[发明专利]系统资源数据分配方法和装置

权利要求书

1.一种系统资源数据分配方法，其特征在于，包括：

获取初始训练样本集，其中，所述初始训练样本集包括多个初始训练样本，所述初始训练样本包括用于表征用户风险特征的特征数据；

基于所述初始训练样本集确定样本空间中心，根据所述初始训练样本集和所述样本空间中心，构造目标训练样本集，其中，所述目标训练样本集中包括多个目标训练样本，所述多个目标训练样本围绕所述样本空间中心进行球形分布；

计算所述多个目标训练样本中各目标训练样本的异常分数，依据所述各目标训练样本的异常分数，确定所述各目标训练样本的目标标签，得到所述目标训练样本集对应的目标标签集，其中，所述异常分数用于表征目标训练样本距离所述样本空间中心的距离远近，所述目标标签表征目标训练样本所对应的风险类别；

利用所述目标标签集，构建目标分类器，以基于所述目标分类器对目标用户的风险预测结果向目标用户分配系统资源数据。

2.根据权利要求1所述的方法，其特征在于，所述初始训练样本包括多个维度的特征，相应的，基于所述初始训练样本集确定样本空间中心，包括：

将所述多个维度中各维度的特征的平均值组成所述样本空间中心。

3.根据权利要求1所述的方法，其特征在于，根据所述初始训练样本集和所述样本空间中心，构造目标训练样本集，包括：

将所述初始训练样本集输入训练好的自编码器，输出所述目标训练样本集；

其中，所述训练好的自编码器是通过目标函数训练优化得到的，所述目标函数用于使目标训练样本距所述样本空间中心的距离最小。

4.根据权利要求3所述的方法，其特征在于，所述目标函数为：

其中，M为所述目标函数，W为自编码器的待训练的参数，x_i为第i个初始训练样本，表示将x_i与W进行线性组合得到的目标训练样本，n为初始训练样本的总个数，c为所述样本空间中心，λ为正则化参数，L为自编码器对应的神经网络的层数，||·||_F表示Frobenius范数。

5.根据权利要求3所述的方法，其特征在于，计算所述多个目标训练样本中各目标训练样本的异常分数，包括：

按照以下公式计算所述各目标训练样本的异常分数：

s(x)＝||φ(x；W^*)-c||²

其中，s为所述异常分数，为初始训练样本x对应的目标训练样本，c为所述样本空间中心，W^*为所述自编码器的训练好的参数。

6.根据权利要求1所述的方法，其特征在于，依据所述各目标训练样本的异常分数，确定所述各目标训练样本的目标标签，包括：

获取预设黑样本比例；

将所述预设黑样本比例和所述目标训练样本集中的目标训练样本的总数量相乘，得到第一数量；

将所述各目标训练样本的异常分数进行降序排列，并将排在前面的所述第一数量的目标训练样本的目标标签确定为有风险。

7.根据权利要求3所述的方法，其特征在于，基于所述目标分类器对目标用户的风险预测结果向目标用户分配系统资源数据，包括：

获取目标用户的初始特征数据；

将所述目标用户的初始特征数据输入所述训练好的自编码器，得到目标特征数据；

将所述目标特征数据输入所述目标分类器中，得到所述目标用户的风险预测结果；

基于所述目标用户的风险预测结果向所述目标用户分配系统资源数据。