一种分类模型训练方法、逾期风险预测方法及装置

技术领域

本发明涉及人工智能技术领域，尤其涉及一种分类模型训练方法、逾期风险预测方法及装置。

背景技术

随着人工智能技术的日益发展，各领域越来越多地使用模型执行分类任务。例如，金融领域通过模型判断客户是否存在还款逾期风险、电商领域通过模型判断用户是否会购买某种商品等等。因此，如何提高分类模型的分类准确性是人工智能领域的一个重要问题。

发明内容

有鉴于此，本发明实施例提供了一种分类模型训练方法、逾期风险预测方法及装置，以提高分类模型推断准确性、泛化性的同时，降低分类模型推断成本。

根据本发明的一方面，提供了一种分类模型训练方法，所述方法包括：

基于预设训练数据集对多个预设模型进行训练，得到多个候选分类模型；

基于所述多个候选分类模型，对待训练的分类模型进行训练，得到目标分类模型；所述待训练的分类模型中包括多个分类层，至少两个所述分类层为基于不同所述候选分类模型训练得到。

在一种可能的实施例中，至少两个所述候选分类模型的结构不同，所述方法还包括：

确定各所述候选分类模型的分类准确度；

确定分类准确度最高的所述候选分类模型的结构为所述待训练的分类模型的结构。

在一种可能的实施例中，所述基于所述多个候选分类模型，对待训练的分类模型进行训练，得到目标分类模型，包括：

将所述预设训练数据集中的训练数据输入至所述待训练的分类模型；

获取各所述分类层输出的针对所述训练数据的分类结果；

针对各分类层，基于所述分类层针对所述训练数据输出的分类结果与任一剩余候选分类模型针对所述训练数据输出的分类结果之间的第一差异，对所述分类层进行训练，直至所述第一差异收敛；其中，所述剩余候选分类模型为未参与训练分类层的候选分类模型。

在一种可能的实施例中，所述方法还包括：

基于未训练的分类层输出的针对所述预设训练数据集中的训练数据的分类结果与所述训练数据的标签之间的第二差异，对所述未训练的分类层进行训练，直至所述第二差异收敛。

根据本发明的另一方面，提供了一种逾期风险预测方法，所述方法包括：

获取目标用户信息；所述目标用户信息包括：所述目标用户的征信信息；

将所述目标用户信息输入至预先训练好的目标分类模型中；

获取所述目标分类模型输出的逾期风险结果；

所述目标分类模型预先通过如下步骤训练：

基于预设训练数据集对多个预设模型进行训练，得到多个候选分类模型；

基于所述多个候选分类模型，对待训练的分类模型进行训练，得到目标分类模型；所述待训练的分类模型中包括多个分类层，至少两个所述分类层为基于不同所述候选分类模型训练得到。

在一种可能的实施例中，所述目标分类模型用于：

提取所述目标用户信息的信息特征；

通过所述多个分类层基于所述信息特征得到多个候选逾期风险结果；

将所述多个候选逾期风险结果的统计值作为输出结果。

根据本发明的另一方面，提供了一种分类模型训练装置，所述装置包括：

候选分类模型获取模块，用于基于预设训练数据集对多个预设模型进行训练，得到多个候选分类模型；

目标分类模型获取模块，用于基于所述多个候选分类模型，对待训练的分类模型进行训练，得到目标分类模型；所述待训练的分类模型中包括多个分类层，至少两个所述分类层为基于不同所述候选分类模型训练得到。

在一种可能的实施例中，至少两个所述候选分类模型的结构不同，所述装置还包括：

结构确定模块，用于确定各所述候选分类模型的分类准确度；确定分类准确度最高的所述候选分类模型的结构为所述待训练的分类模型的结构。

在一种可能的实施例中，所述基于所述多个候选分类模型，对待训练的分类模型进行训练，得到目标分类模型，包括：

将所述预设训练数据集中的训练数据输入至所述待训练的分类模型；

获取各所述分类层输出的针对所述训练数据的分类结果；

针对各分类层，基于所述分类层针对所述训练数据输出的分类结果与任一剩余候选分类模型针对所述训练数据输出的分类结果之间的第一差异，对所述分类层进行训练，直至所述第一差异收敛；其中，所述剩余候选分类模型为未参与训练分类层的候选分类模型；

和/或还包括：

基于未训练的分类层输出的针对所述预设训练数据集中的训练数据的分类结果与所述训练数据的标签之间的第二差异，对所述未训练的分类层进行训练，直至所述第二差异收敛。

根据本发明的另一方面，提供了一种逾期风险预测装置，所述装置包括：

获取模块，用于获取目标用户信息；所述目标用户信息包括：所述目标用户的征信信息；

输入模块，用于将所述目标用户信息输入至预先训练好的目标分类模型中；

输出模块，用于获取所述目标分类模型输出的逾期风险结果；

所述目标分类模型预先通过如下步骤训练：

基于预设训练数据集对多个预设模型进行训练，得到多个候选分类模型；

基于所述多个候选分类模型，对待训练的分类模型进行训练，得到目标分类模型；所述待训练的分类模型中包括多个分类层，至少两个所述分类层为基于不同所述候选分类模型训练得到。

在一种可能的实施例中，所述目标分类模型用于：

提取所述目标用户信息的信息特征；

通过所述多个分类层基于所述信息特征得到多个候选逾期风险结果；

将所述多个候选逾期风险结果的统计值作为输出结果。

根据本发明的另一方面，提供了一种电子设备，包括：

处理器；以及

存储程序的存储器，

其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行上述任一所述的分类模型训练方法和/或逾期风险预测方法。

根据本发明的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行上述任一所述的分类模型训练方法和/或逾期风险预测方法。

本发明实施例中提供的一个或多个技术方案，通过基于多个预先训练的候选分类模型对待训练的分类模型中的各个分类层进行训练，得到目标分类模型，使得目标分类模型具有多个候选分类模型的性能，从而提高目标分类模型的泛化性以及分类准确性，同时，与现有的集成模型相比，在使用目标分类模型时无需使用多个模型进行并行推断，节省模型使用成本以及推断时间。

附图说明

在下面结合附图对于示例性实施例的描述中，本发明的更多细节、特征和优点被公开，在附图中：

图1示出了相关技术中训练集成模型的过程示意图；

图2为本发明实施例提供的分类模型训练方法的一种流程示意图；

图3为本发明实施例提供的分类模型训练方法中训练目标分类模型的一种流程示意图；

图4为本发明实施例提供的分类模型训练方法中训练目标分类模型的一种实例示意图；

图5为本发明实施例提供的分类模型训练方法中目标分类模型的一种执行流程示意图；

图6为本发明实施例提供的逾期风险预测方法的一种流程示意图；

图7为本发明实施例提供的分类模型训练装置的一种结构意图；

图8为本发明实施例提供的逾期风险预测装置的一种结构示意图；

图9示出了能够用于实现本发明的实施例的示例性电子设备的结构框图。

具体实施方式

下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明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发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。

应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“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，本发明中提及的“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”。

本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

在实际的模型训练中，单一的模型通常会学习到数据的局部最优点，导致单一模型的泛化能力以及模型的准确度都较差。相关技术中提出了集成学习的方式来提高模型的泛化能力以及准确性。

集成学习是一种能有效提高模型泛化能力和准确度的方式，在集成学习中，首先会训练用于解决相同问题的多个模型。示例性的，可以训练多个用于判断用户逾期风险的模型、多个用于判断用户购买意愿的模型等。在集成学习中，这些模型也被称为弱学习器。当弱学习器被正确组合时，由于组合弱学习器得到的集成模型综合了各弱学习器的性能，因此，具有更高的泛化性以及准确度。

对弱学习器进行组合通常指的是以不同的策略将多个弱学习器的输出结果进行融合，例如采用投票的方式，少数服从多数；或者对多个模型的输出结果进行平均，如平均多个模型的输出数据分布，从而使得最终输出结果鲁棒性更高。对弱学习器进行融合的策略包括Bagging，Boosting，Stacking等。如图1所示，在使用集成模型时，通常是将数据分别输入至模型A以及模型B中，由模型A以及模型B均对数据进行推理，并对模型A以及模型B的推理结果进行融合，从而得到最终的输出结果。由于需要使用多个弱学习器进行推断，导致集成模型的使用成本较高。

因此，为了提高模型的分类准确度的同时，降低模型使用成本，本发明实施例提供了一种分类模型训练方法、逾期风险预测方法及装置。本发明实施例提供的分类模型训练方法可以应用于任意具有分类模型训练功能的电子设备中，该电子设备可以是服务器、计算机以及移动终端等。以下参照附图描述本发明的方案。

如图2所示，图2为本发明实施例提供的分类模型训练方法的一种流程示意图，该方法可以包括以下步骤：

S201、基于预设训练数据集对多个预设模型进行训练，得到多个候选分类模型；

S202、基于多个候选分类模型，对待训练的分类模型进行训练，得到目标分类模型；上述待训练的分类模型中包括多个分类层，至少两个分类层为基于不同候选分类模型训练得到。

应用本发明实施例，通过基于多个预先训练的候选分类模型对待训练的分类模型中的各个分类层进行训练，得到目标分类模型，使得目标分类模型具有多个候选分类模型的性能，从而提高目标分类模型的泛化性以及分类准确性，同时，与现有的集成模型相比，在使用目标分类模型时无需使用多个模型进行并行推断，节省模型使用成本以及推断时间。

下面对上述步骤S201-S202进行示例性说明：

上述训练数据集可以根据模型的实际应用场景进行选择，在一种可能的实施例中，若待训练的分类模型为用于预测用户是否有逾期还款风险的逾期风险预测模型，则上述训练数据集可以包括用户的征信信息、用户主动提交的学历信息、用户在金融APP中对客服的提问和搜索信息等，上述征信信息可以包括用户历史借款次数、借款时间与还款时间等等。在另一种可能的实施例中，若待训练的分类模型为确定用户是否会购买目标商品的购买意愿预测模型，则上述训练数据集中可以包括用户历史购买产品信息、用户购买周期等等。上述训练数据集可以是开源数据集，也可以是基于应用，如金融APP、电商APP中的用户历史数据构建的数据集，本发明对此不作具体限定。

上述训练数据集中的数据通常为经过标注的数据，基于上述举例，针对逾期风险预测模型，训练数据集中的各数据的标注值可以是0或1，其中，0表示用户未逾期，1表示用户逾期。针对购买意愿预测模型，训练数集中的各数据的标注值可以是0或1，其中，0表示用户购买目标商品，1表示用户未购买目标商品。上述标注值具体可以根据实际需要标注，本发明对此不作具体限定。

在一种可能的实施例中，可以将训练数据集中的部分数据作为训练数据，来训练上述各预设模型，如将训练数据集中的20％的数据作为训练数据。在另一种可能的实施例中，可以将训练数据集中的全部数据作为训练数据，来训练各预设模型。本发明对此不作具体限定。

上述各预设模型可以为不同结构，预设模型的具体结构可以根据模型的应用场景进行选择，本发明对此不作具体限定。在一种可能的实施例中，可以采用Longformer(一种长序列文本建模模型)、Bigbird(一种长序列文本建模模型)以及Flash(Fast LinearAttention With A Single Head，单头快速线性注意力，一种长序列文本建模模型)等模型作为预设模型。

采用上述技术方案，通过基于预设训练数据集对不同结构的模型进行训练，得到候选分类模型，提高不同候选分类模型之间学习到的局部最优点的差异性，即提高候选分类模型多样性，进而提高候选目标分类模型的泛化性以及分类准确性。

在一种可能的实施例中，还可以通过不同的初始化参数来丰富候选分类模型的多样性，以进一步提高基于候选分类模型训练得到的目标分类模型的泛化性。分类模型中通常包括转换层、特征提取层以及分类层等。其中，转换层用于将输入的数据转换为模型可解析的编码，特征提取层用于基于编码提取数据特征，分类层用于通过线性变换，将模型输出的隐藏层维度的向量映射到需要分类的类别数目。上述参数可以包括学习率、注意力矩阵等等。其中，注意力矩阵中的各值表示特征提取层提取到的特征向量中各部分的权重。

本发明实施例中可以通过任意可行方法对预设模型进行训练，得到候选分类模型。在一种可能的实施例中，可以通过监督学习、半监督学习等方法训练预设模型。

得到各候选分类模型后，可以基于各候选分类模型对待训练的分类模型进行训练。该待训练的分类模型中包括多个分类层，各分类层的初始参数可以不同。

上述待训练的分类模型的具体结构可以根据实际需要选择，如转换层的结构、特征提取层的结构等均可以根据实际需要选择，只需保证待训练的分类模型中包括多个分类层即可。

在一种可能的实施例中，可以确定各所述候选分类模型的分类准确度；确定分类准确度最高的所述候选分类模型的结构为所述待训练的分类模型的结构。

本发明实施例中可以通过多种可行的方法确定各候选分类模型的分类准确度。

在一种可能的实施例中，可以预设测试数据集，并将测试数据集中的各个测试数据输入至各候选分类模型中，获取各候选分类模型针对同一测试数据输出的分类结果，从而可以基于各候选分类模型对于同一测试数据输出的分类结果的准确度确定各候选分类模型的分类准确度，并确定准确度最高的候选分类模型的结构作为待训练的分类模型的结构。

上述分类准确度可以是候选分类模型输出的正确结果的数量/测试数据数量，也可以是候选分类模型输出的正确结果的数量/候选分类模型输出的错误结果的数量，本发明对此不作具体限定。

上述分类结果可以是概率，如可以是用户的逾期概率、用户的购买概率等等。示例性的，当候选分类模型输出的用户的逾期概率大于85％时，可以认为该用户有逾期风险，此时若测试数据的标注值为1，即用户逾期，则表示候选分类模型输出正确结果。

上述测试数据集与上述训练数据集的设置方法相同，此处仅做简单说明，不再赘述。在一种可能的实施例中，可以将训练数据集中的20％的数据作为测试数据，将剩余80％的数据作为训练数据。

在一种可能的实施例中，可以针对各候选分类模型分别进行测试，并得到各分类模型的分类准确度，并从中确定出分类准确度最高的候选分类模型。即可以将不同测试数据集中的测试数据输入至各候选分类模型中，从而得到各候选分类模型的分类准确度。

在一种可能的实施例中，分类准确度最高的模型可能有多个，作为一种可能的实施方式，可以从分类准确度最高的模型中任意选择模型结构作为待训练的分类模型的结构。作为另一种可能的实施方式，可以确定分类准确度最高的模型中数量最多的模型结构作为待训练的分类模型的结构。确定待训练的分类模型的结构的具体方法可以根据实际需要选择，本发明中不再进行赘述。

通过采用分类准确度最高的模型结构作为待训练的分类模型的结构，进一步提高待训练的分类模型的准确度。

在对待训练的分类模型进行训练的过程中，可以基于不同的候选分类模型对上述分类层进行训练，以使得不同分类层学习到不同候选分类模型的特征。

在一种可能的实施例中，如图3所示，可以按照以下步骤训练待训练的分类模型：

S221、将预设训练数据集中的训练数据输入至待训练的分类模型；

S222、获取各分类层输出的针对该训练数据的分类结果；

S223、针对各分类层，基于分类层针对训练数据输出的分类结果与任一剩余候选分类模型针对训练数据输出的分类结果之间的第一差异，对分类层进行训练，直至该第一差异收敛；其中，剩余候选分类模型为未参与训练分类层的候选分类模型。

待训练的分类模型以及上述预设模型可以使用同一预设训练数据集进行训练。在一种可能的实施例中，可以将预设训练数据集中20％的数据作为训练上述预设模型的训练数据，将剩余80％的数据作为训练待训练的分类模型的训练数据。

本发明实施例中可以通过知识蒸馏方法对各分类层进行训练。在一种可能的实施例中，可以将同一训练数据分别输入至待训练的分类模型以及各个候选分类模型中，并获取待训练的分类模型中各分类层输出的分类结果以及各候选分类模型输出的分类结果。之后针对各分类层，确定该分类层与还未参与分类层训练的任一候选分类模型针对上述训练数据输出的分类结果之间的差异。

上述差异可以基于预设损失函数得到。该损失函数可以根据实际需要选择，本发明对此不作具体限定。在一种可能的实施例中，上述损失函数可以是MSE(Mean SquareError，均方误差)损失。

示例性的，待训练的分类模型包括分类层A、B、C，候选分类模型包括A、B、C。获取分类层A、B、C以及候选分类模型A、B、C针对同一训练数据输出的分类结果后，可以基于分类层A输出的分类结果与候选分类模型A或B或C输出的分类结果之间的MSE，对分类层A的参数进行调整；在分类层A为基于候选分类模型A进行参数调整的情况下，可以基于分类层B输出的分类结果与候选分类模型B或C输出的分类结果之间的MSE对分类层B进行训练；在分类层A、B分别为基于候选分类模型A、B进行训练的情况下，可以基于分类层C输出的分类结果与候选分类模型C输出的分类结果之间的MSE对分类层C进行训练。

在一种可能的实施例中，可以对各分类层分别训练。即可以将同一训练数据输入至待训练的分类模型以及任意剩余候选分类模型中，并基于任一未训练分类层输出的分类结果与该剩余候选分类模型输出的分类结果，对该未训练分类层进行训练，直至该分类层训练完毕，即该分类层与该剩余候选分类模型之间的差异收敛，再训练下一分类层。

上述差异收敛指的是差异落在预设范围中，或连续几次的差异之间的差距小于预设数值。上述范围与数值均可根据实际需要设置，本发明对此不作具体限定。

在一种可能的实施例中，还可以基于未训练的分类层输出的针对所述预设训练数据集中的训练数据的分类结果与所述训练数据的标签之间的差异，对所述未训练的分类层进行训练，直至所述差异收敛。

训练数据集中的数据通常为经过标注的数据。因此，在将训练数据输入至待训练的分类模型，并得到分类层输出的分类结果后，基于分类结果与该训练数据之间的差异，对该分类层进行参数调整。

上述差异也是损失函数，示例性的，上述损失函数可以是交叉熵、Focal Loss函数等等。当待训练的分类模型输出的结果与训练数据的标签之间的差异收敛时，可判断相应分类层训练完毕。

本发明实施例中，上述分类层的数量可以是N+1，其中，N为候选分类模型的数量。

如图4所示，图4为本发明实施例提供的分类模型训练方法的一种具体实例流程示意图，该实施例中，候选分类模型包括两个，分别为候选分类模型A、候选分类模型B。可以包括以下步骤：

步骤①、将训练数据中输入至待训练的分类模型中，获取待训练的分类模型的三个分类层针对训练数据输出的分类结果。

步骤②、分别基于训练数据的标签、候选分类模型A以及候选分类模型B对三个分类层进行训练。

具体的训练过程已在前文叙述，此处不再赘述。

步骤③、将三个分类层输出的结果进行融合，作为模型的输出结果。

此处的融合，可以是取平均值、中位数等等。

如图5所示，图5为本发明实施例提供的目标分类模型的一种使用流程示意图，本实施例中包含3个分类层。

步骤①、将数据特征中输入至各个分类层中，得到三个分类结果。

步骤②、分别对三个输出结果进行归一化，得到三个候选输出结果。

步骤③、将三个输出结果进行平均，作为模型的输出结果。

基于相同的发明构思，本发明实施例还提供了一种逾期风险预测方法，本发明实施例提供的逾期风险预测方法可以应用于任意具有逾期风险预测的电子设备中，上述电子设备可以是服务器、计算机以及移动终端等。如图6所示，该方法可以包括：

S601、获取目标用户信息；该目标用户信息包括：所述目标用户的征信信息；

上述征信信息可以包括用户历史借款次数、借款时间与还款时间等等。

S602、将目标用户信息输入至预先训练好的目标分类模型中；获取目标分类模型输出的逾期风险结果；

所述目标分类模型预先通过如下步骤训练：

基于预设训练数据集对多个预设模型进行训练，得到多个候选分类模型；

基于所述多个候选分类模型，对待训练的分类模型进行训练，得到目标分类模型；所述待训练的分类模型中包括多个分类层，至少两个所述分类层为基于不同所述候选分类模型训练得到。

上述目标分类模型可以提取所述目标用户信息的信息特征；通过所述多个分类层基于所述信息特征得到多个候选逾期风险结果；将所述多个候选逾期风险结果的统计值作为输出结果。

上述统计值可以是平均值、中位数等等。

应用本发明实施例，通过基于多个预先训练的候选分类模型对待训练的分类模型中的各个分类层进行训练，得到目标分类模型，使得目标分类模型具有多个候选分类模型的性能，从而提高目标分类模型的泛化性以及逾期风险结果预测准确性，同时，与现有的集成模型相比，在使用目标分类模型时无需使用多个模型进行并行推断，节省机器算力消耗以及存储空间。

本发明的技术方案中，所涉及的用户信息的获取、存储、使用、加工、传输、提供和公开等操作，均是在已取得用户授权的情况下进行的。

根据本发明的另一方面，提供了一种分类模型训练装置，如图7所示，该装置700包括：

候选分类模型获取模块701，用于基于预设训练数据集对多个预设模型进行训练，得到多个候选分类模型；

目标分类模型获取模块702，用于基于所述多个候选分类模型，对待训练的分类模型进行训练，得到目标分类模型；所述待训练的分类模型中包括多个分类层，至少两个所述分类层为基于不同所述候选分类模型训练得到。

在一种可能的实施例中，至少两个所述候选分类模型的结构不同，所述装置700还可以包括：

结构确定模块(图中未示出)，用于确定各所述候选分类模型的分类准确度；确定分类准确度最高的所述候选分类模型的结构为所述待训练的分类模型的结构。

在一种可能的实施例中，所述基于所述多个候选分类模型，对待训练的分类模型进行训练，得到目标分类模型，包括：

将所述预设训练数据集中的训练数据输入至所述待训练的分类模型；

获取各所述分类层输出的针对所述训练数据的分类结果；

针对各分类层，基于所述分类层针对所述训练数据输出的分类结果与任一剩余候选分类模型针对所述训练数据输出的分类结果之间的第一差异，对所述分类层进行训练，直至所述第一差异收敛；其中，所述剩余候选分类模型为未参与训练分类层的候选分类模型；

和/或还包括：

基于未训练的分类层输出的针对所述预设训练数据集中的训练数据的分类结果与所述训练数据的标签之间的差异，对所述未训练的分类层进行训练，直至所述差异收敛。

根据本发明的另一方面，提供了一种逾期风险预测装置，如图8所示，该装置800包括：

获取模块801，用于获取目标用户信息；所述目标用户信息包括：所述目标用户的征信信息；

输入模块802，用于将所述目标用户信息输入至预先训练好的目标分类模型中；

输出模块803，用于获取所述目标分类模型输出的逾期风险结果；

所述目标分类模型预先通过如下步骤训练：

基于预设训练数据集对多个预设模型进行训练，得到多个候选分类模型；

基于所述多个候选分类模型，对待训练的分类模型进行训练，得到目标分类模型；所述待训练的分类模型中包括多个分类层，至少两个所述分类层为基于不同所述候选分类模型训练得到。

在一种可能的实施例中，所述目标分类模型用于：

提取所述目标用户信息的信息特征；

通过所述多个分类层基于所述信息特征得到多个候选逾期风险结果；

将所述多个候选逾期风险结果的统计值作为输出结果。

本发明示例性实施例还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序，所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本发明实施例的方法。

本发明示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本发明实施例的方法。

本发明示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本发明实施例的方法。

参考图9，现将描述可以作为本发明的服务器或客户端的电子设备900的结构框图，其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

电子设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备，输入单元906可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元907可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、Wifi设备、Wimax设备、蜂窝通信设备和/或类似物。

计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理。例如，在一些实施例中，上述分类模型训练方法以及逾期风险预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。在一些实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法上述分类模型训练方法以及逾期风险预测方法。

用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

如本发明使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。