[发明专利]一种机器学习模型训练方法及装置

权利要求书

1.一种机器学习模型训练方法，其特征在于，所述方法包括：

以授信用户的第一训练集中样本的特征为粒度，训练与每个特征分别对应的长短期记忆神经LSTM网络模型；

以全部所述LSTM网络模型的输出作为第一神经网络模型的输入，获得用于表征所述授信用户的信用的第一概率值；

基于所述第一训练集和所述第一概率值，为全部授信拒绝用户的第二训练集中样本打标；

针对打标结果确定所述全部授信拒绝用户中的部分授信拒绝用户，基于所述部分授信拒绝用户和所述授信用户的样本数据构成的第三训练集，训练第二神经网络模型；所述第二神经网络模型用于评估用户的信用。

2.根据权利要求1所述的方法，其特征在于，所述以授信用户的第一训练集中样本的特征为粒度，训练与每个特征分别对应的长短期记忆神经LSTM网络模型包括：

对所述第一训练集中每个特征的样本进行分类；

获取每个样本类别在对应的时间段内的样本数据；

以所述样本数据为输入，训练所述每个特征分别对应的LSTM网络模型。

3.根据权利要求1所述的方法，其特征在于，所述基于所述第一训练集和所述第一概率值，为全部授信拒绝用户的第二训练集中样本打标，包括：

按照所述第一概率值升序的顺序，对所述第二训练集中的样本等频划分为至少两个样本组；

确定每个样本组的非优质用户率；

基于所述每个样本组的非优质用户率，为所述第二训练集中样本打标。

4.根据权利要求3所述的方法，其特征在于，所述基于所述每个样本组的非优质用户率，为所述第二训练集中样本打标包括：

标定所述非优质用户率小于或等于第一阈值的样本组内的用户为优质用户；

标定所述非优质用户率大于或等于第二阈值的样本组内的用户为非优质用户；

标定所述非优质用户率大于第一阈值、且小于第二阈值的样本组内的用户为中间层用户。

5.根据权利要求4所述的方法，其特征在于，所述针对打标结果确定所述全部授信拒绝用户中的部分授信拒绝用户，基于所述部分授信拒绝用户和所述授信用户的样本数据构成的第三训练集，训练第二神经网络模型，包括：

基于所述第二训练集中样本的打标结果，对所述第二训练集中样本进行层次聚类；

基于所述第二训练集中样本的非优质用户率，确定所述中间层用户的非优质用户率；

基于所述中间层用户的非优质用户率，对所述中间层用户中的部分中间层用户打标；

利用所述部分中间层用户、所述优质用户、所述非优质用户和所述授信用户的样本数据，构成第三训练集；

基于所述第三训练集训练所述第二神经网络模型。

6.一种机器学习模型训练装置，其特征在于，所述装置包括：

第一训练单元，用于以授信用户的第一训练集中样本的特征为粒度，训练与每个特征分别对应的长短期记忆神经LSTM网络模型；

获取单元，用于以全部所述LSTM网络模型的输出作为第一神经网络模型的输入，获得用于表征所述授信用户的信用的第一概率值；

打标单元，用于基于所述第一训练集和所述第一概率值，为全部授信拒绝用户的第二训练集中样本打标；

第二训练单元，用于针对打标结果确定所述全部授信拒绝用户中的部分授信拒绝用户，基于所述部分授信拒绝用户和所述授信用户的样本数据构成的第三训练集，训练第二神经网络模型；所述第二神经网络模型用于评估用户的信用。

7.根据权利要求6所述的装置，其特征在于，所述第一训练单元，用于对所述第一训练集中每个特征的样本进行分类；

获取每个样本类别在对应的时间段内的样本数据；

以所述样本数据为输入，训练所述每个特征分别对应的LSTM网络模型。

8.根据权利要求6所述的装置，其特征在于，所述打标单元，用于按照所述第一概率值升序的顺序，对所述第二训练集中的样本等频划分为至少两个样本组；

确定每个样本组的非优质用户率；

基于所述每个样本组的非优质用户率，为所述第二训练集中样本打标。