CN113095870B - 一种预测方法、装置、计算机设备以及存储介质 - Google Patents

Abstract

本说明书实施例提供一种预测方法，包括基于门店的属性信息构建所述门店的多异构图网络，所述多异构图网络包括对应所述门店的门店节点，以及对应所述门店的不同属性信息的属性节点；将所述多异构图网络输入预先训练的图神经网络模型；所述图神经网络模型基于门店样本的属性信息以及所述门店样本所属行业训练得到；获取所述图神经网络模型输出的所述门店所属行业的预测结果。本说明书实施例还提供一种预测装置、计算机设备以及计算机可读存储介质。

Description

一种预测方法、装置、计算机设备以及存储介质

技术领域

本说明书实施例涉及神经网络领域，尤其涉及一种预测方法、预测装置、计算机设备以及计算机可读存储介质。

背景技术

线上APP(Application，应用程序)常用于服务线下实体门店，例如支付宝。有时APP线上业务的开展需要获取所服务的线下实体门店的行业信息。

对于线下实体门店中大型品牌商的连锁店，通常比较容易获取连锁店的行业信息。但线下实体门店除了大型品牌商的连锁店以外，大部分是中长尾的商户门店，这些中长尾的商户门店的行业信息往往难以获取。

发明内容

第一方面，本说明书实施例提供一种预测方法，包括：

基于门店的属性信息构建所述门店的多异构图网络，所述多异构图网络包括对应所述门店的门店节点，以及对应所述门店的不同属性信息的属性节点；

将所述多异构图网络输入预先训练的图神经网络模型；所述图神经网络模型基于门店样本的属性信息以及所述门店样本所属行业训练得到；

获取所述图神经网络模型输出的所述门店所属行业的预测结果。

第二方面，本说明书实施例提供一种预测装置，包括：

网络构建单元，用于基于门店的属性信息构建所述门店的多异构图网络，所述多异构图网络包括对应所述门店的门店节点，以及对应所述门店的不同属性信息的属性节点；

网络输入单元，用于将所述多异构图网络输入预先训练的图神经网络模型；所述图神经网络模型基于门店样本的属性信息以及所述门店样本所属行业训练得到；

预测结果获取单元，用于获取所述图神经网络模型输出的所述门店所属行业的预测结果。

第三方面，本说明书实施例提供一种计算机设备，包括存储器、处理器及存储在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程序时实现以下步骤：

基于门店的属性信息构建所述门店的多异构图网络，所述多异构图网络包括对应所述门店的门店节点，以及对应所述门店的不同属性信息的属性节点；

将所述多异构图网络输入预先训练的图神经网络模型；所述图神经网络模型基于门店样本的属性信息以及所述门店样本所属行业训练得到；

获取所述图神经网络模型输出的所述门店所属行业的预测结果。

第四方面，本说明书实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述方法的步骤。

本说明书实施例提供的预测方法，通过构建门店的多异构图网络，由多异构图网络来表示门店的属性信息，并基于门店样本的属性信息以及门店样本所属行业来训练图神经网络模型，使得图神经网络模型可以学习不同行业分类下门店的属性信息，由此后续在输入未知所属行业分类的门店对应的多异构图网络时，图神经网络可以基于多异构图网络中携带的门店的属性信息预测门店所属行业分类，实现对门店的行业分类。

附图说明

图1是本说明书一示例性实施例示出的一种预测方法的流程图。

图2是本说明书一示例性实施例示出的一种多异构图网络的示意图。

图3是本说明书一示例性实施例示出的一种由交易设备、门店以及交易对象构成的多异构图网络示意图。

图4是本说明书一示例性实施例示出的一种由交易设备、门店以及交易设备的位置构成的多异构图网络示意图。

图5是本说明书一示例性实施例示出的一种由交易设备、门店、交易设备的位置、交易对象以及商户构成的多异构图网络示意图。

图6是本说明书一示例性实施例示出的一种计算机设备的硬件结构图。

图7是本说明书一示例性实施例示出的一种预测装置的结构示意图。

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、本说明书实施例的一些方面相一致的装置和方法的例子。

在本说明书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实施例。在本说明书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”。

本说明书实施例中，实体门店是指商家在线下开设经营的实体店。APP线上业务的开展可能需要基于获取的APP所服务的线下实体门店的行业信息进行，以支付宝为例，现如今支付宝服务于几千万的线下实体门店，而支付宝在开展金融贷款、发券促销、风控稽核等业务领域的业务时，可能需要基于所服务的线下实体门店的行业信息来进行，例如对于金融贷款的业务，需要基于实体门店的行业信息来核实实体门店对应的商户的贷款信息，对于发券促销的业务，需要基于实体门店的行业信息为商家的实体门店定制相应的消费券促进销售等。因此想要确保线上业务的顺利开展，可能需要准确的实体门店的行业信息。

本说明书的一个实施例中，可以基于文本信息来进行实体门店(后简称门店)的行业分类。具体的，可以获取用来表示门店所经营行业的文本信息，比如门店的名称、工商信息、门店的官网上所展示的一些关于门店经营行业的介绍信息等，通过识别出所获取的文本集合，提取文本集合中的关键字并根据关键字所对应的行业来确定门店所属的行业，实现对门店的行业分类。通过本说明书的实施例，可以直接基于所获取的表示门店所经营行业的文本信息来进行门店的行业分类。

但在一些情况下，表示门店所经营行业的文本信息可能并不容易获取得到。对于线下的门店中大型品牌商的连锁店，由于品牌商通常会建立自己品牌的官方网站，并在网站上展示自己经营的产品、旗下门店以及其他的一些经营信息，因此比较容易获取到其门店的一些经营相关信息，依此来对品牌商旗下的门店做行业分类。但线下门店除了大型品牌商的连锁店以外，大部分是中长尾的商户门店，这些中长尾的商户门店往往没有自己的网站，其工商信息也往往不方便获取，甚至还有一些门店存在无营业执照的情况，对于此类门店可能难以再基于文本信息来进行行业分类。而对于这些门店，如果全部由商户或服务商自填门店的行业信息进行上报，则效率极低，且由于自填时不同人的理解不同，会存在混淆错乱的情况，影响门店行业分类的准确性。

针对所存在的至少以上问题，本说明书实施例还提供一种预测方法，可以在无需获取表示门店所经营行业的文本信息的情况下实现门店的行业分类。当然，在能够准确地获取表示门店所经营行业的文本信息的情况下，也不排除可以同时结合前面实施例中介绍的基于文本信息来进行门店分类的方法以及下面将介绍的预测方法来实现门店分类，由此来获取更准确的门店分类结果。下面将介绍本说明书实施例提供的预测方法。

参见图1，图1是本说明书一示例性实施例示出的一种预测方法的流程图，该方法包括：

S101，基于门店的属性信息构建所述门店的多异构图网络，所述多异构图网络包括对应所述门店的门店节点，以及对应所述门店的不同属性信息的属性节点；

S102，将所述多异构图网络输入预先训练的图神经网络模型；所述图神经网络模型基于门店样本的属性信息以及所述门店样本所属行业训练得到；

S103，获取所述图神经网络模型输出的所述门店所属行业的预测结果。

其中，门店的属性信息可以包括门店的位置信息，比如门店处于哪一栋建筑物中，以及在建筑物中所处的楼层；或者门店的属性信息可以包括与门店之间产生交易关系的用户群体；门店的属性信息还可以包括门店所销售的商品，例如门店销售的商品的种类、营业额等；或者门店的属性信息还可以包括门店的营业时间、门店所属的商户等。需要说明的是，本说明书实施例中所说的门店的属性信息可以理解为是能够体现门店的固有属性和经营特点的一些数据信息，除以上所列举的一些例子以外，本说明书实施例实施例中门店的属性信息还可以是其他具体的信息，在此不做穷举。

多异构图网络可以理解为由多种不同的节点和边构成的网络结构，本说明书实施例中多异构图网络的节点可以包括对应门店的门店节点以及对应门店的不同属性信息的属性节点。参照图2，图2是本说明书一示例性实施例示出的一种多异构图网络的示意图，其中包括门店节点，以及分别通过不同的连接边与门店节点连接的各属性节点。通过多异构图网络可以表示出门店的属性信息，以及门店与属性信息之间的关系。

由于相同行业下门店的属性信息是相似的，由此可以基于门店的属性信息来预测门店所属行业。本说明书的实施例中，可以是在构建出门店的多异构图网络的基础上，通过图神经网络模型来对门店所属行业进行预测。其中，可以预先基于门店样本的属性信息以及所述门店样本所属行业来训练图神经网络模型，具体的，可以预先通过多异构图网络样本来训练图神经网络模型，其中多异构图网络样本中包括带有行业标签的门店节点以及对应门店的不同属性信息的属性节点，通过获取所述图神经网络模型输出的多异构图网络样本中门店节点的行业标签，基于所述行业标签计算预设损失函数，基于所述预设损失函数训练所述图神经网络模型，以使得训练后的图神经网络模型可以基于输入的门店的属性信息来预测门店所属的行业。后续在将所构建的门店的多异构图网络输入到该图神经网络模型时，可以获取到图神经网路模型输出的对门店所属行业的预测结果。

其中，本说明书实施例中的图神经网络模型可以是采用图卷积神经网络(GraphConvolutional Network，GCN)、图注意力网络(Graph Attention Network，GAT)、S2V、GraphSage、Geniepath、HeGNN、HACUD等一种或多种算法。当然，以上仅为示例，并非用于限定，在可行的情况下，还可能是采用其他的算法，在此不做穷举。

本说明书以上实施例示出的方法，通过构建门店的多异构图网络，由多异构图网络来表示门店的属性信息，并用已知所属行业分类的门店对应的多异构图网络来训练图神经网络模型，使得图神经网络模型可以学习不同行业分类下门店的属性信息，由此后续在输入未知所属行业分类的门店对应的多异构图网络时，图神经网络可以基于多异构图网络中携带的门店的属性信息预测门店所属行业分类，实现对门店的行业分类。

下面将举出一些具体的例子具体介绍门店的属性信息，以及如何基于门店的属性信息构建多异构图网络。

在一个实施例中，门店的属性信息可以包括门店的交易对象，由于行业分类相同的门店的交易对象往往可能类似，例如行业分类相同的门店的交易对象的画像特征、年龄分布、性别比例、职业分布等可能都是类似的，且与交易对象之间的交易关系比如交易的商品、交易时间、交易金额等也较为相似，例如餐饮行业的交易一般集中在早中晚时间段、居民服务业一般晚上和周末交易较多、加油站的交易金额往往以整百的形式等。因此可以构建包括对应门店的门店节点以及对应交易对象的用户节点的多异构图网络，并以用户画像特征、年龄、性别、职业等其中的至少一种作为用户节点的节点特征，同时通过门店节点和用户节点之间的连接边表示门店与交易对象之间的交易关系，例如交易的商品、预设时间段内的交易金额、交易次数、交易时间等，并将以上交易关系中一种或多种作为连接边的边特征，由此后续可以基于所构建的多异构图网络上与门店节点连接的用户节点的节点特征以及用户节点和门店节点的连接边的边特征来预测门店所属的行业分类。

而由于实际上门店的交易一般是需要基于交易设备进行，比如通过蜻蜓设备、刷脸POS机、扫码盒子、聚合码等交易设备完成与顾客之间的交易，门店日常经营所产生的交易数据往往记录在与该门店关联的交易设备中。因此获取门店的交易对象、交易关系等可以是从与门店关联的交易设备所采集的数据上获取，由此在一种实施方式中，可以根据交易设备所采集的数据确定门店的交易对象，也即将门店的交易对象确定为在交易设备上进行交易的对象。此时所构建的多异构图网络除了包括对应门店的门店节点以外，还包括对应交易设备的机具节点以及对应交易设备的交易对象的用户节点。其中，与前面实施例类似的，用户节点的节点特征可以包括用户画像特征、年龄、性别、职业等其中的至少一种。另外，机具节点通过不同连接边分别与所述用户节点以及所述门店节点连接，机具节点与用户节点的连接边的边特征可以包括用户节点对应的交易对象在机具节点对应的交易设备上交易的商品、预设时间段内的交易金额、交易次数、交易时间等其中至少之一。以图3为例，图3是本说明书一示例性实施例示出的一种由交易设备、门店以及交易对象构成的多异构图网络示意图，其中对应交易设备的机具节点301与对应交易对象的用户节点302通过连接边连接，且连接边具有预设边特征，该预设边特征可以参照前文介绍，在此不再重复列举。同时机具节点301还与对应门店的门店节点303通过无属性边连接，该无属性边表示机具节点与门店节点相关联，也即交易设备与门店具有关联关系。

在一个实施例中，门店的属性信息还可以包括门店的位置，由于行业分类相同的门店往往聚集在相近的位置，比如同一街道或者商圈的一定范围内往往是相同行业的门店，因此可以构建包括对应门店的门店节点以及对应门店的位置的位置节点的多异构图网络，并构建门店节点与位置节点之间的连接边，其中该连接边可以为无属性边，用于表示门店节点与位置节点相关联，即门店处于该位置上。由此后续可以基于所构建的多异构图网络上与门店节点连接的位置节点来预测门店所属的行业分类。与前面实施例类似的，由于交易设备通常位于门店内，交易设备的位置实际上可以表示门店的位置，且对于一些能够实现定位功能的交易设备而言，定位更加便捷，因此可以将门店的位置确定为交易设备的位置。此时所构建的多异构网络除了包括对应门店的门店节点以外，还包括对应交易设备的机具节点以及对应交易设备的位置的位置节点，其中机具节点通过不同连接边分别与所述位置节点以及所述门店节点连接。

进一步的，交易设备的位置可以更加精确，例如可以包括交易设备在水平方向上所处位置以及在垂直方向上所处位置。其中，交易设备在水平方向上所处位置可以是交易设备在二维平面地图上所处的位置，例如交易设备在二维平面地图上所处地块；交易设备在垂直方向上所处位置可以是交易设备所处的高度位置，例如当前交易设备处于一建筑物中，则其在垂直方向上所处位置可以为其所处的楼层。另外，对于交易设备的位置的获取，可以依靠交易设备本身所具有的定位功能实现自身定位后，从交易设备获取定位的结果；或者在交易设备不具备定位功能的情况下，可以在交易设备与其他终端(例如手机)发生交易时，从其他终端上获取定位数据来实现自身的定位。其中，对于交易设备在水平方向上所处位置可以基于GPS定位获取交易设备所处地块得到；对于交易设备在垂直方向上所处位置，可以基于气压测算高度获取交易设备所处楼层得到。可以理解，以上仅为示例，并非用于限定，具体如何获取交易设备的位置，技术人员可以根据实际需求选择。

在交易设备的位置包括交易设备在水平方向上所处位置以及在垂直方向上所处位置的情况下，所构建的多异构图网络中位置节点可以包括对应所述交易设备在水平方向上所处位置的水平点位节点，以及对应所述交易设备在垂直方向上所处位置的垂直点位节点。水平点位节点和垂直点位节点分别通过连接边和对应交易设备的机具节点连接。以图4为例，图4是本说明书一示例性实施例示出的一种由交易设备、门店以及交易设备的位置构成的多异构图网络示意图，其中对应交易设备的机具节点401分别通过不同的无属性边与水平点位节402点、垂直点位节点403、门店节点404连接，与前面实施例类似的，无属性边表示所连接的两个节点之间相关联。

在一个实施例中，门店的属性信息还可以包括门店关联的商户，也即门店所属的商户，由于同一商户可能从事的是固定的行业，那么其旗下的门店可能会属于同一行业分类，因此可以构建包括对应门店的门店节点以及对应与门店关联的商户的商户节点的多异构图网络，并构建门店节点与商户节点之间的连接边，其中该连接边可以是无属性边，用于表示门店节点与商户节点相关联，即对应该门店节点的门店属于对应该商户节点的商户。由此后续可以基于所构建的多异构图网络上与门店节点连接的商户节点来预测门店所属的行业分类。

以上实施例分别介绍了门店的属性信息包括门店的交易对象的情况，门店的属性信息包括门店的位置的情况，以及门店的属性信息包括门店关联的商户的情况。可以理解，以上仅为示例，并非用于限定，门店的属性信息还可能包括其他的信息，依照门店的各种属性信息构建多异构图网络结构的原理与前面实施例类似，在此不再一一展开介绍。并且虽然以上分别单独介绍了门店的属性信息包括门店的交易对象、门店的位置、门店关联的商户等情况，但不排除门店的属性信息可以是同时包括门店的交易对象、门店的位置以及门店关联的商户，或者同时还包括其他的属性信息，无论何种情况，均可以基于所构建的多异构图网络来输入预先训练的图神经网络预测门店的行业分类，且参考更多的属性信息可能更有利于预测的准确度。

参见图5，图5是本说明书一示例性实施例示出的一种由交易设备、门店、交易设备的位置、交易对象以及商户构成的多异构图网络示意图。其中，对应交易设备的机具节点501分别通过不同的连接边与对应交易对象的用户节点502、对应交易设备的所处地块的水平点位节点503、对应交易设备所处楼层的垂直点位节点504以及对应门店的门店节点505连接，门店节点505同时还与对应与门店关联的商户的商户节点506连接，由此后续可以基于该多异构图网络上的各节点以及各节点间的关系来预测门店所属的行业分类。

在一个实施例中，S101中，基于门店的属性信息构建所述门店的多异构图网络，可以是按照预设周期从交易设备提取所述门店的属性信息构建所述门店的多异构图网络。由此所构建的多异构图网络可以是包括预设周期内门店的属性数据的图网络。例如对于交易数据而言，由于门店与顾客之间的交易数据往往产生并记录与交易设备上，因此对于交易相关的数据可以从交易设备上获取，并且可以是按照预设周期来进行获取，由此来确定在一个预设的周期内门店交易的客户数量、交易金额等信息，同时定期地更新所构建的多异构图网络。对于位置数据而言，同样可以基于交易设备的定位信息周期性地从交易设备上获取，以定期判断门店的位置是否发生变化，并以此更新所构建的多异构图网络。另外需要说明的是，对于同一门店而言，从交易设备提取门店的属性信息可以是从与门店关联的多台设备上提取，由此可以尽可能获得门店更全面的属性信息。

进一步的，由于门店的属性信息可能会随着时间推移发生变化，例如由于商户的经营范围可能不断扩大，商户经营的范围种类会趋向复杂多变，交易对象也在发生变化；或者门店的位置也可能发生更改等，可能会导致原本所训练的图神经网络模型随时间推移变得不适用。因此在更新多异构图网络的同时，还可以对图神经网络模型进行更新，例如，可以是在满足预设的更新条件时更新图神经网络模型，其中预设的更新条件可以是满足预设的周期的时候，或者是在门店的属性信息发生较大变化的时候，或者是一定数量的门店的属性信息都发生变化的时候等，具体设置何种更新条件，技术人员可以根据需求选择，对此并不限定。及时地对图神经网络模型进行更新，可以避免预测结果出现较大偏差的可能。

另外，为进一步地提高对门店行业分类预测的准确性，在一个实施例中，还可以结合树模型来进行门店的行业分类，具体的，可以构建用于门店行业分类的树模型，并将其与图神经网络模型进行模型融合，综合考虑两种模型的预测结果来确定最终输出的门店的行业分类的预测结果。由此可以通过多模型同时进行决策来避免可能单个模型预测结果不合理的情况，提高对门店行业分类预测的准确性。

本说明书以上实施例提供的方法可以应用于服务器上，由服务器基于获取到的门店的属性信息来对门店进行行业分类，例如可以是由交易设备对应的交易服务器从交易设备上获取数据来执行。或者也可以是配置其他的服务器与交易服务器之间进行连接获取数据来执行。另外，执行本实施方法的服务器可以是一个或多个，例如可以根据方法流程中不同步骤分为不同的服务器执行。

与前述预测方法的实施例相对应，本说明书实施例还提供了预测装置的实施例。

本说明书实施例预测装置的实施例可以应用在计算机设备上。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，是通过其所在计算机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，如图6所示，为本说明书实施例预测装置所在计算机设备的一种硬件结构图，除了图6所示的处理器601、存储器602、输入输出接口603、通信接口604以及总线605以及之外，实施例中装置所在的计算机设备通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。

请参考图7，图7是本说明书一示例性实施例示出的一种预测装置的结构示意图，预测装置包括

网络构建单元701，用于基于门店的属性信息构建所述门店的多异构图网络，所述多异构图网络包括对应所述门店的门店节点，以及对应所述门店的不同属性信息的属性节点；

网络输入单元702，用于将所述多异构图网络输入预先训练的图神经网络模型；所述图神经网络模型基于门店样本的属性信息以及所述门店样本所属行业训练得到；

预测结果获取单元703，用于获取所述图神经网络模型输出的所述门店所属行业的预测结果。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任意实施例所述方法的步骤。

以上所述仅为本说明书实施例的较佳实施例而已，并不用以限制本说明书实施例，凡在本说明书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实施例保护的范围之内。

Claims (14)

1.一种预测方法，包括：

基于门店的属性信息构建所述门店的多异构图网络，所述多异构图网络包括对应所述门店的门店节点，以及对应所述门店的不同属性信息的属性节点；

将所述多异构图网络输入预先训练的图神经网络模型；所述图神经网络模型基于门店样本的属性信息以及所述门店样本所属行业训练得到；

获取所述图神经网络模型输出的所述门店所属行业的预测结果。

2.根据权利要求1所述的方法，所述门店的属性信息包括以下至少一种：

所述门店的交易对象、所述门店的位置。

3.根据权利要求1所述的方法，所述门店的属性信息包括关联所述门店的交易设备；所述门店的属性信息还包括以下至少一种：

所述交易设备的交易对象、所述交易设备的位置。

4.根据权利要求3所述的方法，所述门店的属性信息包括所述交易对象的情况下，所述多异构图网络包括对应所述交易设备的机具节点、对应所述交易对象的用户节点，所述机具节点通过不同连接边分别与所述用户节点以及所述门店节点连接。

5.根据权利要求4所述的方法，所述用户节点的节点特征包括以下至少一种：

用户画像特征、年龄、性别、职业。

6.根据权利要求4所述的方法，所述机具节点与所述用户节点的连接边的边特征包括以下至少一种：

所述用户节点对应的交易对象在所述机具节点对应的交易设备上交易的商品、预设时间段内的交易金额、交易次数、交易时间。

7.根据权利要求3所述的方法，所述门店的属性信息包括所述交易设备的位置的情况下，所述多异构图网络包括对应所述交易设备的机具节点、对应所述位置的位置节点，所述机具节点通过不同连接边分别与所述位置节点以及所述门店节点连接。

8.根据权利要求7所述的方法，所述交易设备的位置包括所述交易设备在水平方向上所处位置以及在垂直方向上所处位置；

所述位置节点包括对应所述交易设备在水平方向上所处位置的水平点位节点，以及对应所述交易设备在垂直方向上所处位置的垂直点位节点。

9.根据权利要求1所述的方法，所述门店的属性信息包括所述门店关联的商户，所述多异构图网络包括对应所述商户的商户节点，所述门店节点通过连接边与所述商户节点连接。

10.根据权利要求3所述的方法，所述基于门店的属性信息构建所述门店的多异构图网络，包括：

按照预设周期从所述交易设备提取所述门店的属性信息构建所述门店的多异构图网络。

11.根据权利要求1所述的方法，所述方法还包括：

在满足预设的更新条件时更新所述图神经网络模型。

12.一种预测装置，包括：

网络构建单元，用于基于门店的属性信息构建所述门店的多异构图网络，所述多异构图网络包括对应所述门店的门店节点，以及对应所述门店的不同属性信息的属性节点；

网络输入单元，用于将所述多异构图网络输入预先训练的图神经网络模型；所述图神经网络模型基于门店样本的属性信息以及所述门店样本所属行业训练得到；

预测结果获取单元，用于获取所述图神经网络模型输出的所述门店所属行业的预测结果。

13.一种计算机设备，包括存储器、处理器及存储在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程序时实现以下步骤：

基于门店的属性信息构建所述门店的多异构图网络，所述多异构图网络包括对应所述门店的门店节点，以及对应所述门店的不同属性信息的属性节点；

将所述多异构图网络输入预先训练的图神经网络模型；所述图神经网络模型基于门店样本的属性信息以及所述门店样本所属行业训练得到；

获取所述图神经网络模型输出的所述门店所属行业的预测结果。

14.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现权利要求1-11任一项所述方法的步骤。

Images