实例异常判定方法、装置、计算机设备及存储介质制造方法及图纸

本申请实施例属于人工智能领域，涉及一种实例异常判定方法、装置、计算机设备及存储介质，其中方法包括：通过获取影响实例异常判定的影响因子；根据预先收集的样本数据计算影响因子和实例异常判定之间的条件概率；构建初始贝叶斯网络；接收M个证据因子；将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。根据证据因子使用贝叶斯网络进行推理，得到实例异常的概率，通过实例异常的概率判定实例是否异常，证据因子与判定结果之间具有因果关系，判定结果可以被合理的解释。此外，本申请还涉及区块链技术，用户的证据因子可存储于区块链中。用户的证据因子可存储于区块链中。用户的证据因子可存储于区块链中。

【技术实现步骤摘要】
实例异常判定方法、装置、计算机设备及存储介质


[0001]本申请涉及人工智能
，尤其涉及实例异常判定方法、装置、计算机设备及存储介质。

技术介绍

[0002]随着人工智能在金融领域中的广泛使用，在移动端开展金融行为的场景越来越丰富，这些场景中每一个业务实例均涉及到较为严格的审批业务；审批业务中如何做到快速，高效，准确的判定是核心任务，与其他业务不同的一点，审批必须强调结果具有可解释性，这就对业务实例的审批判定提出了因果推理的要求。常见的深度学习在审批中的应用，尽管具有高准确率的优点，但是判定的结果无法进行解释说明。同时，采用深度学习为基础的专家系统往往计算开销比较大。

技术实现思路

[0003]本申请实施例的目的在于提出一种实例异常判定方法、装置、计算机设备及存储介质，以解决实例异常判定结果无法进行解释说明的问题。
[0004]为了解决上述技术问题，本申请实施例提供一种实例异常判定方法，采用了如下所述的技术方案：
[0005]获取影响实例异常判定的N个影响因子，N为大于0的正整数；
[0006]根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；
[0007]根据所述影响因子和所述条件概率，构建初始贝叶斯网络；
[0008]接收M个证据因子，所述M个证据因子提取自待判定的实例，M为大于0的正整数；
[0009]将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；
[0010]将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。
[0011]进一步的，在所述获取影响实例异常判定的N个影响因子的步骤中还包括：
[0012]获取样本数据，所述样本数据为标注了候选影响因子以及已判定是否异常的实例；
[0013]根据所述样本数据计算所述候选影响因子对实例异常判定的影响力；
[0014]将所述影响力与预设的第二阈值比较，当所述影响力大于预设的第二阈值时，确定所述候选影响因子为影响实例异常判定的影响因子。
[0015]进一步的，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：
[0016]根据决策树剪枝算法，对所述初始贝叶斯网络进行剪枝，得到简化的贝叶斯网络；
[0017]将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率。
[0018]进一步的，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：
[0019]接收硬证据因子，将所述硬证据因子嵌入所述初始贝叶斯网络，获得第一更新贝叶斯网络；
[0020]将所述M个证据因子输入所述第一更新贝叶斯网络计算所述实例异常的概率。
[0021]进一步的，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：
[0022]接收软证据因子，将所述软证据因子嵌入所述初始贝叶斯网络，获得第二更新贝叶斯网络；
[0023]将所述M个证据因子输入所述第二更新贝叶斯网络计算所述实例异常的概率。
[0024]进一步的，在所述将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常的步骤之后，还包括：
[0025]从所述M个证据因子中随机删除L个证据因子，得到M
‑
L个证据因子,L为小于M，大于或等于0的整数；
[0026]将所述M
‑
L个证据因子输入所述初始贝叶斯网络计算所述实例异常的修正概率；
[0027]计算所述修正概率和所述实例异常的概率之间的差值；
[0028]当所述差值小于预设的第三阈值时，返回所述M
‑
L个证据因子作为所述实例被判定为异常的解释因子。
[0029]进一步的，在所述接收M个证据因子，所述M个证据因子提取自待判定的实例的步骤之后，还包括：
[0030]将所述M个证据因子存储至区块链中。
[0031]为了解决上述技术问题，本申请实施例还提供一种实例异常判定装置，采用了如下所述的技术方案：
[0032]获取模块，用于获取影响实例异常判定的N个影响因子，N为大于0的正整数；
[0033]计算模块，用于根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；
[0034]构建模块，用于根据所述影响因子和所述条件概率，构建初始贝叶斯网络；
[0035]接收模块，用于接收M个证据因子，所述M个证据因子提取自待判定的实例，M为大于0的正整数；
[0036]处理模块，用于将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；
[0037]判定模块，用于将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。
[0038]进一步的，所述获取模块中还包括：
[0039]第一获取子模块，用于获取样本数据，所述样本数据为标注了候选影响因子以及已判定是否异常的实例；
[0040]第一计算子模块，用于根据所述样本数据计算所述候选影响因子对实例异常判定的影响力；
[0041]第一确定子模块，用于将所述影响力与预设的第二阈值比较，当所述影响力大于预设的第二阈值时，确定所述候选影响因子为影响实例异常判定的影响因子。
[0042]进一步的，所述实例异常判定装置还包括：
[0043]第一剪枝子模块，用于根据决策树剪枝算法，对所述初始贝叶斯网络进行剪枝，得到简化的贝叶斯网络；
[0044]第一处理子模块，用于将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率。
[0045]进一步的，所述实例异常判定装置还包括：
[0046]第一接收子模块，用于接收硬证据因子，将所述硬证据因子嵌入所述初始贝叶斯网络，获得第一更新贝叶斯网络；
[0047]第二处理子模块，用于将所述M个证据因子输入所述第一更新贝叶斯网络计算所述实例异常的概率。
[0048]进一步的，所述实例异常判定装置还包括：
[0049]第一接收子模块，用于接收软证据因子，将所述软证据因子嵌入所述初始贝叶斯网络，获得第二更新贝叶斯网络；
[0050]第三处理子模块，用于将所述M个证据因子输入所述第二更新贝叶斯网络计算所述实例异常的概率。
[0051]进一步的，所述实例异常判定装置还包括：
[0052]第一选择子模块，用于从所述M个证据因子中随机删除L个证据因子，得到M
‑
L个证据因子,L为小于M，大于或等于0的整数；
[0053]第四处理子模块，用于将所述M
‑
L个证据因子输入所述初始贝叶斯网络计算所述实例异常的修正概率；
[0054]第二计算子模块，用于计算所述修正概率和所述实例异常的概率之间的差值；
...

【技术保护点】

【技术特征摘要】
1.一种实例异常判定方法，其特征在于，包括下述步骤：获取影响实例异常判定的N个影响因子，N为大于0的正整数；根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；根据所述影响因子和所述条件概率，构建初始贝叶斯网络；接收M个证据因子，所述M个证据因子提取自待判定的实例，M为大于0的正整数；将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。2.根据权利要求1所述的实例异常判定方法，其特征在于，在所述获取影响实例异常判定的N个影响因子的步骤中还包括：获取样本数据，所述样本数据为标注了候选影响因子以及已判定是否异常的实例；根据所述样本数据计算所述候选影响因子对实例异常判定的影响力；将所述影响力与预设的第二阈值比较，当所述影响力大于预设的第二阈值时，确定所述候选影响因子为影响实例异常判定的影响因子。3.根据权利要求1所述的实例异常判定方法，其特征在于，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：根据决策树剪枝算法，对所述初始贝叶斯网络进行剪枝，得到简化的贝叶斯网络；将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率。4.根据权利要求3所述的实例异常判定方法，其特征在于，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：接收硬证据因子，将所述硬证据因子嵌入所述初始贝叶斯网络，获得第一更新贝叶斯网络；将所述M个证据因子输入所述第一更新贝叶斯网络计算所述实例异常的概率。5.根据权利要求1所述的实例异常判定方法，其特征在于，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：接收软证据因子，将所述软证据因子嵌入所述初始贝叶斯网络，获得第二更新贝叶斯网络；将所述M个证据因子输入所述第二更新贝叶斯网络计算所述实例异常的概率。6...

【专利技术属性】
技术研发人员：陈昊，
申请(专利权)人：平安普惠企业管理有限公司，
类型：发明
国别省市：