数据分析模型的生成方法、生成装置和电子设备

技术领域

本公开的实施例涉及大数据风控技术领域，具体涉及数据分析模型的生成方法、生成装置和电子设备。

背景技术

现有的大数据风控技术，广泛应用在客户的贷中风险评估。在实际应用中，通常会通过客户过去一段时间的历史行为数据、基础数据、交易数据等，去训练模型后，预测客户未来一定时间段内的逾期的风险。其中，以树模型为代表(如XGBOOST)，根据客户历史信息不断迭代的做用户分群。从而将风险控制在利润最大化的水平。

然而，发明人发现，虽然现有树模型方法直接预测客户在未来的风险是有效的，但是树模型通常只能做二分类模型。这样不利于进一步提高模型对客户的风险区分能力。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了数据分析模型的生成方法、数据分析模型的生成装置、电子设备、计算机可读介质和计算机程序产品，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种数据分析模型的生成方法，包括：对获取的对象原始数据进行处理，生成包括样本对象属性信息和样本对象标签的训练样本数据，其中，样本对象标签包括主标签和至少一个表示样本对象在预设时间段内状态的副标签；根据训练样本数据中的样本对象标签，设置基于多任务学习框架的数据分析模型中的参数；利用训练样本数据对数据分析模型进行训练。

在一些实施例中，对获取的对象原始数据进行处理，生成包括样本对象属性信息和样本对象标签的训练样本数据，包括：对获取的对象原始数据进行筛选处理，得到样本对象的属性信息；基于样本对象在预设时间段内执行价值转移操作的情况，对样本对象进行打标，得到样本对象的主标签和至少一个副标签。

在一些实施例中，基于样本对象在预设时间段内执行价值转移操作的情况，对样本对象进行打标，包括：根据样本对象在预设时间段内是否逾期执行目标价值转出操作，且逾期时长达到设定时长，对样本对象进行主标签打标；根据样本对象在预设时间段内是否执行目标价值转入操作，对样本对象进行副标签打标。

在一些实施例中，根据训练样本数据中的样本对象标签，设置基于多任务学习框架的数据分析模型中的参数，包括：根据训练样本数据中包含的样本对象标签的数量，设置多任务学习框架中任务的数量，以及为每个任务设置对应的门控网络；根据样本对象标签中主标签的数量，设置多任务学习框架中塔层的数量，其中，塔层的数量为主标签数量的整数倍；基于各塔层的输出值，确定以设置好的多任务学习框架构建的数据分析模型的输出值。

在一些实施例中，基于各塔层的输出值，确定以设置好的多任务学习框架构建的数据分析模型的输出值，包括：采用贝叶斯公式，确定多任务学习框架中各塔层输出值的乘积，以作为数据分析模型的输出值，其中，数据分析模型的输出值用于表征对象为主标签的概率。

在一些实施例中，利用训练样本数据对数据分析模型进行训练，包括：根据训练样本数据中样本对象的主标签、以及表征在预设时间段内是否执行目标价值转入操作的副标签，确定数据分析模型的损失值；根据损失值调整数据分析模型的相关参数，以继续训练。

在一些实施例中，该方法还包括：利用测试样本数据对训练完成的数据分析模型进行测试；采用接收者操作特征曲线下方的面积的方法，根据数据分析模型的输出值，来确定模型的测试迭代次数。

在一些实施例中，该方法还包括：利用训练完成的数据分析模型对目标对象进行分析预测，得到目标对象的预测结果；根据预测结果，确定目标对象的服务配置数据；以及向目标对象提供服务配置数据所指示的应用服务。

第二方面，本公开的一些实施例提供了一种数据分析模型的生成装置，包括：训练数据生成单元，被配置成对获取的对象原始数据进行处理，生成包括样本对象属性信息和样本对象标签的训练样本数据，其中，样本对象标签包括主标签和至少一个表示样本对象在预设时间段内状态的副标签；模型参数设置单元，被配置成根据训练样本数据中的样本对象标签，设置基于多任务学习框架的数据分析模型中的参数；模型训练单元，被配置成利用训练样本数据对数据分析模型进行训练。

在一些实施例中，训练数据生成单元进一步被配置成对获取的对象原始数据进行筛选处理，得到样本对象的属性信息；基于样本对象在预设时间段内执行价值转移操作的情况，对样本对象进行打标，得到样本对象的主标签和至少一个副标签。

在一些实施例中，训练数据生成单元进一步被配置成根据样本对象在预设时间段内是否逾期执行目标价值转出操作，且逾期时长达到设定时长，对样本对象进行主标签打标；根据样本对象在预设时间段内是否执行目标价值转入操作，对样本对象进行副标签打标。

在一些实施例中，模型参数设置单元进一步被配置成根据训练样本数据中包含的样本对象标签的数量，设置多任务学习框架中任务的数量，以及为每个任务设置对应的门控网络；根据样本对象标签中主标签的数量，设置多任务学习框架中塔层的数量，其中，塔层的数量为主标签数量的整数倍；基于各塔层的输出值，确定以设置好的多任务学习框架构建的数据分析模型的输出值。

在一些实施例中，模型参数设置单元进一步被配置成采用贝叶斯公式，确定多任务学习框架中各塔层输出值的乘积，以作为数据分析模型的输出值，其中，数据分析模型的输出值用于表征对象为主标签的概率。

在一些实施例中，模型训练单元进一步被配置成根据训练样本数据中样本对象的主标签、以及表征在预设时间段内是否执行目标价值转入操作的副标签，确定数据分析模型的损失值；根据损失值调整数据分析模型的相关参数，以继续训练。

在一些实施例中，该生成装置还包括模型测试单元，被配置成利用测试样本数据对训练完成的数据分析模型进行测试；采用接收者操作特征曲线下方的面积的方法，根据数据分析模型的输出值，来确定模型的测试迭代次数。

在一些实施例中，该生成装置还包括服务配置单元，被配置成利用训练完成的数据分析模型对目标对象进行分析预测，得到目标对象的预测结果；根据预测结果，确定目标对象的服务配置数据；以及向目标对象提供服务配置数据所指示的应用服务。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面中任一实现方式所描述的生成方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述第一方面中任一实现方式所描述的生成方法。

第五方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面中任一实现方式所描述的生成方法。

本公开的上述各个实施例具有如下有益效果：本公开的一些实施例的数据分析模型的生成方法，有助于提高模型的预测分析准确性。具体来说，相关技术中利用树模型进行用户风险预测。虽然该模型有一定的效果，但是树模型通常只能做二分类模型。也就是说，只能对用户的某一个状态(是或否)进行预测，而无法实现多种状态的预测。另外，这种树模型一般是利用用户的历史数据进行风险预测。而用户的未来信息往往也具有重要的业务价值，会影响用户的风险概率。由此可见，模型预测结果的准确性，往往会直接影响到用户客群的划分结果，进而影响最终实际风险用户(如未按时还款用户)的数量。

基于此，本公开一些实施例中的数据分析模型的生成方法，通过在样本对象标签中加入至少一个表示样本对象在预设时间段内状态的副标签，这样可以引入更多的用户状态信息进行模型训练。从而使模型学习到更多的用户特征数据，有利于提高模型的预测效果。另外，利用多任务学习框架来构建数据分析模型，可以实现模型进行多任务状态的预测。从而将用户的各种标签状态建立关联关系。这样有利于进一步提高模型对用户的风险区分能力。从而有助于减少实际风险用户的产生数量。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是本公开的数据分析模型的生成方法的一些实施例的流程图；

图2是本公开的数据分析模型的生成方法的另一些实施例的流程图；

图3是本公开的数据分析模型的一些实施例的结构示意图；

图4是本公开的数据分析模型的生成装置的一些实施例的结构示意图；

图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开中所涉及的用户个人信息(例如用户属性信息、用户历史操作行为)的收集、存储、使用等操作，在执行相应操作之前，相关组织或个人尽到包括开展个人信息安全影响评估、向个人信息主体履行告知义务、事先征得个人信息主体的授权同意等义务。

下面将参考附图并结合实施例来详细说明本公开。

图1示出了根据本公开的数据分析模型的生成方法的一些实施例的流程100。该生成方法包括以下步骤：

步骤101，对获取的对象原始数据进行处理，生成包括样本对象属性信息和样本对象标签的训练样本数据。

在一些实施例中，数据分析模型的生成方法的执行主体(例如服务器)，可以通过有线连接方式或无线连接方式，来获取对象原始数据。例如，执行主体可以根据用户设置的路径，从数据库中获取对象原始数据。又例如，可以按照用户指定的对象标识，来筛查获取对应的对象原始数据。这里的对象可以是各种应用(如信贷应用)中的任意用户。而对象原始数据可以是与对象相关的任意数据，如对象属性数据(用户标识、年龄、职业)、历史操作行为数据(如操作时间、操作行为类别)、账户剩余价值情况(如账户余额)等等。

在这里，执行主体可以对获取的对象原始数据进行处理，从而生成训练样本数据。其中，训练样本数据通常为训练模型所使用的样本数据。这里的训练样本数据可以包括样本对象属性信息和样本对象标签。其中，样本对象标签可以包括主标签和至少一个副标签。主标签通常为经过数据分析而得到的目标数据。而副标签可以用于表示样本对象在预设时间段内的状态。这里的预设时间段可以根据实际情况进行设置。例如为了使预测结果更加准确，这里的预设时间段可以为未来某个时间段，从而能够引入更多可参考的对象信息。

在一些实施例中，执行主体可以采用多种方法，来对上述数据进行处理。例如首先，执行主体可以对获取的对象原始数据进行筛选处理，以得到样本对象的属性信息。作为示例，可以去除用户ID(Identity document，身份标识号)、时间等主键信息。同时可以去除重复数据，以及统计相同或相似操作的操作次数。另外，对于缺失数据可以采用0或-1进行填充。

接着，可以根据需要考量分析的对象状态指标，进行样板对象的打标。需要说明的是，在信贷业务往往需要对用户进行风险评估，如预测用户的逾期风险。而用户在未来的不同状态这个信息是十分有业务价值的。因为根据不同的用户未来是否借款、未来的出账次数、未来余额等未来信息划分出的客群，都有着不同的风险概率。如，新借款的客群的风险一般会高于不新增借款的客群。而借款时间长的用户的风险一般会高于借款时间短的客群。

在一些实施例中，可以基于样本对象在预设时间段内执行价值转移操作的情况，对样本对象进行打标，从而得到样本对象的主标签和至少一个副标签。其中，价值转移操作通常为导致价值的属性值发生变化的操作，如借款、还款、转账、付款、取现、入账存款等交易操作。

作为示例，可以根据样本对象在预设时间段内是否逾期执行目标价值转出操作，且逾期时长达到设定时长，对样本对象进行主标签打标，以得到主标签。另外，可以根据样本对象在预设时间段内是否执行目标价值转入操作，对样本对象进行副标签打标，以得到副标签。可以理解的是，这里的目标价值转入、转出操作同样可以根据实际情况进行设置。例如主标签可以为未来180天内是否逾期还款30天以上。而副标签可以为未来180天内是否发生借款。这样，就将未来的多状态标签引入训练任务。

可选地，对于以上处理打标得到的数据集，可以将数据集分为训练集(训练样本数据)、测试集(测试样本数据)和验证集(验证样本数据)。进而利用训练集可以进行模型的训练。利用测试集进行模型的测试。利用验证集进行模型的验证评估。

在一些实施例中，为了便于后续模型训练，执行主体还可以对上述数据中的连续数据进行标准化。以及对离散数据进行分箱后向量(Emedding)操作。使得训练数据适合深度学习的模型训练。

步骤102，根据训练样本数据中的样本对象标签，设置基于多任务学习框架的数据分析模型中的参数。

在一些实施例中，执行主体可以根据训练样本数据中的样本对象标签，来设置数据分析模型中的参数。这里的数据分析模型是基于多任务学习框架构建的。数据分析模型可以用于对输入的对象属性信息进行分析，确定对象对应的标签状态。

需要说明的是，多任务学习的关键往往就在于寻找任务之间的关系。如果任务之间的关系衡量恰当，那么不同任务之间就能相互提供额外的有用信息。利用这些额外信息，可以训练出表现更好、更鲁棒的模型。此外，当单个任务的训练数据集不充分的时候，此时多任务学习的效果能够有比较明显的提升。这主要是因为单个任务无法通过自身的训练数据集得到关于数据分布的足够信息。如果有多个任务联合学习，那么这些任务将能从相关联的任务中得到额外的信息。因此学习效果将有显著的提升。也就是说，采用多任务学习框架的数据分析模型，即使在少量训练数据的情况下，也能够保证和提高模型预测的准确性。

可以理解的是，在多任务学习框架中通常会包括多个专家层(experts)、多个任务(task)和多个塔层(Tower Layer)。在这里，具体采用哪种多任务学习框架并不限制。作为示例，可以采用以MMOE(Multi-gate Mixture-of-Experts)为基础框架的数据分析模型。MMOE多任务学习框架通常包括输入层(Input Layer)、多门控混合专家层(MMOE Layer)、塔层(Tower Layer)和输出层(Output Layer)。另外，也可以采用PLE(Progressive LayeredExtraction)来代替。

在一些实施例中，执行主体可以根据训练样本数据中包含的样本对象标签的数量，来设置多任务学习框架中任务的数量。以及为每个任务设置对应的门控网络。并且，可以根据样本对象标签中主标签的数量，设置多任务学习框架中塔层的数量。其中，塔层的数量为主标签数量的整数倍。另外，基于各塔层的输出值，可以确定以设置好的多任务学习框架构建的数据分析模型的输出值。具体可以参见图2实施例中的相关描述，此处不再赘述。

步骤103，利用训练样本数据对数据分析模型进行训练。

在一些实施例中，执行主体可以利用步骤101得到的训练样本数据，对步骤102得到的数据分析模型进行训练。将样本对象属性信息输入模型，可以得到样本对象的预测标签。根据预测标签与样本对象标签的比较结果，可以确定模型的损失值。进而根据损失值可以调整模型中的相关参数，以继续模型训练。

可以理解的是，由于数据分析模型采用多任务学习框架，因此模型中会包含多个任务的预测值。在这里，为了提高模型预测结果的准确性，执行主体不仅可以计算模型最终输出的预测值的损失值，还可以计算各塔层预测值的损失值。进而根据这些损失值的加权求和结果，来调整模型参数。

可选地，为了提高模型的训练效率，也可以只对影响最终预测结果的因素所涉及的预测值进行损失函数计算。例如，可以根据训练样本数据中样本对象的主标签、以及表征在预设时间段内是否执行目标价值转入操作的副标签，来确定数据分析模型的损失值。进而根据损失值调整数据分析模型的相关参数，以继续训练。

作为示例，对于图3所示的数据分析模型，由于用户未来180天内是否借款，会对其是否会逾期还款产生较重要的影响。因此在训练过程中，对于3个塔可以只计算P(借款)和P(PD)的损失。其余2塔的损失不计入计算。

在一些实施例中，执行主体还可以利用测试样本数据，对训练完成的数据分析模型进行测试。在这里，在评估模型在测试集上效果时，可以采用接收者操作特征曲线下方的面积(AUC，Area Under Curve)的方法，根据数据分析模型的输出值，来确定模型的测试迭代次数。其中，AUC是一种常见的分类模型评价指标，值的范围一般分布在0-1之间，值越大代表模型的效果越好。例如，对于图3实施例中的模型，可以只评估P(PD)的AUC效果，来选择最优的模型迭代轮数进行停止。这样能够达到通过辅助任务，提高PD的AUC的目的。

可选地，在需要对训练完成的数据分析模型进行验证评估的情况下，执行主体可以利用验证样本数据，对上述数据分析模型进行验证。即可以将上述保存的最优的PD的模型，在OOT(Out of Time，表示训练样本时间外的样本)样本上进行打分。从而评估模型在OOT上的样本区分度。其中，OOT主要是为了验证模型在时间外数据上的效果，以确保上线之后稳定运行。

通过以上描述可知，本公开一些实施例中的数据分析模型的生成方法，通过在样本对象标签中加入至少一个表示样本对象在预设时间段内状态的副标签，这样可以引入更多的用户状态信息进行模型训练。从而使模型学习到更多的用户特征数据，有利于提高模型的预测效果。另外，利用多任务学习框架来构建数据分析模型，可以实现模型进行多任务状态的预测。从而将用户的各种标签状态建立关联关系。这样有利于进一步提高模型对用户的风险区分能力。从而有助于减少实际风险用户的产生数量。

在一些应用场景中，对于训练完成的数据分析模型，还可以利用其进行对象状态预测。例如，可以利用训练完成的数据分析模型对目标对象进行分析预测，以得到目标对象的预测结果。这里的目标对象可以是需要分析的任意用户，如信贷应用中的用户(或已借款用户)。在这里，可以根据预测结果，来确定目标对象的服务配置数据。其中，服务配置数据通常是用于配置服务内容的数据。

可以理解的是，若执行主体为支撑应用的后台服务器，则执行主体可以根据确定的服务配置数据，向目标对象提供该服务配置数据所指示的应用服务。若执行主体不是应用的后台服务器，那么其可以将确定的服务配置数据发送给对应的后台服务器。从而使后台服务器所支撑的应用，向目标对象提供该服务配置数据所指示的应用服务。例如，调整用户的贷款额度，延长用户的还款时间，或者关闭用户可新增贷款的申请资格等等。

继续参考图2，其示出了根据本公开的数据分析模型的生成方法的另一些实施例的流程200。该生成方法还可以包括以下步骤：

步骤201，根据训练样本数据中包含的样本对象标签的数量，设置多任务学习框架中任务的数量，以及为每个任务设置对应的门控网络。

在一些实施例中，数据分析模型的生成方法的执行主体，可以根据训练样本数据中包含的样本对象标签的数量，来设置多任务学习框架中任务的数量。例如可以对这些标签进行统计分类，例如表征不同的状态。从而可以设置于标签类别的总数量相等的任务。又例如，可以根据是否发生主标签的情况，在模型中设置两个任务。另外，对于每个副标签，还可以根据是否发生该副标签的情况，再在模型中设置对应的两个任务。或者，可以对各标签进行组合，根据组合情况来设置模型中任务数量。

可以理解的是，通常情况下，在多任务学习框架中，每个任务会设置一个对应的门控网络。

步骤202，根据样本对象标签中主标签的数量，设置多任务学习框架中塔层的数量。

在一些实施例中，执行主体可以根据样本对象标签中主标签的数量，来设置多任务学习框架中塔层的数量。其中，塔层的数量可以为主标签数量的整数倍。这里的整数倍通常为除1以外的正整数倍。在一些实施例中，塔层数量可以与上述任务数量相同。

步骤203，基于各塔层的输出值，确定以设置好的多任务学习框架构建的数据分析模型的输出值。

在一些实施例中，执行主体可以基于各塔层的输出值，确定以设置好的多任务学习框架构建的数据分析模型的输出值。例如，模型可以输出各塔层的输出值。又例如，执行主体可以对各塔层的输出值进行加权求和，从而得到模型最终的输出值。

可以理解的是，模型的输出通常为训练样本数据中标注的标签。这里可以为样本对象的主标签。也就是说，该层可以为主标签的输出层。此时，为了将对象不同状态(即副标签)和主标签相关联，可以采用贝叶斯公式，确定多任务学习框架中各塔层输出值的乘积，以作为数据分析模型的输出值。而数据分析模型的输出值可以用于表征对象为主标签的概率。

下面以MMOE为例，说明数据分析模型中各参数的设置情况。

模型第一层为输入层。执行主体可以将训练样本数据的特征输入到模型中。第一层输入的内容通常可以包括样本对象属性信息和样本对象标签。输入层可以将离散变量做Emedding后，与连续型变量进行拼接，从而得到处理后的嵌入向量。

模型第二层为多门控混合专家层。该层的输入为第一层输入层的输出。其结构通常由多个称为专家(experts)的网络组成。其中，experts的个数可以根据实际情况进行设置。在这里，每一个expert一般由若干层全链接层组成，并可以设置隐含层单元数为64。参数均可以根据实际行动进行调整，下同。每一个expert之间参数不共享，所以根据输入训练得到的输出也不相同。另外，根据样本对象标签的类别，可以设置任务数等于分客群或场景的个数。对每一个任务可以设置一个门控网络(gate)。以及，每一个gate可以由全连接层构成，输出的是每个expert被选择的概率。该层最终实现不同的task对各个expert的结果采取不同的加权求和后，输入到每一个任务的塔层中。

模型第三层为塔层，与第二层MMOE层相连。该层每一个tower的输入，是第二层中每一个expert与对应task的gate的输出加权求和的结果。其中，每个tower层同样可以由若干层全链接层组成。塔层的数目可以是用户主标签表示的状态数×3个。

模型第四层为输出层。该层可以由全连接层构成，以塔层的输出作为该层的输入。

作为示例，如图3所示，在信贷风险管控场景中，可以以未来180天内是否逾期30天以上为主标签，以未来180天内是否发生借款行为为副标签。在信贷分控中，主要判断用户是否会逾期。因此，可以设置任务和塔层均为3个，分别对应图3中的借款(即P(1-6m借款))、借款逾期(P(PD|1-6m借款))、不借款逾期(P(PD|1-6m不借款))。其中，1-6m表示1-6个月180天内。PD(Probability of Default，违约概率)表示是否逾期。这样在满足分控需求的情况下，可以简化模型结构，有助于提高模型的处理效率。

最后，模型可以以逾期率作为输出层的输出(即P(PD))。为了将客户不同状态和逾期概率相关联，可以采用贝叶斯公式，将逾期拆解为3个预测值的乘积。这样不仅可以得到不同未来状态与逾期之间的关系，还能够得到最终逾期率的概率为：

P(PD)＝P(PD|借款)*P(借款)+P(PD|不借款)*(1-P(借款))；

其中，P(借款)表示借款概率；P(PD|借款)表示借款状态下逾期的概率；P(PD|不借款)表示未借款状态下预期的概率。

本公开实施例的数据分析模型的生成方法，进一步丰富和完善了采用多任务学习为基础框架的数据分析模型的参数设置过程。可以将表征不同状态的副标签与主标签建立关联关系。从而可以实现利用用户的多状态信息，来进行模型预测与训练。有助于提高模型预测的准确性。

需要说明的是，本实施例主要基于多任务学习结构，从而引入客户未来信息。以及如何有效处理客户不同未来信息之间的状态对客户风险的影响。主要做出了以下创新性改进，以提高模型对客户的风险水平：

一是，首次在授信风控领域，引入除了除逾期以外的其它未来信息。如是否借款、是否出账等信息。

二是，首次通过贝叶斯公式，将不同的未来信息与是否逾期的任务进行关联，进而提高模型效果。

进一步参考图4，作为对上述图1、2所示生成方法的实现，本公开提供了一种数据分析模型的生成装置的一些实施例。这些生成装置实施例与图1、2所示的那些生成方法实施例相对应。该数据分析模型的生成装置具体可以应用于各种电子设备中。

如图4所示，一些实施例的数据分析模型的生成装置400可以包括：训练数据生成单元401，被配置成对获取的对象原始数据进行处理，生成包括样本对象属性信息和样本对象标签的训练样本数据，其中，样本对象标签包括主标签和至少一个表示样本对象在预设时间段内状态的副标签；模型参数设置单元402，被配置成根据训练样本数据中的样本对象标签，设置基于多任务学习框架的数据分析模型中的参数；模型训练单元403，被配置成利用训练样本数据对数据分析模型进行训练。

在一些实施例中，训练数据生成单元401可以进一步被配置成对获取的对象原始数据进行筛选处理，得到样本对象的属性信息；基于样本对象在预设时间段内执行价值转移操作的情况，对样本对象进行打标，得到样本对象的主标签和至少一个副标签。

在一些实施例中，训练数据生成单元401可以进一步被配置成根据样本对象在预设时间段内是否逾期执行目标价值转出操作，且逾期时长达到设定时长，对样本对象进行主标签打标；根据样本对象在预设时间段内是否执行目标价值转入操作，对样本对象进行副标签打标。

在一些实施例中，模型参数设置单元402可以进一步被配置成根据训练样本数据中包含的样本对象标签的数量，设置多任务学习框架中任务的数量，以及为每个任务设置对应的门控网络；根据样本对象标签中主标签的数量，设置多任务学习框架中塔层的数量，其中，塔层的数量为主标签数量的整数倍；基于各塔层的输出值，确定以设置好的多任务学习框架构建的数据分析模型的输出值。

在一些实施例中，模型参数设置单元402可以进一步被配置成采用贝叶斯公式，确定多任务学习框架中各塔层输出值的乘积，以作为数据分析模型的输出值，其中，数据分析模型的输出值用于表征对象为主标签的概率。

在一些实施例中，模型训练单元403可以进一步被配置成根据训练样本数据中样本对象的主标签、以及表征在预设时间段内是否执行目标价值转入操作的副标签，确定数据分析模型的损失值；根据损失值调整数据分析模型的相关参数，以继续训练。

在一些实施例中，该生成装置400还可以包括模型测试单元(图中未示出)，被配置成利用测试样本数据对训练完成的数据分析模型进行测试；采用接收者操作特征曲线下方的面积的方法，根据数据分析模型的输出值，来确定模型的测试迭代次数。

在一些实施例中，该生成装置400还可以包括服务配置单元(图中未示出)，被配置成利用训练完成的数据分析模型对目标对象进行分析预测，得到目标对象的预测结果；根据预测结果，确定目标对象的服务配置数据；以及向目标对象提供服务配置数据所指示的应用服务。

可以理解的是，该数据分析模型的生成装置400中记载的诸单元与参考图1、2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果，同样适用于生成装置400及其中包含的单元，在此不再赘述。

下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置501(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如扬声器、振动器等的输出装置507；包括例如磁盘、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对获取的对象原始数据进行处理，生成包括样本对象属性信息和样本对象标签的训练样本数据，其中，样本对象标签包括主标签和至少一个表示样本对象在预设时间段内状态的副标签；根据训练样本数据中的样本对象标签，设置基于多任务学习框架的数据分析模型中的参数；利用训练样本数据对数据分析模型进行训练。

此外，可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括训练数据生成单元、模型参数设置单元和模型训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，训练数据生成单元还可以被描述为“生成包括样本对象属性信息和样本对象标签的训练样本数据的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

本公开的一些实施例还提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时，实现上述的任一种数据分析模型的生成方法。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。