[发明专利]业务特征数据处理方法、装置、电子设备及存储介质

说明书

本公开关于一种业务特征数据处理方法、装置、电子设备及存储介质，该方法包括获取目标业务的第一数量个业务特征数据在多个重要性分析维度的分析指标数据；根据多个重要性分析维度的分析指标数据，分别从第一数量个业务特征数据中，筛选出多个重要性分析维度各自对应的目标业务特征数据；基于多个重要性分析维度各自对应预设模型，对各自对应的目标业务特征数据进行业务处理，得到多个重要性分析维度各自对应的指标权重信息；基于指标权重信息，对多个重要性分析维度的分析指标数据进行加权融合，得到第一数量个业务特征数据的目标分析指标数据。利用本公开实施例可以提升业务特征数据对业务模型进行业务处理的重要程度的表征精准性和全面性。

技术领域

本公开涉及人工智能技术领域，尤其涉及一种业务特征数据处理方法、装置、电子设备及存储介质。

背景技术

随着人工智能技术的飞速发展和大数据时代的到来，机器学习模型在越来越多的领域得到了应用。但随着数据规模的越来越大，机器学习模型越来越复杂的模型结构也引发了无法解释的黑盒问题，暴露出了安全风险和不公正问题，不利于机器学习模型的大规模使用。

相关技术中，为了应对黑盒模型的不可解释的问题，提出了可解释机器学习的方法，具体的，是通过将机器学习模型的模型参数作为，用于表征相关业务场景中业务特征数据对模型进行业务处理的重要程度的指标数据。但相关技术中的方法对模型要求较高，只有符合要求的线性机器学习模型(白盒模型)才可以直接从模型参数中，获得能够表征业务特征数据对模型进行业务处理的重要程度的指标数据，其他的复杂模型(特别是黑盒模型)无法使用此方法，且上述以模型参数来作为表征业务特征数据对模型进行业务处理的重要程度的指标数据的方法重要性分析维度单一，不能准确表征业务特征数据对模型进行业务处理的重要程度，导致后续模型的通用性和鲁棒性较差，无法有效的进行业务处理，而大量无效的业务处理也带来了计算资源浪费，设备性能差等问题。

发明内容

本公开提供一种业务特征数据处理方法、装置、电子设备及存储介质，以至少解决相关技术中重要性分析维度单一，不能准确表征业务特征数据对模型进行业务处理的重要程度，导致后续模型的通用性和鲁棒性较差，无法有效的进行业务处理，而大量无效的业务处理也带来了计算资源浪费，设备性能差等问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种业务特征数据处理方法，包括：

获取目标业务的第一数量个业务特征数据在多个重要性分析维度的分析指标数据，所述分析指标数据用于从多个所述重要性分析维度，分别表征所述第一数量个业务特征数据，对所述目标业务对应的业务模型进行业务处理的重要程度；

根据多个所述重要性分析维度的分析指标数据，分别从所述第一数量个业务特征数据中，筛选出多个所述重要性分析维度各自对应的目标业务特征数据，所述目标业务特征数据为对所述业务模型进行业务处理的重要程度满足预设条件的业务特征数据；

基于多个所述重要性分析维度各自对应预设模型，对多个所述重要性分析维度各自对应的目标业务特征数据进行业务处理，得到多个所述重要性分析维度各自对应的指标权重信息；

基于多个所述重要性分析维度各自对应的指标权重信息，对多个所述重要性分析维度的分析指标数据进行加权融合，得到所述第一数量个业务特征数据的目标分析指标数据。

在一个可选的实施例中，所述基于多个所述重要性分析维度各自对应预设模型，对多个所述重要性分析维度各自对应的目标业务特征数据进行业务处理，得到多个所述重要性分析维度各自对应的指标权重信息包括：

将多个所述重要性分析维度各自对应的目标业务特征数据，分别拆分成训练业务特征数据和测试业务特征数据；

基于多个所述重要性分析维度各自对应的训练业务特征数据对预设模型进行训练，得到目标模型；