[发明专利]评分卡模型训练方法及装置

权利要求书

1.一种评分卡模型训练方法，其特征在于，所述方法包括：

获取多个历史数据，及每个历史数据对应的标签信息；

对每个历史数据进行向量化，得到每个历史数据对应的第一向量；

将每个第一向量及对应的标签信息输入到Xgboost模型进行转化训练，得到每个历史数据对应的第一学习信息；

将每个第一向量、对应标签信息及对应的第一学习信息输入到WideDeep模型中进行转化训练，得到每历史数据对应的指导概率值；

将每个第一向量及对应的指导概率值输入到逻辑回归模型中，并结合半监督的学习技巧进行学习训练，得到评分卡模型。

2.根据权利要求1所述的方法，其特征在于，所述将每个第一向量及对应的标签信息输入到Xgboost模型进行转化训练，得到每个历史数据对应的第一学习信息，包括：

将(x₁，y₁)…(x_n，y_n)输入到Xgboost模型中进行转化训练，得到

其中,x_n为第n个历史数据对应的第一向量；y_n为第n个历史数据对应的标签信息；z_n为第n个历史数据对应的第一学习信息，n为正整数。

3.根据权利要求2所述的方法，其特征在于，所述将每个第一向量、对应标签信息及对应的第一学习信息输入到WideDeep模型中进行转化训练，得到每历史数据对应的指导概率值，包括：

将(x₁，y₁，z₁)…(x_n，y_n，z_n)输入到WideDeep模型中，具体的转换公式如下：

(p_i0，p_i1)＝WideDeep(x_i)＝sigmoid(F_deep(x_i)+F_wide(x_i)+z_i)；

F_wide(x_i)＝w_wide*x_i+b_wide；

F_deep(x_i)＝MLP_deep(x_i)；

其中，(p_i0，p_i1)为第i个历史数据对应的指导概率值；MLP_deep代表多层神经网络参数；w_wide和b_wide为Wide模型的向量参数，初始值为随机数，并根据第一损失函数L_WideDeep(x_i)更新w_wide和b_wide的值；

4.根据权利要求3所述的方法，其特征在于，所述将每个第一向量、对应的指导概率值输入到逻辑回归模型中，并结合半监督的学习技巧进行学习训练，得到评分卡模型，包括：

通过以下公式训练得到评分卡模型LR(x_i)：

LR(x_i)＝sigmoid(w_LR*x_i+b_LR)；

其中，w_LR和b_LR为评分卡模型的向量参数，初始值为随机数，并根据第二损失函数L_total(x_i)更新w_LR和b_LR的值；

L_total(x_i)＝L₁(x_i)+α*L₂(x_i)；

其中，α为融合系数。