CN113256274B - 基于专家系统的业务处理方法及装置 - Google Patents
基于专家系统的业务处理方法及装置 Download PDFInfo
- Publication number
- CN113256274B CN113256274B CN202110797305.XA CN202110797305A CN113256274B CN 113256274 B CN113256274 B CN 113256274B CN 202110797305 A CN202110797305 A CN 202110797305A CN 113256274 B CN113256274 B CN 113256274B
- Authority
- CN
- China
- Prior art keywords
- service
- fuzzy logic
- fuzzy
- data
- characteristic data
- 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
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供一种基于专家系统的业务处理方法及装置,其中方法包括:获取待处理的目标业务的至少一个业务特征数据;对业务特征数据进行模糊化处理得到对应的模糊化值;基于各个业务特征数据对应的模糊化值、以及预先设置的模糊逻辑进行模糊推理,得到模糊推理结果;所述模糊逻辑中包括第一模糊逻辑和第二模糊逻辑,第一模糊逻辑的结论信息作为第二模糊逻辑的其中一个条件信息;对模糊推理结果进行去模糊化,得到目标业务的业务决策结果;通过专家系统的输出交互界面显示目标业务的业务决策结果。本实施例的方法提高了业务处理效率,也能获得较好的决策准确性。
Description
技术领域
本说明书涉及人工智能技术,尤其涉及一种基于专家系统的业务处理方法及装置。
背景技术
对于人工决策主导的业务场景,通常需要根据业务场景中的业务数据,依据主导人(也可以称为领域专家)的人工经验进行逻辑推导,最终得出该场景下的业务决策结果。此类场景大多具有小样本、以及样本不平衡度高的特点,比如,在信贷审批领域场景中,信贷坏账率低,负样本少,并且场景所拥有的历史样本的数量也有限。这使得传统的有监督算法模型在该人工决策主导的业务场景中难以使用。
因此,相关技术中通常仍以人工决策主导的方式进行评价和决策,例如,在信贷审批领域由人工进行信贷审批的指标判断,在临床医疗诊断领域由医生人工进行诊疗指症的判断,等。但是这样导致业务处理的效率较低,并且人力成本高。
发明内容
本说明书至少一个实施例提供了一种基于专家系统的业务处理方法和装置,以提高业务处理效率。
第一方面,提供一种基于专家系统的业务处理方法,所述方法包括:
获取待处理的目标业务的至少一个业务特征数据,所述业务特征数据是业务决策结果的影响因素;
对所述业务特征数据进行模糊化处理,得到对应的模糊化值;
基于各个所述业务特征数据对应的模糊化值、以及预先设置的模糊逻辑进行模糊推理,得到模糊推理结果;其中,所述模糊逻辑是所述目标业务中依据所述业务特征数据推导所述业务决策结果的过程中的判断条件;所述模糊逻辑中包括第一模糊逻辑和第二模糊逻辑,所述第一模糊逻辑的结论信息作为所述第二模糊逻辑的其中一个条件信息;
对所述模糊推理结果进行去模糊化,得到所述目标业务的业务决策结果;
通过所述专家系统的输出交互界面显示所述目标业务的所述业务决策结果。
第二方面,提供一种业务处理装置,所述装置包括:
数据获取模块,用于获取待处理的目标业务的至少一个业务特征数据,所述业务特征数据是业务决策结果的影响因素;
模糊化模块,用于对所述业务特征数据进行模糊化处理,得到对应的模糊化值;
模糊推理模块,用于基于各个所述业务特征数据对应的模糊化值、以及预先设置的模糊逻辑进行模糊推理,得到模糊推理结果;其中,所述模糊逻辑是所述目标业务中依据所述业务特征数据推导业务决策结果的过程中的判断条件;所述模糊逻辑中包括第一模糊逻辑和第二模糊逻辑,所述第一模糊逻辑的结论信息作为所述第二模糊逻辑的其中一个条件信息;
去模糊化模块,用于对所述模糊推理结果进行去模糊化,得到目标业务的业务决策结果;
结果显示模块,用于通过输出交互界面显示所述目标业务的业务决策结果。
第三方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本公开任一实施例的方法。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本公开任一实施例的方法。
由以上技术方案可以看出,本说明书至少一个实施例中,通过采用专家系统来进行业务决策,实现了业务决策的智能化,提高了业务处理效率;并且,该专家系统中使用了模糊逻辑进行模糊推理,该模糊逻辑和推理的方式更加符合人工决策主导的业务场景,与人工逻辑推理的方式较为匹配,从而在提高了业务处理效率的基础上,也能获得较好的决策准确性;并且,通过将模糊逻辑设置为第一模糊逻辑中的结论信息同时作为第二模糊逻辑中的条件信息,使得各模糊逻辑间具有依赖和顺序执行的关系,这种层次性的特点也更为符合人工决策主导的业务场景中的推理过程,与人类经验的推理和演绎过程较为匹配,而且这种层次性特点的模糊逻辑也便于进行抽象,能够较好的模拟人类决策推理中的高层抽象和推理、演绎的过程,这些都有助于以较高的效率和较优的准确性实现对传统人工决策主导场景的智能化,并且避免了传统机器学习中的样本诉求。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
为了更清楚地说明本公开一个或多个实施例或相关技术中的技术方案,下面将对实施例或相关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公开一个或多个实施例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是根据一示例性实施例示出的一种业务处理方法流程图;
图2是根据一示例性实施例示出的一种获取业务特征数据的方法流程图;
图3是根据一示例性实施例示出的一种隶属度函数生成方法流程图;
图4是根据一示例性实施例示出的一种模糊化输入示意图;
图5是根据一示例性实施例示出的一种模糊逻辑输入示意图;
图6是根据一示例性实施例示出的一种模糊逻辑推理图;
图7是根据一示例性实施例示出的一种业务处理装置示意图;
图8是根据一示例性实施例示出的又一种业务处理装置示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的具体方式并不代表与本说明书相一致的所有方案。相反,它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在有些业务场景中,经常需要人工依据经验,基于业务数据做出某些决策,或者得到某些决策依据信息。例如,随着小微企业的发展和增多,对小微企业的中大额贷款业务需求也越来越多。其中,在这样的贷款业务场景中,在对用户进行放贷之前需要进行风险评估,以实现对贷款业务的风险控制。相关技术中,通常依赖具备相关经验的专家,以人工经验为主导对用户的贷款业务中涉及的一些风险判断做出决策,例如,判断用户是否会延期还贷。
但是,在这些以人工经验主导的业务决策场景中,在整体样本数量本就偏少的基础上,负面样本的数量更为稀少。例如,在上述贷款业务场景中,贷款业务的总体样本量本身并不足够大;并且由于依赖具备相关经验的专家进行决策,贷款业务中坏账样本量更为稀少。
可见,以人工经验主导的业务决策场景中,可依赖的历史样本有限。所以,对于各类需要大量样本训练才能使用的网络模型,并不适用于在这类场景中实现智能化评价或决策。所以,相关技术中仍以人工逻辑主导的方式进行评价和决策。但是这样将导致业务处理的效率较低,并且人力成本较高。
基于以上,本说明书提供一种业务处理方法,可以将模糊逻辑引入专家系统,按照模糊推理的方式进行业务的决策。不仅实现了业务决策的智能化,并且不依赖历史样本数量,提高了业务处理效率。再者,模糊逻辑也更加符合人工逻辑主导的业务场景,人工推理的经验知识也更方便引入到模糊逻辑中,从而提高了业务处理效率,获得更好的决策结果准确性。
为了使本说明书提供的业务处理方法更加清楚,下面结合附图和具体实施例对本说明书提供的方案执行过程进行详细描述。
参见图1,图1是本说明书提供的实施例示出的一种业务处理方法流程图。该方法可以应用于进行业务决策的专家系统中,该专家系统也可以是能实现该方法逻辑的任意决策系统。
在以下实施例中将以信贷风控业务场景为例,对提供的业务处理方法进行示例性说明。需要说明的是,本说明书提供的业务处理方法适用于任意以人工逻辑为主导的业务决策场景,并不仅局限于信贷风控业务的风险控制的决策场景中。例如,还可以应用于医疗领域、法律领域等依赖人工逻辑进行决策的其他业务场景中。
参照图1所示,本说明书提供的业务处理方法,可以包括以下步骤:
步骤101,获取待处理的目标业务的至少一个业务特征数据,所述业务特征数据是业务决策结果的影响因素。
本实施例中,目标业务为需要进行决策处理的业务。例如,贷款领域的信贷风控业务可以作为本实施例的目标业务。当该业务处理方法应用于医疗领域时,目标业务可以是某临床指症的判断;当该方法应用于法律领域时,目标业务可以是法律案件中某一事件结论的推断。
业务特征数据为可以对该目标业务进行决策产生影响的数据,即业务特征数据为该目标业务最终得到的业务决策结果的影响因素。其中,业务决策结果可以是在某个特定场景问题下要判定的结果,比如,可以是在信贷风控中判定某用户是否会延期还贷,那么是否会延期还贷的判定结果即为业务决策结果。在不同的业务场景下,可以根据实际业务需求确定不同的业务决策结果。业务特征数据可以是能够采集获取到的影响该业务决策结果的数据,例如,在信贷风控业务中,用户的坏账率、坏账次数、月收入、年收入、月流水或年流水等可以对该用户的信贷风控决策的结果产生影响的数据,均可以作为本实施例中的业务特征数据。
本步骤可以获取待处理的目标业务的至少一个业务特征数据。例如,在信贷风控业务中,可以获取用户的坏账率、坏账次数、月收入、年收入、月流水或年流水等业务特征数据。
其中,获取待处理的目标业务的业务特征数据的具体方式,本实施例并不限制。例如,可以基于用户可操作终端,由终端获取目标业务的业务特征数据。又例如,可以基于云端数据库,由执行该业务处理方法的专家系统从数据库中调取对应用户的业务特征数据。
在一个例子中,请参见图2的示例,步骤101中获取待处理的目标业务的至少一个业务特征数据,可以包括以下步骤:
步骤101-1,通过预先设置的数据接口,获取所述目标业务的业务数据集合。
本实施例中可以预先设置用于获取数据的数据接口。例如,可以在专家系统的终端操作界面中设置“数据导入”按钮,作为预先设置的数据接口。
本步骤可以通过预先设置的数据接口,获取目标业务的业务数据集合。其中,业务数据集合为目标业务进行决策需要的业务特征数据的集合。在目标业务进行决策过程中,目标业务通常依赖多个业务特征数据才能得到决策结果。例如,在信贷风控业务中通常依赖用户的坏账率、坏账次数、月收入、年收入、月流水或年流水等多个业务特征数据,综合得到该用户的信贷决策结果。本实施例中可以将目标业务相关的多个或所有业务特征数据,作为目标业务的业务数据集合。
步骤101-2,根据预先设置的待模糊化信息中包括的所述至少一个业务特征数据的数据标识,由所述业务数据集合中提取所述业务特征数据。
本实施例提供的业务处理方法中,在对目标业务的业务特征数据进行处理过程中,可以先对业务特征数据进行模糊化处理。本步骤中,可以通过待模糊化信息表示目标业务中需要进行模糊化处理的业务特征数据;其中,不同的业务特征数据用不同的数据标识表示。例如,可以用数据标识“A”对应业务特征数据“坏账率”;用数据标识“B”对应业务特征数据“坏账次数”。示例性的,可以预先设置待模糊信息为:A(坏账率)、B(坏账次数)。
本步骤可以根据待模糊化信息中的数据标识,从业务数据集合中提取对应的业务特征数据。例如,可以从业务数据集合中提取数据标识A对应的数据为“0.3”;提取数据标识B对应的数据为“3”。即,提取得到了目标业务对应业务特征数据“坏账率”为0.3,业务特征数据“坏账次数”为3。
步骤102,对每个所述业务特征数据进行模糊化处理,得到对应的模糊化值。
在获取目标业务的业务特征数据后,本步骤可以对每个业务特征数据进行模糊化处理,得到每个业务特征数据对应的模糊化值。需要说明的是,对业务特征数据进行模糊化处理的具体方式本实施例并不限制。
在一种可能的实现方式中,可以通过隶属度函数对业务特征数据进行模糊化处理,得到对应的模糊化值。例如,可以基于预先设置的对应不同模糊集合的隶属度函数,得到每个业务特征数据对应不同模糊集合的隶属度作为模糊化值,完成对业务特征数据的模糊化处理。
示例性的,可以预先设置业务特征数据“坏账次数”对应模糊集合“好”的隶属度函数f(x1),对应模糊集合“差”的隶属度函数f(x2)。在业务特征数据“坏账次数”为3的情况下,可以根据隶属度函数f(x1)得到该“坏账次数”对应模糊集合“好”的隶属度为0.9;根据隶属度函数f(x2)得到该“坏账次数”对应模糊集合“差”的隶属度为0.1。其中,隶属度0.9和隶属度0.1可以作为业务特征数据“坏账次数”为3的模糊化值。
可以理解的是,每个业务特征数据对应不同模糊集合的隶属度函数可以通过多种不同形式得到。例如,可以由目标业务所在领域的相关专家根据经验知识研究得到。例如,可以根据常规隶属度函数的形式结合专家经验知识综合得到。
在一种可能的实现方式中,生成隶属度函数的过程如图3所示,可以包括以下步骤:
步骤102-1,通过输入交互界面获取对所述目标业务的模糊化设置信息,所述模糊化设置信息包括:所述业务特征数据的数据标识、以及所述业务特征数据在目标业务中对应不同模糊集合的数据区间。
输入交互界面为可由用户输入信息的终端交互界面。例如,可以将专家系统中的可交互界面作为本实施例中的输入交互界面。模糊化设置信息用于描述对每个业务特征数据进行模糊处理的相关信息。
模糊化设置信息中包括不同业务特征数据对应的数据标识。例如,模糊化设置信息中包括业务特征数据“坏账率”的数据标识“A”、业务特征数据“坏账次数”的数据标识“B”。模糊化设置信息中还包括业务特征数据在目标业务中对应不同模糊集合的数据区间。其中,数据区间用于描述业务特征数据在不同数值下对应不同模糊集合的隶属度。
本步骤可以通过输入交互界面获取对应目标业务的模糊化设置信息。例如,可以由用户在输入交互界面根据界面提示下完成对模糊化设置信息的设置或填充,从而本步骤可以根据该输入交互界面获取设置的模糊化设置信息。
在一种可能的实现方式中,在目标业务确定的情况下,可以基于目标业务所在领域的专家经验知识在输入交互界面中设置固定形式的模糊化设置信息的输入格式,从而可以更加方便用户设置模糊化设置信息。
例如,请参见图4的示意,该图4示意了一种模糊化设置信息的输入界面。数据源A和数据源B可以是业务特征数据的数据标识,例如,在信贷风控业务中,数据源A可以是待审批用户的坏账率,数据源B可以是待审批用户的坏账次数。“好”、“模糊”、“坏”可以称为业务特征数据在目标业务中对应的不同的模糊集合,而图4中的<=3、>6等区间可以是分别对应不同模糊集合的数据区间。判断A和判断B可以称为待模糊化信息,该待模糊化信息相当于待模糊化的特征,还可以通过图4的界面输入该待模糊化特征对应的数据和数据区间,比如,数据源A和数据源B这些业务特征数据的数据标识及其对应不同模糊集合的数据区间。通过上述图4所示意的界面输入的信息即可称为模糊化设置信息,比如上述的待模糊化信息。图4仅是示意了两种业务特征数据标识A和B,实际实施中可以有更多数量的业务特征数据,根据实际业务需求确定,不再详举。
此外,还需要说明的是,图4中的“好”、“模糊”、“坏”这些模糊集合的概念,仅仅是示例,还可以是其他任何描述绝对程度概念和模糊程度概念的自然语言,具体的模糊集合的设置可以根据实际业务场景确定,本公开实施例不做限制。比如,在医疗领域中,假设数据源是结节尺寸时,还可以设定为“大”、“小”、“风险”三个模糊集合。
图4中的二维表格也是示意了一种输入界面的呈现方式,实践中也可以采取其他的输入界面呈现方式,本公开实施例不进行限制。上述的输入界面可以是专家系统中的人机交互的输入交互界面,领域专家可以通过该输入交互界面设置领域场景下待解决的场景问题对应的模糊化设置信息,这些信息将作为后续专家系统在进行模糊逻辑推理时所依据的信息。图4中的模糊输入的输入交互界面较为简化,界面设计较为简单,方便专家录入。
步骤102-2,基于各业务特征数据的数据标识和对应不同模糊集合的数据区间,分别生成各业务特征数据对应的隶属度函数。
在获取目标业务的模糊化设置信息后,本步骤可以根据模糊化设置信息中各个业务特征数据的数据标识和对应不同模糊集合的数据区间,分别生成各个业务特征数据对应不同模糊集合的隶属度函数。
示例性的,模糊化设置信息中包括业务特征数据“坏账率”的数据标识“A”、业务特
征数据“坏账次数”的数据标识“B”。并且,模糊化设置信息中业务特征数据“坏账次数B”对
应模糊集合“好”的数据区间为:隶属度为1的数据区间为[0,3],隶属度从1至0的数据区间
为[3,6],隶属度为0的数据区间为基于以上数据区间,本步骤可以生成业务特征数
据“坏账次数B”对应模糊集合“好”的隶属度函数,基于相同原理,可以根据业务特征数据
“坏账率A”对应的数据区间,得到“坏账率A”对应模糊集合“好”或模糊集合“差”的隶属度函
数。
在得到各个业务特征数据对应不同模糊集合的隶属度函数后,可以根据隶属度函数确定业务特征数据对应不同模糊集合的隶属度,作为该业务特征数据对应的模糊化值,完成对业务特征数据的模糊化处理。
步骤103,基于各个所述业务特征数据对应的模糊化值、以及预先设置的模糊逻辑进行模糊推理,得到模糊推理结果;其中,所述模糊逻辑是所述目标业务中依据所述业务特征数据推导业务决策结果的过程中的判断条件。
本实施例中,可以预先设置对各个业务特征数据对应的模糊化值进行模糊推理的规则,作为预先设置的模糊逻辑,从而可以根据模糊逻辑,对各个业务特征数据对应的模糊化值进行模糊推理,得到对应的模糊推理结果。比如,根据某用户的年收入和月消费金额可以得到该用户的消费能力,这就是一个判断条件,而且是在业务决策结果的推导过程中要执行的其中一个判断条件,可以据此得到用户的消费能力的判定;当然,在整个推导过程中还可以包括其他的判断条件,比如还可以继续根据用户的消费能力和透支风险确定用户的其他特征。
其中,预先设置模糊逻辑的具体实现方式,本实施例并不限制。例如,可以基于用户可操作的终端界面,预先设置模糊逻辑。
在一种可能的实现方式中,可以通过专家系统的输入交互界面,接收设置的至少一个所述模糊逻辑。例如,所述输入交互界面中可以包括第一输入接口和第二输入接口,其中,第一输入接口用于接收所述模糊逻辑中的条件信息,所述第二输入接口用于接收所述模糊逻辑中的结论信息。示例性的,上述的第一输入接口和第二输入接口可以是在专家系统的输入交互界面中提供的供用户输入的表格单元,比如用于接收一条模糊逻辑中的条件信息的表格单元可以称为第一输入接口,用于接收模糊逻辑中的结论信息的表格单元可称为第二输入接口。
例如,图5示意了一种输入交互界面的模糊逻辑输入表格,可以用于领域专家输入解决场景问题所需要的模糊逻辑。可以理解的是,除表格形式之外还可用其他任何可表示模糊逻辑的形式,实现模糊逻辑的设置。用户可以按照标准的数据格式规约,在图4和图5所示意的表格中输入模糊化设置信息和模糊逻辑,这些将作为后续的模糊推理的依据。
需要说明的是,模糊化设置信息和模糊逻辑的输入可以是预先完成,即预先由领域专家输入领域场景中解决特定问题所需的模糊化设置信息和模糊逻辑,在输入之后,普通用户在使用该专家系统解决领域问题时,就可以直接提供自己的数据即可。本实施例中的步骤101中获取的待处理的目标业务的业务特征数据,即可以是用户在使用该专家系统时输入待判案例的业务特征数据,比如,可以是待审批贷款风险的某用户的业务特征数据。
比如,在信贷风控场景中,信贷专家预先在专家系统中输入了上述的模糊逻辑等信息,普通用户在使用该专家系统时,可以通过数据媒介(相当于获取数据的接口)提供自己的业务数据集合,比如提供了待审批的用户User-1的业务数据集合,其中包括了用户User-1的多方面数据。专家系统在接收到该用户的数据后,可以根据之前预先设置的待模糊化信息中包括的业务特征数据的数据标识,由该业务数据集合中提取信贷风险判断所需的业务特征数据,比如由用户User-1的业务数据集合中提取出了数据源A和数据源B,并根据这些数据继续进行后续的模糊推理。
对于本公开实施例输入的模糊逻辑,进行如下说明:一方面,所述模糊逻辑可以是根据专家在目标业务中依据所述业务特征数据推导业务决策结果的推理经验确定。例如,在确定目标业务的情况下,可以根据目标业务所在领域的专家经验和知识,结合目标业务中包括的业务特征数据的特点,构建如图5所示的模糊逻辑。比如,在信贷风控领域,专家可以根据自己的经验来确定,要依据哪些逻辑推理最终得到某个待审批用户是否会延期还贷的判断结果,这些专家经验中的逻辑推理知识就是输入图5中的模糊逻辑。例如,假设本公开实施例的专家系统用来判断审批用户是否会延期还贷,那么专家可以确定要采集该审批用户的哪些业务特征数据作为判断依据,这些数据可以分类为哪些模糊区间,这些即图4示意表格中要输入的模糊化设置信息;专家还可以确定在进行模糊推理时,依据条件A和条件B可以推导结论C,该结论C是确定业务决策结果的过程中的一个影响因素,这些即图5示意表格中的模糊逻辑。
另一方面,还需要说明的是,本实施例的模糊逻辑具有层次性和抽象性的特点。
例如,层次性指的是多个模糊逻辑之间具有依序执行的顺序性,并且一部分模糊逻辑的结论信息可以同时是另一部分模糊逻辑的条件信息。即,每一个模糊逻辑包括条件信息和结论信息,输入的至少一个模糊逻辑中包括第一模糊逻辑和第二模糊逻辑,其中,所述第一模糊逻辑的结论信息作为所述第二模糊逻辑的其中一个条件信息。以图5为例,第一模糊逻辑可以是“当A…,B…时,得到的C是…”,其中,A和B是条件信息,C是结论信息。第二模糊逻辑可以是“当C…,E…时,得到的H是…”,其中,C和E是条件信息,H是结论信息。可见,C同时作为了第一模糊逻辑中的结论信息和第二模糊逻辑中的条件信息,类似于各模糊逻辑间具有依赖和顺序执行的关系。这种层次性的特点也更为符合人工决策主导的业务场景中的推理过程,与人类经验的推理和演绎过程较为匹配。
又例如,抽象性指的是在本公开实施例的层次性模糊逻辑输入的基础上,模糊逻辑中的各个节点(条件信息和结论信息)更便于进行高层抽象。举例来说,仍以A+B=>C,以及C+E=>H为例,A可以是用户的年收入,B可以是用户的月消费金额,C可以是该用户的“消费能力”;E可以是用户的信用卡透支频率,H可以是该用户的“消费风险”。当然,实际中还可以继续根据E来推导得到其他的结论,这里不再详举。可以看到,其中的C“消费能力”、H“消费风险”就可以是专家抽象的一种概念,该抽象概念是在专家的经验中对于业务决策结果的推导过程中所抽象出的特征,而这种抽象特征可以与具体的业务特征数据或者另一种抽象特征有关。比如,最终的业务决策结果可以由用户的消费能力确定,而消费能力又与用户的年收入和月消费金额等业务特征数据有关。这种抽象性的特点也与人类经验决策的推理过程较为匹配,很好的表示了人工决策场景下的推导过程。
需要说明的是,传统的专家系统大多是依据一些规则性的非黑即白的布尔逻辑推理条件,并且通常是非常简单的推理逻辑,各个逻辑判断之间是独立的。而本公开实施例的专家系统,一方面,采用了模糊逻辑,模糊逻辑和推理更能较好的表述场景问题推理中一些不确定性的概念,使得系统判断不再非黑即白,而是连续分值;另一方面,该专家系统使用的模糊逻辑具有层次性和抽象性的特点,能够较好的模拟人类决策推理中的高层抽象和推理、演绎的过程,这些都有助于以较高的效率和较优的准确性实现对传统人工决策主导场景的智能化,并且避免了传统机器学习中的样本诉求。
再者,本实施例的专家系统还通过交互界面以较为简单的方式获取领域专家的知识,包括模糊化设置信息和模糊逻辑,通过录入的方式,构架了领域专家的知识和机器计算之间的桥梁,使得专家知识经验中的逻辑演绎的推理经验可以沉淀至机器系统(即本实施例的专家系统),同时,该机器系统又可以依据专家录入的推理经验帮助专家进行逻辑推导,提高了专家决策的效率。因此,该专家系统也提供了一套专家和机器进行知识交互的模式,有助于专家知识在机器上沉淀,同时该系统也作为专家决策的辅助工具,提升专家决策的效率。
本步骤中,可以进一步根据预先设置的模糊逻辑对各个业务特征数据对应的模糊化值进行模糊推理,得到模糊推理结果。仍以图5所示的模糊逻辑为例进行说明。例如,在条件信息A为“坏账率”、条件信息B为“坏账次数”、结论信息C为“坏账风险”的情况下,基于条件2与结论2的模糊逻辑,可以根据“坏账率”对应模糊集合“好”的隶属度和“坏账次数”对应模糊集合“好”的隶属度,推理得到“坏账风险”对应模糊集合“好”的隶属度。
步骤104,对所述模糊推理结果进行去模糊化,得到所述目标业务的业务决策结果。
本实施例中,业务决策结果用于表征目标业务中对应用户的决策倾向。例如,在信贷风控业务中,业务决策结果可以是待审批用户是否会延期还贷的预测结果。具体实现时,该结果可以体现为待审批用户对应的是否延期还贷的判定分值。
在基于预先设置的模糊逻辑对各个业务特征数据对应的模糊化值进行模糊推理,得到模糊推理结果之后,本步骤可以进一步对模糊推理结果进行去模糊化,可以得到对应的去模糊化值,该去模糊化值可以是上述的判定分值,即作为业务决策结果。其中,对模糊推理结果进行去模糊化的具体形式,本实施例并不限制。可以基于常见的去模糊化方式实现对模糊推理结果的去模糊化,例如:加权平均判决法、最大值均值法、中心法、最大值平均法等。
步骤105,通过输出交互界面显示所述目标业务的业务决策结果。
在对模糊推理结果进行去模糊化,得到目标业务的业务决策结果后,本步骤可以通过输出交互界面显示对应的业务决策结果。例如,可以在专家系统的输出交互界面中显示目标业务中对应用户的判定分值。专家系统的输出交互界面与输入交互界面可以是同一个交互媒介,也可以是不同的交互媒介。
在一些可选实施例中,所述目标业务是信贷风控业务,例如,该业务可以是判定审批用户是否会延期还贷。所述业务特征数据包括信贷用户的信贷业务数据,例如,该信贷业务数据可以是会影响上述的“是否延期还贷”的任何相关数据,包括但不限于用户的收入、消费金额、信用卡透支频率、透支金额、用户在不同商业金融机构的信用等级等等。所述业务决策结果包括所述信贷用户的信贷判定结果,比如,可以通过本公开实施例的专家系统判定用户是否会延期还贷。
本实施例的业务处理方法,可以将模糊逻辑引入专家系统,按照模糊推理的方式进行业务的决策,不仅实现了业务决策的智能化,并且不依赖历史样本数量,提高了业务处理效率。再者,模糊逻辑也更加符合人工逻辑主导的业务场景,人工推理的经验知识也更方便引入到模糊逻辑中,从而提高了业务处理效率,获得更好的决策结果准确性。
在一些可选实施例中,所述方法还包括:根据所述预先设置的至少一个模糊逻辑,生成对应的模糊逻辑推理图,其中,所述模糊推理结果是依序执行所述至少一个模糊逻辑的推理得到;每一个所述模糊逻辑对应所述模糊逻辑推理图中的条件节点、结论节点以及所述条件节点和结论节点之间的连接边;其中,所述条件节点对应所述模糊逻辑的条件信息,所述结论节点对应所述模糊逻辑的结论信息,所述连接边由所述条件节点指向所述结论节点;在专家系统的输出交互界面显示所述模糊逻辑推理图。
上述实施例中,可以根据预先设置的模糊逻辑,生成对应的模糊逻辑推理图。模糊逻辑与模糊逻辑推理图对应的推理规则相同,区别仅在于推理规则的表现形式。对应模糊逻辑中的条件信息,可以生成模糊逻辑推理图中的条件节点;对应模糊逻辑中的结论信息,可以生成模糊逻辑推理图中的结论节点;对应模糊逻辑中的条件信息与结论信息之间的推理关系,可以生成模糊逻辑推理图中由条件节点指向结论节点的连接边。
例如,可以根据如图5所示的模糊逻辑,生成对应的如图6所示的模糊逻辑推理图。其中,对应图5中的条件信息A,可以生成图6中的条件节点A;对应图5中的条件信息B,可以生成图6中的条件节点B;对应图5中的结论信息C,可以生成图6中的结论节点C;对应图5中的条件信息与结论信息之间的推理关系,可以生成图6中由条件节点A指向结论节点C的连接边和由条件节点B指向结论节点C的连接边。图6中其他条件节点、结论节点和连接边的生成方式与此类似,在此不再举例详述。
此外,由图6所示意的模糊逻辑推理图中还可以看到,节点C同时作为其中一个模糊逻辑(A和B推导C)的结论节点和另一个模糊逻辑(C/D/E/F/G推导H)的条件节点。并且,在模糊推理的过程中,依照顺序执行这些模糊逻辑,最终得到业务的业务决策结果。比如,可以先根据A和B推导C,再依据C/D/E/F/G推导H。
再者,还可以看到,在图6示意的模糊逻辑推理图中,这是一个有向无环图,该推理中的所有根节点即可以是图4示意的表格中的待模糊信息,比如,图6中的节点A即图4中的判断A,图6中的节点B即图4中的判断B。这些根节点通常可以作为模糊逻辑的条件节点,而且该根节点不作为任何一个模糊逻辑的结论节点,例如,节点A就只是条件节点,未作为结论节点。而推理图中的一些中间节点可以是根据人类决策过程得到的高层抽象特征节点,比如图6中的节点C可以是一种抽象特征节点“坏账风险”。在该专家系统的实际应用过程中,获取待处理的目标业务的业务特征数据时,可以是具体获取该推理图中的根节点对应的业务特征数据。
在根据模糊逻辑生成对应的模糊逻辑推理图后,上述实施例中可以在专家系统的输出交互界面中显示该模糊逻辑推理图。从而,相关人员可以根据模糊逻辑推理图中各个节点及各个节点之间的连接关系,更加直观的获取模糊逻辑的整个判断过程。
在一些可选实施例中,所述在所述输出交互界面显示所述模糊逻辑推理图,包括:通过所述去模糊化处理,得到所述模糊逻辑推理图中的条件节点和结论节点对应的去模糊化数值;将所述去模糊化数值对应所述模糊逻辑推理图中的各节点显示,其中,所述业务决策结果对应顺序执行的所述至少一个模糊逻辑中最后一个模糊逻辑的结论节点显示。
上述实施例中,可以通过对模糊推理结果进行去模糊化,得到模糊逻辑推理图中的各个节点的去模糊化数值,作为各个节点的评价分值。如图6所示,可以基于对模糊推理结果进行去模糊化,得到条件节点A对应的去模糊化数值100,得到条件节点B对应的去模糊化数值0,得到结论节点C对应的去模糊化数值100。可以理解的是,去模糊化数值可用多种形式表示,并不仅限于用百分制分数表示各个节点的评价分值。
在根据模糊逻辑生成对应的模糊逻辑推理图后,还可以将去模糊化值显示在模糊逻辑推理图中的各个节点处。如图6所示,可以在模糊逻辑推理图中的各个节点处标注对应的去模糊化值,作为对应各节点的判定分值。其中,业务决策结果的最终数值显示在连接边最终指向的节点处。例如,在图6中顺序执行的各个模糊逻辑中,最后一个模糊逻辑是根据C/D/E/F/G推导H,各个节点最终指向该结论节点H,则结论节点H即最后一个模糊逻辑的结论节点,对应该节点显示的数值即为业务决策结果的最终数值。此外,在图6中是将分值显示在节点上(节点代表的圆圈内部),实际实施中不局限于此,比如,还可以将分值标注在圆圈旁边,或者通过标注线引向其他地方进行标注,等。
可以理解的是,图6所示的示意图中,可以不显示判定分值,只显示该推理图的各个节点以及连接边,即相关人员可以通过推理图的各个节点的含义和连接边的指向,知晓最终的业务决策结果的逻辑推理过程。在另一个例子中,可以在推理图中显示判定分值,并且,其中的分值可以显示部分节点的分值,比如,只显示最后一个模糊逻辑的结论节点(即业务决策结果对应的节点)的分值;也可以显示推理图中的关键节点的分值;或者还可以显示推理图中所有节点的分值。具体的显示方式可以根据实际业务需求预先确定,或者,该专家系统也可以通过人机交互接收用户对显示哪些节点分值的选择,并根据用户选择进行显示。
上述实施例中,可以在输出交互界面中显示模糊逻辑推理图的同时,在各个节点处标注对应的数值,作为对应节点的判定分值。从而,相关人员可以根据模糊逻辑推理图中各个节点之间的连接关系和各个节点对应的判定分值,更加直观的聊着模糊逻辑的整个判断过程。
本公开实施例中的专家系统,通过推理图的形式将逻辑推理过程进行了可视化,普通用户在使用该专家系统进行场景问题的判定时,可以通过推理图了解到最终的业务决策结果的推理过程,实际上将专家决策过程进行了可视化。还可以通过各节点对应的判定分值了解到各个节点的因素对最终的业务决策结果的影响程度,比如,可以根据推理图中的低分节点确定这些节点对应的因素影响了最终的业务决策结果,从而更直观方便的获知业务决策结果的关键影响因素,利于根因溯源。
此外,本实施例的业务处理方法,不限制其应用领域,可以应用于信贷风控、医疗领域、法律领域等依赖人工逻辑进行决策的多种业务场景中。只是在不同的应用场景下,基于所要解决的场景问题的不同,专家系统获取的领域专家知识不同,类似图4和图5示意的录入信息,通常为根据解决场景问题的专家经验输入的模糊逻辑和模糊化设置信息。并且,不同的业务场景下,推理图中的业务决策结果对应的节点含义不同,比如,在信贷风控业务中,业务决策结果对应的节点可以是表示用户是否会延期还贷,在医疗指症的判断场景中,业务决策结果对应的节点可以是表示患者身体的某个病变部位是否恶性病变,等。
如图7所示,本说明书提供了一种业务处理装置,该装置可以执行本说明书任一实施例的业务处理方法。该装置可以应用于专家系统,即该装置中的各个模块可以是本公开实施例提供的专家系统中的各模块。如图7所示,该装置可以包括数据获取模块701、模糊化模块702、模糊推理模块703、去模糊化模块704和结果显示模块705。其中:
数据获取模块701,用于获取待处理的目标业务的至少一个业务特征数据,所述业务特征数据是业务决策结果的影响因素。
模糊化模块702,用于对所述业务特征数据进行模糊化处理,得到对应的模糊化值。
模糊推理模块703,用于基于各个所述业务特征数据对应的模糊化值、以及预先设置的模糊逻辑进行模糊推理,得到模糊推理结果;其中,所述模糊逻辑是所述目标业务中依据所述业务特征数据推导业务决策结果的过程中的判断条件。所述模糊逻辑中包括第一模糊逻辑和第二模糊逻辑,所述第一模糊逻辑的结论信息作为所述第二模糊逻辑的其中一个条件信息。
去模糊化模块704,用于对所述模糊推理结果进行去模糊化,得到所述目标业务的业务决策结果。
结果显示模块705,用于通过输出交互界面显示所述目标业务的业务决策结果。
可选地,所述数据获取模块701,在用于获取待处理的目标业务的至少一个业务特征数据时,包括:通过预先设置的数据接口,获取所述目标业务的业务数据集合;根据预先设置的待模糊化信息中包括的所述至少一个业务特征数据的数据标识,由所述业务数据集合中提取所述业务特征数据。
可选地,如图8所示,所述装置还包括:
模糊化设置模块801,用于通过输入交互界面获取对所述目标业务的模糊化设置信息,所述模糊化设置信息包括:待模糊化信息中包括的至少一个所述业务特征数据的数据标识、以及所述业务特征数据在目标业务中对应不同模糊集合的数据区间;
隶属度函数生成模块802,用于基于各业务特征数据的数据标识和对应不同模糊集合的数据区间,分别生成各业务特征数据对应的隶属度函数;
所述模糊化模块702,在用于对每个所述业务特征数据进行模糊化处理,得到对应的模糊化值时,包括:通过所述隶属度函数对所述业务特征数据进行模糊化处理,得到对应的模糊化值。
可选地,如图8所示,所述装置还包括:
模糊逻辑设置模块803,用于通过输入交互界面,接收设置的至少一个所述模糊逻辑;每一个所述模糊逻辑包括条件信息和结论信息;所述至少一个所述模糊逻辑中包括第一模糊逻辑和第二模糊逻辑,其中,所述第一模糊逻辑的结论信息作为所述第二模糊逻辑的其中一个条件信息。
可选地,所述装置还包括:
推理图生成模块804,用于根据所述预先设置的至少一个模糊逻辑,生成对应的模糊逻辑推理图;其中,所述模糊推理结果是依序执行所述至少一个模糊逻辑的推理得到;每一个所述模糊逻辑对应所述模糊逻辑推理图中的条件节点、结论节点以及所述条件节点和结论节点之间的连接边;其中,所述条件节点对应所述模糊逻辑的条件信息,所述结论节点对应所述模糊逻辑的结论信息,所述连接边由所述条件节点指向所述结论节点。
推理图显示模块805,用于在所述输出交互界面显示所述模糊逻辑推理图。
可选地,所述推理图显示模块805,在用于在所述输出交互界面显示所述模糊逻辑推理图时,包括:通过所述去模糊化,得到所述模糊逻辑推理图中的条件节点和结论节点对应的去模糊化值;将所述去模糊化值对应所述模糊逻辑推理图中的各节点显示,其中,所述业务决策结果对应顺序执行的所述至少一个模糊逻辑中最后一个模糊逻辑的结论节点显示。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书至少一个实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本说明书还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时能够实现本说明书任一实施例的业务处理方法。
本说明书还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时能够实现本说明书任一实施例的业务处理方法。
其中,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等,本申请并不对此进行限制。
在一些可选实施例中,本公开实施例提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的业务处理方法。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已,并不用于限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (14)
1.一种基于专家系统的业务处理方法,所述方法包括:
获取待处理的目标业务的至少一个业务特征数据,所述业务特征数据是业务决策结果的影响因素;
对所述业务特征数据进行模糊化处理,得到对应的模糊化值;
基于各个所述业务特征数据对应的模糊化值、以及预先设置的模糊逻辑进行模糊推理,得到模糊推理结果;其中,所述模糊逻辑是所述目标业务中依据所述业务特征数据推导所述业务决策结果的过程中的判断条件;所述模糊逻辑中包括层次性依序执行的第一模糊逻辑和第二模糊逻辑,所述第一模糊逻辑的结论信息作为所述第二模糊逻辑的其中一个条件信息;所述第一模糊逻辑的结论信息是基于所述第一模糊逻辑的条件信息在业务决策结果推导过程中得到的抽象特征;
对所述模糊推理结果进行去模糊化,得到所述目标业务的业务决策结果;
通过所述专家系统的输出交互界面显示所述目标业务的所述业务决策结果;
根据预先设置的至少一个模糊逻辑,生成对应的模糊逻辑推理图,其中,所述模糊推理结果是依序执行所述至少一个模糊逻辑的推理得到;
每一个所述模糊逻辑对应所述模糊逻辑推理图中的条件节点、结论节点以及所述条件节点和结论节点之间的连接边;其中,所述条件节点对应所述模糊逻辑的条件信息,所述结论节点对应所述模糊逻辑的结论信息,所述连接边由所述条件节点指向所述结论节点;
在所述专家系统的输出交互界面显示所述模糊逻辑推理图。
2.根据权利要求1所述的方法,所述获取待处理的目标业务的至少一个业务特征数据,包括:
通过预先设置的数据接口,获取所述目标业务的业务数据集合;
根据预先设置的待模糊化信息中包括的所述至少一个业务特征数据的数据标识,由所述业务数据集合中提取所述业务特征数据。
3.根据权利要求1所述的方法,所述对所述业务特征数据进行模糊化处理,得到对应的模糊化值之前,所述方法还包括:
通过所述专家系统的输入交互界面获取对所述目标业务的模糊化设置信息,所述模糊化设置信息包括:待模糊化信息中包括的至少一个业务特征数据的数据标识、以及所述业务特征数据在目标业务中对应不同模糊集合的数据区间;
基于各业务特征数据的数据标识和对应不同模糊集合的数据区间,分别生成各业务特征数据对应的隶属度函数;
所述对所述业务特征数据进行模糊化处理,得到对应的模糊化值,包括:通过所述隶属度函数对所述业务特征数据进行模糊化处理,得到对应的模糊化值。
4.根据权利要求1所述的方法,在所述基于各个所述业务特征数据对应的模糊化值、以及预先设置的模糊逻辑进行模糊推理之前,所述方法还包括:
通过所述专家系统的输入交互界面,接收设置的至少一个所述模糊逻辑;
每一个所述模糊逻辑包括条件信息和结论信息;
所述至少一个所述模糊逻辑中包括所述第一模糊逻辑和第二模糊逻辑,其中,所述第一模糊逻辑的结论信息作为所述第二模糊逻辑的其中一个条件信息。
5.根据权利要求1所述的方法,
所述获取待处理的目标业务的至少一个业务特征数据,包括:
获取所述模糊逻辑推理图中的根节点对应的业务特征数据,所述根节点是条件节点,且所述根节点不作为任一模糊逻辑中的结论节点。
6.根据权利要求1所述的方法,所述在所述专家系统的输出交互界面显示所述模糊逻辑推理图,包括:
通过所述去模糊化,得到所述模糊逻辑推理图中的条件节点和结论节点分别对应的去模糊化值;
将所述去模糊化值对应所述模糊逻辑推理图中的各节点显示,其中,所述业务决策结果对应顺序执行的所述至少一个模糊逻辑中最后一个模糊逻辑的结论节点显示。
7.根据权利要求1至6中任一项所述的方法,
所述目标业务是信贷风控业务;
所述业务特征数据包括信贷用户的信贷业务数据。
8.一种业务处理装置,所述装置包括:
数据获取模块,用于获取待处理的目标业务的至少一个业务特征数据,所述业务特征数据是业务决策结果的影响因素;
模糊化模块,用于对所述业务特征数据进行模糊化处理,得到对应的模糊化值;
模糊推理模块,用于基于各个所述业务特征数据对应的模糊化值、以及预先设置的模糊逻辑进行模糊推理,得到模糊推理结果;其中,所述模糊逻辑是所述目标业务中依据所述业务特征数据推导业务决策结果的过程中的判断条件;所述模糊逻辑中包括层次性依序执行的第一模糊逻辑和第二模糊逻辑,所述第一模糊逻辑的结论信息作为所述第二模糊逻辑的其中一个条件信息;所述第一模糊逻辑的结论信息是基于所述第一模糊逻辑的条件信息在业务决策结果推导过程中得到的抽象特征;
去模糊化模块,用于对所述模糊推理结果进行去模糊化,得到所述目标业务的业务决策结果;
结果显示模块,用于通过输出交互界面显示所述目标业务的业务决策结果;
所述装置还包括:
推理图生成模块,用于根据所述预先设置的至少一个模糊逻辑,生成对应的模糊逻辑推理图;其中,所述模糊推理结果是依序执行所述至少一个模糊逻辑的推理得到;每一个所述模糊逻辑对应所述模糊逻辑推理图中的条件节点、结论节点以及所述条件节点和结论节点之间的连接边;其中,所述条件节点对应所述模糊逻辑的条件信息,所述结论节点对应所述模糊逻辑的结论信息,所述连接边由所述条件节点指向所述结论节点;
推理图显示模块,用于在所述输出交互界面显示所述模糊逻辑推理图。
9.根据权利要求8所述的装置,所述数据获取模块,在用于获取待处理的目标业务的至少一个业务特征数据时,包括:
通过预先设置的数据接口,获取所述目标业务的业务数据集合;
根据预先设置的待模糊化信息中包括的所述至少一个业务特征数据的数据标识,由所述业务数据集合中提取所述业务特征数据。
10.根据权利要求8所述的装置,所述装置还包括:
模糊化设置模块,用于通过输入交互界面获取对所述目标业务的模糊化设置信息,所述模糊化设置信息包括:待模糊化信息中包括的至少一个所述业务特征数据的数据标识、以及所述业务特征数据在目标业务中对应不同模糊集合的数据区间;
隶属度函数生成模块,用于基于各业务特征数据的数据标识和对应不同模糊集合的数据区间,分别生成各业务特征数据对应的隶属度函数;
所述模糊化模块,在用于对每个所述业务特征数据进行模糊化处理,得到对应的模糊化值时,包括:通过所述隶属度函数对所述业务特征数据进行模糊化处理,得到对应的模糊化值。
11.根据权利要求8所述的装置,所述装置还包括:
模糊逻辑设置模块,用于通过输入交互界面,接收设置的至少一个所述模糊逻辑;每一个所述模糊逻辑包括条件信息和结论信息;所述至少一个所述模糊逻辑中包括第一模糊逻辑和第二模糊逻辑,其中,所述第一模糊逻辑的结论信息作为所述第二模糊逻辑的其中一个条件信息。
12.根据权利要求8所述的装置,所述推理图显示模块,在用于在所述输出交互界面显示所述模糊逻辑推理图时,包括:
通过所述去模糊化,得到所述模糊逻辑推理图中的条件节点和结论节点分别对应的去模糊化值;
将所述去模糊化值对应所述模糊逻辑推理图中的各节点显示,其中,所述业务决策结果对应顺序执行的所述至少一个模糊逻辑中最后一个模糊逻辑的结论节点显示。
13.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至7中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797305.XA CN113256274B (zh) | 2021-07-14 | 2021-07-14 | 基于专家系统的业务处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797305.XA CN113256274B (zh) | 2021-07-14 | 2021-07-14 | 基于专家系统的业务处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256274A CN113256274A (zh) | 2021-08-13 |
CN113256274B true CN113256274B (zh) | 2022-02-25 |
Family
ID=77191252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110797305.XA Active CN113256274B (zh) | 2021-07-14 | 2021-07-14 | 基于专家系统的业务处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256274B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761630A (zh) * | 2014-02-20 | 2014-04-30 | 上海正信方晟资信评估有限公司 | 一种基于模糊逻辑处理的评估算法 |
CN104133833A (zh) * | 2014-05-27 | 2014-11-05 | 汉柏科技有限公司 | 一种数据挖掘方法及系统 |
CN105426988A (zh) * | 2015-11-05 | 2016-03-23 | 国网福建省电力有限公司 | 一种基于模糊规则的空间负荷预测方法 |
CN111474538A (zh) * | 2020-04-28 | 2020-07-31 | 北京理工大学 | 一种基于模糊逻辑推理的目标分类方法 |
CN112529685A (zh) * | 2020-11-27 | 2021-03-19 | 百维金科(上海)信息科技有限公司 | 一种基于bas-fnn的贷款用户信用评级方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949425B (zh) * | 2020-08-13 | 2023-05-23 | 中国科学院空间应用工程与技术中心 | 一种基于模糊层次分析法的系统加速验证试验方法 |
-
2021
- 2021-07-14 CN CN202110797305.XA patent/CN113256274B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761630A (zh) * | 2014-02-20 | 2014-04-30 | 上海正信方晟资信评估有限公司 | 一种基于模糊逻辑处理的评估算法 |
CN104133833A (zh) * | 2014-05-27 | 2014-11-05 | 汉柏科技有限公司 | 一种数据挖掘方法及系统 |
CN105426988A (zh) * | 2015-11-05 | 2016-03-23 | 国网福建省电力有限公司 | 一种基于模糊规则的空间负荷预测方法 |
CN111474538A (zh) * | 2020-04-28 | 2020-07-31 | 北京理工大学 | 一种基于模糊逻辑推理的目标分类方法 |
CN112529685A (zh) * | 2020-11-27 | 2021-03-19 | 百维金科(上海)信息科技有限公司 | 一种基于bas-fnn的贷款用户信用评级方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113256274A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113269540B (zh) | 专家系统的更新方法、业务处理方法及装置 | |
Papageorgiou | Learning algorithms for fuzzy cognitive maps—a review study | |
Honegger | Shedding light on black box machine learning algorithms: Development of an axiomatic framework to assess the quality of methods that explain individual predictions | |
Xian et al. | Double parameters TOPSIS for multi-attribute linguistic group decision making based on the intuitionistic Z-linguistic variables | |
CN113256275B (zh) | 专家系统的更新方法、业务处理方法及装置 | |
Tian et al. | ZE-numbers: a new extended Z-numbers and its application on multiple attribute group decision making | |
Robert et al. | Reasoning under uncertainty: Towards collaborative interactive machine learning | |
CN111210072B (zh) | 预测模型训练和用户资源额度确定方法及装置 | |
CN113222149B (zh) | 模型训练方法、装置、设备和存储介质 | |
CN111126552A (zh) | 一种智能学习内容推送方法及系统 | |
CN109410074A (zh) | 智能核保方法与系统 | |
CN113590806B (zh) | 基于对象三元语言概念的个性化新闻推荐方法及系统 | |
CN113256274B (zh) | 基于专家系统的业务处理方法及装置 | |
Pan et al. | The role of AI assisted socio-cultural frameworks in academic change and higher education growth | |
CN109994207B (zh) | 心理健康预警方法、服务器与系统 | |
Sikman et al. | Modelling of Fuzzy Expert System for an Assessment of Security Information Management System UIS (University Information System) | |
CN113780394B (zh) | 一种强分类器模型的训练方法、装置及设备 | |
RUŽIĆ et al. | Application of the Mamdani fuzzy inference system to measuring HRM performance in hotel companies–A pilot study | |
CN114462526A (zh) | 一种分类模型训练方法、装置、计算机设备及存储介质 | |
CN111523649A (zh) | 针对业务模型进行数据预处理的方法及装置 | |
Rubinson et al. | Fuzzy logic and genetic algorithms for financial risk management | |
CN113269375A (zh) | 一种业务方风险的判定方法及装置 | |
Salman et al. | Using Machine Learning and SEM to Analyze Attitudes towards adopting Metaverse in Higher Education | |
Li | Evaluation Technology of Students’ Learning Status in Chinese Classroom Based on Deep Learning | |
Premalatha et al. | Prediction of students’ employability using clustering algorithm: A hybrid approach |
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 |