CN110188930A - 一种权益产品的定制方法及装置 - Google Patents
一种权益产品的定制方法及装置 Download PDFInfo
- Publication number
- CN110188930A CN110188930A CN201910413326.XA CN201910413326A CN110188930A CN 110188930 A CN110188930 A CN 110188930A CN 201910413326 A CN201910413326 A CN 201910413326A CN 110188930 A CN110188930 A CN 110188930A
- Authority
- CN
- China
- Prior art keywords
- violation
- order
- equity
- information
- probability
- 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.)
- Pending
Links
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种权益产品的定制方法及装置,属于科技金融技术领域,包括:接收定制权益产品的请求,请求中携带有权益产品对应的订单的业务信息,如订单中权益违规方的标识信息和各业务特征的取值信息,根据标识信息查询相应权益违规方的历史违规信息,将历史违规信息和各业务特征的取值信息输入用于预测违规概率的模型中预测权益违规方的违规概率,根据预测的违规概率和在指定时间段内产生的历史订单的平均违规成本确定订单的违规成本,将根据违规成本确定的权益产品的对价资源信息携带在响应消息中发送给终端,因为每个订单中业务特征的取值信息不同、权益违规方的历史违规信息也不同,所以最终为每个订单确定的对价资源信息也不同。
Description
技术领域
本申请涉及科技金融技术领域,尤其涉及一种权益产品的定制方法及装置。
背景技术
随着互联网的兴起,网络消费已成为一种十分便捷的消费方式。然而,在网络消费中,经常存在着消费者的权益受到侵害的情况,比如,订购外卖后外卖不能被及时送到,用户为了租车不得不接受租车公司制定的比较苛刻的违章扣款条约,用户购买影视会员以后即使没有在相应的视频网站上观看影视也不能退款等。
鉴于以上情况,目前出现了一些用于保护权益受损方权益的权益产品,如外卖延时险、影视会员权益等权益产品,但在定制这些权益产品时,权益产品的对价资源信息如收取的费用、等价交换的积分等都是固定的,缺少个体差异,非常的不灵活。
发明内容
本申请实施例提供一种权益产品的定制方法及装置,用以解决现有技术中存在的权益产品的对价资源信息的确定方式缺少个体差异性、不灵活的问题。
第一方面,本申请实施例提供的一种权益产品的定制方法,包括:
接收用于定制权益产品的请求,所述请求中携带有所述权益产品对应的订单的业务信息,所述业务信息包括该订单中权益违规方的标识信息和各业务特征的取值信息;
根据所述标识信息查询相应的权益违规方的历史违规信息,将所述历史违规信息和所述各业务特征的取值信息输入到用于预测违规概率的模型中,以预测所述权益违规方的违规概率;
根据所述权益违规方的违规概率和在指定时间段内产生的历史订单的平均违规成本,确定该订单的违规成本,根据该订单的违规成本确定所述权益产品的对价资源信息,将所述对价资源信息携带在响应消息中发送给终端。所述权益产品用于保护该订单中权益受损方的权益。
本申请实施例中,接收用于定制权益产品的请求,该请求中携带有权益产品对应的订单的业务信息,如该订单中权益违规方的标识信息和各业务特征的取值信息,根据标识信息查询相应的权益违规方的历史违规信息,将历史违规信息和各业务特征的取值信息输入到用于预测违规概率的模型中,以预测权益违规方的违规概率,进而根据权益违规方的违规概率和在指定时间段内产生的所有历史订单的平均违规成本,确定该订单的违规成本,根据该订单的违规成本确定权益产品的对价资源信息,并将对价资源信息携带在响应消息中发送给终端,因为每个订单中业务特征的取值信息不同、权益违规方的违规信息也不相同,所以为每个订单预测的权益违规方的违规概率也不相同,最终确定的权益产品的对价资源信息也不相同,因此可实现因人而异、因单而异的对价资源信息,这样,对价资源信息的确定方式比较灵活,并且,因为不同人的违规情况不同,所以因人而异、因单而异的对价资源信息也比较合理。
在一种可能的实施方式下,根据所述权益违规方的违规概率和在指定时间段内产生的历史订单的平均违规成本,确定该订单的违规成本之前,还包括:
根据违规概率调整因子对所述权益违规方的违规概率进行调整,所述违规概率调整因子是根据在所述指定时间段内产生的历史订单的违规信息确定的;以及
根据所述权益违规方的违规概率和历史订单的平均违规成本确定该订单的违规成本,包括:
根据调整后所述权益违规方的违规概率和在所述指定时间段内产生的历史订单的平均违规成本,确定该订单的违规成本。
在一种可能的实施方式下,若设置有利润系数,则根据该订单的违规成本确定权益产品的对价资源信息,包括:
根据该订单的违规成本和所述利润系数确定所述权益产品的对价资源信息。
在一种可能的实施方式下,若所述业务信息还包括该订单中权益违规方的所在城市信息,则根据该订单的违规成本和所述利润系数确定所述权益产品的对价资源信息,包括:
根据该订单的违规成本、所述利润系数和对应城市的违规因子,确定所述权益产品的对价资源信息,所述违规因子是根据在所述指定时间段内产生的目标历史订单的平均违规成本和在所述指定时间段内产生的所有历史订单的平均违规成本确定的,所述目标历史订单中权益违规方的所在城市为该订单中权益违规方的所在城市。
在一种可能的实施方式下,若为所述用于预测违规概率的模型设置有风险恶化系数,则根据该订单的违规成本、所述利润系数和对应城市的违规因子,确定所述权益产品的对价资源信息,包括:
根据该订单的违规成本、所述利润系数、对应城市的违规因子和所述风险恶化系数,确定所述权益产品的对价资源信息,所述风险恶化系数用于表征所述模型低估该订单中权益违规方的违规概率的程度。
在一种可能的实施方式下,若该订单为租车订单,则该订单中的权益违规方和权益受损方均为租车用户;
若该订单为外卖订单,则该订单中的权益违规方为外卖派送人员,权益受损方为外卖订购者;
若该订单为购买影视会员的订单,则该订单中的权益违规方和权益受损方均为影视会员购买者。
在一种可能的实施方式下,根据以下步骤建立所述用于预测违章概率的模型:
获取样本订单,其中,每个样本订单对应一份用于联合建模的联合数据,所述样本订单中的用户标识和所述联合数据中的用户标识相同;
根据模型中设定的样本订单中各业务特征的权重信息、每个样本订单中各业务特征的取值信息和权益违规方的历史违规信息,确定第一加密中间结果,根据所述第一加密中间结果和接收到的第二加密中间结果,预测该样本订单中权益违规方的加密违规概率,根据所述加密违规概率和预先确定的该样本订单中权益违规方的违章概率,确定所述模型在预测该样本订单中权益违规方的加密违章概率时的加密梯度信息和加密损失值,其中,所述第二加密中间结果是联合建模方服务器根据该样本订单对应的联合数据和所述模型中设定的联合数据中各业务特征的权重信息确定的;
确定所述模型在预测各样本订单中权益违规方的加密违章概率时的总加密梯度信息和总加密损失值,将所述模型的总加密梯度信息和总加密损失值发送给协商服务器;
若接收到所述协商服务器发送的解密后的总梯度信息,则根据所述解密后的总梯度信息对所述模型中设定的样本订单中各业务特征的权重信息进行更新,并执行所述根据模型中设定的样本订单中各业务特征的权重信息、每个样本订单中各业务特征的取值信息和权益违规方的历史违规信息,确定第一加密中间结果的步骤;
若接收到停止训练的信息,则停止训练,将所述设定的样本订单中各业务特征的权重信息和接收到的所述设定的联合数据中各业务特征的权重信息,作为用于预测违规概率的模型的参数信息。
第二方面,本申请实施例提供的一种权益产品的定制装置,包括:
接收模块,用于接收用于定制权益产品的请求,所述请求中携带有所述权益产品对应的订单的业务信息,所述业务信息包括该订单中权益违规方的标识信息和各业务特征的取值信息;
预测模块,用于根据所述标识信息查询相应的权益违规方的历史违规信息,将所述历史违规信息和所述各业务特征的取值信息输入到用于预测违规概率的模型中,以预测所述权益违规方的违规概率;
确定模块,用于根据所述权益违规方的违规概率和在指定时间段内产生的历史订单的平均违规成本,确定该订单的违规成本,根据该订单的违规成本确定所述权益产品的对价资源信息;
发送模块,用于将所述对价资源信息携带在响应消息中发送给终端。
在一种可能的实施方式下,还包括:
调整模块,用于在根据所述权益违规方的违规概率和在指定时间段内产生的历史订单的平均违规成本,确定该订单的违规成本之前,根据违规概率调整因子对所述权益违规方的违规概率进行调整,所述违规概率调整因子是根据在所述指定时间段内产生的历史订单的违规信息确定的;
所述确定模块,具体用于根据调整后所述权益违规方的违规概率和在所述指定时间段内产生的历史订单的平均违规成本,确定该订单的违规成本。
在一种可能的实施方式下,若设置有利润系数,则所述确定模块,具体用于:
根据该订单的违规成本和所述利润系数确定所述权益产品的对价资源信息。
在一种可能的实施方式下,若所述业务信息还包括该订单中权益违规方的所在城市信息,则所述确定模块,具体用于:
根据该订单的违规成本、所述利润系数和对应城市的违规因子,确定所述权益产品的对价资源信息,所述违规因子是根据在所述指定时间段内产生的目标历史订单的平均违规成本和在所述指定时间段内产生的所有历史订单的平均违规成本确定的,所述目标历史订单中权益违规方的所在城市为该订单中权益违规方的所在城市。
在一种可能的实施方式下,若为所述用于预测违规概率的模型设置有风险恶化系数,则所述确定模块,具体用于:
根据该订单的违规成本、所述利润系数、对应城市的违规因子和所述风险恶化系数,确定所述权益产品的对价资源信息,所述风险恶化系数用于表征所述模型低估该订单中权益违规方的违规概率的程度。
在一种可能的实施方式下,若该订单为租车订单,则该订单中的权益违规方和权益受损方均为租车用户;
若该订单为外卖订单,则该订单中的权益违规方为外卖派送人员,权益受损方为外卖订购者;
若该订单为购买影视会员的订单,则该订单中的权益违规方和权益受损方均为影视会员购买者。
在一种可能的实施方式下,根据以下步骤建立所述用于预测违章概率的模型:
获取样本订单,其中,每个样本订单对应一份用于联合建模的联合数据,所述样本订单中的用户标识和所述联合数据中的用户标识相同;
根据模型中设定的样本订单中各业务特征的权重信息、每个样本订单中业务特征的取值信息和权益违规方的历史违规信息,确定第一加密中间结果,根据所述第一加密中间结果和接收到的第二加密中间结果,预测该样本订单中权益违规方的加密违规概率,根据所述加密违规概率和预先确定的该样本订单中权益违规方的违章概率,确定所述模型在预测该样本订单中权益违规方的加密违章概率时的加密梯度信息和加密损失值,其中,所述第二加密中间结果是联合建模方服务器根据该样本订单对应的联合数据和所述模型中设定的联合数据中各业务特征的权重信息确定的;
确定所述模型在预测各样本订单中权益违规方的加密违章概率时的总加密梯度信息和总加密损失值,将所述模型的总加密梯度信息和总加密损失值发送给协商服务器;
若接收到所述协商服务器发送的解密后的总梯度信息,则根据所述解密后的总梯度信息对所述模型中设定的样本订单中各业务特征的权重信息进行更新,并执行所述根据模型中设定的样本订单中各业务特征的权重信息、每个样本订单中业务特征的取值信息和权益违规方的历史违规信息,确定第一加密中间结果的步骤;
若接收到停止训练的信息,则停止训练,将所述设定的样本订单中各业务特征的权重信息和接收到的所述设定的联合数据中各业务特征的权重信息,作为用于预测违规概率的模型的参数信息。
第三方面,本申请实施例提供的一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中:
存储器存储有可被至少一个处理器执行的指令,该指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述权益产品的定制方法。
第四方面,本申请实施例提供的一种计算机可读介质,存储有计算机可执行指令,所述计算机可执行指令用于执行上述权益产品的定制方法。
另外,第二方面至第四方面中任一种设计方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果,此处不再赘述。
本申请的这些方面或其它方面在以下实施例的描述中会更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的权益产品的定制方法的应用场景示意图;
图2为本申请实施例提供的权益产品的定制方法的流程图;
图3为本申请实施例提供的利用联邦学习算法建立用于预测违章概率的模型的流程图;
图4为本申请实施例提供的利用联邦学习算法建立用于预测违章概率的模型的示意图;
图5为本申请实施例提供的用于实现权益产品的定制方法的电子设备的硬件结构示意图;
图6为本申请实施例提供的权益产品的定制装置的结构示意图。
具体实施方式
为了解决现有技术中存在的权益产品的对价资源信息的确定方式缺少个体差异性、不灵活的问题,本申请实施例提供了一种权益产品的定制方法及装置。
以下结合说明书附图对本申请的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
参见图1,图1示出了本申请实施例提供的权益产品的定制方法的应用场景示意图,包括,业务服务器和终端,其中,业务服务器如用于提供租车服务的服务器,用于提供外卖订购服务的服务器,用于提供购买影视会员服务的服务器等;终端如手机、iPad等。
在实际应用中,用户通过终端在业务服务器上订购业务,订单生成后即可为订单购买权益产品,具体地,终端向权益产品对应的服务器发送用于定制权益产品的请求,请求中携带有订单的业务信息,如订单中权益违规方的标识信息和各业务特征的取值信息,服务器在接收到该请求后,可根据标识信息查询相应的权益违规方的历史违规信息,将查询到的历史违规信息和订单中各业务特征的取值信息输入到用于预测违规概率的模型中,以预测权益违规方的违规概率,进而根据权益违规方的违规概率和在指定时间段内产生的所有历史订单的平均违规成本,确定该订单的违规成本,并根据该订单的违规成本确定用于保护该订单中权益受损方的权益的权益产品的对价资源信息,并将对价资源信息携带在响应消息中发送给终端。
这里,由于每个订单中各业务特征的取值信息不同、权益违规方的违规信息不同,所以为每个订单预测的权益违规方的违规概率也不相同,最终确定的权益产品的对价资源信息也不相同,因此,可确定出因单而异的对价资源信息,并且,因为不同人的违规情况不同,所以因单而异的对价资源信息也比较合理。
可选地,若订单为租车订单,则订单中的权益违规方和权益受损方均为租车用户,权益违规方的违规信息是指租车用户在使用车辆过程中出现的违章信息,权益受损方的权益是指如果在车辆使用过程中出现违章,租车用户拥有仅承担向交通部门上缴的违章罚款,而不必向租车公司额外支付违章罚款的权利。
采用本申请实施例提供的方案,如果租车用户或者租车公司为此次的租车订单购买了权益产品,则在租车用户出现违章以后,可由发售权益产品的第三方承担一部分的违章费用,这样,可将租车用户的违章罚款风险转嫁一部分给第三方,从而减少租车用户支出的违章罚款,因此,可以在一定程度上保护租车用户的权益。
可选地,若订单为外卖订单,则订单中的权益违规方为外卖派送人员,权益违规方的违规信息是指外卖派送人员在派送外卖的过程中出现的超时送达信息,权益受损方为外卖订购者,权益受损方的权益是指外卖订购者应当享有外卖被按时送达的权利。
采用本申请实施例提供的方案,如果外卖订购者或者商家为此次的外卖订单购买了权益产品,则在外卖派送人员出现超时送达的情况后,可由发售权益产品的第三方承担一部分的超时罚款费用,从而将外卖派送人员的超时罚款风险转嫁一部分给第三方,减少外卖派送人员支出的超时罚款,并且,超时罚款可支付给外卖订购者,因此还可以在一定程度上保护外卖订购者的权益。
可选地,若订单为购买影视会员的订单,则订单中的权益违规方和权益受损方均为影视会员购买者,权益违规方的违规信息是指影视会员购买者在购买影视会员后出现的在相应影视网站上观看影视的时长低于预设时长的信息,比如,影视会员购买者某个月在相应影视网站上观看影视的时长低于预设时长,则可记录一次违规,并可根据影视会员该月的总观影时长和预设时长之间的差值确定违规程度,权益受损方的权益是指影视会员购买者在购买影视会员后如果在相应影视网站上观看影视的时长低于预设时长,应当享有一定金额的退款的权利。
采用本申请实施例提供的方案,如果用户或者影视网站为此次的影视会员订单购买了权益产品,则在用户出现某月在影视网站上的总观影时长低于设定时长后,可由发售权益产品的第三方支付一部分的补偿费用给影视会员购买者,这样,将用户观看观影时长较低的风险转嫁一部分给第三方,并且,影视会员购买者可以得到补偿,因此可以在一定程度上保护影视会员购买者的权益。
如图2所示,为本申请实施例提供的权益产品的定制方法的流程图,包括以下步骤:
S201:接收用于定制权益产品的请求,其中,请求中携带有权益产品对应的订单的业务信息,该业务信息包括该订单中权益违规方的标识信息和各业务特征的取值信息。
在具体实施时,订单中的业务特征会因订单类型的不同而不同,比如,租车订单中的业务特征可以包括取车时间、还车时间、订单金额、用户账龄、是否异地还车等;外卖订单中的业务特征可以包括下单时间、外卖送达时间、订单金额等;购买影视会员的订单中的业务特征可以包括下单时间、会员过期时间、订单金额等。
S202:根据标识信息查询相应的权益违规方的历史违规信息。
在具体实施时,租车公司可以记录并统计每个租车用户的历史违章信息;外卖公司可以记录并统计每个外卖派送人员的历史超时送达信息;影视网站可以记录并统计每个影视会员购买者的历史低时观影信息,因此,可根据订单中权益违规方的标识信息直接查询相应的权益违规方的历史违规信息。
S203:将查询到的历史违规信息和订单中各业务特征的取值信息输入到用于预测违规概率的模型中对权益违规方的违规概率进行预测。
在具体实施时,查询到的历史违规信息和订单中各业务特征的取值信息可按照一定的次序组成行向量,将行向量输入到用于预测违规概率的模型中即可对订单中权益违规方的违规概率进行预测。
S204:根据违规概率调整因子对预测的权益违规方的违规概率进行调整,其中,违规概率调整因子是根据在指定时间段内产生的历史订单的违规信息确定的。
比如,可以根据以下公式确定违规概率调整因子λ:
其中,N为在指定时间段内产生的历史订单的总数,pj代表在指定时间段内产生的第j个历史订单的违规概率,可根据设定的违规概率确定规则确定,一般地,λ∈(0.45,未违章的历史订单的比例)。
S205:根据调整后权益违规方的违规概率和在指定时间段内产生的历史订单的平均违规成本,确定订单的违规成本。
其中,在指定时间段内产生的历史订单的平均违规成本等于在指定时间段内产生的历史订单的总违规成本与历史订单的总个数之比。比如,在指定时间段内产生了1000个历史订单,总违规成本为500元人民币,则历史订单的平均违规成本为500÷1000=0.5。
在具体实施时,可将调整后权益违规方的违规概率和在指定时间段内产生的历史订单的平均违规成本的乘积,确定为订单的违规成本。
S206:根据订单的违规成本确定权益产品的对价资源信息。
其中,权益产品的对价资源信息用于代表权益产品的交换价值,且对价资源信息可以用人民币的形式表示,也可以用积分的形式表示,当然也可以用优惠券的形式表示,只要与权益产品的价值相当即可。
在具体实施时,可以将订单的违规成与预设值的和确定为权益产品的对价资源,比如将订单的违规成本与200的和确定为权益产品的对价资源信息。
可选地,若设置有利润系数,则还可根据订单的违规成本和利润系数确定权益产品的对价资源信息,比如,将订单的违规成本和利润系数的乘积确定为权益产品的对价资源信息。
可选地,若订单的业务信息还包括该订单中权益违规方的所在城市信息,则可以根据在指定时间段内产生的目标历史订单的平均违规成本和在指定时间段内产生的所有历史订单的平均违规成本,确定该城市的违规因子,比如,将目标历史订单的平均违规成本与所有历史订单的平均违规成本的比值确定为该城市的违规因子,其中,目标历史订单中权益违规方的所在城市与该订单中权益违规方的所在城市相同,进一步地,可根据该订单的违规成本、利润系数和该城市的违规因子,确定权益产品的对价资源信息,比如,将订单的违规成本、利润系数和该城市的违规因子三者的乘积,确定为权益产品的对价资源信息。
可选地,若为用于预测违规概率的模型设置有风险恶化系数,其中,风险恶化系数用于表征该模型低估该订单中权益违规方的违规概率的程度,则可以根据该订单的违规成本、利润系数、对应城市的违规因子和风险恶化系数,确定权益产品的对价资源信息,比如,将订单的违规成本、利润系数、对应城市的违规因子和风险恶化系数四者的乘积,确定为权益产品的对价资源信息。
S207:将权益产品的对价资源信息携带在响应消息中发送给终端。
这里,若确定终端支付了相应的对价资源,且支付成功,则为订单购买的权益产品即可即生效,后续,若订单中的权益违规方出现违规,则可按照权益产品的具体内容进行责任划分和债务确定等操作。
上述用于预测违规概率的模型可以利用神经网络、深度学习等算法建立。另外,考虑到这些算法在建立用于预测违规概率的模型时仅能参考一个公司自身的数据,并不能对多个公司的数据进行综合分析,模型的准确率其实并不高,本申请实施例中还可以采用联邦学习算法建立用于预测违规概率的模型,因为联邦学习算法可以综合至少两家公司的数据、且在各方数据不脱离各自宿主的前提下进行联合建模,这样,不但可以提高建模的准确度,而且可保证各方数据的安全性。
具体地,可以参照图3,图3为本申请实施例提供的利用联邦学习算法建立用于预测违章概率的模型的流程图,包括以下步骤:
S301:获取样本订单,其中,每个样本订单对应一份用于联合建模的联合数据,且该样本订单中的用户标识和该联合数据中的用户标识相同。
假设A拥有联合数据、B拥有订单数据,则样本订单是从A和B的重叠用户所产生的订单中选择的。
S302:确定在预测每个样本订单的加密违章概率时模型的加密梯度信息和加密损失值。
具体地,B侧服务器可根据模型中设定的样本订单中各业务特征的权重信息、每个样本订单中各业务特征的取值信息和权益违规方的历史违规信息,确定第一加密中间结果,同时,A侧服务器可根据该样本订单对应的联合数据和模型中设定的联合数据中各业务特征的权重信息确定第二加密中间结果,然后将第二加密中间结果发送给B侧服务器,之后,B侧服务器可根据第一加密中间结果和接收到的第二加密中间结果,预测该样本订单中权益违规方的加密违规概率,并根据预测的加密违规概率和预先确定的该样本订单中权益违规方的违章概率,确定在预测加密违章概率时模型的加密梯度信息和加密损失值。
S303:根据在预测各样本订单中权益违规方的加密违章概率时模型的加密梯度信息和加密损失值,确定模型的总加密梯度信息和总加密损失值。
比如,将在预测各样本订单中权益违规方的加密违章概率时模型的加密梯度之和确定为模型的总加密梯度,将在预测各样本订单中权益违规方的加密违章概率时模型的加密损失值之和确定为模型的总加密损失值。
S304:将模型的总加密梯度信息和总加密损失值发送给协商服务器。
在具体实施时,协商服务器会接收到B侧服务器发送的模型在预测各样本订单中权益违规方的加密违章概率时的总加密梯度信息和总加密损失值,并且会接收到A侧服务器发送的模型在计算各第二加密中间结果时的总加密梯度信息,协商服务器可对B侧服务器发送的模型的总加密梯度信息和总加密损失值进行解密,得到解密后的总梯度信息和总损失值,若协商服务器确定总损失值满足收敛要求,则可向A侧服务器和B侧服务器发送停止训练的信息;若协商服务器确定总损失值不满足收敛要求,则可将解密后的B侧的总梯度信息发送给B侧服务器,将解密后的A侧的总梯度信息发送给A侧服务器,这样,B侧服务器在接收到B侧的总梯度信息后,可根据该总梯度信息对模型中设定的样本订单中各业务特征的权重信息进行更新,并进入下一轮预测,同样地,A侧服务器在接收到A侧的总梯度信息后,也可该总梯度信息对模型中设定的联合数据中各业务特征的权重信息进行更新,并进入下一轮预测,其中,收敛要求如总损失值连续若干次保持不变或者训练次数达到设定次数。
S305:接收协商服务器发送的信息,该信息为停止训练的信息或为解密后的总梯度信息,判断该信息是否为停止训练的信息,若否,则进人S306;若是,则进人S307。
其中,该信息不为停止训练的信息,即为解密后的总梯度信息。
S306:根据解密后的总梯度信息对模型中设定的样本订单中各业务特征的权重信息进行更新,并返回S302。
S307:停止训练,将模型中设定的样本订单中各业务特征的权重信息和接收到的模型中设定的联合数据中各业务特征的权重信息,作为用于预测违规概率的模型的参数信息。
下面以订单为租车订单为例对本申请实施例进行介绍。
首先,对建立用于预测违章概率的模型的过程进行介绍。
假设利用A、B两家公司的数据进行建模,其中,A公司提供的联合数据中的业务特征为以下一种或多种:人生状态、住房水平、出行方式、学历、工作习惯、职业、资讯偏好、汽车服务、生活服务、购车潜客、价格偏好、品牌偏好、保险人群、信用卡持有、借贷人群、理财人群、理财人群活跃度、出游国家、出游距离、出游人群;B公司为租车公司,提供的联合数据中的业务特征为以下一种或多种:是否违章、订单金额、是否异地、取车时间、还车时间、用车天数、用户驾龄、爱车指数、用户账龄、用户年租车频次、用户一年内违章次数、用户一年内违章金额、用户一年内违章扣分、用户历史成功取车次数、用户一年内单次平均消费金额。
在具体实施时,可先确定A、B两家公司的共同用户,然后从共同用户中选择建模数据,即对B公司选择的每个样本订单,在A公司选择的建模数据中均存在一份对应的联合数据,且该份联合数据中的用户标识与该样本订单中的用户标识相同。
参见图4,图4为本申请实施例提供的利用联邦学习算法建立用于预测违章概率的模型的示意图,其中,B侧服务器可根据模型中设定的样本订单中各业务特征的权重信息、每个样本订单中业务特征的取值信息和权益违规方的历史违规信息,确定第一加密中间结果,与此同时,A侧服务器可根据模型中设定的联合数据中各业务特征的权重信息和每个联合数据中业务特征的取值信息,确定第二加密中间结果,并将第二加密中间结果发送给B侧服务器。
进一步地,B侧服务器根据第一加密中间结果和接收到的第二加密中间结果,预测该样本订单中权益违规方的加密违规概率,根据加密违规概率和预先确定的该样本订单中权益违规方的违章概率,确定模型在预测该样本订单中权益违规方的加密违章概率时的加密梯度信息和加密损失值,进而确定模型在预测各样本订单中权益违规方的加密违章概率时的总加密梯度信息[[gB]]和总加密损失值[[loss]],并将总加密梯度信息[[gB]]和总加密损失值[[loss]]发送给协商服务器,与此同时,A侧服务器也会将确定的模型在计算各联合数据的第二加密中间结果时的总加密梯度信息[[gA]]发送给协商服务器。
协商服务器在接收到B侧服务器发送的总加密梯度信息[[gB]]和总加密损失值[[loss]]、A侧服务器发送的总加密梯度信息[[gA]]之后,可对总加密梯度信息[[gB]]、总加密损失值[[loss]]和总加密梯度信息[[gA]]进行解密,并根据解密后得到的损失值loss判断模型是否满足收敛条件,若未满足收敛条件,则将解密后的总梯度信息gB发送给B侧服务器,将解密后的总梯度信息gA发送给A侧服务器;若满足收敛条件,则向A侧服务器和B侧服务器发送停止训练的指令,其中,收敛条件如损失值loss连续若干次未发生变化、训练次数达到设定次数等。
B侧服务器若接收到协商服务器发送的总梯度信息gB,则根据总梯度信息gB对模型中设定的样本订单中各业务特征的权重信息进行调整,并进入下一轮训练,与此同时,A侧服务器也会接收到协商服务器发送的总梯度信息gA,并可根据总梯度信息gA对模型中设定的联合数据中各业务特征的权重信息进行调整,并进入下一轮训练。
B侧服务器若接收到协商服务器发送的停止训练的信息,则可将当前模型中设定的样本订单中各业务特征的权重信息和A侧服务器发送的当前模型中设定的联合数据中各业务特征的权重信息,作为用于预测违规概率的模型的参数信息。
后续,若产生新的租车订单,则终端可确定租车订单的业务信息,如租车用户的标识信息和各业务特征的取值信息,并向服务器发送携带有业务信息的用于定制权益产品的请求,服务器在接收到该请求后,可根据标识信息查询相应的租车用户的历史违规信息,将查询到的租车用户的历史违规信息和租车订单的各业务特征的取值信息输入到上述建立的用于预测违规概率的模型中,以预测租车用户的违规概率。
之后,可根据设置的用于对违规概率进行调整的调整因子对预测的租车用户的违规概率进行调整,并根据调整后租车用户的违规概率和历史订单的平均违规成本确定当前订单的违规成本。
比如,根据以下公式确定当前订单的违规成本BP(i):
BP(i)=AC*(λ+pi);
其中,AC为在指定时间段内产生的历史订单的平均违规成本,pi为模型预测的当前订单i中租车用户的违规概率,λ为违规概率调整因子,是根据在指定时间段内产生的历史订单的违规信息确定的。
比如,可根据以下公式确定λ:
其中,N为在指定时间段内产生的历史订单的总数,pj代表在指定时间段内产生的第j个历史订单的违规概率,可根据设定的违规概率确定规则确定,一般地,λ∈(0.45,未违章的历史订单的比例)。
进一步地,根据以下公式确定权益产品的对价资源信息TP:
TP=BP(i)*FC*OC*PC;
其中,FC是当前订单中租车用户所在城市的违规因子,FC=(城市的总违章成本/城市总订单数)/(全国总违章成本/全国总订单数);OC是为模型设置的用于表征模型低估当前订单中租车用户的违规概率的程度的风险恶化系数,一般取1.2~1.5;PC为利润系数,由租车公司根据自身经营目标制定。
本申请实施例中,驾车行为良好的租车用户因为历史违章情况比较少或者违章情节比较轻,所以最终看到的权益产品的对价资源信息会偏低,而经常违章、驾车习惯不好的租车用户最终看到的权益产品的对价资源信息会相对较高,因此,可呈现千人千面的权益产品。
参见图5所示,为本申请实施例提供的一种电子设备的结构示意图,该电子设备包括收发器501以及处理器502等物理器件,其中,处理器502可以是一个中央处理单元(central processing unit,CPU)、微处理器、专用集成电路、可编程逻辑电路、大规模集成电路、或者为数字处理单元等等。收发器501用于电子设备和其他设备进行数据收发。
该电子设备还可以包括存储器503用于存储处理器502执行的软件指令,当然还可以存储电子设备需要的一些其他数据,如电子设备的标识信息、电子设备的加密信息、用户数据等。存储器503可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器503也可以是非易失性存储器(non-volatilememory),例如只读存储器(read-only memory,ROM),快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)、或者存储器503是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器503可以是上述存储器的组合。
本申请实施例中不限定上述处理器502、存储器503以及收发器501之间的具体连接介质。本申请实施例在图5中仅以存储器503、处理器502以及收发器501之间通过总线504连接为例进行说明,总线在图5中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器502可以是专用硬件或运行软件的处理器,当处理器502可以运行软件时,处理器502读取存储器503存储的软件指令,并在所述软件指令的驱动下,执行前述实施例中涉及的确定权益产品的方法。
当本申请实施例中提供的方法以软件或硬件或软硬件结合实现的时候,电子设备中可以包括多个功能模块,每个功能模块可以包括软件、硬件或其结合。具体的,参见图6所示,为本申请实施例提供的权益产品的定制装置的结构示意图,包括接收模块601、预测模块602、确定模块603、发送模块604。
接收模块601,用于接收用于定制权益产品的请求,所述请求中携带有所述权益产品对应的订单的业务信息,所述业务信息包括该订单中权益违规方的标识信息和各业务特征的取值信息;
预测模块602,用于根据所述标识信息查询相应的权益违规方的历史违规信息,将所述历史违规信息和所述各业务特征的取值信息输入到用于预测违规概率的模型中,以预测所述权益违规方的违规概率;
确定模块603,用于根据所述权益违规方的违规概率和在指定时间段内产生的历史订单的平均违规成本,确定该订单的违规成本,根据该订单的违规成本确定所述权益产品的对价资源信息;
发送模块604,用于将所述对价资源信息携带在响应消息中发送给终端。
在一种可能的实施方式下,还包括:
调整模块605,用于在根据所述权益违规方的违规概率和在指定时间段内产生的历史订单的平均违规成本,确定该订单的违规成本之前,根据违规概率调整因子对所述权益违规方的违规概率进行调整,所述违规概率调整因子是根据在所述指定时间段内产生的历史订单的违规信息确定的;
所述确定模块603,具体用于根据调整后所述权益违规方的违规概率和在所述指定时间段内产生的历史订单的平均违规成本,确定该订单的违规成本。
在一种可能的实施方式下,若设置有利润系数,则所述确定模块603,具体用于:
根据该订单的违规成本和所述利润系数确定所述权益产品的对价资源信息。
在一种可能的实施方式下,若所述业务信息还包括该订单中权益违规方的所在城市信息,则所述确定模块603,具体用于:
根据该订单的违规成本、所述利润系数和对应城市的违规因子,确定所述权益产品的对价资源信息,所述违规因子是根据在所述指定时间段内产生的目标历史订单的平均违规成本和在所述指定时间段内产生的所有历史订单的平均违规成本确定的,所述目标历史订单中权益违规方的所在城市为该订单中权益违规方的所在城市。
在一种可能的实施方式下,若为所述用于预测违规概率的模型设置有风险恶化系数,则所述确定模块603,具体用于:
根据该订单的违规成本、所述利润系数、对应城市的违规因子和所述风险恶化系数,确定所述权益产品的对价资源信息,所述风险恶化系数用于表征所述模型低估该订单中权益违规方的违规概率的程度。
在一种可能的实施方式下,若该订单为租车订单,则该订单中的权益违规方和权益受损方均为租车用户;
若该订单为外卖订单,则该订单中的权益违规方为外卖派送人员,权益受损方为外卖订购者;
若该订单为购买影视会员的订单,则该订单中的权益违规方和权益受损方均为影视会员购买者。
在一种可能的实施方式下,根据以下步骤建立所述用于预测违章概率的模型:
获取样本订单,其中,每个样本订单对应一份用于联合建模的联合数据,所述样本订单中的用户标识和所述联合数据中的用户标识相同;
根据模型中设定的样本订单中各业务特征的权重信息、每个样本订单中业务特征的取值信息和权益违规方的历史违规信息,确定第一加密中间结果,根据所述第一加密中间结果和接收到的第二加密中间结果,预测该样本订单中权益违规方的加密违规概率,根据所述加密违规概率和预先确定的该样本订单中权益违规方的违章概率,确定所述模型在预测该样本订单中权益违规方的加密违章概率时的加密梯度信息和加密损失值,其中,所述第二加密中间结果是联合建模方服务器根据该样本订单对应的联合数据和所述模型中设定的联合数据中各业务特征的权重信息确定的;
确定所述模型在预测各样本订单中权益违规方的加密违章概率时的总加密梯度信息和总加密损失值,将所述模型的总加密梯度信息和总加密损失值发送给协商服务器;
若接收到所述协商服务器发送的解密后的总梯度信息,则根据所述解密后的总梯度信息对所述模型中设定的样本订单中各业务特征的权重信息进行更新,并执行所述根据模型中设定的样本订单中各业务特征的权重信息、每个样本订单中业务特征的取值信息和权益违规方的历史违规信息,确定第一加密中间结果的步骤;
若接收到停止训练的信息,则停止训练,将所述设定的样本订单中各业务特征的权重信息和接收到的所述设定的联合数据中各业务特征的权重信息,作为用于预测违规概率的模型的参数信息。
本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本申请各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。各个模块相互之间的耦合可以是通过一些接口实现,这些接口通常是电性通信接口,但是也不排除可能是机械接口或其它的形式接口。因此,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,既可以位于一个地方,也可以分布到同一个或不同设备的不同位置上。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
本申请实施例还提供了一种计算机可读存储介质,存储为执行上述处理器所需执行的计算机可执行指令,其包含用于执行上述处理器所需执行的程序。
在一些可能的实施方式中,本申请提供的权益产品的定制方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在电子设备上运行时,所述程序代码用于使所述电子设备执行本说明书上述描述的根据本申请各种示例性实施方式的权益产品的定制方法中的步骤。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于权益产品的定制的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在计算设备上运行。然而,本申请的程序产品不限于此,在本文件中,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。
可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种权益产品的定制方法,其特征在于,包括:
接收用于定制权益产品的请求,所述请求中携带有所述权益产品对应的订单的业务信息,所述业务信息包括该订单中权益违规方的标识信息和各业务特征的取值信息;
根据所述标识信息查询相应的权益违规方的历史违规信息,将所述历史违规信息和所述各业务特征的取值信息输入到用于预测违规概率的模型中,以预测所述权益违规方的违规概率;
根据所述权益违规方的违规概率和在指定时间段内产生的历史订单的平均违规成本,确定该订单的违规成本,根据该订单的违规成本确定所述权益产品的对价资源信息;
将所述对价资源信息携带在响应消息中发送给终端。
2.如权利要求1所述的方法,其特征在于,根据所述权益违规方的违规概率和在指定时间段内产生的历史订单的平均违规成本,确定该订单的违规成本之前,还包括:
根据违规概率调整因子对所述权益违规方的违规概率进行调整,所述违规概率调整因子是根据在所述指定时间段内产生的历史订单的违规信息确定的;以及
根据所述权益违规方的违规概率和历史订单的平均违规成本确定该订单的违规成本,包括:
根据调整后所述权益违规方的违规概率和在所述指定时间段内产生的历史订单的平均违规成本,确定该订单的违规成本。
3.如权利要求1所述的方法,其特征在于,若设置有利润系数,则根据该订单的违规成本确定权益产品的对价资源信息,包括:
根据该订单的违规成本和所述利润系数确定所述权益产品的对价资源信息。
4.如权利要求3所述的方法,其特征在于,若所述业务信息还包括该订单中权益违规方的所在城市信息,则根据该订单的违规成本和所述利润系数确定所述权益产品的对价资源信息,包括:
根据该订单的违规成本、所述利润系数和对应城市的违规因子,确定所述权益产品的对价资源信息,所述违规因子是根据在所述指定时间段内产生的目标历史订单的平均违规成本和在所述指定时间段内产生的所有历史订单的平均违规成本确定的,所述目标历史订单中权益违规方的所在城市为该订单中权益违规方的所在城市。
5.如权利要求4所述的方法,其特征在于,若为所述用于预测违规概率的模型设置有风险恶化系数,则根据该订单的违规成本、所述利润系数和对应城市的违规因子,确定所述权益产品的对价资源信息,包括:
根据该订单的违规成本、所述利润系数、对应城市的违规因子和所述风险恶化系数,确定所述权益产品的对价资源信息,所述风险恶化系数用于表征所述模型低估该订单中权益违规方的违规概率的程度。
6.如权利要求1所述的方法,其特征在于,
若该订单为租车订单,则该订单中的权益违规方和权益受损方均为租车用户;
若该订单为外卖订单,则该订单中的权益违规方为外卖派送人员,权益受损方为外卖订购者;
若该订单为购买影视会员的订单,则该订单中的权益违规方和权益受损方均为影视会员购买者。
7.如权利要求1所述的方法,其特征在于,根据以下步骤建立所述用于预测违章概率的模型:
获取样本订单,其中,每个样本订单对应一份用于联合建模的联合数据,所述样本订单中的用户标识和所述联合数据中的用户标识相同;
根据模型中设定的样本订单中各业务特征的权重信息、每个样本订单中各业务特征的取值信息和权益违规方的历史违规信息,确定第一加密中间结果,根据所述第一加密中间结果和接收到的第二加密中间结果,预测该样本订单中权益违规方的加密违规概率,根据所述加密违规概率和预先确定的该样本订单中权益违规方的违章概率,确定所述模型在预测该样本订单中权益违规方的加密违章概率时的加密梯度信息和加密损失值,其中,所述第二加密中间结果是联合建模方服务器根据该样本订单对应的联合数据和所述模型中设定的联合数据中各业务特征的权重信息确定的;
确定所述模型在预测各样本订单中权益违规方的加密违章概率时的总加密梯度信息和总加密损失值,将所述模型的总加密梯度信息和总加密损失值发送给协商服务器;
若接收到所述协商服务器发送的解密后的总梯度信息,则根据所述解密后的总梯度信息对所述模型中设定的样本订单中各业务特征的权重信息进行更新,并执行所述根据模型中设定的样本订单中各业务特征的权重信息、每个样本订单中各业务特征的取值信息和权益违规方的历史违规信息,确定第一加密中间结果的步骤;
若接收到停止训练的信息,则停止训练,将所述设定的样本订单中各业务特征的权重信息和接收到的所述设定的联合数据中各业务特征的权重信息,作为用于预测违规概率的模型的参数信息。
8.一种权益产品的定制装置,其特征在于,包括:
接收模块,用于接收用于定制权益产品的请求,所述请求中携带有所述权益产品对应的订单的业务信息,所述业务信息包括该订单中权益违规方的标识信息和各业务特征的取值信息;
预测模块,用于根据所述标识信息查询相应的权益违规方的历史违规信息,将所述历史违规信息和所述各业务特征的取值信息输入到用于预测违规概率的模型中,以预测所述权益违规方的违规概率;
确定模块,用于根据所述权益违规方的违规概率和在指定时间段内产生的历史订单的平均违规成本,确定该订单的违规成本,根据该订单的违规成本确定所述权益产品的对价资源信息;
发送模块,用于将所述对价资源信息携带在响应消息中发送给终端。
9.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中:
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7任一权利要求所述的方法。
10.一种计算机可读介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令用于执行如权利要求1至7任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910413326.XA CN110188930A (zh) | 2019-05-17 | 2019-05-17 | 一种权益产品的定制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910413326.XA CN110188930A (zh) | 2019-05-17 | 2019-05-17 | 一种权益产品的定制方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110188930A true CN110188930A (zh) | 2019-08-30 |
Family
ID=67716741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910413326.XA Pending CN110188930A (zh) | 2019-05-17 | 2019-05-17 | 一种权益产品的定制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188930A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669121A (zh) * | 2021-01-05 | 2021-04-16 | 拉扎斯网络科技(上海)有限公司 | 一种信息处理方法、装置、电子设备以及存储介质 |
CN113506153A (zh) * | 2021-07-16 | 2021-10-15 | 拉扎斯网络科技(上海)有限公司 | 一种信息展示方法及装置 |
CN113762846A (zh) * | 2020-10-22 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种面单文本判别方法和装置 |
CN115660744A (zh) * | 2022-12-22 | 2023-01-31 | 北京集度科技有限公司 | 一种权益分发方法、设备及产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060053037A1 (en) * | 2004-09-08 | 2006-03-09 | Kendall Errol O | System for searching and solving for insurance products |
CN107025604A (zh) * | 2016-12-19 | 2017-08-08 | 阿里巴巴集团控股有限公司 | 业务订单数据的生成方法及装置 |
CN109584090A (zh) * | 2018-11-28 | 2019-04-05 | 深圳启福数字科技有限公司 | 一种基于智能穿戴自动推送保险业务的方法及装置 |
CN109657837A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 违约概率预测方法、装置、计算机设备和存储介质 |
-
2019
- 2019-05-17 CN CN201910413326.XA patent/CN110188930A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060053037A1 (en) * | 2004-09-08 | 2006-03-09 | Kendall Errol O | System for searching and solving for insurance products |
CN107025604A (zh) * | 2016-12-19 | 2017-08-08 | 阿里巴巴集团控股有限公司 | 业务订单数据的生成方法及装置 |
CN109657837A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 违约概率预测方法、装置、计算机设备和存储介质 |
CN109584090A (zh) * | 2018-11-28 | 2019-04-05 | 深圳启福数字科技有限公司 | 一种基于智能穿戴自动推送保险业务的方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762846A (zh) * | 2020-10-22 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种面单文本判别方法和装置 |
CN113762846B (zh) * | 2020-10-22 | 2024-04-16 | 北京京东振世信息技术有限公司 | 一种面单文本判别方法和装置 |
CN112669121A (zh) * | 2021-01-05 | 2021-04-16 | 拉扎斯网络科技(上海)有限公司 | 一种信息处理方法、装置、电子设备以及存储介质 |
CN112669121B (zh) * | 2021-01-05 | 2023-12-19 | 拉扎斯网络科技(上海)有限公司 | 一种信息处理方法、装置、电子设备以及存储介质 |
CN113506153A (zh) * | 2021-07-16 | 2021-10-15 | 拉扎斯网络科技(上海)有限公司 | 一种信息展示方法及装置 |
CN115660744A (zh) * | 2022-12-22 | 2023-01-31 | 北京集度科技有限公司 | 一种权益分发方法、设备及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188930A (zh) | 一种权益产品的定制方法及装置 | |
Myerson | Optimal auction design | |
CN107704930B (zh) | 基于共享数据的建模方法、装置、系统及电子设备 | |
Habib et al. | Towards a trust management system for cloud computing | |
KR101751925B1 (ko) | 광고 마케터 중개 시스템 및 방법 | |
CN112465627B (zh) | 基于区块链和机器学习的金融借贷审核方法及系统 | |
CN109118224A (zh) | 区块链网络的工作量证明方法、装置、介质及电子设备 | |
US11200587B2 (en) | Facilitating use of select hyper-local data sets for improved modeling | |
US20220300955A1 (en) | Systems and methods of generating, validating, approving, recording, and utilizing digital data assets in a blockchain platform using a transactional proof of work | |
CN111563267A (zh) | 用于联邦特征工程数据处理的方法和装置 | |
CA3168992A1 (en) | Machine-learning techniques to generate recommendations for risk mitigation | |
JP2022535636A (ja) | 金融商品推薦方法、装置、電子機器及びプログラム | |
CN110992190A (zh) | 基于用户画像的资产配置方法及装置 | |
CN112580085A (zh) | 一种模型训练方法及装置 | |
Weng et al. | Credibility: How agents can handle unfair third-party testimonies in computational trust models | |
US10528965B2 (en) | Bundling application programming interfaces | |
Scarpi et al. | “With great power comes great responsibility”: Exploring the role of Corporate Digital Responsibility (CDR) for Artificial Intelligence Responsibility in Retail Service Automation (AIRRSA) | |
O'Donnell | Why the VPPA and COPPA Are Outdated: How Netflix, YouTube, and Disney+ Can Monitor Your Family at No Real Cost | |
CN117151859A (zh) | 模型训练及评估方法、相关装置、设备、介质及产品 | |
KR102334922B1 (ko) | 블록체인 기반의 데이터 모델 생성 시스템 | |
Neville et al. | A computational framework for social agents in agent mediated e-commerce | |
US20230186243A1 (en) | Smart contract-based project development using milestone based distribution | |
Hassan et al. | A comprehensive spectrum trading scheme based on market competition, reputation and buyer specific requirements | |
Dang et al. | An enhanced incentive mechanism for crowdsourced federated learning based on contract theory and shapley value | |
CN112184429A (zh) | 用户信息的处理方法以及区块链节点 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190830 |