CN110689370B - 一种分类模型训练方法、装置及设备 - Google Patents

Abstract

本说明书实施例公开了一种分类模型训练方法、装置及设备。方法包括：首先，使用第一样本集和对应的标签训练初始分类模型，所述第一样本集中的第一样本包括用户设备检测到的商家设备发出的参考信号的强度变化信息；然后，使用初始分类模型从所述第一样本集中选出第二样本集，所述第二样本集中的第二样本包括满足预设条件的第一用户使用第一支付方式的进店支付过程对应的强度变化信息；然后，使用第二样本集和对应的标签训练目标分类模型。

Description

一种分类模型训练方法、装置及设备

技术领域

本文件涉及计算机技术领域，尤其涉及一种分类模型训练方法、装置及设备。

背景技术

线下用户行为是相对于线上用户行为而言的，包括用户在线下店进行的用户行为。目前，业务服务方为统计分析自家业务产品的用户使用情况，需要从线上和线下两个渠道收集用户的行为数据。

因此，需要提供更可靠的方案。

发明内容

本说明书实施例提供一种分类模型训练方法，用于预测用户使用第一支付方式的到店支付行为。

本说明书实施例还提供一种分类模型训练方法，包括：

获取第一样本集和对应的标签，所述第一样本集包括多个第一样本，所述多个第一样本包括第一用户设备集检测到的商家设备发出的参考信号的强度变化信息，所述强度变化信息用于表征用户与商家设备之间的距离变化，所述标签用于指示第一样本对应的支付方式是否为第一支付方式；

基于所述第一样本集和对应的标签，训练初始分类模型；

基于所述初始分类模型，从所述第一样本集中选出第二样本集，其中，所述第二样本集包括多个第二样本，所述多个第二样本包括第一用户使用第一支付方式的进店支付过程对应的强度变化信息，所述第一用户使用第一支付方式进行进店支付的次数占进店支付总次数的比例大于预设阈值；

基于所述第二样本集和对应的标签，训练目标分类模型。

本说明书实施例还提供一种分类模型训练装置，包括：

获取模块，获取第一样本集和对应的标签，所述第一样本集包括多个第一样本，所述多个第一样本包括第一用户设备集检测到的商家设备发出的参考信号的强度变化信息，所述强度变化信息用于表征用户与商家设备之间的距离变化，所述标签用于指示第一样本对应的支付方式是否为第一支付方式；

第一训练模块，基于所述第一样本集和对应的标签，训练初始分类模型；

筛选模块，基于所述初始分类模型，从所述第一样本集中选出第二样本集，其中，所述第二样本集包括多个第二样本，所述多个第二样本包括第一用户使用第一支付方式的进店支付过程对应的强度变化信息，所述第一用户使用第一支付方式进行进店支付的次数占进店支付总次数的比例大于预设阈值；

第二训练模块，基于所述第二样本集和对应的标签，训练目标分类模型。

本说明书实施例还提供一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上述的分类模型训练方法的步骤。

本说明书实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的分类模型训练方法的步骤。

本说明书一个实施例实现了通过用户设备采集上架设备广播的参考信号的强度变化信息，预测用户的到店支付行为，并从中筛选出‘铁粉’用户；并进一步使用‘铁粉’用户对应的强度变化信息，训练目标分类模型，以有效提高目标分类模型的预测精确度。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1a为本说明书提供的用户进店-离店场景的示意图；

图1b为本说明书提供的支付行为和路过行为的强度变化信息的对比示意图；

图2为本说明书一实施例提供的一种分类模型训练方法的流程示意图；

图3为本说明书一实施例提供的收集第一样本集步骤的流程示意图；

图4为本说明书一实施例提供的筛选第二样本集步骤的流程示意图；

图5为本说明书一实施例提供的分类模型应用步骤的流程示意图；

图6为本说明书一实施例提供的监控优惠活动使用情况的步骤的流程示意图；

图7为本说明书一实施例提供的用户到店情况预测步骤的流程示意图；

图8为本说明书一实施例提供的一种分类模型训练装置的结构示意图；

图9为本说明书一实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文件保护的范围。

下面对本说明书的应用场景进行示例性说明。

参见图1a，应用场景中包括：用户设备101、商家设备102和服务器103，其中：

商家设备102，是指置于商家线下店内的终端设备，配置有广播参考信号的功能模块，用于向周围广播特定参考信号。

用户设备101，是指用户所有的终端设备，具备收集特定参考信号的功能，用于收集周围环境中的特定参考信号，得到其信号强度信息；随着用户的进店-离店行为，用户设备101与商家设备102之间的距离不断发生变化，用户设备101采集到的特定参考信号的信号强度信息也不断变化，由此，可得到整个进店-离店过程中特定参考信号的强度变化信息并发送给服务器103。

参见图1b，假设虚线对应的强度变化信息是发生线下支付的强度变化信息，记为支付-强度变化信息；所述支付-强度变化信息分为三部分，第一部分为信号强度一直处于-80强度线下的前期部分，代表进店过程；第二部分为信号强度在-80强度线上下波动的中期部分，代表支付过程；第三部分为信号强度一直处于-80强度线下的后期部分，代表离店过程。其中，-80强度线可以为预设的发生线下支付时用户设备101检测到的特定参考信号的信号强度。

服务器103，可以是指支付产品的服务提供方，用于解析用户设备101采集的特定参考信号的强度变化信息，并预测用户是否进行了到店支付，或者，进一步预测用户是否使用所述支付产品进行到店支付。

其中，用户设备101一般是指可以在移动中使用的计算机设备，例如：手机、笔记本、平板电脑等移动终端；商家设备102一般是指布置在线下店内固定位置的PC，例如：收银设备、自助终端设备等；特定参考信号是预先约定的、可唯一标识商家设备102的信号，例如：携带商家设备102ID的信标Beacon信号。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图2为本说明书一实施例提供的一种分类模型训练方法的流程示意图，参见图2，所述方法具体可以包括如下步骤：

步骤202、获取第一样本集和对应的标签；

其中，所述第一样本集包括多个第一样本，所述多个第一样本包括第一用户设备集检测到的商家设备发出的参考信号的强度变化信息，所述强度变化信息用于表征用户与商家设备之间的距离变化；所述标签用于指示第一样本对应的支付方式是否为第一支付方式，可以由第一支付方式对应的服务器通过查询云端交易记录确认第一样本对应的支付方式是否为第一支付方式，对应的支付方式为第一支付方式的第一样本记为正样本，其他第一样本记为负样本。

参见图3，步骤202的一种实现方式可以为：

步骤302、获取所述第一用户设备集中的第一用户设备检测到的第一信号强度信息；其中，所述第一用户设备为所述第一用户设备集中的任一用户设备，所述第一用户设备集中的用户设备预装有测试用APP，所述测试用APP用于采集上述预约定的特定参考信号的信号强度信息，由此，可通过读取用户设备的设备日志，得到第一信号强度信息。

需要说明的是，步骤302具体可以示例为：

示例1、参见图1a，在第一用户设备对应的用户进店-离店的过程中，第一用户设备持续采集商家设备102广播的参考信号的信号强度信息；在此用户进店-离店的过程中，随着用户与商家设备之间的距离不断发生变化，第一用户设备采集到的参考信号的信号强度也不断变化，由此，可得到所述用户进店-离店的过程中的参考信号的强度变化信息，记为第一信号强度信息。

示例2、由于用户周围可能存在多个线下店，因此，第一用户设备也可能检测到所述多个线下店对应的多个商家设备广播的参考信号；对于此情况，在第一用户设备对应的用户进店-目标线下店-离店的过程中，第一用户设备在持续采集所述目标线下店对应的商家设备广播的参考信号的信号强度信息的同时，还可持续采集其他商家设备广播的参考信号的信号强度信息，得到所述多个商家设备广播的参考信号；然后，由于不同商家设备广播的参考信号中携带各自商家设备的标识，由此，第一用户设备可区分不同商家设备广播的参考信号，并分别累积每个商家设备广播的参考信号对应的信号强度信息，从而得到所述多个商家设备广播的参考信号的强度变化信息，并将其中任一商家设备广播的参考信号的强度变化信息记为第一信号强度信息。

步骤304、基于所述第一信号强度信息的时态数据，对所述第一信号强度信息进行拆分处理，得到至少一个强度变化信息；其中，所述时态数据用于表征第一信号强度信息在时间维度上的信号强度分布，所述信号强度分布包括：任一时间点对应的信号强度。

需要说明的是，步骤304的一种实现方式可以为：

解析所述第一信号强度信息中连续小于最小信号强度阈值的信号强度的分布时长，若分布时长大于分布时长阈值，则将所述分布时长对应的信号强度信息删除，得到所述第一信号强度信息中被删除部分前后的至少一个信号强度信息；对所述至少一个信号强度信息进行统计分析，得到至少一个强度变化信息，以尽可能保证每个强度变化信息用于表征单次的用户进店-离店过程。

其中，所述最小信号强度阈值可以为用户设备采集预设距离(例如：100m)处的商家设备发出的参考信号的信号强度，参见图1b，所述最小信号强度阈值优选为-120；所述分布时长阈值可以为用户从离店到进下一线下店花费时间的平均值，优选为30min。

进一步地，由于无法确保每个强度变化信息都对应一次用户进店-离店过程，因此，为降低干扰数据对模型训练的影响，方法还包括：过滤干扰数据的步骤，所述过滤干扰数据的步骤的一种实现方式可以为：

若所述第一用户设备为店员用户设备，则过滤所述至少一个强度变化信息中的第一强度变化信息；其中，所述店员用户设备包括收钱码与商家收钱码相同的用户设备和/或指定时间段内在商家位置的预设范围内上线时长大于预设时长的用户设备；所述第一强度变化信息为所述第一用户设备采集的第一参考信号的信号强度信息对应的强度变化信息，所述第一参考信号由所述第一用户设备所在线下店的商家设备发出。具体可以示例为：

示例1、确定商家设备的收钱码对应的商家ID，对比商家ID与所述第一用户设备对应的用户ID，若两者相匹配，则确认所述第一用户设备为店员用户设备并剔除。

示例2、确定所述第一用户设备的登录上线位置，并对比所述第一用户的登录上线位置和所述商家设备的商家位置；若对比获知所述第一用户设备经常在商家位置的预设范围内上线且时长大于预设时长，则确认所述第一用户设备为店员用户设备并剔除。

需要说明的是，所述过滤干扰数据的步骤的另一种实现方式可以为：

过滤所述至少一个强度变化信息中的第二强度变化信息；其中，所述第二强度变化信息中第一信号强度范围的信号分布时长大于第一时长阈值，或者，第一信号强度范围的信号分布时长小于第二时长阈值；所述第一信号强度范围为所述第一用户设备在线下店内检测到的所述线下店的商家设备发出的参考信号的信号强度范围。具体可以示例为：

示例1、参见图1b，假设所述第一信号强度范围为-80至-60，解析所述至少一个强度变化信息的时态数据，得到每个强度变化信息中的-80至-60的信号分布时长，若-80至-60的信号分布时长大于第一时长阈值，即用户长时间在线下店内，则认为用户为店员用户，将强度变化信息记为第二强度变化信息并过滤。其中，所述第一时长阈值远大于普通用户在线下店所呆时长的平均值，可以为店员用户每天在店时长的平均值，例如：5h。

示例2、参见图1b，假设所述第一信号强度范围为-80至-60，解析所述至少一个强度变化信息的时态数据，得到每个强度变化信息中的-80至-60的信号分布时长，若-80至-60的信号分布时长小于第二时长阈值，即用户一直未进店或者进店时间极短，则认为用户为路人，将强度变化信息记为第二强度变化信息并过滤。其中，所述第二时长阈值远小于普通用户在线下店所呆时长的平均值，例如：1min。

步骤306、基于所述至少一个强度变化信息，得到所述第一用户设备对应的至少一个第一样本，所述第一样本集包括所述第一用户设备集对应的第一样本。其一种实现方式可以为：

基于所述至少一个强度变化信息，得到至少一个强度变化曲线；对所述至少一个强度变化曲线进行特征提取处理，得到所述至少一个强度变化曲线对应的强度变化特征；基于所述至少一个强度变化曲线对应的强度变化特征，得到所述第一用户设备对应的至少一个第一样本。参见图1b，具体可以示例为：

首先，量化所述至少一个强度变化信息中的每个强度变化信息，得到每个强度变化信息对应的强度变化曲线；然后，基于预设的特征维度，提取每个强度变化曲线对应的强度变化特征；将每个强度变化信息对应的强度变化特征，作为一个第一样本。其中，所述预设的特征维度至少包括：强度变化曲线中连续10s内的强度平均值的最大值、强度变化曲线中连续10s内的强度平均值的最大值与所述强度变化曲线的强度平均值的差值、强度变化曲线中信号强度大于预设阈值(例如：-80)的时间占比、以及强度变化曲线中信号强度的最大值与强度变化曲线中的信号强度的平均值。

同理，可得到所述第一用户设备集中的其他用户设备对应的至少一个第一样本，将所述第一用户设备集对应的第一样本的集合作为第一样本集。

进一步地，由于进店未支付、路过线下店等情况占大多数，导致负样本的数量远大于正样本，因此，为保证第一样本集中的正样本和负样本的数量成比例(例如：1:2)，为后续模型训练提供合理的数据支持，方法还包括：抽样步骤，所述抽样步骤具体可以为：

确定所述第一用户设备集对应的第一样本中的正样本的数量；对所述第一用户设备集对应的第一样本中的负样本进行随机抽样处理，从中抽取出与正样本的数量相匹配数量的负样本；将样本和抽取出的负样本的集合作为第一样本集。

基于此，本说明书实施例通过分析信号强度信息的时态数据，以从中拆分出单次进店-离店行为对应的强度变化信息并作为第一样本，可为后续模型训练提供数据支持；而且，本说明书实施例还进一步剔除其中的干扰数据，降低干扰数据对模型训练的干扰，从而降低模型训练的难度、提高模型训练的精度。

步骤204、基于所述第一样本集和对应的标签，训练初始分类模型。

具体可以使用梯度下降树机器学习算法进行二分类训练，得到初始分类模型，所述初始分类模型用于预测强度变化信息对应的支付方式是否为第一支付方式。

步骤206、基于所述初始分类模型，从所述第一样本集中选出第二样本集；

其中，所述第二样本集包括多个第二样本，所述多个第二样本包括第一用户使用第一支付方式的进店支付过程对应的强度变化信息，所述第一用户使用第一支付方式进行进店支付的次数占进店支付总次数的比例大于预设阈值。

参见图4，所述步骤206的一种实现方式可以为：

步骤402、基于所述初始分类模型，预测所述多个第一样本对应的支付方式是否为所述第一支付方式；

步骤404、基于所述多个第一样本对应的预测结果，得到所述第一用户设备集对应的用户群体中的用户使用所述第一支付方式进行进店支付的次数；

步骤406、对比服务器记录的所述用户群体中的用户进店支付的总次数，得到所述用户群体中的第一用户；

步骤408、基于所述第一用户对应的第一样本，得到所述第二样本集。

对于步骤402至步骤408，其具体可以示例为：

示例1、假设第一样本集中目标用户的用户设备采集的第一样本的数量为100个，基于所述初始分类模型，预测出100个第一样本中使用第一支付方式进行到店支付的第一样本的数量为80个；然后，基于每个第一样本对应的发生时间，通过查询所述目标用户在云端的对应时间的交易记录，核实所述目标用户进行70次交易，即使用70次第一支付方式进行到店支付，预测占比为70/80＝87.5％，满足预设条件所要求的预测占比(例如：所要求的预测占比为60％)，则将所述目标用户作为第一用户，记为所述第一支付方式的‘铁粉’用户。

示例2、假设第一样本集中目标用户的用户设备采集的第一样本的数量为100个，基于所述初始分类模型，预测出100个第一样本中使用第一支付方式进行到店支付的第一样本的数量为80个；然后，基于每个第一样本对应的发生时间，通过查询所述目标用户在云端的对应时间的交易记录，核实所述目标用户进行40次交易，即使用40次第一支付方式进行到店支付，预测占比为40/80＝50％，不满足预设条件所要求的预测占比，则筛除所述目标用户。

基于步骤402至步骤408的示例1和示例2，同理可确定出所述第一用户设备集对应的用户群体中的第一支付方式的其他‘铁粉’用户，并将‘铁粉’用户对应的第一样本的集合作为第二样本集。

步骤208、基于所述第二样本集和对应的标签，训练目标分类模型。

基于此，本说明书实施例通过从第一用户设备集对应的用户群体中筛选出作为第一支付方式的‘铁粉’用户的用户子群体，并使用‘铁粉’用户的第一样本进行目标分类模型的训练，由于‘铁粉’用户的第一样本能够比较真实的反映用户使用第一支付方式进行的到店支付行为过程，因此，能够有效提高训练的目标分类模型的精度。

综上所述，本说明书实施例通过用户设备采集上架设备广播的参考信号的强度变化信息，以预测用户的到店支付行为，并从中筛选出‘铁粉’用户；进一步地，使用‘铁粉’用户对应的强度变化信息，训练目标分类模型，以有效提高目标分类模型的预测精确度。

图5为本说明书一实施例提供的一种分类模型应用步骤的流程示意图，参见图5，所述分类模型应用步骤具体可以为：

步骤502、获取第二用户设备集检测到的商家设备发出参考信号的强度变化信息；其中，所述第二用户设备集是指安装有第一支付方式对应的支付APP的设备的集合或其中的一部分。

步骤504、基于所述目标分类模型，预测所述第二用户设备集检测到的强度变化信息对应的支付方式。其中，所述目标分类模型可以为图2对应实施例中的目标分类模型。

步骤506、基于所述第二用户设备集对应的预测结果，得到所述第一支付方式在进店支付市场的占有率。

对于步骤502和步骤506，其一种实现方式可以为：

首先，第二用户设备集中的用户设备检测到的是信号强度信息，通过上述步骤302至步骤306，可得到所述第二用户设备集对应的多个强度变化信息；然后，量化所述第二用户设备集采集的多个强度变化信息，得到多条强度变化曲线；然后，按照所述预设的特征维度，对每一条强度变化曲线进行特征提取处理，得到每一条强度变化曲线对应的强度变化特征；然后，将每一条强度变化曲线对应的强度变化特征输入所述目标分类模型，得到所述目标分类模型输出的预测结果，所述预测结果用于表征是否为使用第一支付方式进行的到店支付行为；然后，对使用第一支付方式的每一笔到店支付进行统计分析，得到第二用户设备集对应的用户群体的使用第一支付方式的到店支付量；最后，通过查询所述用户群体的交易记录，确定所述用户群体的总的到店支付量，进而计算使用第一支付方式的到店支付量占所述用户群体的总的到店支付量的占比，为分析第一支付方式对应的支付产品(记为第一支付产品)的线下市场占有率提供数据支持。

进一步地，为便于了解第一支付方式的优惠活动效果，供后续决策，所述优惠活动可以为红包、折扣等，本方法还包括：监控优惠活动使用情况的步骤，参见图6，所述监控优惠活动使用情况的步骤具体可以为：

步骤602、确定第一强度变化信息集，所述第一强度变化信息集为所述第二用户设备集检测到的强度变化信息中对应的支付方式为所述第一支付方式的强度变化信息的集合；

步骤604、查询用户交易详情，确定所述第一强度变化信息集对应的进店支付的优惠使用数据，所述优惠使用数据用于表征用户参与所述第一支付方式的优惠活动的力度；

其中，所述优惠使用数据包括所述第一强度变化信息集中的每个强度变化信息对应的到店支付是否参与优惠活动以及优惠使用情况，所述优惠使用情况包括使用的优惠方式(例如：代金券、红包等)以及优惠力度(例如：代金券的额度、红包的额度等)。

步骤606、基于第一强度变化信息集对应的优惠使用数据，确定所述第一支付方式的优惠活动的用户参与情况。其一种实现方式可以为：

对每个强度变化信息对应的到店支付的优惠使用数据进行统计分析，得出参与优惠活动的用户人数、用户使用每种优惠方式的占比、以及用户使用每种额度的优惠方式的占比等用户参与情况。

需要说明的是，上述步骤602至步骤606具体可以示例为：

假设第一支付产品的服务商提供了扫描领红包的优惠活动，通过将领红包的二维码置于线下店内，供用户扫描领红包并进行线下支付，则对第一强度变化信息集中的强度变化信息进行预测，并查询服务器端的交易记录，以分析每一笔交易是否有使用所述优惠活动，以及参与所述优惠活动的支付次数占总支付次数的占比，以确定所述优惠活动的用户参与度等，供分析所述优惠活动的效果。

基于此，本说明书实施例通过从用户的维度预测用户群体使用第一支付方式进行线下到店支付的支付量，并对比服务器端记录的用户群体进行线下到店支付的总的支付量，可准确得到第一支付方式对应的支付产品的线下市场占有率。

图7为本说明书一实施例提供的用户到店情况预测步骤的流程示意图，参见图7，所述用户到店情况预测步骤具体可以为：

步骤702、确定第二强度变化信息集，所述第二强度变化信息集为所述第二用户设备集检测到的强度变化信息中第一商家设备发出的参考信号对应的强度变化信息的集合；其中，第一商家设备可以是任一线下店的商家设备，例如：收银台、自助服务终端等。

需要说明的是，步骤702的一种实现方式可以为：

首先，读取授权的第二用户设备集中的用户设备的设备日志，收集各用户设备检测到的参考信号的强度变化信息；然后，结合第一商家设备发出的参考信号携带的第一商家设备标识，从中选出携带的第一商家设备标识的参考信号对应的强度变化信息的集合，作为第二强度变化信息集。

步骤704、基于目标分类模型，预测所述第二强度变化信息集中的强度变化信息对应的支付方式。其中，所述目标分类模型可以为图2对应实施例中的目标分类模型。

步骤706、基于所述第二强度变化信息集对应的预测结果，得到所述第一商家设备对应的线下店的用户到店支付情况。

对于步骤704和步骤706，其一种实现方式可以为：

首先，量化所述第二强度变化信息集中的每个强度变化信息，得到所述第二强度变化信息集对应的强度变化曲线集；然后，剔除所述强度变化曲线集中的干扰数据，所述干扰数据包括：所述第一商家设备所在线下店中的店员、店长等用户的设备收集的强度变化曲线，以及路过线下店的用户的设备收集的强度变化信息；然后，对强度变化曲线进行特征提出处理，得到每条强度变化曲线对应强度变化特征并输入至所述目标分类模型，得到所述目标分类模型输出的预测结果，所述预测结果用于表征是否使用第一支付方式进行到店支付；最后，对预测结果进行统计分析，从而得到第一商家设备所在线下店的用户到店支付情况。

基于此，本说明书实施例通过收集用户设备采集的某一商家设备广播的参考信号的强度变化信息，并通过目标分类模型预测强度变化信息对应的用户到店支付行为，从而准确预测出该商家设备所在线下店的用户到店支付情况，为支付相关业务提供数据支持。

另外，对于上述方法实施方式，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，本说明书实施方式并不受所描述的动作顺序的限制，因为依据本说明书实施方式，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方式均属于优选实施方式，所涉及的动作并不一定是本说明书实施方式所必须的。

图8为本说明书一实施例提供的一种分类模型训练装置的结构示意图，参见图8，该装置具体可以包括：获取模块802、第一训练模块804、筛选模块806以及第二训练模块808，其中：

获取模块802，获取第一样本集和对应的标签，所述第一样本集包括多个第一样本，所述多个第一样本包括第一用户设备集检测到的商家设备发出的参考信号的强度变化信息，所述强度变化信息用于表征用户与商家设备之间的距离变化，所述标签用于指示第一样本对应的支付方式是否为第一支付方式；

第一训练模块804，基于所述第一样本集和对应的标签，训练初始分类模型；

筛选模块806，基于所述初始分类模型，从所述第一样本集中选出第二样本集，其中，所述第二样本集包括多个第二样本，所述多个第二样本包括第一用户使用第一支付方式的进店支付过程对应的强度变化信息，所述第一用户使用第一支付方式进行进店支付的次数占进店支付总次数的比例大于预设阈值；

第二训练模块808，基于所述第二样本集和对应的标签，训练目标分类模型。

可选的，获取模块802，包括：

第一获取单元，获取所述第一用户设备集中的第一用户设备检测到的第一信号强度信息；

第一处理单元，基于所述第一信号强度信息的时态数据，对所述第一信号强度信息进行拆分处理，得到至少一个强度变化信息；

第二处理单元，基于所述至少一个强度变化信息，得到所述第一用户设备对应的至少一个第一样本，所述第一样本集包括所述第一用户设备集对应的第一样本。

可选的，装置还包括：

第一过滤模块，若所述第一用户设备为店员用户设备，则过滤所述至少一个强度变化信息中的第一强度变化信息；

其中，所述店员用户设备包括收钱码与商家收钱码相同的用户设备和/或指定时间段内在商家位置的预设范围内上线时长大于预设时长的用户设备；所述第一强度变化信息为所述第一用户设备采集的第一参考信号的信号强度信息对应的强度变化信息，所述第一参考信号由所述第一用户设备所在线下店的商家设备发出。

可选的，装置还包括：

第二过滤模块，过滤所述至少一个强度变化信息中的第二强度变化信息；

其中，所述第二强度变化信息中第一信号强度范围的信号分布时长大于第一时长阈值，或者，第一信号强度范围的信号分布时长小于第二时长阈值；所述第一信号强度范围为所述第一用户设备在线下店内检测到的所述线下店的商家设备发出的参考信号的信号强度范围。

可选的，所述第二处理单元，包括：

第一处理子单元，基于所述至少一个强度变化信息，得到至少一个强度变化曲线；

特征提取子单元，对所述至少一个强度变化曲线进行特征提取处理，得到所述至少一个强度变化曲线对应的强度变化特征；

第二处理子单元，基于所述至少一个强度变化曲线对应的强度变化特征，得到所述第一用户设备对应的至少一个第一样本。

可选的，所述筛选模块806，包括：

第一预测单元，基于所述初始分类模型，预测所述多个第一样本对应的支付方式是否为所述第一支付方式；

第一处理单元，基于所述多个第一样本对应的预测结果，得到所述第一用户设备集对应的用户群体中的用户使用所述第一支付方式进行进店支付的次数；

对比单元，对比服务器记录的所述用户群体中的用户进店支付的总次数，得到所述用户群体中的第一用户；

第二处理单元，基于所述第一用户对应的第一样本，得到所述第二样本集。

可选的，装置还包括：

第一处理模块，获取第二用户设备集检测到的商家设备发出参考信号的强度变化信息；基于所述目标分类模型，预测所述第二用户设备集检测到的强度变化信息对应的支付方式；基于所述第二用户设备集对应的预测结果，得到所述第一支付方式在进店支付市场的占有率。

可选的，装置还包括：

第二处理模块，确定第一强度变化信息集，所述第一强度变化信息集为所述第二用户设备集检测到的强度变化信息中对应的支付方式为所述第一支付方式的强度变化信息的集合；查询用户交易详情，确定所述第一强度变化信息集对应的进店支付的优惠使用数据，所述优惠使用数据用于表征用户参与所述第一支付方式的优惠活动的力度；基于第一强度变化信息集对应的优惠使用数据，确定所述第一支付方式的优惠活动的用户参与情况。

可选的，装置还包括：

第三处理模块，确定第二强度变化信息集，所述第二强度变化信息集为所述第二用户设备集检测到的强度变化信息中第一商家设备发出的参考信号对应的强度变化信息的集合；基于所述目标分类模型，预测所述第二强度变化信息集中的强度变化信息对应的支付方式；基于所述第二强度变化信息集对应的预测结果，得到所述第一商家设备对应的线下店的用户到店支付情况。

可见，本说明书实施例通过用户设备采集上架设备广播的参考信号的强度变化信息，以预测用户的到店支付行为，并从中筛选出‘铁粉’用户；进一步地，使用‘铁粉’用户对应的强度变化信息，训练目标分类模型，以有效提高目标分类模型的预测精确度。

另外，对于上述装置实施方式而言，由于其与方法实施方式基本相似，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。应当注意的是，在本说明书的装置的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本说明书不受限于此，可以根据需要对各个部件进行重新划分或者组合。

图9为本说明书一实施例提供的一种电子设备的结构示意图，参见图9，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成分类模型训练。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

网络接口、处理器和存储器可以通过总线系统相互连接。总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。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9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器可能包含高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器。

处理器，用于执行所述存储器存放的程序，并具体执行：

获取第一样本集和对应的标签，所述第一样本集包括多个第一样本，所述多个第一样本包括第一用户设备集检测到的商家设备发出的参考信号的强度变化信息，所述强度变化信息用于表征用户与商家设备之间的距离变化，所述标签用于指示第一样本对应的支付方式是否为第一支付方式；

基于所述第一样本集和对应的标签，训练初始分类模型；

基于所述初始分类模型，从所述第一样本集中选出第二样本集，其中，所述第二样本集包括多个第二样本，所述多个第二样本包括第一用户使用第一支付方式的进店支付过程对应的强度变化信息，所述第一用户使用第一支付方式进行进店支付的次数占进店支付总次数的比例大于预设阈值；

基于所述第二样本集和对应的标签，训练目标分类模型。

上述如本说明书图8所示实施例揭示的分类模型训练装置或管理者(Master)节点执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

分类模型训练装置还可执行图2-图7的方法，并实现管理者节点执行的方法。

基于相同的发明创造，本说明书实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行图2-图7对应的实施例提供的分类模型训练方法。

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，对于系统实施例而言，由于其基本相似于方法实施例，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。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书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，本说明书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。

本说明书是参照根据本说明书实施例的方法、设备(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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

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。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (12)

1.一种分类模型训练方法，包括：

获取第一样本集和对应的标签，所述第一样本集包括多个第一样本，所述多个第一样本包括第一用户设备集检测到的商家设备发出的参考信号的强度变化信息，所述强度变化信息用于表征用户与商家设备之间的距离变化，所述标签用于指示第一样本对应的支付方式是否为第一支付方式；

基于所述第一样本集和对应的标签，训练初始分类模型；

基于所述初始分类模型，从所述第一样本集中选出第二样本集，其中，所述第二样本集包括多个第二样本，所述多个第二样本包括第一用户使用第一支付方式的进店支付过程对应的强度变化信息，所述第一用户使用第一支付方式进行进店支付的次数占进店支付总次数的比例大于预设阈值；

基于所述第二样本集和对应的标签，训练目标分类模型。

2.根据权利要求1所述的方法，所述获取第一样本集，包括：

获取所述第一用户设备集中的第一用户设备检测到的第一信号强度信息；

基于所述第一信号强度信息的时态数据，对所述第一信号强度信息进行拆分处理，得到至少一个强度变化信息；

基于所述至少一个强度变化信息，得到所述第一用户设备对应的至少一个第一样本，所述第一样本集包括所述第一用户设备集对应的第一样本。

3.根据权利要求2所述的方法，在基于所述至少一个强度变化信息，得到所述第一用户设备对应的至少一个第一样本之前，还包括：

若所述第一用户设备为店员用户设备，则过滤所述至少一个强度变化信息中的第一强度变化信息；

其中，所述店员用户设备包括收钱码与商家收钱码相同的用户设备和/或指定时间段内在商家位置的预设范围内上线时长大于预设时长的用户设备；所述第一强度变化信息为所述第一用户设备采集的第一参考信号的信号强度信息对应的强度变化信息，所述第一参考信号由所述第一用户设备所在线下店的商家设备发出。

4.根据权利要求2所述的方法，在基于所述至少一个强度变化信息，得到所述第一用户设备对应的至少一个第一样本之前，还包括：

过滤所述至少一个强度变化信息中的第二强度变化信息；

其中，所述第二强度变化信息中第一信号强度范围的信号分布时长大于第一时长阈值，或者，第一信号强度范围的信号分布时长小于第二时长阈值；所述第一信号强度范围为所述第一用户设备在线下店内检测到的所述线下店的商家设备发出的参考信号的信号强度范围。

5.根据权利要求2所述的方法，所述基于所述至少一个强度变化信息，得到所述第一用户设备对应的至少一个第一样本，包括：

基于所述至少一个强度变化信息，得到至少一个强度变化曲线；

对所述至少一个强度变化曲线进行特征提取处理，得到所述至少一个强度变化曲线对应的强度变化特征；

基于所述至少一个强度变化曲线对应的强度变化特征，得到所述第一用户设备对应的至少一个第一样本。

6.根据权利要求1所述的方法，所述基于所述初始分类模型，从所述第一样本集中选出第二样本集，包括：

基于所述初始分类模型，预测所述多个第一样本对应的支付方式是否为所述第一支付方式；

基于所述多个第一样本对应的预测结果，得到所述第一用户设备集对应的用户群体中的用户使用所述第一支付方式进行进店支付的次数；

对比服务器记录的所述用户群体中的用户进店支付的总次数，得到所述用户群体中的第一用户；

基于所述第一用户对应的第一样本，得到所述第二样本集。

7.根据权利要求1所述的方法，还包括：

获取第二用户设备集检测到的商家设备发出参考信号的强度变化信息；

基于所述目标分类模型，预测所述第二用户设备集检测到的强度变化信息对应的支付方式；

基于所述第二用户设备集对应的预测结果，得到所述第一支付方式在进店支付市场的占有率。

8.根据权利要求7所述的方法，还包括：

确定第一强度变化信息集，所述第一强度变化信息集为所述第二用户设备集检测到的强度变化信息中对应的支付方式为所述第一支付方式的强度变化信息的集合；

查询用户交易详情，确定所述第一强度变化信息集对应的进店支付的优惠使用数据，所述优惠使用数据用于表征用户参与所述第一支付方式的优惠活动的力度；

基于第一强度变化信息集对应的优惠使用数据，确定所述第一支付方式的优惠活动的用户参与情况。

9.根据权利要求7所述的方法，还包括：

确定第二强度变化信息集，所述第二强度变化信息集为所述第二用户设备集检测到的强度变化信息中第一商家设备发出的参考信号对应的强度变化信息的集合；

基于所述目标分类模型，预测所述第二强度变化信息集中的强度变化信息对应的支付方式；

基于所述第二强度变化信息集对应的预测结果，得到所述第一商家设备对应的线下店的用户到店支付情况。

10.一种分类模型训练装置，包括：

获取模块，获取第一样本集和对应的标签，所述第一样本集包括多个第一样本，所述多个第一样本包括第一用户设备集检测到的商家设备发出的参考信号的强度变化信息，所述强度变化信息用于表征用户与商家设备之间的距离变化，所述标签用于指示第一样本对应的支付方式是否为第一支付方式；

第一训练模块，基于所述第一样本集和对应的标签，训练初始分类模型；

筛选模块，基于所述初始分类模型，从所述第一样本集中选出第二样本集，其中，所述第二样本集包括多个第二样本，所述多个第二样本包括第一用户使用第一支付方式的进店支付过程对应的强度变化信息，所述第一用户使用第一支付方式进行进店支付的次数占进店支付总次数的比例大于预设阈值；

第二训练模块，基于所述第二样本集和对应的标签，训练目标分类模型。

11.一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

获取第一样本集和对应的标签，所述第一样本集包括多个第一样本，所述多个第一样本包括第一用户设备集检测到的商家设备发出的参考信号的强度变化信息，所述强度变化信息用于表征用户与商家设备之间的距离变化，所述标签用于指示第一样本对应的支付方式是否为第一支付方式；

基于所述第一样本集和对应的标签，训练初始分类模型；

基于所述初始分类模型，从所述第一样本集中选出第二样本集，其中，所述第二样本集包括多个第二样本，所述多个第二样本包括第一用户使用第一支付方式的进店支付过程对应的强度变化信息，所述第一用户使用第一支付方式进行进店支付的次数占进店支付总次数的比例大于预设阈值；

基于所述第二样本集和对应的标签，训练目标分类模型。

12.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现以下操作：

获取第一样本集和对应的标签，所述第一样本集包括多个第一样本，所述多个第一样本包括第一用户设备集检测到的商家设备发出的参考信号的强度变化信息，所述强度变化信息用于表征用户与商家设备之间的距离变化，所述标签用于指示第一样本对应的支付方式是否为第一支付方式；

基于所述第一样本集和对应的标签，训练初始分类模型；

基于所述初始分类模型，从所述第一样本集中选出第二样本集，其中，所述第二样本集包括多个第二样本，所述多个第二样本包括第一用户使用第一支付方式的进店支付过程对应的强度变化信息，所述第一用户使用第一支付方式进行进店支付的次数占进店支付总次数的比例大于预设阈值；

基于所述第二样本集和对应的标签，训练目标分类模型。

Images