低效目标的识别方法、装置、设备、介质及产品与流程

1.本公开涉及人工智能技术领域，可以应用于金融科技技术领域，特别涉及一种低效目标的识别方法、装置、设备、介质及产品。


背景技术：

2.在产品或软件系统研发诞生后，为了满足用户在各种业务场景下的需求，产品或软件系统涵盖的内容或功能会越来越多。随着长时间的发展变化，前期研发的产品或功能逐渐不适应新场景，产品带来的效益和功能使用量逐步下降，而为了维护这些产品或功能的正常运转所投入的资源却逐步升高，最终甚至于入不敷出，导致大量人力、设备等资源的浪费，该部分产品或功能即可定义为低效产品或低效功能。
3.为了降低资源浪费，提升产品效益，需要适时退出低效产品和低效功能，而如何准确地识别低效产品和低效功能显得尤为关键。现有技术主要依靠人工识别和模型识别，人工识别存在识别不全面，不准确等问题，现有的识别模型仅能识别出某功能为低效功能，而无法确定导致其低效的根本原因。


技术实现要素：

4.有鉴于此，本公开的主要目的是提供一种低效目标的识别方法、装置、设备、介质及产品，旨在至少部分解决现有识别方法识别不全面，不准确、无法确定导致其低效的根本原因等技术问题。
5.为实现上述目的，本公开实施例的第一方面提供一种低效目标的识别方法，包括：对于业务系统中的任一目标，根据所述目标的属性信息确定所述目标的至少一个指标项；获取与所述目标关联的交易数据；根据所述交易数据计算对应于每一指标项的实际指标值；将对应于每一指标项的实际指标值输入训练好的机器学习模型，计算对应于所述目标的第一效率值，其中，所述第一效率值用于表征所述目标的能效；基于先验知识，根据所述对应于每一指标项的实际指标值计算对应于所述目标的第二效率值，其中，所述第二效率值用于表征所述目标的能效；响应于所述第一效率值和所述第二效率值满足预设条件，确定所述目标为低效目标。
6.根据本公开的实施例，将对应于每一指标项的实际指标值输入机器学习模型，计算对应于所述目标的第一效率值包括：根据预设的指标阈值和对应于每一指标项的实际指标值，确定对应于每一指标项的目标指标值；基于主成分分析算法计算对应于每一指标项的第一权重，其中，所有指标项的第一权重之和为1；根据对应于每一指标项的第一权重，对对应于每一指标项的目标指标值进行加权求和，得到所述目标的第一效率值。
7.根据本公开的实施例，所述根据预先设置的指标阈值和对应于每一指标项的实际指标值，确定对应于每一指标项的目标指标值包括：对于任一所述指标项，执行以下操作：确定所述指标项的实际指标值与所述指标阈值的大小关系；响应于所述指标项的实际指标值大于等于所述指标阈值，确定所述指标阈值为所述目标指标值；响应于所述指标项的实
际指标值小于所述指标阈值，确定所述实际指标值为所述目标指标值。
8.根据本公开的实施例，所述根据对应于每一指标项的第一权重，对对应于每一指标项的目标指标值进行加权求和，得到所述目标的第一效率值包括：分别计算每一指标项的目标指标值与指标阈值之间的商，得到每一指标项的指标分值；分别计算每一指标项的指标分值与第一权重之间的第一乘积；将所有指标项的所述第一乘积求和，得到所述目标的第一效率值。
9.根据本公开的实施例，基于先验知识，根据所述对应于每一指标项的实际指标值计算对应于所述目标的第二效率值包括：根据预设的指标阈值和对应于每一指标项的实际指标值，确定对应于每一指标项的目标指标值；基于先验知识计算对应于每一指标项的第二权重；根据对应于每一指标项的第二权重，对对应于每一指标项的目标指标值进行加权求和，得到所述目标的第二效率值。
10.根据本公开的实施例，响应于所述第一效率值和所述第二效率值满足预设条件，确定所述目标为低效目标包括：设置所述第一效率值的第三权重以及所述第二效率值的第四权重，其中，得到所述第三权重与所述第四权重之和为1；计算所述第一效率值与所述第三权重之间的第二乘积；计算所述第二效率值与所述第四权重之间的第三乘积；将所述第二乘积和所述第三乘积求和，得到综合效率值；将对应于所述综合效率值小于所述效率阈值的目标确定为低效目标。
11.根据本公开的实施例，设置所述第一效率值的第三权重以及所述第二效率值的第四权重包括：确定所述先验知识的可信度值；响应于所述可信度值大于预先设置的可信度阈值，设置所述第四权重大于所述第三权重；响应于所述可信度值等于预先设置的可信度阈值，设置所述第四权重等于所述第三权重；响应于所述可信度值小于预先设置的可信度阈值，设置所述第四权重小于所述第三权重。
12.根据本公开的实施例，所述目标包括所述业务系统涉及的产品或所述业务系统实现的功能。
13.根据本公开的实施例，所述指标项包括产品收入指标项、交易笔数指标项、拓户数指标项以及地区覆盖数指标项中的至少之一。
14.本公开实施例的第二方面提供一种低效目标的识别装置，包括：第一确定模块，用于对于业务系统中的任一目标，根据所述目标的属性信息确定所述目标的至少一个指标项；第一计算模块，用于获取与所述目标关联的交易数据，根据所述交易数据计算对应于每一指标项的实际指标值；第二计算模块，用于将对应于每一指标项的实际指标值输入训练好的机器学习模型，计算对应于所述目标的第一效率值，其中，所述第一效率值用于表征所述目标的能效；第三计算模块，用于基于先验知识，根据所述对应于每一指标项的实际指标值计算对应于所述目标的第二效率值，其中，所述第二效率值用于表征所述目标的能效；第二确定模块，用于响应于所述第一效率值和所述第二效率值满足预设条件，确定所述目标为低效目标。
15.本公开实施例第三方面提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据上述低效目标的识别方法。
16.本公开实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质
上存储有可执行指令，该指令被处理器执行时使处理器执行根据上述低效目标的识别方法。
17.本公开实施例第五方面提供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根据上述低效目标的识别方法。
18.根据本公开实施例提供的低效目标的识别方法、装置、设备、介质及产品，至少具备以下有益效果：
19.基于机器学习模型计算目标(产品/功能)的第一效率值，从定量的角度分析识别目标是否为低效目标，基于先验知识计算目标的第二效率值，从定性的角度分析识别目标是否为低效目标，由于从定性和定量两个角度评估分析目标是否为低效目标，因此，能够准确全面地识别低效目标。同时，由于根据目标的交易数据计算指标项的实际指标值来确定目标是否为低效目标，不仅适用于判定低效目标场景，凡涉及目标评估的场景均可使用。
20.通过计算各指标项的权重，再基于权重对目标指标值进行加权求和来确定目标的效率值，由于权重能够准确地反映各指标项对产品/功能效率值的影响程度，因此，能够更准确地识别低效目标。进一步地，机器学习模型中各指标项权重依据主成分分析算法计算，能够定量评估各指标项对产品/功能效率值的影响程度。
21.通过设置指标阈值，结合实际指标值确定目标指标值，由于指标阈值能够灵活调节来满足不同的业务场景，因此，该识别方法更灵活，适用范围更广，更能够贴近实际业务需求。
22.通过为第一效率值和第二效率值分配权重，能够灵活控制基于机器学习识别低效目标和基于先验知识识别低效目标对最后识别结果的影响程度，进一步使得该识别方法更灵活，适用范围更广，更能够贴近实际业务需求。
23.基于先验知识的可信度值，能够准确合理地分配第一效率值和第二效率值分配权重，进而进一步提高低效目标识别的准确性。
附图说明
24.为了更清楚地说明本公开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公开的一些实施例，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示出的结构获得其他的附图。
25.图1示意性示出了根据本公开实施例的低效目标的识别方法及装置的系统架构100；
26.图2示意性示出了根据本公开实施例的低效目标的识别方法的流程图；
27.图3示意性示出了根据本公开实施例的图2所示的操作s203中计算对应于目标的第一效率值的流程图；
28.图4示意性示出了根据本公开实施例的图3所示的操作s301中确定对应于每一指标项的目标指标值的流程图；
29.图5示意性示出了根据本公开实施例的图3所示的操作s303中确定目标的第一效率值的流程图；
30.图6示意性示出了根据本公开实施例的图2所示的操作s204中计算对应于目标的
第二效率值的流程图；
31.图7示意性示出了根据本公开实施例的图2所示的操作s205中确定目标为低效目标的流程图；
32.图8示意性示出了根据本公开实施例的图7所示的操作s701中设置第一效率值的第三权重以及第二效率值的第四权重的流程图；
33.图9示意性示出了根据本公开实施例的低效目标的识别装置的框图；
34.图10示意性示出了根据本公开实施例的第二计算模块的框图；
35.图11示意性示出了根据本公开实施例的第三计算模块的框图；
36.图12示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。
具体实施方式
37.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
38.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
39.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
40.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。在使用类似于“a、b或c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b或c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
41.附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据一致性修复装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
42.在本公开的技术方案中，所涉及的信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
43.在本公开的技术方案中，若需要获取用户个人信息，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
44.针对相关技术中存在的技术问题，本公开实施例提供了一种低效目标的识别方法，包括：对于业务系统中的任一目标，根据目标的属性信息确定目标的至少一个指标项。获取与目标关联的交易数据。根据交易数据计算对应于每一指标项的实际指标值。将对应于每一指标项的实际指标值输入训练好的机器学习模型，计算对应于目标的第一效率值，其中，第一效率值用于表征目标的能效。基于先验知识，根据对应于每一指标项的实际指标值计算对应于目标的第二效率值，其中，第二效率值用于表征目标的能效。响应于第一效率值和第二效率值满足预设条件，确定目标为低效目标。
45.图1示意性示出了根据本公开实施例的低效目标的识别方法及装置的系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
46.如图1所示，根据该实施例的系统架构100可以包括终端101，存储设备102，网络103和服务器104。网络103用于终端101，存储设备102与服务器104之间提供通信链路。
47.终端101例如可以是带有触摸显示屏的电子设备，例如可以包括手机、电脑、智能柜机，用户可以通过在触摸显示屏上点击对应的功能框或输入业务交易请求实现业务交易。
48.存储设备102可以用于存储执行业务交易产生的交易数据。
49.网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。其中有线方式例如可以是采用线缆及以下多种接口中的任一种连接：光纤通道、红外线接口、d型数据接口、串行接口、usb接口、usb type-c接口或dock接口，无线方式例如可以是采用无线通信方式连接的，其中的无线通信例如可采用蓝牙、wi-fi、infrared、zigbee等多个无线技术标准中的任一个。
50.服务器104可以是提供各种服务的服务器，例如执行业务交易以及低效目标识别的后台管理服务器(仅为示例)。服务器104通过网络103接收终端101发送的业务交易请求，根据业务交易请求执行业务交易，并将产生的交易数据通过网络103发送至存储设备102存储。在需要识别低效目标时，服务器104通过网络103从存储设备102获取交易数据，根据交易数据计算对应于每一指标项的实际指标值，基于机器学习模型根据对应于每一指标项的实际指标值计算对应于目标的第一效率值，基于先验知识，根据对应于每一指标项的实际指标值计算对应于目标的第二效率值，根据第一效率值和第二效率值确定目标是否为低效目标。
51.需要说明的是，本公开实施例所提供的低效目标的识别方法可以由服务器104执行。相应地，本公开实施例所提供的低效目标的识别装置可以设置于服务器104中。或者，本公开实施例所提供的低效目标的识别方法也可以由不同于服务器104且能够与终端101和/或服务器104通信的服务器或服务器集群执行。相应地，本公开实施例所提供的低效目标的识别装置也可以设置于不同于服务器104且能够与终端101和/或转服务器104通信的服务器或服务器集群中。或者，本公开实施例所提供的低效目标的识别法也可以部分由服务器104执行，部分由终端101执行。相应的，本公开实施例所提供的低效目标的识别装置也可以
部分设置于服务器104中，部分设置于终端101中。
52.应该理解，图1中的终端、存储设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、存储设备、网络和服务器。
53.本公开实施例提供的低效目标的识别方法，可以应用于金融科技领域。例如，对于金融机构而言，为了满足用户对各种金融业务的需求，金融机构会开发不同的产品或软件系统满足业务需求，例如网上银行app、理财app等。为了降低资源浪费，提升产品效益，需要适时退出低效产品和低效功能。最初的方式主要是金融机构安排专业人员进行人工识别。然而，针对一个发展到成熟时期的产品或系统，其产品、功能往往比较庞大，由于产品和系统比较复杂，纯靠人工识别往往会有遗漏。人工识别主要依靠经验，主观程度较强，往往会有误识别的情况。不同的人有不同的识别规则，导致不同的人对同一产品和功能识别结果不一致。不同产品、不同系统是为满足不同应用场景下的需求，识别标准往往也不一致，a系统上的识别标准在b系统上往往不适用。随着人工智能的发展，基于模型的识别方式应运而生，其通过为功能设定不同指标项，判断各指标项值是否小于该指标平均值且小于该指标最小值的某一预设倍数，如均小于则指标项满足低效条件，当所有指标项均满足低效条件时，则该功能被判定为低效功能。
54.在实现本公开的构思中，申请人发现：由于实际情况中各指标项对一个产品或功能是否低效的影响并不是同等重要，往往是由其中一两个指标在一定程度上决定，因此，基于模型的识别方式虽然能够识别出某功能/产品为低效功能/产品，而无法确定导致其低效的根本原因，识别方式不够灵活准确、不够贴近实际情况的问题。采用本公开的实施例提供的低效目标的识别方法，能够为金融机构提供有效的解决方式。
55.应当理解是，本公开实施例提供的低效目标的识别方法不仅限于应用于金融科技领域，也可用于除金融领域之外的任意领域。上述描述只是示例性的，对于例涉及任何具有相似特征的领域，例如电子商务、商品推荐、物流等其他技术领域，都可以应用本公开实施例的低效目标的识别方法。
56.以下将基于图1描述低效目标的识别的场景，通过图2～图8对本公开实施例的低效目标的识别方法进行详细描述。
57.图2示意性示出了根据本公开实施例的低效目标的识别方法的流程图。
58.如图2所示，该低效目标的识别方法例如可以包括操作s201～操作s205。
59.在操作s201，对于业务系统中的任一目标，根据目标的属性信息确定目标的至少一个指标项。
60.在本公开的实施例中，对于一目标，其可能包括具备多种属性，根据每一属性可以确定一个指标项，也即目标可能包括多个指标项。可以将多个指标项均确定为需要关注的指标项，也可以确定多个指标项中的部分指标项为需要关注的指标项，具体需要关注的指标可以根据实际应用场景确定，本公开不做限制。可以将需要关注的指标项的数量记为n，n为大于等于1的整数。目标可以理解为业务系统涉及的产品或所述业务系统实现的功能。
61.例如，对于某一产品，需要关注的指标项包括产品收入指标项、交易笔数指标项、拓户数指标项以及地区覆盖数指标项，可以将产品收入指标项、交易笔数指标项、拓户数指标项以及地区覆盖数指标项中的至少之一确定为该产品需要关注的指标项。
62.在操作s202，获取与目标关联的交易数据，根据交易数据计算对应于每一指标项
的实际指标值。
63.在本公开的实施例中，交易数据可以理解为交易过程产生的各种明细数据，每一指标项均可以对应有明细数据。计算指标项的实际指标项的过程中，可能是根据对应于指标项的交易明细数据计算该指标项的实际指标值，也可能是根据不同的指标项的交易数据相互结合来计算某一指标项的实际指标值。
64.在操作s203，将对应于每一指标项的实际指标值输入训练好的机器学习模型，计算对应于目标的第一效率值。
65.在本公开的实施例中，第一效率值用于表征目标的能效，能效可以理解为表征目标是高效目标还是低效目标。机器学习模型可以理解为基于动态权重的随机森林模型。
66.在操作s204，基于先验知识，根据对应于每一指标项的实际指标值计算对应于目标的第二效率值。
67.在本公开的实施例中，第二效率值用于表征目标的能效，同理，能效可以理解为表征目标是高效目标还是低效目标。先验知识可以是专业技术人员通过人工识别低效目标过程中汇总的比较准确的经验。例如，对于某一产品其交易笔数未达到100初步认定为低效产品，经过综合判断其确实也为低效产品，则表明以100为交易笔数阈值来判定产品是否为低效产品比较准确，此可以作为先验知识对其他产品进行辅助判断。
68.在操作s205，响应于第一效率值和第二效率值满足预设条件，确定目标为低效目标。
69.在本公开的实施例中，预设条件可以根据实际需求设置，本公开不做限制，后续将举例进行详细说明。
70.根据本公开的实施例，基于机器学习模型计算目标的第一效率值，从定量的角度分析识别目标是否为低效目标，基于先验知识计算目标的第二效率值，从定性的角度分析识别目标是否为低效目标，由于从定性和定量两个角度评估分析目标是否为低效目标，因此，能够准确全面地识别低效目标。同时，由于根据目标的交易数据计算指标项的实际指标值来确定目标是否为低效目标，不仅适用于判定低效目标场景，凡涉及目标评估的场景均可使用。
71.图3示意性示出了根据本公开实施例的图2所示的操作s203中计算对应于目标的第一效率值的流程图。
72.如图3所示，计算对应于目标的第一效率值的流程图例如可以包括操作s301～操作s303。
73.在操作s301，根据预设的指标阈值和对应于每一指标项的实际指标值，确定对应于每一指标项的目标指标值。
74.在操作s302，基于主成分分析算法计算对应于每一指标项的第一权重。
75.在操作s303，根据对应于每一指标项的第一权重，对对应于每一指标项的目标指标值进行加权求和，得到目标的第一效率值。
76.例如，根据产品/功能交易明细数据计算得到的第i个指标项的实际指标值为vi，其中，i的取值为1到n，预先设置的第i个指标项的指标阈值为ti，根据实际指标值vi和指标阈值ti确定第i个指标项的目标指标值为vi′
。
77.基于主成分分析算法(principal component analysis，pca)计算得到的第i个指
标项的第一权重为w
i1
，所有指标项的第一权重之和为1，也即，n个指标项的第一权重w
i1
为需满足：
[0078][0079]
根据本公开的实施例，通过计算各指标项的第一权重，再基于第一权重对目标指标值进行加权求和来确定目标的第一效率值，由于第一权重能够准确地反映各指标项对产品/功能效率值的影响程度，因此，能够更准确地识别低效目标。进一步地，机器学习模型中各指标项权重依据主成分分析算法计算，能够定量评估各指标项对产品/功能效率值的影响程度。
[0080]
图4示意性示出了根据本公开实施例的图3所示的操作s301中确定对应于每一指标项的目标指标值的流程图。
[0081]
如图4所示，确定对应于每一指标项的目标指标值例如可以包括操作s401～操作s403。
[0082]
在操作s401，确定指标项的实际指标值与指标阈值的大小关系。
[0083]
在操作s402，响应于指标项的实际指标值大于等于指标阈值，确定指标阈值为目标指标值。
[0084]
在操作s403，响应于指标项的实际指标值小于指标阈值，确定实际指标值为目标指标值。
[0085]
例如，可以根据下式确定第i个指标项的目标指标值为vi′
：
[0086][0087]
需要说明的是，指标项的指标阈值可以根据实际应用场景灵活选择，例如，在某一业务场景下，某一产品的交易笔数指标项的指标阈值可以设置为100，而随着业务场景的变化，该产品的交易笔数指标项的指标阈值可以设置为200，具体本公开不做限制。
[0088]
根据本公开的实施例，通过设置指标阈值，结合实际指标值确定目标指标值，由于指标阈值能够灵活调节来满足不同的业务场景，因此，该识别方法更灵活，适用范围更广，更能够贴近实际业务需求。
[0089]
图5示意性示出了根据本公开实施例的图3所示的操作s303中确定目标的第一效率值的流程图。
[0090]
如图5所示，操作s303中的确目标的第一效率值例如可以包括操作s501～操作s503。
[0091]
在操作s501，分别计算每一指标项的目标指标值与指标阈值之间的商，得到每一指标项的指标分值。
[0092]
在操作s502，分别计算每一指标项的指标分值与第一权重之间的第一乘积。
[0093]
在操作s503，将所有指标项的第一乘积求和，得到目标的第一效率值。
[0094]
例如，根据下述公式计算第i个指标项的指标分值si：
[0095][0096]
也即，在第i个指标项的实际指标值vi大于等于指标阈值ti的情况下，第i个指标项的目标指标值为vi′
为ti，则第i个指标项的指标分值si为1，在第i个指标项的实际指标值vi小于指标阈值ti的情况下，第i个指标项的目标指标值为vi′
为vi，则第i个指标项的指标分值si为vi/ti。
[0097]
进一步地，为了更加符合机器学习模型的计算，可以为机器学习模型设置分制m，例如m可以取10、100等，当m取10时表示机器学习模型为十分制，当m取100时表示机器学习模型为百分制。此时，第i个指标项的指标分值si的计算方式可以为：
[0098][0099]
在采用分制的情况下，在第i个指标项的实际指标值vi大于等于指标阈值ti的情况下，第i个指标项的目标指标值为vi′
为ti，则第i个指标项的指标分值si为m，在第i个指标项的实际指标值vi小于指标阈值ti的情况下，第i个指标项的目标指标值为vi′
为vi，则第i个指标项的指标分值si为(vim)/ti。
[0100]
应当理解，计算指标分值是否采用分制可以根据实际应用场景选择，本公开不做限制。
[0101]
接下来，可以根据下述公式计算目标的第一效率值s
pca
：
[0102][0103]
图6示意性示出了根据本公开实施例的图2所示的操作s204中计算对应于目标的第二效率值的流程图。
[0104]
如图6所示，操作s204中计算对应于目标的第二效率值可以包括操作s601～操作s603。
[0105]
在操作s601，根据预设的指标阈值和对应于每一指标项的实际指标值，确定对应于每一指标项的目标指标值。
[0106]
在操作s602，基于先验知识计算对应于每一指标项的第二权重；
[0107]
在操作s603，根据对应于每一指标项的第二权重，对对应于每一指标项的目标指标值进行加权求和，得到目标的第二效率值。
[0108]
需要说明的是，操作s601中确定对应于每一指标项的目标指标值的流程与图4所示的确定对应于每一指标项的目标指标值的流程相同，此处不再赘述。
[0109]
基于前述论述可知，先验知识可以是专业技术人员通过人工识别低效目标过程中汇总的比较准确的经验，而不同的指标项的先验知识对目标能效的影响程度不同，因此，可以基于先验知识计算不同指标项的第二权重w
i2
，对于对目标能效的影响程度高的指标项设置的第二权重w
i2
要高于对目标能效的影响程度低的指标项的第二权重w
i2
。
[0110]
同理，操作s603中确目标的第二效率值例如可以包括：分别计算每一指标项的目标指标值与指标阈值之间的商，得到每一指标项的指标分值。分别计算每一指标项的指标
分值与第二权重之间的第四乘积。将所有指标项的第四乘积求和，得到目标的第一效率值。
[0111]
例如，根据下述公式计算第i个指标项的指标分值si：
[0112][0113]
也即，在第i个指标项的实际指标值vi大于等于指标阈值ti的情况下，第i个指标项的目标指标值为vi′
为ti，则第i个指标项的指标分值si为1，在第i个指标项的实际指标值vi小于指标阈值ti的情况下，第i个指标项的目标指标值为vi′
为vi，则第i个指标项的指标分值si为vi/ti。
[0114]
进一步地，为了更加符合机器学习模型的计算，可以为机器学习模型设置分制m，例如m可以取10、100等，当m取10时表示机器学习模型为十分制，当m取100时表示机器学习模型为百分制。此时，第i个指标项的指标分值si的计算方式可以为：
[0115][0116]
在采用分制的情况下，在第i个指标项的实际指标值vi大于等于指标阈值ti的情况下，第i个指标项的目标指标值为vi′
为ti，则第i个指标项的指标分值si为m，在第i个指标项的实际指标值vi小于指标阈值ti的情况下，第i个指标项的目标指标值为vi′
为vi，则第i个指标项的指标分值si为(vim)/ti。
[0117]
接下来，可以根据下述公式计算目标的第二效率值s
pro
：
[0118][0119]
图7示意性示出了根据本公开实施例的图2所示的操作s205中确定目标为低效目标的流程图。
[0120]
如图7所示，操作s205中确定目标为低效目标例如可以包括操作s701～操作s705。
[0121]
在操作s701，设置第一效率值的第三权重以及第二效率值的第四权重。
[0122]
在操作s702，计算第一效率值与第三权重之间的第二乘积。
[0123]
在操作s703，计算第二效率值与第四权重之间的第三乘积。
[0124]
在操作s704，将第二乘积和第三乘积求和，得到综合效率值。
[0125]
在操作s705，将对应于综合效率值小于效率阈值的目标确定为低效目标。
[0126]
例如，设置第一效率值的第三权重为α，则第二效率值的第四权重为(1-α)，则综合效率值的计算公式可以为：
[0127]
s＝s
pca
+(1-α)s
pro
[0128]
例如，若机器学习模型的评分制为百分制，设置效率阈值s
t
为70，在计算得到的综合效率值s为80时，则确定产品/功能为高效产品/功能，在计算得到的综合效率值s为60时，则确定产品/功能为低效产品/功能。若机器学习模型的评分制为十分制，设置效率阈值s
t
为7，在计算得到的综合效率值s为8时，则确定产品/功能为高效产品/功能，在计算得到的综合效率值s为6时，则确定产品/功能为低效产品/功能。应当理解，效率阈值s
t
的具体数值只是示例性地，不同的评分制会使得效率阈值s
t
的值不一样，本公开不做限制。
[0129]
根据本公开的实施例，通过为第一效率值和第二效率值分配权重，能够灵活控制基于机器学习识别低效目标和基于先验知识识别低效目标对最后识别结果的影响程度，进一步使得该识别方法更灵活，适用范围更广，更能够贴近实际业务需求。
[0130]
图8示意性示出了根据本公开实施例的图7所示的操作s701中设置第一效率值的第三权重以及第二效率值的第四权重的流程图。
[0131]
如图8所示，操作s701中设置第一效率值的第三权重以及第二效率值的第四权重可以包括操作s801～操作s804。
[0132]
在操作s801，确定先验知识的可信度值。
[0133]
在操作s802，响应于可信度值大于预先设置的可信度阈值，设置第四权重大于第三权重。
[0134]
在操作s803，响应于可信度值等于预先设置的可信度阈值，设置第四权重等于第三权重。
[0135]
在操作s804，响应于可信度值小于预先设置的可信度阈值，设置第四权重小于第三权重。
[0136]
在本公开的实施例中，在[0，1]范围内，可根据实际情况灵活设置α的大小，例如，专家经验可信度较高，则可将α设置为小于0.5的数值，甚至趋近或等于0。如无经验可参考，专家经验可信度较低，则可将α设置为大于0.5的数值，甚至趋近或等于1。可信度可以是介于[0，1]之间的数值，可以专业技术人员通过人工识别低效目标过程的准确度来设置。可以将可信度阈值设置为0.6，在可信度小于0.6的情况下，认为专家经验可信度较低，在可信度大于0.6的情况下，认为专家经验可信度较高。
[0137]
根据本公开的实施例，基于先验知识的可信度值，能够准确合理地分配第一效率值和第二效率值分配权重，进而进一步提高低效目标识别的准确性。
[0138]
综上所述，本公开的实施例提供的低效目标的识别方法能够更灵活、更准确、更加贴近实际情况的识别产品或系统中的低效产品和功能。并且，由于其基于交易数据计算了每一个指标项对低效产品识别的影响程度，从而能够确定导致其低效的根本原因。
[0139]
基于图2～图8所示的低效目标的识别方法，本公开实施例还提供一种低效目标的识别装置，以下将基于图1描述的场景，通过图9～图11对本公开实施例的低效目标的识别装置进行描述。
[0140]
图9示意性示出了根据本公开实施例的低效目标的识别装置的框图。
[0141]
如图9所示，低效目标的识别装置900可以包括第一确定模块910、第一计算模块920、第二计算模块930、第三计算模块940以及第二确定模块950。
[0142]
第一确定模块910，用于对于业务系统中的任一目标，根据目标的属性信息确定目标的至少一个指标项。第一确定模块910可以用于执行前文描述的操作s201，在此不再赘述。
[0143]
第一计算模块920，用于获取与目标关联的交易数据，根据交易数据计算对应于每一指标项的实际指标值。第一计算模块920可以用于执行前文描述的操作s202，在此不再赘述。
[0144]
第二计算模块930，用于将对应于每一指标项的实际指标值输入训练好的机器学习模型，计算对应于目标的第一效率值，其中，第一效率值用于表征目标的能效。第二计算
模块930可以用于执行前文描述的操作s203，在此不再赘述。
[0145]
第三计算模块940，用于基于先验知识，根据对应于每一指标项的实际指标值计算对应于目标的第二效率值，其中，第二效率值用于表征目标的能效。第三计算模块940可以用于执行前文描述的操作s202，在此不再赘述。
[0146]
第二确定模块950，用于响应于第一效率值和第二效率值满足预设条件，确定目标为低效目标。第二确定模块950可以用于执行前文描述的操作s202，在此不再赘述。
[0147]
图10示意性示出了根据本公开实施例的第二计算模块的框图。
[0148]
如图10所示，第二计算模块930例如可以包括第一确定单元931、第一计算单元932以及第一求和单元933。
[0149]
第一确定单元931，用于根据预设的指标阈值和对应于每一指标项的实际指标值，确定对应于每一指标项的目标指标值。第一确定单元931可以用于执行前文描述的操作s301，在此不再赘述。
[0150]
第一计算单元932，用于基于主成分分析算法计算对应于每一指标项的第一权重，其中，所有指标项的第一权重之和为1。第一计算单元932可以用于执行前文描述的操作s302，在此不再赘述。
[0151]
第一求和单元933，用于根据对应于每一指标项的第一权重，对对应于每一指标项的目标指标值进行加权求和，得到目标的第一效率值。第一求和单元933可以用于执行前文描述的操作s303，在此不再赘述。
[0152]
图11示意性示出了根据本公开实施例的第三计算模块的框图。
[0153]
如图11所示，如图11所示，第三计算模块940例如可以包括第二确定单元941、第二计算单元942以及第二求和单元943。
[0154]
第二确定单元941，用于根据预设的指标阈值和对应于每一指标项的实际指标值，确定对应于每一指标项的目标指标值。第一确定单元931可以用于执行前文描述的操作s601，在此不再赘述。
[0155]
第二计算单元942，用于基于先验知识计算对应于每一指标项的第二权重。第一计算单元942可以用于执行前文描述的操作s602，在此不再赘述。
[0156]
第二求和单元943，用于根据对应于每一指标项的第二权重，对对应于每一指标项的目标指标值进行加权求和，得到目标的第二效率值。第二求和单元933可以用于执行前文描述的操作s603，在此不再赘述。
[0157]
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0158]
例如，第一确定模块910、第一计算模块920、第二计算模块930、第三计算模块940
以及第二确定模块950中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，第一确定模块910、第一计算模块920、第二计算模块930、第三计算模块940以及第二确定模块950中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一确定模块910、第一计算模块920、第二计算模块930、第三计算模块940以及第二确定模块950中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0159]
需要说明的是，本公开的实施例中低效目标的识别装置部分与本公开的实施例中低效目标的识别方法部分是相对应的，其具体实施细节及带来的技术效果也是相同的，在此不再赘述。
[0160]
图12示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图12示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0161]
如图12所示，根据本公开实施例的电子设备1200包括处理器1201，其可以根据存储在只读存储器(rom)1202中的程序或者从存储部分1208加载到随机访问存储器(ram)1203中的程序而执行各种适当的动作和处理。处理器1201例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))，等等。处理器1201还可以包括用于缓存用途的板载存储器。处理器1201可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0162]
在ram 1203中，存储有电子设备1200操作所需的各种程序和数据。处理器1201、rom 1202以及ram1203通过总线1204彼此相连。处理器1201通过执行rom 1202和/或ram1203中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 1202和ram 1203以外的一个或多个存储器中。处理器1201也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0163]
根据本公开的实施例，电子设备1200还可以包括输入/输出(i/o)接口1205，输入/输出(i/o)接口1205也连接至总线1204。电子设备1200还可以包括连接至i/o接口1205的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分1207；包括硬盘等的存储部分1208；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至i/o接口1205。可拆卸介质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
[0164]
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程
序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。在该计算机程序被处理器1201执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0165]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0166]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0167]
例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom1202和/或ram 1203和/或rom 1202和ram 1203以外的一个或多个存储器。
[0168]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

技术特征：
1.一种低效目标的识别方法，包括：对于业务系统中的任一目标，根据所述目标的属性信息确定所述目标的至少一个指标项；获取与所述目标关联的交易数据；根据所述交易数据计算对应于每一指标项的实际指标值；将对应于每一指标项的实际指标值输入训练好的机器学习模型，计算对应于所述目标的第一效率值，其中，所述第一效率值用于表征所述目标的能效；基于先验知识，根据所述对应于每一指标项的实际指标值计算对应于所述目标的第二效率值，其中，所述第二效率值用于表征所述目标的能效；响应于所述第一效率值和所述第二效率值满足预设条件，确定所述目标为低效目标。2.根据权利要求1所述的低效目标的识别方法，其中，将对应于每一指标项的实际指标值输入机器学习模型，计算对应于所述目标的第一效率值包括：根据预设的指标阈值和对应于每一指标项的实际指标值，确定对应于每一指标项的目标指标值；基于主成分分析算法计算对应于每一指标项的第一权重，其中，所有指标项的第一权重之和为1；根据对应于每一指标项的第一权重，对对应于每一指标项的目标指标值进行加权求和，得到所述目标的第一效率值。3.根据权利要求2所述的低效目标的识别方法，其中，所述根据预先设置的指标阈值和对应于每一指标项的实际指标值，确定对应于每一指标项的目标指标值包括：对于任一所述指标项，执行以下操作：确定所述指标项的实际指标值与所述指标阈值的大小关系；响应于所述指标项的实际指标值大于等于所述指标阈值，确定所述指标阈值为所述目标指标值；响应于所述指标项的实际指标值小于所述指标阈值，确定所述实际指标值为所述目标指标值。4.根据权利要求2所述的低效目标的识别方法，其中，所述根据对应于每一指标项的第一权重，对对应于每一指标项的目标指标值进行加权求和，得到所述目标的第一效率值包括：分别计算每一指标项的目标指标值与指标阈值之间的商，得到每一指标项的指标分值；分别计算每一指标项的指标分值与第一权重之间的第一乘积；将所有指标项的所述第一乘积求和，得到所述目标的第一效率值。5.根据权利要求1所述的低效目标的识别方法，其中，基于先验知识，根据所述对应于每一指标项的实际指标值计算对应于所述目标的第二效率值包括：根据预设的指标阈值和对应于每一指标项的实际指标值，确定对应于每一指标项的目标指标值；基于先验知识计算对应于每一指标项的第二权重；根据对应于每一指标项的第二权重，对对应于每一指标项的目标指标值进行加权求
和，得到所述目标的第二效率值。6.根据权利要求1所述的低效目标的识别方法，其中，响应于所述第一效率值和所述第二效率值满足预设条件，确定所述目标为低效目标包括：设置所述第一效率值的第三权重以及所述第二效率值的第四权重，其中，得到所述第三权重与所述第四权重之和为1；计算所述第一效率值与所述第三权重之间的第二乘积；计算所述第二效率值与所述第四权重之间的第三乘积；将所述第二乘积和所述第三乘积求和，得到综合效率值；将对应于所述综合效率值小于所述效率阈值的目标确定为低效目标。7.根据权利要求1所述的低效目标的识别方法，其中，设置所述第一效率值的第三权重以及所述第二效率值的第四权重包括：确定所述先验知识的可信度值；响应于所述可信度值大于预先设置的可信度阈值，设置所述第四权重大于所述第三权重；响应于所述可信度值等于预先设置的可信度阈值，设置所述第四权重等于所述第三权重；响应于所述可信度值小于预先设置的可信度阈值，设置所述第四权重小于所述第三权重。8.根据权利要求1所述的低效目标的识别方法，其中，所述目标包括所述业务系统涉及的产品或所述业务系统实现的功能。9.根据权利要求1所述的低效目标的识别方法，其中，所述指标项包括产品收入指标项、交易笔数指标项、拓户数指标项以及地区覆盖数指标项中的至少之一。10.一种低效目标的识别装置，包括：第一确定模块，用于对于业务系统中的任一目标，根据所述目标的属性信息确定所述目标的至少一个指标项；第一计算模块，用于获取与所述目标关联的交易数据，根据所述交易数据计算对应于每一指标项的实际指标值；第二计算模块，用于将对应于每一指标项的实际指标值输入训练好的机器学习模型，计算对应于所述目标的第一效率值，其中，所述第一效率值用于表征所述目标的能效；第三计算模块，用于基于先验知识，根据所述对应于每一指标项的实际指标值计算对应于所述目标的第二效率值，其中，所述第二效率值用于表征所述目标的能效；第二确定模块，用于响应于所述第一效率值和所述第二效率值满足预设条件，确定所述目标为低效目标。11.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～9中任一项所述的方法。12.一种计算机可读存储介质，所述计算机可读存储介质上存储有可执行指令，该指令
被处理器执行时使处理器执行根据权利要求1～9中任一项所述的方法。13.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～9中任一项所述的方法。

技术总结
本公开提供一种低效目标的识别方法、装置、设备、介质及产品，涉及人工智能技术领域，可应用于金融科技领域，方法包括：对于业务系统中的任一目标，根据目标的属性信息确定目标的至少一个指标项；获取与目标关联的交易数据；根据交易数据计算对应于每一指标项的实际指标值；将对应于每一指标项的实际指标值输入训练好的机器学习模型，计算对应于目标的第一效率值，其中，第一效率值用于表征目标的能效；基于先验知识，根据对应于每一指标项的实际指标值计算对应于目标的第二效率值，其中，第二效率值用于表征目标的能效；响应于第一效率值和第二效率值满足预设条件，确定目标为低效目标。标。标。


技术研发人员：郭金林 仲悦僮
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.06.21
技术公布日：2023/9/9