CN113297480B - 一种定制化信息发送方法、装置及电子设备 - Google Patents
一种定制化信息发送方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113297480B CN113297480B CN202110473741.1A CN202110473741A CN113297480B CN 113297480 B CN113297480 B CN 113297480B CN 202110473741 A CN202110473741 A CN 202110473741A CN 113297480 B CN113297480 B CN 113297480B
- Authority
- CN
- China
- Prior art keywords
- model
- target
- feature list
- combination
- interpretation
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Stored Programmes (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种定制化信息发送方法、装置及电子设备,所述方法包括:基于用户输入的模型参数通过自动机器学习AutoML筛选出多个目标模型及对应的特征列表;基于样本数据通过可解释人工智能XAI选择与用户输入的模型解释参数相匹配的模型解释方式对各个目标模型进行解释;根据模型解释结果调整各个目标模型对应的特征列表;根据各个目标模型及调整后的特征列表对测试人群进行圈选;根据预定的策略向圈选的人群关联的客户端发送定制化信息。本发明将自动机器学习AutoML技术和可解释人工智能XAI技术相融合,形成框架性的建模系统,能有效避免技术团队的重复繁琐劳动,并避免业务的偏离,提高信息发送的有效性。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种定制化信息发送方法、装置、电子设备及计算机可读介质。
背景技术
为了满足定制化需求,需要从海量的数据中圈选出指定人群,并对指定人群发送定制化的信息。其中,信息发送是指服务器向客户端通过操作系统、APP、网页等方式发送信息的技术。发送的信息可以根据业务的不同而不同,比如,可以是预警信息、提示信息、通知信息等。
在这种信息发送过程中,指定人群的圈选至关重要。目前,一个业务的指定人群圈选需要多个技术人员共同完成。而每个技术人员都会独立创建人群圈选的机器学习模型,需要进行特征提取、模型筛选、超参调节等繁琐劳动。一方面技术人员需要重复进行上述繁琐劳动;另一方面,其他工作人员(比如运营人员、销售人员等)并不能理解和有效沟通各个机器学习模型的问题,造成业务目标偏离的问题。
发明内容
本发明旨在解决现有信息发送过程中人群圈选出现重复劳动和目标偏离的技术问题。
为了解决上述技术问题,本发明第一方面提出一种定制化信息发送方法,用于向特定人群的客户端发送定制化信息,所述方法包括:
基于用户输入的模型参数通过自动机器学习AutoML筛选出多个目标模型及对应的特征列表;
基于样本数据通过可解释人工智能XAI选择与用户输入的模型解释参数相匹配的模型解释方式对各个目标模型进行解释;
根据模型解释结果调整各个目标模型对应的特征列表;
根据各个目标模型及调整后的特征列表对测试人群进行圈选;
根据预定的策略向圈选的人群关联的客户端发送定制化信息。
根据本发明一种优选的实施方式,所述根据各个目标模型及调整后的特征列表对测试人群进行圈选包括:
将各个目标模型及调整后的特征列表进行组合得到组合模型集;所述组合模型集包括:组合模型和对应的组合特征列表;
根据组合模型集中的各个组合模型及对应的组合特征列表对子测试人群进行圈选;
根据圈选结果确定目标组合模型及对应的组合特征列表;
通过所述目标组合模型及对应的组合特征列表对测试人群进行圈选。
根据本发明一种优选的实施方式,所述基于用户输入的模型参数通过自动机器学习AutoML筛选出多个目标模型及对应的特征列表之前,所述方法还包括:
创建模型集和特征列表集;所述特征列表集由根据数据属性的类型生成的特征组成。
根据本发明一种优选的实施方式,所述基于样本数据通过可解释人工智能XAI选择与用户输入的模型解释参数相匹配的模型解释方式对各个目标模型进行解释之前,所述方法还包括:
配置并存储用户输入的模型解释参数与模型解释方式匹配表。
根据本发明一种优选的实施方式,所述根据模型解释结果调整各个目标模型对应的特征列表包括:
从目标模型对应的特征列表中删除模型解释结果中贡献系数小于第一预设值的特征;或者,从目标模型对应的特征列表中删除模型解释结果中贡献系数大于第二预设值且属于业务偏离特征的特征。
根据本发明一种优选的实施方式,所述方法还包括:
显示模型解释结果,以便对模型进行故障排除。
为了解决上述技术问题,本发明第二方面提供一种定制化信息发送装置,用于向特定人群的客户端发送定制化信息,所述装置包括:
筛选模块,用于基于用户输入的模型参数通过自动机器学习AutoML筛选出多个目标模型及对应的特征列表;
解释模块,用于基于样本数据通过可解释人工智能XAI选择与用户输入的模型解释参数相匹配的模型解释方式对各个目标模型进行解释;
调整模块,用于根据模型解释结果调整各个目标模型对应的特征列表;
圈选模块,用于根据各个目标模型及调整后的特征列表对测试人群进行圈选;
发送模块,用于根据预定的策略向圈选的人群关联的客户端发送定制化信息。
根据本发明一种优选的实施方式,所述圈选模块包括:
组合模块,用于将各个目标模型及调整后的特征列表进行组合得到组合模型集;所述组合模型集包括:组合模型和对应的组合特征列表;
第一子圈选模块,用于根据组合模型集中的各个组合模型及对应的组合特征列表对子测试人群进行圈选;
确定模块,用于根据圈选结果确定目标组合模型及对应的组合特征列表;
第二子圈选模块,用于通过所述目标组合模型及对应的组合特征列表对测试人群进行圈选。
根据本发明一种优选的实施方式,所述装置还包括:
创建模块,用于创建模型集和特征列表集;所述特征列表集由根据数据属性的类型生成的特征组成。
根据本发明一种优选的实施方式,所述装置还包括:
配置模块,用于配置并存储用户输入的模型解释参数与模型解释方式匹配表。
根据本发明一种优选的实施方式,所述调整模块具体用于,从目标模型对应的特征列表中删除模型解释结果中贡献系数小于第一预设值的特征;或者,从目标模型对应的特征列表中删除模型解释结果中贡献系数大于第二预设值且属于业务偏离特征的特征。
根据本发明一种优选的实施方式,所述装置还包括:
显示模块,用于显示模型解释结果,以便对模型进行故障排除。
为解决上述技术问题,本发明第三方面提供一种电子设备,包括:
处理器;以及
存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行上述的方法。
为解决上述技术问题,本发明第四方面提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,当所述一个或多个程序被处理器执行时,实现上述方法。
本发明将自动机器学习AutoML技术和可解释人工智能XAI技术相融合,形成框架性的建模系统,通过AutoML根据用户输入的模型参数自动筛选模型和特征,通过XAI来了解和调整目标模型的各个特征。能有效避免技术团队的重复繁琐劳动,为团队合作创新提供了更多可能。同时也更方便了运营人员或商务等非技术人员,对模型环节的理解及沟通,从而避免业务的偏离,提高信息发送的有效性。相较于现有技术,本发明具至少具有以下有益效果:
1、通过AutoML将技术人员从常规特征工程、模型筛选、超参优化等重复非必要劳动中解放出来,从而更专注在模型的优化上。
2、利用XAI自动筛选可解释技术使模型沟通上能够互相了解各个模型的问题,使群体智慧更容易发挥,也可以及时避免业务目标偏离的情况。
3、将自动机器学习AutoML技术和可解释人工智能XAI技术相融合,形成框架性的建模系统,使已创建模型可以复用和,避免技术团队的重复劳动。
4、基于XAI的解释结果自动调整模型特征,提高圈选人群的精度。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明的示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是本发明实施例一种定制化信息发送方法的流程示意图;
图2是本发明实施例一种定制化信息发送装置的结构框架示意图;
图3是根据本发明的一种电子设备的示例性实施例的结构框图;
图4是本发明一种计算机可读介质实施例的示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例,虽然各示例性实施例能够以多种具体的方式实施,但不应理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例是为了使本发明的内容更加完整,更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中,对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是,并不排除本领域技术人员可以在特定情况下,以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示,不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤,也不代表必须按照图中所显示的的顺序执行。例如,流程图中有的操作/步骤可以分解,有的操作/步骤可以合并或部分合并,等等,在不脱离本发明的发明主旨的情况下,流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体,并不一定必然与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分,因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说,这些定语仅是用来将一者与另一者区分。例如,第一器件亦可称为第二器件,但不偏离本发明实质的技术方案。此外,术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
本发明实施例中,AutoML(Automated Machine Learning,自动机器学习)将特征提取、模型筛选、超参调节等机器学习模型中非必要重复劳动进行自动化地学习,使得机器学习模型无需人工干预即可被应用。从机器学习角度讲,AutoML可以看作是一个在给定数据和任务上学习和泛化能力非常强大的系统。从自动化角度讲,AutoML可以看作是设计一系列高级的控制系统去操作机器学习模型,使得模型可以自动化地学习到合适的参数和配置而无需人工干预。
XAI(Explainable AI,可解释的人工智能)主要解决黑盒机器学习模型决策的依据以及决策是否可靠。本发明实施例主要应用与机器学习的场景中,则在本发明中XAI是将机器学习模型以人类可认知的说法进行解释和呈现的系统。
请参阅图1,图1是本发明提供的一种定制化信息发送方法的流程图。该方法用于向特定人群的客户端发送定制化信息,如图1所示,所述方法包括:
S1、基于用户输入的模型参数通过自动机器学习AutoML筛选出多个目标模型及对应的特征列表;
为了方便目标模型及对应特征列表的筛选,在本步骤之前,可以先创建模型集和特征列表集;所述模型集由与业务相关的多个机器学习模型组成,可以包括:决策树模型、深度学习模型、神经网络模型、支持向量机模型等。
所述特征列表集由根据数据属性的类型生成的特征组成。其中,数据属性是一个数据字段,表示数据对象的特征。所述数据对象又称样本、实例、数据点或对象。数据属性的类型由该属性可能具有的值的集合决定,可以是标称的、二元的、序数的、数值的。标称属性的值是一些符号或事物的名称。每个值代表某种类别、编码、状态,因此标称属性又被看做是分类的(categorical)。比如:头发颜色、职业等都是标称属性,表示对象的特征。二元属性是一种标称属性,只有两个状态:0或1,其中0通常表示该属性不出现,1表示出现。比如:性别、婚姻状况等。序数属性对应的可能的值之间具有有意义的序或秩评定(ranking),但是相继值之间的差是未知的。序数属性可以通过把数值量的值域划分成有限个有序类别(如,0-很不满意、1-不满意、2-中性、3-满意、4-很满意),把数值属性离散化而得到。数值属性是定量的可度量的量,用整数或实数表示。可以是区间标度的或比率标度的。区间标度属性用相等的单位尺度度量,区间标度属性的值有序,可以为正、0、负。比如温度。比率标度属性具有固有零点、且存在一个值是另一个值的倍数。比如:年龄、重量、高度、速度等。
此外,在生成特征集的过程中,还可以根据业务需要将与业务相关的特征直接放入特征集中。后续还可以根据业务需要向特征集中增加新的特征。在增加过程中,可以先对新增特征进行独立分析,可以采用线性降维和非线性降维的方式对新增特征分析后,将对模型输出贡献的特征增加到数据集中,也可根据业务需要直接配置增加的新特征。
本发明实施例中,模型参数可以包括:模型个数、特征个数等对模型和特征进行自动筛选的参数。AutoML集成自动调节超参,模型筛选,特征筛选等功能,可以根据用户输入的模型个数,特征个数等模型参数从模型集和特征列表集中自动筛选出符合模型个数和特征个数的多个目标模型及相应的特征列表。
S2、基于样本数据通过可解释人工智能XAI选择与用户输入的模型解释参数相匹配的模型解释方式对各个目标模型进行解释;
为了方便自动筛选选取与用户输入的模型解释参数相匹配的模型解释方式,在本步骤之前,可以预先配置并存储模型解释参数与模型解释方式匹配表。其中,模型解释参数可以是模型运行速度和机器学习模型类型,所述机器学习模型的类型可以包括:监督学习、无监督学习、半监督学习、强化学习等。模型解释方式指用于解释模型输出的方式,可以包括:LIME,SHAP等。其中,LIME是Local Interpretable Model-agnostic Explanations的缩写,其通过简单的机器学习模型来解释复杂的机器学习模型。SHAP(SHapley AdditiveexPlanations)是Python的可解释机器学习库,其以一种统一的方法来解释任何机器学习模型的输出。
示例性的,在原始样本数据量很大时,从原始样本数据中选取用户设定量级的样本数据进行模型的可解释分析,通过用户输入的模型速度及机器学习模型的类型从模型解释参数与模型解释方式匹配表中自动选择相匹配的模型解释方式对各个目标模型进行解释。
其中,可以根据用户输入的解释指标选择单个样本数据,进行单个样本数据的特征解释。也可以根据用户输入的解释指标选择多个样本数据,进行多个样本数据的特征解释,对同一特征的多个样本数据的特征解释进行分析、对比,并将对比结果加入模型解释结果中,以便多方位了解模型。示例性的,解释指标为1时可以对应单个样本数据,解释指标为0时可以对应多个样本数据。
S3、根据模型解释结果调整各个目标模型对应的特征列表;
本发明实施例中,模型解释结果用于标识特征列表中各个特征对目标模型当前样本数据输出结果的贡献度,也可以称为贡献系数。则根据模型解释结果调整各个目标模型对应的特征列表可以是:从目标模型对应的特征列表中删除模型解释结果中贡献系数小于第一预设值的特征,去除这些对模型输出结果贡献小的特征,以优化特征列表,提高模型精度。或者,从目标模型对应的特征列表中删除模型解释结果中贡献系数大于第二预设值且属于业务偏离特征的特征。去除这些对模型输出结果贡献大,但会导致业务偏离的特征,以优化特征列表,防止业务偏离。
其中,属于业务偏离的特征可以根据具体业务预先配置。第一预设值和第二预设值可以根据经验预先配置,且第一预设值小于第二预设值。
此外,在得到模型解释结果后,还可以显示模型解释结果,以便对模型进行故障排除提供数据支持。
S4、根据各个目标模型及调整后的特征列表对测试人群进行圈选;
示例性的,本步骤包括:
S41、将各个目标模型及调整后的特征列表进行组合得到组合模型集;
所述组合模型集包括:组合模型和对应的组合特征列表;其中,模型的组合方式以及特征的组合可以根据预设的组合规则进行。比如,在一种组合规则中:配置了各个目标模型对样本数据进行处理的顺序,比如样本数据先进入第一模型进行处理,输出第一结果数据,再将第一结果数据输入第二模型处理等。组合规则中还可以配置目标模型对应特征列表生成组合特征列表的规则,比如,将各个目标模型对应特征列表中相同特征合并,所有不相同特征生成组合特征列表。
S42、根据组合模型集中的各个组合模型及对应的组合特征列表对子测试人群进行圈选;
本发明实施例中,子测试人群是已经预先进行了人群圈选,具有标准人群标签的样本数据。本步骤中通过提取子测试人群样本数据的属于组合模型对应的组合特征列表中的指定特征,组合模型根据指定特征进行人群圈选。
S43、根据圈选结果确定目标组合模型及对应的组合特征列表;
示例性的,可以将圈选结果中各个样本数据的人群标签与标准人群标签进行比较,将重合度大于阈值的组合模型及对应的组合特征列表作为目标组合模型及对应的组合特征列表。
S44、通过所述目标组合模型及对应的组合特征列表对测试人群进行圈选。
示例性的,可以提取测试人群样本数据的属于组合模型对应的组合特征列表中的指定特征,组合模型根据指定特征进行人群圈选。
此外,还可以直接将子测试人群样本数据输入各个目标模型,根据各个模型输出结果的重合度及精确性,生成组合模型和对应的组合特征列表。
S5、根据预定的策略向圈选的人群关联的客户端发送定制化信息。
其中,预定策略可以包括发送时间、发送频率、发送方式等。所述定制化信息是根据业务需要预先对圈选人群配置的信息,其可以是报警信息、通知信息、提示信息等。
图2是本发明一种定制化信息发送装置的架构示意图,用于向特定人群的客户端发送定制化信息,如图2所示,所述装置包括:
筛选模块21,用于基于用户输入的模型参数通过自动机器学习AutoML筛选出多个目标模型及对应的特征列表;
解释模块22,用于基于样本数据通过可解释人工智能XAI选择与用户输入的模型解释参数相匹配的模型解释方式对各个目标模型进行解释;
调整模块23,用于根据模型解释结果调整各个目标模型对应的特征列表;
圈选模块24,用于根据各个目标模型及调整后的特征列表对测试人群进行圈选;
发送模块25,用于根据预定的策略向圈选的人群关联的客户端发送定制化信息。
示例性的,所述圈选模块24包括:
组合模块,用于将各个目标模型及调整后的特征列表进行组合得到组合模型集;所述组合模型集包括:组合模型和对应的组合特征列表;
第一子圈选模块,用于根据组合模型集中的各个组合模型及对应的组合特征列表对子测试人群进行圈选;
确定模块,用于根据圈选结果确定目标组合模型及对应的组合特征列表;
第二子圈选模块,用于通过所述目标组合模型及对应的组合特征列表对测试人群进行圈选。
进一步的,所述装置还包括:
创建模块,用于创建模型集和特征列表集;所述特征列表集由根据数据属性的类型生成的特征组成。
配置模块,用于配置并存储用户输入的模型解释参数与模型解释方式匹配表。
所述调整模块23具体用于,从目标模型对应的特征列表中删除模型解释结果中贡献系数小于第一预设值的特征;或者,从目标模型对应的特征列表中删除模型解释结果中贡献系数大于第二预设值且属于业务偏离特征的特征。
所述装置还包括:
显示模块,用于显示模型解释结果,以便对模型进行故障排除。
本领域技术人员可以理解,上述装置实施例中的各模块可以按照描述分布于装置中,也可以进行相应变化,分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图3是根据本发明的一种电子设备的示例性实施例的结构框图。图3显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,该示例性实施例的电子设备300以通用数据处理设备的形式表现。电子设备300的组件可以包括但不限于:至少一个处理单元310、至少一个存储单元320、连接不同电子设备组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
其中,所述存储单元320存储有计算机可读程序,其可以是源程序或都只读程序的代码。所述程序可以被处理单元310执行,使得所述处理单元310执行本发明各种实施方式的步骤。例如,所述处理单元310可以执行如图1所示的步骤。
所述存储单元320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块5205包括但不限于:操作电子设备、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备100(例如键盘、显示器、网络设备、蓝牙设备等)通信,使得用户能经由这些外部设备300与该电子设备300交互,和/或使得该电子设备300能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口350进行,还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)进行。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白,尽管图3中未示出,电子设备300中可使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID电子设备、磁带驱动器以及数据备份存储电子设备等。
图4是本发明的一个计算机可读介质实施例的示意图。如图4所示,所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的电子设备、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:基于用户输入的模型参数通过自动机器学习AutoML筛选出多个目标模型及对应的特征列表;基于样本数据通过可解释人工智能XAI选择与用户输入的模型解释参数相匹配的模型解释方式对各个目标模型进行解释;根据模型解释结果调整各个目标模型对应的特征列表;根据各个目标模型及调整后的特征列表对测试人群进行圈选;根据预定的策略向圈选的人群关联的客户端发送定制化信息。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行电子设备、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语音的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语音包括面向对象的程序设计语音—诸如Java、C++等,还包括常规的过程式程序设计语音—诸如“C”语音或类似的程序设计语音。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种定制化信息发送方法,用于向特定人群的客户端发送定制化信息,其特征在于,所述方法包括:
基于用户输入的模型参数通过自动机器学习AutoML筛选出多个目标模型及对应的特征列表;
基于样本数据通过可解释人工智能XAI选择与用户输入的模型解释参数相匹配的模型解释方式对各个目标模型进行解释;
从目标模型对应的特征列表中删除模型解释结果中贡献系数小于第一预设值的特征;或者,从目标模型对应的特征列表中删除模型解释结果中贡献系数大于第二预设值且属于业务偏离特征的特征;
将各个目标模型及调整后的特征列表进行组合得到组合模型集;所述组合模型集包括:组合模型和对应的组合特征列表;
根据组合模型集中的各个组合模型及对应的组合特征列表对子测试人群进行圈选;
根据圈选结果确定目标组合模型及对应的组合特征列表;
通过所述目标组合模型及对应的组合特征列表对测试人群进行圈选;
根据预定的策略向圈选的人群关联的客户端发送定制化信息。
2.根据权利要求1所述的方法,其特征在于,所述基于用户输入的模型参数通过自动机器学习AutoML筛选出多个目标模型及对应的特征列表之前,所述方法还包括:
创建模型集和特征列表集;所述特征列表集由根据数据属性的类型生成的特征组成。
3.根据权利要求1所述的方法,其特征在于,所述基于样本数据通过可解释人工智能XAI选择与用户输入的模型解释参数相匹配的模型解释方式对各个目标模型进行解释之前,所述方法还包括:
配置并存储用户输入的模型解释参数与模型解释方式匹配表。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
显示模型解释结果,以便对模型进行故障排除。
5.一种定制化信息发送装置,用于向特定人群的客户端发送定制化信息,其特征在于,所述装置包括:
筛选模块,用于基于用户输入的模型参数通过自动机器学习AutoML筛选出多个目标模型及对应的特征列表;
解释模块,用于基于样本数据通过可解释人工智能XAI选择与用户输入的模型解释参数相匹配的模型解释方式对各个目标模型进行解释;
调整模块,用于从目标模型对应的特征列表中删除模型解释结果中贡献系数小于第一预设值的特征;或者,从目标模型对应的特征列表中删除模型解释结果中贡献系数大于第二预设值且属于业务偏离特征的特征;
组合模块,用于将各个目标模型及调整后的特征列表进行组合得到组合模型集;所述组合模型集包括:组合模型和对应的组合特征列表;
第一子圈选模块,用于根据组合模型集中的各个组合模型及对应的组合特征列表对子测试人群进行圈选;
确定模块,用于根据圈选结果确定目标组合模型及对应的组合特征列表;
第二子圈选模块,用于通过所述目标组合模型及对应的组合特征列表对测试人群进行圈选;
发送模块,用于根据预定的策略向圈选的人群关联的客户端发送定制化信息。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
创建模块,用于创建模型集和特征列表集;所述特征列表集由根据数据属性的类型生成的特征组成。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
配置模块,用于配置并存储用户输入的模型解释参数与模型解释方式匹配表。
8.根据权利要求5所述的装置,其特征在于,所述装置还包括:
显示模块,用于显示模型解释结果,以便对模型进行故障排除。
9.一种电子设备,包括:
处理器;以及
存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-4中任一项所述的方法。
10.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,当所述一个或多个程序被处理器执行时,实现权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110473741.1A CN113297480B (zh) | 2021-04-29 | 2021-04-29 | 一种定制化信息发送方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110473741.1A CN113297480B (zh) | 2021-04-29 | 2021-04-29 | 一种定制化信息发送方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297480A CN113297480A (zh) | 2021-08-24 |
CN113297480B true CN113297480B (zh) | 2023-03-14 |
Family
ID=77320493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110473741.1A Active CN113297480B (zh) | 2021-04-29 | 2021-04-29 | 一种定制化信息发送方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297480B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021918A (zh) * | 2021-10-26 | 2022-02-08 | 江苏苏宁银行股份有限公司 | 一种基于模型的理由代码实时模型解释方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111221880A (zh) * | 2020-04-23 | 2020-06-02 | 北京瑞莱智慧科技有限公司 | 特征组合方法、装置、介质和电子设备 |
CN111369344A (zh) * | 2020-03-06 | 2020-07-03 | 中国建设银行股份有限公司 | 一种动态生成预警规则的方法和装置 |
CN111401788A (zh) * | 2020-04-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 业务时序指标的归因方法以及装置 |
CN112015978A (zh) * | 2020-07-24 | 2020-12-01 | 上海淇玥信息技术有限公司 | 一种定制信息发送方法、装置和电子设备 |
CN112070239A (zh) * | 2020-11-11 | 2020-12-11 | 上海森亿医疗科技有限公司 | 基于用户数据建模的分析方法、系统、介质及设备 |
CN112365975A (zh) * | 2020-11-12 | 2021-02-12 | 医渡云(北京)技术有限公司 | 医疗辅助决策模型解释方法及装置、存储介质、电子设备 |
CN112508442A (zh) * | 2020-12-18 | 2021-03-16 | 湖南大学 | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 |
CN112508723A (zh) * | 2021-02-05 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于自动择优建模的金融风险预测方法、装置和电子设备 |
-
2021
- 2021-04-29 CN CN202110473741.1A patent/CN113297480B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369344A (zh) * | 2020-03-06 | 2020-07-03 | 中国建设银行股份有限公司 | 一种动态生成预警规则的方法和装置 |
CN111401788A (zh) * | 2020-04-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 业务时序指标的归因方法以及装置 |
CN111221880A (zh) * | 2020-04-23 | 2020-06-02 | 北京瑞莱智慧科技有限公司 | 特征组合方法、装置、介质和电子设备 |
CN112015978A (zh) * | 2020-07-24 | 2020-12-01 | 上海淇玥信息技术有限公司 | 一种定制信息发送方法、装置和电子设备 |
CN112070239A (zh) * | 2020-11-11 | 2020-12-11 | 上海森亿医疗科技有限公司 | 基于用户数据建模的分析方法、系统、介质及设备 |
CN112365975A (zh) * | 2020-11-12 | 2021-02-12 | 医渡云(北京)技术有限公司 | 医疗辅助决策模型解释方法及装置、存储介质、电子设备 |
CN112508442A (zh) * | 2020-12-18 | 2021-03-16 | 湖南大学 | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 |
CN112508723A (zh) * | 2021-02-05 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于自动择优建模的金融风险预测方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113297480A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11086861B2 (en) | Translating a natural language query into a formal data query | |
US11861469B2 (en) | Code generation for Auto-AI | |
CN111611240A (zh) | 执行自动机器学习过程的方法、装置及设备 | |
CN113557534A (zh) | 深度森林模型开发和训练 | |
AU2021224058B2 (en) | Optimal interpretable decision trees using integer programming techniques | |
CN111461757B (zh) | 信息处理方法及装置、计算机存储介质、电子设备 | |
CN113297480B (zh) | 一种定制化信息发送方法、装置及电子设备 | |
CN113298634A (zh) | 基于时序特征和图神经网络的用户风险预测方法及装置 | |
US20220309391A1 (en) | Interactive machine learning optimization | |
US10970053B2 (en) | Generating semi-automated visual analytics solutions | |
CN115203277B (zh) | 数据决策方法及装置 | |
CN111445139A (zh) | 业务流程模拟方法及装置、存储介质、电子设备 | |
CN111274480B (zh) | 用于内容推荐的特征组合方法及装置 | |
CN113297479A (zh) | 一种用户画像生成方法、装置及电子设备 | |
US20200210875A1 (en) | Method and system for predictive analytics through the use of fuzzy cognitive maps in a computing with words architecture | |
US11281747B2 (en) | Predicting variables where a portion are input by a user and a portion are predicted by a system | |
CN112905896A (zh) | 一种推荐个数模型的训练方法、混合内容推荐方法及装置 | |
CN112784219A (zh) | 基于app指数的用户风险预测方法、装置及电子设备 | |
CN113111897A (zh) | 基于支持向量机的接警警情类别确定方法和装置 | |
CN114077664A (zh) | 机器学习平台中的文本处理方法、装置及设备 | |
US11551152B2 (en) | Input feature significance identification based on batches of prediction | |
US11636417B2 (en) | Cognitive analysis for enterprise decision meta model | |
US20230027897A1 (en) | Rapid development of user intent and analytic specification in complex data spaces | |
CN116157779A (zh) | 数据处理系统中的警报管理 | |
Klimek | Visualization of logical formulas |
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 |