确定业务模型超参数的方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111445025A(43)申请公布日2020.07.24(21)申请号202010537635.0(22)申请日2020.06.12(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)发明人张雅淋(74)专利代理机构北京亿腾知识产权代理事务所(普通合伙)11309代理人张静娟周良玉(51)Int.Cl.G06N3/12(2006.01)G06N20/00(2019.01)权利要求书3页说明书11页附图3页(54)发明名称确定业务模型超参数的方法和装置(57)摘要本说明书实施例提供了一种确定业务模型超参数的方法和装置，所述业务模型包括多个超参数，所述方法包括：获取多个超参数组合，每个所述超参数组合包括所述多个超参数各自的值；从预先准备的第一训练样本集中选取部分训练样本以构成第二训练样本集；使用所述第二训练样本集训练与所述多个超参数组合分别对应的业务模型，以获取多个低精度业务模型；测试各个低精度业务模型的性能分数，作为各个超参数组合的低精度分数；使用预先训练的拟合模型拟合各个超参数组合的高精度分数与低精度分数的差距；基于各个超参数组合的低精度分数、及拟合的高精度分数与低精度分数的差距，计算各个超参数组合的估计高精度分数。CN111445025ACN111445025A权利要求书1/3页1.一种确定业务模型超参数的方法，所述业务模型包括多个超参数，所述方法包括：获取多个超参数组合，每个所述超参数组合包括所述多个超参数各自的值；从预先准备的第一训练样本集中选取部分训练样本以构成第二训练样本集，其中，所述训练样本与网络平台中的以下任一对象相关：用户、商户、商品、交易；使用所述第二训练样本集训练与所述多个超参数组合分别对应的业务模型，以获取多个低精度业务模型；测试各个低精度业务模型的性能分数，作为各个超参数组合的低精度分数；使用预先训练的拟合模型拟合各个超参数组合的高精度分数与低精度分数的差距，其中，所述超参数组合的高精度分数为对应的高精度业务模型的性能分数，所述超参数组合对应的高精度业务模型为通过以所述第一训练样本集训练所述超参数组合对应的业务模型所获取的模型；基于各个超参数组合的低精度分数、及拟合的高精度分数与低精度分数的差距，计算各个超参数组合的估计高精度分数。2.根据权利要求1所述的方法，还包括，在计算各个超参数组合的估计高精度分数之后，在当前不具有高精度分数的超参数组合中确定估计高精度分数最高的第一超参数组合；以所述第一训练样本集训练所述第一超参数组合对应的业务模型，以获取高精度业务模型；测试所述高精度业务模型的性能分数，作为所述第一超参数组合的高精度分数。3.根据权利要求2所述的方法，还包括：在测试所述高精度业务模型的性能分数之后，计算所述第一超参数组合的高精度分数与低精度分数的第一差距；以所述第一超参数组合作为样本特征值、以所述第一差距作为样本标签值，训练所述拟合模型。4.根据权利要求3所述的方法，还包括：在训练所述拟合模型之后，获取当前具有低精度分数、不具有高精度分数的多个第二超参数组合；基于所述拟合模型和各个第二超参数组合的低精度分数，计算各个第二超参数组合的估计高精度分数；基于各个第二超参数组合的估计高精度分数、以及当前具有高精度分数的超参数组合的高精度分数，通过预定超参数搜索算法，确定对所述方法的下一次循环中处理的多个超参数组合。5.根据权利要求4所述的方法，其中，所述预定超参数搜索算法为以下任一算法：遗传算法、贝叶斯优化算法、差分进化算法、网格搜索算法、随机搜索算法。6.根据权利要求2所述的方法，还包括，在测试所述高精度业务模型的性能分数，作为所述第一超参数组合的高精度分数之后，将当前的具有最高高精度分数的超参数组合确定为所述业务模型的超参数组合。7.根据权利要求1所述的方法，其中，所述拟合模型为以下任一模型：随机森林模型、决策树模型、线性回归模型、逻辑回归模型。2CN111445025A权利要求书2/3页8.一种确定业务模型超参数的装置，所述业务模型包括多个超参数，所述装置包括：第一获取单元，配置为，获取多个超参数组合，每个所述超参数组合包括所述多个超参数各自的值；选取单元，配置为，从预先准备的第一训练样本集中选取部分训练样本以构成第二训练样本集，其中，所述训练样本与网络平台中的以下任一对象相关：用户、商户、商品、交易；第一训练单元，配置为，使用所述第二训练样本集训练与所述多个超参数组合分别对应的业务模型，以获取多个低精度业务模型；第一测试单元，配置为，测试各个低精度业务模型的性能分数，作为各个超参数组合的低精度分数；拟合单元，配置为，使用预先训练的拟合模型拟合各个超