[发明专利]恶意文档检测模型的主动学习方法、电子设备及存储介质

权利要求书

1.一种恶意文档检测模型的主动学习方法，其特征在于，包括：

获取包含多个未标注的样本的样本集，并确定所述样本的差异性、不确定度和估计风险，其中，所述差异性表征所述样本与所述样本集中所述样本的差异程度，所述不确定度表征所述样本的信息量的丰富程度，所述估计风险表征误导恶意文档检测模型的风险的高低程度；

基于所述差异性、所述不确定度和所述估计风险对所述样本的训练价值进行评估；

选取训练价值符合预设条件的所述样本构建训练集，通过所述训练集对所述恶意文档检测模型进行训练，并更新所述恶意文档检测模型；

其中，所述确定所述样本的差异性，包括：

通过聚类算法对所述样本集中的所述样本进行聚类处理，以获取一个或多个样本簇，每个所述样本簇包括多个所述样本；

确定所述样本与所述样本簇的质心的向量距离，以及所述样本簇的平均质心距离；

基于所述向量距离和所述平均质心距离的比值，确定所述样本的所述差异性；

其中，所述确定所述样本的估计风险，包括：

通过所述恶意文档检测模型为所述样本簇中的所述样本添加第一标签；其中，所述第一标签用于标识所述样本属于恶意文档或非恶意文档；

基于所述样本的第一标签与所述样本簇中样本的第一标签的差异程度，确定所述估计风险；

其中，通过如下公式确定所述样本的估计风险：

其中，S表示所述估计风险；表示所确定的所述样本的第一标签的取值，表示所述样本簇中第i个样本的第一标签的取值，其中，，当第一标签标识样本属于恶意文档时，或取0，当第一标签标识样本属于非恶意文档时，或取1；

其中，所述确定所述样本的不确定度，包括：

通过所述恶意文档检测模型确定所述样本属于恶意文档的第一概率和属于非恶意文档的第二概率；

基于所述第一概率和所述第二概率的差异程度，确定所述不确定度，其中，所述不确定度与所述第一概率和所述第二概率的差异程度的绝对值成反比。

2.根据权利要求1所述的方法，其特征在于，通过如下公式确定所述样本的差异性：

其中， R表示所述差异性；d(x,y)为计算x和y两点之间向量距离的函数；表示所确定的样本的向量坐标；表示所述样本簇中第i个样本的向量坐标；n表示所述样本簇中样本的数量；C表示所述样本簇的质心的向量坐标。

3.根据权利要求1所述的方法，其特征在于，所述基于所述差异性、所述不确定度和所述估计风险对所述样本的训练价值进行评估，包括：

将所述差异性、所述不确定度和所述估计风险输入采样器，通过所述采样器对所述样本的训练价值进行评估，其中，所述采样器为机器学习模型。

4.根据权利要求1所述的方法，其特征在于，所述选取训练价值符合预设条件的所述样本构建训练集，包括：

向训练价值符合预设条件的所述样本添加第二标签；其中，所述第二标签用于标识所述样本属于恶意文档或非恶意文档；

基于添加有所述第二标签的所述样本构建所述训练集。

5.一种电子设备，至少包括存储器和处理器，所述存储器上存储有程序，其特征在于，所述处理器在执行所述存储器上的程序时实现权利要求1-4任一项所述的方法。

6.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，其特征在于，在执行所述计算机可读存储介质中的所述计算机可执行指令时实现权利要求1-4任一项所述的方法。