买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京云链跳动科技有限公司申请的专利一种电商风险识别模型的部署方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120163450B 。

龙图腾网通过国家知识产权局官网在2025-12-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510373223.0，技术领域涉及：G06Q10/0635；该发明授权一种电商风险识别模型的部署方法及系统是由李堃;王磊;曹悦设计研发完成，并于2025-03-27向国家知识产权局提交的专利申请。

本一种电商风险识别模型的部署方法及系统在说明书摘要公布了：本发明公开了一种电商风险识别模型的部署方法及系统，属于电商数据处理技术领域，通过获取工作人员输入的电商风险识别要求，可以实现自定义的风险识别任务，并根据电商风险识别要求，采用改进深度学习算法对所述目标电商风险识别模型进行参数寻优以及部署，能够有效地提升电商风险识别模型的部署效果以及部署效率，使目标电商风险识别模型能够准确地识别出用户自定义的电商风险。

本发明授权一种电商风险识别模型的部署方法及系统在权利要求书中公布了：1.一种电商风险识别模型的部署方法，其特征在于，包括： 获取工作人员输入的电商风险识别要求；其中，所述电商风险识别要求至少包括电商风险识别样本数据以及电商风险识别样本数据对应的电商风险标签； 获取工作人员输入的电商风险识别模型所对应的选择指令，并以所述选择指令为基础，在深度学习模型库中选择目标电商风险识别模型； 以电商风险识别样本数据以及电商风险识别样本数据对应的电商风险标签为基础，采用改进深度学习算法对所述目标电商风险识别模型进行参数寻优，获取目标电商风险识别模型对应的目标参数； 以所述目标电商风险识别模型对应的目标参数，对所述目标电商风险识别模型进行部署，完成部署流程； 以电商风险识别样本数据以及电商风险识别样本数据对应的电商风险标签为基础，采用改进深度学习算法对所述目标电商风险识别模型进行参数寻优，获取目标电商风险识别模型对应的目标参数，包括： 采用混沌映射初始化方法对目标电商风险识别模型的参数进行初始化，获取多个不同的参数个体； 以电商风险识别样本数据以及电商风险识别样本数据对应的电商风险标签为基础，获取每个参数个体对应的适应度； 根据所有参数个体对应的适应度，确定最优参数个体； 以最优参数个体为基础，采用第一可变曲线搜索策略对参数个体进行多项信息融合搜索，得到多项信息融合搜索之后的参数个体； 针对多项信息融合搜索之后的参数个体，采用第二可变曲线搜索策略对参数个体进行邻域信息搜索，得到邻域信息搜索之后的参数个体； 针对邻域信息搜索之后的参数个体，采用佳点吸引搜索策略对参数个体进行引导搜索，得到引导搜索之后的参数个体； 针对引导搜索之后的参数个体，采用柯西全局变异搜索策略对参数个体进行全局搜索，得到全局搜索之后的参数个体； 判断是否满足寻优结束条件，若是，则根据全局搜索之后的参数个体重新确定最优参数个体，并将重新确定的最优参数个体作为目标电商风险识别模型对应的目标参数，否则返回获取适应度的步骤； 采用混沌映射初始化方法对目标电商风险识别模型的参数进行初始化，获取多个不同的参数个体，包括： 采用随机初始化方法生成一个随机的位置选择个体；其中，随机的位置选择个体的参数总维度与目标电商风险识别模型的参数总维度相同； 以随机的位置选择个体为基础，获取其他位置选择个体为： 其中，yi表示第i个位置选择个体，且当i＝1时，yi设置为随机的位置选择个体；yi+1表示第i+1个位置选择个体，mod表示求余函数，π表示圆周率，sin表示正弦函数； 把位置选择个体映射至解空间，确定参数个体为： xi,d＝yi+1,d*ubd‑lbd+lbd其中，yi+1,d表示第i+1个位置选择个体的第d维参数，xi,d表示第i个参数个体的第d维参数，d＝1,2,…,D，D表示目标电商风险识别模型的参数总维度，lbd表示第d维参数的下限，ubd表示第d维参数的上限； 以电商风险识别样本数据以及电商风险识别样本数据对应的电商风险标签为基础，获取每个参数个体对应的适应度，包括： 针对任意一个参数个体，将参数个体包含的超参数应用至电商风险识别模型中之后，以电商风险识别样本数据作为输入，获取电商风险识别模型的实际输出； 以电商风险识别样本数据对应的电商风险标签作为电商风险识别模型的期望输出，并根据电商风险识别模型的实际输出以及期望输出，获取交叉熵损失函数值； 将交叉熵损失函数值与预设常数相加，得到非零适应度计算参数，并将非零适应度计算参数去倒数，得到参数个体对应的适应度； 遍历所有参数个体，得到每个参数个体对应的适应度； 以最优参数个体为基础，采用第一可变曲线搜索策略对参数个体进行多项信息融合搜索，得到多项信息融合搜索之后的参数个体，包括： λ＝ehcosπ1‑tT其中，表示第t次寻优过程中第k个参数个体，k＝1,2,…,N，N表示参数个体总数，表示多项信息融合搜索之后的参数个体表示最优参数个体，e表示自然常数，cos表示余弦函数，λ表示可变曲线控制参数，r1表示[‑1,1]之间均匀分布的第一随机数，h表示常数项，且设置为5，T表示预设的最大寻优次数，π表示圆周率，r2表示[‑2,2]之间均匀分布的第二随机数，R表示小于2N3的随机正整数，表示第t次寻优过程中第j个参数个体； 针对多项信息融合搜索之后的参数个体，采用第二可变曲线搜索策略对参数个体进行邻域信息搜索，得到邻域信息搜索之后的参数个体，包括： 其中，表示第t次寻优过程中第m个多项信息融合搜索之后的参数个体，m＝1,2,…,N，N表示参数个体总数，表示邻域信息搜索之后的参数个体ω表示惯性权重，sin表示正弦函数，r3表示0,1之间的第三随机数，r4表示0,1之间的第四随机数，表示除参数个体之外的随机参数个体，c1表示0,1之间的第一加权因子，c2表示0,1之间的第二加权因子，α1表示第一惯性权重调整因子，α2表示第二惯性权重调整因子，ωmax表示惯性权重的预设最大值，ωmin表示惯性权重的预设最小值，cos表示余弦函数，T表示预设的最大寻优次数，π表示圆周率； 针对邻域信息搜索之后的参数个体，采用佳点吸引搜索策略对参数个体进行引导搜索，得到引导搜索之后的参数个体，包括： 其中，表示第t次寻优过程中第n个邻域信息搜索之后的参数个体，n＝1,2,…,N，N表示参数个体总数，表示引导搜索之后的参数个体，表示最优参数个体，r5表示0,1之间的第五随机数，r6表示[‑1,1]之间均匀分布的第六随机数，表示除参数个体之外的随机参数个体； 针对引导搜索之后的参数个体，采用柯西全局变异搜索策略对参数个体进行全局搜索，得到全局搜索之后的参数个体，包括： 以当前寻优次数为基础，获取自适应变异因子为： 其中，p小时自适应变异因子，sin表示正弦函数，π表示圆周率，T表示预设的最大寻优次数，t表示当前寻优次数； 以所述自适应变异因子为基础，对参数个体进行全局搜索，得到全局搜索之后的参数个体为： 其中，表示第t次寻优过程中第q个引导搜索之后的参数个体，q＝1,2,…,N，N表示参数个体总数，表示全局搜索之后的参数个体cauchy0,1表示通过标准cauchy分布生成的随机数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京云链跳动科技有限公司，其通讯地址为：100000 北京市大兴区北京经济技术开发区荣华南路1号院2号楼18层1804；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。