CN111461352B - 模型训练、业务节点识别方法、装置及电子设备 - Google Patents

Abstract

本说明书实施例提出一种模型训练方法、业务节点识别方法、装置及电子设备，其基本思想是，利用第一业务数据样本训练第一级模型，识别得到目标类的第一业务节点，接着从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端。最后，利用所述第一业务节点关联的第二业务数据样本和所述业务特征数据训练第二级模型，以便利用所述第二级模型从所述第一业务节点中再识别所述目标类的第一业务节点。

Description

模型训练、业务节点识别方法、装置及电子设备

技术领域

本说明书实施例涉及计算机技术领域，尤其涉及一种模型训练、业务节点识别方法、装置及电子设备。

背景技术

目前，对业务节点的分类识别可以利用经过机器学习训练好的模型进行处理。那么，如何利用模型获得精确的识别结果，为业界普遍考虑的一个课题。

发明内容

有鉴于此，本说明书实施例提供了一种模型训练、业务节点识别方法、装置及电子设备。

本说明书实施例采用下述技术方案：

本说明书实施例提供一种模型训练方法，包括：

利用第一业务数据样本训练第一级模型，识别得到目标类的第一业务节点；

从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

利用所述第一业务节点关联的第二业务数据样本和所述业务特征数据训练第二级模型，以便利用所述第二级模型从所述第一业务节点中再识别所述目标类的第一业务节点。

本说明书实施例还提供一种业务节点识别方法，包括：

利用第一级模型处理第一预测业务数据，识别得到目标类的第一业务节点，所述第一级模型是利用第一业务数据样本训练得到的；

从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

利用第二级模型对所述第一业务节点关联的第二预测业务数据和所述业务特征数据进行处理，从所述第一业务节点中再识别出所述目标类的第一业务节点，所述第二级模型是利用所述第一业务节点关联的第二业务数据样本和从所述第一业务数据样本中获取的与所述第一业务节点存在业务关联的特征主体的业务特征数据训练得到的。

本说明书实施例还提供一种模型训练装置，包括：

第一训练模块，利用第一业务数据样本训练第一级模型，识别得到目标类的第一业务节点；

获取模块，从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

第二训练模块，利用所述第一业务节点关联的第二业务数据样本和所述业务特征数据训练第二级模型，以便利用所述第二级模型从所述第一业务节点中再识别所述目标类的第一业务节点。

本说明书实施例还提供一种业务节点识别装置，包括：

第一处理模块，利用第一级模型处理第一预测业务数据，识别得到目标类的第一业务节点，所述第一级模型是利用第一业务数据样本训练得到的；

获取模块，从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

第二处理模块，利用第二级模型对所述第一业务节点关联的第二预测业务数据和所述业务特征数据进行处理，从所述第一业务节点中再识别出所述目标类的第一业务节点，所述第二级模型是利用所述第一业务节点关联的第二业务数据样本和从所述第一业务数据样本中获取的与所述第一业务节点存在业务关联的特征主体的业务特征数据训练得到的。

本说明书实施例还提供一种电子设备，包括：

处理器；以及

被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：

利用第一业务数据样本训练第一级模型，识别得到目标类的第一业务节点；

从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

利用所述第一业务节点关联的第二业务数据样本和所述业务特征数据训练第二级模型，以便利用所述第二级模型从所述第一业务节点中再识别所述目标类的第一业务节点。

本说明书实施例还提供一种电子设备，包括：

处理器；以及

被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：

利用第一级模型处理第一预测业务数据，识别得到目标类的第一业务节点，所述第一级模型是利用第一业务数据样本训练得到的；

从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

利用第二级模型对所述第一业务节点关联的第二预测业务数据和所述业务特征数据进行处理，从所述第一业务节点中再识别出所述目标类的第一业务节点，所述第二级模型是利用所述第一业务节点关联的第二业务数据样本和从所述第一业务数据样本中获取的与所述第一业务节点存在业务关联的特征主体的业务特征数据训练得到的。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

利用第一业务数据样本训练第一级模型，识别得到目标类的第一业务节点，接着从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端。最后，利用所述第一业务节点关联的第二业务数据样本和所述业务特征数据训练第二级模型，以便利用所述第二级模型从所述第一业务节点中再识别所述目标类的第一业务节点。

利用本说明实施例记载的方案，通过第一级模型可以排除掉一部分第一业务方，这可以降低第二级模型在训练过程中的资源消耗。在此前提下，可以结合其他特征主体的业务特征数据训练第二级模型，提升第二级模型的模型结果精确度。这样，训练好的第一级模型和第二级模型共同构成对目标类的第一业务方的识别模块，第一级模型对目标类的第一业务方进行粗排，降低第二级模型处理过程中的资源消耗。以此为前提，利用第二级模型，结合其他特征主体的业务特征数据，对粗排后的少部分第一业务节点进行再识别，提升对目标类第一业务节点的识别精度。

附图说明

此处所说明的附图用来提供对本说明书实施例的进一步理解，构成本说明书实施例的一部分，本说明书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为本说明书实施例提出的一种模型训练方法的流程图；

图2为本说明书实施例提出的一种业务节点识别方法的流程图；

图3为本说明书实施例提出的一种模型训练方法的一个应用示例的流程示意图；

图4为本说明书实施例提出的一种卖家识别方法的一个应用示例的流程示意图；

图5为本说明书实施例提出的一种模型训练装置的结构示意图；

图6为本说明书实施例提出的一种业务节点识别装置的结构示意图。

具体实施方式

对现有技术进行分析发现，现有一种手段是单纯地使用业务数据样本训练模型。为获得良好的模型结果，可以使用大量业务数据样本进行训练，这要求计算机提供较强算力。

本说明书实施例提出一种模型训练方法、业务节点识别方法、装置及电子设备，其基本思想是，利用第一业务数据样本训练第一级模型，识别得到目标类的第一业务节点，接着从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端。最后，利用所述第一业务节点关联的第二业务数据样本和所述业务特征数据训练第二级模型，以便利用所述第二级模型从所述第一业务节点中再识别所述目标类的第一业务节点。

利用本说明实施例记载的方案，通过第一级模型可以排除掉一部分第一业务方，这可以降低第二级模型在训练过程中的资源消耗。在此前提下，可以结合其他特征主体的业务特征数据训练第二级模型，提升第二级模型的模型结果精确度。这样，训练好的第一级模型和第二级模型共同构成对目标类的第一业务方的识别模块，第一级模型对目标类的第一业务方进行粗排，降低第二级模型处理过程中的资源消耗。以此为前提，利用第二级模型，结合其他特征主体的业务特征数据，对粗排后的少部分第一业务节点进行再识别，提升对目标类第一业务节点的识别精度。

为使本申请的目的、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申请技术方案进行清楚、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，都属于本申请保护的范围。

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1为本说明书实施例提出的一种模型训练方法的流程图。

步骤101：利用第一业务数据样本训练第一级模型，识别得到目标类的第一业务节点。

本说明书实施例记载的业务，其场景可以是基于互联网平台的各类业务，在此不受具体限定。

第一业务节点可以是在业务流程中具备特定业务功能的一业务端的业务节点。例如，第一业务节点可以是业务提供方，还可以是业务接受方，还可以是在其他业务场景下的担保方或中间方，在此不受具体限定。

这样，所述目标类可以是对各第一业务节点的分类类别，可以是第一业务节点的业务行为属或主体属性。在不同的应用场景中，该目标类具有不同值。例如，业务行为属性可以是异常或正常，在具体领域，分别对应不同指标，如异常对应套现，则正常对应非套现；而主体属性可以是可信度，如信贷领域的可信度，在此不作具体限定。

本实施例记载的方案可以用在各类风控领域，例如信贷评估、防套现、防诈骗等。

在本说明书实施例中，本说明书实施例训练好的第一级模型可以对第一业务节点进行预分类，识别目标类的第一业务节点。这样第一级模型可以配置第一业务节点的各项业务特征。那么，使用第一业务数据样本训练第一级模型，其实质是利用第一业务数据样本训练第一级模型中配置的第一业务节点的业务特征的特征值，使得训练好的第一级模型能够识别目标类的第一业务节点。

在本说明书实施例中，执行步骤101时，识别得到目标类的第一业务节点，可以包括：

所述第一级模型在训练时预分类得到所述目标类的第一业务节点；

从预分类得到的第一业务节点中选取满足再识别条件的第一业务节点。

从预分类得到的第一业务节点中选取满足再识别条件的待定业务节点，可以是从预分类的各第一业务节点中提取更接近目标类的待定业务节点，进行后续处理。

具体地，从预分类得到的第一业务节点中选取满足再识别条件的所述第一业务节点，包括：

获取所述第一级模型对预分类得到的第一业务节点的预分类打分；

根据打分分值从预分类得到的第一业务节点中选取满足再识别条件的第一业务节点。

构建第一级模型以识别目标类第一业务方为目标，对各第一业务节点进行打分，打分分值表征该第一业务节点为达到目标类的概率。那么，根据打分分值从预分类得到的第一业务节点中选取满足再识别条件的第一业务节点，可以是根据打分排名，提取排名靠前的预设比例的第一业务节点。

步骤103：从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端。

需要说明的是，本说明书实施例记载的特征主体可以是第二业务节点和业务对象的其中之一，或者两者兼有。此时，特征主体的业务特征数据可以是该特征主体自身的业务特征数据。

在本说明书实施例中，第二业务节点和前述的第一业务节点处于不同业务端，那么第一业务节点、第二业务节点和业务对象各自的业务特征是从业务的不同角度所配置。例如，若第一业务节点为业务提供方，第二业务节点为业务接受方，业务对象为商品或服务，则第一业务节点的业务特征可以包括卖家支付类型占比、卖家交易完成时间、订单退税交易额、卖家累计交易额及卖家累计交易笔数中的一种或多种的组合，第二业务节点的业务特征可以包括买家订单交易金额、买家交易完成时间间隔及买家支付类型中的一种或多种的组合，而商品的业务特征可以包括商品交易金额、商品交易时间、商品对应买家数量、商品对应卖家数量、商品的各种支付类型中的一种或多种的组合。此为一示例，在此不作具体限定。

在本说明书实施例中，在从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据之前，还可以包括：

利用所述第一业务数据样本训练特征主体模型，识别得到所述目标类的特征主体所关联的业务特征数据；

从识别得到的所述业务特征数据中提取与所述第一业务节点存在业务关联的所述特征主体的业务特征数据。

在本说明书实施例中，特征主体模型和第一级模型均是以识别目标类为目标而构建的模型，区别在于考虑角度不同。第一级模型用作识别目标类的第一业务节点，若特征主体模型以第二业务节点的业务特征进行配置，则该特征主体模型用作识别目标类的第二业务节点，若特征主体模型以业务对象的业务特征进行配置，则该特征主体模型用作识别目标类的业务对象。

具体地，若所述特征主体包含所述第二业务节点和业务对象，则利用所述第一业务数据样本训练特征主体模型，包括：

利用所述第一业务数据样本训练第二业务节点模型，识别得到所述目标类的第二业务节点的业务特征数据；

利用所述第一业务数据样本训练业务对象模型，识别得到所述目标类的业务对象的业务特征数据。

在这种情况下，从识别得到的所述业务特征数据中提取与所述第一业务节点存在业务关联的所述特征主体的业务特征数据，可以包括：

按照所述第一业务节点的信息，对识别得到的所述第二业务节点的业务特征数据和业务对象的业务特征数据进行聚合，得到与所述第一业务节点存在业务关联的所述特征主体的业务特征数据。

由于第一业务节点、第二业务节点及业务对象在整个业务流程中所承担的功能不同，在进行指目标类识别时所要求的业务特征也很不多，可根据具体场景配置相应的模型。

另外，利用所述第一业务数据样本训练特征主体模型，可以与步骤101同时进行，也可以在步骤101之前或之后执行，在此不作具体限定。

聚合过程不仅仅是将第二业务节点和业务对象的业务特征数据进行集中整合，还对业务特征数据进行清洗和精简，删除重复数据，进而降低后续训练过程中的资源消耗。

在本说明书具体实施例中，也可以不进行聚合。

在以上实施例中，特征主体模型可以输出目标类的特征主体的业务特征数据。

在另一实施例中，在从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据之前，还包括：

利用所述第一业务数据样本训练特征主体模型，识别得到所述目标类的特征主体；则，

根据识别得到的所述特征主体，从所述第一业务数据样本中提取与第一业务节点存在业务关联的特征主体的业务特征数据。

具体地，根据识别得到的所述特征主体，从所述第一业务数据样本中提取与第一业务节点存在业务关联的特征主体的业务特征数据，可以包括：

从所述第一业务数据样本中提取包含识别到的特征主体的关联业务数据；

从所述关联业务数据中提取包含第一业务节点的所述业务特征数据。

具体地，从所述第一业务数据样本中提取包含识别到的特征主体的关联业务数据，可以是利用识别的特征主体标识查询关联业务数据。

而从所述关联业务数据中提取包含第一业务节点的业务特征数据，可以是利用第一业务节点标识查询与第一业务节点存在业务关联的特征主体的业务特征数据。

步骤105：利用所述第一业务节点关联的第二业务数据样本和所述业务特征数据训练第二级模型，以便利用所述第二级模型从所述第一业务节点中再识别所述目标类的第一业务节点。

在本说明书实施例中，如果第一级模型是对第一业务节点进行粗排，则第二级模型是对粗排后的结果进行精排。在这种情况下，考虑到第一业务节点的业务行为与相关特征主体之间的关联，本说明书实施例提出结合考虑待定业务节点的业务特征及相关的特征主体的业务特征数据训练第二级模型，利用特征主体的业务特征影响第二级模型对目标类第一业务方的识别判断，实质上是训练第二级模型中的各项业务特征的参数。在这个过程中，经粗排排除一部分第一业务方，从而剩余一部分第一业务方，那么精排阶段对算力没有过高要求，能有效节约资源。

如果第一级模型中配置第一业务节点的业务特征，则第二级模型相比于第一级模型的不同之处可以是，第二级模型中配置第一业务节点的业务特征和特征主体的业务特征。

需要说明的是，第二级模型中配置的第一业务节点的业务特征少于第一级模型中配置的业务特征，以减少训练时间。

在本说明书实施例中，第一业务数据样本的生成时间早于第二业务数据样本，第二业务数据样本的生成时间晚于第一业务数据样本。这样，第一业务数据样本保持长期业务记忆，而第二业务数据样本保持短期业务记忆，两者结合更加有利于捕捉有用的业务特征。

在这种情况下，可以设计第一业务数据样本的时间跨度大于所述第二业务数据样本的时间跨度，则第二业务数据样本的时间跨度小于第一业务数据样本的时间跨度。一方面，使用时间跨度比较大的第一业务数据样本训练第一业务数据样本，可以提取到足够的第一业务节点，避免出现遗漏。另一方面，使用精简的第二业务数据样本能够提高训练效率。

利用本说明实施例记载的方案，通过第一级模型可以排除掉一部分第一业务方，这可以降低第二级模型在训练过程中的资源消耗。在此前提下，可以结合其他特征主体的业务特征数据训练第二级模型，提升第二级模型的模型结果精确度。这样，训练好的第一级模型和第二级模型共同构成对目标类的第一业务方的识别模块，第一级模型对目标类的第一业务方进行粗排，降低第二级模型处理过程中的资源消耗。以此为前提，利用第二级模型，结合其他特征主体的业务特征数据，对粗排后的少部分第一业务节点进行再识别，提升对目标类第一业务节点的识别精度。

图2为本说明书实施例提出的一种业务节点识别方法的流程图。

步骤202：利用第一级模型处理第一预测业务数据，识别得到目标类的第一业务节点，所述第一级模型是利用第一业务数据样本训练得到。

第一级模型的训练阶段可以参考上文步骤101，在此不再赘述。

利用第一级模型对第一预测业务数据进行处理，实现对第一业务节点进行粗排，排除掉一部分非目标类第一业务节点，并识别得到目标类第一业务节点。

第一预测业务数据可以是从第一业务节点采集的预测业务数据集。

在本说明书实施例中，识别得到目标类的第一业务节点，包括：

利用第一级模型处理第一预测业务数据时，预分类得到所述目标类的第一业务节点；

从预分类得到的第一业务节点中选取满足再识别条件的第一业务节点。

步骤204：从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端。

在本说明书实施例中，在从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据之前，还包括：

利用特征主体模型对所述第一预测业务数据进行处理，所述目标类的特征主体所关联的业务特征数据，所述特征主体模型是利用所述第一业务数据样本训练得到的；

从识别得到的所述业务特征数据中提取与所述第一业务节点存在业务关联的所述特征主体的业务特征数据。

步骤206：利用第二级模型对所述第一业务节点关联的第二预测业务数据和所述业务特征数据进行处理，从所述第一业务节点中再识别出所述目标类的第一业务节点，所述第二级模型是利用所述第一业务节点关联的第二业务数据样本和从所述第一业务数据样本中获取的与所述第一业务节点存在业务关联的特征主体的业务特征数据训练得到的。

利用第二级模型对粗排后的第一业务节点进行精排。这一过程结合了与第一业务节点存在业务关联的特征主体的业务特征数据，可以增强识别结果的精确性。

利用本说明实施例记载的方案，训练好的第一级模型和第二级模型共同构成对目标类的第一业务方的识别模块，第一级模型对目标类的第一业务方进行粗排，降低第二级模型处理过程中的资源消耗。以此为前提，利用第二级模型，结合其他特征主体的业务特征数据，对粗排后的少部分第一业务节点进行再识别，提升对目标类第一业务节点的识别精度。

图3为本说明书实施例提出的一种模型训练方法的一个应用示例的流程示意图，本方法包括粗排阶段和精排阶段。

本说明书实施例提供训练数据集，该训练数据集包含及集，此为上文第一业务数据样本的一个示例，不对本申请保护范围构成限制。

如下为粗排阶段。

步骤301：确定训练数据集，训练数据集包括前三个月业务数据集（第一业务数据样本的一个示例）和第四个月的业务数据集（第二业务数据样本的一个示例）。

步骤303：利用前三个月业务数据集训练基于卖家业务特征构建的第一级模型，识别得到目标类卖家；还训练基于买家业务特征构建的买家模型，识别得到目标类买家业务特征数据；还训练基于商品业务特征构建的商品模型，识别得到目标类商品业务特征数据。

卖家为上文第一业务节点的一个应用示例，卖家业务特征为第一业务节点的业务特征的一个示例，买家为上文第二业务节点的一个应用示例，买家业务特征为第二业务节点的一个应用示例，商品为上文业务对象的一个应用示例，商品业务特征为业务对象的业务特征的一个示例。

步骤305：从卖家模型识别到的目标类卖家中提取头部预设比例的卖家，作为待选卖家，进入精排阶段。

步骤307：根据待选卖家的标识，分别从识别到的买家业务特征数据和卖家业务特征数据中提取与待选卖家存在业务关联的业务特征数据，进行聚合得到聚合业务特征数据。

步骤309：利用待选卖家的第四个月业务数据集和聚合业务特征数据训练第二级模型。

图4为本说明书实施例提出的一种卖家识别方法的流程示意图，本方法包括粗排阶段和精排阶段。

步骤402：确定预测数据集，预测数据集包括卖家前三个月的第一预测业务数据和第四个月的第二预测业务数据。

粗排阶段，步骤404：将第一预测业务数据输入第一级模型、买家模型和商品模型，利用第一级模型对第一预测业务数据预分类得到目标类卖家，利用买家模型对第一预测业务数据进行处理而得到目标类买家业务特征数据，利用商品模型对第一预测业务数据进行处理而得到目标类商品业务特征数据。

步骤406：从第一级模型识别到的卖家中提取头部排名预设比例的待定卖家，进入精排阶段。

粗排阶段确定出一部分待定卖家，节约资源开销。

步骤408：从买家业务特征数据和商品业务特征数据中提取与待定卖家存在业务关联的业务特征数据进行聚合，得到聚合业务特征数据。

步骤410：将待定卖家的第二预测业务数据和聚合业务特征数据输入第二级模型，利用第二级模型从待定卖家中再识别出指定类别的卖家，得到识别结果。

在精排阶段，将买家业务特征数据和商品业务特征数据与卖家业务特征进行融合，可以从更多角度判定指定类别，有效提升模型效果的增益。

另外，在粗排阶段使用较远时间的数据集训练第一级模型，在精排阶段使用近期的数据集训练第二级模型，更加有利于捕捉有用特征。

图5为本说明书实施例提出的一种模型训练装置的结构示意图。

本装置可以包括：

第一训练模块501，利用第一业务数据样本训练第一级模型，识别得到目标类的第一业务节点；

获取模块502，从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

第二训练模块503，利用所述第一业务节点关联的第二业务数据样本和所述业务特征数据训练第二级模型，以便利用所述第二级模型从所述第一业务节点中再识别所述目标类的第一业务节点。

可选地，在从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据之前，还包括：

利用所述第一业务数据样本训练特征主体模型，识别得到所述目标类的特征主体所关联的业务特征数据；

从识别得到的所述业务特征数据中提取与所述第一业务节点存在业务关联的所述特征主体的业务特征数据。

可选地，所述第一业务数据样本的生成时间早于所述第二业务数据样本。

利用本说明实施例记载的方案，通过第一级模型可以排除掉一部分第一业务方，这可以降低第二级模型在训练过程中的资源消耗。在此前提下，可以结合其他特征主体的业务特征数据训练第二级模型，提升第二级模型的模型结果精确度。这样，训练好的第一级模型和第二级模型共同构成对目标类的第一业务方的识别模块，第一级模型对目标类的第一业务方进行粗排，降低第二级模型处理过程中的资源消耗。以此为前提，利用第二级模型，结合其他特征主体的业务特征数据，对粗排后的少部分第一业务节点进行再识别，提升对目标类第一业务节点的识别精度。

基于同一个发明构思，本说明书实施例还提供了一种电子设备，包括：

处理器；以及

被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：

利用第一业务数据样本训练第一级模型，识别得到目标类的第一业务节点；

从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

利用所述第一业务节点关联的第二业务数据样本和所述业务特征数据训练第二级模型，以便利用所述第二级模型从所述第一业务节点中再识别所述目标类的第一业务节点。

基于同一发明构思，本说明书实施例中还提供了一种计算机可读存储介质，包括与电子设备结合使用计算机程序，所述计算机程序可被处理器执行以完成以下步骤：

利用第一业务数据样本训练第一级模型，识别得到目标类的第一业务节点；

从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

利用所述第一业务节点关联的第二业务数据样本和所述业务特征数据训练第二级模型，以便利用所述第二级模型从所述第一业务节点中再识别所述目标类的第一业务节点。

图6为本说明书实施例提出的一种业务节点识别装置的结构示意图。

本装置可以包括：

第一处理模块601，利用第一级模型处理第一预测业务数据，识别得到目标类的第一业务节点，所述第一级模型是利用第一业务数据样本训练得到的；

获取模块602，从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

第二处理模块603，利用第二级模型对所述第一业务节点关联的第二预测业务数据和所述业务特征数据进行处理，从所述第一业务节点中再识别出所述目标类的第一业务节点，所述第二级模型是利用所述第一业务节点关联的第二业务数据样本和从所述第一业务数据样本中获取的与所述第一业务节点存在业务关联的特征主体的业务特征数据训练得到的。

可选地，在从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据之前，还包括：

利用特征主体模型对所述第一预测业务数据进行处理，所述目标类的特征主体所关联的业务特征数据，所述特征主体模型是利用所述第一业务数据样本训练得到的；

从识别得到的所述业务特征数据中提取与所述第一业务节点存在业务关联的所述特征主体的业务特征数据。

基于同一个发明构思，本说明书实施例还提供了一种电子设备，包括：

处理器；以及

被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：

利用第一级模型处理第一预测业务数据，识别得到目标类的第一业务节点，所述第一级模型是利用第一业务数据样本训练得到的；

从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

利用第二级模型对所述第一业务节点关联的第二预测业务数据和所述业务特征数据进行处理，从所述第一业务节点中再识别出所述目标类的第一业务节点，所述第二级模型是利用所述第一业务节点关联的第二业务数据样本和从所述第一业务数据样本中获取的与所述第一业务节点存在业务关联的特征主体的业务特征数据训练得到的。

基于同一发明构思，本说明书实施例中还提供了一种计算机可读存储介质，包括与电子设备结合使用计算机程序，所述计算机程序可被处理器执行以完成以下步骤：

利用第一级模型处理第一预测业务数据，识别得到目标类的第一业务节点，所述第一级模型是利用第一业务数据样本训练得到的；

从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

利用第二级模型对所述第一业务节点关联的第二预测业务数据和所述业务特征数据进行处理，从所述第一业务节点中再识别出所述目标类的第一业务节点，所述第二级模型是利用所述第一业务节点关联的第二业务数据样本和从所述第一业务数据样本中获取的与所述第一业务节点存在业务关联的特征主体的业务特征数据训练得到的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

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。具体的，计算机例如可以为个人计算机、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何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

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

本发明是参照根据本发明实施例的方法、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。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

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。

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

Claims (20)

1.一种模型训练方法，包括：

利用第一业务数据样本训练第一级模型，识别得到目标类的第一业务节点；

从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

利用所述第一业务节点关联的第二业务数据样本和所述业务特征数据训练第二级模型，以便利用所述第二级模型从所述第一业务节点中再识别所述目标类的第一业务节点。

2.如权利要求1所述的方法，识别得到目标类的第一业务节点，包括：

所述第一级模型在训练时预分类得到所述目标类的第一业务节点；

从预分类得到的第一业务节点中选取满足再识别条件的第一业务节点。

3.如权利要求2所述的方法，从预分类得到的第一业务节点中选取满足再识别条件的所述第一业务节点，包括：

获取所述第一级模型对预分类得到的第一业务节点的预分类打分；

根据打分分值从预分类得到的第一业务节点中选取满足再识别条件的第一业务节点。

4.如权利要求1所述的方法，在从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据之前，还包括：

利用所述第一业务数据样本训练特征主体模型，识别得到所述目标类的特征主体所关联的业务特征数据；

从识别得到的所述业务特征数据中提取与所述第一业务节点存在业务关联的所述特征主体的业务特征数据。

5.如权利要求4所述的方法，若所述特征主体包含所述第二业务节点和业务对象，则利用所述第一业务数据样本训练特征主体模型，包括：

利用所述第一业务数据样本训练第二业务节点模型，识别得到所述目标类的第二业务节点的业务特征数据；

利用所述第一业务数据样本训练业务对象模型，识别得到所述目标类的业务对象的业务特征数据。

6.如权利要求5所述的方法，从识别得到的所述业务特征数据中提取与所述第一业务节点存在业务关联的所述特征主体的业务特征数据，包括：

按照所述第一业务节点的信息，对识别得到的所述第二业务节点的业务特征数据和业务对象的业务特征数据进行聚合，得到与所述第一业务节点存在业务关联的所述特征主体的业务特征数据。

7.如权利要求1所述的方法，所述第一业务数据样本的生成时间早于所述第二业务数据样本。

8.如权利要求7所述的方法，所述第一业务数据样本的时间跨度大于所述第二业务数据样本的时间跨度。

9.如权利要求1所述的方法，所述第一级模型中配置所述第一业务节点的业务特征；

所述第二级模型相比于所述第一级模型的不同之处为，所述第二级模型配置所述第一业务节点的业务特征和所述特征主体的业务特征。

10.一种业务节点识别方法，包括：

利用第一级模型处理第一预测业务数据，识别得到目标类的第一业务节点，所述第一级模型是利用第一业务数据样本训练得到的；

从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

利用第二级模型对所述第一业务节点关联的第二预测业务数据和所述业务特征数据进行处理，从所述第一业务节点中再识别出所述目标类的第一业务节点，所述第二级模型是利用所述第一业务节点关联的第二业务数据样本和从所述第一业务数据样本中获取的与所述第一业务节点存在业务关联的特征主体的业务特征数据训练得到的。

11.如权利要求10所述的方法，识别得到目标类的第一业务节点，包括：

利用第一级模型处理第一预测业务数据时，预分类得到所述目标类的第一业务节点；

从预分类得到的第一业务节点中选取满足再识别条件的第一业务节点。

12.如权利要求10所述的方法，在从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据之前，还包括：

利用特征主体模型对所述第一预测业务数据进行处理，所述目标类的特征主体所关联的业务特征数据，所述特征主体模型是利用所述第一业务数据样本训练得到的；

从识别得到的所述业务特征数据中提取与所述第一业务节点存在业务关联的所述特征主体的业务特征数据。

13.如权利要求12所述的方法，所述第一预测业务数据的生成时间早于所述第二预测业务数据。

14.一种模型训练装置，包括：

第一训练模块，利用第一业务数据样本训练第一级模型，识别得到目标类的第一业务节点；

获取模块，从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

第二训练模块，利用所述第一业务节点关联的第二业务数据样本和所述业务特征数据训练第二级模型，以便利用所述第二级模型从所述第一业务节点中再识别所述目标类的第一业务节点。

15.如权利要求14所述的装置，在从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据之前，还包括：

利用所述第一业务数据样本训练特征主体模型，识别得到所述目标类的特征主体所关联的业务特征数据；

从识别得到的所述业务特征数据中提取与所述第一业务节点存在业务关联的所述特征主体的业务特征数据。

16.如权利要求14所述的装置，所述第一业务数据样本的生成时间早于所述第二业务数据样本。

17.一种业务节点识别装置，包括：

第一处理模块，利用第一级模型处理第一预测业务数据，识别得到目标类的第一业务节点，所述第一级模型是利用第一业务数据样本训练得到的；

获取模块，从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

第二处理模块，利用第二级模型对所述第一业务节点关联的第二预测业务数据和所述业务特征数据进行处理，从所述第一业务节点中再识别出所述目标类的第一业务节点，所述第二级模型是利用所述第一业务节点关联的第二业务数据样本和从所述第一业务数据样本中获取的与所述第一业务节点存在业务关联的特征主体的业务特征数据训练得到的。

18.如权利要求17所述的装置，在从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据之前，还包括：

利用特征主体模型对所述第一预测业务数据进行处理，所述目标类的特征主体所关联的业务特征数据，所述特征主体模型是利用所述第一业务数据样本训练得到的；

从识别得到的所述业务特征数据中提取与所述第一业务节点存在业务关联的所述特征主体的业务特征数据。

19.一种电子设备，包括：

处理器；以及

被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：

利用第一业务数据样本训练第一级模型，识别得到目标类的第一业务节点；

从所述第一业务数据样本中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

利用所述第一业务节点关联的第二业务数据样本和所述业务特征数据训练第二级模型，以便利用所述第二级模型从所述第一业务节点中再识别所述目标类的第一业务节点。

20.一种电子设备，包括：

处理器；以及

被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：

利用第一级模型处理第一预测业务数据，识别得到目标类的第一业务节点，所述第一级模型是利用第一业务数据样本训练得到的；

从所述第一预测业务数据中获取与所述第一业务节点存在业务关联的特征主体的业务特征数据，所述特征主体包含第二业务节点和业务对象中的至少一个，所述第一业务节点和第二业务节点位于不同业务端；

利用第二级模型对所述第一业务节点关联的第二预测业务数据和所述业务特征数据进行处理，从所述第一业务节点中再识别出所述目标类的第一业务节点，所述第二级模型是利用所述第一业务节点关联的第二业务数据样本和从所述第一业务数据样本中获取的与所述第一业务节点存在业务关联的特征主体的业务特征数据训练得到的。

Images