CN111047048B - 赋能模型训练及商户赋能方法、装置、电子设备 - Google Patents

Abstract

本说明书一个或多个实施例提供一种赋能模型训练及商户赋能方法、装置、电子设备；该训练方法可以包括：接收目标商户通过客户端发送的选取指令，所述选取指令用于指示所述目标商户选取的赋能维度；获取样本数据，所述样本数据包含用户信息，所述用户信息被标记有与所述赋能维度对应的赋能标签；采用监督式机器学习算法对获取到的样本数据进行训练，以得到对应于所述目标商户的赋能模型。

Description

赋能模型训练及商户赋能方法、装置、电子设备

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种赋能模型训练及商户赋能方法、装置、电子设备。

背景技术

目前，部分技术基础和实力较强的大企业积累了大量的技术能力。与此同时，一些中小企业或刚刚起步的企业本身并不具备某些技术能力，但是在其业务运营过程中需要使用这些技术。因此，这些大企业可向未掌握某项技术的企业商家提供对应于该项技术的赋能产品，从而通过赋能产品向原本未掌握该项技术的企业赋予运用该项技术的能力。

发明内容

有鉴于此，本说明书一个或多个实施例提供一种赋能模型训练及商户赋能方法、装置、电子设备。

为实现上述目的，本说明书一个或多个实施例提供技术方案如下：

根据本说明书一个或多个实施例的第一方面，提出了一种赋能模型训练方法，包括：

接收目标商户通过客户端发送的选取指令，所述选取指令用于指示所述目标商户选取的赋能维度；

获取样本数据，所述样本数据包含用户信息，所述用户信息被标记有与所述赋能维度对应的赋能标签；

采用监督式机器学习算法对获取到的样本数据进行训练，以得到对应于所述目标商户的赋能模型。

可选的，所述获取样本数据，包括：

确定所对接的其他商户中与所述目标商户相匹配的类似商户；

获取所述类似商户的类似用户信息，所述类似用户信息被所述类似商户标记有与所述赋能维度对应的赋能标签；

将所述类似用户信息作为所述样本数据。

可选的，所述确定所对接的其他商户中与所述目标商户相匹配的类似商户，包括：

将所对接的其他商户中在预设参考维度上与所述目标商户相匹配的商户作为所述类似商户；

所述预设参考维度包括以下至少之一：地理位置、业务场景、商户类型、营业时间。

可选的，还包括：

接收所述目标商户发送的针对所述赋能模型的更新请求，所述更新请求中包含所述目标商户的第一历史用户信息，所述第一历史用户信息被所述目标商户标记有与所述赋能维度对应的赋能标签；

当所述第一历史用户信息的数据量与所述类似用户信息的数据量符合预设更新条件时，采用所述监督式机器学习算法对所述第一历史用户信息进行训练以更新所述赋能模型；

或者采用所述监督式机器学习算法对所述第一历史用户信息和至少部分所述类似用户信息进行训练以更新所述赋能模型。

可选的，所述获取样本数据，包括：

接收所述目标商户上传的第二历史用户信息，所述第二历史用户信息被所述目标商户标记有与所述赋能维度对应的赋能标签；

将所述第二历史用户信息作为所述样本数据。

可选的，还包括：

响应于所述目标商户通过客户端发起的针对赋能模型的配置请求，向所述目标商户的客户端发送待选取赋能维度，以使得所述客户端在赋能模型配置界面展示所述待选取赋能维度；其中，所述待选取赋能维度包含运营类维度和风险类维度。

可选的，所述向所述目标商户的客户端发送待选取赋能维度，包括：

向所述目标商户的客户端发送预先配置的待选取赋能维度，和/或

向所述目标商户的客户端发送参考赋能维度，所述参考赋能维度为其他商户中与所述目标商户相匹配的类似商户选取的赋能维度，或者为与所述目标商户的运营周期相匹配的赋能维度。

根据本说明书一个或多个实施例的第二方面，提出了一种商户赋能方法，包括：

获取目标用户的用户信息，所述目标用户为对应于目标商户的用户；

将所述用户信息输入赋能模型，所述赋能模型由采用监督式机器学习算法对样本数据进行训练得到，所述样本数据包含历史用户信息，所述历史用户信息被标记有与所述目标商户选取的赋能维度对应的赋能标签；

根据所述赋能模型的输出结果对所述目标用户进行赋能。

根据本说明书一个或多个实施例的第三方面，提出了一种赋能模型训练装置，包括：

指令接收单元，接收目标商户通过客户端发送的选取指令，所述选取指令用于指示所述目标商户选取的赋能维度；

获取单元，获取样本数据，所述样本数据包含用户信息，所述用户信息被标记有与所述赋能维度对应的赋能标签；

训练单元，采用监督式机器学习算法对获取到的样本数据进行训练，以得到对应于所述目标商户的赋能模型。

可选的，所述获取单元具体用于：

确定所对接的其他商户中与所述目标商户相匹配的类似商户；

获取所述类似商户的类似用户信息，所述类似用户信息被所述类似商户标记有与所述赋能维度对应的赋能标签；

将所述类似用户信息作为所述样本数据。

可选的，所述获取单元进一步用于：

将所对接的其他商户中在预设参考维度上与所述目标商户相匹配的商户作为所述类似商户；

所述预设参考维度包括以下至少之一：地理位置、业务场景、商户类型、营业时间。

可选的，还包括：

请求接收单元，接收所述目标商户发送的针对所述赋能模型的更新请求，所述更新请求中包含所述目标商户的第一历史用户信息，所述第一历史用户信息被所述目标商户标记有与所述赋能维度对应的赋能标签；

更新单元，当所述第一历史用户信息的数据量与所述类似用户信息的数据量符合预设更新条件时，采用所述监督式机器学习算法对所述第一历史用户信息进行训练以更新所述赋能模型；

或者采用所述监督式机器学习算法对所述第一历史用户信息和至少部分所述类似用户信息进行训练以更新所述赋能模型。

可选的，所述获取单元具体用于：

接收所述目标商户上传的第二历史用户信息，所述第二历史用户信息被所述目标商户标记有与所述赋能维度对应的赋能标签；

将所述第二历史用户信息作为所述样本数据。

可选的，还包括：

发送单元，响应于所述目标商户通过客户端发起的针对赋能模型的配置请求，向所述目标商户的客户端发送待选取赋能维度，以使得所述客户端在赋能模型配置界面展示所述待选取赋能维度；其中，所述待选取赋能维度包含运营类维度和风险类维度。

可选的，所述发送单元具体用于：

向所述目标商户的客户端发送预先配置的待选取赋能维度，和/或

向所述目标商户的客户端发送参考赋能维度，所述参考赋能维度为其他商户中与所述目标商户相匹配的类似商户选取的赋能维度，或者为与所述目标商户的运营周期相匹配的赋能维度。

根据本公开实施例的第四方面，提供一种商户赋能装置，包括：

获取单元，获取目标用户的用户信息，所述目标用户为对应于目标商户的用户；

输入单元，将所述用户信息输入赋能模型，所述赋能模型由采用监督式机器学习算法对样本数据进行训练得到，所述样本数据包含历史用户信息，所述历史用户信息被标记有与所述目标商户选取的赋能维度对应的赋能标签；

赋能单元，根据所述赋能模型的输出结果对所述目标用户进行赋能。

根据本公开实施例的第五方面，提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现如上述第一方面实施例中任一赋能模型训练方法。

根据本公开实施例的第六方面，提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现如上述第二方面实施例中任一商户赋能方法。

根据本公开实施例的第七方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述第一方面实施例中任一赋能模型训练方法的步骤。

根据本公开实施例的第八方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述第二方面实施例中任一商户赋能方法的步骤。

附图说明

图1是一示例性实施例提供的一种赋能系统的架构示意图。

图2是一示例性实施例提供的一种赋能模型训练方法的流程图。

图3是一示例性实施例提供的一种商户赋能方法的流程图。

图4是一示例性实施例提供的一种赋能模型训练方法的交互图。

图5是一示例性实施例提供的一种商户赋能方法的交互图。

图6是一示例性实施例提供的一种设备的结构示意图。

图7是一示例性实施例提供的一种赋能模型训练装置的框图。

图8是一示例性实施例提供的另一种设备的结构示意图。

图9是一示例性实施例提供的一种商户赋能装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

图1是一示例性实施例提供的一种赋能系统的架构示意图。如图1所示，该系统可以包括服务端11、网络12、若干电子设备，比如手机13、手机16、PC14和PC15等。

服务端11可以为包含一独立主机的物理服务器，或者可以为主机集群承载的虚拟服务器。在本说明书一个或多个实施例的技术方案中，可由服务端11通过与电子设备13-16上运行的客户端进行配合，从而实现赋能模型的训练以及利用该赋能模型进行赋能的过程。

手机13、16和PC14-15只是商户可以使用的一种类型的电子设备。实际上，商户显然还可以使用诸如下述类型的电子设备：平板设备、笔记本电脑、掌上电脑(PDAs，PersonalDigital Assistants)、可穿戴设备(如智能眼镜、智能手表等)等，本说明书一个或多个实施例并不对此进行限制。在运行过程中，该电子设备可以运行商户的客户端侧的程序，从而作为赋能模型的训练以及利用该赋能模型进行赋能过程中的客户端。

而对于网络12，可以包括多种类型的有线或无线网络。在一实施例中，该网络12可以包括公共交换电话网络(Public Switched Telephone Network，PSTN)和因特网。同时，手机13、16和PC14-15等电子设备之间也可以通过该网络12进行通讯交互。

请参见图2，图2是一示例性实施例提供的一种赋能模型训练方法的流程图。如图2所示，该方法应用于服务端，可以包括以下步骤：

步骤202，接收目标商户通过客户端发送的选取指令，所述选取指令用于指示所述目标商户选取的赋能维度。

在本实施例中，可利用AI(Artificial Intelligence，人工智能)来向商户提供赋能服务。具体而言，可利用监督式机器学习算法来训练带有赋能标签的样本数据以得到赋能模型，那么后续可利用该赋能模型对商户的用户进行预测。

任一商户(以下以目标商户为例)可通过客户端向服务端发起针对赋能模型的配置请求，从而触发对赋能模型的赋能维度进行配置。那么，服务端响应于目标商户通过客户端发起的针对赋能模型的配置请求，向目标商户的客户端发送待选取赋能维度，以使得目标商户的客户端在赋能模型配置界面上展示待选取赋能维度以供目标商户可以实际需求进行选取。其中，待选取赋能维度可以包含运营类维度和风险类维度。换言之，赋能模型可同时兼顾商户的运营和风险控制，从而进行营销风险组合赋能，在商户运营全周期上保障风险的同时能够助力其AI运营业务。

进一步的，服务端作为商户平台可与多个商户进行对接，在向目标商户的客户端发送待选取赋能维度时，在一种情况下，可向目标商户的客户端发送预先配置的待选取赋能维度。例如，可将预先统一配置的包括运营类维度和风险类维度的多个赋能维度发送至目标商户的客户端以供目标商户选取。当然，运营类维度和风险类维度的具体内容可根据实际情况灵活设定，本说明书一个或多个实施例并不对此进行限制。在另一种情况下，可向目标商户的客户端发送参考赋能维度，该参考赋能维度为其他商户中与目标商户相匹配的类似商户选取的赋能维度，或者为与目标商户的运营周期相匹配的赋能维度。其中，该“相匹配的类似商户”可理解为在地理位置、业务场景、商户类型、营业时间等维度上与目标商户相同或者相似的商户。在又一种情况下，可同时将上述预先配置的待选取赋能维度和参考赋能维度发送至目标商户的客户端。

步骤204，获取样本数据，所述样本数据包含用户信息，所述用户信息被标记有与所述赋能维度对应的赋能标签。

在一实施例中，服务端作为商户平台可与多个商户进行对接，各个商户可将历史营业过程中的用户进行打标。比如，针对历史用户的消费行为在各个赋能维度上标记相应的赋能标签。举例而言，商户可对历史用户的忠诚度(属于运营类的赋能维度)进行评分(评分即作为赋能标签)，还可对历史用户的信用指数(属于风险类的赋能维度)进行评分(评分即作为赋能标签)。因此可利用服务端所对接的其他商户中与目标商户相匹配的类似商户提供的打标数据来训练赋能模型，尤其是在目标商户自身的打标数据的数据量较小(即达不到训练模型的样本数据的数据量要求，导致训练得到的赋能模型不够准确)时。比如，目标商户为新开业商户，用户的数据量较小。其中，与上述类似的，可将服务端所对接的其他商户中在预设参考维度上与目标商户相匹配的商户作为该类似商户，预设参考维度可包括以下至少之一：地理位置、业务场景、商户类型、营业时间。那么，在确定所对接的其他商户中与目标商户相匹配的类似商户后，可获取类似商户的类似用户信息(被类似商户标记有与目标商户所选取的赋能维度对应的赋能标签)，从而将该类似用户信息作为训练赋能模型的样本数据。

进一步的，随着目标商户自身的打标数据的增多，而相比于类似商户，目标商户自身的打标数据更贴近自身情况，更符合自身的赋能需求，因此为了提高赋能模型的准确度，可将目标商户自身的打标数据作为训练赋能模型的至少一部分样本数据。作为一示例性实施例，目标商户可通过客户端向服务端发送针对赋能模型的更新请求，该更新请求中包含目标商户的第一历史用户信息，该第一历史用户信息被目标商户标记有与所选取赋能维度对应的赋能标签。那么，服务端在接收到更新请求后，判断第一历史用户信息的数据量与类似用户信息的数据量(即上述利用类似用户信息作为样本数据的数据量)是否符合预设更新条件；若符合，则采用监督式机器学习算法对第一历史用户信息进行训练以更新所述赋能模型，或者采用监督式机器学习算法对第一历史用户信息和至少部分类似用户信息进行训练以更新赋能模型。

举例而言，预设更新条件为第一历史用户信息的数据量与类似用户信息的数据量的比例达到1:1(即第一历史用户信息的数据量与之前利用类似用户信息训练赋能模型的数据量相同)，则全部利用第一历史用户信息进行训练以更新赋能模型。或者，预设更新条件为第一历史用户信息的数据量与类似用户信息的数据量的比例达到1:2(即第一历史用户信息的数据量达到与之前利用类似用户信息训练赋能模型的数据量的一半)，则删除之前样本数据中的一半类似用户信息(比如删除时间相对靠前的一半类似用户信息)，利用第一历史用户信息和剩余的一半类似用户信息进行训练以更新赋能模型。

在另一实施例中，可等待至目标商户自身的打标数据的数据量达到训练模型的样本数据的数据量要求时再训练赋能模型，即全部采用目标商户上传的打标数据(由目标商户对自身的历史用户的用户信息进行打标得到，即第二历史用户信息)作为样本数据。在该情况下，服务端在接收到目标商户上传的第二历史用户信息(第二历史用户信息被目标商户标记有与所选取赋能维度对应的赋能标签)后，将第二历史用户信息作为样本数据。

步骤206，采用监督式机器学习算法对获取到的样本数据进行训练，以得到对应于所述目标商户的赋能模型。

由以上实施例可见，通过由目标商户来自定义训练赋能模型的样本数据的赋能维度，从而可以得到符合目标商户个性化的赋能模型，目标商户可根据需求仅选取自身关注的赋能维度，从而得到与自身需求更为匹配的赋能模型，那么后续可利用该赋能模型进行精确赋能。例如，目标商户可根据实际业务场景灵活配置赋能模型的赋能维度以满足自身的运营阶段。同时，赋能维度可从运营类和风险控制类进行选取，即可同时兼顾商户的运营和风险控制，从而进行营销风险组合赋能，在商户运营全周期上保障风险的同时能够助力其AI运营业务。

相应的，将于上述对赋能模型的训练，本说明书还提供一种商户赋能方案。请参见图3，图3是一示例性实施例提供的一种商户赋能方法的流程图。如图3所示，该方法可以包括以下步骤：

步骤302，获取目标用户的用户信息，所述目标用户为对应于目标商户的用户。

步骤304，将所述用户信息输入赋能模型，所述赋能模型由采用监督式机器学习算法对样本数据进行训练得到，所述样本数据包含历史用户信息，所述历史用户信息被标记有与所述目标商户选取的赋能维度对应的赋能标签。

在本实施例中，赋能模型可配置于商户客户端侧，也可配置于服务端侧。而针对赋能模型的具体训练过程，可参考上述图2所示实施例的相应内容，在此不再赘述。

步骤306，根据所述赋能模型的输出结果对所述目标用户进行赋能。

为了便于理解，下面结合商户客户端与服务端的交互过程对本说明书的赋能方案进行详细说明。

请参见图4，图4是一示例性实施例提供的一种赋能模型训练方法的交互图。如图4所示，交互过程可以包括以下步骤：

步骤402，商户客户端向服务端发送针对赋能模型的配置请求。

在本实施例中，任一商户(以下以目标商户为例)可通过商户客户端向服务端发起针对赋能模型的配置请求，从而触发对赋能模型的赋能维度进行配置。那么，服务端可向目标商户的商户客户端返回待选取赋能维度，进而目标商户的客户端在赋能模型配置界面上展示待选取赋能维度以供目标商户可以实际需求进行选取。其中，待选取赋能维度可以包含运营类维度和风险类维度。换言之，赋能模型可同时兼顾商户的运营和风险控制，从而进行营销风险组合赋能，在商户运营全周期上保障风险的同时能够助力其AI运营业务。

具体而言，可设定用户画像包括运营画像和风险画像，运营画像用于记录运营类的赋能维度，比如可以包括忠诚度；风险画像用于记录风险控制类的赋能维度，比如可以包括信用指数。当然，本说明书一个或多个实施例并不对赋能维度的具体内容进行限制。

步骤404，服务端向商户客户端返回待选取赋能维度。

在本实施例中，服务端作为商户平台可与多个商户进行对接。在一种情况下，可向目标商户的客户端发送预先配置的待选取赋能维度。例如，可将预先统一配置的包括运营类维度和风险类维度的多个赋能维度发送至目标商户的客户端以供目标商户选取。当然，运营类维度和风险类维度的具体内容可根据实际情况灵活设定，本说明书一个或多个实施例并不对此进行限制。

在另一种情况下，可向目标商户的客户端发送参考赋能维度，该参考赋能维度为其他商户中与目标商户相匹配的类似商户选取的赋能维度，或者为与目标商户的运营周期相匹配的赋能维度。其中，该“相匹配的类似商户”可理解为在地理位置、业务场景、商户类型、营业时间等维度上与目标商户相同或者相似的商户。例如，目标商户为餐饮类商户，那么可将与商户平台对接的其他餐饮类商户选取过的赋能维度作为参考赋能维度发送至目标商户的客户端，以供目标商户作为参考，从而帮助目标商户选取适合自身的赋能维度。又如，目标商户为新开业商户(以一定时间段为阈值判断是否为新开业商户)，那么可将与商户平台对接的其他新开业商户选取过的赋能维度作为参考赋能维度发送至目标商户的客户端，以供目标商户作为参考，从而帮助目标商户选取适合自身的赋能维度。

在又一种情况下，可同时将上述预先配置的待选取赋能维度和参考赋能维度发送至目标商户的客户端。

步骤406，商户客户端展示待选取赋能维度。

步骤408，商户客户端向服务端发送针对赋能维度的选取指令。

步骤410，服务端确定类似商户。

步骤412，服务端获取类似用户信息。

在本实施例中，与服务端(作为商户平台)对接的各个商户可将历史营业过程中的用户进行打标。比如，针对历史用户的消费行为在各个赋能维度上标记相应的赋能标签。举例而言，商户可对历史用户的忠诚度(属于运营类的赋能维度)进行评分(评分即作为赋能标签)，还可对历史用户的信用指数(属于风险类的赋能维度)进行评分(评分即作为赋能标签)。当目标商户自身的打标数据的数据量较小时(比如目标商户为新开业商户)，若仅将目标商户自身的打标数据作为样本数据，则可能达不到训练模型的样本数据的数据量要求，从而导致训练得到的赋能模型不够准确。因此，可利用服务端所对接的其他商户中与目标商户相匹配的类似商户提供的打标数据来训练赋能模型。

举例而言，可将服务端所对接的其他商户中在预设参考维度上与目标商户相匹配的商户作为该类似商户，预设参考维度可包括以下至少之一：地理位置、业务场景、商户类型、营业时间。那么，在确定所对接的其他商户中与目标商户相匹配的类似商户后，可获取类似商户的类似用户信息(被类似商户标记有与目标商户所选取的赋能维度对应的赋能标签)，从而将该类似用户信息作为训练赋能模型的样本数据。

其中，用户信息的具体内容可根据实际情况灵活设定，本说明书一个或多个实施例并不对此进行限制。举例而言，用户信息可拆分为静态数据和动态数据，静态数据指用户的长期较为稳定的特征数据，包含用户基本属性(性别、年龄、是否有车房等)、社会属性(职业、学历、婚恋等)等；而动态数据是指用户在短期内有较大变化的数据，如消费、社交网络、查询行为等。

步骤414，服务端进行监督式学习得到赋能模型。

在本实施例中，监督式机器学习算法可采用决策树、二分类(、朴素贝叶斯分类器、逻辑回归、支持向量机、神经网络等。当然，本说明书一个或多个实施例并不对此进行限制。比如，样本数据采用黑白样本的形式，黑样本的赋能标签为0分，白样本的赋能标签为1分；那么，可通过二分类模型(如随机森林)对黑白样本进行训练以得到赋能模型。

当目标商户选取多个赋能维度时，可针对每个赋能维度分别训练得到一个单独的机器学习模型。例如，目标商户分别选取了属于运营类维度的忠诚度和属于风险控制类的信用指数。那么，分别训练一对应于忠诚度的赋能模型和一对应于信用指数的赋能模型。其中，对应于忠诚度的赋能模型的输入为用户信息，输出为对该历史用户在忠诚度维度上的评分(由目标商户打标或者类似商户打标)；对应于信用指数的赋能模型的输入为用户信息，输出为对该历史用户在信用指数维度上的评分(由目标商户打标或者类似商户打标)。进一步的，对评分进行归一化处理，再按照忠诚度和信用指数的权重(可由目标商户设定)进行加权计算得到最终的用户评分。

或者，当目标商户选取多个赋能维度时，还可针对所选取的多个赋能维度训练得到一个综合的机器学习模型。例如，目标商户分别选取了属于运营类维度的忠诚度和属于风险控制类的信用指数，目标商户针对自身的历史用户的用户信息，综合考虑忠诚度和信用指数进行评分。比如，可先分别对忠诚度和信用指数进行评分，再按照一定的权重进行加权计算得到最终的综合评分，并将该综合评分作为赋能标签。那么，可将上述标记有综合评分的用户信息作为样本数据来训练赋能模型，即赋能模型的输入为用户信息，输出为针对忠诚度和信用指数的综合评分。

步骤416，商户客户端向服务端发送针对赋能模型的更新请求。

步骤418，服务端重新进行监督式学习以更新赋能模型。

在本实施例中，随着时间的推移，目标商户将积累越来越多的历史用户，那么目标商户可累积对历史用户进行打标。基于自身的打标数据的增多，而相比于类似商户，目标商户自身的打标数据更贴近自身情况，更符合自身的赋能需求，因此为了提高赋能模型的准确度，可将目标商户自身的打标数据作为训练赋能模型的至少一部分样本数据。作为一示例性实施例，目标商户可通过客户端向服务端发送针对赋能模型的更新请求，该更新请求中包含目标商户的第一历史用户信息，该第一历史用户信息被目标商户标记有与所选取赋能维度对应的赋能标签。那么，服务端在接收到更新请求后，判断第一历史用户信息的数据量与类似用户信息的数据量(即上述利用类似用户信息作为样本数据的数据量)是否符合预设更新条件；若符合，则采用监督式机器学习算法对第一历史用户信息进行训练以更新所述赋能模型，或者采用监督式机器学习算法对第一历史用户信息和至少部分类似用户信息进行训练以更新赋能模型。

举例而言，预设更新条件为第一历史用户信息的数据量与类似用户信息的数据量的比例达到1:1(即第一历史用户信息的数据量与之前利用类似用户信息训练赋能模型的数据量相同)，则全部利用第一历史用户信息进行训练以更新赋能模型。或者，预设更新条件为第一历史用户信息的数据量与类似用户信息的数据量的比例达到1:2(即第一历史用户信息的数据量达到与之前利用类似用户信息训练赋能模型的数据量的一半)，则删除之前样本数据中的一半类似用户信息(比如删除时间相对靠前的一半类似用户信息)，利用第一历史用户信息和剩余的一半类似用户信息进行训练以更新赋能模型。

基于训练得到的赋能模型，后续目标商户可利用该赋能模型对用户进行预测，进而提高适用于该用户的赋能服务。其中，赋能模型可配置于商户客户端侧，也可配置于服务端侧，以下以赋能模型配置于服务端侧进行说明。请参见图5，图5是一示例性实施例提供的一种商户赋能方法的交互图。如图5所示，交互过程可以包括以下步骤：

步骤502，商户客户端向服务端发送目标用户的账户信息。

在本实施例中，商户针对待处理的目标用户，可向服务端发送目标用户的账户信息，以使得服务端对目标用户进行预测。

步骤504，服务端获取目标用户的用户信息。

举例而言，账户信息可以为手机号、身份证号、社交软件账号等。服务端可根据目标用户的账户信息获取目标用户的用户信息。其中，用户信息的具体内容可参考上述图4所示实施例中的描述，在此不再赘述。

步骤506，服务端将用户信息输入对应于目标商户的赋能模型。

步骤508，服务端获取输出结果。

步骤510，服务端向商户客户端返回输出结果。

步骤512，商户客户端向服务端发送针对输出结果的确认消息。

步骤514，服务端根据输出结果对目标用户进行赋能。

在本实施例中，服务端针对赋能模型的输出结果可进行分类。举例而言，输出结果为针对目标用户在赋能维度上的评分，可按照评分范围划分出运营等级高、中、低，以及风险等级高、中、低。而针对不同等级的用户，可向目标商户提供赋能建议。比如，目标用户为未注册的新用户，当利用赋能模型预测得到该用户的风险等级为高时，可拦截该用户的注册请求。又如，对于运营等级高的用户，可减少权益发放，而对于运营等级低的用户可使用高权益进行刺激。

由以上实施例可见，通过由目标商户来自定义训练赋能模型的样本数据的赋能维度，从而可以得到符合目标商户个性化的赋能模型，目标商户可根据需求仅选取自身关注的赋能维度，从而得到与自身需求更为匹配的赋能模型，那么后续可利用该赋能模型进行精确赋能。例如，目标商户可根据实际业务场景灵活配置赋能模型的赋能维度以满足自身的运营阶段。同时，赋能维度可从运营类和风险控制类进行选取，即可同时兼顾商户的运营和风险控制，从而进行营销风险组合赋能，在商户运营全周期上保障风险的同时能够助力其AI运营业务。

与上述方法实施例相对应，本说明书还提供了装置实施例。

本说明书的赋能模型训练装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。

从硬件层面而言，图6是一示例性实施例提供的一种设备的示意结构图。请参考图6，在硬件层面，该设备包括处理器602、内部总线604、网络接口606、内存608以及非易失性存储器610，当然还可能包括其他业务所需要的硬件。处理器602从非易失性存储器610中读取对应的计算机程序到内存608中然后运行，在逻辑层面上形成赋能模型训练装置。当然，除了软件实现方式之外，本说明书一个或多个实施例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。

请参考图7，在软件实施方式中，该赋能模型训练装置可以包括：

指令接收单元71，接收目标商户通过客户端发送的选取指令，所述选取指令用于指示所述目标商户选取的赋能维度；

获取单元72，获取样本数据，所述样本数据包含用户信息，所述用户信息被标记有与所述赋能维度对应的赋能标签；

训练单元73，采用监督式机器学习算法对获取到的样本数据进行训练，以得到对应于所述目标商户的赋能模型。

可选的，所述获取单元72具体用于：

确定所对接的其他商户中与所述目标商户相匹配的类似商户；

获取所述类似商户的类似用户信息，所述类似用户信息被所述类似商户标记有与所述赋能维度对应的赋能标签；

将所述类似用户信息作为所述样本数据。

可选的，所述获取单元72进一步用于：

将所对接的其他商户中在预设参考维度上与所述目标商户相匹配的商户作为所述类似商户；

所述预设参考维度包括以下至少之一：地理位置、业务场景、商户类型、营业时间。

可选的，还包括：

请求接收单元74，接收所述目标商户发送的针对所述赋能模型的更新请求，所述更新请求中包含所述目标商户的第一历史用户信息，所述第一历史用户信息被所述目标商户标记有与所述赋能维度对应的赋能标签；

更新单元75，当所述第一历史用户信息的数据量与所述类似用户信息的数据量符合预设更新条件时，采用所述监督式机器学习算法对所述第一历史用户信息进行训练以更新所述赋能模型；

或者采用所述监督式机器学习算法对所述第一历史用户信息和至少部分所述类似用户信息进行训练以更新所述赋能模型。

可选的，所述获取单元72具体用于：

接收所述目标商户上传的第二历史用户信息，所述第二历史用户信息被所述目标商户标记有与所述赋能维度对应的赋能标签；

将所述第二历史用户信息作为所述样本数据。

可选的，还包括：

发送单元76，响应于所述目标商户通过客户端发起的针对赋能模型的配置请求，向所述目标商户的客户端发送待选取赋能维度，以使得所述客户端在赋能模型配置界面展示所述待选取赋能维度；其中，所述待选取赋能维度包含运营类维度和风险类维度。

可选的，所述发送单元76具体用于：

向所述目标商户的客户端发送预先配置的待选取赋能维度，和/或

向所述目标商户的客户端发送参考赋能维度，所述参考赋能维度为其他商户中与所述目标商户相匹配的类似商户选取的赋能维度，或者为与所述目标商户的运营周期相匹配的赋能维度。

本说明书的商户赋能装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。

从硬件层面而言，图8是一示例性实施例提供的一种设备的示意结构图。请参考图8，在硬件层面，该设备包括处理器802、内部总线804、网络接口806、内存808以及非易失性存储器810，当然还可能包括其他业务所需要的硬件。处理器802从非易失性存储器810中读取对应的计算机程序到内存808中然后运行，在逻辑层面上形成商户赋能装置。当然，除了软件实现方式之外，本说明书一个或多个实施例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。

请参考图9，在软件实施方式中，该商户赋能装置可以包括：

获取单元91，获取目标用户的用户信息，所述目标用户为对应于目标商户的用户；

输入单元92，将所述用户信息输入赋能模型，所述赋能模型由采用监督式机器学习算法对样本数据进行训练得到，所述样本数据包含历史用户信息，所述历史用户信息被标记有与所述目标商户选取的赋能维度对应的赋能标签；

赋能单元93，根据所述赋能模型的输出结果对所述目标用户进行赋能。

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。

在一个典型的配置中，计算机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、磁盘存储、量子存储器、基于石墨烯的存储介质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。

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。

在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (20)

1.一种赋能模型训练方法，包括：

接收目标商户通过客户端发送的选取指令，所述选取指令用于指示所述目标商户选取的赋能维度，所述赋能维度用于表征所述目标商户自身所处运营阶段对应的赋能需求；

获取样本数据，所述样本数据包含用户信息，所述用户信息被标记有与所述赋能维度对应的赋能标签；

采用监督式机器学习算法对获取到的样本数据进行训练，以得到对应于所述目标商户的赋能模型。

2.根据权利要求1所述的方法，所述获取样本数据，包括：

确定所对接的其他商户中与所述目标商户相匹配的类似商户；

获取所述类似商户的类似用户信息，所述类似用户信息被所述类似商户标记有与所述赋能维度对应的赋能标签；

将所述类似用户信息作为所述样本数据。

3.根据权利要求2所述的方法，所述确定所对接的其他商户中与所述目标商户相匹配的类似商户，包括：

将所对接的其他商户中在预设参考维度上与所述目标商户相匹配的商户作为所述类似商户；

所述预设参考维度包括以下至少之一：地理位置、业务场景、商户类型、营业时间。

4.根据权利要求2所述的方法，还包括：

接收所述目标商户发送的针对所述赋能模型的更新请求，所述更新请求中包含所述目标商户的第一历史用户信息，所述第一历史用户信息被所述目标商户标记有与所述赋能维度对应的赋能标签；

当所述第一历史用户信息的数据量与所述类似用户信息的数据量符合预设更新条件时，采用所述监督式机器学习算法对所述第一历史用户信息进行训练以更新所述赋能模型；

或者采用所述监督式机器学习算法对所述第一历史用户信息和至少部分所述类似用户信息进行训练以更新所述赋能模型。

5.根据权利要求1所述的方法，所述获取样本数据，包括：

接收所述目标商户上传的第二历史用户信息，所述第二历史用户信息被所述目标商户标记有与所述赋能维度对应的赋能标签；

将所述第二历史用户信息作为所述样本数据。

6.根据权利要求1所述的方法，还包括：

响应于所述目标商户通过客户端发起的针对赋能模型的配置请求，向所述目标商户的客户端发送待选取赋能维度，以使得所述客户端在赋能模型配置界面展示所述待选取赋能维度；其中，所述待选取赋能维度包含运营类维度和风险类维度。

7.根据权利要求6所述的方法，所述向所述目标商户的客户端发送待选取赋能维度，包括：

向所述目标商户的客户端发送预先配置的待选取赋能维度，和/或

向所述目标商户的客户端发送参考赋能维度，所述参考赋能维度为其他商户中与所述目标商户相匹配的类似商户选取的赋能维度，或者为与所述目标商户的运营周期相匹配的赋能维度。

8.一种商户赋能方法，包括：

获取目标用户的用户信息，所述目标用户为对应于目标商户的用户；

将所述用户信息输入赋能模型，所述赋能模型由采用监督式机器学习算法对样本数据进行训练得到，所述样本数据包含历史用户信息，所述历史用户信息被标记有与所述目标商户选取的赋能维度对应的赋能标签，所述赋能维度用于表征所述目标商户自身所处运营阶段对应的赋能需求；

根据所述赋能模型的输出结果对所述目标用户进行赋能。

9.一种赋能模型训练装置，包括：

指令接收单元，接收目标商户通过客户端发送的选取指令，所述选取指令用于指示所述目标商户选取的赋能维度，所述赋能维度用于表征所述目标商户自身所处运营阶段对应的赋能需求；

获取单元，获取样本数据，所述样本数据包含用户信息，所述用户信息被标记有与所述赋能维度对应的赋能标签；

训练单元，采用监督式机器学习算法对获取到的样本数据进行训练，以得到对应于所述目标商户的赋能模型。

10.根据权利要求9所述的装置，所述获取单元具体用于：

确定所对接的其他商户中与所述目标商户相匹配的类似商户；

获取所述类似商户的类似用户信息，所述类似用户信息被所述类似商户标记有与所述赋能维度对应的赋能标签；

将所述类似用户信息作为所述样本数据。

11.根据权利要求10所述的装置，所述获取单元进一步用于：

将所对接的其他商户中在预设参考维度上与所述目标商户相匹配的商户作为所述类似商户；

所述预设参考维度包括以下至少之一：地理位置、业务场景、商户类型、营业时间。

12.根据权利要求10所述的装置，还包括：

请求接收单元，接收所述目标商户发送的针对所述赋能模型的更新请求，所述更新请求中包含所述目标商户的第一历史用户信息，所述第一历史用户信息被所述目标商户标记有与所述赋能维度对应的赋能标签；

更新单元，当所述第一历史用户信息的数据量与所述类似用户信息的数据量符合预设更新条件时，采用所述监督式机器学习算法对所述第一历史用户信息进行训练以更新所述赋能模型；

或者采用所述监督式机器学习算法对所述第一历史用户信息和至少部分所述类似用户信息进行训练以更新所述赋能模型。

13.根据权利要求9所述的装置，所述获取单元具体用于：

接收所述目标商户上传的第二历史用户信息，所述第二历史用户信息被所述目标商户标记有与所述赋能维度对应的赋能标签；

将所述第二历史用户信息作为所述样本数据。

14.根据权利要求9所述的装置，还包括：

发送单元，响应于所述目标商户通过客户端发起的针对赋能模型的配置请求，向所述目标商户的客户端发送待选取赋能维度，以使得所述客户端在赋能模型配置界面展示所述待选取赋能维度；其中，所述待选取赋能维度包含运营类维度和风险类维度。

15.根据权利要求14所述的装置，所述发送单元具体用于：

向所述目标商户的客户端发送预先配置的待选取赋能维度，和/或

向所述目标商户的客户端发送参考赋能维度，所述参考赋能维度为其他商户中与所述目标商户相匹配的类似商户选取的赋能维度，或者为与所述目标商户的运营周期相匹配的赋能维度。

16.一种商户赋能装置，包括：

获取单元，获取目标用户的用户信息，所述目标用户为对应于目标商户的用户；

输入单元，将所述用户信息输入赋能模型，所述赋能模型由采用监督式机器学习算法对样本数据进行训练得到，所述样本数据包含历史用户信息，所述历史用户信息被标记有与所述目标商户选取的赋能维度对应的赋能标签，所述赋能维度用于表征所述目标商户自身所处运营阶段对应的赋能需求；

赋能单元，根据所述赋能模型的输出结果对所述目标用户进行赋能。

17.一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现如权利要求1-7中任一项所述的方法。

18.一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现如权利要求8所述的方法。

19.一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。

20.一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如权利要求8所述方法的步骤。

Images