[发明专利]基于多阶段时序多任务的用户安全等级识别方法及装置

权利要求书

1.一种基于多阶段时序多任务的用户安全等级识别方法，其特征在于，包括：

根据全量用户和其对应的用户阶段生成多个阶段集合；

将多个阶段集合按照时序依次排列；

提取所述多个阶段集合中的第一阶段集合；

将第一阶段集合输入第一组初始模型中，生成第一组模型参数向量；

将第n组模型参数向量与第n+1组初始模型的模型参数向量进行加权求和，得到第n+1组初始模型的新的模型参数向量，根据第n+1阶段集合对具有所述新的模型参数向量的第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，n为正整数；各组所述初始模型为对应阶段集合训练好的模型；

直至所述多个阶段集合训练完毕，基于多组模型参数向量生成多组阶段评分模型；

通过所述多组阶段评分模型对当前用户进行安全等级识别。

2.如权利要求1所述的方法，其特征在于，根据全量用户和其对应的用户阶段生成多个阶段集合，包括：

根据产品特征确定多个用户阶段；

将全量用户中每一个用户对应的用户阶段和所述多个用户阶段进行匹配；

根据匹配结果将用户分配至和其用户阶段对应的阶段集合中。

3.如权利要求2所述的方法，其特征在于，根据全量用户和其对应的用户阶段生成多个阶段集合，还包括：

为每一个用户阶段确定标签策略；

根据所述标签策略为每一个阶段集合中用户分配样本标签。

4.如权利要求1所述的方法，其特征在于，根据第n+1阶段集合对具有所述新的模型参数向量的第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，还包括：

为每一个用户阶段确定一组机器学习模型；

根据每一个用户阶段对应的标签策略为历史用户分配样本标签；

通过带有样本标签的历史用户对第n+1组机器学习模型进行训练，生成第n+1组初始模型，n为正整数。

5.如权利要求1所述的方法，其特征在于，将第一阶段集合输入第一组初始模型中，生成第一组模型参数向量，包括：

将第一阶段集合中的用户信息分别输入第一组初始模型中；

第一组初始模型根据用户信息和其对应的标签进行模型训练，在训练完毕后，生成第一组模型参数向量。

6.如权利要求1所述的方法，其特征在于，根据第n+1阶段集合对具有所述新的模型参数向量的第n+1组初始模型进行多任务训练，生成第n+1组模型参数向量，包括：

生成更新向量；

将所述更新向量加权后叠加到第n+1组初始模型的模型参数向量中；

将第n+1阶段集合中的用户信息分别输入模型参数向量更新后的第n+1组初始模型中以进行多任务训练；

在训练完毕后，生成第n+1组模型参数向量。

7.如权利要求6所述的方法，其特征在于，生成更新向量，包括：

将第n组模型参数向量进行非线性变换以生成更新向量；或

通过第一组至第n组模型参数向量的非线性变换生成第一组至第n组的更新向量。

8.如权利要求6所述的方法，其特征在于，将第n+1阶段集合中的用户信息分别输入模型参数向量更新后的第n+1组初始模型中以进行多任务训练，包括：

将第n+1阶段集合中的用户信息分别输入模型参数向量更新后的第n+1组初始模型中；

第n+1组初始模型根据用户信息和其对应的标签进行多任务训练；

在训练过程中的损失函数不满足收敛条件时，重新确定第n+1组初始模型的初始模型参数以再次进行多任务训练；

在损失函数满足收敛条件时，完成第n+1组初始模型的多任务训练。

9.如权利要求8所述的方法，其特征在于，重新确定第n+1组初始模型的初始模型参数以再次进行多任务训练，包括：

对第n+1组初始模型再次进行模型训练以生成新的初始模型参数；或

重新确定收敛条件以对第n+1组初始模型再次进行模型训练，生成新的初始模型参数。