技术特征：
1.一种分类方法，其特征在于，所述方法包括：根据统计模板获取用户的多个信用属性以及用户的各个信用属性的属性值；根据用户的多个信用属性以及用户的各个信用属性的属性值获取用户的自然语言的属性文本；根据用户的各个信用属性的属性值以及用户的自然语言的属性文本预测用户的信用风险分类。2.根据权利要求1所述的方法，其特征在于，统计模板中包括多个信用属性，统计模板中的多个信用属性包括至少两家信用机构的信用属性。3.根据权利要求2所述的方法，其特征在于，所述根据统计模板获取用户的多个信用属性以及用户的各个信用属性的属性值，包括：接收多个信用机构中的第一信用机构发送的预测请求，预测请求用于预测用户的信用风险分类；根据预测请求获取统计模板中的多个信用属性，并作为用户的多个信用属性；根据预测请求确定第一信用机构的信用属性，在用户的账户中的信息中获取用户的确定的信用属性的属性值，以及，将用户的未确定的信用属性的属性值设置为默认值，未确定的信用属性包括统计模板中的除确定的信用属性以外的信用属性。4.根据权利要求1所述的方法，其特征在于，所述根据用户的各个信用属性的属性值以及用户的自然语言的属性文本预测用户的信用风险分类，包括：对用户的各个信用属性的属性值编码，得到属性值特征，以及，对用户的自然语言的属性文本编码，得到属性文本特征；根据属性值特征以及属性文本特征预测用户的信用风险分类。5.根据权利要求4所述的方法，其特征在于，所述根据属性值特征以及属性文本特征预测用户的信用风险分类，包括：获取注意力特征，使用注意力特征对属性值特征进行注意力扩展，得到属性值扩展特征；以及，使用注意力特征对属性文本特征进行注意力扩展，得到属性文本扩展特征；根据属性值特征、属性文本特征、属性值扩展特征以及属性文本扩展特征预测用户的信用风险分类。6.根据权利要求5所述的方法，其特征在于，所述根据属性值特征、属性文本特征、属性值扩展特征以及属性文本扩展特征预测用户的信用风险分类，包括：将属性值特征、属性文本特征、属性值扩展特征以及属性文本扩展特征融合，得到融合特征；根据融合特征预测用户的信用风险分类。7.根据权利要求1所述的方法，其特征在于，所述根据用户的多个信用属性以及用户的各个信用属性的属性值获取用户的自然语言的属性文本，包括：对于用户的多个信用属性中的任意一个信用属性，根据用户的所述信用属性以及用户的所述信用属性的属性值生成用户的所述信用属性对应的自然语言的子属性文本；根据用户的各个信用属性分别对应的自然语言的子属性文本生成用户的自然语言的属性文本。8.一种训练分类模型的方法，其特征在于，所述方法包括：
获取多个训练数据集，训练数据集中包括样本数据以及标注数据，样本数据中包括样本用户的多个样本信用属性的样本属性值以及样本用户的自然语言的样本属性文本；样本属性文本是根据样本用户的多个样本信用属性以及样本用户的各个样本信用属性的属性值得到的，标注数据中包括样本用户的标注信用风险分类；使用多个训练数据集对模型训练，直至模型的网络结构中的网络参数收敛，得到分类模型。9.根据权利要求8所述的方法，其特征在于，所述使用多个训练数据集对模型训练，直至模型的网络结构中的网络参数收敛，得到分类模型，包括：使用模型根据样本数据预测样本用户的信用风险分类；根据损失函数、预测的样本用户的信用风险分类以及样本用户的标注信用风险分类，确定损失值；根据损失值对网络参数调整。10.一种分类模型，其特征在于，所述分类模型包括：特征提取网络以及分类预测网络；特征提取网络用于对用户的多个信用属性的属性值编码，得到属性值特征，以及，对用户的自然语言的属性文本编码，得到属性文本特征；属性文本是根据用户的多个样本信用属性以及用户的各个样本信用属性的属性值得到的；分类预测网络用于根据属性值特征以及属性文本特征预测用户的信用风险分类。11.根据权利要求10所述的分类模型，其特征在于，所述分类预测网络包括：注意力子网络以及分类预测子网络；注意力子网络用于使用注意力特征对属性值特征进行注意力扩展，得到属性值扩展特征；以及，使用注意力特征对属性文本特征进行注意力扩展，得到属性文本扩展特征；分类预测子网络用于根据属性值特征、属性文本特征、属性值扩展特征以及属性文本扩展特征预测用户的信用风险分类。12.根据权利要求11所述的分类模型，其特征在于，所述分类预测子网络包括：特征融合层以及分类预测层；特征融合层用于将属性值特征、属性文本特征、属性值扩展特征以及属性文本扩展特征融合，得到融合特征；分类预测层用于根据融合特征预测用户的信用风险分类。13.一种电子设备，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，其特征在于，处理器执行程序时实现如权利要求1至9中任一项的方法的步骤。14.一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如权利要求1至9中任一项的方法的步骤。
技术总结
本申请提供了一种分类方法及装置、一种训练分类模型的方法及装置、一种分类模型。用户的自然语言的属性文本中具有用户的多个信用属性以及用户的各个信用属性的属性值的相关信息，例如，用户的自然语言的属性文本中包括用户的各个信用属性分别对应的自然语言的样本子属性文本，用户的其中一个信用属性对应的自然语言的样本子属性文本中具有用户的其中一个信用属性以及用户的其中一个信用属性的属性值，使得分类模型可以获知用户的信用相关的各个属性值对应于哪一个信用属性，可以获知各个属性值各自代表的含义，使得分类模型能够明确用户的信用相关的各个数据分别与用户的信用风险分类之间的相关性，可以提高预测用户的信用风险分类的准确率。的信用风险分类的准确率。的信用风险分类的准确率。
技术研发人员：程梦 曾海峰 陈风
受保护的技术使用者：阿里云计算有限公司
技术研发日：2022.11.02
技术公布日：2023/2/3