[發明專利]基于模型訓練的節點解析方法、裝置、設備及存儲介質

在審

• 申請號: 202010433477.4
• 申請日: 2020-05-21
• 公開（公告）號: CN111738450A
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 張杰
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 劉挽瀾

本發明涉及人工智能技術領域，公開了一種基于模型訓練的節點解析方法、裝置、設備及存儲介質，用于減少節點判斷次數以及提高解析目標葉子節點的效率，達到毫秒級反饋的效果。基于模型訓練的節點解析方法包括：從預置梯度提升決策樹GBDT模型中獲取多個GBDT結構；遍歷多個GBDT結構，對多個GBDT結構進行合并，生成多個待判斷樹結構；獲取多個葉子節點判斷條件；在每層葉子節點中選取待判斷葉子節點，得到多個待判斷葉子節點，根據每個待判斷葉子節點對應的葉子節點判斷條件選取目標待判斷葉子節點或者目標待判斷葉子節點對應的兄弟葉子節點作為目標葉子節點，得到多個目標葉子節點。此外，本發明還涉及區塊鏈技術，多個目標葉子節點可存儲于區塊鏈中。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種基于模型訓練的節點解析方法、裝置、設備及存儲介質。

背景技術

梯度提升決策樹(gradient boosting decision tree，GBDT)模型的葉子節點可以用來作為邏輯回歸模型的特征來訓練，以提高邏輯回歸模型的效果，在業界已經得到充分的認證和實踐。大致過程分三步，第一步：訓練GBDT模型；第二步：解析GBDT模型的葉子節點，生成特征；第三步：將GBDT葉子節點特征輸入邏輯回歸模型訓練。

在現有的技術中，解析GBDT模型葉子節點的方式是遍歷GBDT模型中的每一棵樹，判斷葉子節點是否滿足條件。通常訓練GBDT模型將樹的深度設置為5，迭代次數為100，每棵樹的葉子節點數為64，這種遍歷方式需要5x64x100＝32000次循環條件判斷，非常耗費時間導致工作效率極低。

發明內容

本發明的主要目的在于解決解析葉子節點時耗費時間及工作效率低的問題。

本發明第一方面提供了一種基于模型訓練的節點解析方法，包括：從預置梯度提升決策樹GBDT模型中獲取多個GBDT結構，每個GBDT結構包括多個葉子節點；遍歷所述多個GBDT結構，對所述多個GBDT結構進行合并，生成多個待判斷樹結構；從所述多個待判斷樹結構中獲取多個葉子節點判斷條件，每個葉子節點判斷條件對應一個葉子節點；在每層葉子節點中選取待判斷葉子節點，得到多個待判斷葉子節點，根據每個待判斷葉子節點對應的葉子節點判斷條件選取目標待判斷葉子節點或者目標待判斷葉子節點對應的兄弟葉子節點作為目標葉子節點，得到多個目標葉子節點，所述多個待判斷葉子節點包括第一待判斷葉子節點至第N待判斷葉子節點，其中，N為正整數。

可選的，在本發明第一方面的第一種實現方式中，所述遍歷所述多個GBDT結構，對所述多個GBDT結構進行合并，生成多個待判斷樹結構包括：遍歷所述多個GBDT結構，判斷所述多個GBDT結構中的多個葉子節點是否包括至少一組相同節點；若所述多個GBDT結構中的多個葉子節點包括至少一組相同節點，則合并至少一組相同節點下的多個子節點，生成多個待判斷樹結構。

可選的，在本發明第一方面的第二種實現方式中，所述遍歷所述多個GBDT結構，判斷所述多個GBDT結構中的多個葉子節點是否包括至少一組相同節點包括：遍歷所述多個GBDT結構，隨機選取兩個GBDT結構，并判斷隨機選取的兩個GBDT結構的同一層葉子節點中是否包括至少一組相同節點；若所述隨機選取的兩個GBDT結構的同一層葉子節點中至少包括一組相同節點，則判定所述多個GBDT結構中包括至少一組相同節點；或者，分別統計所述多個GBDT結構的節點數，選取所述節點數最高的兩個GBDT結構，得到兩個順序GBDT結構，并判斷所述兩個順序GBDT結構的同一層葉子節點中是否包括至少一組相同節點；若所述兩個順序GBDT結構的同一層葉子節點中至少包括一組相同節點，則判定所述多個GBDT結構中包括至少一組相同節點。