CN118211858A - 层级信息生成方法、装置、设备、介质和程序产品 - Google Patents

Abstract

本公开的实施例公开了层级信息生成方法、装置、设备、介质和程序产品。该方法的一具体实施方式包括：获取目标虚拟站点的观测指标值组；将观测指标值组输入预先训练的虚拟站点层级信息生成模型，得到目标虚拟站点的分层指标值组，其中，虚拟站点层级信息生成模型；基于分层指标值组，生成目标虚拟站点的层级信息。该实施方式与大数据和人工智能有关，实现了提高分层准确性。

Description

层级信息生成方法、装置、设备、介质和程序产品

技术领域

本公开的实施例涉及计算机技术领域，具体涉及层级信息生成方法、装置、设备、介质和程序产品。

背景技术

对于平台中的大量虚拟站点(虚拟店铺)进行分层，为实现不同层级的虚拟站点的差异性资源分配提供了基础。相关的虚拟站点分层方法为：对虚拟站点的多个指标值进行线性叠加得到虚拟站点的评分，进而根据评分进行分层。

然而，发明人发现，当采用上述方式进行分层时，经常会存在如下技术问题：

虚拟站点的指标值依赖于人工收集和统计，耗时耗力，且容易造成对于虚拟站点的分层结果带有偶然误差，准确率低。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了层级信息生成方法、装置、设备、介质和程序产品，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种层级信息生成方法，包括：获取目标虚拟站点的观测指标值组；将观测指标值组输入预先训练的虚拟站点层级信息生成模型，得到目标虚拟站点的分层指标值组，其中，虚拟站点层级信息生成模型；基于分层指标值组，生成目标虚拟站点的层级信息。

第二方面，本公开的一些实施例提供了一种虚拟站点层级信息生成装置，包括：获取单元，被配置成获取目标虚拟站点的观测指标值组；预测单元，被配置成将观测指标值组输入预先训练的虚拟站点层级信息生成模型，得到目标虚拟站点的分层指标值组，其中，虚拟站点层级信息生成模型是以虚拟站点的观测指标值组作为输入，以虚拟站点对应的层级标签作为期望输出训练得到的；生成单元，被配置成基于分层指标值组，生成目标虚拟站点的层级信息。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

第五方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：利用虚拟站点层级信息生成模型生成分层指标值，进而实现虚拟站点的分层提供了基础，避免了人工收集和统计带来的偶然误差，提高了准确性。其中，通过将分层指标值组作为模型输出，与直接将层级作为模型输出相比，标签的粒度更细，提高了模型输出的信息量，有助于实现更加准确的分层。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的层级信息生成方法的一些实施例的流程图；

图2是根据本公开的虚拟站点层级信息生成模型的训练方法的一些实施例的流程图；

图3是根据本公开的虚拟站点层级信息生成模型的训练方法的另一些实施例的流程图；

图4是根据本公开的一些实施例的虚拟站点层级信息生成模型的训练方法的一个应用场景的示意图；

图5是根据本公开的层级信息生成装置的一些实施例的结构示意图；

图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

本公开中所涉及的用户个人信息的收集、存储、使用等操作，在执行相应操作之前，相关组织或个人尽到包括开展个人信息安全影响评估、向个人信息主体履行告知义务、事先征得个人信息主体的授权同意等义务，以及符合相关法律法规的规定。

下面将参考附图并结合实施例来详细说明本公开。

参考图1，其示出了虚拟站点层级信息生成方法的一些实施例的流程100。该虚拟站点层级信息生成方法的流程100，包括以下步骤：

步骤101，获取目标虚拟站点的观测指标值组。

在一些实施例中，虚拟站点层级信息生成方法的执行主体可以首先获取目标虚拟站点的观测指标值组。其中，目标虚拟站点可以是需要进行层级确定的任一虚拟站点。虚拟站点可以是电商类平台中任一店铺。

实践中，虚拟站点层级信息生成方法的执行主体与虚拟站点层级信息生成模型的训练方法的执行主体可以相同，也可以不同。

步骤102，将观测指标值组输入预先训练的虚拟站点层级信息生成模型，得到目标虚拟站点的分层指标值组。

在一些实施例中，虚拟站点层级信息生成模型用于生成分层指标值组，其中，虚拟站点层级信息生成模型是以虚拟站点的观测指标值组作为输入，以虚拟站点对应的层级标签作为期望输出训练得到的。作为示例，虚拟站点层级信息生成模型也可以是通过图2或图3对应的实施例所描述的方法生成的。

步骤103，基于分层指标值组，生成目标虚拟站点的层级信息。

在一些实施例中，上述执行主体可以基于分层指标值组，生成目标虚拟站点的层级信息。例如，可以将分层指标值组中的各个分层指标值进行融合，例如，可以进行加权求和，进而得到目标虚拟站点的层级信息。

在一些实施例中，通过虚拟站点层级信息生成模型，可以准确得到目标虚拟站点的分层指标值组，进而得到目标虚拟站点的层级信息，使得层级信息的确定更加准确。

参考图2，示出了根据本公开的虚拟站点层级信息生成模型的训练方法的一些实施例的流程200。该虚拟站点层级信息生成模型的训练方法，包括以下步骤：

步骤201，获取训练样本集，训练样本集中的训练样本包括虚拟站点的观测指标值组和虚拟站点的标签，标签包括分层指标值组。

在一些实施例中，虚拟站点层级信息生成模型的训练方法的执行主体可以首先获取训练样本集。上述执行主体可以是各种电子设备，可以需要可以是各类服务器或终端。

其中，每个训练样本包括虚拟站点的观测指标值组和虚拟站点的标签，标签包括分层指标值组。例如，观测指标值组可以是多维向量，其中，每个维度对应一个观测指标的值。作为示例，用X表示观测指标值组，X＝{f₁，f₂，f₃，f₄，f₅，f₆，f₇，f₈，f₉，f₁₀}，其中，f₁-f₁₀表示10个观测指标的值。实践中，观测指标可以包括但不限于：店铺数量、商家GMV(商品交易总额)、商家UV(独立访客)数量、商家经营能力、用户评价、客服咨询、物流履约、售后服务、交易纠纷、和低效商品占比等等相关的指标。

类似的，标签包括分层指标值组，分层指标值组也可以是多维向量，每个维度对应一个分层指标的值。作为示例，用Y表示分层指标值组，Y＝{r₁，r₂，r₃，r₄，r₅}，其中，r₁-r₅表示5个分层指标的值。

实践中，上述训练样本集可以是直接生成的，也可以是通过数据增强的方式在原始训练样本集的基础上进一步生成的。

在一些实施例的一些可选的实现方式中，训练样本集是通过以下步骤生成的：获取原始训练样本集；对于原始训练样本集中预设比例的训练样本添加掩码，得到掩码训练样本；将掩码训练样本加入原始训练样本集，得到训练样本集。作为示例，可以将10％的训练样本添加掩码。例如，可以将X或Y中若干维度的值替换为随机值或者该维度的均值，从而得到掩码训练样本。

在一些实施例的一些可选的实现方式中，训练样本集是通过以下步骤生成的：根据预设的多个分层因子和每个分层因子对应的权重，确定虚拟站点集中每个虚拟站点的评分；根据每个虚拟站点的评分，对虚拟站点集进行分层，得到分层结果，分层结果包括多个层级，每个层级包括多个虚拟站点；根据分层结果，确定观测指标组和分层指标组。根据观测指标组、分层指标组和所述虚拟站点集，生成训练样本集。其中，分层因子可以是销售规模、经营效率、用户体验、品类丰富度等。这些分层因子对应的权重可以根据实际需要进行设置。一般的，每个层级可以对应一定的评分区间，从而可以根据评分得到对应的分层，得到分层结果。其中，虚拟站点可以是平台中任一虚拟站点。虚拟站点集可以是平台中部分或全部虚拟站点组成的集合。实践中，由于平台中的虚拟站点或虚拟站点的各种指标值会不断的变化，因此，可以周期性或者不定期重新获取训练样本集并进行聚类，从而实现层级标签的动态更新。

可选的，可以设置每个层级的虚拟站点阈值，从而对每个层级的虚拟站点的数量进行约束。

步骤202，将训练样本集中各个训练样本的标签进行聚类，得到目标数量个簇，每个簇对应一个层级，每个簇的聚类中心作为对应层级的层级标签。

在一些实施例中，上述执行主体可以利用各种聚类算法，对各个训练样本的标签进行聚类。聚类算法可以包括：K-Means、基于密度的算法、层次密度聚类等等。通过聚类，可以得到目标数量个簇，每个簇包括多个标签，同一个簇中的各个标签对应的训练样本可以认为属于同一层级，也就是说每个簇对应一个层级，目标数量个簇对应目标数量个簇。将每个簇的聚类中心，确定为该簇对应的层级的层级标签。从而实现层级标签的自动确定。实践中，随着训练样本或者指标的变化，层级标签也会随之动态更新。

步骤203，将训练样本的观测指标值组输入待训练模型，得到预测分类指标值组。

在一些实施例中，上述执行主体可以将训练样本的观测指标值输入待训练模型，得到预测分类指标值组。实践中，待训练模型可以是各种机器学习模型或者神经网络，可以根据需要进行确定。例如，可以是适用于多任务学习的CNN(卷积神经网络)、YOLOP(一种多任务学习模型)等。

步骤204，基于预测分类指标值组和层级标签之间的差异，调整待训练模型的参数。

在一些实施例中，上述执行主体可以确定预测分类指标预测分类指标值组和层级标签之间的差异，例如，可以利用L1损失函数确定预测分类指标值组和层级标签之间的差异。在此基础上，可以利用反向传播、随机梯度下降等算法将调整待训练模型的参数。

在此基础上，经过若干次迭代，直至满足训练结束条件(例如损失值小于预设阈值)，得到虚拟站点层级信息生成模型。

在一些实施例中，训练得到的虚拟站点层级信息生成模型，用于生成分层指标值，为虚拟站点的分层提供了基础，避免了人工筛选带来的主观误差，提高了准确性。其中，通过将分层指标值组作为标签，与直接将层级作为标签相比，标签的粒度更细，提高了标签的信息量，有助于实现更加准确的分层。另外，通过将各个训练样本的标签进行聚类，进而得到层级的层级标签，从而在实现自动确定层级标签。

进一步参考图3，其示出了虚拟站点层级信息生成模型的训练方法的另一些实施例的流程300。该虚拟站点层级信息生成模型的训练方法的流程300，包括以下步骤：

步骤301，获取训练样本集，训练样本集中的训练样本包括虚拟站点的观测指标值组和虚拟站点的标签，标签包括分层指标值组。

其中，步骤301的具体实现及其所带来的技术效果，可以参考图2对应的那些实施例，在此不再赘述。

步骤302，分别对观测指标值组和分层指标值组进行编码，得到编码观测指标值组和编码分层指标值组。

在一些实施例中，虚拟站点层级信息生成模型的训练方法的执行主体可以利用编码算子对观测指标值组和分层指标值组进行编码。实践中，编码算子可以根据实际需要进行选取，例如Unicode、UTF-8等。

步骤303，将各个训练样本对应的编码分层指标值组进行聚类，得到目标数量个簇。

步骤304，分别对编码观测指标值组和编码分层指标值组进行降维，得到降维观测指标值组和降维层级标签。

在一些实施例中，作为示例，上述执行主体可以通过最小冗余最大相关性mRMR对编码观测指标值组和编码分层指标值组进行降维，以用最小数量的特征表达最大信息，从而在去除噪声的同时保证信息量。

步骤305，将训练样本的降维观测指标值组输入待训练模型，得到预测分类指标值组。

步骤306，基于预测分类指标值组和降维层级标签之间的差异，调整待训练模型的参数。

在一些实施例中，步骤305-306的具体实现及其所带来的技术效果，可以参考图2对应的那些实施例，在此不再赘述。

需要说明的是，步骤303与步骤304的顺序，可以根据实际需要进行调换，例如，也可以先进行聚类、再进行编码。

从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的虚拟站点层级信息生成模型的训练方法的流程300增加了编码、降维步骤。其中，进行编码可以将观测指标值组和分层指标值组映射至同一语义空间。在此基础上，通过降维流程，可以减少特征维度，加快处理速度。

进一步参考图4，示出了本公开的一些实施例的虚拟站点层级信息生成模型的训练方法的一个应用场景的示意图。

如图所示，训练样本集中的训练样本包括X和Y。作为示例，X＝{f₁，f₂，f₃，f₄，f₅，f₆，f₇，f₈，f₉，f₁₀}，Y＝{r₁，r₂，r₃，r₄，r₅}。在此基础上，对于X和Y进行编码，得到编码观测指标值组P_x和编码分层指标值组P_y。之后，可以对各个样本中的编码分层指标值组进行聚类，即对多个P_y进行聚类，得到目标数量个簇，每个簇对应一个层级，每个簇的聚类中心作为对应层级的层级标签。由于编码后的P_x和P_y维度较大，不同维度之间互信息往往较大，因此，可以利用通过最小冗余最大相关性mRMR分别对编码观测指标值组和编码分层指标值组进行降维，得到降维观测指标值组S_x和降维层级标签S_y。此时，对应的最大信息分别是I[Sx]和I[Sy]。在此基础上，将训练样本的降维观测指标值组Sx输入待训练模型，得到预测分类指标值组Sw。基于预测分类指标值组Sw和降维层级标签Sy之间的差异，即D[Sy，Sw]，调整待训练模型的参数。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种虚拟站点层级信息生成装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，一些实施例的虚拟站点层级信息生成模型的训练装置500包括：获取单元501、预测单元502和生成单元503。其中，获取单元501被配置成获取目标虚拟站点的观测指标值组。预测单元502被配置成将观测指标值组输入预先训练的虚拟站点层级信息生成模型，得到目标虚拟站点的分层指标值组，其中，虚拟站点层级信息生成模型是以虚拟站点的观测指标值组作为输入，以虚拟站点对应的层级标签作为期望输出训练得到的。生成单元503被配置成基于分层指标值组，生成目标虚拟站点的层级信息。

可以理解的是，该装置500中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标虚拟站点的观测指标值组；将观测指标值组输入预先训练的虚拟站点层级信息生成模型，得到目标虚拟站点的分层指标值组其中，虚拟站点层级信息生成模型是以虚拟站点的观测指标值组作为输入，以虚拟站点对应的层级标签作为期望输出训练得到的；基于分层指标值组，生成目标虚拟站点的层级信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、预测单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标虚拟站点的观测指标值组的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。

本公开的一些实施例还提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的任一种层级信息生成模型的训练方法、层级信息生成方法。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种虚拟站点层级信息生成方法，包括：

获取目标虚拟站点的观测指标值组；

将所述观测指标值组输入预先训练的虚拟站点层级信息生成模型，得到所述目标虚拟站点的分层指标值组，其中，所述虚拟站点层级信息生成模型是以虚拟站点的观测指标值组作为输入，以所述虚拟站点对应的层级标签作为期望输出训练得到的；

基于所述分层指标值组，生成所述目标虚拟站点的层级信息。

2.根据权利要求1所述的方法，其中，所述虚拟站点层级信息生成模型是通过以下步骤训练得到的：

获取训练样本集，所述训练样本集中的训练样本包括虚拟站点的观测指标值组和所述虚拟站点的标签，所述标签包括分层指标值组；

将所述训练样本集中各个训练样本的标签进行聚类，得到目标数量个簇，每个簇对应一个层级，每个簇的聚类中心作为对应层级的层级标签；

将所述训练样本的观测指标值组输入待训练模型，得到预测分类指标值组；

基于所述预测分类指标值组和所述层级标签之间的差异，调整所述待训练模型的参数。

3.根据权利要求2所述的方法，其中，在所述将所述训练样本的观测指标值组输入待训练模型之前，所述方法还包括：

分别对所述观测指标值组和所述层级标签进行降维，得到降维观测指标值组和降维层级标签；以及

所述将所述训练样本的观测指标值组输入待训练模型，得到预测分类指标值组，包括：

将所述训练样本的降维观测指标值组输入待训练模型，得到预测分类指标值组；以及

所述基于所述预测分类指标值组和所述层级标签之间的差异，调整所述待训练模型的参数，包括：

基于所述预测分类指标值组和所述降维层级标签之间的差异，调整所述待训练模型的参数。

4.根据权利要求3所述的方法，其中，在所述将所述训练样本集中各个训练样本的标签进行聚类之前，所述方法还包括：

分别对所述观测指标值组和所述分层指标值组进行编码，得到编码观测指标值组和编码分层指标值组；以及

所述将所述训练样本集中各个训练样本的标签进行聚类，得到目标数量个簇，包括：

将所述各个训练样本对应的编码分层指标值组进行聚类，得到目标数量个簇；以及

所述分别对所述观测指标值组和所述层级标签进行降维，得到降维观测指标值组和降维层级标签，包括：

分别对所述编码观测指标值组和所述编码分层指标值组进行降维，得到降维观测指标值组和降维层级标签。

5.根据权利要求2所述的方法，其中，所述训练样本集是通过以下步骤生成的：

获取原始训练样本集；

对于所述原始训练样本集中预设比例的训练样本添加掩码，得到掩码训练样本；

将所述掩码训练样本加入所述原始训练样本集，得到所述训练样本集。

6.根据权利要求2所述的方法，其中，所述训练样本集是通过以下步骤生成的：

根据预设的多个分层因子和每个分层因子对应的权重，确定虚拟站点集中每个虚拟站点的评分；

根据所述每个虚拟站点的评分，对所述虚拟站点集进行分层，得到分层结果，所述分层结果包括多个层级，每个层级包括多个虚拟站点；

根据所述分层结果，确定观测指标组和分层指标组；

根据所述观测指标组、所述分层指标组和所述虚拟站点集，生成所述训练样本集。

7.一种虚拟站点层级信息生成装置，包括：

获取单元，被配置成获取目标虚拟站点的观测指标值组；

预测单元，被配置成将所述观测指标值组输入预先训练的虚拟站点层级信息生成模型，得到所述目标虚拟站点的分层指标值组，其中，所述虚拟站点层级信息生成模型是以虚拟站点的观测指标值组作为输入，以所述虚拟站点对应的层级标签作为期望输出训练得到的；

生成单元，被配置成基于所述分层指标值组，生成所述目标虚拟站点的层级信息。

8.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

9.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。

10.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。