一种模型训练的方法、业务风控的方法及装置与流程

1.本说明书涉及计算机技术领域，尤其涉及一种模型训练的方法、业务风控的方法及装置。


背景技术：

2.随着互联网技术的快速发展，越来越多的业务可以通过互联网来实现，相应的也伴随出现很多业务风险。例如，部分用户会在网上下载或购买作弊的软件或脚本，持续定时地在手机后台运行，以模拟用户的行为参与营销活动，从而获取非法利益。因此，对业务进行风险控制以及隐私数据保护常常是业务流程中不可或缺的一部分。
3.目前，在业务风控过程中，常用的手段是收集大量的用户数据对风控模型进行训练。但是，当获取到的用户数据较少时，训练出的预测模型预测出的预测结果的准确率较低。
4.因此，如何能够在获取到的用户数据较少的情况下，提高预测模型预测出的预测结果的准确性，则是一个亟待解决的问题。


技术实现要素：

5.本说明书提供一种模型训练的方法、装置、存储介质及电子设备，以在获取到的用户数据较少的情况下，提高预测模型预测出的预测结果的准确性。
6.本说明书采用下述技术方案：
7.本说明书提供了一种模型训练的方法，包括：
8.获取各用户在历史上执行业务的业务数据；
9.根据获取到的各业务数据，构建各样本数据；
10.按照预设的混合方式，将至少两个样本数据对应的标签数据进行混合，得到混合标签数据；
11.将所述至少两个样本数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层从所述至少两个样本数据分别提取出业务特征，并将分别提取出的业务特征输入到所述预测模型中的特征混合层，以使所述特征混合层按照所述混合方式将分别提取出的业务特征进行混合，得到混合特征；
12.将所述混合特征输入到所述预测模型中的预测层，以使所述预测层根据所述混合特征，得到第一预测结果；
13.以最小化所述第一预测结果与所述混合标签数据之间的偏差为优化目标，至少对所述预测模型中的所述特征提取层以及所述预测层进行训练。
14.可选地，将所述至少两个样本数据输入到待训练的预测模型中之前，所述方法还包括：
15.按照所述混合方式，将至少两个样本数据进行混合，得到混合样本数据；
16.以最小化所述第一预测结果与所述混合标签数据之间的偏差为优化目标，至少对
所述预测模型中的所述特征提取层以及所述预测层进行训练之前，所述方法包括：
17.将所述混合样本数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层从所述混合样本数据提取出业务特征，并将从所述混合样本数据中提取出的业务特征输入到所述预测层中，得到第二预测结果；
18.以最小化所述第一预测结果与所述混合标签数据之间的偏差为优化目标，至少对所述预测模型中的所述特征提取层以及所述预测层进行训练，具体包括：
19.以最小化所述第一预测结果与所述混合标签数据之间的偏差，以及最小化所述第二预测结果与所述混合标签数据之间的偏差为优化目标，至少对所述预测模型中的所述特征提取层以及所述预测层进行训练。
20.可选地，按照预设的混合方式，将至少两个样本数据进行混合，得到混合样本数据，具体包括：
21.针对所述至少两个样本数据中所包含的每个业务维度对应的业务数据，按照所述混合方式中该业务维度对应的权重，将每个样本数据中包含的该业务维度对应的业务数据进行混合，得到该业务维度对应的混合业务数据；
22.根据各业务维度对应的混合业务数据，确定混合样本数据。
23.可选地，将分别提取出的业务特征输入到所述预测模型中的特征混合层，以使所述特征混合层按照所述混合方式将分别提取出的业务特征进行混合，得到混合特征，具体包括：
24.将分别提取出的业务特征输入到所述预测模型中的特征混合层，针对所述分别提取出的业务特征中所包含的每个特征维度对应的特征数据，按照所述混合方式中该特征维度对应的权重，将每个业务特征中的该特征维度对应的特征数据进行混合，得到该特征维度对应的混合特征数据；
25.根据各特征维度对应的混合特征数据，确定混合特征。
26.可选地，在将所述至少两个样本数据输入到待训练的预测模型中之前，所述方法还包括：
27.确定得到的混合样本数据的数量，作为第一数量；
28.根据所述第一数量以及预设的样本比例，确定输入到待训练的预测模型中的样本数据的数量，作为第二数量。
29.将所述至少两个样本数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层从所述至少两个样本数据分别提取出业务特征，具体包括：
30.将所述第一数量的混合样本数据以及所述第二数量的样本数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层从所述第一数量的混合样本数据提取出所述第一数量的混合业务特征，以及从所述第二数量的样本数据分别提取出所述第二数量的业务特征。
31.本说明书提供了一种业务风控的方法，包括：
32.获取目标用户执行业务时的业务数据；
33.将所述业务数据输入到预先训练的预测模型中，以通过所述预测模型中的特征提取层从所述业务数据中提取出业务特征，并将所述业务特征输入到所述预测模型中的预测层，以使所述预测层根据所述业务特征，得到目标用户执行业务时的预测结果，所述预测模
型是通过上述模型训练的方法训练得到的；
34.根据所述预测结果，进行业务风控。
35.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训练的方法以及业务风控的方法。
36.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训练的方法以及业务风控的方法。
37.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：
38.在本说明书提供的模型训练的方法中，首先，获取各用户在历史上执行业务的业务数据。其次，根据获取到的各业务数据，构建各样本数据。而后，按照预设的混合方式，将至少两个样本数据对应的标签数据进行混合，得到混合标签数据。然后，将至少两个样本数据输入到待训练的预测模型中，以通过预测模型中的特征提取层从至少两个样本数据分别提取出业务特征，并将提取出的业务特征输入到预测模型中的特征混合层，以使特征混合层按照混合方式将分别提取出的业务特征进行混合，得到混合特征，接着，将混合特征输入到预测模型中的预测层，以使预测层根据混合特征，得到第一预测结果。最后，以最小化第一预测结果与混合标签数据之间的偏差为优化目标，至少对预测模型中的特征提取层以及预测层进行训练。
39.从上述方法中可以看出，本方法可以将至少两个样本数据提取出的业务特征输入到预测模型中的特征混合层，以使特征混合层按照混合方式将分别提取出的业务特征进行混合，得到混合特征。然后，将混合特征输入到预测模型中的预测层，以使预测层根据混合特征，得到第一预测结果。最后，以最小化第一预测结果与混合标签数据之间的偏差为优化目标，至少对预测模型中的特征提取层以及预测层进行训练。本方法通过在特征混合层，得到混合业务特征，并将混合业务特征与混合标签数据相结合，以增加训练预测模型的训练样本。从而，提高预测模型确定出的预测结果的准确性。
附图说明
40.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附
41.图中：
42.图1为本说明书实施例提供的一种模型训练的方法的流程示意图；
43.图2为本说明书实施例提供的一种业务风控的方法的流程示意图；
44.图3为本说明书实施例提供的一种预测模型的结构示意图；
45.图4为本说明书实施例提供的一种模型训练的装置的结构示意图；
46.图5为本说明书实施例提供的一种业务风控的装置的结构示意图；
47.图6为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
48.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施
例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
49.以下结合附图，详细说明本说明书各实施例提供的技术方案。
50.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
51.以下结合附图，详细说明本说明书各实施例提供的技术方案。
52.图1为本说明书中一种模型训练的方法的流程示意图，具体包括以下步骤：
53.s100：获取各用户在历史上执行业务的业务数据。
54.在本说明书实施例中，模型训练的方法的执行主体可以是指服务器、台式电脑等电子设备。为了便于描述，下面仅以服务器为执行主体，对本说明书提供的模型训练的方法进行说明。
55.在本说明书实施例中，服务器可以获取各用户在历史上执行业务的业务数据。
56.其中，业务数据中可以包含有用户的操作数据、用户的基础数据、用户的应用数据以及用户的终端设备的设备数据。这里提到的操作数据可以是指用户在执行业务时对客户端的操作。例如，用户的点击频率、用户的滑动速度、用户的点击范围等。这里提到的用户的基础数据可以是指用户的基础身份信息，例如，用户所在城市、用户的ip地址等。这里提到的用户的应用数据可以是指用户所执行的业务的应用数据，例如，用户所拥有的资源信息、用户的活跃程度等。这里提到的用户的终端设备的设备数据可以是指用户在执行业务时的终端设备的状态，例如，终端设备的屏幕亮度，终端设备运行的程序名等。
57.s102：根据获取到的各业务数据，构建各样本数据。
58.在本说明书实施例中，服务器可以根据获取到的各业务数据，构建各样本数据。
59.其中，样本数据对应的标签数据可以是指独热标签数据，用于表示用户是否应用了作弊的软件或脚本。例如，用户应用了作弊的软件或脚本，标签数据为(1，0)，否则，标签数据为(0，1)。当然，具体的标签数据可以根据实际业务需求进行设定。
60.在实际应用中，部分用户会在网上下载或购买作弊的软件或脚本，持续定时地在手机后台运行，以模拟用户的行为参与游戏或营销活动，从而获取非法利益。为了预测出哪些用户应用了作弊的软件或脚本，服务器可以根据获取到的用户数据，构建样本数据，以用于后续的模型训练。
61.虽然，作弊的软件或脚本会模拟用户的行为参与游戏或营销活动，但是，作弊的软件或脚本无法完全模拟用户的行为，例如，作弊的软件或脚本的点击频率是固定间隔的，滑动速度是匀速的，每次点击的点击范围固定不变。基于此，服务器可以通过用户的操作数据，判断用户是否应用了作弊的软件或脚本。
62.当然，服务器还可以通过用户的基础数据，判断用户是否应用了作弊的软件或脚本。例如，用户的ip地址同时在多个地方登录，可能是用户应用作弊的软件或脚本同时操作多个账户。
63.服务器还可以通过用户的应用数据，判断用户是否应用了作弊的软件或脚本。例
如，用户的活跃程度为持续登录了七天，明显不符合人类的作息时间，可能是用户应用作弊的软件或脚本持续登录。
64.服务器还可以通过用户的终端设备的设备数据，判断用户是否应用了作弊的软件或脚本。例如，用户在参与游戏的同时，用户的终端设备的屏幕亮度为零，可能是用户后台运行作弊的软件或脚本。再例如，用户的终端设备运行的程序名为非法软件的程序名，可能是用户后台运行作弊的软件或脚本。
65.需要说明的是，服务器可以通过预测模型，根据用户的操作数据、用户的基础数据、用户的应用数据以及用户的终端设备的设备数据中的至少一个，确定预测结果。这里提到的预测结果可以是指用应用作弊的软件或脚本的概率。
66.s104：按照预设的混合方式，将至少两个样本数据对应的标签数据进行混合，得到混合标签数据。
67.在实际应用中，对预测模型进行训练通常需要获取大量的用户数据。当获取到的用户数据较少时，训练出的预测模型预测出的预测结果的准确率往往较低。基于此，服务器可以将两个样本数据进行混合，得到混合样本数据，以用于预测模型的训练。
68.在本说明书实施例中，服务器可以按照预设的混合方式，将至少两个样本数据对应的标签数据进行混合，得到混合标签数据。并且，服务器可以按照混合方式，将至少两个样本数据进行混合，得到混合样本数据。具体如下公式：
69.x
′
＝γxi+(1-γ)xj70.y
′
＝γyi+(1-γ)yj71.在上述公式中，γ可以用于表示预设的权重。xi可以用于表示第i个样本数据中的业务数据。xj可以用于表示第j个样本数据中的业务数据。yi可以用于表示第i个样本数据的标签数据。yj可以用于表示第j个样本数据的标签数据。x
′
可以用于表示混合样本数据中的混合业务数据。y
′
可以用于表示混合样本数据中的混合标签数据。
72.具体的，服务器可以针对至少两个样本数据中所包含的每个业务维度对应的业务数据，按照混合方式中该业务维度对应的权重，将每个样本数据中包含的该业务维度对应的业务数据进行混合，得到该业务维度对应的混合业务数据。这里提到的业务维度可以是指业务数据中不同类别的数据，例如，点击频率、滑动速度、点击范围等。
73.然后，服务器可以根据各业务维度对应的混合业务数据，确定混合样本数据。
74.例如，两个样本数据中的业务数据为(3(点击频率)、4(滑动速度)、5(点击范围))，(5(点击频率)、6(滑动速度)、7(点击范围))，预设的权重为0.5，则混合样本数据为(4(点击频率)、5(滑动速度)、6(点击范围))。再例如，两个样本数据对应的标签数据为(0、1)，(1、0)，预设的权重为0.2，则混合标签数据为(0.2、0.8)。
75.需要说明的是，若两个样本数据中的标签数据不相同，那么这两个样本数据对应的预设的权重也不相同。例如，若两个样本数据中的标签数据相同，那么这两个样本数据对应的预设的权重为0.5。若两个样本数据中的标签数据不相同，那么这两个样本数据对应的预设的权重为0.2。当然，本说明书不对预设的权重的具体数值进行限定。
76.在本说明书实施例中，通过上述混合方式可以得到多个混合样本数据。例如，若样本数据的数量为三个，样本数据a、样本数据b、样本数据c，将任意两个样本数据进行混合可以得到混合样本数据ab、混合样本数据ac、混合样本数据bc。当然，随着样本数据的数量的
增多，混合样本数据的数量也会有增多。
77.进一步的，混合样本数据除了可以是有两个样本数据进行混合得到的，也可以是由任意数量的样本数据进行混合得到的。同样的，混合标签数据除了可以是有两个标签数据进行混合得到的，也可以是由任意数量的标签数据进行混合得到的。
78.s106：将所述至少两个样本数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层从所述至少两个样本数据分别提取出业务特征，并将分别提取出的业务特征输入到所述预测模型中的特征混合层，以使所述特征混合层按照所述混合方式将分别提取出的业务特征进行混合，得到混合特征。
79.在实际应用中，由于样本数据中的业务数据为结构化数据，通常为稀疏数据，将两个样本数据中的业务数据进行混合后，生成的混合样本数据也同样是稀疏数据，仅能部分的提高预测模型预测出的预测结果的准确性。基于此，服务器可以预先确定出混合标签数据，先对样本数据中的业务数据进行特征提取，使得业务数据对应的业务特征不再稀疏。再对特征提取后的两个样本数据的业务特征进行混合，得到混合特征。将混合特征与混合标签数据相结合，用于预测模型的后续训练。
80.在本说明书实施例中，服务器可以将至少两个样本数据输入到待训练的预测模型中，以通过预测模型中的特征提取层从至少两个样本数据分别提取出业务特征，并将分别提取出的业务特征输入到预测模型中的特征混合层，以使特征混合层按照混合方式将分别提取出的业务特征进行混合，得到混合特征。
81.具体的，服务器可以将分别提取出的业务特征输入到预测模型中的特征混合层，针对分别提取出的业务特征中所包含的每个特征维度对应的特征数据，按照混合方式中该特征维度对应的权重，将每个业务特征中的该特征维度对应的特征数据进行混合，得到该特征维度对应的混合特征数据。其中，这里提到的特征维度对应的权重与混合标签数据对应的权重相同。服务器可以根据混合标签数据，生成对照表，以用于后续预测模型中的特征混合层，具体表示形式为(第i个样本数据、第j个样本数据、权重γ、混合标签数据)。
82.然后，服务器可以根据各特征维度对应的混合特征数据，确定混合特征。
83.需要说明的是，在预测模型中的特征混合层，根据各业务特征，构建数据矩阵，一个业务特征在数据矩阵中为一行数据，在数据矩阵中的一列为特征维度。因此，得到的各特征维度对应的混合特征数据，可以构建出数据矩阵中的新一行业务特征，以用于预测模型的训练。在预测模型的预测层中，每一行数据均会对应有一个预测结果以及一个标签数据。
84.s108：将所述混合特征输入到所述预测模型中的预测层，以使所述预测层根据所述混合特征，得到第一预测结果。
85.s110：以最小化所述第一预测结果与所述混合标签数据之间的偏差为优化目标，至少对所述预测模型中的所述特征提取层以及所述预测层进行训练。
86.在本说明书实施例中，服务器可以将混合特征输入到预测模型中的预测层，以使预测层根据混合特征，得到第一预测结果。
87.然后，服务器可以以最小化第一预测结果与混合标签数据之间的偏差为优化目标，至少对预测模型中的特征提取层以及预测层进行训练。
88.也就是说，服务器在将至少两个样本数据输入到预测模型之前，将两个样本数据的标签数据进行混合，得到混合标签数据。再将至少两个样本数据输入到预测模型中，得到
至少两个样本数据对应的业务特征。通过特征混合层，对至少两个样本数据对应的业务特征进行混合，得到混合特征，将混合标签数据作为混合特征对应的标签数据，以此对预测模型进行训练。可以理解的，服务器通过在特征混合层得到的混合特征与混合标签数据，构建了用于训练预测模型的训练样本。
89.进一步的，服务器可以将混合样本数据输入到待训练的预测模型中，以通过预测模型中的特征提取层从混合样本数据提取出业务特征，并将从混合样本数据中提取出的业务特征输入到预测层中，得到第二预测结果。
90.然后，服务器可以以最小化第一预测结果与混合标签数据之间的偏差，以及最小化第二预测结果与混合标签数据之间的偏差为优化目标，至少对预测模型中的特征提取层以及预测层进行训练。
91.从上述的描述中可以看出，本方法中具有两种增加样本数据的方法。第一种：服务器在将至少两个样本数据输入到预测模型之前，将这两个样本数据进行混合，得到混合样本数据，以用于预测模型的训练。第二种：服务器在将至少两个样本数据输入到预测模型之前，将两个样本数据的标签数据进行混合，得到混合标签数据。再将至少两个样本数据输入到预测模型中，得到至少两个样本数据对应的业务特征。通过特征混合层，对至少两个样本数据对应的业务特征进行混合，得到混合特征，将混合标签数据作为混合特征对应的标签数据，以此对预测模型进行训练。可以理解的，服务器通过在特征混合层得到的混合特征与混合标签数据，构建了用于训练预测模型的样本数据。
92.当然，服务器也可以通过预测模型的预测层，根据样本数据的业务特征，得到第三预测结果，以最小化第三预测结果与标签数据之间的偏差为优化目标，至少对预测模型中的特征提取层以及预测层进行训练。
93.在实际应用中，由于混合样本数据是由各样本数据生成的，混合样本数据可能与实际情况有部分偏差，因此，服务器除了需要通过混合样本数据训练预测模型外，还需要通过样本数据训练预测模型，以提高训练出的预测模型的性能。
94.在本说明书实施例中，服务器可以确定得到的混合样本数据的数量，作为第一数量。
95.其次，服务器可以根据第一数量以及预设的样本比例，确定输入到待训练的预测模型中的样本数据的数量，作为第二数量，这里提到的预设的样本比例可以是通过专家经验确定出的。
96.而后，服务器可以将第一数量的混合样本数据以及第二数量的样本数据输入到待训练的预测模型中，以通过预测模型中的特征提取层从第一数量的混合样本数据提取出第一数量的混合业务特征，以及从第二数量的样本数据分别提取出第二数量的业务特征。
97.进一步的，第二数量的样本数据还可以用于在预测模型的后续训练过程中，通过特征混合层，得到混合业务特征。当然，混合业务特征的数量可以是由业务需求进行确定的。
98.需要说明的是，特征混合层仅通过权重，确定混合业务特征。也就是说，在特征混合层中，并没有预测模型的网络参数，因此，在模型训练过程中，特征混合层中的权重不会随着模型训练的过程进行变化。
99.在本说明书实施例中，预测模型的模型结构，如图2所示。
100.图2为本说明书实施例提供的一种预测模型的结构示意图。
101.在图2中，服务器可以将至少两个样本数据、混合样本数据输入到待训练的预测模型中，以通过预测模型中的特征提取层从至少两个样本数据分别提取出业务特征，以及从混合样本数据提取出业务特征。
102.其次，服务器可以将分别提取出的业务特征输入到预测模型中的特征混合层，以使特征混合层按照混合方式将分别提取出的业务特征进行混合，得到混合特征。
103.而后，服务器可以将至少两个样本数据的业务特征、混合样本数据的业务特征、混合特征输入到预测模型中的预测层，以使预测层根据混合特征，得到第一预测结果，根据混合样本数据的业务特征，得到第二预测结果，以及根据样本数据的业务特征，得到第三预测结果。
104.最后，服务器可以以最小化第一预测结果与混合标签数据之间的偏差，最小化第二预测结果与混合标签数据之间的偏差，以及最小化第三预测结果与标签数据之间的偏差为优化目标，至少对预测模型中的特征提取层以及预测层进行训练。
105.从上述方法中可以看出，本方法可以将至少两个样本数据提取出的业务特征输入到预测模型中的特征混合层，以使特征混合层按照混合方式将分别提取出的业务特征进行混合，得到混合特征。然后，将混合特征输入到预测模型中的预测层，以使预测层根据混合特征，得到第一预测结果。最后，以最小化第一预测结果与混合标签数据之间的偏差为优化目标，至少对预测模型中的特征提取层以及预测层进行训练。本方法通过在特征混合层，得到混合业务特征，并将混合业务特征与混合标签数据相结合，以增加训练预测模型的训练样本。从而，提高预测模型确定出的预测结果的准确性。
106.图3为本说明书中一种业务风控的方法的流程示意图，具体包括以下步骤：
107.s300：获取目标用户执行业务时的业务数据。
108.在本说明书实施例中，业务风控的方法的执行主体可以是指服务器、台式电脑等电子设备。为了便于描述，下面仅以服务器为执行主体，对本说明书提供的业务风控的方法进行说明。
109.在本说明书实施例中，服务器可以获取目标用户执行业务时的业务数据。
110.业务可以是指各种用于营销活动的应用程序，例如，小游戏、集卡活动等。
111.其中，由于业务的不同，目标用户执行业务时的业务数据也不相同，目标用户执行业务时的业务数据可以根据实际的业务需求进行更改。也就是说，不同的业务对应有不同的业务数据。
112.s302：将所述业务数据输入到预先训练的预测模型中，以通过所述预测模型中的特征提取层从所述业务数据中提取出业务特征，并将所述业务特征输入到所述预测模型中的预测层，以使所述预测层根据所述业务特征，得到目标用户执行业务时的预测结果。
113.s304：根据所述预测结果，进行业务风控。
114.在本说明书实施例中，服务器可以将业务数据输入到预先训练的预测模型中，以通过预测模型中的特征提取层从业务数据中提取出业务特征，并将业务特征输入到预测模型中的预测层，以使预测层根据业务特征，得到目标用户执行业务时的预测结果。
115.其次，服务器可以根据预测结果，进行业务风控。
116.需要说明的是，在预测模型训练完成后，预测模型在预测目标用户执行业务时的
预测结果时，并不会用到混合特征层，因此，预测模型将特征提取层输出的业务特征，跳过特征混合层，直接输入到预测层中，确定目标用户执行业务时的预测结果。
117.以上为本说明书实施例提供的一种模型训练的方法，基于同样的思路，本说明书还提供了相应的装置、存储介质和电子设备。
118.图4为本说明书实施例提供的一种模型训练的装置的结构示意图，所述装置包括：
119.获取模块400，用于获取各用户在历史上执行业务的业务数据；
120.构建模块402，用于根据获取到的各业务数据，构建各样本数据；
121.混合模块404，用于按照预设的混合方式，将至少两个样本数据对应的标签数据进行混合，得到混合标签数据；
122.提取模块406，用于将所述至少两个样本数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层从所述至少两个样本数据分别提取出业务特征，并将分别提取出的业务特征输入到所述预测模型中的特征混合层，以使所述特征混合层按照所述混合方式将分别提取出的业务特征进行混合，得到混合特征；
123.输入模块408，用于将所述混合特征输入到所述预测模型中的预测层，以使所述预测层根据所述混合特征，得到第一预测结果；
124.训练模块410，用于以最小化所述第一预测结果与所述混合标签数据之间的偏差为优化目标，至少对所述预测模型中的所述特征提取层以及所述预测层进行训练。
125.可选地，所述混合模块404具体还用于，按照所述混合方式，将至少两个样本数据进行混合，得到混合样本数据，将所述混合样本数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层从所述混合样本数据提取出业务特征，并将从所述混合样本数据中提取出的业务特征输入到所述预测层中，得到第二预测结果，以最小化所述第一预测结果与所述混合标签数据之间的偏差，以及最小化所述第二预测结果与所述混合标签数据之间的偏差为优化目标，至少对所述预测模型中的所述特征提取层以及所述预测层进行训练。
126.可选地，所述混合模块404具体用于，针对所述至少两个样本数据中所包含的每个业务维度对应的业务数据，按照所述混合方式中该业务维度对应的权重，将每个样本数据中包含的该业务维度对应的业务数据进行混合，得到该业务维度对应的混合业务数据，根据各业务维度对应的混合业务数据，确定混合样本数据。
127.可选地，所述提取模块406具体用于，将分别提取出的业务特征输入到所述预测模型中的特征混合层，针对所述分别提取出的业务特征中所包含的每个特征维度对应的特征数据，按照所述混合方式中该特征维度对应的权重，将每个业务特征中的该特征维度对应的特征数据进行混合，得到该特征维度对应的混合特征数据，根据各特征维度对应的混合特征数据，确定混合特征。
128.可选地，所述混合模块404具体还用于，确定得到的混合样本数据的数量，作为第一数量，根据所述第一数量以及预设的样本比例，确定输入到待训练的预测模型中的样本数据的数量，作为第二数量，将所述第一数量的混合样本数据以及所述第二数量的样本数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层从所述第一数量的混合样本数据提取出所述第一数量的混合业务特征，以及从所述第二数量的样本数据分别提取出所述第二数量的业务特征。
129.图5为本说明书实施例提供的一种业务风控的装置的结构示意图，所述装置包括：
130.获取模块500，用于获取目标用户执行业务时的业务数据；
131.输入模块502，用于将所述业务数据输入到预先训练的预测模型中，以通过所述预测模型中的特征提取层从所述业务数据中提取出业务特征，并将所述业务特征输入到所述预测模型中的预测层，以使所述预测层根据所述业务特征，得到目标用户执行业务时的预测结果，所述预测模型是通过上述模型训练的方法训练得到的；
132.风控模块504，用于根据所述预测结果，进行业务风控。
133.本说明书还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可用于执行上述图1提供的模型训练的方法以及上述图3提供的业务风控的方法。
134.本说明书实施例还提供了图6所示的电子设备的结构示意图。如图6，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1提供的模型训练的方法以及上述图3提供的业务风控的方法。
135.当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
136.需要说明的是，本技术中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
137.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
138.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
139.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
140.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
141.本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
142.本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
143.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
144.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
145.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网
络接口和内存。
146.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
147.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
148.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
149.本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
150.本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
151.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
152.以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。