用于业务对象分类的决策模型训练方法和装置

技术领域

本说明书一个或多个实施例涉及人工智能和机器学习领域，尤其涉及用于业务对象分类的决策模型训练方法和装置。

背景技术

在多种场景下，需要对业务对象进行决策和分类，例如，判断一笔交易是否为涉嫌欺诈或盗用的高风险交易，确定一个用户的信用评级，判断是否需要将该用户加入黑名单，判断一项业务申请是否应该审核通过，等等。传统模式下，以上决策过程往往需要具有专家经验的策略开发者通过制定决策规则来完成。策略开发者需要根据对业务的经验，尝试融合不同的业务变量以及不同的变量阈值来构造决策规则。同时还需要对产出的决策规则进行性能和稳定性的测算。人工生成上述决策规则的方式在成本、效率、效果上都存在着明显的缺陷。首先，在满足复杂的业务约束的条件下生成决策规则需要花费较高的人力成本和时间成本。同时，由于人工尝试和测算的效率较低，只能通过以往的人工经验尝试相对有限的业务特征和条件组合，无法达到较高的业务目标。

近来也提出了一些利用机器学习的方法，训练决策模型，进行决策学习的方案。这些方法可以通过非人工的方法进行决策规则的学习。然而，在现实业务场景对决策模型有特定要求时，通用的机器学习模型训练方法，往往难以达到预期要求和性能，仍然存在不足。

因此，期望能有改进的方案，更加有效地训练出满足业务场景约束和要求的决策模型，从而更高效地进行业务对象的分类决策。

发明内容

本说明书一个或多个实施例描述了约束自适应的决策模型训练方法和装置，能够有效地训练出满足业务场景约束条件的决策模型，从而高效地进行业务对象的分类决策。

根据第一方面，提供了一种用于业务对象分类的决策模型训练方法，包括：

获取样本总集和训练的约束条件，其中样本总集中的单个样本包括，单个业务对象的属性特征，以及该业务对象是否属于目标业务分类的分类标签；

根据所述样本总集，通过节点分裂的方式构建第一决策树，其中针对任意的当前节点进行分裂的过程包括：对于当前节点的多个备选分裂条件中任一分裂条件，根据依照该分裂条件对当前节点进行分裂得到的两个子节点对于所述约束条件的符合程度，确定该分裂条件的约束适应度；根据该分裂条件的分裂纯度和所述约束适应度，确定该分裂条件的综合得分；根据所述多个备选分裂条件中综合得分最优的分裂条件，对当前节点进行分裂；

基于所述第一决策树，确定用于对业务对象分类的决策模型。

在一个实施例中，针对任意的当前节点进行分裂的过程还包括：根据落入当前节点的当前样本集中，各业务对象的属性特征取值，确定所述多个备选分裂条件。

进一步的，在一个例子中，上述属性特征包括数值型的多项属性特征；确定所述多个备选分裂条件，具体包括：枚举所述当前样本集中，所述多项属性特征具有的可能取值，将一项属性特征与该项属性特征的一个取值的组合作为一个备选分裂条件。

根据一种可能的实施方式，约束条件可以包括，对样本预测的评价指标和该评价指标应符合的指标阈值；所述确定该分裂条件的约束适应度，具体包括：对于所述两个子节点中的任一子节点，确定按照该子节点对应的决策规则进行的样本预测对于所述评价指标的指标值，并根据所述指标值与所述指标阈值的对比，确定该子节点的约束符合度；将所述两个子节点各自的约束符合度中的较大者，确定为该分裂条件的约束适应度。

进一步的，在不同实施例中，前述评价指标可以包括以下之一：置信度，召回率，召回数、稳定性。

在一个实施例中，前述根据指标值与指标阈值的对比，确定该子节点的约束符合度，具体包括：如果所述指标值符合所述指标阈值，则将该子节点的约束符合度确定为0；如果所述指标值不符合所述指标阈值，则取所述指标值和指标阈值的差值绝对值的相反数，作为该子节点的约束符合度。

根据一种实施方式，针对任意的当前节点进行分裂的过程还包括：根据当前节点对应的当前样本集的样本纯度，所述两个子节点分别对应的两个样本子集的样本纯度，确定该分裂条件的分裂纯度。

进一步的，前述样本纯度可以基于以下指标之一而确定：信息熵，基尼系数。

在一个实施例中，前述确定该分裂条件的分裂纯度，具体包括：以所述两个样本子集各自的样本数目与所述当前样本集的样本数目的比例为各自的权重，对所述两个样本子集的样本纯度进行加权求和，得到和值；基于所述当前样本集的样本纯度与所述和值之差，确定该分裂条件的分裂纯度。

根据一种可能的实施方式，根据该分裂条件的分裂纯度和所述约束适应度，确定该分裂条件的综合得分，具体包括：分别以第一权重和第二权重为权重因子，对所述分裂纯度和所述约束适应度进行加权求和，得到所述综合得分。

进一步的，在一个例子中，上述第一权重可以根据所述多个备选分裂条件分别对应的多个分裂纯度的第一方差而确定，且与第一方差负相关；所述第二权重根据所述多个备选分裂条件分别对应的多个约束适应度的第二方差而确定，且与第二方差负相关。

根据一种可能的实施方式，第一决策树包括第一数目N个叶节点；所述基于所述第一决策树，确定用于对业务对象分类的决策模型，具体包括：在所述第一决策树中，确定从根节点到N个叶节点的N条路径对应的N个决策规则；从所述N个决策规则中筛选出满足所述约束条件的第二数目M个决策规则；基于所述M个决策规则，形成所述决策模型。

进一步的，在一个实施例中，基于所述M个决策规则，形成所述决策模型，进一步包括：对于所述M个决策规则中各个决策规则，执行以下裁剪迭代：若当前决策规则的父规则满足所述约束条件，则用所述父规则替代所述当前决策规则，直到父规则不再满足所述约束条件；其中，所述当前决策规则对应于所述第一决策树中从根节点开始的第一节点序列，所述父规则是将所述第一节点序列中最后一个节点裁剪后的节点序列对应的决策规则；基于执行所述裁剪迭代后得到的不重复的决策规则，形成所述决策模型。

根据一种可能的实施方式，所述方法还包括：利用所述第一决策树，对所述样本总集的各个样本进行预测，得到被预测为属于所述目标业务分类的样本构成的第一样本集；从所述样本总集中剔除所述第一样本集，得到第二样本集；根据所述第二样本集，利用与构建第一决策树相同的节点分裂的方式构建第二决策树；相应的，基于所述第一决策树，确定用于对业务对象分类的决策模型，具体包括：基于所述第一决策树和所述第二决策树，确定所述决策模型。

在不同实施例中，前述业务对象可以包括以下之一：用户、操作事件、交易、业务申请请求；所述目标业务分类指示有风险的业务对象。

根据第二方面，提供了一种用于业务对象分类的决策模型训练装置，包括：

获取单元，配置为获取样本总集和训练的约束条件，其中样本总集中的单个样本包括，单个业务对象的属性特征，以及该业务对象是否属于目标业务分类的分类标签；

决策树构建单元，配置为根据所述样本总集，通过节点分裂的方式构建第一决策树，其中针对任意的当前节点进行分裂的过程包括：对于当前节点的多个备选分裂条件中任一分裂条件，根据依照该分裂条件对当前节点进行分裂得到的两个子节点对于所述约束条件的符合程度，确定该分裂条件的约束适应度；根据该分裂条件的分裂纯度和所述约束适应度，确定该分裂条件的综合得分；根据所述多个备选分裂条件中综合得分最优的分裂条件，对当前节点进行分裂；

模型确定单元，配置为基于所述第一决策树，确定用于对业务对象分类的决策模型。

根据第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。

根据第四方面，提供一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面所述的方法。

根据本说明书实施例提供的方法和装置，为了针对业务对象分类的任务训练出具有较好可解释性的决策模型，采用决策树作为基础模型。为了更好地适应于针对训练任务提出的约束条件，提出了约束自适应的决策树生成方式。其中，在选择节点的分裂条件时，除了考虑分裂前后的信息增益或者说分裂纯度，还要考虑该分裂条件的分裂结果对约束条件的满足程度，即约束适应性。如此得到的决策树可以更好地适应于预设的约束条件。进而，可以根据该约束自适应的决策树，进一步参照约束条件，提取出有效的决策规则，从而确定出最终的决策模型。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。

图1示意性示出约束自适应的决策模型的确定过程；

图2示出根据一个实施例训练用于业务对象分类的决策模型的方法流程图；

图3示出在一个实施例中针对当前节点进行分裂的步骤流程；

图4示出决策树的一个示意图；

图5示出根据一个实施例的训练装置示意图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

如前所述，在现实业务场景对决策模型有特定要求或施加特定约束条件时，传统的机器学习方法难以训练出满足约束条件的决策模型。为此，在本说明书的实施例中，提出一种约束自适应的决策树生成方式。根据该方式，在生成决策树的节点分裂过程中，可以自动地更好适应于业务场景所要求的约束条件。于是，可以基于该约束自适应的决策树，确定最终的决策模型，从而更好地符合业务要求。

图1示意性示出约束自适应的决策模型的确定过程。如图1所示，在一定业务场景下，会对决策模型提出一些约束条件，例如，置信度超过一定阈值，召回率满足一定条件，召回数满足一定要求，稳定性达到一定目标，等等。为此，在模型训练过程中，根据训练样本集的特征和标签信息，同时考虑约束条件的满足状况，来生成决策树，也就是构建约束自适应的决策树。可以理解，决策树是通过不断地根据分裂条件对节点进行分裂而生成的。因此，在构建该约束自适应的决策树的过程中，在选择节点的分裂方式或分裂条件时，除了考虑分裂前后的信息增益，还要考虑该分裂条件的分裂结果对前述约束条件的满足程度。如此得到的决策树可以更好地适应于预设的约束条件。进而，可以根据该约束自适应的决策树，进一步参照约束条件，提取出有效的决策规则，从而确定出最终的决策模型。如图1所示，可选的，在从决策树中提取出决策规则后，可以再次参照约束条件，对决策规则进行筛选，和/或裁剪，从而优化决策规则，使得决策模型在满足约束条件的同时，具有更好的性能。

下面描述以上技术构思的具体实现过程。

图2示出根据一个实施例训练用于业务对象分类的决策模型的方法流程图。可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。如图2所示，该方法包括以下步骤。

在步骤21，获取样本总集和训练的约束条件。

样本总集中包含大量的样本，其中单个样本包括，单个业务对象的属性特征，以及该业务对象是否属于目标业务分类的分类标签。具体的，可以将样本总集中任意的第i个样本记为（x

在不同实施例中，上述样本对应的业务对象可以是各种业务对象，例如用户、操作事件、交易、业务申请请求等等。

在一个具体例子中，业务对象为用户，用户可以通过其对应账号表示。相应的，目标业务分类可以是有风险的用户/账号，例如，垃圾账号、被盗用账号，有信用风险的用户等等。用户的属性特征可以包括例如年龄，账号的注册时长等基本属性，还可以包括与具体的目标业务分类相关的属性，例如当用于评估信用风险时，还可以包括最近一段时间的借款次数，累计借款金额等等。

在另一例子中，业务对象为交易。相应的，目标业务分类可以是高风险交易，例如涉嫌欺诈、套现、盗卡等的交易。对于交易样本来说，属性特征可以包括，例如交易金额、交易时间、最近一段时间的交易频次等等。

在又一例子中，业务对象为业务申请请求，例如，贷款请求，保险理赔请求，相应的，目标业务分类可以是高风险的申请请求，例如涉嫌骗保的理赔请求，逾期的贷款请求。

在其他例子中，样本还可以是其他业务对象，例如用户操作，交互事件，等等，不同类型的业务对象针对不同的目标业务分类具有不同的属性特征，在此不一一具体描述。

另一方面，还需获取针对决策模型训练提出的约束条件。该约束条件可以包括对样本预测的评价指标和该评价指标应符合的指标阈值。

例如，在一个例子中，上述约束条件可以包括，样本预测的置信度应达到一置信度阈值。其中，一条决策规则或一个决策模型的置信度可以定义为，在按照该规则或模型预测为正样本（属于目标业务分类的样本）的集合中，真实正样本的比例。即假定一条决策规则或决策模型针对一批样本预测出N个正样本，在这N个样本中有M个是标签确实为1的真实正样本，则置信度为M/N。在一些应用场景中，又将置信度称为准确度，或预测准确率。

在一个例子中，上述约束条件可以包括，样本预测的召回率应超过一比例阈值。具体的，决策模型的召回率可以定义为，当将一定数量n个正样本输入决策模型，决策模型正确预测出的正样本数目m与输入的正样本数目n的比值m/n。召回率又可称为覆盖率，是衡量模型预测性能的另一指标。

在其他例子中，约束条件还可以包括，样本预测的召回数应达到一定阈值，在样本预测中对样本特征的利用率应超过一定阈值，等等。在此不一一枚举。

在获取了上述样本总集和上述约束条件的情况下，就可以基于该样本总集，结合约束条件进行决策树的训练。即，在步骤22，根据样本总集，通过节点分裂的方式构建第一决策树。

如本领域技术人员所知，决策树是一种具有较强可解释性的树形模型，训练好的决策树包含根节点，中间节点和叶节点，除叶节点之外的每个节点对应一个分裂条件。样本集从根节点输入，经过各个节点的分裂条件，被划分到下一层级的子节点，直到叶节点。训练或构建决策树的过程，就是从根节点开始，通过确定节点对应的分裂条件，进行节点分裂的过程。通常，一个节点的分裂条件，对应于样本的一项属性特征和特征值的组合。例如，对于用户业务对象，假定某个节点i的分裂条件为，属性特征是年龄，特征值为25，则年龄小于25的用户样本将会被划分到该节点i的左侧子节点，年龄大于等于25的用户样本将会被划分为该节点i的右侧子节点。

在本说明书的实施例中，为了构建出约束自适应的决策树，在节点分裂过程中，综合考虑各备选分裂条件的分裂纯度以及对于前述约束条件的适应度来选择分裂条件，进行节点分裂。

图3示出在一个实施例中针对当前节点进行分裂的步骤流程，也即，步骤22的子步骤。需要理解，该当前节点可以是决策树中有待进行节点分裂的任一节点。换而言之，对于决策树中的每个节点，均可以按照图3的步骤流程实施分裂过程。

如图3所示，在步骤31，确定当前节点的多个备选分裂条件。在一个实施例中，可以根据落入当前节点D的当前样本集S中，各业务对象的属性特征取值，确定上述多个备选分裂条件。

如前所述，用于训练决策树的样本属性特征一般是数值型的多项属性特征。如此，在一个例子中，可以枚举当前样本集S中，多项属性特征具有的所有可能取值，将一项属性特征与该项属性特征的一个取值的组合作为一个备选分裂条件，从而枚举得到上述多个备选分裂条件。在另一例子中，也可以对于任一项属性特征，去除其最大值和最小值，保留中间取值，然后进行属性特征与各个中间取值的组合，得到多个备选分裂条件。在又一例子中，如果当前节点位于较高层级，可以以一定步长获取某些属性特征的特征值，然后进行属性特征与各个特征值的组合，得到上述多个备选分裂条件。

对于如此获得的多个备选分裂条件中的任一分裂条件，在步骤32，确定该分裂条件的分裂纯度，在步骤33，确定该分裂条件的约束适应度，然后，在步骤34，根据该分裂条件的分裂纯度和约束适应度，确定该分裂条件的综合得分。下面分别描述以上各个步骤。

在步骤32，确定某个分裂条件（s，t）的分裂纯度

一个样本集的样本纯度

假定当前节点D对应于当前样本集S，如果按照分裂条件（s，t）对当前节点D进行分裂，会得到左侧、右侧两个子节点D

分裂纯度有多种确定方式。

在一个具体例子中，可以以两个样本子集各自的样本数目与当前样本集的样本数目的比例为各自的权重，对两个样本子集的样本纯度

其中，

在另一具体例子中，还可以求得分裂之后的两个样本子集的样本纯度

如此，通过多种方式，确定出分裂条件（s，t）的分裂纯度

另一方面，还在步骤33，确定该分裂条件（s,t）的约束适应度

在一个实施例中，为了计算分裂条件（s,t）的约束适应度

如前所述，约束条件一般包括，对样本预测的评价指标和该评价指标应符合的指标阈值

在一个实施例中，如果指标值

具体的，在一个例子中，约束条件中指定，评价指标的指标值应大于指标阈值，例如置信度应大于预设的置信度阈值。则节点D的约束符合度可以表示为以下公式（2）：

如此，通过多种方式定义了节点的约束符合度

如此，在步骤33，可以通过多种方式确定出分裂条件（s，t）的约束适应度

需要说明的是，步骤32中确定分裂纯度和步骤33中确定约束适应度，这两个步骤可以以任何相对顺序执行，或并行执行，在此不做限定。

接着，基于步骤32确定的分裂纯度和步骤33确定的约束适应度，在步骤34，根据分裂条件（s,t）的分裂纯度和约束适应度，确定该分裂条件的综合得分

在一个实施例中，可以将分裂条件（s，t）的分裂纯度和约束适应度，简单相加或相乘，结果作为该分裂条件的综合得分。

在另一实施例中，对于分裂条件（s，t），可以分别以第一权重w

在一个例子中，上述第一权重w

在另一例子中，第一权重w

更具体的，根据一个例子，综合得分

如此，通过多种方式，得到分裂条件（s，t）的综合得分。需要理解，该分裂条件（s，t）是当前节点的多个备选分裂条件中的任意一个分裂条件。因此，针对多个备选分裂条件中的每个分裂条件，都可以按照步骤32到34的方式，确定出对应的综合得分。

于是，接着在步骤35，确定多个备选分裂条件中综合得分最优的分裂条件，按照该分裂条件对当前节点进行分裂。在多数情况下，分裂纯度和约束适应性都被设置为分值越高，相应分裂条件越有可能满足训练目标。在这样的情况下，可以选择综合得分最高的分裂条件作为最优的分裂条件。但是也不排除相反的情况。在此不做限定。

如此，通过图3的步骤流程，对于决策树中的任意一个当前节点进行了节点分裂。通过对各个节点执行图3的步骤，直到满足预设的决策树终止条件，就可以得到一棵决策树，在此称为第一决策树。其中上述决策树终止条件可以包括，例如，深度达到一定阈值，节点中的样本数目小于一定阈值，等等。

回到图2。在根据样本总集，通过节点分裂得到第一决策树后，在步骤23，基于该第一决策树，确定用于对业务对象分类的决策模型。

在一个实施例中，直接将该第一决策树作为最终的决策模型。在这样的情况下，该决策模型可以理解为，包含第一决策树中从根节点到各个叶节点形成的各个路径对应的各个决策规则。

在另一实施例中，可以基于前述的约束条件，对第一决策树中包含的决策规则进行筛选，使得得到的决策模型具有更强的约束适应性。

具体的，假定第一决策树包括第一数目N个叶节点，则从根节点到N个叶节点形成N条路径。每一条路径对应一个决策规则，即为该路径所途径节点的分裂条件的组合。于是，第一决策树包含N个决策规则。可以从这N个决策规则中筛选出满足前述约束条件的第二数目M个决策规则，基于该筛选出的M个决策规则，形成决策模型。

图4示出决策树的一个示意图。在图4的例子中，决策树包含5个叶节点D,E,H,I,G，对应5个决策规则。假定约束条件是置信度应大于等于0.5,即置信度阈值为0.5。那么可以分别确定各个决策规则的置信度。图4中节点中的数字，即代表该节点对应的决策规则的置信度。可以看到，在5条决策规则中，节点I和G对应的决策规则的置信度不满足约束条件，可以将其剔除。从而筛选出节点D，E，H对应的决策规则，来形成决策模型。

在一个实施例中，在基于约束条件对决策规则进行筛选的基础上，还对各个决策规则进行裁剪，从而避免路径太长、规则太复杂造成的过拟合问题。

具体的，在一个实施例中，对于筛选出的各个决策规则，执行以下裁剪迭代：若当前决策规则的父规则满足前述约束条件，则用所述父规则替代当前决策规则，持续判断和替代，直到父规则不再满足所述约束条件；其中，当前决策规则对应于第一决策树中从根节点开始的第一节点序列，父规则则是将该第一节点序列中最后一个节点裁剪后的节点序列对应的决策规则。

然后，基于执行裁剪迭代后得到的不重复的决策规则，形成决策模型。

再次参看图4。仍然假定约束条件是置信度大于等于0.5，并且各条决策规则用其对应节点标号表示。当将决策规则H作为当前决策规则，那么其父规则为决策规则F，该决策规则的置信度为0.5，满足约束条件。于是，可以将当前决策规则更新为决策规则F。此时，父规则为决策规则C，该条决策规则的置信度为0.4，不满足约束条件，因此不再进行替换和裁剪。

如此，通过依次对各条筛选出的决策规则D，E，H执行上述裁剪迭代，并去除重复的决策规则，得到裁剪后的决策规则B和F。

基于筛选并裁剪后的决策规则形成的决策模型，由于简化了规则，同时避免了过拟合，具有更好的泛化能力和运算效率。

在一个实施例中，为了进一步提升决策模型的性能，还提出迭代训练决策树的方案。这是考虑到，一棵决策树，特别是经过规则筛选和裁剪之后，得到的决策规则常常比较有限，有时候会使得整个决策模型的召回率降低。为此，提出以下增强迭代的方式。

根据该实施例，在根据图2的步骤22得到第一决策树后，利用该第一决策树，对样本总集的各个样本进行预测，得到被预测为属于目标业务分类的样本构成的第一样本集。换而言之，第一样本集是第一决策树预测为正样本的样本集。然后，从样本总集中剔除该第一样本集，得到第二样本集。这里，不管第一样本集中的样本是否为真实的正样本，而将其全部从样本总集中剔除。如此，得到的第二样本集，就是第一决策树没有覆盖到的样本。然后，根据该第二样本集，利用与构建第一决策树相同的节点分裂的方式构建第二决策树。

相应的，在步骤23，可以基于先后训练得到的第一决策树和第二决策树，共同确定决策模型。该步骤中，也可以可选地对第一决策树和/或第二决策树进行规则筛选，和/或规则裁剪，得到最终的决策模型。

可以理解，如果第一决策树加上第二决策树的召回率仍然不够理想，可以按照前述方式，继续训练第三棵决策树，以及可能的第四棵决策树等等，直到召回率达到理想情况。

回顾以上过程，在本说明书实施例中，为了针对业务对象分类的任务训练出具有较好可解释性的决策模型，采用决策树作为基础模型。为了更好地适应于针对训练任务提出的约束条件，提出了约束自适应的决策树生成方式。其中，在选择节点的分裂条件时，除了考虑分裂前后的信息增益或者说分裂纯度，还要考虑该分裂条件的分裂结果对约束条件的满足程度，即约束适应性。如此得到的决策树可以更好地适应于预设的约束条件。进而，可以根据该约束自适应的决策树，进一步参照约束条件，提取出有效的决策规则，从而确定出最终的决策模型。

根据另一方面的实施例，还提供了一种用于业务对象分类的决策模型训练装置，上述装置可以部署在任何具有计算、处理能力的设备或平台上。图5示出根据一个实施例的训练装置示意图。如图5所示，该训练装置500包括：

获取单元51，配置为获取样本总集和训练的约束条件，其中样本总集中的单个样本包括，单个业务对象的属性特征，以及该业务对象是否属于目标业务分类的分类标签；

决策树构建单元52，配置为根据所述样本总集，通过节点分裂的方式构建第一决策树，其中针对任意的当前节点进行分裂的过程包括：对于当前节点的多个备选分裂条件中任一分裂条件，根据依照该分裂条件对当前节点进行分裂得到的两个子节点对于所述约束条件的符合程度，确定该分裂条件的约束适应度；根据该分裂条件的分裂纯度和所述约束适应度，确定该分裂条件的综合得分；根据所述多个备选分裂条件中综合得分最优的分裂条件，对当前节点进行分裂；

模型确定单元53，配置为基于所述第一决策树，确定用于对业务对象分类的决策模型。

在一个实施例中，决策树构建单元52还配置为，根据落入当前节点的当前样本集中，各业务对象的属性特征取值，确定所述多个备选分裂条件。

进一步的，在一个例子中，上述属性特征包括数值型的多项属性特征；确定所述多个备选分裂条件，具体包括：枚举所述当前样本集中，所述多项属性特征具有的可能取值，将一项属性特征与该项属性特征的一个取值的组合作为一个备选分裂条件。

根据一种可能的实施方式，约束条件可以包括，对样本预测的评价指标和该评价指标应符合的指标阈值；决策树构建单元52可具体配置为：对于所述两个子节点中的任一子节点，确定按照该子节点对应的决策规则进行的样本预测对于所述评价指标的指标值，并根据所述指标值与所述指标阈值的对比，确定该子节点的约束符合度；将所述两个子节点各自的约束符合度中的较大者，确定为该分裂条件的约束适应度。

进一步的，在不同实施例中，前述评价指标可以包括以下之一：置信度，召回率，召回数，稳定性。

在一个实施例中，前述根据指标值与指标阈值的对比，确定该子节点的约束符合度，具体包括：如果所述指标值符合所述指标阈值，则将该子节点的约束符合度确定为0；如果所述指标值不符合所述指标阈值，则取所述指标值和指标阈值的差值绝对值的相反数，作为该子节点的约束符合度。

根据一种实施方式，决策树构建单元52还配置为：根据当前节点对应的当前样本集的样本纯度，所述两个子节点分别对应的两个样本子集的样本纯度，确定该分裂条件的分裂纯度。

进一步的，前述样本纯度可以基于以下指标之一而确定：信息熵，基尼系数。

在一个实施例中，前述确定该分裂条件的分裂纯度，具体包括：以所述两个样本子集各自的样本数目与所述当前样本集的样本数目的比例为各自的权重，对所述两个样本子集的样本纯度进行加权求和，得到和值；基于所述当前样本集的样本纯度与所述和值之差，确定该分裂条件的分裂纯度。

根据一种可能的实施方式，决策树构建单元52具体配置为，通过以下方式确定该分裂条件的综合得分：分别以第一权重和第二权重为权重因子，对所述分裂纯度和所述约束适应度进行加权求和，得到所述综合得分。

进一步的，在一个例子中，上述第一权重可以根据所述多个备选分裂条件分别对应的多个分裂纯度的第一方差而确定，且与第一方差负相关；所述第二权重根据所述多个备选分裂条件分别对应的多个约束适应度的第二方差而确定，且与第二方差负相关。

根据一种可能的实施方式，第一决策树包括第一数目N个叶节点；所述模型确定单元53具体配置为：在所述第一决策树中，确定从根节点到N个叶节点的N条路径对应的N个决策规则；从所述N个决策规则中筛选出满足所述约束条件的第二数目M个决策规则；基于所述M个决策规则，形成所述决策模型。

进一步的，在一个实施例中，模型确定单元53进一步配置为：对于所述M个决策规则中各个决策规则，执行以下裁剪迭代：若当前决策规则的父规则满足所述约束条件，则用所述父规则替代所述当前决策规则，直到父规则不再满足所述约束条件；其中，所述当前决策规则对应于所述第一决策树中从根节点开始的第一节点序列，所述父规则是将所述第一节点序列中最后一个节点裁剪后的节点序列对应的决策规则；基于执行所述裁剪迭代后得到的不重复的决策规则，形成所述决策模型。

根据一种可能的实施方式，所述装置还包括第二构建单元（未示出），配置为：利用所述第一决策树，对所述样本总集的各个样本进行预测，得到被预测为属于所述目标业务分类的样本构成的第一样本集；从所述样本总集中剔除所述第一样本集，得到第二样本集；根据所述第二样本集，利用与构建第一决策树相同的节点分裂的方式构建第二决策树。相应的，模型确定单元53配置为：基于所述第一决策树和所述第二决策树，确定所述决策模型。

在不同实施例中，前述业务对象可以包括以下之一：用户、操作事件、交易、业务申请请求；所述目标业务分类指示有风险的业务对象。

通过以上装置，可以训练得到约束自适应的决策树，进而确定出更加有效的决策模型。

根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2和图3所描述的方法。

根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2和图3所述的方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，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方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。