CN107517251A

CN107517251A - 信息推送方法和装置

Info

Publication number: CN107517251A
Application number: CN201710701340.0A
Authority: CN
Inventors: 徐龙飞; 谭星; 王永会
Original assignee: Beijing Xiaodu Information Technology Co Ltd
Current assignee: Beijing Xiaodu Information Technology Co Ltd
Priority date: 2017-08-16
Filing date: 2017-08-16
Publication date: 2017-12-26
Anticipated expiration: 2037-08-16
Also published as: CN107517251B

Abstract

本申请实施例公开了信息推送方法和装置。该方法的一具体实施方式包括：响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在用户信息样本集合中选取用户信息样本组成训练用样本集合；利用训练用样本集合，对当前的线上模型进行训练得到训练后的线上模型；对于每个用户信息，将该用户信息输入到训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到当前的线上模型中得到该用户信息为异常类型的第二概率；基于第一概率和第二概率，生成训练后的线上模型与当前的线上模型的差异结果，并向审核端推送差异结果。该实施方式通过对线上模型进行迭代，使得模型可以输出新的异常类型的用户信息。

Description

信息推送方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及信息推送方法和装置。

背景技术

随着互联网行业的快速发展，越来越多的人选择网上购物和网上订餐的购物方式，人们在网上选择物品时，通常会参考各个物品的销量以及商户的信用度，商户为了提高销量和信用度可能会存在一些异常行为(作弊行为)，为了找到存在异常行为的商户，通常会先找出存在异常特征的用户。现有的判定异常用户的方法通常是对用户行为进行周期性的特征挖掘，利用挖掘到的用户特征建立模型，并利用得到的模型来找出异常用户，然而，这种方式生成的模型无法及时发现新的异常类型的用户信息。

发明内容

本申请实施例的目的在于提出一种改进的信息推送方法和装置，来解决以上背景技术部分提到的技术问题。

本申请实施例提供A1、一种信息推送方法，该方法包括：响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，其中，训练用样本集合包括正常类型的用户信息样本和异常类型的用户信息样本；利用正常类型的用户信息样本和异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型，其中，当前的线上模型用于表征用户信息与用户信息为异常类型的概率的对应关系，训练后的线上模型也用于表征用户信息与用户信息为异常类型的概率的对应关系；对于获取到的多个用户信息中的每个用户信息，将该用户信息输入到训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到当前的线上模型中得到该用户信息为异常类型的第二概率；基于多个用户信息对应的多个第一概率和多个第二概率，生成训练后的线上模型与当前的线上模型的差异结果，并向审核端推送差异结果。

A2、如A1上述的方法，生成训练后的线上模型与当前的线上模型的差异结果，包括：将第一概率大于预设的第一概率阈值、且第二概率小于第一概率阈值的用户信息确定为训练后的线上模型与当前的线上模型的差异结果。

A3、如A1或A2上述的方法，生成训练后的线上模型与当前的线上模型的差异结果，包括：将第一概率小于预设的第二概率阈值、且第二概率大于第二概率阈值的用户信息确定为训练后的线上模型与当前的线上模型的差异结果。

A4、如A1上述的方法，该方法还包括：响应于从审核端接收到将训练后的线上模型作为当前的线上模型的指示信息，将当前的线上模型更新为训练后的线上模型；响应于从审核端接收到将当前的线上模型继续作为当前的线上模型的指示信息，删除训练后的线上模型，并将生成训练后的线上模型所使用的训练用样本集合中的样本划分到用户信息样本集合中。

A5、如A1上述的方法，在用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，包括：将用户信息样本集合所包含的异常类型的用户信息样本的数量与预设的异常类型的用户信息样本的最大数量中的最小值确定为异常类型的用户信息样本的待选取数量；将预设数目与异常类型的用户信息样本的待选取数量之差确定为正常类型的用户信息样本的待选取数量；按照异常类型的用户信息样本的待选取数量和正常类型的用户信息样本的待选取数量，在用户信息样本集合中选取用户信息样本组成训练用样本集合。

本申请实施例提供B1、一种信息推送装置，该装置包括：选取单元，配置用于响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，其中，训练用样本集合包括正常类型的用户信息样本和异常类型的用户信息样本；训练单元，配置用于利用正常类型的用户信息样本和异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型，其中，当前的线上模型用于表征用户信息与用户信息为异常类型的概率的对应关系，训练后的线上模型也用于表征用户信息与用户信息为异常类型的概率的对应关系；输入单元，配置用于对于获取到的多个用户信息中的每个用户信息，将该用户信息输入到训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到当前的线上模型中得到该用户信息为异常类型的第二概率；推送单元，配置用于基于多个用户信息对应的多个第一概率和多个第二概率，生成训练后的线上模型与当前的线上模型的差异结果，并向审核端推送差异结果。

B2、如B1上述的方法，推送单元进一步配置用于：将第一概率大于预设的第一概率阈值、且第二概率小于第一概率阈值的用户信息确定为训练后的线上模型与当前的线上模型的差异结果。

B3、如B1或B2上述的方法，推送单元进一步配置用于：将第一概率小于预设的第二概率阈值、且第二概率大于第二概率阈值的用户信息确定为训练后的线上模型与当前的线上模型的差异结果。

B4、如B1上述的方法，该装置还包括：更新单元，配置用于响应于从审核端接收到将训练后的线上模型作为当前的线上模型的指示信息，将当前的线上模型更新为训练后的线上模型；删除单元，配置用于响应于从审核端接收到将当前的线上模型继续作为当前的线上模型的指示信息，删除训练后的线上模型，并将生成训练后的线上模型所使用的训练用样本集合中的样本划分到用户信息样本集合中。

B5、如B1上述的方法，选取单元，包括：第一确定模块，配置用于将用户信息样本集合所包含的异常类型的用户信息样本的数量与预设的异常类型的用户信息样本的最大数量中的最小值确定为异常类型的用户信息样本的待选取数量；第二确定模块，配置用于将预设数目与异常类型的用户信息样本的待选取数量之差确定为正常类型的用户信息样本的待选取数量；选取模块，配置用于按照异常类型的用户信息样本的待选取数量和正常类型的用户信息样本的待选取数量，在用户信息样本集合中选取用户信息样本组成训练用样本集合。

本申请实施例提供C1、一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如A1到A5中任一实现方式描述的方法。

本申请实施例提供D1、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如A1到A5中任一实现方式描述的方法。

本申请的上述实施例提供的信息推送方法和装置，通过当用户信息样本集合中的用户信息样本的数量大于预设的数量阈值时，选取用户信息样本组成训练用样本集合，之后利用上述训练用样本集合对当前的线上模型进行训练得到训练后的线上模型，然后将用户信息输入到上述训练后的线上模型得到第一概率，并将上述用户信息输入到上述当前的线上模型中得到第二概率，最后，基于多个用户信息对应的多个第一概率与多个第二概率，生成上述训练后的线上模型与上述当前的线上模型的差异结果，并向审核端发送上述差异结果，从而通过对线上模型进行迭代，使得模型可以输出新的异常类型的用户信息，同时将差异结果发送给审核端可供审核者对模型进行评估。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的信息推送方法的一个实施例的流程图；

图3是根据本申请的信息推送方法的应用场景的一个示意图；

图4是根据本申请的信息推送方法的又一个实施例的流程图；

图5是根据本申请的信息推送装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的信息推送方法或信息推送装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括用户终端1011、1012、1013，服务器102，审核终端1031、1032、1033和网络1041、1042。网络1041用以在用户终端1011、1012、1013和服务器102之间提供通信链路的介质。网络1042用以在审核终端1031、1032、1033和服务器102之间提供通信链路的介质。网络1041、1042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。

用户可以使用用户终端1011、1012、1013通过网络1041与服务器102交互，以供服务器102获取用户的用户信息等。用户终端1011、1012、1013上可以安装有各种通讯客户端应用，例如外卖类应用、购物类应用、金融支付类应用、即时通信软件、物流信息查询类应用等。

审核终端1031、1032、1033通过网络1042与服务器102交互，以接收服务器102生成的差异结果等。输出终端1031、1032、1033上可以安装有各种通讯客户端应用，例如浏览器类应用、即时通信软件、邮箱类应用等。

用户终端1011、1012、1013与审核终端1031、1032、1033可以是具有显示屏并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。

服务器102可以是提供各种服务的服务器，例如对审核终端1031、1032、1033上呈现的差异结果提供支持的后台服务器。后台服务器可以当确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值时，在用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合；之后，利用上述训练用样本集合中的正常类型的用户信息样本和异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型；然后，对于从用户终端1011、1012、1013获取到的每个用户信息，可以将该用户信息输入到上述训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到当前的线上模型中得到该用户信息为异常类型的第二概率；最后，可以基于上述多个用户信息对应的多个第一概率和多个第二概率，生成上述训练后的线上模型与上述当前的线上模型的差异结果，并可以向审核终端1031、1032、1033推送上述差异结果。

需要说明的是，本申请实施例所提供的信息推送方法一般由服务器102执行，相应地，信息推送装置一般设置于服务器102中。

应该理解，图1中的用户终端、服务器、审核终端和网络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用户终端、服务器、审核终端和网络。

继续参考图2，示出了根据本申请的信息推送方法的一个实施例的流程200。该信息推送方法，包括以下步骤：

步骤201，响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合。

在本实施例中，信息推送方法运行于其上的电子设备(例如图1所示的服务器)可以首先确定用户信息样本集合中的用户信息样本的数量是否大于预设的数量阈值，若确定出大于上述数量阈值，则可以在上述用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，其中，上述训练用样本集合可以包括正常类型的用户信息样本和异常类型的用户信息样本。作为示例，当上述数量阈值为60，预设数目为50时，当用户信息样本集合中的用户信息样本的数量超过60时，上述电子设备可以从上述用户信息样本集合中选取50个用户信息样本组成训练用样本集合。

在本实施例中，用户信息可以包括与下单操作相关的多维度的特征信息，例如，用户在每个商户的下单量、用户完成下单行为的时间长度、用户所在城市与订单中商户所在城市是否相同、用户付款所使用的支付方式、用户针对订单所发起的各个行为等等。异常类型的用户信息可以为用户的异常行为特征信息，或者表征用户为刷单用户(作弊用户)的特征信息，上述刷单用户可以收到商户的付款之后购买指定的商品以帮助商户提高销量和信用度，并填写虚假好评的用户，例如，用户完成下单行为的时间长度小于预设的时间长度阈值、在预设时间段内用户在同一商户下单的数量大于预设的数量阈值、用户使用虚拟手机号进行下单、用户在下单时未浏览其他商户的商品信息等等。正常类型的用户信息可以为用户的正常行为特征信息，或者表征用户为正常用户的特征信息，例如，用户对订单发起的投诉行为、用户针对订单填写的中评行为或者差评行为、用户对订单发起的催单行为等等。

在本实施例中，电子设备可以首先搭建样本收集平台，上述电子设备可以通过上述样本收集平台对用户信息样本进行添加、删除、修改等操作，上述电子设备也可以提供管理接口，以供平台管理人员在浏览用户信息的过程中，当发现异常类型的用户信息时，可以将发现到的异常类型的用户信息添加到样本收集平台中，当平台管理人员添加了异常类型的用户信息之后，上述电子设备可以抽取这些异常类型的用户信息所具有的相同特征，并在用户信息库中选取与这些异常类型的用户信息所具有的特征相同的用户信息，将所选取的用户信息的信息类型设置为异常类型并添加到样本收集平台中。平台管理人员可以周期性(如，每天)的对样本收集平台中新增的样本进行检查，保证新增的样本的类型为正确的。当样本添加之后，可以存储样本的基本信息，基本信息可以为标识符、类型、时间等等，并将样本与样本的基本信息存储到数据库中，之后，可以提取样本的更多特征信息，并添加到数据库中。上述用户信息样本集合可以为从上述数据库中选取的用户信息样本所组成的集合。

在本实施例的一些可选的实现方式中，上述电子设备可以首先将上述用户信息样本集合所包含的异常类型的用户信息样本的数量与预设的异常类型的用户信息样本的最大数量中的最小值确定为异常类型的用户信息样本的待选取数量。例如，当异常类型的用户信息样本的最大数量为5，上述用户信息样本集合所包含的异常类型的用户信息样本的数量为10时，则上述异常类型的用户信息样本的待选取数量为5；当上述用户信息样本集合所包含的异常类型的用户信息样本的数量为2时，则上述异常类型的用户信息样本的待选取数量为2。之后，上述电子设备可以将预设数目与上述异常类型的用户信息样本的待选取数量之差确定为正常类型的用户信息样本的待选取数量，例如，当预设数目为50，上述异常类型的用户信息样本的待选取数量为5时，则上述正常类型的用户信息样本的待选取数量为45；最后，可以按照上述异常类型的用户信息样本的待选取数量和上述正常类型的用户信息样本的待选取数量，在上述用户信息样本集合中选取用户信息样本组成训练用样本集合。可以通过下述公式(1)计算上述异常类型的用户信息样本的待选取数量，可以通过下述公式(2)计算上述正常类型的用户信息样本的待选取数量。

x₁＝min(x,x_t) (1)

x₂＝x_m-x₁ (2)

其中，x₁为异常类型的用户信息样本的待选取数量，x为上述用户信息样本集合所包含的异常类型的用户信息样本的数量，x_t为预设的异常类型的用户信息样本的最大数量，x₂为正常类型的用户信息样本的待选取数量，x_m为预设数目。

在本实施例中，上述电子设备可以同时组成多个训练用样本集合，并可以以日期和组成顺序对每个训练用样本集合进行命名，如，在2017年5月1日组成了3个训练用样本集合，则这3个训练用样本集合的名字可以分别为：20170501_1、20170501_2和20170501_3。

步骤202，利用正常类型的用户信息样本和异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型。

在本实施例中，上述电子设备可以利用步骤201中通过选取而组成的训练用样本集合中的正常类型的用户信息样本和异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型，上述过程也可以称为对线上模型进行迭代的过程，其中，上述当前的线上模型用于表征用户信息与用户信息为异常类型的概率的对应关系，上述训练后的线上模型也用于表征用户信息与用户信息为异常类型的概率的对应关系，上述线上模型为系统中正在运行的模型。

在本实施例中，首先，对于每个正常类型的用户信息样本，上述电子设备可以通过该正常类型的用户信息样本中的至少一个特征信息，确定该正常类型的用户信息样本为异常类型的概率，对于每个异常类型的用户信息样本，上述电子设备也可以通过该异常类型的用户信息样本中的至少一个特征信息，确定该异常类型的用户信息样本为异常类型的概率，作为示例，对于每个用户信息样本，上述电子设备可以根据该用户信息样本中的正常类型的特征信息和相应的权重，以及正常类型的特征信息和相应的权重，确定该用户信息样本为异常类型的概率；之后，上述电子设备可以针对模型采用批梯度下降法(Mini-BatchLearning)，针对每个样本采用随机梯度下降(Stochastic Gradient Descent)法，将上述正常类型的用户信息样本和上述异常类型的用户信息样本分别作为输入，将上述正常类型的用户信息样本为异常类型的概率和上述异常类型的用户信息样本为异常类型的概率分别作为输出，对当前的线上模型进行训练得到训练后的线上模型。上述批梯度下降法是最小化所有训练样本的损失函数，使得最终求解的是全局最优解，即求解的函数使得风险函数最小。上述随机梯度下降法是最小化每条样本的损失函数，虽然不是每次迭代得到的损失函数都向着全局最优方向，但是大的整体的方向是向全局最优解的，最终的结果往往是在全局最优解附近。

在本实施例中，上述当前的线上模型可以为逻辑回归(Logistic Regression，LR)模型或迭代决策树(Gradient Boosting Decision Tree，GBDT)模型或朴素贝叶斯模型(Naive Bayesian Model，NBM)或支持向量机(Support Vector Machine，SVM)或随机森林(Random Forest)等用于分类的模型。

在本实施例中，可以将训练后的线上模型命名为训练所使用的训练用样本集合的名字，例如，使用训练用样本集合20170501_1进行训练而生成的训练后的线上模型的名字可以为20170501_1。

步骤203，对于获取到的多个用户信息中的每个用户信息，将该用户信息输入到训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到当前的线上模型中得到该用户信息为异常类型的第二概率。

在本实施例中，当获取到多个新的用户信息之后，对于每个用户信息，上述电子设备可以将该用户信息输入到上述步骤202中训练得到的训练后的线上模型中得到该用户信息为异常类型的第一概率，同时可以将该用户信息输入到当前的线上模型中得到该用户信息为异常类型的第二概率，上述新的用户信息可以为实时获取到的用户信息。

步骤204，基于多个用户信息对应的多个第一概率和多个第二概率，生成训练后的线上模型与当前的线上模型的差异结果，并向审核端推送差异结果。

在本实施例中，当步骤203中得到每个用户信息对应的第一概率以及每个用户信息对应的第二概率之后，上述电子设备可以基于多个用户信息对应的多个第一概率和对应的多个第二概率，生成上述训练后的线上模型与上述当前的线上模型之间的差异结果，并可以向审核端推送上述差异结果，其中，审核端可以为模型维护员的终端设备，在上述审核端接收到差异结果之后，上述审核端可以对上述差异结果进行呈现，以供模型维护员针对差异结果做出分析。上述电子设备可以将第一概率与第二概率的差值大于预设的差值阈值的用户信息确定为上述训练后的线上模型与上述当前的线上模型之间的差异结果。

在本实施例的一些可选的实现方式中，上述电子设备可以将第一概率大于预设的第一概率阈值、且第二概率小于上述第一概率阈值的用户信息确定为上述训练后的线上模型与上述当前的线上模型之间的差异结果。作为示例，当第一概率阈值为0.8时，可以将第一概率大于0.8、且第二概率小于0.8的用户信息确定为上述训练后的线上模型与上述当前的线上模型之间的差异结果。

在本实施例的一些可选的实现方式中，上述电子设备也可以将第一概率小于预设的第二概率阈值、且第二概率大于上述第二概率阈值的用户信息确定为上述训练后的线上模型与上述当前的线上模型之间的差异结果。作为示例，当第二概率阈值为0.5时，可以将第一概率小于0.5、且第二概率大于0.5的用户信息确定为上述训练后的线上模型与上述当前的线上模型之间的差异结果。

继续参见图3，图3是根据本实施例的信息推送方法的应用场景的一个示意图。在图3的应用场景中，首先，响应于服务器301确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，服务器301在上述用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，其中，上述训练用样本集合包括异常类型的用户信息样本303和正常类型的用户信息样本304；之后，服务器301利用上述异常类型的用户信息样本303和上述正常类型的用户信息样本304，对当前的线上模型进行训练得到训练后的线上模型305；而后，对于获取到的多个用户信息中的每个用户信息，例如，用户信息306，将上述用户信息306输入到上述训练后的线上模型305中得到上述用户信息306为异常类型的第一概率308，并将上述用户信息306输入到当前的线上模型307中得到上述用户信息306为异常类型的第二概率309；最后，可以基于上述第一概率308和上述第二概率309，生成上述训练后的线上模型305与上述当前的线上模型307的差异结果310，并向审核端302推送上述差异结果310。

本申请的上述实施例提供的方法通过利用训练用样本集合对当前的线上模型进行训练得到训练后的线上模型，再将用户信息输入到训练后的线上模型与当前的线上模型的输出结果进行对比，从而通过对线上模型进行迭代，使得模型可以输出新的异常类型的用户信息，同时将差异结果发送给审核端可供审核者对模型进行评估。

进一步参考图4，其示出了信息推送方法的又一个实施例的流程400。该信息推送方法的流程400，包括以下步骤：

步骤401，响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合。

步骤402，利用正常类型的用户信息样本和异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型。

步骤403，对于获取到的多个用户信息中的每个用户信息，将该用户信息输入到训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到当前的线上模型中得到该用户信息为异常类型的第二概率。

步骤404，基于多个用户信息对应的多个第一概率和多个第二概率，生成训练后的线上模型与当前的线上模型的差异结果，并向审核端推送差异结果。

在本实施例中，步骤401-404的操作与步骤201-204的操作基本相同，在此不再赘述。

步骤405，响应于从审核端接收到将训练后的线上模型作为当前的线上模型的指示信息，将当前的线上模型更新为训练后的线上模型。

在本实施例中，当在步骤404中向审核端推送差异结果之后，上述审核端可以对接收到的差异结果进行呈现，以供模型维护员针对差异结果做出分析，当上述模型维护员分析出训练后的线上模型对用户信息的分析结果更加准确，则模型维护员可以选择将训练后的线上模型作为当前的线上模型，例如，可以对审核端上的“训练后的线上模型”图标进行点击，此时，上述电子设备可以接收到审核端发送的将训练后的线上模型作为当前的线上模型的指示信息，之后，上述电子设备可以将当前的线上模型更新为上述训练后的线上模型。

在本实施例中，当上述电子设备生成了多个训练后的线上模型之后，模型维护员可以针对各个训练后的线上模型与线上模型的差异结果进行分析，在多个训练后的线上模型和线上模型中选择一个更加优化的模型。

步骤406，响应于从审核端接收到将当前的线上模型继续作为当前的线上模型的指示信息，删除训练后的线上模型，并将生成训练后的线上模型所使用的训练用样本集合中的样本划分到用户信息样本集合中。

在本实施例中，当在步骤404中向审核端推送差异结果之后，上述审核端可以对接收到的差异结果进行呈现，以供模型维护员针对差异结果做出分析，当上述模型维护员分析出当前的线上模型对用户信息的分析结果更加准确，则模型维护员可以选择继续将当前的线上模型作为当前的线上模型，这一过程也可以称为“回溯”，即舍弃此次升级，而继续使用原来的线上模型，例如，可以对审核端上的“线上模型”图标进行点击，此时，上述电子设备可以接收到审核端发送的将当前的线上模型继续作为当前的线上模型的指示信息，之后，上述电子设备可以删除上述训练后的线上模型，并可以将上述训练后的线上模型在生成过程中所使用的训练用样本集合中的各个样本划分到上述用户信息样本集合中。

从图4中可以看出，与图2对应的实施例相比，本实施例中的信息推送方法的流程400突出了响应于从审核端接收到的指示信息，而将训练后的线上模型或者当前的线上模型作为当前的线上模型的步骤。由此，本实施例描述的方案可以通过模型维护者对差异结果的人工判断，进一步提高了信息推送的准确性。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种信息推送装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的信息推送装置500包括：选取单元501、训练单元502、输入单元503和推送单元504。其中，选取单元501配置用于响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，其中，训练用样本集合包括正常类型的用户信息样本和异常类型的用户信息样本；训练单元502配置用于利用正常类型的用户信息样本和异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型，其中，当前的线上模型用于表征用户信息与用户信息为异常类型的概率的对应关系，训练后的线上模型也用于表征用户信息与用户信息为异常类型的概率的对应关系；输入单元503配置用于对于获取到的多个用户信息中的每个用户信息，将该用户信息输入到训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到当前的线上模型中得到该用户信息为异常类型的第二概率；推送单元504配置用于基于多个用户信息对应的多个第一概率和多个第二概率，生成训练后的线上模型与当前的线上模型的差异结果，并向审核端推送差异结果。

在本实施例中，信息推送装置500的选取单元501、训练单元502、输入单元503和推送单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。

在本实施例的一些可选的实现方式中，上述推送单元504可以将第一概率大于预设的第一概率阈值、且第二概率小于上述第一概率阈值的用户信息确定为上述训练后的线上模型与上述当前的线上模型之间的差异结果。作为示例，当第一概率阈值为0.8时，可以将第一概率大于0.8、且第二概率小于0.8的用户信息确定为上述训练后的线上模型与上述当前的线上模型之间的差异结果。

在本实施例的一些可选的实现方式中，上述推送单元504也可以将第一概率小于预设的第二概率阈值、且第二概率大于上述第二概率阈值的用户信息确定为上述训练后的线上模型与上述当前的线上模型之间的差异结果。作为示例，当第二概率阈值为0.5时，可以将第一概率小于0.5、且第二概率大于0.5的用户信息确定为上述训练后的线上模型与上述当前的线上模型之间的差异结果。

在本实施例的一些可选的实现方式中，信息推送装置500还可以包括更新单元505和删除单元506。当上述推送单元504向审核端推送差异结果之后，上述审核端可以对接收到的差异结果进行呈现，以供模型维护员针对差异结果做出分析，当上述模型维护员分析出训练后的线上模型对用户信息的分析结果更加准确，则模型维护员可以选择将训练后的线上模型作为当前的线上模型，例如，可以对审核端上的“训练后的线上模型”图标进行点击，此时，上述更新单元505可以接收到审核端发送的将训练后的线上模型作为当前的线上模型的指示信息，之后，上述更新单元505可以将当前的线上模型更新为上述训练后的线上模型。

在本实施例的一些可选的实现方式中，当上述推送单元504向审核端推送差异结果之后，上述审核端可以对接收到的差异结果进行呈现，以供模型维护员针对差异结果做出分析，当上述模型维护员分析出当前线上模型对用户信息的分析结果更加准确，则模型维护员可以选择继续将当前的线上模型作为当前的线上模型，这一过程也可以称为“回溯”，即舍弃此次升级，而继续使用原来的线上模型，例如，可以对审核端上的“线上模型”图标进行点击，此时，上述电子设备可以接收到审核端发送的将当前的线上模型继续作为当前的线上模型的指示信息，之后，上述删除单元506可以删除上述训练后的线上模型，并可以将上述训练后的线上模型在生成过程中所使用的训练用样本集合中的各个样本划分到上述用户信息样本集合中。

在本实施例的一些可选的实现方式中，上述选取单元501还可以包括第一确定模块5011、第二确定模块5012和选取模块5013。上述第一确定模块5011可以首先将上述用户信息样本集合所包含的异常类型的用户信息样本的数量与预设的异常类型的用户信息样本的最大数量中的最小值确定为异常类型的用户信息样本的待选取数量。之后，上述第二确定模块5012可以将预设数目与上述异常类型的用户信息样本的待选取数量之差确定为正常类型的用户信息样本的待选取数量；最后，上述选取模块5013可以按照上述异常类型的用户信息样本的待选取数量和上述正常类型的用户信息样本的待选取数量，在上述用户信息样本集合中选取用户信息样本组成训练用样本集合。

下面参考图6，其示出了适于用来实现本发明实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如液晶显示器(LCD)以及扬声器等的输出部分607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610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608。

特别地，根据本公开的实施例，上文参考流程图描述的过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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。在本申请中，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。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，该模块、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。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括选取单元、训练单元、输入单元和推送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。例如，训练单元还可以被描述为“利用正常类型的用户信息样本和异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读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该装置执行时，使得该装置：响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，其中，训练用样本集合包括正常类型的用户信息样本和异常类型的用户信息样本；利用正常类型的用户信息样本和异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型，其中，当前的线上模型用于表征用户信息与用户信息为异常类型的概率的对应关系，训练后的线上模型也用于表征用户信息与用户信息为异常类型的概率的对应关系；对于获取到的多个用户信息中的每个用户信息，将该用户信息输入到训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到当前的线上模型中得到该用户信息为异常类型的第二概率；基于多个用户信息对应的多个第一概率和多个第二概率，生成训练后的线上模型与当前的线上模型的差异结果，并向审核端推送差异结果。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims

1.一种信息推送方法，其特征在于，所述方法包括：

响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在所述用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，其中，所述训练用样本集合包括正常类型的用户信息样本和异常类型的用户信息样本；

利用所述正常类型的用户信息样本和所述异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型，其中，所述当前的线上模型用于表征用户信息与用户信息为异常类型的概率的对应关系，所述训练后的线上模型也用于表征用户信息与用户信息为异常类型的概率的对应关系；

对于获取到的多个用户信息中的每个用户信息，将该用户信息输入到所述训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到所述当前的线上模型中得到该用户信息为异常类型的第二概率；

基于所述多个用户信息对应的多个第一概率和多个第二概率，生成所述训练后的线上模型与所述当前的线上模型的差异结果，并向审核端推送所述差异结果。

2.根据权利要求1所述的方法，其特征在于，所述生成所述训练后的线上模型与所述当前的线上模型的差异结果，包括：

将第一概率大于预设的第一概率阈值、且第二概率小于所述第一概率阈值的用户信息确定为所述训练后的线上模型与所述当前的线上模型的差异结果。

3.根据权利要求1或2所述的方法，其特征在于，所述生成所述训练后的线上模型与所述当前的线上模型的差异结果，包括：

将第一概率小于预设的第二概率阈值、且第二概率大于所述第二概率阈值的用户信息确定为所述训练后的线上模型与所述当前的线上模型的差异结果。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

响应于从所述审核端接收到将所述训练后的线上模型作为当前的线上模型的指示信息，将当前的线上模型更新为所述训练后的线上模型；

响应于从所述审核端接收到将所述当前的线上模型继续作为当前的线上模型的指示信息，删除所述训练后的线上模型，并将生成所述训练后的线上模型所使用的训练用样本集合中的样本划分到所述用户信息样本集合中。

5.根据权利要求1所述的方法，其特征在于，所述在所述用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，包括：

将所述用户信息样本集合所包含的异常类型的用户信息样本的数量与预设的异常类型的用户信息样本的最大数量中的最小值确定为异常类型的用户信息样本的待选取数量；

将预设数目与所述异常类型的用户信息样本的待选取数量之差确定为正常类型的用户信息样本的待选取数量；

按照所述异常类型的用户信息样本的待选取数量和所述正常类型的用户信息样本的待选取数量，在所述用户信息样本集合中选取用户信息样本组成训练用样本集合。

6.一种信息推送装置，其特征在于，所述装置包括：

选取单元，配置用于响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在所述用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，其中，所述训练用样本集合包括正常类型的用户信息样本和异常类型的用户信息样本；

训练单元，配置用于利用所述正常类型的用户信息样本和所述异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型，其中，所述当前的线上模型用于表征用户信息与用户信息为异常类型的概率的对应关系，所述训练后的线上模型也用于表征用户信息与用户信息为异常类型的概率的对应关系；

输入单元，配置用于对于获取到的多个用户信息中的每个用户信息，将该用户信息输入到所述训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到所述当前的线上模型中得到该用户信息为异常类型的第二概率；

推送单元，配置用于基于所述多个用户信息对应的多个第一概率和多个第二概率，生成所述训练后的线上模型与所述当前的线上模型的差异结果，并向审核端推送所述差异结果。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

更新单元，配置用于响应于从所述审核端接收到将所述训练后的线上模型作为当前的线上模型的指示信息，将当前的线上模型更新为所述训练后的线上模型；

删除单元，配置用于响应于从所述审核端接收到将所述当前的线上模型继续作为当前的线上模型的指示信息，删除所述训练后的线上模型，并将生成所述训练后的线上模型所使用的训练用样本集合中的样本划分到所述用户信息样本集合中。

8.根据权利要求6所述的装置，其特征在于，所述选取单元，包括：

第一确定模块，配置用于将所述用户信息样本集合所包含的异常类型的用户信息样本的数量与预设的异常类型的用户信息样本的最大数量中的最小值确定为异常类型的用户信息样本的待选取数量；

第二确定模块，配置用于将预设数目与所述异常类型的用户信息样本的待选取数量之差确定为正常类型的用户信息样本的待选取数量；

选取模块，配置用于按照所述异常类型的用户信息样本的待选取数量和所述正常类型的用户信息样本的待选取数量，在所述用户信息样本集合中选取用户信息样本组成训练用样本集合。

9.一种电子设备，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，

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实现如权利要求1-5中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。