CN115827918A - 一种执行业务的方法、装置、存储介质及电子设备 - Google Patents
一种执行业务的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115827918A CN115827918A CN202310111717.2A CN202310111717A CN115827918A CN 115827918 A CN115827918 A CN 115827918A CN 202310111717 A CN202310111717 A CN 202310111717A CN 115827918 A CN115827918 A CN 115827918A
- Authority
- CN
- China
- Prior art keywords
- data
- dimension
- service
- determining
- business
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种执行业务的方法、装置、存储介质及电子设备,响应于用户的业务请求,确定输入目标模型的业务数据以及该目标模型输出的业务结果,在该业务数据的数据维度对应的维度空间中,根据预设的距离,确定封闭空间,并确定在该封闭空间表面上的历史业务数据,作为相关数据,根据该业务数据及该相关数据,确定该相关数据的各数据维度的梯度通量,针对每个数据维度,根据各相关数据对应的该数据维度的梯度通量,确定该数据维度在该业务数据中的重要性。通过各数据维度以及各数据维度的重要性,对该目标模型输出的业务结果进行解释,获取用户的信任,提高业务执行成功率。
Description
技术领域
本说明书涉及机器学习,尤其涉及一种执行业务的方法、装置、存储介质及电子设备。
背景技术
随着时代的发展,机器学习已经发展得较为成熟并广泛应用在各个领域。通过机器学习训练模型时,为了模型输出结果的准确性,模型的结构变得越来越复杂,使得模型的可解释性也越来越低。尤其是对于是神经网络模型(Neural Networks Model,NNM)来说,由于神经网络模型的特点就是可解释性较低,因此当神经网络模型设置较为复杂时,其可解释性就更低。
但是在应用模型执行业务时,若模型输出业务结果缺乏解释,用户无法确定业务结果是否可信。进一步则可能引发用户对业务执行过程的不信任,或者对业务提供方的不信任,导致业务难以执行。基于此,本说明书提供一种执行业务的方法。
发明内容
本说明书提供一种执行业务的方法、装置、存储介质及电子设备,以至少部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供的执行业务的方法,包括:
响应于用户的业务请求,确定输入目标模型的业务数据以及所述目标模型输出的业务结果;
在所述业务数据的数据维度对应的维度空间中,根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间,其中,所述封闭空间表征与所述业务数据相似的数据的位置范围;
根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据,并作为相关数据;
针对每个相关数据,根据所述业务数据以及该相关数据的各数据维度,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量;
针对每个数据维度,根据各相关数据对应的该数据维度在所述封闭空间表面上的梯度通量,确定该数据维度在所述业务数据中的重要性;
根据确定出的各数据维度的重要性,确定得到所述业务结果的解释,并将确定出的解释以及所述业务结果返回所述用户。
可选地,在所述业务数据的数据维度对应的维度空间中,根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间,具体包括:
根据所述业务数据的数据维度,确定所述数据维度对应的维度空间;
在所述维度空间中,根据所述业务数据的各数据维度的数值,确定所述业务数据对应的位置;
根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间。
可选地,确定所述目标模型的输入层对应的数据维度;
根据所述目标模型的输入层对应的数据维度,确定预设的距离;
其中,所述目标模型的输入层对应的数据维度与所述预设的距离为负相关。
可选地,根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据,具体包括:
针对每个历史业务数据,确定该历史业务数据的各数据维度的数值;
在所述维度空间中,根据该历史业务数据的各数据维度的数值,确定该历史业务数据对应的位置;
根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据。
可选地,根据所述业务数据以及该相关数据的各数据维度,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量,具体包括:
针对每个数据维度,根据该相关数据的该数据维度的数据以及所述业务数据的该数据维度的数据,确定该相关数据与所述业务数据在该数据维度的梯度;
根据该相关数据与所述业务数据在该数据维度的梯度,以及该数据维度的垂直于所述封闭空间向外的单位方向向量,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量。
可选地,根据各相关数据对应的该数据维度在所述封闭空间表面上的梯度通量,确定该数据维度在所述业务数据中的重要性,具体包括:
确定该数据维度的各相关数据在所述封闭空间表面上的梯度通量;
对该数据维度的各相关数据在所述封闭空间表面上的梯度通量求和;
根据所述梯度通量的求和结果,确定该数据维度在所述业务数据中的重要性;
其中,所述求和结果与该数据维度对所述业务数据的重要性成正相关。
可选地,根据确定出的各数据维度的重要性,确定得到所述业务结果的解释,具体包括:
根据确定出的各数据维度的重要性,对各数据维度从大到小排序;
根据排序得到的排序结果,按照预设的数量阈值,确定若干数据维度;
将确定出的若干数据维度作为所述目标模型输出的业务结果的解释。
可选地,根据确定出的各数据维度的重要性,确定得到所述业务结果的解释,具体包括:
针对每个数据维度,将该数据维度的重要性与预设的重要性阈值比较,若该数据维度的重要性大于所述预设的重要性阈值,则确定该数据维度为所述目标模型输出的业务结果的解释。
本说明书提供的执行业务的装置,所述装置包括:
业务确定模块,用于响应于用户的业务请求,确定输入目标模型的业务数据以及所述目标模型输出的业务结果;
封闭空间确定模块,用于在所述业务数据的数据维度对应的维度空间中,根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间,其中,所述封闭空间表征与所述业务数据相似的数据的位置范围;
相关数据确定模块,用于根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据,并作为相关数据;
梯度通量确定模块,用于针对每个相关数据,根据所述业务数据以及该相关数据的各数据维度,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量;
重要性确定模块,用于针对每个数据维度,根据各相关数据对应的该数据维度在所述封闭空间表面上的梯度通量,确定该数据维度在所述业务数据中的重要性;
解释结果模块,用于根据确定出的各数据维度的重要性,确定得到所述业务结果的解释,并将确定出的解释以及所述业务结果返回所述用户。
可选地,所述封闭空间确定模块,具体用于根据所述业务数据的数据维度,确定所述数据维度对应的维度空间;在所述维度空间中,根据所述业务数据的各数据维度的数值,确定所述业务数据对应的位置;根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间。
可选地,确定所述目标模型的输入层对应的数据维度;根据所述目标模型的输入层对应的数据维度,确定预设的距离;其中,所述目标模型的输入层对应的数据维度与所述预设的距离为负相关。
可选地,所述相关数据确定模块,具体用于针对每个历史业务数据,确定该历史业务数据的各数据维度的数值;在所述维度空间中,根据该历史业务数据的各数据维度的数值,确定该历史业务数据对应的位置;根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据。
可选地,所述梯度通量确定模块,具体用于针对每个数据维度,根据该相关数据的该数据维度的数据以及所述业务数据的该数据维度的数据,确定该相关数据与所述业务数据在该数据维度的梯度;根据该相关数据与所述业务数据在该数据维度的梯度,以及该数据维度的垂直于所述封闭空间向外的单位方向向量,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量。
可选地,所述重要性确定模块,具体用于确定该数据维度的各相关数据在所述封闭空间表面上的梯度通量;对该数据维度的各相关数据在所述封闭空间表面上的梯度通量求和;根据所述梯度通量的求和结果,确定该数据维度在所述业务数据中的重要性;其中,所述求和结果与该数据维度对所述业务数据的重要性成正相关。
可选地,所述解释结果模块,具体用于根据确定出的各数据维度的重要性,对各数据维度从大到小排序;根据排序得到的排序结果,按照预设的数量阈值,确定若干数据维度;将确定出的若干数据维度作为所述目标模型输出的业务结果的解释。
可选地,所述解释结果模块,具体用于针对每个数据维度,将该数据维度的重要性与预设的重要性阈值比较,若该数据维度的重要性大于所述预设的重要性阈值,则确定该数据维度为所述目标模型输出的业务结果的解释。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述执行业务的方法。
本说明书提供了一种电子设备,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执行业务的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的执行业务的方法中,先响应于用户的业务请求,确定输入目标模型的业务数据以及所述目标模型输出的业务结果,再在所述业务数据的数据维度对应的维度空间中,根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间,其中,所述封闭空间表征与所述业务数据相似的数据的位置范围,然后根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据,并作为相关数据,之后针对每个相关数据,根据所述业务数据以及该相关数据的各数据维度,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量,最后针对每个数据维度,根据各相关数据对应的该数据维度在所述封闭空间表面上的梯度通量,确定该数据维度在所述业务数据中的重要性,根据确定出的各数据维度的重要性,确定得到所述业务结果的解释,并将确定出的解释以及所述业务结果返回所述用户。
从上述方法中可以看出,本方法通过封闭空间确定与该业务数据相关的各相关数据,以便基于各相关数据在不同数据维度上与该业务数据的差异,确定哪些数据维度的数据对于该目模型输出该业务结果更加重要,最后再根据各数据维度的重要性,对输出的业务结果进行解释。通过向用户展示解释,使得用户可了解模型输出业务结果的原因,从而提高业务执行的成功率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的一种执行业务的方法的流程示意图;
图2为根据该预设的距离确定出的封闭空间的示意图;
图3本说明书提供的一种执行业务的装置示意图;
图4本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种执行业务的方法的流程示意图,具体包括以下步骤:
S100:响应于用户的业务请求,确定输入目标模型的业务数据以及所述目标模型输出的业务结果。
目前,执行业务的过程中广泛地应用模型执行业务。例如,模型用于执行风险测评业务,将用户的业务数据输入风险测评模型,该风险测评模型根据用户的业务数据,输出该用户是否有风险操作的业务结果。或者,模型用于执行推荐信息业务,将用户执行的获取推荐信息业务的业务数据输入推荐模型,模型将预测得到的用户点击率较高的推荐信息,作为业务结果推送给用户,等等。为了解决模型输出结果缺乏解释,导致用户难以确定模型输出结果是否准确,业务执行成功率低的问题,本说明书提供一种执行业务的方法。
由于通常应用模型执行业务的是服务提供方,因此需要提供解释的也是服务提供方,因此一般由服务提供方的服务器执行模型解释业务过程。于是,在本说明书一个或多个实施例中,可由服务器执行模型解释过程,该服务器为提供基于模型执行业务的服务提供方的服务器,该服务器可以是单独的一台设备,或者也可以是由多台设备组成的系统,如分布式服务器,本说明书对此不做限制。
具体的,在本说明书一个或多个实施例中,该执行业务方法是基于梯度对模型进行解释的,所以本说明书中待解释的目标模型为具有梯度的模型,例如,神经网络模型(Neural Networks Model,NNM)、卷积神经网络模型(Convolutional Neural NetworkModel,CNNM)、循环神经网络模型(Recurrent Neural Network Model,RNNM)、长短期记忆网络(Long Short-Term MemoryModel,LSTM)等。本说明书为了方便描述,以神经网络模型为待解释的目标模型为例进行说明,该NN模型是以多个全连接层组成的目标模型。
一般的,由于进行模型解释业务需要耗费服务器资源,因此一般只有在有需求时,该服务器才会确定目标模型。
具体的,该服务器可接收用户通过终端发送的业务请求,根据该业务请求调用线程执行该业务请求对应的业务的业务流程,并确定该业务流程中用于输出业务结果的模型,将该模型作为目标模型。之后,再确定采用该目标模型执行业务时,输入该目标模型的业务数据,以及该目标模型输出的业务结果,使得后续步骤该服务器可确定该目标模型是基于哪种业务数据输出该业务结果的,即该业务结果的解释。
其中,当该用户执行业务时,可以触发对业务结果进行解释的指令,则该服务器需要执行本说明书提供的执行业务过程,向用户返回业务结果以及得到该业务结果的解释。例如,当用户发起业务时,终端界面中设置两个按键,分别为“直接执行业务”以及“执行业务并提供解释”,当用户点击后一个按键发起业务时,则该服务器执行本说明书提供该执行业务过程。或者,默认的该服务器可对每一个执行的业务,向用户提供业务结果以及业务结果的解释,则当用户在终端界面点击了执行业务的按键时,该服务器执行本说明书提供该执行业务过程。
当然,对所有业务进行解释,会导致服务器消耗增加。而根据用户操作,确定在执行哪些业务时,向用户返回业务结果以及业务结果的解释,可能会出现用户在收到业务结果后又想要解释的情况。
对于上述情况,本说明书一个或多个实施例中,该服务器还可以根据预设的规则,确定哪些业务执行过程中需要同时输出解释。具体的,该服务器可监测基于模型执行各业务的业务结果,根据监测到的各业务结果以及预设的规则,确定需要进行解释的业务结果。然后,针对每个确定出的需要进行解释的业务结果,确定输出该业务结果的模型作为目标模型,确定输入该目标模型的业务数据。
例如,模型应用于确定用户的信誉值。预设的进行模型解释的规则,为当基于用户的信誉值低于信誉值门限值时,进行模型解释。于是,在该服务器执行业务时,该服务器可获取执行业务的业务数据输入信誉值预测模型,根据该信誉值预测模型确定该用户的信誉值。进一步假设若输出的信誉值为100,而预先设置执行业务的信誉值门限值为70,则该服务器不对输出的用户的信誉值这一业务结果进行解释。若假设输出的信誉值为50,则该服务器对输出的用户的信誉值这一业务结果进行解释,并触发对该信誉值预测模型输出50的信誉值的解释过程。该服务器可确定输入该确定信誉值模型的业务数据,以及确定该确定信誉值模型输出的业务结果,即信誉值为50。
S102:在所述业务数据的数据维度对应的维度空间中,根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间,其中,所述封闭空间表征与所述业务数据相似的数据的位置范围。
在本说明书一个或多个实施例中,在确定出业务数据和业务结果之后,该服务器还可通过确定与该业务数据相似的历史业务数据,从而通过后续步骤确定在哪些数据维度上,该业务数据与相似的历史业务数据存在差异,而差异越大的数据维度对于目标模型输出业务结果的重要性就越大。例如,假设与业务数据相似的历史业务数据,在重量这一数据维度上的数值均一致,那么目标模型基于重量这一数据维度的数据,输出业务结果的概率就较低。
于是,为了能够在不解析目标模型的情况下,确定该业务数据中哪些数据维度的数据对该目标模型输出业务结果更重要,该服务器可先确定与该业务数据相似的历史业务数据。
具体的,由于对于执行同样业务,需要输入该目标模型的数据的维度是相同的,因此该服务器可先根据该业务数据的数据维度,确定该数据维度对应的维度空间。其中,不同的数据维度对应该业务数据包含的不同数据,例如,性别、年龄、体重等属于不同的数据维度的数据。根据业务数据的各数据维度的数据,可以确定一个对应各数据维度的维度空间,则通过该业务数据的各数据维度的数据在在维度空间上对应的位置,可在该维度空间确定表征该业务数据的向量。维度空间一般在各数据维度上有有限的取值范围,该取值范围由输入该目标模型的业务数据的响应数据维度的取值范围确定。例如,在该目标模型输入的数据中,年龄这一数据维度的取值范围为1~100。
由于该服务器是根据该业务数据以及各历史业务数据在维度空间中的具体位置,确定出与该业务数据相似的历史业务数据,所以在该服务器确定该维度空间后,需要再确定该业务数据处在维度空间中的具体位置。
具体的,该业务数据的各数据维度都存在对应数据维度的数值,在该维度空间中,根据该业务数据的各数据维度的数值,确定该业务数据对应的位置。例如,该业务数据存在三个维度,分别是x、y、z,且x、y、z的取值分别为x=4,y=3,z=1。那么在三维空间中,该业务数据在坐标为(4,3,1)的位置上。
由于该服务器需要确定与该业务数据相似的历史业务数据,因此该服务器可根据预设的距离,确定以该业务数据对应的位置为中心的封闭空间。以便后续可以确定落入该封闭空间的历史业务数据,作为与该业务数据相似的数据。其中,该目标模型输入层对应的数据维度与预设的距离负相关,也就是说当输入层对应的数据维度越大时,预设的距离越小,也就是说与业务数据相似的历史业务数据的条件越严格。
具体的,该服务器可先确定该目标模型的输入层对应的数据维度,再根据该目标模型的输入层对应的数据维度,通过以下公式确定预设的距离:
其中,b为目标模型的输入层对应的数据维度,该目标模型的输入层对应的数据维度b越多,确定出的各历史业务数据与该业务数据的相似度就越低,该服务器通过对比该业务数据以及与该业务数据的相似度较低的各历史业务的差异,得到的解释结果的准确性也较低。因此,当该目标模型的输入层对应的数据维度b越多,预设的距离r越小时,确定出的各历史业务数据与该业务数据的相似度就越高,该服务器通过对比该业务数据以及与该业务数据的相似度较高的各历史业务的差异,得到的解释结果的准确性也较高。即该目标模型的输入层对应的数据维度b与预设的距离r为负相关。
另外,具体如何选取k,本说明书对此不作限制,只要该目标模型的输入层对应的数据维度b与预设的距离r负相关即可。
最后,在本说明书一个或多个实施例中,在该服务器确定出该预设的距离后,该服务还可以该业务数据对应在该维度空间的位置为中心,以该预设的距离为半径,确定封闭空间。该封闭空间用于表征与该业务数据相似的数据的位置范围,即落入该封闭空间的数据都是与该业务数据相似的数据。
图2为根据该预设的距离确定出的封闭空间的示意图。为了方便理图2所示的维度空间为二维空间。如图2所示,该目标模型的输入层对应的数据维度b=2,分别记作x和y,则该预设的距离。该业务数据的两个数据维度分别记作x1和y1,取值分别为x1=2,y1=1,则该数据在该维度空间对应的位置为(2,1)。以该业务数据在该维度空间对应的位置(2,1)为中心,根据该预设的距,确定出的圆为封闭空间,即图2中所画的圆。
S104:根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据,并作为相关数据。
在本说明书一个或多个实施例中,该服务器不仅需要确定该业务数据在该维度空间的位置,还需要确定个历史业务数据在该维度空间的位置。
具体的,针对每个历史业务数据,该历史业务数据的各数据维度的数据也存在对应的数值,所以该服务器先确定该历史业务数据的各数据维度的数值。然后,在该维度空间中,根据该历史业务数据的各数据维度的数值,确定该历史业务数据对应的位置。
由于该服务器是根据该业务数据以及与该业务数据相似的历史业务数据的差异,对该目标模型输出的业务结果进行解释的。因此,该服务器在确定各历史业务数据在该维度空间上的位置后,根据各历史业务数据在该维度空间上的位置,确定位于该封闭空间表面上的历史业务数据,作为相关数据。其中,该相关数据即为与该业务数据相似的历史业务数据。
例如,当该目标模型的输入层对应的数据维度b=2时,分别记作x和y。该预设的距离。该业务数据的两个数据维度在x数据维度和y数据维度的数据分别记作x1和y1,取值分别为x1=2,y1=1,则该数据在该维度空间对应的位置为(2,1)。以该业务数据在该维度空间对应的位置(2,1)为中心,根据该预设的距离,确定出的圆即为封闭空间。该历史业务数据的在封闭空间的位置为(2,),恰好落在该封闭空间的表面上,则该历史业务数据为该业务数据的相关数据。
S106:针对每个相关数据,根据所述业务数据以及该相关数据的各数据维度,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量。
在本说明书一个或多个实施例中,由于该业务数据以及与该相关数据的差异,是由该相关数据的各数据维度与在该业务数据中对应数据维度之间的梯度确定的。因此,该服务器应先确定该相关数据的各数据维度与在该业务数据中对应数据维度之间的梯度。
具体的,首先,该服务器可针对每个数据维度,根据该相关数据的该数据维度的数据以及该业务数据的该数据维度的数据,确定该相关数据与该业务数据在该数据维度的梯度。
例如,当该目标模型的输入层对应的数据维度b=2时,分别记作x和y。该业务数据的两个数据维度在x数据维度和y数据维度的数据分别记作x1和y1,取值分别为x1=4,y1=1000。该相关数据的两个数据维度在x数据维度和y数据维度的数据分别记作x2和y2,取值分别为x2=7,y2=5。针对x这一维度,将x2的值与x1的值相减,确定该相关数据与该业务数据在该数据维度的梯度为3。本说明书不作限制对该相关维度的该数据维度的数据及该业务数据的该数据维度的数据进行处理的方式,只要该服务器能通过该相关维度的该数据维度的数据及该业务数据的该数据维度的数据,确定该相关数据与该业务数据在该数据维度的梯度即可。
其次,该服务器在确定出该数据维度的梯度后,还可确定该数据维度的垂直于该封闭空间向外的单位方向向量。
最后,该服务器根据该相关数据与该业务数据在该数据维度的梯度,以及该数据维度的垂直于该封闭空间向外的单位方向向量,通过以下公式确定该相关数据的该数据维度在该封闭空间表面上的梯度通量:
其中,是指该相关数据,i是指该相关数据的第i个数据维度,是指该相关数据与该业务数据在该数据维度的梯度,是指该数据维度的垂直于该封闭空间向外的单位方向向量。当该相关数据与该业务数据在该数据维度的梯度越大时,该相关数据的该数据维度在该封闭空间表面上的梯度通量就越大。
S108:针对每个数据维度,根据各相关数据对应的该数据维度在所述封闭空间表面上的梯度通量,确定该数据维度在所述业务数据中的重要性。
本说明书一个或多个实施例中,该服务器通过步骤S106已经确定出了该业务数据与不同的相关数据,在各数据维度上的梯度通量。但是,单一相关数据或者单一数据维度,并不能体现出业务数据中哪个数据维度的数据较为重要,只能体现出业务数据与相关数据在各数据维度上的差异。为了得到具有普遍性的该业务数据在数据维度上的重要性,针对每个数据维度,该服务器可将该业务数据的该数据维度与各相关数据的该数据维度进行对比,对比出的该数据维度的差异,确定该数据维度的重要性。即,该数据维度在该业务数据中的重要性,由该数据维度的各相关数据在该封闭空间表面上的梯度通量确定的。于是在本说明书中,该服务器可先确定该数据维度的各相关数据在该封闭空间表面上的梯度通量。
具体的,该服务器可先从已经确定出的各相关数据的各维度数据在该封闭空间表面上的梯度通量中,选出该数据维度的各相关数据在该封闭空间表面上的梯度通量。在该服务器确定该数据维度的各相关数据在该封闭空间表面上的梯度通量后,对该数据维度的各相关数据在该封闭空间表面上的梯度通量求和。根据该梯度通量的求和结果,确定该数据维度在该业务数据中的重要性。由于该业务数据的相关数据的数量一致,且都是在单位向量上的分量,因此该求和结果可用于表征该业务数据的不同数据维度的数据相对的重要性。
具体采用下式确定各数据维度的重要性:
其中,是指该封闭空间表面,表示是在该封闭空间表面上的历史业务数据,即是相关数据,i是指该相关数据的第i个数据维度。当该求和结果越大时,该数据维度对该业务数据输出的业务结果越重要,即该求和结果与该业务数据的重要性成正相关。
并且,针对每个数据维度,当该数据维度的各相关数据在该封闭空间表面上的梯度通量,与其他数据维度的各相关数据在该封闭空间表面上的梯度通量不同时,该数据维度在该业务数据中的重要性,与其他数据维度在该业务数据中的重要性也不相同。
S110:根据确定出的各数据维度的重要性,确定得到所述业务结果的解释,并将确定出的解释以及所述业务结果返回所述用户。
在本说明书一个或多个实施例中,由于数据维度的重要性表征了目标模型输出业务结果受该数据维度的影响程度,即,当一个数据维度的重要性越高时,那么由于该数据维度的数据导致该目标模型输出该业务结果的概率就越大。也就是说,重要性体现了哪些数据使得目标模型输出了当前的业务结果。可见,步骤S108中确定出的各数据维度的重要性也就相当于该业务结果的解释。
于是,该服务器在确定出各数据维度的重要性之后,将各数据维度重要性作为业务结果的解释,将业务结果和解释返回用户终端,使用户通过终端确定业务结果时,可以根据解释,确定各数据维度的数据对于得到该业务结果的重要性。
但是,若同时将各数据维度、各数据维度的重要性以及业务结果返回给用户,用户接收到的信息较多,需要用户从接收的信息中找出重要性较高的数据维度,确定哪个数据维度对业务结果影响程度较大,对用户来说,上述查找数据维度的过程较为不便。例如,当该目标模型的输入层对应的数据维度b=1000时,且该业务数据的各个数据维度都确定出了在该业务数据中的重要性。那么,展示1000个数据维度、这1000个数据维度的重要性以及业务结果返回给用户,用户从接收2001条的信息中找出重要性较高的数据维度耗费的时间可能会很长。
因此,该服务器可以根据确定出的各数据维度的重要性,对各数据维度从大到小排序,根据排序得到的排序结果,按照预设的数量阈值,确定若干数据维度,将确定出的若干数据维度作为该业务结果的解释,并将该解释以及该业务结果返回该用户。其中,在不影响解释结果对业务结果解释的效果的情况下,预设的数量阈值可根据需要设置,本说明书不作限制。例如,假设数据维度分别为a、b、c、d、e、f……,对应的重要性分别为99、50、15、8、26、70……,按照重要性从高到低排序得到各数据维度的排序结果为:a、h、m、n、f、q……。若预设的数量阈值为3。则确定数据维度a、h、m为目标模型输出业务结果的解释,并将数据维度a、h、m以及该业务结果返回该用户。
沿用步骤S100中信誉值预测模型的例子,首先,该服务器确定输入该信誉值预测模型的业务数据为用户的被投诉信息、自主取消执行该业务的次数等。该信誉值预测模型的业务结果为该用户的信誉值为50,触发对该信誉值预测模型输出50的信誉值的解释过程。该信誉值预测模型为目标模型。
其次,该服务器根据被投诉信息以及自主取消执行该业务的次数等数据维度,确定该业务数据对应的维度空间。
接着,该服务器根据该业务数据的各数据维度的数值,确定该业务数据对应的位置。
然后,该服务器根据该目标模型的输入层对应的数据维度,确定出预设的距离,以该预设的距离为半径,该业务数据为中心,确定出封闭空间。根据历史业务数据在该维度空间的位置,确定在该封闭空间内及表面上的历史业务数据,确定出的各历史业务数据为与该业务数据相似的历史业务数据,并叫做相关数据。为了方便计算,后续步骤中只选择在该封闭表面上的历史业务数据。
之后,该服务器根据该相关数据的在封闭空间的位置为以及该业务数据在封闭空间的位置,确定在性别、年龄、体重、被投诉信息、自主取消执行该业务的次数等数据维度上,各相关数据与该业务数据的梯度。根据确定各梯度以及该数据维度的垂直于该封闭空间向外的单位方向向量,确定该相关数据的上述各数据维度在该封闭空间表面上的梯度通量。
最后,针对用户的被投诉信息这一数据维度,计算多个相关数据与该业务数据的在该数据维度的梯度通量的和,作为该数据维度在该业务数据的重要性。如在被投诉信息这一数据维度上,各相关数据与该业务数据的在该封闭空间表面上的梯度通量分别为1、5、7……,该数据维度在该业务数据的重要性为20。在自主取消执行该业务的次数这一数据维度上各相关数据与该业务数据在该封闭空间表面上的梯度通量分别为9、30、20……,该数据维度在该业务数据的重要性为99。在体重这一数据维度上各相关数据与该业务数据在该封闭空间表面上的梯度通量分别为10、7、8……,该数据维度在该业务数据的重要性为30等。
通过对各数据维度在该业务数据的重要性从高到低进行排序,根据排序得到的排序结果为:自主取消执行该业务的次数、被投诉信息、体重……等等,假设预设的数量阈值设置为1,从排序结果中重要性最高的数据维度,即自主取消执行该业务的次数,作为对该目标模型输出的信誉值为50这一业务结果的解释,将该自主取消执行该业务的次数以及该业务结果返回该用户。即服务器发送由于您自主取消执行该业务的次数过多,信誉值为50。用户接收到该解释以及该业务结果后,为了不影响执行其他对信誉值有要求的业务,会执行一些能提高自己账户的信誉值的操作。
基于图1所示的执行业务的方法,先响应于用户的业务请求,确定输入目标模型的业务数据以及所述目标模型输出的业务结果,再在所述业务数据的数据维度对应的维度空间中,根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间,其中,所述封闭空间表征与所述业务数据相似的数据的位置范围,然后根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据,并作为相关数据,之后针对每个相关数据,根据所述业务数据以及该相关数据的各数据维度,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量,最后针对每个数据维度,根据各相关数据对应的该数据维度在所述封闭空间表面上的梯度通量,确定该数据维度在所述业务数据中的重要性,根据确定出的各数据维度的重要性,确定得到所述业务结果的解释,并将确定出的解释以及所述业务结果返回所述用户。
从上述方法中可以看出,本方法通过封闭空间确定与该业务数据相关的各相关数据,以便基于各相关数据在不同数据维度上与该业务数据的差异,确定哪些数据维度的数据对于该目模型输出该业务结果更加重要,最后再根据各数据维度的重要性,对输出的业务结果进行解释。通过向用户展示解释,使得用户可了解模型输出业务结果的原因,从而提高业务执行的成功率。
此外,针对步骤S100,当该业务数据的数据维度要大于与该目标模型的数据维度时,该业务数据无法输入至该目标模型,得到对应的业务结果。当该业务数据的数据维度要小于与该目标模型的数据维度时,虽然该业务数据能够输入至该目标模型,得到对应的业务结果,但是该目标模型会对该业务数据的数据维度进行补位,使得该业务数据的数据维度与该目标模型的数据维度一致。然而,服务器是根据该业务数据与该业务数据相似的历史业务数据的差异,对业务数据对应的业务结果进行解释,由于对该业务数据的数据维度进行补位,会增大该差异,导致解释结果并不准确。
例如,该业务数据包含年龄,身高,口味偏甜程度这三个数据维度,分别记作x、y、z,各数据维度的取值分别为x=20、y=171、z=9。且该历史业务数据对应的业务结果是该用户不爱吃甜品。该目标模型包含年龄,身高,口味偏甜程度以及口味偏咸程度这四个数据维度,分别记作x、y、z、m。对该业务数据的数据维度进行补位后,各数据维度的取值分别为x=20、y=171、z=9、m=0。若与该业务数据相似的历史业务数据的各数据维度的取值分别为x=19、y=170、z=110,m=10000,且该历史业务数据对应的业务结果是该用户爱吃甜品。那么该业务数据与该业务数据相似的历史业务数据的差异,主要在于m这个数据维度的数值差距比较大。然而,根据m这一数据维度的差异并不能解释该业务数据对应的该用户不爱吃甜品这一业务结果,但可以由该业务数据的z与该历史业务数据的z差异解释该用户不爱吃甜品这一业务结果。
因此,在本说明书一个或多个实施例中,该业务数据的数据维度可等于与该目标模型的数据维度,这样既可以让该业务数据能够输入至该目标模型,得到对应的业务结果,又可以避免解释结果不准确的问题。
当然,在该业务数据的数据维度小于与该目标模型的数据维度时,也可以确定该业务数据与相关数据的在各数据维度的差异,但在对比各数据维度的差异时,需要除去补位的该业务数据的数据维度,避免解释结果不准确的问题。
另外,该服务器可设置多个线程,用于同时对多个业务数据及该目标模型对应输出的多个业务结果进行解释。因此,该服务器可以同时确定一个或多个目标模型,并确定各目标模型的业务数据及业务结果,以便执行后续同时执行步骤S102~步骤S110。
针对步骤S102,该服务器还可以针对该业务数据对应的业务结果,选择与该业务数据相似的历史业务数据。首先,该服务器确定该业务数据对应的业务结果以及与该业务数据相似的历史业务数据对应的业务结果。其次,该服务器确定该业务数据以及历史业务数据处在维度空间中的具体位置。然后从与该业务数据相似的历史业务数据中,选择与该业务数据对应的业务结果不同的相似历史业务数据。最后,该服务器对比该业务数据以及选择的历史业务数据的差异,通过该差异,对该业务数据对应的业务结果进行解释。
针对步骤S110,该服务器还可以针对每个数据维度,将该数据维度的重要性与预设的重要性阈值比较,若该数据维度的重要性大于该预设的重要性阈值,则确定该数据维度为该目标模型输出的业务结果的解释。不同的数据维度对应的重要性阈值可能并不相同,可根据需要设置,本说明书对此不做限制,能根据预设的重要性阈值,确定出对该目标模型输出的业务结果进行的解释即可。
例如,该目标模型的输入层对应的数据维度b=4,分别记作x、y、z、m,对应的预设的重要性阈值分别为50、30、60、65。该服务器确定出这4个数据维度的重要性,分别为a1=10,a2=90,a3=50,a4=70。将a1、a2、a3、a4、分别与对应的预设的重要性阈值为进行比较,确定出将a2与a4对应的数据维度y和m作为该目标模型输出的业务结果的解释。
当然,为了方便重要性阈值的设置,该服务器可对各数据维度的重要性进行归一化处理,归一化处理后的各数据维度的重要性会处在同一取值范围内,以便将各个数据维度的重要性阈值设置为统一值,利于后续将各数据维度的重要性与该重要性阈值比较,得出解释。
以上为本说明书的一个或多个实施例提供的执行业务的方法,基于同样的思路,本说明书还提供了相应的执行业务的装置,如图3所示。
图3本说明书提供的一种执行业务的装置示意图,所述装置包括:
业务确定模块300,用于响应于用户的业务请求,确定输入目标模型的业务数据以及所述目标模型输出的业务结果;
封闭空间确定模块302,用于在所述业务数据的数据维度对应的维度空间中,根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间,其中,所述封闭空间表征与所述业务数据相似的数据的位置范围;
相关数据确定模块304,用于根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据,并作为相关数据;
梯度通量确定模块306,用于针对每个相关数据,根据所述业务数据以及该相关数据的各数据维度,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量;
重要性确定模块308,用于针对每个数据维度,根据各相关数据对应的该数据维度在所述封闭空间表面上的梯度通量,确定该数据维度在所述业务数据中的重要性;
解释结果模块310,用于根据确定出的各数据维度的重要性,确定得到所述业务结果的解释,并将确定出的解释以及所述业务结果返回所述用户。
可选地,所述封闭空间确定模块302,具体用于根据所述业务数据的数据维度,确定所述数据维度对应的维度空间;在所述维度空间中,根据所述业务数据的各数据维度的数值,确定所述业务数据对应的位置;根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间。
可选地,确定所述目标模型的输入层对应的数据维度;根据所述目标模型的输入层对应的数据维度,确定预设的距离;其中,所述目标模型的输入层对应的数据维度与所述预设的距离为负相关。
可选地,所述相关数据确定模块304,具体用于针对每个历史业务数据,确定该历史业务数据的各数据维度的数值;在所述维度空间中,根据该历史业务数据的各数据维度的数值,确定该历史业务数据对应的位置;根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据。
可选地,所述梯度通量确定模块306,具体用于针对每个数据维度,根据该相关数据的该数据维度的数据以及所述业务数据的该数据维度的数据,确定该相关数据与所述业务数据在该数据维度的梯度;根据该相关数据与所述业务数据在该数据维度的梯度,以及该数据维度的垂直于所述封闭空间向外的单位方向向量,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量。
可选地,所述重要性确定模块308,具体用于确定该数据维度的各相关数据在所述封闭空间表面上的梯度通量;对该数据维度的各相关数据在所述封闭空间表面上的梯度通量求和;根据所述梯度通量的求和结果,确定该数据维度在所述业务数据中的重要性;其中,所述求和结果与该数据维度对所述业务数据的重要性成正相关。
可选地,所述解释结果模块310,具体用于根据确定出的各数据维度的重要性,对各数据维度从大到小排序;根据排序得到的排序结果,按照预设的数量阈值,确定若干数据维度;将确定出的若干数据维度作为所述目标模型输出的业务结果的解释。
可选地,所述解释结果模块310,具体用于针对每个数据维度,将该数据维度的重要性与预设的重要性阈值比较,若该数据维度的重要性大于所述预设的重要性阈值,则确定该数据维度为所述目标模型输出的业务结果的解释。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的执行业务的方法。
本说明书还提供了图4所示的电子设备的结构示意图。如图4所述,在硬件层面,该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的执行业务的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书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 (18)
1.一种执行业务的方法,所述方法包括:
响应于用户的业务请求,确定输入目标模型的业务数据以及所述目标模型输出的业务结果;
在所述业务数据的数据维度对应的维度空间中,根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间,其中,所述封闭空间表征与所述业务数据相似的数据的位置范围;
根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据,并作为相关数据;
针对每个相关数据,根据所述业务数据以及该相关数据的各数据维度,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量;
针对每个数据维度,根据各相关数据对应的该数据维度在所述封闭空间表面上的梯度通量,确定该数据维度在所述业务数据中的重要性;
根据确定出的各数据维度的重要性,确定得到所述业务结果的解释,并将确定出的解释以及所述业务结果返回所述用户。
2.如权利要求1所述的方法,在所述业务数据的数据维度对应的维度空间中,根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间,具体包括:
根据所述业务数据的数据维度,确定所述数据维度对应的维度空间;
在所述维度空间中,根据所述业务数据的各数据维度的数值,确定所述业务数据对应的位置;
根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间。
3.如权利要求1所述的方法,所述方法还包括:
确定所述目标模型的输入层对应的数据维度;
根据所述目标模型的输入层对应的数据维度,确定预设的距离;
其中,所述目标模型的输入层对应的数据维度与所述预设的距离为负相关。
4.如权利要求1所述的方法,根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据,具体包括:
针对每个历史业务数据,确定该历史业务数据的各数据维度的数值;
在所述维度空间中,根据该历史业务数据的各数据维度的数值,确定该历史业务数据对应的位置;
根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据。
5.如权利要求1所述的方法,根据所述业务数据以及该相关数据的各数据维度,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量,具体包括:
针对每个数据维度,根据该相关数据的该数据维度的数据以及所述业务数据的该数据维度的数据,确定该相关数据与所述业务数据在该数据维度的梯度;
根据该相关数据与所述业务数据在该数据维度的梯度,以及该数据维度的垂直于所述封闭空间向外的单位方向向量,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量。
6.如权利要求1所述的方法,根据各相关数据对应的该数据维度在所述封闭空间表面上的梯度通量,确定该数据维度在所述业务数据中的重要性,具体包括:
确定该数据维度的各相关数据在所述封闭空间表面上的梯度通量;
对该数据维度的各相关数据在所述封闭空间表面上的梯度通量求和;
根据所述梯度通量的求和结果,确定该数据维度在所述业务数据中的重要性;
其中,所述求和结果与该数据维度对所述业务数据的重要性成正相关。
7.如权利要求1所述的方法,根据确定出的各数据维度的重要性,确定得到所述业务结果的解释,具体包括:
根据确定出的各数据维度的重要性,对各数据维度从大到小排序;
根据排序得到的排序结果,按照预设的数量阈值,确定若干数据维度;
将确定出的若干数据维度作为所述目标模型输出的业务结果的解释。
8.如权利要求1所述的方法,根据确定出的各数据维度的重要性,确定得到所述业务结果的解释,具体包括:
针对每个数据维度,将该数据维度的重要性与预设的重要性阈值比较,若该数据维度的重要性大于所述预设的重要性阈值,则确定该数据维度为所述目标模型输出的业务结果的解释。
9.一种执行业务的装置,所述装置包括:
业务确定模块,用于响应于用户的业务请求,确定输入目标模型的业务数据以及所述目标模型输出的业务结果;
封闭空间确定模块,用于在所述业务数据的数据维度对应的维度空间中,根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间,其中,所述封闭空间表征与所述业务数据相似的数据的位置范围;
相关数据确定模块,用于根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据,并作为相关数据;
梯度通量确定模块,用于针对每个相关数据,根据所述业务数据以及该相关数据的各数据维度,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量;
重要性确定模块,用于针对每个数据维度,根据各相关数据对应的该数据维度在所述封闭空间表面上的梯度通量,确定该数据维度在所述业务数据中的重要性;
解释结果模块,用于根据确定出的各数据维度的重要性,确定得到所述业务结果的解释,并将确定出的解释以及所述业务结果返回所述用户。
10.如权利要求9所述的装置,所述封闭空间确定模块,具体用于根据所述业务数据的数据维度,确定所述数据维度对应的维度空间;在所述维度空间中,根据所述业务数据的各数据维度的数值,确定所述业务数据对应的位置;根据预设的距离,确定以所述业务数据对应的位置为中心的封闭空间。
11.如权利要求10所述的装置,确定所述目标模型的输入层对应的数据维度;根据所述目标模型的输入层对应的数据维度,确定预设的距离;其中,所述目标模型的输入层对应的数据维度与所述预设的距离为负相关。
12.如权利要求9所述的装置,所述相关数据确定模块,具体用于针对每个历史业务数据,确定该历史业务数据的各数据维度的数值;在所述维度空间中,根据该历史业务数据的各数据维度的数值,确定该历史业务数据对应的位置;根据各历史业务数据在所述维度空间上的位置,确定位于所述封闭空间表面上的历史业务数据。
13.如权利要求9所述的装置,所述梯度通量确定模块,具体用于针对每个数据维度,根据该相关数据的该数据维度的数据以及所述业务数据的该数据维度的数据,确定该相关数据与所述业务数据在该数据维度的梯度;根据该相关数据与所述业务数据在该数据维度的梯度,以及该数据维度的垂直于所述封闭空间向外的单位方向向量,确定该相关数据的各数据维度在所述封闭空间表面上的梯度通量。
14.如权利要求9所述的装置,所述重要性确定模块,具体用于确定该数据维度的各相关数据在所述封闭空间表面上的梯度通量;对该数据维度的各相关数据在所述封闭空间表面上的梯度通量求和;根据所述梯度通量的求和结果,确定该数据维度在所述业务数据中的重要性;其中,所述求和结果与该数据维度对所述业务数据的重要性成正相关。
15.如权利要求9所述的装置,所述解释结果模块,具体用于根据确定出的各数据维度的重要性,对各数据维度从大到小排序;根据排序得到的排序结果,按照预设的数量阈值,确定若干数据维度;将确定出的若干数据维度作为所述目标模型输出的业务结果的解释。
16.如权利要求9所述的装置,所述解释结果模块,具体用于针对每个数据维度,将该数据维度的重要性与预设的重要性阈值比较,若该数据维度的重要性大于所述预设的重要性阈值,则确定该数据维度为所述目标模型输出的业务结果的解释。
17.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~8任一项所述的方法。
18.一种电子设备,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权利要求1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310111717.2A CN115827918B (zh) | 2023-02-13 | 2023-02-13 | 一种执行业务的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310111717.2A CN115827918B (zh) | 2023-02-13 | 2023-02-13 | 一种执行业务的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115827918A true CN115827918A (zh) | 2023-03-21 |
CN115827918B CN115827918B (zh) | 2023-05-05 |
Family
ID=85521293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310111717.2A Active CN115827918B (zh) | 2023-02-13 | 2023-02-13 | 一种执行业务的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115827918B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109008A (zh) * | 2023-04-04 | 2023-05-12 | 支付宝(杭州)信息技术有限公司 | 一种业务执行的方法、装置、存储介质及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291838A (zh) * | 2020-05-09 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 实体对象分类结果的解释方法和装置 |
WO2021245666A1 (en) * | 2020-06-03 | 2021-12-09 | Yeda Research And Development Co. Ltd. | Quantum simulation with trapped ions in a gradient field |
US20220076130A1 (en) * | 2020-08-31 | 2022-03-10 | International Business Machines Corporation | Deep surrogate langevin sampling for multi-objective constraint black box optimization with applications to optimal inverse design problems |
CN115099416A (zh) * | 2022-06-14 | 2022-09-23 | 中山大学 | 集成水文气象机器学习预报模型的可视化事后解释方法 |
CN115144932A (zh) * | 2022-07-01 | 2022-10-04 | 青岛国科海洋环境工程技术有限公司 | 一种海陆多维度气象生态综合监测平台 |
CN115438590A (zh) * | 2022-10-27 | 2022-12-06 | 国能大渡河大数据服务有限公司 | 一种基于bp神经网络的降水预报订正方法及系统 |
CN115618748A (zh) * | 2022-11-29 | 2023-01-17 | 支付宝(杭州)信息技术有限公司 | 一种模型优化的方法、装置、设备及存储介质 |
-
2023
- 2023-02-13 CN CN202310111717.2A patent/CN115827918B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291838A (zh) * | 2020-05-09 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 实体对象分类结果的解释方法和装置 |
WO2021245666A1 (en) * | 2020-06-03 | 2021-12-09 | Yeda Research And Development Co. Ltd. | Quantum simulation with trapped ions in a gradient field |
US20220076130A1 (en) * | 2020-08-31 | 2022-03-10 | International Business Machines Corporation | Deep surrogate langevin sampling for multi-objective constraint black box optimization with applications to optimal inverse design problems |
CN115099416A (zh) * | 2022-06-14 | 2022-09-23 | 中山大学 | 集成水文气象机器学习预报模型的可视化事后解释方法 |
CN115144932A (zh) * | 2022-07-01 | 2022-10-04 | 青岛国科海洋环境工程技术有限公司 | 一种海陆多维度气象生态综合监测平台 |
CN115438590A (zh) * | 2022-10-27 | 2022-12-06 | 国能大渡河大数据服务有限公司 | 一种基于bp神经网络的降水预报订正方法及系统 |
CN115618748A (zh) * | 2022-11-29 | 2023-01-17 | 支付宝(杭州)信息技术有限公司 | 一种模型优化的方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
SHIYANG LI,等: "Customer Churn Combination Prediction Model Based on Convolutional Neural Network and Gradient Boosting Decision Tree" * |
宋杰,等: "基于深度学习的数字病理图像分割综述与展望" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109008A (zh) * | 2023-04-04 | 2023-05-12 | 支付宝(杭州)信息技术有限公司 | 一种业务执行的方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115827918B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10824819B2 (en) | Generating word vectors by recurrent neural networks based on n-ary characters | |
CN110826894A (zh) | 超参数确定方法、装置及电子设备 | |
CN112200132A (zh) | 一种基于隐私保护的数据处理方法、装置及设备 | |
CN115827918A (zh) | 一种执行业务的方法、装置、存储介质及电子设备 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN115828162A (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN116757278B (zh) | 一种预测模型的训练方法、装置、存储介质及电子设备 | |
CN115618748B (zh) | 一种模型优化的方法、装置、设备及存储介质 | |
CN116824331A (zh) | 一种模型训练、图像识别方法、装置、设备及存储介质 | |
CN116384505A (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN113343085B (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN113344197A (zh) | 一种识别模型的训练方法、业务执行的方法以及装置 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN115795342B (zh) | 一种业务场景分类的方法、装置、存储介质及电子设备 | |
CN114792256B (zh) | 基于模型选择的人群扩量方法及装置 | |
CN114861665B (zh) | 一种强化学习模型训练以及确定数据关系的方法及装置 | |
CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 | |
CN116363418A (zh) | 一种训练分类模型的方法、装置、存储介质及电子设备 | |
CN112884478B (zh) | 一种数据处理方法、装置及设备 | |
CN114676016A (zh) | 一种异常检测的方法及装置 | |
CN116186540A (zh) | 数据处理方法、装置及设备 | |
CN117973869A (zh) | 一种业务风控方法、装置、电子设备及存储介质 | |
CN117744155A (zh) | 一种执行风控业务的方法、装置及存储介质 | |
CN118070797A (zh) | 一种生成文本检测方法、装置、存储介质及电子设备 |
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 |