CN112085087B - 业务规则生成的方法、装置、计算机设备及存储介质 - Google Patents
业务规则生成的方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112085087B CN112085087B CN202010922976.XA CN202010922976A CN112085087B CN 112085087 B CN112085087 B CN 112085087B CN 202010922976 A CN202010922976 A CN 202010922976A CN 112085087 B CN112085087 B CN 112085087B
- Authority
- CN
- China
- Prior art keywords
- service
- node
- tree model
- model
- business
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000003066 decision tree Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013499 data model Methods 0.000 claims description 5
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本申请实施例公开了一种业务规则生成的方法、装置、设备及存储介质，涉及人工智能技术，所述业务规则生成的方法通过获取业务需求参数，并根据业务需求参数调整初始业务模型的模型参数，得到与业务需求相匹配的树模型；提取树模型的文本结构，并对树模型的文本结构进行格式转化，得到视图格式的树模型结构；从视图格式的树模型结构中提取所有叶子结点的经过路径；根据业务需求对提取到的所有经过路径进行筛选，得到所有符合业务需求的业务规则。此外，本申请还涉及区块链技术，符合业务需求的业务规则可存储于区块链中。本申请公开的一种业务规则生成的方法使得业务规则生成过程更加简便和高效。
Description
技术领域
本申请涉及人工智能技术，尤其涉及一种业务规则生成的方法、装置、设备及存储介质。
背景技术
业务规则指的是在业务场景中定义一些规则来对业务场景进行相应的控制，业务规则的理论基础是设置一个条件集合，当业务场景满足这个条件集合时候，触发一个或者多个动作。例如用户线上购买商品的意向规则，当用户条件符合业务规则“每日购物类APP浏览时长＞1h and近一月有网上购物次数＞5”时，为该客户推送相关商品，业务规则“每日购物类APP浏览时长＞1h and近一月有网上购物次数＞5”表示该类客户的线上购物意愿更高。
目前，业务规则通常是由业务人员根据经验或者历史业务数据归纳得出，其中，业务人员归纳出的业务规则需要符合业务场景的约束条件，并由开发人员将得到业务规则和约束条件写入对应的预测模型。但由业务人员根据经验去制定的业务规则容易受到业务人员主观思维方式的影响，如业务人员会倾向于选用自己熟悉的处理方式去建立规则，这就使得制定的业务规则不够丰富和完善。此外，一旦业务发生变化或者约束条件发生变化，业务规则就需要进行相应地修改，这无疑增大了业务人员和开发人员的工作量。
发明内容
本申请实施例的目的在于提出一种业务规则生成的方法、装置、计算机设备及存储介质，以解决其主要目的是能够快速高效地生成符合业务需求的业务规则。
为了解决上述技术问题，本申请实施例提供一种业务规则生成的方法，采用了如下所述的技术方案：
获取业务需求参数，并根据业务需求参数调整初始业务模型的模型参数，得到与业务需求相匹配的树模型，其中，树模型中包含多棵决策树；
提取树模型的文本结构，并对树模型的文本结构进行格式转化，得到视图格式的树模型结构；
从视图格式的树模型结构中提取所有叶子结点的经过路径，其中，叶子结点为树模型结构中构成决策树的数据块；
根据业务需求对提取到的所有经过路径进行筛选，得到所有符合业务需求的业务规则。
进一步地，获取业务需求参数，并根据业务需求参数调整初始业务模型的模型参数，得到与业务需求相匹配的树模型之前，还包括：
对预设业务数据库中的原始数据进行特征筛选，提取与业务需求相关的历史特征数据；
将提取到历史特征数据进行组包，形成训练数据集；
利用训练数据集训练业务数据模型，得到初始业务模型。
进一步地，业务需求中包括若干个需求参数，获取业务需求参数，并根据业务需求参数调整初始业务模型的模型参数，得到与业务需求相匹配的树模型，具体包括：
对需求参数进行随机组合，得到若干个参数组；
分别使用参数组替换初始业务模型的模型参数，得到若干个初始树模型；
利用预设业务数据库中的原始数据对初始树模型进行测试，得到初始树模型的输出结果；
将输出结果与业务需求的需求目标进行比对，将输出结果与需求目标最接近的初始业务模型确定为与业务需求相匹配的树模型。
进一步地，提取树模型的文本结构，并对树模型的文本结构进行格式转化，得到视图格式的树模型结构，具体包括：
对提取到的树模型的文本结构进行解析，获取树模型中所有叶子结点的结点信息和不同叶子结点之间的关系信息；
将结点信息和关系信息输入到Graphviz工具包中，形成Graphviz视图格式的树模型结构。
进一步地，从视图格式的树模型结构中提取所有叶子结点的经过路径，具体包括：
历遍视图格式的树模型结构中的所有决策树，获取叶子结点的属性信息；
分别根据每一个叶子结点的属性信息判断每一个叶子结点是否为根结点；
若判断得到任意一个叶子结点为根结点，则获取与根结点关联的内部结点，依次连接根结点和关联的内部结点，形成经过路径。
进一步地，若判断得到任意一个叶子结点为根结点，则获取与根结点关联的内部结点，依次连接根结点和关联的内部结点，形成经过路径，具体包括：
若叶子结点为根结点，将根结点确定为起始结点；
获取起始结点的分裂信息，根据起始结点的分裂信息查找与起始结点关联的内部结点；
判断与根结点关联的内部结点是否存在分裂信息；
若存在，则将关联的内部结点确定为中间结点，若不存在，则将关联的内部结点确定为终止结点；
依次连接起始结点、中间结点以及终止结点，形成经过路径。
进一步地，根据业务需求对提取到的所有经过路径进行筛选，得到符合业务需求的业务规则，具体包括：
统计经过路径的业务数据量；
基于所统计的经过路径的业务数据量，计算经过路径的业务指标；
判断经过路径的业务指标是否符合业务需求；
若经过路径的业务指标符合业务需求，则将经过路径转化为业务规则。
为了解决上述技术问题，本申请实施例提供一种业务规则生成的装置，采用了如下所述的技术方案：
模型调整模块，用于获取业务需求参数，并根据业务需求参数调整初始业务模型的模型参数，得到与业务需求相匹配的树模型，其中，树模型中包含多棵决策树；
格式转化模块，用于提取树模型的文本结构，并对树模型的文本结构进行格式转化，得到视图格式的树模型结构；
路径提取模块，用于从视图格式的树模型结构中提取所有叶子结点的经过路径，其中，叶子结点为树模型结构中构成决策树的数据块；
路径筛选模块，用于根据业务需求对提取到的所有经过路径进行筛选，得到符合业务需求的业务规则。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，处理器执行计算机可读指令时实现如上述业务规则生成的方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，计算机可读存储介质上存储有计算机可读指令，计算机可读指令被处理器执行时实现如上述业务规则生成的方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例公开了一种业务规则生成的方法、装置、设备及存储介质，涉及人工智能技术，所述业务规则生成的方法通过先获取业务需求的需求参数，并直接根据需求参数调整已经训练好的初始业务模型的模型参数，得到与业务需求相匹配的树模型，然后提取树模型的文本结构，并将提取到的树模型的文本结构转化为视图格式的树模型结构，从视图格式的树模型结构中提取所有叶子结点的经过路径，得到多条经过路径，最后根据业务需求对提取到的多条经过路径进行筛选，得到符合业务需求的经过路径，并将符合业务需求的经过路径转化为业务规则。本申请通过将文本结构的树模型转化为视图格式的树模型结构，能够直接从视图格式的树模型结构中提取所有叶子结点的经过路径，并将经过路径转化为对应的业务规则，从而使得业务规则生成过程更加简便和高效。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请可以应用于其中的示例性系统架构图；
图2示出了本申请实施例中的业务规则生成的方法的一个实施例的流程图；
图3示出了本申请实施例中叶子结点的经过路径提取的一个具体实施例的流程图；
图4示出了本申请实施例中步骤S303的一个具体实施例的流程图；
图5示出了根据本申请业务规则生成的装置的一个实施例的结构示意图；
图6示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的业务规则生成的方法一般由服务器执行，相应地，业务规则生成的装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，图2示出了本申请实施例中的业务规则生成的方法的一个实施例的流程图。所述的业务规则生成的方法，包括以下步骤：
S201，获取业务需求参数，并根据业务需求参数调整初始业务模型的模型参数，得到与业务需求相匹配的树模型，其中，树模型中包含多棵决策树。
其中，初始业务模型为GBDT模型，GBDT模型(Gradient Boosting Decision Tree,梯度提升迭代决策树)，由于GBDT模型是组合树模型，相比于单棵决策树可以生成更多的规则路径。通过树模型来进行数据挖掘是十分常用的分类方法，归属于机器学习中的监督学习算法，在二分类任务下，树模型的决策树可以看做一种将数据集合依照一些显著的特征，对数据集合进行划分的工具，因此当决策树遇到新的数据时，可以利用之前得到的决策树规则进行判断的方法，在决策树中每个叶子结点对应的经过路径为if else格式的条件集合，其符合业务规则的要求，因此可以通过树模型中叶子结点对应的经过路径来提取业务规则。
在本申请具体的实施例中，GBDT建模过程与常规预测模型的训练不同，后者以优化损失函数为目标，以提升模型预测精度，而本申请采用GBDT建模提取业务规则只是将GBDT模型作为工具，不用需要追求损失函数的优化，可根据业务需求设置适合的模型参数后直接构建GBDT建模，再通过测试集进行模型测试，即可得到符合需求的树模型。比如调整GBDT模型的参数min_samples_leaf控制每条规则的最少样本覆盖率，提高GBDT模型的检测精度，或者调整参数max_depth控制每条规则的最多使用特征个数，使得生成的业务规则满足客户覆盖率与目标占比的要求。
在本实施例中，业务规则生成的方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式获取业务需求参数。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本申请具体的实施例中，业务需求中包括若干个需求参数，步骤S201获取业务需求参数，并根据业务需求参数调整初始业务模型的模型参数，得到与业务需求相匹配的树模型，具体包括：
对需求参数进行随机组合，得到若干个参数组。
分别使用参数组替换初始业务模型的模型参数，得到若干个初始树模型。
利用预设业务数据库中的原始数据对初始树模型进行测试，得到初始树模型的输出结果。
将输出结果与业务需求的需求目标进行比对，将输出结果与需求目标最接近的初始业务模型确定为与业务需求相匹配的树模型。
具体的，通过业务需求中的需求参数直接调整GBDT模型的模型参数。一般而言，业务需求都会包含相应的需求参数，业务需求的需求参数直接反应的是处理该项业务的条件，如最少样本覆盖率、最多使用特征个数等等，从获取业务需求中获取需求参数，对需求参数进行随机组合，得到若干个参数组，分别使用组合得到的参数组替换GBDT模型的模型参数，得到若干个初始树模型，GBDT模型参数如数min_samples_leaf、max_depth等等，然后利用预设业务数据库中的原始业务数据对初始树模型进行测试，得到初始树模型的输出结果。将所有输出结果与业务需求的需求目标进行比对，采用交叉验证算法获取与需求目标最接近的输出结果，将与需求目标最接近的输出结果对应的初始业务模型确定为与业务需求相匹配的树模型。
在本实施例中，通过获取需求参数，对需求参数进行随机组合，并使用组合得到的参数组替换GBDT模型的模型参数，可以直接得到初始树模型，简化了模型训练的步骤，不需要通过多次训练来优化GBDT模型的损失函数，只需要修改模型参数和简单的模型测试就可以得到用于提取业务规则的树模型，提高了GBDT模型建模效率。
进一步地，在步骤S201获取业务需求参数，并根据业务需求参数调整初始业务模型的模型参数，得到与业务需求相匹配的树模型之前，还包括：
对预设业务数据库中的原始数据进行特征筛选，提取与业务需求相关的历史特征数据。
将提取到历史特征数据进行组包，形成训练数据集。
利用训练数据集训练业务数据模型，得到初始业务模型。
具体的，在步骤S201获取业务需求参数，并根据业务需求参数调整初始业务模型的模型参数，得到与业务需求相匹配的树模型之前，还需要对业务模型进行基础训练，具体为提取预设业务数据库中的原始业务数据，对预设业务数据库中的原始业务数据进行特征筛选，得到与业务需求相关的历史特征数据，将得到的历史特征数据进行组包，形成训练数据集，利用训练数据集训练业务数据模型，得到初始业务模型。需要说明的是，不同业务类型需要用得到的GBDT模型并不完全相同，因此使用到的GBDT模型也不完全相同。如用户的采购业务，要生成预测用户采购意向的业务规则，则需要用户的历史采购数据来训练GBDT模型。
S202，提取树模型的文本结构，并对树模型的文本结构进行格式转化，得到视图格式的树模型结构。
其中，在步骤S201中根据业务需求参数调整初始业务模型的模型参数，得到的与业务需求相匹配的树模型，该树模型中包含多棵决策树，每棵决策树又包含若干个叶子结点，该树模型以文本结构的形式存在，以文本的形式描述叶子结点以及叶子结点之间的关系，而文本形式的树模型结构并不利于提取决策树叶子结点的经过路径。
具体的，步骤S201中根据业务需求参数调整初始业务模型的模型参数，得到的与业务需求相匹配的树模型之后，提取该树模型的文本结构，并对到的树模型的文本结构进行格式转化，将文本格式的树模型结构转化为视图格式的树模型结构，得到视图格式的树模型结构。
进一步地，提取树模型的文本结构，并对树模型的文本结构进行格式转化，得到视图格式的树模型结构，具体包括：
对提取到的树模型的文本结构进行解析，获取树模型中所有叶子结点的结点信息和不同叶子结点之间的关系信息。
将结点信息和关系信息输入到Graphviz工具包中，形成Graphviz视图格式的树模型结构。
其中，Graphviz(Graph Visualization Software)是一个由AT&T实验室启动的开源工具包，初始时用于绘制DOT语言脚本描述的图形，后来也提供了供其它语言使用的数据库。在本提案中，直接通过Graphviz视图格式来表示树模型的结构。
具体的，Graphviz视图格式的使用图包括的结点和边，通过Graphviz视图格式的使用图中的结点和边来表示树模型的每棵决策树的结构。其中，Graphviz视图格式的使用图中的结点表示树模型决策树的叶子结点，Graphviz视图格式的使用图中的边表示树模型决策树中两个不同叶子结点之间的关系，得到Graphviz视图格式的树模型结构。
S203，从视图格式的树模型结构中提取所有叶子结点的经过路径，其中，叶子结点为树模型结构中构成决策树的数据块。
具体的，历遍视图格式的树模型结构中的所有决策树，获取叶子结点的信息和以及叶子结点与叶子结点之间的关联信息，根据叶子结点的信息判断结点属性，以及根据叶子结点与叶子结点之间的关联信息连接各个叶子结点以形成经过路径。其中，叶子结点包括根结点和内部结点，根结点为经过路径的初始结点，内部结点为经过路径上除根结点以外的叶子结点。
进一步地，请参考图3，图3示出了本申请实施例中叶子结点的经过路径提取的一个具体实施例的流程图，从视图格式的树模型结构中提取所有叶子结点的经过路径，具体包括：
S301，历遍视图格式的树模型结构中的所有决策树，获取叶子结点的属性信息。
S302，分别根据每一个叶子结点的属性信息判断每一个叶子结点是否为根结点。
S303，若判断得到任意一个叶子结点为根结点，则获取与根结点关联的内部结点，依次连接根结点和关联的内部结点，形成经过路径。
具体的，历遍Graphviz视图格式的树模型结构中的所有决策树，获取所有叶子结点的属性信息，分别根据每一个叶子结点的属性信息判断每一个叶子结点的结点属性，其中，叶子结点包括根结点和内部结点，以根结点作为经过路径的起始结点，获取与根结点关联的内部结点，依次连接根结点和关联的内部结点，形成经过路径。
在本实施例中，通过获取叶子结点的属性信息并判断该叶子结点是否为根结点，若该叶子结点为根结点，则获取与该叶子结点关联的所有内部结点，依次连接该叶子结点和关联的内部结点，可以得到该叶子结点的所有经过路径。
进一步地，请参考图4，图4，若叶子结点为根结点，则获取与根结点关联的内部结点，依次连接根结点和关联的内部结点，形成经过路径，具体包括：
S401，若叶子结点为根结点，将根结点确定为起始结点。
S402，获取起始结点的分裂信息，根据起始结点的分裂信息查找与起始结点关联的内部结点。
S403，判断与根结点关联的内部结点是否存在分裂信息。
S404，若存在，则将关联的内部结点确定为中间结点。
S405，若不存在，则将关联的内部结点确定为终止结点。
S406，依次连接起始结点、中间结点以及终止结点，形成经过路径。
具体的，历遍Graphviz视图格式的树模型结构中的所有决策树，获取所有叶子结点的属性信息，根据每一个叶子结点的属性信息判断每一个叶子结点的结点属性，其中，叶子结点包括根结点和内部结点，若根据叶子结点的属性信息判断出叶子结点为根结点，将根结点确定为经过路径的起始结点，获取该起始结点的分裂信息，根据起始结点的分裂信息查找与起始结点直接关联的内部结点，其中，与起始结点直接关联的内部结点可以是一个，也可以为是个，因此一个根结点可能存在条经过路径。判断与根结点直接关联的内部结点是否存在分裂信息，若与根结点直接关联的内部结点存在分裂信息，则将与根结点直接关联的内部结点确定为中间结点，继续判断与根结点间接关联的内部结点是否存在分裂信息，若与根结点间接关联的内部结点存在分裂信息，则将与根结点间接关联的内部结点也确定为中间结点，与根结点间接关联的内部结点不存在分裂信息，则将与根结点间接关联的内部结点确定为终止结点，若与根结点关联的内部结点不存在分裂信息，则将与根结点直接关联的内部结点确定为终止结点，依次连接起始结点、中间结点以及终止结点，形成经过路径。
在本实施例中，通过获取叶子结点的分裂信息，并根据叶子结点的分裂信息判断叶子结点的类型，叶子结点的类型包括起始结点、中间结点以及终止结点，在判断出所有叶子结点的类型后，依次连接起始结点、中间结点以及终止结点，形成经过路径。
在本申请一种具体的实施例中，从Graphviz视图格式使用图的0结点开始，历遍某一颗视图格式的决策树，其中，0结点该决策树的根结点，将0结点设定为经过路径的起始点，将与0结点直接连接的叶子结点作为根结点的第一个内部结点，与第一个内部结点连接的叶子结点作为根结点的第二个内部结点，以此类推，直至第N个叶子结点，且第N个叶子结点再无其他结点与之关联，其中，第一个内部结点、第二个内部结点……第N-1个叶子结点均为中间结点，第N个叶子结点为终止结点，历遍所有与0结点关联的叶子结点，将0结点与历遍的所有内部结点连接起来，得到0结点的经过路径。
S204，根据业务需求对提取到的所有经过路径进行筛选，得到所有符合业务需求的业务规则。
具体的，在步骤S203中从视图格式的树模型结构中提取所有叶子结点的经过路径可以是一条，也可以是若干条，若从视图格式的树模型结构中提取所有叶子结点的经过路径只有一条，则直接将提取到的经过路径转化为业务规则，若从视图格式的树模型结构中提取所有叶子结点的经过路径包括若干条，则需要根据业务需求对提取到的所有经过路径进行筛选，得到符合业务需求的业务规则。
进一步地，根据业务需求对提取到的所有经过路径进行筛选，得到符合业务需求的业务规则，具体包括：
统计经过路径的业务数据量。
基于所统计的经过路径的业务数据量，计算经过路径的业务指标。
判断经过路径的业务指标是否符合业务需求。
若经过路径的业务指标符合业务需求，则将经过路径转化为业务规则。
其中，本申请具体实施例中的业务指标，取决于具体应用场景的需求，根据不同的应用场景的需求设定不同的业务指标，如覆盖率、打扰率、准确率等等。
具体的，统计每一条经过路径的业务数据量，基于所统计的每一条经过路径的业务数据量，计算经过路径的业务指标，其中，不同的业务指标有不同的计算规则，如覆盖率计算公式为超过该阈值的业务数据量与业务数据量总数的比值。将计算得到的经过路径的业务指标与预设的业务规则标准进行比较，判断计算得到的经过路径的业务指标是否符合业务需求，若经过路径的业务指标符合业务需求，则将经过路径转化为业务规则，若经过路径的业务指标不符合业务需求，则跳过该经过路径，继续判断其余经过路径的业务指标是否符合业务需求，直至所有经过路径均判断完成。
在本实施例中，通过基于所统计的经过路径的业务数据量，计算经过路径的业务指标，判断经过路径的业务指标是否符合业务需求，若经过路径的业务指标符合业务需求，则将经过路径转化为业务规则，若经过路径的业务指标不符合业务需求，则跳过该经过路径，通过业务需求来筛选经过，使得得到的经过路径与业务需求更加匹配。
在本申请一种具体的实施例中，假设某场景下业务指标为覆盖率，覆盖率的计算公式为超过业务阈值的业务样本数与业务样本总数的比值，4条经过路径的业务指标分别为“0.2”、“0.4”、“0.5”和“0.8”，设定该业务数据量的总数为10，则4条经过路径对应的业务数据量分别为2，4，5和8，若该业务以“1”作为阈值，则每条经过路径超过该业务阈值的业务样本数分别为1，3，4和7，根据公式计算，第一条经过路径覆盖率为1/10＝10％，第二条经过路径覆盖率为3/10＝30％，第三条经过路径覆盖率为4/10＝40％，第四条经过路径覆盖率为7/10＝70％，若业务需求为条件为覆盖率超过50％，则在上述4条经过路径中，只有第四条经过路径符合业务需求，因此将第四条经过路径转化为对应的业务规则。
本申请实施例公开了一种业务规则生成的方法、装置、设备及存储介质，涉及人工智能技术，所述业务规则生成的方法通过先获取业务需求的需求参数，并直接根据需求参数调整已经训练好的初始业务模型的模型参数，得到与业务需求相匹配的树模型，然后提取树模型的文本结构，并将提取到的树模型的文本结构转化为视图格式的树模型结构，从视图格式的树模型结构中提取所有叶子结点的经过路径，得到多条经过路径，最后根据业务需求对提取到的多条经过路径进行筛选，得到符合业务需求的经过路径，并将符合业务需求的经过路径转化为业务规则。本申请公开的一种业务规则生成的方法，通过将文本结构的树模型转化为视图格式的树模型结构，能够直接从视图格式的树模型结构中提取所有叶子结点的经过路径，并将经过路径转化为对应的业务规则，从而使得业务规则生成过程更加简便和高效。
需要强调的是，为进一步保证上述符合业务需求的业务规则的私密和安全性，上述符合业务需求的业务规则还可以存储于一区块链的结点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图5，图5示出了根据本申请业务规则生成的装置的一个实施例的结构示意图,作为对上述图2所示方法的实现，本申请提供了一种业务规则生成的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例所述的业务规则生成的装置400包括：模型调整模块501、格式转化模块502、路径提取模块503以及路径筛选模块504。其中：
模型调整模块501，用于获取业务需求参数，并根据业务需求参数调整初始业务模型的模型参数，得到与业务需求相匹配的树模型，其中，树模型中包含多棵决策树；
格式转化模块502，用于提取树模型的文本结构，并对树模型的文本结构进行格式转化，得到视图格式的树模型结构；
路径提取模块503，用于从视图格式的树模型结构中提取所有叶子结点的经过路径，其中，叶子结点为树模型结构中构成决策树的数据块；
路径筛选模块504，用于根据业务需求对提取到的所有经过路径进行筛选，得到符合业务需求的业务规则。
进一步地，该业务规则生成的装置还包括：
特征筛选模块，用于对预设业务数据库中的原始数据进行特征筛选，提取与业务需求相关的历史特征数据；
数据组包模块，用于将提取到历史特征数据进行组包，形成训练数据集；
模型训练模块，用于利用训练数据集训练业务数据模型，得到初始业务模型。
进一步地，业务需求中包括若干个需求参数，模型调整模块501具体包括：
参数组合单元，用于对需求参数进行随机组合，得到若干个参数组；
参数替换单元，用于分别使用参数组替换初始业务模型的模型参数，得到若干个初始树模型；
模型测试单元，用于利用预设业务数据库中的原始数据对初始树模型进行测试，得到初始树模型的输出结果；
结果比对单元，用于将输出结果与业务需求的需求目标进行比对，将输出结果与需求目标最接近的初始业务模型确定为与业务需求相匹配的树模型。
进一步地，格式转化模块502具体包括：
信息提取单元，用于对提取到的树模型的文本结构进行解析，获取树模型中所有叶子结点的结点信息和不同叶子结点之间的关系信息；
格式转化单元，用于将结点信息和关系信息输入到Graphviz工具包中，形成Graphviz视图格式的树模型结构。
进一步地，路径提取模块503具体包括：
属性获取单元，用于历遍视图格式的树模型结构中的所有决策树，获取叶子结点的属性信息；
属性判断单元，用于分别根据每一个叶子结点的属性信息判断每一个叶子结点是否为根结点；
结点连接单元，用于当判断得到任意一个叶子结点为根结点时，获取与根结点关联的内部结点，依次连接根结点和关联的内部结点，形成经过路径。
进一步地，结点连接单元具体包括：
起始结点子单元，用于当叶子结点为根结点时，将根结点确定为起始结点；
结点查找子单元，用于获取起始结点的分裂信息，根据起始结点的分裂信息查找与起始结点关联的内部结点；
分裂判断子单元，用于判断与根结点关联的内部结点是否存在分裂信息；
判断结果子单元，用于当与根结点关联的内部结点存在分裂信息时，将关联的内部结点确定为中间结点，当与根结点关联的内部结点不存在分裂信息，将关联的内部结点确定为终止结点；
结点连接子单元，用于依次连接起始结点、中间结点以及终止结点，形成经过路径。
进一步地，路径筛选模块504具体包括：
数据统计单元，用于统计经过路径的业务数据量；
指标计算单元，用于基于所统计的经过路径的业务数据量，计算经过路径的业务指标；
业务判断单元，用于判断经过路径的业务指标是否符合业务需求；
路径转化单元，用于当经过路径的业务指标符合业务需求时，将经过路径转化为业务规则。
本申请实施例公开一种业务规则生成的装置，涉及人工智能技术，该业务规则生成的装置
模型调整模块501，用于获取业务需求参数，并根据业务需求参数调整初始业务模型的模型参数，得到与业务需求相匹配的树模型，其中，树模型中包含多棵决策树；格式转化模块502，用于提取树模型的文本结构，并对树模型的文本结构进行格式转化，得到视图格式的树模型结构；路径提取模块503，用于从视图格式的树模型结构中提取所有叶子结点的经过路径，其中，叶子结点为树模型结构中构成决策树的数据块；路径筛选模块504，用于根据业务需求对提取到的所有经过路径进行筛选，得到符合业务需求的业务规则。本申请公开的一种业务规则生成的方法，通过将文本结构的树模型转化为视图格式的树模型结构，能够直接从视图格式的树模型结构中提取所有叶子结点的经过路径，并将经过路径转化为对应的业务规则，从而使得业务规则生成过程更加简便和高效。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如业务规则生成的方法的计算机可读指令等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述业务规则生成的方法的计算机可读指令。
所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本申请实施例公开了一种计算机设备，涉及人工智能技术，通过先获取业务需求的需求参数，并直接根据需求参数调整已经训练好的初始业务模型的模型参数，得到与业务需求相匹配的树模型，然后提取树模型的文本结构，并将提取到的树模型的文本结构转化为视图格式的树模型结构，从视图格式的树模型结构中提取所有叶子结点的经过路径，得到多条经过路径，最后根据业务需求对提取到的多条经过路径进行筛选，得到符合业务需求的经过路径，并将符合业务需求的经过路径转化为业务规则。本申请通过将文本结构的树模型转化为视图格式的树模型结构，能够直接从视图格式的树模型结构中提取所有叶子结点的经过路径，并将经过路径转化为对应的业务规则，从而使得业务规则生成过程更加简便和高效。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的业务规则生成的方法的步骤。
本申请实施例公开了一种存储介质，涉及人工智能技术，通过先获取业务需求的需求参数，并直接根据需求参数调整已经训练好的初始业务模型的模型参数，得到与业务需求相匹配的树模型，然后提取树模型的文本结构，并将提取到的树模型的文本结构转化为视图格式的树模型结构，从视图格式的树模型结构中提取所有叶子结点的经过路径，得到多条经过路径，最后根据业务需求对提取到的多条经过路径进行筛选，得到符合业务需求的经过路径，并将符合业务需求的经过路径转化为业务规则。本申请通过将文本结构的树模型转化为视图格式的树模型结构，能够直接从视图格式的树模型结构中提取所有叶子结点的经过路径，并将经过路径转化为对应的业务规则，从而使得业务规则生成过程更加简便和高效。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上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，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (9)
1.一种业务规则生成的方法，其特征在于，所述业务规则生成的方法包括：
获取业务需求参数，并根据所述业务需求参数调整初始业务模型的模型参数，得到与所述业务需求相匹配的树模型，其中，所述树模型中包含多棵决策树；
提取所述树模型的文本结构，并对所述树模型的文本结构进行格式转化，得到视图格式的树模型结构；
从所述视图格式的树模型结构中提取所有叶子结点的经过路径，其中，所述叶子结点为树模型结构中构成所述决策树的数据块；
根据所述业务需求对提取到的所有所述经过路径进行筛选，得到符合业务需求的业务规则；
所述业务需求中包括若干个需求参数，所述业务需求包括最少样本覆盖率和最多使用特征个数，所述获取业务需求参数，并根据所述业务需求参数调整初始业务模型的模型参数，得到与所述业务需求相匹配的树模型，具体包括：
对所述需求参数进行随机组合，得到若干个参数组；
分别使用所述参数组替换所述初始业务模型的模型参数，得到若干个初始树模型；
利用预设业务数据库中的原始数据对所述初始树模型进行测试，得到所述初始树模型的输出结果；
将所述输出结果与所述业务需求的需求目标进行比对，将输出结果与所述需求目标最接近的初始业务模型确定为与所述业务需求相匹配的树模型。
2.如权利要求1所述的业务规则生成的方法，其特征在于，所述获取业务需求参数，并根据所述业务需求参数调整初始业务模型的模型参数，得到与所述业务需求相匹配的树模型之前，还包括：
对预设业务数据库中的原始数据进行特征筛选，提取与所述业务需求相关的历史特征数据；
将提取到所述历史特征数据进行组包，形成训练数据集；
利用所述训练数据集训练业务数据模型，得到初始业务模型。
3.如权利要求1所述的业务规则生成的方法，其特征在于，所述提取所述树模型的文本结构，并对所述树模型的文本结构进行格式转化，得到视图格式的树模型结构，具体包括：
对提取到的树模型的文本结构进行解析，获取所述树模型中所有叶子结点的结点信息和不同所述叶子结点之间的关系信息；
将所述结点信息和所述关系信息输入到Graphviz工具包中，形成Graphviz视图格式的树模型结构。
4.如权利要求1所述的业务规则生成的方法，其特征在于，所述从所述视图格式的树模型结构中提取所有叶子结点的经过路径，具体包括：
历遍所述视图格式的树模型结构中的所有决策树，获取叶子结点的属性信息；
分别根据每一个所述叶子结点的属性信息判断每一个所述叶子结点是否为根结点；
若判断得到任意一个所述叶子结点为根结点，则获取与所述根结点关联的内部结点，依次连接所述根结点和关联的所述内部结点，形成经过路径。
5.如权利要求4所述的业务规则生成的方法，其特征在于，所述若判断得到任意一个所述叶子结点为根结点，则获取与所述根结点关联的内部结点，依次连接所述根结点和关联的所述内部结点，形成经过路径，具体包括：
若所述叶子结点为根结点，将所述根结点确定为起始结点；
获取所述起始结点的分裂信息，根据所述起始结点的分裂信息查找与所述起始结点关联的内部结点；
判断与所述根结点关联的内部结点是否存在分裂信息；
若存在，则将关联的所述内部结点确定为中间结点，若不存在，则将关联的所述内部结点确定为终止结点；
依次连接所述起始结点、所述中间结点以及所述终止结点，形成经过路径。
6.如权利要求1至5任意一项所述的业务规则生成的方法，其特征在于，所述根据所述业务需求对提取到的所有所述经过路径进行筛选，得到符合业务需求的业务规则，具体包括：
统计所述经过路径的业务数据量；
基于所统计的所述经过路径的业务数据量，计算所述经过路径的业务指标；
判断所述经过路径的业务指标是否符合业务需求；
若所述经过路径的业务指标符合业务需求，则将所述经过路径转化为业务规则。
7.一种业务规则生成的装置，其特征在于，所述业务规则生成的装置执行如权利要求1至6中任一项所述的业务规则生成的方法的步骤，所述业务规则生成的装置包括：
模型调整模块，用于获取业务需求参数，并根据所述业务需求参数调整初始业务模型的模型参数，得到与所述业务需求相匹配的树模型，其中，所述树模型中包含多棵决策树；
格式转化模块，用于提取所述树模型的文本结构，并对所述树模型的文本结构进行格式转化，得到视图格式的树模型结构；
路径提取模块，用于从所述视图格式的树模型结构中提取所有叶子结点的经过路径，其中，所述叶子结点为树模型结构中构成所述决策树的数据块；
路径筛选模块，用于根据所述业务需求对提取到的所有所述经过路径进行筛选，得到符合业务需求的业务规则。
8.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的业务规则生成的方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的业务规则生成的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010922976.XA CN112085087B (zh) | 2020-09-04 | 2020-09-04 | 业务规则生成的方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010922976.XA CN112085087B (zh) | 2020-09-04 | 2020-09-04 | 业务规则生成的方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112085087A CN112085087A (zh) | 2020-12-15 |
| CN112085087B true CN112085087B (zh) | 2024-04-26 |
Family
ID=73732013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010922976.XA Active CN112085087B (zh) | 2020-09-04 | 2020-09-04 | 业务规则生成的方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085087B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365344B (zh) * | 2021-01-11 | 2021-04-27 | 支付宝(杭州)信息技术有限公司 | 一种业务规则自动生成方法和系统 |
| CN113239670A (zh) * | 2021-05-11 | 2021-08-10 | 鸬鹚科技(深圳)有限公司 | 一种业务模板上传的方法、装置、计算机设备及存储介质 |
| CN114049505B (zh) * | 2021-10-11 | 2022-08-23 | 数采小博科技发展有限公司 | 一种商品的匹配与识别方法、装置、设备和介质 |
| CN116561134B (zh) * | 2023-07-10 | 2023-11-03 | 深圳高益科技有限公司 | 业务规则处理方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104111920A (zh) * | 2013-04-16 | 2014-10-22 | 华为技术有限公司 | 一种基于决策树的预测方法及装置 |
| CN107545360A (zh) * | 2017-07-28 | 2018-01-05 | 浙江邦盛科技有限公司 | 一种基于决策树的风控智能规则导出方法及系统 |
| CN110262775A (zh) * | 2019-05-27 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 业务规则生成方法及装置 |
| CN111309852A (zh) * | 2020-03-16 | 2020-06-19 | 青岛百洋智能科技股份有限公司 | 生成可视化决策树(集)模型的方法、系统、装置及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016076878A1 (en) * | 2014-11-14 | 2016-05-19 | Hewlett Packard Enterprise Development Lp | Satisfaction metric for customer tickets |
| US10339480B2 (en) * | 2016-08-15 | 2019-07-02 | International Business Machines Corporation | Executing a set of business rules on incomplete data |
-
2020
- 2020-09-04 CN CN202010922976.XA patent/CN112085087B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104111920A (zh) * | 2013-04-16 | 2014-10-22 | 华为技术有限公司 | 一种基于决策树的预测方法及装置 |
| CN107545360A (zh) * | 2017-07-28 | 2018-01-05 | 浙江邦盛科技有限公司 | 一种基于决策树的风控智能规则导出方法及系统 |
| CN110262775A (zh) * | 2019-05-27 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 业务规则生成方法及装置 |
| CN111309852A (zh) * | 2020-03-16 | 2020-06-19 | 青岛百洋智能科技股份有限公司 | 生成可视化决策树(集)模型的方法、系统、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112085087A (zh) | 2020-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112085087B (zh) | 业务规则生成的方法、装置、计算机设备及存储介质 | |
| KR101864286B1 (ko) | 머신 러닝 알고리즘을 이용하는 방법 및 장치 | |
| EP3989131A1 (en) | Method and system for realizing machine learning modeling process | |
| US10078843B2 (en) | Systems and methods for analyzing consumer sentiment with social perspective insight | |
| WO2021190379A1 (zh) | 实现自动机器学习的方法及装置 | |
| CN115982376B (zh) | 基于文本、多模数据和知识训练模型的方法和装置 | |
| CN112288025B (zh) | 基于树结构的异常案件识别方法、装置、设备及存储介质 | |
| US20230043882A1 (en) | Method for assisting launch of machine learning model | |
| US20220414689A1 (en) | Method and apparatus for training path representation model | |
| CN112925911A (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
| JP2023535108A (ja) | ビデオタグ推薦モデルのトレーニング方法及びビデオタグの決定方法、それらの装置、電子機器、記憶媒体及びコンピュータプログラム | |
| CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
| CN117522538A (zh) | 招投标信息处理方法、装置、计算机设备及存储介质 | |
| CN110348669B (zh) | 智能规则生成方法、装置、计算机设备及存储介质 | |
| CN116450723A (zh) | 数据提取方法、装置、计算机设备及存储介质 | |
| CN113609833B (zh) | 文件的动态生成方法、装置、计算机设备及存储介质 | |
| CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| JP2023554210A (ja) | インテリジェント推奨用のソートモデルトレーニング方法及び装置、インテリジェント推奨方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
| CN108664610A (zh) | 用于处理数据的方法和装置 | |
| CN113051911A (zh) | 提取敏感词的方法、装置、设备、介质及程序产品 | |
| CN114391151A (zh) | 增强自然语言生成平台 | |
| CN112069807A (zh) | 文本数据的主题提取方法、装置、计算机设备及存储介质 | |
| CN114238574B (zh) | 基于人工智能的意图识别方法及其相关设备 | |
| KR102375770B1 (ko) | 인플루언서에 대한 정보를 분석하기 위한 전자 장치 및 그 동작 방법 | |
| CN114969543B (zh) | 推广方法、系统、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |