[發(fā)明專利]樹模型的對(duì)象可解釋性特征提取方法、裝置、設(shè)備及介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210063863.8
• 申請(qǐng)日: 2022-01-20
• 公開（公告）號(hào): CN114399000A
• 公開（公告）日: 2022-04-26
• 發(fā)明（設(shè)計(jì)）人: 魏一傲
• 申請(qǐng)（專利權(quán)）人: 中國平安人壽保險(xiǎn)股份有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N7/00
• 代理公司: 深圳市精英專利事務(wù)所 44242
• 代理人: 武志峰

本發(fā)明涉及人工智能領(lǐng)域，提供一種樹模型的對(duì)象可解釋性特征提取方法、裝置、設(shè)備及介質(zhì)，能夠根據(jù)每個(gè)分裂特征在每個(gè)弱分類器中的衰減值及每個(gè)弱分類器的權(quán)重計(jì)算轉(zhuǎn)移概率，并根據(jù)轉(zhuǎn)移概率對(duì)每個(gè)分裂特征進(jìn)行特征融合，篩選出貢獻(xiàn)最大的節(jié)點(diǎn)作為融合后的節(jié)點(diǎn)，使由此節(jié)點(diǎn)遍歷得到的路徑中每個(gè)節(jié)點(diǎn)的貢獻(xiàn)值最大化，計(jì)算根據(jù)融合后的分裂特征構(gòu)建的貝葉斯圖中每條路徑的聯(lián)合概率，反映出每條路徑的重要程度，獲取聯(lián)合概率最高的路徑上所對(duì)應(yīng)的特征作為對(duì)象可解釋性特征，以識(shí)別重要路徑，從多個(gè)特征維度同時(shí)考慮影響最顯著的特征，輔助確定業(yè)務(wù)上的判別規(guī)則，提高輸出結(jié)果的可解釋性。本發(fā)明還涉及區(qū)塊鏈技術(shù)，目標(biāo)模型可以存儲(chǔ)于區(qū)塊鏈節(jié)點(diǎn)上。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種樹模型的對(duì)象可解釋性特征提取方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)

隨著人工智能的不斷發(fā)展，模型的可解釋性在業(yè)務(wù)場景中的應(yīng)用愈發(fā)重要。

樹模型是當(dāng)前運(yùn)用較多的一種算法，運(yùn)行邏輯較為簡單，容易理解，但是，目前的方案只能輸出樹模型中的特征重要性程度，尚無法判斷樹模型中的重要路徑。例如：SHAP(SHapley Additive exPlanations)是業(yè)內(nèi)較成熟的模型可解釋性算法，該算法通過博弈論的理論計(jì)算樹模型特征路徑上的特征邊際貢獻(xiàn)值，并返回特征重要性，能提示特征貢獻(xiàn)的方向，但是不能識(shí)別樹模型中的重要路徑。

因此，在對(duì)象甄選場景(如保險(xiǎn)代理人甄選)中，由于現(xiàn)有的模型可解釋性方案還不能實(shí)現(xiàn)對(duì)樹模型中重要路徑的判斷，模型的可解釋性還有待提高，也就無法給出對(duì)象留存的合理解釋，不利于對(duì)對(duì)象的甄選。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種樹模型的對(duì)象可解釋性特征提取方法、裝置、設(shè)備及介質(zhì)，旨在解決對(duì)象甄選場景中模型可解釋性不強(qiáng)的問題。

第一方面，本發(fā)明實(shí)施例提供了一種樹模型的對(duì)象可解釋性特征提取方法，其包括：

獲取多個(gè)對(duì)象的至少一個(gè)特征對(duì)應(yīng)的數(shù)據(jù)構(gòu)建訓(xùn)練樣本集，并利用所述訓(xùn)練樣本集訓(xùn)練樹模型，得到目標(biāo)模型；

確定所述目標(biāo)模型中每個(gè)弱分類器的類型，并根據(jù)每個(gè)弱分類器的類型計(jì)算所述目標(biāo)模型中每個(gè)弱分類器的權(quán)重；

對(duì)于所述訓(xùn)練樣本集中的每個(gè)訓(xùn)練樣本，在所述目標(biāo)模型中選擇每個(gè)訓(xùn)練樣本對(duì)應(yīng)的每個(gè)特征的目標(biāo)分裂點(diǎn)，并根據(jù)每個(gè)特征的目標(biāo)分裂點(diǎn)確定每個(gè)樣本的路徑；

獲取每個(gè)樣本的路徑中的分裂特征，并計(jì)算每個(gè)分裂特征在每個(gè)弱分類器中的衰減值；

根據(jù)每個(gè)分裂特征在每個(gè)弱分類器中的衰減值及每個(gè)弱分類器的權(quán)重計(jì)算每個(gè)分裂特征在每個(gè)弱分類器中的轉(zhuǎn)移概率；

根據(jù)每個(gè)分裂特征在每個(gè)弱分類器中的轉(zhuǎn)移概率對(duì)每個(gè)分裂特征進(jìn)行特征融合；

根據(jù)融合后的分裂特征構(gòu)建貝葉斯圖，并計(jì)算所述貝葉斯圖中每條路徑的聯(lián)合概率；

獲取所述聯(lián)合概率最高的路徑上所對(duì)應(yīng)的特征作為所述對(duì)象可解釋性特征。

根據(jù)本發(fā)明優(yōu)選實(shí)施例，所述根據(jù)每個(gè)弱分類器的類型計(jì)算所述目標(biāo)模型中每個(gè)弱分類器的權(quán)重包括：

當(dāng)每個(gè)弱分類器的類型都為引導(dǎo)聚集算法類型時(shí)，獲取所述目標(biāo)模型中所述弱分類器的總數(shù)量，并計(jì)算所述總數(shù)量的倒數(shù)作為每個(gè)弱分類器的權(quán)重；或者

當(dāng)每個(gè)弱分類器的類型都為提升算法類型時(shí)，計(jì)算每個(gè)弱分類器的信息熵增益，并按照每個(gè)弱分類器的信息熵增益確定每個(gè)弱分類器的權(quán)重分配比例，根據(jù)每個(gè)弱分類器的權(quán)重分配比例計(jì)算每個(gè)弱分類器的權(quán)重。

根據(jù)本發(fā)明優(yōu)選實(shí)施例，所述在所述目標(biāo)模型中選擇每個(gè)訓(xùn)練樣本對(duì)應(yīng)的每個(gè)特征的目標(biāo)分裂點(diǎn)包括：

計(jì)算每個(gè)特征在分裂前的信息熵；

計(jì)算每個(gè)特征在分裂后的信息熵的和；