[发明专利]模型训练和风险识别方法、装置及设备

权利要求书

1.一种模型训练方法，包括：

获取包含多个用户事件的事件序列，其中，所述用户事件为同一用户在同一设备上所产生，每一个用户事件具有对应的顺序标识；

针对事件序列中的任一用户事件，获取该用户事件在所述设备上产生时所关联的屏幕轨迹坐标，从所述屏幕轨迹坐标中提取该用户事件的轨迹特征向量；

组合所述轨迹特征向量和该用户事件的顺序标识，生成对应于该用户事件的单用户事件特征；

依序拼接所得到的多个单用户事件特征，生成对应于所述事件序列的事件序列特征；

以所述事件序列特征作为分类特征进行模型训练，得到用于对所述事件序列进行分类的目标模型。

2.如权利要求1所述的方法，获取该用户事件在所述设备上产生时所关联的屏幕轨迹坐标，包括：

确定用户事件的起始时间，从所述起始时间开始，获取在指定时长内该用户事件在所述设备上产生时所关联的屏幕轨迹坐标，其中，所述指定时长对于每个用户事件均相同；

相应的，从所述屏幕轨迹坐标中提取该用户事件的轨迹特征向量，包括：

采用预设的特征提取模型，根据所述屏幕轨迹坐标生成对应该用户事件的一维轨迹特征向量。

3.如权利要求1所述的方法，组合所述轨迹特征向量和该用户事件的顺序标识，生成对应于该用户事件的单用户事件特征，包括：

拼接所述轨迹特征向量和顺序标识，生成对应于该用户事件的单用户事件特征；或者，

根据所述顺序标识生成对应的顺序特征向量，拼接所述轨迹特征向量和顺序特征向量，生成对应于该用户事件的单用户事件特征。

4.如权利要求1所述的方法，以所述事件序列特征作为分类特征进行模型训练，得到用于对所述事件序列进行分类的目标模型，包括：

确定所述事件序列特征所对应的事件序列的标签，根据所述分类特征和标签进行有监督训练，生成用于对所述事件序列进行分类的目标模型；或者，

根据所述事件序列特征进行无监督训练，生成用于对所述事件序列进行分类的目标模型。

5.一种基于权利要求1至4任一所述目标模型的风险识别方法，包括：

获取包含多个用户事件的事件序列，其中，所述用户事件为同一用户在同一设备上所产生，每一个用户事件具有对应的顺序标识；

针对事件序列中的任一用户事件，获取该用户事件在所述设备上产生时所关联的屏幕轨迹坐标，从所述屏幕轨迹坐标中提取该用户事件的轨迹特征向量；

组合所述轨迹特征向量和该用户事件的顺序标识，生成对应于该用户事件的单用户事件特征；

依序拼接所得到的多个单用户事件特征，生成对应于所述事件序列的事件序列特征；

采用所述目标模型对所述事件序列特征进行分类，识别所述事件序列的风险。

6.一种模型训练装置，包括：

获取模块，获取包含多个用户事件的事件序列，其中，所述用户事件为同一用户在同一设备上所产生，每一个用户事件具有对应的顺序标识；

轨迹特征向量生成模块，针对事件序列中的任一用户事件，获取该用户事件在所述设备上产生时所关联的屏幕轨迹坐标，从所述屏幕轨迹坐标中提取该用户事件的轨迹特征向量；

单用户事件特征生成模块，组合所述轨迹特征向量和该用户事件的顺序标识，生成对应于该用户事件的单用户事件特征；

事件序列特征生成模块，依序拼接所得到的多个单用户事件特征，生成对应于所述事件序列的事件序列特征；

模型训练模块，以所述事件序列特征作为分类特征进行模型训练，得到用于对所述事件序列进行分类的目标模型。

7.如权利要求6所述的装置，所述轨迹特征向量生成模块，确定用户事件的起始时间，从所述起始时间开始，获取在指定时长内该用户事件在所述设备上产生时所关联的屏幕轨迹坐标，其中，所述指定时长对于每个用户事件均相同；采用预设的特征提取模型，根据所述屏幕轨迹坐标生成对应该用户事件的一维轨迹特征向量。