【技术实现步骤摘要】
本申请实施例涉及ai(artificial intelligence，人工智能)，特别涉及一种风险评估模型的训练方法、装置、设备及存储介质。
技术介绍
1、为避免有偏估计的问题，在建立评分模型前，通常会对未标注有风险评估结果的拒绝样本进行预测，得到拒绝样本对应的风险评估结果。
2、相关技术中，提供了一种风险评估模型的训练方法。通过根据标注有风险评估结果的有标签样本训练kgb(know good bad，知道风险评估结果)模型；采用kgb模型预测拒绝样本对应的风险评估结果；并将kgb模型预测得到的拒绝样本对应的风险评估结果作为拒绝样本的标注风险评估结果，来训练风险评估模型，使得风险评估模型能够预测得到拒绝样本对应的风险评估结果。
3、然而上述方法对风险评估的准确性不高。
技术实现思路
1、本申请实施例提供了一种风险评估模型的训练方法、装置、设备及存储介质。本申请实施例提供的技术方案如下。
2、根据本申请实施例的一个方面，提供了一种风险评估模型的训练方法，所述方法包括：
3、获取m个标注有风险评估结果的有标签样本，以及n个未标注有风险评估结果的拒绝样本，m、n为正整数；
4、根据所述拒绝样本对应的对象属性信息以及各个所述有标签样本分别对应的对象属性信息，确定所述拒绝样本与各个所述有标签样本之间的相似度；
5、从所述m个有标签样本中，选择所述相似度满足条件的有标签样本，作为所述拒绝样本对应的增强样本；
6
7、根据本申请实施例的一个方面，提供了一种风险评估模型的训练方法，所述方法包括：
8、获取n个未标注有风险评估结果的拒绝样本，n为正整数；
9、通过k个专家模型根据所述拒绝样本对应的对象属性信息，得到由所述k个专家模型分别输出的所述拒绝样本对应的专家风险评估结果，k为大于1的整数；
10、通过权重预估模型确定所述拒绝样本的k个专家风险评估结果分别对应的权重值，所述权重预估模型是采用标注有风险评估结果的有标签样本进行预训练得到的；
11、根据所述拒绝样本的k个专家风险评估结果以及对应的权重值，确定所述拒绝样本对应的伪标注风险评估结果；
12、根据所述拒绝样本对应的对象属性信息和伪标注风险评估结果，对风险评估模型进行训练，得到完成训练的风险评估模型，所述完成训练的风险评估模型用于根据对象属性信息确定相应的风险评估结果。
13、根据本申请实施例的一个方面，提供了一种风险评估模型的训练装置，所述装置包括：
14、第一获取模块，用于获取m个标注有风险评估结果的有标签样本，以及n个未标注有风险评估结果的拒绝样本，m、n为正整数；
15、第一确定模块，用于根据所述拒绝样本对应的对象属性信息以及各个所述有标签样本分别对应的对象属性信息，确定所述拒绝样本与各个所述有标签样本之间的相似度；
16、选择模块，用于从所述m个有标签样本中，选择所述相似度满足条件的有标签样本，作为所述拒绝样本对应的增强样本；
17、第一训练模块，用于根据各个所述增强样本分别对应的对象属性信息和标注的风险评估结果，对风险评估模型进行训练，得到完成训练的风险评估模型，所述完成训练的风险评估模型用于根据对象属性信息确定相应的风险评估结果。
18、根据本申请实施例的一个方面，提供了一种风险评估模型的训练装置，所述装置包括：
19、第二获取模块，用于获取n个未标注有风险评估结果的拒绝样本，n为正整数；
20、得到模块，用于通过k个专家模型根据所述拒绝样本对应的对象属性信息，得到由所述k个专家模型分别输出的所述拒绝样本对应的专家风险评估结果，k为大于1的整数；
21、第二确定模块，用于通过权重预估模型确定所述拒绝样本的k个专家风险评估结果分别对应的权重值，所述权重预估模型是采用标注有风险评估结果的有标签样本进行预训练得到的；
22、第三确定模块，用于根据所述拒绝样本的k个专家风险评估结果以及对应的权重值，确定所述拒绝样本对应的伪标注风险评估结果；
23、第二训练模块，用于根据所述拒绝样本对应的对象属性信息和伪标注风险评估结果，对风险评估模型进行训练，得到完成训练的风险评估模型，所述完成训练的风险评估模型用于根据对象属性信息确定相应的风险评估结果。
24、根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以实现上述风险评估模型的训练方法。
25、根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述风险评估模型的训练方法。
26、根据本申请实施例的一个方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序由处理器加载并执行以实现上述风险评估模型的训练方法。
27、本申请实施例提供的技术方案可以带来如下有益效果：
28、通过计算拒绝样本与有标签样本之间的相似度，确定拒绝样本对应的增强样本，采用增强样本替代拒绝样本对风险评估模型进行训练。使用与拒绝样本高度相似的增强样本替代拒绝样本来对风险评估模型进行训练，解决了拒绝样本不具有风险评估结果无法参与风险评估模型的训练的问题，避免了有偏估计的问题，提高了风险评估的准确性。
本文档来自技高网...【技术保护点】
1.一种风险评估模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述拒绝样本对应的对象属性信息以及各个所述有标签样本分别对应的对象属性信息，确定所述拒绝样本与各个所述有标签样本之间的相似度，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述采用所述有标签样本对样本增强模型进行预训练，得到完成训练的样本增强模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述M个有标签样本来自至少两个样本子集；
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1至6任一项所述的方法，其特征在于，所述风险评估模型为分类模型，所述风险评估模型用于根据对象属性信息，得到用于确定风险评估结果的至少两个预测类别分别对应的概率值。
8.一种风险评估模型的训练方法，其特征在于，所述方法包括：
9.根据权利要求8所述的方法，其特征在于，所述专家风险评估结果为第一取值范围之内的分
10.根据权利要求8所述的方法，其特征在于，所述通过权重预估模型确定所述拒绝样本的K个专家风险评估结果分别对应的权重值，包括：
11.根据权利要求8所述的方法，其特征在于，所述方法还包括：
12.根据权利要求11所述的方法，其特征在于，所述根据所述支持样本对应的对象属性信息和伪标注风险评估结果，对学生模型进行训练，得到训练后的学生模型，包括：
13.根据权利要求8所述的方法，其特征在于，所述根据所述拒绝样本对应的对象属性信息和伪标注风险评估结果，对风险评估模型进行训练，得到完成训练的风险评估模型，包括：
14.根据权利要求8至13任一项所述的方法，其特征在于，所述风险评估模型为回归模型，所述风险评估模型用于根据对象属性信息，得到用于与阈值比较以确定风险评估结果的分值。
15.一种风险评估模型的训练装置，其特征在于，所述装置包括：
16.一种风险评估模型的训练装置，其特征在于，所述装置包括：
17.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以实现如权利要求1至7任一项所述的方法，或实现如权利要求8至14任一项所述的方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至7任一项所述的方法，或实现如权利要求8至14任一项所述的方法。
19.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至7任一项所述的方法，或实现如权利要求8至14任一项所述的方法。
...【技术特征摘要】
1.一种风险评估模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述拒绝样本对应的对象属性信息以及各个所述有标签样本分别对应的对象属性信息，确定所述拒绝样本与各个所述有标签样本之间的相似度，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述采用所述有标签样本对样本增强模型进行预训练，得到完成训练的样本增强模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述m个有标签样本来自至少两个样本子集；
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1至6任一项所述的方法，其特征在于，所述风险评估模型为分类模型，所述风险评估模型用于根据对象属性信息，得到用于确定风险评估结果的至少两个预测类别分别对应的概率值。
8.一种风险评估模型的训练方法，其特征在于，所述方法包括：
9.根据权利要求8所述的方法，其特征在于，所述专家风险评估结果为第一取值范围之内的分值；
10.根据权利要求8所述的方法，其特征在于，所述通过权重预估模型确定所述拒绝样本的k个专家风险评估结果分别对应的权重值，包括：
11.根据权利要求8所述的方法，其特征在于，所述方法还包括：
12.根据权利要求11所述的方法，其...
【专利技术属性】
技术研发人员：郭清宇，欧阳天雄，蓝利君，
申请(专利权)人：腾讯科技深圳有限公司，
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。