用户类别识别模型的训练方法和用户类别识别方法.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CN111222026A(43)申请公布日2020.06.02(21)申请号202010023203.8(22)申请日2020.01.09(71)申请人支付宝（杭州）信息技术有限公司地址310007浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人王岱鑫李茜茜方精丽张志强贾全慧周俊方彦明(74)专利代理机构北京汇思诚业知识产权代理有限公司11444代理人冯伟(51)Int.Cl.G06F16/906(2019.01)G06N3/04(2006.01)权利要求书4页说明书16页附图9页(54)发明名称用户类别识别模型的训练方法和用户类别识别方法(57)摘要本说明书实施例公开了一种用户类别识别模型的训练方法和用户类别识别方法，训练方法包括：将样本用户的联系人列表输入用户类别计算模型，以生成样本用户属于预设类别的概率。将样本用户对应的软件特征，和样本用户属于预设类别的概率，输入用户类别识别模型，以生成样本用户的识别结果。根据样本用户的识别结果和样本用户的类别标签，对用户类别识别模型中的参数，以及样本用户的常用软件列表中每个常用软件对应的软件特征进行优化。当满足预设条件时，完成对用户类别识别模型的训练。由此，使得训练完的用户类别识别模型能够在用户信息不充分的情况下，基于待识别用户的联系人列表和对应的软件特征，实现用户类别识别。CN111222026ACN111222026A权利要求书1/4页1.一种用户类别识别模型的训练方法，包括：获取样本用户的常用软件列表和联系人列表，以及类别标签；获取所述样本用户的常用软件列表中每个常用软件对应的软件特征；将所述样本用户的联系人列表输入所述用户类别计算模型，以生成所述样本用户属于预设类别的概率；将所述样本用户对应的软件特征，和所述样本用户属于预设类别的概率，输入用户类别识别模型，以生成所述样本用户的识别结果；其中，所述用户类别识别模型包括图神经网络和注意力神经网络；根据所述样本用户的识别结果和所述样本用户的类别标签，对所述用户类别识别模型中的参数，以及所述样本用户的常用软件列表中每个常用软件对应的软件特征进行优化；以及当满足预设条件时，完成对所述用户类别识别模型的训练。2.如权利要求1所述的方法，其中，所述将所述样本用户对应的软件特征，和所述样本用户属于预设类别的概率，输入所述用户类别识别模型，以生成所述样本用户的识别结果，包括：将所述样本用户对应的软件特征输入所述注意力神经网络；其中，所述注意力神经网络用于确定所述常用软件列表中每个常用软件的影响度；基于所述样本用户对应的软件特征，和所述常用软件列表中每个常用软件的影响度，确定所述样本用户的用户特征；根据所述样本用户的用户特征，以及所述样本用户属于预设类别的概率，生成所述样本用户的识别结果。3.如权利要求2所述的方法，其中，所述根据所述样本用户的识别结果和所述样本用户的类别标签，对所述用户类别识别模型中的参数，以及所述样本用户的常用软件列表中每个常用软件对应的软件特征进行优化，包括：根据所述样本用户的类别标签和所述样本用户属于预设类别的概率，生成所述用户类别计算模型的计算误差；根据所述样本用户的类别标签和所述样本用户的识别结果，生成所述用户类别识别模型的识别误差；基于所述用户类别计算模型的计算误差，对所述用户类别识别模型的识别误差进行加权处理；根据加权处理后的所述识别误差，对所述用户类别识别模型中的参数，以及所述样本用户的常用软件列表中每个常用软件对应的软件特征进行优化。4.如权利要求1所述的方法，其中，所述将所述样本用户的联系人列表输入所述用户类别计算模型，以生成所述样本用户属于预设类别的概率，包括：根据全部所述样本用户的联系人列表，生成所述样本用户的关系网络；其中，所述关系网络包括多个节点，每个所述节点与所述样本用户相对应；对所述样本用户的关系网络进行无监督学习处理，以确定每个所述样本用户对应的所述图节点的图特征；将所述样本用户对应的所述图节点的图特征输入分类器，以生成所述样本用户属于预2CN111222026A权利要求书2/4页设类别的概率。5.如权利要求1-4中任一项所述的方法，其中，所述用户类别计算模型为逾期风险计算模型，所述逾期风险计算模型通过所述联系人列表，计算所述样本用户为逾期用户的概率，所述用户类别识别模型为逾期风险预测模型，所述逾期风险预测模型通过所述软件特征和所述样本用户为逾期用户的概率，确定所述样本用户的逾期风险。6.一种用户类别识别方法，包括：获取待识别用户的常用软件列表和联系人列表；获取所述待识别用户的常用软件列表中每个常用软件对应的软件特征；将所述待识别用户的联系人列表输入用户类别计算模型，以生成所述待识别用户属于预设类别的概率