2020109227529多分类模型自学习在线更新方法,系统及装置.pdf

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN112036579B
(45)授权公告日2024.05.03
(21)申请号202010922752.9G06F18/24(2023.01)
(22)申请日2020.09.04(56)对比文件
(65)同一申请的已公布的文献号CN110288093A,2019.09.27
申请公布号CN112036579ACN111428882A,2020.07.17
US2019012575A1,2019.01.10
(43)申请公布日2020.12.04WO2019041773A1,2019.03.07
(73)专利权人
平安科技（深圳）有限公司审查员李纯菊
地址518033广东省深圳市福田区福田街

道福安社区益田路5033号平安金融中
心23楼
(72)发明人李弦阮晓雯徐亮
(74)专利代理机构北京鸿元知识产权代理有限
公司11327
专利代理师袁文婷张娓娓
(51)Int.Cl.
G06N20/00(2019.01)权利要求书3页说明书9页附图2页
(54)发明名称
多分类模型自学习在线更新方法、系统及装
置
(57)摘要
本发明涉及人工智能，提供一种多分类模型
自学习在线更新方法，包括：根据预设统计周期
对待更新模型的预测性能进行监测统计，并将各
统计周期内的预测性能统计结果存入统计数据
库；使用预设的触发机制对所述统计数据库内的
数据进行检查，以判断所述待更新模型是否需要
进行在线更新；若所述待更新模型需要进行在线
更新，则获取线上新产生数据，并根据所述新产
生数据对待更新模型的训练数据进行更新；使用
更新后训练数据对所述待更新模型进行更新训
练，以获得更新后的多分类模型。本发明还涉及
区块链技术，统计数据库存储于区块链中。本发
明提供技术方案既能够解决现有的多分类模型
随时时间的推移，预测精度显著降低，且不能实
现自动更新的问题。
CN112036579B
CN112036579B权利要求书1/3页

1.一种多分类模型自学习在线更新方法，应用于电子装置，其特征在于，所述方法包
括：
根据预设统计周期对待更新模型的预测性能进行监测统计，并将各统计周期内的预测
性能统计结果存入统计数据库；
使用预设的触发机制对所述统计数据库内的数据进行检查，以判断所述待更新模型是
否需要进行在线更新；
若所述待更新模型需要进行在线更新，则获取线上新产生数据，并根据所述新产生数
据对待更新模型的训练数据进行更新；
使用更新后训练数据对所述待更新模型进行更新训练，以获得更新后的多分类模型；
其中，
所述预测性能包括预测精度precision值，所述预测精度precision值的计算公式为：
预测精度Precision值＝正确分类的样本数/整体的样本数；并且，
所述触发机制包括：
机制A：若包含当前统计周期在内的历史N个统计周期的预测精度precision值持续下
降，则判定所述待更新模型需要进行在线更新，其中，N为第一预设参数。
2.根据权利要求1所述的多分类模型自学习在线更新方法，其特征在于，所述统计数据
库存储在区块链的节点中。
3.根据权利要求2所述的多分类模型自学习在线更新方法，其特征在于，所述触发机制
还包括：
机制B：若当前统计周期的预测精度Precision值小于预测精度平均值‑2*预测精度标
准差，或当前统计周期的预测精度Precision值小于预测精度平均值‑下降百分比P；则判定
所述待更新模型需要进行在线更新；其中，
所述预测精度平均值为历史N个统计周期的预测精度Precision值的平均值，所述预测
精度标准差为历史N个统计周期的预测精度Precision值的标准差，所述下降百分比P为第
二预测参数。
4.根据权利要求3所述的多分类模型自学习在线更新方法，其特征在于，所述触发机制
还包括：
机制C：判定所述待更新模型的上线时长是否达到预设的更新周期阈值，若达到，则判
定所述待更新模型需要进行在线更新；其中，
所述更新周期阈值为所述统计周期的M倍；其中，M为自然数，且≥2。
5.根据权利要求4所述的多分类模型自学习在线更新方法，其特征在于，若所述触发机
制为所述机制A或所述机制B，则所述根据新产生数据对待更新模型的训练数据进行更新包
括：
增量式更新：
检验所述新产生数据与所述待更新模型的历史训练数据的分布是否一致；
若一致，则将所述新产生数据与所述历史训练数据进行合并，生成训练更新数据；其
中，
若所述新产生数据与所述历史训练数据的各类样本的占比差均小于预设占比阈值，则
判定所述新产生数据与所述历史训练数据的分布一致。

2
CN112036579B权利要求书2/3页
6.根据权利要求5所述的多分类模型自学习在线更新方法，其特征在于，
若所述新产生数据与所