[发明专利]数据处理方法、装置以及电子设备

说明书

本申请实施例公开了一种数据处理方法、装置以及电子设备。方法包括：获取多个待处理样本各自所包括特征对应的向量，以得到待处理向量，其中，多个待处理样本包括正常用户样本以及欺诈用户样本；将待处理向量输入到因子分解机，将待处理向量输入到深度学习网络模型；获取因子分解机以及深度学习网络模型基于待处理向量输出的目标结果；根据目标结果以及深度学习网络模型的权重归一化损失函数，对深度学习网络模型包括的参数进行更新，以及对至少一个待处理样本对应于权重归一化损失函数的权重进行更新。从而通过上述方式可以改善了正常用户样本以及欺诈用户样本不均衡所造成的最终所训练得到的网络模型的输出结果的准确性不高的问题。

技术领域

本申请涉及计算机技术领域，更具体地，涉及一种数据处理方法、装置以及电子设备。

背景技术

为了应对不断升级的数字金融欺诈风险，有效利用互联网公司的海量数据进行风险识别，与深度学习技术相关的网络模型已经在反欺诈领域发挥了重要作用。例如，DeepFM网络模型在反欺诈领域的应用。但是，相关的与深度学习技术相关的网络模型在训练过程中，存在用于训练的样本不均衡的问题，进而会造成所训练得到的网络模型所输出结果的准确性有待提升。

发明内容

鉴于上述问题，本申请提出了一种数据处理方法、装置以及电子设备，以改善上述问题。

第一方面，本申请提供了一种数据处理方法，所述方法包括：获取多个待处理样本各自所包括特征对应的向量，以得到待处理向量，其中，所述多个待处理样本包括正常用户样本以及欺诈用户样本；将所述待处理向量输入到因子分解机，将所述待处理向量输入到深度学习网络模型；获取所述因子分解机以及所述深度学习网络模型基于所述待处理向量输出的目标结果；根据所述目标结果以及所述深度学习网络模型的权重归一化损失函数，对所述深度学习网络模型包括的参数进行更新，以及对至少一个所述待处理样本对应于所述权重归一化损失函数的权重进行更新。

第二方面，本申请提供了一种数据处理装置，所述装置包括：向量获取单元，用于获取多个待处理样本各自所包括特征对应的向量，以得到待处理向量，其中，所述多个待处理样本包括正常用户样本以及欺诈用户样本；向量输入单元，用于将所述待处理向量输入到因子分解机，将所述待处理向量输入到深度学习网络模型；结果输出单元，用于获取所述因子分解机以及所述深度学习网络模型基于所述待处理向量输出的目标结果；参数更新单元，用于根据所述目标结果以及所述深度学习网络模型的权重归一化损失函数，对所述深度学习网络模型包括的参数进行更新，以及对至少一个所述待处理样本对应于所述权重归一化损失函数的权重进行更新。

第三方面，本申请提供了一种电子设备，包括处理器以及存储器；一个或多个程序被存储在所述存储器中并被配置为由所述处理器执行以实现上述的方法。

第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，其中，在所述程序代码被启动控制器运行时执行上述的方法。

本申请提供的一种数据处理方法、装置以及电子设备，获取包括正常用户样本以及欺诈用户样本多个待处理样本后，进一步的获取多个待处理样本各自所包括特征对应的向量，以得到待处理向量，进而将所述待处理向量输入到因子分解机，将所述待处理向量输入到深度学习网络模型，然后获取所述因子分解机以及所述深度学习网络模型基于所述待处理向量输出的目标结果，并根据所述目标结果以及所述深度学习网络模型的权重归一化损失函数，对所述深度学习网络模型包括的参数进行更新，以及对至少一个所述待处理样本对应于所述权重归一化损失函数的权重进行更新。

从而通过上述方式可以使得在得到目标结果后，会再结合权重归一化损失函数所具备的权重调节特性，以根据当次的目标结果对正常用户样本以及欺诈用户样本所对应的于该权重归一化损失函数中的权重进行调整，改善了正常用户样本以及欺诈用户样本不均衡所造成的最终所训练得到的网络模型的输出结果的准确性不高的问题。

附图说明