对支付指标波动进行归因的方法及装置制造方法及图纸

本说明书实施例提供一种对支付指标波动进行归因的方法。该方法包括：首先，获取多个训练样本，其中各个训练样本包括在对应的时间切片下，与支付相关的多个因子的多个因子值以及支付指标的指标值；接着，利用所述多个训练样本构建第一贝叶斯网络，以及针对所述多个因子中任一的目标因子，将第一训练样本中对应的第一因子值替换为第二训练样本中对应的第二因子值，得到第一反事实样本；进一步，基于该第一贝叶斯网络处理该第一反事实样本，得到针对所述支付指标的第一预测结果；然后，基于所述第一预测结果和所述第二训练样本中对应所述支付指标的第二指标值，确定所述目标因子针对所述支付指标的影响系数。述支付指标的影响系数。述支付指标的影响系数。

【技术实现步骤摘要】
对支付指标波动进行归因的方法及装置


[0001]本说明书一个或多个实施例涉及计算机
，尤其涉及一种对支付指标波动进行归因的方法及装置，一种对业务指标波动进行归因的方法及装置。

技术介绍

[0002]随着科学技术的进步和社会的发展，涌现出大量的业务平台，这些业务平台为用户提供各式各样的业务服务，例如，支付平台为用户提供与电子支付业务相关的服务。为了使用户拥有良好的体验，需要维持业务平台运营的安全性、稳定性，这就涉及到对业务平台中业务指标的数值监测。进一步，当监测发现业务指标的指标值发生波动、发生异常变化时，需要对背后原因进行分析。通常情况下，业务指标受到多个因素的影响，人工查阅比对每个因素造成的波动不仅效率低下，而且缺乏科学统一的评判标准。
[0003]因此，需要一种方案，可以实现对业务指标波动的自动化归因，从而辅助维护业务平台的稳定运营，进而为用户提供良好的服务体验。

技术实现思路

[0004]本说明书一个或多个实施例描述了一种对支付指标波动进行归因的方法及装置，通过利用训练样本构建贝叶斯网络及反事实样本，得到与支付相关的因子针对支付指标的影响系数，从而自动、高效地实现指标波动归因。
[0005]根据第一方面，提供一种对支付指标波动进行归因的方法，包括：获取多个训练样本，其中各个训练样本包括在对应的时间切片下，与支付相关的多个因子的多个因子值以及支付指标的指标值；利用所述多个训练样本构建第一贝叶斯网络；针对所述多个因子中任一的目标因子，将第一训练样本中对应的第一因子值替换为第二训练样本中对应的第二因子值，得到第一反事实样本；基于该第一贝叶斯网络处理该第一反事实样本，得到针对所述支付指标的第一预测结果；基于所述第一预测结果和所述第二训练样本中对应所述支付指标的第二指标值，确定所述目标因子针对所述支付指标的影响系数。
[0006]在一个实施例中，所述多个因子包括以下中的至少一个：支付客户端的安装系统、支付操作的网络环境、支付渠道、支付金额；所述支付指标为支付成功率。
[0007]在一个实施例中，在将第一训练样本中对应的第一因子值替换为第二训练样本中对应的第二因子值，得到第一反事实样本之前，所述方法还包括：从所述多个训练样本中选取两个训练样本，分别作为所述第一训练样本和第二训练样本，所述第一训练样本包括对应所述支付指标的第一指标值，所述第一指标值与所述第二指标值之间的差异程度大于预设阈值。
[0008]在一个实施例中，所述第一贝叶斯网络中的图结构包括多个节点之间存在依赖关系而形成的有向连接边，所述多个节点对应所述多个因子和支付指标；所述第一贝叶斯网络还包括对所述依赖关系进行量化表征的条件概率信息。
[0009]在一个具体的实施例中，基于所述第一贝叶斯网络处理所述第一反事实样本，得
到针对所述支付指标的第一预测结果，包括：将所述第一反事实样本中包括的多个因子值输入所述第一贝叶斯网络，根据所述条件概率信息，得到所述第一预测结果。
[0010]在一个实施例中，基于所述第一贝叶斯网络处理所述第一反事实样本，得到针对所述支付指标的第一预测结果，包括：对所述第一贝叶斯网络进行复制，得到第二贝叶斯网络作为反事实贝叶斯网络；利用多个噪声项连接所述第一贝叶斯网络和第二贝叶斯网络，得到双子网络；将所述第一训练样本作为所述双子网络中第一贝叶斯网络的输入，得到所述多个噪声项对应的多个噪声值；将所述多个噪声值赋值给所述双子网络中的多个噪声项，并将所述第一反事实样本中的多个因子值作为所述双子网络中第二贝叶斯网络的输入，得到所述第一预测结果。
[0011]在一个实施例中，所述第一预测结果中包括所述支付指标的第一概率分布；其中，基于所述第一预测结果和所述第二训练样本中对应所述支付指标的第二指标值，确定所述目标支付因子针对该支付指标的影响系数，包括：基于所述第一概率分布，计算所述支付指标的第一期望值；基于所述第一期望值和所述第二指标值之间的第一差异程度，确定所述影响系数。
[0012]在一个实施例中，所述支付指标属于离散变量，所述第一预测结果中包括所述支付指标对应其取值空间中各个离散值的取值概率；上述基于所述第一预测结果和所述第二训练样本中对应所述支付指标的第二指标值，确定所述目标支付因子针对该支付指标的影响系数，包括：基于所述第一预测结果中对应所述第二指标值的取值概率，确定所述影响系数。
[0013]在一个实施例中，在确定所述影响系数之前，所述方法还包括：将所述第二训练样本中的第二因子值替换为所述第一因子值，得到第二反事实样本；基于所述第一贝叶斯网络处理所述第二反事实样本，得到针对所述支付指标的第二预测结果；其中，确定所述目标因子针对所述支付指标的影响系数，包括：基于所述第一预测结果和所述第二指标值，以及基于所述第二预测结果和所述第一训练样本中对应所述支付指标的第一指标值，确定所述影响系数。
[0014]在一个具体的实施例中，所述第一预测结果中包括所述支付指标的第一概率分布，所述第二预测结果中包括所述支付指标的第二概率分布；其中，确定所述影响系数，包括：基于所述第一概率分布，计算所述支付指标的第一期望值；确定所述第一期望值和所述第二指标值之间的第一差异程度；基于所述第二概率分布，计算所述支付指标的第二期望值；确定所述第二期望值和所述第一指标值之间的第二差异程度；根据所述第一差异程度和第二差异程度，确定所述影响系数。
[0015]在一个实施例中，在确定所述目标因子针对该支付指标的影响系数之后，所述方法还包括：获取确定出的所述多个因子对应的多个影响系数；基于所述多个影响系数，对所述多个因子进行排序。
[0016]根据第二方面，提供一种对业务指标波动进行归因的方法，包括：获取多个业务样本，其中各个业务样本包括在对应的时间切片下，多个业务因子的多个因子值以及业务指标的指标值；利用所述多个业务样本构建贝叶斯网络；针对所述多个业务因子中任一的目标业务因子，将第一训练样本中对应的第一因子值替换为第二训练样本中对应的第二因子值，得到第一反事实样本；基于该贝叶斯网络处理该第一反事实样本，得到针对所述业务指
标的第一预测结果；基于所述第一预测结果和所述第二训练样本中对应所述业务指标的第二指标值，确定所述目标业务因子针对所述业务指标的影响系数。
[0017]根据第三方面，提供一种对支付指标波动进行归因的装置，包括：获取单元，配置为获取多个训练样本，其中各个训练样本包括在对应的时间切片下，与支付相关的多个因子的多个因子值以及支付指标的指标值；网络构建单元，配置为利用所述多个训练样本构建第一贝叶斯网络；第一样本构建单元，配置为针对所述多个因子中任一的目标因子，将第一训练样本中对应的第一因子值替换为第二训练样本中对应的第二因子值，得到第一反事实样本；第一预测单元，配置为基于该第一贝叶斯网络处理该第一反事实样本，得到针对所述支付指标的第一预测结果；系数确定单元，配置为基于所述第一预测结果和所述第二训练样本中对应所述支付指标的第二指标值，确定所述目标因子针对所述支付指标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对支付指标波动进行归因的方法，包括：获取多个训练样本，其中各个训练样本包括在对应的时间切片下，与支付相关的多个因子的多个因子值以及支付指标的指标值；利用所述多个训练样本构建第一贝叶斯网络；针对所述多个因子中任一的目标因子，将第一训练样本中对应的第一因子值替换为第二训练样本中对应的第二因子值，得到第一反事实样本；基于该第一贝叶斯网络处理该第一反事实样本，得到针对所述支付指标的第一预测结果；基于所述第一预测结果和所述第二训练样本中对应所述支付指标的第二指标值，确定所述目标因子针对所述支付指标的影响系数。2.根据权利要求1所述的方法，其中，所述多个因子包括以下中的至少一个：支付客户端的安装系统、支付操作的网络环境、支付渠道、支付金额；所述支付指标为支付成功率。3.根据权利要求1所述的方法，其中，在将第一训练样本中对应的第一因子值替换为第二训练样本中对应的第二因子值，得到第一反事实样本之前，所述方法还包括：从所述多个训练样本中选取两个训练样本，分别作为所述第一训练样本和第二训练样本，所述第一训练样本包括对应所述支付指标的第一指标值，所述第一指标值与所述第二指标值之间的差异程度大于预设阈值。4.根据权利要求1所述的方法，其中，所述第一贝叶斯网络中的图结构包括多个节点之间存在依赖关系而形成的有向连接边，所述多个节点对应所述多个因子和支付指标；所述第一贝叶斯网络还包括对所述依赖关系进行量化表征的条件概率信息。5.根据权利要求4所述的方法，其中，基于所述第一贝叶斯网络处理所述第一反事实样本，得到针对所述支付指标的第一预测结果，包括：将所述第一反事实样本中包括的多个因子值输入所述第一贝叶斯网络，根据所述条件概率信息，得到所述第一预测结果。6.根据权利要求1所述的方法，其中，基于所述第一贝叶斯网络处理所述第一反事实样本，得到针对所述支付指标的第一预测结果，包括：对所述第一贝叶斯网络进行复制，得到第二贝叶斯网络作为反事实贝叶斯网络；利用多个噪声项连接所述第一贝叶斯网络和第二贝叶斯网络，得到双子网络；将所述第一训练样本作为所述双子网络中第一贝叶斯网络的输入，得到所述多个噪声项对应的多个噪声值；将所述多个噪声值赋值给所述双子网络中的多个噪声项，并将所述第一反事实样本中的多个因子值作为所述双子网络中第二贝叶斯网络的输入，得到所述第一预测结果。7.根据权利要求1
‑
6中任一项所述的方法，其中，所述第一预测结果中包括所述支付指标的第一概率分布；其中，基于所述第一预测结果和所述第二训练样本中对应所述支付指标的第二指标值，确定所述目标支付因子针对该支付指标的影响系数，包括：基于所述第一概率分布，计算所述支付指标的第一期望值；基于所述第一期望值和所述第二指标值之间的第一差异程度，确定所述影响系数。8.根据权利要求1
‑
6中任一项所述的方法，其中，所述支付指标属于离散变量，所述第一预测结果中包括所述支付指标对应其取值空间中各个离散值的取值概率；其中，基于所
述第一预测结果和所述第二训练样本中对应所述支付指标的第二指标值，确定所述目标支付因子针对该支付指标的影响系数，包括：基于所述第一预测结果中对应所述第二指标值的取值概率，确定所述影响系数。9.根据权利要求1所述的方法，其中，在确定所述影响系数之前，所述方法还包括：将所述第二训练样本中的第二因子值替换为所述第一因子值，得到第二反事实样本；基于所述第一贝叶斯网络处理所述第二反事实样本，得到针对所述支付指...

【专利技术属性】
技术研发人员：吴歈，何建杉，王太峰，褚崴，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：