本說明書實施例涉及計算機,尤其涉及一種推斷模型訓練以及信貸屬性推斷方法、裝置以及終端。
背景技術:
1、在金融信貸的場景下,有效管控用戶的信用風險無疑是一項核心且至關重要的任務。通常來說,用戶的個人信息、在信貸產品上的行為數據可以說明用戶的信貸習慣、偏好,因此在評估用戶的信用風險時,金融機構會對用戶的個人信息、在信貸產品上的行為數據進行抽象和量化,得到用戶的信貸屬性,通過信貸屬性來描述用戶的信用特征。因此風險管控的龐大體系中,了解用戶的信貸屬性就顯得尤為關鍵。
技術實現思路
1、本說明書實施例提供一種推斷模型訓練以及信貸屬性推斷方法、裝置以及終端,可以解決相關技術中不能準確推斷用戶的信貸屬性的技術問題。
2、第一方面,本說明書實施例提供一種推斷模型訓練方法,該方法包括:
3、確定多個樣本用戶的多個樣本用戶特征和每個樣本用戶特征分別對應的先驗信貸屬性,以及確定每個樣本用戶特征的損失權重,各樣本用戶特征的損失權重與先驗信貸屬性的置信度正相關;
4、將所有樣本用戶特征輸入初始推斷模型,控制上述初始推斷模型輸出每個樣本用戶特征的預測信貸屬性,并根據所有樣本用戶特征的預測信貸屬性、先驗信貸屬性和損失權重調整上述初始推斷模型的參數;
5、確定所有樣本用戶特征中滿足預設更新條件的目標樣本用戶特征,基于調整后的上述初始推斷模型更新上述目標樣本用戶特征的先驗信貸屬性和損失權重,并在更新后將所有樣本用戶特征用于上述初始推斷模型的下一次訓練,直至上述初始推斷模型收斂得到信貸屬性推斷模型。
6、第二方面,本說明書實施例提供一種信貸屬性推斷方法,該方法包括:
7、獲取目標用戶的用戶特征;
8、將上述用戶特征輸入信貸屬性推斷模型,得到上述信貸屬性推斷模型輸出的上述目標用戶對應的信貸屬性;
9、基于上述信貸屬性對上述目標用戶提供服務;
10、其中,上述信貸屬性推斷模型為上述第一方面提供的推斷模型訓練方法中得到的信貸屬性推斷模型。
11、第三方面,本說明書實施例提供一種推斷模型訓練裝置,該裝置包括:
12、樣本獲取模塊,用于確定多個樣本用戶的多個樣本用戶特征和每個樣本用戶特征分別對應的先驗信貸屬性,以及確定每個樣本用戶特征的損失權重,各樣本用戶特征的損失權重與先驗信貸屬性的置信度正相關;
13、模型訓練模塊,用于將所有樣本用戶特征輸入初始推斷模型,控制上述初始推斷模型輸出每個樣本用戶特征的預測信貸屬性,并根據所有樣本用戶特征的預測信貸屬性、先驗信貸屬性和損失權重調整上述初始推斷模型的參數;
14、樣本更新模塊,用于確定所有樣本用戶特征中滿足預設更新條件的目標樣本用戶特征,基于調整后的上述初始推斷模型更新上述目標樣本用戶特征的先驗信貸屬性和損失權重,并在更新后將所有樣本用戶特征用于上述初始推斷模型的下一次訓練,直至上述初始推斷模型收斂得到信貸屬性推斷模型。
15、第四方面,本說明書實施例提供一種信貸屬性推斷裝置,該裝置包括:
16、用戶表征模塊,用于獲取目標用戶的用戶特征;
17、模型輸出模塊,用于將上述用戶特征輸入信貸屬性推斷模型,得到上述信貸屬性推斷模型輸出的上述目標用戶對應的信貸屬性;
18、服務提供模塊,用于基于上述信貸屬性對上述目標用戶提供服務;
19、其中,上述信貸屬性推斷模型為上述第一方面提供的推斷模型訓練方法中得到的信貸屬性推斷模型。
20、第五方面,本說明書實施例提供一種包含指令的計算機程序產品,當上述計算機程序產品在計算機或處理器上運行時,使得上述計算機或上述處理器執行上述的方法的步驟。
21、第六方面,本說明書實施例提供一種計算機存儲介質,上述計算機存儲介質存儲有多條指令,上述指令適于由處理器加載并執行上述的方法的步驟。
22、第七方面,本說明書實施例提供一種終端,包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序,上述計算機程序適于由處理器加載并執行上述的方法的步驟。
23、本說明書一些實施例提供的技術方案帶來的有益效果至少包括:
24、本說明書實施例提供一種推斷模型訓練方法,確定多個樣本用戶的多個樣本用戶特征和每個樣本用戶特征分別對應的先驗信貸屬性,以及確定每個樣本用戶特征的損失權重,各樣本用戶特征的損失權重與先驗信貸屬性的置信度正相關;將所有樣本用戶特征輸入初始推斷模型,控制初始推斷模型輸出每個樣本用戶特征的預測信貸屬性,并根據所有樣本用戶特征的預測信貸屬性、先驗信貸屬性和損失權重調整初始推斷模型的參數;確定所有樣本用戶特征中滿足預設更新條件的目標樣本用戶特征,基于調整后的初始推斷模型更新目標樣本用戶特征的先驗信貸屬性和損失權重,并在更新后將所有樣本用戶特征用于初始推斷模型的下一次訓練,直至初始推斷模型收斂得到信貸屬性推斷模型。由于在獲取樣本時,將樣本用戶的先驗信貸屬性作為其樣本標簽,并且樣本用戶會根據先驗信貸屬性的置信度而得到不同的損失權重,置信度越高的樣本的損失權重也越高,從而根據樣本的置信度來調整其對模型損失值的貢獻程度,使得模型訓練時會更多依賴于標簽準確度高的樣本優化,減少標簽不準確帶來的誤差,并且在每次模型調整參數后,都會更新原本置信度低的樣本的先驗信貸屬性和損失權重,使得低置信度樣本的先驗信貸屬性得到修正,進而幫助模型在后續依賴越來越多的高置信度樣本進行擬合,最終得到更好的模型推斷效果。
1.一種推斷模型訓練方法,所述方法包括:
2.根據權利要求1所述的方法,所述確定多個樣本用戶的多個樣本用戶特征和每個樣本用戶特征分別對應的先驗信貸屬性,以及確定每個樣本用戶特征的損失權重,包括:
3.根據權利要求2所述的方法,所述通過每個樣本用戶特征的先驗信貸屬性確定各樣本用戶特征的損失權重,包括:
4.根據權利要求1所述的方法,所述確定所有樣本用戶特征中滿足預設更新條件的目標樣本用戶特征,包括:
5.根據權利要求4所述的方法,所述基于調整后的所述初始推斷模型更新所述目標樣本用戶特征的先驗信貸屬性和損失權重,包括:
6.根據權利要求4所述的方法,所述將修正信貸屬性與現有先驗信貸屬性之間差值大于預設差值閾值的低置信樣本用戶特征確定為目標樣本用戶特征之前,還包括:
7.根據權利要求1所述的方法,所述根據所有樣本用戶特征的預測信貸屬性、先驗信貸屬性和損失權重調整所述初始推斷模型的參數,包括:
8.一種信貸屬性推斷方法,所述方法包括:
9.一種推斷模型訓練裝置,所述裝置包括:
10.一種信貸屬性推斷裝置,所述裝置包括:
11.一種包含指令的計算機程序產品,當所述計算機程序產品在計算機或處理器上運行時,使得所述計算機或所述處理器執行如權利要求1~7或者8任意一項所述方法的步驟。
12.一種計算機存儲介質,所述計算機存儲介質存儲有多條指令,所述指令適于由處理器加載并執行如權利要求1~7或者8任意一項的所述方法的步驟。
13.一種終端,包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序,所述處理器執行所述計算機程序時實現如權利要求1~7或者8任一項所述方法的步驟。