[发明专利]一种针对目标场景的预测模型训练方法及装置

说明书

公开了一种针对目标场景的预测模型训练方法及装置。一种针对目标场景的预测模型训练方法，该方法包括：获得N个源训练样本集、及1个目标训练样本集；利用以下步骤进行迭代处理，直到达到预设结束条件：针对N个源训练样本集中的每一样本集：将该样本集与目标训练样本集进行合并；利用合并得到的样本集，训练得到备选模型；将目标训练样本集中的各样本输入备选模型，根据模型输出的预测值及各样本的标签值，计算该模型的预测误差；将所训练的N个备选模型中预测误差最小的模型，作为本次迭代得到的优选模型；迭代结束后，根据预设筛选规则，从各次迭代得到的各优选模型中，选择全部或部分模型进行加权，得到针对目标场景的预测模型。

技术领域

本说明书实施例涉及互联网应用技术领域，尤其涉及一种针对目标场景的预测模型训练方法及装置。

背景技术

大数据时代可以基于积累的样本，通过机器学习训练模型，从而实现需要的预测功能。例如，在金融风险控制场景，可以将大量的交易数据作为样本，通过机器学习训练风控模型，从而可以使用所训练的风控模型，自动对新的交易进行风险预测等。

但是，在某些场景中，积累样本并训练模型往往需要较长的时间，因此短期内无法积累到足够的样本量，从而无法训练出预测效果较好的模型。

对此，一种解决方案是，在目标场景中部署使用历史模型，该历史模型是基于若干其他源场景中的历史样本所训练，但由于各场景的样本间存在差异，历史模型应用于在目标场景中的效果通常较差。

基于现有技术，需要更高效、更准确的针对目标场景的预测模型训练方案。

发明内容

针对上述技术问题，本说明书实施例提供一种针对目标场景的预测模型训练方法及装置，技术方案如下：

一种针对目标场景的预测模型训练方法，该方法包括：

获得N个源场景的N个带有标签的源训练样本集、及1个目标场景的1个带有标签的目标训练样本集；其中，N为预设正整数；

利用以下步骤进行迭代处理，直到达到预设结束条件：

针对N个源训练样本集中的每一样本集：将该样本集与目标训练样本集进行合并；利用合并得到的样本集，训练得到备选模型；将目标训练样本集中的各样本输入备选模型，根据模型输出的预测值及各样本的标签值，计算该模型的预测误差；

将所训练的N个备选模型中预测误差最小的模型，作为本次迭代得到的优选模型；

迭代结束后，根据预设筛选规则，从各次迭代得到的各优选模型中，选择全部或部分模型进行加权，得到针对目标场景的预测模型；其中，进行加权的任一优选模型的权重根据该模型的预测误差确定，并且预测误差与所确定权重的关系为负相关。

一种针对目标场景的预测模型训练装置，该装置包括：

输入模块，用于获得N个源场景的N个带有标签的源训练样本集、及1个目标场景的1个带有标签的目标训练样本集；其中，N为预设正整数；

学习模块，用于针对N个源训练样本集中的每一样本集：将该样本集与目标训练样本集进行合并；利用合并得到的样本集，训练得到备选模型；

筛选模块，用于将目标训练样本集中的各样本输入得到的每一备选模型，根据模型输出的预测值及各样本的标签值，计算该模型的预测误差；将所训练的N个备选模型中预测误差最小的模型，作为本次迭代得到的优选模型；

所述学习模块和所述筛选模块相互配合实现迭代处理，直到迭代达到预设结束条件；

输出模块，用于在迭代结束后，根据预设筛选规则，从各次迭代得到的各优选模型中，选择全部或部分模型进行加权，得到针对目标场景的预测模型；其中，进行加权的任一优选模型的权重根据该模型的预测误差确定，并且预测误差与所确定权重的关系为负相关。