一种确定代理主体代理品牌的方法及装置与流程

1.本发明涉及金融科技(fintech)领域，尤其涉及一种确定代理主体代理品牌的方法及装置。


背景技术：

2.随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技转变，但由于金融行业的安全性、实时性要求，也对技术提出的更高的要求。在金融领域中，除了通用的企业贷款产品外，围绕供应链的金融产品也在不断发展。部分供应链金融产品有严格的品牌限制，即需要该经销商代理指定品牌，才可以申请指定供应链金融产品，需要能够预先评估经销商可能代理的品牌。目前确定经销商可能代理的品牌的方案主要是通过人工再互联网上搜索查找，但是由于互联网上关于经销商企业的上下游的相关数据较少，通过人工难以精准找到经销商企业，也无法预测经销商可能代理的品牌，这就导致通人工查找经销商代理的品牌时会出现识别效率和准确率低的问题。


技术实现要素：

3.本发明提供了一种确定代理主体代理品牌的方法及装置，可以快速的确定出代理主体代理的品牌，提高代理主体代理的品牌的识别效率和准确率。
4.第一方面，本发明提供了一种确定代理主体代理品牌的方法，包括：
5.获取代理主体的企业名称以及所述代理主体的待确定代理的品牌；
6.将所述代理主体的企业名称和所述代理主体的待确定代理的品牌进行预处理，得到多个代理主体品牌分组；其中每个代理主体品牌分组中包括所述代理主体的企业名称及其对应的待确定代理的品牌；
7.针对所述多个代理主体品牌分组中的任一代理主体品牌分组，将所述代理主体品牌分组中的企业名称和待确定代理的品牌进行向量化处理，得到所述代理主体品牌分组的特征向量；
8.将多个所述代理主体品牌分组的特征向量输入到企业品牌关系预测模型中，确定出所述代理主体代理的品牌，其中，所述企业品牌关系预测模型是对标记有代理主体的企业名称与品牌的对应关系的训练样本进行训练学习得到的。
9.上述技术方案中，由于通过使用了标记有代理主体的企业名称与品牌的对应关系的训练样本进行训练学习得到的企业品牌关系预测模型对代理主体代理的品牌进行预测，可以实现快速的识别出代理主体代理的品牌，提高了代理的品牌的识别的效率，相对于现有技术中通过少量的上下游数据进行人工查找代理主体以及代理的品牌的方式，可以提高确定代理主体代理的品牌的准确率。同时，本发明实施例使用企业品牌关系预测模型方式来替代人工来查找代理主体代理的品牌，可以减少人工成本，进而降低了拓展代理品牌的成本。
10.可选的，所述将所述代理主体品牌分组中的企业名称和待确定代理的品牌进行向
量化处理，得到所述代理主体品牌分组的特征向量，包括：
11.使用预训练词向量模型将所述代理主体品牌分组中的企业名称进行向量化处理，得到所述企业名称的向量；
12.使用独热(one-hot)模型所述代理主体品牌分组中的待确定代理的品牌进行向量化处理，得到所述待确定代理的品牌的向量；
13.将所述企业名称的向量和所述待确定代理的品牌的向量确定为所述代理主体品牌分组的特征向量。
14.上述技术方案中，通过将企业名称和待确定代理的品牌进行向量化处理，可以提高企业品牌关系预测模型的预测效率。
15.可选的，所述将所述代理主体的企业名称和所述代理主体的待确定代理的品牌进行预处理，得到多个代理主体品牌分组，包括：
16.将所述代理主体的企业名称和所述代理主体的待确定代理的品牌进行组合，得到所述多个代理主体品牌分组；并针对所述多个代理主体品牌分组中的任一代理主体分组，将所述代理主体品牌分组中的企业名称进行分词处理，将所述代理主体品牌分组中的待确定代理的品牌进行类别编码处理；或
17.将所述代理主体的企业名称进行分词处理，将所述代理主体的待确定代理的品牌进行类别编码处理；并将分词处理后的企业名称和类别编码处理后的待确定代理的品牌进行组合，得到所述多个代理主体品牌分组。
18.可选的，所述将所述代理主体品牌分组中的企业名称进行分词处理，包括：
19.将所述代理主体品牌分组中的企业名称进行分词，得到所述代理主体的企业字号、地域、经营范围和经营规模；
20.使用预训练词向量模型将所述代理主体品牌分组中的企业名称进行向量化处理，得到所述企业名称的向量，包括：
21.使用预训练词向量模型将所述代理主体的企业字号、地域、经营范围和经营规模进行向量化处理，得到所述企业名称的向量。
22.可选的，所述对标记有代理主体的企业名称与品牌的对应关系的训练样本进行训练学习得到所述企业品牌关系预测模型，包括：
23.获取所述标记有代理主体的企业名称与品牌的对应关系的训练样本；
24.分别对所述训练样本中的代理主体的企业名称与品牌的对应关系中的企业名称进行分词处理，并将代理主体代理的品牌进行类别编码处理；
25.将所述训练样本中的代理主体的企业名称与品牌的对应关系中的经过分词处理后的企业名称和经过类别编码处理后的品牌进行向量化处理，得到所述训练样本中的代理主体的企业名称与品牌的对应关系的特征向量；
26.将所述训练样本中的代理主体的企业名称与品牌的对应关系的特征向量依次输入到预设的机器学习模型中进行训练，直到模型收敛后，得到所述企业品牌关系预测模型。
27.可选的，所述将多个所述代理主体品牌分组的特征向量输入到企业品牌关系预测模型中，确定出所述代理主体代理的品牌，包括：
28.将多个所述代理主体品牌分组的特征向量依次输入到企业品牌关系预测模型中，确定出每个代理主体品牌分组对应的预测概率；
29.将预测概率大于阈值的待确定代理的品牌，确定为所述代理主体代理的品牌。
30.上述技术方案中，通过判断预测概率大于阈值的方式来确定代理主体代理的品牌，可以提高确定代理主体代理的品牌的准确度。
31.可选的，在所述确定出所述代理主体代理的品牌之后，还包括：
32.将所述代理主体的企业名称及其对应的代理的品牌存储到所述训练样本中，重新训练所述企业品牌关系预测模型。
33.上述技术方案中，通过将代理主体的企业名称及其对应的代理的品牌存储到训练样本中，可以提高训练样本的数据，进一步的提高企业品牌关系预测模型的准确率。
34.第二方面，本发明实施例提供一种确定代理主体代理品牌的装置，包括：
35.获取单元，用于获取代理主体的企业名称以及所述代理主体的待确定代理的品牌；
36.处理单元，用于将所述代理主体的企业名称和所述代理主体的待确定代理的品牌进行预处理，得到多个代理主体品牌分组；其中每个代理主体品牌分组中包括所述代理主体的企业名称及其对应的待确定代理的品牌；针对所述多个代理主体品牌分组中的任一代理主体品牌分组，将所述代理主体品牌分组中的企业名称和待确定代理的品牌进行向量化处理，得到所述代理主体品牌分组的特征向量；将多个所述代理主体品牌分组的特征向量输入到企业品牌关系预测模型中，确定出所述代理主体代理的品牌，其中，所述企业品牌关系预测模型是对标记有代理主体的企业名称与品牌的对应关系的训练样本进行训练学习得到的。
37.可选的，所述处理单元具体用于：
38.使用预训练词向量模型将所述代理主体品牌分组中的企业名称进行向量化处理，得到所述企业名称的向量；
39.使用独热模型将所述代理主体品牌分组中的待确定代理的品牌进行向量化处理，得到所述待确定代理的品牌的向量；
40.将所述企业名称的向量和所述待确定代理的品牌的向量确定为所述代理主体品牌分组的特征向量。
41.可选的，所述处理单元具体用于：
42.将所述代理主体的企业名称和所述代理主体的待确定代理的品牌进行组合，得到所述多个代理主体品牌分组；并针对所述多个代理主体品牌分组中的任一代理主体分组，将所述代理主体品牌分组中的企业名称进行分词处理，将所述代理主体品牌分组中的待确定代理的品牌进行类别编码处理；或
43.将所述代理主体的企业名称进行分词处理，将所述代理主体的待确定代理的品牌进行类别编码处理；并将分词处理后的企业名称和类别编码处理后的待确定代理的品牌进行组合，得到所述多个代理主体品牌分组。
44.可选的，所述处理单元具体用于：
45.将所述代理主体品牌分组中的企业名称进行分词，得到所述代理主体的企业字号、地域、经营范围和经营规模；
46.使用预训练词向量模型将所述代理主体的企业字号、地域、经营范围和经营规模进行向量化处理，得到所述企业名称的向量。
47.可选的，所述处理单元具体用于：
48.获取所述标记有代理主体的企业名称与品牌的对应关系的训练样本；
49.分别对所述训练样本中的代理主体的企业名称与品牌的对应关系中的企业名称进行分词处理，并将代理主体代理的品牌进行类别编码处理；
50.将所述训练样本中的代理主体的企业名称与品牌的对应关系中的经过分词处理后的企业名称和经过类别编码处理后的品牌进行向量化处理，得到所述训练样本中的代理主体的企业名称与品牌的对应关系的特征向量；
51.将所述训练样本中的代理主体的企业名称与品牌的对应关系的特征向量依次输入到预设的机器学习模型中进行训练，直到模型收敛后，得到所述企业品牌关系预测模型。
52.可选的，所述处理单元具体用于：
53.将多个所述代理主体品牌分组的特征向量依次输入到企业品牌关系预测模型中，确定出每个代理主体品牌分组对应的预测概率；
54.将预测概率大于阈值的待确定代理的品牌，确定为所述代理主体代理的品牌。
55.可选的，所述处理单元还用于：
56.在所述确定出所述代理主体代理的品牌之后，将所述代理主体的企业名称及其对应的代理的品牌存储到所述训练样本中，重新训练所述企业品牌关系预测模型。
57.第三方面，本发明提供一种计算设备，包括：
58.存储器，用于存储计算机程序；
59.处理器，用于调用所述存储器中存储的计算机程序，按照获得的程序执行上述第一方面所述的方法。
60.第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行上述第一方面所述的方法。
附图说明
61.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
62.图1为本发明实施例提供的一种系统架构的示意图；
63.图2为本发明实施例提供的一种确定代理主体代理品牌的方法的流程示意图；
64.图3为本发明实施例提供的一种确定代理主体代理品牌的装置的结构示意图。
具体实施方式
65.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
66.图1为本发明实施例提供的一种系统架构。如图1所示，该系统架构可以为服务器
100，包括处理器110、通信接口120和存储器130。
67.其中，通信接口120用于与终端设备进行通信，收发该终端设备传输的信息，实现通信。
68.处理器110是服务器100的控制中心，利用各种接口和线路连接整个服务器100的各个部分，通过运行或执行存储在存储器130内的软件程序/或模块，以及调用存储在存储器130内的数据，执行服务器100的各种功能和处理数据。可选地，处理器110可以包括一个或多个处理单元。
69.存储器130可用于存储软件程序以及模块，处理器110通过运行存储在存储器130的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器130可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据业务处理所创建的数据等。此外，存储器130可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
70.需要说明的是，上述图1所示的结构仅是一种示例，本发明实施例对此不做限定。
71.基于上述描述，图2示例性的示出了本发明实施例提供的一种确定代理主体代理品牌的方法的流程，该流程可以由一种确定代理主体代理品牌的装置执行。
72.如图2所示，该流程具体步骤包括：
73.步骤201，获取代理主体的企业名称以及所述代理主体的待确定代理的品牌。
74.在本发明实施例中，可以获取代理主体的企业名称以及所述代理主体的待确定代理的品牌，其企业名称为该企业的整体名称，例如，上海xxx日化贸易有限责任公司。待确定的品牌可以包括甲、乙、丙。
75.需要说明的是，本发明实施例中的代理主体可以是经销商或其他的经营代理品牌的企业。
76.步骤202，将所述代理主体的企业名称和所述代理主体的待确定代理的品牌进行预处理，得到多个代理主体品牌分组。
77.具体的，在对代理主体的企业名称和代理主体的待确定代理的品牌进行预处理主要是通过下述两种方式：
78.方式一：
79.首先将代理主体的企业名称和代理主体的待确定代理的品牌进行组合，得到多个代理主体品牌分组。然后针对多个代理主体品牌分组中的任一代理主体分组，将代理主体品牌分组中的企业名称进行分词处理，将代理主体品牌分组中的待确定代理的品牌进行类别编码处理。
80.也就是说，当得到代理主体的企业名称以及代理主体的待确定代理的品牌之后，就可以先进行分组，其中每个代理主体品牌分组中包括代理主体的企业名称及其对应的待确定代理的品牌。例如，第一代理主体品牌分组中包括上海xxx日化贸易有限责任公司-甲；第二代理主体品牌分组中包括上海xxx日化贸易有限责任公司-乙；第三代理主体品牌分组中包括上海xxx日化贸易有限责任公司-丙。从而可以得到三个代理主体品牌分组。
81.然后可以将这三个代理主体品牌分组中的企业名称进行分词处理，对待确定代理的品牌进行类别编码处理。其中，通过对企业名称进行分词，可以得到代理主体的企业字
号、地域、经营范围和经营规模。
82.例如对上海xxx日化贸易有限责任公司进行分词，可以得到分词后的企业名称＝“上海xxx日化贸易有限责任公司”，通过分词后的企业名称可以确定出企业的地域、经营范围和经营规模，即企业的地域为上海、经营范围为日化产品、经营规模为有限责任公司。
83.此外，各品牌有预设的类别编码，通过查找预设的类别编码可以确定每个品牌对应的类别编码，即可以将待确定代理的品牌进行类别编码处理。
84.方式二：
85.首先将代理主体的企业名称进行分词处理，将代理主体的待确定代理的品牌进行类别编码处理。然后再将分词处理后的企业名称和类别编码处理后的待确定代理的品牌进行组合，得到多个代理主体品牌分组。
86.这种方式就是先进行分词和类别编码处理，然后在进行分组，得到多个代理主体品牌分组。其中，分词和类别编码处理的过程已在上述方式一中描述，不在赘述。
87.步骤203，针对所述多个代理主体品牌分组中的任一代理主体品牌分组，将所述代理主体品牌分组中的企业名称和待确定代理的品牌进行向量化处理，得到所述代理主体品牌分组的特征向量。
88.具体的可以使用预训练词向量模型将代理主体品牌分组中的企业名称进行向量化处理，得到所述企业名称的向量。使用one-hot模型将代理主体品牌分组中的待确定代理的品牌进行向量化处理，得到所述待确定代理的品牌的向量。最后将企业名称的向量和待确定代理的品牌的向量确定为代理主体品牌分组的特征向量。即将企业名称的向量和待确定代理的品牌的向量进行排列可以得到代理主体品牌分组的特征向量。
89.需要说明的是，将代理主体品牌分组中的企业名称进行分词时，还可以得到代理主体的企业字号、地域、经营范围和经营规模。也就是说，在对企业名称进行向量化处理，得到所述企业名称的向量时，可以使用预训练词向量模型将代理主体的企业字号、地域、经营范围和经营规模进行向量化处理，得到企业名称的向量。
90.上述对企业名称和待确定代理的品牌进行向量化处理时，使用的词向量模型不限上述模型，还可以使用其它的词向量模型，例如词向量模型word2vec(word to vector，词向量)、glove(global vectors，全局向量)、elmo(embeddings from language models，嵌入语言模型)等。
91.步骤204，将多个所述代理主体品牌分组的特征向量输入到企业品牌关系预测模型中，确定出所述代理主体代理的品牌。
92.在使用企业品牌关系预测模型之前，需要先进行训练学习，具体的，可以先获取标记有代理主体的企业名称与品牌的对应关系的训练样本，然后分别对训练样本中的代理主体的企业名称与品牌的对应关系中的企业名称进行分词处理，并将代理主体代理的品牌进行类别编码处理。将训练样本中的代理主体的企业名称与品牌的对应关系中的经过分词处理后的企业名称和经过类别编码处理后的品牌进行向量化处理，得到训练样本中的代理主体的企业名称与品牌的对应关系的特征向量。最后将训练样本中的代理主体的企业名称与品牌的对应关系的特征向量依次输入到预设的机器学习模型中进行训练，直到模型收敛后，得到企业品牌关系预测模型。
93.在本发明实施例中，训练企业品牌关系预测模型时，使用的预设的机器学习模型
可以为因子分解机(factorization machine,fm)模型，但并不限于该因子分解机的机器学习模型，还可以是其它的机器学习模型，例如决策树、朴素贝叶斯分类器、最小二乘法、支持向量机等。
94.训练样本中包括了正样本和负样本。正样本对应的值为1，负样本为0。首先，需要收集少量代理主体和对应代理的品牌数据，以及部分没有任何品牌代理信息的企业名称数据。对所有的企业名称进行分词，对所有的代理品牌进行类别编码。根据分词结果，确定代理主体的企业字号、地域、经营范围和经营规模。组合企业名称以及所代理的品牌成为新的数据作为正样本，随机拼凑未知代理品牌的代理主体的企业名称和品牌列表作为负样本。
95.举例来说，已知代理主体-品牌关系有：
96.代理主体a-品牌甲/乙；
97.代理主体b-品牌乙；
98.代理主体c-品牌乙/丙。
99.以及未知品牌代理关系的代理主体d e f，那么可以组合出的正样本为：
100.代理主体a，品牌甲，1；
101.代理主体a，品牌乙，1；
102.代理主体b，品牌乙，1；
103.代理主体c，品牌乙，1；
104.代理主体c，品牌丙，1。
105.对应组合出的负样本为：
106.代理主体d，品牌甲，0；
107.代理主体d，品牌乙，0；
108.代理主体d，品牌丙，0；
109.代理主体e，品牌甲，0；
110.代理主体e，品牌乙，0；
111.代理主体e，品牌丙，0；
112.代理主体e，品牌甲，0；
113.代理主体e，品牌乙，0；
114.代理主体e，品牌丙，0。
115.对上述训练样本数据使用因子分解机模型进行模型训练，得到一个可以预估企业和品牌关系的企业品牌关系预测模型。
116.在使用该企业品牌关系预测模型时，可以将多个代理主体品牌分组的特征向量输入到企业品牌关系预测模型中，确定出代理主体代理的品牌。具体的，可以将多个代理主体品牌分组的特征向量依次输入到企业品牌关系预测模型中，确定出每个代理主体品牌分组对应的预测概率。然后将预测概率大于阈值的待确定代理的品牌，确定为代理主体代理的品牌。其中，阈值可以依据经验设置。
117.此外，在确定出代理主体代理的品牌之后，还可以将代理主体的企业名称及其对应的代理的品牌存储到训练样本中，重新训练企业品牌关系预测模型。进一步优化该模型，不断提高效果。
118.在本发明实施例中，只需要少量代理主体的企业名称和对应的品牌即可挖掘其他
代理主体可能代理的品牌，可以快速扩大供应链金融类产品的客户群体。其次，由于采用自动挖掘特征关联的因子分解机算法，能够有效减少算法开发人员的工作量，快速学习出企业品牌关系预测模型。
119.本发明实施例表明，通过获取代理主体的企业名称以及代理主体的待确定代理的品牌，将代理主体的企业名称和代理主体的待确定代理的品牌进行预处理，得到多个代理主体品牌分组，其中每个代理主体品牌分组中包括代理主体的企业名称及其对应的待确定代理的品牌。针对多个代理主体品牌分组中的任一代理主体品牌分组，将代理主体品牌分组中的企业名称和待确定代理的品牌进行向量化处理，得到代理主体品牌分组的特征向量，将多个代理主体品牌分组的特征向量输入到企业品牌关系预测模型中，确定出代理主体代理的品牌，其中，企业品牌关系预测模型是对标记有代理主体的企业名称与品牌的对应关系的训练样本进行训练学习得到的。由于通过使用了标记有代理主体的企业名称与品牌的对应关系的训练样本进行训练学习得到的企业品牌关系预测模型对代理主体代理的品牌进行预测，可以实现快速的识别出代理主体代理的品牌，提高了代理的品牌的识别的效率，相对于现有技术中通过少量的上下游数据进行人工查找代理主体以及代理的品牌的方式，可以提高确定代理主体代理的品牌的准确率。
120.基于相同的技术构思，图3示例性的示出了本发明实施例提供的一种确定代理主体代理品牌的装置的结构示意图，该装置可以执行确定代理主体代理品牌的流程。
121.如图3所示，该装置具体包括：
122.获取单元301，用于获取代理主体的企业名称以及所述代理主体的待确定代理的品牌；
123.处理单元302，用于将所述代理主体的企业名称和所述代理主体的待确定代理的品牌进行预处理，得到多个代理主体品牌分组；其中每个代理主体品牌分组中包括所述代理主体的企业名称及其对应的待确定代理的品牌；针对所述多个代理主体品牌分组中的任一代理主体品牌分组，将所述代理主体品牌分组中的企业名称和待确定代理的品牌进行向量化处理，得到所述代理主体品牌分组的特征向量；将多个所述代理主体品牌分组的特征向量输入到企业品牌关系预测模型中，确定出所述代理主体代理的品牌，其中，所述企业品牌关系预测模型是对标记有代理主体的企业名称与品牌的对应关系的训练样本进行训练学习得到的。
124.可选的，所述处理单元302具体用于：
125.使用预训练词向量模型将所述代理主体品牌分组中的企业名称进行向量化处理，得到所述企业名称的向量；
126.使用独热模型将所述代理主体品牌分组中的待确定代理的品牌进行向量化处理，得到所述待确定代理的品牌的向量；
127.将所述企业名称的向量和所述待确定代理的品牌的向量确定为所述代理主体品牌分组的特征向量。
128.可选的，所述处理单元302具体用于：
129.将所述代理主体的企业名称和所述代理主体的待确定代理的品牌进行组合，得到所述多个代理主体品牌分组；并针对所述多个代理主体品牌分组中的任一代理主体分组，将所述代理主体品牌分组中的企业名称进行分词处理，将所述代理主体品牌分组中的待确
定代理的品牌进行类别编码处理；或
130.将所述代理主体的企业名称进行分词处理，将所述代理主体的待确定代理的品牌进行类别编码处理；并将分词处理后的企业名称和类别编码处理后的待确定代理的品牌进行组合，得到所述多个代理主体品牌分组。
131.可选的，所述处理单元302具体用于：
132.将所述代理主体品牌分组中的企业名称进行分词，得到所述代理主体的企业字号、地域、经营范围和经营规模；
133.使用预训练词向量模型将所述代理主体的企业字号、地域、经营范围和经营规模进行向量化处理，得到所述企业名称的向量。
134.可选的，所述处理单元302具体用于：
135.获取所述标记有代理主体的企业名称与品牌的对应关系的训练样本；
136.分别对所述训练样本中的代理主体的企业名称与品牌的对应关系中的企业名称进行分词处理，并将代理主体代理的品牌进行类别编码处理；
137.将所述训练样本中的代理主体的企业名称与品牌的对应关系中的经过分词处理后的企业名称和经过类别编码处理后的品牌进行向量化处理，得到所述训练样本中的代理主体的企业名称与品牌的对应关系的特征向量；
138.将所述训练样本中的代理主体的企业名称与品牌的对应关系的特征向量依次输入到预设的机器学习模型中进行训练，直到模型收敛后，得到所述企业品牌关系预测模型。
139.可选的，所述处理单元302具体用于：
140.将多个所述代理主体品牌分组的特征向量依次输入到企业品牌关系预测模型中，确定出每个代理主体品牌分组对应的预测概率；
141.将预测概率大于阈值的待确定代理的品牌，确定为所述代理主体代理的品牌。
142.可选的，所述处理单元302还用于：
143.在所述确定出所述代理主体代理的品牌之后，将所述代理主体的企业名称及其对应的代理的品牌存储到所述训练样本中，重新训练所述企业品牌关系预测模型。
144.基于相同的技术构思，本发明实施例提供一种计算设备，包括：
145.存储器，用于存储计算机程序；
146.处理器，用于调用所述存储器中存储的计算机程序，按照获得的程序执行上述确定代理主体代理品牌的方法。
147.基于相同的技术构思，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行上述确定代理主体代理品牌的方法。
148.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
149.本发明是参照根据本发明的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或
方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
150.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
151.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
152.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
153.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。