[發明專利]店鋪風險歸因方法及其裝置、設備、介質、產品

在審

• 申請號: 202310332189.3
• 申請日: 2023-03-29
• 公開（公告）號: CN116402546A
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 劉濤
• 申請（專利權）人: 廣州歡聚時代信息科技有限公司
• 主分類號: G06Q30/0203
• 分類號: G06Q30/0203;G06Q30/0601
• 代理公司: 廣州利能知識產權代理事務所(普通合伙) 44673
• 代理人: 王增鑫

1.一種店鋪風險歸因方法，其特征在于，包括：

獲取目標店鋪的店鋪畫像，所述店鋪畫像包含多種類型的特征數據；

調用風險分類模型預測所述目標店鋪的店鋪畫像相對應的風險標簽，確定屬于高風險類型的風險標簽的分類概率所命中的口碑分級數值頻段相對應的口碑等級；

計算所述目標店鋪的店鋪畫像中各類型的特征數據對于所述分類概率的特征貢獻度，確定出各類型的特征數據的特征貢獻度所命中的貢獻分級數值頻段所屬的貢獻等級；

根據所述目標店鋪的口碑等級及其各類型的特征數據所屬的貢獻等級，從其各類型的特征數據中篩選出導致所述目標店鋪命中高風險類型的風險標簽的根因特征數據。

2.根據權利要求1所述的店鋪風險歸因方法，其特征在于，獲取目標店鋪的店鋪畫像的步驟中，所述店鋪畫像包括所述目標店鋪的基本特征數據、所述目標店鋪的交易特征數據、所述目標店鋪的投訴特征數據、所述目標店鋪的行為特征數據、所述目標店鋪的風險商品特征數據中的任意多項。

3.根據權利要求1所述的店鋪風險歸因方法，其特征在于，根據所述目標店鋪的口碑等級及其各類型的特征數據所屬的貢獻等級，從其各類型的特征數據中篩選出導致所述目標店鋪命中高風險類型的風險標簽的根因特征數據，包括：

判斷所述目標店鋪的口碑等級是否屬于目標等級，當屬于目標等級時，從所述目標店鋪的各類型的特征數據中，篩選出其中屬于最高貢獻等級的類型的特征數據作為根因特征數據；

將所述目標店鋪與其根因特征數據存儲為映射關系數據并向預設通信接口發送相應的告警消息。

4.根據權利要求1所述的店鋪風險歸因方法，其特征在于，獲取線上店鋪的店鋪畫像之前，包括：

獲取樣本數據集，其中包含多個店鋪樣本，每個店鋪樣本包含單個線上店鋪的店鋪畫像及其風險標簽，所述風險標簽標注為高風險類型或低風險類型；

采用以所述樣本數據集訓練出的風險分類模型，為所述樣本數據集中的各個店鋪畫像預測出其對應的高風險類型的風險標簽的分類概率；

根據所述樣本數據集中各個店鋪畫像的所述分類概率的數據分布，劃分設定多個口碑等級相對應的口碑分級數值頻段；

根據所述樣本數據集中各個店鋪畫像的各類型的特征數據的特征貢獻度的數據分布，劃分設定多個貢獻等級相對應的貢獻分級數值頻段。

5.根據權利要求4所述的店鋪風險歸因方法，其特征在于，獲取樣本數據集，包括：

確定電商平臺中用于提取店鋪樣本的目標線上店鋪；

根據各個目標線上店鋪的評價指標是否高于預設閾值，相應設定目標線上店鋪的風險標簽為高風險類型或低風險類型；

獲取每個目標線上店鋪的多種類型的特征數據作為相應目標線上店鋪的店鋪畫像；

將各個目標線上店鋪的店鋪畫像與其相應的風險標簽構造為相應的店鋪樣本存儲于所述樣本數據集中。

6.根據權利要求4所述的店鋪風險歸因方法，其特征在于，采用以所述樣本數據集訓練出的風險分類模型，為所述樣本數據集中的各個店鋪畫像預測出其對應的高風險類型的風險標簽的分類概率之后，包括：

采用以所述樣本數據集訓練出的風險分類模型，將所述樣本數據集中的全部店鋪樣本分類為多個樣本子集，獲得各個樣本子集相對應的規則集，所述風險分類模型為決策樹模型；

根據各個規則集相對應的樣本子集的統計指標篩選出多個規則集，作為目標規則集；

利用所述目標規則集配置店鋪風控系統的風險策略，使所述店鋪風控系統根據所述風險策略識別出任意線上店鋪的店鋪畫像相對應的風險標簽。

7.根據權利要求6所述的店鋪風險歸因方法，其特征在于，利用所述目標規則集配置店鋪風控系統的風險策略，使所述店鋪風控系統根據所述風險策略識別出任意線上店鋪的店鋪畫像相對應的風險標簽，包括：

根據所述目標規則集中的數據特征確定出策略特征表；

將所述策略特征表配置為店鋪風控系統中的風險策略；

控制店鋪風控系統啟用所述風險策略，對電商平臺中的各個線上店鋪進行掃描，根據所述風險策略識別出各個線上店鋪的店鋪畫像相對應的風險標簽。