CN110599292A - 逃单识别方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本公开的实施例提供了一种逃单识别方法、装置、电子设备及可读存储介质，所述方法包括：判断商家是否符合逃单条件；在确定商家符合逃单条件的情况下，将所述商家加入候选商家集合；验证所述候选商家集合中各候选商家的违约信息，从所述候选商家集合中确定违约信息符合逃单行为的目标商家。本公开的实施例可以准确识别存在逃单行为的商家。

Description

逃单识别方法、装置、电子设备及可读存储介质

技术领域

本公开的实施例涉及网络技术领域，尤其涉及一种逃单识别方法、装置、电子设备及可读存储介质。

背景技术

随着网络技术的发展，团购业务得到了迅速发展。用户可以浏览团购业务平台，并从中选择具体的商品，在平台中购买所选商品的优惠券，然后到该商品所属的线下门店，使用购买的优惠券购买该商品，从而完成一次消费闭环。

在上述过程中，平台起到为商家引流的重要作用，消费者的合法权益也因为平台的存在而得到了有效保障。但是，存在部分商家为了逃避平台佣金，在用户持优惠券到店消费时，引诱用户进行线下消费，用户线下消费后会对线上购买的优惠券进行退款，这种行为称为逃单行为。

逃单行为不仅给平台的正当利益带来损失，而且也侵害了用户的合法权益。因此，需要及时有效地识别具有逃单行为的商家，以减轻逃单行为带来的各方面的损失。然而，目前还不存在一种可以准确识别商家逃单行为的方法。

发明内容

本公开的实施例提供一种逃单识别方法、装置、电子设备及可读存储介质，用以准确识别存在逃单行为的商家。

根据本公开的实施例的第一方面，提供了一种逃单识别方法，所述方法包括：

判断商家是否符合逃单条件；

在确定商家符合逃单条件的情况下，将所述商家加入候选商家集合；

验证所述候选商家集合中各候选商家的违约信息，从所述候选商家集合中确定违约信息符合逃单行为的目标商家。

根据本公开的实施例的第二方面，提供了一种逃单识别装置，所述装置包括：

条件判断模块，用于判断商家是否符合逃单条件；

候选确定模块，用于在所述条件判断模块确定商家符合逃单条件的情况下，将所述商家加入候选商家集合；

逃单验证模块，用于验证所述候选确定模块得到的候选商家集合中各候选商家的违约信息，从所述候选商家集合中确定违约信息符合逃单行为的目标商家。

根据本公开的实施例的第三方面，提供了一种电子设备，包括：

处理器、存储器以及存储在所述存储器上并可在所述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程序时实现前述逃单识别方法。

根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述逃单识别方法。

本公开的实施例提供了一种逃单识别方法、装置、电子设备及可读存储介质，所述方法包括：

判断商家是否符合逃单条件；

在确定商家符合逃单条件的情况下，将所述商家加入候选商家集合；

验证所述候选商家集合中各候选商家的违约信息，从所述候选商家集合中确定违约信息符合逃单行为的目标商家。

本公开实施例通过判断商家是否符合逃单条件，在确定商家符合逃单条件的情况下，将所述商家加入候选商家集合，所述符合逃单条件指商家具有疑似逃单的行为，但是还未证实逃单行为是否真实。在构建候选商家集合之后，可以验证所述候选商家集合中各候选商家的违约信息，从所述候选商家集合中确定违约信息符合逃单行为的目标商家，根据候选商家的违约信息，验证候选商家的疑似逃单行为是否真实，可以保证目标商家符合逃单行为的准确性。由此，通过本公开实施例可以准确识别存在逃单行为的商家。

附图说明

为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的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公开的实施例的一些实施例，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示出了本公开的一个实施例中的逃单识别方法的步骤流程图；

图2示出了在本公开的一个实施例中的逃单识别装置的结构图；

图3示出了本公开的一个实施例提供的电子设备的结构图。

具体实施方式

下面将结合本公开的实施例中的附图，对本公开的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公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，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，都属于本公开的实施例保护的范围。

实施例一

参照图1，其示出了本公开的一个实施例中的逃单识别方法的步骤流程图，包括：

步骤101、判断商家是否符合逃单条件；

步骤102、在确定商家符合逃单条件的情况下，将所述商家加入候选商家集合；

步骤103、验证所述候选商家集合中各候选商家的违约信息，从所述候选商家集合中确定违约信息符合逃单行为的目标商家。

本公开实施例可以运行在任何具有计算和存储能力的设备上，如手机、平板电脑、PC(Personal Computer，个人电脑)、笔记本、服务器等设备；还可以由运行在两个或两个以上设备的逻辑节点来实现本公开实施例中的各项功能。

本公开实施例首先构建候选商家集合，将符合逃单条件的商家加入候选商家集合。所述符合逃单条件指商家具有疑似逃单的行为，但是还未证实逃单行为是否真实。在构建候选商家集合之后，对候选商家集合中各候选商家的违约信息进行验证，验证商家的疑似逃单行为是否真实，所述违约信息指用户通过在线平台生成商家的订单之后，对订单产生的退款信息或者逾期未消费等信息，所述订单可以为用户通过在线平台购买的商家消费券或者商家商品等产生的订单。本公开实施例从候选商家集合中确定违约信息(如退款信息)符合逃单行为的目标商家，也即确定退款信息并非由于订单质量等原因所产生，而是由于商家的逃单行为所产生，由此，可以确定目标商家即为存在逃单行为的商家(以下简称为逃单商家)。

其中，判断商家是否符合逃单条件，本公开实施例可以通过多个维度进行判断。具体地，本公开实施例可以提供如下四种判断商家是否符合逃单条件的可选方案。

方案一

方案一通过逃单预测模型，判断商家是否符合逃单条件。本公开实施例可以根据多个维度的特征数据训练逃单预测模型，用于判断商家是否符合逃单条件。

在本公开的一种可选实施例中，所述判断商家是否符合逃单条件，具体可以包括：

步骤S11、将商家的商家特征输入逃单预测模型；所述商家特征包括商家的流量信息、交易信息、评论信息、静态信息中的至少一种，所述逃单预测模型为根据收集的商家的历史商家特征训练得到的分类模型；

步骤S12、若所述逃单预测模型输出的逃单概率超过预设概率值，则确定所述商家符合逃单条件。

在本公开实施例中，可以预先训练得到逃单预测模型，在构建候选商家集合的过程中，可以对待识别的商家提取商家特征，将商家特征输入所述逃单预测模型，所述逃单预测模型可以输出该商家的逃单概率，若该逃单概率超过预设概率值，则可以确定所述商家符合逃单条件。

其中，提取的商家特征具体可以包括但不限于：商家的流量信息、交易信息、评论信息、静态信息。其中，商家的流量信息可以包括多个窗口期下的线上和线下流量；商家的交易信息可以包括多个窗口期下的下单消费、退款等信息；商家的评论信息可以包括用户对商家的历史评论信息，如好评率、差评率等；商家的静态信息，可以包括商家与项目的合作时长、项目价格和折扣等信息。

在本公开的一种可选实施例中，所述逃单预测模型的训练过程可以如下：

步骤S21、收集样本数据；

具体地，在还未建立逃单预测模型的情况下，本公开实施例可以先采用规则判定的方式，确定疑似逃单商家，所述规则可以为基于业务制定的规则，例如商家的周退款率是否大于预设周退款率，若大于，则确定该商家为疑似逃单商家；或者，商家的毛利率是否大于预设毛利率，若大于，则确定该商家为疑似逃单商家。可以理解，本公开实施例对于规则的制订方式不加以限制。然后对疑似逃单商家进行验证，将经过验证确认符合逃单行为的商家作为正样本，以及将不符合逃单行为的商家作为负样本。

步骤S22、根据样本数据，构造特征数据；

具体地，本公开实施例可以对步骤S11中收集的样本数据进行特征提取，得到用于训练逃单预测模型的商家特征数据。

本公开实施例提取的商家特征数据包括但不限于：商家的流量信息、交易信息、评论信息、静态信息。

步骤S23、根据特征数据，训练逃单预测模型；

具体地，构建初始逃单预测模型，并且根据步骤S12生成的特征数据，对初始逃单预测模型进行训练，得到训练完成的逃单预测模型。

所述逃单预测模型可以为二分类机器模型，如xgboost；或者，所述逃单预测模型可以为融合多种神经网络的深层神经网络模型。所述神经网络包括但不限于以下至少一种的组合、叠加、嵌套：CNN(Convolutional Neural Network，卷积神经网络)、LSTM(LongShort-Term Memory，长短时记忆)网络、RNN(Simple Recurrent Neural Network，循环神经网络)、注意力神经网络等。可以理解，本公开实施例对逃单预测模型的类型、以及模型的训练方式均不加以限制。

步骤S24、通过在线验证，对训练得到的逃单预测模型进行迭代优化，得到优化后的逃单预测模型。

在本公开的一种可选实施例中，在判断商家是否符合逃单条件之后，所述方法还包括：

步骤S31、将符合逃单条件的商家作为正样本，以及将不符合逃单条件商家作为负样本；

步骤S31、将所述正样本和所述负样本作为所述逃单预测模型的训练数据，优化所述逃单预测模型。

具体地，可以利用训练好的逃单预测模型，对商家的逃单概率进行在线预测，根据逃单预测模型输出的商家的逃单概率，构建候选商家集合，对候选商家集合中的候选商家按预测的逃单概率值由大到小的顺序排序，对排序后的候选商家的违约信息进行验证，将验证为逃单商家的商家数据加入正样本，以及将验证为非逃单商家的商家数据，加入负样本，重复前述模型训练过程，以对逃单预测模型进行迭代优化，得到优化后的逃单预测模型。

在本公开实施例中，所述逃单预测模型为根据大量商家样本数据训练得到，可以提高判断商家是否符合逃单条件的准确性，且逃单预测模型可以在应用中不断迭代优化，不断提高确定商家逃单概率的准确性，进而可以不断提高识别逃单商家的准确性。

方案二

方案二通过用户针对商家的评论信息，判断商家是否符合逃单条件。

在本公开的一种可选实施例中，所述判断商家是否符合逃单条件，具体可以包括：

步骤S41、获取用户针对商家的评论信息；

步骤S42、对所述评论信息进行解析，得到所述评论信息对应的分词向量；

步骤S43、若所述分词向量与预置词向量之间满足预设相似度，则确定所述商家符合逃单条件；其中，所述预置词向量为根据历史目标商家的历史评论信息解析得到。

用户针对商家的评论信息，在一定程度上可以反应用户的行为信息或者商家的行为信息。因此，本公开实施例还可以挖掘用户针对商家的评论信息，通过对评论信息进行统计分析，判定商家是否符合逃单条件。

具体地，本公开实施例可以首先从历史已经确认为逃单商家的评论信息中，统计分析得到预置词，所述预置词可以包括与商家逃单行为相关的高频词汇或短语等。

然后，获取用户对待识别商家的评论信息，对所述评论信息进行解析，得到所述评论信息对应的分词向量。

最后，对待识别商家的评论信息对应的分词向量与预置词对应的预置词向量进行匹配，如果所述分词向量与预置词向量之间满足预设相似度，则确定所述待识别商家符合逃单条件。

其中，评论信息对应的分词向量与预置词对应的预置词向量可以通过word2vec模型得到。Word2vec可以根据给定的语料库，通过优化后的训练模型快速有效地将一个词语表达成向量形式，为自然语言处理提供基础。

在本公开实施例中，所述预置词向量为根据历史目标商家的历史评论信息解析得到，例如所述预置词可以包括与商家逃单行为相关的高频词汇或短语，且用户针对商家的评论信息，在一定程度上可以反应用户的行为信息或者商家的行为信息，根据用户针对商家的评论信息，可以从用户的角度根据真实的反应商家是否符合逃单条件，可以进一步提高判断商家是否符合逃单条件的准确性，进而提高识别逃单商家的准确性。

方案三

方案三通过双访不购行为，判断商家是否符合逃单条件。其中，所述双访不购行为指，用户针对商家存在线下到店行为以及线上访问行为，且在预设时间内对所述线下到店行为以及线上访问行为对应的商家不存在购买行为。存在双访不购行为的用户，本公开实施例称之为双访不购用户。

在本公开的一种可选实施例中，所述判断商家是否符合逃单条件，具体可以包括：

步骤S51、根据用户的定位信息，获取用户针对商家的线下到店行为；

步骤S52、根据用户针对所述商家的线下到店行为以及线上访问行为，确定所述商家对应的双访不购用户；其中，所述双访不购用户为针对商家存在线下到店行为以及线上访问行为，且在预设时间内对所述线下到店行为以及线上访问行为对应的商家不存在购买行为的用户；

步骤S53、若所述商家对应的双访不购用户的用户数超过预设数值，则确定所述商家符合逃单条件。

具体地，本公开实施例可以通过用户的授权，对用户手持移动终端进行定位，获取用户的定位信息，根据用户的定位信息，可以获取用户针对商家的线下到店行为。

根据用户针对所述商家的线下到店行为以及线上访问行为，确定所述商家对应的双访不购用户。如果用户甲既在线上访问过商家A，且通过对用户甲的定位，确定用户甲线下也访问过商家A，并且用户甲访问商家A的当日并无购买行为，可以确定用户甲为商家A的双访不购用户。

根据本公开实施例对双访不购用户的定义，一个双访不购用户既访问了商家的线上页面，且通过对该用户的定位确定该用户线下也访问过该商家，且没有发生购买行为，则有一定可能是商家逃单引导用户走了线下消费流程。如果某商家的双访不购用户比较多，则该商家的逃单概率自然也会比较高。因此，如果商家对应的双访不购用户的用户数超过预设数值，则可以确定该商家符合逃单条件，可以加入候选商家集合。

在本公开实施例中，根据用户对商家的线上访问行为、线下到店行为、以及购买行为，定义了商家的双访不购用户，根据商家的双访不购用户的数量，判断商家是否符合逃单条件，由于双访不够行为可以在一定概率上反应商家的逃单行为，因此，本公开实施例可以从更多角度挖掘疑似逃单的商家，使得构建的候选商家集合可以包括更多可能的疑似逃单商家，进而可以提高识别逃单商家的准确性。

方案四

方案四通过用户针对商家的主动反馈信息，判断商家是否符合逃单条件。

在本公开的一种可选实施例中，所述判断商家是否符合逃单条件，具体可以包括：

步骤S61、获取用户针对商家的主动反馈信息；其中，所述用户针对商家的主动反馈信息至少包括如下任意一项：用户针对商家的来电反馈信息、用户针对商家的即时通信反馈信息、以及用户针对商家相关页面的文本反馈信息；

步骤S62、若所述主动反馈信息与逃单行为具有关联关系，则确定所述商家符合逃单条件。

本公开实施例还可以获取用户针对商家的主动反馈信息，通过对用户针对商家的主动反馈信息进行分析，判断所述主动反馈信息与逃单行为具有关联关系，如果具有关联关系，则可以确定商家符合逃单条件。

其中，用户针对商家的主动反馈信息包括但不限于：用户针对商家的来电反馈信息、用户针对商家的即时通信反馈信息、以及用户针对商家相关页面的文本反馈信息。所述主动反馈信息可以包括用户对商家的举报信息、投诉信息等任意反馈信息。例如，如果获取到用户对相关举报部门来电举报某商家的逃单行为，或者用户在相关举报页面上举报某商家的逃单行为，或者用户通过即时通信信息、留言、评论等方式举报某商家的逃单行为，均可确定被举报的商家符合逃单条件。

可以理解，上述判断商家是否符合逃单条件的方式仅作为本公开的一种应用示例，本公开实施例对判断商家是否符合逃单条件的具体方式不加以限制。在判断商家是否符合逃单条件的过程中，可以采用上述四种中的任意一种或者多种的组合，从多个维度确定符合逃单条件的商家，可以提高判断的准确性。

在构建候选商家集合之后，可以对候选商家集合中各候选商家的违约信息进行验证，判断候选商家集合中各商家的违约信息是否符合逃单行为，以从候选商家集合中确定违约信息符合逃单行为的目标商家。

例如，可以通过向用户进行回访的方式，验证候选商家集合中各候选商家的违约信息是否符合逃单行为，如果确定候选商家的违约信息是逃单行为所导致，则可以确定该候选商家为目标商家(即逃单商家)。

可以理解，本公开实施例对候选商家的违约信息的验证方式不加以限制。例如，可以线下去商家门店实地考察走访，确认商家是否逃单；或者，致电商家询问是否可以使用团购券，如果商家诱导其线下消费，则确认商家逃单。

在本公开的一种可选实施例中，在将所述商家加入候选商家集合之后，以及在验证所述候选商家集合中各候选商家的违约信息之前，所述方法还可以包括：

从所述候选商家集合中删除符合预设业务条件的候选商家，得到过滤后的候选商家集合；

所述验证所述候选商家集合中各候选商家的违约信息，从所述候选商家集合中确定违约信息符合逃单行为的目标商家，包括：

验证过滤后的候选商家集合中各候选商家的违约信息，从所述过滤后的候选商家集合中确定违约信息符合逃单行为的目标商家。

本公开实施例在对候选商家集合中各候选商家的违约信息进行验证之前，还可以对候选商家集合按照预设业务条件进行过滤，具体地，可以针对候选商家集合，过滤掉符合预设业务条件的候选商家，将符合预设业务条件的候选商家从候选商家集合中删除。

其中，所述符合预设业务条件具体可以包括：近期预设时间段内已经确定为逃单商家并且还未结束处罚流程的商家；和/或，商家资质符合预设要求的商家。由此可以避免确定重复的逃单商家，和/或，可以保留商家资质较高的优质大客户。

综上，本公开实施例通过判断商家是否符合逃单条件，在确定商家符合逃单条件的情况下，将所述商家加入候选商家集合，所述符合逃单条件指商家具有疑似逃单的行为，但是还未证实逃单行为是否真实。在构建候选商家集合之后，可以验证所述候选商家集合中各候选商家的违约信息，从所述候选商家集合中确定违约信息符合逃单行为的目标商家，根据候选商家的违约信息，验证候选商家的疑似逃单行为是否真实，可以保证目标商家符合逃单行为的准确性。由此，通过本公开实施例可以准确识别存在逃单行为的商家。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本公开实施例所必须的。

实施例二

参照图2，其示出了在本公开的一个实施例中的逃单识别装置的结构图，具体如下。

条件判断模块201，用于判断商家是否符合逃单条件；

候选确定模块202，用于在所述条件判断模块确定商家符合逃单条件的情况下，将所述商家加入候选商家集合；

逃单验证模块203，用于验证所述候选确定模块得到的候选商家集合中各候选商家的违约信息，从所述候选商家集合中确定违约信息符合逃单行为的目标商家。

可选地，所述条件判断模块，包括：

模型预测子模块，用于将商家的商家特征输入逃单预测模型；所述商家特征包括商家的流量信息、交易信息、评论信息、静态信息中的至少一种，所述逃单预测模型为根据收集的商家的历史商家特征训练得到的分类模型；

第一判定子模块，用于若所述逃单预测模型输出的逃单概率超过预设概率值，则确定所述商家符合逃单条件。

可选地，所述装置还包括：

样本获取模块，用于将符合逃单条件的商家作为正样本，以及将不符合逃单条件商家作为负样本；

模型优化模块，用于将所述样本获取模块获取的所述正样本和所述负样本作为所述逃单预测模型的训练数据，优化所述逃单预测模型。

可选地，所述条件判断模块，包括：

评论获取子模块，用于获取用户针对商家的评论信息；

评论解析子模块，用于对所述评论获取子模块获取的所述评论信息进行解析，得到所述评论信息对应的分词向量；

第二判定子模块，用于若所述评论解析子模块得到的所述分词向量与预置词向量之间满足预设相似度，则确定所述商家符合逃单条件；其中，所述预置词向量为根据历史目标商家的历史评论信息解析得到。

可选地，所述条件判断模块，包括：

行为获取子模块，用于根据用户的定位信息，获取用户针对商家的线下到店行为；

行为判断子模块，用于根据所述行为获取子模块获取的用户针对所述商家的线下到店行为以及线上访问行为，确定所述商家对应的双访不购用户；其中，所述双访不购用户为针对商家存在线下到店行为以及线上访问行为，且在预设时间内对所述线下到店行为以及线上访问行为对应的商家不存在购买行为的用户；

第三判定子模块，用于若所述行为判断子模块确定的所述商家对应的双访不购用户的用户数超过预设数值，则确定所述商家符合逃单条件。

可选地，所述装置还包括：

业务过滤模块，用于从所述候选商家集合中删除符合预设业务条件的候选商家，得到过滤后的候选商家集合；

所述逃单验证模块，具体用于验证所述业务过滤模块得到的过滤后的候选商家集合中各候选商家的违约信息，从所述过滤后的候选商家集合中确定违约信息符合逃单行为的目标商家。

可选地，所述条件判断模块，包括：

反馈获取子模块，用于获取用户针对商家的主动反馈信息；其中，所述用户针对商家的主动反馈信息至少包括如下任意一项：用户针对商家的来电反馈信息、用户针对商家的即时通信反馈信息、以及用户针对商家相关页面的文本反馈信息；

第四判定子模块，用于若所述反馈获取子模块获取的所述主动反馈信息与逃单行为具有关联关系，则确定所述商家符合逃单条件。

综上所述，本公开的实施例提供了一种逃单识别装置，所述装置包括：条件判断模块201，用于判断商家是否符合逃单条件；候选确定模块202，用于在所述条件判断模块确定商家符合逃单条件的情况下，将所述商家加入候选商家集合；逃单验证模块203，用于验证所述候选确定模块得到的候选商家集合中各候选商家的违约信息，从所述候选商家集合中确定违约信息符合逃单行为的目标商家。本公开实施例的逃单识别装置能够准确识别存在逃单行为的商家。

本公开的实施例还提供了一种电子设备，参见图3，包括：处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的计算机程序3021，所述处理器执行所述程序时实现前述实施例的逃单识别方法。

本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的逃单识别方法。

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。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的实施例的示例性实施例的描述中，本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的实施例的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

本公开的实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的排序设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。

以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。

Claims (16)

1.一种逃单识别方法，其特征在于，所述方法包括：

判断商家是否符合逃单条件；

在确定商家符合逃单条件的情况下，将所述商家加入候选商家集合；

验证所述候选商家集合中各候选商家的违约信息，从所述候选商家集合中确定违约信息符合逃单行为的目标商家。

2.根据权利要求1所述的方法，其特征在于，所述判断商家是否符合逃单条件，包括：

将商家的商家特征输入逃单预测模型；所述商家特征包括商家的流量信息、交易信息、评论信息、静态信息中的至少一种，所述逃单预测模型为根据收集的商家的历史商家特征训练得到的分类模型；

若所述逃单预测模型输出的逃单概率超过预设概率值，则确定所述商家符合逃单条件。

3.根据权利要求2所述的方法，其特征在于，在判断商家是否符合逃单条件之后，所述方法还包括：

将符合逃单条件的商家作为正样本，以及将不符合逃单条件商家作为负样本；

将所述正样本和所述负样本作为所述逃单预测模型的训练数据，优化所述逃单预测模型。

4.根据权利要求1所述的方法，其特征在于，所述判断商家是否符合逃单条件，包括：

获取用户针对商家的评论信息；

对所述评论信息进行解析，得到所述评论信息对应的分词向量；

若所述分词向量与预置词向量之间满足预设相似度，则确定所述商家符合逃单条件；其中，所述预置词向量为根据历史目标商家的历史评论信息解析得到。

5.根据权利要求1所述的方法，其特征在于，所述判断商家是否符合逃单条件，包括：

根据用户的定位信息，获取用户针对商家的线下到店行为；

根据用户针对所述商家的线下到店行为以及线上访问行为，确定所述商家对应的双访不购用户；其中，所述双访不购用户为针对商家存在线下到店行为以及线上访问行为，且在预设时间内对所述线下到店行为以及线上访问行为对应的商家不存在购买行为的用户；

若所述商家对应的双访不购用户的用户数超过预设数值，则确定所述商家符合逃单条件。

6.根据权利要求1所述的方法，其特征在于，在将所述商家加入候选商家集合之后，以及在验证所述候选商家集合中各候选商家的违约信息之前，所述方法还包括：

从所述候选商家集合中删除符合预设业务条件的候选商家，得到过滤后的候选商家集合；

所述验证所述候选商家集合中各候选商家的违约信息，从所述候选商家集合中确定违约信息符合逃单行为的目标商家，包括：

验证过滤后的候选商家集合中各候选商家的违约信息，从所述过滤后的候选商家集合中确定违约信息符合逃单行为的目标商家。

7.根据权利要求1所述的方法，其特征在于，所述判断商家是否符合逃单条件，包括：

获取用户针对商家的主动反馈信息；其中，所述用户针对商家的主动反馈信息至少包括如下任意一项：用户针对商家的来电反馈信息、用户针对商家的即时通信反馈信息、以及用户针对商家相关页面的文本反馈信息；

若所述主动反馈信息与逃单行为具有关联关系，则确定所述商家符合逃单条件。

8.一种逃单识别装置，其特征在于，所述装置包括：

条件判断模块，用于判断商家是否符合逃单条件；

候选确定模块，用于在所述条件判断模块确定商家符合逃单条件的情况下，将所述商家加入候选商家集合；

逃单验证模块，用于验证所述候选确定模块得到的候选商家集合中各候选商家的违约信息，从所述候选商家集合中确定违约信息符合逃单行为的目标商家。

9.根据权利要求8所述的装置，其特征在于，所述条件判断模块，包括：

模型预测子模块，用于将商家的商家特征输入逃单预测模型；所述商家特征包括商家的流量信息、交易信息、评论信息、静态信息中的至少一种，所述逃单预测模型为根据收集的商家的历史商家特征训练得到的分类模型；

第一判定子模块，用于若所述逃单预测模型输出的逃单概率超过预设概率值，则确定所述商家符合逃单条件。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：

样本获取模块，用于将符合逃单条件的商家作为正样本，以及将不符合逃单条件商家作为负样本；

模型优化模块，用于将所述样本获取模块获取的所述正样本和所述负样本作为所述逃单预测模型的训练数据，优化所述逃单预测模型。

11.根据权利要求8所述的装置，其特征在于，所述条件判断模块，包括：

评论获取子模块，用于获取用户针对商家的评论信息；

评论解析子模块，用于对所述评论获取子模块获取的所述评论信息进行解析，得到所述评论信息对应的分词向量；

第二判定子模块，用于若所述评论解析子模块得到的所述分词向量与预置词向量之间满足预设相似度，则确定所述商家符合逃单条件；其中，所述预置词向量为根据历史目标商家的历史评论信息解析得到。

12.根据权利要求8所述的装置，其特征在于，所述条件判断模块，包括：

行为获取子模块，用于根据用户的定位信息，获取用户针对商家的线下到店行为；

行为判断子模块，用于根据所述行为获取子模块获取的用户针对所述商家的线下到店行为以及线上访问行为，确定所述商家对应的双访不购用户；其中，所述双访不购用户为针对商家存在线下到店行为以及线上访问行为，且在预设时间内对所述线下到店行为以及线上访问行为对应的商家不存在购买行为的用户；

第三判定子模块，用于若所述行为判断子模块确定的所述商家对应的双访不购用户的用户数超过预设数值，则确定所述商家符合逃单条件。

13.根据权利要求8所述的装置，其特征在于，所述装置还包括：

业务过滤模块，用于从所述候选商家集合中删除符合预设业务条件的候选商家，得到过滤后的候选商家集合；

所述逃单验证模块，具体用于验证所述业务过滤模块得到的过滤后的候选商家集合中各候选商家的违约信息，从所述过滤后的候选商家集合中确定违约信息符合逃单行为的目标商家。

14.根据权利要求8所述的装置，其特征在于，所述条件判断模块，包括：

反馈获取子模块，用于获取用户针对商家的主动反馈信息；其中，所述用户针对商家的主动反馈信息至少包括如下任意一项：用户针对商家的来电反馈信息、用户针对商家的即时通信反馈信息、以及用户针对商家相关页面的文本反馈信息；

第四判定子模块，用于若所述反馈获取子模块获取的所述主动反馈信息与逃单行为具有关联关系，则确定所述商家符合逃单条件。

15.一种电子设备，其特征在于，包括：

处理器、存储器以及存储在所述存储器上并可在所述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程序时实现如权利要求1-7中一个或多个所述的逃单识别方法。

16.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如方法权利要求1-7中一个或多个所述的逃单识别方法。