(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211213567.8 (22)申请日 2022.09.30 (71)申请人 蚂蚁区块链科技 （上海） 有限公司 地址 200010 上海市黄浦区外马路618号8 层803室 (72)发明人 张端阳　 (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 专利代理师 陈霁　周良玉 (51)Int.Cl. G06N 3/08(2006.01) G06N 3/04(2006.01) G06N 7/00(2006.01) G06Q 40/02(2012.01) G06Q 40/08(2012.01)G06Q 20/40(2012.01) (54)发明名称 确定神经网络模型的预测结果可靠性的方 法和装置 (57)摘要 本说明书实施例提供一种确定神经网络模 型的预测结果可靠性的方法和装置， 方法包括： 获取目标业务对象的特征数据； 将所述特征数据 输入所述神经网络模型， 通过所述神经网络模型 输出该目标业务对象是否具有风险的当前预测 结果的当前分布参数值， 所述当前分布参数值用 于衡量所述 当前预测结果的可靠性。 能够确定神 经网络模型的预测结果可靠性， 从而扩大神经网 络模型的应用范围。 权利要求书3页 说明书10页 附图4页 CN 115526311 A 2022.12.27 CN 115526311 A 1.一种训练神经网络模型的方法， 所述方法包括： 获取多个业务对象构成的训练样本集， 各业务对象具有特征数据； 所述多个业务对象 包括， 特征数据符合预设分布的第一类业务对象， 以及特征数据不符合所述预设分布的第 二类业务对象； 将任意的目标业务对象的特征数据输入所述神经网络模型， 通过所述神经网络模型输 出该业务对象是否具有风险的当前预测结果的当前分布参数值， 所述当前分布参数值用于 衡量所述当前 预测结果的可靠性； 若所述目标业务对象为第 一类业务对象， 则根据 预先设定的第 一先验分布与 所述当前 分布参数值所代表的当前预测分布之间的相似性， 确定所述 目标业务对 象的预测损失； 若 所述目标业务对象为第二类业务对象， 则根据预先设定的第二先验分布与所述当前预测分 布之间的相似性， 确定所述目标业 务对象的预测损失； 以最小化所述多个业 务对象各自的预测损失之和为目标， 训练所述神经网络模型。 2.根据权利要求1所述的方法， 其中， 所述当前预测分布的均值对应于所述当前预测结 果， 所述当前 预测分布的方差用于衡量所述当前 预测结果的可靠性。 3.根据权利要求2所述的方法， 其中， 各个业务对象还具有指示该业务对象是否具有风 险的标签数据； 所述方法还 包括： 根据所述当前分布参数值确定所述当前 预测结果的预测值； 根据所述预测值和所述目标业务对象的标签数据， 确定第一损 失， 并使得所述目标业 务对象的预测损失与所述第一损失正相关。 4.根据权利要求1所述的方法， 其中， 所述第 一先验分布为具有第 一目标参数值的狄利 克雷分布， 所述第二先验分布为具有第二目标参数值的狄利克 雷分布。 5.根据权利要求4所述的方法， 其中， 所述第 一目标参数值根据第 一类业务对象估计得 到， 所述第二目标参数值 根据第二类业 务对象估计得到 。 6.根据权利要求4所述的方法， 其中， 所述第 一目标参数值的均值大于所述第 二目标参 数值的均值。 7.根据权利要求1所述的方法， 其中， 所述第二类业务对象基于蒙特卡洛模拟法而得 到。 8.根据权利要求1所述的方法， 其中， 所述相似性 通过两个分布之间的KL散度来计算。 9.根据权利要求1所述的方法， 其中， 所述业务对象对应于企业用户， 所述第一类业务 对象对应于小微企业， 所述第二类业 务对象对应于非小微企业。 10.一种确定神经网络模型的预测结果可靠性的方法， 所述神经网络模型为权利要求1 所述的方法训练后得到的神经网络模型， 所述方法包括： 获取目标业 务对象的特 征数据； 将所述特征数据输入所述神经网络模型， 通过所述神经网络模型输出该目标业务对象 是否具有风险的当前预测结果的当前分布参数值， 所述当前分布参数值用于衡量所述当前 预测结果的可靠性。 11.一种训练神经网络模型的装置， 所述装置包括： 获取单元， 用于获取多个业务对象构 成的训练样本集， 各业务对象具有特征数据； 所述 多个业务对 象包括， 特征数据符合预设分布的第一类业务对 象， 以及特征数据不符合所述权　利　要　求　书 1/3 页 2 CN 115526311 A 2预设分布的第二类业 务对象； 预测单元， 用于将所述获取单元获取的任意的目标业务对象的特征数据输入所述神经 网络模型， 通过所述神经网络模型输出该业务对象是否具有风险的当前预测结果的当前分 布参数值， 所述当前分布参数值用于衡量所述当前 预测结果的可靠性； 损失确定单元， 用于若所述目标业务对象为第一类业务对象， 则根据预先设定的第一 先验分布与所述预测单元得到的当前分布参数值所代表的当前预测分布之 间的相似性， 确 定所述目标业务对 象的预测损失； 若所述 目标业务对 象为第二类业务对 象， 则根据预先设 定的第二先验分布与所述当前预测分布之间的相似性， 确定所述目标业务对象的预测损 失； 训练单元， 用于以最小化所述损失确定单元得到的多个业务对象各自的预测损失之和 为目标， 训练所述神经网络模型。 12.根据权利要求11所述的装置， 其中， 所述当前预测分布的均值对应于所述当前预测 结果， 所述当前 预测分布的方差用于衡量所述当前 预测结果的可靠性。 13.根据权利要求12所述的装置， 其中， 所述获取单元获取的各个业务对象还具有指示 该业务对象是否具有风险的标签数据； 所述装置还 包括： 结果确定单元， 用于根据所述预测单元得到的当前分布参数值确定所述当前预测结果 的预测值； 所述损失确定单元， 还用于根据所述结果确定单元得到的预测值和所述获取单元获取 的目标业务对 象的标签数据， 确定第一损失， 并使得所述 目标业务对 象的预测损失与所述 第一损失正相关。 14.根据权利要求11所述的装置， 其中， 所述第 一先验分布为具有第 一目标参数值的狄 利克雷分布， 所述第二先验分布为具有第二目标参数值的狄利克 雷分布。 15.根据权利要求14所述的装置， 其中， 所述第 一目标参数值根据第 一类业务对象估计 得到， 所述第二目标参数值 根据第二类业 务对象估计得到 。 16.根据权利要求14所述的装置， 其中， 所述第 一目标参数值的均值大于所述第 二目标 参数值的均值。 17.根据权利要求11所述的装置， 其中， 所述第 二类业务对象基于蒙特卡洛模拟法而得 到。 18.根据权利要求11所述的装置， 其中， 所述相似性通过两个分布之间的KL散度来计 算。 19.根据权利要求11所述的装置， 其中， 所述业务对象对应于企业用户， 所述第一类业 务对象对应于小微企业， 所述第二类业 务对象对应于非小微企业。 20.一种确定神经网络模型的预测结果可靠性的装置， 所述神经网络模型为权利要求 11所述的装置训练后得到的神经网络模型， 所述装置包括： 获取单元， 用于获取目标业 务对象的特 征数据； 预测单元， 用于将所述获取单元获取的特征数据输入所述神经网络模型， 通过所述神 经网络模型输出该目标业务对象是否具有风险的当前预测结果的当前分布参数值， 所述当 前分布参数值用于衡量所述当前 预测结果的可靠性。 21.一种计算机可读存储介质， 其上存储有计算机程序， 当所述计算机程序在计算机中权　利　要　求　书 2/3 页 3 CN 115526311 A 3