业务策略生成方法及业务策略生成装置

摘要

本公开提供一种业务策略生成方法及业务策略生成装置。所述业务策略生成方法包括：响应于用于生成决策流的用户操作，向用户展示用于生成决策流的图形化界面，其中，所述图形化界面中设置有与用户的策略规则配置对应的决策配置组件，所述策略规则配置包括对经验规则的配置和/或对预先训练好的机器学习模型的配置；响应于用户在所述图形化界面上对所述决策配置组件的组合操作，创建业务决策流，以用于基于所述业务决策流生成业务策略。根据本公开的业务业务策略生成方法及业务策略生成装置解决了策略规则无法自动组合生成决策流的问题，能够降低业务策略生成的操作门槛并减少人工参与业务策略的内部逻辑改写的过程，提高业务策略的生成效率。

说明书

技术领域

本公开涉及计算机技术领域，具体地涉及一种业务策略生成方法及业务策略生成装置。

背景技术

业务决策是在金融、零售等各行业中广泛存在的业务需求，策略方案通常是基于一定的策略规则生成。随着业务范围的扩大、业务场景的增加，策略规则中需要考量的因素越来越多，决策需求所涉及的数据形式也越来越复杂。

随着计算机技术的发展，业务策略方案的生成已从人工审核、专家规则的时代发展到基于机器学习的智能决策时代。然而，在现有的业务策略生成方法中，一方面，专家规则和智能决策模型二者的应用相对独立，主要依赖于业务人员在不同的决策阶段选择使用，而无法实现自动化的组合应用；另一方面，业务人员在生成决策流时，需要掌握大量的策略规则的内部逻辑，这对于业务人员的专业能力要求较高，在业务人员不了解这些复杂、数量庞大的策略规则的情况下，则难以实现全面、精准的业务决策。

发明内容

本公开的示例性实施例可至少解决上述问题，也可不解决上述问题。

根据本公开的第一方面，提供了一种业务策略生成方法，所述业务策略生成方法包括：响应于用于生成决策流的用户操作，向用户展示用于生成决策流的图形化界面，其中，所述图形化界面中设置有与用户的策略规则配置对应的决策配置组件，所述策略规则配置包括对经验规则的配置和/或对预先训练好的机器学习模型的配置；响应于用户在所述图形化界面上对所述决策配置组件的组合操作，创建业务决策流，以用于基于所述业务决策流生成业务策略。

可选地，所述业务策略生成方法还包括：接收用户输入的所需要生成的业务策略的业务字段；响应于用于配置第一约束条件的用户操作，向用户提供至少一个候选约束条件，其中，所述第一约束条件指的是对所述业务字段的字段值的约束条件，所述候选约束条件基于所述业务字段的字段值和预设约束条件生成；响应于用户对所述候选约束条件的配置操作，创建所述第一约束条件。

可选地，所述业务策略生成方法还包括：响应于用于配置第二约束条件的用户操作，向用户提供至少一个候选分析选项，其中，所述第二约束条件指的是对分析所述业务字段的字段值得到的分析值的约束条件，所述候选分析选项包括对业务字段的字段值的数值运算、基于预设映射关系对业务字段的字段值的解析、字段值的数据类型转换、数据表形式变换中的至少一项；响应于用户对所述候选分析选项的配置操作，配置第二约束条件。

可选地，通过以下方式配置所述经验规则：基于所述第一约束条件和/或所述第二约束条件，配置所述经验规则，其中，所述经验规则包括专家规则、评分卡和决策表中的至少一项，其中，所述专家规则指的是判断是否满足基于所述第一约束条件和/或所述第二约束条件运算得到的条件，所述决策表指的是呈表格状的包括所述第一约束条件和/或所述第二约束条件的多维度判断条件，所述评分卡指的是通过对所述第一约束条件和/或所述第二约束条件进行分析判断进而对数据所含信息进行量化评估。

可选地，所述业务策略生成方法还包括：响应于用户对已生成的多个业务策略的配置操作，调整分配给所述多个业务策略的输入数据量。

可选地，所述业务策略生成方法还包括：响应于用于策略统计的用户操作，向用户展示已生成的业务策略的策略报警率，其中，所述策略报警率表示通过所述已生成的业务策略对输入数据的预测的结果与所述输入数据的实际结果之间的偏差。

可选地，所述业务策略生成方法还包括：响应于用于创建业务策略的应用场景的用户指令，创建应用场景，其中，所述应用场景包括实时场景和批量场景，其中，所述实时场景指的是基于获取的实时数据或流式数据生成业务策略的场景，所述批量场景指的是基于获取的批量数据生成业务策略的场景。

可选地，所述业务策略生成方法还包括：响应于用于获取输入数据的用户指令，获取输入数据，其中，所述输入数据包括实时数据、流式数据和批量数据中的至少一者。

可选地，通过以下方式配置所述预先训练好的机器学习模型：从多个候选机器学习模型中选择机器学习模型或上传机器学习模型，作为所述预先训练好的机器学习模型；建立所述预先训练好的机器学习模型的字段值类型与用户输入的业务字段的字段值类型之间的对应关系；其中，所述多个候选机器学习模型中的至少一个机器学习模型包括多个版本。

可选地，对所述决策配置组件的组合操作包括以下至少一项：向决策流添加决策配置组件、从决策流中删除决策配置组件、设置决策配置组件之间的连接顺序、调整决策配置组件中的参数、调整决策流的输出结果。

可选地，所述决策配置组件包括专家规则组件、评分卡组件、决策表组件和机器学习模型组件中的至少一者。

根据本公开的第二方面，提供了一种业务策略生成装置，所述业务策略生成装置包括：展示单元，被配置为响应于用于生成决策流的用户操作，向用户展示用于生成决策流的图形化界面，其中，所述图形化界面中设置有与用户的策略规则配置对应的决策配置组件，所述策略规则配置包括对经验规则的配置和/或对预先训练好的机器学习模型的配置；创建单元，被配置为响应于用户在所述图形化界面上对所述决策配置组件的组合操作，创建业务决策流，以用于基于所述业务决策流生成业务策略。

可选地，所述业务策略生成装置还包括第一约束条件创建单元，所述第一约束条件创建单元被配置为：接收用户输入的所需要生成的业务策略的业务字段；响应于用于配置第一约束条件的用户操作，向用户提供至少一个候选约束条件，其中，所述第一约束条件指的是对所述业务字段的字段值的约束条件，所述候选约束条件基于所述业务字段的字段值和预设约束条件生成；响应于用户对所述候选约束条件的配置操作，创建所述第一约束条件。

可选地，所述业务策略生成装置还包括第二约束条件创建单元，所述第二约束条件创建单元被配置为：响应于用于配置第二约束条件的用户操作，向用户提供至少一个候选分析选项，其中，所述第二约束条件指的是对分析所述业务字段的字段值得到的分析值的约束条件，所述候选分析选项包括对业务字段的字段值的数值运算、基于预设映射关系对业务字段的字段值的解析、字段值的数据类型转换、数据表形式变换中的至少一项；响应于用户对所述候选分析选项的配置操作，配置第二约束条件。

可选地，所述业务策略生成装置还包括规则配置单元，所述规则配置单元被配置为通过以下方式配置所述经验规则：基于所述第一约束条件和/或所述第二约束条件，配置所述经验规则，其中，所述经验规则包括专家规则、评分卡和决策表中的至少一项，其中，所述专家规则指的是判断是否满足基于所述第一约束条件和/或所述第二约束条件运算得到的条件，所述决策表指的是呈表格状的包括所述第一约束条件和/或所述第二约束条件的多维度判断条件，所述评分卡指的是通过对所述第一约束条件和/或所述第二约束条件进行分析判断进而对数据所含信息进行量化评估。

可选地，所述业务策略生成装置还包括分配单元，所述分配单元被配置为：响应于用户对已生成的多个业务策略的配置操作，调整分配给所述多个业务策略的输入数据量。

可选地，所述业务策略生成装置还包括统计单元，所述统计单元被配置为：响应于用于策略统计的用户操作，向用户展示已生成的业务策略的策略报警率，其中，所述策略报警率表示通过所述已生成的业务策略对输入数据的预测的结果与所述输入数据的实际结果之间的偏差。

可选地，所述业务策略生成装置还包括场景创建单元，所述场景创建单元被配置为：响应于用于创建业务策略的应用场景的用户指令，创建应用场景，其中，所述应用场景包括实时场景和批量场景，其中，所述实时场景指的是基于获取的实时数据或流式数据生成业务策略的场景，所述批量场景指的是基于获取的批量数据生成业务策略的场景。

可选地，所述业务策略生成装置还包括数据获取单元，所述数据获取单元被配置为：响应于用于获取输入数据的用户指令，获取输入数据，其中，所述输入数据包括实时数据、流式数据和批量数据中的至少一者。

可选地，所述业务策略生成装置还包括模型配置单元，所述模型配置单元被配置为通过以下方式配置所述预先训练好的机器学习模型：从多个候选机器学习模型中选择机器学习模型或上传机器学习模型，作为所述预先训练好的机器学习模型；建立所述预先训练好的机器学习模型的字段值类型与用户输入的业务字段的字段值类型之间的对应关系；其中，所述多个候选机器学习模型中的至少一个机器学习模型包括多个版本。

可选地，对所述决策配置组件的组合操作包括以下至少一项：向决策流添加决策配置组件、从决策流中删除决策配置组件、设置决策配置组件之间的连接顺序、调整决策配置组件中的参数、调整决策流的输出结果。

可选地，所述决策配置组件包括专家规则组件、评分卡组件、决策表组件和机器学习模型组件中的至少一者。

根据本公开的第三方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器，其中，所述处理器可执行指令在被所述处理器运行时，促使所述处理器执行根据本公开所述的业务策略生成方法。

根据本公开的第四方面，提供了一种存储指令的计算机可读存储介质，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行根据本公开所述的业务策略生成方法。

根据本公开的第五方面，提供了一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行根据本公开所述的业务策略生成方法。

根据本公开的示例性实施例的业务业务策略生成方法及业务策略生成装置解决了策略规则无法自动组合生成决策流的问题，能够通过可视化决策配置组件的方式实现业务策略的配置和生成，降低了业务策略生成的操作门槛，并且减少了人工参与业务策略的内部逻辑改写的过程，提高了业务策略的生成效率。

附图说明

通过结合附图，从实施例的下面描述中，本公开这些和/或其它方面及优点将会变得清楚，并且更易于理解，其中：

图1是示出根据本公开的示例性实施例的业务策略生成方法的流程图。

图2是示出根据本公开的示例性实施例的业务策略生成方法的配置经验规则的步骤的流程图。

图3是示出根据本公开的示例性实施例的业务策略生成方法的配置决策流的示例性示意图。

图4是示出根据本公开的示例性实施例的业务策略生成平台的业务处理的框图。

图5是示出根据本公开的示例性实施例的部署业务策略生成平台的框图。

图6是示出根据本公开的示例性实施例的业务策略生成装置的示意性框图。

具体实施方式

提供参照附图的以下描述以帮助对由权利要求及其等同物限定的本公开的实施例的全面理解。包括各种特定细节以帮助理解，但这些细节仅被视为是示例性的。因此，本领域的普通技术人员将认识到在不脱离本公开的范围和精神的情况下，可对描述于此的实施例进行各种改变和修改。此外，为了清楚和简洁，省略对公知的功能和结构的描述。

在此需要说明的是，在本公开中出现的“若干项之中的至少一项”均表示包含“该若干项中的任意一项”、“该若干项中的任意多项的组合”、“该若干项的全体”这三类并列的情况。例如“包括A和B之中的至少一个”即包括如下三种并列的情况：(1)包括A；(2)包括B；(3)包括A和B。又例如“执行步骤一和步骤二之中的至少一个”，即表示如下三种并列的情况：(1)执行步骤一；(2)执行步骤二；(3)执行步骤一和步骤二。

下面参考附图描述根据本公开的示例性实施例的业务策略生成方法、业务策略生成装置、电子设备、计算机可读存储介质以及包括至少一个计算装置和至少一个存储指令的存储装置的系统。

值得注意的是，在本公开提出之前，由于对诸如专家规则的基础规则和智能决策模型只能依赖于人工的方式进行组合使用，即，人工地将经过基础规则决策的结果输入到智能决策模型中进一步处理，例如，需要人工编写代码等，因此极大地影响了业务策略的生成效率，并且在后期的策略维护和修改时，依然需要人工地调整各个规则之间的组合顺序、组合方式等。

此外，由于基础规则涉及到的决策逻辑较多、较复杂，智能决策模型的类型也多种多样，因此，对业务人员在规则和模型的掌握和使用上的专业要求较高，业务人员无法直观、快速地查找到适合的规则或模型。

此外，在现有的策略生成方法中，对于基于实时数据或流式数据生成策略的实时场景以及基于批量数据生成策略的批量场景，无法实现有效的统一管理。

鉴于此，在第一方面，本公开的示例性实施例提出一种业务策略生成方法，以至少解决相关技术中的问题之一。

图1是示出根据本公开的示例性实施例的业务策略生成方法的流程图。

如图1所示，业务策略生成方法可以包括以下步骤：

在步骤S10，可以响应于用于生成决策流的用户操作，向用户展示用于生成决策流的图形化界面，其中，图形化界面中设置有与用户的策略规则配置操作对应的决策配置组件。

在该步骤中，策略规则配置可以包括对经验规则的配置和/或对预先训练好的机器学习模型的配置。

具体来说，可以接收用户输入的策略规则配置操作，以执行策略规则配置。

作为示例，经验规则可以包括专家规则、评分卡和决策表中的至少一项，这里，专家规则可以是根据业务领域的历史知识建立起来的对数据进行评估的推理系统，评分卡可以是对数据所含信息进行量化评估的打分系统，决策表可以是呈表格状的对数据的多维度判断条件。

在一示例情况下，用户可以从多个候选的经验规则中选择需要的规则，然后对规则中的参数进行经验规则的配置，这一情况适合于能够掌握和灵活使用经验规则的用户。

在另一示例情况下，用户可以在选择具体的经验规则前，输入期望的字段，进而在与输入的字段相关的规则中进行配置，以确定需要的规则。

具体来说，作为示例，如图2所示，根据本公开的业务策略生成方法还可以包括以下步骤：

在步骤S11，可以接收用户输入的所需要生成的业务策略的业务字段。

这里，业务字段可以包括用户期望的决策流的输入字段，具体来说，输入字段可以是将要输入到决策流中进行业务决策的输入数据中的一个或多个字段，也就是说，在执行业务决策时，可以从输入数据中获取到输入字段的字段值，以生成决策结果。这里，输入数据可以响应于用于获取输入数据的用户指令来获取，输入数据可以包括实时数据、流式数据和批量数据中的至少一者。

作为示例，输入字段可以包括字段编码、字段名称、字段描述以及字段值类型。字段编码可以是输入数据中输入字段的字段值的数据编码，字段描述可以是对输入字段所表示的信息含义的描述，字段值类型可以是输入数据中输入字段的字段值的数据类型，这里，字段值类型可以包括字节、短整型、整型、长整型、浮点型、双精度浮点型、布尔型、字符指针、文本、日期等。

此外，业务字段还可以包括用户期望的决策流的返回字段，具体来说，返回字段可以是用户希望从决策流输出的结果字段，

作为示例，返回字段可以包括字段编码、字段名称、字段描述、结果值类型和结果值。字段编码可以指定返回字段的字段值的数据编码，字段描述可以是对返回字段所表示的信息含义的描述，字段值类型可以指定返回字段的字段值的数据类型。返回字段的结果值可以是对决策结果的数值表示，例如，可以用结果值“1”和“0”用于表示审核通过和审核不通过，然而，结果值不限于此，用户可以输入任意的字符来表示不同的决策结果，相应地，结果值类型可以包括整型、浮点型、双精度浮点型等，用户可以根据输入的结果值选择合适的结果值类型。

在步骤S12，可以响应于用于配置第一约束条件的用户操作，向用户提供至少一个候选约束条件。

这里，根据本公开的方法，允许用户基于输入的业务字段设定第一约束条件，这里，第一约束条件可以指的是对业务字段(例如，输入字段)的字段值的约束条件，其可以通过业务字段的字段值直接判断决策走向，即通过直接对比字段值与约束条件即可得到决策结果。例如，字段值可以为交易发生时间，第一约束条件可以是交易发生时间的预定时间范围，在某条数据的交易发生时间处于该预定时间范围内时，输出一种决策结果；在其不处于该预定时间范围内时，输出另一决策结果。

为了便于用户选择适合的第一约束条件，可以向用户展示至少一个候选约束条件，候选约束条件可以基于业务字段(例如，输入字段)的字段值和预设约束条件生成。这里，预设约束条件可以是根据经验法得到的通用性的约束条件，在接收到用户输入的输入字段后，可以在预存储的所有预设约束条件中查找与输入字段相关的预设约束条件，并将输入字段映射到查找到的预设约束条件中，以得到候选约束条件。例如，输入字段为交易发生时间，预设约束条件包括时间是否处于预定时间区间内、时间是否等于第一时间点、时间是否早于第二时间点、时间是否晚于第三时间点，可以基于交易发生时间这一字段以及上述三个约束条件生成三个候选约束条件，即，交易发生时间是否处于预定时间区间内、交易发生时间是否等于第一时间点、交易发生时间是否早于第二时间点、交易发生时间是否晚于第三时间点，如此，用户可以从候选约束条件中选择需要的约束条件作为第一约束条件。

在步骤S13，可以响应于用户对候选约束条件的配置操作，创建第一约束条件。

在该步骤中，用户可以对候选约束条件中的一个或多个进行选择，可以将被选中的候选约束条件作为第一约束条件。

上面描述了创建第一约束条件的过程，下面将继续参照图2描述创建第二约束条件的过程，具体来说，根据本公开的示例性实施例的业务策略生成方法还可以包括：

在步骤S14，可以响应于用于配置第二约束条件的用户操作，向用户提供至少一个候选分析选项。

这里，第二约束条件可以指的是对分析业务字段的字段值得到的分析值的约束条件，换句话说，与直接根据字段值来判断决策走向的第一约束条件相比，第二约束条件是间接根据字段值来判断决策走向的约束条件，在评价数据的第二约束条件时，需要对其值进行计算或解析，从而确定是否满足第二约束条件。

例如，第二约束条件可以是对年龄的约束条件，用户输入的业务字段中不包括年龄字段，而是包括身份证号码字段，可以对身份证号码字段的字段值(即，身份证号码)进行解析，以确定其所包含的出生日期，并计算当前的年龄。

为了便于用户选择适合的第二约束条件，可以向用户展示至少一个候选分析选项，候选分析选项用于对业务字段的字段值进行分析操作。

例如，候选分析选项可以包括对业务字段的字段值的数值运算、基于预设映射关系对业务字段的字段值的解析、字段值的数据类型转换、数据表形式变换中的至少一项。这里，对业务字段的字段值的统计操作可以包括诸如标准差、协方差、偏度、峰度、向上/下取整数、绝对值、随机数的运算等。对业务字段的字段值的解析可以包括诸如身份证处理、不同时区的时间转换处理、不同地理位置的地理距离计算(例如，利用两个经纬度之间的距离进行计算)等。字段值的数据类型转换可以是对字段值的数据类型进行变换，这里，可变换的数据类型可以包括字节(byte)、短整型(short)、整型(int)、长整型(long)、浮点型(float)、双精度浮点型(double)、布尔型(boolean)、字符指针(char)、文本、日期等。

在该步骤中，可以将预存储的所有候选分析选项展示给用户，以供用户进行选择。

在步骤S15，可以响应于用户对候选分析选项的配置操作，创建第二约束条件。

在该步骤中，用户可以在所有候选分析选项中选择对业务字段的分析操作，在接收到用户选择的一个或多个候选分析选项后，生成第二约束条件。

在步骤S16，可以基于第一约束条件和/或第二约束条件，确定经验规则。

如上面所述，经验规则可以包括专家规则、评分卡和决策表中的至少一项，在根据本公开的示例性实施例的方法中，可以基于第一约束条件和/或第二约束条件，确定专家规则、评分卡和决策表。

具体来说，专家规则可以用于判断是否满足基于第一约束条件和/或第二约束条件运算得到的条件，决策表可以是呈表格状的包括第一约束条件和/或第二约束条件的多维度判断条件，评分卡可以是通过对第一约束条件和/或第二约束条件进行分析判断进而对数据所含信息进行量化评估。

此外，根据本公开的示例性实施例，可以通过获取对已有策略的反馈结果，对经验规则进行优化，其具体操作将在下文中详细描述。

返回步骤S10，在输入数据较复杂的情况下，适合于针对输入数据生成策略的策略规则不容易通过经验法总结得到，例如，数据中的一些隐性或特异性的变量与决策结果之间的关系和规律难以通过经验而发现，在此情况下，引入机器学习模型可以更好地获取到输入数据与决策结果之间的关系。如此，可预先训练好针对不同类型的输入数据的机器学习模型，以供用户选择。

具体来说，可以通过以下方式配置预先训练好的机器学习模型：从多个候选机器学习模型中选择机器学习模型或上传机器学习模型，作为预先训练好的机器学习模型。

具体来说，可以为用户提供多个预先训练好的候选机器学习模型，这些候选机器学习模型中的至少一部分模型可以具有不同的输入量和输出量，其中，输入量可以从输入数据中获得，输出量可以是决策结果。用户可以根据将要进行决策的输入数据的类型从候选机器学习模型选择一个或多个机器学习模型作为将用于执行当前决策的机器学习模型。然而，本公开不限于上述操作，用户也可以通过上传机器学习模型的方式作为将用于执行当前决策的机器学习模型，此外，可以将用户上传的机器学习模型存储为候选机器学习模型中，以供后续选择使用。

建立预先训练好的机器学习模型的预设字段值类型与业务字段的字段值类型之间的映射关系。

根据本公开的示例性实施例的方法，可以接收用户输入的业务字段信息，其可以包括字段值类型，由于预训练的机器学习模型本身规定有输入量的字段值类型和/或输出量的字段值类型，因此可以建立当前生成的业务策略的输入字段的字段值类型(例如为输入数据中的字段值类型)和/或输出字段的字段值类型(例如为决策结果的字段值类型)与机器学习模型的字段值类型之间的对应关系，从而可以通过对字段值类型转换使得输入数据适应于机器学习模型的运算，并且使模型输出用户期望的决策结果的字段值类型。

此外，根据本公开的示例性实施例，多个候选机器学习模型中的至少一个机器学习模型可以包括多个版本，例如，可以基于已生成的业务策略的反馈结果，对候选机器学习模型进行优化训练，以得到更优化的新版本的候选机器学习模型，新版本的候选机器学习模型可以与旧版本的模型一起提供给用户选择。对候选机器学习模型优化训练的具体操作将在下文中详细描述。

以上描述了配置策略规则的过程，下面将详细描述基于策略规则配置向用户展示用于生成决策流的图形化界面的过程。

具体来说，可以接收用户对经验规则的配置和预先训练好的机器学习模型的配置，在此情况下，在接收到用户的生成决策流的指示后，可以向用户展示用于编辑决策流的图形化界面，在该界面中，可以显示多个决策配置组件，这些决策配置组件可以是与用户配置的经验规则和机器学习模型相对应的，每个组件中定义有用户所配置的经验规则或机器学习模型。

作为示例，决策配置组件可以包括专家规则组件、评分卡组件、决策表组件和机器学习模型组件中的至少一者。

此外，决策配置组件还可以包括数据引入组件、转换节点组件、终止节点组件，这里，数据引入组件用于引入要输入到决策流中进行业务决策的输入数据，其可以引入实时数据、流式数据和批量数据。转换节点组件可以用于设置输出变量的转换表达式以及设置转换变量的动作。终止节点组件可以用于设置决策流的结束节点，在该结束节点可以输出决策结果，这里，在一个决策流中，终止节点可以有一个或多个，多个终止节点可以设置在决策流的不同决策阶段处以输出不同的决策结果。

在实时场景和批量场景下均可包括上面提到的决策配置组件，此外，在批量场景的情况下，决策配置组件还可以包括新增列组件、分组汇总组件、表合并组件、结果分析组件。这里，新增列组件可以用于增加数据的字段列。分组汇总组件可以用于对数据进行分组并对分组后的数据分别执行汇总，以输出不同分组的汇总结果。表合并组件可以用于将不同的数据表合并为一个数据表，例如，其可以将来自不同分组汇总组件的汇总结果合并到一个数据表中。结果分析组件可以用于对决策结果进行分析。

在步骤S20，可以响应于用户在图形化界面上对决策配置组件的组合操作，创建业务决策流，以用于基于业务决策流生成业务策略。

在该步骤中，用户基于图形化界面中的决策配置组件，可以通过对组件进行组合来编辑决策流。

例如，用户可以例如通过在图形化界面上拖拽的方式，将任意决策配置组件作为决策流中的一个节点，并通过指定决策配置组件之间的连接关系来形成决策流中的节点之间的边。同一决策配置组件可以作为决策流中的多个节点。

具体来说，对决策配置组件的组合操作可以包括以下至少一项：向决策流添加决策配置组件、从决策流中删除决策配置组件、设置决策配置组件之间的连接顺序、调整决策配置组件中的参数、调整决策流的输出结果。

这里，向决策流添加决策配置组件可以包括：在初次生成决策流的情况下，可以添加一个或多个决策配置组件，以用于生成决策流；在对已存在的决策流进行修改时，可以在决策流中的任意位置处添加一个或多个决策配置组件，例如可以在决策流中的任意两个节点之间添加一个或多个决策配置组件。

此外，设置决策配置组件之间的连接顺序可以用于指定决策配置组件之间的数据流向，数据流向可以包括一对一的节点之间的数据输入和输出、一对多的节点之间的数据分流、多对一的节点之间的数据合流。

这里，调整决策配置组件中的参数可以包括以下项中的至少一者：

调整已配置好的经验规则的参数；

调整已配置好的机器学习模型的参数；

选择待引入的数据，例如，可以经由数据引入组件将待执行决策的数据添加到决策流的起始节点；

引入数据表中的一个或多个字段下的数据，在一些实施例中，参与决策的数据可以是一个完整的数据表中的一部分字段或全部字段下的数据，因此可以根据应用需求，经由数据引入组件将数据中的一部分或全部字段添加到决策流中进行决策；

设置输出变量的转换表达式或转换变量的动作，例如，可以经由转换组件对字段值的数据类型执行转换，并且可以选择变量转换的表达式或具体的转换动作；

设置待增加的数据列的字段以及生成字段值的约束条件，例如，可以经由新增列组件在决策流的任意位置处向数据中添加新的数据列，并且可指定数据列的字段以及生成该字段的字段值的约束条件，这里，约束条件可以是本文中所述的第一约束条件和/或第二约束条件；

设置对数据分组的分组条件，例如，可以经由分组汇总组件对决策流任意位置处的数据进行分组；

设置对分组的数据执行汇总的方式，例如，可以经由分组汇总组件选择对已分组的数据执行何种方式的汇总；

设置对决策结果进行分析的方式，例如，可以经由结果分析组件对决策结果进行分析。

调整决策流的输出结果可以包括：调整上面提到的用户希望从决策流输出的结果字段；和/或，设置仅输出决策流的决策结果中的一部分。

图3中示出了一示例的决策流示意图，用户可以对每个决策配置组件以及组件之间的关系。在用户配置好决策流的节点和边之后，可基于配置好的决策流生成业务策略，以用于对输入数据进行决策。

根据本公开的示例性实施例的业务策略生成方法，可以将用户配置好的经验规则和机器学习模型以模块化的方式可视地呈现给用户，用户可以指定规则/模型之间的连接关系，而无需人工地将一规则/模型的输出结果输入到另一规则/模型中，具体来说，无需人工对不同规则/模型的输出结果进行转换处理，即可实现规则/模型的组合使用，如此，一方面，提高了业务策略的生成效率；另一方面，图形化的操作界面使得用户的操作更直观，也便于后期对策略进行修改。

此外，如上面提到的，根据本公开的示例性实施例，可以对经验规则和机器学习模型进行优化，下面将进行详细模型。

作为示例，业务策略生成方法还可以包括：响应于用于策略统计的用户操作，向用户展示已生成的业务策略的策略报警率。

具体来说，在已生成的业务策略的应用中，会产生决策结果数据，这些决策结果数据表示基于输入数据对输入数据所表征的数据样本的特征进行预测，而在实际业务中，会产生这些数据样本的特征的实际结果。

例如，输入数据所表征的样本可以是一笔交易，输入数据可以包括交易主体、交易对手、交易额、交易时间等信息，可以基于已生成的业务策略来预测该笔交易是否为异常交易，以确定是否对该交易进行拦截操作。若业务策略预测该交易为异常交易，而在实际执行拦截时，确认该笔交易确实为异常交易，则表示业务策略的预测结果正确；若业务策略预测该交易为异常交易，而在实际执行拦截时，被确认为该笔交易并不是异常交易，则表示业务策略的预测结果不正确。

可以获取实际结果，并将实际结果与已生成的业务策略的预测结果进行比较，通过二者之间是否存在偏差以及偏差量来计算已生成的业务策略的误报比例，也可以称为策略报警率。策略报警率指的是已生成的业务策略的预测结果中与实际业务中产生的结果不同的预测结果占所有预测结果的比例。

这里，业务策略的预测结果可以包括中间预测结果和最终预测结果，中间预测结果可以是业务策略的决策流中的任意节点的输出结果，最终预测结果可以是整个决策流的最终输出结果。

在对实际结果与中间预测结果的比较过程中，可以获得对决策流的一个或多个节点的策略报警率。

以上述示例为例，决策流的第一节点可以是预测交易是否为异常交易，第二节点可以是根据预测交易是否为异常交易而输出拦截或不拦截的最终输出结果。通过确认在实际结果中该笔交易是否为异常交易，可以影响第一节点的策略报警率。

由于节点可以是经验规则或机器学习模型，因此可以对实际结果与预测结果的比较结果以及二者之间的策略报警率进行反馈操作，从而优化经验规则或机器学习模型，例如优化经验规则的逻辑、机器学习模型的参数和阈值等。上述反馈操作可以在已生成的业务策略在线上运行的同时执行，即，可以实时地将实际结果与预测结果的比较结果以及二者之间的策略报警率进行存储，以用于对经由规则的优化以及机器学习模型的自学习。

此外，根据本公开的示例性实施例，在接收用户输入的策略规则配置操作之前，还可以区分业务策略的应用场景。

作为示例，业务策略生成方法还可以包括：响应于用于创建业务策略的应用场景的用户指令，创建应用场景。

这里，应用场景可以包括实时场景和批量场景，其中，实时场景指的是基于获取的实时数据或流式数据生成业务策略的场景，批量场景指的是基于获取的批量数据生成业务策略的场景。实时场景例如可以为金融风控的策略生成场景等，批量场景例如可以为内控合规、营销规则的策略生成场景等。

上面所描述的所有步骤均适合于在实时场景和批量场景下的业务策略生成，其中，在实时场景中，可以对输入的单条数据或数据流实时地生成业务策略；在批量场景中，可以对输入的包括多条数据的数据集合批量地生成业务策略。

此外，根据本公开的示例性实施例，在生成业务策略之后，可以对策略进行发布。在策略发布时，可以对多个业务策略进行输入数据流量配置。具体来说，业务策略生成方法还可以包括：响应于用户对已生成的多个业务策略的配置操作，调整分配给已生成的多个业务策略的数据量。

例如，可以存储已生成的多个业务策略，在需要对输入数据进行决策时，可以将输入数据分配给多个业务策略来分流决策，例如，对于批量场景而言，可以将接收到的数据集合中的80％的数据分配给一个业务策略来决策，将其它的20％的数据分配给另一业务策略来决策；对于实时场景或流式场景而言，可以为每个业务策略设定数据分配接口，例如，可将每次接收到的单条数据以80％的概率分配给一个业务策略来决策，可将每次接收到的单条数据以20％的概率分配给另一业务策略来决策。如此，通过利用多个已生成的业务策略在同一时间段和/或对同一批数据进行决策，一方面，可以在单个业务策略的误报率较大时，缓解对所有数据整体误报率的影响；另一方面，可以结合策略报警率，比较不同业务策略之间的优劣。

此外，根据本公开的示例性实施例，在业务策略发布之前，还可以对业务策略进行测试。具体来说，业务策略生成方法还可以包括：响应于用户对已生成的业务策略的测试操作，对将输入数据输入到业务策略进行决策测试。

具体来说，用户对已生成的业务策略的测试操作可以包括设定测试数据比例，这里，测试数据比例用于将输入数据中的预设比例的数据输入到业务策略进行决策测试。此外，在测试完成后，还可以计算并展示业务策略的准确率、命中率、打扰率等。

根据上面的描述，在本公开的示例性实施例中，可以将用户配置的策略规则(例如，经验规则、机器学习模型)封装成决策配置组件，并且通过可视化的方式展示给用户，用户可以拖拽决策配置组件，并且可视化地配置组件间决策流的顺序。如此，用户在不了解被封装的决策配置组件的内部逻辑和内容的情况下，也可以实现业务策略的配置和生成，降低了业务策略生成的操作门槛，并且减少了人工参与业务策略的内部逻辑改写的过程，大大提高了业务策略的生成效率。

上面描述了根据本公开的示例性实施例的业务策略生成方法，下面将参照图3和图4描述用于执行该业务策略生成方法的业务策略生成平台。

图3示出了业务策略生成平台的平台架构图。如图3所示，业务策略生成平台的架构可以包括核心计算层和数据存储层。

核心计算层可以用于策略部署、实时计算引擎、批量计算引擎、模型预估引擎和监控中心。策略部署可以基于用户配置的决策流生成业务策略。实时计算引擎和批量计算引擎分别用于对实时场景和批量场景下的业务策略进行计算。监控中心用于计算已生成的业务策略的策略报警率。模型预估引擎用于对机器学习模型的版本进行更新，例如可以与用于训练机器学习模型的外部系统进行通信，以接收新版本的模型或将监控中心反馈的策略报警率发送给外部系统以对模型进行训练。

数据存储层可以包括不同类型的数据库，以用于存储不同类型的数据，例如可以包括RtiDB数据库、Elasticsearch搜索引擎、Redis数据库、Mysql/Oracle数据库、ArangoDB数据库、数据仓库。

这里，RtiDB数据库用于存储动态数据和静态数据，动态数据可以实时更新，静态数据可以是预存储的用于构成业务策略生成平台的数据，例如界面图形、文字等。Elasticsearch搜索引擎用于搜索预存储的特殊名单、业务监控、审计日志、统计分析、报表和系统日志。Redis数据库用于缓存临时数据并可允许搜索已存储的数据。Mysql/Oracle数据库用于存储场景配置信息、指标配置信息(例如，约束条件配置信息)、规则配置信息、决策流配置信息、数据分析、决策模块配置信息、数据表配置信息和系统配置信息。ArangoDB数据库用于存储图形数据，例如图数据和图配置信息。数据仓库可以例如包括数据湖存储系统(Iceberg)、基于Hadoop的数据仓库分析系统(Hive)和Hadoop分布式文件系统(HDFS)。

业务策略生成平台的数据存储层可以从数据平台获取数据，数据平台中的数据可以来自内部数据源或外部数据源，数据例如可以是实时数据、流式数据和批量数据，核心计算层可以利用这些数据进行数据处理。如图3所示，数据处理可包括数据收集、任务调度、数据计算和数据查询。这里，数据收集可以是核心计算层在平台运行中进行日志上报和搜集的处理。任务调度可以是核心计算层根据生成的业务策略对不同的计算任务进行调度。例如可以将多个任务并行处理，以加快速度。数据计算可以是核心计算层基于收集的数据以及计算任务的调度执行计算的过程。数据查询可以是核心计算层根据业务策略的生成方法从数据存储层收集所需的数据的过程，例如可以从多种数据源获取数据。

业务策略生成平台可以在图形化界面中展示为用户提供的服务，图形化界面中例如包括用于创建和修改应用场景的场景管理模块、用于引入输入数据的数据管理模块、用于配置第一约束条件和/或第二约束条件的指标管理模块、用于配置经验规则的规则管理模块、用于配置决策流的决策流管理模块、用于反馈策略的决策结果的业务监控模块以及用于生成策略报警率的报表模块。

图4是示出部署业务策略生成平台的框图。作为示例，根据本公开的示例性实施例的业务策略生成平台可以基于Kubernetes集群部署方式来部署。具体来说，部署平台的集群可以包括管理节点、服务节点、第一计算节点和第二计算节点，其中，管理节点用于对所有节点进行管理和调度，服务节点用于接收用户输入的指令，第一计算节点可以查询来自多种数据源的数据，例如其可以是Trino系统，第二计算节点可以基于生成的业务策略利用查询的数据执行计算任务，例如其可以是Spark系统。

在第二方面，本公开的示例性实施例提出一种业务策略生成装置，如图6所示，该业务策略生成装置100包括展示单元110和创建单元120。

展示单元110可以被配置为响应于用于生成决策流的用户操作，向用户展示用于生成决策流的图形化界面，其中，图形化界面中设置有与用户的策略规则配置对应的决策配置组件，策略规则配置包括对经验规则的配置和/或对预先训练好的机器学习模型的配置。

创建单元200可以被配置为响应于用户在图形化界面上对决策配置组件的组合操作，创建业务决策流，以用于基于业务决策流生成业务策略。

作为示例，该业务策略生成装置100还可以包括第一约束条件创建单元131，第一约束条件创建单元131可以被配置为：接收用户输入的所需要生成的业务策略的业务字段；响应于用于配置第一约束条件的用户操作，向用户提供至少一个候选约束条件，其中，第一约束条件指的是对业务字段的字段值的约束条件，候选约束条件基于业务字段的字段值和预设约束条件生成；响应于用户对候选约束条件的配置操作，创建第一约束条件。

作为示例，该业务策略生成装置100还可以包括第二约束条件创建单元132，第二约束条件创建单元132可以被配置为：响应于用于配置第二约束条件的用户操作，向用户提供至少一个候选分析选项，其中，第二约束条件指的是对分析业务字段的字段值得到的分析值的约束条件，候选分析选项包括对业务字段的字段值的数值运算、基于预设映射关系对业务字段的字段值的解析、字段值的数据类型转换、数据表形式变换中的至少一项；响应于用户对候选分析选项的配置操作，配置第二约束条件。

作为示例，该业务策略生成装置100还可以包括规则配置单元140，规则配置单元140可以被配置为通过以下方式配置经验规则：基于第一约束条件和/或第二约束条件，配置经验规则，其中，经验规则包括专家规则、评分卡和决策表中的至少一项，其中，专家规则指的是判断是否满足基于第一约束条件和/或第二约束条件运算得到的条件，决策表指的是呈表格状的包括第一约束条件和/或第二约束条件的多维度判断条件，评分卡指的是通过对第一约束条件和/或第二约束条件进行分析判断进而对数据所含信息进行量化评估。

作为示例，该业务策略生成装置100还可以包括分配单元150，分配单元150可以被配置为：响应于用户对已生成的多个业务策略的配置操作，调整分配给多个业务策略的输入数据量。

作为示例，该业务策略生成装置100还可以包括统计单元160，统计单元160可以被配置为：响应于用于策略统计的用户操作，向用户展示已生成的业务策略的策略报警率，其中，策略报警率表示通过已生成的业务策略对输入数据的预测的结果与输入数据的实际结果之间的偏差。

作为示例，该业务策略生成装置100还可以包括场景创建单元170，场景创建单元170可以被配置为：响应于用于创建业务策略的应用场景的用户指令，创建应用场景，其中，应用场景包括实时场景和批量场景，其中，实时场景指的是基于获取的实时数据或流式数据生成业务策略的场景，批量场景指的是基于获取的批量数据生成业务策略的场景。

作为示例，该业务策略生成装置100还可以包括数据获取单元180，数据获取单元180可以被配置为：响应于用于获取输入数据的用户指令，获取输入数据，其中，输入数据包括实时数据、流式数据和批量数据中的至少一者。

作为示例，该业务策略生成装置100还可以包括模型配置单元190，模型配置单元190可以被配置为通过以下方式配置预先训练好的机器学习模型：从多个候选机器学习模型中选择机器学习模型或上传机器学习模型，作为预先训练好的机器学习模型；建立预先训练好的机器学习模型的字段值类型与用户输入的业务字段的字段值类型之间的对应关系；其中，多个候选机器学习模型中的至少一个机器学习模型包括多个版本。

作为示例，对决策配置组件的组合操作可以包括以下至少一项：向决策流添加决策配置组件、从决策流中删除决策配置组件、设置决策配置组件之间的连接顺序、调整决策配置组件中的参数、调整决策流的输出结果。

作为示例，决策配置组件可以包括专家规则组件、评分卡组件、决策表组件和机器学习模型组件中的至少一者。

在第三方面，本公开的示例性实施例提出一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器，其中，所述处理器可执行指令在被所述处理器运行时，促使所述处理器执行根据本公开所述的业务策略生成方法。

在第四方面，本公开的示例性实施例提出一种存储指令的计算机可读存储介质，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行根据本公开所述的业务策略生成方法。

在第五方面，本公开的示例性实施例提出一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行根据本公开所述的业务策略生成方法。

图6所示出的业务策略生成装置中的各个单元可被配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如，各个单元可对应于专用的集成电路，也可对应于纯粹的软件代码，还可对应于软件与硬件相结合的模块。此外，各个单元所实现的一个或多个功能也可由物理实体设备(例如，处理器、客户端或服务器等)中的组件来统一执行。

此外，参照图1至图5所描述的业务策略生成方法可通过记录在计算机可读存储介质上的程序(或指令)来实现。例如，根据本公开的示例性实施例，可提供存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行根据本公开的业务策略生成方法。

上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行，应注意，计算机程序还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理，这些附加步骤和进一步处理的内容已经在参照图1至图5进行相关方法的描述过程中提及，因此这里为了避免重复将不再进行赘述。

应注意，根据本公开示例性实施例的业务策略生成装置中的各个单元可完全依赖计算机程序的运行来实现相应的功能，即，各个单元在计算机程序的功能架构中与各步骤相应，使得整个系统通过专门的软件包(例如，lib库)而被调用，以实现相应的功能。

另一方面，图6所示的各个单元也可以通过硬件、软件、固件、中间件、微代码或其任意组合来实现。当以软件、固件、中间件或微代码实现时，用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中，使得处理器可通过读取并运行相应的程序代码或者代码段来执行相应的操作。

例如，本公开的示例性实施例还可以实现为计算装置，该计算装置包括存储部件和处理器，存储部件中存储有计算机可执行指令集合，当计算机可执行指令集合被处理器执行时，执行根据本公开的示例性实施例的业务策略生成方法。

具体说来，计算装置可以部署在服务器或客户端中，也可以部署在分布式网络环境中的节点装置上。此外，计算装置可以是PC计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。

这里，计算装置并非必须是单个的计算装置，还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算装置还可以是集成控制系统或系统管理器的一部分，或者可被配置为与本地或远程(例如，经由无线传输)以接口互联的便携式电子装置。

在计算装置中，处理器可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制，处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。

根据本公开示例性实施例的业务策略生成方法中所描述的某些操作可通过软件方式来实现，某些操作可通过硬件方式来实现，此外，还可通过软硬件结合的方式来实现这些操作。

处理器可运行存储在存储部件之一中的指令或代码，其中，存储部件还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收，其中，网络接口装置可采用任何已知的传输协议。

存储部件可与处理器集成为一体，例如，将RAM或闪存布置在集成电路微处理器等之内。此外，存储部件可包括独立的装置，诸如，外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储部件和处理器可在操作上进行耦合，或者可例如通过I/O端口、网络连接等互相通信，使得处理器能够读取存储在存储部件中的文件。

此外，计算装置还可包括视频显示器(诸如，液晶显示器)和用户交互接口(诸如，键盘、鼠标、触摸输入装置等)。计算装置的所有组件可经由总线和/或网络而彼此连接。

根据本公开示例性实施例的业务策略生成方法可被描述为各种互联或耦合的功能块或功能示图。然而，这些功能块或功能示图可被均等地集成为单个的逻辑装置或按照非确切的边界进行操作。

因此，参照图1至图5所描述的业务策略生成方法可通过包括至少一个计算装置和至少一个存储指令的存储装置的系统来实现。

根据本公开的示例性实施例，至少一个计算装置是根据本公开示例性实施例的用于执行业务策略生成方法的计算装置，存储装置中存储有计算机可执行指令集合，当计算机可执行指令集合被至少一个计算装置执行时，执行参照图1所描述的业务策略生成方法。

以上描述了本公开的各示例性实施例，应理解，上述描述仅是示例性的，并非穷尽性的，本公开不限于所披露的各示例性实施例。在不偏离本公开的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此，本公开的保护范围应该以权利要求的范围为准。