用于检测模型漂移的方法、电子设备和计算机程序产品

技术领域

本公开的实施例涉及人工智能领域，并且更具体地，涉及用于检测模型漂移的方法、电子设备和计算机程序产品。

背景技术

在人工智能领域中，机器学习模型被广泛应用，例如用于图像分类、文本分类或者数据挖掘等。机器学习模型的性能会随着环境的变化(如用户行为、传感器漂移)而随着时间的推移而衰减，这一现象被称为模型漂移(model drift)。模型漂移分为数据漂移(datadrift)和概念漂移(concept drift)。概念漂移意味着模型试图预测的目标变量的统计特性会随着时间以不可预见的方式发生变化。

发明内容

在本公开的第一方面中，提供了一种用于检测模型漂移的方法。该方法包括将训练数据集中的训练数据转换为以夏普利值表示的输入向量，输入向量的多个维度指示决策树模型的多个输入特征，其中决策树模型已被训练用于图像分类、文本分类或者数据挖掘中的至少一项。方法还包括基于输入向量，对训练数据集进行聚类，以获得多个数据簇。方法还包括：响应于接收到第一输入，将第一输入转换为以夏普利值表示的第一输入向量。方法还包括基于第一输入向量和多个数据簇，检测决策树模型的漂移程度。

在本公开的第二方面中，提供了一种电子设备。该电子设备包括处理器以及与处理器耦合的存储器，存储器具有存储于其中的指令，指令在被处理器执行时使设备执行动作。动作包括将训练数据集中的训练数据转换为以夏普利值表示的输入向量，输入向量的多个维度指示决策树模型的多个输入特征，其中决策树模型已被训练用于图像分类、文本分类或者数据挖掘中的至少一项。动作还包括基于输入向量，对训练数据集进行聚类，以获得多个数据簇。动作还包括：响应于接收到第一输入，将第一输入转换为以夏普利值表示的第一输入向量。动作还包括基于第一输入向量和多个数据簇，检测决策树模型的漂移程度。

在本公开的第三方面中，提供了一种计算机程序产品，计算机程序产品被有形地存储在计算机可读介质上并且包括机器可执行指令，机器可执行指令在被执行时使机器执行根据第一方面的方法。

提供发明内容部分是为了简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。

附图说明

通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。在附图中：

图1示出了本公开的实施例可以在其中被实现的示例环境的示意图；

图2示出了根据本公开的实施例的检测模型漂移的示例方法的流程图；

图3示出了根据本公开的一些实施例的检测模型漂移的示例方法的流程图；

图4示出了根据本公开的一些实施例将训练数据转换为以夏普利值表示的形式的示意图；以及

图5示出了可以用来实施本公开的实施例的示例设备的框图。

具体实施方式

下面将参考附图中示出的若干示例实施例来描述本公开的原理。虽然附图中显示了本公开的优选实施例，但应当理解，描述这些实施例仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如前所述，机器学习模型的性能会随着环境的变化(如用户行为、传感器漂移)而随着时间的推移而衰减，这一现象被称为模型漂移。当发生模型漂移时，使用该模型进行图像分类、文本分类或者数据挖掘等的输出结果是不够精确的。因此，需要对模型进行监测，以检测模型是否发生漂移。传统的模型漂移检测通常依赖于基准真相(ground truth)、原始特征空间和分布输出得分。然而这样的模型监测不易于解释。

本公开的实施例提供了一种检测模型漂移的方案。根据本公开的各个实施例，训练数据集中的训练数据被转换为以夏普利值表示的输入向量。该决策树模型已被训练用于图像分类、文本分类或者数据挖掘中的至少一项。然后基于这样的输入向量，对训练数据集进行聚类，从而获得多个数据簇。响应于接收到第一输入，第一输入被转换为以夏普利值表示的第一输入向量。基于第一输入向量和多个数据簇，来检测该决策树模型的漂移程度。

根据在此描述的实施例，通过将训练数据以及针对模型的新输入转换为以夏普利值表示的形式，能够确定该新输入的输入特征之间的关系与已经使用的训练数据的输入特征之间的关系相比，是否发生了变化。从而能够检测模型的漂移程度，避免使用漂移的模型做出不精确甚至错误的模型预测，保证图像分类、文本分类或者数据挖掘等的结果更准确。此外，模型监测也更易于解释。

以下将参考附图来说明本公开的基本原理和若干示例实现方式。应当理解，给出这些示例性实施例仅是为了使本领域技术人员能够更好地理解进而实现本公开的实施例，而并非以任何方式限制本公开的范围。

图1示出了本公开的实施例可以在其中被实现的示例环境的示意图。如图1所示，环境100包括检测模块110、输入120和训练数据集130。训练数据集130包括训练数据131-1、131-2和131-N(也可统称为或者单独称为“训练数据131”)，其中N为自然数。训练数据集130可以包括用于训练图像分类模型、文本分类模型或者数据挖掘模型(未图示)等的训练数据131。这些模型可以是决策树模型。在一些实施例中，这些模型是梯度提升决策树(GBDT)模型。输入120是这些模型在生产时采集到的输入数据。

输入120和训练数据131均可以包括多个输入特征。例如，在一些实施例中，图像分类模型用于对图像中的植物进行分类。输入120和训练数据131均可以包括颜色、灰度、轮廓等特征。在一些实施例中，文本分类模型用于检测一段商品评论是消极的评论还是积极的评论。输入120和训练数据131均可以包括多个积极词语、多个消极词语以及多个中性词语。

检测模块110基于输入120和训练数据集130，检测利用训练数据集130训练的决策树模型发生漂移的程度。这将在下文结合图2进行详细描述。

应当理解，仅出于示例性的目的描述环境100的结构和功能，而不暗示对于本公开的范围的任何限制。例如，本公开的实施例还可以被应用到与环境100不同的环境中。此外，虽然图1中仅示出了一个输入120和一个训练数据集130，但并不限于此，也可以包括更多的输入120和更多的训练数据集130。另外，虽然图1示出训练数据集130包括三个训练数据131，但并不限于此，也可以包括更多或者更少的训练数据131。

图2示出了根据本公开的实施例的检测模型漂移的示例方法200的流程图。方法200例如可以由如图1所示的检测模块110执行。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。以下结合图1来详细描述方法200。

在框210处，训练数据集中的训练数据被转换为以夏普利值表示的输入向量。该输入向量的多个维度指示决策树模型的多个输入特征，其中该决策树模型已经被训练用于图像分类、文本分类或者数据挖掘中的至少一项。该输入向量可以指示多个输入特征之间的关系。

例如，检测模块110将训练数据集130中的训练数据131转换为以夏普利值表示的输入向量。决策树模型已经利用训练数据集130而被训练用于图像分类、文本分类或者数据挖掘。

在一些实施例中，检测模块110从训练数据131中获取用于决策树模型的输入的输入数据和用于决策树模型的输出的输出数据。然后，检测模块110通过计算该输入数据中的每个输入特征对输出数据的贡献值来将训练数据131转换为以夏普利值表示的输入向量。以此方式，能够直观地示出每个输入特征对模型输出的贡献，能够直观地示出多个输入特征之间的关系。

图4示出了根据本公开的一些实施例将训练数据131转换为以夏普利值表示的形式的示意图。在一些实施例中，例如图4所示的关于图像分类的实施例，训练数据131可以包括三个特征：颜色、灰度和轮廓。输入向量的维度是3，其指示决策树模型的三个输入特征：颜色、灰度和轮廓。

在图4中，在计算夏普利值后，训练数据131中的“颜色”的夏普利值为0.4，“灰度”的夏普利值为-0.2，“轮廓”的夏普利值为0.2。从而，夏普利值形式的输入向量是(0.4，-0.2,0.2)。该输入向量指示该三个输入特征之间的关系。

在一些实施例中，例如关于文本分类的实施例，训练数据131可以包括两个特征：积极词语和消极词语。输入向量的维度是2，其指示决策树模型的两个输入特征：积极词语和消极词语。

应当理解，关于输入特征的数目的取值仅是示例性的，而无意限制本公开的范围。在本公开的实施例中，输入特征的数目可以是任何合适的数目。此外，所计算的夏普利值仅是示例性的，而无意限制本公开的范围。在本公开的实施例中，所计算的夏普利值可以是任何合适的数值。

返回图2，在框220处，基于输入向量，训练数据集被聚类，以获得多个数据簇。例如，检测模块110基于在框210处转换的输入向量，对训练数据集130进行聚类，以获得多个数据簇。

在一些实施例中，检测模块110利用K平均聚类算法，将训练数据集130中的所有训练数据聚类为多个数据簇，例如k个，其中k是预先设置的自然数。数据簇的数目k大于所述多个输入特征的数目。备选地，k的数目也可以不预先设置，在聚类过程中动态确定。

然后，在框230处，响应于接收到第一输入，第一输入被转换为以夏普利值表示的第一输入向量。例如，响应于接收到输入120，检测模块110将输入120转换为以夏普利值表示的第一输入向量。对输入120的转换类似于对训练数据131的转换，在此不再赘述。

在框240处，基于第一输入向量和多个数据簇，决策树模型的漂移程度被检测。例如，检测模块110基于第一输入向量和多个数据簇，检测决策树模型的漂移程度。

以此方式，能够检测模型是否发生了漂移，避免使用漂移的模型做出不精确甚至错误的模型预测，保证图像分类、文本分类或者数据挖掘等的结果更准确。此外，模型监测也更易于解释。

图3示出了根据本公开的一些实施例的检测模型漂移的示例方法300的流程图。图3可以视为方法200中的框240的示例实现。应当理解，方法300还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。以下结合图1来详细描述方法300。

在框310处，检测模块110计算第一输入向量与多个数据簇的距离，以获得距离向量。在一些实施例中，检测模块110计算多个数据簇中的每个数据簇的质心。然后，检测模块110计算第一输入向量与多个数据簇的质心的距离。

在框320处，检测模块110对距离向量进行归一化。在一些实施例中，检测模块110通过计算距离向量中的每个距离在总距离中的占比来对距离向量进行归一化。例如，可以利用下式(1)对距离向量进行归一化：

其中，p

应当理解，式(1)所示的归一化的距离向量的元素仅是示例性的，而无意限制本公开的内容。在本公开的实施例中，也可以使用其他合适的方式来表示归一化的距离向量的元素。

在框330处，检测模块110基于归一化的距离向量，计算输入120的熵。在一些实施例中，可以利用下式(2)计算第一收入120的熵：

其中，p

应当理解，式(2)所示的输入120的熵仅是示例性的，而无意限制本公开的内容。在本公开的实施例中，也可以使用其他合适的方式来表示输入120的熵。

然后，在框340处，检测模块110确定输入120的熵是否大于阈值。阈值可以是根据经验或者实验预先设置的数值，本公开的实施例在此方面不受限制。例如，阈值可以是0.5、1、5、10、或者100。

应当理解，关于阈值的取值仅是示例性的，而无意限制本公开的范围。在本公开的实施例中，阈值可以是任何合适的数值。

熵的大小指示使用该决策树模型进行预测的可靠性。熵越大，表示该决策树模型输出的置信度越低。熵越小，表示该决策树模型输出的置信度越高。响应于输入120的熵大于阈值，检测模块110确定该决策树模型发生漂移。响应于输入120的熵不大于阈值，检测模块110确定该决策树模型未发生漂移。

以此方式，能够确定第一输入的输入特征之间的关系与已经使用的训练数据的输入特征之间的关系相比，是否发生了变化。

图5示出了可以用来实施本公开内容的实施例的示例设备500的示意性框图。如图5所示，设备500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的计算机程序指令或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序指令，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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。

上文所描述的各个过程和处理，例如方法200和方法300，可由处理单元501执行。例如，在一些实施例中，方法200和方法300可以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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序被加载到RAM503并由CPU 501执行时，可以执行上文描述的方法200和方法300的一个或多个动作。

本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是——但不限于——电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例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。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。