[发明专利]多任务预测模型的训练、事件类型的预测方法及装置

权利要求书

1.一种事件预测模型的训练方法，所述方法包括依次构建多棵决策树，其中每棵决策树的每个叶子节点具有对应于N个欺诈类型的N个欺诈概率；所述欺诈类型包括以下任一种：刷单类型、假冒亲友类型、假冒执法机关类型以及盗卡类型；其中构建第i棵决策树包括：

获取初始样本事件集；所述初始样本事件集中的每个样本事件包括事件特征和对应于N个欺诈类型的N个标签值；

对于所述初始样本事件集中任意的第一样本事件，在前i-1棵决策树中，获取包括所述第一样本事件的各叶子节点各自的对应于所述N个欺诈类型的N个欺诈概率；i和N均为正整数；

基于所述各叶子节点各自的N个欺诈概率以及所述第一样本事件的N个标签值，确定所述第一样本事件的对应于所述N个欺诈类型的若干梯度；

对所述若干梯度执行第一融合，得到所述第一样本事件的融合梯度；

对于所述第i棵决策树的当前节点，获取分割到当前节点的当前样本事件集中各样本事件的融合梯度；

基于当前样本事件集中各样本事件的融合梯度，从各事件特征以及当前样本事件集中各样本事件对应于所述各事件特征的特征值中，分别确定出当前节点对应的分裂特征和特征阈值；

基于当前节点对应的分裂特征和特征阈值，对当前样本事件集进行分割，生成当前节点对应的子节点，直至到达叶子节点。

2.根据权利要求1所述的方法，还包括：

对于所述第i棵决策树中任意的第一叶子节点，获取分割到所述第一叶子节点的各目标样本事件；

对所述各目标样本事件的对应于同一欺诈类型的各梯度执行第二融合，得到N个融合结果；

将所述N个融合结果，分别作为所述第一叶子节点的对应于所述N个欺诈类型的N个欺诈概率。

3.根据权利要求2所述的方法，所述若干梯度为N个梯度，其中每个梯度对应于一个欺诈类型；所述对所述各目标样本事件的对应于同一欺诈类型的各梯度执行第二融合，包括：

对所述各目标样本事件的对应于同一欺诈类型的各梯度执行求平均或者加权求和。

4.根据权利要求1所述的方法，所述基于所述各叶子节点各自的N个欺诈概率以及所述第一样本事件的N个标签值，确定所述第一样本事件的对应于所述N个欺诈类型的若干梯度，包括：

将所述各叶子节点各自的N个欺诈概率中对应于同一欺诈类型的各欺诈概率进行累加，得到对应于所述N个欺诈类型的N个累加和；

分别计算所述第一样本事件的对应于同一欺诈类型的标签值与累加和的差值，得到对应于所述N个欺诈类型的N个残差；

基于所述N个残差，确定所述第一样本事件的对应于所述N个欺诈类型的若干梯度。

5.根据权利要求1所述的方法，所述对所述若干梯度执行第一融合，得到所述第一样本事件的融合梯度，包括：

对所述若干梯度执行求平均或者加权求和，得到所述第一样本事件的融合梯度。

6.根据权利要求1所述的方法，所述基于当前样本事件集中各样本事件的融合梯度，从各事件特征以及当前样本事件集中各样本事件对应于所述各事件特征的特征值中，分别确定出当前节点对应的分裂特征和特征阈值，包括：

将所述各事件特征依次作为当前特征，并且对于当前特征，依次将当前样本事件集中各样本事件对应于当前特征的各特征值作为当前特征值，对当前样本集进行多次假定分割；其中每次假定分割得到两个子样本事件集；

对于每次分割得到的两个子样本事件集，基于所述两个子样本事件集中各样本事件的融合梯度，计算与所述两个子样本事件集各自对应的两个中间梯度；将两个中间梯度之和，作为本次分割对应的最终梯度；

基于各次分割对应的各最终梯度，确定当前节点对应的分裂特征和特征阈值。

7.根据权利要求6所述的方法，所述基于各次分割对应的各最终梯度，确定当前节点对应的分裂特征和特征阈值，包括：

确定所述各最终梯度中最小梯度对应的第j次分割；j为正整数；

将所述第j次分割对应的当前特征和当前特征值，作为当前节点对应的分裂特征和特征阈值。