CN117933707A - 一种风控模型解释方法、装置、存储介质及电子设备 - Google Patents
一种风控模型解释方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117933707A CN117933707A CN202410078158.4A CN202410078158A CN117933707A CN 117933707 A CN117933707 A CN 117933707A CN 202410078158 A CN202410078158 A CN 202410078158A CN 117933707 A CN117933707 A CN 117933707A
- Authority
- CN
- China
- Prior art keywords
- wind control
- directed acyclic
- acyclic graph
- determining
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000006872 improvement Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000003999 initiator Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 125000002015 acyclic group Chemical group 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
在本说明书提供的一种风控模型解释方法、装置、存储介质及电子设备中,通过训练为有向无环图的边确定权重,并根据边的权重和有向无环图确定用户预测风控结果的风控模型,使得在应用该风控模型进行风控时,可以确定该风控模型确定的边的权重,以根据有向无环图中各边的权重确定预测风控结果的解释。通过确定有向无环图中各边的权重并生成解释的方法,解决了对风控结果的模型解释或模型分析结果较为单一的问题。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种风控模型解释方法、装置、存储介质及电子设备。
背景技术
近年来,随着计算机技术的发展,为了保护用户的个人信息的安全,需要进行风险控制。
在现有技术中,风险控制的方法有多种,通过机器学习的方法训练进行风险识别的模型,并使用训练完成的模型进行风险控制,可以大大提高风控的准确性以及效率。由于图数据能够更好的表征用户之间的关系,所以基于图数据训练的风控模型的效果较佳。
但是,在进行模型解释或模型分析时,通常只能基于图数据的元路径信息,对风险识别的模型的输出结果进行解释。在图数据中,由各节点之间的边构成各元路径,而各节点之间的边又是基于人工经验设置的条件确定的,因此得到的模型解释或模型分析结果较为单一。
为此,本说明书提供一种风控模型解释方法。
发明内容
本申请提供一种风控模型解释方法、装置、存储介质及电子设备,以部分解决现有技术存在的上述问题。
本申请采用下述技术方案:
本申请提供风控模型解释方法,包括:
确定目标用户的有向无环图,作为训练样本,并确定所述目标用户的历史风控结果,作为所述训练样本的标注;
将所述训练样本输入预设的待训练风控模型,确定所述有向无环图中边的权重,并根据所述边的权重和所述有向无环图,确定预测风控结果;
根据所述预测风控结果与所述训练样本的标注的差异,训练所述待训练风控模型;
响应于携带风控用户的有向无环图的风控请求,将所述风控用户的有向无环图,输入训练完成的风控模型,确定所述风控用户的有向无环图中各边的权重,以及所述风控用户的预测风控结果;
根据所述风控用户的有向无环图中各边的权重,生成对所述预测风控结果的解释,返回所述预测风控结果以及所述解释。
可选地,根据所述风控用户的有向无环图中各边的权重,生成对所述预测风控结果的解释,具体包括:
确定以所述风控用户为中心,所述有向无环图中各层对应的边;
针对每层,根据该层包含的边的权重,筛选出预设数量的边;
确定筛选出的每个边对应的包含该边到所述风控用户的元路径;
根据所述元路径中各边的权重,生成对所述预测风控结果的解释。
可选地,确定目标用户的有向无环图,具体包括:
根据预设的每个关系维度,确定在该关系维度中与所述目标用户存在关系的其他用户;
根据该关系维度中与所述目标用户存在关系的其他用户,确定所述目标用户对应该关系维度的有向无环图;
根据各关系维度的有向无环图,确定训练样本。
可选地,确定所述有向无环图中边的权重,并根据所述边的权重和所述有向无环图,确定预测风控结果,具体包括:
针对每个关系维度的有向无环图,通过所述待训练风控模型中该关系维度对应的分支网络,确定该关系维度的有向无环图中边的权重;
将所述各关系维度的有向无环图中边的权重以及所述各关系维度的有向无环图,输入所述待训练风控模型的预测网络,确定所述目标用户的预测风控结果。
可选地,响应于携带风控用户的有向无环图的风控请求,将所述风控用户的有向无环图,输入训练完成的风控模型,确定所述风控用户的有向无环图中各边的权重,以及所述风控用户的预测风控结果,具体包括:
响应于携带风控用户的各关系维度的有向无环图的风控请求,将所述风控用户的各关系维度的有向无环图,输入训练完成的风控模型,确定所述风控用户的各关系维度的有向无环图中各边的权重,以及所述风控用户的预测风控结果;
根据所述风控用户的有向无环图中各边的权重,生成对所述预测风控结果的解释,具体包括:
根据所述风控用户的各关系维度的有向无环图以及所述风控用户的各关系维度的有向无环图中各边的权重,确定所述风控用户各关系维度的元路径;
根据所述各关系维度的元路径,确定综合有向无环图;
将所述综合有向无环图输入所述训练完成的风控模型,确定所述综合有向无环图的各元路径的权重;
根据所述各元路径的权重以及所述各元路径中边的权重,重新确定所述各元路径中边的权重;
根据所述综合有向无环图的元路径以及重新确定的所述综合有向无环图的各元路径中边的权重,生成对所述预测风控结果的解释。
可选地,根据确定出的所述风控用户的元路径,确定综合有向无环图,具体包括:
根据各元路径中所述风控用户对应的节点,以所述节点为根,将所述各元路径组合,得到综合有向无环图。
可选地,根据所述综合有向无环图的元路径以及所述综合有向无环图的各元路径中边的权重,生成对所述预测风控结果的解释,具体包括:
确定以所述风控用户为中心,所述综合有向无环图中各层对应的边;
针对每层,根据该层包含边的重新确定的权重,筛选出预设数量的边;
确定筛选出的边对应的元路径,以及重新确定的所述综合有向无环图的元路径中边的权重,确定所述预测风控结果的解释。
本申请提供一种风控模型解释装置,包括:
确定模块,确定目标用户的有向无环图,作为训练样本,并确定所述目标用户的历史风控结果,作为所述训练样本的标注;
训练模块,将所述训练样本输入预设的待训练风控模型,确定所述有向无环图中边的权重,并根据所述边的权重和所述有向无环图,确定预测风控结果;
输出模块,根据所述预测风控结果与所述训练样本的标注的差异,训练所述待训练风控模型;
预测模块,响应于携带风控用户的有向无环图的风控请求,将所述风控用户的有向无环图,输入训练完成的风控模型,确定所述风控用户的有向无环图中各边的权重,以及所述风控用户的预测风控结果;
解释模块,根据所述风控用户的有向无环图中各边的权重,生成对所述预测风控结果的解释,返回所述预测风控结果以及所述解释。
本说明书提供的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的风控模型解释方法。
本说明书提供的电子设备,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的风控模型解释方法。
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:
在本说明书提供的风控解释方法中,通过训练为有向无环图的边确定权重,并根据边的权重和有向无环图确定用户预测风控结果的风控模型,使得在应用该风控模型进行风控时,可以确定该风控模型确定的边的权重,以根据有向无环图中各边的权重确定预测风控结果的解释。
从上述方法中可以看出,基于生成历史风控结果的有向无环图,训练风控模型,确定风控模型的参数,再根据风控模型的参数,得到风控用户的有向无环图中的各边的权重,再根据各边的权重确定风控用户的有向无环图中对历史风控结果影响较大的各边组成的部分元路径,并根据确定的部分元路径生成对风控用户的风控结果的解释,使得请求发起方能够通过风控用户的有向无环图以及风控用户的有向无环图的元路径中边的权重生成的解释,全面了解形成风控结果的原因。
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风控模型解释方法的流程示意图;
图2为本说明书提供的一种风控模型解释方法的部分元路径示意图;
图3为本说明书提供的一种风控模型解释方法的综合有向无环图示意图;
图4为本说明书提供的一种风控模型解释方法的第二种综合有向无环图示意图;
图5为本说明书提供的一种风控模型解释装置的示意图;
图6为本说明书提供的一种对应于图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。
此处需说明的是,本说明书提供的风控模型解释方法可使用计算机或服务器执行,而对于执行方法的具体主体,本说明书在此不做限制。且为方便本说明书描述,本说明书以服务器执行该风控模型解释方法为例进行说明。
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为本说明书提供的风控模型解释方法的流程示意图,具体包括以下步骤:
S101:确定目标用户的有向无环图,作为训练样本,并确定所述目标用户的历史风控结果,作为所述训练样本的标注。
为了提高对基于图数据进行风控预测的风控模型的模型解释的准确性,在本说明书的一个或多个实施例中,提供一种新的风控模型。该风控模型可先确定图数据中边的权重,在基于边的权重和图数据,确定预测风控结果。使得在进行模型解释时,可以基于确定出的边的权重,确定图数据中节点之间的联系,并给出更为准确的模型解释。
首先训练该风控模型的服务器,可确定训练样本。以对用户进行风控为例,该服务器可确定用户的图数据。并且,可以确定已经得到过历史风控结果的用户的图数据。
具体的,该服务器可从历史风控业务中,确定历史风控结果为被识别为有风险的用户,作为目标用户。并确定该目标用户的有向无环图(Directed Acyclic Graph,DAG)。DAG中的节点,表示的是与目标用户有关联的其他用户。DAG中的边,表示的是用户之间的关系。例如,假设A社交平台上包含有两跳边的目标用户的DAG,从目标用户开始,第一层边连接的节点目标用户的好友,即第一层好友,第二层边连接的节点是该第一层好友的好友,即第二层好友,等等。在本说明书实施例中,用户之间的关系可根据需要确定。例如,可根据用户执行的业务确定,如,当两个用户执行过指定业务,则确定这两个用户之间存在关系。或者,根据用户属性确定,如两个用户住址在同一小区,则确定这两个用户存在关系,等等。
S103:将所述训练样本输入预设的待训练风控模型,确定所述有向无环图中边的权重,并根据所述边的权重和所述有向无环图,确定预测风控结果。
在本说明书中一个或多个实施例中,服务器将训练样本中目标用户的DAG输入预设的待训练风控模型,通过待训练风控模型,确定目标用户的DAG中边的权重,再根据目标用户的DAG以及目标用户的DAG中边的权重,确定预测风控结果,得到了待训练风控模型输出的DAG的预测风控结果,
具体的,服务器将训练样本中目标用户的DAG输入待训练风控模型,通过待训练风控模型,确定DAG图中各边权重,给目标用户的DAG中各边赋予对应的权重。再通过待训练风控模型中的图卷积神经网络(Graph Convolution Neural Networks,GCN),根据边赋权后的DAG,聚合目标用户的DAG中各边特征,并根据聚合的特征后的DAG,确定预测风控结果作为该待训练风控模型的输出。其中,该预测风控结果为有风险或无风险。
S105:根据所述预测风控结果与所述训练样本的标注的差异,训练所述待训练风控模型。
在本说明书中一个或多个实施例中,在确定出训练样本的预测风控结果后,该服务器便可根据预测风控结果与训练样本的标注的差异,确定损失函数,以确定该待训练风控模型的模型参数的梯度,并根据梯度调整模型参数,对待训练风控模型进行训练。
具体的,服务器根据预测风控结果与训练样本的标注的差异,确定待训练风控模型的模型参数的梯度,通过待训练风控模型的模型参数与待训练风控模型的模型参数的梯度之间的梯度回传方法,对待训练风控模型进行训练。
进一步的,在本说明书中一个或多个实施例中,服务器根据待训练风控模型参数的梯度,以改变目标用户的DAG中各边的权重为目的,调整待训练风控模型的模型参数,并重新将训练样本中目标用户的DAG输入模型参数调整后的风控模型,确定对目标用户的新预测风控结果,再根据新预测风控结果与训练样本的标注的差异,再次调整待训练风控模型的模型参数,直至通过模型参数调整后的风控模型输出的新预测风控结果与训练样本的标注差异在预设条件内,停止对模型参数调整,确定训练完成的风控模型。通过迭代更新待训练风控模型的模型参数的方式,得到训练完成的风控模型。其中,目标用户并非是指一个用户,而是指各风险用户中的每个风险用户,对应的训练待训练风控模型的方法也就是对每个风险用户的DAG进行训练的方法,通过各风险用户训练得到的训练完成的风控模型也就是对各风险用户通用的风控模型。
S107:响应于携带风控用户的有向无环图的风控请求,将所述风控用户的有向无环图,输入训练完成的风控模型,确定所述风控用户的有向无环图中各边的权重,以及所述风控用户的预测风控结果。
在本说明书一个或多个实施例中,当服务器训练完成之后,便可应用于风控业务。因此可响应于风控请求,确定风控请求携带的风控用户的DAG。其中,风控用户是需要进行风险识别的用户。
具体的,服务器接收到风控请求,确定请求中的风控用户,并确定请求中风控用户的DAG,再将风控用户的DAG输入训练好的风控模型,通过训练好的风控模型,确定风控用户的DAG中各边的权重,再通过训练完成的风控模型中的GCN,根据风控用户的DAG中各边的权重以及风控用户的DAG,确定风控用户的预测风控结果。
另外,请求中可仅携带的风控用户的标识,服务器根据请求中的风控用户标识,确定该风控用户的最近更新的DAG,用于进行风控预测,提高预测风控结果的时效性。
S109:根据所述风控用户的有向无环图中各边的权重,生成对所述预测风控结果的解释,返回所述预测风控结果以及所述解释。
在本说明书中一个或多个实施例中,服务器根据训练完成的风控模型输出的风控用户的DAG中各边权重以及风控用户的DAG,确定各元路径中权重较高的多条边,再根据每条权重较高的边,作为部分元路径。从的DAG中找出对风控用户影响较高的边对应的元路径,作为对训练样本的标注解释的依据,并服务器根据包含各边的权重的部分元路径,确定对训练样本的标注的解释,并将解释结果发送给解释请求的发起方。
元路径是指在复杂网络中,由多个节点和多个边构成的一条路径,一般来说,是一种基于特定结构模式的搜索策略,能够在含有多种关系的图数据中得到出特定语义的路径模式。例如,元路径是由DAG中的各节点以及表示各节点之间关系的边构成的,元路径的两端被称为初始节点以及目标节点,也就是从初始节点到目标节点的一条特定路径,例如:A演员->电影->导演->电影->B演员,这条元路径连接着两个演员,是代表A演员的初始节点到代表B演员的目标节点的一条特定路径,表示演员之间的潜在关系。
在本说明书一个或多个实施例中,服务器以风控用户作为目标节点,选取风控用户的DAG中边缘节点到风控用户的各元路径,且各元路径中至少包含一条在风控用户的DAG中权重较高的边。
在本说明书中一个或多个实施例中,服务器确定以风控用户为中心,有向无环图中各层对应的边。针对每层,根据该层包含的边的权重,筛选出预设数量的边。确定筛选出的每个边对应的包含该边到风控用户的元路径。根据元路径中各边的权重,生成对预测风控结果的解释。
具体的,如图2部分元路径示意图所示:服务器先确定直接与风控用户相连的边为第一层边,并确定与第一层边相连的元路径节点,再通过与第一层边相连的元路径节点确定与之相连的第二层边,以此类推,直至在风控用户的DAG中,各边都有对应的层数标签。再针对层数标签中的每个层,从该层对应的各边的权重中,确定该层中权重最高的边,并确定包含该层中权重最高的边对应的最长元路径。最后,从确定各层对应的最长元路径中确定至少部分最长路径,作为元路径,并根据确定出的元路径,确定返回给风控请求的发起方的解释。
其中,部分元路径的确定,可根据各边的权重,从确定的多条最长元路径中确定,也可以按照预设长度确定包含最高权重边的元路径确定。对于部分元路径的数量以及从确定各层对应的最长元路径中确定部分元路径的方法,本说明书不做限制,可根据需要设置。
此处需额外说明,本步骤所描述的至少部分元路径是指服务器须确定部分元路径以作为解释依据,上述取各层边的方式仅为一种实施例,类似的还有利用注意力机制确定部分元路径的方法,对于具体如何从风控用户的DAG中确定起到较大影响的部分元路径,本说明书不做限制,可根据需要设置。
基于图1提供的风控模型解释方法,服务器通过训练为的DAG的边确定权重,并根据边的权重和的DAG确定用户预测风控结果的风控模型,使得在应用该风控模型进行风控时,可以确定该风控模型确定的边的权重,以根据的DAG中各边的权重确定预测风控结果的解释。通过确定的DAG中各边的权重并生成解释的方法,解决了对风控结果的模型解释或模型分析结果较为单一的问题。
也就是说,目前得到的模型解释或模型分析结果,都是以模型方法为出发点,基于风控结果得到解释,在图数据中,对风控结果造成影响的元路径往往会有多条,仅根据单一元路径得到的模型解释或模型分析结果有片面性,而片面性的模型解释或模型分析会降低相关工作人员对模型的改良效果,而本说明书中的方法,是通过对的DAG的分析,得到的DAG各边的权重,再基于携带各边的权重的DAG,生成对风控用户的预测风控结果,得到的解释是对输入数据的解释。
可选的,在步骤S109中,服务器可根据预设的解释模板,将部分元路径的信息录入,得到对训练样本的标注的解释,并将生成的解释发送给解释请求的发起方。
其中,预设的解释模板,用于服务器根据部分元路径中各边、各边的权重以及各节点生成解释。对于本领域的专业技术人员发送的解释请求,可在熟悉部分元路径的格式后,直接将部分元路径作为解释发送给解释请求的发起方。也就是说,对于生成的风控解释具体内容,以及如何根据部分元路径生成解释,本说明书不做限制,可根据需要设置。
可选地,在步骤S101中,服务器确定目标用户的有向无环图,也就是提前确定好要输入风控模型的目标用户对应各关系维度的有向无环图。先根据预设的每个关系维度,确定在该关系维度中与目标用户存在关系的其他用户。再根据该关系维度中与目标用户存在关系的其他用户,确定目标用户对应该关系维度的有向无环图。最后,根据各关系维度的有向无环图,确定训练样本。其中,不同的关系维度的有向无环图,是根据不同业务类型中目标用户与其他用户的关系确定出的。
其中,不同关系维度用于对多张的DAG进行分类,也就是按照业务类型区别的,例如,若需要通过风险信息对目标用户进行风控,则不同关系维度为目标用户的A社交平台关系的DAG、目标用户的B社交平台关系的DAG以及目标用户的C社交平台关系的DAG。
可选的,在进一步的步骤S103中,服务器确定所述有向无环图中边的权重,并根据所述边的权重和所述有向无环图,确定预测风控结果。针对每个关系维度的有向无环图,通过待训练风控模型中该关系维度对应的分支网络,确定该关系维度的有向无环图中边的权重。根据各关系维度的有向无环图中边的权重以及各关系维度的有向无环图,确定各预测风控结果。再将携带有向无环图中边的权重的有向无环图,输入待训练风控模型的预测网络,确定目标用户的各关系维度的预测风控结果。其中,各关系维度中的每个维度,分别对应一个与其他分支网络不同的单独分支网络,与各分支网络对应的,预测网络用于根据各关系维度对应分支网络输出的各边权重,确定一个目标用户的综合的预测风控结果。
在本说明书实施例中,服务器确定与关系维度对应的目标用户的DAG,并将确定的DAG输入与关系维度对应的多个不同的待训练风控模型,通过各关系维度待训练风控模型中的预设参数,得到各关系维度的DAG中各边的权重以及各关系维度的DAG的预测结果。其中,各关系维度的待训练风控模型具有不同的分支网络结构,用于针对不同的维度不同的风控结果计算方法。
可选的,在进一步的步骤S107中,服务器响应于携带风控用户的有向无环图的风控请求,将风控用户的有向无环图,输入训练完成的风控模型,确定风控用户的有向无环图中各边的权重,以及风控用户的预测风控结果。响应于携带风控用户的各关系维度的有向无环图的风控请求,将风控用户的各关系维度的有向无环图,输入训练完成的风控模型,确定风控用户的各关系维度的有向无环图中各边的权重,以及风控用户的预测风控结果。对应的,在进一步的步骤S109中,服务器根据风控用户的各关系维度的有向无环图以及风控用户的各关系维度的有向无环图中各边的权重,确定风控用户各关系维度的元路径。根据各关系维度的元路径,确定综合有向无环图。将综合有向无环图输入训练完成的风控模型,确定综合有向无环图的各元路径的权重。根据各元路径的权重以及各元路径中边的权重,重新确定各元路径中边的权重。根据综合有向无环图的元路径以及重新确定的综合有向无环图的各元路径中边的权重,生成对预测风控结果的解释。
在本说明书实施例中,若需要通过风险信息对风控用户进行风控,不同关系维度为风控用户的A社交平台关系的DAG、风控用户的B社交平台关系的DAG以及风控用户的C社交平台关系的DAG,因风险信息主要来自于常规信息的渠道,因此给风控用户的A社交平台关系的DAG以及风控用户的B社交平台关系的DAG的初始权重肯定要高于风控用户的C社交平台关系的DAG。
其中,重新确定各元路径中边的权重,也就是根据各关系维度的DAG之间的图权重以及训练完成的风控模型输出的各关系维度中DAG的元路径的维度,重新确定各关系维度的各元路径中边的权重。确定该关系维度的DAG的图权重,也可以理解为将各的DAG视为元路径节点,对应的,确定图关系权重就是边权重,进而确定各关系维度中DAG的综合权重。在本说明书实施例中,计算在关系维度中该的DAG与其他的DAG之间的多个图权重之和,作为关系维度中该的DAG的图权重。在本说明书实施例中,还可以通过预设函数确定关系维度中该的DAG的图权重,也就是时候对于根据多个图权重确定关系维度中该的DAG的图权重的方法,本说明书不做限制,可根据需要设置。
可选的,在进一步的步骤S109中,服务器根据确定出的所述风控用户的元路径,确定综合有向无环图。根据各元路径中风控用户对应的节点,以节点为根,将各元路径组合,得到综合有向无环图。
在本说明书实施例中,综合的DAG的各元路径中边的权重,也就是各包括风控用户的各维度的DAG中部分元路径的权重。在本说明书实施例中,如图3综合有向无环图示意图所示:以风控用户为根,排列风控用户A社交平台关系的DAG中确定的元路径、B社交平台关系的DAG中确定的元路径以及C社交平台关系的DAG中确定的元路径,在综合的DAG包含了不同维度的DAG中的部分元路径。在生成对风控用户的解释时,该图关系权重用于调整的DAG上对应维度的所有元路径的权重,也就是通过图关系权重b对各的DAG中各元路径的权重a进行整体调整,以得到不同的DAG中对风控用户的部分元路径。通过图关系权重,实现了对不同维度的DAG的整合,达到了根据多维度的DAG生成了解释的效果。
此处需要额外说明的是,图3中各的DAG中各元路径的权重a并非是一个定值,而是一个概念。例如,在图3最上方的DAG中各边的权重为多个不同的数字定值,在左下方图中各边的权重为多个存在一定差异的函数,在右下方图中各边的权重为个多个相同的预设数值,这些各边的权重,都以权重a表示。对于具体的各的DAG中各元路径的权重a是什么值以及是什么类型,本说明书不做限制,可根据需要设置。权重b是用于调整权重a的权重,须与各的DAG中各元路径的权重a对应,除此以外与权重a同理,不再重复解释。与权重a以及权重b对应的,a*b代表训练完成的风控模型输出的各维度对应的权重b调整训练完成的风控模型输出的DAG中各边权重a的最终权重。
在本说明书另一个实施例中,如图4第二种综合有向无环图示意图所示,服务器先确定代表风控用户的节点,再从各关系维度的DAG的元路径中确定代表风控用户的节点的位置,然后将各元路径置入空白的DAG并建立联系,得到完整的综合的DAG。对于图中a*b的解释,除去图关系权重为权重b以外,与图3完全相同,因此不再进行重复说明。对于使用哪种方法根据风控用户的元路径确定综合的DAG,本说明书不做限制,可根据需要设置。
可选的,在进一步的步骤S109中,服务器根据所述综合有向无环图的元路径以及重新确定的所述综合有向无环图的各元路径中边的权重,生成对所述预测风控结果的解释。确定以风控用户为中心,综合有向无环图中各层对应的边。针对每层,根据该层包含边的重新确定的权重,筛选出预设数量的边。确定筛选出的边对应的元路径,以及重新确定的综合有向无环图的元路径中边的权重,确定预测风控结果的解释。
该部分内容实施例与步骤S109相似,都是根据一张风控用户的DAG,确定给风控请求发送方的解释,不再进行重复说明。
本说明书还提供了与风控模型解释方法对应的风控模型解释装置,如图5所示:
确定模块201,确定目标用户的有向无环图,作为训练样本,并确定所述目标用户的历史风控结果,作为所述训练样本的标注;
训练模块203,将所述训练样本输入预设的待训练风控模型,确定所述有向无环图中边的权重,并根据所述边的权重和所述有向无环图,确定预测风控结果;
输出模块205,根据所述预测风控结果与所述训练样本的标注的差异,训练所述待训练风控模型;
预测模块207,响应于携带风控用户的有向无环图的风控请求,将所述风控用户的有向无环图,输入训练完成的风控模型,确定所述风控用户的有向无环图中各边的权重,以及所述风控用户的预测风控结果;
解释模块209,根据所述风控用户的有向无环图中各边的权重,生成对所述预测风控结果的解释,返回所述预测风控结果以及所述解释。
可选地,预测模块207,还用于确定以风控用户为中心,有向无环图中各层对应的边。针对每层,根据该层包含的边的权重,筛选出预设数量的边。确定筛选出的每个边对应的包含该边到风控用户的元路径。根据元路径中各边的权重,生成对预测风控结果的解释。
可选地,确定模块201,还用于根据预设的每个关系维度,确定在该关系维度中与目标用户存在关系的其他用户。根据该关系维度中与目标用户存在关系的其他用户,确定目标用户对应该关系维度的有向无环图。根据各关系维度的有向无环图,确定训练样本。
可选地,训练模块203,还用于针对每个关系维度的有向无环图,通过待训练风控模型中该关系维度对应的分支网络,确定该关系维度的有向无环图中边的权重。将各关系维度的有向无环图中边的权重以及各关系维度的有向无环图,输入待训练风控模型的预测网络,确定目标用户的预测风控结果。
可选地,预测模块207,还用于响应于携带风控用户的各关系维度的有向无环图的风控请求,将风控用户的各关系维度的有向无环图,输入训练完成的风控模型,确定风控用户的各关系维度的有向无环图中各边的权重,以及风控用户的预测风控结果。
可选的,解释模块209,还用于根据风控用户的各关系维度的有向无环图以及风控用户的各关系维度的有向无环图中各边的权重,确定风控用户各关系维度的元路径。根据各关系维度的元路径,确定综合有向无环图。将综合有向无环图输入训练完成的风控模型,确定综合有向无环图的各元路径的权重。根据各元路径的权重以及各元路径中边的权重,重新确定各元路径中边的权重。根据综合有向无环图的元路径以及重新确定的综合有向无环图的各元路径中边的权重,生成对预测风控结果的解释。
可选地,解释模块209,还用于根据各元路径中风控用户对应的节点,以节点为根,将各元路径组合,得到综合有向无环图。
可选地,解释模块209,还用于确定以风控用户为中心,综合有向无环图中各层对应的边。针对每层,根据该层包含边的重新确定的权重,筛选出预设数量的边。确定筛选出的边对应的元路径,以及重新确定的综合有向无环图的元路径中边的权重,确定预测风控结果的解释。
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一种风控模型解释方法。
本说明书还提供了图6所示的一种对应于图1的电子设备的示意结构图。如图6,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的风控模型解释方法。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,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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 (10)
1.一种风控模型解释方法,包括:
确定目标用户的有向无环图,作为训练样本,并确定所述目标用户的历史风控结果,作为所述训练样本的标注;
将所述训练样本输入预设的待训练风控模型,确定所述有向无环图中边的权重,并根据所述边的权重和所述有向无环图,确定预测风控结果;
根据所述预测风控结果与所述训练样本的标注的差异,训练所述待训练风控模型;
响应于携带风控用户的有向无环图的风控请求,将所述风控用户的有向无环图,输入训练完成的风控模型,确定所述风控用户的有向无环图中各边的权重,以及所述风控用户的预测风控结果;
根据所述风控用户的有向无环图中各边的权重,生成对所述预测风控结果的解释,返回所述预测风控结果以及所述解释。
2.如权利要求1所述方法,根据所述风控用户的有向无环图中各边的权重,生成对所述预测风控结果的解释,具体包括:
确定以所述风控用户为中心,所述有向无环图中各层对应的边;
针对每层,根据该层包含的边的权重,筛选出预设数量的边;
确定筛选出的每个边对应的包含该边到所述风控用户的元路径;
根据所述元路径中各边的权重,生成对所述预测风控结果的解释。
3.如权利要求1所述方法,确定目标用户的有向无环图,具体包括:
根据预设的每个关系维度,确定在该关系维度中与所述目标用户存在关系的其他用户;
根据该关系维度中与所述目标用户存在关系的其他用户,确定所述目标用户对应该关系维度的有向无环图;
根据各关系维度的有向无环图,确定训练样本。
4.如权利要求3所述方法,确定所述有向无环图中边的权重,并根据所述边的权重和所述有向无环图,确定预测风控结果,具体包括:
针对每个关系维度的有向无环图,通过所述待训练风控模型中该关系维度对应的分支网络,确定该关系维度的有向无环图中边的权重;
将所述各关系维度的有向无环图中边的权重以及所述各关系维度的有向无环图,输入所述待训练风控模型的预测网络,确定所述目标用户的预测风控结果。
5.如权利要求4所述方法,响应于携带风控用户的有向无环图的风控请求,将所述风控用户的有向无环图,输入训练完成的风控模型,确定所述风控用户的有向无环图中各边的权重,以及所述风控用户的预测风控结果,具体包括:
响应于携带风控用户的各关系维度的有向无环图的风控请求,将所述风控用户的各关系维度的有向无环图,输入训练完成的风控模型,确定所述风控用户的各关系维度的有向无环图中各边的权重,以及所述风控用户的预测风控结果;
根据所述风控用户的有向无环图中各边的权重,生成对所述预测风控结果的解释,具体包括:
根据所述风控用户的各关系维度的有向无环图以及所述风控用户的各关系维度的有向无环图中各边的权重,确定所述风控用户各关系维度的元路径;
根据所述各关系维度的元路径,确定综合有向无环图;
将所述综合有向无环图输入所述训练完成的风控模型,确定所述综合有向无环图的各元路径的权重;
根据所述各元路径的权重以及所述各元路径中边的权重,重新确定所述各元路径中边的权重;
根据所述综合有向无环图的元路径以及重新确定的所述综合有向无环图的各元路径中边的权重,生成对所述预测风控结果的解释。
6.如权利要求5所述方法,根据确定出的所述风控用户的元路径,确定综合有向无环图,具体包括:
根据各元路径中所述风控用户对应的节点,以所述节点为根,将所述各元路径组合,得到综合有向无环图。
7.如权利要求5所述方法,根据所述综合有向无环图的元路径以及重新确定的所述综合有向无环图的各元路径中边的权重,生成对所述预测风控结果的解释,具体包括:
确定以所述风控用户为中心,所述综合有向无环图中各层对应的边;
针对每层,根据该层包含边的重新确定的权重,筛选出预设数量的边;
确定筛选出的边对应的元路径,以及重新确定的所述综合有向无环图的元路径中边的权重,确定所述预测风控结果的解释。
8.一种风控模型解释装置,包括:
确定模块,确定目标用户的有向无环图,作为训练样本,并确定所述目标用户的历史风控结果,作为所述训练样本的标注;
训练模块,将所述训练样本输入预设的待训练风控模型,确定所述有向无环图中边的权重,并根据所述边的权重和所述有向无环图,确定预测风控结果;
输出模块,根据所述预测风控结果与所述训练样本的标注的差异,训练所述待训练风控模型;
预测模块,响应于携带风控用户的有向无环图的风控请求,将所述风控用户的有向无环图,输入训练完成的风控模型,确定所述风控用户的有向无环图中各边的权重,以及所述风控用户的预测风控结果;
解释模块,根据所述风控用户的有向无环图中各边的权重,生成对所述预测风控结果的解释,返回所述预测风控结果以及所述解释。
9.一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1~7任一项所述的方法。
10.一种电子设备,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1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410078158.4A CN117933707A (zh) | 2024-01-18 | 2024-01-18 | 一种风控模型解释方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410078158.4A CN117933707A (zh) | 2024-01-18 | 2024-01-18 | 一种风控模型解释方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117933707A true CN117933707A (zh) | 2024-04-26 |
Family
ID=90753237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410078158.4A Pending CN117933707A (zh) | 2024-01-18 | 2024-01-18 | 一种风控模型解释方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117933707A (zh) |
-
2024
- 2024-01-18 CN CN202410078158.4A patent/CN117933707A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109933834B (zh) | 一种时序数据预测的模型创建方法及装置 | |
CN111930486B (zh) | 任务选取数据处理方法、装置、设备及存储介质 | |
CN116304720B (zh) | 一种代价模型训练的方法、装置、存储介质及电子设备 | |
CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN117409466A (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
CN117093862A (zh) | 一种模型训练的方法、装置、电子设备及存储介质 | |
CN115543945B (zh) | 一种模型压缩的方法、装置、存储介质及电子设备 | |
CN116402113A (zh) | 一种任务执行的方法、装置、存储介质及电子设备 | |
CN117933707A (zh) | 一种风控模型解释方法、装置、存储介质及电子设备 | |
CN114120273A (zh) | 一种模型训练的方法及装置 | |
CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
CN117075918B (zh) | 一种模型部署方法、装置、存储介质及电子设备 | |
CN116996397B (zh) | 一种网络丢包优化的方法、装置、存储介质及电子设备 | |
CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
CN117201334B (zh) | 一种多模态网络流量预测方法及装置 | |
CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
CN116755862B (zh) | 一种算子优化调度模型的训练方法、装置、介质及设备 | |
CN115862675B (zh) | 一种情感识别方法、装置、设备及存储介质 | |
CN115827880B (zh) | 一种基于情感分类的业务执行方法及装置 | |
CN116167431B (zh) | 一种基于混合精度模型加速的业务处理方法及装置 | |
CN117909746A (zh) | 一种用于空间探索的代理模型的在线数据选择方法 | |
CN117034926A (zh) | 一种针对多领域文本分类模型的模型训练的方法及装置 | |
CN116363418A (zh) | 一种训练分类模型的方法、装置、存储介质及电子设备 | |
CN116484002A (zh) | 一种论文分类方法、装置、存储介质及电子设备 | |
CN117591130A (zh) | 一种模型部署的方法、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 |