业务对象识别模型的获取方法、装置和计算机设备与流程

1.本技术涉及金融技术领域，特别是涉及一种业务对象识别模型的获取方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.贷款资产证券化的基础资产等业务对象选择，往往是决定当期发行是否能达到预期业务目的的重要因素，基础资产选择误差，将对原始权益所有者(即银行)的经济权益产生较大影响，甚至带来严重的业务风险。
3.在现有贷款资产证券化发行过程中，一般由原始权益所有者的业务人员根据简单的业务过滤规则从全量资产池中筛选可证券化的基础资产清单，如直接筛选逾期天数超过指定阈值，贷款资产类型为指定值的资产作为证券化基础资产。简单的判定筛选规则，无法对贷款资产的资产质量进行有效评估。
4.因此，相关技术中存在识别业务对象是否为目标业务对象的效果不佳的问题。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高识别业务对象是否为目标业务对象的效果的业务对象识别模型的获取方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.第一方面，本技术提供了一种业务对象识别模型的获取方法，所述方法包括：
7.获取样本业务对象的至少一个对象描述数据；各所述对象描述数据具有对应的业务特征属性；
8.将各所述业务特征属性作为自变量，构建方程式种群；所述方程式种群中的各方程式个体分别用于表征所述样本业务对象的对象描述数据与所述样本业务对象的预测种类信息之间不同的映射关系；所述预测种类信息用于描述所述样本业务对象为目标业务对象的预测概率；
9.确定各所述方程式个体对应的适应度；所述适应度为基于相应的方程式个体针对所述样本业务对象输出的预测种类信息与所述样本业务对象的实际种类信息间的差异确定的；
10.按照各所述方程式个体对应的适应度，在所述方程式种群中训练出业务对象识别模型；
11.将待识别业务对象的对象描述数据输入至所述业务对象识别模型，得到所述待识别业务对象的预测种类信息，并根据所述待识别业务对象的预测种类信息，判定所述待识别业务对象为所述目标业务对象。
12.在其中一个实施例中，所述按照各所述方程式个体对应的适应度，在所述方程式种群中生成业务对象识别模型，包括：按照各所述方程式个体对应的适应度，对所述方程式种群中的各所述方程式个体进行遗传算法优化，得到目标方程式个体；将所述目标方程式
个体所表征的方程式作为所述业务对象识别模型。
13.在其中一个实施例中，所述将各所述业务特征属性作为自变量，构建方程式种群，包括：将各所述业务特征属性对应的自变量符号和预设的至少一个运算符号进行组合处理，得到至少两个组合后方程式；各所述组合后方程式中的符号数量均满足预设的数量阈值；分别对各所述组合后方程式进行编码处理，得到各所述方程式个体；将各所述方程式个体添加至所述方程式种群中。
14.在其中一个实施例中，所述确定各所述方程式个体对应的适应度，包括：对于各所述方程式个体中的任一方程式个体，将所述样本业务对象的对象描述数据代入至所述任一方程式个体所表征的方程式中，得到所述任一方程式个体针对所述样本业务对象输出的预测种类信息；基于所述任一方程式个体输出的预测种类信息和所述样本业务对象的实际种类信息之间的差异，确定所述任一方程式个体对应的适应度。
15.在其中一个实施例中，所述方程式种群为第n代方程式种群，n大于或等于1，所述按照各所述方程式个体对应的适应度，对所述方程式种群中的各所述方程式个体进行遗传算法优化，得到目标方程式个体，包括：若各所述适应度均小于预设的适应度阈值，则根据所述第n代方程式种群中的各所述方程式个体生成第n+1代方程式种群，并返回所述确定各所述方程式个体对应的适应度的步骤；若各所述适应度中存在大于或等于所述适应度阈值的目标适应度，则将所述目标适应度对应的方程式个体作为所述目标方程式个体。
16.在其中一个实施例中，所述根据所述第n代方程式种群中的各所述方程式个体生成第n+1代方程式种群，包括：获取所述第n代方程式种群中的各所述方程式个体对应的适应度的累加值；在所述第n代方程式种群中的各所述方程式个体中选择出第n+1代方程式个体；所述第n+1代方程式个体对应的适应度满足预设的适应度范围；所述适应度范围为根据各所述方程式个体对应的累加值确定的；对各所述第n+1代方程式个体进行演化算子操作，生成所述第n+1代方程式种群。
17.在其中一个实施例中，所述对各所述第n+1代方程式个体进行演化算子操作，生成所述第n+1代方程式种群，包括：响应于所述n+1代方程式个体满足预设的变异条件，获取所述n+1代方程式个体对应的待变异个体编码；对所述待变异个体编码中的至少一个编码位上的值进行改变，得到变异后个体编码；将所述变异后个体编码所表征的方程式个体和所述n+1代方程式个体添加至所述第n+1代方程式种群中。
18.在其中一个实施例中，所述对各所述第n+1代方程式个体进行演化算子操作，生成所述第n+1代方程式种群，包括：响应于至少两个所述n+1代方程式个体满足预设的交叉条件，获取至少两个所述n+1代方程式个体对应的待交叉个体编码；根据各所述待交叉个体编码中的至少两个编码位对应的值，确定各所述待交叉个体编码中的编码片段；交换各所述待交叉个体编码之间的编码片段，得到交叉后个体编码；将所述交叉后个体编码所表征的方程式个体和所述n+1代方程式个体添加至所述第n+1代方程式种群中。
19.第二方面，本技术还提供了一种业务对象识别模型的获取装置，所述装置包括：
20.获取模块，用于获取样本业务对象的至少一个对象描述数据；各所述对象描述数据具有对应的业务特征属性；
21.构建模块，用于将各所述业务特征属性作为自变量，构建方程式种群；所述方程式种群中的各方程式个体分别用于表征所述样本业务对象的对象描述数据与所述样本业务
对象的预测种类信息之间不同的映射关系；所述预测种类信息用于描述所述样本业务对象为目标业务对象的预测概率；
22.确定模块，用于确定各所述方程式个体对应的适应度；所述适应度为基于相应的方程式个体针对所述样本业务对象输出的预测种类信息与所述样本业务对象的实际种类信息间的差异确定的；
23.优化模块，用于按照各所述方程式个体对应的适应度，在所述方程式种群中训练出业务对象识别模型；
24.识别模块，用于将待识别业务对象的对象描述数据输入至所述业务对象识别模型，得到所述待识别业务对象的预测种类信息，并根据所述待识别业务对象的预测种类信息，判定所述待识别业务对象为所述目标业务对象。
25.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
26.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
27.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
28.上述业务对象识别模型的获取方法、装置、计算机设备、存储介质和计算机程序产品，通过获取样本业务对象的至少一个对象描述数据；各所述对象描述数据具有对应的业务特征属性；并将各业务特征属性作为自变量，构建方程式种群；方程式种群中的各方程式个体分别用于表征样本业务对象的对象描述数据与样本业务对象的预测种类信息之间不同的映射关系；预测种类信息用于描述样本业务对象为目标业务对象的预测概率；确定各方程式个体对应的适应度；适应度为基于相应的方程式个体针对样本业务对象输出的预测种类信息与样本业务对象的实际种类信息间的差异确定的；按照各方程式个体对应的适应度，在方程式种群中训练出业务对象识别模型；将待识别业务对象的对象描述数据输入至业务对象识别模型，得到待识别业务对象的预测种类信息，并根据待识别业务对象的预测种类信息，判定待识别业务对象为目标业务对象；如此，可以利用遗传算法的思想，快速且有效地建立业务对象的识别结果与业务对象关联的至少一个业务特征属性的高精度拟合模型即业务对象识别模型，进而提高对业务对象是否为目标业务对象的(例如，资产是否为证券化基础资产)识别效果。
附图说明
29.图1为一个实施例中一种业务对象识别模型的获取方法的应用环境图；
30.图2为一个实施例中一种业务对象识别模型的获取方法的流程示意图；
31.图3为一个实施例中一种证券化基础资产判定系统示意图；
32.图4为一个实施例中一种对方程式进行编码的示意图；
33.图5为一个实施例中一种业务对象识别模型的训练流程示意图；
34.图6为另一个实施例中一种业务对象识别模型的获取方法的流程示意图；
35.图7为一个实施例中一种业务对象识别模型的获取装置的结构框图；
36.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
37.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
38.需要说明的是，本技术公开的一种业务对象识别模型的获取方法、装置、计算机设备、存储介质和计算机程序产品可应用于金融科技领域，也可用于除金融科技领域之外的任意领域。
39.本技术实施例提供的业务对象识别模型的获取方法，可以应用于如图1所示的应用环境中。其中，电子设备102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。电子设备102获取样本业务对象的至少一个对象描述数据；各对象描述数据具有对应的业务特征属性；电子设备102将各业务特征属性作为自变量，构建方程式种群；方程式种群中的各方程式个体分别用于表征样本业务对象的对象描述数据与样本业务对象的预测种类信息之间不同的映射关系；预测种类信息用于描述样本业务对象为目标业务对象的预测概率；电子设备102确定各方程式个体对应的适应度；适应度为基于相应的方程式个体针对样本业务对象输出的预测种类信息与样本业务对象的实际种类信息间的差异确定的；电子设备102按照各方程式个体对应的适应度，在方程式种群中训练出业务对象识别模型；电子设备102将待识别业务对象的对象描述数据输入至业务对象识别模型，得到待识别业务对象的预测种类信息，并根据待识别业务对象的预测种类信息，判定待识别业务对象为目标业务对象。其中，电子设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
40.在一个实施例中，如图2所示，提供了一种业务对象识别模型的获取方法，以该方法应用于图1中的电子设备为例进行说明，包括以下步骤：
41.步骤202，获取样本业务对象的至少一个对象描述数据；各对象描述数据具有对应的业务特征属性。
42.其中，业务对象可以是指需要判断是否满足业务条件的对象。实际应用中，业务对象可以是某种金融业务产品、服务、资源等。例如，业务对象可以是金融业务资产。
43.其中，对象描述数据可以是指用于描述业务对象各方面信息的数据，各对象描述数据具有对应的业务特征属性。
44.其中，业务特征属性可以是指用于判断该业务对象是否满足业务条件的特征属性。以业务对象为金融业务资产为例，当需要判断金融业务资产是否可以进行证券化时，与业务对象关联的至少一个业务特征属性可以是金融业务资产的逾期天数、贷款类型、客户资质、还款率等核心影响因子。
45.举例来说，金融业务资产a的对象描述数据可以包括逾期天数为10、贷款类型为商业贷款和还款率为80％；则该金融业务资产a的业务特征属性为逾期天数、贷款类型和还款
率。
46.具体实现中，在需要判断待识别业务对象是否为满足业务条件的目标业务对象时，电子设备可以获取样本业务对象的至少一个对象描述数据；各所述对象描述数据具有对应的业务特征属性。举例来说，当需要判定待识别业务资产是否为可证券化业务资产时，电子设备可以从已知可证券化的若干个目标业务资产进行采样，得到样本业务资产。电子设备获取该样本业务资产的对象描述数据，各对象描述数据具有对应的业务特征属性。
47.步骤204，将各业务特征属性作为自变量，构建方程式种群。
48.其中，方程式种群中的各方程式个体分别用于表征样本业务对象的对象描述数据与样本业务对象的预测种类信息之间不同的映射关系。
49.举例来说，当电子设备将样本业务对象的对象描述数据输入至各方程式个体中的任一方程式个体后，该任一方程式个体则会将输入的对象描述数据预设为该样本业务对象的预测种类信息，通过该预测种类信息来描述样本业务对象为目标业务对象的预测概率。
50.其中，识别结果用于描述业务对象是否为目标业务对象。
51.具体实现中，电子设备在获取到与业务对象关联的至少一个业务特征属性后，电子设备可以将各业务特征属性作为自变量，构建方程式种群。
52.具体来说，电子设备可以将各业务特征属性对应的自变量符号、识别结果对应的因变量符号和运算符号(如，+、-、*、/、cos、sin、tan、cot、()、幂次方等等)组成的方程式。
53.举例来说，电子设备可以将逾期天数对应的自变量符号x，贷款类型对应的自变量符号y、客户资质对应的自变量符号u、还款率对应的自变量符号v，识别结果对应的因变量符号γ和运算符号(如，+、-、*、/、cos、sin、tan、cot、()、幂次方等等)进行组合，得到方程式表达式，如，γ＝x+u-y/v、γ＝cosx+u-y/v、γ＝x+u*y/v等。然后，电子设备将各方程式表达式编码为各方程式个体，以构建方程式种群。
54.步骤206，确定各方程式个体对应的适应度；适应度为基于相应的方程式个体针对样本业务对象输出的预测种类信息与样本业务对象的实际种类信息间的差异确定的。
55.具体实现中，电子设备构建出方程式种群后，电子设备可以确定各方程式个体对应的适应度。
56.具体来说，电子设备可以将样本业务对象的对象描述数据分别代入方程式个体所表征的方程式，得到该方程式个体针对样本业务对象输出的预测种类信息。然后，电子设备可以利用预设的适应度函数，基于预测种类信息与该样本业务对象的实际种类信息的差异来确定该方程式个体对应的适应度。实际应用中，电子设备可以采用概率值的方式来表示该样本业务对象的实际种类信息。该样本业务对象的实际种类信息可以设置为1。
57.步骤208，按照各方程式个体对应的适应度，在方程式种群中训练出业务对象识别模型。
58.具体实现中，电子设备可以利用遗传算法，按照各方程式个体对应的适应度，对方程式种群中的各方程式个体进行遗传算法优化。具体来说，电子设备可以按照各方程式个体对应的适应度，对各方程式个体进行选择、淘汰、交叉、变异等一系列地遗传算子操作，直至得到适应度满足预设条件的后代方程式个体，作为目标方程式个体。
59.实际应用中，电子设备执行参数设置操作：具体来说，包含了演化算子(变异、交叉等)概率，种群大小pop(参与训练的个体个数),最大迭代次数t，终止条件(迭代次数达到t
或种群中最优个体的适应值小于某适应值阈值)，各个参数根据不同的场景进行设置。其中演化算子概率、种群大小在演化计算搜索过程的基础，而最大迭代次数、终止条件的设置则是演化计算搜索过程结束的条件：由于演化计算是一个不断优化的迭代过程，没有利用函数的梯度等信息来衡量个体在解空间的位置，从而无法用传统的方法来判定算法的收敛或否以需要终止算法。因此常用的办法是预先规定一个最大的演化代数或算法在连续多少代以后解的适应值没有什么明显的改进时即终止，演化计算方法中的终止参数设定也是影响算法性能的重要步骤，演化代数过小将导致还未搜索到全局最优解就退出搜索，演化代数过大将导致大量无效的搜索，时间代价太大，算法效率降低。
60.电子设备在确定目标方程式个体，电子设备可以按照对目标方程式个体的编码规则反向还原为方程式，并将该还原的方程式作为业务对象识别模型，以用于识别输入的业务对象是否为目标业务对象。
61.步骤s210，将待识别业务对象的对象描述数据输入至业务对象识别模型，得到待识别业务对象的预测种类信息，并根据待识别业务对象的预测种类信息，判定待识别业务对象为目标业务对象。
62.以业务对象为金融业务资产为例，电子设备在确定业务对象识别模型(即，证券化基础资产判定拟合模型)后，电子设备则根据采用该业务对象识别模型，将待识别业务对象的对象描述数据，如逾期天数(x)、贷款类型(y)、客户资质(u)、还款率(v)映射为待识别业务对象的预测种类信息γ即资产符合证券化基础资产判定概率。
63.根据图3所示，建立证券化基础资产判定系统，将待选资产的逾期天数(x)、贷款类型(y)、客户资质(u)、还款率(v)等资产质量影响因子值输入证券化基础资产判定拟合模型，输出该笔资产符合证券化基础资产判定概率γ，根据实际业务规则，设定拟合阈值δ，当|γ-1|《＝δ，则该笔资产判定为证券化基础资产。
64.上述业务对象识别模型的获取方法中，通过获取样本业务对象的至少一个对象描述数据；各所述对象描述数据具有对应的业务特征属性；并将各业务特征属性作为自变量，构建方程式种群；方程式种群中的各方程式个体分别用于表征样本业务对象的对象描述数据与样本业务对象的预测种类信息之间不同的映射关系；预测种类信息用于描述样本业务对象为目标业务对象的预测概率；确定各方程式个体对应的适应度；适应度为基于相应的方程式个体针对样本业务对象输出的预测种类信息与样本业务对象的实际种类信息间的差异确定的；按照各方程式个体对应的适应度，在方程式种群中训练出业务对象识别模型；将待识别业务对象的对象描述数据输入至目标识别模型，得到待识别业务对象的预测种类信息，并根据待识别业务对象的预测种类信息，判定待识别业务对象为目标业务对象；如此，可以利用遗传算法的思想，快速且有效地建立业务对象的识别结果与业务对象关联的至少一个业务特征属性的高精度拟合模型即业务对象识别模型，进而提高对业务对象是否为目标业务对象的(例如，资产是否为证券化基础资产)识别效果。
65.在另一个实施例中，将各业务特征属性作为自变量，构建方程式种群，包括：将各业务特征属性对应的自变量符号和预设的至少一个运算符号进行组合处理，得到至少两个组合后方程式；各组合后方程式中的符号数量均满足预设的数量阈值；分别对各组合后方程式进行编码处理，得到各方程式个体；将各方程式个体添加至方程式种群中。
66.具体实现中，电子设备在将各业务特征属性作为自变量，构建方程式种群的过程
中，电子设备可以将各业务特征属性对应的自变量符号、识别结果对应的因变量符号和预设的至少一个运算符号进行组合处理，得到至少两个组合后方程式；各组合后方程式中的符号数量均满足预设的数量阈值，例如，各组合后方程式中的符号数量均相等；然后，电子设备分别对各组合后方程式进行编码处理，得到各方程式个体；将各方程式个体添加至方程式种群中。
67.以业务对象为用于判断是否符合证券化基础资产的资产为例，电子设备生成的方程式个体为逾期天数(x)、贷款类型(y)、客户资质(u)、还款率(v)及可选取的运算符(+、-、*、/、cos、sin、tan、cot、()、幂次方等等)组成的方程式，每个个体长度(即方程式包含的运算符及变量总数n)保持一致，如(y/u)1/2+x-v，为方便演化算子操作，降低采用计算机语言来实现的复杂度，可用二叉树对复杂的方程式进行编码，如下图4所示，其中q表示开平方运算符，再根据二叉树节点从上往下、从左到右顺序编码形成种群个体表达式“+q-yuxv”。
68.本实施例的技术方案，通过将各业务特征属性对应的自变量符号、识别结果对应的因变量符号和预设的至少一个运算符号进行组合处理，可以实现快速地初始化出预设数量的方程式表达式，从而便于对方程式表达式进行编码，构建出可以进行遗传算法优化的方程式种群。
69.在另一个实施例中，确定各方程式个体对应的适应度，包括：对于各方程式个体中的任一方程式个体，将样本业务对象的业务特征信息代入至任一方程式个体所表征的方程式中，得到任一方程式个体针对样本业务对象输出的识别结果对应的预测信息；基于任一方程式个体输出的预测信息和样本业务对象的识别结果对应的实际信息之间的差异，确定任一方程式个体对应的适应度。
70.假设f(x)为种群个体方程式结果即方程式个体针对样本业务对象输出的识别结果对应的预测种类信息，即符合证券化基础资产概率。已知样本业务对象的识别结果对应的实际信息为1，理论上f'(x)＝|f(x)-1|值越小，表示个体越优秀，为适应轮盘赌法则，可对该函数作进一步调整，最终得出本方案使用的个体适应值函数为：f(x)＝1/((|f(x)-1|)2+1),f(x)越大，表示该个体的适应度越好，选入交配池进行演化算子操作并生成子代进入下一代循环的几率越大。
71.在另一个实施例中，按照各方程式个体对应的适应度，对方程式种群中的各方程式个体进行遗传算法优化，得到目标方程式个体，包括：若各适应度均小于预设的适应度阈值，则根据第n代方程式种群中的各方程式个体生成第n+1代方程式种群，并返回确定各方程式个体对应的适应度的步骤；若各适应度中存在大于或等于适应度阈值的目标适应度，则将目标适应度对应的方程式个体作为目标方程式个体。
72.其中，方程式种群为第n代方程式种群，n大于或等于1。
73.具体实现中，电子设备在按照各方程式个体对应的适应度，对方程式种群中的各方程式个体进行遗传算法优化，得到目标方程式个体的过程中，电子设备可以判断各方程式个体对应的适应度是否均小于预设的适应度阈值，若各适应度均小于预设的适应度阈值，电子设备则根据第n代方程式种群中的各方程式个体生成第n+1代方程式种群，并返回确定各方程式个体对应的适应度的步骤，重新确定出第n+1代量化模型集合中各个方程式个体对应的适应度。实际应用中，电子设备确定出第n+1代量化模型集合中各个方程式个体
对应的适应度的过程与上文中电子设备确定出第n代量化模型集合中各个方程式个体对应的适应度的过程采用的方法一致，在此不再赘述。直至电子设备检测出各适应度中存在大于或等于适应度阈值的目标适应度，则将目标适应度对应的方程式个体作为目标方程式个体。
74.在另一个实施例中，根据第n代方程式种群中的各方程式个体生成第n+1代方程式种群，包括：获取第n代方程式种群中的各方程式个体对应的适应度的累加值；在第n代方程式种群中的各方程式个体中选择出第n+1代方程式个体；第n+1代方程式个体对应的适应度满足预设的适应度范围；适应度范围为根据各方程式个体对应的累加值确定的；对各第n+1代方程式个体进行演化算子操作，生成第n+1代方程式种群。
75.具体实现中，电子设备获取第n代方程式种群中的各方程式个体对应的适应度的累加值；然后，电子设备在第n代方程式种群中的各方程式个体中选择出第n+1代方程式个体。电子设备对各第n+1代方程式个体进行演化算子操作，生成第n+1代方程式种群。
76.其中，演化算子操作可以包括变异算子操作、交叉算子操作、选择算子操作和淘汰算子操作等。
77.电子设备采用赌轮原则选择作为选择策略，该策略对后续的演化结果优化有着积极的作用。按照适应值和赌轮原则，适应度越好的个体被复制到下一代的可能性越大，在复制的过程中根据赌轮原则的结果确定被复制的次数，同时群体大小保持不变。假设当前种群数目为4，编号为1、2、3、4，各个体的适应值以及适应值累加如下表1所示：
78.表1个体的适应值与适应值累加
[0079][0080]
在[0，1.6]区间内产生均匀分布的随机数，若产生的随机数为1.2，由于1.2落在区间(0.6，1.3]内，故选择3号个体即第n+1代方程式个体进入交配池(个体可被重复选中)。重复这一步骤至设定操作数，并将得到的新群体作为父体参与演化操作运算。
[0081]
在另一个实施例中，对各第n+1代方程式个体进行演化算子操作，生成第n+1代方程式种群，包括：响应于n+1代方程式个体满足预设的变异条件，获取n+1代方程式个体对应的待变异个体编码；对待变异个体编码中的至少一个编码位上的值进行改变，得到变异后个体编码；将变异后个体编码所表征的方程式个体和n+1代方程式个体添加至第n+1代方程式种群中。
[0082]
具体实现中，电子设备在对各第n+1代方程式个体进行演化算子操作，生成第n+1代方程式种群的过程中，电子设备可以应于n+1代方程式个体满足预设的变异条件，获取n+1代方程式个体对应的待变异个体编码；然后，电子设备对待变异个体编码中的至少一个编码位上的值进行改变，得到变异后个体编码；最后，电子设备将变异后个体编码所表征的方
程式个体和n+1代方程式个体添加至第n+1代方程式种群中。
[0083]
具体来说，电子设备可以在可控范围内对n+1代方程式个体进行变异算子操作；电子设备设置变异率为β，且满足β∈(0,1)，遍历选取现有交配池中的各个个体作为父个体，生成随机数ε∈[0,1]，若ε《β，则该个体发生变异，生成子个体进入下一代循环，否则该个体不发生变异，直接进入下一代循环；变异点位置n为随机产生的整数，且n∈(1,m)，m为个体编码表达式最大长度，可根据实际场景设置。
[0084]
操作示意如下表2、表3(需要说明的是，为方便理解，表中个体直接采用方程式表达，而非二叉树编码后的表达式)，其中单点变异点为位置4处，多点变异为位置1、2、5处：
[0085]
表2单点变异算子过程
[0086][0087]
表3多点变异算子过程
[0088][0089][0090]
本实施例的技术方案，通过响应于n+1代方程式个体满足预设的变异条件，获取n+1代方程式个体对应的待变异个体编码；并对待变异个体编码中的至少一个编码位上的值进行改变，得到变异后个体编码；再将变异后个体编码所表征的方程式个体和n+1代方程式个体添加至第n+1代方程式种群中；可以实现有效地对各第n+1代方程式个体进行变异操作得到n+1代方程式种群，使得n+1代方程式种群中的方程式个体可以在继承到第n方程式个体特征的同时，n+1代方程式种群中的方程式个体的数量满足预设条件。
[0091]
在另一个实施例中，对各第n+1代方程式个体进行演化算子操作，生成第n+1代方程式种群，包括：响应于至少两个n+1代方程式个体满足预设的交叉条件，获取至少两个n+1代方程式个体对应的待交叉个体编码；根据各待交叉个体编码中的至少两个编码位对应的值，确定各待交叉个体编码中的编码片段；交换各待交叉个体编码之间的编码片段，得到交叉后个体编码；将交叉后个体编码所表征的方程式个体和n+1代方程式个体添加至第n+1代方程式种群中。
[0092]
具体实现中，电子设备响应于至少两个n+1代方程式个体满足预设的交叉条件，获取至少两个n+1代方程式个体对应的待交叉个体编码；然后，电子设备根据各待交叉个体编码中的至少两个编码位对应的值，确定各待交叉个体编码中的编码片段。然后，电子设备交换各待交叉个体编码之间的编码片段，得到交叉后个体编码；最后，电子设备将交叉后个体编码所表征的方程式个体和n+1代方程式个体添加至第n+1代方程式种群中。
[0093]
具体来说，电子设备基于交叉算子设计思想，随机选取交配池中的两个个体作为父体，设置交叉率为α，且满足α∈(0,1)，生成随机数ε∈[0,1]，若ε《α即满足预设的交叉条
件，则个体发生交叉，生成子两个个体进入下一代循环，否该两个体不发生交叉，直接进入下一代循环。操作示意如下表4(需要说明的是，为方便理解，表中个体直接采用方程式表达，而非二叉树编码后的表达式)，其中，单点交叉的交叉点在3与4之间，两点交叉的交叉点在1与2、4与6之间：
[0094]
表4交叉算子过程
[0095][0096]
本实施例的技术方案，通过响应于至少两个n+1代方程式个体满足预设的交叉条件，获取至少两个n+1代方程式个体对应的待交叉个体编码；并根据各待交叉个体编码中的至少两个编码位对应的值，确定各待交叉个体编码中的编码片段；再交换各待交叉个体编码之间的编码片段，得到交叉后个体编码；将交叉后个体编码所表征的方程式个体和n+1代方程式个体添加至第n+1代方程式种群中；从而可以实现有效地对各第n+1代方程式个体进行交叉操作得到n+1代方程式种群，使得n+1代方程式种群中的方程式个体可以继承到第n方程式个体的特征的同时，n+1代方程式种群中的方程式个体的数量满足预设条件。
[0097]
为了便于本领域技术人员的理解，图5提供了一种业务对象识别模型的训练流程，如图5所示：包括如下步骤：步骤502、参数设置；步骤504、初始化种群。步骤506、选择策略设计。步骤508、确定适应度函数。步骤510、演化算子操作。步骤512、终止条件判断。步骤514、输出结果。需要说明的是，上述步骤的具体限定可以参见上文中对一种业务对象识别模型的获取方法的具体限定，在此不再做过多赘述。
[0098]
在另一个实施例中，如图6所示，提供了一种业务对象识别模型的获取方法，以该方法应用于图1中的电子设备为例进行说明，包括以下步骤：
[0099]
步骤610，获取样本业务对象的至少一个对象描述数据；各对象描述数据具有对应的业务特征属性。
[0100]
步骤620，将各业务特征属性对应的自变量符号和预设的至少一个运算符号进行组合处理，得到至少两个组合后方程式；各组合后方程式中的符号数量均满足预设的数量阈值。
[0101]
步骤630，分别对各组合后方程式进行编码处理，得到各方程式个体。
[0102]
步骤640，将各方程式个体添加至方程式种群中；方程式种群中的各方程式个体分别用于表征样本业务对象的对象描述数据与样本业务对象的预测种类信息之间不同的映射关系；预测种类信息用于描述样本业务对象为目标业务对象的预测概率。
[0103]
步骤650，对于各方程式个体中的任一方程式个体，将样本业务对象的业务特征信
息代入至任一方程式个体所表征的方程式中，得到任一方程式个体针对样本业务对象输出的识别结果对应的预测种类信息。
[0104]
步骤660，基于任一方程式个体输出的预测种类信息和样本业务对象的实际种类信息之间的差异，确定任一方程式个体对应的适应度。
[0105]
步骤670，按照各方程式个体对应的适应度，对方程式种群中的各方程式个体进行遗传算法优化，得到目标方程式个体。
[0106]
步骤680，将目标方程式个体所表征的方程式作为业务对象识别模型。
[0107]
步骤690，将待识别业务对象的对象描述数据输入至业务对象识别模型，得到待识别业务对象的预测种类信息，并根据待识别业务对象的预测种类信息，判定待识别业务对象为目标业务对象。
[0108]
需要说明的是，上述步骤的具体限定可以参见上文对一种业务对象识别模型的获取方法的具体限定，在此不再赘述。
[0109]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0110]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的业务对象识别模型的获取方法的业务对象识别模型的获取装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个业务对象识别模型的获取装置实施例中的具体限定可以参见上文中对于业务对象识别模型的获取方法的限定，在此不再赘述。
[0111]
在一个实施例中，如图7所示，提供了一种业务对象识别模型的获取装置，包括：
[0112]
获取模块710，用于获取样本业务对象的至少一个对象描述数据；各所述对象描述数据具有对应的业务特征属性；
[0113]
构建模块720，用于将各所述业务特征属性作为自变量，构建方程式种群；所述方程式种群中的各方程式个体分别用于表征所述样本业务对象的对象描述数据与所述样本业务对象的预测种类信息之间不同的映射关系；所述预测种类信息用于描述所述样本业务对象为目标业务对象的预测概率；
[0114]
确定模块730，用于确定各所述方程式个体对应的适应度；所述适应度为基于相应的方程式个体针对所述样本业务对象输出的预测种类信息与所述样本业务对象的实际种类信息间的差异确定的；
[0115]
优化模块740，用于按照各所述方程式个体对应的适应度，在所述方程式种群中训练出业务对象识别模型；
[0116]
识别模块750，用于将待识别业务对象的对象描述数据输入至所述业务对象识别模型，得到所述待识别业务对象的预测种类信息，并根据所述待识别业务对象的预测种类信息，判定所述待识别业务对象为所述目标业务对象。
[0117]
在其中一个实施例中，所述优化模块740，具体用于按照各所述方程式个体对应的适应度，对所述方程式种群中的各所述方程式个体进行遗传算法优化，得到目标方程式个体；将所述目标方程式个体所表征的方程式作为所述业务对象识别模型。
[0118]
在其中一个实施例中，所述构建模块720，具体用于将各所述业务特征属性对应的自变量符号和预设的至少一个运算符号进行组合处理，得到至少两个组合后方程式；各所述组合后方程式中的符号数量均满足预设的数量阈值；分别对各所述组合后方程式进行编码处理，得到各所述方程式个体；将各所述方程式个体添加至所述方程式种群中。
[0119]
在其中一个实施例中，所述确定模块730，具体用于对于各所述方程式个体中的任一方程式个体，将所述样本业务对象的对象描述数据代入至所述任一方程式个体所表征的方程式中，得到所述任一方程式个体针对所述样本业务对象输出的预测种类信息；基于所述任一方程式个体输出的预测种类信息和所述样本业务对象的实际种类信息之间的差异，确定所述任一方程式个体对应的适应度。
[0120]
在其中一个实施例中，所述方程式种群为第n代方程式种群，n大于或等于1，所述优化模块740，具体用于若各所述适应度均小于预设的适应度阈值，则根据所述第n代方程式种群中的各所述方程式个体生成第n+1代方程式种群，并返回所述确定各所述方程式个体对应的适应度的步骤；若各所述适应度中存在大于或等于所述适应度阈值的目标适应度，则将所述目标适应度对应的方程式个体作为所述目标方程式个体。
[0121]
在其中一个实施例中，所述优化模块740，具体用于获取所述第n代方程式种群中的各所述方程式个体对应的适应度的累加值；在所述第n代方程式种群中的各所述方程式个体中选择出第n+1代方程式个体；所述第n+1代方程式个体对应的适应度满足预设的适应度范围；所述适应度范围为根据各所述方程式个体对应的累加值确定的；对各所述第n+1代方程式个体进行演化算子操作，生成所述第n+1代方程式种群。
[0122]
在其中一个实施例中，所述优化模块740，具体用于响应于所述n+1代方程式个体满足预设的变异条件，获取所述n+1代方程式个体对应的待变异个体编码；对所述待变异个体编码中的至少一个编码位上的值进行改变，得到变异后个体编码；将所述变异后个体编码所表征的方程式个体和所述n+1代方程式个体添加至所述第n+1代方程式种群中。
[0123]
在其中一个实施例中，所述优化模块740，具体用于响应于至少两个所述n+1代方程式个体满足预设的交叉条件，获取至少两个所述n+1代方程式个体对应的待交叉个体编码；根据各所述待交叉个体编码中的至少两个编码位对应的值，确定各所述待交叉个体编码中的编码片段；交换各所述待交叉个体编码之间的编码片段，得到交叉后个体编码；将所述交叉后个体编码所表征的方程式个体和所述n+1代方程式个体添加至所述第n+1代方程式种群中。
[0124]
上述业务对象识别模型的获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0125]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存
储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种业务对象识别模型的获取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0126]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备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。
[0127]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种业务对象识别模型的获取方法的步骤。此处一种业务对象识别模型的获取方法的步骤可以是上述各个实施例的一种业务对象识别模型的获取方法中的步骤。
[0128]
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种业务对象识别模型的获取方法的步骤。此处一种业务对象识别模型的获取方法的步骤可以是上述各个实施例的一种业务对象识别模型的获取方法中的步骤。
[0129]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种业务对象识别模型的获取方法的步骤。此处一种业务对象识别模型的获取方法的步骤可以是上述各个实施例的一种业务对象识别模型的获取方法中的步骤。
[0130]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0131]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形
处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0132]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0133]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。