CN117950876A - 数据处理方法、装置及设备 - Google Patents
数据处理方法、装置及设备 Download PDFInfo
- Publication number
- CN117950876A CN117950876A CN202410195378.5A CN202410195378A CN117950876A CN 117950876 A CN117950876 A CN 117950876A CN 202410195378 A CN202410195378 A CN 202410195378A CN 117950876 A CN117950876 A CN 117950876A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- data
- target
- model
- dimension
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 356
- 230000000694 effects Effects 0.000 claims abstract description 110
- 238000012545 processing Methods 0.000 claims abstract description 81
- 238000005457 optimization Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000013209 evaluation strategy Methods 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims description 10
- 230000035945 sensitivity Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims 1
- 238000003860 storage Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 238000012546 transfer Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011157 data evaluation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design 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
- 230000000750 progressive effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 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
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供了一种数据处理方法、装置及设备,其中,方法包括:获取待解释的第一模型、所述第一模型的输入数据,以及与所述第一模型对应的目标数据;通过预设评估维度和每个所述评估维度对应的评估策略,基于所述待解释的第一模型、所述第一模型的输入数据,以及所述目标数据,对所述目标数据的解释效果进行评估处理,得到每个所述评估维度的评估结果;在所述预设评估维度中,基于所述每个评估维度的评估结果,确定所述目标数据的解释效果不满足预设效果需求的目标评估维度;基于所述目标评估维度的评估结果,生成针对所述目标数据的解释优化方案,所述解释优化方案用于对所述目标数据的生成方式进行优化处理。
Description
技术领域
本文件涉及数据处理技术领域,尤其涉及一种数据处理方法、装置及设备。
背景技术
随着互联网行业的迅速发展,人工智能模型的应用也越来越普及,如在风控场景下,可以通过人工智能模型进行风险分析,以保护用户的隐私数据不被泄露等,而是否能准确的对人工智能模型进行解释,以为相关用户提供可靠、可信的使用依据,成为备受关注的焦点。
由于人工智能模型的应用场景以及输入数据的数据形式越来越复杂,因此,需要一种能够提高对模型解释数据的评估效果,进而生成能够准确解释模型的解释数据的解决方案。
发明内容
本说明书实施例的目的是提供一种能够提高对模型解释数据的评估效果,进而生成能够准确解释模型的解释数据的解决方案。
为了实现上述技术方案,本说明书实施例是这样实现的:
第一方面,本说明书实施例提供的一种数据处理方法,包括:获取待解释的第一模型、所述第一模型的输入数据,以及与所述第一模型对应的目标数据,所述目标数据用于解释所述第一模型针对所述输入数据的输出结果,所述输入数据为预设业务处理场景的多模态数据;通过预设评估维度和每个所述评估维度对应的评估策略,基于所述待解释的第一模型、所述第一模型的输入数据,以及所述目标数据,对所述目标数据的解释效果进行评估处理,得到每个所述评估维度的评估结果;在所述预设评估维度中,基于所述每个评估维度的评估结果,确定所述目标数据的解释效果不满足预设效果需求的目标评估维度;基于所述目标评估维度的评估结果,生成针对所述目标数据的解释优化方案,所述解释优化方案用于对所述目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对所述第一模型且满足所述预设效果需求的解释数据。
第二方面,本说明书实施例提供了一种数据处理装置,所述装置包括:数据获取模块,用于获取待解释的第一模型、所述第一模型的输入数据,以及与所述第一模型对应的目标数据,所述目标数据用于解释所述第一模型针对所述输入数据的输出结果,所述输入数据为预设业务处理场景的多模态数据;结果确定模块,用于通过预设评估维度和每个所述评估维度对应的评估策略,基于所述待解释的第一模型、所述第一模型的输入数据,以及所述目标数据,对所述目标数据的解释效果进行评估处理,得到每个所述评估维度的评估结果;维度确定模块,用于在所述预设评估维度中,基于所述每个评估维度的评估结果,确定所述目标数据的解释效果不满足预设效果需求的目标评估维度;方案优化模块,用于基于所述目标评估维度的评估结果,生成针对所述目标数据的解释优化方案,所述解释优化方案用于对所述目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对所述第一模型且满足所述预设效果需求的解释数据。
第三方面,本说明书实施例提供了一种数据处理设备,所述数据处理设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:获取待解释的第一模型、所述第一模型的输入数据,以及与所述第一模型对应的目标数据,所述目标数据用于解释所述第一模型针对所述输入数据的输出结果,所述输入数据为预设业务处理场景的多模态数据;通过预设评估维度和每个所述评估维度对应的评估策略,基于所述待解释的第一模型、所述第一模型的输入数据,以及所述目标数据,对所述目标数据的解释效果进行评估处理,得到每个所述评估维度的评估结果;在所述预设评估维度中,基于所述每个评估维度的评估结果,确定所述目标数据的解释效果不满足预设效果需求的目标评估维度;基于所述目标评估维度的评估结果,生成针对所述目标数据的解释优化方案,所述解释优化方案用于对所述目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对所述第一模型且满足所述预设效果需求的解释数据。
第四方面,本说明书实施例提供一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:获取待解释的第一模型、所述第一模型的输入数据,以及与所述第一模型对应的目标数据,所述目标数据用于解释所述第一模型针对所述输入数据的输出结果,所述输入数据为预设业务处理场景的多模态数据;通过预设评估维度和每个所述评估维度对应的评估策略,基于所述待解释的第一模型、所述第一模型的输入数据,以及所述目标数据,对所述目标数据的解释效果进行评估处理,得到每个所述评估维度的评估结果;在所述预设评估维度中,基于所述每个评估维度的评估结果,确定所述目标数据的解释效果不满足预设效果需求的目标评估维度;基于所述目标评估维度的评估结果,生成针对所述目标数据的解释优化方案,所述解释优化方案用于对所述目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对所述第一模型且满足所述预设效果需求的解释数据。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一种数据处理系统的示意图;
图2A为本说明书一种数据处理方法实施例的流程图;
图2B为本说明书一种数据处理方法的处理过程示意图;
图3为本说明书又一种数据处理方法的处理过程示意图;
图4为本说明书又一种数据处理方法的处理过程示意图;
图5为本说明书一种测评平台的示意图;
图6为本说明书一种测评报告的示意图;
图7为本说明书一种数据处理装置实施例的结构示意图;
图8为本说明书一种数据处理设备的结构示意图。
具体实施方式
本说明书实施例提供一种数据处理方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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,都应当属于本说明书保护的范围。
本说明书的技术方案,可以应用于数据处理系统中,如图1所示,该数据处理系统中可以有终端设备和服务器,其中,服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群,终端设备可以如个人计算机等设备,也可以如手机、平板电脑等移动终端设备。
其中,数据处理系统中可以包括n个终端设备和m个服务器,n和m为大于等于1的正整数,服务器可以为某应用程序的后台服务器,终端设备可以为该应用程序的客户端设备,其中,应用程序可以为能够为用户提供资源转移业务、视频观看业务、即时通讯业务等业务的服务的应用程序。
服务器可以通过第一模型,对终端设备接收到的输入数据进行处理,得到对应的输出结果,此外,服务器还可以针对第一模型和输入数据,确定对应的用于解释第一模型的目标数据。
另外,数据处理系统中还可以预先设置中心服务器(如图1中的服务器1),中心服务器可以接收其他服务器发送的第一模型和输入数据,并生成与第一模型和输入数据对应的目标数据,再将目标数据返回给对应的服务器。
此外,服务器(中心服务器或其他服务器)还可以通过预设评估维度和每个评估维度对应的评估策略,基于待解释的第一模型、第一模型的输入数据,以及目标数据,对目标数据的解释效果进行评估处理,得到每个评估维度的评估结果,然后,服务器可以有在预设评估维度中,基于每个评估维度的评估结果,确定目标数据的解释效果不满足预设效果需求的目标评估维度,最后,服务器可以基于目标评估维度的评估结果,生成针对目标数据的解释优化方案。这样,服务器就可以通过解释优化方案,对目标数据的生成方式进行优化处理,生成针对第一模型且满足预设效果需求的解释数据。
基于上述数据处理系统结构可以实现下述实施例中的数据处理方法。
实施例一
如图2A和图2B所示,本说明书实施例提供一种数据处理方法,该方法的执行主体可以为服务器,其中,服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤:
在S202中,获取待解释的第一模型、第一模型的输入数据,以及与第一模型对应的目标数据。
其中,第一模型可以是基于预设人工学习算法(或深度学习算法)构建的用于处理某预设业务的模型,预设业务可以为资源转移业务、风险检测业务等业务,例如,第一模型可以是基于卷积神经网络算法构建的,用于进行多分类的风险检测模型,或者,第一模型还可以是基于多层神经网络算法构建的,用于进行二分类的数据预测模型等,目标数据可以用于解释第一模型针对输入数据的输出结果,输入数据可以为预设业务处理场景的多模态数据,例如,输入数据可以包含文本数据、音频数据、图片数据等数据中的多个数据,具体如,输入数据可以为在资源转移业务的风险检测场景下,用户输入的语音数据和文本数据,或者,输入数据还可以为用户身份识别场景下,用户输入的视频数据和生物特征数据等。
在实施中,随着互联网行业的迅速发展,人工智能模型的应用也越来越普及,如在风控场景下,可以通过人工智能模型进行风险分析,以保护用户的隐私数据不被泄露等,而是否能准确的对人工智能模型进行解释,以为相关用户提供可靠、可信的使用依据,成为备受关注的焦点。由于人工智能模型的应用场景以及输入数据的数据形式越来越复杂,因此,需要一种能够提高对模型解释数据的评估效果,进而生成能够准确解释模型的解释数据的解决方案。为此,本说明书实施例提供一种可以解决上述问题的技术方案,具体可以参见下述内容。
以输入数据对应的业务为针对资源转移业务的风险检测业务为例,用户可以通过终端设备中安装的资源转移应用程序,触发启动资源转移业务,即终端设备在检测到用户通过某资源转移应用程序触发启动资源转移业务的情况下,终端设备可以采集与该用户针对该资源转移业务输入的数据,例如,终端设备可以采集用户输入的资源转移数量、对应的资源转移时间以及用户输入的资源转移对象等。
终端设备可以将采集到的用户输入的数据以及用户针对该交易的触发指令发送给服务器,即服务器可以响应于用户针对该交易的触发指令,将用户输入的数据作为输入数据,并通过第一模型对该输入数据进行处理,得到对应的输出结果。
服务器可以基于预设生成方式,针对第一模型和输入数据,生成对应的解释数据,即目标数据,例如,输入数据可以包括多个特征,第一模型的输出结果中可以包括每个特征对应的权重,服务器可以每个特征对应的权重,选取权重大于预设权重阈值的特征,并基于选取的特征,生成对应的解释数据。即可以通过权重大于权重大于权重阈值的特征,对第一模型如何针对输入数据输出对应的输出结果做出解释。
此外,上述针对目标数据的确定方法是一种可选地、可实现的确定方法,在实际应用场景中,还可以有多种不同的确定方法,可以根据实际应用场景的不同而有所不同,本说明书实施例对此不做具体限定。
在S204中,通过预设评估维度和每个评估维度对应的评估策略,基于待解释的第一模型、第一模型的输入数据,以及目标数据,对目标数据的解释效果进行评估处理,得到每个评估维度的评估结果。
其中,预设评估维度可以根据输入数据对应的预设业务确定。
在实施中,服务器可以预先设置业务和评估维度之间的对应关系,并基于输入数据对应的预设业务和预设对应关系,确定与预设业务对应的预设评估维度,进而根据每个评估维度对应的评估策略,对目标数据的解释效果进行评估处理,得到每个评估维度的评估结果。
例如,假设预设评估维度可以包括简明性维度,目标数据可以由输入数据的特征中,权重大于预设权重阈值的特征确定,那么,服务器可以根据简明性维度对应的评估策略,确定简明性维度的评估结果,具体如,服务器可以通过待解释的第一模型、第一模型的输入数据,以及目标数据,确定目标数据中是否包含冗余特征,并根据冗余特征的判断结果,确定简明性维度的评估结果。
此外,在实际应用场景中,还可以有多种不同的预设评估维度以及对应的评估策略,例如,预设评估维度还可以包括连续性维度、可控性维度等,连续性维度可以包括针对变异稳定性的评估策略、针对微小变化的保真度的评估策略以及针对连通性的评估策略,可控性维度可以包括人为反馈的可改进性的评估结果等,可以根据实际应用场景的不同而有所不同,本说明书实施例对此不做具体限定。
在S206中,在预设评估维度中,基于每个评估维度的评估结果,确定目标数据的解释效果不满足预设效果需求的目标评估维度。
在实施中,服务器可以根据输入数据对应的业务,确定对应的预设效果需求,并根据预设效果需求和每个评估维度的评估结果,确定目标评估维度。
例如,以评估维度包括连续性维度和可控性维度为例,若目标数据的在连续性维度的评估结果为分值1,在可控性维度的评估分值为分值2,基于输入数据对应的业务确定的预设效果需求为:在连续性维度的分值大于阈值1,在可控性维度分值大于阈值2。
服务器可以根据分值1是否大于阈值1,确定目标数据在连续性维度是否满足预设效果需求,同时,还可以根据分值2是否大于阈值2,确定目标数据在可控性维度是否满足预设效果需求,可以将不满足对应的预设效果需求的评估维度确定为目标评估维度。例如,若分值1小于阈值1,那么,服务器可以将连续性维度确定为目标评估维度。
此外,上述针对目标评估维度的确定方法是一种可选地、可实现的确定方法,在实际应用场景中,还可以有多种不同的确定方法,可以根据实际应用场景的不同而有所不同,本说明书实施例对此不做具体限定。
在S208中,基于目标评估维度的评估结果,生成针对目标数据的解释优化方案。
其中,解释优化方案可以用于对目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对第一模型且满足预设效果需求的解释数据。
在实施中,服务器可以基于目标评估维度的评估结果,生成针对目标数据的解释优化方案,例如,以目标评估维度包括简明性维度为例,未优化前的简明性维度对应的评估策略可以为:对目标数据中包含冗余特征的数量是否大于预设数量阈值1进行测评。那么,服务器进行优化后,得到的解释优化方案可以为:对针对第一模型的解释数据中包含的特征进行筛选,以使筛选后的解释数据中包含的冗余特征的数量不大于预设数量阈值1。
上述解释优化方案的确定方法是一种可选地、可实现的确定方法,在实际应用场景中,还可以有多种不同的确定方法,可以根据实际应用场景的不同而有所不同,本说明书实施例对此不做具体限定。
本说明书实施例提供一种数据处理方法,获取待解释的第一模型、第一模型的输入数据,以及与第一模型对应的目标数据,目标数据可以用于解释第一模型针对输入数据的输出结果,输入数据可以为预设业务处理场景的多模态数据,通过预设评估维度和每个评估维度对应的评估策略,基于待解释的第一模型、第一模型的输入数据,以及目标数据,对目标数据的解释效果进行评估处理,得到每个评估维度的评估结果,在预设评估维度中,基于每个评估维度的评估结果,确定目标数据的解释效果不满足预设效果需求的目标评估维度,基于目标评估维度的评估结果,生成针对目标数据的解释优化方案,解释优化方案用于对目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对第一模型且满足预设效果需求的解释数据。这样,由于输入数据可以为预设业务处理场景下的多模态数据,因此,在面对不同数据类型以及不同数据形式的输入数据时,也具备模型及数据形式无关的解释数据的评估能力,另外,通过多个预设评估维度及对应的评估策略,对目标数据的解释效果进行评估处理,可以全方位的对解释数据进行评估处理,进而根据评估结果,生成解释优化方案,以通过解释优化方案生成能够准确对模型进行解释且满足预设效果需求的解释数据。
实施例二
如图3所示,本说明书实施例提供一种数据处理方法,该方法的执行主体可以是服务器,其中,服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤:
在S202中,获取待解释的第一模型、第一模型的输入数据,以及与第一模型对应的目标数据。
其中,目标数据可以用于解释第一模型针对输入数据的输出结果,输入数据可以为预设业务处理场景的多模态数据,目标数据可以包括针对第一模型和输入数据的解释数据,和/或,用于生成与第一模型对应的解释数据的第二模型,第二模型可以为基于预设机器学习算法构建的用于生成解释数据的模型。
在S302中,基于每个预设评估维度包括的评估指标、待解释的第一模型、第一模型的输入数据,以及目标数据,对目标数据的解释效果进行评估处理,得到每个评估指标的子评估结果。
其中,预设评估维度可以包括正确性维度、完备性维度、差异性维度和简明性维度中的一个或多个,正确性维度可以用于表征目标数据对第一模型的判断理由的反应程度,完备性维度可以用于表征目标数据对第一模型的行为覆盖完整度,差异性维度可以用于表征在面对输入数据和不同目标变量时,目标数据在第一模型在输出结果上的解释差异性,简明性维度用于通过目标数据包含的关键特征的数量,表征目标数据对第一模型和输入数据的解释简明度。
目标数据可以包括目标特征以及目标特征的重要性分值,正确性维度可以包括增量变更指标,增量变更指标可以包含第一分值和第二分值,第一分值可以为基于目标特征的重要性分值的顺序,在空输入的基础上逐步增加输入数据中与目标特征对应的数据,获得的第一模型的模型分数曲线确定,第二分值可以为基于目标特征的重要性分值的顺序,在输入数据的基础上逐步删去输入数据中与目标特征对应的数据,获得的第一模型的模型分数曲线确定,完备性维度可以包括掩模预测区别度指标和失真度指标,差异性维度包括目标灵敏度指标,简明性维度可以包括稀疏性指标。
在实施中,服务器可以根据每个预设评估维度包括的评估指标,对目标数据的解释效果进行评估处理,例如,服务器可以基于目标特征的重要性分值的顺序,在空输入的基础上逐步增加输入数据中与目标特征对应的数据,确定第一分值(AUC),同时,服务器还可以基于目标特征的重要性分值的顺序,在输入数据的基础上逐步删去输入数据中与目标特征对应的数据,确定第二分值。服务器可以将第一分值和第二分值确定为增量变更指标的子评估结果。
此外,服务器还可以基于输入数据包含的特征的随机顺序,在空输入的基础上逐步增加输入数据中与目标特征对应的数据,以得到第三分值,服务器还可以基于目标特征的重要性分值的顺序,在输入数据包含的特征的随机顺序的基础上逐步删去输入数据中与目标特征对应的数据,确定第四分值,并将第一分值、第二分值、第三分值和第四分值确定为增量变更指标的子评估结果。
服务器可以基于目标特征的重要性排序(即根据重要性分值对目标特征进行排序),在删除预定比例的目标特征后,比较改后第一模型的输出结果与未删除预定比例的目标特征时,第一模型的输出结果之间的一致性的第一占比。以及在保留预定比例的目标特征后,比较改后第一模型的输出结果与未保留预定比例的目标特征时,第一模型的输出结果之间的一致性的第二占比。服务器可以将第一占比和第二占比确定为掩模预测区别度指标的子评估结果。
此外,服务器还可以基于输入数据包含的特征的随机顺序,在删除预定比例的目标特征后,比较改后第一模型的输出结果与未删除预定比例的目标特征时,第一模型的输出结果之间的一致性的第三占比。以及在保留预定比例的目标特征后,比较改后第一模型的输出结果与未保留预定比例的目标特征时,第一模型的输出结果之间的一致性的第四占比。服务器可以将第一占比、第二占比、第三占比和第四占比确定为掩模预测区别度指标的子评估结果。
服务区可以对第一模型的输入数据加入预定量的扰动,并通过扰动对解释数据进行加权,计算加入扰动前后的第一模型的输出结果的分值之间的差值,该差值即为失真度指标的子评估结果。其中,差值越小,说明解释数据的忠诚度越好。
服务器可以对于同一样本(即输入数据),设计不同的目标(即target),并计算不同目标下的解释数据之间的差异,以将该差值确定为目标灵敏度指标的子评估结果。其中,差异越低,说明解释数据的目标区分度较差,反制,则说明解释数据的目标区分度越好。
服务器可以对目标特征基于重要分值进行排序后,对目标特征进行加权,用以确定目标特征的稀疏程度,稀疏程度即为稀疏性指标的子评估结果。其中,系数程度越高,说明解释数据越简明。
此外,上述评估维度还可以有多个,每个评估维度还可以包括多个其他的评估指标,例如,正确性维度还可以包括白盒测试(white box check)指标、模型参数随机化(model parameter randomization)指标等,完备性维度还可以包括保护检查(preserve-check)指标、删除检查(deletion check)指标等,简明性维度还可以包括冗余(redundancy)指标和反事实一致性(counterfactual compactness)指标等,差异性维度还可以包括目标灵敏度(target sensitivity)指标、目标辨识力(targetdiscriminativeness)指标和数据随机化检查(data randomization check)指标等。评估维度还可以包括连续性维度和可控性维度,连续性维度可以包括变异稳定性(stability)指标、微小变化的保真度(fidelity for slight variation)指标、连通性(connectedness)指标等,可控性维度可以包括人为反馈的可改进性(improvability onhuman feedback)指标等。
另外,在上述目标灵敏度指标的计算过程中,可以通过ndcg排序方式进行距离计算,以更符合指标的关注需求。
在S304中,基于每个评估指标的子评估结果,确定每个评估维度的评估结果。
在实施中,服务器可以将评估维度中评估效果最好以及最差的子评估结果,确定为该评估维度的评估结果,或者,服务器还可以将每个评估维度包含的评估指标的子评估结果,确定为该评估维度的评估结果等。
在S206中,在预设评估维度中,基于每个评估维度的评估结果,确定目标数据的解释效果不满足预设效果需求的目标评估维度。
如图3所示,在S206后,服务器可以继续执行S306~S308,或者,如图4所示,在S206后,服务器还可以继续执行S310~S312。
在S306中,在目标评估维度包括的评估指标中,基于目标评估维度包含的评估指标的子评估结果,确定目标数据的解释效果不满足预设效果需求的目标评估指标。
在实施中,例如,假设目标评估维度包括简明性维度,简明性维度包含稀疏性指标、冗余指标和反事实一致性指标,服务器可以基于每个评估指标的子评估结果,确定目标数据的解释效果不满足预设效果需求的目标评估指标,例如,若稀疏性指标的子评估结果和冗余指标的子评估结果不满足预设效果需求,那么,服务器可以将稀疏性指标和冗余指标确定为目标评估指标。
在S308中,基于目标评估指标的子评估结果,生成针对目标数据的解释优化方案。
其中,解释优化方案可以用于对目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对第一模型且满足预设效果需求的解释数据。
此外,在实际应用中,上述S308的处理方式可以多种多样,以下提供一种可选的实现方式,具体可以参见下述步骤一~步骤二处理:
步骤一,获取输入数据中,与目标评估指标对应的指标数据不满足预设效果需求的第一样本数据。
步骤二,基于第一样本数据和目标评估指标的子评估结果,生成针对目标数据的解释优化方案。
在实施中,服务器可以从目标评估指标的角度出发,对输入数据进行数据筛选,以得到第一样本数据,服务器可以对第一样本数据进行个例分析,以更好的生成解释优化方案。
在S310中,获取输入数据中,与目标评估维度对应的评估结果不满足预设效果需求的第二样本数据。
在S312中,基于第二样本数据和目标评估维度评估结果,生成针对目标数据的解释优化方案。
在实施中,服务器还可以从目标评估维度的角度出发,对输入数据进行数据筛选,以得到第而样本数据,服务器可以对第二样本数据进行个例分析,以更好的生成解释优化方案。
此外,如图5所示,可以构建包含测评指标、测评维度、个例分析、改进建议和生成测评报告这五个模块的测评平台。
在第一个模块,即测评指标模块中,服务器可以将待解释的第一模型、第一模型的输入数据,以及与第一模型对应的目标数据输入平台交互接口,服务器可以通过预设评估指标,基于接收到的数据,对目标数据进行评估处理,得到每个评估指标对应的子评估结果。
在第二个模块,即测评维度模块中,服务器可以基于每个评估指标的子评估结果,确定每个评估维度的评估结果。
在第三个模块,即个例分析模块中,服务器可以将上述S308中的第一样本数据确定为个例进行个例分析,或者服务器还可以将上述步骤S310中确定的第二样本数据确定为个例进行个例分析。
在第四个模块,即改进建议模块中,服务器可以基于上述确定的解释优化方案和个例(即第一样本数据或第二样本数据)提供对应的改进建议。
在第五个模块,即生成测评报告模块中,服务器可以基于上述四个模块的结果生成如图6所示的测评报告。
本说明书实施例提供一种数据处理方法,获取待解释的第一模型、第一模型的输入数据,以及与第一模型对应的目标数据,目标数据可以用于解释第一模型针对输入数据的输出结果,输入数据可以为预设业务处理场景的多模态数据,通过预设评估维度和每个评估维度对应的评估策略,基于待解释的第一模型、第一模型的输入数据,以及目标数据,对目标数据的解释效果进行评估处理,得到每个评估维度的评估结果,在预设评估维度中,基于每个评估维度的评估结果,确定目标数据的解释效果不满足预设效果需求的目标评估维度,基于目标评估维度的评估结果,生成针对目标数据的解释优化方案,解释优化方案用于对目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对第一模型且满足预设效果需求的解释数据。这样,由于输入数据可以为预设业务处理场景下的多模态数据,因此,在面对不同数据类型以及不同数据形式的输入数据时,也具备模型及数据形式无关的解释数据的评估能力,另外,通过多个预设评估维度及对应的评估策略,对目标数据的解释效果进行评估处理,可以全方位的对解释数据进行评估处理,进而根据评估结果,生成解释优化方案,以通过解释优化方案生成能够准确对模型进行解释且满足预设效果需求的解释数据。
实施例三
以上为本说明书实施例提供的数据处理方法,基于同样的思路,本说明书实施例还提供一种数据处理装置,如图7所示。
该数据处理装置包括:数据获取模块701、结果确定模块702、维度确定模块703和方案优化模块704,其中:
数据获取模块701,用于获取待解释的第一模型、所述第一模型的输入数据,以及与所述第一模型对应的目标数据,所述目标数据用于解释所述第一模型针对所述输入数据的输出结果,所述输入数据为预设业务处理场景的多模态数据;
结果确定模块702,用于通过预设评估维度和每个所述评估维度对应的评估策略,基于所述待解释的第一模型、所述第一模型的输入数据,以及所述目标数据,对所述目标数据的解释效果进行评估处理,得到每个所述评估维度的评估结果;
维度确定模块703,用于在所述预设评估维度中,基于所述每个评估维度的评估结果,确定所述目标数据的解释效果不满足预设效果需求的目标评估维度;
方案优化模块704,用于基于所述目标评估维度的评估结果,生成针对所述目标数据的解释优化方案,所述解释优化方案用于对所述目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对所述第一模型且满足所述预设效果需求的解释数据。
本说明书实施例中,所述目标数据包括针对所述第一模型和所述输入数据的解释数据,和/或,用于生成与所述第一模型对应的解释数据的第二模型。
本说明书实施例中,所述预设评估维度包括正确性维度、完备性维度、差异性维度和简明性维度中的一个或多个,所述正确性维度用于表征所述目标数据对所述第一模型的判断理由的反应程度,所述完备性维度用于表征所述目标数据对所述第一模型的行为覆盖完整度,所述差异性维度用于表征在面对所述输入数据和不同目标变量时,所述目标数据在所述第一模型在输出结果上的解释差异性,所述简明性维度用于通过所述目标数据包含的关键特征的数量,表征所述目标数据对所述第一模型和所述输入数据的解释简明度。
本说明书实施例中,所述结果确定模块702,用于:
基于每个所述预设评估维度包括的评估指标、所述待解释的第一模型、所述第一模型的输入数据,以及所述目标数据,对所述目标数据的解释效果进行评估处理,得到每个所述评估指标的子评估结果;
基于所述每个评估指标的子评估结果,确定每个所述评估维度的评估结果。
本说明书实施例中,所述方案优化模块704,用于:
在所述目标评估维度包括的评估指标中,基于所述目标评估维度包含的评估指标的子评估结果,确定所述目标数据的解释效果不满足预设效果需求的目标评估指标;
基于所述目标评估指标的子评估结果,生成针对所述目标数据的解释优化方案。
本说明书实施例中,所述方案优化模块704,用于:
获取所述输入数据中,与所述目标评估指标对应的指标数据不满足所述预设效果需求的第一样本数据;
基于所述第一样本数据和所述目标评估指标的子评估结果,生成针对所述目标数据的解释优化方案。
本说明书实施例中,所述方案优化模块704,用于:
获取所述输入数据中,与所述目标评估维度对应的评估结果不满足所述预设效果需求的第二样本数据;
基于所述第二样本数据和所述目标评估维度评估结果,生成针对所述目标数据的解释优化方案。
本说明书实施例中,所述目标数据包括目标特征以及所述目标特征的重要性分值,所述正确性维度包括增量变更指标,所述增量变更指标包含第一分值和第二分值,所述第一分值为基于所述目标特征的重要性分值的顺序,在空输入的基础上逐步增加所述输入数据中与所述目标特征对应的数据,获得的所述第一模型的模型分数曲线确定,所述第二分值为基于所述目标特征的重要性分值的顺序,在所述输入数据的基础上逐步删去所述输入数据中与所述目标特征对应的数据,获得的所述第一模型的模型分数曲线确定,所述完备性维度包括掩模预测区别度指标和失真度指标,所述差异性维度包括目标灵敏度指标,所述简明性维度包括稀疏性指标。
本说明书实施例提供一种数据处理装置,获取待解释的第一模型、第一模型的输入数据,以及与第一模型对应的目标数据,目标数据可以用于解释第一模型针对输入数据的输出结果,输入数据可以为预设业务处理场景的多模态数据,通过预设评估维度和每个评估维度对应的评估策略,基于待解释的第一模型、第一模型的输入数据,以及目标数据,对目标数据的解释效果进行评估处理,得到每个评估维度的评估结果,在预设评估维度中,基于每个评估维度的评估结果,确定目标数据的解释效果不满足预设效果需求的目标评估维度,基于目标评估维度的评估结果,生成针对目标数据的解释优化方案,解释优化方案用于对目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对第一模型且满足预设效果需求的解释数据。这样,由于输入数据可以为预设业务处理场景下的多模态数据,因此,在面对不同数据类型以及不同数据形式的输入数据时,也具备模型及数据形式无关的解释数据的评估能力,另外,通过多个预设评估维度及对应的评估策略,对目标数据的解释效果进行评估处理,可以全方位的对解释数据进行评估处理,进而根据评估结果,生成解释优化方案,以通过解释优化方案生成能够准确对模型进行解释且满足预设效果需求的解释数据。
实施例四
基于同样的思路,本说明书实施例还提供一种数据处理设备,如图8所示。
数据处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器801和存储器802,存储器802中可以存储有一个或一个以上存储应用程序或数据。其中,存储器802可以是短暂存储或持久存储。存储在存储器802的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对数据处理设备中的一系列计算机可执行指令。更进一步地,处理器801可以设置为与存储器802通信,在数据处理设备上执行存储器802中的一系列计算机可执行指令。数据处理设备还可以包括一个或一个以上电源803,一个或一个以上有线或无线网络接口804,一个或一个以上输入输出接口805,一个或一个以上键盘806。
具体在本实施例中,数据处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对数据处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取待解释的第一模型、所述第一模型的输入数据,以及与所述第一模型对应的目标数据,所述目标数据用于解释所述第一模型针对所述输入数据的输出结果,所述输入数据为预设业务处理场景的多模态数据;
通过预设评估维度和每个所述评估维度对应的评估策略,基于所述待解释的第一模型、所述第一模型的输入数据,以及所述目标数据,对所述目标数据的解释效果进行评估处理,得到每个所述评估维度的评估结果;
在所述预设评估维度中,基于所述每个评估维度的评估结果,确定所述目标数据的解释效果不满足预设效果需求的目标评估维度;
基于所述目标评估维度的评估结果,生成针对所述目标数据的解释优化方案,所述解释优化方案用于对所述目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对所述第一模型且满足所述预设效果需求的解释数据。
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,对于数据处理设备实施例而言,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。
本说明书实施例提供一种数据处理设备,获取待解释的第一模型、第一模型的输入数据,以及与第一模型对应的目标数据,目标数据可以用于解释第一模型针对输入数据的输出结果,输入数据可以为预设业务处理场景的多模态数据,通过预设评估维度和每个评估维度对应的评估策略,基于待解释的第一模型、第一模型的输入数据,以及目标数据,对目标数据的解释效果进行评估处理,得到每个评估维度的评估结果,在预设评估维度中,基于每个评估维度的评估结果,确定目标数据的解释效果不满足预设效果需求的目标评估维度,基于目标评估维度的评估结果,生成针对目标数据的解释优化方案,解释优化方案用于对目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对第一模型且满足预设效果需求的解释数据。这样,由于输入数据可以为预设业务处理场景下的多模态数据,因此,在面对不同数据类型以及不同数据形式的输入数据时,也具备模型及数据形式无关的解释数据的评估能力,另外,通过多个预设评估维度及对应的评估策略,对目标数据的解释效果进行评估处理,可以全方位的对解释数据进行评估处理,进而根据评估结果,生成解释优化方案,以通过解释优化方案生成能够准确对模型进行解释且满足预设效果需求的解释数据。
实施例五
本说明书实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本说明书实施例提供一种计算机可读存储介质,获取待解释的第一模型、第一模型的输入数据,以及与第一模型对应的目标数据,目标数据可以用于解释第一模型针对输入数据的输出结果,输入数据可以为预设业务处理场景的多模态数据,通过预设评估维度和每个评估维度对应的评估策略,基于待解释的第一模型、第一模型的输入数据,以及目标数据,对目标数据的解释效果进行评估处理,得到每个评估维度的评估结果,在预设评估维度中,基于每个评估维度的评估结果,确定目标数据的解释效果不满足预设效果需求的目标评估维度,基于目标评估维度的评估结果,生成针对目标数据的解释优化方案,解释优化方案用于对目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对第一模型且满足预设效果需求的解释数据。这样,由于输入数据可以为预设业务处理场景下的多模态数据,因此,在面对不同数据类型以及不同数据形式的输入数据时,也具备模型及数据形式无关的解释数据的评估能力,另外,通过多个预设评估维度及对应的评估策略,对目标数据的解释效果进行评估处理,可以全方位的对解释数据进行评估处理,进而根据评估结果,生成解释优化方案,以通过解释优化方案生成能够准确对模型进行解释且满足预设效果需求的解释数据。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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,在实施本说明书一个或多个实施例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,本说明书一个或多个实施例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,本说明书一个或多个实施例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。
本说明书的实施例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,本说明书一个或多个实施例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,本说明书一个或多个实施例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。
本说明书一个或多个实施例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一个或多个实施例,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 (10)
1.一种数据处理方法,包括:
获取待解释的第一模型、所述第一模型的输入数据,以及与所述第一模型对应的目标数据,所述目标数据用于解释所述第一模型针对所述输入数据的输出结果,所述输入数据为预设业务处理场景的多模态数据;
通过预设评估维度和每个所述评估维度对应的评估策略,基于所述待解释的第一模型、所述第一模型的输入数据,以及所述目标数据,对所述目标数据的解释效果进行评估处理,得到每个所述评估维度的评估结果;
在所述预设评估维度中,基于所述每个评估维度的评估结果,确定所述目标数据的解释效果不满足预设效果需求的目标评估维度;
基于所述目标评估维度的评估结果,生成针对所述目标数据的解释优化方案,所述解释优化方案用于对所述目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对所述第一模型且满足所述预设效果需求的解释数据。
2.根据权利要求1所述的方法,所述目标数据包括针对所述第一模型和所述输入数据的解释数据,和/或,用于生成与所述第一模型对应的解释数据的第二模型。
3.根据权利要求2所述的方法,所述预设评估维度包括正确性维度、完备性维度、差异性维度和简明性维度中的一个或多个,所述正确性维度用于表征所述目标数据对所述第一模型的判断理由的反应程度,所述完备性维度用于表征所述目标数据对所述第一模型的行为覆盖完整度,所述差异性维度用于表征在面对所述输入数据和不同目标变量时,所述目标数据在所述第一模型在输出结果上的解释差异性,所述简明性维度用于通过所述目标数据包含的关键特征的数量,表征所述目标数据对所述第一模型和所述输入数据的解释简明度。
4.根据权利要求3所述的方法,所述通过预设评估维度和每个所述评估维度对应的评估策略,基于所述待解释的第一模型、所述第一模型的输入数据,以及所述目标数据,对所述目标数据的解释效果进行评估处理,得到每个所述评估维度的评估结果,包括:
基于每个所述预设评估维度包括的评估指标、所述待解释的第一模型、所述第一模型的输入数据,以及所述目标数据,对所述目标数据的解释效果进行评估处理,得到每个所述评估指标的子评估结果;
基于所述每个评估指标的子评估结果,确定每个所述评估维度的评估结果。
5.根据权利要求4所述的方法,所述基于所述目标评估维度的评估结果,生成针对所述目标数据的解释优化方案,包括:
在所述目标评估维度包括的评估指标中,基于所述目标评估维度包含的评估指标的子评估结果,确定所述目标数据的解释效果不满足预设效果需求的目标评估指标;
基于所述目标评估指标的子评估结果,生成针对所述目标数据的解释优化方案。
6.根据权利要求5所述的方法,所述基于所述目标评估指标的子评估结果,生成针对所述目标数据的解释优化方案,包括:
获取所述输入数据中,与所述目标评估指标对应的指标数据不满足所述预设效果需求的第一样本数据;
基于所述第一样本数据和所述目标评估指标的子评估结果,生成针对所述目标数据的解释优化方案。
7.根据权利要求4所述的方法,所述基于所述目标评估维度的评估结果,生成针对所述目标数据的解释优化方案,包括:
获取所述输入数据中,与所述目标评估维度对应的评估结果不满足所述预设效果需求的第二样本数据;
基于所述第二样本数据和所述目标评估维度评估结果,生成针对所述目标数据的解释优化方案。
8.根据权利要求4所述的方法,所述目标数据包括目标特征以及所述目标特征的重要性分值,所述正确性维度包括增量变更指标,所述增量变更指标包含第一分值和第二分值,所述第一分值为基于所述目标特征的重要性分值的顺序,在空输入的基础上逐步增加所述输入数据中与所述目标特征对应的数据,获得的所述第一模型的模型分数曲线确定,所述第二分值为基于所述目标特征的重要性分值的顺序,在所述输入数据的基础上逐步删去所述输入数据中与所述目标特征对应的数据,获得的所述第一模型的模型分数曲线确定,所述完备性维度包括掩模预测区别度指标和失真度指标,所述差异性维度包括目标灵敏度指标,所述简明性维度包括稀疏性指标。
9.一种数据处理装置,包括:
数据获取模块,用于获取待解释的第一模型、所述第一模型的输入数据,以及与所述第一模型对应的目标数据,所述目标数据用于解释所述第一模型针对所述输入数据的输出结果,所述输入数据为预设业务处理场景的多模态数据;
结果确定模块,用于通过预设评估维度和每个所述评估维度对应的评估策略,基于所述待解释的第一模型、所述第一模型的输入数据,以及所述目标数据,对所述目标数据的解释效果进行评估处理,得到每个所述评估维度的评估结果;
维度确定模块,用于在所述预设评估维度中,基于所述每个评估维度的评估结果,确定所述目标数据的解释效果不满足预设效果需求的目标评估维度;
方案优化模块,用于基于所述目标评估维度的评估结果,生成针对所述目标数据的解释优化方案,所述解释优化方案用于对所述目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对所述第一模型且满足所述预设效果需求的解释数据。
10.一种数据处理设备,所述数据处理设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取待解释的第一模型、所述第一模型的输入数据,以及与所述第一模型对应的目标数据,所述目标数据用于解释所述第一模型针对所述输入数据的输出结果,所述输入数据为预设业务处理场景的多模态数据;
通过预设评估维度和每个所述评估维度对应的评估策略,基于所述待解释的第一模型、所述第一模型的输入数据,以及所述目标数据,对所述目标数据的解释效果进行评估处理,得到每个所述评估维度的评估结果;
在所述预设评估维度中,基于所述每个评估维度的评估结果,确定所述目标数据的解释效果不满足预设效果需求的目标评估维度;
基于所述目标评估维度的评估结果,生成针对所述目标数据的解释优化方案,所述解释优化方案用于对所述目标数据的生成方式进行优化处理,以基于优化后的生成方式,生成针对所述第一模型且满足所述预设效果需求的解释数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410195378.5A CN117950876A (zh) | 2024-02-21 | 2024-02-21 | 数据处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410195378.5A CN117950876A (zh) | 2024-02-21 | 2024-02-21 | 数据处理方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117950876A true CN117950876A (zh) | 2024-04-30 |
Family
ID=90792241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410195378.5A Pending CN117950876A (zh) | 2024-02-21 | 2024-02-21 | 数据处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117950876A (zh) |
-
2024
- 2024-02-21 CN CN202410195378.5A patent/CN117950876A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115712866B (zh) | 数据处理方法、装置及设备 | |
CN117076650B (zh) | 一种基于大语言模型的智能对话方法、装置、介质及设备 | |
CN116167461B (zh) | 一种模型训练的方法、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 | |
CN115203394A (zh) | 一种模型训练的方法、业务执行的方法及装置 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN116909889A (zh) | 一种模型的风险评测方法、装置及设备 | |
CN117113174A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN115841335B (zh) | 数据处理方法、装置及设备 | |
CN116664514A (zh) | 数据处理方法、装置及设备 | |
CN115204395A (zh) | 数据的处理方法、装置及设备 | |
CN117950876A (zh) | 数据处理方法、装置及设备 | |
CN116308375A (zh) | 数据处理方法、装置及设备 | |
CN111242195B (zh) | 模型、保险风控模型训练方法、装置及电子设备 | |
CN110929871A (zh) | 博弈决策方法和系统 | |
CN116070916B (zh) | 数据处理方法、装置及设备 | |
CN114817469B (zh) | 文本增强方法、文本增强模型的训练方法及装置 | |
CN111563048B (zh) | 一种生物识别设备的测试方法、装置、设备及系统 | |
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 | |
CN118261420A (zh) | 数据处理方法、装置及设备 | |
CN116630029A (zh) | 风险识别模型训练方法及装置 | |
CN116702131A (zh) | 一种数据处理方法、装置及设备 | |
CN116186607A (zh) | 一种模型的处理方法、装置及设备 | |
CN116612354A (zh) | 活体攻击检测模型的训练方法、活体攻击检测方法及装置 | |
CN118196530A (zh) | 数据处理方法、装置及设备 |
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 |