-
公开(公告)号：CN112308453B
公开(公告)日：2023-04-28
申请号：CN202011301542.4
申请日：2020-11-19
Applicant: 度小满科技(北京)有限公司
IPC: G06Q10/0635 , G06F40/279 , G06F40/242 , G06F18/214
Abstract: 本发明公开了一种风险识别模型训练方法、用户风险识别方法及相关装置，该训练方法包括：对初始样本中的搜索日志进行去重处理，利用关键词典对各个单词进行排序，关键词字典是依据单词的重要程度设定的；将排序结果按照预设长度截取为至少一个输入文本；将至少一个输入文本作为训练样本，对风险识别模型进行训练，得到目标风险识别模型。上述方法，训练样本是对搜索日志经过去重，将得到各个单词依据关键词字典进行排序，并截取为预设长度得到的，相较于接拼接方式缩短了训练样本的长度，提高了训练效率，即便进行了截取，由于训练样本是基于关键词字典进行排序的，也会保留了重要程度较高的分词，同时也保证了训练的准确率。
-
公开(公告)号：CN115937924A
公开(公告)日：2023-04-07
申请号：CN202211246767.3
申请日：2022-10-12
Applicant: 度小满科技(北京)有限公司
Abstract: 本申请提供了一种人脸识别方法、装置及电子设备，包括：获取第一人脸图像和第二人脸图像；对第一人脸图像和第二人脸图像分别进行人脸关键点检测，分别得到至少一个第一人脸关键点坐标和至少一个第二人脸关键点坐标；根据至少一个第一人脸关键点坐标生成第一人脸轮廓图像，根据至少一个第二人脸关键点坐标生成第二人脸轮廓图像；根据第一人脸图像、第二人脸图像、第一人脸轮廓图像、第二人脸轮廓图像，判断第一人脸图像中的人脸和第二人脸图像中的人脸是否为同一人脸。以提高对整体上较相似、五官等形状细节有差异的人脸图像的识别能力，提高人脸识别的精度。
-
公开(公告)号：CN115619535A
公开(公告)日：2023-01-17
申请号：CN202211117731.5
申请日：2022-09-14
Applicant: 度小满科技(北京)有限公司
IPC: G06Q40/03 , G06F18/214 , G06F18/24
Abstract: 本发明的目的是提供一种模型训练方法和装置。所述方法包括：需要训练模型时，为源域的样本设定初始权重；使用期望最大算法，并通过迭代的方式不断更新源域好样本和坏样本的权重，以完成训练模型。本申请实施例具有以下优点：通过在在信贷领域的迁移学习问题中使用期望最大值算法来优化源域的权重，使得加权后的源域条件分布与目标域条件分布相似，从而充分将源域中的预测模型迁移到目标域中，不依赖于任何定性输入，也不需要借助于撞库分析，避免了传统迁移学习方案中定性输入数据和撞库分析带来的不确定性，提升了模型的准确性和训练效率。
-
公开(公告)号：CN115577261A
公开(公告)日：2023-01-06
申请号：CN202211190886.1
申请日：2022-09-28
Applicant: 度小满科技(北京)有限公司
IPC: G06F18/214 , G06F18/25 , G06N3/048
Abstract: 本发明公开了一种特征引入方法、系统、电子设备及存储介质。其中，特征引入方法包括：确定预训练模型的下游任务，其中，下游任务为预训练模型所要完成的实际任务；获取下游任务匹配的第一特征，其中，第一特征用于对预训练模型进行调整，以使预训练模型能够完成下游任务；在预训练模型的编码层之间设置特征融合层，其中，预训练模型包括多个编码层；利用特征融合层将第一特征和第二特征融合得到目标特征，其中，第二特征为特征融合层相邻的前一个编码层输出的特征。本发明解决了根据下游任务对预训练模型进行微调时，由于特征输入变化，模型需要做出巨大的调整来适应特征输入的变化，进而导致模型的性能不符合预期的问题的技术问题。
-
公开(公告)号：CN115131368A
公开(公告)日：2022-09-30
申请号：CN202210669332.3
申请日：2022-06-14
Applicant: 度小满科技(北京)有限公司
Abstract: 本发明公开了一种图像处理方法及装置。其中，该方法包括：获取第一图像和第二图像，其中，第一图像为目标对象的非活体图像，第二图像为实时采集到的当前对象的活体图像；对第一图像进行分割处理，得到第一区域，其中，第一区域为目标对象所处的区域；基于第一区域对应的目标外接矩形对第一区域进行旋转处理，得到目标旋转角度；基于第一区域、第一图像、目标旋转角度对第二图像进行验证，得到验证结果，其中，验证结果用于确定第二图像中的当前对象是否为第一图像中的目标对象。本发明解决了相关技术中由于非人像图像区域大造成的人脸识别准确率低的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN115034878A
公开(公告)日：2022-09-09
申请号：CN202210600998.3
申请日：2022-05-30
Applicant: 度小满科技(北京)有限公司
IPC: G06Q40/02
Abstract: 本申请公开了一种信贷风险管理方法、装置、终端及存储介质，方法包括：接收目标借款人对应的目标信贷业务数据；将目标信贷业务数据输入预设的风险竞争模型，得到目标信贷业务对应的违约时间的概率分布和提前还款时间的概率分布；基于违约时间的概率分布、提前还款时间的概率分布和预设的期望利润函数，确定目标信贷业务对应的多个期望利润值；基于多个期望利润值和预设的期望利润函数，确定目标信贷业务对应的目标利率、目标额度和目标期数，以基于目标利率、目标额度和目标期数对目标信贷业务进行风险管理。本发明通过发生违约与提前还款的生存时间分布来计算目标利率、目标额度和目标期数，提高了信贷风险管理的效果。
-
公开(公告)号：CN114926674A
公开(公告)日：2022-08-19
申请号：CN202210345355.9
申请日：2022-03-31
Applicant: 度小满科技(北京)有限公司
IPC: G06V10/764 , G06V10/80 , G06V10/774 , G06V10/776 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种图像质量的确定方法、装置、终端及存储介质，方法包括：接收原始图像；对原始图像进行预处理，得到多个子图像；利用第一场景图像数据集和第二场景图像数据集对初始孪生网络模型进行训练，确定目标孪生网络模型；基于多个子图像和目标孪生网络模型，确定原始图像的图像质量。本发明的目标孪生网络模型包括两个网络模型，两个网络模型通过互相监督学习，增强了两个网络对不同场景下图像数据的泛化能力，此外，目标孪生网络模型可支持不同尺寸的图像的质量检测。当原始图像为任意场景图像时，目标孪生网络模型均能有效输出其图像质量类型，且不会因图像尺寸问题影响图像质量的确定，提高了图像质量确定的准确性。
-
公开(公告)号：CN114742126A
公开(公告)日：2022-07-12
申请号：CN202210216222.1
申请日：2022-03-07
Applicant: 度小满科技(北京)有限公司
Abstract: 本发明公开了一种样本扩充方法，该方法直接从历史产品的记录数据中挑选属性相似且满足表现期时长的历史产品记录，将其作为新产品的扩充样本添加至样本集中进行建模分析，属性相似性的评判可以有效保障模型分析效果；且样本扩充的过程无需等待新产品的运行表现，具有高时效性；另外，该方法可以直接依据属性以及表现期长度自动进行指标判断，稳定性强且简单高效。本发明还公开了一种样本扩充装置、设备及可读存储介质，具有相应的技术效果。
-
公开(公告)号：CN113918878A
公开(公告)日：2022-01-11
申请号：CN202111010553.1
申请日：2021-08-31
Applicant: 度小满科技(北京)有限公司
Abstract: 本发明的目的是提供一种用于对模型输出分进行校准的方法和装置。所述方法包括以下步骤：使用评分模型对样本集进行评分，得到各个样本对应的模型输出分和逾期标签；根据所述各个样本对应的模型输出分和逾期标签，得到用于拟合变换函数的多个数据点；基于所述多个数据点进行拟合，得到相应的变换函数；基于所述变换函数，对模型输出分进行校准。本申请实施例具有以下优点：通过使用非线性的自定义函数作为变换函数，提升了校准函数的拟合能力；通过将模型输出分数的优势比的对数值作为变换函数的入参，相较于现有的普拉特缩放校准方案，提升了校准效果。
-
公开(公告)号：CN113902539A
公开(公告)日：2022-01-07
申请号：CN202111011659.3
申请日：2021-08-31
Applicant: 度小满科技(北京)有限公司
Abstract: 本申请提供了一种建立逾期风险识别模型的方法，其中，所述方法包括：获得周期性行为对应的训练数据；对所述训练数据执行数据预处理操作，利用数据预处理后的数据建立特征工程，获得所述训练数据对应的数据特征信息；根据所述数据特征信息，并使用与所述周期性行为对应的损失函数，训练得到逾期风险识别模型，其中，所述损失函数中的参数包括标签以及期数，所述期数由用户的逾期行为来确定。根据本申请的方案，能够通过让模型学习用户是否逾期以及用户逾期的期数，精细刻画用户风险，从而识别出逾期速度更快的用户。
-
-
-
-
-
-
-
-
-
Search Results
183
records
(took 0.049 seconds)
