CN112528159B - 一种特征质量评估方法、装置、电子设备及存储介质 - Google Patents
一种特征质量评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112528159B CN112528159B CN202011554160.2A CN202011554160A CN112528159B CN 112528159 B CN112528159 B CN 112528159B CN 202011554160 A CN202011554160 A CN 202011554160A CN 112528159 B CN112528159 B CN 112528159B
- Authority
- CN
- China
- Prior art keywords
- sample
- evaluated
- model
- feature
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013210 evaluation model Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000013441 quality evaluation Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013103 analytical ultracentrifugation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种特征质量评估方法、装置、电子设备及存储介质,涉及神经网络技术领域。具体方案为:在待评估样本中提取出至少一个真实使用的字段;对至少一个真实使用的字段进行转化处理,得到待评估样本对应的特征签名;将待评估样本对应的特征签名输入至预先训练的离线模型中,通过离线模型输出待评估样本的各个特征的权重值;基于待评估样本的各个特征的权重值,计算出待评估样本的各个特征的至少两个评估指标。本申请实施例可以从多个维度评估模型的特征质量,评估指标更加全面,可读性更强。
Description
技术领域
本申请涉及人工智能领域,进一步涉及神经网络技术领域,尤其是一种特征质量评估方法、装置、电子设备及存储介质。
背景技术
推荐***是在大数据领域或者人工智能领域的应用场景下,通过结合用户的信息、物品的信息以及用户以前对该物品的交互行为的信息,利用机器学习离线构建人和物品的兴趣模型,在线推荐结合离线机器模型和推荐算法实现精准的个性化推荐。从实现架构上,推荐***主要分为在线推荐和离线模型训练两大部分。离线模型训练完成在线推荐日志和用户日志的拼接清洗,根据特征算子,生成对应的训练数据,然后使用机器学习算法进行模型训练,产出相应的机器学习模型。通常情况下,离线训练产出包括以下两部分:一部分是存储在远程存储介质中的离散模型,包括了所有特征取值的历史数据;另外一部分是与离散模型配套的小模型,模型迭代升级训练出来的新模型的最重要的网络结构信息都会存储在这个小模型中,比如权重和偏置。
目前业界内有通用的特征质量的评估指标,具体过程为:在线获取的样本数据经特征算子抽取出特征签名(feasign),通过feasign从离散模型查询对应的权重值(weight)并拼接成模型的输入,结合小模型网络节点weight和偏移量完成在线预估服务的计算,得到预估Q值(即预估CTR值)。但是对于多级嵌套的组合特征不太友好,难以***全面的评估数据到特征到模型的影响面,同时由于评估指标太粗糙,难以解释特征质量高低的具体原因,从而为模型特征层面优化提供可靠有效的方向,辅助定位线上Q值波动的问题。
发明内容
本申请提供了一种特征质量评估方法、装置、电子设备及存储介质,可以从多个维度评估模型的特征质量,评估指标更加全面,可读性更强。
第一方面,本申请提供了一种特征质量评估方法,所述方法包括:
在待评估样本中提取出至少一个真实使用的字段;
对所述至少一个真实使用的字段进行转化处理,得到所述待评估样本对应的特征签名;
将所述待评估样本对应的特征签名输入至预先训练的离线模型中,通过所述离线模型输出所述待评估样本的各个特征的权重值;
基于所述待评估样本的各个特征的权重值,计算出所述待评估样本的各个特征的至少两个评估指标。
第二方面,本申请提供了一种特征质量评估装置,所述装置包括:提取模块、转化模块、第一计算模块和第二计算模块;其中,
所述提取模块,用于在待评估样本中提取出至少一个真实使用的字段;
所述转化模块,用于对所述至少一个真实使用的字段进行转化处理,得到所述待评估样本对应的特征签名;
所述第一计算模块,用于将所述待评估样本对应的特征签名输入至预先训练的离线模型中,通过所述离线模型输出所述待评估样本的各个特征的权重值;
所述第二计算模块,用于基于所述待评估样本的各个特征的权重值,计算出所述待评估样本的各个特征的至少两个评估指标。
第三方面,本申请实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本申请任意实施例所述的特征质量评估方法。
第四方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请任意实施例所述的特征质量评估方法。
第五方面,本申请实施例提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现本申请任意实施例所述的特征质量评估方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的特征质量评估方法的第一流程示意图;
图2是本申请实施例提供的模型、特征、样本之间的映射关系的结构示意图;
图3是本申请实施例提供的特征质量评估方法的第二流程示意图;
图4是本申请实施例提供的样本的覆盖率和空置率的示意图;
图5是本申请实施例提供的样本的统计值的示意图;
图6是本申请实施例提供的样本字段与特征质量问题对模型的影响的示意图;
图7是本申请实施例提供的特征质量评估装置的结构示意图;
图8是本申请实施例提供的转化模块的结构示意图;
图9是用来实现本申请实施例的特征质量评估方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例提供的特征质量评估方法的第一流程示意图,该方法可以由特征质量评估装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,特征质量评估方法可以包括以下步骤:
S101、在待评估样本中提取出至少一个真实使用的字段。
在本步骤中,电子设备可以在待评估样本中提取出至少一个真实使用的字段。具体地,电子设备可以先将待评估样本转化为结构化数据,然后在该结构化数据中提取出至少一个真实使用的字段。本申请实施例中的真实使用的字段是指待评估样本中内容不为空的字段,或者预先确定的一个或者多个字段。例如,假设某一个待评估样本可以包括但不限于以下字段:商品名称、商品类型、商品型号、客户下单时间、邮寄时间、反馈/评价信息等;本申请可以将上述字段中的一个或者多个字段确定为真实使用的字段。
在机器学习中流行一句话,特征和数据决定机器学习的上限,而模型和算法只是逼近这个上限而已。得益于近些年计算和存储成本不断下降,为了能够不断地触达新的上限,机器学习模型训练数据量由G跨越到P级别,特征的数量,特征组合的宽度和深度都在不断挑战新的上限,尽可能刻画出千人千面的差异性,让机器学习模型学习到用户更全面更真实的需求,做出更合乎用户心意的推理。比如以前用户行为相关特征最多考虑三天内,一周内的点击历史行为,而现在会放宽到一个月,甚者3个月的历史点击行为上;在匹配特征的过程中,可能会考虑用户和资源侧上十个类型的互动数据;比如和质量相关的组合特征,会从标题和正文的旧文,新颖度、标题党、格调、相关性、文法、结构、吸引度、信息量等几十个维度考虑。以推荐***中rank层的DNN模型的特征为例,模型输入的特征不到500个,但是按依赖的样本字段展开后有两千多条。
S102、对至少一个真实使用的字段进行转化处理,得到待评估样本对应的特征签名。
在本步骤中,电子设备可以对至少一个真实使用的字段进行转化处理,得到待评估样本对应的特征签名。具体地,电子设备可以先将至少一个真实使用的字段进行拼接组合,得到至少一个真实使用的字段对应的明文;然后将至少一个真实使用的字段对应的明文经过预先设置的签名算法,得到待评估样本对应的特征签名。
S103、将待评估样本对应的特征签名输入至预先训练的离线模型中,通过离线模型输出待评估样本的各个特征的权重值。
在本步骤中,电子设备可以将待评估样本对应的特征签名输入至预先训练的离线模型中,通过离线模型输出待评估样本的各个特征的权重值。较佳地,在将待评估样本对应的特征签名输入至预先训练的离线模型中之前,电子设备还可以将预先确定的至少一个样本字段与至少一个在线预估模型的对应关系,以及至少一个在线预估模型与各个在线预估模型的特征的对应关系输入至离线模型中;其中,至少一个样本字段与至少一个在线预估模型的对应关系为多对多的关系;各个在线预估模型的特征与各个在线预估模型的特征的对应关系为多对一的关系。
由于特征存在多级嵌套,区分单特征、组合特征和中间特征(不会直接输入到模型),而每个模型有成百上千个特征(包含单特征和组合特征),为了探索特征对模型效果的影响,首先需要理清楚模型-特征-样本之间的映射关系。样本字段的质量将影响着模型特征的质量,而特征的质量影响着模型的效果,由于样本字段的数量非常多,因此只有参与到模型特征计算的特征才会影响模型的效果。
图2是本申请实施例提供的模型、特征、样本之间的映射关系的结构示意图。如图2所示,样本字段与在线预估模型的对应关系为多对多的关系时多对多的关系;在线预估模型的特征与在线预估模型的对应关系为多对一的关系;样本字段与在线预估模型的特征的对应关系为多对多的关系。
S104、基于待评估样本的各个特征的权重值,计算出待评估样本的各个特征的至少两个评估指标。
在本步骤中,电子设备可以基于待评估样本的各个特征的权重值,计算出待评估样本的各个特征的至少两个评估指标。具体地,至少两个评估指标包括以下至少其中之二:样本的一致性、样本的覆盖率、样本的空置率、样本的稠密性、样本的统计值、样本的使用频率、特征签名的占比、去重后的特征签名的占比、特征的重要度。
采用本申请提供的特征质量评估方法,评估指标更全面:从模型依赖的样本,特征以及中间产出feasign建立全面的评估指标体系,有整体有细节。可以从模型离线AUC或者在线的点展比(CTR模型)下钻到特征重要度,feasign占比,去重后的feasign占比,再下钻到样本字段的一致性性,覆盖率&空值率,分布/稠密行,使用频率和样本字段的统计值(均值,最大值,最小值,方差,中位值等)。评估指标可读性更强:评估指标层层关联,整体指标的波动能在细节指标中得到解答,细节指标的优化能在整体指标优化中得到体现;特别是对于多层级嵌套,多特征组合的组合特征,当Q值波动时,可以从特征各个维度指标的波动对比,快速定位到异常样本字段;模型特征冗余时,可以通过对比各个特征的指标数据,快速给出有效的优化方案等。
根据本申请的技术解决了现有技术中基于通用的特征质量评估方法,只能根据预估的Q值对特征质量进行评估,评估指标太过单一,对于组合复杂的特征,缺乏更细粒度的全面的指标评估的技术问题,本申请提供的技术方案,可以从多个维度评估模型的特征质量,评估指标更加全面,可读性更强。
本申请实施例提出的特征质量评估方法,先在待评估样本中提取出至少一个真实使用的字段;然后对至少一个真实使用的字段进行转化处理,得到待评估样本对应的特征签名;接着将待评估样本对应的特征签名输入至预先训练的离线模型中,通过离线模型输出待评估样本的各个特征的权重值;再基于待评估样本的各个特征的权重值,计算出待评估样本的各个特征的至少两个评估指标。也就是说,本申请可以通过基于待评估样本的各个特征的权重值,计算出待评估样本的各个特征的至少两个评估指标。而在现有的特征质量评估方法中,只能根据预估的Q值对特征质量进行评估。因为本申请采用了基于待评估样本的各个特征的权重值,计算出待评估样本的各个特征的至少两个评估指标的技术手段,克服了现有技术中只能根据预估的Q值对特征质量进行评估,评估指标太过单一,对于组合复杂的特征,缺乏更细粒度的全面的指标评估的技术问题,本申请提供的技术方案,可以从多个维度评估模型的特征质量,评估指标更加全面,可读性更强;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例二
图3是本申请实施例提供的特征质量评估方法的第二流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图3所示,特征质量评估方法可以包括以下步骤:
S301、在待评估样本中提取出至少一个真实使用的字段。
S302、将至少一个真实使用的字段进行拼接组合,得到至少一个真实使用的字段对应的明文。
S303、将至少一个真实使用的字段对应的明文经过预先设置的签名算法,得到待评估样本对应的特征签名。
S304、将待评估样本对应的特征签名输入至预先训练的离线模型中,通过离线模型输出待评估样本的各个特征的权重值。
S305、将待评估样本的各个特征的权重值输入至预先训练的指标评估模型中,通过指标评估模型输出待评估样本的各个特征的至少两个评估指标。
在本步骤中,电子设备可以将待评估样本的各个特征的权重值输入至预先训练的指标评估模型中,通过指标评估模型输出待评估样本的各个特征的至少两个评估指标;其中,至少两个评估指标包括以下至少其中之二:样本的一致性、样本的覆盖率、样本的空置率、样本的稠密性、样本的统计值、样本的使用频率、特征签名的占比、去重后的特征签名的占比、特征的重要度。具体地,电子设备可以先在预先训练的指标评估网络中提取出一个节点作为当前节点;将待评估样本对应的特征签名作为当前节点对应的输入向量;将当前节点对应的输入向量输入至当前节点中,通过当前节点输出下一个节点对应的输入向量,重复执行上述提取当前节点的操作,直到得到预先训练的指标评估网络中最后一个节点输出的待评估样本的各个特征的至少两个评估指标。
下面对于具体模型特征质量评估指标进行详细介绍:
1)样本的一致性:样本和特征的在线与离线的一致性,由于推荐***中在线和离线的数据来源和传输都是相互独立的,很有可能存在不一致,在线与离线数据的差异性将导致某些特征在离线训练学不到它对应的大模型数据,既而导致在线预估结果与真实期望值产生差异。
2)样本的覆盖率和样本的空置率:样本的覆盖率和样本的空值率在很大程度上决定一个样本字段的质量。图4是本申请实施例提供的样本的覆盖率和空置率的示意图。如图4所示,覆盖率越高,空值率越低的样本字段一般都认为是优质样本,能够帮助我们更准确刻画特征,我们也在多次线上波动中验证这个结论。
3)样本的稠密性:对于非数值型的字段,可以通过计算top取值分布和占比来横向样本字段的稠密行;比如某个字段99%取值为一个值,剩下的1%取值为另一个值,这种字段不建议直接使用。
4)样本的统计值:对于数值型的样本字段,可以通过最大值、最小值、均值、中位值、方差等指标辅助评估样本的取值差异性。图5是本申请实施例提供的样本的统计值的示意图。如图5所示,对于2020-08-01,23:00:00对应的统计值,中位数为-1.0000;均值为-0.8239;标准差为:0.7283;最小值为:-1.0000;最大值为:3.0000。
5)样本的使用频次:样本字段的使用频次从另一面体现该字段对模型效果的影响面。
6)特征签名的占比:特征签名(feasign)占比在一定程度上依赖样本的覆盖率,越高说明特征的覆盖率越高,值缺失的情况越少,同时也在侧面体现特征的存储成本。
7)去重后的特征签名的占比:feasign占比能看出特征的覆盖率,但是对于一些固定值、空值、值分布密集的情况无法体现,而去重后的feasign占比可以让我们更精确的感受到特征的取值的丰富度和差异性,同时也能更直观看出特征优化方向。
8)特征的重要度:这个是一个传统的评估指标,通过随机替换指定特征的输入,输出AUC,然后与原始AUC对比,差异越大,说明特征越重要。AUC(Area Under Curve)被定义为ROC曲线下与坐标轴围成的面积,显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方,所以AUC的取值范围在0.5和1之间。
目前业界内采用的方案评估指标单一,对于这种组合复杂的特征,缺乏细粒度加粗粒度的全面评估指标,只能从全局评估,无法评估某个单点的影响力,同时针对评估结果的优化方案也很单一,就是剪裁贡献因子低的特征,无法透过结果追溯到问题的根因,既而从源头提升特征的质量,对于无法优化的样本字段寻找可替代的优质样本字段,如果上述优化方案均不满足的情况下再采取剪裁方案,基于成本与收益权衡,剪裁低效特征,保障模型特征的健康迭代,同时不利于特征质量引发的Q值波动问题定位分析和解决。本申请可以从多个维度评估模型的特征质量,例如,样本字段的正确性(比如一致性,统计值),完备性(覆盖率和空值率),差异性(稠密性,统计值等),feasign的差异性(去重后占比)和完备性(占比),可以从不同层面体现数据质量,也跟特征的重要度存在正相向的关联性,而样本字段使用频次体现字段质量问题在模型中的放大倍数,使用频次越高,影响的特征重要度越高的字段也应该是我们数据治理,数据监控等需要重点关注的。样本字段与特征质量问题都将传递给模型,影响模型效果,同时还会造成模型臃肿。
图6是本申请实施例提供的样本字段与特征质量问题对模型的影响的示意图。如图6所示,样本字段可能发生的问题包括:数据重复、数据缺失、计算错误、定义错误;特征质量可能发生的问题包括:特征不一致、特征不完整、特征不合规、特征不可控、特征冗余;模型可能发生的问题包括:模型不准、模型臃肿。
本申请实施例提出的特征质量评估方法,先在待评估样本中提取出至少一个真实使用的字段;然后对至少一个真实使用的字段进行转化处理,得到待评估样本对应的特征签名;接着将待评估样本对应的特征签名输入至预先训练的离线模型中,通过离线模型输出待评估样本的各个特征的权重值;再基于待评估样本的各个特征的权重值,计算出待评估样本的各个特征的至少两个评估指标。也就是说,本申请可以通过基于待评估样本的各个特征的权重值,计算出待评估样本的各个特征的至少两个评估指标。而在现有的特征质量评估方法中,只能根据预估的Q值对特征质量进行评估。因为本申请采用了基于待评估样本的各个特征的权重值,计算出待评估样本的各个特征的至少两个评估指标的技术手段,克服了现有技术中只能根据预估的Q值对特征质量进行评估,评估指标太过单一,对于组合复杂的特征,缺乏更细粒度的全面的指标评估的技术问题,本申请提供的技术方案,可以从多个维度评估模型的特征质量,评估指标更加全面,可读性更强;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例三
图7是本申请实施例提供的特征质量评估装置的结构示意图。如图7所示,所述装置700包括:提取模块701、转化模块702、第一计算模块703和第二计算模块704;其中,
所述提取模块701,用于在待评估样本中提取出至少一个真实使用的字段;
所述转化模块702,用于对所述至少一个真实使用的字段进行转化处理,得到所述待评估样本对应的特征签名;
所述第一计算模块703,用于将所述待评估样本对应的特征签名输入至预先训练的离线模型中,通过所述离线模型输出所述待评估样本的各个特征的权重值;
所述第二计算模块704,用于基于所述待评估样本的各个特征的权重值,计算出所述待评估样本的各个特征的至少两个评估指标。
进一步的,所述至少两个评估指标包括以下至少其中之二:样本的一致性、样本的覆盖率、样本的空置率、样本的稠密性、样本的统计值、样本的使用频率、特征签名的占比、去重后的特征签名的占比、特征的重要度。
图8是本申请实施例提供的转化模块的结构示意图。如图8所示,所述转化模块702包括:拼接组合子模块7021和计算子模块7022;其中,
所述拼接组合子模块7021,用于将所述至少一个真实使用的字段进行拼接组合,得到所述至少一个真实使用的字段对应的明文;
所述计算子模块7022,用于将所述至少一个真实使用的字段对应的明文经过预先设置的签名算法,得到所述待评估样本对应的特征签名。
进一步的,所述第一计算模块703,还用于将预先确定的至少一个样本字段与至少一个在线预估模型的对应关系,以及所述至少一个在线预估模型与各个在线预估模型的特征的对应关系输入至所述离线模型中;其中,所述至少一个样本字段与所述至少一个在线预估模型的对应关系为多对多的关系;各个在线预估模型的特征与各个在线预估模型的对应关系为多对一的关系。
进一步的,所述第二计算模块704,具体用于将所述待评估样本的各个特征的权重值输入至预先训练的指标评估模型中,通过所述指标评估模型输出所述待评估样本的各个特征的至少两个评估指标。
进一步的,所述第二计算模块704,具体用于在所述预先训练的指标评估网络中提取出一个节点作为当前节点;将所述待评估样本对应的特征签名作为所述当前节点对应的输入向量;将所述当前节点对应的输入向量输入至所述当前节点中,通过所述当前节点输出下一个节点对应的输入向量,重复执行上述提取所述当前节点的操作,直到得到所述预先训练的指标评估网络中最后一个节点输出的所述待评估样本的各个特征的至少两个评估指标。
上述特征质量评估装置可执行本申请任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的特征质量评估方法。
实施例四
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如特征质量评估方法。例如,在一些实施例中,特征质量评估方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的特征质量评估方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行特征质量评估方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (9)
1.一种特征质量评估方法,所述方法包括:
在待评估样本中提取出至少一个真实使用的字段;
对所述至少一个真实使用的字段进行转化处理,得到所述待评估样本对应的特征签名;
将所述待评估样本对应的特征签名输入至预先训练的离线模型中,通过所述离线模型输出所述待评估样本的各个特征的权重值;
基于所述待评估样本的各个特征的权重值,计算出所述待评估样本的各个特征的至少两个评估指标;
其中,所述至少两个评估指标包括以下至少其中之二:样本的一致性、样本的覆盖率、样本的空置率、样本的稠密性、样本的统计值、样本的使用频率、特征签名的占比、去重后的特征签名的占比、特征的重要度;
其中,所述对所述至少一个真实使用的字段进行转化处理,得到所述待评估样本对应的特征签名,包括:
将所述至少一个真实使用的字段进行拼接组合,得到所述至少一个真实使用的字段对应的明文;
将所述至少一个真实使用的字段对应的明文经过预先设置的签名算法,得到所述待评估样本对应的特征签名;
其中,所述基于所述待评估样本的各个特征的权重值,计算出所述待评估样本的各个特征的至少两个评估指标,包括:
将所述待评估样本的各个特征的权重值输入至预先训练的指标评估模型中,通过所述指标评估模型输出所述待评估样本的各个特征的至少两个评估指标。
2.根据权利要求1所述的方法,在所述将所述待评估样本对应的特征签名输入至预先训练的离线模型中之前,所述方法还包括:
将预先确定的至少一个样本字段与至少一个在线预估模型的对应关系,以及所述至少一个在线预估模型与各个在线预估模型的特征的对应关系输入至所述离线模型中;其中,所述至少一个样本字段与所述至少一个在线预估模型的对应关系为多对多的关系;各个在线预估模型的特征与各个在线预估模型的对应关系为多对一的关系。
3.根据权利要求1所述的方法,所述将所述待评估样本的各个特征的权重值输入至预先训练的指标评估模型中,通过所述指标评估模型输出所述待评估样本的各个特征的至少两个评估指标,包括:
在所述预先训练的指标评估网络中提取出一个节点作为当前节点;将所述待评估样本对应的特征签名作为所述当前节点对应的输入向量;将所述当前节点对应的输入向量输入至所述当前节点中,通过所述当前节点输出下一个节点对应的输入向量,重复执行上述提取所述当前节点的操作,直到得到所述预先训练的指标评估网络中最后一个节点输出的所述待评估样本的各个特征的至少两个评估指标。
4.一种特征质量评估装置,所述装置包括:提取模块、转化模块、第一计算模块和第二计算模块;其中,
所述提取模块,用于在待评估样本中提取出至少一个真实使用的字段;
所述转化模块,用于对所述至少一个真实使用的字段进行转化处理,得到所述待评估样本对应的特征签名;
所述第一计算模块,用于将所述待评估样本对应的特征签名输入至预先训练的离线模型中,通过所述离线模型输出所述待评估样本的各个特征的权重值;
所述第二计算模块,用于基于所述待评估样本的各个特征的权重值,计算出所述待评估样本的各个特征的至少两个评估指标;
其中,所述至少两个评估指标包括以下至少其中之二:样本的一致性、样本的覆盖率、样本的空置率、样本的稠密性、样本的统计值、样本的使用频率、特征签名的占比、去重后的特征签名的占比、特征的重要度;
其中,所述转化模块包括:拼接组合子模块和计算子模块;其中,
所述拼接组合子模块,用于将所述至少一个真实使用的字段进行拼接组合,得到所述至少一个真实使用的字段对应的明文;
所述计算子模块,用于将所述至少一个真实使用的字段对应的明文经过预先设置的签名算法,得到所述待评估样本对应的特征签名;
其中,所述第二计算模块,具体用于将所述待评估样本的各个特征的权重值输入至预先训练的指标评估模型中,通过所述指标评估模型输出所述待评估样本的各个特征的至少两个评估指标。
5.根据权利要求4所述的装置,所述第一计算模块,还用于将预先确定的至少一个样本字段与至少一个在线预估模型的对应关系,以及所述至少一个在线预估模型与各个在线预估模型的特征的对应关系输入至所述离线模型中;其中,所述至少一个样本字段与所述至少一个在线预估模型的对应关系为多对多的关系;各个在线预估模型的特征与各个在线预估模型的对应关系为多对一的关系。
6.根据权利要求4所述的装置,所述第二计算模块,具体用于在所述预先训练的指标评估网络中提取出一个节点作为当前节点;将所述待评估样本对应的特征签名作为所述当前节点对应的输入向量;将所述当前节点对应的输入向量输入至所述当前节点中,通过所述当前节点输出下一个节点对应的输入向量,重复执行上述提取所述当前节点的操作,直到得到所述预先训练的指标评估网络中最后一个节点输出的所述待评估样本的各个特征的至少两个评估指标。
7.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
9.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011554160.2A CN112528159B (zh) | 2020-12-24 | 2020-12-24 | 一种特征质量评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011554160.2A CN112528159B (zh) | 2020-12-24 | 2020-12-24 | 一种特征质量评估方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528159A CN112528159A (zh) | 2021-03-19 |
CN112528159B true CN112528159B (zh) | 2024-03-26 |
Family
ID=74976247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011554160.2A Active CN112528159B (zh) | 2020-12-24 | 2020-12-24 | 一种特征质量评估方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528159B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536921B (zh) * | 2021-06-11 | 2023-10-20 | 五邑大学 | 一种电弧焊接质量评估方法、装置及存储介质 |
CN116187034B (zh) * | 2023-01-12 | 2024-03-12 | 中国航空发动机研究院 | 基于不确定度量化的压气机仿真可信度评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211119A (zh) * | 2019-06-04 | 2019-09-06 | 厦门美图之家科技有限公司 | 图像质量评估方法、装置、电子设备及可读存储介质 |
WO2020107509A1 (en) * | 2018-11-27 | 2020-06-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for processing data from an online on-demand service platform |
CN111461306A (zh) * | 2020-03-31 | 2020-07-28 | 北京百度网讯科技有限公司 | 特征评估的方法及装置 |
CN111667010A (zh) * | 2020-06-08 | 2020-09-15 | 平安科技(深圳)有限公司 | 基于人工智能的样本评估方法、装置、设备及存储介质 |
CN111754126A (zh) * | 2020-06-29 | 2020-10-09 | 支付宝(杭州)信息技术有限公司 | 对应用进行评估的方法和*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346372B (zh) * | 2013-07-31 | 2018-03-27 | 国际商业机器公司 | 用于评估预测模型的方法和装置 |
US10761958B2 (en) * | 2018-03-19 | 2020-09-01 | International Business Machines Corporation | Automatically determining accuracy of a predictive model |
CN111382573A (zh) * | 2018-12-12 | 2020-07-07 | 百度在线网络技术(北京)有限公司 | 用于答案质量评估的方法、装置、设备和存储介质 |
-
2020
- 2020-12-24 CN CN202011554160.2A patent/CN112528159B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020107509A1 (en) * | 2018-11-27 | 2020-06-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for processing data from an online on-demand service platform |
CN110211119A (zh) * | 2019-06-04 | 2019-09-06 | 厦门美图之家科技有限公司 | 图像质量评估方法、装置、电子设备及可读存储介质 |
CN111461306A (zh) * | 2020-03-31 | 2020-07-28 | 北京百度网讯科技有限公司 | 特征评估的方法及装置 |
CN111667010A (zh) * | 2020-06-08 | 2020-09-15 | 平安科技(深圳)有限公司 | 基于人工智能的样本评估方法、装置、设备及存储介质 |
CN111754126A (zh) * | 2020-06-29 | 2020-10-09 | 支付宝(杭州)信息技术有限公司 | 对应用进行评估的方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN112528159A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390408B (zh) | 交易对象预测方法和装置 | |
CN111311321B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
CN112528159B (zh) | 一种特征质量评估方法、装置、电子设备及存储介质 | |
CN113360711A (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
CN114091128A (zh) | 一种排样方案的确定方法、装置及电子设备 | |
Huang et al. | Higher-order saddlepoint approximations in the Vasicek portfolio credit loss model | |
CN112989170A (zh) | 应用于信息搜索的关键词匹配方法、信息搜索方法及装置 | |
CN116401372A (zh) | 知识图谱表示学习方法、装置、电子设备及可读存储介质 | |
CN115905558A (zh) | 基于知识图谱的xai模型评价方法、装置、设备及介质 | |
CN115203564A (zh) | 信息流推荐方法、装置及计算机程序产品 | |
CN114117248A (zh) | 数据处理方法、装置及电子设备 | |
CN114328047A (zh) | ***测试方法、装置、电子设备以及存储介质 | |
CN113222414A (zh) | 模型稳定性的评估方法、装置、电子设备和存储介质 | |
CN113052325A (zh) | 在线模型的优化方法、装置、设备、存储介质及程序产品 | |
CN113010782A (zh) | 需求量获取方法、装置、电子设备以及计算机可读介质 | |
CN117407514B (zh) | 一种解决计划生成方法、装置、设备及存储介质 | |
CN117408740A (zh) | 一种针对券商客户的流失预警方法及*** | |
CN113344405A (zh) | 基于知识图谱生成信息的方法、装置、设备、介质和产品 | |
CN115587634A (zh) | 一种人工智能决策的解释方法、装置、设备及存储介质 | |
CN117575679A (zh) | 用户留存的预测方法及装置、电子设备和存储介质 | |
KR20240116667A (ko) | 트레이닝 샘플 획득 및 대규모 모델 최적화 트레이닝 방법 및 장치 | |
CN115757961A (zh) | 评价推荐算法模型的方法、装置、设备以及存储介质 | |
CN112541705A (zh) | 生成用户行为评估模型的方法、装置、设备以及存储介质 | |
CN115221421A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN117634437A (zh) | 一种设备当前运行状态的描述方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |