评估参数确定方法、装置、介质与电子设备与流程

1.本公开涉及计算机技术领域，尤其涉及一种评估参数确定方法、评估参数确定装置、计算机可读存储介质与电子设备。


背景技术：

2.在各种服务行业中，通过对目标对象进行可信度评估，以供服务方根据评估结果确定更可靠的服务策略。
3.相关技术中，对目标对象进行可信度评估可以基于机器学习模型实现，其中，可以获取样本目标对象的样本原始特征数据，并加工样本原始特征数据得到样本目标特征数据，最后利用样本目标特征数据训练评估参数确定模型；在需要进行风险评估时，利用预先训练的评估参数确定模型确定目标对象的评估参数，以得到目标对象的可信度信息。
4.但是，基于机器学习的评估参数确定方案，样本原始特征数据的加工过程通常由人工完成，以及样本原始特征数据本身的缺陷，会导致获得的样本目标特征数据精准度不高，训练的评估参数确定模型的可靠度也会下降，进而影响获得的评估参数的精准度和可靠性。


技术实现要素：

5.本公开提供了一种评估参数确定方法、装置、介质与电子设备，进而提高确定的待评估对象的评估参数的精准度。
6.根据本公开的第一方面，提供一种评估参数确定方法，包括：获取待评估对象的第一原始特征数据；利用所述第一原始特征数据训练特征构建模型，直至所述特征构建模型收敛；获取所述特征构建模型的模型参数，得到所述待评估对象的目标特征数据，所述目标特征数据包括所述第一原始特征数据，以及所述第一原始特征数据之间的关系特征数据；根据所述目标特征数据和评估参数确定模型，确定所述待评估对象的评估参数，所述评估参数用于表征所述待评估对象的可信度。
7.可选的，所述利用所述第一原始特征数据训练特征构建模型，直至所述特征构建模型收敛，包括：利用所述第一原始特征数据和样本对象的第二原始特征数据训练特征构建模型，直至所述特征构建模型收敛。
8.可选的，所述利用所述第一原始特征数据和样本对象的第二原始特征数据训练特征构建模型，直至所述特征构建模型收敛，包括：合并所述第一原始特征数据和所述第二原始特征数据，得到待处理原始特征数据，所述待处理原始特征数据为原始特征矩阵，所述原始特征矩阵的元素为任一对象在任一特征维度的原始特征数据；
利用所述原始特征矩阵的目标矩阵列中，第一目标矩阵行的特征数据替换第二目标矩阵行的特征数据，得到待处理噪声特征数据；根据所述待处理噪声特征数据训练特征构建模型，直至所述特征构建模型收敛。
9.可选的，所述根据所述待处理噪声特征数据训练特征构建模型，直至所述特征构建模型收敛，包括：将所述待处理噪声特征数据输入待训练的特征构建模型中，得到所述待处理噪声特征数据的预测特征数据；根据所述待处理原始特征数据、所述待处理噪声特征数据的预测特征数据和损失函数，确定损失函数值；根据所述损失函数值和预设模型收敛条件，调整所述特征构建模型的模型参数，并重复上述过程直至所述特征构建模型收敛。
10.可选的，在合并所述第一原始特征数据和所述第二原始特征数据，得到待处理原始特征数据之后，所述方法还包括：对所述待处理原始特征数据进行预处理，得到预处理后的待处理原始特征数据。
11.可选的，所述获取所述特征构建模型的模型参数，得到所述待评估对象的目标特征数据，包括：提取所述特征构建模型的模型参数，所述模型参数为目标特征矩阵，所述目标特征矩阵的元素为任一对象在任一特征维度的目标特征数据；获取所述模型参数矩阵中，与所述待评估对象关联矩阵行的目标特征数据，得到所述待评估对象的目标特征数据。
12.可选的，所述根据所述目标特征数据和评估参数确定模型，确定所述待评估对象的评估参数，包括：获取所述模型参数矩阵中，与所述样本对象关联矩阵行的目标特征数据，得到所述样本对象的样本目标特征数据；利用所述样本目标特征数据训练所述评估参数确定模型，直至所述评估参数确定模型收敛；将所述待评估对象的目标特征数据输入所述评估参数确定模型中，得到所述待评估对象的评估参数。
13.根据本公开的第二方面，提供一种评估参数确定装置，包括：第一获取模块，被配置为获取待评估对象的第一原始特征数据；训练模块，被配置为利用所述第一原始特征数据训练特征构建模型，直至所述特征构建模型收敛；第二获取模块，被配置为获取所述特征构建模型的模型参数，得到所述待评估对象的目标特征数据，所述目标特征数据包括所述第一原始特征数据，以及所述第一原始特征数据之间的关系特征数据；确定模块，被配置为根据所述目标特征数据和评估参数确定模型，确定所述待评估对象的评估参数，所述评估参数用于表征所述待评估对象的可信度。
14.可选的，所述训练模块，被配置为：利用所述第一原始特征数据和样本对象的第二原始特征数据训练特征构建模型，
直至所述特征构建模型收敛。
15.可选的，所述训练模块，被配置为：合并所述第一原始特征数据和所述第二原始特征数据，得到待处理原始特征数据，所述待处理原始特征数据为原始特征矩阵，所述原始特征矩阵的元素为任一对象在任一特征维度的原始特征数据；利用所述原始特征矩阵的目标矩阵列中，第一目标矩阵行的特征数据替换第二目标矩阵行的特征数据，得到待处理噪声特征数据；根据所述待处理噪声特征数据训练特征构建模型，直至所述特征构建模型收敛。
16.可选的，所述训练模块，被配置为：将所述待处理噪声特征数据输入待训练的特征构建模型中，得到所述待处理噪声特征数据的预测特征数据；根据所述待处理原始特征数据、所述待处理噪声特征数据的预测特征数据和损失函数，确定损失函数值；根据所述损失函数值和预设模型收敛条件，调整所述特征构建模型的模型参数，并重复上述过程直至所述特征构建模型收敛。
17.可选的，所述装置还包括，预处理模块，被配置为：对所述待处理原始特征数据进行预处理，得到预处理后的待处理原始特征数据。
18.可选的，所述第二获取模块，被配置为：提取所述特征构建模型的模型参数，所述模型参数为目标特征矩阵，所述目标特征矩阵的元素为任一对象在任一特征维度的目标特征数据；获取所述模型参数矩阵中，与所述待评估对象关联矩阵行的目标特征数据，得到所述待评估对象的目标特征数据。
19.可选的，所述确定模块，被配置为：获取所述模型参数矩阵中，与所述样本对象关联矩阵行的目标特征数据，得到所述样本对象的样本目标特征数据；利用所述样本目标特征数据训练所述评估参数确定模型，直至所述评估参数确定模型收敛；将所述待评估对象的目标特征数据输入所述评估参数确定模型中，得到所述待评估对象的评估参数。
20.根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面的方法。
21.根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行第一方面的方法。
22.本公开的技术方案具有以下有益效果：本公开提供了一种评估参数确定方法、装置、介质与电子设备，一方面，通过特征构建模型挖掘第一原始特征数据中的特征信息，得到包含第一原始特征数据，以及第一原始特征数据之间的关系特征数据的目标特征数据，可以获取到更精准表征待评估对象特征
的特征数据；另一方面，通过包含更多特征信息的目标特征数据确定待评估对象的评估参数，可以提升确定的评估参数的精准度和可靠性。
23.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
24.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施方式，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1示出本示例性实施方式中一种评估参数确定系统的示意性架构图。
26.图2示出本示例性实施方式中一种评估参数确定方法的流程图。
27.图3示出本示例性实施方式中一种特征矩阵的示意图。
28.图4示出本示例性实施方式中另一种评估参数确定方法的示例性流程。
29.图5示出本示例性实施方式中一种评估参数确定装置的示意图。
30.图6示出本示例性实施方式中一种电子设备的结构示意图。
具体实施方式
31.现在将参考附图更全面地描述示例性实施方式。然而，示例性实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例性实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
32.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
33.附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
34.相关技术中，出现了确定目标对象的评估参数的方案，该方案通常是基于机器学习模型实现，即通过预先训练的评估参数确定模型对目标对象的信用进行评估。其中，在训练评估参数确定模型的过程中，对于获取到的样本目标对象的样本原始特征数据，通常通过人工进行加工，例如，对样本原始特征数据进行分析总结，以构建用于训练评估参数确定模型的样本目标特征数据。
35.但是，一方面，人工加工特征数据的过程，通常依赖于数据加工人员的数据敏感度和分析能力，以及会受到客观原因的影响，例如，对于匿名特征数据，由于匿名特征数据本身的特性，无法对匿名特征数据进行进一步分析以获取匿名特征数据携带的其他特征信息，或者，对于与业务相关的样本原始特征数据，由于数据加工人员无法知晓业务逻辑，也就无法确定引起样本原始特征数据的变化的业务场景，导致特征加工时会存在数据分析不到位的情况，使得到的样本目标特征数据不能精准的表征样本目标对象的特征；另一方面，样本原始特征数据本身会存在一定的缺陷，会导致获取的样本目标特征数据精度差，进一步造成训练得到的评估参数确定模型可信度下降；例如，对于同一样本目标对象，不同数据采集时刻得到的样本原始特征数据相同，但是对于样本目标对象的风险评估结果（标签）却不同，在评估参数确定模型训练过程中，相同样本特征数据的不同标签难以训练高可信度的评估参数确定模型。
36.鉴于上述问题，本公开的示例性实施方式提供一种评估参数确定方法，针对于可信度评估业务。该评估参数确定方法的应用场景包括但不限于：在商家的商品销售业务中，获取待评估对象（例如：卖家或者物流方）的第一原始特征数据；利用第一原始特征数据训练特征构建模型，直至特征构建模型收敛；获取特征构建模型的模型参数，得到待评估对象的目标特征数据；根据目标特征数据和评估参数确定模型，确定待评估对象的评估参数，以得到待评估对象的可信度，其中，目标特征数据包括第一原始特征数据，以及第一原始特征数据之间的关系特征数据。
37.为了实现上述评估参数确定方法，本公开的示例性实施方式提供一种评估参数确定系统。图1示出了该评估参数确定系统的一种示意性架构图。如图1所示，评估参数确定系统100可以包括服务器110与用户终端120。其中，服务器110可以是评估参数确定服务提供方（如商铺运营方）部署的后台服务器，用户终端120可以是评估参数确定服务需求方（如信贷机构或者银行）的终端设备，更具体地，终端设备可以是如智能手机、个人电脑或者平板电脑等。该服务器110与用户终端120可以通过网络建立连接，实现评估参数确定。
38.应当理解，服务器110可以是一台计算机，也可以是多台计算机形成的集群，本公开对于服务器110的具体架构不做限定。
39.下面从服务器的角度，对评估参数确定方法进行说明。图2示出了由服务器执行的评估参数确定方法的示例性流程，可以包括：步骤s201，获取待评估对象的第一原始特征数据；步骤s202，利用第一原始特征数据训练特征构建模型，直至特征构建模型收敛；步骤s203，获取特征构建模型的模型参数，得到待评估对象的目标特征数据；其中，目标特征数据包括第一原始特征数据，以及第一原始特征数据之间的关系特征数据。
40.步骤s204，根据目标特征数据和评估参数确定模型，确定待评估对象的评估参数。
41.其中，评估参数用于表征待评估对象的可信度。
42.综上所述，本公开实施例提供的评估参数确定方法，一方面，通过特征构建模型挖掘第一原始特征数据中的特征信息，得到包含第一原始特征数据，以及第一原始特征数据之间的关系特征数据的目标特征数据，可以获取到更精准表征待评估对象特征的特征数据；另一方面，通过包含更多特征信息的目标特征数据确定待评估对象的评估参数，可以提
升确定的评估参数的精准度和可靠性。
43.下面对图2中的每个步骤进行具体说明：在步骤s201中，服务器可以获取待评估对象的第一原始特征数据；在本公开实施例中，对象可以为个人或者商铺等需要进行评估参数确定的目标对象，待评估对象的第一原始特征数据可以包括待评估对象的属性特征数据，以及，与待评估对象的商业行为关联的行为特征数据。
44.需要说明的是，在本公开实施例中，待评估对象的属性特征数据和/或行为特征数据分别可以包括不同特征维度的数据。示例的，若待评估对象为商铺，商铺的属性特征数据可以包括商铺注册码、商铺标识（id，identity document）、位置信息、主营商品和品牌信息等，商铺的商业行为特征数据可以包括：销售额、净收入、缴税额和履约信息等；待评估对象的数量可以包括至少一个；其中，为了保护待评估对象的隐私，服务器获取到的部分特征维度的原始特征数据通常为匿名特征数据，例如，净收入或者商铺注册码。
45.在一种可选的实施方式中，服务器获取待评估对象的第一原始特征数据的过程可以包括：响应于用户终端发送的评估参数确定请求，解析评估参数确定请求中携带的待评估对象标识，并根据待评估对象标识在预设数据库中，获取与待评估对象标识对应的第一原始特征数据，得到待评估对象的第一原始特征数据。其中，预设数据库可以为服务器中的预设数据库，或者预设数据库可以为数据库服务器中的预设数据库；可以理解的是，预设数据库用于存储各对象的第一原始特征数据。
46.在步骤s202中，服务器可以利用第一原始特征数据训练特征构建模型，直至特征构建模型收敛；在本公开实施例中，特征构建模型用于挖掘第一原始特征数据自身的特征信息，以及第一原始特征数据之间的关系信息；其中，特征构建模型可以为基于自编码器（autoencoder）的机器学习模型。需要说明的是，特征构建模型的网络结构可以基于实际需要确定，本公开实施例对此不作限定，例如，特征构建模型可以为包括多个全连接层的神经网络，或者特征构建模型可以为包含注意力机制的神经网络。
47.在一种可选的实施方式中，由于服务器获取到的原始数据通常存在缺陷，属于特征构建网络难以识别的信息，在利用第一原始特征数据训练特征构建模型，直至特征构建模型收敛之前，还可以对第一原始特征数据进行预处理，得到预处理后的原始数据，以根据预处理后的原始数据训练特征构建模型。
48.需要说明的是，在本公开实施例中，不同维度第一原始特征数据的类型通常可以包括分类数据（例如，商铺注册码）和统计数据（例如，缴税额），其中，可以对分类数据进行独热编码，以实现第一原始特征数据中分类数据预处理；可以对统计数据进行标准化，以实现第一原始特征数据中统计数据的预处理。
49.在一种可选的实施方式中，服务器利用第一原始特征数据训练特征构建模型，直至特征构建模型收敛的过程可以包括：将第一原始特征数据输入待训练的特征构建模型中，得到第一原始特征数据的预测特征数据；根据第一原始特征数据、第一原始特征数据的预测特征数据和损失函数，确定损失函数值；根据损失函数值和预设模型收敛条件，调整特征构建模型的模型参数，并重复上述过程直至特征构建模型收敛。
50.需要说明的是，损失函数可以为机器学习领域用于对机器学习模型的收敛情况进
行评价的任一损失函数，本公开实施例对此不作限定。示例的，损失函数可以为均方差损失函数（mean square error，mse）；预设模型收敛条件可以为损失函数值小于或者等于预设阈值，该预设阈值可以基于实际需要确定，本公开实施例对此不作限定。
51.在一种可选的实施方式中，在待评估对象的数量较少的情况下，可以结合样本对象的第二原始特征数据训练特征构建模型；其中，服务器利用第一原始特征数据训练特征构建模型，直至特征构建模型收敛的过程可以包括：利用第一原始特征数据和样本对象的第二原始特征数据训练特征构建模型，直至特征构建模型收敛。可以结合样本对象的第二原始特征数据，以及待评估对象的第一原始特征数据训练特征构建网络，数量充足的第一原始特征数据以及样本特征数据，可以训练对特征表征能力更强的特征构建模型，提升特征构建模型构建的用于表征待评估对象真实情况的目标特征数据的精准度。
52.在一种可选的实施方式中，特征构建模型可以为基于去噪自编码器（denoising autoencoder, dae）的机器学习模型，则服务器利用第一原始特征数据和样本对象的第二原始特征数据训练特征构建模型，直至特征构建模型收敛的过程可以包括：合并第一原始特征数据和第二原始特征数据，得到待处理原始特征数据，待处理原始特征数据为原始特征矩阵，其中，原始特征矩阵的元素为任一对象在任一特征维度的原始特征数据；接着，利用原始特征矩阵的目标矩阵列中，第一目标矩阵行的特征数据替换第二目标矩阵行的特征数据，得到待处理噪声特征数据；最后，根据待处理噪声特征数据训练特征构建模型，直至特征构建模型收敛。一方面，可以通过对待处理原始特征数据中同一特征维度的特征数据进行交换，得到添加噪声的待处理特征数据，以训练具备更高泛化能力的特征构建模型，进一步提升特征构建模型构建的目标特征数据的精准度；另一方面，基于去噪自编码器（denoising autoencoder, dae）的机器学习模型，在模型构建过程中不会关注特征数据的类型，可以对匿名特征更精准的进行表征，更进一步提升特征构建模型构建的目标特征数据的精准度。
53.其中，原始特征矩阵的矩阵行表示：任一对象在多个特征维度的原始特征数据，原始特征矩阵的矩阵列表示：任一特征维度下每个对象的原始特征数据；任一对象可以为待评估对象或者样本对象，可以理解的是，原始特征矩阵中的元素，可以包括待评估对象在任一特征维度的第一原始特征数据，以及，样本对象在任一特征为维度的第二原始特征数据；第一目标矩阵行和第二目标矩阵行可以为原始特征矩阵中的任一矩阵行，第一目标矩阵行的数量可以包括至少一个，示例的，第一目标矩阵行可以为原始特征矩阵总行数的10%；目标矩阵列可以为原始特征矩阵中的任一矩阵列。
54.可以理解的是，在一种可选的实施方式中，在合并第一原始特征数据和第二原始特征数据，得到待处理原始特征数据之后，服务器还可以：对待处理原始特征数据预处理，得到预处理后的待处理原始特征数据。可以通过对待处理原始特征数据进行预处理，减少待处理特征数据的缺陷对特征构建模型的训练效率造成的影响，以提升特征构建模型的训练效率。
55.需要说明的是，在本公开实施例中，对待处理原始特征数据的预处理过程可以参考对第一原数特征数据的预处理过程，本公开对此不做赘述。
56.在一种可选的实施方式中，服务器根据待处理噪声特征数据训练特征构建模型，直至特征构建模型收敛的过程可以包括：将待处理噪声特征数据输入待训练的特征构建模
型中，得到待处理噪声特征数据的预测特征数据；根据待处理原始特征数据、待处理噪声特征数据的预测特征数据和损失函数，确定损失函数值；根据损失函数值和预设模型收敛条件，调整特征构建模型的模型参数，并重复上述过程直至特征构建模型收敛。可以利用包含噪声的第一原始特征数据对特征构建模型进行训练，以提升特征构建模型对特征的解构能力，提升训练得到的特征构建模型的泛化能力。
57.在一种可选的实施方式中，服务器根据待处理噪声特征数据训练特征构建模型，直至特征构建模型收敛的过程可以包括：利用待处理噪声特征数据对待训练的特征构建模型进行预设次数的迭代训练后，确定特征构建模型收敛。
58.在步骤s203中，服务器可以获取特征构建模型的模型参数，得到待评估对象的目标特征数据。
59.在本公开实施例中，收敛状态的特征构建模型的模型参数为目标特征数据，目标特征数据包括第一原始特征数据，以及第一原始特征数据之间的关系特征数据；可以理解的是，由于目标特征数据中包含第一原始特征数据之间的关系特征数据，即使第一原始特征数据中的特征维度较少，也可以结合不同特征维度之间的关系特征数据，更精准的表征待处理对象的特征。
60.在一种可选的实施方式中，可以基于待评估对象的第一原始特征数据训练特征构建模型，则服务器获取特征构建模型的模型参数，得到待评估对象的目标特征数据的过程可以包括：服务器提取特征构建模型的模型参数，将特征构建模型的模型参数确定为待评估对象的目标特征数据。
61.需要说明的是，在本公开实施例中，可以基于待评估对象的第一原始特征数据，以及样本对象的第二原始特征数据组成的待处理特征数据训练特征构建模型，在利用待处理原始特征数据训练特征构建模型后，提取到的目标特征矩阵和原始特征矩阵的行数不会发生变化，其中，原始特征矩阵中每一行数据为与任一对象关联的第一原始特征数据，目标特征矩阵中每一行数据为与任一对象关联的目标特征数据。可以理解的是，由于目标特征数据包含第一原始特征数据之间的关系特征数据，因此，目标特征矩阵中的特征维度会增加，相较于原始特征矩阵，目标特征矩阵中的列数会增加，该增加矩阵列为关系特征数据；可以理解的是，目标特征矩阵的矩阵行表示：任一对象在多个特征维度的目标特征数据，目标特征矩阵的矩阵列表示：任一特征维度下每个对象的目标特征数据。
62.示例的，如图3所示，原始特征矩阵301为5行6列的矩阵，第1矩阵行至第3矩阵行为与三个样本对象分别关联的6个特征维度的第二原始特征数据，第4矩阵行至第5矩阵行为与两个待评估对象分别关联的6个特征维度的第二原始特征数据。在将原始特征矩阵输入特征构建模型进行训练，至特征构建模型收敛后，得到的目标特征矩阵302为5行6列的矩阵，其中，其中，第1矩阵行至第3矩阵行为与三个样本对象分别关联的9个特征维度的目标特征数据，第4矩阵行至第5矩阵行为与两个待评估对象分别关联的9个特征维度的目标特征数据。其中，方框表示矩阵中的一个元素。
63.在一种可选的实施方式中，服务器获取特征构建模型的模型参数，得到待评估对象的目标特征数据的过程包括：提取特征构建模型的模型参数，模型参数为目标特征矩阵，其中，目标特征矩阵的元素为任一对象在任一特征维度的目标特征数据；进一步的，获取模型参数矩阵中，与待评估对象关联矩阵行的目标特征数据，得到待评估对象的目标特征数
据。可以在特征构建模型的模型参数中，快速分离出与待评估对象关联的目标特征数据，以通过待评估对象的目标特征数据，更高效的确定待评估对象的评估结果。
64.在步骤s204中，服务器可以根据目标特征数据和评估参数确定模型，确定待评估对象的评估参数。
65.在本公开实施例中，评估参数用于表征待评估对象的可信度，通常情况下，评估参数越高可信度越高。
66.在一种可选的实施方式中，服务器根据目标特征数据和评估参数确定模型，确定待评估对象的评估参数的过程可以包括：将待评估对象的目标特征数据输入预先训练的评估参数确定模型中，得到待评估对象的评估参数。可以根据预先训练的评估参数确定模型确定待评估对象的评估参数，可以提升确定待评估对象的评估参数的效率。
67.在一种可选的实施方式中，在利用待评估对象的第一原始特征数据和样本对象的第二原始特征数据训练特征构建模型的场景中，服务器根据目标特征数据和评估参数确定模型，确定待评估对象的评估参数的过程可以包括：获取特征构建模型的模型参数矩阵中，与样本对象关联矩阵行的目标特征数据，得到样本对象的样本目标特征数据；利用样本目标特征数据训练评估参数确定模型，直至评估参数确定模型收敛；将待评估对象的目标特征数据输入评估参数确定模型中，得到待评估对象的评估参数。由于样本目标特征数据是特征构建模型在解构包括待评估对象的第一原始特征数据的情况下确定的，可以训练得到对待评估对象的目标特征数据的特征解读能力更强的评估参数确定模型，以提升确定的待评估对象的评估参数的精准度和可靠性。
68.需要说明的是，在本公开实施例中，样本对象为已知评估参数的对象，将样本对象的评估参数作为标签，可以训练评估参数确定模型。其中，评估参数确定模型的模型结构可以基于实际需要确定，本公开实施例对此不作限定。
69.示例的，如图4所示，图4示出了由服务器执行的另一种评估参数确定方法的示例性流程，包括：步骤s401，获取待评估对象的第一原始特征数据和样本对象的第二原始特征数据；步骤s402，合并第一原始特征数据和第二原始特征数据，得到待处理原始特征数据；其中，待处理原始特征数据为原始特征矩阵；步骤s403，对待处理原始特征数据进行预处理，得到预处理后的待处理原始特征数据；步骤s404，利用原始特征矩阵的目标矩阵列中，第一目标矩阵行的特征数据替换第二目标矩阵行的特征数据，得到待处理噪声特征数据；步骤s405，根据待处理噪声特征数据训练特征构建模型，直至特征构建模型收敛；步骤s406，提取特征构建模型的模型参数，并获取模型参数矩阵中，与待评估对象关联矩阵行的目标特征数据，得到待评估对象的目标特征数据；步骤s407，获取模型参数矩阵中，与样本对象关联矩阵行的目标特征数据，得到样本对象的样本目标特征数据，并利用样本目标特征数据训练评估参数确定模型，直至评估参数确定模型收敛；
步骤s408，将待评估对象的目标特征数据输入评估参数确定模型中，得到待评估对象的评估参数。
70.图5示出了本公开实施例提供的一种评估参数确定装置的示意图，如图5所示，评估参数确定装置500，包括：第一获取模块501，被配置为获取待评估对象的第一原始特征数据；训练模块502，被配置为利用第一原始特征数据训练特征构建模型，直至特征构建模型收敛；第二获取模块503，被配置为获取特征构建模型的模型参数，得到待评估对象的目标特征数据，目标特征数据包括第一原始特征数据，以及第一原始特征数据之间的关系特征数据；确定模块504，被配置为根据目标特征数据和评估参数确定模型，确定待评估对象的评估参数，评估参数用于表征待评估对象的可信度。
71.可选的，训练模块502，被配置为：利用第一原始特征数据和样本对象的第二原始特征数据训练特征构建模型，直至特征构建模型收敛。
72.可选的，训练模块502，被配置为：合并第一原始特征数据和第二原始特征数据，得到待处理原始特征数据，待处理原始特征数据为原始特征矩阵，原始特征矩阵的元素为任一对象在任一特征维度的原始特征数据；利用原始特征矩阵的目标矩阵列中，第一目标矩阵行的特征数据替换第二目标矩阵行的特征数据，得到待处理噪声特征数据；根据待处理噪声特征数据训练特征构建模型，直至特征构建模型收敛。
73.可选的，训练模块502，被配置为：将待处理噪声特征数据输入待训练的特征构建模型中，得到待处理噪声特征数据的预测特征数据；根据待处理原始特征数据、待处理噪声特征数据的预测特征数据和损失函数，确定损失函数值；根据损失函数值和预设模型收敛条件，调整特征构建模型的模型参数，并重复上述过程直至特征构建模型收敛。
74.可选的，装置还包括，预处理模块505，被配置为：对待处理原始特征数据进行预处理，得到预处理后的待处理原始特征数据。
75.可选的，第二获取模块503，被配置为：提取特征构建模型的模型参数，模型参数为目标特征矩阵，目标特征矩阵的元素为任一对象在任一特征维度的目标特征数据；获取模型参数矩阵中，与待评估对象关联矩阵行的目标特征数据，得到待评估对象的目标特征数据。
76.可选的，确定模块504，被配置为：获取模型参数矩阵中，与样本对象关联矩阵行的目标特征数据，得到样本对象的样本目标特征数据；
利用样本目标特征数据训练评估参数确定模型，直至评估参数确定模型收敛；将待评估对象的目标特征数据输入评估参数确定模型中，得到待评估对象的评估参数。
77.本公开的示例性实施方式还提供了一种计算机可读存储介质，可以实现为一种程序产品的形式，其包括程序代码，当程序产品在电子设备上运行时，程序代码用于使电子设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。在一种实施方式中，该程序产品可以实现为便携式紧凑盘只读存储器（cd-rom）并包括程序代码，并可以在电子设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，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。
78.程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（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。
79.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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
80.可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
81.可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（lan）或广域网（wan），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
82.本公开的示例性实施方式还提供了一种电子设备，可以是服务器。下面参考图6对该电子设备进行说明。应当理解，图6显示的电子设备600仅仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。
83.如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件（包括存储单元620和处理单元610）的总线630。
84.其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步
骤。例如，处理单元610可以执行如图2或者图4所示的方法步骤等。
85.存储单元620可以包括易失性存储单元，例如随机存取存储单元（ram）621和/或高速缓存存储单元622，还可以进一步包括只读存储单元（rom）623。
86.存储单元620还可以包括具有一组（至少一个）程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
87.总线630可以包括数据总线、地址总线和控制总线。
88.电子设备600也可以与一个或多个外部设备700（例如键盘、指向设备、蓝牙设备等）通信，这种通信可以通过输入/输出（i/o）接口640进行。电子设备600还可以通过网络适配器650与一个或者多个网络（例如局域网（lan），广域网（wan）和/或公共网络，例如因特网）通信。如图所示，网络适配器650通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
89.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
90.所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式（包括固件、微代码等），或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施方式。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
91.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限定。

技术特征：
1.一种评估参数确定方法，其特征在于，包括：获取待评估对象的第一原始特征数据；利用所述第一原始特征数据训练特征构建模型，直至所述特征构建模型收敛；获取所述特征构建模型的模型参数，得到所述待评估对象的目标特征数据，所述目标特征数据包括所述第一原始特征数据，以及所述第一原始特征数据之间的关系特征数据；根据所述目标特征数据和评估参数确定模型，确定所述待评估对象的评估参数，所述评估参数用于表征所述待评估对象的可信度。2.根据权利要求1所述的方法，其特征在于，所述利用所述第一原始特征数据训练特征构建模型，直至所述特征构建模型收敛，包括：利用所述第一原始特征数据和样本对象的第二原始特征数据训练特征构建模型，直至所述特征构建模型收敛。3.根据权利要求2所述的方法，其特征在于，所述利用所述第一原始特征数据和样本对象的第二原始特征数据训练特征构建模型，直至所述特征构建模型收敛，包括：合并所述第一原始特征数据和所述第二原始特征数据，得到待处理原始特征数据，所述待处理原始特征数据为原始特征矩阵，所述原始特征矩阵的元素为任一对象在任一特征维度的原始特征数据；利用所述原始特征矩阵的目标矩阵列中，第一目标矩阵行的特征数据替换第二目标矩阵行的特征数据，得到待处理噪声特征数据；根据所述待处理噪声特征数据训练特征构建模型，直至所述特征构建模型收敛。4.根据权利要求3所述的方法，其特征在于，所述根据所述待处理噪声特征数据训练特征构建模型，直至所述特征构建模型收敛，包括：将所述待处理噪声特征数据输入待训练的特征构建模型中，得到所述待处理噪声特征数据的预测特征数据；根据所述待处理原始特征数据、所述待处理噪声特征数据的预测特征数据和损失函数，确定损失函数值；根据所述损失函数值和预设模型收敛条件，调整所述特征构建模型的模型参数，并重复上述过程直至所述特征构建模型收敛。5.根据权利要求3所述的方法，其特征在于，在合并所述第一原始特征数据和所述第二原始特征数据，得到待处理原始特征数据之后，所述方法还包括：对所述待处理原始特征数据进行预处理，得到预处理后的待处理原始特征数据。6.根据权利要求2所述的方法，其特征在于，所述获取所述特征构建模型的模型参数，得到所述待评估对象的目标特征数据，包括：提取所述特征构建模型的模型参数，所述模型参数为目标特征矩阵，所述目标特征矩阵的元素为任一对象在任一特征维度的目标特征数据；获取所述模型参数矩阵中，与所述待评估对象关联矩阵行的目标特征数据，得到所述待评估对象的目标特征数据。7.根据权利要求6所述的方法，其特征在于，所述根据所述目标特征数据和评估参数确定模型，确定所述待评估对象的评估参数，包括：获取所述模型参数矩阵中，与所述样本对象关联矩阵行的目标特征数据，得到所述样
本对象的样本目标特征数据；利用所述样本目标特征数据训练所述评估参数确定模型，直至所述评估参数确定模型收敛；将所述待评估对象的目标特征数据输入所述评估参数确定模型中，得到所述待评估对象的评估参数。8.一种评估参数确定装置，其特征在于，包括：第一获取模块，被配置为获取待评估对象的第一原始特征数据；训练模块，被配置为利用所述第一原始特征数据训练特征构建模型，直至所述特征构建模型收敛；第二获取模块，被配置为获取所述特征构建模型的模型参数，得到所述待评估对象的目标特征数据，所述目标特征数据包括所述第一原始特征数据，以及所述第一原始特征数据之间的关系特征数据；确定模块，被配置为根据所述目标特征数据和评估参数确定模型，确定所述待评估对象的评估参数，所述评估参数用于表征所述待评估对象的可信度。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。10. 一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7任一项所述的方法。

技术总结
本公开提供了一种评估参数确定方法、装置、介质与电子设备，涉及计算机技术领域。评估参数确定方法包括：获取待评估对象的第一原始特征数据；利用第一原始特征数据训练特征构建模型，直至特征构建模型收敛；获取特征构建模型的模型参数，得到待评估对象的目标特征数据；根据目标特征数据和评估参数确定模型，确定待评估对象的评估参数，评估参数用于表征待评估对象的可信度。本公开提供了一种自动构建特征数据的评估参数确定方案，提高了确定的评估参数的精准度和可靠性。估参数的精准度和可靠性。估参数的精准度和可靠性。


技术研发人员：齐霖 庄晓天 吴盛楠
受保护的技术使用者：北京京东乾石科技有限公司
技术研发日：2023.06.07
技术公布日：2023/7/12