[发明专利]一种优化用户信用模型建模过程的方法及装置

权利要求书

1.一种优化用户信用模型建模过程的方法，所述方法应用于深度网络，所述深度网络包括N层，其特征在于，该方法包括：

获取用于建立用户信用模型的样本数据；

将所述样本数据作为输入数据输入到所述深度网络，对所述深度网络的第i-1层、第i层以及第i+1层进行如下操作：将第i-1层的输出数据作为第i层的输入数据，利用所述第i层的输入数据对第i层与第i+1层之间的权值矩阵进行训练，得到第i层与第i+1层之间的权值矩阵，所述i大于等于2，小于N；

用所述权值矩阵初始化所述深度网络的相应层，以实现对用户信用模型建模过程的优化。

2.根据权利要求1所述的方法，其特征在于，所述利用所述第i层的输入数据对第i层与第i+1层之间的权值矩阵进行训练具体包括：

根据所述第i层的输入数据，计算获得第i+1层的输出数据；

将所述第i+1层的输出数据作为输入数据，计算获得第i层的输出数据；

将所述第i层的输出数据作为输入数据，计算获得第i+1层中输出数据为预设数据的概率；

根据所述第i层的输入数据、第i+1层的输出数据、第i层的输出数据和第i+1层中输出数据为预设数据的概率，对第i层与第i+1层之间的权值矩阵进行训练。

3.根据权利要求1所述的方法，其特征在于，所述根据所述第i层的输入数据获取第i+1层的输出数据具体包括：

根据所述第i层的输入数据，计算获得第i+1层的输出数据为预设数据的概率，并将所述概率与预设的概率阈值比较，如果所述概率小于所述预设的概率阈值，则第i+1层的输出数据为所述预设数据。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据所述第i层的输入数据和第i层的输出数据，对第i层的偏置项进行训练，并根据所述第i+1层的输出数据和第i+1层中输出数据为预设数据的概率，对第i+1层的偏置项进行训练，所述对第i层的偏置项和第i+1层的偏置项进行训练用以实现对用户信用模型建模过程的优化。

5.根据权利要求1所述的方法，其特征在于，将所述深度网络的第i-1层、第i层以及第i+1层作为受限玻尔兹曼机进行训练。

6.根据权利要求1所述的方法，其特征在于，在所述用训练得到的相应层的权值矩阵初始化所述深度网络的相应层之后，该方法还包括：

在所述深度网络中输入所述建立用户信用模型的样本数据，并根据所述相应层的权值矩阵获取所述深度网络中的第N层的输出数据；

计算所述第N层的输出数据和期望输出数据之间的误差值，如果所述误差值小于预设的误差阈值时，则所述相应层的权值矩阵为所述深度网络的最终权值矩阵；如果所述误差值大于所述预设的误差阈值时，则对所述相应层的权值矩阵进行调整，直到调整后的权值使得所述深度网络中的第N层的输出数据与期望输出数据之间的误差值小于所述预设的误差阈值时，则所述调整后的权值为所述深度网络的最终权值。

7.根据权利要求6所述的方法，其特征在于，对所述相应层的权值矩阵进行调整具体包括：

根据所述第N层输出与期望输出之间的误差函数，获取所述相应层的权值矩阵的修正值；

根据所述权值矩阵的修正值对所述相应层的权值矩阵进行调整。

8.一种优化用户信用模型建模过程的装置，其特征在于，该装置包括获取单元、处理单元、优化单元，其中：

所述获取单元，用于获取用于建立用户信用模型的样本数据；

所述处理单元，用于将所述样本数据作为输入数据输入到所述深度网络，并对所述深度网络的第i-1层、第i层以及第i+1层进行如下操作：

将第i-1层的输出数据作为第i层的输入数据，利用所述第i层的输入数据对第i层与第i+1层之间的权值矩阵进行训练，得到第i层与第i+1层之间的权重矩阵权值矩阵，所述i大于等于2，小于N；

所述优化单元，用于用所述权值矩阵初始化所述深度网络的相应层，以实现对用户信用模型建模过程的优化。