树模型的对象可解释性特征提取方法、装置、设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种树模型的对象可解释性特征提取方法、装置、设备及介质。


背景技术：

2.随着人工智能的不断发展，模型的可解释性在业务场景中的应用愈发重要。
3.树模型是当前运用较多的一种算法，运行逻辑较为简单，容易理解，但是，目前的方案只能输出树模型中的特征重要性程度，尚无法判断树模型中的重要路径。例如：shap(shapley additive explanations)是业内较成熟的模型可解释性算法，该算法通过博弈论的理论计算树模型特征路径上的特征边际贡献值，并返回特征重要性，能提示特征贡献的方向，但是不能识别树模型中的重要路径。
4.因此，在对象甄选场景(如保险代理人甄选)中，由于现有的模型可解释性方案还不能实现对树模型中重要路径的判断，模型的可解释性还有待提高，也就无法给出对象留存的合理解释，不利于对对象的甄选。


技术实现要素：

5.本发明实施例提供了一种树模型的对象可解释性特征提取方法、装置、设备及介质，旨在解决对象甄选场景中模型可解释性不强的问题。
6.第一方面，本发明实施例提供了一种树模型的对象可解释性特征提取方法，其包括：
7.获取多个对象的至少一个特征对应的数据构建训练样本集，并利用所述训练样本集训练树模型，得到目标模型；
8.确定所述目标模型中每个弱分类器的类型，并根据每个弱分类器的类型计算所述目标模型中每个弱分类器的权重；
9.对于所述训练样本集中的每个训练样本，在所述目标模型中选择每个训练样本对应的每个特征的目标分裂点，并根据每个特征的目标分裂点确定每个样本的路径；
10.获取每个样本的路径中的分裂特征，并计算每个分裂特征在每个弱分类器中的衰减值；
11.根据每个分裂特征在每个弱分类器中的衰减值及每个弱分类器的权重计算每个分裂特征在每个弱分类器中的转移概率；
12.根据每个分裂特征在每个弱分类器中的转移概率对每个分裂特征进行特征融合；
13.根据融合后的分裂特征构建贝叶斯图，并计算所述贝叶斯图中每条路径的联合概率；
14.获取所述联合概率最高的路径上所对应的特征作为所述对象可解释性特征。
15.根据本发明优选实施例，所述根据每个弱分类器的类型计算所述目标模型中每个弱分类器的权重包括：
16.当每个弱分类器的类型都为引导聚集算法类型时，获取所述目标模型中所述弱分类器的总数量，并计算所述总数量的倒数作为每个弱分类器的权重；或者
17.当每个弱分类器的类型都为提升算法类型时，计算每个弱分类器的信息熵增益，并按照每个弱分类器的信息熵增益确定每个弱分类器的权重分配比例，根据每个弱分类器的权重分配比例计算每个弱分类器的权重。
18.根据本发明优选实施例，所述在所述目标模型中选择每个训练样本对应的每个特征的目标分裂点包括：
19.计算每个特征在分裂前的信息熵；
20.计算每个特征在分裂后的信息熵的和；
21.计算每个特征在分裂前的信息熵与每个特征在分裂后的信息熵的和的差值；
22.获取所述差值最大的节点作为每个特征的目标分裂点。
23.根据本发明优选实施例，所述计算每个分裂特征在每个弱分类器中的衰减值包括：
24.对于每个分裂特征，在同一方向上的每个弱分类器中，对所述分裂特征进行分箱处理，得到至少一个分箱，计算每个分箱中所述分裂特征的信息熵增益，并获取最大的信息熵增益作为所述分裂特征在对应的每个弱分类器中的第一衰减值；
25.在不同方向上的每个弱分类器中，计算所述分裂特征在每个弱分类器中的信息熵增益的累加和，分别确定所述分裂特征在每个弱分类器中的层数，并根据所述层数对所述累加和进行衰减，得到所述分裂特征在每个弱分类器中的第二衰减值；
26.比较所述第一衰减值与所述第二衰减值的大小，并将较大的值确定为所述分裂特征在每个弱分类器中的衰减值。
27.根据本发明优选实施例，所述根据每个分裂特征在每个弱分类器中的衰减值及每个弱分类器的权重计算每个分裂特征在每个弱分类器中的转移概率包括：
28.计算每个分裂特征在每个弱分类器中的衰减值与对应的每个弱分类器的权重的乘积；
29.获取最大的乘积作为每个分裂特征在每个弱分类器中的转移概率。
30.根据本发明优选实施例，所述根据每个分裂特征在每个弱分类器中的转移概率对每个分裂特征进行特征融合包括：
31.将每个分裂特征在每个弱分类器中最大的转移概率对应的节点确定为每个分裂特征的目标节点；
32.将每个分裂特征融合至所述目标节点，并从所述目标节点开始确定每个分裂特征对应的下一节点。
33.根据本发明优选实施例，所述计算所述贝叶斯图中每条路径的联合概率包括：
34.获取每条路径的节点，并确定每个节点对应的特征的转移概率；
35.对于每条路径，计算每个节点对应的特征的转移概率的和，得到每条路径的联合概率。
36.第二方面，本发明实施例提供了一种树模型的对象可解释性特征提取装置，其包括：
37.训练单元，用于获取多个对象的至少一个特征对应的数据构建训练样本集，并利
用所述训练样本集训练树模型，得到目标模型；
38.计算单元，用于确定所述目标模型中每个弱分类器的类型，并根据每个弱分类器的类型计算所述目标模型中每个弱分类器的权重；
39.确定单元，用于对于所述训练样本集中的每个训练样本，在所述目标模型中选择每个训练样本对应的每个特征的目标分裂点，并根据每个特征的目标分裂点确定每个样本的路径；
40.所述计算单元，还用于获取每个样本的路径中的分裂特征，并计算每个分裂特征在每个弱分类器中的衰减值；
41.所述计算单元，还用于根据每个分裂特征在每个弱分类器中的衰减值及每个弱分类器的权重计算每个分裂特征在每个弱分类器中的转移概率；
42.融合单元，用于根据每个分裂特征在每个弱分类器中的转移概率对每个分裂特征进行特征融合；
43.所述计算单元，还用于根据融合后的分裂特征构建贝叶斯图，并计算所述贝叶斯图中每条路径的联合概率；
44.获取单元，用于获取所述联合概率最高的路径上所对应的特征作为所述对象可解释性特征。
45.第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的树模型的对象可解释性特征提取方法。
46.第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的树模型的对象可解释性特征提取方法。
47.本发明实施例提供了一种树模型的对象可解释性特征提取方法、装置、设备及介质，能够获取多个对象的至少一个特征对应的数据构建训练样本集，并利用所述训练样本集训练树模型，得到目标模型，确定所述目标模型中每个弱分类器的类型，并根据每个弱分类器的类型计算所述目标模型中每个弱分类器的权重，以根据不同的弱分类器类型有针对性的进行权重的分配，对于所述训练样本集中的每个训练样本，在所述目标模型中选择每个训练样本对应的每个特征的目标分裂点，并根据每个特征的目标分裂点确定每个样本的路径，获取每个样本的路径中的分裂特征，并计算每个分裂特征在每个弱分类器中的衰减值，便于后续更加准确的进行特征融合，根据每个分裂特征在每个弱分类器中的衰减值及每个弱分类器的权重计算每个分裂特征在每个弱分类器中的转移概率，根据每个分裂特征在每个弱分类器中的转移概率对每个分裂特征进行特征融合，筛选出贡献最大的节点作为融合后的节点，使由此节点遍历得到的路径中每个节点的贡献值最大化，根据融合后的分裂特征构建贝叶斯图，并计算所述贝叶斯图中每条路径的联合概率，反映出每条路径的重要程度，获取所述联合概率最高的路径上所对应的特征作为所述对象可解释性特征，进而能够识别到重要的路径，从多个特征维度同时考虑影响最显著的特征，以辅助确定业务上的判别规则，提高输出结果的可解释性。
附图说明
48.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
49.图1为本发明实施例提供的树模型的对象可解释性特征提取方法的流程示意图；
50.图2为本发明实施例提供的树模型的对象可解释性特征提取装置的示意性框图；
51.图3为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
52.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
54.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
55.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
56.请参阅图1，为本发明实施例提供的树模型的对象可解释性特征提取方法的流程示意图。
57.s10，获取多个对象的至少一个特征对应的数据构建训练样本集，并利用所述训练样本集训练树模型，得到目标模型。
58.在本发明的至少一个实施例中，所述对象可以包括保险代理人的准增员等，所述准增员可以包括面试者或者准入人员等。
59.在本发明的至少一个实施例中，所述特征可以包括，但不限于以下一种或者多种特征的组合：
60.性别、年龄、工作年限、家庭地址。
61.进一步举例而言，在保险代理人的甄选场景中，可以将每个保险代理人作为对象，获取每个保险代理人在性别、年龄等特征维度下的数据作为输入特征，将在指定时间后(如三个月后)是否能够留存作为训练目标，并训练所述树模型，当所述树模型的损失收敛时，停止训练，即可得到所述目标模型。
62.s11，确定所述目标模型中每个弱分类器的类型，并根据每个弱分类器的类型计算所述目标模型中每个弱分类器的权重。
63.在本发明的至少一个实施例中，每个弱分类器的类型可以包括：bagging算法(bootstrap aggregating，引导聚集算法/装袋算法)类型、boosting算法(提升算法)类型。
64.在本发明的至少一个实施例中，所述根据每个弱分类器的类型计算所述目标模型
中每个弱分类器的权重包括：
65.当每个弱分类器的类型都为引导聚集算法类型时，获取所述目标模型中所述弱分类器的总数量，并计算所述总数量的倒数作为每个弱分类器的权重；或者
66.当每个弱分类器的类型都为提升算法类型时，计算每个弱分类器的信息熵增益，并按照每个弱分类器的信息熵增益确定每个弱分类器的权重分配比例，根据每个弱分类器的权重分配比例计算每个弱分类器的权重。
67.例如：当有弱分类器a的信息熵增益为a，所有弱分类器的信息熵增益的和为sum时，所述弱分类器a的权重为a/sum。
68.进一步地，还可以对每个弱分类器的权重进行标准化处理，以便于计算，在此不赘述。
69.通过上述实施方式，能够根据不同的弱分类器类型有针对性的进行权重的分配。
70.s12，对于所述训练样本集中的每个训练样本，在所述目标模型中选择每个训练样本对应的每个特征的目标分裂点，并根据每个特征的目标分裂点确定每个样本的路径。
71.在本发明的至少一个实施例中，所述在所述目标模型中选择每个训练样本对应的每个特征的目标分裂点包括：
72.计算每个特征在分裂前的信息熵；
73.计算每个特征在分裂后的信息熵的和；
74.计算每个特征在分裂前的信息熵与每个特征在分裂后的信息熵的和的差值；
75.获取所述差值最大的节点作为每个特征的目标分裂点。
76.通过上述实施方式，能够根据信息增益确定每个特征对应的最佳分裂节点。
77.进一步地，根据每个特征的目标分裂点确定每个样本的路径。
78.例如：当确定样本甲的特征x落到目标分裂点e时，获取初始节点a，及获取从所述初始节点a到所述目标分裂点e所经历的最短路径，并作为所述样本甲的路径。
79.s13，获取每个样本的路径中的分裂特征，并计算每个分裂特征在每个弱分类器中的衰减值。
80.在本发明的至少一个实施例中，当检测到有特征对应的节点有分叉时，将检测到的特征确定为所述分裂特征。
81.在本发明的至少一个实施例中，所述计算每个分裂特征在每个弱分类器中的衰减值包括：
82.对于每个分裂特征，在同一方向上的每个弱分类器中，对所述分裂特征进行分箱处理，得到至少一个分箱，计算每个分箱中所述分裂特征的信息熵增益，并获取最大的信息熵增益作为所述分裂特征在对应的每个弱分类器中的第一衰减值；
83.在不同方向上的每个弱分类器中，计算所述分裂特征在每个弱分类器中的信息熵增益的累加和，分别确定所述分裂特征在每个弱分类器中的层数，并根据所述层数对所述累加和进行衰减，得到所述分裂特征在每个弱分类器中的第二衰减值；
84.比较所述第一衰减值与所述第二衰减值的大小，并将较大的值确定为所述分裂特征在每个弱分类器中的衰减值。
85.具体地，可以按照等频或等距进行分箱，例如：对于年龄这一特征，将0-20作为一个分箱，将21-30作为一个分箱。
86.可以理解的是，不同特征的分叉可能会存在交叉、矛盾等现象，因此在构建图的过程中，要考虑相同特征的不同划分点，相同特征的划分逻辑不同，不同树中的特征分裂信息增益不同，以及特征在图中的独立性等多种情况，需结合多种情况。
87.通过上述实施方式，通过计算每个分裂特征在每个弱分类器中的衰减值，便于后续更加准确的进行特征融合。
88.s14，根据每个分裂特征在每个弱分类器中的衰减值及每个弱分类器的权重计算每个分裂特征在每个弱分类器中的转移概率。
89.在本发明的至少一个实施例中，所述根据每个分裂特征在每个弱分类器中的衰减值及每个弱分类器的权重计算每个分裂特征在每个弱分类器中的转移概率包括：
90.计算每个分裂特征在每个弱分类器中的衰减值与对应的每个弱分类器的权重的乘积；
91.获取最大的乘积作为每个分裂特征在每个弱分类器中的转移概率。
92.通过上述实施方式，能够基于权重与衰减值计算每个分裂特征在每个弱分类器中的转移概率，以便后续根据计算得到的转移概率进行路径的选择。
93.s15，根据每个分裂特征在每个弱分类器中的转移概率对每个分裂特征进行特征融合。
94.在本发明的至少一个实施例中，所述根据每个分裂特征在每个弱分类器中的转移概率对每个分裂特征进行特征融合包括：
95.将每个分裂特征在每个弱分类器中最大的转移概率对应的节点确定为每个分裂特征的目标节点；
96.将每个分裂特征融合至所述目标节点，并从所述目标节点开始确定每个分裂特征对应的下一节点。
97.通过上述实施方式，能够筛选出贡献最大的节点作为融合后的节点，并由此节点开始遍历下一节点，能够将由此遍历得到的路径中每个节点的贡献值最大化。
98.s16，根据融合后的分裂特征构建贝叶斯图，并计算所述贝叶斯图中每条路径的联合概率。
99.在本实施例中，基于融合后的分裂特征对应的每个节点构建所述贝叶斯图。
100.具体地，所述计算所述贝叶斯图中每条路径的联合概率包括：
101.获取每条路径的节点，并确定每个节点对应的特征的转移概率；
102.对于每条路径，计算每个节点对应的特征的转移概率的和，得到每条路径的联合概率。
103.在上述实施方式中，计算得到的每条路径的联合概率能够反映出每条路径的重要程度。
104.s17，获取所述联合概率最高的路径上所对应的特征作为所述对象可解释性特征。
105.例如：在预测保险代理人留存情况的对象甄选场景中，当确定所述联合概率最高的路径上包括特征：年龄(25-30)，性别(女)，则可以进一步说明，年龄在25到30岁之间的女性保险代理人，留存的可能性更大。
106.本实施方式能够识别到重要的路径，从多个特征维度同时考虑影响最显著的特征，以辅助确定业务上的判别规则，提高输出结果的可解释性。
107.需要说明的是，为了进一步确保数据的安全性，避免数据被恶意篡改，所述目标模型可以存储于区块链节点上。
108.由以上技术方案可以看出，本发明获取多个对象的至少一个特征对应的数据构建训练样本集，并利用所述训练样本集训练树模型，得到目标模型，确定所述目标模型中每个弱分类器的类型，并根据每个弱分类器的类型计算所述目标模型中每个弱分类器的权重，以根据不同的弱分类器类型有针对性的进行权重的分配，对于所述训练样本集中的每个训练样本，在所述目标模型中选择每个训练样本对应的每个特征的目标分裂点，并根据每个特征的目标分裂点确定每个样本的路径，获取每个样本的路径中的分裂特征，并计算每个分裂特征在每个弱分类器中的衰减值，便于后续更加准确的进行特征融合，根据每个分裂特征在每个弱分类器中的衰减值及每个弱分类器的权重计算每个分裂特征在每个弱分类器中的转移概率，根据每个分裂特征在每个弱分类器中的转移概率对每个分裂特征进行特征融合，筛选出贡献最大的节点作为融合后的节点，使由此节点遍历得到的路径中每个节点的贡献值最大化，根据融合后的分裂特征构建贝叶斯图，并计算所述贝叶斯图中每条路径的联合概率，反映出每条路径的重要程度，获取所述联合概率最高的路径上所对应的特征作为所述对象可解释性特征，进而能够识别到重要的路径，从多个特征维度同时考虑影响最显著的特征，以辅助确定业务上的判别规则，提高输出结果的可解释性。
109.本发明实施例还提供一种树模型的对象可解释性特征提取装置，该树模型的对象可解释性特征提取装置用于执行前述树模型的对象可解释性特征提取方法的任一实施例。具体地，请参阅图2，图2是本发明实施例提供的树模型的对象可解释性特征提取装置的示意性框图。
110.如图2所示，树模型的对象可解释性特征提取装置100包括：训练单元101、计算单元102、确定单元103、融合单元104、获取单元105。
111.训练单元101获取多个对象的至少一个特征对应的数据构建训练样本集，并利用所述训练样本集训练树模型，得到目标模型。
112.在本发明的至少一个实施例中，所述对象可以包括保险代理人的准增员等，所述准增员可以包括面试者或者准入人员等。
113.在本发明的至少一个实施例中，所述特征可以包括，但不限于以下一种或者多种特征的组合：
114.性别、年龄、工作年限、家庭地址。
115.进一步举例而言，在保险代理人的甄选场景中，可以将每个保险代理人作为对象，获取每个保险代理人在性别、年龄等特征维度下的数据作为输入特征，将在指定时间后(如三个月后)是否能够留存作为训练目标，并训练所述树模型，当所述树模型的损失收敛时，停止训练，即可得到所述目标模型。
116.计算单元102确定所述目标模型中每个弱分类器的类型，并根据每个弱分类器的类型计算所述目标模型中每个弱分类器的权重。
117.在本发明的至少一个实施例中，每个弱分类器的类型可以包括：bagging算法(bootstrap aggregating，引导聚集算法/装袋算法)类型、boosting算法(提升算法)类型。
118.在本发明的至少一个实施例中，所述计算单元102根据每个弱分类器的类型计算所述目标模型中每个弱分类器的权重包括：
119.当每个弱分类器的类型都为引导聚集算法类型时，获取所述目标模型中所述弱分类器的总数量，并计算所述总数量的倒数作为每个弱分类器的权重；或者
120.当每个弱分类器的类型都为提升算法类型时，计算每个弱分类器的信息熵增益，并按照每个弱分类器的信息熵增益确定每个弱分类器的权重分配比例，根据每个弱分类器的权重分配比例计算每个弱分类器的权重。
121.例如：当有弱分类器a的信息熵增益为a，所有弱分类器的信息熵增益的和为sum时，所述弱分类器a的权重为a/sum。
122.进一步地，还可以对每个弱分类器的权重进行标准化处理，以便于计算，在此不赘述。
123.通过上述实施方式，能够根据不同的弱分类器类型有针对性的进行权重的分配。
124.对于所述训练样本集中的每个训练样本，确定单元103在所述目标模型中选择每个训练样本对应的每个特征的目标分裂点，并根据每个特征的目标分裂点确定每个样本的路径。
125.在本发明的至少一个实施例中，所述确定单元103在所述目标模型中选择每个训练样本对应的每个特征的目标分裂点包括：
126.计算每个特征在分裂前的信息熵；
127.计算每个特征在分裂后的信息熵的和；
128.计算每个特征在分裂前的信息熵与每个特征在分裂后的信息熵的和的差值；
129.获取所述差值最大的节点作为每个特征的目标分裂点。
130.通过上述实施方式，能够根据信息增益确定每个特征对应的最佳分裂节点。
131.进一步地，根据每个特征的目标分裂点确定每个样本的路径。
132.例如：当确定样本甲的特征x落到目标分裂点e时，获取初始节点a，及获取从所述初始节点a到所述目标分裂点e所经历的最短路径，并作为所述样本甲的路径。
133.所述计算单元102获取每个样本的路径中的分裂特征，并计算每个分裂特征在每个弱分类器中的衰减值。
134.在本发明的至少一个实施例中，当检测到有特征对应的节点有分叉时，将检测到的特征确定为所述分裂特征。
135.在本发明的至少一个实施例中，所述计算单元102计算每个分裂特征在每个弱分类器中的衰减值包括：
136.对于每个分裂特征，在同一方向上的每个弱分类器中，对所述分裂特征进行分箱处理，得到至少一个分箱，计算每个分箱中所述分裂特征的信息熵增益，并获取最大的信息熵增益作为所述分裂特征在对应的每个弱分类器中的第一衰减值；
137.在不同方向上的每个弱分类器中，计算所述分裂特征在每个弱分类器中的信息熵增益的累加和，分别确定所述分裂特征在每个弱分类器中的层数，并根据所述层数对所述累加和进行衰减，得到所述分裂特征在每个弱分类器中的第二衰减值；
138.比较所述第一衰减值与所述第二衰减值的大小，并将较大的值确定为所述分裂特征在每个弱分类器中的衰减值。
139.具体地，可以按照等频或等距进行分箱，例如：对于年龄这一特征，将0-20作为一个分箱，将21-30作为一个分箱。
140.可以理解的是，不同特征的分叉可能会存在交叉、矛盾等现象，因此在构建图的过程中，要考虑相同特征的不同划分点，相同特征的划分逻辑不同，不同树中的特征分裂信息增益不同，以及特征在图中的独立性等多种情况，需结合多种情况。
141.通过上述实施方式，通过计算每个分裂特征在每个弱分类器中的衰减值，便于后续更加准确的进行特征融合。
142.所述计算单元102根据每个分裂特征在每个弱分类器中的衰减值及每个弱分类器的权重计算每个分裂特征在每个弱分类器中的转移概率。
143.在本发明的至少一个实施例中，所述计算单元102根据每个分裂特征在每个弱分类器中的衰减值及每个弱分类器的权重计算每个分裂特征在每个弱分类器中的转移概率包括：
144.计算每个分裂特征在每个弱分类器中的衰减值与对应的每个弱分类器的权重的乘积；
145.获取最大的乘积作为每个分裂特征在每个弱分类器中的转移概率。
146.通过上述实施方式，能够基于权重与衰减值计算每个分裂特征在每个弱分类器中的转移概率，以便后续根据计算得到的转移概率进行路径的选择。
147.融合单元104根据每个分裂特征在每个弱分类器中的转移概率对每个分裂特征进行特征融合。
148.在本发明的至少一个实施例中，所述融合单元104根据每个分裂特征在每个弱分类器中的转移概率对每个分裂特征进行特征融合包括：
149.将每个分裂特征在每个弱分类器中最大的转移概率对应的节点确定为每个分裂特征的目标节点；
150.将每个分裂特征融合至所述目标节点，并从所述目标节点开始确定每个分裂特征对应的下一节点。
151.通过上述实施方式，能够筛选出贡献最大的节点作为融合后的节点，并由此节点开始遍历下一节点，能够将由此遍历得到的路径中每个节点的贡献值最大化。
152.所述计算单元102根据融合后的分裂特征构建贝叶斯图，并计算所述贝叶斯图中每条路径的联合概率。
153.在本实施例中，基于融合后的分裂特征对应的每个节点构建所述贝叶斯图。
154.具体地，所述计算单元102计算所述贝叶斯图中每条路径的联合概率包括：
155.获取每条路径的节点，并确定每个节点对应的特征的转移概率；
156.对于每条路径，计算每个节点对应的特征的转移概率的和，得到每条路径的联合概率。
157.在上述实施方式中，计算得到的每条路径的联合概率能够反映出每条路径的重要程度。
158.获取单元105获取所述联合概率最高的路径上所对应的特征作为所述对象可解释性特征。
159.例如：在预测保险代理人留存情况的对象甄选场景中，当确定所述联合概率最高的路径上包括特征：年龄(25-30)，性别(女)，则可以进一步说明，年龄在25到30岁之间的女性保险代理人，留存的可能性更大。
160.本实施方式能够识别到重要的路径，从多个特征维度同时考虑影响最显著的特征，以辅助确定业务上的判别规则，提高输出结果的可解释性。
161.需要说明的是，为了进一步确保数据的安全性，避免数据被恶意篡改，所述目标模型可以存储于区块链节点上。
162.由以上技术方案可以看出，本发明获取多个对象的至少一个特征对应的数据构建训练样本集，并利用所述训练样本集训练树模型，得到目标模型，确定所述目标模型中每个弱分类器的类型，并根据每个弱分类器的类型计算所述目标模型中每个弱分类器的权重，以根据不同的弱分类器类型有针对性的进行权重的分配，对于所述训练样本集中的每个训练样本，在所述目标模型中选择每个训练样本对应的每个特征的目标分裂点，并根据每个特征的目标分裂点确定每个样本的路径，获取每个样本的路径中的分裂特征，并计算每个分裂特征在每个弱分类器中的衰减值，便于后续更加准确的进行特征融合，根据每个分裂特征在每个弱分类器中的衰减值及每个弱分类器的权重计算每个分裂特征在每个弱分类器中的转移概率，根据每个分裂特征在每个弱分类器中的转移概率对每个分裂特征进行特征融合，筛选出贡献最大的节点作为融合后的节点，使由此节点遍历得到的路径中每个节点的贡献值最大化，根据融合后的分裂特征构建贝叶斯图，并计算所述贝叶斯图中每条路径的联合概率，反映出每条路径的重要程度，获取所述联合概率最高的路径上所对应的特征作为所述对象可解释性特征，进而能够识别到重要的路径，从多个特征维度同时考虑影响最显著的特征，以辅助确定业务上的判别规则，提高输出结果的可解释性。
163.上述树模型的对象可解释性特征提取装置可以实现为计算机程序的形式，该计算机程序可以在如图3所示的计算机设备上运行。
164.请参阅图3，图3是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
165.其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
166.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
167.参阅图3，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
168.该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行树模型的对象可解释性特征提取方法。
169.该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
170.该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行树模型的对象可解释性特征提取方法。
171.该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
172.其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的树模型的对象可解释性特征提取方法。
173.本领域技术人员可以理解，图3中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图3所示实施例一致，在此不再赘述。
174.应当理解，在本发明实施例中，处理器502可以是中央处理单元(central processing unit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
175.在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的树模型的对象可解释性特征提取方法。
176.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
177.需要说明的是，本案中所涉及到的数据均为合法取得。
178.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
179.在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些
特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
180.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
181.本发明可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
182.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
183.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、磁碟或者光盘等各种可以存储程序代码的介质。
184.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。