订单分类模型训练方法和装置、订单检测方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113762300A(43)申请公布日2021.12.07(21)申请号202010598365.4(22)申请日2020.06.28(71)申请人北京沃东天骏信息技术有限公司地址100176北京市大兴区北京经济技术开发区科创十一街18号院2号楼4层A402室申请人北京京东世纪贸易有限公司(72)发明人赵志辉洪敬风葛茂林乔全胜(74)专利代理机构中国贸促会专利商标事务所有限公司11038代理人刘剑波(51)Int.Cl.G06K9/62(2006.01)G06Q30/06(2012.01)权利要求书3页说明书10页附图5页(54)发明名称订单分类模型训练方法和装置、订单检测方法和装置(57)摘要本公开提供一种订单分类模型训练方法和装置、订单检测方法和装置。订单分类模型训练装置获取指定用户在预设时间范围内的订单信息以生成历史订单库；根据异常订单历史记录，为历史订单库中的异常订单添加异常标签；提取出历史订单库中各订单的特征信息；将各订单的特征信息转换为对应的特征向量；利用历史订单库中的各异常订单的特征向量和各正常订单的特征向量对预设模型进行训练，以得到异常订单分类模型。通过利用异常订单分类模型对用户订单进行检测，能够准确检测出用户订单是否为异常订单。CN113762300ACN113762300A权利要求书1/3页1.一种订单分类模型训练方法，包括：获取指定用户在预设时间范围内的订单信息以生成历史订单库；根据异常订单历史记录，为所述历史订单库中的异常订单添加异常标签；提取出所述历史订单库中各订单的特征信息；将所述各订单的特征信息转换为对应的特征向量；利用所述历史订单库中的各异常订单的特征向量和各正常订单的特征向量对预设模型进行训练，以得到异常订单分类模型。2.根据权利要求1所述的方法，其中，异常订单分类模型包括第一分类模型，利用所述历史订单库中的各异常订单的特征向量和各正常订单的特征向量对预设模型进行训练包括：在所述历史订单库中的订单数量小于预设门限的情况下，计算所述历史订单库中的异常订单的特征向量与正常订单的特征向量的欧式距离平均值；将所述欧式距离平均值作为所述第一分类模型的分类参数值。3.根据权利要求2所述的方法，其中，异常订单分类模型还包括第二分类模型，利用所述历史订单库中的各异常订单的特征向量和各正常订单的特征向量对预设模型进行训练包括：在所述历史订单库中的订单数量不小于预设门限的情况下，利用所述历史订单库中的各异常订单的特征向量和各正常订单的特征向量对所述第二分类模型进行训练，以确定所述第二分类模型的分类参数值。4.根据权利要求3所述的方法，其中，所述第二分类模型为K最近邻分类模型；所述第二分类模型的分类参数值为K最近邻分类模型中的K值。5.根据权利要求3所述的方法，其中，利用所述历史订单库中的各异常订单的特征向量和各正常订单的特征向量对分类模型进行训练包括：分别对所述各异常订单的特征向量和所述各正常订单的特征向量进行降维处理；利用所述各异常订单的降维后的特征向量和所述各正常订单的降维后的特征向量对分类模型进行训练。6.根据权利要求1所述的方法，其中，将所述各订单的特征信息转换为对应的特征向量包括：利用Bert模型将所述各订单的特征信息转换为对应的特征向量。7.根据权利要求1-6中任一项所述的方法，其中，所述订单的特征信息包括所述订单的收货地址、所述订单的物品品类归属、优惠券使用信息、支付方式中的至少一项。8.一种订单分类模型训练装置，包括：第一订单获取模块，被配置为获取指定用户在预设时间范围内的订单信息以生成历史订单库；订单识别模块，被配置为根据异常订单历史记录，为所述历史订单库中的异常订单添加异常标签；第一特征信息提取模块，被配置为提取出所述历史订单库中各订单的特征信息；2CN113762300A权利要求书2/3页第一特征向量转换模块，被配置为将所述各订单的特征信息转换为对应的特征向量；训练模块，被配置为利用所述历史订单库中的各异常订单的特征向量和各正常订单的特征向量对预设模型进行训练，以得到异常订单分类模型。9.一种订单分类模型训练装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如权利要求1-7中任一项所述的方法。10.一种订单检测方法，包括：获取用户订单；提取出所述用户订单的特征信息；将所述用户订单的特征信息转换为对应的特征向量；检测是否存在与所述用户相关联的历史订单库；若存在与所述用户相关联的历史订单库，则利用权利要求1-7中任一项所述的订单分类模型训练方法所得到的异常订单分类模型对所述特征向量进行检测，以确定所述用户订单是否为异常订单。11.根据权利要求10所述的方法，其中，对所