CN113269540A - 专家系统的更新方法、业务处理方法及装置 - Google Patents
专家系统的更新方法、业务处理方法及装置 Download PDFInfo
- Publication number
- CN113269540A CN113269540A CN202110797304.5A CN202110797304A CN113269540A CN 113269540 A CN113269540 A CN 113269540A CN 202110797304 A CN202110797304 A CN 202110797304A CN 113269540 A CN113269540 A CN 113269540A
- Authority
- CN
- China
- Prior art keywords
- service
- expert system
- target
- data
- information
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供一种专家系统的更新方法、业务处理方法及装置,其中专家系统的更新方法,包括:获取至少一个参考专家系统对应的概率图网络,所述参考专家系统与目标专家系统用于基于同一目标业务的业务特征数据输出目标业务对应的业务决策结果;获取目标业务的样本业务特征数据和优化目标数据;基于上述数据,结合参考专家系统和目标专家系统的概率图网络进行图结构学习,输出对目标专家系统的概率图网络的图结构更新信息。本说明书实施例使得专家系统具有了学习图结构的能力,有利于专家系统的决策结果更准确。
Description
技术领域
本说明书涉及人工智能技术,尤其涉及一种专家系统的更新方法、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专家系统的更新方法、业务处理方法和装置,以提高业务处理效率。
本说明书实施例的第一方面,提供一种专家系统的更新方法,所述方法用于对目标专家系统进行更新,所述方法包括:
获取至少一个参考专家系统对应的概率图网络,所述参考专家系统与目标专家系统用于基于同一目标业务的业务特征数据输出所述目标业务对应的业务决策结果;
获取所述目标业务的样本业务特征数据,以及所述目标业务的优化目标数据;所述样本业务特征数据是执行目标业务的业务处理时的采集数据,且所述优化目标数据是所述目标业务的业务决策真值;
基于所述样本业务特征数据和优化目标数据,结合所述参考专家系统和目标专家系统的概率图网络进行图结构学习,其中,所述概率图网络是根据所述目标业务对应的模糊逻辑信息生成;
输出对目标专家系统的概率图网络的图结构更新信息,所述图结构更新信息用于对所述模糊逻辑信息进行更新以改变所述概率图网络的图结构。
本说明书实施例的第二方面,提供一种基于专家系统的业务处理方法,其中,所述方法由目标专家系统执行,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;
根据所述专家系统接收的模糊逻辑信息,对所述业务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,所述模糊逻辑信息是根据本公开任一实施例的专家系统的更新方法学习得到的所述图结构更新信息确定;
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。
本说明书实施例的第三方面,提供一种专家系统的更新装置,所述装置包括:
数据获取模块,用于获取至少一个参考专家系统对应的概率图网络,所述参考专家系统与目标专家系统用于基于同一目标业务的业务特征数据输出所述目标业务对应的业务决策结果; 获取所述目标业务的样本业务特征数据,以及所述目标业务的优化目标数据;所述样本业务特征数据是执行目标业务的业务处理时的采集数据,且所述优化目标数据是所述目标业务的业务决策真值;
图学习模块,用于基于所述样本业务特征数据和优化目标数据,结合所述参考专家系统和目标专家系统的概率图网络进行图结构学习,其中,所述概率图网络是根据所述目标业务对应的模糊逻辑信息生成;
信息输出模块,用于输出对目标专家系统的概率图网络的图结构更新信息,所述图结构更新信息用于对所述模糊逻辑信息进行更新以改变所述概率图网络的图结构。
本说明书实施例的第四方面,提供一种基于专家系统的业务处理装置,所述装置应用于专家系统,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;
模糊处理模块,用于根据所述专家系统接收的模糊逻辑信息,对所述业务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,所述模糊逻辑信息是根据本公开任一实施例的专家系统的更新方法学习得到的所述图结构更新信息确定;
结果获得模块,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。
本说明书实施例的第五方面,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。
本说明书实施例的第六方面,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,通过结合多个参考专家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录入的模糊逻辑信息的优化建议,使得专家系统具有了学习图结构的能力,有利于专家系统的决策结果更准确。
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专家系统的更新方法的流程示意图;
图8是根据一示例性实施例示出的又一种专家系统的更新方法的流程示意图;
图9是根据一示例性实施例示出的一种专家系统的更新装置的结构示意图;
图10是根据一示例性实施例示出的一种基于专家系统的业务处理装置的结构示意图。
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,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,如图2所示,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。
如上所述的任一实施例,本公开提供的专家系统可以通过人机交互的输入交互界面,接收目标业务对应的模糊逻辑信息,例如,该模糊逻辑信息可以包括:图4示意的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,数据源B的取值<=3属于“好”区间,>6属于“坏”区间,>3且<=6属于“模糊”区间。该模糊逻辑信息还可以包括:图5示意的模糊逻辑,比如,当判断A是…,B…时,得到的C是…。这些模糊逻辑信息可以是领域专家的专家知识,用于基于这些专家知识对目标业务进行模糊推理,以得到业务决策结果。
在上述基础上,本公开实施例还提供了一种专家系统的更新方法,该方法只在进行基于数据的模型学习,以对上述专家系统接收的初始录入的专家知识进行优化,以使得该专家系统的决策效果更好。
图7提供了一示例性的专家系统的更新方法的流程,该方法可以由专家系统执行,即专家系统可以具有自学习的能力;或者,也可以由专家系统之外的其他系统执行。如图7所示,该方法可以包括如下处理:
在步骤700中,根据目标业务对应的模糊逻辑,生成所述概率图网络的网络结构;基于所述样本业务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。
本实施例是要对专家系统中录入的模糊逻辑信息进行优化,该专家系统可以称为待优化的专家系统。本步骤中,可以根据上述待优化的专家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,这些模糊逻辑信息是针对某业务场景下的目标业务的,比如,假设业务场景是信贷风控场景,目标业务可以是要判定某审批用户是否会延期还贷,那么模糊逻辑信息中的业务特征数据可以是影响“是否延期还贷”判定的影响因素,模糊逻辑也是在根据这些业务特征数据推理判定“是否延期还贷”的决策过程中的一些判定条件,比如,若用户的月消费金额高,且用户的收入高,那么用户的消费能力较高。
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业务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中录入的业务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中录入的模糊逻辑确定。
此外,上述的概率图网络的网络结构可以根据专家系统输入的模糊逻辑信息生成,也可以直接将专家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702中,获取目标业务的样本业务特征数据、以及所述目标业务的优化目标数据。
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业务特征数据可以称为样本业务特征数据。
其中,所述样本业务特征数据是待优化的专家系统执行目标业务的业务处理时的采集数据,比如,审批用户的年收入、透支金额等。该样本业务特征数据与专家系统的应用阶段使用的业务特征数据在数据标识上是相同的,比如,应用专家系统解决领域问题时,获取的判断所需的业务特征数据包括数据A和数据B,那么学习阶段的样本业务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,目标业务的优化目标数据相当于专家系统输出的业务决策结果对应的业务决策真值,比如,专家系统输出的业务决策结果是判定某用户是否会延期还贷,那么,假设获取的训练样本中,是用户User-3的历史样本,其中包括该用户User-3年收入、透支金额等样本业务特征数据,还包括该用户是否已经延期还贷的真实值。专家系统输出的业务决策结果相当于是基于该用户User-3的年收入、透支金额等业务特征数据输出得到的是否延期还贷的预测结果,而优化目标数据是已发生的该用户是否已经延期还贷的真实值。
此外,本步骤中的样本业务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专家系统上传所述的样本业务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704中,根据所述样本业务特征数据和优化目标数据,训练所述目标业务对应的概率图网络,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706中,基于训练得到的所述网络参数,输出对于所述专家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的更新信息。
比如,假设专家系统最初录入的模糊化设置信息中,数据源B对应“好”的数据区间是“<=3”,对应“坏”的数据区间是“>6”。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“好”的数据区间是“<=4”,对应“坏”的数据区间是“>8”。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,可以通过专家系统的输出交互界面显示上述的对于所述专家系统的模糊逻辑信息的更新信息,比如将上述的【建议“好”的数据区间是“<=4”,对应“坏”的数据区间是“>8”】显示在界面上,供系统用户参考。
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专家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708中,在所述输出对于所述专家系统的模糊逻辑信息的更新信息之后,接收对于所述样本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,专家系统的用户可以根据步骤706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,系统用户可以根据专家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“好”的数据区间更改为“<=4”,将“坏”的数据区间更改为“>8”。
在步骤710中,基于所述数据区间的新设置信息,更新由所述业务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,专家系统可以根据新的模糊化设置信息,更新由所述业务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。
此外,本公开实施例还提供了一种基于专家系统的业务处理方法,在该方法中,可以通过专家系统进行业务处理,具体的过程可以参见本公开任一实施例所述,不再详述。其中,需要说明的是,本业务处理方法中使用的专家系统,经过了图7所示流程的更新。
例如,通过图7所示意的流程,对专家系统的初始录入的模糊逻辑信息进行了更新。在专家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,该专家系统可以获取待处理的目标业务的至少一个业务特征数据,并根据新的模糊逻辑信息,对所述业务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7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,可以得到目标业务的业务决策结果。
本公开实施例提供的专家系统的更新方法,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录入的模糊逻辑信息的优化建议,使得专家系统具有了学习和知识迭代的能力,有利于专家系统的决策结果更准确。
此外,本实施例不限制专家系统的学习时间和学习频率,比如,可以在使用该专家系统前学习一次,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7所示的流程重新学习一次,从而能够使得专家系统的领域知识不断迭代。
再者,本公开实施例中,由于已经预先利用专家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。从而使得该专家系统作为专家辅助决策工具,不仅较大程度提升了专家的决策效率,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,如应用在信贷审批领域,可对审批专家的知识体系进行录入和自主迭代;应用在医疗领域,可对医生的临床治疗知识体系进行录入和自主迭代;应用在法律领域,可对律师推理决策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专家系统的更新方法,能够对概率图网络进行了网络参数学习,对专家系统初始录入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,业务特征数据对应的各数据区间)进行修改后,该专家系统能够输出更准确的判定结果。在此基础上,本公开实施例还提供了一种专家系统的更新方法,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,对于目标专家系统的概率图网络的节点的增删信息。
具体的,该目标专家系统即待优化的专家系统,比如,要对某个专家系统的模糊化设置信息进行优化,该专家系统就可以称为目标专家系统。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,学习到目标专家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是用户的年收入,节点B是用户的年透支频率,节点K是用户的年透支金额,节点C是用户的透支风险。也就是说,在进行图结构学习之前,只考虑了根据用户的年收入和年透支频率确定该用户的透支风险,而在进行了图结构学习之后,学习到还要增加考虑用户的年透支金额,即由年透支金额、年透支频率和年收入三个维度确定用户的透支风险。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业务情况确定。类似的道理,若要在概率图中删除某个节点,即要在业务决策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专家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。原本是根据用户的年收入和用户的年透支频率确定用户的透支风险,将这条连接边去掉之后,可以根据年透支频率确定用户的透支风险即可。
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,某个专家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,还可以是该专家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,专家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8提供了一示例性的专家系统的更新方法的流程,该方法可以由专家系统执行,即专家系统可以具有自学习的能力;或者,也可以由专家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,获取至少一个参考专家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专家系统之外的其他专家系统的概率图网络,可以将所述的其他专家系统称为参考专家系统。该参考专家系统的数量可以是至少一个。本步骤获取的参考专家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7所示意的学习流程训练得到的概率图网络。
此外,上述的参考专家系统与目标专家系统的关联性可以是在于:这些专家系统是用于基于同一目标业务的业务特征数据输出所述目标业务对应的业务决策结果。比如,都是用于判定某个待审批用户是否会延期还贷的,即都是用于解决同一业务场景问题的。
不过,由于是不同的专家系统,各个专家系统接收的领域专家的专家知识可以不同。比如,若将参考专家系统依据的目标业务对应的模糊逻辑信息称为第一模糊逻辑信息,将目标专家系统依据的目标业务对应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同的。
例如,某个参考专家系统录入的第一模糊逻辑信息中,透支风险是依据用户的年收入和年透支频率两种因素确定;而另一个参考专家系统录入的第一模糊逻辑信息中,透支风险是依据用户的年收入、用户的年透支频率和用户的年透支金额三方面因素确定。
在步骤802中,获取目标业务的样本业务特征数据,以及目标业务的优化目标数据。
其中,所述样本业务特征数据是执行目标业务的业务处理时的采集数据,且所述优化目标数据是所述目标业务的业务决策真值。
在步骤804中,基于所述样本业务特征数据和优化目标数据,结合所述参考专家系统和目标专家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,将参考专家系统的概率图网络与目标专家系统的概率图网络进行局部交叉。该局部交叉可以是:例如,将某个参考专家系统的概率图网络中的部分网络结构替换掉目标专家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,假设在目标专家系统中,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“用户的透支风险”是根据节点A“用户的年收入”和节点B“用户的年透支频率”确定的,而在某参考专家系统中,“用户的透支风险”是根据“用户的年收入”、“用户的年透支频率”和“用户的年透支金额”三方面因素确定的。那么在局部交叉时,可以用上述参考专家系统中的子网络结构替换掉目标专家系统中的对应结构,将目标专家系统中的“用户的透支风险”也修改为由“用户的年收入”、“用户的年透支频率”和“用户的年透支金额”三方面因素确定,从概率图的图结构直观来看,就是在目标专家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。
具体选择参考专家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专家系统的概率图网络可以称为更新概率图网络,比如,上述的目标专家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业务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,是将样本业务特征数据输入目标专家系统,由该目标专家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,得到最终的业务决策结果。前述的实施例提到过,在训练阶段,概率图网络与专家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,专家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业务决策结果。该业务决策结果是目标专家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。
而优化目标数据是业务决策真值,可以通过该优化目标数据与上述目标专家系统按照更新概率图网络的结构进行推理得到的业务决策结果之间进行比较,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806中,输出对目标专家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专家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专家系统的模糊逻辑信息进行哪些更新,以改变目标专家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专家系统的领域专家知识提供的优化建议,例如,可以建议在概率图网络中增加节点K“用户的年透支金额”,并建议在节点K与节点C之间增设连接边。
在步骤808中,接收对于所述目标业务对应的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,更新所述目标专家系统中由所述业务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,如果专家系统用户同意该建议,可以更改专家系统的录入知识。
本实施例的方法的执行者可以是专家系统或者是其他学习系统,当由专家系统本身执行时,本步骤中,用户在更改专家系统的录入知识时,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“用户的年透支金额”,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示意的表格中增加业务特征数据“用户的年透支金额”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“用户的年收入”和“用户的年透支频率”确定透支风险,修改为根据“用户的年收入”、“用户的年透支频率”和“用户的年透支金额”三因素确定透支风险。
此外,在修改了图4示意的模糊化设置信息后,可以对应更新目标专家系统中由所述业务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,更新目标业务对应的模糊逻辑推理图。
在更新了图结构之后,可以使用更新后的目标专家系统进行业务处理。具体的,该目标专家系统可以获取待处理的目标业务的至少一个业务特征数据,并根据所述专家系统接收的模糊逻辑信息,对所述业务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,得到所述目标业务的业务决策结果。其中,该专家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8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专家系统的更新方法,通过结合多个参考专家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录入的模糊逻辑信息的优化建议,使得专家系统具有了学习图结构的能力,有利于专家系统的决策结果更准确。
此外,由于利用专家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,保证了图结构与专家决策的一致性,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,本实施例不限制专家系统学习图结构的学习时间和学习频率,比如,可以在使用该专家系统前学习一次,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,从而能够使得专家系统的领域知识不断迭代。
此外,为了提升专家系统决策的健壮性,本公开实施例还采用了群体决策,综合多个专家系统的业务决策结果,获得目标业务的综合业务决策结果。
具体的,对于某一个目标业务,例如,该目标业务是要判定审批用户是否会延期还贷。目标专家系统可以根据该审批用户的业务特征数据,最终得到是否会延期还贷的业务决策结果。本实施例还可以获取至少一个辅助专家系统对于所述目标业务的业务决策结果,这些辅助专家系统可以是对同一个审批用户进行决策判定,比如,都是在判定用户User-1是否会延期还贷;只不过这些辅助专家系统依据的模糊逻辑信息可以不同,比如,各辅助专家系统依据的该用户的业务特征数据可以不同,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专家系统和目标专家系统的业务决策结果,确定对应所述目标业务对应的综合业务决策结果。
例如,假设在基于用户User-1的业务特征数据判定该用户是否会延期还贷时,目标专家系统得到的业务决策结果是判定分87分,其中一个辅助专家系统得到的业务决策结果是判定分79分,另一个辅助专家系统得到的业务决策结果是判定分92分。在综合这些业务决策结果确定综合业务决策结果时,包括但不限于如下的群体决策方式:
在一个例子中,可以对上述的各个业务决策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业务决策结果。
在另一个例子中,还可以进行指定权重加权平均。比如,可以根据各辅助专家系统和目标专家系统所对应的专家的级别设置其业务决策结果的权重,例如,目标专家系统输入的领域专家知识是高级专家的经验知识,那么可以将目标专家系统得到的业务决策结果设置较高的权重;若辅助专家系统输入的领域专家知识是低级别专家的经验知识,那么可以将该辅助专家系统得到的业务决策结果设置较低的权重。并依据上述设置的权重对各个业务决策结果的判定分进行加权平均后,作为群体决策得到的综合业务决策结果。
在又一个例子中,还可以对各个辅助专家系统和目标专家系统进行基于数据的boosting/bagging。这里指的是可以根据各专家系统的实际业务指标表现,将其业务决策结果进行综合。比如,可以设定用于评价其业务指标表现的Loss,该Loss可以是基于优化目标数据和业务决策结果得到的分类Loss。若Loss表示专家系统输出的业务决策结果与作为业务决策真值的优化目标数据相差较大,可以将该业务决策结果的权重设置较低;反之,若根据Loss确定专家系统输出的业务决策结果与作为业务决策真值的优化目标数据相差较小,可以将该业务决策结果的权重设置较高。再基于上述设置的权重对各个业务决策结果的判定分进行加权平均后,作为群体决策得到的综合业务决策结果。
上述方法中,通过结合多个辅助专家系统进行综合决策,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业务决策结果,进行根因溯源分析。比如,可以基于专家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,知晓最终的业务决策结果的关键影响因素是哪些。对于由多个辅助专家系统和目标专家系统进行群体决策的情况来说,同样可以基于各个辅助专家系统或目标专家系统的模糊逻辑推理图及其节点评分来获得对于业务决策结果的关键影响因素。
如图9所示,本说明书提供了一种专家系统的更新装置,该装置可以执行本说明书任一实施例的专家系统的更新方法。如图9所示,该装置可以包括:数据获取模块91、图学习模块92和信息输出模块93。其中,
数据获取模块91,用于获取至少一个参考专家系统对应的概率图网络,所述参考专家系统与目标专家系统用于基于同一目标业务的业务特征数据输出所述目标业务对应的业务决策结果; 获取所述目标业务的样本业务特征数据,以及所述目标业务的优化目标数据;所述样本业务特征数据是执行目标业务的业务处理时的采集数据,且所述优化目标数据是所述目标业务的业务决策真值。
图学习模块92,用于用于基于所述样本业务特征数据和优化目标数据,结合所述参考专家系统和目标专家系统的概率图网络进行图结构学习,其中,所述概率图网络是根据所述目标业务对应的模糊逻辑信息生成。
信息输出模块93,用于输出对目标专家系统的概率图网络的图结构更新信息,所述图结构更新信息用于对所述模糊逻辑信息进行更新以改变所述概率图网络的图结构。
在一个例子中,图学习模块92,具体用于:通过启发式算法,对所述参考专家系统的概率图网络与目标专家系统的概率图网络进行局部交叉,得到更新概率图网络;将所述样本业务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;基于所述业务决策结果和优化目标数据,确定是否接受更新概率图网络对应的图结构更新信息。
在一个例子中,信息输出模块93,具体用于:输出如下至少一项图结构更新信息:对于所述目标专家系统的概率图网络的节点的增删信息;所述节点是基于所述目标业务的样本业务特征数据推导所述业务决策结果过程中的影响因素;或者,对于所述目标专家系统的概率图网络的连接边的增删信息,所述连接边用于表示各个所述影响因素之间的关联关系。
在一个例子中,数据获取模块91,还用于:在输出对目标专家系统的概率图网络的图结构更新信息之后,接收对于所述目标业务对应的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,更新所述目标专家系统中由所述业务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。
在一个例子中,图学习模块92,还用于:根据所述样本业务特征数据和优化目标数据,训练所述目标专家系统的概率图网络,得到训练完成的所述概率图网络的网络参数。
如图10所示,本说明书提供了一种基于专家系统的业务处理装置,该装置可以应用于专家系统。如图10所示,该装置可以包括:数据获取模块1001、模糊处理模块1002和结果获得模块1003。
数据获取模块1001,用于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。
模糊处理模块1002,用于根据所述专家系统接收的模糊逻辑信息,对所述业务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,所述模糊逻辑信息是根据本公开任一实施例所述的方法学习得到的所述图结构更新信息确定。
结果获得模块1003,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。
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 (17)
1.一种专家系统的更新方法,所述方法用于对目标专家系统进行更新,所述方法包括:
获取至少一个参考专家系统对应的概率图网络,所述参考专家系统与目标专家系统用于基于同一目标业务的业务特征数据输出所述目标业务对应的业务决策结果;
获取所述目标业务的样本业务特征数据,以及所述目标业务的优化目标数据;所述样本业务特征数据是执行目标业务的业务处理时的采集数据,且所述优化目标数据是所述目标业务的业务决策真值;
基于所述样本业务特征数据和优化目标数据,结合所述参考专家系统和目标专家系统的概率图网络进行图结构学习,其中,所述概率图网络是根据所述目标业务对应的模糊逻辑信息生成;
输出对目标专家系统的概率图网络的图结构更新信息,所述图结构更新信息用于对所述模糊逻辑信息进行更新以改变所述概率图网络的图结构。
2.根据权利要求1所述的方法,
所述参考专家系统依据的所述目标业务对应的第一模糊逻辑信息,与所述目标专家系统依据的所述目标业务对应的第二模糊逻辑信息不同。
3.根据权利要求1所述的方法,所述基于所述样本业务特征数据和优化目标数据,结合所述参考专家系统和目标专家系统的概率图网络进行图结构学习,包括:
通过启发式算法,对所述参考专家系统的概率图网络与目标专家系统的概率图网络进行局部交叉,得到更新概率图网络;
将所述样本业务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;
基于所述业务决策结果和优化目标数据,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。
4.根据权利要求1所述的方法,所述输出对目标专家系统的概率图网络的图结构更新信息,包括输出如下至少一项图结构更新信息:
对于所述目标专家系统的概率图网络的节点的增删信息;所述节点是基于所述目标业务的样本业务特征数据推导所述业务决策结果过程中的影响因素;
或者,对于所述目标专家系统的概率图网络的连接边的增删信息,所述连接边用于表示各个所述影响因素之间的关联关系。
5.根据权利要求1所述的方法,所述输出对目标专家系统的概率图网络的图结构更新信息之后,所述方法还包括:
接收对于所述目标业务对应的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,更新所述目标专家系统中由所述业务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。
6.根据权利要求1所述的方法,所述方法还包括:
根据所述样本业务特征数据和优化目标数据,训练所述目标专家系统的概率图网络,得到训练完成的所述概率图网络的网络参数;
基于训练得到的所述网络参数,输出对于所述专家系统的模糊逻辑信息的参数更新信息。
7.根据权利要求1至6任一所述的方法,
所述目标业务是信贷风控业务;
所述样本业务特征数据包括信贷用户的信贷业务数据。
8.一种基于专家系统的业务处理方法,其中,所述方法由目标专家系统执行,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;
根据所述专家系统接收的模糊逻辑信息,对所述业务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,所述模糊逻辑信息是根据权利要求1至7任一所述的方法学习得到的所述图结构更新信息确定;
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。
9.根据权利要求8所述的方法,所述方法还包括:
获取至少一个辅助专家系统对于所述目标业务的业务决策结果;
结合所述辅助专家系统和目标专家系统的业务决策结果,确定对应所述目标业务对应的综合业务决策结果。
10.一种专家系统的更新装置,所述装置包括:
数据获取模块,用于获取至少一个参考专家系统对应的概率图网络,所述参考专家系统与目标专家系统用于基于同一目标业务的业务特征数据输出所述目标业务对应的业务决策结果; 获取所述目标业务的样本业务特征数据,以及所述目标业务的优化目标数据;所述样本业务特征数据是执行目标业务的业务处理时的采集数据,且所述优化目标数据是所述目标业务的业务决策真值;
图学习模块,用于基于所述样本业务特征数据和优化目标数据,结合所述参考专家系统和目标专家系统的概率图网络进行图结构学习,其中,所述概率图网络是根据所述目标业务对应的模糊逻辑信息生成;
信息输出模块,用于输出对目标专家系统的概率图网络的图结构更新信息,所述图结构更新信息用于对所述模糊逻辑信息进行更新以改变所述概率图网络的图结构。
11.根据权利要求10所述的装置,
所述图学习模块,具体用于:通过启发式算法,对所述参考专家系统的概率图网络与目标专家系统的概率图网络进行局部交叉,得到更新概率图网络;将所述样本业务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;基于所述业务决策结果和优化目标数据,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。
12.根据权利要求10所述的装置,
所述信息输出模块,具体用于:输出如下至少一项图结构更新信息:对于所述目标专家系统的概率图网络的节点的增删信息;所述节点是基于所述目标业务的样本业务特征数据推导所述业务决策结果过程中的影响因素;或者,对于所述目标专家系统的概率图网络的连接边的增删信息,所述连接边用于表示各个所述影响因素之间的关联关系。
13.根据权利要求10所述的装置,
所述数据获取模块,还用于:在输出对目标专家系统的概率图网络的图结构更新信息之后,接收对于所述目标业务对应的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,更新所述目标专家系统中由所述业务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。
14.根据权利要求10至13任一所述的装置,
所述图学习模块,还用于:根据所述样本业务特征数据和优化目标数据,训练所述目标专家系统的概率图网络,得到训练完成的所述概率图网络的网络参数。
15.一种基于专家系统的业务处理装置,所述装置应用于专家系统,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;
模糊处理模块,用于根据所述专家系统接收的模糊逻辑信息,对所述业务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,所述模糊逻辑信息是根据权利要求1至7任一所述的方法学习得到的所述图结构更新信息确定;
结果获得模块,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。
16.一种计算机设备,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,或者权利要求8和9中任一项所述的方法。
17.一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中任一项所述的方法,或者权利要求8和9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797304.5A CN113269540B (zh) | 2021-07-14 | 2021-07-14 | 专家系统的更新方法、业务处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797304.5A CN113269540B (zh) | 2021-07-14 | 2021-07-14 | 专家系统的更新方法、业务处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269540A true CN113269540A (zh) | 2021-08-17 |
CN113269540B CN113269540B (zh) | 2021-10-22 |
Family
ID=77236705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110797304.5A Active CN113269540B (zh) | 2021-07-14 | 2021-07-14 | 专家系统的更新方法、业务处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269540B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114137967A (zh) * | 2021-11-23 | 2022-03-04 | 常熟理工学院 | 基于多网络联合学习的驾驶行为决策方法 |
CN115238197A (zh) * | 2022-09-26 | 2022-10-25 | 中国电子科技集团公司第十研究所 | 一种基于专家思维模型的领域业务辅助分析方法 |
CN117764368A (zh) * | 2024-02-22 | 2024-03-26 | 航天宏图信息技术股份有限公司 | 数据驱动的协同处理方法及装置 |
CN117764368B (zh) * | 2024-02-22 | 2024-05-14 | 航天宏图信息技术股份有限公司 | 数据驱动的协同处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932323A (zh) * | 2011-08-29 | 2013-02-13 | 卡巴斯基实验室封闭式股份公司 | 对计算机网络中安全相关事故的自动分析 |
CN106375360A (zh) * | 2015-07-24 | 2017-02-01 | 阿里巴巴集团控股有限公司 | 一种图数据更新方法、装置及系统 |
CN110197282A (zh) * | 2019-06-10 | 2019-09-03 | 电子科技大学 | 一种基于遗传模糊逻辑树的威胁估计与态势评估方法 |
CN110890157A (zh) * | 2019-11-18 | 2020-03-17 | 京东方科技集团股份有限公司 | 一种分析模型建立方法、辅助诊断装置及设备、介质 |
CN110968512A (zh) * | 2019-11-29 | 2020-04-07 | 中国科学院长春光学精密机械与物理研究所 | 软件质量评估方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-07-14 CN CN202110797304.5A patent/CN113269540B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932323A (zh) * | 2011-08-29 | 2013-02-13 | 卡巴斯基实验室封闭式股份公司 | 对计算机网络中安全相关事故的自动分析 |
CN106375360A (zh) * | 2015-07-24 | 2017-02-01 | 阿里巴巴集团控股有限公司 | 一种图数据更新方法、装置及系统 |
CN110197282A (zh) * | 2019-06-10 | 2019-09-03 | 电子科技大学 | 一种基于遗传模糊逻辑树的威胁估计与态势评估方法 |
CN110890157A (zh) * | 2019-11-18 | 2020-03-17 | 京东方科技集团股份有限公司 | 一种分析模型建立方法、辅助诊断装置及设备、介质 |
CN110968512A (zh) * | 2019-11-29 | 2020-04-07 | 中国科学院长春光学精密机械与物理研究所 | 软件质量评估方法、装置、设备及计算机可读存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114137967A (zh) * | 2021-11-23 | 2022-03-04 | 常熟理工学院 | 基于多网络联合学习的驾驶行为决策方法 |
CN114137967B (zh) * | 2021-11-23 | 2023-12-15 | 常熟理工学院 | 基于多网络联合学习的驾驶行为决策方法 |
CN115238197A (zh) * | 2022-09-26 | 2022-10-25 | 中国电子科技集团公司第十研究所 | 一种基于专家思维模型的领域业务辅助分析方法 |
CN117764368A (zh) * | 2024-02-22 | 2024-03-26 | 航天宏图信息技术股份有限公司 | 数据驱动的协同处理方法及装置 |
CN117764368B (zh) * | 2024-02-22 | 2024-05-14 | 航天宏图信息技术股份有限公司 | 数据驱动的协同处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113269540B (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Simpson et al. | Dynamic bayesian combination of multiple imperfect classifiers | |
Stach et al. | Genetic learning of fuzzy cognitive maps | |
Shen et al. | Rough sets, their extensions and applications | |
Xian et al. | Double parameters TOPSIS for multi-attribute linguistic group decision making based on the intuitionistic Z-linguistic variables | |
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 | |
CN113256275B (zh) | 专家系统的更新方法、业务处理方法及装置 | |
CN111210072B (zh) | 预测模型训练和用户资源额度确定方法及装置 | |
Al-Ebbini et al. | FLAS: Fuzzy lung allocation system for US-based transplantations | |
Kuo et al. | Applying genetic programming technique in classification trees | |
Pan et al. | The role of AI assisted socio-cultural frameworks in academic change and higher education growth | |
CN113256274B (zh) | 基于专家系统的业务处理方法及装置 | |
CN113780394B (zh) | 一种强分类器模型的训练方法、装置及设备 | |
Boongoen et al. | Fuzzy qualitative link analysis for academic performance evaluation | |
Royes et al. | Uncertainty analysis in political forecasting | |
Chytas et al. | Software reliability modelling using fuzzy cognitive maps | |
RUŽIĆ et al. | Application of the Mamdani fuzzy inference system to measuring HRM performance in hotel companies–A pilot study | |
Tupinambás et al. | Cryptocurrencies transactions advisor using a genetic Mamdani-type fuzzy rules based system | |
CN113269375A (zh) | 一种业务方风险的判定方法及装置 | |
Rubinson et al. | Fuzzy logic and genetic algorithms for financial risk management | |
CN116258574B (zh) | 一种基于混合效应逻辑回归的违约率预测方法及系统 | |
Gonzalez-Soto et al. | Learning a causal structure: a Bayesian random graph approach | |
Sonia | A Review on Classification of Machine Learning |
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 |