CN109101989B - 一种商户分类模型构建和商户分类方法、装置及设备 - Google Patents

一种商户分类模型构建和商户分类方法、装置及设备 Download PDF

Info

Publication number
CN109101989B
CN109101989B CN201810714402.6A CN201810714402A CN109101989B CN 109101989 B CN109101989 B CN 109101989B CN 201810714402 A CN201810714402 A CN 201810714402A CN 109101989 B CN109101989 B CN 109101989B
Authority
CN
China
Prior art keywords
transaction
merchant
information
area
buyers
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810714402.6A
Other languages
English (en)
Other versions
CN109101989A (zh
Inventor
王娜
肖梅
徐晓辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201810714402.6A priority Critical patent/CN109101989B/zh
Publication of CN109101989A publication Critical patent/CN109101989A/zh
Application granted granted Critical
Publication of CN109101989B publication Critical patent/CN109101989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

公开了一种商户分类模型构建和商户分类方法、装置及设备。一种商户分类模型构建方法，该方法包括：获取若干商户样本，每个商户样本包括该商户的历史交易信息与经营模式类型；提取每个商户样本的特征向量；根据所获取的若干商户样本的经营模式类型、及所提取的特征向量，通过机器学习算法训练商户分类模型。一种基于所述商户分类模型的商户分类方法，该方法包括：获取待分类商户的历史交易信息；提取所述待分类商户的特征向量；将所提取的所述待分类商户的特征向量，输入到所述商户分类模型，以预测所述待分类商户的经营模式类型。

Description

一种商户分类模型构建和商户分类方法、装置及设备
技术领域
本说明书实施例涉及互联网应用技术领域，尤其涉及一种商户分类模型构建和商户分类方法、装置及设备。
背景技术
随着机器学习和数据挖掘技术的不断发展和应用，可以通过商户经营信息，对商户经营模式进行分析与分类，如分为连锁店模式、网络交易模式、个体便民店模式、等等，从而对应地进行风险控制等。但是，对于部分商户尤其是间连商户，如果其注册信息或资金账户缺失，则难以确定该商户的注册经营地或资金活跃地等，因此目前较少将商户经营区域信息与其他商户经营信息结合，对商户进行分类。
基于现有技术，需要提供更全面的商户分类方案。
发明内容
针对上述技术问题，本说明书实施例提供一种商户分类模型构建和商户分类方法、装置及设备，技术方案如下：
根据本说明书实施例的第一方面，提供一种商户分类模型构建方法，该方法包括：
获取若干商户样本，每个商户样本包括该商户的历史交易信息与经营模式类型，所述交易信息包括付款位置信息与买家信息；
提取每个商户样本的特征向量，提取特征向量的方法包括：根据付款位置信息确定该商户的交易区域，并根据买家信息确定交易区域中的买家规模与买家活跃度；根据所确定的交易区域、买家规模与买家活跃度，得到该商户样本的特征向量；
根据所获取的若干商户样本的经营模式类型、及所提取的特征向量，通过机器学习算法训练商户分类模型，所述商户分类模型用于预测商户的经营模式类型。
根据本说明书实施例的第二方面，提供一种基于所述商户分类模型的商户分类方法，该方法包括：
获取待分类商户的历史交易信息；
根据所述提取特征向量的方法，提取所述待分类商户的特征向量；
将所提取的所述待分类商户的特征向量，输入到所述商户分类模型，以预测所述待分类商户的经营模式类型。
根据本说明书实施例的第三方面，提供一种商户分类模型构建装置，该装置包括：
训练样本获取模块，用于获取若干商户样本，每个商户样本包括该商户的历史交易信息与经营模式类型，所述交易信息包括付款位置信息与买家信息；
特征向量提取模块，用于提取每个商户样本的特征向量；其中，特征向量提取模块包括：中间量确定子模块，用于根据付款位置信息确定该商户的交易区域，并根据买家信息确定交易区域中的买家规模与买家活跃度；特征向量提取子模块，用于根据所确定的交易区域、买家规模与买家活跃度，得到该商户样本的特征向量；
模型训练模块，用于根据所获取的若干商户样本的经营模式类型、及所提取的特征向量，通过机器学习算法训练商户分类模型，所述商户分类模型用于预测商户的经营模式类型。
根据本说明书实施例的第四方面，提供一种基于所述商户分类模型的商户分类装置，该装置包括：
信息获取模块，用于获取待分类商户的历史交易信息；
特征向量提取模块，用于根据所述提取特征向量的装置，提取所述待分类商户的特征向量；
类型预测模块，用于将所提取的所述待分类商户的特征向量，输入到所述商户分类模型，以预测所述待分类商户的经营模式类型。
本说明书实施例所提供的技术方案，通过交易中的付款位置信息，确定商户的交易区域，并得到交易子区域等经营区域信息。进一步地，将商户的经营区域信息与交易规模、买家规模等其他经营信息结合，确定商户在交易区域及子区域中的各类特征，从而根据已知经营模式类型的商户样本，训练商户分类模型，并使用训练的模型对未知商户进行分类，实现将商户的经营区域信息与其他经营信息结合，更全面地预测商户的经营模式类型。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书实施例。
此外，本说明书实施例中的任一实施例并不需要达到上述的全部效果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本说明书实施例的商户分类模型构建方法的流程示意图；
图2是本说明书实施例的确定商户交易区域的实现方式的示意图；
图3是本说明书实施例的通过地理围栏算法划分交易子区域的示意图；
图4是本说明书实施例的基于所构建商户分类模型的商户分类方法的流程示意图；
图5是本说明书实施例的交易区域、交易子区域及交易集中与非集中子区域的示意图；
图6是本说明书实施例的交易区域与经营模式类型对应关系示意图；
图7是本说明书实施例的商户分类模型构建装置的结构示意图；
图8是本说明书实施例的基于所述商户分类模型的商户分类装置的一种结构示意图；
图9是本说明书实施例的基于所述商户分类模型的商户分类装置的另一种结构示意图；
图10是用于配置本说明书实施例装置的一种设备的结构示意图。
具体实施方式
为了使本领域技术人员更好地理解本说明书实施例中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行详细地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于保护的范围。
本说明书实施例提供一种商户分类方案，该方案包括两个阶段：商户分类模型的构建阶段，及运用商户分类模型预测商户经营模式类型的阶段。
首先介绍商户分类模型的构建阶段，参见图1所示，该方法可以包括以下步骤：
S101，获取若干商户样本，每个商户样本包括该商户的历史交易信息与经营模式类型，所述交易信息包括付款位置信息与买家信息；
本说明书实施例提供的方案，在构建商户分类模型阶段，是以已知经营模式类型的若干商户作为训练样本，来训练商户分类模型。
本说明书实施例提供的方案中，将商户的经营区域信息与其他经营信息结合分析，从而确定商户的经营模式类型。因此，每个商户样本中，一方面，需要包括商户的经营区域信息。
例如，可以是商户注册信息或据此确定的商户注册地，也可以是商户资金账户操作地或据此确定的商户经营地，还可以通过实地查访等方式获得商户的经营区域信息。
但是，实地查访的成本较高，而部分商户尤其是间连商户存在注册信息缺失、系统内无资金账户等问题，使得根据这些经营区域信息构建模型、或利用所构建模型分类的效果较差。
而基于终端设备的定位技术的发展，交易中买家付款的位置信息一般较为全面与准确，因此，本说明书实施例提供的方案中，通过商户历史交易信息中交易的付款位置信息，确定经营区域信息并构建模型。
另一方面，每个商户样本中还需要包括商户的其他经营信息，如买家信息。买家信息中可以具体包括买家的购物账户信息、付款渠道及资金账户信息、购买商品价格及数量信息、折扣及优惠信息、买家进行交易的次数及频率、等等，可以理解的是，只要可以实现基于买家信息分类商户的目的，本领域技术人员可以根据实际需求，灵活地选择构建模型需要的具体买家信息，本说明书实施例并不需要对此进行限定。
此外，商户样本中所包括的该商户的历史交易信息，可以对应该商户的所有历史交易，也可以对应部分历史交易，如最近30天、或最近300笔历史交易、或开发人员筛选过的历史交易、等等；商户样本中所包括的该商户的经营模式类型，可以是连锁店模式、自助贩卖机模式、网店模式、个体便民店模式、个体便民店兼外卖模式、等等，本说明书对于以上两点并不进行限定。
S102，提取每个商户样本的特征向量；其中，提取特征向量的方法包括：根据付款位置信息确定该商户的交易区域，并根据买家信息确定交易区域中的买家规模与买家活跃度；根据所确定的交易区域、买家规模与买家活跃度，得到该商户样本的特征向量；
付款位置信息可以通过多种形式表示，例如，可以是LBS(Location-BasedService，基于位置服务)信息，或者LBS信息中的经纬度坐标，也可以是IP地址，或者通过IP地址定位的具体位置，等等。
根据付款位置信息确定该商户的交易区域，具体也可以通过多种方式实现。例如，如图2(a)所示，每个黑点为1个付款位置点，直接将外圈的付款位置点连接，圈出的区域即该商户的交易区域；或者，如图2(b)所示，预先划定多个交易区域，并根据付款位置信息确定该商户的交易区域包括预先划定的一个或多个交易区域；又或者，如图2(c)所示，以圆形等预设图形圈出的、包括所有付款位置的区域，作为该商户的交易区域；等等。
此外，在本说明书的一种具体实施方式中，还可以根据付款位置信息，使用预设划分规则，将交易区域划分为至少一个交易子区域。
例如，若付款位置信息是交易付款时的基于位置服务LBS信息，则可以如图3所示，使用预设的地理围栏算法，对各交易付款时的LBS信息进行聚类；根据聚类结果将交易区域划分为一个或多个交易子区域。根据地理围栏算法进行聚类的具体过程，可参见其他相关资料，本说明书中不做详细说明。
确定交易区域后便可以根据买家信息确定该区域中的买家规模与活跃度。若将交易区域划分为一个或多个交易子区域，则可以根据付款位置信息，确定在各交易子区域中付款的买家信息。然后，针对每个交易子区域，根据在该区域中付款的买家信息，确定该区域中的买家规模与买家活跃度。
例如，统计在该区域中付款的买家总数来表示买家规模，并统计买家的总活跃时长来表示买家活跃度。当然，买家规模与买家活跃度也可以通过其他方式表示，如可以统计每个买家的活跃天数、次数，或者统计活跃天数、次数大于预设阈值的买家总数，等等。
确定交易区域、以及该交易区域(或各交易子区域)中的买家规模与买家活跃度后，由此进一步得到该商户样本的特征向量。
例如，针对所确定的交易区域中每个交易子区域，若统计了该区域中付款的买家总数来表示买家规模，并统计了买家的总活跃时长来表示买家活跃度，则可以据此计算买家集中度。如买家集中度＝买家总数*买家总活跃时长、或买家集中度＝∑(买家总数*每个买家的活跃时长)、等等。然后，根据所计算的各交易子区域的买家集中度，得到该商户样本的特征向量。
一种具体的实施方式是，针对每个交易子区域，判断所计算的买家集中度是否不小于预设集中阈值；若是，则确定该交易子区域为交易集中子区域；若否，则确定该交易子区域为交易非集中子区域；然后，计算该商户样本的交易区域中预先定义的特征的值，得到该商户样本的特征向量。
预先定义的特征包括以下特征中的一种或多种：交易集中子区域规模、交易集中子区域买家规模、交易集中子区域交易规模、交易子区域地理跨度、交易区域地理跨度。
其中，交易集中子区域规模主要用于比较，交易区域中集中子区域与非集中子区域的规模，因此可以用交易(非)集中子区域数量、交易(非)集中子区域(面积或数量等)占交易区域(面积子或区域数量等)比例、及交易集中与交易非集中子区域(数量或面积等)的比例、等等具体表示。
交易集中子区域买家规模主要用于比较，交易区域中集中子区域与非集中子区域的买家规模，因此可以用交易(非)集中子区域中买家数量、交易集中与非集中子区域中买家数量(或活跃时长)的比例、等等具体表示。
交易集中子区域交易规模主要用于比较，交易区域中集中子区域与非集中子区域的交易规模，因此可以用交易(非)集中子区域中交易数量、交易(非)集中子区域中交易总额、交易集中与非集中子区域中交易数量(或总额等)的比例、等等具体表示。
交易子区域地理跨度主要用于比较各交易子区域的地理规模、及各交易子区域中各笔交易的集中或离散程度。在一种具体实施方式中，可以针对每个交易子区域：计算该区域中各交易的付款位置信息的平均值，得到该区域的中心位置；计算该区域中各交易的付款位置与中心位置的偏离程度，得到该区域的地理跨度。
例如，如果付款位置信息是通过经度X与纬度Y表示，某交易子区域中包括n个付款位置的位置信息(经纬度坐标)，其中第i个付款位置为(xi，yi)，则中心位置的经度
Figure BDA0001717323820000071
与纬度
Figure BDA0001717323820000072
的计算公式为：
Figure BDA0001717323820000073
该区域中各交易的付款位置与中心位置的偏离程度，可以通过SD(StandardDeviation，标准差)表示，计算公式如下：
Figure BDA0001717323820000074
SD越大，则表示该交易子区域的各笔交易的位置越离散；SD越小，则表示各笔交易的位置越集中。
当然，本实施方式中，也可以使用其他统计学参数表示偏离程度，具体过程可参见其他相关资料，本说明书中不做详细说明。
此外，交易子区域地理跨度也可以使用各交易子区域的面积等其他方式具体表示。
交易区域地理跨度主要用于比较该商户的整个交易区域的地理规模、及其中各笔交易的集中或离散程度。与前述交易子区域的表示方式类似，可以通过计算中心位置及偏离程度、或计算交易区域面积等方式表示，也可以通过比较各交易子区域之间的距离、面积等方式表示。
可以理解的是，本说明书实施例提供的方案中，预先定义的特征可以不限于上述列举的特征，本领域技术人员可以根据实际情况灵活地定义其他特征。
S103，根据所获取的若干商户样本的经营模式类型、及所提取的特征向量，通过机器学习算法训练商户分类模型，所述商户分类模型用于预测商户的经营模式类型。
对于模型训练所使用的具体机器学习算法，本说明书实施例并不进行限定。
参照图4所示，基于以上构建的商户分类模型的商户分类方法，可以包括以下步骤：
S401，获取待分类商户的历史交易信息；
S402，根据所述提取特征向量的方法，提取所述待分类商户的特征向量；
S403，将所提取的所述待分类商户的特征向量，输入到所述商户分类模型，以预测所述待分类商户的经营模式类型。
对于某待分类商户，获取与构建模型阶段同类的历史交易信息后，根据与构建模型阶段相同的方法提取特征向量，然后将所提取的特征向量输入所构建的商户分类模型中，便可以预测该商户的经营模式类型。
此外，本说明书实施例的一种具体实施方式中，在获取待分类商户的历史交易信息后、提取特征向量前，首先判断该商户是否为成熟的商户。
具体地，可以确定所获取的各交易的付款位置信息是否有效，如LBS经纬度是否可以得到解析结果、或信息中的位置是否与通过IP地址校验的位置一致、等等；判断所述待分类商户的付款位置信息有效的交易数量，是否不小于预设有效阈值；若是，则确定需要提取所述待分类商户的特征向量。
也可以根据所获取的买家信息，计算买家规模、和/或交易规模，如买家数目、回购频率、交易金额、交易频率、等等，确定所述待分类商户的活跃度；判断所述待分类商户的活跃度，是否不小于预设活跃阈值；若是，则确定需要提取所述待分类商户的特征向量。
可以理解的是，上述两种判断方法可以单独使用，也可以结合使用。即根据商户各笔交易的付款位置信息的有效度、和/或商户的活跃度，判断该商户是否为成熟的商户。判断所基于的历史交易信息，可以是所获取的所有历史交易信息，也可以是其中部分历史交易信息，如历史N天内的历史交易信息。
若确定该商户有效的付款位置信息足够多、和/或活跃度足够多，则可以认为该商户经营状况稳定，可以进一步地提取特征向量、预测经营模式类型；若确定该商户有效的付款位置信息不足、和/或活跃度不足，则可以认为该商户经营状况不稳定，如存在一定的风险等，可以放入预先设置的风险监控库中，而不进行经营模式类型预测。
根据上述方法对商户进行经营模式分类后，可以基于分类的结果，为不同类型的经营模式设定不同的风险控制策略，如连锁超市墨水、在线商户模式、自动贩卖机模式、等等，由于其经营模式的区别，风险控制的侧重点也存在区别。
此外，经营模式中还可以设置“经营结构异常”的类型，如在各个交易子区域中交易价格差异巨大等存在异常经营行为的商户，可以通过构建的模型分入此类型，并重点进行风险监控。
完成对某商户的分类后，还可以基于分类结果及分类过程中获得的各种数据，对该商户的经营地及其他信息进行完善及校验，如对间连商户的注册信息(经营地或经营范围等)进行完善或真实性校验等。
下面结合一个更为具体的实例，对本说明书提供的商户分类模型构建和商户分类方法进行说明。
1)构建商户分类模型。
获取若干商户样本的历史交易信息及经营模式类型，定义特征向量＝(交易集中子区域数量，交易集中子区域买家占比，交易子区域商品均价占比、交易区域地理跨度SD]
其中，交易集中子区域买家占比，是指交易集中子区域买家数量占交易区域买家总数的比例；交易子区域商品均价占比，是指各交易集中区域交易商品均价与各非交易集中区域商品均价的比值；交易区域地理跨度SD，是指各交易子区域中各交易的付款位置与中心位置的标准差之和。
定义特征向量后，根据历史交易信息计算特征向量。
以某个商户样本为例，根据付款位置的LBS经纬度坐标，确定交易区域，如图5(a)所示，并基于地理围栏算法，划分得到交易子区域，如图5(b)所示。计算各交易子区域的买家集中度，对于每个交易子区域，计算该区域的买家集中度＝买家数量*买家活跃总天数。并且在买家集中度不小于预设阈值的情况下，确定为交易集中子区域，否则确定为交易非集中子区域。如图5(c)所示，交易子区域A、B买家数量多且活跃总天数多，因此买家集中度高，为交易集中子区域；而交易子区域C买家数量多但活跃总天数少，因此买家集中度低，D、E数量少，因此买家集中度低，均为交易非集中子区域。
此外，分别计算交易集中子区域数量，交易集中子区域买家占比，交易子区域商品均价占比。并根据各付款位置的LBS经纬度坐标，通过公式(1)、(2)，计算各交易子区域的中心位置经纬度坐标、以及各交易子区域地理跨度，求和得到交易区域地理跨度SD。
根据各商户样本的经营模式类型及特征向量，通过K近邻法，训练商户分类模型。
2)基于所构建的商户分类模型，对待分类商户进行分类。
对于某个待分类商户，获取历史交易信息，并根据上述相同的方式，提取所定义的特征向量，将特征向量输入所构建的商户分类模型后，同样基于K近邻法，计算该商户与每个训练商户的作为样本的距离，并对所计算的距离排序，输出距离最短的K个结果作为最终预测结果，K为自定义的常数，如可以为1。
例如，对于待分类商户A，所确定的交易区域如图6(a)所示，则根据历史交易信息计算特征向量，并输入商户分类模型后，所预测的经营模式可以是连锁店模式；对于待分类商户B，所确定的交易区域如图6(b)所示，则模型的预测结果可以是网络交易模式；对于待分类商户C，所确定的交易区域如图6(c)所示，则模型的预测结果可以是个体便民店模式；对于待分类商户D，所确定的交易区域如图6(d)所示，则模型的预测结果可以是个体便民店兼配送模式；等等。
可见，应用上述方案，可以从商户的历史交易信息中，得到商户的经营区域、买家、交易等相关信息，从而将商户的经营区域信息与交易规模、买家规模等其他经营信息结合，构建商户分类模型并对未知商户进行分类，从而更全面地预测商户的经营模式类型。
相应于上述方法实施例，本说明书实施例还提供一种商户分类模型构建装置，参见图7所示，该装置可以包括：
训练样本获取模块110，用于获取若干商户样本，每个商户样本包括该商户的历史交易信息与经营模式类型，所述交易信息包括付款位置信息与买家信息；
特征向量提取模块120，用于提取每个商户样本的特征向量；其中，特征向量提取模块包括：中间量确定子模块，用于根据付款位置信息确定该商户的交易区域，并根据买家信息确定交易区域中的买家规模与买家活跃度；特征向量提取子模块，用于根据所确定的交易区域、买家规模与买家活跃度，得到该商户样本的特征向量；
模型训练模块130，用于根据所获取的若干商户样本的经营模式类型、及所提取的特征向量，通过机器学习算法训练商户分类模型，所述商户分类模型用于预测商户的经营模式类型。
在本说明书提供的一种具体实施方式中，所述中间量确定子模块，可以包括：
子区域划分单元，用于根据付款位置信息，使用预设划分规则，将交易区域划分为至少一个交易子区域；
信息分区单元，用于根据付款位置信息，确定在各交易子区域中付款的买家信息；
中间量确定单元，用于针对每个交易子区域，根据在该区域中付款的买家信息，确定该区域中的买家规模与买家活跃度。
在本说明书提供的一种具体实施方式中，所述付款位置信息，可以包括：交易付款时的基于位置服务LBS信息；
所述子区域划分单元，具体可以用于：使用预设地理围栏算法，对各交易付款时的LBS信息进行聚类；根据聚类结果将交易区域划分为至少一个交易子区域。
在本说明书提供的一种具体实施方式中，所述中间量确定单元，具体可以用于：根据在该区域中付款的买家信息，统计该区域中用于表示买家规模的买家总数、及用于表示买家活跃度的买家总活跃时长；
所述特征向量提取子模块，可以包括：集中度计算单元，用于针对所确定的交易区域中每个交易子区域，根据所统计的买家总数、及买家总活跃时长，计算买家集中度；
特征向量提取单元，用于根据所计算的各交易子区域的买家集中度，得到该商户样本的特征向量。
在本说明书提供的一种具体实施方式中，所述特征向量提取单元，可以包括：
子区域分类子单元，用于针对每个交易子区域，判断所计算的买家集中度是否不小于预设集中阈值；若是，则确定该交易子区域为交易集中子区域；若否，则确定该交易子区域为交易非集中子区域；
特征值计算子单元，用于计算该商户样本的交易区域中预先定义的特征的值，得到该商户样本的特征向量；所述预先定义的特征包括以下特征中的一种或多种：交易集中子区域规模、交易集中子区域买家规模、交易集中子区域交易规模、交易子区域地理跨度、交易区域地理跨度。
在本说明书提供的一种具体实施方式中，所述特征值计算子单元，具体可以用于：针对每个交易子区域：计算该区域中各交易的付款位置信息的平均值，得到该区域的中心位置；计算该区域中各交易的付款位置与中心位置的偏离程度，得到该区域的地理跨度。
本说明书实施例还提供一种基于所述商户分类模型的商户分类装置，参见图8所示，该装置可以包括：
信息获取模块210，用于获取待分类商户的历史交易信息；
特征向量提取模块220，用于根据所述提取特征向量的装置，提取所述待分类商户的特征向量；
类型预测模块230，用于将所提取的所述待分类商户的特征向量，输入到所述商户分类模型，以预测所述待分类商户的经营模式类型。
在本说明书提供的一种具体实施方式中，如图9所示，所述的装置可以进一步包括：
第一触发模块240，用于在获取待分类商户的历史交易信息后、提取特征向量前，确定所获取的各交易的付款位置信息是否有效；判断所述待分类商户的付款位置信息有效的交易数量，是否不小于预设有效阈值；若是，则确定需要提取所述待分类商户的特征向量。
在本说明书提供的一种具体实施方式中，如图9所示，所述的装置可以进一步包括：
第二触发模块250，用于在获取待分类商户的历史交易信息后、提取特征向量前，根据所获取的买家信息，计算买家规模、和/或交易规模，确定所述待分类商户的活跃度；判断所述待分类商户的活跃度，是否不小于预设活跃阈值；若是，则确定需要提取所述待分类商户的特征向量。
可以理解的是，第一触发模块240与第二触发模块250作为两种功能独立的模块，既可以如图9所示同时配置在装置中，也可以分别单独配置在装置中，因此图9所示的结构不应理解为对本说明书实施例方案的限定。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
本说明书实施例还提供一种计算机设备，其至少包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现前述的商户分类模型构建和商户分类方法。该方法至少包括：
一种商户分类模型构建方法，该方法包括：
获取若干商户样本，每个商户样本包括该商户的历史交易信息与经营模式类型，所述交易信息包括付款位置信息与买家信息；
提取每个商户样本的特征向量；其中，提取特征向量的方法包括：根据付款位置信息确定该商户的交易区域，并根据买家信息确定交易区域中的买家规模与买家活跃度；根据所确定的交易区域、买家规模与买家活跃度，得到该商户样本的特征向量；
根据所获取的若干商户样本的经营模式类型、及所提取的特征向量，通过机器学习算法训练商户分类模型，所述商户分类模型用于预测商户的经营模式类型。
一种基于所述商户分类模型的商户分类方法，该方法包括：
获取待分类商户的历史交易信息；
根据所述提取特征向量的方法，提取所述待分类商户的特征向量；
将所提取的所述待分类商户的特征向量，输入到所述商户分类模型，以预测所述待分类商户的经营模式类型。
图10示出了本说明书实施例所提供的一种更为具体的计算设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
本说明书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，该程序被处理器执行时实现前述的商户分类模型构建和商户分类方法。该方法至少包括：
一种商户分类模型构建方法，该方法包括：
获取若干商户样本，每个商户样本包括该商户的历史交易信息与经营模式类型，所述交易信息包括付款位置信息与买家信息；
提取每个商户样本的特征向量；其中，提取特征向量的方法包括：根据付款位置信息确定该商户的交易区域，并根据买家信息确定交易区域中的买家规模与买家活跃度；根据所确定的交易区域、买家规模与买家活跃度，得到该商户样本的特征向量；
根据所获取的若干商户样本的经营模式类型、及所提取的特征向量，通过机器学习算法训练商户分类模型，所述商户分类模型用于预测商户的经营模式类型。
一种基于所述商户分类模型的商户分类方法，该方法包括：
获取待分类商户的历史交易信息；
根据所述提取特征向量的方法，提取所述待分类商户的特征向量；
将所提取的所述待分类商户的特征向量，输入到所述商户分类模型，以预测所述待分类商户的经营模式类型。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书实施例可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书实施例各个实施例或者实施例的某些部分所述的方法。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，在实施本说明书实施例方案时可以把各模块的功能在同一个或多个软件和/或硬件中实现。也可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本说明书实施例的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本说明书实施例原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本说明书实施例的保护范围。

Claims (17)

1.一种商户分类模型构建方法，该方法包括：
获取若干商户样本，每个商户样本包括该商户的历史交易信息与经营模式类型，所述交易信息包括付款位置信息与买家信息；
提取每个商户样本的特征向量；其中，提取特征向量的方法包括：根据付款位置信息确定该商户的交易区域，并根据买家信息统计所述交易区域中用于表示买家规模的买家总数、及用于表示买家活跃度的买家总活跃时长；根据所统计的买家总数、及买家总活跃时长，计算买家集中度，并根据所计算的买家集中度，得到该商户样本的特征向量；
根据所获取的若干商户样本的经营模式类型、及所提取的特征向量，通过机器学习算法训练商户分类模型，所述商户分类模型用于预测商户的经营模式类型。
2.根据权利要求1所述的方法，所述根据买家信息统计所述交易区域中用于表示买家规模的买家总数、及用于表示买家活跃度的买家总活跃时长，包括：
根据付款位置信息，使用预设划分规则，将交易区域划分为至少一个交易子区域；
根据付款位置信息，确定在各交易子区域中付款的买家信息；
针对每个交易子区域，根据在该区域中付款的买家信息，统计该区域中用于表示买家规模的买家总数、及用于表示买家活跃度的买家总活跃时长；
所述根据所统计的买家总数、及买家总活跃时长，计算买家集中度，并根据所计算的买家集中度，得到该商户样本的特征向量，包括：
针对所确定的交易区域中每个交易子区域，根据所统计的买家总数、及买家总活跃时长，计算买家集中度；根据所计算的各交易子区域的买家集中度，得到该商户样本的特征向量。
3.根据权利要求2所述的方法，所述付款位置信息，包括：交易付款时的基于位置服务LBS信息；
所述根据付款位置信息，使用预设划分规则，将交易区域划分为至少一个交易子区域，包括：
使用预设地理围栏算法，对各交易付款时的LBS信息进行聚类；
根据聚类结果将交易区域划分为至少一个交易子区域。
4.根据权利要求3所述的方法，所述根据所计算的各交易子区域的买家集中度，得到该商户样本的特征向量，包括：
针对每个交易子区域，判断所计算的买家集中度是否不小于预设集中阈值；
若是，则确定该交易子区域为交易集中子区域；
若否，则确定该交易子区域为交易非集中子区域；
计算该商户样本的交易区域中预先定义的特征的值，得到该商户样本的特征向量；所述预先定义的特征包括以下特征中的一种或多种：交易集中子区域规模、交易集中子区域买家规模、交易集中子区域交易规模、交易子区域地理跨度、交易区域地理跨度。
5.根据权利要求4所述的方法，所述计算交易子区域地理跨度的值，包括：
针对每个交易子区域：
计算该区域中各交易的付款位置信息的平均值，得到该区域的中心位置；
计算该区域中各交易的付款位置与中心位置的偏离程度，得到该区域的地理跨度。
6.一种基于权利要求1至5任一项所述商户分类模型的商户分类方法，该方法包括：
获取待分类商户的历史交易信息；
提取所述待分类商户的特征向量；
将所提取的所述待分类商户的特征向量，输入到所述商户分类模型，以预测所述待分类商户的经营模式类型。
7.根据权利要求6所述的方法，在获取待分类商户的历史交易信息后、提取特征向量前，进一步包括：
确定所获取的各交易的付款位置信息是否有效；
判断所述待分类商户的付款位置信息有效的交易数量，是否不小于预设有效阈值；若是，则确定需要提取所述待分类商户的特征向量。
8.根据权利要求6所述的方法，在获取待分类商户的历史交易信息后、提取特征向量前，进一步包括：
根据所获取的买家信息，计算买家规模、和/或交易规模，确定所述待分类商户的活跃度；
判断所述待分类商户的活跃度，是否不小于预设活跃阈值；若是，则确定需要提取所述待分类商户的特征向量。
9.一种商户分类模型构建装置，该装置包括：
训练样本获取模块，用于获取若干商户样本，每个商户样本包括该商户的历史交易信息与经营模式类型，所述交易信息包括付款位置信息与买家信息；
特征向量提取模块，用于提取每个商户样本的特征向量；其中，特征向量提取模块包括：中间量确定子模块，用于根据付款位置信息确定该商户的交易区域，并根据买家信息统计所述交易区域中用于表示买家规模的买家总数、及用于表示买家活跃度的买家总活跃时长；特征向量提取子模块，用于根据所统计的买家总数、及买家总活跃时长，计算买家集中度，并根据所计算的买家集中度，得到该商户样本的特征向量；
模型训练模块，用于根据所获取的若干商户样本的经营模式类型、及所提取的特征向量，通过机器学习算法训练商户分类模型，所述商户分类模型用于预测商户的经营模式类型。
10.根据权利要求9所述的装置，所述中间量确定子模块，包括：
子区域划分单元，用于根据付款位置信息，使用预设划分规则，将交易区域划分为至少一个交易子区域；
信息分区单元，用于根据付款位置信息，确定在各交易子区域中付款的买家信息；
中间量确定单元，用于针对每个交易子区域，根据在该区域中付款的买家信息，统计该区域中用于表示买家规模的买家总数、及用于表示买家活跃度的买家总活跃时长；
所述特征向量提取子模块，用于针对所确定的交易区域中每个交易子区域，根据所统计的买家总数、及买家总活跃时长，计算买家集中度；根据所计算的各交易子区域的买家集中度，得到该商户样本的特征向量。
11.根据权利要求10所述的装置，所述付款位置信息，包括：交易付款时的基于位置服务LBS信息；
所述子区域划分单元，具体用于：
使用预设地理围栏算法，对各交易付款时的LBS信息进行聚类；
根据聚类结果将交易区域划分为至少一个交易子区域。
12.根据权利要求11所述的装置，所述特征向量提取单元，包括：
子区域分类子单元，用于针对每个交易子区域，判断所计算的买家集中度是否不小于预设集中阈值；若是，则确定该交易子区域为交易集中子区域；若否，则确定该交易子区域为交易非集中子区域；
特征值计算子单元，用于计算该商户样本的交易区域中预先定义的特征的值，得到该商户样本的特征向量；所述预先定义的特征包括以下特征中的一种或多种：交易集中子区域规模、交易集中子区域买家规模、交易集中子区域交易规模、交易子区域地理跨度、交易区域地理跨度。
13.根据权利要求12所述的装置，所述特征值计算子单元，具体用于：
针对每个交易子区域：
计算该区域中各交易的付款位置信息的平均值，得到该区域的中心位置；
计算该区域中各交易的付款位置与中心位置的偏离程度，得到该区域的地理跨度。
14.一种基于权利要求9至13任一项所述商户分类模型的商户分类装置，该装置包括：
信息获取模块，用于获取待分类商户的历史交易信息；
特征向量提取模块，用于提取所述待分类商户的特征向量；
类型预测模块，用于将所提取的所述待分类商户的特征向量，输入到所述商户分类模型，以预测所述待分类商户的经营模式类型。
15.根据权利要求14所述的装置，进一步包括：
第一触发模块，用于在获取待分类商户的历史交易信息后、提取特征向量前，确定所获取的各交易的付款位置信息是否有效；判断所述待分类商户的付款位置信息有效的交易数量，是否不小于预设有效阈值；若是，则确定需要提取所述待分类商户的特征向量。
16.根据权利要求14所述的装置，进一步包括：
第二触发模块，用于在获取待分类商户的历史交易信息后、提取特征向量前，根据所获取的买家信息，计算买家规模、和/或交易规模，确定所述待分类商户的活跃度；判断所述待分类商户的活跃度，是否不小于预设活跃阈值；若是，则确定需要提取所述待分类商户的特征向量。
17.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1至8任一项所述的方法。
CN201810714402.6A 2018-06-29 2018-06-29 一种商户分类模型构建和商户分类方法、装置及设备 Active CN109101989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810714402.6A CN109101989B (zh) 2018-06-29 2018-06-29 一种商户分类模型构建和商户分类方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810714402.6A CN109101989B (zh) 2018-06-29 2018-06-29 一种商户分类模型构建和商户分类方法、装置及设备

Publications (2)

Publication Number Publication Date
CN109101989A CN109101989A (zh) 2018-12-28
CN109101989B true CN109101989B (zh) 2021-06-29

Family

ID=64845477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810714402.6A Active CN109101989B (zh) 2018-06-29 2018-06-29 一种商户分类模型构建和商户分类方法、装置及设备

Country Status (1)

Country Link
CN (1) CN109101989B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988880A (zh) * 2019-01-08 2022-01-28 创新先进技术有限公司 一种行业识别模型确定方法和装置
CN109816454A (zh) * 2019-01-31 2019-05-28 拉扎斯网络科技（上海）有限公司 确定用于商户的策略的方法、装置、电子设备及存储介质
CN109829651A (zh) * 2019-01-31 2019-05-31 拉扎斯网络科技（上海）有限公司 确定用于商户的策略的方法、装置、电子设备及存储介质
CN110046959B (zh) * 2019-03-27 2021-04-06 拉扎斯网络科技（上海）有限公司 一种确定商户经营类别的方法、装置、设备和存储介质
CN110058944A (zh) * 2019-04-15 2019-07-26 拉扎斯网络科技（上海）有限公司 数据处理方法、装置、电子设备及计算机可读存储介质
CN110264337A (zh) * 2019-05-28 2019-09-20 阿里巴巴集团控股有限公司 一种预测模型构建和银行卡所属国预测方法及装置
CN110458651A (zh) * 2019-07-18 2019-11-15 阿里巴巴集团控股有限公司 商户识别方法、装置、设备及存储介质
CN110490650A (zh) * 2019-08-14 2019-11-22 浙江大搜车软件技术有限公司 商户信息处理方法、装置、计算机设备和存储介质
CN110659961A (zh) * 2019-09-12 2020-01-07 阿里巴巴集团控股有限公司 一种用于识别线下商户的方法和装置
CN110781971B (zh) * 2019-10-31 2022-04-29 支付宝(杭州)信息技术有限公司 一种商户类型识别方法、装置、设备和可读介质
CN110866696B (zh) * 2019-11-15 2023-05-26 成都数联铭品科技有限公司 商铺掉铺风险评估模型训练方法及装置
CN112862514A (zh) * 2019-11-27 2021-05-28 北京沃东天骏信息技术有限公司 数据处理方法及装置、电子设备、计算机可读存储介质
CN111275095B (zh) * 2020-01-17 2022-12-06 支付宝(杭州)信息技术有限公司 一种对象类型识别方法及装置
CN111368543B (zh) * 2020-02-18 2023-06-02 银联智策顾问（上海）有限公司 一种确定商户类别的方法及装置
CN111415151A (zh) * 2020-03-10 2020-07-14 支付宝(杭州)信息技术有限公司 连锁商户的识别方法、装置、电子设备及存储介质
CN113408582B (zh) * 2021-05-17 2023-08-29 支付宝(杭州)信息技术有限公司 特征评估模型的训练方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809502A (zh) * 2014-12-30 2016-07-27 阿里巴巴集团控股有限公司 交易风险检测方法和装置
CN105848099A (zh) * 2015-01-16 2016-08-10 阿里巴巴集团控股有限公司 识别地理围栏的方法、系统、服务器及移动终端
CN106611316A (zh) * 2015-10-16 2017-05-03 阿里巴巴集团控股有限公司 异常交易的提供方法和装置
CN107545422A (zh) * 2017-08-02 2018-01-05 中国银联股份有限公司 一种套现检测方法及装置
CN107958270A (zh) * 2017-12-05 2018-04-24 北京小度信息科技有限公司 类别识别方法、装置、电子设备及计算机可读存储介质
CN108876465A (zh) * 2018-06-28 2018-11-23 阿里巴巴集团控股有限公司 一种对商户进行经营模式分群的方法、装置和服务器

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140279311A1 (en) * 2013-03-15 2014-09-18 Capital One Financial Corporation System and method for determining transaction locations based on geocoded information

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809502A (zh) * 2014-12-30 2016-07-27 阿里巴巴集团控股有限公司 交易风险检测方法和装置
CN105848099A (zh) * 2015-01-16 2016-08-10 阿里巴巴集团控股有限公司 识别地理围栏的方法、系统、服务器及移动终端
CN106611316A (zh) * 2015-10-16 2017-05-03 阿里巴巴集团控股有限公司 异常交易的提供方法和装置
CN107545422A (zh) * 2017-08-02 2018-01-05 中国银联股份有限公司 一种套现检测方法及装置
CN107958270A (zh) * 2017-12-05 2018-04-24 北京小度信息科技有限公司 类别识别方法、装置、电子设备及计算机可读存储介质
CN108876465A (zh) * 2018-06-28 2018-11-23 阿里巴巴集团控股有限公司 一种对商户进行经营模式分群的方法、装置和服务器

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Effective Communication Framework for Data Management using Query Caching in Mobile Location Based Services (LBS);R.Gobi et al;《2016 International Conference on Data Mining and Advanced Computing (SAPIENCE)》;20161212;1-8页 *
基于海量银行卡用户行为的推荐算法研究;邵帅;《中国优秀硕士学位论文全文数据库信息科技辑》;20160315;1-60页 *

Also Published As

Publication number Publication date
CN109101989A (zh) 2018-12-28

Similar Documents

Publication Publication Date Title
CN109101989B (zh) 一种商户分类模型构建和商户分类方法、装置及设备
CN107465741B (zh) 信息推送方法和装置
CN109063920B (zh) 一种交易风险识别方法、装置、及计算机设备
CN108537533B (zh) 一种自助购物结算方法及系统
US11836781B2 (en) System and method for generating purchase recommendations based on geographic zone information
CN110163612B (zh) 一种支付风控方法及装置
CN109102324B (zh) 模型训练方法、基于模型的红包物料铺设预测方法及装置
CN115393007A (zh) 一种行业分类模型的训练方法及装置
CN106600360B (zh) 推荐对象的排序方法及装置
US20200380543A1 (en) Determining particulars of an item in an online marketplace
CN108985831B (zh) 一种线下交易的判别方法、装置、及计算机设备
CN109191140B (zh) 一种评分卡模型整合方法及装置
US20220391934A1 (en) Methods and systems for generating a supply index indicative of a quality of available supply of merchant promotions
CN112200711B (zh) 一种水印分类模型的训练方法及系统
CN110490694B (zh) 一种信用服务的配置方法、装置及电子设备
CN110264333B (zh) 一种风险规则确定方法和装置
US11551247B1 (en) Methods and systems for determining a travel propensity configured for use in the generation of a supply index indicative of a quality of available supply
CN111415151A (zh) 连锁商户的识别方法、装置、电子设备及存储介质
CN110910198A (zh) 非正常对象预警方法、装置、电子设备及存储介质
US11887108B2 (en) System and user interface of a user device for managing tokens associated with a user
KR102256743B1 (ko) 전자상거래 소상공인에게 신용평가 정보 서비스를 제공하는 서버 및 그 동작 방법
CN113112289B (zh) 一种商户信息更新方法及装置
US20210326910A1 (en) System and method for optimizing an observation campaign in response to observed real-world data
US10891664B2 (en) System and method for facilitating non-parametric weighted correlation analysis
US20160171410A1 (en) Infrastructure investment planning for both short-term and long-term capacity demands

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200923

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200923

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

GR01 Patent grant
GR01 Patent grant