小和预设步长的卷积核构成；所述输出层采用tanh激活函数；所述预设反卷积层和所述全连接层采用ReLU激活函数。
9.一种生成对抗网络模型的训练系统，其特征在于，所述生成对抗网络模型包括第一生成器和多个特征判别器；所述系统包括：
10.根据权利要求9所述的系统，其特征在于，所述多组不同类别的特征数据包括：用户通信特征数据和用户基础信息数据；所述用户基础信息数据用于表征所述用户的身份信息和已办理的业务信息；所述第一确定，具体用于：
...【技术特征摘要】
1.一种生成对抗网络模型的训练方法，其特征在于，所述生成对抗网络模型包括第一生成器和多个特征判别器；所述训练方法，包括：
2.根据权利要求1所述的方法，其特征在于，所述多组不同类别的特征数据包括：用户通信特征数据和用户基础信息数据；所述用户基础信息数据用于表征所述用户的身份信息和已办理的业务信息；所述针对于所述多个特征判别器中的第一特征判别器，将所述多组不同类别的特征数据中的至少一组特征数据作为训练数据，对所述第一特征判别器进行训练，确定所述第一特征判别器的损失函数，包括：
3.根据权利要求2所述的方法，其特征在于，所述多个特征判别器包括：通信特征判别器；所述通信特征判别器的输入数据为所述用户通信特征数据；所述通信特征判别器的网络结构采用卷积网络结构；所述通信特征判别器的网络结构包括：多个全连接层、多个卷积层以及输出层。
4.根据权利要求2所述的方法，其特征在于，所述多个特征判别器包括：基础特征判别器；所述基础特征判别器的输入数据为所述用户基础信息数据；所述基础特征判别器的网络结构采用全连接层的反向传播神经网络；所述基础特征判别器的网络结构包括：多个全连接层和输出层。
5.根据权利要求1所述的方法，其特征在于，所述多个特征判别器包括：全局特征判别器；所述全局特征判别器的输入数据为所...
【专利技术属性】
技术研发人员：龙磊，
申请(专利权)人：重庆艾瑞数智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。