行为预测模型的训练方法、风险行为预测方法和装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115169551A(43)申请公布日2022.10.11(21)申请号202210757609.8(22)申请日2022.06.30(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人吕乐张长浩傅幸王维强(74)专利代理机构济南信达专利事务所有限公司37100专利代理师李世喆(51)Int.Cl.G06N3/08(2006.01)G06Q10/04(2012.01)权利要求书3页说明书13页附图4页(54)发明名称行为预测模型的训练方法、风险行为预测方法和装置(57)摘要本说明书实施例描述了行为预测模型的训练方法、风险行为预测方法和装置。根据实施例的方法，可以在训练行为预测模型时获取样本行为事件的类型标识以及样本行为事件所发生的时间信息。然后将样本行为事件在连续的时间域上进行表征，进而根据在连续时间域上表征后的行为事件表征训练行为预测模型，以对行为预测模型输出的类型标识和时间的预测值进行优化。通过将样本行为事件在连续的时间域上表征，实现了行为事件和其所发生的的时间的关联，使得模型能够充分学习到行为事件和其所发生的时间所呈现出的规律和周期性的特征，从而能够提高风险行为预测的准确性。CN115169551ACN115169551A权利要求书1/3页1.行为预测模型的训练方法，包括：从历史行为数据中获取样本行为事件的类型标识以及样本行为事件所对应的时间信息；其中，每一种类型的样本行为事件对应一个类型标识；根据所述样本行为事件的类型标识和时间信息，对所述样本行为事件在连续时间域上进行表征，得到行为事件表征；根据所述行为事件表征训练所述行为预测模型，以对行为预测模型输出的类型标识和时间的预测值进行优化。2.根据权利要求1所述的方法，其中，所述根据所述样本行为事件的类型标识和时间信息对所述样本行为事件在连续时间域上进行表征得到行为事件表征，包括：针对每一个样本行为事件，均执行：将当前样本行为事件的类型标识映射到预设的空间中，得到当前样本行为事件的映射向量；获取上一个样本行为事件的行为事件表征；其中，当所述当前样本行为事件为第一个样本行为事件时，所述上一个样本行为事件的行为事件表征为0；根据所述当前样本行为事件的映射向量、当前样本行为事件对应的时间信息、以及所述上一个样本行为事件的行为事件表征，确定所述当前样本行为事件的行为事件表征。3.根据权利要求2所述的方法，其中，所述根据所述当前样本行为事件的映射向量、当前样本行为事件对应的时间信息、以及所述上一个样本行为事件的行为事件表征确定所述当前样本行为事件的行为事件表征，包括：利用如下计算式，确定第j个样本行为事件的行为事件表征：hj＝max{Wy*yj+Wt*tj+Wh*hj‑1+bh,0}其中，hj用于表征第j个样本行为事件的行为事件表征，yj用于表征第j个样本行为事件的映射向量，tj用于表征第j个样本行为事件对应的时间信息，hj‑1用于表征第j‑1个样本行为事件的行为事件表征，Wy用于表征对行为事件进行线性变换的系数，Wt用于表征对时间信息进行线性变换的系数，Wh用于表征对上一个样本行为事件的表征进行线性变换的系数，bh用于表征行为事件表征的修正量，max{…,0}用于表征非线性激活函数ReLU。4.根据权利要求1所述的方法，其中，所述行为预测模型包括对行为事件的类型进行预测的第一预测概率分布；所述根据所述行为事件表征训练所述行为预测模型，包括：根据所述行为事件表征，确定针对行为事件的类型进行预测的第一预测概率分布；利用交叉熵损失函数对所述第一预测概率分布中的模型参数进行优化。5.根据权利要求4所述的方法，其中，所述根据所述行为事件表征确定针对行为事件的类型进行预测的第一预测概率分布，包括：利用如下计算式，计算所述针对行为事件的类型进行预测的第一预测概率分布：其中，P(k)用于表征所述第一预测概率分布，Vk用于表征所述行为预测模型的神经网络层对应类型标识为k的参数矩阵，hj用于表征第j个样本行为事件的行为事件表征，K用于表2CN115169551A权利要求书2/3页征样本行为事件的类型个数，b1和b2均为对预测值进行调节的修正量。6.根据权利要求1所述的方法，其中，所述行为预测模型包括对行为事件发生的时间进行预测的第二预测概率分布；所述根据所述行为事件表征训练所述行为预测模型，包括：根据所述行为事件表征，确定针对行为事件发生的时间进行预测的第二预测概率分布；利用对数函数对所述第二预测概率分布中的模型参数进行优化。7.根据权利要求6所述的方法，其中，所述历史行为数据为ti时刻之前的数据；所述根据所述行为事件表征确定针对行为事件发生的时间进行预测的第二预