买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明实施例公开了商户模式识别方法、装置、存储介质及终端设备，应用于信息处理技术领域。在本实施例的方法中，商户模式识别装置在识别待识别商户的商户模式类型时，可以通过获取的商户运营数据确定运营模式矩阵，进一步地根据训练好的模式分类模型，直接确定待识别商户的商户模式类型。模式分类模型是个分类机，可以根据一定的训练样本自动训练得到，这样在对待识别商户的商户模式进行分类的整个过程中，不需要人为的规则及经验，使得最终确定的商户模式类型较为准确。

主权项：1.一种商户模式识别方法，其特征在于，包括：获取待识别商户的商户运营数据；根据所述商户运营数据确定运营模式矩阵，所述运营模式矩阵中包括多个维度信息的统计数据；所述多个维度信息包括买方用户的属性信息和商户的收款信息；根据所述运营模式矩阵及预置的模式分类模型，确定所述待识别商户的商户模式类型；所述商户运营数据为一个周期内的商户运营数据，所述根据所述商户运营数据确定运营模式矩阵，包括：将所述一个周期内的商户运营数据划分为多个子周期内的商户运营数据；根据所述多个子周期内的商户运营数据，分别统计各个子周期内多个维度信息的分布数值；将每个子周期内多个维度信息的分布数值分别组成一个矩阵作为所述运营模式矩阵，其中，任一子周期内任一个维度信息中各个区间的分布数值为所述运营模式矩阵中的一行元素或一列元素；或者将每个维度信息的多个子周期内的分布数值分别组成一个矩阵作为所述运营模式矩阵，其中，任一维度信息的任一子周期内的分布数值为所述运营模式矩阵中的一行元素或一列元素；其中，任一维度的分布数值组成的数组个数，与其它维度的分布数值组成的数组个数不同时，对数组个数小的任一维度的分布数值组成的数组进行补齐，使得任一维度的分布数值组成的数组个数相同；所述模式分类模型是基于初始模式分类模型进行训练得到的，所述初始模式分类模型的多层结构包括：卷积层、池化层、全连接层以及归一化层，其中：所述卷积层用于根据所述运营模式矩阵样本提取商户运营的特征，得到特征矩阵；所述池化层用于对所述卷积层得到的特征矩阵进行采样计算，得到采样后矩阵；所述全连接层用于根据所述采样后矩阵计算某一样本商户分别属于多个已知商户模式类型的分数；所述归一化层用于根据所述某一样本商户分别属于多个已知商户模式类型的分数输出所述某一样本商户属于各个已知商户模式类型的概率。

全文数据：一种商户模式识别方法、装置、存储介质及终端设备技术领域本发明涉及信息处理技术领域，特别涉及一种商户模式识别方法、装置、存储介质及终端设备。背景技术当前对商户运营模式的分析仅限于根据商户的工商注册信息进行分析，工商注册信息中可以包括商户名称、营业品类及商户运营数据等，这样可以从商户名称以及营业品类进行商户类别的推断，或者根据商户名称以及商户运营数据，凭借人工经验进行一些划分。现有的这种方式来对商户类别进行定性显然是不够精确的，而且一些案例也表明仅从商户名称无法推断其运营内容，更无法推断其经营模式与风险，仅从营业品类的注册信息也无法反映其营业内容，目前的广泛做法是使用人工辅助规则进行判断，例如对于夜间尤其是凌晨交易额高的商户重点关注，或是对信用卡支付占比高的商户进行重点关注等等。这类经验+规则的传统做法一是需要人力经验判断，同时规则的制定需要时间积累，也不可避免的带来一些错误，对假借正常商户进行灰色交易比如赌博套现等行为识别不够精准，将不可避免的漏过一些灰色或恶意商户。发明内容本发明实施例提供一种商户模式识别方法、装置、存储介质及终端设备，实现了根据预置的模式分类模型确定待识别商户的商户模式类型。本发明实施例一方面提供一种商户模式识别方法，包括：获取待识别商户的商户运营数据；根据所述商户运营数据确定运营模式矩阵，所述运营模式矩阵中包括多个维度信息的统计数据；根据所述运营模式矩阵及预置的模式分类模型，确定所述待识别商户的商户模式类型。本发明实施例一方面提供一种商户模式识别装置，包括：运营获取单元，用于获取待识别商户的商户运营数据；矩阵获取单元，用于根据所述商户运营数据确定运营模式矩阵，所述运营模式矩阵中包括多个维度信息的统计数据；类型确定单元，用于根据所述运营模式矩阵及预置的模式分类模型，确定所述待识别商户的商户模式类型。本发明实施例一方面提供一种存储介质，所述存储介质储存多条指令，所述指令适于由处理器加载并执行如本发明实施例第一方面所述的商户模式识别方法。本发明实施例一方面提供一种终端设备，包括处理器和存储介质，所述处理器，用于实现各个指令；所述存储介质用于储存多条指令，所述指令用于由处理器加载并执行如本发明实施例所述的商户模式识别方法。可见，在本实施例的方法中，商户模式识别装置在识别待识别商户的商户模式类型时，可以通过获取的商户运营数据确定运营模式矩阵，进一步地根据训练好的模式分类模型，直接确定待识别商户的商户模式类型。模式分类模型是个分类机，可以根据一定的训练样本自动训练得到，这样在对待识别商户的商户模式进行分类的整个过程中，不需要人为的规则及经验，使得最终确定的商户模式类型较为准确。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本发明一个实施例提供的一种商户模式识别方法所应用于的系统的结构示意图；图2是本发明一个实施例提供的一种商户模式识别方法的流程图；图3是本发明一个实施例中训练模式分类模型的方法流程图；图4是本发明应用实施例中模式分类模型的结构示意图；图5是本发明应用实施例提供的一种商户模式识别方法的流程图；图6是本发明实施例提供的一种商户模式识别装置的结构示意图；图7是本发明实施例提供的另一种商户模式识别装置的结构示意图；图8是本发明实施例提供的一种终端设备的结构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等如果存在是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排它的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本发明实施例提供一种商户模式识别方法，主要可以应用于如图1所示的系统中，在该系统中包括商户模式识别装置，及至少一个综合支付系统比如微信支付系统等，且还可以包括商户运营系统，在本实施例中以n个综合支付系统为例说明。其中：商户模式识别装置可以从各个综合支付系统获取到商户运营数据，也可以从上述运营系统获取到相应商户的商户运营数据；并根据获取的商户运营数据对任一商户的商户模式进行识别，其中，商户模式在一般情况下，是指商户运营内容的类型，比如日常小零售类型，网吧类型，或大型餐饮类型等，更广泛地，商户模式还可以指运营行为的类型，比如赌博套现类型等。具体地，商户模式识别装置可以通过如下的方法进行识别：获取待识别商户的商户运营数据；根据所述商户运营数据确定运营模式矩阵，所述运营模式矩阵中包括多个维度信息的统计数据；根据所述运营模式矩阵及预置的模式分类模型，确定所述待识别商户的商户模式类型。需要说明的是，上述商户模式识别装置可以是部署在网络中的一个服务器，也可以是用户使用的一个终端设备。本发明是实施例中的模式分类模型是个分类机，可以根据一定的训练样本自动训练得到，这样在对待识别商户的商户模式进行分类的整个过程中，不需要人为的规则及经验，使得最终确定的商户模式类型较为准确。本发明一个实施例提供一种商户模式识别方法，主要是由商户模式识别装置所执行的方法，流程图如图2所示，包括：步骤101，获取待识别商户的商户运营数据。可以理解，商户模式识别装置可以按照一定周期发起本实施例的流程，这样，当在某一周期发起本实施例的流程后，商户模式识别装置可以获取该周期到下一周期之间，待识别商户的商户运营数据，且该商户运营数据具体为多个维度的信息。一般情况下，以7天为一个周期。其中商户运营数据是指在待识别商户转移运营内容的过程中，与转移运营内容相关的信息，可以包括但不限于如下至少一个维度的信息：收款时间，支付金额，付款方式等信息；商品的属性信息比如商品类型；及买方用户的属性信息，比如性别，年龄和地区等，用户的属性信息可以不涉及单个买方用户的具体信息等，即用户的属性信息可以是统计信息，用户群体中性别年龄等基本属性的构成比例，完全不涉及单个用户的具体信息。商户模式识别装置在获取商户运营数据时，可以与商户运营系统连接，即时向商户运营系统获取商户运营数据。一般情况下，商户模式识别装置可以连接各个综合支付系统比如微信支付系统等，并获取各个商户的在各综合支付系统中的交易信息，可以将该交易信息作为商户运营数据。虽然各个支付系统中的交易信息可能是商户运营过程中的一部分交易信息，但如果商户运营较为频繁时，这部分交易信息也可以用来分析商户的商户模式类型。步骤102，根据商户运营数据确定运营模式矩阵，运营模式矩阵包括多个维度信息的统计数据。每个维度的统计数据都是根据上述商户运营数据统计得到的。具体地，在一种情况下，商户模式识别装置在执行上述步骤101时，直接获取一个周期内的商户运营数据，之后，再针对这一个周期内的商户运营数据执行步骤102。在这种情况下，商户模式识别装置可以先将这一个周期内比如7天的商户运营数据划分为多个子周期内一个小时的商户运营数据；然后再根据多个子周期内的商户运营数据，分别统计各个子周期内多个维度信息的分布数值；将每个子周期内多个维度信息的分布数值分别组成一个矩阵作为运营模式矩阵；或者将每个维度信息的多个子周期内的分布数值分别组成一个矩阵作为运营模式矩阵。其中一个子周期内某一维度信息的分布数值是指在某一子周期内该维度信息中各个区间的分布数值。具体地，商户模式识别装置在将每个子周期内多个维度信息的分布数值分别组成一个矩阵作为运营模式矩阵时，可以将一个子周期内各个维度信息的分布数值分别作为运营模式矩阵的一行元素，或一列元素，这样一个周期可以对应一个运营模式矩阵；将每个维度信息的多个子周期内的分布数值分别组成一个矩阵作为运营模式矩阵时，可以将一个维度信息的各个子周期内的分布数值分别作为运营模式矩阵的一行元素，或一列元素，这样一个维度信息可以对应一个运营模式矩阵。例如，商户A的商户运营系统在周一的早10点到11点这个子周期内，共收款50笔，金额共为500元，其中：0-10元的有32笔合计180元；10-20元的有13笔合计147元；20-50元的有4笔合计114元；50-100元的有1笔记为59元；100元-1000元的有0笔共计0元；1000元以上0笔共计0元。在这个子周期内，用户年龄的分布数值为：0-14岁的0人；14-25岁的21人；26-40岁的15人；40-60岁的11人；60岁以上的3人。因此，10点到11点这个子周期内收款金额维度的分布数值组成一个数组为[500,180,147,114,59，0，0]；10点到11点这个子周期内收款笔数维度的分布数值组成一个数组为[50,32,13,4,4,0,0]；10点到11点这个子周期内用户年龄这个维度的分布数值组成一个数组为[0，21，15，11，3]。这样，将这个子周期内多个维度信息的分布数值分别组成一个矩阵为：即为运营模式矩阵。其中，基于用户年龄这个维度组成的数组个数s1，与基于其它维度组成的数组个数s2不同，且s1小于s2，则在组成运营模式矩阵时，可以将用户年龄这个维度组成的数组补齐为与s2相同个数的数组，即[0，21，15，11，3，0，0]。将每个维度信息的多个子周期内的分布数值分别组成一个矩阵作为运营模式矩阵时，对于收款金额这个维度，除了得到10点到11点这个子周期内的分布数值，还得到子周期1内的分布数值组成的数组[a11,a12,a13,a14,a15,a16,a17]，……，得到子周期n内的分布数值组成的数组[an1,an2,an3,an4,an5,an6,an7]，这样得到的运营模式矩阵为：另一种情况下，商户模式识别装置在执行上述步骤101时，先获取到一个周期中某一子周期内的商户运营数据后，在执行步骤102时，就可以先根据该子周期内的商户运营数据，执行统计该子周期内多个维度信息的分布数值的步骤，这样通过重复执行步骤101及统计分布数据的步骤，可以得到一个周期包括的所有子周期内多个维度信息的分布数值后；最后再将每个子周期内多个维度信息的分布数值分别组成一个矩阵作为运营模式矩阵；或者将每个维度信息的多个子周期内的分布数值分别组成一个矩阵作为运营模式矩阵。在这种情况下，商户模式识别装置每次执行步骤102时，可以直接对一个子周期内的商户运营数据进行处理，而不需要先获取到整个周期内的商户运营户数，然后再划分各个子周期内的商户运营数据，使得确定运营模式矩阵的方法得到简化；且多个子周期对应的分布数值的统计可以并行执行，提高了确定运营模式矩阵的计算速度。需要说明的是，对于经营状态均匀的商户，可以设置一个周期为7天，而对应的子周期可以设置为每个小时。对于经营状态稀疏的商户，可以设置一个周期为工作日5天，而下一周期为周末两天，而再下一周期为工作日5天，这样依次类推；而在一个周期为5天时，对应的子周期可以为凌晨，上午，中午，下午及晚上几个时段的子周期，而在一个后期为两天时，对应的子周期可以为每个小时。在实际应用中，可以根据实际情况设置一个周期内的各个子周期的区间，使得最终形成的运营模式矩阵内的数据不会过于稀疏，如果运营模式矩阵内0的个数远多于非零项时，该运营模式矩阵即为稀疏矩阵。其中，某一商户的经营状态均匀是指，该商户每天都会对应有交易信息，且每天的交易次数都比较平均，比如第一天交易6次，第二天交易10次等；而某一商户的经营状态稀疏是指该商户不一定每天都对应有交易信息，在有些时候比如周末，每天的平均交易次数S1较多，而在另一些时候，每天的平均交易次数S2较少，且S1与S2的差别较大。步骤103，根据运营模式矩阵及预置的模式分类模型，确定待识别商户的商户模式类型。这里预置的模式分类模型可以是用户预先设置在商户模式识别装置中的，主要用于根据任一具有一定信息量的矩阵即运营模式矩阵确定该矩阵对应商户的商户模式类型。具体可以包括但不限于如下任一种算法结构：卷积神经网络ConvolutionalNeuralNetwork，CNN，K最近邻算法Knearestneighbors，KNN，奇异值分解singularvaluedecomposition，SVD及非负矩阵分解Non-negativeMatrixFactorization，NMF等。可见，在本实施例的方法中，商户模式识别装置在识别待识别商户的商户模式类型时，可以通过获取的商户运营数据确定运营模式矩阵，进一步地根据训练好的模式分类模型，直接确定待识别商户的商户模式类型。模式分类模型是个分类机，可以根据一定的训练样本自动训练得到，这样在对待识别商户的商户模式进行分类的整个过程中，不需要人为的规则及经验，使得最终确定的商户模式类型较为准确。需要说明的是，上述预置的模式分类模型可以根据一定的训练样本训练得到，具体地，模式分类模型可以通过如下的方法来训练得到，流程图如图3所示，包括：步骤201，确定初始模式分类模型。具体地，商户模式识别装置会确定初始模式分类模型的多层结构及确定各层结构中固定参数的初始值。其中，初始模式分类模型的多层结构可以是如下任一种算法结构：CNN，KNN，SVD及NMF等，一般情况下都包括特征提取层和分类层；而固定参数是指初始模式分类模型中各层结构在计算过程中所用到的固定的，不需要随时赋值的参数，比如权重，角度等参数。如果上述初始模式分类模型为CNN算法结构，则确定的初始模式分类模型的多层结构可以包括卷积层，池化层，全连接层和归一化层。其中，卷积层用于根据运营模式矩阵样本提取商户运营的特征，得到特征矩阵；池化层用于对卷积层得到的特征矩阵进行采样计算，得到采样后矩阵；全连接层用于根据采样后矩阵计算某一样本商户分别属于多个已知商户模式类型的分数；归一化层用于根据某一样本商户分别属于多个已知商户模式类型的分数输出某一商户属于各个已知商户模式类型的概率。这种情况下，对应的固定参数可以包括：卷积核，池化核和全连接层中的概率计算参数等。步骤202，确定训练样本，训练样本中包括多个样本商户分别对应的运营模式矩阵样本，及多个样本商户所属的商户模式类型。训练样本中每个样本商户的运营模式矩阵样本可以按照上述步骤后101和102的方法得到，在训练样本中还需要标记各个样本商户的商户模式类型。步骤203，通过初始模式分类模型分别对多个样本商户的商户模式进行分类，得到初始分类结果。在初始分类结果中包括多个样本商户分别对应的商户模式模型。步骤204，根据初始分类结果及训练样本中多个样本商户所属的商户模式类型，计算与初始模式分类模型相关的损失函数值。这里，与初始模式分类模型相关的损失函数用于表示根据初始模式分类模型确定的训练样本中各个运营模式矩阵样本分别对应的商户模式类型，与各个样本商户实际的商户模式类型根据训练样本包括各个样本商户所属的商户模式类型得到之间的差别，即误差。误差的数学表现形式通常使用交叉熵来建立损失函数，而模式分类模型的训练过程就是需要尽量减少这一误差的值，该训练过程是通过反向传播求导以及梯度下降等一系列数学优化手段不断的优化上述步骤201中确定的固定参数的初始值，并使得这一函数的计算值降至最低。因此，在执行本步骤204后，商户模式识别装置需要执行步骤205中的调整步骤。步骤205，根据损失函数值调整初始模式分类模型中的固定参数值，以得到上述预置的模式分类模型。这里主要是调整初始模式分类模型包括的各层结构中固定参数的初始值。具体地，如果计算的损失函数的函数值较大，比如大于预置的值，则需要改变固定参数值，比如将某个权重的权重值增大，或将某个角度的角度值减小等，使得按照调整后的固定参数值计算的损失函数的函数值减小。需要说明的是，上述步骤203到205是通过初始模式分类模型对训练样本中各个样本商户的商户模式进行分类处理得到初始分类结果后，根据初始分类结果对初始模式分类模型中的固定参数值的一次调整，而在实际应用中，需要通过不断地循环执行上述步骤203到205，直到对固定参数值的调整满足一定的停止条件为止。因此，商户模式识别装置在执行了上述实施例步骤201到205之后，还需要判断当前对固定参数值的调整是否满足预置的停止条件，如果满足，则结束流程；如果不满足，则针对调整固定参数值后的初始模式分类模型，返回执行上述步骤203到205的步骤。其中，预置的停止条件包括但不限于如下条件中的任何一个：当前调整的固定参数值与上一次调整的固定参数值的差值小于一阈值，即调整的固定参数值达到收敛；及对固定参数值的调整次数达到预置的次数等。以下以一个具体的实施例来说明本发明的商户模式识别方法，本实施例的方法可以应用于如图1所示的系统中，在本实施例中的商户模式识别装置具体可以为用户使用的终端设备，具体执行如下两部分的方法：一、训练模式分类模型具体地，用户可以操作终端设备，使得终端设备发起训练模式分类模型的训练过程，具体可以根据如上图3所示的流程进行模式分类模型的训练，在此不进行赘述。其中，训练样本可以是用户输入到终端设备中的，且确定的初始模式分类模型具体可以包括如图4所示的CNN算法结构，包括：1卷积层用于根据运营模式矩阵样本提取商户运营的特征，得到特征矩阵。该层设置有多个卷积核，多个卷积核分别与输入的各个样本商户的运营模式矩阵样本进行卷积计算，从而获得各个样本商户基于运营模式的特征。该卷积层的固定参数包括多个卷积核。其中，某一样本商户对应的运营模式矩阵样本可以包括至少一个比如P个维度信息的分布数值，即运营模式矩阵样本中的元素可以表示一个周期内一个维度信息的分布数值，这样某一样本商户对应的运营模式矩阵样本就可以包括P个矩阵，且每个矩阵可以分别与多个卷积核进行卷积操作。假设，针对P个矩阵分别进行卷积，获取Q个第一矩阵，即特征矩阵，Q的值远远大于P。2池化层即下采样层，用于对卷积层得到的特征矩阵进行采样计算，得到采样后矩阵，可以减小计算的数据量，从而提高计算速度。该该池化层的固定参数包括多个池化核。具体地，池化核用于对Q个第一矩阵分别进行下采样，得到Q个第二矩阵，即采样后矩阵。3全连接层fullyconnectedlayers，FC，用于根据采样后矩阵计算某一样本商户分别属于多个已知商户模式类型的分数。具体地，全连接层将池化后的Q个第二矩阵进行结合，计算出样本商户分别属于多个已知商户模式类型的分数。4归一化层用于根据某一样本商户分别属于多个已知商户模式类型的分数输出某一样本商户属于各个已知商户模式类型的概率。上述全连接层和归一化层的固定参数可以包括概率计算参数。某一样本商户属于多个已知商户模式类型的概率之和为1。假设，各已知商户模式类型分别为：日常小零售类型、高档餐饮类型、零食小吃类型，网吧类型。如果经过初始模式分类模型中的卷积层、池化层和全连接层后，获取到的某一样本商户属于零食小吃类型的分数为90，某一样本商户属于日常小零售类型的分数为80，某一样本商户属于网吧类型的分数为35，某一样本商户属于高档餐饮类型的分数为5。因此，再经过归一化层得到：某一样本商户属于零食小吃类型的概率为9090+70+35+5＝0.45，某一样本商户属于日常小零售型的概率为7090+70+35+5＝0.35，某一样本商户属于网吧类型的概率为3590+70+35+5＝0.175，某一样本商户属于高档餐饮类型的概率为590+70+35+5＝0.025。这一概率与我们日常生活中的经验也是符合的，日常小零售类型与零食小吃类型的运营模式比较接近，因此通过归一化层得到的概率略接近；而网吧类型的运营模式中通常也包含一定的小零售，因此网吧类型与日常小零售类型的运营模式也具备一定的相似性；而高档餐饮类型的运营模式则与其它类型的运营模式的区别较大。需要说明的是，在其它具体实施例中，终端设备确定的初始模式分类模型可以包括多个卷积层，多个卷积层使得得到的特征矩阵可以更加全局化地描述商户运营的特征；且相应地，每个卷基层之后可以连接一个池化层。即初始模式分类模型可以包括：多组卷积层和池化层、全连接层以及归一化层。另外，当终端设备训练好模式分类模型后，可以将模式分类模型的具体信息预置到终端设备中。二、确定待识别商户的商户模式类型，流程图如图5所示，包括：步骤301，用户可以操作终端设备，使得终端设备显示用户界面，这样用户可以在用户界面选择某一商户a，且设定收集商户运营数据的周期比如一周和各个子周期比如一个小时，最后触发确定该选择的商户a的商户模式类型的流程。这样，终端设备会连接各个综合支付系统，且还可以连接该商户a的商户运营系统，并收集到在一周内即上述的一个周期，商户a即待识别商户在一个小时上述的一个子周期之内的商户运营数据，包括与转移运营内容相关的信息，比如收款时间，支付金额，付款方式等，以及买方的个人属性信息比如性别，年龄等信息。当终端设备获取一个小时内的商户运营数据后，即可执行步骤302。步骤302，终端设备根据一个小时内的商户运营数据，统计这个小时内多个维度信息的分布数值，比如收款金额的分布数值等。步骤303，终端设备确定是否统计了一周内所有小时内多个维度信息的分布数值，如果是，在执行步骤304；如果没有，返回执行步骤301。步骤304，终端设备将每个维度信息的多个子周期小时内的分布数值分别组成一个矩阵作为商户a的运营模式矩阵，从而每个维度信息可以对应一个运营模式矩阵。步骤305，终端设备根据上述步骤304获取到的运营模式矩阵及上述训练得到的模式分类模型，确定商户a的商户模式类型。具体地，将上述步骤304获取到的运营模式矩阵输入到模式分类模型中，这样经过卷积层，池化层，全连接层和归一化层，这样可以输出商户a的商户模式类型。在其它具体的实施例中商户模式识别装置可以是部署于网络中的一个服务器，这种情况下，用户可以通过服务器对应的一个客户端发起服务器训练模式分类模型的流程，及发起服务器确定待识别商户的商户模式类型的流程，在此不进行赘述。本发明实施例还提供一种商户模式识别装置，其结构示意图如图6所示，具体可以包括：运营获取单元10，用于获取待识别商户的商户运营数据；矩阵获取单元11，用于根据所述运营获取单元10获取的商户运营数据确定运营模式矩阵，所述运营模式矩阵中包括多个维度信息的统计数据。在一种情况下，所述矩阵获取单元11，具体用于如果所述商户运营数据为一个周期内的商户运营数据，将所述一个周期内的商户运营数据划分为多个子周期内的商户运营数据；根据所述多个子周期内的商户运营数据，分别统计各个子周期内多个维度信息的分布数值；将每个子周期内多个维度信息的分布数值分别组成一个矩阵作为所述运营模式矩阵；或者将每个维度信息的多个子周期内的分布数值分别组成一个矩阵作为所述运营模式矩阵。在另一种情况下，如果运营获取单元10会分别获取一个周期中某一子周期内的商户运营数据，则该矩阵获取单元11，具体用于分别根据所述某一子周期内的商户运营数据，统计所述某一子周期内多个维度信息的分布数值；在将每个子周期内多个维度信息的分布数值分别组成一个矩阵作为所述运营模式矩阵；或者将每个维度信息的多个子周期内的分布数值分别组成一个矩阵作为所述运营模式矩阵。其中：多个维度信息包括如下任意多个信息：商户的收款笔数，金额区间，用户年龄，用户性别，使用信用卡人数和使用现金支付人数等。类型确定单元12，用于根据所述矩阵获取单元11确定的运营模式矩阵及预置的模式分类模型，确定所述待识别商户的商户模式类型。可见，在本实施例的商户模式识别装置在识别待识别商户的商户模式类型时，矩阵获取单元11可以通过获取的商户运营数据确定运营模式矩阵，进一步地，类型确定单元12根据训练好的模式分类模型，直接确定待识别商户的商户模式类型。模式分类模型是个分类机，可以根据一定的训练样本自动训练得到，这样在对待识别商户的商户模式进行分类的整个过程中，不需要人为的规则及经验，使得最终确定的商户模式类型较为准确。参考图7所示，在一个具体的实施例中，商户模式识别装置除了可以包括如图6所示的结构外，还可以包括训练确定单元13，分类单元14和调整单元15，其中：训练确定单元13，用于确定初始模式分类模型；确定训练样本，所述训练样本中包括多个样本商户分别对应的运营模式矩阵样本，及所述多个样本商户所属的商户模式类型。分类单元14，用于通过所述训练确定单元13确定的初始模式分类模型分别对所述多个样本商户的商户模式进行分类，得到初始分类结果。调整单元15，用于根据所述分类单元14得到的初始分类结果及所述多个样本商户所属的商户模式类型，计算与所述初始模式分类模型相关的损失函数值；根据所述损失函数值调整所述初始模式分类模型中的固定参数值，以得到所述预置的模式分类模型。需要说明的是，训练确定单元13在确定初始模式分类模型时，具体用于确定所述初始模式分类模型的多层结构及确定各层结构中固定参数的初始值；则调整单元15会根据所述损失函数值调整所述固定参数的初始值。其中，初始模式分类模型的多层结构包括：卷积层、池化层、全连接层以及归一化层，其中：所述卷积层用于根据所述运营模式矩阵样本提取商户运营的特征，得到特征矩阵；所述池化层用于对所述卷积层得到的特征矩阵进行采样计算，得到采样后矩阵；所述全连接层用于根据所述采样后矩阵计算某一样本商户分别属于多个已知商户模式类型的分数；所述归一化层用于根据所述某一样本商户分别属于多个已知商户模式类型的分数输出所述某一样本商户属于各个已知商户模式类型的概率。所述调整单元15，进一步地还用于如果对所述固定参数值的调整满足如下任一停止条件，则停止对所述固定参数值的调整：对所述固定参数值的调整次数达到预置的次数，当前调整的固定参数值与上一次调整的固定参数值的差值小于一阈值。这样，当调整单元15调整了训练确定单元13确定的初始模式分类模型中的固定参数值后，上述类型确定单元12就可以根据调整单元15调整了固定参数值后最终得到的模式分类模型进行商户模式类型的识别。本发明实施例还提供一种终端设备，其结构示意图如图8所示，该终端设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器centralprocessingunits，CPU20例如，一个或一个以上处理器和存储器21，一个或一个以上存储应用程序221或数据222的存储介质22例如一个或一个以上海量存储设备。其中，存储器21和存储介质22可以是短暂存储或持久存储。存储在存储介质22的程序可以包括一个或一个以上模块图示没标出，每个模块可以包括对终端设备中的一系列指令操作。更进一步地，中央处理器20可以设置为与存储介质22通信，在终端设备上执行存储介质22中的一系列指令操作。具体地，在存储介质22中储存的应用程序221包括商户模式识别的应用程序，且该程序可以包括上述商户模式识别装置中的运营获取单元10，矩阵获取单元11，类型确定单元12，训练确定单元13，分类单元14和调整单元15，在此不进行赘述。更进一步地，中央处理器20可以设置为与存储介质22通信，在终端设备上执行存储介质22中储存的商户模式识别的应用程序对应的一系列操作。终端设备还可以包括一个或一个以上电源23，一个或一个以上有线或无线网络接口24，一个或一个以上输入输出接口25，和或，一个或一个以上操作系统223，例如WindowsServerTM，MacOSXTM，UnixTM,LinuxTM，FreeBSDTM等等。上述方法实施例中所述的由商户模式识别装置所执行的步骤可以基于该图8所示的终端设备的结构。本发明实施例还提供一种存储介质，所述存储介质储存多条指令，所述指令适于由处理器加载并执行如上述商户模式识别装置所执行的商户模式识别方法。本发明实施例还提供一种终端设备，包括处理器和存储介质，所述处理器，用于实现各个指令；所述存储介质用于储存多条指令，所述指令用于由处理器加载并执行如上述商户模式识别装置所执行的商户模式识别方法。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器ROM、随机存取存储器RAM、磁盘或光盘等。以上对本发明实施例所提供的商户模式识别方法、装置、存储介质及终端设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

权利要求：1.一种商户模式识别方法，其特征在于，包括：获取待识别商户的商户运营数据；根据所述商户运营数据确定运营模式矩阵，所述运营模式矩阵中包括多个维度信息的统计数据；根据所述运营模式矩阵及预置的模式分类模型，确定所述待识别商户的商户模式类型。2.如权利要求1所述的方法，其特征在于，所述商户运营数据为一个周期内的商户运营数据，所述根据所述商户运营数据确定运营模式矩阵，包括：将所述一个周期内的商户运营数据划分为多个子周期内的商户运营数据；根据所述多个子周期内的商户运营数据，分别统计各个子周期内多个维度信息的分布数值；将每个子周期内多个维度信息的分布数值分别组成一个矩阵作为所述运营模式矩阵；或者将每个维度信息的多个子周期内的分布数值分别组成一个矩阵作为所述运营模式矩阵。3.如权利要求1所述的方法，其特征在于，所述获取待识别商户的商户运营数据，包括：分别获取一个周期中各个子周期内的商户运营数据；所述根据所述商户运营数据确定运营模式矩阵，具体包括：分别根据所述各个子周期内的商户运营数据，统计所述各个子周期内多个维度信息的分布数值；在将每个子周期内多个维度信息的分布数值分别组成一个矩阵作为所述运营模式矩阵；或者将每个维度信息的多个子周期内的分布数值分别组成一个矩阵作为所述运营模式矩阵。4.如权利要求3所述的方法，其特征在于，所述多个维度信息包括如下任意多个信息：商户的收款笔数，金额区间，用户年龄，用户性别，使用信用卡人数和使用现金支付人数。5.如权利要求1至4任一项所述的方法，其特征在于，所述根据所述运营模式矩阵及预置的模式分类模型，确定所述待识别商户的商户模式类型之前，所述方法还包括：确定初始模式分类模型；确定训练样本，所述训练样本中包括多个样本商户分别对应的运营模式矩阵样本，及所述多个样本商户所属的商户模式类型；通过所述初始模式分类模型分别对所述多个样本商户的商户模式进行分类，得到初始分类结果；根据所述初始分类结果及所述多个样本商户所属的商户模式类型，计算与所述初始模式分类模型相关的损失函数值；根据所述损失函数值调整所述初始模式分类模型中的固定参数值，以得到所述预置的模式分类模型。6.如权利要求5所述的方法，其特征在于，所述确定初始模式分类模型，具体包括：确定所述初始模式分类模型的多层结构及确定各层结构中固定参数的初始值；所述根据所述损失函数值调整所述初始模式分类模型中的固定参数值，具体包括：根据所述损失函数值调整所述固定参数的初始值。7.如权利要求5所述的方法，其特征在于，所述初始模式分类模型的多层结构包括：卷积层、池化层、全连接层以及归一化层，其中：所述卷积层用于根据所述运营模式矩阵样本提取商户运营的特征，得到特征矩阵；所述池化层用于对所述卷积层得到的特征矩阵进行采样计算，得到采样后矩阵；所述全连接层用于根据所述采样后矩阵计算某一样本商户分别属于多个已知商户模式类型的分数；所述归一化层用于根据所述某一样本商户分别属于多个已知商户模式类型的分数输出所述某一样本商户属于各个已知商户模式类型的概率。8.如权利要求5所述的方法，其特征在于，如果对所述固定参数值的调整满足如下任一停止条件，则停止对所述固定参数值的调整：对所述固定参数值的调整次数达到预置的次数，当前调整的固定参数值与上一次调整的固定参数值的差值小于一阈值。9.一种商户模式识别装置，其特征在于，包括：运营获取单元，用于获取待识别商户的商户运营数据；矩阵获取单元，用于根据所述商户运营数据确定运营模式矩阵，所述运营模式矩阵中包括多个维度信息的统计数据；类型确定单元，用于根据所述运营模式矩阵及预置的模式分类模型，确定所述待识别商户的商户模式类型。10.如权利要求9所述的装置，其特征在于，所述矩阵获取单元，具体用于如果所述商户运营数据为一个周期内的商户运营数据，将所述一个周期内的商户运营数据划分为多个子周期内的商户运营数据；根据所述多个子周期内的商户运营数据，分别统计各个子周期内多个维度信息的分布数值；将每个子周期内多个维度信息的分布数值分别组成一个矩阵作为所述运营模式矩阵；或者将每个维度信息的多个子周期内的分布数值分别组成一个矩阵作为所述运营模式矩阵。11.如权利要求9或10所述的装置，其特征在于，还包括：训练确定单元，用于确定初始模式分类模型；确定训练样本，所述训练样本中包括多个样本商户分别对应的运营模式矩阵样本，及所述多个样本商户所属的商户模式类型；分类单元，用于通过所述初始模式分类模型分别对所述多个样本商户的商户模式进行分类，得到初始分类结果；调整单元，用于根据所述初始分类结果及所述多个样本商户所属的商户模式类型，计算与所述初始模式分类模型相关的损失函数值；根据所述损失函数值调整所述初始模式分类模型中的固定参数值，以得到所述预置的模式分类模型。12.如权利要求11所述的装置，其特征在于，所述调整单元，还用于如果对所述固定参数值的调整满足如下任一停止条件，则停止对所述固定参数值的调整：对所述固定参数值的调整次数达到预置的次数，当前调整的固定参数值与上一次调整的固定参数值的差值小于一阈值。13.一种存储介质，其特征在于，所述存储介质储存多条指令，所述指令适于由处理器加载并执行如权利要求1至8任一项所述的商户模式识别方法。14.一种终端设备，其特征在于，包括处理器和存储介质，所述处理器，用于实现各个指令；所述存储介质用于储存多条指令，所述指令用于由处理器加载并执行如权利要求1至8任一项所述的商户模式识别方法。

百度查询： 腾讯科技(深圳)有限公司 一种商户模式识别方法、装置、存储介质及终端设备