CN111401722B - 智能决策方法和智能决策系统 - Google Patents

Abstract

本发明提供了一种智能决策方法和智能决策系统，所述智能决策方法可包括：响应于用于创建场景的用户操作，创建场景；响应于用于获取数据的用户操作，获取与创建的场景有关的输入数据；响应于用于创建指标的用户操作，基于获取的输入数据利用图引擎、专家规则和机器学习模型创建对应的指标；利用创建的指标创建决策规则并基于创建的决策规则创建决策流；对创建的决策流进行调试；基于针对所述场景的将被用于进行决策的数据，利用调试后的决策流进行决策以提供决策结果。

Description

智能决策方法和智能决策系统

技术领域

本公开总体说来涉及人工智能领域，更具体地，涉及一种基于场景的智能决策方法和智能决策系统。

背景技术

在进行决策前，通常首先需要收集用于决策的信息，在现今大数据技术日益普及的当下，可以用于决策的信息也越来越多、形态越来越丰富。这就要求决策产品需要支持灵活多变的数据格式和较好的扩展性。然而，现有的决策产品大多仅支持结构化数据，而没有考虑与图等新兴数据恰当结合以便做出更具洞察力的决策。此外，在决策方案制定过程中，现有决策产品主要是进行专家经验决策，然而这严重依赖专家个人水平，决策准确率及稳定性无法保证，同时存在时效性差和投入产出差的缺点。在大数据量下，专家的分析和总结能力也会遇到瓶颈，无法适应复杂多变的业务场景。而且，现阶段决策产品大多受制于以规则为中心的设计思路，对能够处理复杂长尾变量的机器学习模型的兼容适配差，而开源免费的决策产品，又往往离客户的实际需求较远，需要较多的开发和维护成本。部分已经商业化的决策产品又因为设计起初面向方向为特定业务场景，导致业务属性耦合严重，无法成为通用化的决策产品。鉴于此，需要更加通用、能够适应复杂多变的业务场景并且具有更高决策准确率和稳定性的智能决策产品。

发明内容

根据本公开的示例性实施例，提供了一种基于场景的智能决策方法，所述智能决策方法可包括：响应于用于创建场景的用户操作，创建场景；响应于用于获取数据的用户操作，获取与创建的场景有关的输入数据；响应于用于创建指标的用户操作，基于获取的输入数据利用图引擎、专家规则和机器学习模型创建对应的指标；利用创建的指标创建决策规则并基于创建的决策规则创建决策流；对创建的决策流进行调试；基于针对所述场景的将被用于进行决策的数据，利用调试后的决策流进行决策以提供决策结果。

根据本公开的另一示例性实施例，提供了一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如上所述的智能决策方法。

根据本公开的另一示例性实施例，提供了一种包括至少一个计算装置和存储指令的至少一个存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如上所述的智能决策方法。

根据本公开的另一示例性实施例，提供了一种基于场景的智能决策系统，所述智能决策系统可包括：场景创建装置，被配置为响应于用于创建场景的用户操作，创建场景；数据获取装置，被配置为响应于用于获取数据的用户操作，获取与创建的场景有关的输入数据；指标创建装置，被配置为响应于用于创建指标的用户操作，基于获取的输入数据利用图引擎、专家规则和机器学习模型创建对应的指标；决策流创建装置，利用创建的指标创建决策规则并基于创建的决策规则创建决策流；调试装置，被配置为对创建的决策流进行调试；决策执行装置，被配置为基于针对所述场景的将被用于进行决策的数据，利用调试后的决策流进行决策以提供决策结果。

根据本公开的基于场景的智能决策方法和智能决策系统，不仅可支持用户自己创建场景，而且不再单纯依赖专家规则创建指标，而是结合机器学习模型和图引擎一起创建指标，因此，不仅更具通用性，而且能够更加适应复杂多变的业务场景并且提供准确率和稳定性更高的决策结果。

附图说明

从下面结合附图对本公开实施例的详细描述中，本公开的这些和/或其他方面和优点将变得更加清楚且更容易理解，其中：

图1示出根据本公开示例性实施例的基于场景的智能决策系统的框图；

图2示出根据本公开示例性实施例的智能决策系统进行智能决策的示意图；

图3示出根据本公开示例性实施例的基于场景的智能决策方法的流程图。

具体实施方式

为了使本领域技术人员更好地理解本公开，下面结合附图和具体实施方式对本公开的示例性实施例作进一步详细说明。

图1是示出根据本公开示例性实施例的基于场景的智能决策系统100的框图。如图1所示，智能决策系统100可包括场景创建装置110、数据获取装置120、指标创建装置130、决策流创建装置140、调试装置150以及决策执行装置160。

具体地，场景创建装置110可响应于用于创建场景的用户操作，创建场景。这里，用于创建场景的用户操作可包括创建场景过程中涉及的一系列操作，其既可以是在用于创建场景的用户界面上的操作(例如，触摸操作)，也可以是其他快捷操作，本公开对用户操作的类型和方式没有限制。根据示例性实施例，场景创建装置110可响应于用于创建场景的用户操作，定义所述场景的基本信息，定义所述场景的输入信息和输出信息，并且将所述场景的输入信息与适于所述场景的业务字段相映射。这里，场景的基本信息用于定义期望解决什么问题，其可以是定义场景本身的基础信息，例如，场景名称、场景类型、关于场景的描述等。作为示例，上述基础信息可以是资格审查、额度费率计算、信用评分评级、风控反欺诈、积分管理、营销推荐策略等。定义场景的输入信息可以是定义在所创建的场景的决策中有哪些信息需要输入。输入信息既可以是基于行列的结构化数据，也可以是顶点、边和映射函数三元组的图数据，还可以是机器学习模型可处理的图像、文本、语音以及序列等多种类型的数据。定义场景的输出信息可以是定义决策输出是什么，即，定义决策结果可以包括哪些选项。

根据示例性实施例，创建的场景可以是与反欺诈有关的场景，例如，申请反欺诈场景，但不限于此。需要说明的是，在本公开中，可根据需要定义任何业务场景，而并不限于以上示例。为描述方便，在本公开中，将重点以所创建的场景是申请反欺诈场景为例，对本发明的智能决策系统进行介绍。在所创建的场景是申请反欺诈场景的情况下，定义的输入信息可包括申请人的身份信息(例如，年龄、公司、行业、人脸图像、身份证号等)、申请人所在环境信息(例如，申请人所用设备、申请人所在位置信息等)、与所申请产品有关的信息(例如，所申请产品的类型、额度、利率等)以及与申请人相关的外部资信信息(例如，申请人的通话信息、多头信息、人行报告等)中的至少一个，但不限于此。在这种情况下，定义的输出信息可以是申请拒绝、申请通过和申请需人工审核中的一个，但不限于此。另外，需要说明的是，定义场景的输入信息可通过直接导入外部文件来定义，该外部文件例如可以是包含输入信息的数据表；或者，也可直接在用户界面上通过用户的输入操作来定义场景的输入信息。

此外，在定义了场景的输入信息和输出信息之后，如上所述，场景创建装置110可将场景的输入信息与适于该场景的业务字段相映射。例如，智能决策系统100可预先设置针对一些场景的业务字段，这些业务字段可以是反映不同场景的属性字段，而将输入信息与业务字段相映射便于后续对输入信息的处理。例如，预先设置的一个业务字段可以是客户唯一标识，当获取的输入信息中包括客户号时，可将客户号与客户唯一标识这个业务字段相映射；或者，预先设置的一个业务字段可以是客户所在地，当获取的输入信息中包括客户的位置信息(例如，经纬度)时，可将该位置信息与客户所在地这一业务字段相映射。

可选地，根据本公开另一示例性实施例，如果存在与期望创建的场景对应的场景模板，场景创建装置110也可响应于用户的操作，利用预置的场景模板来创建场景，而无需自定义场景的输入信息和输出信息，这可便于基于相同或相似的场景快速创建期望的场景。具体地，在这种情况下，场景创建装置110可响应于用户的操作，从预置的场景模板中选择期望的场景模板，并将选择的场景模板中的业务字段与场景的请求报文字段相映射，进而创建场景。另外，可选地，如果基于场景模板中的业务字段预置了对应的业务监控和报表，则可在业务字段的映射完成后接入对应的业务监控和报表，以便于后续监控和查看。

在场景创建完成之后，数据获取装置120可响应于用于获取数据的用户操作，获取与创建的场景有关的输入数据。例如，数据获取装置120可响应于用户在用户界面上的菜单操作，从本地或外部设备导入与创建的场景有关的输入数据，并且这些输入数据可对应于先前所定义的场景的输入信息。关于获取数据的用户操作的类型以及具体获取输入数据的方式，本公开对此均无限制。

之后，指标创建装置130可响应于用于创建指标的用户操作，基于获取的输入数据利用图引擎、专家规则和机器学习模型创建对应的指标。具体地，指标创建装置130可基于获取的输入数据之中的适于利用专家规则进行处理的输入数据，利用专家规则创建经验相关指标；基于获取的输入数据之中的适于利用图引擎进行处理的输入数据来创建图，并利用创建的图创建图相关指标；基于获取的输入数据之中的适于利用机器学习模型进行处理的输入数据来创建机器学习模型，并利用机器学习模型创建模型相关指标。以申请反欺诈场景为例，这里，适于利用专家规则进行处理的输入数据例如可以是一些相对明显和共性的变量，适于利用图引擎进行处理的输入数据可以例如是多度关联数据，适于利用机器学习模型进行处理的输入数据例如可以是复杂长尾变量，例如，一些隐性或个性的变量常常难以被人察觉，此时更适合通过机器学习模型进行处理。

这里，指标创建装置130利用专家规则创建经验相关指标可以是利用专家规则定义或编写经验相关指标。指标创建装置130基于获取的输入数据之中的适于利用图引擎进行处理的输入数据来创建图，并利用创建的图创建图相关指标可包括：基于适于利用图引擎进行处理的输入数据，可视化地利用图数据库(例如，arangodb、Neo4j等)或关系型数据库定义图的节点和边所涉及的属性并将节点和边所涉及的属性的值与业务字段相映射；并且利用创建的图归纳演绎出图相关指标。例如，如果创建的场景是申请反欺诈场景，则可利用图数据库或关系型数据库定义图的节点“会员”、“商户”和“设备”以及节点之间的关系(即，图的边)，比如，会员之间可以具有相互呼叫的关系，会员和商户间有申请关系(即，会员会申请商户)，会员和设备间有拥有的关系(即，会员会拥有设备)。另外，在定义了节点和边之外，可定义节点和边所涉及的属性，例如，会员节点可有年龄、性别的属性，呼叫关系的边上有通话时长、频次的属性，等等。上述定义完成后将输入数据中的字段与节点和边上的值进行映射即可完成图的创建，而在图的创建完成之后，可根据图进一步归纳演绎出图相关指标。

另外，指标创建装置130基于获取的输入数据之中的适于利用机器学习模型进行处理的输入数据来创建机器学习模型，并利用机器学习模型创建模型相关指标可包括：基于适于机器学习模型进行处理的输入数据，按照用户定义的特征提取方式生成将用于机器学习模型训练的特征；通过用户界面定义机器学习模型和模型的参数配置；利用生成的特征以及定义的参数配置，对定义的机器学习模型进行训练来创建机器学习模型；利用创建的机器学习模型执行预测并利用机器学习模型的预测结果创建模型相关指标。在本公开中，用户可事先定义特征提取方式，例如，特征抽取脚本。此外，还可通过用户界面定义使用什么样的机器学习模型(例如，定义使用逻辑回归模型) 以及模型的参数配置(例如，定义模型训练时的超参数，比如，最大训练轮数、正则项系数等)，在定义了以上配置之后，便可利用输入数据开始训练，并且可依据训练结束的评估结果判断是否需要调整参数和特征提取方式，多次循环后完成模型的创建。在模型创建完成了，指标创建装置130可利用创建的机器学习模型执行预测并利用机器学习模型的预测结果创建模型相关指标。例如，在机器学习模型创建完成之后，可获取与创建的场景有关的预测数据，利用机器学习模型执行预测，并利用机器学习模型针对预测数据的预测结果来确定模型分值，作为模型相关指标。

这里，仍以所创建的场景是申请反欺诈场景为例，对上述各种指标进行示例性说明。例如，如果所创建的场景是申请反欺诈场景，则创建的经验相关指标可包括年龄、性别、申请金额和同设备申请数中的至少一个，但不限于此；图相关指标可包括与申请人相关联的关联人中的被确定为黑名单的人数或占比，但不限于此；模型相关指标可包括模型分值，但不限于此。

在指标创建之后，决策流创建装置140可利用创建的指标创建决策规则并基于创建的决策规则创建决策流。具体地，例如，决策流创建装置140可响应于在决策规则配置界面上的用户操作，可视化地利用创建的指标创建决策规则。这里，决策规则可包括普通规则(例如，普通的条件表达式及其通过逻辑运算构成的条件组合，诸如，第一指标大于预定阈值，或者，第一指标小于预定阈值并且第二指标大于0)、评分卡和决策表中的至少一个，但不限于此。决策表、评分卡类似于普通规则，只是用卡片和表格的形式配置，在碰到复杂决策场景下，比如按年龄不同和月收入不同的阈值排列组合赋予不同的授信额度，这种情况如果年龄有5个分段，如小于18、18-30、30-45、 45-60、大于60，并且月收入也是有5个分段，就可能有25个条件，如果使用普通规则的配置方式会极其繁琐，此时便可采用评分卡和决策表这种更加简便的决策规则配置方式。作为示例，决策流创建装置140可响应于用户在决策规则配置界面上的用户操作，首先选择之前创建的指标，然后设置各个指标的阈值以及指标与阈值之间的关系，并且还可设置由指标和阈值构成的规则之间的逻辑运算，从而共同构成决策规则。在决策规则配置界面上，决策流创建装置140还可定义规则码、规则名称、规则标签、规则描述等，并且还可响应于用户的操作而保存创建的每个决策规则。例如，在申请反欺诈场景中，创建的规则可以是年龄大于18且小于60、评分卡分数大于0.8、二度联系人黑名单人数大于5、模型分值大于0.1等等，但不限于此。

在决策规则创建之后，决策流创建装置140可响应于用户在决策流编排界面上的用户操作，对创建的决策规则进行可视化编排来创建决策流。对于不同决策场景而言，决策流程的可视化对于后续调整和优化决策流程是很有必要的。例如，在本公开中，决策流创建装置140可使用在画布中拖入节点并设置节点之间的先后顺序的方式对决策流程进行编排。这里，每个节点可对应于一个决策规则，此外，节点除可以对应决策规则之外，还可包括输入节点和输出节点，输入节点可表示数据输入，而输出节点可表示决策输出。

根据示例性实施例，在决策流创建之后，调试装置150可对创建的决策流进行调试，以确保决策流的有效性，进而提升决策效果。具体地，调试装置150可对创建的决策规则所涉及的阈值以及决策流的整体流程进行调试。现有的一些决策产品对决策方案对比的可视化分析功能不够完善，比如只能提供简单图表展示，不支持决策效果对比和差异个案的调查，而本发明通过可视化地显示各种评价指标以及与决策流有关的统计数据，可以方便用户对不同决策方案的对比分析。作为示例，调试装置150可以可视化地显示针对决策规则所涉及的不同阈值的二分类指标，并根据显示的二分类评价指标对创建的决策规则所涉及的阈值进行调试。这里，二分类评价指标可包括混淆矩阵和根据混淆矩阵衍生出的评价指标中的至少一个，但不限于此。例如，可分别显示资产负债率大于不同阈值(比如，资产负债率大于50％、资产负债率大于55％以及资产负债率大于60％)下的混淆矩阵以及根据混淆矩阵计算出的准确率和召回率等，并以此来衡量决策规则是否满足用户的期望。

此外，调试装置150不仅可以对单个决策规则进行调试，而且可以对决策流的整体流程进行调试，例如，确定流程判断和最终的结果分布是否符合预期。具体地，例如，调试装置150可以可视化地显示与决策流有关的统计数据，并根据显示的统计数据对决策流中的决策规则所涉及的阈值以及决策流的整体流程进行调整。这里，与决策流有关的统计数据可包括各个节点的流量数据以及各个决策规则的统计数据，例如，每个规则的击中率，但不限于此。例如，如果某个规则的击中率低于阈值，则可以调整该规则涉及的阈值，或者可调整节点之间的先后顺序，甚至可以删除该节点。需要说明的是，在本公开中，既可以在每个决策规则创建之后就对决策规则涉及的阈值进行调试，也可在整个决策流创建完成之后，对决策规则涉及的阈值进行调整并调整决策流的整个流程。

在完成了决策流的调试之后，便可将调整后的决策流上线以利用其进行决策。根据示例性实施例，决策执行装置160可基于针对所述场景的将被用于进行决策的数据，利用调试后的决策流进行决策以提供决策结果。例如，在申请反欺诈场景中，决策执行装置160可基于针对该场景的输入数据(这些输入数据可对应于先前针对该场景定义的输入信息)利用调试后的决策流直接进行决策以确定是拒绝申请、通过申请还是确定申请需要人工进一步审核。

根据本发明另一示例性实施例，为了保证决策流持续可用并且能够不断适应业务场景的变化，从而保证决策效果不随时间衰减，智能决策系统100 还可包括决策流调整装置(未示出)。决策流调整装置可获取针对决策结果的反馈信息(例如，用户对于决策结果是否正确的反馈)，并基于获取的反馈信息对决策流进行优化调整，从而使得智能决策系统100可利用不断优化调整的决策流进行决策。这里，基于获取的反馈信息对决策流进行优化调整可包括：基于获取的反馈信息对决策流中的决策规则进行调整，以及基于获取的反馈信息对决策流的整体流程进行调整。具体地，基于获取的反馈信息对决策流中的决策规则进行调整可以包括：首先，基于获取的反馈信息对创建的图进行调整，并且基于获取的反馈信息对机器学习模型进行调整；随后，可利用调整后的图和机器学习模型对指标进行调整，并利用调整后的指标对决策规则进行调整。对创建的图进行调整可包括重新设计图，重新调整图的节点和边，或者重新调整节点和边的属性。对机器学习模型进行调整可以指对机器学习模型的模型参数进行调整。作为示例，对决策规则进行调整可包括增加新的决策规则、删除现有的决策规则中的一部分和/或调整现有决策规则所涉及的阈值，但不限于此。

传统决策产品中多依赖专家的经验对决策流进行调整，而这会导致决策流的调整相对滞后，无法适应迅速变化的业务场景。而在本公开中，可通过机器学习模型的自学习来对创建的机器学习模型进行调整。具体地，以上提及的基于获取的反馈信息对机器学习模型进行调整可包括：根据预先通过用户界面设置的与机器学习模型自学习相关的配置信息，基于获取的反馈信息对创建的机器学习模型进行自学习来调整机器学习模型。作为示例，与机器学习模型自学习相关的配置信息可包括自学习的运行模式(例如，单次运行、循环运行、crontab表达式(crontab表达式可指示自学习的频次)或接口调用等)、自学习的开始时间、自学习所使用的反馈数据的选取(例如，可设置选择某一特定时间段内的反馈数据)，但不限于此。以上配置信息可通过用户在用户界面上的一系列操作来设置，并且设置好的配置信息可被保存，以便于决策流调整装置根据该配置信息来对机器学习模型进行调整。

以上已经参照图1详细描述了根据本公开示例性实施例的智能决策系统，该智能决策系统可支持用户自己创建场景，因此更具通用性，此外，由于不再单纯依赖专家规则创建指标，而是结合机器学习模型和图引擎一起创建指标，因此能够更加适应复杂多变的业务场景并且提供准确率和稳定性更高的决策结果。

需要说明的是，智能决策系统100不仅可以是面向B端企业的软件系统中的一部分，也可以是面向C端用户的软件系统中的一部分，本公开对此并无限制。而且，智能决策系统100也并不仅限于包括以上描述的装置，而是还可根据需要增加一些其他装置，例如，存储装置、数据处理装置、用户交互接口(诸如，键盘、鼠标、触摸输入装置等)等，或者以上参照图1描述的任何装置可被组合为一个装置。另外，智能决策系统的所有组件(包括以上参照图1描述的装置)可经由总线和/或网络而彼此连接。此外，本公开中提及的用户操作均既可以是借助一定的输入工具来实现，也可以是直接通过用户的触摸输入实现，或者可通过以上两者的组合来实现。

以下，为便于更直观地理解根据本公开示例性实施例的智能决策系统进行智能决策的过程，参照图2对其进行简要描述。图2示出根据本公开示例性实施例的智能决策系统进行智能决策的示意图。

参照图2，智能决策系统首先需要创建场景(也可称为“定义场景”)，随后，需要获取与创建的场景有关的输入数据(在图2中被简称为“数据引入”)。接下来，智能决策系统可基于输入数据，利用图引擎、专家规则和机器学习模型创建对应的指标。如图2所示，为了利用图引擎创建图相关指标，智能决策系统可首先创建图，而创建图包括设计图(例如，设计图的节点和边并定义图的节点和边所涉及的属性)以及进行字段映射(即，将设计的图的节点和边所涉及的属性与业务字段相映射)，例如，将请求报文中会员ID 字段映射到会员节点，将设备ID字段映射到设备号。可选地，在有了节点和边并且映射了字段后还可以进行图查询，比如将一个坏客户号23434234放在图中查询，可以看出这个坏客户用了一个关联了很多人的设备，这时可以指导指标创建。另外，可选地，还可以利用创建的图进行团定义，例如，定义关联关系和力度生成报告，比如认为同设备使用人数超过10人是不正常的，这个时候生成团，并且生成的疑似团的报告可指导后续指标创建。

为了利用机器学习模型创建模型相关指标，智能决策系统首先需要创建机器学习模型，然后利用机器学习模型创建模型相关指标。具体地，如图2 所示，智能决策系统首先需要进行模型训练，然后进行模型评估，并可将评估后满足条件的机器学习模型进行发布，此外，可执行模型的部署服务。这里，模型的部署服务可以是将模型的计算公式部署在某些服务器上，分配计算资源，保证在线上业务请求时可以在一定响应时间和吞吐量的情况下正确计算。

在利用图引擎、专家规则和机器学习模型创建对应的指标之后，智能决策系统可利用创建的指标创建决策规则，创建决策规则例如可以包括创建普通规则、创建决策表以及创建评分卡。在创建决策规则之后，智能决策系统可对决策规则中所涉及的阈值进行调试(图2中简称为“阈值测试”)，并可进一步基于创建的决策规则创建决策流。此外，创建的决策流也可被调试，例如，既可调试决策流中的决策规则所涉及的阈值，也可调整决策流的整个流程。

另外，如以上参照图1所述，在利用创建的决策流执行决策之后，还可获取针对决策结果的反馈信息，并基于获取的反馈信息对决策流进行优化调整(在图2中被表示为“结果反馈”)。这里，对决策流调整可以包括基于获取的反馈信息对机器学习模型进行调整，但不限于此。而对机器学习模型进行调整可以是基于获取的反馈信息对创建的机器学习模型进行自学习来调整机器学习模型的参数，此外，调整后的机器学习模型可被再发布以参与决策。

以上，已经参照图2的示意图简要地描述了智能决策系统执行决策的过程，但是，以上过程仅是示例，可根据需要省略或合并部分环节。

接下来，将继续参照图3对根据本申请示例性实施例的智能决策方法进行简要描述。图3示出根据本公开示例性实施例的基于场景的智能决策方法的流程图。

这里，作为示例，图3所示的智能决策方法可由图1所示的智能决策系统100来执行，也可完全通过计算机程序或指令以软件方式实现，还可通过特定配置的计算系统或计算装置来执行，例如，可通过包括至少一个计算装置和至少一个存储指令的存储装置的系统来执行，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行上述智能决策方法。为了描述方便，假设图3所示的智能决策方法由图1所示的智能决策系统100来执行，并假设智能决策系统100可具有图1所示的配置。

参照图3，在步骤S310，场景创建装置110可响应于用于创建场景的用户操作，创建场景。在步骤S310，场景创建装置110可定义所述场景的基本信息，定义所述场景的输入信息和输出信息，并且将所述场景的输入信息与适于所述场景的业务字段相映射；或者，场景创建装置110也可利用预置的场景模板来创建场景。例如，创建的场景可以是与反欺诈有关的场景，例如，申请反欺诈场景，但不限于此。此外，在创建的场景是与反欺诈有关的场景的情况下，输入信息可包括申请人的身份信息、申请人所在环境信息、与所申请产品有关的信息以及与申请人相关的外部资信信息中的至少一个，输出信息可以为申请拒绝、申请通过和申请需人工审核中的一个。

接下来，在步骤S320，数据获取装置120可响应于用于获取数据的用户操作，获取与创建的场景有关的输入数据。随后，在步骤S330，指标创建装置130可响应于用于创建指标的用户操作，基于获取的输入数据利用图引擎、专家规则和机器学习模型创建对应的指标。具体地，例如，在步骤S330，指标创建装置130可基于获取的输入数据之中的适于利用专家规则进行处理的输入数据，利用专家规则创建经验相关指标；基于获取的输入数据之中的适于利用图引擎进行处理的输入数据来创建图，并利用创建的图创建图相关指标；基于获取的输入数据之中的适于利用机器学习模型进行处理的输入数据来创建机器学习模型，并利用机器学习模型创建模型相关指标。根据示例性实施例，基于获取的输入数据之中的适于利用图引擎进行处理的输入数据来创建图，并利用创建的图创建图相关指标可包括：基于适于利用图引擎进行处理的输入数据，可视化地利用图数据库或关系型数据库定义图的节点和边所涉及的属性并将节点和边所涉及的属性的值与业务字段相映射；并且利用创建的图归纳演绎出图相关指标。此外，基于获取的输入数据之中的适于利用机器学习模型进行处理的输入数据来创建机器学习模型，并利用机器学习模型创建模型相关指标可包括：基于适于机器学习模型进行处理的输入数据，按照用户定义的特征提取方式生成将用于机器学习模型训练的特征；通过用户界面定义机器学习模型和模型的参数配置；利用生成的特征以及定义的参数配置，对定义的机器学习模型进行训练来创建机器学习模型；利用创建的机器学习模型执行预测并利用机器学习模型的预测结果创建模型相关指标。

作为示例，在场景的场景是与反欺诈有关的场景的情况下，经验相关指标可包括年龄、性别、申请金额和同设备申请数中的至少一个，图相关指标包括与申请人相关联的关联人中的被确定为黑名单的人数或占比，模型相关指标包括模型分值。

随后，在步骤S340，决策流创建装置140可利用创建的指标创建决策规则并基于创建的决策规则创建决策流。作为示例，决策规则可包括普通规则、评分卡和决策表中的至少一个，但不限于此。例如，在步骤S340，决策流创建装置140可响应于在决策规则配置界面上的用户操作，可视化地利用创建的指标创建决策规则，并且响应于用户在决策流编排界面上的用户操作，对创建的决策规则进行可视化编排来创建决策流。

在步骤S350，调试装置150可对创建的决策流进行调试。例如，调试装置150可对创建的决策规则所涉及的阈值以及决策流的整体流程进行调试。具体而言，对创建的决策规则所涉及的阈值以及决策流的整体流程进行调试可包括：可视化地显示针对决策规则所涉及的不同阈值的二分类指标，并根据显示的二分类评价指标对创建的决策规则所涉及的阈值进行调试；并且可视化地显示与决策流有关的统计数据，并根据显示的统计数据对决策流中的决策规则所涉及的阈值以及决策流的整体流程进行调整。这里，二分类评价指标可包括混淆矩阵和根据混淆矩阵衍生出的评价指标中的至少一个，但不限于此。

最后，在步骤S360，决策执行装置160可基于针对所述场景的将被用于进行决策的数据，利用调试后的决策流进行决策以提供决策结果。

可选地，如以上参照图1所述，智能决策系统100还可包括决策流调整装置。相应地，图3所示的智能决策方法还可包括以下步骤(未示出)：获取针对决策结果的反馈信息，并基于获取的反馈信息对决策流进行优化调整。具体地，基于获取的反馈信息对决策流进行优化调整既可以包括基于获取的反馈信息对决策流中的决策规则进行调整，也可以包括基于获取的反馈信息对决策流的整体流程进行调整。例如，基于获取的反馈信息对决策流中的决策规则进行调整可包括：基于获取的反馈信息对创建的图进行调整，并且基于获取的反馈信息对机器学习模型进行调整；利用调整后的图和机器学习模型对指标进行调整，并利用调整后的指标对决策规则进行调整。作为示例，对决策规则进行调整可包括增加新的决策规则、删除现有的决策规则中的一部分和/或调整现有决策规则所涉及的阈值，但不限于此。此外，根据示例性实施例，基于获取的反馈信息对机器学习模型进行调整可包括：根据预先通过用户界面设置的与机器学习模型自学习相关的配置信息，基于获取的反馈信息对创建的机器学习模型进行自学习来调整机器学习模型。

事实上，由于图3所示的智能决策方法可由图1所示的智能决策系统100 来执行，因此，关于以上步骤中所涉及的相关细节，均可参见关于图1的相应描述，这里不再赘述。

根据以上描述的智能决策方法可支持用户自己创建场景，所以更具通用性，此外，由于不再单纯依赖专家规则创建指标，而是结合机器学习模型和图引擎一起创建指标，因此能够更加适应复杂多变的业务场景并且提供准确率和稳定性更高的决策结果。

以上已参照图1至图3描述了根据本公开示例性实施例的智能决策系统和智能决策方法。然而，应理解的是：附图中示出的装置和系统可被分别配置为包括执行特定功能的软件、硬件、固件或上述项的任意组合。例如，这些系统、装置可对应于专用的集成电路，还可对应于软件与硬件相结合的模块。此外，这些系统或装置所实现的一个或多个功能也可由物理实体设备(例如，处理器、客户端或服务器等)中的组件来统一执行。

此外，上述智能决策方法可通过记录在计算机可读存储介质上的指令来实现，例如，根据本公开的示例性实施例，可提供一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行以下步骤：响应于用于创建场景的用户操作，创建场景；响应于用于获取数据的用户操作，获取与创建的场景有关的输入数据；响应于用于创建指标的用户操作，基于获取的输入数据利用图引擎、专家规则和机器学习模型创建对应的指标；利用创建的指标创建决策规则并基于创建的决策规则创建决策流；对创建的决策流进行调试；基于针对所述场景的将被用于进行决策的数据，利用调试后的决策流进行决策以提供决策结果。

上述计算机可读存储介质中存储的指令可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行，应注意，所述指令还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理，这些附加步骤和进一步处理的内容已经在参照图3进行方法的描述过程中提及，因此这里为了避免重复将不再进行赘述。

应注意，根据本公开示例性实施例的智能决策系统可完全依赖计算机程序或指令的运行来实现相应的功能，即，各个装置在计算机程序的功能架构中与各步骤相应，使得整个系统通过专门的软件包(例如，lib库)而被调用，以实现相应的功能。

另一方面，当图1所示的系统和装置通过软件、固件、中间件或微代码实现其功能时，用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中，使得至少一个处理器或至少一个计算装置可通过读取并运行相应的程序代码或者代码段来执行相应的操作。

例如，根据本公开示例性实施例，可提供一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行下述步骤：响应于用于创建场景的用户操作，创建场景；响应于用于获取数据的用户操作，获取与创建的场景有关的输入数据；响应于用于创建指标的用户操作，基于获取的输入数据利用图引擎、专家规则和机器学习模型创建对应的指标；利用创建的指标创建决策规则并基于创建的决策规则创建决策流；对创建的决策流进行调试；基于针对所述场景的将被用于进行决策的数据，利用调试后的决策流进行决策以提供决策结果。

具体说来，上述智能决策系统可以部署在服务器或客户端中，也可以部署在分布式网络环境中的节点上。此外，所述系统可以是PC计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。

这里，所述智能决策系统并非必须是单个系统，还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。所述智能决策系统还可以是集成控制系统或系统管理器的一部分，或者可被配置为与本地或远程(例如，经由无线传输)以接口互联的便携式电子装置。

此外，所述至少一个计算装置可包括中央处理器(CPU)、图形处理器 (GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器、显示装置等。作为示例而非限制，所述至少一个计算装置还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。计算装置可运行存储在存储装置之一中的指令或代码，其中，所述存储装置还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收，其中，所述网络接口装置可采用任何已知的传输协议。

存储装置可与计算装置集成为一体，例如，将RAM或闪存布置在集成电路微处理器等之内。此外，存储装置可包括独立的装置，诸如，外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储装置和计算装置可在操作上进行耦合，或者可例如通过I/O端口、网络连接等互相通信，使得计算装置能够读取存储在存储装置中的指令。

以上描述了本公开的各示例性实施例，应理解，上述描述仅是示例性的，并非穷尽性的，本公开不限于所披露的各示例性实施例。在不偏离本公开的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此，本公开的保护范围应该以权利要求的范围为准。

Claims (26)

1.一种基于场景的智能决策方法，包括：

响应于用于创建场景的用户操作，创建场景；

响应于用于获取数据的用户操作，获取与创建的场景有关的输入数据；

响应于用于创建指标的用户操作，基于获取的输入数据利用图引擎、专家规则和机器学习模型创建对应的指标；

利用创建的指标创建决策规则并基于创建的决策规则创建决策流；

对创建的决策流进行调试；

基于针对所述场景的将被用于进行决策的数据，利用调试后的决策流进行决策以提供决策结果，

其中，基于获取的输入数据利用图引擎、专家规则和机器学习模型创建对应的指标包括：

基于获取的输入数据之中的适于利用专家规则进行处理的输入数据，利用专家规则创建经验相关指标；

基于获取的输入数据之中的适于利用图引擎进行处理的输入数据来创建图，并利用创建的图创建图相关指标；

基于获取的输入数据之中的适于利用机器学习模型进行处理的输入数据来创建机器学习模型，并利用创建的机器学习模型的预测结果创建模型相关指标。

2.如权利要求1所述的智能决策方法，其中，创建场景的步骤包括：

定义所述场景的基本信息，定义所述场景的输入信息和输出信息，并且将所述场景的输入信息与适于所述场景的业务字段相映射；或者

利用预置的场景模板来创建场景。

3.如权利要求1所述的智能决策方法，其中，所述决策规则包括普通规则、评分卡和决策表中的至少一个。

4.如权利要求1或3所述的智能决策方法，其中，利用创建的指标创建决策规则并基于创建的决策规则创建决策流包括：

响应于在决策规则配置界面上的用户操作，可视化地利用创建的指标创建决策规则；

响应于用户在决策流编排界面上的用户操作，对创建的决策规则进行可视化编排来创建决策流。

5.如权利要求1所述的智能决策方法，其中，对创建的决策流进行调试包括：对创建的决策规则所涉及的阈值以及决策流的整体流程进行调试。

6.如权利要求5所述的智能决策方法，其中，对创建的决策规则所涉及的阈值以及决策流的整体流程进行调试包括：

可视化地显示针对决策规则所涉及的不同阈值的二分类指标，并根据显示的二分类评价指标对创建的决策规则所涉及的阈值进行调试，其中，二分类评价指标包括混淆矩阵和根据混淆矩阵衍生出的评价指标中的至少一个；

可视化地显示与决策流有关的统计数据，并根据显示的统计数据对决策流中的决策规则所涉及的阈值以及决策流的整体流程进行调整。

7.如权利要求1所述的智能决策方法，其中，

基于获取的输入数据之中的适于利用图引擎进行处理的输入数据来创建图，并利用创建的图创建图相关指标包括：基于适于利用图引擎进行处理的输入数据，可视化地利用图数据库或关系型数据库定义图的节点和边所涉及的属性并将节点和边所涉及的属性的值与业务字段相映射；并且利用创建的图归纳演绎出图相关指标；

基于获取的输入数据之中的适于利用机器学习模型进行处理的输入数据来创建机器学习模型，并利用创建的机器学习模型的预测结果创建模型相关指标包括：

基于适于机器学习模型进行处理的输入数据，按照用户定义的特征提取方式生成将用于机器学习模型训练的特征；通过用户界面定义机器学习模型和模型的参数配置；利用生成的特征以及定义的参数配置，对定义的机器学习模型进行训练来创建机器学习模型；利用创建的机器学习模型执行预测并利用机器学习模型的预测结果创建模型相关指标。

8.如权利要求1所述的智能决策方法，还包括：获取针对决策结果的反馈信息，并基于获取的反馈信息对决策流进行优化调整。

9.如权利要求8所述的智能决策方法，其中，基于获取的反馈信息对决策流进行优化调整包括：

基于获取的反馈信息对决策流中的决策规则进行调整，以及基于获取的反馈信息对决策流的整体流程进行调整，

其中，基于获取的反馈信息对决策流中的决策规则进行调整包括：

基于获取的反馈信息对创建的图进行调整，并且基于获取的反馈信息对机器学习模型进行调整；

利用调整后的图和机器学习模型对指标进行调整，并利用调整后的指标对决策规则进行调整，其中，对决策规则进行调整包括增加新的决策规则、删除现有的决策规则中的一部分和/或调整现有决策规则所涉及的阈值。

10.如权利要求9所述的智能决策方法，其中，基于获取的反馈信息对机器学习模型进行调整包括：

根据预先通过用户界面设置的与机器学习模型自学习相关的配置信息，基于获取的反馈信息对创建的机器学习模型进行自学习来调整机器学习模型。

11.如权利要求2所述的智能决策方法，其中，创建的场景是与反欺诈有关的场景，

其中，输入信息包括申请人的身份信息、申请人所在环境信息、与所申请产品有关的信息以及与申请人相关的外部资信信息中的至少一个，输出信息为申请拒绝、申请通过和申请需人工审核中的一个。

12.如权利要求11所述的智能决策方法，其中，经验相关指标包括年龄、性别、申请金额和同设备申请数中的至少一个，图相关指标包括与申请人相关联的关联人中的被确定为黑名单的人数或占比，模型相关指标包括模型分值。

13.一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至12中的任一权利要求所述的智能决策方法。

14.一种包括至少一个计算装置和存储指令的至少一个存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至12中的任一权利要求所述的智能决策方法。

15.一种基于场景的智能决策系统，包括：

场景创建装置，被配置为响应于用于创建场景的用户操作，创建场景；

数据获取装置，被配置为响应于用于获取数据的用户操作，获取与创建的场景有关的输入数据；

指标创建装置，被配置为响应于用于创建指标的用户操作，基于获取的输入数据利用图引擎、专家规则和机器学习模型创建对应的指标；

决策流创建装置，利用创建的指标创建决策规则并基于创建的决策规则创建决策流；

调试装置，被配置为对创建的决策流进行调试；

决策执行装置，被配置为基于针对所述场景的将被用于进行决策的数据，利用调试后的决策流进行决策以提供决策结果，

其中，指标创建模块被配置为：

基于获取的输入数据之中的适于利用专家规则进行处理的输入数据，利用专家规则创建经验相关指标；

基于获取的输入数据之中的适于利用图引擎进行处理的输入数据来创建图，并利用创建的图创建图相关指标；

基于获取的输入数据之中的适于利用机器学习模型进行处理的输入数据来创建机器学习模型，并利用机器学习模型的预测结果创建模型相关指标。

16.如权利要求15所述的智能决策系统，其中，场景创建装置被配置为定义所述场景的基本信息，定义所述场景的输入信息和输出信息，并且将所述场景的输入信息与适于所述场景的业务字段相映射；或者

利用预置的场景模板来创建场景。

17.如权利要求16所述的智能决策系统，其中，所述决策规则包括普通规则、评分卡和决策表中的至少一个。

18.如权利要求16或17所述的智能决策系统，其中，决策流创建装置被配置为：

响应于在决策规则配置界面上的用户操作，可视化地利用创建的指标创建决策规则；

响应于用户在决策流编排界面上的用户操作，对创建的决策规则进行可视化编排来创建决策流。

19.如权利要求16所述的智能决策系统，其中，调试装置被配置为对创建的决策规则所涉及的阈值以及决策流的整体流程进行调试。

20.如权利要求19所述的智能决策系统，其中，对创建的决策规则所涉及的阈值以及决策流的整体流程进行调试包括：

可视化地显示针对决策规则所涉及的不同阈值的二分类指标，并根据显示的二分类评价指标对创建的决策规则所涉及的阈值进行调试，其中，二分类评价指标包括混淆矩阵和根据混淆矩阵衍生出的评价指标中的至少一个；

可视化地显示与决策流有关的统计数据，并根据显示的统计数据对决策流中的决策规则所涉及的阈值以及决策流的整体流程进行调整。

21.如权利要求15所述的智能决策系统，其中，

基于获取的输入数据之中的适于利用图引擎进行处理的输入数据来创建图，并利用创建的图创建图相关指标包括：基于适于利用图引擎进行处理的输入数据，可视化地利用图数据库或关系型数据库定义图的节点和边所涉及的属性并将节点和边所涉及的属性的值与业务字段相映射；并且利用创建的图归纳演绎出图相关指标；

基于获取的输入数据之中的适于利用机器学习模型进行处理的输入数据来创建机器学习模型，并利用创建的机器学习模型的预测结果创建模型相关指标包括：

基于适于机器学习模型进行处理的输入数据，按照用户定义的特征提取方式生成将用于机器学习模型训练的特征；通过用户界面定义机器学习模型和模型的参数配置；利用生成的特征以及定义的参数配置，对定义的机器学习模型进行训练来创建机器学习模型；利用创建的机器学习模型执行预测并利用机器学习模型的预测结果创建模型相关指标。

22.如权利要求15所述的智能决策系统，还包括：决策流调整装置，被配置为获取针对决策结果的反馈信息，并基于获取的反馈信息对决策流进行优化调整。

23.如权利要求22所述的智能决策系统，其中，基于获取的反馈信息对决策流进行优化调整包括：

基于获取的反馈信息对决策流中的决策规则进行调整，以及基于获取的反馈信息对决策流的整体流程进行调整，

其中，基于获取的反馈信息对决策流中的决策规则进行调整包括：

基于获取的反馈信息对创建的图进行调整，并且基于获取的反馈信息对机器学习模型进行调整；

利用调整后的图和机器学习模型对指标进行调整，并利用调整后的指标对决策规则进行调整，其中，对决策规则进行调整包括增加新的决策规则、删除现有的决策规则中的一部分和/或调整现有决策规则所涉及的阈值。

24.如权利要求23所述的智能决策系统，其中，基于获取的反馈信息对机器学习模型进行调整包括：

根据预先通过用户界面设置的与机器学习模型自学习相关的配置信息，基于获取的反馈信息对创建的机器学习模型进行自学习来调整机器学习模型。

25.如权利要求16所述的智能决策系统，其中，创建的场景是与反欺诈有关的场景，

其中，输入信息包括申请人的身份信息、申请人所在环境信息、与所申请产品有关的信息以及与申请人相关的外部资信信息中的至少一个，输出信息为申请拒绝、申请通过和申请需人工审核中的一个。

26.如权利要求25所述的智能决策系统，其中，经验相关指标包括年龄、性别、申请金额和同设备申请数中的至少一个，图相关指标包括与申请人相关联的关联人中的被确定为黑名单的人数或占比，模型相关指标包括模型分值。