CN110222869A - 商家逃单行为的识别方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种商家逃单行为的识别方法，属于计算机技术领域，有助于提升商家逃单行为识别准确率。本申请公开的商家逃单行为的识别方法包括：基于专家模型确定目标商家的至少一个逃单行为证据项的逃单行为描述特征；基于所述专家模型和所述至少一个逃单行为证据项的逃单行为描述特征，分别预测所述目标商家的对应各所述逃单行为证据项的逃单概率；通过对各所述逃单行为证据项的逃单概率进行线性融合，确定所述目标商家的第一逃单概率；基于预设多个机器学习模型分别对所述目标商家进行逃单概率预测，得到与所述机器学习模型各自对应的第二逃单概率；根据所述第一逃单概率、第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率。

Description

商家逃单行为的识别方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种商家逃单行为的识别方法、装置、电子设备及计算机可读存储介质。

背景技术

电子商务平台应为一便利性以及自身影响，为平台上的入住商家实现了用户引流和用户导入，平台和商家基于通过平台完成的订单成交量等资源结算数据进行资源结算。而商家的逃单行为则是通过各种行为对订单成交量等资源结算数据进行影响，从而影响平台和商家之间的资源结算准确性，对平台的收益产生了很大的影响。

为此，现有技术中出现了识别商家逃单行为的方法，主要包括：基于用户反馈，人工确定商家逃单行为；基于专家模型识别逃单商家；通过机器学习模型预测商家逃单概率，根据逃单概率识别逃单商家。然而，现有技术中的识别商家逃单行为的方法，至少存在一下缺陷：第一，基于用户反馈，由人工确定商家逃单行为准确率，且无法主动发现逃单商家；第二，基于专家模型识别逃单商家行为，不具备学习能力，无法识别层出不穷的逃单行为；第三，通过机器学习模型预测商家逃单概率的方法存在冷启动问题，在样本数量较少时，识别准确率低。

可见，现有技术中的商家逃单行为识别方法至少存在识别准确率低的缺陷。

发明内容

本申请提供一种商家逃单行为的识别方法，有助于提升商家逃单行为识别准确率。

为了解决上述问题，第一方面，本申请实施例提供了一种商家逃单行为的识别方法，包括：

基于专家模型确定目标商家的至少一个逃单行为证据项的逃单行为描述特征；

基于所述专家模型和所述至少一个逃单行为证据项的逃单行为描述特征，分别预测所述目标商家的对应各所述逃单行为证据项的逃单概率；

通过对所述目标商家的对应各所述逃单行为证据项的逃单概率进行线性融合，确定所述目标商家的第一逃单概率；

基于预设多个机器学习模型分别对所述目标商家进行逃单概率预测，得到与所述机器学习模型各自对应的第二逃单概率；

根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率。

第二方面，本申请实施例提供了一种商家逃单行为的识别装置，包括：

逃单行为描述特征确定模块，用于基于专家模型确定目标商家的至少一个逃单行为证据项的逃单行为描述特征；

单证据项逃单概率确定模块，用于基于所述专家模型和所述至少一个逃单行为证据项的逃单行为描述特征，分别预测所述目标商家的对应各所述逃单行为证据项的逃单概率；

第一逃单概率确定模块，用于通过对所述目标商家的对应各所述逃单行为证据项的逃单概率进行线性融合，确定所述目标商家的第一逃单概率；

第二逃单概率确定模块，用于基于预设多个机器学习模型分别对所述目标商家进行逃单概率预测，得到与所述机器学习模型各自对应的第二逃单概率；

逃单概率融合模块，用于根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率。

第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的商家逃单行为的识别方法。

第四方面，本申请实施例提供了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本申请实施例公开的商家逃单行为的识别方法的步骤。

本申请实施例公开的商家逃单行为的识别方法，通过基于专家模型确定目标商家的至少一个逃单行为证据项的逃单行为描述特征；基于所述专家模型和所述至少一个逃单行为证据项的逃单行为描述特征，分别预测所述目标商家的对应各所述逃单行为证据项的逃单概率；通过对所述目标商家的对应各所述逃单行为证据项的逃单概率进行线性融合，确定所述目标商家的第一逃单概率；基于预设多个机器学习模型分别对所述目标商家进行逃单概率预测，得到与所述机器学习模型各自对应的第二逃单概率；根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率，解决了现有技术中的商家逃单行为识别方法至少存在识别准确率低的问题。

附图说明

为了更清楚地说明本申请实施例的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例一的商家逃单行为的识别方法流程图；

图2是本申请实施例二的商家逃单行为的识别方法流程示意图；

图3是本申请实施例三的商家逃单行为的识别装置结构示意图之一；

图4是本申请实施例三的商家逃单行为的识别装置结构示意图之二。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例一

本实施例公开的一种商家逃单行为的识别方法，如图1所示，该方法包括：步骤110至步骤150。

步骤110，基于专家模型确定目标商家的至少一个逃单行为证据项的逃单行为描述特征。

本申请实施例中所述的逃单行为证据项为识别目标商家为逃单商家的描述，所述逃单行为证据项包括逃单行为描述特征。所述逃单行为描述特征为识别目标商家为逃单商家的数据支持，例如，用户线上线下双渠道访问且不购买的概率、退款概率、退款订单数量等。

本申请实施例中所述的专家模型可以为根据专家经验数据建立的数据处理模型，也可以为专家经验值等。例如，所述专家模型包括：特征处理模版、证据项生成模版、可以作为逃单行为描述特征的若干预设特征、逃单行为描述特征的确定方法、特征阈值设置方法等。所述专家模型中还包括用于确定逃单商家的至少一个逃单行为描述特征组合，每个所述逃单行为描述特征组合与确定商家的逃单行为的证据项对应，每个所述逃单行为描述特征组合中包括一个主特征(即下文中的第一逃单特征)和多个辅助特征(即下文中与所述第一逃单特征关联的逃单行为描述特征)。

其中，所述第一逃单特征为根据对所述逃单商家和所述非逃单商家在若干预设特征上的表现的分析结果确定的所述逃单商家和所述非逃单商家表现差异较大的逃单行为描述特征(见下文描述)，所述辅助特征为相应组合中与所述第一逃单特征关联的逃单行为描述特征。在本公开的另一些实施例中，所述主特征和辅助特征还可以根据专家经验确定。

本申请的一些实施例中，所述基于专家模型确定目标商家的至少一个逃单行为证据项的逃单行为描述特征的步骤之前，还包括：获取若干逃单商家的预设特征和若干非逃单商家的所述预设特征；根据对所述逃单商家和所述非逃单商家在各所述预设特征上的表现的分析结果，确定所述逃单商家和所述非逃单商家表现差异较大的预设数量的所述预设特征作为第一逃单特征；对于每个所述第一逃单特征，分别确定与所述第一逃单特征关联的所述预设特征，并将所述第一逃单特征关联的所述预设特征和所述第一逃单特征作为与所述第一逃单特征对应的逃单行为证据项的逃单行为描述特征；对于每个所述第一逃单特征，分别确定所述第一逃单特征对应的所述逃单行为证据项的每个所述逃单行为描述特征的特征值区间及预设特征阈值；对于每个所述逃单行为证据项，根据所述逃单行为证据项的每个所述逃单行为描述特征的特征值区间和专家知识构建与所述逃单行为证据项匹配的特征处理模版。

首先根据专家经验确定预设特征，所述预设特则为可能由于商家的逃单行为而导致取值发生变化的特征。所述预设特征包括：商家特征、用户特征、订单交易特征。

本申请的一些实施例中，所述用户特征进一步包括：用户反馈特征、用户线上行为特征、用户访问特征。其中，用户反馈特征包括用户是否线下到店、用户到店时间是否为合法接待时间等；用户线上行为特征包括用户购买频率、用户是否有退款、用户是否有逃单嫌疑、用户是否恶意索赔嫌疑；用户访问特征包括门店月访问量、用户线上访问商家频率、用户线下访问商家频率、线上线下访问商家且不购买的频率等。

本申请的一些实施例中，商家特征进一步包括：门店特征、周边竟对特征、门店线下交易特征、竟对合作特征、项目特征等。其中，门店特征包括是否新店、是否有wifi、是否有停车位、门店均价、门店总评论数、门店好评率、门店评分等；周边竟对特征包括：商圈门店量、同商圈同品类门店均价等；门店线下交易特征包括：门店最大承接顾客量等；竟对合作特征包括：同商圈同品类合作商家数量、同商圈同品类合作项目折扣率等；项目特征包括：项目折扣率、项目平均用餐人数、项目节假日是否可用、项目总评论数、项目评论分、项目售价、项目市场价、项目前一日退款次数、项目商家分成率等。

本申请的一些实施例中，订单交易特征包括：门店月验券量、门店周验券量、门店月退款率、门店周退款率、门店周访销率、项目前一日下单量、项目前一周验券量等。

具体到不同的应用场景中，所述预设特征可能会有所不同。

然后，确定逃单商家和非逃单商家。其中，所述逃单商家和非逃单可以为根据用户的反馈或业务人员的核验确定的逃单商家或非逃单商家。

接下来，确定逃单商家的上述预设特征数据构成正样本集合，确定非逃单商家的上述预设特征数据构成负样本集合。具体实施时，可以根据平台的历史订单数据、用户数据和商家数据，分别获取逃单商家和非逃单商家的上述预设特征的特征值。并通过现有技术中的数据分析方法(如利用线性相关性分析方法)对所述正样本集合中的正样本数据和所述负样本集合中的负样本数据在上述预设特征上的表现进行分析，并根据分析结果，确定在所述正样本数据和所述负样本数据中表现差异较大的预设数量(如5个)的所述预设特征作为第一逃单特征。例如，分析正样本数据和负样本数据在上述预设特征维度上的表现，发现正样本和负样本在退款概率，线上线下访问商家且不购买的频率等特征上表现差异最大，则可确定退款概率，线上线下访问商家且不购买的频率这两个特征作为第一逃单特征。

进一步的，根据每个所述第一逃单特征，根据专家知识，从所述预设特征中分别选择与所述第一逃单特征关联的辅助特征，并将与所述第一逃单特征关联的辅助特征和所述第一逃单特征作为与所述第一逃单特征对应的逃单行为证据项的逃单行为描述特征。通常单独的一个特征无法客观、准确的衡量商家的逃单行为，因此需要其他特则辅助说明。例如，以退款概率作为第一逃单特征(即衡量商家逃单的主要特征)时，因为退款概率本身波动较大，只有考虑退款量的情况下，退款概率才有意义，因此，可以将近7天退款量，近7天退款金额等做为辅助特征(即与所述第一逃单特征关联的预设特征)。

进一步的，还需要确定所述第一逃单特征的特征值区间和与所述第一逃单特征关联的辅助特征得特征值区间，用于确定证据项评分以及生成证据项。在本申请的一些实施例中，对于每个所述第一逃单特征，确定所述逃单行为描述特征的特征值区间包括：根据历史逃单商家的第一逃单特征值的分布数据确定所述第一逃单特征的特征值区间。例如，在分别确定作为正样本数据、负样本数据中门店的退款概率之后，可以确定退款概率的值域，如10％到70％，则10％到70％为退款概率的特征值区间。

进一步的，根据业务专家的经验确定各逃单行为描述特征的预设特征阈值。以逃单行为描述特征“退款概率”举例，如果业务专家经验认为退款概率大于50％时商家处于异常状态(即疑似存在逃单行为)，则确定50％为退款概率阈值。

在本申请的一些实施例中，对于所述第一逃单特征关联的辅助特征，确定所述逃单行为描述特征的特征值区间包括：根据专家知识确定所述辅助特征的特征值区间。

进一步的，对于每个所述逃单行为证据项，根据所述逃单行为证据项的每个所述逃单行为描述特征的特征值区间和专家知识构建与所述逃单行为证据项匹配的特征处理模版。所述特征处理模版用于指示对所述逃单行为证据项的每个逃单行为描述特征的特征值与相应逃单行为描述特征的特征值区间和可生成逃单行为证据项的评分的对应关系的判断匹配逻辑。如前所述，通过对平台的商家历史数据进行分析，已经确定了所述逃单行为证据项的第一逃单特征(即主特征)的特征区间值，(如10％到70％)，然后，在构建特征处理模版时，可以根据专家经验将所述特征区间值分段，得到多个子区间，并为每个子区间设置对应的评分。评分的值依据和业务专家和商业分析结果设置，并根据特征处理模版的线上运行情况做调整，评分越高表示逃单概率越大。

在本公开的一些实施例中，所述特征处理模版可以通过脚本语言定义。在所述特征处理模版中，需要定义作为主特征(即第一逃单特征，如退款概率)的逃单行为描述特征的各特征值子区间对应的评分，其中，所述评分用于指示当所述逃单行为描述特征的特征值在相应子区间时，该逃单行为描述特征可生成逃单行为证据项的评分。例如，7天退款概率在30％到50％之间时，评分为5；7天退款概率在50％到60％之间时，评分为6；7天退款概率在60％到70％之间时，评分为7，超过70％为8分。所述特征处理模版中，还需要定义作为辅助特征(即与所述住特征关联的预设特征，如：退款量、退款金额)的逃单行为描述特征的特征值区间对应的评分，辅助特征对应的评分用于生成证据项。

在本公开的一些实施例中，还包括:构建证据项生成模版。所述证据项生成模版以变量和表达式的形式设置，其中，至少部分所述变量与所述逃单行为描述特征可生成逃单行为证据项的评分对应，表达式包括多个字段，各个字段用“#“隔开。在本公开的另一些实施例中，所述证据项生成模版中的变量还可以表示除所述逃单行为描述特征的信息，如商家信息、门店信息等。所述证据项生成模版用于在计算设备执行本申请公开的商家逃单行为识别方法时，根据所述逃单行为描述特征的评分生成证据项描述信息。在本公开的一些实施例中,所述证据项生成模版通过java script脚本生成。每个证据项生成模板对应的脚本内容各不相同。比如一个周退款概率高的证据项生活模板可以表示为：

异常程度：

<script>if(${evidence#f#score#origin}>7){"高"}else if

(${evidence#f#score#origin}<＝7&&${evidence#f#score#origin}>＝6){"中"}else if(${evidence#f#score#origin}<6){"一般"}</script>

周退款量：${poi#f#refund7days#origin}，周下单订单：

${poi#f#orderCnt7days#origin},周退款率：

${poi#f#refundRatio7days#origin}

上述脚本的含义为：异常程度的描述信息为：如果证据得分大于7则用字体“高”代替，如果小于7大于6则用字体“中”代替，否则用“一般”来代替，同时，证据项中还包括：周退款量、周下单订单和周退款率信息。

本实施例中，以退款概率作为第一逃单特征，以周退款量、周下单订单和周退款率做为辅助特征举例，可以通过平台的交易数据获取退款概率、周退款量、周下单订单和周退款率的值。例如，退款概率＝45％、周退款量＝80、周下单订单＝120、周退款率＝20％。

在本申请的其他实施例中，如果专家模型中定义了多个证据项，专家模型中还会定义与所述多个证据项对应的多组逃单行为描述特征，则需要分别确定所述多组逃单行为描述特征的值。

步骤120，基于所述专家模型和所述至少一个逃单行为证据项的逃单行为描述特征，分别预测所述目标商家的对应各所述逃单行为证据项的逃单概率。

在本申请的一些实施例中，所述基于所述专家模型和所述至少一个逃单行为证据项的逃单行为描述特征，分别预测所述目标商家的对应各所述逃单行为证据项的逃单概率的步骤，包括：确定所述专家模型中包括的与所述至少一个逃单行为证据项匹配的特征处理模版；通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分；对于每个所述逃单行为证据项，将该逃单行为证据项的各所述逃单行为描述特征中预设逃单行为描述特征的所述评分，确定为所述目标商家的对应该逃单行为证据项的逃单概率。优选的，所述预设逃单行为描述特征为第一逃单特征。因为所述第一逃单特征是所述正样本数据和所述负样本数据中表现差异较大的特征，因此，将第一逃单特征的评分作为所述目标商家的单一逃单行为证据项的逃单概率，可以充分反映不同商家逃单概率的差别，并且，避免了以多个逃单行为描述特征的评分作为商家逃单概率导致的可解释性差的问题。

在确定了所述目标商家的各逃单行为证据项的逃单行为描述特征之后，分别基于专家模型中与每个逃单行为证据项对应的特征处理模版对相应的逃单行为证据项的逃单行为描述特征进行数据处理和判断，以确定相应所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分。

在本申请的一些实施例中，所述通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分的步骤，包括：通过执行预设的与所述特征处理模版对应的程序指令，对相应的逃单行为证据项的各所述逃单行为描述特征的特征值分别进行以下数据处理：将所述逃单行为描述特征的特征值与预设的特征值区间和得分的对应关系进行匹配判断，并确定与所述特征值匹配的得分作为所述逃单行为描述特征可生成逃单行为证据项的评分；其中，所述特征值区间、所述特征值区间和得分的对应关系是根据历史逃单商家数据和专家模型确定的。例如，所述特征处理模版通过脚本配置“周退款率”这一逃单行为描述特征的数据处理流程：当“周退款率”的特征值在30％到50％之间时对应得分为5分，当“周退款率”的特征值在50％到60％之间时对应得分为6分，当“周退款率”的特征值在60％到70％之间时对应得分为7分，当“周退款率”的特征值超过70％是对应得分为8分。当计算设备执行上述数据处理流程对应的程序指令时，对于确定的“周退款率”的特征值可以得到相应的得分。

“周退款率”这一逃单行为描述特征是专家模型中与“退款概率”这一逃单行为证据项的一个逃单行为描述特征，通过计算设备执行与“退款概率”这一逃单行为证据项匹配的特征处理模版中配置的所有特征处理流程对应的的程序指令，可以得到“退款概率”这一逃单行为证据项的每个逃单行为描述特征的特征值的得分。最后，将每个特征值的得分作为相应逃单行为描述特征可生成逃单行为证据项的评分。

在本申请的一些实施例中，将所述逃单行为证据项的逃单行为描述特征中的第一逃单特征的评分作为所述目标商家基于所述逃单行为证据项的逃单概率。

在本申请的另一些实施例中，如果所述专家模版中配置了识别商家逃单行为的多个证据项，则需要分别执行每个证据项匹配的所述特征处理模版中的特征处理流程，以分别确定多组逃单行为描述特征中每个逃单行为描述特征分别对应的得分，即分别确定多组逃单行为描述特征中每个逃单行为描述特征可生成逃单行为证据项的评分。

在本申请的一些实施例中，所述通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分的步骤之后，还包括：对于每个所述逃单行为证据项，根据确定的该逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分、所述专家模型中包括的证据项生成模版，生成该逃单行为证据项的描述信息。

进一步的，在分别确定了多组逃单行为描述特征中每个逃单行为描述特征可生成逃单行为证据项的评分之后，进一步执行所述专家模版中的证据项生成模版对应的指令，分别根据每组逃单行为描述特征生成相应的逃单行为证据项的描述信息。在本申请的一些实施例中，逃单行为证据项的描述信息包括逃单行为证据项的逃单行为描述特征及其特征值和/或评分、等级等信息。例如周涉嫌逃单引发退款高的证据项的描述信息为：“周涉嫌逃单引发退款高异常程度:中周涉嫌逃单引发退款数：1七天退款订单量：6七天退款率：0.34”。通过生成逃单行为证据项的描述信息，并在所述逃单行为证据项的描述信息展示识别逃单行为的依据，使得识别逃单行为的可解释性更强。

在本申请的一些实施例中，为了提升逃单行为的识别效率，在通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分之前，所述方法还包括：分别确定各所述逃单行为证据项的逃单行为描述特征是否满足预设特征阈值；若满足，则通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分。

其中，所述预设特征阈值在构建特征处理模版时，基于平台存储的数据的分析结果和专家经验确定。所述预设特征阈值可以设置在所述特征处理模版中，也可以通过独立的数据文件存储。例如，可以在所述特征处理模版中，采用脚本语言预先设置与该特征处理模版匹配的逃单行为证据项的每个逃单行为描述特征的特征阈值。然后，在识别商家逃单行为时，对于每个逃单行为证据项的所有逃单行为描述特征，分别将所述逃单行为描述特征的特征值与该逃单行为描述特征的特征阈值进行比较，如果某一逃单行为证据项的所有逃单行为描述特征的特征值均大于或等于所述特征阈值，则确定所述某一逃单行为证据项成立，可以继续执行后续的逃单行为证据项的描述信息生成步骤。否则，不执行基于该特征处理模版配置的后续数据处理，以提升数据处理效率。在本申请的一些实施例中，只有逃单行为证据项成立时，才能确定商家存在逃单行为。

步骤130，通过对所述目标商家的对应各所述逃单行为证据项的逃单概率进行线性融合，确定所述目标商家的第一逃单概率。

在本申请的一些实施例中，如果专家模型配置的某个逃单行为证据项成立，则可以基于专家模型确定一个目标商家基于该逃单行为证据项的逃单概率，因此，基于专家模型，可以确定该目标商家的0至多个逃单行为证据项对应的逃单概率。

在本申请的一些实施例中，对所述目标商家的对应各所述逃单行为证据项的逃单概率进行线性融合之前，通常还需要对各所述逃单行为证据项的逃单概率进行归一化处理，以统一量纲。

进一步的，通过对所述目标商家的对应各所述逃单行为证据项的逃单概率进行线性融合，将融合结果确定为所述目标商家的第一逃单概率。例如，将所述目标商家的对应各所述逃单行为证据项的归一化处理后的逃单概率相加或求平均值，将得到的结果作为所述目标商家的第一逃单概率。

步骤140，基于预设多个机器学习模型分别对所述目标商家进行逃单概率预测，得到与所述机器学习模型各自对应的第二逃单概率。

在本申请的一些实施例中，还可以预设多个机器学习模型，并分别通过每个所述机器学习模型对所述目标商家进行逃单概率预测。其中，所述多个机器学习模型在训练数据中正样本和负样本的选择范围、逃单行为描述特征的选取、模型算法维度具有差异性。所述多个机器学习模型可以为现有技术中的XGBoost模型或线性模型或其他模型。

所述多个机器学习模型的训练过程可以参见现有技术，本申请实施例中不再赘述。

在商家逃单行为识别过程中，对于每个所述机器学习模型，分别执行以下操作：根据商家关联的数据分别确定所述机器学习模型的匹配的所述逃单行为描述特征的特征值；将所述逃单行为描述特征的特征值输入至所述机器学习模型，得到与所述机器学习模型对应的第二逃单概率。至此，可以得到每个所述机器学习模型分别对所述目标商家进行逃单行为预测后输出的第二逃单概率。

步骤150，根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率。

经过前述步骤，可以确定所述目标商家基于专家模型的第一逃单概率，以及多个第二逃单概率，其中，所述每个所述第二逃单概率与一个所述机器学习模型对应。

在本申请的一些实施例中，所述根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率的步骤，包括：对与所述机器学习模型各自对应的第二逃单概率进行加权求和运算，得到第三逃单概率；对所述第一逃单概率和所述第三逃单概率进行加权融合，得到所述目标商家的逃单概率。其中，对与所述机器学习模型各自对应的第二逃单概率进行加权求和运算时，不同机器学习模型对应的第二逃单概率的加权值通过训练所述融合模型确定；对所述第一逃单概率和所述第三逃单概率进行加权融合时，所述第一逃单概率和所述第三逃单概率的加权值通过训练所述融合模型确定。

以所述预设融合模型为如下形式举例：

其中，escape为目标商家标识，P_{expert_model}(escape)为所述第一逃单概率，W₁为所述第一逃单概率的权重，为机器学习模型i对目标商家escape预测得到的第二逃单概率，W₂为所述第三逃单概率的权重，n与机器学习模型的数量匹配，n为大于等于1的自然数。W₁和W₂两个参数值决定了专家模型和多个机器学习模型对逃单概率的影响比率。

通过上述融合模型，可以得到每个目标商家的逃单概率。由于第一逃单概率是通过专家模型得到的，专家模型基于先验知识进行淘汰概率预测，不存在冷启动问题，即使没有用户或业务人员上报的逃单商家数据，仍然可以对商家的逃单行为进行预测。而机器学习模型可以挖掘出商家数据、用户数据和平台的交易数据之间潜在的数据分布关系，不存在强约束。因此，根据上述融合模型可以看出，采用上述融合模型进行商家逃单行为预测，结合了先验知识和实时数据，有利于提升商家逃单行为预测的准确性。

本申请实施例公开的商家逃单行为的识别方法，通过基于专家模型确定目标商家的至少一个逃单行为证据项的逃单行为描述特征；基于所述专家模型和所述至少一个逃单行为证据项的逃单行为描述特征，分别预测所述目标商家的对应各所述逃单行为证据项的逃单概率；通过对所述目标商家的对应各所述逃单行为证据项的逃单概率进行线性融合，确定所述目标商家的第一逃单概率；基于预设多个机器学习模型分别对所述目标商家进行逃单概率预测，得到与所述机器学习模型各自对应的第二逃单概率；根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率，解决了现有技术中的商家逃单行为识别方法至少存在识别准确率低的问题。

进一步的，基于专家模型预测目标商家的第一逃单概率时，结合了至少一个逃单行为证据项的逃单行为描述特征，使得确定的目标商家的逃单概率可解释性更强。

实施例二

基于实施例一，本实施例公开的一种商家逃单行为的识别方法，如图2所示，所述根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率的步骤之前。还包括：

步骤160，确定是否存在逃单行为证据项，若存在，则执行步骤150，否则，输出预测所述目标商家的逃单概率失败。

在本申请的一些优选实施例中，在根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率的步骤之前，首先判断是否存在逃单行为证据项，只有存在逃单行为证据项才进行融合确定逃单概率的步骤，否则，输出预测所述目标商家的逃单概率失败，结束当前商家的逃单概率计算。

在本申请的一些实施例中，可以根据逃单行为证据项的逃单行为描述特征的预设特征阈值的比较结果确定是否存在逃单行为证据项。如果某一是否逃单行为证据项的逃单行为描述特征的特征值全部满足相应的预设特征阈值，则确定存在该逃单行为证据项。以实施例一中的周涉嫌逃单引发退款高的证据项为例，如果该证据项的逃单行为描述特征：退款概率、周退款量、周下单订单和周退款率都满足相应的预设特征阈值，则确定存在周涉嫌逃单引发退款高的证据项；如果该证据项的逃单行为描述特征：退款概率、周退款量、周下单订单都满足相应的预设特征阈值，但是周退款率不满足相应的预设特征阈值，则确定周涉嫌逃单引发退款高的证据项不成立。

在识别到商家存在逃单行为时，现有技术中因无法提供有力的证据，经常导致商家不认可平台的判断结果或者平台给出的判断结果错误的情况。本申请实施例通过在确定存在商家逃单证据项的前提下，进一步根据逃单概率确定商家是否存在逃单行为，在确定商家存在逃单行为时，可以出示相应的证据项，避免商家不认可平台的判断结果。同时，所述证据项也可以用于平台对判断结果进行人工核验，进一步提升逃单行为识别的准确性。

在本申请的另一些实施例中，所述根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率的步骤之前，还包括：根据所述目标商家的逃单处理记录、预设除外商家名单、所述目标商家对应的所述逃单行为证据项，对所述目标商家进行过滤判断。

其中，逃单处理记录根据逃单行为识别结果确定，或根据业务人员的设置确定。例如，对于通过专家模型预测的逃单概率识别为逃单商家的目标商家，首先判断该商家是否包含在平台预设时间(如1个月内)存储的逃单处理记录中，如果在所述逃单处理记录中，说明已经确定该商家是逃单商家，无需再结合其他模型的处理结果进行识别，将该目标商家从需要融合模型进行识别的商家中筛选掉；否则，需要结合其他模型(如机器学习模型)预测的逃单概率进行融合识别。

所述预设除外商家名单是根据业务需求设置的，所述预设除外商家名单中的商家为业务上认为不应该识别其逃单行为的商家，例如战略大客。

另一方方面，对于每个机器学习模型预测为存在逃单行为的商家，需要筛选掉不具备逃单行为证据项的商家。

通过进行商家过滤，可以减少进行融合识别的商家的数量，减少计算设备的数据处理量，提升逃单行为识别的运算效率。

实施例三

本实施例公开的一种商家逃单行为的识别装置，如图3所示，所述装置包括：

逃单行为描述特征确定模块310，用于基于专家模型确定目标商家的至少一个逃单行为证据项的逃单行为描述特征；

单证据项逃单概率确定模块320，用于基于所述专家模型和所述至少一个逃单行为证据项的逃单行为描述特征，分别预测所述目标商家的对应各所述逃单行为证据项的逃单概率；

第一逃单概率确定模块330，用于通过对所述目标商家的对应各所述逃单行为证据项的逃单概率进行线性融合，确定所述目标商家的第一逃单概率；

第二逃单概率确定模块340，用于基于预设多个机器学习模型分别对所述目标商家进行逃单概率预测，得到与所述机器学习模型各自对应的第二逃单概率；

逃单概率融合模块350，用于根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率。

在本申请的一些实施例中，所述单证据项逃单概率确定模块320进一步用于：

确定所述专家模型中包括的与所述至少一个逃单行为证据项匹配的特征处理模版；

通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分；

对于每个所述逃单行为证据项，将该逃单行为证据项的各所述逃单行为描述特征中预设逃单行为描述特征的所述评分，确定为所述目标商家的对应该逃单行为证据项的逃单概率。

因为预设逃单行为描述特征是所述正样本数据和所述负样本数据中表现差异较大的特征，因此，将预设逃单行为描述特征的评分作为所述目标商家的单一逃单行为证据项的逃单概率，可以充分反映不同商家逃单概率的差别，并且，避免了以多个逃单行为描述特征的评分作为商家逃单概率导致的可解释性差的问题。

可选的，所述通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分的步骤，包括：

通过执行预设的与所述特征处理模版对应的程序指令，对相应的逃单行为证据项的各所述逃单行为描述特征的特征值分别进行以下数据处理：

将所述逃单行为描述特征的特征值与预设的特征值区间和得分的对应关系进行匹配判断，并确定与所述特征值匹配的得分作为所述逃单行为描述特征可生成逃单行为证据项的评分；

其中，所述特征值区间、所述特征值区间和得分的对应关系是根据历史逃单商家数据和专家模型确定的。

可选的，所述通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分的步骤之后，还包括：

对于每个所述逃单行为证据项，根据确定的该逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分、所述专家模型中包括的证据项生成模版，生成该逃单行为证据项的描述信息。

可选的，所述通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分的步骤之前，还包括：

分别确定各所述逃单行为证据项的逃单行为描述特征是否满足预设特征阈值；

若满足，则通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分。

在本申请的一些实施例中，参见图4，所述装置还包括：特征处理模版构建模块300，所述特征处理模版构建模块300用于：

获取若干逃单商家的预设特征和若干非逃单商家的所述预设特征；

根据对所述逃单商家和所述非逃单商家在各所述预设特征上的表现的分析结果，确定所述逃单商家和所述非逃单商家表现差异较大的预设数量的所述预设特征作为第一逃单特征；

对于每个所述第一逃单特征，分别确定与所述第一逃单特征关联的所述预设特征，并将所述第一逃单特征关联的所述预设特征和所述第一逃单特征作为与所述第一逃单特征对应的逃单行为证据项的逃单行为描述特征；

对于每个所述第一逃单特征，分别确定所述第一逃单特征对应的所述逃单行为证据项的每个所述逃单行为描述特征的特征值区间及特征阈值；

对于每个所述逃单行为证据项，根据所述逃单行为证据项的每个所述逃单行为描述特征的特征值区间和专家知识构建与所述逃单行为证据项匹配的特征处理模版。

在本申请的一些实施例中，所述预设特征包括：商家特征、用户特征、订单交易特征。

在本申请的一些实施例中，参见图4，所述装置还包括：商家过滤模块360，在根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率之前，所述商家过滤模块360进一步用于：根据所述目标商家的逃单处理记录、预设除外商家名单、所述目标商家对应的所述逃单行为证据项，对所述目标商家进行过滤判断。

在本申请的一些实施例中，参见图4，所述装置还包括证据项判断模块370，所述证据项判断模块370，用于确定是否存在逃单行为证据项；所述证据项判断模块370还用于若存在逃单行为证据项，则执行根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率的步骤，否则，输出预测所述目标商家的逃单概率失败。

本申请实施例公开的商家逃单行为的识别装置，用于实现本申请实施例一和实施例二中所述的商家逃单行为的识别方法的各步骤，装置的各模块的具体实施方式参见相应步骤，此处不再赘述。

本申请实施例公开的商家逃单行为的识别装置，通过基于专家模型确定目标商家的至少一个逃单行为证据项的逃单行为描述特征；基于所述专家模型和所述至少一个逃单行为证据项的逃单行为描述特征，分别预测所述目标商家的对应各所述逃单行为证据项的逃单概率；通过对所述目标商家的对应各所述逃单行为证据项的逃单概率进行线性融合，确定所述目标商家的第一逃单概率；基于预设多个机器学习模型分别对所述目标商家进行逃单概率预测，得到与所述机器学习模型各自对应的第二逃单概率；根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率，解决了现有技术中的商家逃单行为识别方法至少存在识别准确率低的问题。

进一步的，基于专家模型预测目标商家的第一逃单概率时，结合了至少一个逃单行为证据项的逃单行为描述特征，使得确定的目标商家的逃单概率可解释性更强。

相应的，本申请还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例一和实施例二所述的商家逃单行为的识别方法。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。

本申请还公开了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如本申请实施例一和实施例二所述的商家逃单行为的识别方法的步骤。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本申请提供的一种商家逃单行为的识别方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述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计算机可读存储介质中，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)执行各个实施例或者实施例的某些部分所述的方法。

Claims (12)

1.一种商家逃单行为的识别方法，其特征在于，包括：

基于专家模型确定目标商家的至少一个逃单行为证据项的逃单行为描述特征；

基于所述专家模型和所述至少一个逃单行为证据项的逃单行为描述特征，分别预测所述目标商家的对应各所述逃单行为证据项的逃单概率；

通过对所述目标商家的对应各所述逃单行为证据项的逃单概率进行线性融合，确定所述目标商家的第一逃单概率；

基于预设多个机器学习模型分别对所述目标商家进行逃单概率预测，得到与所述机器学习模型各自对应的第二逃单概率；

根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率。

2.根据权利要求1所述的方法，其特征在于，所述基于所述专家模型和所述至少一个逃单行为证据项的逃单行为描述特征，分别预测所述目标商家的对应各所述逃单行为证据项的逃单概率的步骤，包括：

确定所述专家模型中包括的与所述至少一个逃单行为证据项匹配的特征处理模版；

通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分；

对于每个所述逃单行为证据项，将该逃单行为证据项的各所述逃单行为描述特征中预设逃单行为描述特征的所述评分，确定为所述目标商家的对应该逃单行为证据项的逃单概率。

3.根据权利要求2所述的方法，其特征在于，所述通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分的步骤，包括：

通过执行预设的与所述特征处理模版对应的程序指令，对相应的逃单行为证据项的各所述逃单行为描述特征的特征值分别进行以下数据处理：

将所述逃单行为描述特征的特征值与预设的特征值区间和得分的对应关系进行匹配判断，并确定与所述特征值匹配的得分作为所述逃单行为描述特征可生成逃单行为证据项的评分；

其中，所述特征值区间、所述特征值区间和得分的对应关系是根据历史逃单商家数据和专家模型确定的。

4.根据权利要求2所述的方法，其特征在于，所述通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分的步骤之后，还包括：

对于每个所述逃单行为证据项，根据确定的该逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分、所述专家模型中包括的证据项生成模版，生成该逃单行为证据项的描述信息。

5.根据权利要求2所述的方法，其特征在于，所述通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分的步骤之前，还包括：

分别确定各所述逃单行为证据项的逃单行为描述特征是否满足预设特征阈值；

若满足，则通过所述特征处理模版，分别对与所述特征处理模版匹配的所述逃单行为证据项的逃单行为描述特征的特征值进行数据处理，确定各所述逃单行为证据项的各所述逃单行为描述特征可生成逃单行为证据项的评分。

6.根据权利要求1所述的方法，其特征在于，所述基于专家模型确定目标商家的至少一个逃单行为证据项的逃单行为描述特征的步骤之前，还包括：

获取若干逃单商家的预设特征和若干非逃单商家的所述预设特征；

根据对所述逃单商家和所述非逃单商家在各所述预设特征上的表现的分析结果，确定所述逃单商家和所述非逃单商家表现差异较大的预设数量的所述预设特征作为第一逃单特征；

对于每个所述第一逃单特征，分别确定与所述第一逃单特征关联的所述预设特征，并将所述第一逃单特征关联的所述预设特征和所述第一逃单特征作为与所述第一逃单特征对应的逃单行为证据项的逃单行为描述特征；

对于每个所述第一逃单特征，分别确定所述第一逃单特征对应的所述逃单行为证据项的每个所述逃单行为描述特征的特征值区间及特征阈值；

对于每个所述逃单行为证据项，根据所述逃单行为证据项的每个所述逃单行为描述特征的特征值区间和专家知识构建与所述逃单行为证据项匹配的特征处理模版。

7.根据权利要求6所述的方法，其特征在于，所述预设特征包括：商家特征、用户特征、订单交易特征。

8.根据权利要求1至7任一项所述的方法，其特征在于，所述根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率的步骤之前，还包括：

根据所述目标商家的逃单处理记录、预设除外商家名单、所述目标商家对应的所述逃单行为证据项，对所述目标商家进行过滤判断。

9.根据权利要求4所述的方法，其特征在于，所述根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率的步骤之前，还包括：

确定是否存在逃单行为证据项；

若存在，则执行根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率的步骤；否则，输出预测所述目标商家的逃单概率失败。

10.一种商家逃单行为的识别装置，其特征在于，包括：

逃单行为描述特征确定模块，用于基于专家模型确定目标商家的至少一个逃单行为证据项的逃单行为描述特征；

单证据项逃单概率确定模块，用于基于所述专家模型和所述至少一个逃单行为证据项的逃单行为描述特征，分别预测所述目标商家的对应各所述逃单行为证据项的逃单概率；

第一逃单概率确定模块，用于通过对所述目标商家的对应各所述逃单行为证据项的逃单概率进行线性融合，确定所述目标商家的第一逃单概率；

第二逃单概率确定模块，用于基于预设多个机器学习模型分别对所述目标商家进行逃单概率预测，得到与所述机器学习模型各自对应的第二逃单概率；

逃单概率融合模块，用于根据所述第一逃单概率、与所述机器学习模型各自对应的第二逃单概率，通过预设融合模型计算所述目标商家的逃单概率。

11.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任意一项所述的商家逃单行为的识别方法。

12.一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权利要求1至9任意一项所述的商家逃单行为的识别方法的步骤。