CN113987053A - 一种模型解析方法、装置和电子设备 - Google Patents
一种模型解析方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113987053A CN113987053A CN202111218658.6A CN202111218658A CN113987053A CN 113987053 A CN113987053 A CN 113987053A CN 202111218658 A CN202111218658 A CN 202111218658A CN 113987053 A CN113987053 A CN 113987053A
- Authority
- CN
- China
- Prior art keywords
- model
- node
- base model
- base
- incidence relation
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 230000000007 visual effect Effects 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012916 structural analysis Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 20
- 238000012800 visualization Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供一种模型解析方法，获取待解析的集成学习模型，提取所述集成学习模型中的基模型信息以及各基模型的关联关系，遍历所述各基模型中的节点，记录各基模型的节点信息及节点关联关系，根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，将各基模型的节点信息进行结构化处理，结合节点关联关系将结构化处理结果填充至所述可视化模板中，作为所述集成学习模型的结构解析结果信息。通过对各基模型的关联关系进行提取，对节点信息及节点关联关系进行记录，以具有层次的可视化模板来存储架构化的节点信息，使得可视化模板中能够显现集成学习模型的结构和内在逻辑，提高集成学习模型的可读性。
Description
技术领域
本申请涉及计算机领域，尤其涉及一种模型解析方法、装置和电子设备。
背景技术
集成学习模型由于预测性能较高而被广泛使用，然而，实际业务使用中，集成学习模型结构复杂，往往是被当作黑盒子来使用，这就使得，对于集成学习模型的调优，需要依据大量样本进行训练，自动调整模型中的参数，来实现优化。如果能够提供一种方法，将集成学习模型的结构特征显现出来，使开发者能够直接根据显现出来的内容进行法分析判断和参数调整，就能够比较快速的进行调优，或者评价模型的好坏等。
因此，有必要提供一种模型解析方法，以提高对集成学习模型的可读性。
发明内容
本说明书实施例提供一种模型解析方法、装置和电子设备，用以提高集成学习模型的可读性。
本说明书实施例提供一种模型解析方法，包括：
获取待解析的集成学习模型，提取所述集成学习模型中的基模型信息以及各基模型的关联关系；
遍历所述各基模型中的节点，记录各基模型的节点信息及节点关联关系；
根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，将各基模型的节点信息进行结构化处理，结合节点关联关系将结构化处理结果填充至所述可视化模板中，作为所述集成学习模型的结构解析结果信息。
可选地，所述根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，包括：
根据各基模型的节点关联关系确定各基模型中节点的迭代层数以及各基模型的深度，结合所述各基模型中的最大深度、各基模型中节点的迭代层数创建可视化模板。
可选地，所述节点信息具有判断条件，所述节点关联关系包括所述判断条件下不同判断结果所对应的下一节点。
可选地，所述遍历所述各基模型中的节点，包括：
用二叉树的递归遍历算法遍历所述各基模型中的节点。
可选地，还包括：
获取样本数据，利用所述节点信息及节点关联关系进行计算、条件判断和节点路由，基于所述可视化模板中各节点的位置显示迭代路径。
可选地，还包括：
对所述可视化模板中的节点信息进行修改直至迭代路径为预设链路。
可选地，还包括：
提取所述可视化模板中的节点信息，利用所述节点信息构建模型。
本说明书实施例还提供一种模型解析装置，包括：
信息提取模块，获取待解析的集成学习模型，提取所述集成学习模型中的基模型信息以及各基模型的关联关系；
遍历所述各基模型中的节点，记录各基模型的节点信息及节点关联关系；
结构可视化模块，根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，将各基模型的节点信息进行结构化处理，结合节点关联关系结构化处理结果填充至所述可视化模板中，作为所述集成学习模型的结构解析结果信息。
可选地，所述根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，包括：
根据各基模型的节点关联关系确定各基模型中节点的迭代层数以及各基模型的深度，结合所述各基模型中的最大深度、各基模型中节点的迭代层数创建可视化模板。
本说明书实施例还提供一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行程序的存储器，所述可执行程序在被执行时使所述处理器执行上述任一项方法。
本说明书实施例还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，所述一个或多个程序当被处理器执行时，实现上述任一项方法。
本说明书实施例提供的各种技术方案通过获取待解析的集成学习模型，提取所述集成学习模型中的基模型信息以及各基模型的关联关系，遍历所述各基模型中的节点，记录各基模型的节点信息及节点关联关系，根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，将各基模型的节点信息进行结构化处理，结合节点关联关系将结构化处理结果填充至所述可视化模板中，作为所述集成学习模型的结构解析结果信息。通过对各基模型的关联关系进行提取，对节点信息及节点关联关系进行记录，以具有层次的可视化模板来存储架构化的节点信息，使得可视化模板中能够显现集成学习模型的结构和内在逻辑，提高集成学习模型的可读性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种模型解析方法的原理示意图；
图2为本说明书实施例提供的一种模型解析装置的结构示意图；
图3为本说明书实施例提供的一种电子设备的结构示意图；
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被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能够使得本发明更加全面和完整，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，因而将省略对它们的重复描述。
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特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须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。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
图1为本说明书实施例提供的一种模型解析方法的原理示意图，该方法可以包括：
S101：获取待解析的集成学习模型，提取所述集成学习模型中的基模型信息以及各基模型的关联关系。
集成学习模型通过训练数据构建一组基分类器，然后通过对每个基分类器的预测进行投票来进行分类，实际上是基于多个基分类器进行预测。
这里的基分类器就是基模型。
集成学习模型中基模型之间的关系，可以是并列的关系，不同基模型之间配置不同的权重系数，将基模型的计算结果呈上权重系数之后求和，作为集成学习模型的预测结果再进行分类。
当然，基分类模型之间也可以是迭代关系，上一个基模型的输出作为下一个模型的输入，在此不做具体阐述。
通过提取所述集成学习模型中的基模型信息以及各基模型的关联关系，能够得到集成学习模型的框架架构。
构建集成学习模型的算法有装袋算法、Boosting算法、Stacking算法，现有技术已有公开，在此不再阐述。
在对集成学习模型进行处理时，可以将其转换成字符格式，即json格式。
S102：遍历所述各基模型中的节点，记录各基模型的节点信息及节点关联关系。
基模型可以看作一个二叉树，基模型中的节点包括分裂节点和叶节点，最上一层的分裂节点叫做根节点，不同层节点之间的关联关系包括迭代关系，同层节点之间的关系包括并列关系。
分裂节点中可以具有判断条件，通过对样本进行计算并用这个判断条件进行判断，便可以确定该分裂节点的子节点是哪个，这相当于进行了分类，通过大量的这种迭代处理和节点选择，就可以对样本进行分类。
因此，在本说明书实施例中，所述节点信息具有判断条件，所述节点关联关系包括所述判断条件下不同判断结果所对应的下一节点。
具体的，在本说明书实施例中，所述遍历所述各基模型中的节点，包括：
用二叉树的递归遍历算法遍历所述各基模型中的节点。
伪代码可以包括：
Function解析单棵CART树：
提取根结点
Function递归：
提取下一层左结点信息
递归(下一层左结点)
提取下一层右结点信息
递归(下一层右结点)
返回全部提取到的节点信息。
这样，就能够把基模型的结构逻辑读取出来。
在得到基模型的逻辑结构之后，我们就可以用开可视化的方式把其结构显现出来。
S103：根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，将各基模型的节点信息进行结构化处理，结合节点关联关系将结构化处理结果填充至所述可视化模板中，作为所述集成学习模型的结构解析结果信息。
通过获取待解析的集成学习模型，提取所述集成学习模型中的基模型信息以及各基模型的关联关系，遍历所述各基模型中的节点，记录各基模型的节点信息及节点关联关系，根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，将各基模型的节点信息进行结构化处理，结合节点关联关系将结构化处理结果填充至所述可视化模板中，作为所述集成学习模型的结构解析结果信息。通过对各基模型的关联关系进行提取，对节点信息及节点关联关系进行记录，以具有层次的可视化模板来存储架构化的节点信息，使得可视化模板中能够显现集成学习模型的结构和内在逻辑，提高集成学习模型的可读性。
在本说明书实施例中，所述根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，包括：
根据各基模型的节点关联关系确定各基模型中节点的迭代层数以及各基模型的深度，结合所述各基模型中的最大深度、各基模型中节点的迭代层数创建可视化模板。
具体的，可以将提取到的单个基模型的节点信息按层进行关联，层数即基模型的树深参数，关联的主键为每一层分裂节点的编号，其具有唯一性，关联后即得到基模型的数据框架格式的数据结构，每一层存放的列数据可以包括：根节点变量编号(Feature_0)、层数序号(Depth_j)，分裂方向是否为叶节点(Split_j)，分裂条件是否缺失(Condition_j)，下一层的分裂节点变量(Children_j)，本层分裂节点编号(Nodeid_j)，然后将整个XGBOOST模型中所基模型的数据框架格式的数据结构，按模型的迭代顺序合并为最后的可视化模板并进行保存。其中，基模型的个数作为集成学习模型的迭代次数参数，最后可视化模板的行数为集成学习模型的迭代次数与每个基模型的层数及每一层的结点数的惩罚运算结果，列数为具有最大树深的基模型的深度的5倍+1。
这样，结构解析结果信息为评分卡表格，评分卡中的行和列可以显现模型的结成学习模型的结构逻辑，通过对节点中的参数进行分析，可以观察出模型的好坏，更有利于在全局上对模型的结构进行检查分析，通过对评分卡中的参数进行调整，可以辅助构建集成学习模型，缩小训练样本量。
在本说明书实施例中，还包括：
获取样本数据，利用所述节点信息及节点关联关系进行计算、条件判断和节点路由，基于所述可视化模板中各节点的位置显示迭代路径。
这样可以直观的显示模型运行时的计算逻辑，便于模型分析人员直观的观察到该集成学习模型与预期出现偏差的地方，从而直接进行修改调整。
在本说明书实施例中，还包括：
对所述可视化模板中的节点信息进行修改直至迭代路径为预设链路。
这样，可以将可视化模板中的节点信息按照预设的期望进行调整。
基于该评分卡表格能方便地进行更多的模型部署和业务探索，比如，在本说明书实施例中，该方法还可以包括：
提取所述可视化模板中的节点信息，利用所述节点信息构建模型。
在本说明书实施例中，可以利用评分卡表格进行输入项容灾分析、样本的评分分析、基于模型的特征衍生和策略挖掘。
输入项容灾分析是指分析已部署的模型的分裂条件。由于建模环境和生产环境的数据源可能会有不一致的问题，而且数据生产过程中也可能会有缺失的变化浮动，因此通过分析问题变量的所有分裂条件，可决定是否需求对已部署的模型进行更改。例如，某个变量在建模环境的0值，在生产环境表示成了空值，但该变量涉及的每个分裂条件中0和空值都在同一个分裂方向上，这样就不必对已在线上运行的模型作修改。
可以进行样本的评分分析：评分卡的每一行都是一个判断条件，用表1中的列名称可表示为：
Case
When feature_i0 condition_i0 and children_i1condition_i1and…andchildren_ij condition_ij then children_ij
……
Else null end as tree_n
其中后缀j表示某棵树的第几层，i表示某棵树的第几个结点，n表示第几棵树。
这样就能根据每条样本的变量取值进行可解释化的打分。
可以基于模型的特征进行特征的衍生：基于集成学习模型的特点，其每个基模型都可以看作一个交叉衍生的特征，特征的构造逻辑可参照上一点中的伪代码。通过传入一批样本进行评估，可挑选具有高区分度的基模型作为衍生变量，用于后序模型的训练。
可以进行策略挖掘：基于上一点的特征衍生，可进一步提取集成学习模型(比如XGBOOST模型)的前几个基模型来生成策略规则。
具体的，可以设置模型的基准分数参数以便梯度快速下降，以及改用符合策略评估规则的目标函数，在观察前几个基模型的迭代效果达到策略要求时，进行提取和转化。
图2为本说明书实施例提供的一种模型解析装置的结构示意图，该装置可以包括：
信息提取模块201，获取待解析的集成学习模型，提取所述集成学习模型中的基模型信息以及各基模型的关联关系；
遍历所述各基模型中的节点，记录各基模型的节点信息及节点关联关系；
结构可视化模块202，根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，将各基模型的节点信息进行结构化处理，结合节点关联关系结构化处理结果填充至所述可视化模板中，作为所述集成学习模型的结构解析结果信息。
在本说明书实施例中，所述根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，包括：
根据各基模型的节点关联关系确定各基模型中节点的迭代层数以及各基模型的深度，结合所述各基模型中的最大深度、各基模型中节点的迭代层数创建可视化模板。
该装置通过获取待解析的集成学习模型，提取所述集成学习模型中的基模型信息以及各基模型的关联关系，遍历所述各基模型中的节点，记录各基模型的节点信息及节点关联关系，根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，将各基模型的节点信息进行结构化处理，结合节点关联关系将结构化处理结果填充至所述可视化模板中，作为所述集成学习模型的结构解析结果信息。通过对各基模型的关联关系进行提取，对节点信息及节点关联关系进行记录，以具有层次的可视化模板来存储架构化的节点信息，使得可视化模板中能够显现集成学习模型的结构和内在逻辑，提高集成学习模型的可读性。
基于同一发明构思，本说明书实施例还提供一种电子设备。
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具体实体实施方式。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为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300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，电子设备300以通用计算设备的形式表现。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、连接不同系统组件(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，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。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3205包括但不限于：操作系统、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400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且，电子设备300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)通信。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，可以结合电子设备300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系统、磁带驱动器以及数据备份存储系统等。
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计算设备(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。当所述计算机程序被一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：如图1所示的方法。
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
实现图1所示方法的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、或半导体的系统、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。
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系统、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言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。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，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，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根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种模型解析方法，其特征在于，包括：
获取待解析的集成学习模型，提取所述集成学习模型中的基模型信息以及所述各基模型的关联关系；
遍历所述各基模型中的节点，记录各基模型的节点信息及节点关联关系；
根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，将各基模型的节点信息进行结构化处理，结合节点关联关系将结构化处理结果填充至所述可视化模板中，作为所述集成学习模型的结构解析结果信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述各基模型的关联信息、各基模型的节点关联关系生成具有层次的可视化模板，包括：
根据各基模型的节点关联关系确定各基模型中节点的迭代层数以及各基模型的深度，结合所述各基模型中的最大深度、各基模型中节点的迭代层数创建可视化模板。
3.根据权利要求1-2中任一项所述的方法，其特征在于，所述节点信息具有判断条件，所述节点关联关系包括所述判断条件下不同判断结果所对应的下一节点。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述遍历所述各基模型中的节点，包括：
用二叉树的递归遍历算法遍历所述各基模型中的节点。
5.根据权利要求1-4中任一项所述的方法，其特征在于，还包括：
获取样本数据，利用所述节点信息及节点关联关系进行计算、条件判断和节点路由，基于所述可视化模板中各节点的位置显示迭代路径。
6.根据权利要求1-5中任一项所述的方法，其特征在于，还包括：
对所述可视化模板中的节点信息进行修改直至迭代路径为预设链路。
7.根据权利要求1-6中任一项所述的方法，其特征在于，还包括：
提取所述可视化模板中的节点信息，利用所述节点信息构建模型。
8.一种模型解析装置，其特征在于，包括：
信息提取模块，获取待解析的集成学习模型，提取所述集成学习模型中的基模型信息以及各基模型的关联关系；
遍历所述各基模型中的节点，记录各基模型的节点信息及节点关联关系；
结构可视化模块，根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，将各基模型的节点信息进行结构化处理，结合节点关联关系结构化处理结果填充至所述可视化模板中，作为所述集成学习模型的结构解析结果信息。
9.根据权利要求8所述的装置，其特征在于，所述根据所述各基模型的关联关系、各基模型的节点关联关系生成具有层次的可视化模板，包括：
根据各基模型的节点关联关系确定各基模型中节点的迭代层数以及各基模型的深度，结合所述各基模型中的最大深度、各基模型中节点的迭代层数创建可视化模板。
10.一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行程序的存储器，所述可执行程序在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
11.一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，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111218658.6A CN113987053A (zh) | 2021-10-20 | 2021-10-20 | 一种模型解析方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111218658.6A CN113987053A (zh) | 2021-10-20 | 2021-10-20 | 一种模型解析方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113987053A true CN113987053A (zh) | 2022-01-28 |
Family
ID=79739507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111218658.6A Pending CN113987053A (zh) | 2021-10-20 | 2021-10-20 | 一种模型解析方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113987053A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115495518A (zh) * | 2022-09-22 | 2022-12-20 | 奇点浩翰数据技术(北京)有限公司 | 一种生成图表的方法和装置 |
-
2021
- 2021-10-20 CN CN202111218658.6A patent/CN113987053A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115495518A (zh) * | 2022-09-22 | 2022-12-20 | 奇点浩翰数据技术(北京)有限公司 | 一种生成图表的方法和装置 |
| CN115495518B (zh) * | 2022-09-22 | 2023-10-24 | 奇点浩翰数据技术(北京)有限公司 | 一种生成图表的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200293293A1 (en) | Pruning Engine | |
| US10296307B2 (en) | Method and system for template extraction based on source code similarity | |
| US11080475B2 (en) | Predicting spreadsheet properties | |
| CA2980174C (en) | Automated model development process | |
| US10565521B2 (en) | Merging feature subsets using graphical representation | |
| US11194884B2 (en) | Method for facilitating identification of navigation regions in a web page based on document object model analysis | |
| US20210209500A1 (en) | Building a complementary model for aggregating topics from textual content | |
| CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
| CN109918296A (zh) | 软件自动化测试方法及装置 | |
| US20160203105A1 (en) | Information processing device, information processing method, and information processing program | |
| US20190179638A1 (en) | Automatic creation of macro-services | |
| US20210286782A1 (en) | Data complementing system and data complementing method | |
| JP2021519960A (ja) | ウェブトラフィックデータを処理および管理するシステム、装置、および方法 | |
| CN113987053A (zh) | 一种模型解析方法、装置和电子设备 | |
| US20150268953A1 (en) | Information processing apparatus and method, and computer program product | |
| US20120278265A1 (en) | Effort estimation using text analysis | |
| WO2016093839A1 (en) | Structuring of semi-structured log messages | |
| WO2023093259A1 (en) | Iteratively updating a document structure to resolve disconnected text in element blocks | |
| Menik et al. | Towards modular machine learning solution development: Benefits and trade-offs | |
| CN112732896B (zh) | 目标信息显示方法、装置、电子设备和介质 | |
| CN113569929B (zh) | 基于小样本扩展的互联网服务提供方法、装置及电子设备 | |
| US11809375B2 (en) | Multi-dimensional data labeling | |
| JP2022040049A (ja) | 高レベルソースコードからのｑｕｂｏ又は高次定式化の自動生成のためのフレームワーク | |
| US20230252360A1 (en) | Efficient optimization of machine learning models | |
| JP2020166443A (ja) | データ加工方法レコメンドシステム、データ加工方法レコメンド方法、及びデータ加工方法レコメンドプログラム |
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 |