一种定向的设备捞回方法、装置及电子设备与流程

1.本发明涉及计算机信息处理技术领域，具体而言，涉及一种定向的设备捞回方法、装置、电子设备及计算机可读介质。


背景技术：

2.随着互联网的发展，出现了各种互联网服务平台，比如：网购平台、网约车平台、共享平台、地图、音乐等等。这些平台给人们的生活带来了很大的便利，但因其与互联网紧密结合，会存在一些比如：失联、欺诈、失信等的风险。因此，在提供互联网服务的过程中，往往需要对设备进行资信评估。
3.对设备进行资信评估实质上是根据可能对设备的上述风险表现产生影响的指标，来设置对设备进行评估的规则，通过评估这些设备是否满足预设的指标，来预估设备的风险表现，如果设备未命中该规则，则为其提供对应的互联网服务，但是如果设备命中该规则，则将该设备标记为“拒绝”的设备，拒绝为该设备提供对应的互联网服务，以降低运营风险，提高效益。
4.在控制运营风险的同时为了提高收益，通常会采用两个或多个机器学习模型(比如：xgboost模型等)对未通过资信评估的设备进行捞回。若多个模型的相关性比较大，也就是说，多个模型对设备数据的识别结果的误差在预定阈值以内，则综合这几个模型的捞回结果与采用其中一个模型的捞回结果是一致的，无法从多个维度出发对设备进行捞回，对风险控制和企业收益造成一定损失。


技术实现要素：

5.有鉴于此，本发明主要目的在于提出一种定向的设备捞回方法、装置、电子设备及计算机可读介质，以期至少部分地解决上述技术问题中的至少之一。
6.为了解决上述技术问题，本发明第一方面提出一种定向的设备捞回方法，所述方法包括：
7.配置与第一捞回模型相关性小于阈值的第二捞回模型；所述模型相关性用于反映两个模型识别结果不一样的程度；
8.采集设备数据分别训练所述第一捞回模型和第二捞回模型；
9.采用训练好的第一捞回模型对待捞回设备进行捞回；
10.采用训练好的第二捞回模型对所述第一捞回模型拒绝的待捞回设备进行定向捞回。
11.根据本发明一种优选实施方式，通过配置第二捞回模型的损失函数使得第一捞回模型与第二捞回模型的相关性小于阈值。
12.根据本发明一种优选实施方式，所述第二捞回模型的损失函数包含损失项和定向惩罚项；
13.其中，所述损失项用于反映第二捞回模型的识别结果与真实值一样的程度，所述
定向惩罚项用于反映第二捞回模型与第一捞回模型的识别结果不一样的程度，并对第二捞回模型与第一捞回模型相同的识别结果进行惩罚。
14.根据本发明一种优选实施方式，所述惩罚项为：
[0015]-a[alogp+(1-a)log(1-p)]；
[0016]
其中，a为惩罚系数，a为第一捞回模型的识别结果；p为第二捞回模型的识别结果。
[0017]
根据本发明一种优选实施方式，所述第一捞回模型和所述第二捞回模型的结构相同，所述采集设备数据分别训练所述第一捞回模型和第二捞回模型包括：
[0018]
将设备数据输入所述第一捞回模型中训练，当模型的评价指标满足预设条件时，结束对所述第一捞回模型的训练；
[0019]
将训练好的第一捞回模型作为初始的第二捞回模型，将设备数据输入初始的第二捞回模型中训练，当第二捞回模型的损失函数最大时，结束对所述第二捞回模型的训练。
[0020]
根据本发明一种优选实施方式，所述第一捞回模型和所述第二捞回模型为梯度提升树模型，所述第二捞回模型的损失函数l为：
[0021]
l＝ylogp+(1-y)log(1-p)-a[alogp+(1-a)log(1-p)]；
[0022]
其中，a为惩罚系数，a为第一捞回模型的识别结果；p为第二捞回模型的识别结果，y为真实值。
[0023]
为解决上述技术问题，本发明第二方面提高一种定向的设备捞回装置，所述装置包括：
[0024]
配置模块，用于配置与第一捞回模型相关性小于阈值的第二捞回模型；所述模型相关性用于反映两个模型识别结果不一样的程度；
[0025]
训练模块，用于采集设备数据分别训练所述第一捞回模型和第二捞回模型；
[0026]
第一捞回模块，用于采用训练好的第一捞回模型对待捞回设备进行捞回；
[0027]
第二捞回模块，用于采用训练好的第二捞回模型对所述第一捞回模型拒绝的待捞回设备进行定向捞回。
[0028]
根据本发明一种优选实施方式，所述配置模块通过配置第二捞回模型的损失函数使得第一捞回模型与第二捞回模型的相关性小于阈值。
[0029]
根据本发明一种优选实施方式，所述配置模块配置所述第二捞回模型的损失函数包含损失项和定向惩罚项；
[0030]
其中，所述损失项用于反映第二捞回模型的识别结果与真实值一样的程度，所述定向惩罚项用于反映第二捞回模型与第一捞回模型的识别结果不一样的程度，并对第二捞回模型与第一捞回模型相同的识别结果进行惩罚。
[0031]
根据本发明一种优选实施方式，所述配置模块配置所述第二捞回模型的惩罚项为：
[0032]-a[alogp+(1-a)log(1-p)]；
[0033]
其中，a为惩罚系数，a为第一捞回模型的识别结果；p为第二捞回模型的识别结果。
[0034]
根据本发明一种优选实施方式，所述第一捞回模型和第二捞回模型的模型结构相同，所述训练模块包括：
[0035]
第一训练模块，用于将设备数据输入所述第一捞回模型中训练，当模型的评价指标满足预设条件时，结束对所述第一捞回模型的训练；
[0036]
第二训练模块，用于将训练好的第一捞回模型作为初始的第二捞回模型，将设备数据输入初始的第二捞回模型中训练，当第二捞回模型的损失函数最大时，结束对所述第二捞回模型的训练。
[0037]
根据本发明一种优选实施方式，所述第一捞回模型和所述第二捞回模型为梯度提升树模型，所述配置模块配置所述第二捞回模型的损失函数l为：
[0038]
l＝ylogp+(1-y)log(1-p)-a[alogp+(1-a)log(1-p)]；
[0039]
其中，a为惩罚系数，a为第一捞回模型的识别结果；p为第二捞回模型的识别结果，y为真实值。
[0040]
为解决上述技术问题，本发明第三方面提供一种电子设备，包括：
[0041]
处理器；以及
[0042]
存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行上述的方法。
[0043]
为解决上述技术问题，本发明第四方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现上述方法。
[0044]
本发明通过配置与第一捞回模型相关性小于阈值的第二捞回模型；从而保证第一捞回模型和第二捞回模型对设备的识别结果不相关，再通过训练好的第一捞回模型和第二捞回模型从不同的维度出发对设备进行捞回，在控制风险的前提下，提高收益。
附图说明
[0045]
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明的示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
[0046]
图1是本发明实施例一种定向的设备捞回方法的流程示意图；
[0047]
图2是本发明实施例采用训练好的第二捞回模型对第一捞回模型拒绝的待捞回设备进行定向捞回步骤的一种示意图；
[0048]
图3是本发明实施例一种定向的设备捞回装置的结构框架示意图；
[0049]
图4是根据本发明的一种电子设备的示例性实施例的结构框图；
[0050]
图5是本发明一种计算机可读介质实施例的示意图。
具体实施方式
[0051]
现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。
[0052]
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
[0053]
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是
为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
[0054]
附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
[0055]
附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
[0056]
各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
[0057]
本发明实施例中，所述定向的设备捞回指从初步判定为失联、失信或者欺诈风险大的设备中通过更精确的算法来重新找出误判的、或者风险小于初步判定风险的设备。示例性的，所述初步判定可以是经过目标预定规则作出的判定。
[0058]
请参阅图1，图1是本发明提供的一种定向的设备捞回方法，所述方法用于在联网服务中对设备进行捞回，其中，所述互联网服务可以是各种互联网服务平台提供的服务，所述互联网服务平台可以是网购平台、网约车平台、共享平台、搜索平台、社交平台等等，只要是基于互联网提供的服务可以适用，本发明不做具体限定。如图1所示，所述方法包括：
[0059]
s1、配置与第一捞回模型相关性小于阈值的第二捞回模型；
[0060]
本发明中，所述模型相关性用于反映两个模型对同一设备数据识别结果不一样的程度；若两个模型相关性越小，代表这两个模型识别结果的差异越大，若两个模型相关性越大，代表这两个模型识别结果的差异越小。示例性的，模型相关性可以采用两个模型对同一批设备数据识别结果的误差的倒数来表示。所述阈值可以根据实际需要配置。
[0061]
为了使第一捞回模型和第二捞回模型的相关性小于阈值，可以配置第一捞回模型和第二捞回模型的模型结构不同，比如：第一捞回模型采用xgboost模型，第二捞回模型采用梯度提升树模型，等等。在此基础上，可以进一步配置第一捞回模型的固定参数和第二捞回模型的固定参数。比如：在xgboost模型中配置固定的booster参数，在梯度提升树模型中配置指定的决策树最大深度、叶子节点最小的样本权重等。在另一示例中，可以配置第一捞回模型和第二捞回模型的模型结构相同，当模型的参数不同。比如：第一捞回模型和第二捞回模型都采用xgboost模型，但二者的booster参数不同。
[0062]
在一种优选的配置方式中，可以通过配置第二捞回模型的损失函数使得第一捞回模型与第二捞回模型的相关性小于阈值。示例性的，所述第二捞回模型的损失函数包含损失项和定向惩罚项；
[0063]
其中，所述损失项用于反映第二捞回模型的识别结果与真实值一样的程度，所述
定向惩罚项用于反映第二捞回模型与第一捞回模型的识别结果不一样的程度，并对第二捞回模型与第一捞回模型相同的识别结果进行惩罚。也就是说：第一捞回模型与第二捞回模型的识别结果越接近，定向惩罚项对损失函数的惩罚越大。这样，可以保证训练出来的第二捞回模型与第一捞回模型的相关性小于阈值。
[0064]
在一种优选实施方式，所述惩罚项为：
[0065]-a[alogp+(1-a)log(1-p)]；
[0066]
其中，a为惩罚系数，a为第一捞回模型的识别结果；p为第二捞回模型的识别结果。
[0067]
以第一捞回模型和第二捞回模型采用二分类模型为例，第一捞回模型(普通的二分类模型)的损失函数为：
[0068]
l1＝ylogp1+(1-y)log(1-p1)；
[0069]
其中，p1为第一捞回模型的识别结果，y为真实值，即为设备数据的真实标签。
[0070]
所述第二捞回模型的损失函数l为：
[0071]
l＝ylogp+(1-y)log(1-p)-a[alogp+(1-a)log(1-p)]；
[0072]
其中，a为惩罚系数，可以根据实际需要配置，比如a＝0.1；a为第一捞回模型对设备数据的识别结果；p为第二捞回模型对设备数据的识别结果，y为真实值。
[0073]
本发明中，二分类模型优选为梯度提升树模型。
[0074]
s2、采集设备数据分别训练所述第一捞回模型和第二捞回模型；
[0075]
其中，所述设备数据可以是与设备相关的任何样本数据；示例性的，所述设备数据可以包括：设备id及与设备id相关的信息。可选的，所述与设备id相关的信息可以包括：设备型号、设备业务信息、设备通讯信息、设备用户信息、第三方设备数据信息中的至少一种。在实际业务中，所述设备数据可以多达140多个。
[0076]
其中，设备业务信息是设备产生的与当前业务相关的信息，比如，在基于互联网的资源交换业务中，设备业务信息可以包括：设备是否通过基于互联网的资源交换服务申请、设备资源配置额度、设备是否动支成功、设备逾期归还资源天数、设备逾期归还资源次数等等。所述资源是指任何可被利用的物质、信息、金钱、时间等。信息资源包括计算资源和各种类型的数据资源。其中，数据资源包括各个领域中的各种专用数据。
[0077]
所述设备通讯信息指在预定时间段内设备与目标设备之间的通话时长，可以包括：设备与目标设备在预定时间段内的通话总时长、设备与目标设备在不同时间段内的通话时长等。所述设备用户信息可以包括：设备用户性别、设备用户年龄、设备用户学历、设备位置、设备是否有欺诈记录等；其中，设备位置可以根据设备所在经度和纬度来确定。所述第三方设备数据信息是由第三方数据平台提供的与设备相关的信息，比如：设备社交信息、设备用户资产负债信息、设备黑/灰名单等。
[0078]
本步骤中，采集同一时间段内相同设备对应的设备数据分别训练所述第一捞回模型和第二捞回模型；对同一批设备而言，训练所述第一捞回模型的设备数据和训练所述捞回模型的设备数据可以相同，也可以不同。比如，对于设备a和b，可以采集设备a和b的设备用户年龄、设备是否动支成功、设备用户性别作为设备数据训练第一捞回模型，采集设备a和b的设备用户年龄、设备资源配置额度、设备位置作为设备数据训练第二捞回模型；也可以采用集设备a和b的设备用户年龄、设备是否动支成功、设备用户性别作为设备数据训练第一捞回模型和第二捞回模型。
[0079]
示例性的，所述第一捞回模型和所述第二捞回模型的结构相同，所述采集设备数据分别训练所述第一捞回模型和第二捞回模型包括：
[0080]
s21、将设备数据输入所述第一捞回模型中训练，当模型的评价指标满足预设条件时，结束对所述第一捞回模型的训练；
[0081]
示例性的，模型的评价指标可以采用：ks曲线、roc曲线、auc面积等。本发明实施例优选采用auc面积大于0.7时，结束对所述第一捞回模型的训练，从而保证第一捞回模型的识别准确率足够高。
[0082]
s22、将训练好的第一捞回模型作为初始的第二捞回模型，将设备数据输入初始的第二捞回模型中训练，当第二捞回模型的损失函数最大时，结束对所述第二捞回模型的训练。
[0083]
本实施例中，由于第一捞回模型和第二捞回模型的结构相同，则第一捞回模型的损失函数与第二捞回模型损失函数中的损失项相同，通过第二捞回模型中的定向惩罚项对第二捞回模型与第一捞回模型相同的识别结果进行惩罚。为了方便，可以认为在第二捞回模型的损失函数最大时，第一捞回模型和第二捞回模型对设备数据识别结果的误差的倒数小于阈值时(即第二捞回模型与第一捞回模型的相关性小于阈值)，结束对第二捞回模型的训练。
[0084]
s3、采用训练好的第一捞回模型对待捞回设备进行捞回；
[0085]
示例性的，将待捞回设备的设备数据输入训练好的第一捞回模型中，根据第一捞回模型的识别结果对设备进行捞回。比如，将第一捞回模型的识别结果中大于0.7的设备进行捞回，小于0.7的设备拒绝。
[0086]
s4、采用训练好的第二捞回模型对所述第一捞回模型拒绝的待捞回设备进行定向捞回。
[0087]
在一种示例中，将第一捞回模型的识别结果中小于0.7的设备的设备数据输入第二捞回模型中，根据第二捞回模型的识别结果对设备进行捞回。比如，将第二捞回模型的识别结果中大于0.8的设备进行捞回，小于0.8的设备拒绝。
[0088]
在另一种示例中，将第一捞回模型的识别结果中小于0.7的设备的设备数据输入第二捞回模型中，得到第一捞回模型拒绝的待捞回设备在第二捞回模型的识别结果，记为第二识别结果，第一捞回模型拒绝的待捞回设备在第一捞回模型的识别结果，记为第一识别结果。根据第一识别结果和第二识别结果将第一捞回模型拒绝的待捞回设备投影到二维坐标系中，并根据多个预定的第一阈值和多个预定的第二阈值将这些设备分至不同的捞回区域，设置每个捞回区域的捞回比率，根据捞回比率捞回各个捞回区域的设备。其中，第一阈值用于将第一识别结果分至不同的区间，第二阈值用于将第二识别结果分至不同的区间。
[0089]
如图2所示，在二维坐标系xoy中，ox代表第一识别结果，oy代表第二识别结果，根据第一识别结果和第二识别结果将第一捞回模型拒绝的待捞回设备投影到二维坐标系xoy中，通过三个第一阈值x1、x2、x3和两个第二阈值y1、y2将第一捞回模型拒绝的待捞回设备分至6个不同的捞回区域中，每个捞回区域中预先配置有对应的捞回比率，在每个捞回区域中随机选取该捞回区域对应的捞回比率的设备进行捞回。比如，捞回区域s配置的捞回比率为5％，则随机选取捞回区域s中5％的设备进行捞回。
[0090]
图3是本发明一种定向的设备捞回装置，如图3所示，所述装置包括：
[0091]
配置模块31，用于配置与第一捞回模型相关性小于阈值的第二捞回模型；所述模型相关性用于反映两个模型识别结果不一样的程度；
[0092]
训练模块32，用于采集设备数据分别训练所述第一捞回模型和第二捞回模型；
[0093]
第一捞回模块33，用于采用训练好的第一捞回模型对待捞回设备进行捞回；
[0094]
第二捞回模块34，用于采用训练好的第二捞回模型对所述第一捞回模型拒绝的待捞回设备进行定向捞回。
[0095]
在一种实施方式中，所述配置模块31通过配置第二捞回模型的损失函数使得第一捞回模型与第二捞回模型的相关性小于阈值。
[0096]
进一步的，所述配置模块31配置所述第二捞回模型的损失函数包含损失项和定向惩罚项；
[0097]
其中，所述损失项用于反映第二捞回模型的识别结果与真实值一样的程度，所述定向惩罚项用于反映第二捞回模型与第一捞回模型的识别结果不一样的程度，并对第二捞回模型与第一捞回模型相同的识别结果进行惩罚。
[0098]
进一步的，所述配置模块31配置所述第二捞回模型的惩罚项为：
[0099]-a[alogp+(1-a)log(1-p)]；
[0100]
其中，a为惩罚系数，a为第一捞回模型的识别结果；p为第二捞回模型的识别结果。
[0101]
在一种实施方式中，所述第一捞回模型和第二捞回模型的模型结构相同，所述训练模块32包括：
[0102]
第一训练模块，用于将设备数据输入所述第一捞回模型中训练，当模型的评价指标满足预设条件时，结束对所述第一捞回模型的训练；
[0103]
第二训练模块，用于将训练好的第一捞回模型作为初始的第二捞回模型，将设备数据输入初始的第二捞回模型中训练，当第二捞回模型的损失函数最大时，结束对所述第二捞回模型的训练。
[0104]
进一步的，所述第一捞回模型和所述第二捞回模型为梯度提升树模型，所述配置模块31配置所述第二捞回模型的损失函数l为：
[0105]
l＝ylogp+(1-y)log(1-p)-a[alogp+(1-a)log(1-p)]；
[0106]
其中，a为惩罚系数，a为第一捞回模型的识别结果；p为第二捞回模型的识别结果，y为真实值。
[0107]
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0108]
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
[0109]
图4是根据本发明的一种电子设备的示例性实施例的结构框图。图4显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0110]
如图4所示，该示例性实施例的电子设备400以通用数据处理设备的形式表现。电
子设备400的组件可以包括但不限于：至少一个处理单元410、至少一个存储单元420、连接不同电子设备组件(包括存储单元420和处理单元410)的总线430、显示单元440等。
[0111]
其中，所述存储单元420存储有计算机可读程序，其可以是源程序或都只读程序的代码。所述程序可以被处理单元410执行，使得所述处理单元410执行本发明各种实施方式的步骤。例如，所述处理单元410可以执行如图1所示的步骤。
[0112]
所述存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元(rom)4203。所述存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204，这样的程序模块4205包括但不限于：操作电子设备、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0113]
总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0114]
电子设备400也可以与一个或多个外部设备100(例如键盘、显示器、网络设备、蓝牙设备等)通信，使得用户能经由这些外部设备100与该电子设备400交互，和/或使得该电子设备400能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(i/o)接口450进行，还可以通过网络适配器460与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)进行。网络适配器460可以通过总线430与电子设备400的其它模块通信。应当明白，尽管图4中未示出，电子设备400中可使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid电子设备、磁带驱动器以及数据备份存储电子设备等。
[0115]
图5是本发明的一个计算机可读介质实施例的示意图。如图5所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的电子设备、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：配置与第一捞回模型相关性小于阈值的第二捞回模型；所述模型相关性用于反映两个模型识别结果不一样的程度；采集设备数据分别训练所述第一捞回模型和第二捞回模型；采用训练好的第一捞回模型对待捞回设备进行捞回；采用训练好的第二捞回模型对所述第一捞回模型拒绝的待捞回设备进行定向捞回。
[0116]
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
[0117]
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行电子设备、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0118]
可以以一种或多种程序设计语音的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语音包括面向对象的程序设计语音—诸如java、c++等，还包括常规的过程式程序设计语音—诸如“c”语音或类似的程序设计语音。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0119]
综上所述，本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(dsp)等通用数据处理设备来实现本发明的一些或者全部功能。
[0120]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。