一种模型的训练方法、装置、存储介质及电子设备与流程

本技术涉及计算机，尤其涉及一种模型的训练方法、装置、存储介质及电子设备。

背景技术：

1、随着科技的发展，隐私数据日益受到大众的关注，人工智能技术飞速发展，其中，机器学习技术广泛应用。一般的，在风控领域，平台可通过机器学习模型(如交易意图分类模型)对用户的交易意图进行识别以及分类，确定用户的交易动机，以对有风险的用户进行风控，从而保证平台交易系统的健康性以及可持续性发展。

2、然而，对于用户的交易意图的分类而言，与通常的分类任务中类与类之间的正交关系不同，交易意图的类与类之间可存在包含关系，也即存在层次结构关系。例如：在基于专家经验构建的交易意图分类中，可包括一级分类(如商品交易、资本交易、服务交易等)，二级分类(如办公用品、金融投资等)以及三级分类(如礼品、股票等)。其中，各一级分类下对应多个二级分类，各二级分类下对应多个三级分类，例如：一级分类的商品交易，对应的二级分类包括办公用品、化学加工品等，二级分类的办公用品对应的三级分类包括文具、纪念品等。因此如何使得模型学习到交易意图的各分类之间的层次结构关系是一个重点问题。

3、基于此，本技术说明书提供了一种模型的训练方法。

技术实现思路

1、本说明书提供一种模型的训练方法、装置、存储介质及电子设备，以至少部分的解决现有技术存在的上述问题。

2、本说明书采用下述技术方案：

3、本说明书提供了一种模型的训练方法，待训练的交易意图分类模型包括：分别与预设的每个分类等级一一对应的编码层，以及分别与每个编码层一一对应的第一解码层；所述方法包括：

4、获取用户的交易数据，将所述交易数据作为第一样本；并，获取所述第一样本对应的交易意图类别在所述预设的每个分类等级下所属的第一标注类别；

5、将所述第一样本分别输入多个编码层，得到所述多个编码层对应的第一编码结果；

6、按照所述分类等级从上到下的顺序，依次针对每个分类等级，将该分类等级的所有上级分类等级对应的编码层的第一编码结果，以及该分类等级对应的编码层的第一编码结果，输入该分类等级对应的第一解码层，得到该分类等级对应的第一解码层的解码结果；

7、根据得到的各第一解码层对应的解码结果，得到所述待训练的交易意图分类模型输出的所述第一样本在所述预设的每个分类等级下所属的第一预测类别；

8、根据所述第一预测类别以及所述第一标注类别，对所述待训练的交易意图分类模型进行训练。

9、可选地，所述待训练的交易意图分类模型还包括：预测层，所述第一解码层均与所述预测层相连接；

10、根据得到的各第一解码层对应的解码结果，得到所述待训练的交易意图分类模型输出的所述第一样本在所述预设的每个分类等级下所属的第一预测类别，具体包括：

11、将得到的各第一解码层对应的解码结果输入所述预测层，得到所述预测层输出的所述第一样本在所述预设的每个分类等级下所属的第一预测类别。

12、可选地，所述方法还包括：

13、获取待预测的用户交易数据；

14、将所述用户交易数据分别输入训练完成的交易意图分类模型中的各编码层，得到各编码结果；

15、按照所述分类等级从上到下的顺序，依次针对每个分类等级，将该分类等级的所有上级分类等级对应的编码层的编码结果，以及该分类等级对应的编码层的编码结果，输入该分类等级对应的第一解码层，得到该分类等级对应的第一解码层的解码结果；

16、根据得到的各第一解码层对应的解码结果，得到所述训练完成的交易意图分类模型输出的所述用户交易数据在每个分类等级下所属的预测类别。

17、可选地，所述待训练的交易意图分类模型还包括：第二解码层，所述第二解码层与指定编码层相连接，所述第二编码层用于输出指定分类等级的交易意图类别；

18、所述方法还包括：

19、获取第二样本，以及获取所述第二样本对应的交易意图类别在指定分类等级下所属的第二标注类别；

20、将所述第二样本分别输入所述多个编码层，得到所述多个编码层对应的第二编码结果；

21、将所述指定分类等级的所有上级分类等级对应的编码层的第二编码结果，以及所述指定编码层的第二编码结果，输入所述第二解码层，得到所述第二解码层输出的所述第二样本在指定分类等级下所属的第二预测类别；

22、根据所述第二标注类别以及所述第二预测类别，对所述第二解码层以及所述指定编码层进行训练。

23、可选地，所述指定分类等级包括预设的分类等级中最下级的分类等级。

24、可选地，所述方法还包括：

25、获取待预测的用户交易数据；

26、将所述用户交易数据分别输入训练完成的交易意图分类模型中的各编码层，得到各编码结果；

27、按照所述分类等级从上到下的顺序，依次针对每个分类等级，将该分类等级的所有上级分类等级对应的编码层的编码结果，以及该分类等级对应的编码层的编码结果，输入该分类等级对应的第一解码层，得到该分类等级对应的第一解码层的解码结果；

28、根据得到的各第一解码层对应的解码结果，得到所述训练完成的交易意图分类模型输出的所述用户交易数据在所述预设的每个分类等级下所属的第一预测类别；

29、将所述指定分类等级的所有上级分类等级对应的编码层的编码结果，以及所述指定编码层的编码结果，输入所述第二解码层，得到所述第二解码层输出的所述用户交易数据在所述指定分类等级下所属的第二预测类别。

30、可选地，得到该分类等级对应的第一解码层的解码结果，具体包括：

31、通过该分类等级对应的第一解码层，采用残差连接将该分类等级的所有上级分类等级对应的编码层的第一编码结果，以及该分类等级对应的编码层的第一编码结果进行融合，得到该分类等级对应的第一解码层的解码结果。

32、本说明书提供了一种模型的训练装置，待训练的交易意图分类模型包括：分别与预设的每个分类等级一一对应的编码层，以及分别与每个编码层一一对应的第一解码层；包括：

33、获取模块，用于获取用户的交易数据，将所述交易数据作为第一样本；并，获取所述第一样本对应的交易意图类别在所述预设的每个分类等级下所属的第一标注类别；

34、编码模块，用于将所述第一样本分别输入多个编码层，得到所述多个编码层对应的第一编码结果；

35、解码模块，用于按照所述分类等级从上到下的顺序，依次针对每个分类等级，将该分类等级的所有上级分类等级对应的编码层的第一编码结果，以及该分类等级对应的编码层的第一编码结果，输入该分类等级对应的第一解码层，得到该分类等级对应的第一解码层的解码结果；

36、预测模块，用于根据得到的各第一解码层对应的解码结果，得到所述待训练的交易意图分类模型输出的所述第一样本在所述预设的每个分类等级下所属的第一预测类别；

37、第一训练模块，用于根据所述第一预测类别以及所述第一标注类别，对所述待训练的交易意图分类模型进行训练。

38、可选地，所述待训练的交易意图分类模型还包括：预测层，所述第一解码层均与所述预测层相连接；

39、所述预测模块具体用于，将得到的各第一解码层对应的解码结果输入所述预测层，得到所述预测层输出的所述第一样本在所述预设的每个分类等级下所属的第一预测类别。

40、可选地，所述装置还包括第一处理模块；

41、所述第一处理模块具体用于，获取待预测的用户交易数据；将所述用户交易数据分别输入训练完成的交易意图分类模型中的各编码层，得到各编码结果；按照所述分类等级从上到下的顺序，依次针对每个分类等级，将该分类等级的所有上级分类等级对应的编码层的编码结果，以及该分类等级对应的编码层的编码结果，输入该分类等级对应的第一解码层，得到该分类等级对应的第一解码层的解码结果；根据得到的各第一解码层对应的解码结果，得到所述训练完成的交易意图分类模型输出的所述用户交易数据在每个分类等级下所属的预测类别。

42、可选地，所述待训练的交易意图分类模型还包括：第二解码层，所述第二解码层与指定编码层相连接，所述第二编码层用于输出指定分类等级的交易意图类别；

43、所述装置还包括第二训练模块；

44、所述第二训练模块具体用于，获取第二样本，以及获取所述第二样本对应的交易意图类别在指定分类等级下所属的第二标注类别；将所述第二样本分别输入所述多个编码层，得到所述多个编码层对应的第二编码结果；将所述指定分类等级的所有上级分类等级对应的编码层的第二编码结果，以及所述指定编码层的第二编码结果，输入所述第二解码层，得到所述第二解码层输出的所述第二样本在指定分类等级下所属的第二预测类别；根据所述第二标注类别以及所述第二预测类别，对所述第二解码层以及所述指定编码层进行训练。

45、可选地，所述指定分类等级包括预设的分类等级中最下级的分类等级。

46、可选地，所述装置还包括第二处理模块；

47、所述第二处理模块具体用于，获取待预测的用户交易数据；将所述用户交易数据分别输入训练完成的交易意图分类模型中的各编码层，得到各编码结果；按照所述分类等级从上到下的顺序，依次针对每个分类等级，将该分类等级的所有上级分类等级对应的编码层的编码结果，以及该分类等级对应的编码层的编码结果，输入该分类等级对应的第一解码层，得到该分类等级对应的第一解码层的解码结果；根据得到的各第一解码层对应的解码结果，得到所述训练完成的交易意图分类模型输出的所述用户交易数据在所述预设的每个分类等级下所属的第一预测类别；将所述指定分类等级的所有上级分类等级对应的编码层的编码结果，以及所述指定编码层的编码结果，输入所述第二解码层，得到所述第二解码层输出的所述用户交易数据在所述指定分类等级下所属的第二预测类别。

48、可选地，所述解码模块具体用于，通过该分类等级对应的第一解码层，采用残差连接将该分类等级的所有上级分类等级对应的编码层的编码结果，以及该分类等级对应的编码层的编码结果进行融合，得到该分类等级对应的第一解码层的解码结果。

49、本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型的训练方法。

50、本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型的训练方法。

51、本说明书采用的上述至少一个技术方案能够达到以下有益效果：

52、从本说明书提供的模型的训练方法中可以看出，通过获取用户的交易数据作为样本，并基于预设的分类等级确定用户的交易意图在每个分类等级下的标注类别，从而在对交易意图分类模型进行训练时，可基于分类等级，对交易意图分类模型进行训练，使得训练完成的交易意图分类模型可学习到交易意图的各分类之间的层次结构关系，提升了模型预测的交易意图类别的准确率。