[发明专利]风险识别的方法和系统

说明书

本说明书提供一种风险识别方法和系统，所述风险识别模型包括多层数据层和多个分类器，多个分类器分别与多层数据层连接，多个分类器代表多个精度档位。所述方法和系统将目标数据输入风险识别分类模型，并基于当前的目标业务数据设定目标精度档位，从而将与目标精度档位对应的目标分类器的输出结果作为目标数据的分类结果。所述方法和系统通过一个多精度数据分类模型实现多个精度的数据分类，基于目标业务数据调整对应的分类器，对简单的样本简化计算过程，对复杂的样本加强计算精度，从而节省计算时间，提高计算效率。

技术领域

本说明书涉及互联网技术领域，尤其涉及一种多精度数据分类的方法和系统。

背景技术

随着人工智能（Artificial Intelligence，简称AI）技术的快速发展，基于神经网络模型进行数据计算和数据分类的方式越来越多地应用在各个网络平台。但是，由于不同业务场景的限制，对数据计算和数据分类的要求通常不同。例如，在高精度识别要求下，需要使用高精度的神经网络模型，在低精度识别要求下，可以切换为低精度的神经网络模型。因此，同一个平台往往需要建立多个神经网络模型来对数据进行分类，以应对不同的业务场景。

为了提高计算机的计算效率，亟需一种可以快速针对不同业务场景进行数据分类的风险识别的方法和系统。

发明内容

本说明书提供一种更高效的风险识别模型、方法和系统。

本说明书提供的多精度数据分类模型、方法和系统，所述多精度数据分类模型基于神经网络模型构建，所述多精度数据分类模型中的多个不同深度处设置有多个分类器出口，所述多个分类器出口代表数据分类的多个精度档位，深度越深，数据分类的精度档位越高。将目标数据输入多精度数据分类模型，并基于当前的业务数据选择一个精度档位的分类器出口作为目标数据的分类结果。所述方法和系统通过一个多精度数据分类模型实现多个精度的数据分类，对简单的样本简化计算过程，对复杂的样本加强计算精度，从而节省计算时间，提高计算效率。

第一方面，本说明书提供一种多精度数据分类模型，包括多层数据层和多个分类器，所述多层数据层按照预设的方式连接，并被配置为将输入数据按照预定尺度处理；所述多个分类器中的每个分类器接收所述多层数据层中的一个数据层的输出数据，并被配置为基于所述数据层的输出数据对所述输入数据进行分类，所述多个分类器对应多个精度档位，其中，所述多精度数据分类模型被配置为对所述输入数据进行对应精度档位的分类，所述多精度数据分类模型是基于神经网络模型构建的。

在一些实施例中，所述多层数据层连接成目标网络，所述多层数据层包括一个根节点层以及串联连接的多个子节点层，与所述根节点层串联连接。

在一些实施例中，所述根节点层和所述多个子节点层中的每个子节点层包括传递函数，所述多个子节点层中的每个子节点层以相邻的前一层数据层的输出数据作为当前子节点层的输入数据，将所述当前子节点层的输入数据输入所述当前子节点层进行计算得到当前子节点层的输出数据。

在一些实施例中，所述多层数据层还包括多个第一拼接层，所述多个第一拼接层中的每个第一拼接层串联相邻的两个子节点层，并将当前第一拼接层前的所述根节点层和所有子节点层的输出数据进行拼接，作为当前第一拼接层的输出数据，并输入相邻的后一层子节点层。

在一些实施例中，所述多个分类器中的每个分类器接收所述多个第一拼接层中的一个第一拼接层的输出数据。

在一些实施例中，所述传递函数包括：层级传递函数，被配置为以第一卷积核按照第一步长对输入所述层级传递函数的数据进行卷积运算。

在一些实施例中，所述预定尺度包括多个尺度。