[发明专利]智能交易主体属性识别模型训练方法、识别方法及装置

权利要求书

1.一种智能交易主体属性识别模型训练方法，其特征在于，包括：

在区块链交易节点获取多个待选参量，以及每个待选参量在多个样本中的定量数据值，将所述定量数据值统一量纲得到归一化数据，所述样本由多个第一属性样本和第二属性样本组成；

将单一待选参量对应的各样本的所述归一化数据按数值大小排序并依次标记序号作为秩，将归一化数据值相同的样本间的秩求平均并替代原秩的值，以得到该单一待选参量对应的各样本的相关秩；

计算该单一待选参量对应的所述第一属性样本与整体样本的平均秩差值；

将各待选参量对应的平均秩差值的绝对值分别与显著性水平值对比，若大于所述显著性水平值则保留，否则剔除，以得到用于模型训练的第一参量集；

获取各样本关于所述第一参量集中各参量的数据，并添加属性识别结果作为标签形成训练样本集；

采用所述训练样本集对预设神经网络模型进行训练，得到属性识别模型。

2.根据权利要求1所述的智能交易主体属性识别模型训练方法，其特征在于，计算该单一待选参量对应的所述第一属性样本与整体样本的平均秩差值之后，还包括：

计算所述第一属性样本关于该单一待选参量的相关秩的标准偏差；

采用所述标准偏差修正所述平均秩差值；

将各待选参量对应的修正后平均秩差值的绝对值分别与所述显著性水平值对比，若大于所述显著性水平值则保留，否则剔除，以得到第一参量集。

3.根据权利要求2所述的智能交易主体属性识别模型训练方法，其特征在于，采用所述标准偏差修正所述平均秩差值，计算式为：

其中，Z_i为修正后的平均秩差值，W_iX为所述第一属性样本的相关秩和，m为所述第一属性样本的数量，R_iE为整体样本的平均秩，σ_iX为所述标准偏差。

4.根据权利要求3所述的智能交易主体属性识别模型训练方法，其特征在于，所述标准偏差的计算式为：

其中，m为所述第一属性样本数量，n为所述第二属性样本数量，τ_ih表示第i个待选参量的归一化数据排序中第h个数据相同段的样本长度。

5.根据权利要求3所述的智能交易主体属性识别模型训练方法，其特征在于，将各待选参量对应的平均秩差值的绝对值分别与显著性水平值对比，若大于所述显著性水平值则保留，否则剔除，以得到第一参量集之后，还包括：

对所述第一参量集中的各参量两两计算秩相关系数，若存在两个参量k和l的秩相关系数大于判定值，则移除其中平均秩差值较低的参量；

其中，两个参量k和l的秩相关系数定义为：

表示第u个样本关于第k个参量的秩值，表示第u个样本关于第l个参量的秩值，定义N为样本数；和分别表示在参量k和l下第g个相同秩部分的长度，G_k和G_l分别表示在排序过程中存在秩相同的情况的个数。

6.根据权利要求1所述的智能交易主体属性识别模型训练方法，其特征在于，将所述定量数据值统一量纲得到归一化数据中，所述定量数据值包括正向参量数据、负向参量数据和区间参量数据；

所述正向参量数据统一量纲的计算式为：

所述负向参量数据统一量纲的计算式为：

所述区间参量数据的统一量纲的计算式为：

其中，x_ij为第j个样本第i各待选参量统一量纲后得到的归一化数据，v_ij为第j个样本第i各待选参量的原定量数据值，q₁与q₂分别表示最优数据区间的上边界和下边界，N为样本数。