[发明专利]一种模型训练方法、业务处理方法、装置及设备

说明书

本说明书实施例提供一种模型训练方法、业务处理方法、装置及设备。所述方法包括：获取至少一个历史记载业务；所述历史记载业务对应有业务信息；根据业务信息确定历史记载业务对应于至少一个预设判断规则的判断结果；所述判断结果包括正常业务和异常业务；利用判断结果中包括异常业务的历史记载业务的业务信息构建至少一个训练样本业务；所述训练样本业务的数量大于所述异常业务的数量；基于训练样本业务训练异常业务识别模型；所述异常业务识别模型用于识别异常业务。通过上述方法，在获取到异常业务后对异常业务的数量进行扩充，并利用扩充后的训练样本业务对模型进行训练，从而保证训练模型时具有充足的样本量，确保了识别异常业务的准确性。

技术领域

本说明书实施例涉及计算机技术领域，特别涉及一种模型训练方法、业务处理方法、装置及设备。

背景技术

随着人工智能技术的发展，人们可以借助计算机完成一些需要人类的智能才能完成的工作，例如对目标对象进行分类，或进行图像识别和处理等。而机器学习技术又是人工智能的核心技术，主要通过不断获取新的数据来完善对于某一事物的认知，例如当确定用于识别某一对象的模型之后，通过不断地获取对应于所述对象的样本数据，并利用所述样本数据进行训练以完善所述模型，进而使得所述模型更为准确地识别该对象。

为了保证机器学习模型的准确性，在训练机器学习模型时往往需要利用大量的训练样本数据。但是，当用于训练模型的样本数据量过小时，可能无法训练出具有较高准确性的模型。例如，当训练模型对异常投标进行识别时，需要从以往的投标记录中筛选出异常投标记录，并利用标记后的数据对相应的模型进行训练。但是，实际生活中，诸如投标公司互相串通、投标公司预先获知标底信息等异常投标的情况并不常见，所获取到的投标记录中可能只包含有较少的异常投标记录，而在异常投标记录较少的情况下，基于异常投标记录训练得到的模型可能只能针对一些异常投标的特例进行识别，从而使得模型缺乏一定的准确性。因此，目前亟需一种在训练样本较少时仍然能够实现对机器学习模型的正常训练的方法。

发明内容

本说明书实施例的目的是提供一种模型训练方法、业务处理方法、装置及设备，以解决如何方便准确地利用训练后的模型对异常业务进行识别的问题。

为解决上述技术问题，本说明书实施例提供一种模型训练方法，包括：

获取至少一个历史记载业务；所述历史记载业务对应有业务信息；

根据所述业务信息确定所述历史记载业务对应于至少一个预设判断规则的判断结果；所述判断结果包括正常业务和异常业务；

利用判断结果中包括异常业务的历史记载业务的业务信息构建至少一个训练样本业务；所述训练样本业务的数量大于所述历史记载业务的数量；

基于所述训练样本业务训练异常业务识别模型；所述异常业务识别模型用于识别异常业务。

本说明书实施例还提出一种模型训练装置，包括：

历史记载业务获取模块，用于获取至少一个历史记载业务；所述历史记载业务对应有业务信息；

判断结果确定模块，用于根据所述业务信息确定历史记载业务对应于至少一个预设判断规则的判断结果；所述判断结果包括正常业务和异常业务；

训练样本业务构建模块，用于利用判断结果中包括异常业务的历史记载业务的业务信息构建至少一个训练样本业务；所述训练样本业务的数量大于所述历史记载业务的数量；

异常业务识别模型训练模块，用于基于所述训练样本业务训练异常业务识别模型；所述异常业务识别模型用于识别异常业务。