CN110705622A - 一种决策方法、系统以及电子设备 - Google Patents
一种决策方法、系统以及电子设备 Download PDFInfo
- Publication number
- CN110705622A CN110705622A CN201910914896.7A CN201910914896A CN110705622A CN 110705622 A CN110705622 A CN 110705622A CN 201910914896 A CN201910914896 A CN 201910914896A CN 110705622 A CN110705622 A CN 110705622A
- Authority
- CN
- China
- Prior art keywords
- decision
- node
- leaf
- value
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Technology Law (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Machine Translation (AREA)
Abstract
本说明书的一个或多个实施例公开了一种决策方法,包括:确定决策目标;根据所述决策目标建立决策所述决策目标成立的决策逻辑规则模型;获取决策所述决策目标成立的样本信息;利用所述样本信息训练所述决策逻辑规则模型,得到训练后的决策逻辑规则模型;通过所述训练后的决策逻辑规则模型对需要决策的信息进行处理,得到所述需要决策的信息的决策结果。
Description
技术领域
本说明书实施例涉及计算机领域,尤其涉及一种决策方法、系统以及电子设备。
背景技术
现实生活中有很多事情需要进行处理,而对这些事情进行处理的过程需要依赖一定逻辑规则,通过这些逻辑规则对这些事情进行处理的结果根据有说服力。所以在一些含有内部逻辑的决策场景中,输出决策的逻辑规则是重要的甚至必要的,例如法院对案件的审理定性,内容审核平台对用户提交的内容的审核发布。而随着科学技术的发展,人工直接处理这些事情的情况越来越少,而是越来越多的依靠模型对这些事情进行处理。
在这些事情对应的场景中,模型的智能化与可解释性一般难以兼得。一方面,使用复杂的机器学习模型或深度学习模型对含有内部逻辑的处理场景进行处理,可以得到较为准确的结果,但失去了解释性,机器学习模型或者深度学习模型就像一个黑盒模型,无法得知这些模型的内部结构以及计算逻辑,使得人们无法对其得出的结果进行解释。另一方面,现有技术中的一些具有可解释性的模型都比较简单(例如评分卡模型),所以这些简单的模型的性能比较差,也使其性能受到限制。并且现有技术中对复杂度较高的模型的解释更多地是将模型使用的特征变量的重要度(贡献度)按照某种指标进行排序罗列,这样并不能反映模型决策的逻辑规则。
发明内容
为了解决以上技术问题,本说明书实施例的主要目的在于提供一种决策方法、系统以及电子设备,以解决现有技术中机器学习模型或者深度学习模型不具有可解释性、以及具有简单的可解释性模型的性能受限的技术问题。
本说明书的一个或多个实施例的技术方案是通过以下方式实现的:
本说明书的一个或多个实施例提供了一种决策方法,包括:
确定决策目标;
根据所述决策目标建立决策所述决策目标成立的决策逻辑规则模型;
获取决策所述决策目标成立的样本信息;
利用所述样本信息训练所述决策逻辑规则模型,得到训练后的决策逻辑规则模型;
通过所述训练后的决策逻辑规则模型对需要决策的信息进行处理,得到所述需要决策的信息的决策结果。
本说明书的一个或多个实施例还提供了一种决策方法,所述建立决策所述决策目标成立的决策逻辑规则模型,具体为:根据所述决策目标建立决策所述决策目标成立的包括一层以上决策层的决策逻辑规则模型。
本说明书的一个或多个实施例还提供了一种决策方法,所述根据所述决策目标建立决策所述决策目标成立的包括一层以上决策层的决策逻辑规则模型,具体包括:
确定所述决策目标对应的目标根节点;
确定决策所述目标根节点成立的中间节点决策层;
确定决策所述中间节点决策层中中间决策节点成立的叶子节点决策层;所述叶子节点决策层包括叶子决策节点;
根据所述叶子节点决策层与中间节点决策层之间的关系、所述中间节点决策层与目标根节点之间的关系建立所述决策逻辑规则模型。
本说明书的一个或多个实施例还提供了一种决策方法,所述确定决策所述目标根节点成立的中间节点决策层,具体为:确定决策所述目标根节点成立的包括一个以上中间决策节点的中间节点决策层;
所述确定决策所述中间决策节点成立的叶子节点决策层,具体为:确定决策所述中间决策节点成立的包括一个以上叶子决策节点的叶子节点决策层。
本说明书的一个或多个实施例还提供了一种输出决策逻辑规则模型的决策方法,所述中间节点决策层为包括一层以上子中间节点决策层的中间节点决策层,所述子中间节点决策层包括介于所述目标根节点和叶子决策节点之间的决策节点。
本说明书的一个或多个实施例还提供了一种决策方法,根据所述叶子节点决策层与中间节点决策层之间的关系、所述中间节点决策层与目标根节点之间的关系建立所述决策逻辑规则模型,具体为:
分别赋予所述叶子节点决策层中叶子决策节点与所述中间节点决策层中中间决策节点之间的第一关系值、所述中间节点决策层中中间决策节点与目标根节点之间的第二关系值;
预设所述决策逻辑规则模型中的计算函数,通过所述计算函数和所述第一关系值将所述叶子决策节点与所述中间决策节点关联,通过所述计算函数和所述第二关系值将所述中间决策节点与所述目标根节点关联,完成所述决策逻辑规则模型的建立;
其中,所述第一关系值和第二关系值均为权重。
本说明书的一个或多个实施例还提供了一种决策方法,所述获取决策所述决策目标成立的样本信息,具体为:
获取决策所述叶子决策节点成立的文本信息、语音信息和/或图像信息。
本说明书的一个或多个实施例还提供了一种决策方法,在利用所述样本信息训练所述决策逻辑规则模型之前,还包括:
通过预测算法或者预测模型预测获取的决策所述叶子决策节点成立的样本信息属于所述叶子决策节点的概率。
本说明书的一个或多个实施例还提供了一种决策方法,在利用所述样本信息训练所述决策逻辑规则模型之前,还包括:分别预设所述中间节点决策层中中间决策节点的阈值、叶子节点决策层中叶子决策节点的阈值和目标根节点的阈值。
本说明书的一个或多个实施例还提供了一种决策方法,利用所述样本信息训练所述决策逻辑规则模型,得到训练后的决策逻辑规则模型,具体为:
根据所述样本信息属于所述叶子决策节点的概率、中间决策节点的阈值、叶子决策节点的阈值、目标根节点的阈值、计算函数、第一关系值和第二关系值,通过优化算法对所述第一关系值和第二关系值进行优化,得到训练后的决策逻辑规则模型。
本说明书的一个或多个实施例还提供了一种决策方法,通过所述训练后的决策逻辑规则模型对需要决策的信息进行处理,得到所述需要决策的信息的决策结果,具体包括:
将所述需要决策的信息属于所述叶子决策节点的概率,输入至所述叶子决策节点中,作为所述叶子决策节点成立的叶子决策节点值;
将所述叶子决策节点值与所述叶子决策节点的阈值对比,当所述叶子决策节点值大于所述叶子决策节点的阈值时,所述叶子决策节点成立;
当所述叶子决策节点成立时,利用所述计算函数对成立的叶子决策节点的叶子决策节点值和所述第一关系值进行计算,得到中间决策节点值;将所述中间决策节点值与所述中间决策节点的阈值对比,当所述中间决策节点值大于所述中间决策节点的阈值时,所述中间决策节点成立;
当所述中间决策节点成立时,利用所述计算函数对成立的中间决策节点的中间决策节点值和所述第二关系值进行计算,得到目标根节点值;将所述目标根节点值与所述目标根节点的阈值对比,当所述目标根节点值大于所述目标根节点的阈值时,所述目标根节点成立;当所述目标根节点值小于所述目标根节点的阈值时,所述目标根节点不成立;
将所述目标根节点是否成立的结果作为所述需要决策的信息的决策结果。
本说明书的一个或多个实施例还提供了一种决策方法,在得到所述决策结果之后还包括:
提取所述目标根节点成立时所述目标根节点对应的数据、所述中间节点决策层中成立的中间决策节点对应的数据和叶子节点决策层中成立的叶子决策节点对应的数据,以及成立的叶子决策节点与成立的中间决策节点的第一关系值、成立的中间决策节点与目标根节点之间的第二关系值;
将提取的所述数据、第一关系值、第二关系值转换为可视化的决策逻辑规则,所述可视化的决策逻辑规则包括有向图或文字。
本说明书的一个或多个实施例还提供了一种决策系统,包括:
决策目标确定模块,确定决策目标;
决策逻辑规则模型建立模块,根据所述决策目标建立决策所述决策目标成立的决策逻辑规则模型;
信息获取模块,获取决策所述决策目标成立的样本信息;
训练模块,利用所述样本信息训练所述决策逻辑规则模型,得到训练后的决策逻辑规则模型;
决策模块,通过所述训练后的决策逻辑规则模型对需要决策的信息进行处理,得到所述需要决策的信息的决策结果。
本说明书的一个或多个实施例还提供了一种决策系统,所述决策逻辑规则模型建立模块具体用于根据所述决策目标建立决策所述决策目标成立的包括一层以上决策层的决策逻辑规则模型。
本说明书的一个或多个实施例还提供了一种决策系统,所述决策逻辑规则模型建立模块具体包括:
第一确定子模块,确定所述决策目标对应的目标根节点;
第二确定子模块,确定决策所述目标根节点成立的中间节点决策层;
第三确定子模块,确定决策所述中间节点决策层中中间决策节点成立的叶子节点决策层;所述叶子节点决策层包括叶子决策节点;
决策逻辑规则模型建立子模块,根据所述叶子节点决策层与中间节点决策层之间的关系、所述中间节点决策层与目标根节点之间的关系建立所述决策逻辑规则模型。
本说明书的一个或多个实施例还提供了一种决策系统,所述决策逻辑规则模型建立子模块包括:
赋值单元,分别赋予所述叶子节点决策层中叶子决策节点与所述中间节点决策层中中间决策节点之间的第一关系值、所述中间节点决策层中中间决策节点与目标根节点之间的第二关系值;其中,所述第一关系值和第二关系值均为权重;
预设单元,预设所述决策逻辑规则模型中的计算函数;
关联单元,通过所述计算函数和所述第一关系值将所述叶子决策节点与所述中间决策节点关联,通过所述计算函数和所述第二关系值将所述中间决策节点与所述目标根节点关联,完成所述决策逻辑规则模型的建立;
本说明书的一个或多个实施例还提供了一种决策系统,所述信息获取模块具体用于获取决策所述叶子决策节点成立的文本信息、语音信息和/或图像信息。
本说明书的一个或多个实施例还提供了一种决策系统,还包括预测模块,在利用所述样本信息训练所述决策逻辑规则模型之前,通过预测算法或者预测模型预测获取的决策所述叶子决策节点成立的样本信息属于所述叶子决策节点的概率。
本说明书的一个或多个实施例还提供了一种决策系统,还包括预设模块,在利用所述样本信息训练所述决策逻辑规则模型之前,分别预设所述中间节点决策层中中间决策节点的阈值、叶子节点决策层中叶子决策节点的阈值和目标根节点的阈值。
本说明书的一个或多个实施例还提供了一种决策系统,所述训练模块具体用于根据所述样本信息属于所述叶子决策节点的概率、中间决策节点的阈值、叶子决策节点的阈值、目标根节点的阈值、计算函数、第一关系值和第二关系值,通过优化算法对所述第一关系值和第二关系值进行优化,得到训练后的决策逻辑规则模型。
本说明书的一个或多个实施例还提供了一种决策系统,所述决策模块包括:
输入单元,将所述需要决策的信息属于所述叶子决策节点的概率,输入至所述叶子决策节点中,作为所述叶子决策节点成立的叶子决策节点值;
第一对比单元,将所述叶子决策节点值与所述叶子决策节点的阈值对比,当所述叶子决策节点值大于所述叶子决策节点的阈值时,所述叶子决策节点成立;
第一计算单元,当所述叶子决策节点成立时,利用所述计算函数对成立的叶子决策节点的叶子决策节点值和所述第一关系值进行计算,得到中间决策节点值;
第二对比单元,将所述中间决策节点值与所述中间决策节点的阈值对比,当所述中间决策节点值大于所述中间决策节点的阈值时,所述中间决策节点成立;
第二计算单元,当所述中间决策节点成立时,利用所述计算函数对成立的中间决策节点的中间决策节点值和所述第二关系值进行计算,得到目标根节点值;
第三对比单元,将所述目标根节点值与所述目标根节点的阈值对比,当所述目标根节点值大于所述目标根节点的阈值时,所述目标根节点成立;当所述目标根节点值小于所述目标根节点的阈值时,所述目标根节点不成立;
将所述目标根节点是否成立的结果作为所述需要决策的信息的决策结果。
本说明书的一个或多个实施例还提供了一种决策系统,还包括:
提取模块,在得到所述决策结果之后,提取所述目标根节点成立时所述目标根节点对应的数据、所述中间节点决策层中成立的中间决策节点对应的数据和叶子节点决策层中成立的叶子决策节点对应的数据,以及成立的叶子决策节点与成立的中间决策节点的第一关系值、成立的中间决策节点与目标根节点之间的第二关系值;
转换模块,将提取的所述数据、第一关系值、第二关系值转换为可视化的决策逻辑规则,所述可视化的决策逻辑规则包括有向图或文字。
本说明书的一个或多个实施例还提供一种电子设备,包括:
存储器,用于存储程序指令;
处理器,用于执行所述程序指令,以实现上述以实现上述本说明书的一个或多个实施例中所述的决策方法。
相比于现有技术,本说明书的一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书的一个或多个实施例提供的技术方案是根据置信度即节点成立的概率的方法进行的,称为基于置信度的抗辩网络算法(Beliefbased ArgumentationNetwork,简称BAN),置信度在本申请的实施例中即为节点成立的概率。由于建立的决策逻辑规则模型是通过一定的逻辑结构以及逻辑思路建立的,所以其是有决策逻辑规则的,所以可以通过提取其中的决策逻辑规则,并将提取的决策逻辑规则输出并转换为相关人员可以解释的决策逻辑规则,以有向图或者文字的形式进行展示。解决了现有技术中复杂的机器学习模型或深度学习模型不具有可解释性的技术问题、现有技术中的一些具有可解释性的模型性能比较差的技术问题、以及现有技术中对复杂度较高的模型的解释更多地是将模型使用的特征变量的重要度(贡献度)按照某种指标进行排序罗列,这样并不能反映模型决策的逻辑规则的技术问题。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书的一个实施例提供的一种决策方法的流程示意图;
图2为本说明书的一个实施例提供的一种建立决策逻辑规则的流程示意图;
图3为本说明书的一个实施例提供的一种具体应用场景中建立的决策逻辑规则模型的结构示意图;
图4为本说明书的一个实施例提供的一种决策系统的结构示意图;
图5为本说明书的一个实施例提供的一种决策逻辑规则建立模块的结构示意图;
图6为本说明书的;另一个实施例提供的一种决策系统的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
以下结合附图,详细说明本说明书的一个或多个实施例提供的技术方案。
如图1所示,为本说明书实施例提供的一种决策方法,该方法包括以下步骤:
步骤S100,确定决策目标。在各个领域中都存在有很多需要进行决策或者判断的应用场景,对这些需要决策的应用场景进行决策或者判断后得到决策结果或者判断结果。在对这些需要决策的应用场景进行决策或者判断之前就需要确定这些应用场景中的具体目的是什么,即需要决策或者判断的对象,然后才能进行后续的步骤。由于每个领域中均包括各种各样的不同情况,每种情况分别对应不同的对象,所以在实际操作中需要根据业务需求确定不同应用场景中的决策目标(也可以是判断目标)。这些应用场景均是含有内部决策逻辑规则的决策场景,通过含有的内部决策逻辑规则对确定的决策目标进行决策。
含有内部决策逻辑规则的应用场景具体可以是法院对案件的审理定性、内容审核平台对用户提交的内容的审核等,对这些应用场景进行处理时需要通过一定的决策逻辑规则,通过这些决策逻辑规则对这些应用场景进行决策或者判断之后,将这些决策逻辑规则进行进一步处理,才可以得到这些决策逻辑规则,方便相关人员对其进行解释。决策逻辑规则可以理解为决策的依据以及根据这些依据怎样进行决策的一种方法,通过这种方法可以是得决策得到的结果有理有据,更有说服力。
如果有些应用场景中在进行决策时不需要决策逻辑规则,也就无需通过决策逻辑规则对其进行处理,这些场景可以是DNA亲子鉴定等,这些应用场景不需要内部的决策逻辑规则,也不需要进行解释,直接对比即可。
步骤S200,建立决策所述决策目标成立的决策逻辑规则模型。根据确定的决策目标建立决策确定的决策目标成立的决策逻辑规则模型,不同应用场景中的决策目标不同,相应的决策逻辑规则模型也不相同。根据应用场景的需要,进一步建立相应的决策逻辑规则模型,从而可以使用建立的决策逻辑规则模型对决策目标进行决策,达到更好的决策效果。例如,决策逻辑规则模型的建立可以是分层建立,下一层决策上一层的成立,根据确定的决策目标确定决策该决策目标成立的元素,然后在根据该元素确定决策该元素成立的子元素,以此类推,直到确定最后一层的元素为止。当然其他决策逻辑规则模型的建立方式也可以,同样在本实施例的保护范围之内。
例如该决策逻辑规则模型有三层,决策目标为第一层,然后确定决策该决策目标成立的第二层中的各元素,然后再确定决策第二层中的各元素成立的第三层张工的各元素。第一层、第二层和第三层中的各元素组成决策逻辑规则模型,第一层、第二层和第三层中的各元素组成的决策逻辑规则模型可以看做是一个“树”,该“树”的相邻层的相关节点之间均有方向指向性,以及下一层中的节点决定上一层中相关节点的重要程度;或者可以将该决策逻辑规则模型看做为只是图谱,但是其有方向指向性和方向指向性对应的重要程度,这些方向表示各层中节点的因果方向。第一层中的决策目标为树的根节点,第二层中的决策该根节点成立的各元素为树的子节点,第三次中决策子节点成立的各元素为树的叶子节点。叶子节点作为该应用场景中决策逻辑规则模型的最小节点,由输入信息直接决定叶子节点是否成立。
步骤S200,根据决策目标建立决策所述决策目标成立的决策逻辑规则模型,具体为:根据决策目标建立决策该决策目标成立的包括一层以上决策层的决策逻辑规则模型。建立的决策逻辑规则模型包括至少一层决策该决策目标成立的决策层,该决策层不包括上述所说的“树”中的第一层中的决策目标,只包括决策所述决策目标的其他层。不同的应用场景中对应的决策逻辑规则模型可能会不同,有的应用场景中的决策逻辑规则模型可能包括的决策层数较多,有的则较少。
其中,参考图2,根据业务需求建立决策所述决策目标成立的包括一层以上决策层的决策逻辑规则模型,具体包括以下步骤:
步骤S201,确定决策目标对应的目标根节点。决策逻辑规则模型中决策目标作为最上层,一个应用场景对应一个决策目标,这各决策目标即为最上层。由于只有一个最上层,最上层中只有一个决策目标,所以将这个决策目标作为“树”的根,将决策目标视为对应有一个节点,将这个节点作为目标根节点,所以也就确定了决策目标对应的目标根节点,完成了决策逻辑规则模型最上层的确定也就是“根”的确定。
步骤S202,确定决策目标根节点成立的中间节点决策层。目标根节点的成立是由中间节点决策层决定的,在确定目标根节点之后,需要确定决策目标根节点成立的下一层,即为本实施例中的中间几点决策层。在具体的应用场景中,决策目标根节点成立的下一层中的节点(也可以称为元素或者要素)在这个应用场景中是一定的,即在行业内影响这个目标根节点的节点包括哪些是确定的,当然也可以根据实际需求进行设置,增加或者删除一些节点也是可以的。
在本实施例中,将目标根节点的下一层到决策逻辑规则模型的倒数第二层称为中间节点决策层,中间节点决策层可以是只有一层,也可以是有多层。当中间节点决策层为多层时,将中间节点决策层中的每层统称为子中间节点决策层,即中间节点决策层为包括一层以上子中间节点决策层的中间节点决策层,例如第一子中间节点决策层(包括第一子中间决策节点)、第二子中间节点决策层(包括第二子中间决策节点)、第三子中间节点决策层(第三子中间决策节点)等。当中间节点决策层只有一层时,中间决策层包括一个以上中间决策节点;当有多层时,每层包括一个以上子中间节点。也就是子中间节点决策层包括介于目标根节点和叶子决策节点(步骤S203中有提出)之间的决策节点。
值得说明的是,有些决策逻辑规则模型可能没有中间节点决策层,只有叶子节点决策层,也可能一部分有中间节点决策层,一部分没有中间节点决策层,都在本实施例的保护范围之内。
步骤S203,在确定中间节点决策层后,确定决策中间节点决策层中中间决策节点成立的叶子节点决策层,叶子节点决策层包括一个以上叶子决策节点。叶子节点层作为决策逻辑规则模型中最基础的一层决策层,直接决策着中间节点决策层中的中间决策节点,间接决策着根节点,也就是说决策逻辑规则模型是从叶子节点决策层开始进行的,叶子节点决策层中的叶子决策节点与需要输入的数据有直接关系,如果没有叶子决策节点对输入的数据进行处理就不会有中间节点决策层对输入数据对应的信息进行进一步的处理进而得到目标根节点的决策结果,或者说不会直接(当存在无中间节点决策层的情况时)或者间接得到目标根节点的决策结果。
步骤S204,根据叶子节点决策层与中间节点决策层之间的关系、中间节点决策层与目标根节点之间的关系建立决策逻辑规则模型。由于叶子节点决策层决策中间节点决策层,中间节点决策层决策目标根节点,即叶子决策节点决策与其对应的中间决策节点的成立,中间决策节点决策目标根节点的成立,所以叶子节点决策层与中间节点决策层之间是有相应的对应关系的、中间节点决策层与目标根节点之间也是有相应的对应关系的,当然叶子决策节点与中间决策节点之间是有一定的对应关系的,中间决策节点与目标根节点之间也是有一定对应关系的。
该步骤具体为:
分别赋予叶子节点决策层中叶子决策节点与中间节点决策层中中间决策节点之间的第一关系值、中间节点决策层中中间决策节点与目标根节点之间的第二关系值,其中,第一关系值和第二关系值均为权重。该步骤中赋予的第一关系值和第二关系值可以是根据具体需求进行赋值的。该步骤中赋予的第一关系值和第二关系值(即第一权重和第二权重)后还可以进行初始化权重的步骤,当然也根据不同需求可以不进行初始化权重的步骤。每个中间决策节点与目标根节点之间的关系值均称为第一关系值,具体可以分为不同的第一关系值,例如第一关系值1,第一关系值2等,每个叶子决策节点与中间决策节点之间的关系值均称为第二关系值,具体可以分为不同的第二关系值,例如第二关系值1、第二关系值2等。当中间决策节点层包括多层子中间节点决策层时,不同子中间节点决策层中的子中间决策节点之间的关系值可以为第三关系值、第四关系值等,例如第三关系值1、第三关系值2等,第四关系值1、第四关系值2等。
预设决策逻辑规则模型中的计算函数,通过计算函数和第一关系值将叶子决策节点与中间决策节点关联,通过计算函数和第二关系值将中间决策节点与目标根节点关联,完成决策逻辑规则模型的建立。其中,计算函数可以是聚合函数,具体应用中的聚合函数可以根据业务需求进行选择和设置。
步骤S300,获取决策决策目标成立的样本信息。在将决策逻辑规则模型建立完成之后,需要获取训练模型的样本信息,以便用这些样本信息训练建立的模型,决策决策目标成立的信息包括与决策目标相关的各类信息,这些信息也可以是不同形式的信息。这些信息直接或者间接的决策决策目标的成立。样本信息具体可以包括文本信息、语音信息和/或图像信息。当前的一些样本或者输入数据的处理方法处理的样本或者输入数据是按照范本填写的比较规范的数据,这些处理方法较强的依赖于输入样本或者输入数据的规范性,主要用于处理规范数据。当这些数据不是按照范本填写的数据时,也就是非规范数据时,需要对这些非规范数据进行处理,将处理后的数据作为样本进一步训练建立的模型。
本实施例提供了一种处理非规范数据的方法,不同类型的非规范数据可以使用不同的算法对其进行处理,使得本申请的实施例可以对任何规范数据和非规范数据进行处理,将规范数据和处理后的非规范数据作为样本信息训练建立的模型。例如,对不规范的文本数据进行一定处理,包括对文件数据进行文本分句,然后通过序列标注,再提取目标要素等方法实现对不规范的文本数据的处理。对图片数据进行处理:当图片中有文字时可以是根据OCR文字识别技术识别图片中的文字内容并转化为文本处理,还可以根据机器视觉的相关算法识别图片中是否有某些关键要素等;当图片中没有文字时,利用图像识别算法对图片中的图形进行识别。
在步骤S400之前还包括:
通过预测算法或者预测模型预测获取的决策叶子决策节点成立的文本信息、语音信息和/或图像信息等样本信息属于叶子决策节点的概率。不同类型的样本信息使用与其对应的预测算法或者预测模型预测属于叶子决策节点的概率。可以使用规则映射、机器学习、自然语言处理、图像处理、语音处理等对应的算法将样本信息属于叶子决策节点的概率,输入到决策逻辑规则模型中的叶子决策节点中,得到叶子节点的成立概率。
例如,决策逻辑规则模型的叶子节点决策层中有一个叶子决策节点为“操作高危”,可以通过计算样本信息与操作高危相关的特征的关系(例如与黑名单账户交易次数),然后根据分箱算法,得出分箱的阈值和样本信息属于操作高危的概率。分箱的阈值表示样本信息与操作高危相关的特征的关系(例如与黑名单账户交易次数),将样本信息与操作高危相关的特征的关系与分箱的阈值对比,得到该关系大于或小于或等于分箱的阈值时样本信息属于操作高危的概率,该概率通过分箱算法可以得知。例如与黑名单账户交易次数的特征大于5时操作高危节点成立的概率为0.8,当特征为0时,节点成立的概率为0,其余情况操作高危节点成立的概率为0.2。
还可以是通过对样本信息进行打标,得到样本信息是否高危操作的标签,然后利用分类学习算法训练模型,该模型可以是神经网络模型,预测样本信息是否高危操作的概率值。
还可以是利用自然语言处理技术处理一些从文本信息中提取节点成立的概率。例如在欺诈审理场景中的决策逻辑规则模型中有一个“是否假冒客服”的叶子节点,就可以使用自然语言处理技术的相关算法,从用户的投诉文本信息中提取客服类实体信息,以此计算此节点成立的概率。类似地,当叶子节点的成立概率需要从其他形态的数据中提取时,便可使用处理其他形态数据的算法与技术。
在步骤S400之前还包括:
分别预设中间节点决策层中中间决策节点的阈值、叶子节点决策层中叶子决策节点的阈值和目标根节点的阈值。该步骤中设置的阈值用于与节点成立的概率相比较,判断节点是否成立。只有在节点成立的概率大于节点的阈值时节点才成立。
步骤S400,利用所述样本信息训练所述决策逻辑规则模型,得到训练后的决策逻辑规则模型。
在建立好决策逻辑规则模型后,还包括利用样本信息训练决策逻辑规则模型的步骤,根据样本信息属于所述叶子决策节点的概率、中间决策节点的阈值、叶子决策节点的阈值、目标根节点的阈值、计算函数、第一关系值和第二关系值,通过优化算法对建立的决策逻辑规则模型中的第一关系值和第二关系值进行优化,得到训练后的决策逻辑规则模型。
具体步骤为:将文本信息、语音信息和/或图像信息等样本信息属于叶子决策节点的概率,输入至叶子决策节点中,作为叶子决策节点成立的叶子决策节点值。将叶子决策节点值与叶子决策节点的阈值对比,当叶子决策节点值大于叶子决策节点的阈值时,叶子决策节点成立。
只有在叶子决策节点成立时,中间决策节点可能成立。当叶子决策节点成立时,利用计算函数对成立的叶子决策节点的叶子决策节点值和第一关系值进行计算,得到中间决策节点值;将中间决策节点值与中间决策节点的阈值对比,当中间决策节点值大于中间决策节点的阈值时,中间决策节点成立。只有在中间决策节点成立时,目标根节点才可能成立。
当中间决策节点成立时,利用计算函数对成立的中间决策节点的中间决策节点值和第二关系值进行计算,得到目标根节点值;将目标根节点值与目标根节点的阈值对比,当目标根节点值大于目标根节点的阈值时,目标根节点成立;当目标根节点值小于目标根节点的阈值时,目标根节点不成立。
具体的优化算法可以是寻优算法,将第一关系值和第二关系值作为待优化的参数,通过寻优算法将目标根节点值的决策误差降到最小,寻优算法可以是损失函数、通过计算AUC值和KS值对模型进行评估。其中,AUC:areaunder thecurve,是机器学习中一种评估模型分类效果的指标,该指标越大,表示模型分类效果越好。KS值:Kolmogorov-Smirnov值,是机器学习中一种评估模型二分类效果的指标,该指标越大,表示模型将正负样本区分开的程度越大,模型效果越好。寻优算法还可以是将决策逻辑规则模型看做是一种稀疏神经网络,使用梯度下降法对模型的第一关系值和第二关系值进行优化。
优化完成后得到训练后的决策逻辑规则模型。
步骤S500,通过所述训练后的决策逻辑规则模型对需要决策的信息进行处理,得到需要决策的信息的决策结果,具体包括:
先通过预测算法或者预测模型预测需要决策的信息属于叶子决策节点的概率。然后将文本信息、语音信息和/或图像信息等需要决策的信息属于叶子决策节点的概率,输入至叶子决策节点中,作为叶子决策节点成立的叶子决策节点值。
将叶子决策节点值与叶子决策节点的阈值对比,当叶子决策节点值大于叶子决策节点的阈值时,叶子决策节点成立;当叶子决策节点成立时,利用计算函数对成立的叶子决策节点的叶子决策节点值和第一关系值进行计算,得到中间决策节点值;将中间决策节点值与中间决策节点的阈值对比,当中间决策节点值大于中间决策节点的阈值时,中间决策节点成立。
当中间决策节点成立时,利用计算函数对成立的中间决策节点的中间决策节点值和第二关系值进行计算,得到目标根节点值;将目标根节点值与目标根节点的阈值对比,当目标根节点值大于目标根节点的阈值时,目标根节点成立;当目标根节点值小于目标根节点的阈值时,目标根节点不成立。
将目标根节点是否成立的结果作为需要决策的信息的决策结果。对需要决策的信息的决策过程与使用样本信息对建立的决策逻辑规则模型进行训练的过程中对样本信息的处理类似。
在得到决策结果之后还包括输出与决策结果对应的决策逻辑规则的步骤:
提取目标根节点成立时目标根节点对应的数据、中间节点决策层中成立的中间决策节点对应的数据和叶子节点决策层中成立的叶子决策节点对应的数据,以及成立的叶子决策节点与成立的中间决策节点的第一关系值、成立的中间决策节点与目标根节点之间的第二关系值。
将提取的数据、第一关系值、第二关系值转换为可视化的决策逻辑规则,可视化的决策逻辑规则包括有向图或文字。
本说明书的一个或多个实施例提供的技术方案是根据置信度即节点成立的概率的方法进行的,称为基于置信度的抗辩网络算法(Beliefbased ArgumentationNetwork,简称BAN),置信度在本申请的实施例中即为节点成立的概率。由于建立的决策逻辑规则模型是通过一定的逻辑结构以及逻辑思路建立的,所以其是有决策逻辑规则的,所以可以通过提取其中的决策逻辑规则,并将提取的决策逻辑规则输出并转换为相关人员可以解释的决策逻辑规则,以有向图或者文字的形式进行展示。解决了现有技术中复杂的机器学习模型或深度学习模型不具有可解释性的技术问题、现有技术中的一些具有可解释性的模型性能比较差的技术问题、以及现有技术中对复杂度较高的模型的解释更多地是将模型使用的特征变量的重要度(贡献度)按照某种指标进行排序罗列,这样并不能反映模型决策的逻辑规则的技术问题。
参考图3,为本说明书的一个或多个实施例提供的一种具体应用场景中建立的决策逻辑规则模型的结构示意图。该应用场景为支付宝在交易过程中进行欺诈审理的场景,决策交易是否为欺诈交易。
首先确定了该场景为交易的场景,在该场景写需要决策交易是否为安全交易,也就是说需要决策交易是否涉及欺诈,根据决策结果判断交易是都安全。根据该场景却决策目标,该决策目标即“欺诈”,决策“欺诈”成立的概率。在确定决策目标之后,根据确定的决策目标建立决策该决策目标成立的决策逻辑规则模型。由于对“欺诈”的决策是存在一定的逻辑规则的,所以可以建立决策逻辑规则模型,通过该逻辑规则可以得知对“欺诈”的决策过程是怎么样的,即根据某某依据进行某某决策。并不会与神经网络模型一样,不知道神经网络模型是根据什么依据怎么进行判断或者决策的。
该决策逻辑规则模型包括四层结构,建立决策逻辑规则模型的过程包括:确定与“欺诈”对应的目标根节点,在本实施例中将目标根节点同样命名为“欺诈”,该欺诈节点作为决策逻辑规则模型的最上层。然后确定决策欺诈这个目标根节点成立的中间节点决策层,中间节点决策层中的中间决策节点可以称为决策欺诈这个目标根节点成立的要素或者元素,这些要素或者元素是固定的,所以中间节点决策层中的中间决策节点也是固定的,当然也可以自行进行修改,包括增加或者删除某些节点等。本实施例中的中间节点决策层包括两侧子中间节点决策层的中间节点决策层。第一子中间节点决策层直接决策“欺诈”的目标根节点,第一子中间节点决策层包括“以非法占有为目的的行为”节点、“实施诈术”节点、“陷入错误”节点共三个第一子中间决策节点。
然后确定决策这三个第一子中间节点的第二子中间节点决策层,第二子中间节点决策层包括“被动方为黑账户”节点、“虚构事实”节点、“主动方异常”节点、“交易高危”节点、“有其他转账动机”节点共五个第二子中间决策节点。“被动方为黑账户”节点直接决策“以非法占有为目的的行为”节点,“虚构事实”节点直接决策“实施诈术”节点,“主动方异常”节点、“交易高危”节点、“有其他转账动机”节点三个节点直接决策“陷入错误”节点。
最后确认决策第二子中间节点决策层中第二子中间决策节点的叶子节点决策层。叶子节点决策层中包括“非生活账号”节点、“与历史诈术类似”节点、“操作高危”节点、“投诉行为可信”节点、“金额异常”节点、“违规交易”节点共六个叶子决策节点。“非生活账号”节点直接决策“被动方为黑账户”节点,“与历史诈术类似”节点直接决策“虚构事实”节点,“操作高危”节点、“投诉行为可信”节点共同决策“主动方异常”节点,“金额异常”节点直接决策“交易高危”节点,“违规交易”节点直接决策“有其他转账动机”节点。
赋予叶子决策节点与第二子中间决策节点之间的第二权重,赋予第二子中间决策节点与第一子中间决策节点之间的第三权重,赋予第一子中间决策节点与目标根节点之间的第一权重。
预设建立的决策逻辑规则模型中的计算函数,该计算函数为聚合函数,在本实施例中设置为:上一层节点成立的概率由其子节点成立的概率与对应的权重之积相加得到,当相加之和大于1时设置为1,小于-1时设置为-1。
分别预设上述六个叶子决策节点的阈值、八个中间决策节点的阈值、目标根节点的阈值。
获取决策上述六个叶子决策节点成立的样本信息,对这些样本进行处理之后得到可以使用的样本信息,通过预测算法或者模型预测处理后的样本信息属于叶子决策节点的概率。将预测得到的样本信息属于叶子决策节点的概率与叶子决策节点的阈值对比,概率大于阈值时,叶子决策节点成立。通过根据样本信息属于叶子决策节点的概率、中间决策节点的阈值、叶子决策节点的阈值、目标根节点的阈值、计算函数、第一关系值、第二关系值和第三关系值,通过优化算法对建立的决策逻辑规则模型中的第一关系值、第二关系值和第三关系值(关系值即为权重)进行优化,得到训练后的决策逻辑规则模型。最后得到的第一关系值、第二关系值和第三关系值如图3中所示。
通过训练之后的决策逻辑规则模型对新的需要决策的信息进行决策,输入需要决策的信息对应的数据,如图所示,六个叶子决策节点的概率为新的需要决策的信息属于叶子决策节点的概率。“非生活账号”节点成立的概率为0.9、“与历史诈术类似”节点成立的概率为0.08、“操作高危”节点成立的概率为0.5、“投诉行为可信”节点成的概率为0.8、“金额异常”节点成立的概率为0.8、“违规交易”节点成立的概率为0.04。六个叶子节点的阈值分别为0.5、0.05、0.3、0.5、0.5、0.02,与每个叶子决策节点分别与其对应的阈值相比较,六个叶子决策节点均成立。“被动方为黑账户”节点、“虚构事实”节点、“主动方异常”节点、“交易高危”节点、“有其他转账动机”节点的阈值分别设置为0.05、0.05、0.2、0.1、0.02,“以非法占有为目的的行为”节点、“实施诈术”节点、“陷入错误”节点的阈值分别设置为0.05、0.05、0.2,目标根节点的阈值设置为0.8。“非生活账号”节点与“被动方为黑账户”节点的权重为0.1,“与历史诈术类似”节点与“虚构事实”节点之间的权重为1.0,“操作高危”节点、“投诉行为可信”节点与“主动方异常”节点之间的权重分别为0.5、0.1,“金额异常”节点与“交易高危”节点之间的权重为0.2,“违规交易”节点与“有其他转账动机”节点之间的权重为1.0。“被动方为黑账户”节点与“以非法占有为目的的行为”节点之间的权重为1.0,“虚构事实”节点与“实施诈术”节点之间的概率为1.0,“主动方异常”节点、“交易高危”节点、“有其他转账动机”节点三个节点与“陷入错误”节点之间的权重分别为0.8、0.8、-1.0。“以非法占有为目的的行为”节点与目标根节点之间的权重为0.9、“实施诈术”节点与目标根节点之间权重为0.85、“陷入错误”节点与目标根节点之间的权重为0.8。通过计算函数,计算得到“欺诈”的目标根节点成立的概率为1,大于0.8,所以决策“欺诈”成立。
输出与决策结果“欺诈”成立对应的决策逻辑规则,提取“欺诈”成立时,各成立节点的概率以及与相关节点之间的权重,输出为有向图或者文字,共相关人员进行解释。
上述方法实现了信息的处理,解决了现有技术中存在的模型不具有解释性的技术问题,达到了相应的技术效果,本说明书实施例还提供一种实现上述方法的系统,可以通过该系统实现上述方法。该系统可以解决与上述方法同样的技术问题,可以达到与上述方法相同的技术效果。
参考图4,该系统包括:
一种决策系统,包括:
决策目标确定模块1,确定决策目标。
决策逻辑规则模型建立模块2,根据决策目标建立决策该决策目标成立的决策逻辑规则模型。决策逻辑规则模型建立模块具体用于根据决策目标建立决策该决策目标成立的包括一层以上决策层的决策逻辑规则模型。
信息获取模块3,获取决策所述决策目标成立的样本信息。
训练模块4,利用所述样本信息训练所述决策逻辑规则模型,得到训练后的决策逻辑规则模型。
决策模块5,通过所述训练后的决策逻辑规则模型对需要决策的信息进行处理,得到所述需要决策的信息的决策结果。
其中,参考图5,决策逻辑规则模型建立模块2具体包括:
第一确定子模块201,确定决策目标对应的目标根节点。
第二确定子模块202,确定决策目标根节点成立的中间节点决策层。
第三确定子模块203,确定决策中间节点决策层中中间决策节点成立的叶子节点决策层;叶子节点决策层包括叶子决策节点。
决策逻辑规则模型建立子模块204,根据叶子节点决策层与中间节点决策层之间的关系、中间节点决策层与目标根节点之间的关系建立决策逻辑规则模型。
决策逻辑规则模型建立子模块204包括:
赋值单元2041,分别赋予所述叶子节点决策层中叶子决策节点与所述中间节点决策层中中间决策节点之间的第一关系值、所述中间节点决策层中中间决策节点与目标根节点之间的第二关系值;其中,所述第一关系值和第二关系值均为权重。
预设单元2042,预设所述决策逻辑规则模型中的计算函数。
关联单元2043,通过所述计算函数和所述第一关系值将所述叶子决策节点与所述中间决策节点关联,通过所述计算函数和所述第二关系值将所述中间决策节点与所述目标根节点关联,完成所述决策逻辑规则模型的建立。
信息获取模块3具体用于获取决策所述叶子决策节点成立的文本信息、语音信息和/或图像信息。
参考图6,为另一实施例的结构示意图,还包括预测模块6,在利用样本信息训练决策逻辑规则模型之前,通过预测算法或者预测模型预测获取的决策所述叶子决策节点成立的样本信息属于所述叶子决策节点的概率。
还包括预设模块7,利用样本信息训练决策逻辑规则模型之前,分别预设中间节点决策层中中间决策节点的阈值、叶子节点决策层中叶子决策节点的阈值和目标根节点的阈值。
训练模块4具体用于根据样本信息属于叶子决策节点的概率、中间决策节点的阈值、叶子决策节点的阈值、目标根节点的阈值、计算函数、第一关系值和第二关系值,通过优化算法对第一关系值和第二关系值进行优化,得到训练后的决策逻辑规则模型。
决策模块5包括:
输入单元501,将需要决策的信息属于叶子决策节点的概率,输入至叶子决策节点中,作为叶子决策节点成立的叶子决策节点值。
第一对比单元502,将叶子决策节点值与叶子决策节点的阈值对比,当叶子决策节点值大于所述叶子决策节点的阈值时,所述叶子决策节点成立。
第一计算单元503,当叶子决策节点成立时,利用计算函数对成立的叶子决策节点的叶子决策节点值和第一关系值进行计算,得到中间决策节点值。
第二对比单元504,将中间决策节点值与中间决策节点的阈值对比,当中间决策节点值大于中间决策节点的阈值时,所述中间决策节点成立。
第二计算单元505,当中间决策节点成立时,利用计算函数对成立的中间决策节点的中间决策节点值和第二关系值进行计算,得到目标根节点值。
第三对比单元506,将目标根节点值与目标根节点的阈值对比,当目标根节点值大于目标根节点的阈值时,目标根节点成立;当目标根节点值小于所述目标根节点的阈值时,目标根节点不成立。
将目标根节点是否成立的结果作为需要决策的信息的决策结果。
还包括提取模块8,在得到决策结果之后,提取目标根节点成立时目标根节点对应的数据、中间节点决策层中成立的中间决策节点对应的数据和叶子节点决策层中成立的叶子决策节点对应的数据,以及成立的叶子决策节点与成立的中间决策节点的第一关系值、成立的中间决策节点与目标根节点之间的第二关系值。
转换模块9,将提取的数据、第一关系值、第二关系值转换为可视化的决策逻辑规则,可视化的决策逻辑规则包括有向图或文字。
本说明书实施例还提供了一种电子设备,包括:一个以上存储器和一个以上处理器。其中,
存储器(图中未示出),用于存储程序指令,存储器可以是短暂存储或持久存储。
处理器(图中未示出),用于执行所述程序指令,以实现本技术方案中输出决策逻辑规则的决策方法。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(FieldProgrammableGateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(HardwareDescriptionLanguage,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(AdvancedBoolean ExpressionLanguage)、AHDL(AlteraHardwareDescriptionLanguage)、Confluence、CUPL(CornellUniversityProgrammingLanguage)、HDCal、JHDL(JavaHardwareDescriptionLanguage)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardwareDescriptionLanguage)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegratedCircuitHardwareDescriptionLanguage)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(ApplicationSpecific IntegratedCircuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、AtmelAT91SAM、Microchip PIC18F26K20以及SiliconeLabsC8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上,仅为本发明说明书的一个或多个实施例较佳的具体实施方式,但发明说明书的一个或多个实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明说明书的一个或多个实施例揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明说明书的一个或多个实施例的保护范围之内。因此,本发明说明书的一个或多个实施例的保护范围应该以权利要求书的保护范围为准。
Claims (23)
1.一种决策方法,包括:
确定决策目标;
根据所述决策目标建立决策所述决策目标成立的决策逻辑规则模型;
获取决策所述决策目标成立的样本信息;
利用所述样本信息训练所述决策逻辑规则模型,得到训练后的决策逻辑规则模型;
通过所述训练后的决策逻辑规则模型对需要决策的信息进行处理,得到所述需要决策的信息的决策结果。
2.根据权利要求1所述的决策方法,所述根据所述决策目标建立决策所述决策目标成立的决策逻辑规则模型,具体为:根据所述决策目标建立决策所述决策目标成立的包括一层以上决策层的决策逻辑规则模型。
3.根据权利要求2所述的决策方法,所述根据所述决策目标建立决策所述决策目标成立的包括一层以上决策层的决策逻辑规则模型,具体包括:
确定所述决策目标对应的目标根节点;
确定决策所述目标根节点成立的中间节点决策层;
确定决策所述中间节点决策层中中间决策节点成立的叶子节点决策层;所述叶子节点决策层包括叶子决策节点;
根据所述叶子节点决策层与中间节点决策层之间的关系、所述中间节点决策层与目标根节点之间的关系建立所述决策逻辑规则模型。
4.根据权利要求3所述的决策方法,所述确定决策所述目标根节点成立的中间节点决策层,具体为:确定决策所述目标根节点成立的包括一个以上中间决策节点的中间节点决策层;
所述确定决策所述中间决策节点成立的叶子节点决策层,具体为:确定决策所述中间决策节点成立的包括一个以上叶子决策节点的叶子节点决策层。
5.根据权利要求4所述的决策方法,所述中间节点决策层为包括一层以上子中间节点决策层的中间节点决策层,所述子中间节点决策层包括介于所述目标根节点和叶子决策节点之间的决策节点。
6.根据权利要求3所述的决策方法,根据所述叶子节点决策层与中间节点决策层之间的关系、所述中间节点决策层与目标根节点之间的关系建立所述决策逻辑规则模型,具体为:
分别赋予所述叶子节点决策层中叶子决策节点与所述中间节点决策层中中间决策节点之间的第一关系值、所述中间节点决策层中中间决策节点与目标根节点之间的第二关系值;
预设所述决策逻辑规则模型中的计算函数,通过所述计算函数和所述第一关系值将所述叶子决策节点与所述中间决策节点关联,通过所述计算函数和所述第二关系值将所述中间决策节点与所述目标根节点关联,完成所述决策逻辑规则模型的建立;
其中,所述第一关系值和第二关系值均为权重。
7.根据权利要求6所述的决策方法,所述获取决策所述决策目标成立的样本信息,具体为:
获取决策所述叶子决策节点成立的文本信息、语音信息和/或图像信息。
8.根据权利要求7所述的决策方法,在利用所述样本信息训练所述决策逻辑规则模型之前,还包括:
通过预测算法或者预测模型预测获取的决策所述叶子决策节点成立的样本信息属于所述叶子决策节点的概率。
9.根据权利要求8所述的决策方法,在利用所述样本信息训练所述决策逻辑规则模型之前,还包括:
分别预设所述中间节点决策层中中间决策节点的阈值、叶子节点决策层中叶子决策节点的阈值和目标根节点的阈值。
10.根据权利要求9所述的决策方法,利用所述样本信息训练所述决策逻辑规则模型,得到训练后的决策逻辑规则模型,具体为:
根据所述样本信息属于所述叶子决策节点的概率、中间决策节点的阈值、叶子决策节点的阈值、目标根节点的阈值、计算函数、第一关系值和第二关系值,通过优化算法对所述第一关系值和第二关系值进行优化,得到训练后的决策逻辑规则模型。
11.根据权利要求10所述的决策方法,通过所述训练后的决策逻辑规则模型对需要决策的信息进行处理,得到所述需要决策的信息的决策结果,具体包括:
将所述需要决策的信息属于所述叶子决策节点的概率,输入至所述叶子决策节点中,作为所述叶子决策节点成立的叶子决策节点值;
将所述叶子决策节点值与所述叶子决策节点的阈值对比,当所述叶子决策节点值大于所述叶子决策节点的阈值时,所述叶子决策节点成立;
当所述叶子决策节点成立时,利用所述计算函数对成立的叶子决策节点的叶子决策节点值和所述第一关系值进行计算,得到中间决策节点值;将所述中间决策节点值与所述中间决策节点的阈值对比,当所述中间决策节点值大于所述中间决策节点的阈值时,所述中间决策节点成立;
当所述中间决策节点成立时,利用所述计算函数对成立的中间决策节点的中间决策节点值和所述第二关系值进行计算,得到目标根节点值;将所述目标根节点值与所述目标根节点的阈值对比,当所述目标根节点值大于所述目标根节点的阈值时,所述目标根节点成立;当所述目标根节点值小于所述目标根节点的阈值时,所述目标根节点不成立;
将所述目标根节点是否成立的结果作为所述需要决策的信息的决策结果。
12.根据权利要求11所述的决策方法,在得到所述决策结果之后还包括:
提取所述目标根节点成立时所述目标根节点对应的数据、所述中间节点决策层中成立的中间决策节点对应的数据和叶子节点决策层中成立的叶子决策节点对应的数据,以及成立的叶子决策节点与成立的中间决策节点的第一关系值、成立的中间决策节点与目标根节点之间的第二关系值;
将提取的所述数据、第一关系值、第二关系值转换为可视化的决策逻辑规则,所述可视化的决策逻辑规则包括有向图或文字。
13.一种决策系统,包括:
决策目标确定模块,确定决策目标;
决策逻辑规则模型建立模块,根据所述决策目标建立决策所述决策目标成立的决策逻辑规则模型;
信息获取模块,获取决策所述决策目标成立的样本信息;
训练模块,利用所述样本信息训练所述决策逻辑规则模型,得到训练后的决策逻辑规则模型;
决策模块,通过所述训练后的决策逻辑规则模型对需要决策的信息进行处理,得到所述需要决策的信息的决策结果。
14.根据权利要求13所述的决策系统,所述决策逻辑规则模型建立模块具体用于根据所述决策目标建立决策所述决策目标成立的包括一层以上决策层的决策逻辑规则模型。
15.根据权利要求14所述的决策系统,所述决策逻辑规则模型建立模块具体包括:
第一确定子模块,确定所述决策目标对应的目标根节点;
第二确定子模块,确定决策所述目标根节点成立的中间节点决策层;
第三确定子模块,确定决策所述中间节点决策层中中间决策节点成立的叶子节点决策层;所述叶子节点决策层包括叶子决策节点;
决策逻辑规则模型建立子模块,根据所述叶子节点决策层与中间节点决策层之间的关系、所述中间节点决策层与目标根节点之间的关系建立所述决策逻辑规则模型。
16.根据权利要求15所述的决策系统,所述决策逻辑规则模型建立子模块包括:
赋值单元,分别赋予所述叶子节点决策层中叶子决策节点与所述中间节点决策层中中间决策节点之间的第一关系值、所述中间节点决策层中中间决策节点与目标根节点之间的第二关系值;其中,所述第一关系值和第二关系值均为权重;
预设单元,预设所述决策逻辑规则模型中的计算函数;
关联单元,通过所述计算函数和所述第一关系值将所述叶子决策节点与所述中间决策节点关联,通过所述计算函数和所述第二关系值将所述中间决策节点与所述目标根节点关联,完成所述决策逻辑规则模型的建立。
17.根据权利要求16所述的决策系统,所述信息获取模块具体用于获取决策所述叶子决策节点成立的文本信息、语音信息和/或图像信息。
18.根据权利要求17所述的决策系统,还包括预测模块,在利用所述样本信息训练所述决策逻辑规则模型之前,通过预测算法或者预测模型预测获取的决策所述叶子决策节点成立的样本信息属于所述叶子决策节点的概率。
19.根据权利要求18所述的决策系统,还包括预设模块,利用所述样本信息训练所述决策逻辑规则模型之前,分别预设所述中间节点决策层中中间决策节点的阈值、叶子节点决策层中叶子决策节点的阈值和目标根节点的阈值。
20.根据权利要求19所述的决策系统,所述训练模块具体用于根据所述样本信息属于所述叶子决策节点的概率、中间决策节点的阈值、叶子决策节点的阈值、目标根节点的阈值、计算函数、第一关系值和第二关系值,通过优化算法对所述第一关系值和第二关系值进行优化,得到训练后的决策逻辑规则模型。
21.根据权利要求20所述的决策系统,所述决策模块包括:
输入单元,将所述需要决策的信息属于所述叶子决策节点的概率,输入至所述叶子决策节点中,作为所述叶子决策节点成立的叶子决策节点值;
第一对比单元,将所述叶子决策节点值与所述叶子决策节点的阈值对比,当所述叶子决策节点值大于所述叶子决策节点的阈值时,所述叶子决策节点成立;
第一计算单元,当所述叶子决策节点成立时,利用所述计算函数对成立的叶子决策节点的叶子决策节点值和所述第一关系值进行计算,得到中间决策节点值;
第二对比单元,将所述中间决策节点值与所述中间决策节点的阈值对比,当所述中间决策节点值大于所述中间决策节点的阈值时,所述中间决策节点成立;
第二计算单元,当所述中间决策节点成立时,利用所述计算函数对成立的中间决策节点的中间决策节点值和所述第二关系值进行计算,得到目标根节点值;
第三对比单元,将所述目标根节点值与所述目标根节点的阈值对比,当所述目标根节点值大于所述目标根节点的阈值时,所述目标根节点成立;当所述目标根节点值小于所述目标根节点的阈值时,所述目标根节点不成立;
将所述目标根节点是否成立的结果作为所述需要决策的信息的决策结果。
22.根据权利要求21所述的决策系统,还包括:
提取模块,在得到所述决策结果之后,提取所述目标根节点成立时所述目标根节点对应的数据、所述中间节点决策层中成立的中间决策节点对应的数据和叶子节点决策层中成立的叶子决策节点对应的数据,以及成立的叶子决策节点与成立的中间决策节点的第一关系值、成立的中间决策节点与目标根节点之间的第二关系值;
转换模块,将提取的所述数据、第一关系值、第二关系值转换为可视化的决策逻辑规则,所述可视化的决策逻辑规则包括有向图或文字。
23.一种电子设备,包括:
存储器,用于存储程序指令;
处理器,用于执行所述程序指令,以实现权利要求1至12中任一项所述的决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914896.7A CN110705622A (zh) | 2019-09-26 | 2019-09-26 | 一种决策方法、系统以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910914896.7A CN110705622A (zh) | 2019-09-26 | 2019-09-26 | 一种决策方法、系统以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705622A true CN110705622A (zh) | 2020-01-17 |
Family
ID=69198017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910914896.7A Pending CN110705622A (zh) | 2019-09-26 | 2019-09-26 | 一种决策方法、系统以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705622A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815467A (zh) * | 2020-08-20 | 2020-10-23 | 支付宝(杭州)信息技术有限公司 | 审核方法以及装置 |
CN114924684A (zh) * | 2022-04-24 | 2022-08-19 | 南栖仙策(南京)科技有限公司 | 基于决策流图的环境建模方法、装置和电子设备 |
WO2023246146A1 (zh) * | 2022-06-23 | 2023-12-28 | 上海淇玥信息技术有限公司 | 基于优化规则决策树的目标安全识别方法及装置 |
-
2019
- 2019-09-26 CN CN201910914896.7A patent/CN110705622A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815467A (zh) * | 2020-08-20 | 2020-10-23 | 支付宝(杭州)信息技术有限公司 | 审核方法以及装置 |
CN114924684A (zh) * | 2022-04-24 | 2022-08-19 | 南栖仙策(南京)科技有限公司 | 基于决策流图的环境建模方法、装置和电子设备 |
WO2023246146A1 (zh) * | 2022-06-23 | 2023-12-28 | 上海淇玥信息技术有限公司 | 基于优化规则决策树的目标安全识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102170199B1 (ko) | 비교 세트를 사용한 입력 예시들 분류 | |
CN111080304B (zh) | 一种可信关系识别方法、装置及设备 | |
CN110705622A (zh) | 一种决策方法、系统以及电子设备 | |
CN113221747B (zh) | 一种基于隐私保护的隐私数据处理方法、装置及设备 | |
CN111325444B (zh) | 一种风险防控决策方法、装置、系统及设备 | |
CN113011529B (zh) | 文本分类模型的训练方法、装置、设备及可读存储介质 | |
CN114580263A (zh) | 基于知识图谱的信息系统故障预测方法及相关设备 | |
WO2017090194A1 (ja) | リスク評価方法、リスク評価プログラム及び情報処理装置 | |
CN112528029A (zh) | 文本分类模型处理方法、装置、计算机设备及存储介质 | |
CN111753290A (zh) | 软件类型的检测方法及相关设备 | |
CN112527959B (zh) | 基于无池化卷积嵌入和注意分布神经网络的新闻分类方法 | |
CN111881289A (zh) | 分类模型的训练方法、数据风险类别的检测方法及装置 | |
CN111444986A (zh) | 建筑图纸构件分类方法、装置、电子设备及存储介质 | |
CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
CN115712866A (zh) | 数据处理方法、装置及设备 | |
CN115456421A (zh) | 工单的分派方法及装置、处理器和电子设备 | |
CN116304341A (zh) | 基于用户网络大数据的欺诈判别方法及系统 | |
CN113961704A (zh) | 一种基于文本的风险防控处理方法、装置及设备 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN111259975A (zh) | 分类器的生成方法及装置、文本的分类方法及装置 | |
CN111159397B (zh) | 文本分类方法和装置、服务器 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN112668332A (zh) | 一种三元组抽取方法、装置、设备及存储介质 | |
CN113657353B (zh) | 公式识别方法、装置、电子设备及存储介质 | |
CN117216803B (zh) | 一种面向智慧金融的用户信息保护方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |
|
RJ01 | Rejection of invention patent application after publication |