[发明专利]一种提高数据风险模型评分稳定性的方法和系统

说明书

本公开涉及一种新模型的训练方法，所述方法包括：获取训练样本集中的多条样本；分别获取所述多条样本中的每一条样本在老模型上的老模型评分；分别将所述多条样本中的每一条样本输入新模型得到对应的新模型评分；确定新模型的损失函数中与老模型相关的约束项，包括：基于所述老模型评分和新模型评分的差得到所述约束项；根据所述损失函数中的所述约束项，更新新模型参数。

技术领域

本公开涉及数据风险评估和预测领域，特别是基于新老模型分数约束项来提高数据风险模型评分稳定性的技术。

背景技术

风险评估是指，在风险事件发生之前或之后(但还可能没有结束)，该事件给人们的生活、生命、财产等各个方面造成的影响和损失的可能性进行量化评估的工作。即，风险评估就是量化测评某一事件或事物带来的影响或损失的可能程度。而当人类社会进入信息化时代之后，传统的依靠人类经验来人工评估各类风险的方式已经越来越多地被利用数据建立数据风险模型来进行风险评估的方式所取代。早先的数据模型只能根据所存储的历史数据来提示风险，不具有对数据进行深度分析和推理的手段。因此，缺乏灵活性和自适应性。这种呆板的数据模型并不适合对数据风险进行有效的评估和预测。另外，呆板的数据模型的预测结果机械地依赖于历史数据，因此，也无法提供足够的预测数据的稳定性。因此，需要提供一种新颖的、改进的数据风险模型重构方案来解决这些技术问题。

发明内容

本公开涉及一种提高数据风险模型评分稳定性的方案，以改进数据风险模型在模型重构后的预测评分稳定性。

根据本公开的第一方面，提供了一种新模型的训练方法，所述方法包括：获取训练样本集中的多条样本；分别获取所述多条样本中的每一条样本在老模型上的老模型评分；分别将所述多条样本中的每一条样本输入新模型得到对应的新模型评分；确定新模型的损失函数中与老模型相关的约束项，包括：基于所述老模型评分和新模型评分的差得到所述约束项；根据所述损失函数中的所述约束项，更新新模型参数。

根据本公开的第二方面，提供了一种提高数据风险模型评分稳定性的风险评分系统，包括：训练数据输入模块，被配置为接收来自各个源的训练数据，并将所述训练数据分别发送给新模型风险评分计算模块和老模型风险评分计算模块；新模型风险评分计算模块，被配置为基于所述训练数据，使用新数据风险模型计算新风险评分并将新风险评分发送给新老模型优化算法模块；老模型风险评分计算模块，被配置为基于所述训练数据，使用老数据风险模型计算老风险评分并将老风险评分发送给新老模型优化算法模块；新老模型优化算法模块，被配置为将所述新风险评分和所述老风险评分输入到新数据风险模型的优化算法中来计算目标优化评分，其中，所述优化算法通过为损失函数引入一个正则约束项来构成，所述正则约束项用于约束风险评分在新老数据风险模型间变化的幅度，并将所述目标优化评分发送给性能与稳定性验证模块；性能与稳定性验证模块，被配置为基于所述目标优化评分，验证带有所述正则约束项的新数据风险模型的性能与稳定性是否符合预期；正则约束项模块，被配置为如果所述新数据风险模型的性能与稳定性不符合预期，就对所述新老模型优化算法模块中的优化算法中的正则约束项进行调整，并重新执行经调整的优化算法和所述性能与稳定性验证；以及新模型输出模块，被配置为如果所述新数据风险模型的性能与稳定性符合预期，则输出所述带有所述正则约束项的新数据风险模型。

根据本公开的第三方面，提供了一种计算机设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：获取训练样本集中的多条样本；分别获取所述多条样本中的每一条样本在老模型上的老模型评分；分别将所述多条样本中的每一条样本输入新模型得到对应的新模型评分；确定新模型的损失函数中与老模型相关的约束项，包括：基于所述老模型评分和新模型评分的差得到所述约束项；根据所述损失函数中的所述约束项，更新新模型参数。

提供本概述以便以简化的形式介绍以下在详细描述中进一步描述的一些概念。本概述并不旨在标识所要求保护主题的关键特征或必要特征，也不旨在用于限制所要求保护主题的范围。

附图说明