CN113269375A - 一种业务方风险的判定方法及装置 - Google Patents
一种业务方风险的判定方法及装置 Download PDFInfo
- Publication number
- CN113269375A CN113269375A CN202110797257.4A CN202110797257A CN113269375A CN 113269375 A CN113269375 A CN 113269375A CN 202110797257 A CN202110797257 A CN 202110797257A CN 113269375 A CN113269375 A CN 113269375A
- Authority
- CN
- China
- Prior art keywords
- fuzzy logic
- data
- fuzzy
- characteristic data
- node
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q40/12—Accounting
- G06Q40/123—Tax preparation or submission
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供一种业务方风险的判定方法及装置,其中方法包括:获取待判定业务方的至少一个特征数据,所述特征数据是业务方风险判定结果的影响因素;对所述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,所述模糊逻辑是依据所述特征数据推导所述风险判定结果的过程中的判断条件;对所述模糊推理结果进行去模糊化,得到所述待判定业务方的风险判定结果。
Description
技术领域
本说明书涉及人工智能技术,尤其涉及一种业务方风险的判定方法及装置。
背景技术
在诸如业务方准入等场景下,一般需要进行业务方风险判定,从而基于业务方的风险状况确定其是否拥有合作资格。
由于此类场景大多具有小样本、以及样本不平衡度高的特点,传统的有监督算法模型在此类场景下难以使用。相关技术中通常采用人工方式,根据业务方的特征数据结合人工经验进行逻辑推导,以确定业务方的风险判定结果,存在着效率低、人力成本高的问题。
发明内容
本说明书至少一个实施例提供了一种业务方风险的判定方法及装置,以提高业务方风险的判定效率。
为实现上述目的,本说明书一个或多个实施例提供的技术方案如下:
根据本说明书一个或多个实施例的第一方面,提出了一种业务方风险的判定方法,所述方法包括:
获取待判定业务方的至少一个特征数据,所述特征数据是业务方风险判定结果的影响因素;
对所述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,所述模糊逻辑是依据所述特征数据推导所述风险判定结果的过程中的判断条件;
对所述模糊推理结果进行去模糊化,得到所述待判定业务方的风险判定结果。
根据本说明书一个或多个实施例的第二方面,提出了一种业务方风险的判定装置,所述装置包括:
数据获取模块,用于获取待判定业务方的至少一个特征数据,所述特征数据是业务方风险判定结果的影响因素;
模糊化模块,用于对所述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,所述模糊逻辑是依据所述特征数据推导所述风险判定结果的过程中的判断条件;
去模糊化模块,用于对所述模糊推理结果进行去模糊化,得到所述待判定业务方的风险判定结果。
根据本说明书一个或多个实施例的第三方面,提出了一种计算机设备,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实现上述第一方面所述的方法。
根据本说明书一个或多个实施例的第四方面,提出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实现上述第一方面所述方法的步骤。
根据本说明书一个或多个实施例的第五方面,提出了一种计算机程序产品,包括计算机程序,所述程序被处理器执行时实现上述第一方面所述方法的步骤。
由以上技术方案可以看出,本说明书至少一个实施例中,在获取用于风险判定的业务方的特征数据后,对业务方的特征数据进行模糊化处理以得到其模糊化值,基于各个特征数据的模糊化值以及预设的模糊逻辑进行模糊推理,最终得到去模糊化的风险判定结果以实现针对业务方风险的相关决策。将模糊逻辑引入决策系统,按照模糊推理的方式进行业务方风险的判定,不仅实现了业务方风险判定的智能化,并且不依赖历史样本数量,提高了判定效率。再者,所述基于模糊逻辑进行模糊推理的方式更加符合人工决策的场景,与人工逻辑推导的方式较为匹配,从而在提高了业务方风险判定效率的基础上,仍能保障业务方风险判定的准确性。
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方风险的判断方法流程图;
图2是根据一示例性实施例示出的一种获取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设置信息的输入示意图;
图5是根据一示例性实施例示出的一种模糊逻辑的输入示意图;
图6是根据一示例性实施例示出的一模糊逻辑推理图;
图7是根据一示例性实施例示出的另一模糊逻辑推理图;
图8是根据一示例性实施例示出的一种决策系统的更新方法流程图;
图9是根据一示例性实施例示出的又一种决策系统的更新方法流程图;
图10是根据一示例性实施例示出的一种业务方风险的判定装置示意图;
图11是根据一示例性实施例示出的又一种业务方风险的判定装置示意图。
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”。
在诸如业务方准入等场景下,经常需要基于业务方的特征数据对业务方的风险状况进行判定,以确定其是否拥有合作资格。
上述场景具有小样本、以及样本不平衡度高的特点,即该场景下可依赖的历史样本有限,且在整体样本数量偏少的基础上,负面样本的数量更为稀少,因而对于各类需要大量样本训练才能使用的网络模型,在此类场景中并不适用于。
目前,相关技术中大多采用人工方式,以人工逻辑主导的方式进行业务方风险状况的判定和决策。但是这样将导致业务方风险判定的效率较低的问题,且耗费的人力成本也较高。
基于以上,本说明书提供一种业务方风险的判定方法,引入模糊逻辑,按照模糊推理的方式进行业务方风险判定。不仅实现了业务方风险判定的智能化,并且不依赖历史样本数量,提高了业务方风险判定的效率。再者,模糊逻辑更加符合人工逻辑主导的应用场景,人工推理的经验知识也更方便引入到模糊逻辑中,从而在提高了业务方风险判定效率的基础上,同时获得了准确性更高的风险判定结果。
为了使本说明书提供的业务方风险的判定方法更加清楚,下面结合附图和具体实施例对本说明书提供的技术方案执行过程进行详细描述。
参见图1,图1是本说明书一示例性实施例示出的业务方风险的判定方法的流程示意图。该方法可以应用于任一执行业务方风险判定的决策系统中。
在以下实施例中主要结合业务方准入的应用场景,对本说明书提供的业务方风险的判定方法进行示例性说明。举例来说,当面向多个营销推广服务商进行商务招标时,执行业务方风险判定的决策系统可以基于获取到的各个服务商诸如推广资源、人员场地、信誉记录等特征参数,对各个服务商的风险状况进行判定,根据所述决策系统得到的各个服务商的风险判定结果能够进一步对所述营销推广服务商的准入授权进行决策。
需要说明的是,本说明书提供的业务方风险的判定方法适用于任一进行业务方风险判定的应用场景中,并不局限于所述业务方准入的应用场景。
参照图1所示,本说明书提供的业务方风险的判定方法,可以包括以下步骤:
步骤101,获取待判定业务方的至少一个特征数据,所述特征数据是业务方风险判定结果的影响因素。
本实施例中,待判定业务方为需要进行风险状况判定的任一业务方,所述业务方一般为诸如企业和机构的商务主体。举例来说,在业务方准入的应用场景下,待判定业务方可以为任一请求准入授权的业务方。
待判定业务方的风险判定结果可以对该业务方的相关业务决策产生影响。举例来说,在业务方准入的应用场景下,待判定业务方的风险判定结果将对是否予以该业务方准入授权的决策产生影响。待判定业务方的风险判定结果为高风险,则建议不给予该业务方准入授权,若待判定业务方的风险判定结果为低风险,则建议对该业务方风险状况再行观察,若待判定业务方的风险判定结果为“零”风险,则建议给予该业务方准入授权。
待判定业务方的特征数据为可以体现该业务方风险状况的数据,即特征数据为该业务方最终得到的风险判定结果的影响因素。所述特征数据可以是能够采集获取到的影响该业务方风险判定结果的数据,例如,待判定业务方的注册资本、成立年限、参保人数、年纳税额、法人不良信用记录、历史行政处罚记录、历史税务处罚记录、舆论风向等可以对该业务方的风险判定结果产生影响的数据,均可以作为本实施例中的特征数据。
本步骤可以获取待判定业务方的至少一个特征数据。例如,在业务方准入的应用场景下,可以获取待判定业务方的注册资本、成立年限、参保人数、年纳税额、法人不良信用记录、历史行政处罚记录、历史税务处罚记录、舆论风向等特征数据。
其中,获取待判定业务方的特征数据的具体方式,本实施例中并不做限制。例如,执行业务方风险判定的决策系统可以获取决策人员通过系统数据接口导入的待判定业务方的特征数据。又例如,执行业务方风险判定的决策系统也可以从云端数据库等数据源中调取对应的待判定业务方的特征数据。
在一个例子中,步骤101中获取待判定业务方的至少一个特征数据的过程如图2所示,可以包括以下步骤:
步骤101-1,获取所述待判定业务方的特征数据集合。
本实施例中可以获取决策人员通过数据接口导入的待判定业务方的特征数据集合,或从云端数据库等数据源中调取待判定业务方的特征数据集合。其中,特征数据集合为待判定业务方进行风险判定时需要的特征数据的集合。在进行业务方风险判定的过程中,待判定业务方通常依赖多个特征数据才能得到其风险判定结果。例如,在业务方准入的应用场景下,通常依赖待判定业务方的注册资本、成立年限、参保人数、年纳税额、法人不良信用记录、历史行政处罚记录、历史税务处罚记录、舆论风向等多个特征数据,综合得到该业务方的风险判定结果。本实施例中可以将与待判定业务方的风险判定相关的多个或所有特征数据,作为待判定业务方的特征数据集合。
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特征数据的数据标识,由所述特征数据集合中提取所述特征数据。
本实施例提供的业务方风险的判定方法中,在对待判定业务方的特征数据进行处理过程中,可以先对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待判定业务方需要进行模糊化处理的特征数据;其中,不同的特征数据用不同的数据标识表示。例如,可以用数据标识“A”对应待判定业务方的特征数据“成立年限”;用数据标识“B”对应待判定业务方的特征数据“年纳税额”。示例性的,可以预先设置待模糊信息为:A(成立年限)、B(年纳税额)。
本步骤可以根据待模糊化信息中包括的数据标识,从特征数据集合中提取对应的特征数据。例如,可以从特征数据集合中提取数据标识A对应的数据为“6”;提取数据标识B对应的数据为“67万”。即,提取得到了待判定业务方对应的特征数据“成立年限”为6年,特征数据“年纳税额”为67万。
步骤102,对每个所述特征数据进行模糊化处理,得到对应的模糊化值。
在获取待判定业务方的特征数据后,本步骤可以对每个特征数据进行模糊化处理,得到每个特征数据对应的模糊化值。需要说明的是,对特征数据进行模糊化处理的具体方式本实施例中并不做限制。
在一种可能的实现方式中,可以通过隶属度函数对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,完成对特征数据的模糊化处理。
示例性的,可以预先设置特征数据“成立年限”对应模糊集合“长”的隶属度函数f(x1),对应模糊集合“中”的隶属度函数f(x2),对应模糊集合“短”的隶属度函数f(x3)。在特征数据“成立年限”为6的情况下,可以根据隶属度函数f(x1)得到该“成立年限”对应模糊集合“长”的隶属度为0.6;根据隶属度函数f(x2)得到该“成立年限”对应模糊集合“中”的隶属度为0.4;根据隶属度函数f(x3)得到该“成立年限”对应模糊集合“短”的隶属度为0。其中,隶属度0.6、隶属度0.4和隶属度0可以作为特征数据“成立年限”为6的模糊化值。
可以理解的是,每个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,可以由业务方风险判定领域的相关决策人员根据经验知识研究得到。又例如,也可以根据常规隶属度函数的形式结合决策人员的经验知识综合得到。
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,获取预先设置的模糊化设置信息,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特征数据的数据标识、以及所述特征数据对应不同模糊集合的数据区间。
预先于执行业务方风险判定的决策系统中设置所述模糊化设置信息,其中,所述模糊化设置信息用于描述对每个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特征数据的数据标识。例如,模糊化设置信息中包括特征数据“成立年限”的数据标识“A”、特征数据“年纳税额”的数据标识“B”。模糊化设置信息中还包括特征数据对应不同模糊集合的数据区间。其中,数据区间用于描述特征数据在不同数值下对应不同模糊集合的隶属度。
例如,模糊化设置信息中可以将特征数据“成立年限”对应模糊集合“长”的数据区间设置为:隶属度为0的数据区间为[0,3.3],隶属度从0至1的数据区间为[3.3,6.7],隶属度为1的数据区间为[6.7, ]。
决策人员可以通过决策系统的输入交互界面预先设置所述模糊化设置信息。例如,可以在决策系统的输入交互界面预先完成对模糊化设置信息的设置或填充,从而使本步骤中能够获取决策系统中所述预先设置的模糊化设置信息。
在一种可能的实现方式中,可以基于业务方风险判定领域的决策人员的经验知识在决策系统的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,从而可以使得模糊化设置信息的录入更加方便。
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可以是特征数据的数据标识,例如,在业务方准入的应用场景下,数据源A可以是待判定业务方的“成立年限”,数据源B可以是待判定业务方的“年纳税额”。“长”、“中”、“短”可以称为特征数据对应的不同的模糊集合,而图4中的<=3.3、>6.7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标识和数据区间,比如,数据源A和数据源B这些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仅是示意了两种特征数据标识A和B,实际实施中可以有更多数量的特征数据,根据实际的业务决策需求确定,不再详举。
此外,还需要说明的是,图4中的“长”、“中”、“短”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应用场景和特定特征数据确定,本公开实施例不做限制。比如,在业务方准入的应用场景下,假设数据源是“年纳税额”时,还可以设定为“高”、“中”、“低”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执行业务方风险判定的决策系统中用于人机交互的输入交互界面,业务方风险判定领域的相关决策人员可以通过该输入交互界面设置实际应用场景下对应的模糊化设置信息,这些信息将作为所述决策系统在后续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,方便决策人员录入。
步骤102-2,基于各特征数据的数据标识和对应不同模糊集合的数据区间,分别生成各特征数据对应的隶属度函数。
在获取预先设置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特征数据“成立年限”的数据标识“A”、特征数据“年纳税额”的数据标识“B”。并且,模糊化设置信息中特征数据“成立年限A”对应模糊集合“长”的数据区间为:隶属度为0的数据区间为[0,3.3],隶属度从0至1的数据区间为[3.3,6.7],隶属度为1的数据区间为[6.7, ]。基于以上数据区间,本步骤可以生成特征数据“成立年限A”对应模糊集合“长”的隶属度函数,基于相同原理,可以根据特征数据“成立年限A”对应不同模糊集合的数据区间,得到“成立年限A”对应模糊集合“中”或模糊集合“短”的隶属度函数;可以根据特征数据“年纳税额B”对应不同模糊集合的数据区间,得到“年纳税额B”对应模糊集合“高”、模糊集合“中”或模糊集合“低”的隶属度函数。
在得到各个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特征数据对应不同模糊集合的隶属度,作为该特征数据对应的模糊化值,完成对各个特征数据的模糊化处理。
步骤103,基于各个所述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,所述模糊逻辑是依据所述特征数据推导所述风险判定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,根据某待判定业务方的成立年限和年纳税额可以得到该业务方的经营稳定性,这就是一个判断条件,而且是在业务方风险判定结果的推导过程中要执行的其中一个判断条件,可以据此得到业务方经营稳定性的判定结论;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业务方经营稳定性和待判定业务方的参保人数、员工纠纷比率确定该业务方的其他特征。
其中,预先设置模糊逻辑的具体实现方式,本实施例中并不做限制。例如,可以通过执行业务方风险判定的决策系统的输入交互界面预先设置所述模糊逻辑。
在一种可能的实现方式中,可以在所述决策系统的输入交互界面中设置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决策系统的输入交互界面中提供的供决策人员输入的表格单元,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,可以用于业务方风险判定领域的相关决策人员输入执行业务风险判定所需的模糊逻辑。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。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,即预先由业务方风险判定领域的相关决策人员输入实际应用场景下进行业务方风险判定所需的模糊化设置信息和模糊逻辑。完成所述模糊化设置信息和模糊逻辑的输入后,执行业务方风险判定的决策系统就可以获取决策人员通过系统数据接口导入的待判定业务方的特征数据,或获取从数据源调取的待判定业务方的特征数据以进行上述步骤。
比如,在业务方准入的应用场景下,相关决策人员预先在决策系统中输入了上述的模糊逻辑等信息,所述决策人员可以使用该决策系统,通过诸如系统数据接口等数据媒介导入待判定业务方的特征数据集合,其中包括了待判定业务方的多方面数据。决策系统在接收到该待判定业务方的特征数据集合后,可以根据之前预先设置的待模糊化信息中包括的特征数据的数据标识,由该特征数据集合中提取执行业务方风险判定所需的特征数据,比如由待判定业务方的特征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决策人员在实际应用场景下依据所述特征数据推导业务方风险判定结果的推理经验确定。例如,在实际应用场景下,可以根据相关决策人员的知识经验,结合所述应用场景下待判定业务方特征数据的特点,构建如图5所示的模糊逻辑。比如,在业务方准入的应用场景下,相关决策人员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待判定业务方的风险判定结果,这些经验知识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决策系统用以在业务方准入的应用场景下对业务方的风险状况进行判定,以基于待判定业务方的风险判定结果决策是否给予该业务方准入授权,那么相关决策人员可以确定要采集该业务方的哪些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;相关决策人员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是确定业务方风险判定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,预先设置的模糊逻辑包括依序执行的至少一个模糊逻辑,其中,前一模糊逻辑的结论信息为后一模糊逻辑的条件信息之一,所述模糊推理结果为依序执行所述至少一个模糊逻辑的推理得到。以图5为例,预先设置的依序执行的至少一个模糊逻辑中,前一模糊逻辑可以是“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同时作为了前一模糊逻辑中的结论信息和后一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应用场景下的推理过程,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可以是待判定业务方的成立年限,B可以是待判定业务方的年纳税额,C可以是待判定业务方的经营稳定性;E可以是待判定业务方的员工纠纷比率,H可以是待判定业务方的经营管理稳定性。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“经营稳定性”、H“经营管理稳定性”就可以是一种抽象概念,该抽象概念是基于决策人员的经验知识在业务方风险判定结果的推导过程中抽象出的特征,而这种抽象特征可以与具体的特征数据或者另一种抽象特征有关。比如,最终的业务方风险判定结果可以由待判定业务方的经营管理稳定性确定,而经营管理稳定性又与业务方的成立年限、年纳税额和员工纠纷比率等特征数据有关。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,传统的决策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。而本公开实施例的执行业务方风险判定的决策系统,一方面,采用了模糊逻辑,基于模糊逻辑进行模糊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,该决策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,本实施例的决策系统还通过交互界面以较为简单的方式获取业务方风险判定领域相关决策人员的经验知识,包括模糊化设置信息和模糊逻辑,通过预先设置的方式,构架了决策人员的经验知识和机器计算之间的桥梁,使得决策人员知识经验中的逻辑演绎的推理经验可以沉淀至机器系统(即本实施例的执行业务方风险判定的决策系统),同时,该机器系统又可以依据预先设置的推理经验帮助决策人员进行逻辑推导,提高了决策人员进行业务方风险判定和相关业务决策的效率。因此,该决策系统也提供了一套决策人员和机器进行知识交互的模式,有助于决策人员知识在机器上沉淀,同时该系统也作为决策人员的辅助工具,提升决策人员进行业务方风险判定和相关业务决策的效率。
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“成立年限”、条件信息B为“年缴税额”、结论信息C为“经营稳定性”的情况下,基于条件2与结论2的模糊逻辑,可以根据“成立年限”对应模糊集合“长”的隶属度和“年缴税额”对应模糊集合“高”的隶属度,推理得到“经营稳定性”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,得到所述待判定业务方的风险判定结果。
本实施例中,风险判定结果用于表征待判定业务方的风险状况,它可以用于进行相关业务的决策。例如,在业务方风险准入的应用场景下,风险判定结果包括高风险、低风险和“零”风险,它们可以被用于对待判定业务方能否得到准入授权的决策结果进行预测。
所述风险判定结果在具体实现时,可以体现为待判定业务方风险状况的判定分值。
在基于预先设置的模糊逻辑对各个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,即作为风险判定结果。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。
本实施例示出的业务方风险的判定方法,在获取用于风险判定的业务方的特征数据后,对业务方的特征数据进行模糊化处理以得到其模糊化值,基于各个特征数据的模糊化值以及预设的模糊逻辑进行模糊推理,最终得到去模糊化的风险判定结果以实现针对业务方风险的判定决策。将模糊逻辑引入决策系统,按照模糊推理的方式进行业务方风险的判定,不仅实现了业务方风险判定的智能化,并且不依赖历史样本数量,提高了判定效率。再者,所述基于模糊逻辑进行模糊推理的方式更加符合人工决策的场景,与人工逻辑推导的方式较为匹配,从而在提高了业务方风险判定效率的基础上,仍能保障业务方风险判定的准确性。
在进行业务方风险判定时,考虑到针对不同的业务方类型进行风险判定时的侧重往往不同,在预先设置所述模糊化信息时,往往会针对不同的业务方类型分别设置不同的所述模糊化设置信息。其中,所述业务方类型用以对需要进行风险判定的业务方进行细化区分,举例来说,在业务方准入的应用场景下,所述业务方类型包括数据合作供应商、营销推广服务商、政府合作方等。
所述针对不同的业务方类型分别设置不同的模糊化设置信息,包括针对不同的业务方类型设置的模糊化设置信息中包括的特征数据的数据标识及其对应不同模糊集合的数据区间可以不完全一致,即不同业务方类型可以采用不完全一致的特征数据进行风险判定,且同一特征数据,在不同业务方类型下对应不同模糊集合的数据区间也可以不同。例如,针对政府合作方这一业务方类型预先设置的模糊化信息中所包括的“行政区划级别”的数据标识不会包括在数据合作供应商和营销推广服务商的模糊化设置信息中,同一特征数据“注册资本”在数据合作供应商这一业务方类型下对应模糊集合“高”的数据区间中隶属度为1的数据区间可以为>1000万,而在营销推广服务商这一业务方类型下对应模糊集合“高”的数据区间中隶属度为1的数据区间则可以为>10万。
对应地,不同业务方类型下特征数据对应的隶属度函数也就不完全一致,针对不同类型的业务方,可以分别生成不同业务方类型下的隶属度函数,所述隶属度函数的生成方式参见前述图3所示,不再赘述。
在此实施例中,步骤102所述的对所述特征数据进行模糊化处理,得到对应的模糊化值的一种可选择的实现方式包括:
确定所述待判定业务方所属的业务方类型;针对每个所述特征数据,根据所述特征数据的数据标识,获取所述业务方类型下所述特征数据对应的隶属度函数,并通过所述隶属度函数对所述特征数据进行模糊化处理,得到对应的模糊化值。
所述待判定业务方所属的业务方类型可以基于其携带的业务方类型标识等加以确定。本公开实施例中的决策系统,可以根据不同业务方类型预先设置不同的模糊化设置信息,以使不同业务方类型下对业务方风险判定结果产生影响的特征数据及其对应的隶属度函数不完全一致,步骤102中得到的待判定业务方各个特征数据对应的模糊化值因而与所述待判定业务方所属的特定业务方类型产生关联,从而以一种更灵活的方式应对不同业务方类型下进行风险判定时的不同侧重。
相应地,在进行业务方风险判定时,考虑到针对不同的业务方类型进行风险判定时的侧重往往不同,还可以在设置所述模糊逻辑时,针对不同的业务方类型分别设置不同的模糊逻辑。
以业务方准入的应用场景为例,业务方类型包括但不限于数据合作供应商、营销推广服务商、政府合作方。考虑到不同类型的待判定业务方在进行风险判定时采用的特征数据以及各个特征数据对风险判定结果影响程度的不同,针对不同业务方类型预先设置的模糊逻辑可以不完全一致。例如,针对政府合作方预先设置的模糊逻辑中可以由“行政区划级别”和“数据控制权级别”推导其风险判定结果,针对数据合作供应商预先设置的模糊逻辑中可以由“经营稳定性”和“数据库留存于中国的比例”等特征数据推导其风险判定结果,针对营销推广服务商预先设置的模糊逻辑中可以由“经营稳定性”和“员工纠纷比率”等特征数据推导其风险判定结果。
在此实施例中,步骤103所述的基于各个所述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,得到模糊推理结果的一种可选择的实现方式包括:
确定所述待判定业务方所属的业务方类型;
获取所述待判定业务方所属的业务方类型对应的模糊逻辑,并基于各个所述特征数据对应的模糊化值、以及所述业务方类型对应的模糊逻辑进行模糊推理,得到模糊推理结果。
所述待判定业务方所属的业务方类型可以基于其携带的业务方类型标识等加以确定。本公开实施例中的决策系统,可以根据不同业务方类型预先设置不同的模糊逻辑,以使不同业务方类型下得到业务方风险判定结果的推导过程基于不完全一致的推理逻辑实现,步骤103中得到的待判定业务方的风险判定结果因而与所述待判定业务方所属的特征业务方类型产生关联,从而以一种更加灵活的方式应对不同业务方类型下进行风险判定时的不同侧重。
在诸如业务方准入的应用场景下,由于与相关业务方的合作时长往往较长,在合作期间所述业务方的特征数据极有可能发生变化,例如,因法人变动造成的不良信用记录,以及因人事问题造成的员工纠纷比率上升等,这些业务方的特征数据的变化极有可能对该业务方的风险判定结果产生影响,使曾经风险判定结果为“零”风险的业务方变化为风险判定结果为高风险的业务方。
为应对上述问题,执行业务方风险判定的决策系统可以监听待判定业务方的特征数据是否变化;当所述特征数据发生变化后,基于变化后的所述待判定业务方的特征数据,重新进行业务方风险判定,更新所述待判定业务方的风险判定结果。
上述实施例中,执行业务方风险判定的决策系统可以对待判定业务方的特征数据是否变化加以监听,包括但不限于根据预先设置的监测周期,调取待判定业务方的特征数据与上一周期缓存的历史特征数据比对以确定所述特征数据是否发生变化。其中,被监听的业务方可以是参与风险判定的所有业务方,也可以是指定的部分业务方;而被监测是否发生变化的特征数据可以基于预先设置的模糊化设置信息中包括的特征数据的数据标识确定。
在确定待判定业务方的特征数据发生变化后,所述决策系统可以基于本周期调取到的特征数据,基于预先设置的模糊化设置信息和模糊逻辑,重新执行上述步骤101至步骤104所述的业务方风险的判定方法,利用本次得到的风险判定结果对原有的风险判定结果进行更新。
本公开实施例中的决策系统,通过对待判定业务方的特征数据加以监听,在所述待判定业务方的特征数据发生变化时,及时基于变化后的所述特征数据更新了所述待判定业务方的风险判定结果,使得所述决策系统中针对各个待判定业务方的风险判定结果动态更新,因而保持了所述决策系统针对业务方风险判定的准确性。
在一些可选实施例中,执行业务方风险判定的决策系统还可以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;以可视化方式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“经营稳定性”。在该决策系统的实际应用过程中,获取待判定业务方的特征数据时,可以是具体获取该推理图中的根节点对应的特征数据。
在根据模糊逻辑生成对应的模糊逻辑推理图后,上述实施例中可以可视化方式显示该模糊逻辑推理图,例如,在决策系统的输出交互界面显示该模糊逻辑推理图。从而,决策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,所述以可视化方式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,所述风险判定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,风险判定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风险判定结果的最终数值。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,该决策系统也可以通过人机交互接收决策人员对显示哪些节点分值的选择,并根据决策人员的选择进行显示。
上述实施例中,可以在以可视化方式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,更加直观的了解模糊逻辑的整个判断过程。
在一些可选实施例中,若得到的待判定业务方的风险判定结果为预设的风险判定结果,可以对所述风险判定结果进行根因分析。具体地,所述决策系统可以基于推理图中依序执行的至少一个模糊逻辑,由所述推理图中各个条件节点和结论节点对应的特征数据的去模糊化值,确定导致所述风险判定结果的关键特征数据。
举例来说,预设所述决策系统在得到高风险的风险判定结果时,对待判定业务方的这一风险判定结果进行根因分析。
所述决策系统得到所述高风险的风险判定结果的推导过程,参见图7所示的推理图,其中,该业务方的特征数据“成立年限A”对应的去模糊化值为10,特征数据“年纳税额B”对应的去模糊化值为90,以“成立年限A”和“年纳税额B”作为条件节点得到结论节点“经营稳定性C”对应的去模糊化值为80,特征数据“历史行政处罚记录D”对应的去模糊化值为60,以“经营稳定性C”和“历史行政处罚记录D”作为条件节点得到结论节点“风险判定结果H”对应的判定分值为77;即,所述推理图中依序执行的模糊逻辑包括:A(10)+B(90)=>C(80),C(80)+D(60)=>H(77)。
根据所述判定分值为77 的“风险判定结果”确定其为需要进行根因分析的“高风险”结果。基于所述推理图中包括的依序执行的模糊逻辑进行逆向推导,首先,针对“经营稳定性C”和“历史行政处罚记录D”得到“风险判定结果H”的模糊逻辑进行逆向推导,由“经营稳定性C”和“历史行政处罚记录D”中任一项为“差”则“风险判定结果H”为“差”的这一逻辑规则,确定属于根节点且去模糊化值60表征为“差”的“历史行政处罚记录D”为导致所述“高风险”结果的关键特征数据之一。
而去模糊化值80表征为差的“经营稳定性C”因为不属于根节点,可以继续逆向推导,针对“成立年限A”和“年纳税额B”得到“经营稳定C”的模糊逻辑进行逆向推导,由“成立年限A”为“长”且“年纳税额B”为“低”则“经营稳定性”为“差”这一逻辑规则,确定属于根节点且去模糊化值90表征为“低”的“年纳税额B”为导致所述“高风险”结果的关键特征数据之一。
所述决策系统以可视化方式显示所述关键特征数据,例如,针对所确定的导致所述预设风险判定结果的关键特征数据“年纳税额B”和“历史行政处罚记录D”,可以将其对应的去模糊化值以不同与其他去模糊化值的醒目颜色进行显示,比如,用黑色显示“成立年限A”和“经营稳定性C”对应的去模糊化值,用红色显示“年纳税额B”和“历史行政处罚记录D”对应的;又例如,还可以将所确定的导致所述预设风险判定结果的关键特征数据“年纳税额B”和“历史行政处罚记录D”所在的节点通过警示框标出;实际实施时不局限于上例,不再赘述。
所述决策系统还可以根据所确定的导致所述预设风险判定结果的关键特征数据,显示与之相关的提示信息。预先在所述决策系统中设置与各个特征数据对应的提示信息,在确定导致风险判定结果的关键特征数据后,所述决策系统可以调用与所述关键特征数据对应的提示信息进行显示。举例来说,当确定“历史行政处罚记录D”为所述关键特征数据时,在以上述可视化方式显示“历史行政处罚记录”这一特征数据外,还可以显示与之相关的“注意加强行政管理,以降低风险”的提示信息。
上述实施例中,可以在以可视化方式显示模糊逻辑推理图的同时,基于依序执行的模糊逻辑以及各节点特征数据对应的去模糊化值,确定导致风险判定结果的关键特征数据,并将所确定的关键特征数据及其对应的提示信息在所述模糊逻辑推理图中进行一同显示,从而使相关决策人员得以了解待判定业务方得到所述风险判定结果的根本原因并得到与之相关的提示信息。
本公开实施例中的决策系统,通过推理图的形式将逻辑推理过程进行了可视化,决策人员在使用该决策系统进行业务方风险判定时,可以通过推理图了解到最终的业务方风险判定结果的推理过程,实际上将系统的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风险判定结果的影响程度,比如,可以根据推理图中依序执行的模糊逻辑以及各节点对应的去模糊化值进行根因分析,确定影响了最终的风险判定结果的关键特征因素,结合相关提示,利于根因溯源,辅助决策人员进行业务决策。
此外,本实施例的业务方风险的判定方法,不限制其应用领域,在不同的应用场景下,执行业务方风险判定的决策系统获取的相关知识经验不同。类似图4和图5所示的预先设置的模糊逻辑信息,在不同的应用场景下可以不完全一致,即在不同的应用场景下,所述推理图中的风险判定结果虽然都指示所述待判定业务方的风险状况,但所述推理图所包括的节点连接关系和节点含义不同。
在上述基础上,本公开实施例还提供了一种决策系统的更新方法,该方法旨在进行基于数据的模型学习,以对上述决策系统中预先设置的模糊化设置信息和模糊逻辑进行优化,以提高该决策系统进行业务方风险判定的准确性。
图8提供了一示例性的决策系统的更新方法的流程,该方法可以由决策系统执行,即决策系统可以具有自学习的能力;或者,也可以由决策系统之外的其他系统执行。如图8所示,该方法可以包括如下处理:
在步骤800中,根据预先设置的模糊逻辑,生成所述概率图网络的网络结构;基于所述样本特征数据对应不同模糊集合的数据区间、以及所述模糊逻辑,得到所述概率图网络中的各节点对应的概率分布参数。
本实施例是要对决策系统中预先设置的模糊逻辑信息进行优化,该决策系统可以称为待优化的决策系统。本步骤中,可以根据上述待优化的决策系统中的模糊逻辑信息生成概率图网络。
其中,上述模糊逻辑信息可以包括图4示意的模糊化设置信息、以及图5示意的模糊逻辑。并且,这些模糊逻辑信息针对特定的业务方风险判定的应用场景,比如,假设在业务方准入的应用场景下,模糊逻辑信息中的特征数据可以对请求准入授权的业务方风险状况的判定具有影响的因素,模糊逻辑也是在根据这些特征数据推理请求准入授权的业务方风险状况的判定过程中的一些判定条件,比如,若待判定业务方的成立年限久,且年纳税额高,那么待判定业务方的经营稳定性好。
概率图网络(probabilistic graphical model,PGM)是一种能够表示多个随机变量之间关联的模型,该概率图网络的网络结构可以包括节点(node)和边(edge)。实践中,该概率图网络的图结构与图6所示意的模糊逻辑推理图的结构可以是一致的,比如,该概率图中也可以包括条件节点、结论节点、以及由所述条件节点指向结论节点的连接边。其中,所述条件节点对应模糊逻辑中的条件信息,结论节点对应模糊逻辑的结论信息。具体可以结合参见图6对应的描述。
本步骤中,在生成概率图网络时,还可以基于所述样本特征数据对应不同模糊集合的数据区间、以及所述模糊逻辑,得到概率图网络中的各节点对应的概率分布参数。
具体的,概率图中的各个节点,比如条件节点或结论节点,可以都具有一个初始化的概率分布参数。比如,图6中的根据A和B推导C的模糊逻辑,作为条件节点的A和B的初始化概率分布参数可以是根据图4中预先设置的特征数据对应各个模糊集合的数据区间得到的。而作为结论节点的C的初始化概率分布参数可以是根据图5中预先设置的模糊逻辑确定。
此外,上述的概率图网络的网络结构可以根据决策系统中预先设置的模糊逻辑信息生成,也可以直接将决策系统中使用的模糊逻辑推理图映射一份,作为概率图网络。
在步骤802中,获取待判定业务方的样本特征数据、以及系统优化目标数据。
本实施例是在进行概率图网络的训练,学习该概率图网络的网络参数,因此,在训练过程中使用的特征数据可以称为业务特征数据。
其中,所述样本特征数据是待优化的决策系统执行业务方风险判定时的采集数据,比如,待判定业务方的注册资本、成立年限、参保人数、年纳税额、法人不良信用记录、历史行政处罚记录、历史税务处罚记录、舆论风向等。该样本特征数据与决策系统在实际应用阶段使用的特征数据在数据标识上是相同的,比如,应用决策系统实际执行业务方风险判定时,获取的判定所需的特征数据包括数据A和数据B,那么学习阶段的样本特征数据也包括数据A和数据B,只是在学习阶段的具体数值可以不同,学习样本可以是一些历史样本。
本步骤中,系统优化目标数据相当于决策系统输出的风险判定结果对应的风险判定真值,比如,决策系统输出的风险判定结果是判定某业务方的风险状况,那么,假设获取的训练样本中,是待判定业务方的历史样本,其中包括该待判定业务方的注册资本、成立年限、参保人数、年纳税额、法人不良信用记录、历史行政处罚记录、历史税务处罚记录、舆论风向等样本特征数据,还包括该待判定业务方的风险状况的真实值。决策系统输出的风险判定结果相当于是基于该待判定业务方的注册资本、成立年限、参保人数、年纳税额、法人不良信用记录、历史行政处罚记录、历史税务处罚记录、舆论风向等特征数据输出的该业务方的风险状况的预测结果,而优化目标数据是已发生的该业务方的风险状况的真实值。
此外,本步骤中的样本特征数据和优化目标数据的获取方式,可以是通过数据上传的接口模块,比如,通过该接口模块向具有自学习能力的决策系统上传所述的样本特征数据和优化目标数据。或者也可以采用其他方式提供给系统,本实施例不做限制。
在步骤804中,根据所述样本特征数据和优化目标数据,训练所述概率图网络,得到训练完成的所述概率图网络的网络参数。
本步骤中,采用的概率图网络的学习算法,可以是含隐变量的参数估计算法,例如,包括但不限于EM((Expectation-Maximization algorithm,最大期望算法)。通过该EM算法,可以学习得到所述概率图网络的网络参数。
其中,在采用EM算法进行迭代更新的过程中,以上述的优化目标数据为迭代算法的目标,使得最终EM算法迭代收敛时,能够使得概率图网络符合该优化目标数据的限制。
此外,训练完成后得到的所述概率图网络的网络参数,可以是网络中的各节点对应的更新后的概率分布参数,可以称为更新概率分布参数。比如,可以学习到对应图6中的根节点的更新概率分布参数。
在步骤806中,基于训练得到的所述网络参数,输出对于所述决策系统的模糊逻辑信息的更新信息。
本步骤中,可以根据训练所述概率图网络得到的节点对应的更新概率分布参数,得到样本特征数据对应不同模糊集合的数据区间的更新信息。
比如,假设决策系统最初录入的模糊化设置信息中,数据源A对应“长”的数据区间是“>6.7”,对应“短”的数据区间是“<=3.3”。那么根据学习得到的更新概率分布参数确定的更新信息可以是:建议“长”的数据区间是“>5”,对应“短”的数据区间是“<=2”。即可以对录入的数据区间提供优化建议,这些建议可以称为更新信息。此外,模糊逻辑信息中的模糊逻辑可以不做更新。
本步骤中,可以通过决策系统的输出交互界面显示上述的对于所述决策系统的模糊逻辑信息的更新信息,比如将上述的【建议“长”的数据区间是“>5”,对应“短”的数据区间是“<=2”】显示在界面上,供决策人员参考。
此外,在上述的模糊逻辑信息的更新信息的确定过程中,可以是根据学习得到的各节点的更新概率分布参数,得到该节点对应的隶属度函数,并将该隶属度函数与决策系统初始生成的隶属度函数进行比较,找到存在差异的节点,并基于该存在差异的节点的更新概率分布参数确定对应的新的数据区间。
在步骤808中,在所述输出对于所述决策系统的模糊逻辑信息的更新信息之后,接收对于所述样本特征数据对应不同模糊集合的数据区间的新设置信息,所述新设置信息基于所述更新信息确定。
例如,使用决策系统的决策人员可以根据步骤806中输出的更新信息,重新设置新的数据区间,该新输入的数据区间可以称为数据区间的新设置信息。比如,决策人员可以根据决策系统的输出交互界面显示的优化建议,将初始录入的数据区间进行更改,将“长”的数据区间更改为“>5”,将“短”的数据区间更改为“<=2”。
在步骤810中,基于所述数据区间的新设置信息,更新由所述特征数据到模糊集合的隶属度函数。
本步骤中,在更新完模糊化设置信息后,决策系统可以根据新的模糊化设置信息,更新由所述特征数据到模糊集合的隶属度函数,以备后续的模糊化使用。
通过图8所示意的流程,对决策系统的初始设置的模糊逻辑信息进行了更新。在决策系统的实际应用过程中,可以根据新的模糊逻辑信息进行模糊推理。具体的,该决策系统可以获取待判定业务方的至少一个特征数据,并根据新的模糊逻辑信息,对所述特征数据进行模糊化处理和模糊推理,得到模糊推理结果。其中,该新的模糊逻辑信息是根据本公开任一实施例的更新方法得到,比如根据图8中输出的更新信息确定。在对该模糊推理结果进行去模糊化后,可以得到待判定业务方的风险判定结果。
本公开实施例提供的执行业务方风险判定的决策系统的更新方法,通过概率图网络进行基于数据的网络参数学习,根据学习的网络参数输出对于初始设置的模糊逻辑信息的优化建议,使得决策系统具有了学习和知识迭代的能力,有利于使决策系统的风险判定结果更准确。
此外,本实施例不限制决策系统的学习时间和学习频率,比如,可以在使用该决策系统前学习一次,后续可以定期学习,当有了一段时期内的新的历史样本时,可以利用这些新的历史样本根据图8所示的流程重新学习一次,从而能够使得决策系统的领域知识不断迭代。
再者,本公开实施例中,由于已经预先利用决策人员知识构成概率图网络的方式降低了概率图网络模型的参数空间,因此可以降低在实际学习过程中对样本数的依赖,增强了学习的健壮性,使得我们可以在较小样本规模的情况下,数据驱动地对模型进行优化推荐。从而使得该决策系统作为决策人员辅助决策工具,不仅较大程度提升了决策人员的决策效率,而且能够在较小样本规模下进行基于数据驱动的知识自主演进。
该方案存在较多场景的应用可能,如应用在业务方准入的场景下,可对业务方准入授权的知识体系进行录入和自主迭代,等等。
如上的实施例中,通过本公开实施例提供的决策系统的更新方法,能够对概率图网络进行了网络参数学习,对决策系统初始设置的模糊化设置信息提供了优化建议,使得对该模糊化设置信息(例如,特征数据对应的各数据区间)进行修改后,该决策系统能够输出更准确的风险判定结果。在此基础上,本公开实施例还提供了另一种决策系统的更新方法,该方法可以用于对概率图网络的图结构进行学习。
上述的概率图网络的图结构学习,可以包括但不限于学习到如下信息中的至少一项:
例如,对于目标决策系统的概率图网络的节点的增删信息。
具体的,该目标决策系统即待优化的决策系统,比如,要对某个决策系统的模糊化设置信息进行优化,该决策系统就可以称为目标决策系统。其中,概率图网络中的节点是基于目标业务的样本业务特征数据推导业务决策结果过程中的影响因素,可以包括条件节点或者结论节点,例如可以是图6中的节点A、节点B、节点C、节点D等。
对于这些节点的增删信息可以是,通过进行图结构学习,学习到目标决策系统的概率图网络中的某个节点可以删除,或者在概率图网络中增加某个节点。
若要在概率图网络中增加某个节点,那可以是相当于要增加考虑这些节点对应的影响因素。例如,假设要在图6中增加一个节点K,并且该节点K通过连接边指向节点C,节点A是待判定业务方的成立年限,节点B是待判定业务方的年纳税额,节点K是待判定业务方的注册资本,节点C是待判定业务方的经营稳定性。也就是说,在进行图结构学习之前,只考虑了根据待判定业务方的成立年限和年纳税额,而在进行了图结构学习之后,学习到还要增加考虑待判定业务方的注册资本,即由待判定业务方的成立年限、年纳税额和注册资本三个维度确定待判定业务方的经营稳定性。当然,上述例子仅仅是示例而已,具体的模糊逻辑可以根据实际应用场景确定。类似的道理,若要在概率图中删除某个节点,即要在业务方风险判定结果的影响因素中去除掉某个因素,不再详述。
例如,学习到的信息还可以是对于目标决策系统的概率图网络的连接边的增删信息。其中,所述的连接边用于表示概率图中的各个节点对应的影响因素间的关联关系。
比如,图6中示意的节点A和节点C之间有一条连接边,如果学习到的图结构更新信息中表示要删除这条边,那就表示节点C的确定不需要考虑节点A对应的影响因素。原本是根据待判定业务方的成立年限和年纳税额确定其经营稳定性,将这条连接边去掉之后,可以根据年纳税额确定待判定业务方的经营稳定性即可。
如下将描述如何对概率图网络的图结构进行学习。首先需要说明的是,在实际实施中,这里的概率图网络的“图结构学习”与上述本公开任一实施例的概率图网络的“网络参数学习”可以是至少执行其中一项。比如,某个决策系统具有图结构学习的能力,但不具有网络参数学习的能力;或者,还可以是该决策系统具有网络参数学习的能力(学习到的可以称为参数更新信息),但不具有图结构学习的能力;还可以是,决策系统同时具有图结构学习与网络参数学习的能力。并且,本公开实施例不限制图结构学习与网络参数学习的执行先后顺序,可以先进行图结构学习再进行网络参数学习,或者也可以先进行网络参数学习再进行图结构学习,等。
图9提供了一示例性的决策系统的更新方法的流程,该方法可以由决策系统执行,即决策系统可以具有自学习的能力;或者,也可以由决策系统之外的其他系统执行。如图9所示,该方法可以包括如下处理:
在步骤900中,获取至少一个参考决策系统对应的概率图网络。
本实施例的图结构学习,要使用到待优化的目标决策系统之外的其他决策系统的概率图网络,可以将所述的其他决策系统称为参考决策系统。该参考决策系统的数量可以是至少一个。本步骤获取的参考决策系统的概率图网络可以是已经学习好的概率图网络,比如,可以是按照图所示意的学习流程训练得到的概率图网络。
此外,上述的参考决策系统与目标决策系统的关联性可以是在于:这些决策系统是用于基于应用场景下待判定业务方的特征数据输出所述待判定业务方的风险判定结果。比如,都是用于判定某个待判定业务方是否能够得到准入授权,即都是用于业务方准入的应用场景下。
不过,由于是不同的决策系统,各个决策系统接收的决策人员的知识经验可以不同。比如,若将参考决策系统依据的模糊逻辑信息称为第一模糊逻辑信息,将目标决策系统依据的模糊逻辑信息称为第二模糊逻辑信息,那么该第一模糊逻辑信息和第二模糊逻辑信息可以是不完全一致的。
例如,某个参考决策系统设置的第一模糊逻辑信息中,业务方的经营稳定性是依据待判定业务方的成立年限和年纳税额两种因素确定;而另一个参考决策系统设置的第一模糊逻辑信息中,经营稳定性是依据待判定业务方的成立年限、年纳税额和注册资本三方面因素确定。
在步骤902中,获取待判定业务方的样本特征数据,以及系统优化目标数据。
其中,所述样本特征数据是执行业务方风险判定时的采集数据,所述系统优化目标数据是所述待判定业务方的风险判定结果对应的风险判定真值。
在步骤904中,基于所述样本特征数据和优化目标数据,结合所述参考决策系统和目标决策系统的概率图网络进行图结构学习。
本步骤中,在进行图结构学习时,可以采用启发式算法,例如包括但不限于:遗传算法、模拟退火算法等。
具体的,可以通过启发式算法,将参考决策系统的概率图网络与目标决策系统的概率图网络进行局部交叉。该局部交叉可以是:例如,将某个参考决策系统的概率图网络中的部分网络结构替换掉目标决策系统的概率图网络中的部分网络结构。比如,仍以上面的例子来看,假设在目标决策系统中,概率图网络中的节点A和节点B分别通过连接边指向节点C,即节点C对应的影响因素“经营稳定性”是根据节点A“成立年限”和节点B“年纳税额”确定的,而在某参考决策系统中,“经营稳定性”是根据“成立年限”、“年纳税额”和“注册资本”三方面因素确定的。那么在局部交叉时,可以用上述参考决策系统中的子网络结构替换掉目标决策系统中的对应结构,将目标决策系统中的“经营稳定性”也修改为由“成立年限”、“年纳税额”和“注册资本”三方面因素确定,从概率图的图结构直观来看,就是在目标决策系统的概率图网络中增加一个节点K,并且增加一个由节点K指向节点C的连接边。
具体选择参考决策系统的那部分子网络结构,可以根据启发式算法来确定,可以有多种方式。此外,进行局部交叉后的目标决策系统的概率图网络可以称为更新概率图网络,比如,上述的目标决策系统的概率图网络中增加了一个节点K、以及由节点K指向节点C的连接边后,该概率图网络相比之前进行了更新,即可暂且称为更新概率图网络。
可以将训练样本中的样本特征数据输入所述更新概率图网络,得到所述更新概率图网络输出的业务决策结果。实际上,是将样本特征数据输入目标决策系统,由该目标决策系统根据所述更新概率图网络对应的图结构进行模糊推理,得到最终的风险判定结果。前述的实施例提到过,在训练阶段,概率图网络与决策系统的模糊逻辑推理图的网络结构是一致的,所以在得到上述的更新概率图网络后,决策系统可以按照该更新概率图网络对应的图结构进行模糊推理得到风险判定结果。该风险判定结果是目标决策系统按照更新概率图网络的结构进行推理得到的判定结果。
而优化目标数据是风险判定真值,可以通过该优化目标数据与上述目标决策系统按照更新概率图网络的结构进行推理得到的风险判定结果之间进行比较,来评价和确定是否接受所述更新概率图网络对应的图结构更新信息。这里的更新概率图网络对应的图结构更新信息即表明更新概率图网络相比于原概率图网络做了哪些更新。
在步骤906中,输出对目标决策系统的概率图网络的图结构更新信息。
本步骤中,可以通过显示界面显示对于目标决策系统的概率图网络的图结构更新信息,该图结构更新信息用于表示要对目标决策系统的模糊逻辑信息进行哪些更新,以改变目标决策系统的概率图网络的图结构。
该图结构更新信息相当于是对目标决策系统的原有知识经验提供的优化建议,例如,可以建议在概率图网络中增加节点K“注册资本”,并建议在节点K与节点C之间增设连接边。
在步骤908中,接收对于所述模糊逻辑信息的新设置信息,所述新设置信息是基于所述图结构更新信息确定;根据所述新设置信息,更新所述目标决策系统中由所述特征数据到模糊集合的隶属度函数,和/或,所述目标业务对应的模糊逻辑推理图。
在上述的输出图结构更新信息之后,如果决策人员同意该建议,可以更改决策系统的原有知识。
本实施例的方法的执行者可以是决策系统或者是其他学习系统,当由决策系统本身执行时,本步骤中,决策人员在更改决策系统的原有知识时,实际是更改目标业务对应的模糊逻辑信息,可以将新接收的模糊逻辑信息称为新设置信息。该新设置信息可以是基于上述的图结构更新信息确定。
比如,以【建议在概率图网络中增加节点K“注册资本”,并建议在节点K与节点C之间增设连接边】为例,可以在图4示意的表格中增加特征数据“注册资本”及其对应不同模糊集合的数据区间,并可以在图5示意的表格中修改对应的模糊逻辑,比如,将原本的根据“成立年限”和“年纳税额”确定经营稳定性,修改为根据“成立年限”、“年纳税额”和“注册资本”三因素确定业务方的经营稳定性。
此外,在修改了图4示意的模糊化设置信息后,可以对应更新目标决策系统中由所述特征数据到模糊集合的隶属度函数;还可以根据图5示意的更新后的模糊逻辑,更新模糊逻辑推理图。
在更新了图结构之后,可以使用更新后的目标决策系统进行业务方风险判定。具体的,该目标决策系统可以获取待判定业务方的至少一个特征数据,并根据所述决策系统接收的模糊逻辑信息,对所述特征数据进行模糊化处理和模糊推理,得到模糊推理结果;对所述模糊推理结果进行去模糊化,得到所述待判定业务方的风险判定结果。其中,该决策系统的模糊推理时使用的模糊逻辑,这些模糊逻辑对应的模糊逻辑推理图是根据图9所示意的流程学习得到的图结构更新信息确定。
本公开实施例提供的决策系统的更新方法,通过结合多个参考决策系统的概率图网络进行基于数据的图结构学习,根据学习得到的图结构更新信息输出对于初始设置的模糊逻辑信息的优化建议,使得决策系统具有了学习图结构的能力,有利于使决策系统的风险判定结果更准确。
此外,由于利用决策人员知识构成图网络的方式降低了模型的参数空间,降低了图结构可能性维度,保证了图结构与业务决策的一致性,因此可以降低在实际学习过程中对样本数的依赖,使得可以在较小样本规模的情况下,通过数据化的方式进行模型演进与优化推荐,使得在中小样本下进行图结构学习成为可能。
同理,本实施例不限制决策系统学习图结构的学习时间和学习频率,比如,可以在使用该决策系统前学习一次,后续可以定期学习,当有了一段时期内的新的历史样本时,可以利用这些新的历史样本根据图9所示的流程重新学习一次,从而能够使得决策系统的领域知识不断迭代。
此外,为了提升决策系统决策的健壮性,本公开实施例还采用了群体决策,综合多个决策系统的风险判定结果,获得待判定业务方的综合风险判定结果。
具体的,以业务方准入的应用场景为例,目标决策系统可以根据待判定业务方的特征数据,对其能否得到准入授权进行风险判定,最终得到所述待判定业务方是否得到准入授权的风险判定结果。本实施例还可以获取至少一个辅助决策系统对于所述待判定业务方的风险判定结果,这些辅助决策系统可以是对同一个待判定业务方进行风险判定,只不过这些辅助决策系统依据的模糊逻辑信息可以不同,比如,各辅助决策系统依据的该业务方的特征数据可以不同,依据的模糊推理对应的模糊逻辑可以不同,等。本实施例可以综合这些辅助决策系统和目标决策系统的风险判定结果,确定对应所述待判定业务方对应的综合风险判定结果。
例如,假设在基于一待判定业务方的特征数据判定其能否得到准入授权时,目标决策系统得到的风险判定结果是判定分87分,其中一个辅助决策系统得到的风险判定结果是判定分79分,另一个辅助决策系统得到的风险判定结果是判定分92分。在综合这些风险判定结果确定综合风险判定结果时,包括但不限于如下的群体决策方式:
在一个例子中,可以对上述的各个风险判定结果的判定分进行简单平均,比如,(87+79+92)/3=86,作为群体决策得到的综合风险判定结果。
在另一个例子中,还可以进行指定权重加权平均。比如,可以根据各辅助决策系统和目标决策系统所对应的决策人员的级别设置其风险判定结果的权重,例如,目标决策系统输入的知识经验是高级决策人员的经验知识,那么可以将目标决策系统得到的风险判定结果设置较高的权重;若辅助决策系统输入的知识经验是低级别决策人员的经验知识,那么可以将该辅助决策系统得到的风险判定结果设置较低的权重。并依据上述设置的权重对各个风险判定结果的判定分进行加权平均后,作为群体决策得到的综合风险判定结果。
在又一个例子中,还可以对各个辅助决策系统和目标决策系统进行基于数据的boosting/bagging。这里指的是可以根据各决策系统的实际风险判定指标表现,将其风险判定结果进行综合。比如,可以设定用于评价其风险判定指标表现的Loss,该Loss可以是基于优化目标数据和风险判定结果得到的分类Loss。若Loss表示决策系统输出的风险判定结果与作为风险判定真值的优化目标数据相差较大,可以将该风险判定结果的权重设置较低;反之,若根据Loss确定决策系统输出的风险判定结果与作为风险判定真值的优化目标数据相差较小,可以将该风险判定结果的权重设置较高。再基于上述设置的权重对各个风险判定结果的判定分进行加权平均后,作为群体决策得到的综合风险判定结果。
上述方法中,通过结合多个辅助决策系统进行综合决策,无论是平权还是基于数据表现的加权,均可以通过引入决策多样性,提升决策系统的健壮性。
此外,本公开实施例的方法,还可以根据系统输出的综合风险判定结果,进行根因溯源分析。比如,可以基于决策系统的模糊逻辑推理图中的逻辑结构,以及该推理图中的各个节点的评分,知晓最终的风险判定结果的关键影响因素是哪些。对于由多个辅助决策系统和目标决策系统进行群体决策的情况来说,同样可以基于各个辅助决策系统或目标决策系统的模糊逻辑推理图及其节点评分来获得对于风险判定结果的关键影响因素。
如图10所示,本说明书提供了一种业务方风险的判定装置,该装置可以执行本说明书任一实施例的业务方风险的判定方法。该装置可以应用于执行业务方风险判定的决策系统,即该装置中的各个模块可以是本公开实施例提供的决策系统中的各模块。如图10所示,该装置可以包括数据获取模块1001、模糊化模块1002、模糊推理模块1003、去模糊化模块1004。其中:
数据获取模块1001,用于获取待判定业务方的至少一个特征数据,所述特征数据是业务方风险判定结果的影响因素。
模糊化模块1002,用于对所述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1003,用于基于各个所述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,所述模糊逻辑是依据所述特征数据推导所述风险判定结果的过程中的判断条件。
去模糊化模块1004,用于对所述模糊推理结果进行去模糊化,得到所述待判定业务方的风险判定结果。
可选地,所述数据获取模块1001,在用于获取待判定业务方的至少一个特征数据时,包括:获取所述待判定业务方的特征数据集合;根据预先设置的待模糊化信息中包括的至少一个特征数据的数据标识,由所述特征数据集合中提取所述特征数据。
可选地,所述模糊化模块1002,在用于对所述特征数据进行模糊化处理,得到对应的模糊化值时,包括:针对每个所述特征数据,根据所述特征数据的数据标识,获取所述特征数据对应的隶属度函数;通过所述隶属度函数对所述特征数据进行模糊化处理,得到对应的模糊化值。
如图11所示,所述装置还包括:
模糊化设置模块1101,用于获取预先设置的模糊化设置信息,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特征数据的数据标识、以及所述特征数据对应不同模糊集合的数据区间;
隶属度函数生成模块1102,用于基于各个特征数据的数据标识和对应不同模糊集合的数据区间,分别生成各个特征数据对应的隶属度函数。
可选地,所述预先设置的模糊逻辑与所述业务方类型具有映射关系;所述模糊推理模块1003,在用于基于各个所述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,得到模糊推理结果时,包括:确定所述待判定业务方所属的业务方类型;获取所述待判定业务方所属的业务方类型对应的模糊逻辑;基于各个所述特征数据对应的模糊化值、以及所述业务方类型对应的模糊逻辑进行模糊推理,得到模糊推理结果。
可选地,如图11,所述装置还包括:
推理图生成模块1103,用于根据所述至少一个模糊逻辑,生成对应的模糊逻辑推理图;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1104,用于以可视化方式显示所述模糊逻辑推理图。
可选地,所述数据获取模块1001,在用于获取待判定业务方的至少一个特征数据时,包括:获取所述模糊逻辑推理图中的根节点对应的特征数据,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。
可选地,所述推理图显示模块1104,在用于以可视化方式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,所述风险判定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。
可选地,如图11,所述装置还包括:
关键特征确定模块1105,用于在得到的所述风险判定结果为预设的风险判定结果时,根据所述模糊逻辑推理图中各个条件节点和结论节点分别对应的去模糊化值,确定导致所述风险判定结果的关键特征数据;
关键特征显示模块1106,用于以可视化方式显示所述关键特征数据。
可选地,如图11,所述装置还包括:
结果更新模块1005,用于监听所述待判定业务方的特征数据;当所述特征数据发生变化后,基于变化后的所述待判定业务方的特征数据,重新进行业务方风险判定,更新所述待判定业务方的风险判定结果。
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方风险的判定方法。
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方风险的判定方法。
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,本公开并不对此进行限制。
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方风险的判定方法。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 (25)
1.一种业务方风险的判定方法,所述方法包括:
获取待判定业务方的至少一个特征数据,所述特征数据是业务方风险判定结果的影响因素;
对所述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,所述模糊逻辑是依据所述特征数据推导所述风险判定结果的过程中的判断条件;
对所述模糊推理结果进行去模糊化,得到所述待判定业务方的风险判定结果。
2.根据权利要求1所述的方法,所述获取待判定业务方的至少一个特征数据,包括:
获取所述待判定业务方的特征数据集合;
根据预先设置的待模糊化信息中包括的至少一个特征数据的数据标识,由所述特征数据集合中提取所述特征数据。
3.根据权利要求1所述的方法,所述对所述特征数据进行模糊化处理,得到对应的模糊化值,包括:
针对每个所述特征数据,根据所述特征数据的数据标识,获取所述特征数据对应的隶属度函数;
通过所述隶属度函数对所述特征数据进行模糊化处理,得到对应的模糊化值;
其中,各个特征数据对应的隶属度函数的生成过程,包括:
获取预先设置的模糊化设置信息,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特征数据的数据标识、以及所述特征数据对应不同模糊集合的数据区间;
基于各个特征数据的数据标识和对应不同模糊集合的数据区间,分别生成各个特征数据对应的隶属度函数。
4.根据权利要求1所述的方法,所述对所述特征数据进行模糊化处理,得到对应的模糊化值,包括:
确定所述待判定业务方所属的业务方类型;
针对每个所述特征数据,根据所述特征数据的数据标识,获取所述业务方类型下所述特征数据对应的隶属度函数;
通过所述隶属度函数对所述特征数据进行模糊化处理,得到对应的模糊化值。
5.根据权利要求1所述的方法,所述预先设置的模糊逻辑与所述业务方类型具有映射关系;
所述基于各个所述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,包括:
确定所述待判定业务方所属的业务方类型;
获取所述待判定业务方所属的业务方类型对应的模糊逻辑;
基于各个所述特征数据对应的模糊化值、以及所述业务方类型对应的模糊逻辑进行模糊推理,得到模糊推理结果。
6.根据权利要求1所述的方法,所述预先设置的模糊逻辑包括依序执行的至少一个模糊逻辑;
其中,每一个所述模糊逻辑包括条件信息和结论信息,所述条件信息包括特征数据对应的模糊化值;
所述依序执行的至少一个模糊逻辑中,前一模糊逻辑的结论信息为后一模糊逻辑的条件信息之一;
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。
7.根据权利要求6所述的方法,所述方法还包括:
根据所述至少一个模糊逻辑,生成对应的模糊逻辑推理图;
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;
以可视化方式显示所述模糊逻辑推理图。
8.根据权利要求7所述的方法,
所述获取待判定业务方的至少一个特征数据,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。
9.根据权利要求7所述的方法,所述以可视化方式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,所述风险判定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。
10.根据权利要求9所述的方法,所述方法还包括:
在得到的所述风险判定结果为预设的风险判定结果时,根据所述模糊逻辑推理图中各个条件节点和结论节点分别对应的去模糊化值,确定导致所述风险判定结果的关键特征数据;
以可视化方式显示所述关键特征数据。
11.根据权利要求1所述的方法,所述方法还包括:
监听所述待判定业务方的特征数据;
当所述特征数据发生变化后,基于变化后的所述待判定业务方的特征数据,重新进行业务方风险判定,更新所述待判定业务方的风险判定结果。
12.一种业务方风险的判定装置,所述装置包括:
数据获取模块,用于获取待判定业务方的至少一个特征数据,所述特征数据是业务方风险判定结果的影响因素;
模糊化模块,用于对所述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,所述模糊逻辑是依据所述特征数据推导所述风险判定结果的过程中的判断条件;
去模糊化模块,用于对所述模糊推理结果进行去模糊化,得到所述待判定业务方的风险判定结果。
13.根据权利要求12所述的装置,所述数据获取模块,在用于获取待判定业务方的至少一个特征数据时,包括:
获取所述待判定业务方的特征数据集合;
根据预先设置的待模糊化信息中包括的至少一个特征数据的数据标识,由所述特征数据集合中提取所述特征数据。
14.根据权利要求12所述的装置,所述模糊化模块,在用于对所述特征数据进行模糊化处理,得到对应的模糊化值时,包括:
针对每个所述特征数据,根据所述特征数据的数据标识,获取所述特征数据对应的隶属度函数;
通过所述隶属度函数对所述特征数据进行模糊化处理,得到对应的模糊化值;
所述装置还包括:
模糊化设置模块,用于获取预先设置的模糊化设置信息,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特征数据的数据标识、以及所述特征数据对应不同模糊集合的数据区间;
隶属度函数生成模块,用于基于各个特征数据的数据标识和对应不同模糊集合的数据区间,分别生成各个特征数据对应的隶属度函数。
15.根据权利要求12所述的装置,所述模糊化模块,在用于对所述特征数据进行模糊化处理,得到对应的模糊化值时,包括:
确定所述待判定业务方所属的业务方类型;
针对每个所述特征数据,根据所述特征数据的数据标识,获取所述业务方类型下所述特征数据对应的隶属度函数;
通过所述隶属度函数对所述特征数据进行模糊化处理,得到对应的模糊化值。
16.根据权利要求12所述的装置,所述预先设置的模糊逻辑与所述业务方类型具有映射关系;
所述模糊推理模块,在用于基于各个所述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,得到模糊推理结果时,包括:
确定所述待判定业务方所属的业务方类型;
获取所述待判定业务方所属的业务方类型对应的模糊逻辑;
基于各个所述特征数据对应的模糊化值、以及所述业务方类型对应的模糊逻辑进行模糊推理,得到模糊推理结果。
17.根据权利要求12所述的装置,所述预先设置的模糊逻辑包括依序执行的至少一个模糊逻辑;
其中,每一个所述模糊逻辑包括条件信息和结论信息,所述条件信息包括特征数据对应的模糊化值;
所述依序执行的至少一个模糊逻辑中,前一模糊逻辑的结论信息为后一模糊逻辑的条件信息之一;
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。
18.根据权利要求17所述的装置,所述装置还包括:
推理图生成模块,用于根据所述至少一个模糊逻辑,生成对应的模糊逻辑推理图;
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,用于以可视化方式显示所述模糊逻辑推理图。
19.根据权利要求18所述的装置,所述数据获取模块,在用于获取待判定业务方的至少一个特征数据时,包括:
获取所述模糊逻辑推理图中的根节点对应的特征数据,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。
20.根据权利要求18所述的装置,所述推理图显示模块,在用于以可视化方式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,所述风险判定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。
21.根据权利要求20所述的装置,所述装置还包括:
关键特征确定模块,用于在得到的所述风险判定结果为预设的风险判定结果时,根据所述模糊逻辑推理图中各个条件节点和结论节点分别对应的去模糊化值,确定导致所述风险判定结果的关键特征数据;
关键特征显示模块,用于以可视化方式显示所述关键特征数据。
22.根据权利要求12所述的装置,所述装置还包括:
结果更新模块,用于监听所述待判定业务方的特征数据;
当所述特征数据发生变化后,基于变化后的所述待判定业务方的特征数据,重新进行业务方风险判定,更新所述待判定业务方的风险判定结果。
23.一种计算机设备,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11中任一项所述的方法。
24.一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11中任一项所述方法的步骤。
25.一种计算机程序产品,包括计算机程序,所述程序被处理器执行时实现权利要求1至11中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797257.4A CN113269375A (zh) | 2021-07-14 | 2021-07-14 | 一种业务方风险的判定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797257.4A CN113269375A (zh) | 2021-07-14 | 2021-07-14 | 一种业务方风险的判定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113269375A true CN113269375A (zh) | 2021-08-17 |
Family
ID=77236678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110797257.4A Pending CN113269375A (zh) | 2021-07-14 | 2021-07-14 | 一种业务方风险的判定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269375A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046389A (zh) * | 2015-02-13 | 2015-11-11 | 国家电网公司 | 一种用于电力安全风险评估的智能风险评估方法及其系统 |
CN112446621A (zh) * | 2020-11-27 | 2021-03-05 | 北京航空航天大学 | 一种基于人因失误率评估系统安全运行的方法及装置 |
-
2021
- 2021-07-14 CN CN202110797257.4A patent/CN113269375A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046389A (zh) * | 2015-02-13 | 2015-11-11 | 国家电网公司 | 一种用于电力安全风险评估的智能风险评估方法及其系统 |
CN112446621A (zh) * | 2020-11-27 | 2021-03-05 | 北京航空航天大学 | 一种基于人因失误率评估系统安全运行的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Carlsson | Decision analytics—Key to digitalisation | |
CN113269540B (zh) | 专家系统的更新方法、业务处理方法及装置 | |
CN106407999A (zh) | 结合规则来进行机器学习的方法及系统 | |
US5787235A (en) | Fuzzy logic-based evidence fusion tool for network analysis | |
CN110232524A (zh) | 社交网络欺诈模型的构建方法、防欺诈方法和装置 | |
CN111210072B (zh) | 预测模型训练和用户资源额度确定方法及装置 | |
CN113256275B (zh) | 专家系统的更新方法、业务处理方法及装置 | |
Sedki et al. | Cognitive maps for knowledge represenation and reasoning | |
CN115309913A (zh) | 一种基于深度学习的财务数据风险识别方法及系统 | |
CN111797333A (zh) | 舆情传播任务展示的方法及装置 | |
CN109635869B (zh) | 在线学习干预系统 | |
CN110717537B (zh) | 训练用户分类模型、执行用户分类预测的方法及装置 | |
CN112329879A (zh) | 基于反事实多智能体学习的图像场景图的生成方法和系统 | |
CN113269375A (zh) | 一种业务方风险的判定方法及装置 | |
Chytas et al. | Software reliability modelling using fuzzy cognitive maps | |
Steiniger et al. | Utilising urban context recognition and machine learning to improve the generalisation of buildings | |
RUŽIĆ et al. | Application of the Mamdani fuzzy inference system to measuring HRM performance in hotel companies–A pilot study | |
CN113256274B (zh) | 基于专家系统的业务处理方法及装置 | |
Cichy et al. | Fuzzy Expert Systems for Automated Data Quality Assessment and Improvement Processes. | |
Clemen | Improving and measuring the effectiveness of decision analysis: Linking decision analysis and behavioral decision research | |
Khan et al. | A New Approch To Three Way Decision Through Spherical Double Hierarchy Linguistic Information | |
Frantz et al. | Analysing the dynamics of norm evolution using interval type-2 fuzzy sets | |
Li et al. | A qualitative decision making model based on belief linguistic rule based inference methodology | |
Xu et al. | Churn prediction in telecom using a hybrid two-phase feature selection method | |
KR20200021132A (ko) | 인공지능을 이용한 예측 방법 |
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 |