[发明专利]业务预测系统的训练方法及装置

说明书

本说明书实施例提供一种业务预测系统的训练方法。在该方法中的第一阶段，先利用源域丰富的标签信息，训练源域与目标域共享的强特征提取器，之后将其应用于目标域；在第二阶段，利用经由训练后的特征提取器从目标域样本中提取出的强特征，以及目标域样本中的原始特征和业务标签，对针对目标域对象的业务预测模型进行有监督地训练。由此，第一阶段中训练出的强特征提取器和第二阶段中训练出的业务预测模型，构成应用于目标域的业务预测系统。

技术领域

本说明书一个或多个实施例涉及机器学习领域，尤其涉及一种业务预测系统的训练方法及装置。

背景技术

随着机器学习的兴起，越来越多的业务平台，通过训练机器学习模型，对其平台的业务对象进行分析、评估。例如，电商平台、社交平台等，通过训练风险评估模型，对平台中的操作事件进行风险评估，识别出有可能威胁网络安全或用户信息安全的高风险操作行为，例如盗取账户、流量攻击、欺诈交易等等，从而及时进行防控。

通常，模型的训练依赖大量的标注数据，然而，在一些标注数据稀少的领域，很难进行模型的训练和学习。例如，对于新上线的业务平台，积累的业务数据量较少。依赖这样的数据直接训练出的模型，往往存在性能欠佳等问题。

因此，需要一种方案，可以在标注数据稀少的情况下，仍能够训练出性能足够好的机器学习模型，用于对业务对象进行更为准确有效地分析评估。

发明内容

本说明书一个或多个实施例描述业务预测模型的训练方法及装置，采用此方法或装置训练出的业务预测模型，能够对业务对象进行更为准确、有效地分析评估。

根据第一方面，提供了一种业务预测系统的训练方法，包括：获取训练样本集，其中包括多个源域样本和多个目标域样本，其中各个样本包括对应多个公共特征的特征值，形成公共特征部分。将所述各个样本中的公共特征部分作为当前特征部分，输入迁移学习系统，该迁移学习系统包括特征表征器，域判别器和源域业务预测器，其中，当所述当前特征部分属于源域样本时，采用所述特征表征器对该当前特征部分进行特征表征，得到源域特征表示；将该源域特征表示分别输入所述域判别器和源域业务预测器中，对应得到源域判别结果和源域业务预测结果；当所述当前特征部分属于目标域样本时，采用所述特征表征器对该当前特征部分进行特征表征，得到目标域特征表示；将该目标域特征表示输入所述域判别器中，得到目标域判别结果。根据所述源域判别结果和源域标识，以及所述目标域判别结果和目标域标识，确定域判别损失；根据所述源域业务预测结果和其所对应源域样本中的源域业务标签，确定源域预测损失；基于所述域判别损失和源域预测损失，训练所述迁移学习系统。利用训练后迁移学习系统中的特征表征器，处理所述多个目标域样本对应的多个公共特征部分，得到多个强特征表示。利用所述多个目标域样本和对应的多个强特征表示，训练针对目标域业务对象的业务预测模型；其中，训练后的业务预测模型和所述训练后迁移学习系统中的特征表征器构成业务预测系统。

在一个实施例中，每个目标域样本中还包括对应若干目标域私有特征的特征值。

在一个实施例中，将该源域特征表示分别输入所述域判别器和源域业务预测器中，对应得到源域判别结果和源域业务预测结果，包括：将所述源域特征表示输入所述源域业务预测器，得到所述源域业务预测结果；将所述源域业务预测结果和源域特征表示共同输入域判别器，得到所述源域判别结果。其中，所述迁移学习系统中还包括目标域业务预测器，在采用所述特征表征器对其进行特征表征，得到目标域特征表示之后，所述方法还包括：将所述目标域特征表示输入目标域业务预测器，得到所述目标域业务预测结果；其中，将该目标域特征表示输入所述域判别器中，得到目标域判别结果，包括：将所述目标域业务预测结果和目标域特征表示共同输入域判别器，得到所述目标域判别结果。

在一个实施例中，所述特征表征器实现为深度神经网络DNN。