[发明专利]跨类型的机器学习模型的融合方法

说明书

本发明涉及跨类型的机器学习模型的融合方法，包括：A.根据配置文件配置模型的输入变量和输出结果；B.在计算中通过对输入变量映射来配置模型；C.通过接口对需要计算的所有的模型逐个执行计算，所述接口为一个抽象的方法，该抽象的方法由各种不同类型模型的实现类进行实现，该抽象方法的返回值为所计算的模型的结果返回值；D.将所有模型通过所述抽象方法得到的返回值进行融合计算，融合计算的值为最终的输出结果。本发明通过统一的接口对不同类型的模型进行各自实现方法的计算，实现了在不进行硬编码的情况下，对不同类型的模型进行融合，以及能够灵活的使用各类模型和方式来建立模型，有效降低了模型上线、维护和管理等成本。

技术领域

本发明涉及跨类型的机器学习模型的融合方法。

背景技术

在对金融风险管理系统、电商管理系统、新媒体内容推荐、图像识别系统等进行开发时，现有的模型计算系统对训练完成模型的调用方式有两种，一种是统一要求模型格式，仅能调用一类模型，系统中通过一定的配置或者管理对模型进行融合计算；第二种是通过硬编码的形式将不同类型的模型执行计算得出结果后再对结果进行融合运算得到最终的结论。

现有技术方案的缺点：

1、通过统一模型格式进行管理和运算的系统，此类系统只能执行某一种模型，但不同类型的模型有其自身优点，各类模型优点无法发挥出来。

2、在要求统一模型格式类型时，模型工程师会在建模的时候受到比较大的技术制约，不能灵活的使用各类模型和方式来建立模型。

3、在使用硬编码方式建模时，将不同类型的模型融合会存在模型上线、管理、维护都需要系统开发人员的协助的情况，会造成模型频繁上线带来上线风险和高运维成本，系统开发人员和模型工程师之间需要更多沟通，由此带来了较高的沟通成本，并且，硬编码模式模型还存在管理和维护灵活度太低等问题。

发明内容

本发明提供了一种跨类型的机器学习模型的融合方法，在不进行硬编码的情况下，对不同类型的模型进行融合。

本发明跨类型的机器学习模型的融合方法，包括：

A.根据配置文件配置模型的输入变量和输出结果；

B.在模型计算中通过对模型的输入变量进行映射来配置模型；

C.通过抽象的接口对需要计算的所有的模型逐个执行计算，所述的接口为一个抽象的方法，该抽象的方法由各种不同类型的模型的实现类进行实现，该抽象方法的返回值为所计算的模型的结果返回值；

D.将所有不同类型的模型通过所述抽象方法得到的返回值进行融合计算，根据不同的场景融合计算的方式不同，例如可以是对所有的返回值进行求平均、或者进行加权计算、或者其他更复杂的计算等，融合计算的值为最终的输出结果。

无论是哪种类型的模型，在计算时都将每个模型作为一个计算单元，在执行模型计算时通过调用统一的抽象接口(interface)的方式进行实现。该统一的抽象接口由不同类型模型的实现类进行实现。将不同类型的模型直接统一为接口的方法，并通过各自的实现方法对所需变量执行计算，返回值即是模型结果的返回值。如此实现了可以灵活的添加任何类型的模型，在模型管理里面只需实现每一个类型模型自身的实现方法即可，对于整个系统模型的管理也是统一管理并且保持了各种模型类型各自的特点。

进一步的，步骤B在配置具体模型时，通过配置一个变量来保存具体模型的计算结果。这样便于对计算结果进行保存和后续的使用，以及最后的融合等操作。

进一步的，步骤B中所述输入变量的映射是来自数据源或前序计算的结果。

进一步的，步骤C在对所有的模型逐个执行计算时，根据计算需要，上一阶段的模型计算结果可以作为下一阶段的模型变量进行输入。