[发明专利]金融风险分类模型的训练方法、分类方法、装置及设备

权利要求书

1.一种金融风险分类模型的训练方法，其特征在于，所述方法包括：

将用户数据集划分为第一用户数据集以及第二用户数据集，所述第一用户数据集中的第一用户数据属于第一时间段，所述第二用户数据集中的第二用户数据属于第二时间段，所述第二时间段在所述第一时间段之后，所述用户数据集用于反映金融借贷领域的用户的特征，所述特征在所述第一时间段和所述第二时间段上的分布不同；

将所述第一用户数据以及所述第二用户数据输入与时间域无关的特征提取网络，输出用户特征向量；

通过所述用户特征向量训练金融风险分类模型，所述金融风险分类模型用于对待分类用户数据进行分类，所述分类用于反映所述待分类用户数据的金融风险。

2.根据权利要求1所述的方法，其特征在于，在所述将所述第一用户数据以及所述第二用户数据输入与时间域无关的特征提取网络，输出用户特征向量之前，所述方法还包括：

根据所述第一用户数据以及所述第二用户数据，对所述特征提取网络和时域对抗网络进行时间域对抗训练；

其中，所述时间域对抗用于将所述第一用户数据以及所述第二用户数据在时间域上的差异的特征分布映射至一个随时间稳定的特征空间，所述时域对抗网络用于区分所述用户特征向量属于所述第一时间段或所述第二时间段。

3.根据权利要求2所述的方法，其特征在于，所述特征提取网络与所述时域对抗网络之间建立有梯度反转层，所述梯度反转层用于使所述特征提取网络与所述时域对抗网络的训练目标相反；

所述根据所述第一用户数据以及所述第二用户数据，对所述特征提取网络和时域对抗网络进行时间域对抗训练，包括：

将所述第一用户数据以及所述第二用户数据输入所述特征提取网络，输出所述用户特征向量；

将所述用户特征向量输入所述时域对抗网络，输出预测时域分类，所述预测时域分类用于预测所述用户特征向量属于所述第一时间段或所述第二时间段；

采用时域分类损失函数确定所述预测时域分类与真实时域分类之间的时域分类损失，所述真实时域分类是根据所述用户特征向量与所述第一时间段和所述第二时间段之间的对应关系确定的；

根据所述时域分类损失以及所述梯度反转层，基于梯度反向传播训练所述特征提取网络以及所述时域对抗网络。

4.根据权利要求2或3所述的方法，其特征在于，所述第一用户数据集包括有标签数据以及无标签数据，所述有标签数据的分类标签用于反映所述有标签数据的所述金融风险，所述金融风险分类模型包括教师分类网络以及学生分类网络，所述教师分类网络与所述学生分类网络的网络结构相同，所述教师分类网络的参数是根据所述学生分类网络的参数进行滑动平均计算得到的；

所述通过所述用户特征向量训练金融风险分类模型，包括：

将所述用户特征向量输入所述教师分类网络，输出第一预测分类，所述第一预测分类用于预测所述用户特征向量对应的所述分类标签；

将所述用户特征向量输入所述学生分类网络，输出第二预测分类，所述第二预测分类用于预测所述用户特征向量对应的所述分类标签；

采用分类损失函数确定所述用户特征向量对应的所述有标签数据的所述分类标签与所述第二预测分类之间的分类损失；

采用一致性损失函数确定所述第一预测分类以及所述第二预测分类中相同所述用户特征向量对应的所述分类标签之间的一致性损失；

根据所述分类损失以及所述一致性损失，基于梯度反向传播训练所述学生分类网络，所述学生分类网络用于对所述待分类用户数据进行分类。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

对所述金融风险分类模型以及时域划分模型交替进行训练，所述时域划分模型包括所述特征提取网络以及所述时域对抗网络。

6.一种分类方法，其特征在于，所述方法包括：

获取待分类用户数据集，所述待分类用户数据集用于反映金融借贷领域的用户的特征；

将所述待分类用户数据集中的数据输入与时间域无关的特征提取网络，输出用户特征向量；

将所述用户特征向量输入金融风险分类模型，输出所述用户特征向量的预测分类，所述预测分类用于反映所述数据的金融风险。