预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共22页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111401788A(43)申请公布日2020.07.10(21)申请号202010281395.2(22)申请日2020.04.10(71)申请人支付宝(杭州)信息技术有限公司地址310013浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人姜玉坤杨耀刘磊焦瑜净(74)专利代理机构北京智信禾专利代理有限公司11637代理人赵杰(51)Int.Cl.G06Q10/06(2012.01)G06N20/00(2019.01)权利要求书3页说明书12页附图6页(54)发明名称业务时序指标的归因方法以及装置(57)摘要本说明书实施例提供业务时序指标的归因方法以及装置,其中所述方法包括:将特征池输入第一机器学习模型进行训练,得到变量的特征权重,特征池中包括基于业务时序指标样本分解得到的多个变量,模型对业务时序指标样本的时间曲线进行拟合,如果未达到预设训练目标,通过可解释机器学习框架进行影响特征权重的计算,按影响特征权重筛选出变量组合,添加到特征池中,输入模型进行迭代,实现了基于模型解释性算法的特征自适应迭代,如果达到预设训练目标,则可以从特征池确定具有耦合关系的变量组合,计算出变量组合对异常时间点的异常变动幅度的贡献系数,实现了业务时序指标的归因。CN111401788ACN111401788A权利要求书1/3页1.一种业务时序指标的归因方法,包括:将特征池输入第一机器学习模型进行训练,得到所述特征池中的变量的特征权重,其中,所述特征池中包括基于业务时序指标样本分解得到的多个变量,所述第一机器学习模型,用于通过调整所述特征池中变量的特征权重对所述业务时序指标样本的时间曲线进行拟合;如果所述第一机器学习模型的训练未达到预设训练目标,通过可解释机器学习框架对所述第一机器学习模型得到的特征权重进行影响特征权重的计算,按影响特征权重筛选出变量组合,将所述变量组合添加到所述特征池中,重新进入所述将特征池输入第一机器学习模型进行训练的步骤;如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量组合对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量组合;计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。2.根据权利要求1所述的方法,所述按影响特征权重筛选出变量组合包括:分别针对各业务时序指标样本,按所针对的业务时序指标样本的多个变量各自的影响特征权重,对所针对的业务时序指标样本的多个变量进行排序;筛选出分别在多个业务时序指标样本的排序在前的变量中组合出现的多个变量作为变量组合。3.根据权利要求1所述的方法,还包括:如果所述第一机器学习模型的训练达到预设训练目标,根据所述特征池包含的变量对应的特征权重,确定所述业务时序指标样本的多个变量中,具有耦合关系的变量;计算所述具有耦合关系的变量对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数。4.根据权利要求1所述的方法,所述计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数包括:基于具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学习模型;基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对具有耦合关系的变量以及变量组合分别对应的权重系数进行求解,求解得到的权重系数作为所述贡献系数。5.根据权利要求1所述的方法,所述计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数包括:将所述第一机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的特征权重作为输入,利用可解释机器学习框架的局部加性模型做近似,拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。6.根据权利要求1所述的方法,所述计算所述具有耦合关系的变量组合对所述业务时序指标样本的异常时间点的异常变动幅度的贡献系数包括:基于所述具有耦合关系的变量以及变量组合,对所述业务时序指标样本构建第二机器学习模型;2CN111401788A权利要求书2/3页基于所述第二机器学习模型,以所述业务时序指标样本在异常时间点达到异常变动幅度为目标,对所述具有耦合关系的变量以及变量组合分别对应的权重系数进行求解;将所述第二机器学习模型得到的具有耦合关系的变量以及变量组合分别对应的权重系数作为输入,利用可解释机器学习框架的局部加性模型做近似,拆解出所述具有耦合关系的变量以及变量组合分别对所述异常时间点的异常变动幅度的贡献系数。7.一种业务时序指标的归因装置,包括:模型训练模块,被配置为将特征池输入第一机器学习模型进行训练,得到所述特征池中