[发明专利]基于深度学习的电商异常金融商品识别方法

摘要

本发明提供了基于深度学习的电商异常金融商品识别方法，旨在解决传统的识别方法对经常篡改变动的文本很难进行准确分词，导致识别准确率较差的问题，该方法依次包括以下步骤A、收集异常商品关键词；B、通过异常商品关键词在电商平台进行检索；C、粗筛；D、人工标注；E、对正常商品和异常商品比例均衡调整；F、利用深度学习框架搭建模型；G、训练模型；H、验证模型。本发明不需要分词，直接输入整个文本，进行端到端的模型训练识别，可以节省人力，并且快速产出模型，提高生产效率。

主权项

基于深度学习的电商异常金融商品识别方法，其特征是，依次包括以下步骤：A、关键词整理：人工整理异常商品的关键词，形成异常商品的关键词词库；B、原始数据采集：通过异常商品的关键词在电商平台进行搜索，通过随机采样的方式从电商平台爬取不同品类的商品数据，从而搜集到用于方法研究的原始数据；C、数据清洗和标注：对原始数据进行清洗和人工标注；人工识别为异常商品标注为负样本，正常商品标注为正样本；D、模型训练样本数据集构造：采用亚采样法均衡正负样本比例，形成样本数据集；E、样本数据特征抽取：利用商品分类模型分别对商品名以及商品图片进行特征抽取；F、分类模型训练：将样本数据集划分为训练集与测试集，基于训练集样本的文本特征和图片特征，利用深度学习框架训练商品分类模型，根据模型训练的结果，更新异常关键词词库，不断优化分类模型，直到模型训练稳定；G、模型测试：用训练后的模型对测试集样本进行分类测试，输出测试集样本属于正常商品和异常商品的概率，将测试集样本分类至概率较大的一类；同时依据测试集样本的标注判断测试集样本分类是否准确；如果测试集样本分类错误，则更新关键词词库，并再次训练模型，直到模型测试准确，得到最优模型。H、模型预测：利用得到的最优模型预测模型输出商品是负样本的概率，当此概率大于经验阈值时，商品标记为负样本，否则为正样本；对标记为负样本的商品进行人工校验并入库。