CN109948670B 数据识别模型的训练方法及装置、数据处理方法及装置 （腾讯科技（深圳）有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN109948670B

(45)授权公告日2025.01.10

(21)申请号201910160638.4

(22)申请日2019.03.04

(65)同一申请的已公布的文献号申请公布号CN109948670A

(43)申请公布日2019.06.28

(73)专利权人腾讯科技(深圳)有限公司

地址518057广东省深圳市南山区高新区

科技中一路腾讯大厦35层

(72)发明人陈尧

(74)专利代理机构广州三环专利商标代理有限公司44202

专利代理师郝传鑫贾允

(51)Int.CI.

GO6Q40/00(2023.01)

GO6N3/04(2023.01)

G06Q10/06(2023.01)

(56)对比文件

CN108629680A,2018.10.09

审查员刘璐

权利要求书3页说明书9页附图5页

(54)发明名称

数据识别模型的训练方法及装置、数据处理方法及装置

(57)摘要

CN109948670B本发明公开了数据识别模型的训练方法及装置、数据处理方法及装置。数据识别模型的训练方法包括：获取用户的样本数据，样本数据指向具有金融欺诈风险的特征；基于样本数据，使用第一机器学习模型进行数据伪装训练，得到样本数据对应的伪装数据；基于伪装数据，使用第二机器学习模型进行数据识别训练，得到目标函数；调整第一机器学习模型的第一模型参数和第二机器学习模型的第二模型参数，优化目标函数的取值至预设值；将当前第二模型参数对应的第二机器学习模型作为数据识别模型。在利用数据识别模型进行数据处理时可以提高对经伪装后

CN109948670B

获取用户的样本数据，所述样本数据指向具有金融欺诈风险的特征

基于所述样本数据，使用第一机器学习模型进

行数据伪装训练，得到所述样本数据对应的伪

装数据

基于所述伪装数据，使用第二机器学习模型进行数据识别训练，得到目标函数

调整所述第一机器学习模型的第一模型参数和

所述第二机器学习模型的第二模型参数，优化

所述目标函数的取值至预设值

将当前所述第二模型参数对应的所述第二机器学习模型作为所述数据识别模型

S101

S102

S103

S104

S105

CN109948670B权利要求书1/3页

2

1.一种数据识别模型的训练方法，其特征在于，所述方法包括：

获取用户的样本数据，所述样本数据具有金融欺诈风险的特征；

基于所述样本数据，使用第一机器学习模型进行数据伪装训练，得到所述样本数据对应的伪装数据；

基于所述伪装数据，使用第二机器学习模型进行数据识别训练，得到目标函数，所述第一机器学习模型与所述第二机器学习模型基于生成式对抗网络建立；

调整所述第一机器学习模型的第一模型参数和所述第二机器学习模型的第二模型参数，优化所述目标函数的取值至预设值；

将当前所述第二模型参数对应的所述第二机器学习模型作为所述数据识别模型；

其中，所述基于所述样本数据，使用第一机器学习模型进行数据伪装训练，得到所述样本数据对应的伪装数据的步骤，包括：将所述样本数据输入所述第一机器学习模型；使用所述第一机器学习模型将所述样本数据与随机数据结合，生成所述伪装数据；

所述基于所述伪装数据，使用第二机器学习模型进行数据识别训练，得到目标函数，包括：将所述伪装数据输入所述第二机器学习模型；当所述第二机器学习模型识别出所述伪装数据具有金融欺诈风险的特征时，得到第一识别结果；当所述第二机器学习模型识别不出所述伪装数据具有金融欺诈风险的特征时，得到第二识别结果；根据所述第一识别结果和所述第二识别结果，生成所述目标函数。

2.根据权利要求1所述的方法，其特征在于，所述调整所述第一机器学习模型的模型参数和所述第二机器学习模型的模型参数，优化所述目标函数至预设值，包括：

基于前次迭代更新的所述第一模型参数的取值和所述目标函数，更新所述第二模型参数的取值；

基于前次迭代更新的所述第二模型参数的取值和所述目标函数，更新所述第一模型参数的取值；

沿所述目标函数的梯度下降方向进行迭代，重复上述两步骤直到所述目标函数的取值至预设值。

3.根据权利要求1所述的方法，其特征在于，所述根据所述第一识别结果和所述第二识别结果，生成所述目标函数，包括：

基于所述第一识别结果构建第一损失函数：1(0,D(x′;,W));

基于所述第二识别结