[发明专利]神经网络模型训练方法、装置、电子设备及计算机可读存储介质

说明书

本申请实施例公开了一种神经网络模型训练方法、装置、电子设备及计算机可读存储介质，本申请实施例可以训练出一种能自动筛选出高质量样本数据的网络模型。本申请实施例中，神经网络模型训练装置获取当前训练周期的第一样本集以及第二样本集；将第一样本集以及第二样本集输入数据筛选网络模型，得到样本概率集合；根据样本概率集合、预设的概率阈值从第一样本集中确定第三样本集；将第三样本集输入业务处理网络模型，确定业务处理网络模型的模型损失值；根据模型损失值对数据筛选网络模型进行训练。本方案中数据筛选网络模型根据业务处理网络模型的模型损失值进行训练，训练出的数据筛选网络模型可以为业务处理网络模型筛选出高质量的样本数据。

技术领域

本申请涉及神经网络技术领域，具体涉及一种神经网络模型训练方法、装置、电子设备及计算机可读存储介质。

背景技术

在模型训练的时候，高质量的样本具有推进学习对象完成进度的目的性，有利于模型的收敛。

在风控领域，对业务处理网络模型，例如对风控模型的训练样本进行标注的成本非常昂贵，需要风控部门甚至公安部门进行调查取证，需耗费极大的人力、物力、财力，若是能提前筛选出训练样本中的高质量样本，只对筛选出来的高质量样本进行标注，将会大大降低样本标注的成本。

现亟需训练一种能为业务处理网络模型自动筛选出高质量样本数据的网络模型。

发明内容

本申请实施例提供一种神经网络模型训练方法、装置、电子设备及计算机可读存储介质，可以训练出一种能自动筛选出高质量样本数据的网络模型。

第一方面，本申请实施例提供了一种神经网络模型训练方法，包括：

获取当前训练周期的第一样本集以及第二样本集，所述第一样本集为从样本池中选取的样本集，所述第二样本集根据上一训练周期数据集得到，所述上一训练周期数据集由所述当前训练周期的上一训练周期根据业务处理网络模型得到，所述第一样本集与所述第二样本集的样本个数均为目标样本个数；

将所述第一样本集以及所述第二样本集输入数据筛选网络模型，得到样本概率集合，所述样本概率集合中的概率值个数与所述目标样本个数相同；

根据所述样本概率集合、预设的概率阈值从所述第一样本集中确定第三样本集；

将所述第三样本集输入所述业务处理网络模型，确定所述业务处理网络模型的模型损失值；

根据所述模型损失值对所述数据筛选网络模型进行训练。

在一些实施方式中所述将所述第一样本集以及所述第二样本集输入数据筛选网络模型，得到样本概率集合，包括：

对所述第一样本集及所述第二样本集中的特征进行融合处理，得到融合样本集，所述融合样本集的样本个数为所述目标样本个数；

将所述融合样本集输入所述数据筛选网络模型，得到所述样本概率集合。

在一些实施方式中，所述根据所述样本概率集合、预设的概率阈值从所述第一样本集中确定第三样本集，包括：

根据所述概率阈值对所述样本概率集合中的概率进行处理，得到处理后的样本概率集合；

将所述处理后的样本概率集合与所述第一样本集进行叉乘处理，得到所述第三样本集。

在一些实施方式中，所述根据所述概率阈值对所述样本概率集合中的概率进行处理，得到处理后的样本概率集合，包括：

将所述样本概率集合中概率值小于所述概率阈值的概率设为0；

将所述样本概率集合中概率值大于或等于所述概率阈值的概率设为1，得到所述处理后的概率集合。

在一些实施方式中，所述获取当前训练周期的第一样本集以及第二样本集之前，所述方法还包括：