(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 (43)申请公布日 (21)申请 号 202111327232.4 (22)申请日 2021.11.10 (71)申请人 云从科技 集团股份有限公司 地址 511457 广东省广州市南沙区南沙街 金隆路37号5 01房(仅限办公) (72)发明人 刘玉明　 (74)专利代理 机构 上海光华专利事务所(普通 合伙) 31219 代理人 李铁 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 一种特征挖掘模型的训练方法、 装置、 介质 及设备 (57)摘要 本发明公开了一种特征挖掘模型的训练方 法， 包括： 确定第一业务标签和第二业务标签； 获 取目标业务场景下与第一业务标签对应的第一 训练集和与第二业务标签对应的第二训练集， 第 一训练集用于训练第一机器学习模 型； 利用训练 好的第一机器学习模型对第二训练集进行特征 提取， 得到第一特征集； 通过人工提取的方式对 第二训练集进行特征提取， 得到第二特征集； 合 并第一特征集与第二特征集， 得到合并特征集； 利用合并特征集训练第二机器学习模 型。 本发明 通过机器学习模 型进行特征挖掘， 使得特征挖掘 过程完全自动化， 不需要人工定义特征， 节省人 力物力。 同时通过机器学习模型进行特征挖掘， 可以快速生成高维度的特征， 充分挖掘数据中的 有效信息 。 权利要求书1页 说明书10页 附图3页 CN 114021660 A 2022.02.08 CN 114021660 A 1.一种特 征挖掘模型的训练方法， 其特 征在于， 包括： 确定第一 业务标签和第二 业务标签； 获取目标业务场景下与所述第一业务标签对应的第一训练集和与所述第二业务标签 对应的第二训练集， 所述第一训练集用于训练第一机器学习模型； 利用训练好的第一机器学习模型对所述第二训练集进行 特征提取， 得到第一特 征集； 通过人工提取的方式对所述第二训练集进行 特征提取， 得到第二特 征集； 合并所述第一特 征集与所述第二特 征集， 得到合并特 征集； 利用所述 合并特征集训练第二机器学习模型。 2.根据权利要求1所述的特征挖掘模型的训练方法， 其特征在于， 所述第 一机器学习 模 型包括： 时序模型。 3.根据权利要求1所述的特征挖掘模型的训练方法， 其特征在于， 所述方法还包括对所 述合并特征集进行筛 选， 得到目标 特征集； 所述目标 特征集用于训练第二机器学习模型。 4.根据权利要求1所述的特征挖掘模型的训练方法， 其特征在于， 所述第 一业务标签与 所述第二 业务标签不同。 5.一种基于时序模型的自动化特 征挖掘装置， 其特 征在于， 包括： 标签确定模块， 用于确定第一 业务标签和第二 业务标签； 训练集获取模块， 用于获取目标业务场景下与 所述第一业务标签对应的第 一训练集和 与所述第二 业务标签对应的第二训练集， 所述第一训练集用于训练第一机器学习模型； 第一特征提取模块， 用于利用训练好的第 一机器学习模型对所述第 二训练集进行特征 提取， 得到第一特 征集； 第二特征提取模块， 用于通过人工提取的方式对所述第二训练集进行特征提取， 得到 第二特征集； 特征合并模块， 用于合并所述第一特 征集与所述第二特 征集， 得到合并特 征集； 模型训练模块， 用于利用所述 合并特征集训练第二机器学习模型。 6.根据权利要求5所述的特征挖掘模型的训练装置， 其特征在于， 所述第 一机器学习 模 型包括： 时序模型。 7.根据权利要求5所述的特征挖掘模型的训练装置， 其特征在于， 所述装置还包括： 特 征筛选模块， 用于对 所述合并特征集进 行筛选， 得到目标特征集； 所述目标特征集用于训练 第二机器学习模型。 8.根据权利要求5所述的特征挖掘模型的训练装置， 其特征在于， 所述第 一业务标签与 所述第二 业务标签不同。 9.一种特 征挖掘模型的训练设备， 其特 征在于， 包括： 一个或多个处 理器； 和 其上存储有指令的一个或多个机器可读介质， 当所述一个或多个处理器执行时， 使得 所述设备 执行如权利要求1 ‑4中一个或多个所述的方法。 10.一个或多个机器可读介质， 其特征在于， 其上存储有指令， 当由一个或多个处理器 执行时， 使得设备 执行如权利要求1 ‑4中一个或多个所述的方法。权　利　要　求　书 1/1 页 2 CN 114021660 A 2一种特征挖掘模型的训练方 法、 装置、 介质及设 备 技术领域 [0001]本发明涉及特征挖掘技术领域， 具体涉及一种特征挖掘模型的训练方法、 装置、 介 质及设备。 背景技术 [0002]在机器学习模型的应用 场景中， 经常遇到时序特征加工 的问题， 例如在金融风控 中， 原始数据是用户的信用卡消费流水或企业的发票流水信息， 传统的特征加工方法完全 依赖建模专家人工定义特征(例如 “最近三个月的消费流水总额度 ”、“最近一年的月均消费 次数”等)用来训练机器学习模型。 [0003]上述人工定义特征的方法非常依赖建模专家对业务特征的理解， 当遇到一个陌生 的业务领域时， 就有哪些特征比较有效， 只能根据手动 构造大量特征之后再验证筛选， 这会 耗费大量的人力物力。 [0004]另一方面， 人工定义的特征有其局限性， 不能充 分发挥数据的价值， 很可能会遗漏 掉一些比较重要的特 征， 进而影响最终的建模效果。 发明内容 [0005]鉴于以上所述现有技术的缺点， 本发明的目的在于提供一种特征挖掘模型的训练 方法、 装置、 介质及设备， 用于解决现有技 术中的至少一个缺陷。 [0006]为实现上述目的及其他相关目的， 本发明提供一种特征挖掘模型的训练方法， 包 括： [0007]确定第一 业务标签和第二 业务标签； [0008]获取目标业务场景下与所述第一业务标签对应的第一训练集和与所述第二业务 标签对应的第二训练集， 所述第一训练集用于训练第一机器学习模型； [0009]利用训练好的第一机器学习模型对所述第二训练集进行特征提取， 得到第一特征 集； [0010]通过人工提取的方式对所述第二训练集进行 特征提取， 得到第二特 征集； [0011]合并所述第一特 征集与所述第二特 征集， 得到合并特 征集； [0012]利用所述 合并特征集训练第二机器学习模型。 [0013]可选地， 所述第一机器学习模型包括： 时序模型。 [0014]可选地， 所述方法还包括对所述合并特征集进行筛选， 得到目标特征集； 所述目标 特征集用于训练第二机器学习模型。 [0015]可选地， 所述第一 业务标签与所述第二 业务标签不同。 [0016]为实现上述目的及 其他相关目的， 本发明提供一种基于时序模型的自动化特征挖 掘装置， 包括： [0017]标签确定模块， 用于确定第一 业务标签和第二 业务标签； [0018]训练集获取模块， 用于获取目标业务场景下与所述第一业务标签对应的第一训练说　明　书 1/10 页 3 CN 114021660 A 3