数据项展示方法及装置与流程

1.本发明涉及人工智能技术领域，尤其涉及数据项展示方法及装置。

背景技术：

2.目前，各种交易类型不断增多，交易数据来源的渠道也不相同，例如金融交易。
3.每种交易下，都有不同的数据项展示要求，为更好的服务不同场景下，满足交易的展示需求，需要通过人工调研判别等方式来确定所需展示的数据项，这无疑耗费了大量的人力物力。
4.现有技术的不足在于，没有技术方案支持交易在不同渠道、不同场景下展示相应的数据项。

技术实现要素：

5.本发明实施例提供一种数据项展示方法，用以解决没有技术方案支持交易在不同渠道、不同场景下展示相应的数据项的问题，该方法包括：
6.确定输入的交易数据的发生场景以及输入渠道；
7.根据交易数据输入的发生场景以及输入渠道，通过基于机器学习的缺陷预测模型选择的分类器的分类结果，为交易数据匹配需要展示的数据项；其中，所述机器学习模型是在将不同场景下以及不同输入渠道下，用户期望的展示数据项输入基于机器学习的缺陷预测模型后，对训练集进行处理变成平衡数据，该平衡数据用以供机器学习模型选择分类器。
8.本发明实施例还提供一种数据项展示装置，用以解决没有技术方案支持交易在不同渠道、不同场景下展示相应的数据项的问题，该装置包括：
9.交易模块，用于确定输入的交易数据的发生场景以及输入渠道；
10.展示模块，用于根据交易数据输入的发生场景以及输入渠道，通过基于机器学习的缺陷预测模型选择的分类器的分类结果，为交易数据匹配需要展示的数据项；其中，所述机器学习模型是在将不同场景下以及不同输入渠道下，用户期望的展示数据项输入基于机器学习的缺陷预测模型后，对训练集进行处理变成平衡数据，该平衡数据用以供机器学习模型选择分类器。
11.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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数据项展示方法。
12.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述数据项展示方法。
13.本发明实施例还提供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数据项展示方法。
14.本发明实施例中，与现有技术中使用人工调研、人工管理的技术方案相比，通过使用基于机器学习的缺陷预测模型，对交易数据的在不同发生场景以及输入渠道下，用户期
望展示的数据项进行训练，从而能够获知不同发生场景以及输入渠道下合适展示的数据项，再采用分类器来进行分类识别，匹配出适当的展示数据项，在任何数据集上均可达到最佳分类效果，从而可以在不需要人工介入的情况下，提升交易在不同渠道、不同场景展示的准确性，提供准确友好的对客服务，提升客户的体验。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。在附图中：
16.图1为本发明实施例中数据项展示方法实施流程示意图；
17.图2为本发明实施例中数据项展示架构示意图；
18.图3为本发明实施例中数据项展示实施流程示意图；
19.图4为本发明实施例中数据项展示装置结构示意图；
20.图5为本发明实施例中计算机设备示意图。
具体实施方式
21.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
22.各种交易类型不断增多，交易数据来源的渠道也不相同，为更好的服务不同场景下，金融交易的展示需求。本发明实施例提供的技术方案，可提升交易在不同渠道、不同场景展示的准确性，友好性，降低人工调研、人工管理成本，提高维护效率，同时避免产生缺失。
23.下面结合实施例进行说明。
24.首先对实施例中涉及到的概念进行说明。
25.交易是指会触发账务处理的交易，如转账、存款、汇款。
26.账务指客户账面信息，如金额、费用等。
27.渠道是指数据来自不同服务端口，如来自手机银行，网银等的端口。
28.场景是指产生金融或非金融交易的最小粒度事件。
29.图1为数据项展示方法实施流程示意图，如图1所示，可以包括：
30.步骤101、确定输入的交易数据的发生场景以及输入渠道；
31.步骤102、根据交易数据输入的发生场景以及输入渠道，通过基于机器学习的缺陷预测模型选择的分类器的分类结果，为交易数据匹配需要展示的数据项；其中，所述机器学习模型是在将不同场景下以及不同输入渠道下，用户期望的展示数据项输入基于机器学习的缺陷预测模型后，对训练集进行处理变成平衡数据，该平衡数据用以供机器学习模型选择分类器。
32.实施中，对训练集进行处理变成平衡数据，是使用取样方法对训练集进行处理后，将训练集变成平衡数据。
33.具体的，可以使用取样方法对训练集进行处理将其变成平衡数据。
34.实施中，使用取样方法对训练集进行处理时，使用的是smote算法。
35.具体的，在缺陷预测模型中可以使用smote算法解决缺陷预测中常见的非平衡问题。
36.实施中，基于机器学习的缺陷预测模型选择的分类器，是自适应选择分类器。
37.具体的，可以使用asc(自适应选择分类器，adaptive selection of classifier)来替代传统机器学习模型中的分类器。asc结合了多种传统分类模型，可以根据新数据的特征为其选择最合适的分类器，从而提升分类效果，选择最佳方案展示。
38.方案实施时，首先提出了一种基于机器学习模型。该模型主要包括两个部分：
39.首先，使用一种基于机器学习的缺陷预测模型，该模型可以处理缺陷预测时常见的非平衡问题；其次，使用一种自适应选择分类器，可以根据输入数据的特征自适应选择最合适该数据集的分类器，从而提升分类效果。
40.通过该模型，以及相关渠道、以及场景输入，即可自动为渠道和场景分配最佳的展示字段，展示内容。
41.具体实施时，首先需要得到常用的交易场景和期望展示项，作为特征输入模型。
42.该模型可以使用smote算法解决缺陷预测中常见的非平衡问题；同时，使用asc，可以根据输入数据选择最合适的分类器从而提升分类效果，该分类器可以提升机器学习模型的分类能力。下面以实例进行说明。
43.图2为数据项展示架构示意图，如图2所示，至少一个可以实现数据项展示的功能架构可以包括：特征输入模块、处理非平衡数据模块、自适应分类器选择模块，其中：
44.特征输入模块：用于输入不同场景、以及不同数据渠道下的交易数据期望的展示数据项。如表1所示，表1为银行自助渠道对公场景交易明细清单期望展示的数据项集合。
45.表1：
46.[0047][0048]
处理非平衡数据模块：用于在数据输入机器学习模型后，针对非平衡数据问题，可以使用取样方法对训练集进行处理将其变成平衡数据，常用的取样方法分为过采样(oversample)和欠采样(undersmpling)两种。
[0049]
过采样基于bootstrap抽样方法，可通过复制等方式向少数类中添加数据，使得少数类和多数类数量相当；相对的，欠采样方法从多数类中减掉数据。可见，过采样可能会添加重复的数据，导致数据过拟合，而欠采样由于砍掉了数据，可能会导致重要数据的丢失。
[0050]
采用smote算法可以通过对少数类样本进行分析和模拟，将新样本添加到数据集中来减少数据失衡程度。该方法对于少数类中的每个样本x的k个近邻(如使用欧式距离为标准计算)，从其中随机挑选n个样本进行随机线性差值，构造新的少数类样本，将新样本和原数据合成，产生新的训练集。它是基于随机过采样的一种改进方案，是处理非均衡数据的手段。smote算法中的众多参数对实验结果有重要影响，而参数的设置往往依赖于人们的经验，以往的很多研究就直接使用了该算法的默认参数，这样的设置并不能很好的适应所有数据集。smotuned使用差分进化算法(differential evolution)，随机生成smote算法中参数(k，r，m)的初值，通过变异、交叉、选择的演化过程逐步寻求参数的最优解，是一种自适应的smote方法。
[0051]
自适应分类器选择模块：用于根据新数据的特征为其选择最合适的分类器，选择最佳方案展示。
[0052]
传统的机器学习模型已经在多个领域取得了成功，例如自然语言处理，图像识别等，但是已有研究证明没有任何一种分类器可以在任何情况下都取得最优的分类效果。在这种情况下，本发明使用nucci提出的一种自适应选择分类器asc(adaptive selection of classifier)来替代传统机器学习模型中的分类器。asc结合了多种传统分类模型，可以根据新数据的特征为其选择最合适的分类器，从而提升分类效果，选择最佳方案展示。
[0053]
图3为数据项展示实施流程示意图，如图3所示，可以包括：
[0054]
步骤301、在特征输入模块输入不同场景、不同渠道下的交易数据期望的展示数据项。
[0055]
步骤302、处理非平衡数据模块将数据输入机器学习模型，针对非平衡数据问题，对训练集进行处理将其变成平衡数据。
[0056]
步骤303、自适应分类器选择模块根据新数据的特征为其选择最合适的分类器，从而提升分类效果，选择最佳方案展示。
[0057]
本发明实施例中还提供了一种数据项展示装置，如下面的实施例所述。由于该装置解决问题的原理与数据项展示方法相似，因此该装置的实施可以参见数据项展示方法的实施，重复之处不再赘述。
[0058]
图4为数据项展示装置结构示意图，如图4所示，可以包括：
[0059]
交易模块401，用于确定输入的交易数据的发生场景以及输入渠道；
[0060]
展示模块402，用于根据交易数据输入的发生场景以及输入渠道，通过基于机器学习的缺陷预测模型选择的分类器的分类结果，为交易数据匹配需要展示的数据项；其中，所述机器学习模型是在将不同场景下以及不同输入渠道下，用户期望的展示数据项输入基于机器学习的缺陷预测模型后，对训练集进行处理变成平衡数据，该平衡数据用以供机器学习模型选择分类器。
[0061]
实施中，展示模块进一步用于对训练集进行处理变成平衡数据，是使用取样方法对训练集进行处理后，将训练集变成平衡数据。
[0062]
实施中，展示模块进一步用于使用取样方法对训练集进行处理时，使用的是smote算法。
[0063]
实施中，展示模块进一步用于在基于机器学习的缺陷预测模型中选择的分类器，是自适应选择分类器。
[0064]
在实施本发明实施例提供的技术方案时，可以按如下方式实施。
[0065]
图5为计算机设备示意图，如图5所示，计算机设备中包括：
[0066]
处理器500，用于读取存储器520中的程序，执行下列过程：
[0067]
确定输入的交易数据的发生场景以及输入渠道；
[0068]
根据交易数据输入的发生场景以及输入渠道，通过基于机器学习的缺陷预测模型选择的分类器的分类结果，为交易数据匹配需要展示的数据项；其中，所述机器学习模型是在将不同场景下以及不同输入渠道下，用户期望的展示数据项输入基于机器学习的缺陷预测模型后，对训练集进行处理变成平衡数据，该平衡数据用以供机器学习模型选择分类器；
[0069]
收发机510，用于在处理器500的控制下接收和发送数据。
[0070]
实施中，对训练集进行处理变成平衡数据，是使用取样方法对训练集进行处理后，将训练集变成平衡数据。
[0071]
实施中，使用取样方法对训练集进行处理时，使用的是smote算法。
[0072]
实施中，基于机器学习的缺陷预测模型选择的分类器，是自适应选择分类器。
[0073]
其中，在图5中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器500代表的一个或多个处理器和存储器520代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机510可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器500负责管理总线架构和通常的处理，存储器520可以存储处理器500在执行操作时所使用的数据。
[0074]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述数据项展示方法。
[0075]
本发明实施例还提供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数据项展示方法。
[0076]
本发明实施例提供的技术方案，易于实现，在任何数据集上均可达到最佳分类效果；便于交易管理，提供准确友好的对客服务。
[0077]
本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定，本技术获取的个人、客户和人等相关的个人身份数据、操作数据、行为数据等多种类型的数据，均已获得授权。
[0078]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0079]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0080]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0081]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0082]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种数据项展示方法，其特征在于，包括：确定输入的交易数据的发生场景以及输入渠道；根据交易数据输入的发生场景以及输入渠道，通过基于机器学习的缺陷预测模型选择的分类器的分类结果，为交易数据匹配需要展示的数据项；其中，所述机器学习模型是在将不同场景下以及不同输入渠道下，用户期望的展示数据项输入基于机器学习的缺陷预测模型后，对训练集进行处理变成平衡数据，该平衡数据用以供机器学习模型选择分类器。2.如权利要求1所述的方法，其特征在于，对训练集进行处理变成平衡数据，是使用取样方法对训练集进行处理后，将训练集变成平衡数据。3.如权利要求2所述的方法，其特征在于，使用取样方法对训练集进行处理时，使用的是smote算法。4.如权利要求1所述的方法，其特征在于，基于机器学习的缺陷预测模型选择的分类器，是自适应选择分类器。5.一种数据项展示装置，其特征在于，包括：交易模块，用于确定输入的交易数据的发生场景以及输入渠道；展示模块，用于根据交易数据输入的发生场景以及输入渠道，通过基于机器学习的缺陷预测模型选择的分类器的分类结果，为交易数据匹配需要展示的数据项；其中，所述机器学习模型是在将不同场景下以及不同输入渠道下，用户期望的展示数据项输入基于机器学习的缺陷预测模型后，对训练集进行处理变成平衡数据，该平衡数据用以供机器学习模型选择分类器。6.如权利要求5所述的装置，其特征在于，展示模块进一步用于对训练集进行处理变成平衡数据，是使用取样方法对训练集进行处理后，将训练集变成平衡数据。7.如权利要求6所述的装置，其特征在于，展示模块进一步用于使用取样方法对训练集进行处理时，使用的是smote算法。8.如权利要求5所述的装置，其特征在于，展示模块进一步用于在基于机器学习的缺陷预测模型中选择的分类器，是自适应选择分类器。9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一所述方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至4任一所述方法。11.一种计算机程序产品，其特征在于，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权利要求1至4任一所述方法。

技术总结

本发明公开了一种数据项展示方法及装置，涉及人工智能，其中该方法包括：确定输入的交易数据的发生场景以及输入渠道；根据交易数据输入的发生场景以及输入渠道，通过基于机器学习的缺陷预测模型选择的分类器的分类结果，为交易数据匹配需要展示的数据项；其中，所述机器学习模型是在将不同场景下以及不同输入渠道下，用户期望的展示数据项输入基于机器学习的缺陷预测模型后，对训练集进行处理变成平衡数据，该平衡数据用以供机器学习模型选择分类器。本发明可以在不需要人工介入的情况下，提升交易在不同渠道、不同场景展示的准确性，提供准确友好的对客服务，提升客户的体验。提升客户的体验。提升客户的体验。