CN116109008B - 一种业务执行的方法、装置、存储介质及电子设备 - Google Patents
一种业务执行的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116109008B CN116109008B CN202310353832.0A CN202310353832A CN116109008B CN 116109008 B CN116109008 B CN 116109008B CN 202310353832 A CN202310353832 A CN 202310353832A CN 116109008 B CN116109008 B CN 116109008B
- Authority
- CN
- China
- Prior art keywords
- data
- service
- correlation degree
- dimension
- prediction
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Technology Law (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种业务执行的方法及装置,首先,获取业务数据。其次,将业务数据输入到预测模型的权重层中,以确定业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度。而后,根据相关程度,确定需要进行数据替换的业务维度,作为目标维度。然后,将业务数据中目标维度的数据进行替换,得到替换后业务数据。接着,将业务数据输入到预测模型中的预测层,确定第一预测结果,以及将替换后业务数据输入到预测层中,得到第二预测结果。最后,根据第一预测结果与第二预测结果之间的偏差,对预测模型进行调整,以根据调整后的预测模型,执行业务。本方法可以确定预测模型的可解释性,提高预测模型确定出的预测结果的准确性。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种业务执行的方法、装置、存储介质及电子设备。
背景技术
随着互联网技术的快速发展,越来越多的业务可以通过互联网来实现,相应的也伴随出现很多业务风险。因此,对业务进行风险控制以及隐私数据保护常常是业务流程中不可或缺的一部分。
目前,虽然可以应用预测模型执行业务,但是,开发人员并不知道输入数据与预测模型输出的预测结果之间的关联性,这导致预测模型缺乏可解释性。然而,预测模型缺乏可解释性会使得开发人员无法对预测模型进行进一步的训练,从而,无法提高预测模型确定出的预测结果的准确性。
因此,如何确定预测模型的可解释性,提高预测模型确定出的预测结果的准确性,则是一个亟待解决的问题。
发明内容
本说明书提供一种业务执行的方法、装置、存储介质及电子设备,以确定预测模型的可解释性,提高预测模型确定出的预测结果的准确性。
本说明书采用下述技术方案:
本说明书提供了一种业务执行的方法,包括:
获取业务数据,所述业务数据中包含有各业务维度的数据;
将所述业务数据输入到预测模型的权重层中,以确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度;
根据所述相关程度,确定需要进行数据替换的业务维度,作为目标维度;
将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据;
将所述业务数据输入到所述预测模型中的预测层,确定第一预测结果,以及将所述替换后业务数据输入到所述预测层中,得到第二预测结果;
根据所述第一预测结果与所述第二预测结果之间的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务。
可选地,所述业务数据包含有离散数据以及连续数据,所述权重层包括:第一权重层以及第二权重层;
将所述业务数据输入到预测模型的权重层中,以确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,具体包括:
将所述离散数据输入到预测模型的第一权重层中,确定所述离散数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,作为第一相关程度;
将所述连续数据输入到预测模型的第二权重层中,确定所述连续数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,作为第二相关程度;
根据所述第一相关程度以及所述第二相关程度,确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度。
可选地,根据所述第一相关程度以及所述第二相关程度,确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,具体包括:
根据所述第一相关程度,确定第一相关程度矩阵;
根据所述第二相关程度,确定第二相关程度矩阵;
将所述第一相关程度矩阵以及所述第二相关程度矩阵进行归一化,得到归一化后的第一相关程度矩阵以及归一化后的第二相关程度矩阵;
将所述归一化后的第一相关程度矩阵以及所述归一化后的第二相关程度矩阵进行拼接,确定初始相关程度矩阵,所述初始相关程度矩阵用于表示所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度。
可选地,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据,具体包括:
根据所述离散数据,构建数据集;
若确定所述目标维度为离散数据的业务维度,则从所述数据集中选取数据,作为替换数据;
通过所述替换数据,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据。
可选地,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据,具体包括:
若确定所述目标维度为连续数据的业务维度,根据所述目标维度,确定时间窗口所在位置;
根据所述时间窗口内的各业务数据,确定所述时间窗口对应的滑动平均值;
通过所述滑动平均值,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据。
可选地,根据所述第一预测结果以及所述第二预测结果之间的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务,具体包括:
根据所述第一预测结果以及所述第二预测结果之间的偏差,按照第一分配规则,对各目标维度进行分配,确定各目标维度对应的偏差,所述第一分配规则是指针对每个目标维度,若该目标维度对应的权重系数大于第一设定阈值,则该目标维度越接近于第一设定阈值,分配给该目标维度的偏差越大,且分配给该目标维度的偏差为负值;
根据所述各目标维度对应的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务。
可选地,根据所述第一预测结果以及所述第二预测结果之间的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务,具体包括:
根据所述第一预测结果以及所述第二预测结果之间的偏差,按照第二分配规则,对各目标维度进行分配,确定各目标维度对应的偏差,所述第二分配规则是指针对每个指定维度,若该目标维度对应的权重系数不大于第一设定阈值且不小于第二设定阈值,则该目标维度对应的权重系数越接近于第二设定阈值,分配给该目标维度的偏差越大,且分配给该目标维度的偏差为正值,所述第一设定阈值大于所述第二设定阈值;
根据所述各目标维度对应的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务。
可选地,获取业务数据,具体包括:
在执行风控业务时,获取所述风控业务所需的业务数据;
将所述业务数据输入到预测模型的权重层中,以确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,具体包括:
将所述业务数据输入到预测模型的权重层中,以确定所述业务数据中每个业务维度的数据与所述预测模型输出的风控结果的相关程度;
将所述业务数据输入到所述预测模型中的预测层,确定第一预测结果,以及将所述替换后业务数据输入到所述预测层中,得到第二预测结果,具体包括:
将所述业务数据输入到所述预测模型中的预测层,确定第一风控结果,以及将所述替换后业务数据输入到所述预测层中,得到第二风控结果;
根据所述第一预测结果与所述第二预测结果之间的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务,具体包括:
根据所述第一风控结果与所述第二风控结果之间的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行风控业务。
本说明书提供了一种业务执行的装置,包括:
获取模块,用于获取业务数据,所述业务数据中包含有各业务维度的数据;
输入模块,用于将所述业务数据输入到预测模型的权重层中,以确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度;
确定模块,用于根据所述相关程度,确定需要进行数据替换的业务维度,作为目标维度;
替换模块,用于将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据;
预测模块,用于将所述业务数据输入到所述预测模型中的预测层,确定第一预测结果,以及将所述替换后业务数据输入到所述预测层中,得到第二预测结果;
调整模块,用于根据所述第一预测结果与所述第二预测结果之间的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务。
可选地,所述业务数据包含有离散数据以及连续数据,所述权重层包括:第一权重层以及第二权重层;
所述输入模块,具体用于将所述离散数据输入到预测模型的第一权重层中,确定所述离散数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,作为第一相关程度,将所述连续数据输入到预测模型的第二权重层中,确定所述连续数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,作为第二相关程度,根据所述第一相关程度以及所述第二相关程度,确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度。
可选地,所述输入模块,具体用于根据所述第一相关程度,确定第一相关程度矩阵,根据所述第二相关程度,确定第二相关程度矩阵,将所述第一相关程度矩阵以及所述第二相关程度矩阵进行归一化,得到归一化后的第一相关程度矩阵以及归一化后的第二相关程度矩阵,将所述归一化后的第一相关程度矩阵以及所述归一化后的第二相关程度矩阵进行拼接,确定初始相关程度矩阵,所述初始相关程度矩阵用于表示所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度。
可选地,所述替换模块,具体用于根据所述离散数据,构建数据集,若确定所述目标维度为离散数据的业务维度,则从所述数据集中选取数据,作为替换数据,通过所述替换数据,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据。
可选地,所述替换模块,具体用于若确定所述目标维度为连续数据的业务维度,根据所述目标维度,确定时间窗口所在位置,根据所述时间窗口内的各业务数据,确定所述时间窗口对应的滑动平均值,通过所述滑动平均值,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据。
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业务执行的方法。
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业务执行的方法。
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:
在本说明书提供的业务执行的方法中,首先,获取业务数据,业务数据中包含有各业务维度的数据。其次,将业务数据输入到预测模型的权重层中,以确定业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度。而后,根据相关程度,确定需要进行数据替换的业务维度,作为目标维度。然后,将业务数据中目标维度的数据进行替换,得到替换后业务数据。接着,将业务数据输入到预测模型中的预测层,确定第一预测结果,以及将替换后业务数据输入到预测层中,得到第二预测结果。最后,根据第一预测结果与第二预测结果之间的偏差,对预测模型进行调整,以根据调整后的预测模型,执行业务。
从上述方法中可以看出,本方法可以在将业务数据中目标维度的数据进行替换之后,根据第一预测结果与第二预测结果之间的偏差,以确定业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度,得到预测模型的可解释性。并根据第一预测结果与第二预测结果之间的偏差,对预测模型进行调整,以根据调整后的预测模型,得到更为准确的业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度,执行业务。
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为本说明书实施例提供的一种业务执行的方法的流程示意图;
图2为本说明书实施例提供的一种预测模型的结构示意图;
图3为本说明书实施例提供的一种业务执行的装置的结构示意图;
图4为本说明书实施例提供的电子设备的结构示意图。
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,都属于本说明书保护的范围。
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为本说明书中一种业务执行的方法的流程示意图,具体包括以下步骤:
S100:获取业务数据,所述业务数据中包含有各业务维度的数据。
在本说明书实施例中,业务执行的方法的执行主体可以是指服务器、台式电脑等电子设备。为了便于描述,下面仅以服务器为执行主体,对本说明书提供的业务执行的方法进行说明。
在本说明书实施例中,服务器可以获取业务数据,这里提到的业务数据可以是指用户执行业务时的每个操作事件对应的数据。例如,用户的注册数据、用户的登录数据、用户的点击数据、用户的交易数据、用户的收藏数据等。
进一步的,业务数据中会包括多个业务维度的数据。例如,用户的交易数据中会包括用户的交易时间、用户的交易对象、用户的交易金额、用户的交易地点、用户的IP地址等业务维度的数据。再例如,用户的收藏数据中会包括用户的收藏时间、用户的收藏对象、用户的收藏对象的价值、用户的交易地点、用户的IP地址等业务维度的数据。
其中,业务数据可以是指业务序列数据,用于表示按照时间顺序进行排序的各业务数据。
S102:将所述业务数据输入到预测模型的权重层中,以确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度。
在本说明书实施例中,服务器可以将业务数据输入到预测模型的权重层中,以确定业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度。
其中,业务数据包含有离散数据以及连续数据。这里提到的离散数据可以是指数值只能用自然数或整数单位计算的数据。例如,用户的所在地点、用户的IP地址等。这里提到的连续数据可以是指在一定区间内可以任意取值、数值是连续不断的、相邻两个数值可作无限分割(即可取无限个数值)的数据。例如,用户的交易金额等。
在实际应用中,服务器可以通过对输入到预测模型的业务数据中的部分数据进行替换,得到替换后的业务数据,再将替换后的业务数据输入到预测模型中,确定预测结果。然后,根据替换前的预测结果以及替换后的预测结果,确定替换的部分数据对预测结果的重要程度。
但是,由于离散数据与连续数据的数值范围不同,且属性不同,现有的对预测模型进行解释的方法中,仅能适用于单独使用离散数据的预测模型或单独使用连续数据的预测模型。无法对同时使用离散数据与连续数据的预测模型进行解释。基于此,服务器可以先确定出离散数据中每个业务维度的数据与预测模型输出的预测结果的相关程度,作为第一相关程度。再确定连续数据中每个业务维度的数据与预测模型输出的预测结果的相关程度,作为第二相关程度。然后,根据第一相关程度以及第二相关程度,确定业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度。
在本说明书实施例中,权重层包括:第一权重层以及第二权重层。服务器可以将离散数据输入到预测模型的第一权重层中,确定离散数据中每个业务维度的数据与预测模型输出的预测结果的相关程度,作为第一相关程度。
具体的,服务器可以根据业务数据中的每个维度下的各数据,构建每个维度对应的替换数据集。
其次,服务器可以在离散数据中随机选取出若干个维度,并针对选取出的每个维度,从该维度对应的替换数据集中随机选取出数据,对该维度对应的数据进行替换,得到替换后的离散数据。
而后,服务器可以将替换后的离散数据输入到预测模型的预测层中,确定替换后的离散数据对应的预测结果。
然后,服务器可以根据替换后的离散数据对应的预测结果以及第一预测结果,确定离散数据中的每个业务维度的数据对预测结果的相关程度,作为第一相关程度。
需要说明的是,本方法确定离散数据中的每个业务维度的数据对预测结果的相关程度的方法可以有多种。例如,KernelSHAP。本说明书不对确定离散数据中的每个业务维度的数据对预测结果的相关程度的方法进行限定。
服务器可以将连续数据输入到预测模型的第二权重层中,确定连续数据中每个业务维度的数据与预测模型输出的预测结果的相关程度,作为第二相关程度。
具体的,服务器可以在连续数据中随机选取出若干个维度,并针对选取出的每个维度,确定该维度中的数据对应的时刻。
其次,服务器可以根据预设的时间窗口以及该维度中的数据对应的时刻,确定该时间窗口内的各数据。
而后,服务器可以从该时间窗口内的各数据中随机选取出数据,对该数据进行替换,得到替换后的连续数据。当然,服务器也可以根据该时间窗口内的各数据,确定滑动平均数,对该数据进行替换,得到替换后的连续数据。
接着,服务器可以将替换后的连续数据输入到预测模型的预测层中,确定替换后的连续数据对应的预测结果。
然后,服务器可以根据替换后的连续数据对应的预测结果以及第一预测结果,确定连续数据中的每个业务维度的数据对预测结果的相关程度,作为第二相关程度。
需要说明的是,本方法确定连续数据中每个业务维度的数据与预测模型输出的预测结果的相关程度的方法可以有多种。例如,Dynamask。本说明书不对确定连续数据中每个业务维度的数据与预测模型输出的预测结果的相关程度的方法进行限定。
在实际应用中,由于,离散数据对应的范围较大,连续数据对应的范围较小。服务器无法将连续数据以及离散数据同时应用到预测模型中。基于此,服务器可以根据第一相关程度与第二相关程度,构建初始相关程度矩阵。
在本说明书实施例中,服务器可以根据第一相关程度以及第二相关程度,确定业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度。
具体的,服务器可以根据第一相关程度,确定第一相关程度矩阵。
其次,服务器可以根据第二相关程度,确定第二相关程度矩阵。
而后,服务器可以将第一相关程度矩阵以及第二相关程度矩阵进行归一化,得到归一化后的第一相关程度矩阵以及归一化后的第二相关程度矩阵。
最后,服务器可以将归一化后的第一相关程度矩阵以及归一化后的第二相关程度矩阵进行拼接,确定初始相关程度矩阵。这里提到的初始相关程度矩阵用于表示业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度。
S104:根据所述相关程度,确定需要进行数据替换的业务维度,作为目标维度。
S106:将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据。
在本说明书实施例中,服务器可以根据相关程度,确定需要进行数据替换的业务维度,作为目标维度。也就是说,服务器可以通过预测模型的权重层确定出业务数据中的哪些业务维度与预测模型输出的预测结果的相关程度较高,并将相关程度较高的业务维度作为目标维度。
具体的,服务器可以业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度从大到小进行排序,将排序序号大于第一设定阈值的业务维度,作为目标维度。当然,服务器也可以将相关程度大于第一设定阈值的业务维度,作为目标维度。
然后,服务器可以将业务数据中目标维度的数据进行替换,得到替换后业务数据。
在本说明书实施例中,服务器可以根据离散数据,构建数据集。
若确定目标维度为离散数据的业务维度,则从数据集中选取数据,作为替换数据。
然后,服务器可以通过替换数据,将业务数据中目标维度的数据进行替换,得到替换后业务数据。
若确定目标维度为连续数据的业务维度,根据目标维度,确定时间窗口所在位置。
其次,服务器可以根据时间窗口内的各业务数据,确定时间窗口对应的滑动平均值;
而后,服务器可以通过滑动平均值,将业务数据中目标维度的数据进行替换,得到替换后业务数据。
在实际应用中,由于,离散数据对应的范围较大,连续数据对应的范围较小。为了将连续数据以及离散数据同时应用到预测模型中,服务器可以通过第一相关程度矩阵以及第二相关程度矩阵,构建初始相关程度矩阵。
但是,这种方法构建出的初始相关程度矩阵中的各业务维度之间的关联性较低,无法得到准确的各业务维度的数据与预测模型输出的预测结果的相关程度。基于此,服务器可以通过调整层,对各权重系数进行缩放,得到调整后相关程度矩阵,以得到准确的各业务维度的数据与预测模型输出的预测结果的相关程度。
在本说明书实施例中,服务器可以将初始相关程度矩阵输入到预测模型的调整层中,确定调整后相关程度矩阵。具体公式如下所示。
在上述公式中,可以用于表征偏置。/>可以用于表示权重。/>可以用于表示初始相关程度矩阵中的第j列、第k行的业务维度对应的权重系数。可以看出,服务器可以通过b、W,对初始相关程度矩阵中的权重系数进行放缩,从而确定出准确的权重系数。
需要说明的是,服务器可以根据调整层确定出的调整后相关程度矩阵对预测模型得到的预测结果进行解释。针对调整后相关程度矩阵中的每个业务维度,该业务维度的权重系数越大,该业务维度的数据与预测模型输出的预测结果的相关程度就越大。相应的,该业务维度的权重系数越小,该业务维度的数据与预测模型输出的预测结果的相关程度就越小。
S108:将所述业务数据输入到所述预测模型中的预测层,确定第一预测结果,以及将所述替换后业务数据输入到所述预测层中,得到第二预测结果。
S110:根据所述第一预测结果与所述第二预测结果之间的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务。
在本说明书实施例中,服务器可以将业务数据输入到预测模型中的预测层,确定第一预测结果,以及将替换后业务数据输入到预测层中,得到第二预测结果。
其次,服务器可以根据第一预测结果与第二预测结果之间的偏差,对预测模型进行调整,以根据调整后的预测模型,执行业务。
可以看出,第一预测结果与第二预测结果之间的偏差是因为业务数据中的目标维度的数据的数值发生了变化,因此,可以确定出目标维度中的数据的数值变化程度与预测模型输出的预测结果的相关程度。
在实际应用中,由于离散数据对应的范围较大,连续数据对应的范围较小。为了将连续数据以及离散数据同时应用到预测模型中,服务器可以通过第一相关程度矩阵以及第二相关程度矩阵,构建调整后相关程度矩阵。
但是,这样的方法确定出的第一预测结果以及第二预测结果之间的偏差,无法用于梯度的反向传播。也就是说,无法通过偏差,对预测模型中的调整层中的参数进行调整。基于此,服务器可以按照预设的分配规则,进行梯度分配,从而,完成梯度传播。
在本说明书实施例中,服务器可以根据第一预测结果以及第二预测结果之间的偏差,按照第一分配规则,对各目标维度进行分配,确定各目标维度对应的偏差。这里提到的第一分配规则是指针对每个目标维度,若该目标维度对应的权重系数大于第一设定阈值,则该目标维度越接近于第一设定阈值,分配给该目标维度的偏差越大,且分配给该目标维度的偏差为负值。
然后,服务器可以根据各目标维度对应的偏差,对预测模型进行调整,以根据调整后的预测模型,执行业务。
进一步的,服务器可以根据第一预测结果以及第二预测结果之间的偏差,按照第二分配规则,对各目标维度进行分配,确定各目标维度对应的偏差。这里提到的第二分配规则是指针对每个指定维度,若该目标维度对应的权重系数不大于第一设定阈值且不小于第二设定阈值,则该目标维度对应的权重系数越接近于第二设定阈值,分配给该目标维度的偏差越大,且分配给该目标维度的偏差为正值,所述第一设定阈值大于所述第二设定阈值。
然后,服务器可以根据各目标维度对应的偏差,对预测模型进行调整,以根据调整后的预测模型,执行业务。具体公式如下所示。
在上述公式中可以看出,可以用于表示第一预测结果以及第二预测结果之间的偏差。/>可以用于表示调整后相关程度矩阵中的第j列、第k行的业务维度对应的权重系数。/>可以用于表示第一设定阈值。/>可以用于表示第二设定阈值。/>可以用于将输出值转换为范围在[0, 1]和为1的概率分布。可以看出,该业务维度对应的权重系数越接近于第一设定阈值,对该业务维度进行分配的偏差越大。该业务维度对应的权重系数越接近于第二设定阈值,对该业务维度进行分配的偏差越大。本方法可以通过上述公式完成梯度传播。
可以看出,若该目标维度对应的权重系数大于第一设定阈值,则该目标维度对预测结果的相关程度较大,因此,服务器只能对该目标维度对应的数据进行微调。若该目标维度对应的权重系数不大于第一设定阈值且不小于第二设定阈值,则该目标维度对应的权重系数对预测结果影响较小,因此,服务器可以对该目标维度对应的数据进行大幅度调整。
在本说明书实施例中,预测模型的模型结构,如图2所示。
图2为本说明书实施例提供的一种预测模型的结构示意图。
在图2中,服务器可以将离散数据输入到预测模型的第一权重层中,确定离散数据中每个业务维度的数据与预测模型输出的预测结果的相关程度,作为第一相关程度。再将连续数据输入到预测模型的第二权重层中,确定连续数据中每个业务维度的数据与预测模型输出的预测结果的相关程度,作为第二相关程度。
其次,服务器可以根据第一相关程度,确定第一相关程度矩阵。再根据第二相关程度,确定第二相关程度矩阵。接着,服务器可以将第一相关程度矩阵以及第二相关程度矩阵进行归一化,得到归一化后的第一相关程度矩阵以及归一化后的第二相关程度矩阵。
而后,服务器可以将归一化后的第一相关程度矩阵以及归一化后的第二相关程度矩阵进行拼接,确定初始相关程度矩阵,初始相关程度矩阵用于表示业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度。
然后,服务器可以将初始相关程度矩阵输入到预测模型的调整层中,确定调整后相关程度矩阵。
进一步的,服务器可以确定调整后相关程度矩阵中的权重系数大于第一设定阈值的业务维度,作为目标维度。通过预先确定出的替换数据,将业务数据中目标维度的数据进行替换,得到替换后业务数据。
接着,服务器可以将业务数据输入到预测模型中的预测层,确定第一预测结果,以及将替换后业务数据输入到预测层中,得到第二预测结果。
最后,服务器可以根据第一预测结果与第二预测结果之间的偏差,对预测模型进行调整,以根据调整后的预测模型,执行业务。
在本说明书实施例中,本方法可以应用到风控场景中,服务器在执行风控业务时,获取风控业务所需的业务数据。
其次,服务器可以将业务数据输入到预测模型的权重层中,以确定业务数据中每个业务维度的数据与预测模型输出的风控结果的相关程度。并根据相关程度,确定需要进行数据替换的业务维度,作为目标维度。接着,将业务数据中目标维度的数据进行替换,得到替换后业务数据。
然后,服务器可以将业务数据输入到预测模型中的预测层,确定第一风控结果,以及将替换后业务数据输入到预测层中,得到第二风控结果。
最后,服务器可以根据第一风控结果与第二风控结果之间的偏差,对预测模型进行调整,以根据调整后的预测模型,执行风控业务。
当然,本方法还可以应用到多个应用场景中,例如,信息推荐场景等。同样的,服务器可以在执行信息推荐业务时,获取信息推荐业务所需的业务数据。后续对预测模型进行调整的过程与上述过程相同,在此就不一一赘述了。进一步的,服务器可以根据调整后的预测模型,执行信息推荐业务。
从上述的描述中可以看出,本方法可以在将业务数据中目标维度的数据进行替换之后,根据第一预测结果与第二预测结果之间的偏差,以确定业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度,得到预测模型的可解释性。并根据第一预测结果与第二预测结果之间的偏差,对预测模型进行调整,以根据调整后的预测模型,得到更为准确的业务数据中每个业务维度的数据与预测模型输出的预测结果的相关程度,执行业务。进而,本方法可以确定出预测模型的更为准确的可解释性,以提高预测模型确定出的预测结果的准确性。
以上为本说明书实施例提供的一种业务执行的方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和电子设备。
图3为本说明书实施例提供的一种业务执行的装置的结构示意图,所述装置包括:
获取模块300,用于获取业务数据,所述业务数据中包含有各业务维度的数据;
输入模块302,用于将所述业务数据输入到预测模型的权重层中,以确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度;
确定模块304,用于根据所述相关程度,确定需要进行数据替换的业务维度,作为目标维度;
替换模块306,用于将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据;
预测模块308,用于将所述业务数据输入到所述预测模型中的预测层,确定第一预测结果,以及将所述替换后业务数据输入到所述预测层中,得到第二预测结果;
调整模块310,用于根据所述第一预测结果与所述第二预测结果之间的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务。
可选地,所述业务数据包含有离散数据以及连续数据,所述权重层包括:第一权重层以及第二权重层;
所述输入模块302具体用于,将所述离散数据输入到预测模型的第一权重层中,确定所述离散数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,作为第一相关程度,将所述连续数据输入到预测模型的第二权重层中,确定所述连续数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,作为第二相关程度,根据所述第一相关程度以及所述第二相关程度,确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度。
可选地,所述输入模块302具体用于,根据所述第一相关程度,确定第一相关程度矩阵,根据所述第二相关程度,确定第二相关程度矩阵,将所述第一相关程度矩阵以及所述第二相关程度矩阵进行归一化,得到归一化后的第一相关程度矩阵以及归一化后的第二相关程度矩阵,将所述归一化后的第一相关程度矩阵以及所述归一化后的第二相关程度矩阵进行拼接,确定初始相关程度矩阵,所述初始相关程度矩阵用于表示所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度。
可选地,所述替换模块306具体用于,根据所述离散数据,构建数据集,若确定所述目标维度为离散数据的业务维度,则从所述数据集中选取数据,作为替换数据,通过所述替换数据,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据。
可选地,所述替换模块306具体用于,若确定所述目标维度为连续数据的业务维度,根据所述目标维度,确定时间窗口所在位置,根据所述时间窗口内的各业务数据,确定所述时间窗口对应的滑动平均值,通过所述滑动平均值,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据。
可选地,所述调整模块310具体用于,根据所述第一预测结果以及所述第二预测结果之间的偏差,按照第一分配规则,对各目标维度进行分配,确定各目标维度对应的偏差,所述第一分配规则是指针对每个目标维度,若该目标维度对应的权重系数大于第一设定阈值,则该目标维度越接近于第一设定阈值,分配给该目标维度的偏差越大,且分配给该目标维度的偏差为负值,根据所述各目标维度对应的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务。
可选地,所述调整模块310具体用于,根据所述第一预测结果以及所述第二预测结果之间的偏差,按照第二分配规则,对各目标维度进行分配,确定各目标维度对应的偏差,所述第二分配规则是指针对每个指定维度,若该目标维度对应的权重系数不大于第一设定阈值且不小于第二设定阈值,则该目标维度对应的权重系数越接近于第二设定阈值,分配给该目标维度的偏差越大,且分配给该目标维度的偏差为正值,所述第一设定阈值大于所述第二设定阈值,根据所述各目标维度对应的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务。
本说明书还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可用于执行上述图1提供的业务执行的方法。
本说明书实施例还提供了图4所示的电子设备的结构示意图。如图4,在硬件层面,该电子设备包括处理器、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提供的业务执行的方法。
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。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
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。
本说明书是参照根据本说明书实施例的方法、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,均应包含在本说明书的权利要求范围之内。
Claims (12)
1.一种业务执行的方法,包括:
获取业务数据,所述业务数据中包含有各业务维度的数据,所述业务数据包含有离散数据以及连续数据;
将所述业务数据输入到预测模型的权重层中,以确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,所述权重层包括第一权重层以及第二权重层,其中,将所述离散数据输入到预测模型的第一权重层中,确定所述离散数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,作为第一相关程度;将所述连续数据输入到预测模型的第二权重层中,确定所述连续数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,作为第二相关程度;根据所述第一相关程度以及所述第二相关程度,确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度;
根据所述相关程度,确定需要进行数据替换的业务维度,作为目标维度;
将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据;
将所述业务数据输入到所述预测模型中的预测层,确定第一预测结果,以及将所述替换后业务数据输入到所述预测层中,得到第二预测结果;
根据所述第一预测结果与所述第二预测结果之间的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务,其中,根据所述第一预测结果以及所述第二预测结果之间的偏差,按照第一分配规则,对各目标维度进行分配,确定各目标维度对应的偏差,所述第一分配规则是指针对每个目标维度,若该目标维度对应的权重系数大于第一设定阈值,则该目标维度越接近于第一设定阈值,分配给该目标维度的偏差越大,且分配给该目标维度的偏差为负值;根据所述各目标维度对应的偏差,对所述预测模型进行调整。
2.如权利要求1所述的方法,根据所述第一相关程度以及所述第二相关程度,确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,具体包括:
根据所述第一相关程度,确定第一相关程度矩阵;
根据所述第二相关程度,确定第二相关程度矩阵;
将所述第一相关程度矩阵以及所述第二相关程度矩阵进行归一化,得到归一化后的第一相关程度矩阵以及归一化后的第二相关程度矩阵;
将所述归一化后的第一相关程度矩阵以及所述归一化后的第二相关程度矩阵进行拼接,确定初始相关程度矩阵,所述初始相关程度矩阵用于表示所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度。
3.如权利要求1所述的方法,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据,具体包括:
根据所述离散数据,构建数据集;
若确定所述目标维度为离散数据的业务维度,则从所述数据集中选取数据,作为替换数据;
通过所述替换数据,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据。
4.如权利要求1所述的方法,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据,具体包括:
若确定所述目标维度为连续数据的业务维度,根据所述目标维度,确定时间窗口所在位置;
根据所述时间窗口内的各业务数据,确定所述时间窗口对应的滑动平均值;
通过所述滑动平均值,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据。
5.如权利要求1所述的方法,根据所述第一预测结果以及所述第二预测结果之间的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务,具体包括:
根据所述第一预测结果以及所述第二预测结果之间的偏差,按照第二分配规则,对各目标维度进行分配,确定各目标维度对应的偏差,所述第二分配规则是指针对每个指定维度,若该目标维度对应的权重系数不大于第一设定阈值且不小于第二设定阈值,则该目标维度对应的权重系数越接近于第二设定阈值,分配给该目标维度的偏差越大,且分配给该目标维度的偏差为正值,所述第一设定阈值大于所述第二设定阈值;
根据所述各目标维度对应的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务。
6.如权利要求1所述的方法,获取业务数据,具体包括:
在执行风控业务时,获取所述风控业务所需的业务数据;
将所述业务数据输入到预测模型的权重层中,以确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,具体包括:
将所述业务数据输入到预测模型的权重层中,以确定所述业务数据中每个业务维度的数据与所述预测模型输出的风控结果的相关程度;
将所述业务数据输入到所述预测模型中的预测层,确定第一预测结果,以及将所述替换后业务数据输入到所述预测层中,得到第二预测结果,具体包括:
将所述业务数据输入到所述预测模型中的预测层,确定第一风控结果,以及将所述替换后业务数据输入到所述预测层中,得到第二风控结果;
根据所述第一预测结果与所述第二预测结果之间的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务,具体包括:
根据所述第一风控结果与所述第二风控结果之间的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行风控业务。
7.一种业务执行的装置,包括:
获取模块,用于获取业务数据,所述业务数据中包含有各业务维度的数据,所述业务数据包含有离散数据以及连续数据;
输入模块,用于将所述业务数据输入到预测模型的权重层中,以确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,所述权重层包括第一权重层以及第二权重层,其中,将所述离散数据输入到预测模型的第一权重层中,确定所述离散数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,作为第一相关程度;将所述连续数据输入到预测模型的第二权重层中,确定所述连续数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度,作为第二相关程度;根据所述第一相关程度以及所述第二相关程度,确定所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度;
确定模块,用于根据所述相关程度,确定需要进行数据替换的业务维度,作为目标维度;
替换模块,用于将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据;
预测模块,用于将所述业务数据输入到所述预测模型中的预测层,确定第一预测结果,以及将所述替换后业务数据输入到所述预测层中,得到第二预测结果;
调整模块,用于根据所述第一预测结果与所述第二预测结果之间的偏差,对所述预测模型进行调整,以根据调整后的预测模型,执行业务,其中,根据所述第一预测结果以及所述第二预测结果之间的偏差,按照第一分配规则,对各目标维度进行分配,确定各目标维度对应的偏差,所述第一分配规则是指针对每个目标维度,若该目标维度对应的权重系数大于第一设定阈值,则该目标维度越接近于第一设定阈值,分配给该目标维度的偏差越大,且分配给该目标维度的偏差为负值;根据所述各目标维度对应的偏差,对所述预测模型进行调整。
8.如权利要求7所述的装置,所述输入模块,具体用于根据所述第一相关程度,确定第一相关程度矩阵,根据所述第二相关程度,确定第二相关程度矩阵,将所述第一相关程度矩阵以及所述第二相关程度矩阵进行归一化,得到归一化后的第一相关程度矩阵以及归一化后的第二相关程度矩阵,将所述归一化后的第一相关程度矩阵以及所述归一化后的第二相关程度矩阵进行拼接,确定初始相关程度矩阵,所述初始相关程度矩阵用于表示所述业务数据中每个业务维度的数据与所述预测模型输出的预测结果的相关程度。
9.如权利要求7所述的装置,所述替换模块,具体用于根据所述离散数据,构建数据集,若确定所述目标维度为离散数据的业务维度,则从所述数据集中选取数据,作为替换数据,通过所述替换数据,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据。
10.如权利要求7所述的装置,所述替换模块,具体用于若确定所述目标维度为连续数据的业务维度,根据所述目标维度,确定时间窗口所在位置,根据所述时间窗口内的各业务数据,确定所述时间窗口对应的滑动平均值,通过所述滑动平均值,将所述业务数据中所述目标维度的数据进行替换,得到替换后业务数据。
11.一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1-6任一项所述的方法。
12.一种电子设备,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1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310353832.0A CN116109008B (zh) | 2023-04-04 | 2023-04-04 | 一种业务执行的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310353832.0A CN116109008B (zh) | 2023-04-04 | 2023-04-04 | 一种业务执行的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109008A CN116109008A (zh) | 2023-05-12 |
CN116109008B true CN116109008B (zh) | 2023-07-04 |
Family
ID=86267508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310353832.0A Active CN116109008B (zh) | 2023-04-04 | 2023-04-04 | 一种业务执行的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109008B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758141A (zh) * | 2022-11-09 | 2023-03-07 | 支付宝(杭州)信息技术有限公司 | 一种模型训练和业务风控的方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858566A (zh) * | 2019-03-01 | 2019-06-07 | 成都新希望金融信息有限公司 | 一种基于多层模型构建增加入模维度的评分卡的方法 |
US20200394527A1 (en) * | 2019-06-12 | 2020-12-17 | International Business Machines Corporation | Prediction model |
CN111310848B (zh) * | 2020-02-28 | 2022-06-28 | 支付宝(杭州)信息技术有限公司 | 多任务模型的训练方法及装置 |
CN113347057B (zh) * | 2021-05-18 | 2022-11-22 | 北京达佳互联信息技术有限公司 | 异常数据检测方法、装置、电子设备及存储介质 |
CN114049197A (zh) * | 2021-11-10 | 2022-02-15 | 北京百度网讯科技有限公司 | 数据处理方法、构建模型的方法、装置及电子设备 |
CN114997472A (zh) * | 2022-05-13 | 2022-09-02 | 北京三快在线科技有限公司 | 一种模型训练的方法、业务风控的方法及装置 |
CN115146731A (zh) * | 2022-07-15 | 2022-10-04 | 北京三快在线科技有限公司 | 一种模型训练的方法、业务风控的方法及装置 |
CN115238826B (zh) * | 2022-09-15 | 2022-12-27 | 支付宝(杭州)信息技术有限公司 | 一种模型训练的方法、装置、存储介质及电子设备 |
CN115827918B (zh) * | 2023-02-13 | 2023-05-05 | 支付宝(杭州)信息技术有限公司 | 一种执行业务的方法、装置、存储介质及电子设备 |
-
2023
- 2023-04-04 CN CN202310353832.0A patent/CN116109008B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758141A (zh) * | 2022-11-09 | 2023-03-07 | 支付宝(杭州)信息技术有限公司 | 一种模型训练和业务风控的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116109008A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615171B (zh) | 特征阈值确定方法及装置、问题对象确定方法及装置 | |
CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN115146731A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN116821647B (zh) | 基于样本偏离评估的数据标注的优化方法、装置及设备 | |
CN115618748B (zh) | 一种模型优化的方法、装置、设备及存储介质 | |
CN115827918B (zh) | 一种执行业务的方法、装置、存储介质及电子设备 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN116384505A (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN116402108A (zh) | 一种模型训练及图数据的处理方法、装置、介质及设备 | |
CN116881724B (zh) | 一种样本标注方法、装置及设备 | |
CN115827880B (zh) | 一种基于情感分类的业务执行方法及装置 | |
CN115795342B (zh) | 一种业务场景分类的方法、装置、存储介质及电子设备 | |
CN117348999B (zh) | 一种业务执行系统及业务执行方法 | |
CN116363418A (zh) | 一种训练分类模型的方法、装置、存储介质及电子设备 | |
CN118115288A (zh) | 反欺诈预测方法、装置及设备 | |
CN117592581A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN117744155A (zh) | 一种执行风控业务的方法、装置及存储介质 | |
CN117455493A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN116957330A (zh) | 一种模型训练、业务风控方法、装置、设备及存储介质 | |
CN116776114A (zh) | 一种风险检测的方法、装置、存储介质及电子设备 | |
CN117592998A (zh) | 一种风控的方法、装置、存储介质及电子设备 | |
CN117079274A (zh) | 一种识别模型的训练方法、装置、存储介质及电子设备 | |
CN116401541A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN116957587A (zh) | 一种风险识别的方法、装置、存储介质以及电子设备 | |
CN116842570A (zh) | 一种模型训练的方法以及业务风控的方法及装置 |
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 |