一种模型处理方法和装置制造方法及图纸

本说明书实施例提供一种模型处理方法和装置，该模型处理方法包括：获取具备可解释性的目标树模型；基于神经网络对目标树模型进行蒸馏，得到神经网络模型，其中，对目标树模型进行蒸馏包括对目标树模型的特征提取能力以及聚类能力进行蒸馏；基于目标树模型的可解释性可以确定蒸馏得到的神经网络模型的可解释性。可以确定蒸馏得到的神经网络模型的可解释性。可以确定蒸馏得到的神经网络模型的可解释性。

【技术实现步骤摘要】
一种模型处理方法和装置


[0001]本文件涉及机器学习
，尤其涉及一种模型处理方法和装置。

技术介绍

[0002]在目前的风控场景中，在使用模型进行风险控制时，通常使用神经网络模型。神经网络模型可以从原始数据开始建模，具有较强的模型效果上限。将神经网络模型应用到风控场景中，能够实现对待风控对象的有效风控。
[0003]在风控场景中，模型的可解释性具有重要意义。模型的可解释性通常是指特征对于输出结果的贡献程度或是指对模型内部机制的理解以及对模型结果的解释等。一般而言，模型的可解释性越高，人们就越容易理解为什么要做出某些决定或预测。然而，神经网络模型通常是不具备可解释性的，因此，在风控场景中，为了更好地使用神经网络模型进行风控，就需要使神经网络模型具备可解释性，而目前还缺少一种有效的技术方案能够实现这样的目的。

技术实现思路

[0004]本说明书实施例提供一种模型处理方法和装置，用于解决目前在风控场景中，用于进行风控的神经网络模型不具备可解释性的问题。
[0005]为解决上述技术问题，本说明书实施例是这样实现的：
[0006]第一方面，提出一种模型处理方法，包括：
[0007]获取目标树模型，所述目标树模型具备可解释性；
[0008]基于神经网络对所述目标树模型进行蒸馏，得到神经网络模型，对所述目标树模型进行蒸馏包括对所述目标树模型的特征提取能力以及聚类能力进行蒸馏；
[0009]基于所述目标树模型的可解释性确定所述神经网络模型的可解释性。
[0010]第二方面，提出一种模型处理装置，包括：
[0011]获取单元，获取目标树模型，所述目标树模型具备可解释性；
[0012]蒸馏单元，基于神经网络对所述目标树模型进行蒸馏，得到神经网络模型，对所述目标树模型进行蒸馏包括对所述目标树模型的特征提取能力以及聚类能力进行蒸馏；
[0013]可解释性输出单元，基于所述目标树模型的可解释性确定所述神经网络模型的可解释性。
[0014]第三方面，提出一种电子设备，包括：
[0015]处理器；以及
[0016]被安排成存储计算机可执行指令的存储器，该可执行指令在被执行时使该处理器执行以下操作：
[0017]获取目标树模型，所述目标树模型具备可解释性；
[0018]基于神经网络对所述目标树模型进行蒸馏，得到神经网络模型，对所述目标树模型进行蒸馏包括对所述目标树模型的特征提取能力以及聚类能力进行蒸馏；
[0019]基于所述目标树模型的可解释性确定所述神经网络模型的可解释性。
[0020]第四方面，提出一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下方法：
[0021]获取目标树模型，所述目标树模型具备可解释性；
[0022]基于神经网络对所述目标树模型进行蒸馏，得到神经网络模型，对所述目标树模型进行蒸馏包括对所述目标树模型的特征提取能力以及聚类能力进行蒸馏；
[0023]基于所述目标树模型的可解释性确定所述神经网络模型的可解释性。
[0024]本说明书一个或多个实施例采用的上述至少一个技术方案能够达到以下技术效果：
[0025]通过获取具备可解释性的目标树模型，然后通过神经网络对目标树模型进行蒸馏，可以得到具备可解释性的神经网络模型，其中，对目标树模型的蒸馏包括对目标树模型的特征提取能力以及聚类能力进行蒸馏，神经网络模型的可解释性可以根据目标树模型的可解释性确定。由此，可以使得神经网络模型具备可解释性，从而在风控场景下，可以更好地使用神经网络模型进行风控。
附图说明
[0026]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实施例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。
[0027]图1是本说明书的一个实施例模型处理方法的流程示意图；
[0028]图2是本说明书的一个实施例通过神经网络模拟树模型的聚类结果的示意图；
[0029]图3是本说明书的一个实施例神经网络模型的结构示意图；
[0030]图4是本说明书的一个实施例神经网络模型的结构示意图；
[0031]图5是本说明书的一个实施例电子设备的结构示意图；
[0032]图6是本说明书的一个实施例模型处理装置的结构示意图。
具体实施方式
[0033]为了使本
的人员更好地理解本说明书实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，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作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
[0034]模型的可解释性是指人类能够理解决策原因的程度，亦或是特征对于输出结果的贡献程度，或对模型内部机制的理解以及对模型结果的解释等。在风控场景中，模型的可解释性具有重要意义。比如，在对某个风控对象进行风控处理后，可以根据模型的可解释性理解为什么要对该风控对象进行这样的风控处理。然而，目前风控场景中常用的风控模型为神经网络模型，而神经网络模型通常是不具备可解释性的，这样，当根据神经网络模型对某
个风控对象进行风控处理后，就无法解释为什么进行这样的风控处理。由此可见，为了更好地使用神经网络模型进行风控，就需要使神经网络模型具备可解释性。然而目前还缺少一种有效的技术方案能够实现这样的目的。
[0035]本说明书实施例提供一种模型处理方法和装置，可以获取具备可解释性的目标树模型，然后通过神经网络对目标树模型进行蒸馏，该蒸馏可以包括对目标树模型的特征提取能力以及聚类能力进行蒸馏，在对目标树模型进行蒸馏后可以得到神经网络模型。由于神经网络模型是对具备可解释性的目标树模型进行蒸馏后得到的，因此，可以根据目标树模型的可解释性确定神经网络模型的可解释性，由此可以使得神经网络模型具备可解释性，从而在风控场景下，可以更好地使用神经网络模型进行风控。
[0036]需要说明的是，本说明书实施例中的风控场景可以是盗用、欺诈等风控场景，在这些风控场景下，基于本说明书实施例提供的技术方案，可以使得用于进行风控的神经网络模型具备可解释性，从而在基于神经网络模型对某个风控对象进行风控处理后，可以便于理解为什么进行这样的风控处理。
[0037]以下结合附图，详细说明本说明书各实施例提供的技术方案。
[0038]图1是本说明书的一个实施例模型处理方法的流程示意图。所述模型处理方法如下所述。
[0039]S102：获取目标树模型，目标树模型具备可解释性。
[0040]这里本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型处理方法，包括：获取目标树模型，所述目标树模型具备可解释性；基于神经网络对所述目标树模型进行蒸馏，得到神经网络模型，对所述目标树模型进行蒸馏包括对所述目标树模型的特征提取能力以及聚类能力进行蒸馏；基于所述目标树模型的可解释性确定所述神经网络模型的可解释性。2.如权利要求1所述的方法，所述目标树模型包括一个树模型；其中，所述基于神经网络对所述目标树模型进行蒸馏，得到神经网络模型，包括：将所述树模型进行特征提取得到的第一特征作为所述神经网络的输入特征，对所述树模型的特征提取能力进行蒸馏；通过所述神经网络拟合所述树模型的聚类结果，对所述树模型的聚类能力进行蒸馏；其中，蒸馏得到的所述神经网络模型的输入特征为所述第一特征，输出结果为所述树模型的聚类结果。3.如权利要求1所述的方法，所述目标树模型包括多个树模型；其中，所述基于神经网络对所述目标树模型进行蒸馏，得到神经网络模型，包括：将所述多个树模型中的任一树模型进行特征提取得到的第二特征作为所述神经网络的输入特征，对所述多个树模型的特征提取能力进行蒸馏，所述多个树模型进行特征提取得到的特征相同；在所述神经网络中设置多个子任务，通过所述多个子任务拟合所述多个树模型的聚类结果，对所述多个树模型的聚类能力进行蒸馏；其中，蒸馏得到的所述神经网络模型的输入特征为所述第二特征，输出结果为所述多个树模型的聚类结果。4.如权利要求3所述的方法，所述多个子任务的数量与所述多个树模型的数量相同，一个子任务用于拟合一个树模型的聚类结果；或，所述多个子任务的数量小于所述多个树模型的数量，一个子任务用于拟合至少一个树模型的聚类结果。5.如权利要求4所述的方法，在所述多个子任务的数量小于所述多个树模型的数量的情况下，所述方法还包括：对所述多个树模型进行分组，得到多个树模型组，所述多个树模型组的数量与所述多个子任务的数量相同，一个树模型组中包括至少一个树模型，一个子任务用于拟合一个树模型组的聚类结果。6.如权利要求5...

【专利技术属性】
技术研发人员：张长浩，申书恒，傅欣艺，王维强，
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：