智能风控决策引擎系统可落地实现方案（四）风控决策实现
I.风控决策介绍
之前的文章实现了决策引擎中的规则集、决策流，并介绍了模型引擎和机器学习建模。具体参见之前文章：
决策树也称规则树，是由多个规则按一定分支及流程编排而成，直观显示如下：
对比规则集示例如下：
其相同之处在于都可以抽象成多个规则，而差异在于规则集的决策结果为所有规则触发策略的最优先策略，规则间无因果顺序；而决策树则会由多个规则触发结果再进行逻辑运算所得，规则间存在因果顺序。基于此决策树的DSL建模可抽象为规则部分和决策部分，规则部分可复用之前的DSL结构和代码逻辑。
决策树可以抽象为规则、决策两部分，其中规则的结果为中间状态D1、D2、D3、D4，决策部分为中间状态的组合，中间状态为D1和D3时，输出结果为A，依次类推可得到不同的结果。
决策树抽象成DSL语法：
decisiontrees: - decisiontree: name: decisiontree_1 depends: [feature_1, feature_2] rules: - rule: rule_name: "rule_1" conditions: - condition: feature: feature_1 operator: GE value: 20 logic: AND decision: D1 - rule: rule_name: "rule_2" conditions: - condition: feature: feature_1 operator: LT value: 20 logic: AND decision: D2 - rule: rule_name: "rule_3" conditions: - condition: feature: feature_2 operator: EQ value: true logic: AND decision: D3 - rule: rule_name: "rule_4" conditions: - condition: feature: feature_2 operator: EQ value: false logic: AND decision: D4 decisions: - decision: depends: [D1, D3] logic: AND output: A - decision: depends: [D1, D4] logic: AND output: B - decision: depends: [D2, D3] logic: AND output: C - decision: depends: [D2, D4] logic: AND output: D对决策树DSL进行解析：
//define decision tree structtype Decisiontree struct { Name string `yaml:"name"` Depends []string `yaml:"depends,flow"` Rules []Rule `yaml:"rules,flow"` Decisions []Decision `yaml:"decisions,flow"`}//parse decision tree output type is string,also can be func()func (dt *Decisiontree) parse() string { log.Printf("decisiontree %s parse ...\n", dt.Name) var result = make(map[string]bool, 0) //reuse rule parse for _, rule := range dt.Rules { result[rule.Decision] = rule.parse() } for _, decision := range dt.Decisions { if parseDecision(result, decision) { return decision.Output } } return ""}//parse decisionfunc parseDecision(result map[string]bool, decision Decision) bool { var rs = make([]bool, 0) for _, depend := range decision.Depends { if data, ok := result[depend]; ok { rs = append(rs, data) } } final, _ := operator.Boolean(rs, decision.Logic) return final}编写测试用例测试决策树解析：
func TestDecisionTree(t *testing.T) { internal.SetFeature("feature_1", 18) internal.SetFeature("feature_2", false) dsl := dslparser.LoadDslFromFile("decisiontree.yaml") rs := dsl.ParseDecisionTree(dsl.Decisiontrees[0]) if rs == "D" { t.Log("result is ", rs) } else { t.Error("result error,expert D, result is ", rs) } }执行后效果如下：
决策表是通过对多个条件交叉组合成的一张表格，形式如下图示例：
对决策表进行抽象建模发现与决策树的抽象如出一辙，拆分成规则以及规则组合后的决策两部分，而交叉组合的方式也与决策树一致，因此决策表和决策树展示形式不同，代码实现保持一致，这里不再重复实现。
决策矩阵也叫交叉决策表，它由横向X特征和纵向Y特征两个特征维度的不同条件组合决定，输出结果为满足条件对应的X&Y “交叉单元格”的值。
在风控场景中，可对两个决策模型的输出结果进行交叉决策，输出的结果作为用户风险等级（Rank Grade）。由于模型结果表示概率，一般是-1到1间的浮点数，所以需要对模型结果进行一定的转换，转成方便表达的正整数（模型分数），如1-200区间，再进行分箱和组合。
decisionmatrixs: - decisionmatrix: name: decisionmatrix_1 depends: [model_1, model_2] rules: - rule: rule_name: X1 conditions: - condition: feature: model_1 operator: LT value: 80 logic: AN decision: D1 - rule: rule_name: X2 conditions: - condition: feature: model_1 operator: GE value: 80 logic: AND decision: D2 - rule: rule_name: Y1 conditions: - condition: feature: model_2 operator: LT value: 100 logic: AND decision: D3 - rule: rule_name: Y2 conditions: - condition: feature: model_2 operator: GE value: 100 - condition: feature: model_2 operator: LT value: 150 logic: AND decision: D4 - rule: rule_name: Y3 conditions: - condition: feature: model_2 operator: GE value: 150 logic: AND decision: D5 decisions: - decision: depends: [D1, D3] logic: AND output: A - decision: depends: [D1, D4] logic: AND output: A - decision: depends: [D1, D5] logic: AND output: B - decision: depends: [D2, D3] logic: AND output: A - decision: depends: [D2, D4] logic: AND output: B - decision: depends: [D2, D5] logic: AND output: C规则矩阵DSL解析如下：
//define decision matrixtype DecisionMatrix struct { Name string `yaml:"name"` Depends []string `yaml:"depends,flow"` Rules []Rule `yaml:"rules,flow"` Decisions []Decision `yaml:"decisions,flow"`}//parese decision matrixfunc (dm *DecisionMatrix) parse() string { log.Printf("decisionmatrix %s parse ...\n", dm.Name) depends := internal.GetFeatures(dm.Depends) var result = make([]string, 0) for _, rule := range dm.Rules { if rule.parse() { //true will be added result = append(result, rule.Decision) } } for _, decision := range dm.Decisions { //compare slice []{x,y} if compareSlice(decision.Depends, result) { return decision.Output } } return ""}//compare two slicesfunc compareSlice(s1, s2 []string) bool { s1Str := strings.Replace(strings.Trim(fmt.Sprint(s1), "[]"), " ", "", -1) s2Str := strings.Replace(strings.Trim(fmt.Sprint(s2), "[]"), " ", "", -1) return s1Str == s2Str}编写测试用例测试决策矩阵解析：
func TestDecisionMatrix(t *testing.T) { internal.SetFeature("model_1", 85) internal.SetFeature("model_2", 180) dsl := dslparser.LoadDslFromFile("decisionmatrix.yaml") rs := dsl.ParseDecisionMatrix(dsl.DecisionMatrix[0]) if rs == "C" { t.Log("result is ", rs) } else { t.Error("result error,expert C, result is ", rs) } }执行结果如下：
评估授信额度，一般根据用户风险评级、历史借贷次数（新/老用户），组合映射不同额度值。
此时又看到了熟悉的界面，就是通过决策表或决策树来实现，最终额度输出可能更复杂一些，需要根据特征乘不同系数，或给定最大上限额或最小上限，可以组成一个表达式。表达式支持：加减乘除、平方开方、取大取消等运算。
const MAX_CREDIT_LIMIT = 12000 //max credit limitcoeff := internal.getFeature("coeff") //额度系数//modelCreditLimit 评级额度映射表finalCreditLimit := min((modelCreditLimit * coeff), MAX_CREDIT_LIMIT)除了额度外，还会输出费率、期限、额度有效期等，这部分可以按用户风险评级或其他特征进行映射配置，组合成金融产品包，方便管理，映射配置方式也使用决策树、决策表形式。
V.决策节点融入决策流
决策节点一般作为决策流的最后一个执行节点（end节点不算执行节点），所以它一般会输出最后的决策结果。
VI.更多思考
比较运算：operator.Compare
布尔运算：operator.Boolean
基础DSL：
条件表达式dslparse.condition
规则 dslparse.rule
决策 dslparse.decision
节点DSL：
决策流dslparse.workflow
规则集dslparse.ruleset
决策树dslparse.decisiontree
决策矩阵dslparse.decisionmatrix
条件网关dslparse.conditional
AB网关dslparse.abtest
规则集、决策树、决策矩阵、条件网关都可以分解用规则+决策来实现。
构造rete网络
另一实现方式是规则引擎常用的rete算法，它提供了更高效的模式匹配，这里展开讨论一下rete实现的异同，首先涉及几个基础概念：
facts 事实，对应理解为数据挖掘的特征。 rule 规则，由and或or组成的多个条件conditions，由if...then表示，if部分也叫lhs（left-hand-side），then部分为rhs（right-hand-side）
module 模式，最小原子条件，对应理解为condition。
rate算法，主要是改进match处理过程，其处理流程如下：
（图片来自网络）
核心引擎部分即为pattern matcher 模式匹配和 agenda 议程 （处理冲突和执行决策）。它将所有规则最终编译成一个网络（rete拉丁语是网络的意思），包括alpha网络和beta网络。
（图片来自网络）
网络的构建始于根节点Root Node（黑色）
构建Alpha网络，根据rule_1获取执行条件（module模式）中参数类型，添加Type Node节点（Object Type Node），并将module作为AlphaNode加入网络（已添加忽略），重复执行所有rule下的module，构建Alpha内存表 （Alpha Memory 黄色节点）。
构建Beta网络，Beta Node节点，Beta(i)左输入节点为Beta(i-1)，右输入节点为Alpha(i)，连接节点Join Node（绿色节点）
规则执行部分封装成Terminal Node（灰色节点）