信息推送方法和装置制造方法及图纸

本申请实施例公开了信息推送方法和装置。该方法的一具体实施方式包括：响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在用户信息样本集合中选取用户信息样本组成训练用样本集合；利用训练用样本集合，对当前的线上模型进行训练得到训练后的线上模型；对于每个用户信息，将该用户信息输入到训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到当前的线上模型中得到该用户信息为异常类型的第二概率；基于第一概率和第二概率，生成训练后的线上模型与当前的线上模型的差异结果，并向审核端推送差异结果。该实施方式通过对线上模型进行迭代，使得模型可以输出新的异常类型的用户信息。

Information push method and device

The present application embodiment discloses an information push method and a device. One embodiment of the method includes: determining the number of response to the threshold number of user information in the sample sample set is greater than the preset user information, user information in the sample collection samples for training sample set user information; using the training sample set, the online model of current training online training model after; for each user information, the user information input to the online model after training in the user information for the first type of abnormal probability, and the user information input to the model in the current online user information for the second types of abnormal probability; probability and probability based on the first second, the line between after training the model generation and model line current, and to push the difference of end audit. This implementation means that the model can be iterated through the online model so that the model can output new abnormal type of user information.

【技术实现步骤摘要】
信息推送方法和装置
本申请涉及计算机
，具体涉及互联网
，尤其涉及信息推送方法和装置。
技术介绍
随着互联网行业的快速发展，越来越多的人选择网上购物和网上订餐的购物方式，人们在网上选择物品时，通常会参考各个物品的销量以及商户的信用度，商户为了提高销量和信用度可能会存在一些异常行为(作弊行为)，为了找到存在异常行为的商户，通常会先找出存在异常特征的用户。现有的判定异常用户的方法通常是对用户行为进行周期性的特征挖掘，利用挖掘到的用户特征建立模型，并利用得到的模型来找出异常用户，然而，这种方式生成的模型无法及时发现新的异常类型的用户信息。
技术实现思路
本申请实施例的目的在于提出一种改进的信息推送方法和装置，来解决以上
技术介绍
部分提到的技术问题。本申请实施例提供A1、一种信息推送方法，该方法包括：响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，其中，训练用样本集合包括正常类型的用户信息样本和异常类型的用户信息样本；利用正常类型的用户信息样本和异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型，其中，当前的线上模型用于表征用户信息与用户信息为异常类型的概率的对应关系，训练后的线上模型也用于表征用户信息与用户信息为异常类型的概率的对应关系；对于获取到的多个用户信息中的每个用户信息，将该用户信息输入到训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到当前的线上模型中得到该用户信息为异常类型的第二概率；基于多个用户信息对应的多个第一概率和多个第二概率，生成训练后的线上模型与当前的线上模型的差异结果，并向审核端推送差异结果。A2、如A1上述的方法，生成训练后的线上模型与当前的线上模型的差异结果，包括：将第一概率大于预设的第一概率阈值、且第二概率小于第一概率阈值的用户信息确定为训练后的线上模型与当前的线上模型的差异结果。A3、如A1或A2上述的方法，生成训练后的线上模型与当前的线上模型的差异结果，包括：将第一概率小于预设的第二概率阈值、且第二概率大于第二概率阈值的用户信息确定为训练后的线上模型与当前的线上模型的差异结果。A4、如A1上述的方法，该方法还包括：响应于从审核端接收到将训练后的线上模型作为当前的线上模型的指示信息，将当前的线上模型更新为训练后的线上模型；响应于从审核端接收到将当前的线上模型继续作为当前的线上模型的指示信息，删除训练后的线上模型，并将生成训练后的线上模型所使用的训练用样本集合中的样本划分到用户信息样本集合中。A5、如A1上述的方法，在用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，包括：将用户信息样本集合所包含的异常类型的用户信息样本的数量与预设的异常类型的用户信息样本的最大数量中的最小值确定为异常类型的用户信息样本的待选取数量；将预设数目与异常类型的用户信息样本的待选取数量之差确定为正常类型的用户信息样本的待选取数量；按照异常类型的用户信息样本的待选取数量和正常类型的用户信息样本的待选取数量，在用户信息样本集合中选取用户信息样本组成训练用样本集合。本申请实施例提供B1、一种信息推送装置，该装置包括：选取单元，配置用于响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，其中，训练用样本集合包括正常类型的用户信息样本和异常类型的用户信息样本；训练单元，配置用于利用正常类型的用户信息样本和异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型，其中，当前的线上模型用于表征用户信息与用户信息为异常类型的概率的对应关系，训练后的线上模型也用于表征用户信息与用户信息为异常类型的概率的对应关系；输入单元，配置用于对于获取到的多个用户信息中的每个用户信息，将该用户信息输入到训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到当前的线上模型中得到该用户信息为异常类型的第二概率；推送单元，配置用于基于多个用户信息对应的多个第一概率和多个第二概率，生成训练后的线上模型与当前的线上模型的差异结果，并向审核端推送差异结果。B2、如B1上述的方法，推送单元进一步配置用于：将第一概率大于预设的第一概率阈值、且第二概率小于第一概率阈值的用户信息确定为训练后的线上模型与当前的线上模型的差异结果。B3、如B1或B2上述的方法，推送单元进一步配置用于：将第一概率小于预设的第二概率阈值、且第二概率大于第二概率阈值的用户信息确定为训练后的线上模型与当前的线上模型的差异结果。B4、如B1上述的方法，该装置还包括：更新单元，配置用于响应于从审核端接收到将训练后的线上模型作为当前的线上模型的指示信息，将当前的线上模型更新为训练后的线上模型；删除单元，配置用于响应于从审核端接收到将当前的线上模型继续作为当前的线上模型的指示信息，删除训练后的线上模型，并将生成训练后的线上模型所使用的训练用样本集合中的样本划分到用户信息样本集合中。B5、如B1上述的方法，选取单元，包括：第一确定模块，配置用于将用户信息样本集合所包含的异常类型的用户信息样本的数量与预设的异常类型的用户信息样本的最大数量中的最小值确定为异常类型的用户信息样本的待选取数量；第二确定模块，配置用于将预设数目与异常类型的用户信息样本的待选取数量之差确定为正常类型的用户信息样本的待选取数量；选取模块，配置用于按照异常类型的用户信息样本的待选取数量和正常类型的用户信息样本的待选取数量，在用户信息样本集合中选取用户信息样本组成训练用样本集合。本申请实施例提供C1、一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如A1到A5中任一实现方式描述的方法。本申请实施例提供D1、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如A1到A5中任一实现方式描述的方法。本申请的上述实施例提供的信息推送方法和装置，通过当用户信息样本集合中的用户信息样本的数量大于预设的数量阈值时，选取用户信息样本组成训练用样本集合，之后利用上述训练用样本集合对当前的线上模型进行训练得到训练后的线上模型，然后将用户信息输入到上述训练后的线上模型得到第一概率，并将上述用户信息输入到上述当前的线上模型中得到第二概率，最后，基于多个用户信息对应的多个第一概率与多个第二概率，生成上述训练后的线上模型与上述当前的线上模型的差异结果，并向审核端发送上述差异结果，从而通过对线上模型进行迭代，使得模型可以输出新的异常类型的用户信息，同时将差异结果发送给审核端可供审核者对模型进行评估。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请可以应用于其中的示例性系统架构图；图2是根据本申请的信息推送方法的一个实施例的流程图；图3是根据本申请的信息推送方法的应用场景的一个示意图；图4是根据本申请的信息推送方法的又一个实施例的流程图；图5是根据本申请的信息推送装本文档来自技高网...

【技术保护点】
一种信息推送方法，其特征在于，所述方法包括：响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在所述用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，其中，所述训练用样本集合包括正常类型的用户信息样本和异常类型的用户信息样本；利用所述正常类型的用户信息样本和所述异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型，其中，所述当前的线上模型用于表征用户信息与用户信息为异常类型的概率的对应关系，所述训练后的线上模型也用于表征用户信息与用户信息为异常类型的概率的对应关系；对于获取到的多个用户信息中的每个用户信息，将该用户信息输入到所述训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到所述当前的线上模型中得到该用户信息为异常类型的第二概率；基于所述多个用户信息对应的多个第一概率和多个第二概率，生成所述训练后的线上模型与所述当前的线上模型的差异结果，并向审核端推送所述差异结果。

【技术特征摘要】
1.一种信息推送方法，其特征在于，所述方法包括：响应于确定出用户信息样本集合中的用户信息样本的数量大于预设的数量阈值，在所述用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，其中，所述训练用样本集合包括正常类型的用户信息样本和异常类型的用户信息样本；利用所述正常类型的用户信息样本和所述异常类型的用户信息样本，对当前的线上模型进行训练得到训练后的线上模型，其中，所述当前的线上模型用于表征用户信息与用户信息为异常类型的概率的对应关系，所述训练后的线上模型也用于表征用户信息与用户信息为异常类型的概率的对应关系；对于获取到的多个用户信息中的每个用户信息，将该用户信息输入到所述训练后的线上模型中得到该用户信息为异常类型的第一概率，并将该用户信息输入到所述当前的线上模型中得到该用户信息为异常类型的第二概率；基于所述多个用户信息对应的多个第一概率和多个第二概率，生成所述训练后的线上模型与所述当前的线上模型的差异结果，并向审核端推送所述差异结果。2.根据权利要求1所述的方法，其特征在于，所述生成所述训练后的线上模型与所述当前的线上模型的差异结果，包括：将第一概率大于预设的第一概率阈值、且第二概率小于所述第一概率阈值的用户信息确定为所述训练后的线上模型与所述当前的线上模型的差异结果。3.根据权利要求1或2所述的方法，其特征在于，所述生成所述训练后的线上模型与所述当前的线上模型的差异结果，包括：将第一概率小于预设的第二概率阈值、且第二概率大于所述第二概率阈值的用户信息确定为所述训练后的线上模型与所述当前的线上模型的差异结果。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：响应于从所述审核端接收到将所述训练后的线上模型作为当前的线上模型的指示信息，将当前的线上模型更新为所述训练后的线上模型；响应于从所述审核端接收到将所述当前的线上模型继续作为当前的线上模型的指示信息，删除所述训练后的线上模型，并将生成所述训练后的线上模型所使用的训练用样本集合中的样本划分到所述用户信息样本集合中。5.根据权利要求1所述的方法，其特征在于，所述在所述用户信息样本集合中选取预设数目用户信息样本组成训练用样本集合，包括：将所述用户信息样本集合所包含的异常类型的用户信息样本的数量与预设的异常类型的用户信息样本的最大数量中的最小值确定为异常类型的用户信息样本的待选取数量；将预设数目与所述异常类型的用户信息样本的待选取数量之差确定为正常类型的用户信息样本的待选取数量；按照所述异常类型的用户信息样本的待选取数量和所述正常类型的用户信息样本的待选取数量，在所述用户信息样本集合中选取...

【专利技术属性】
技术研发人员：徐龙飞，谭星，王永会，
申请(专利权)人：北京小度信息科技有限公司，
类型：发明
国别省市：北京,11