CN103309885B - 一种在电子交易平台中识别特征用户的方法及装置和搜索方法及装置 - Google Patents
一种在电子交易平台中识别特征用户的方法及装置和搜索方法及装置 Download PDFInfo
- Publication number
- CN103309885B CN103309885B CN201210065665.1A CN201210065665A CN103309885B CN 103309885 B CN103309885 B CN 103309885B CN 201210065665 A CN201210065665 A CN 201210065665A CN 103309885 B CN103309885 B CN 103309885B
- Authority
- CN
- China
- Prior art keywords
- user
- buyer
- seller
- attribute
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种在电子交易平台中识别特征用户的方法和装置。所述电子交易平台中的部分或全部用户具备第一属性和所述第一属性的初始第一特征子参数、以及第二属性和所述第二属性的初始第二特征子参数;至少一部分所述用户之间存在关联关系;所述方法包括:步骤a、依据各用户的第一属性所关联的用户的第二特征子参数X,计算各用户的第一特征子参数Y;步骤b、依据各用户的第二属性所关联的用户的第一特征子参数Y,计算各用户的第二特征子参数X;按照第一特征子参数Y或第二特征子参数X,提取预设个数的用户作为特征用户。本申请可以使识别出的特征用户参与虚假交易的严重程度更接近真实情况,避免虚假交易,提高网络购物的交易安全。
Description
技术领域
本申请涉及交易信息处理领域,特别是涉及一种在电子交易平台中识别特征用户的方法及搜索方法,以及一种在电子交易平台中识别特征用户的装置及搜索装置。
背景技术
随着互联网的飞速发展,电子商务在整个商业领域的地位越来越重要。以交易记录为核心的诚信体系是现代网购市场的基础,虚假交易会严重破坏整个网购行业的健康有序的发展。如何识别出参与虚假交易比较严重的卖家成为一个越来越重要的课题。
目前已有的评估某个卖家参与虚假交易严重程度的方法是,根据已识别出来的参与虚假交易的买家数据,计算某个卖家在过去一段时间内有过交易行为的所有买家的数量和这些买家中属于虚假交易买家的数量,然后根据虚假交易买家数与所有买家数的比例,再根据这个0到1之间的比例值,去评估这个卖家参与虚假交易的严重程度,分数越高,表示越严重,然后将评分符合预设条件的用户作为特征用户。
以上现有技术中存在的问题是:
现有的只看虚假交易买家与所有买家的比例值,并不能有效反应真实情况。例如,卖家A的所有买家数为1,虚假交易买家数为1,虚假交易的比值为1。卖家B的所有买家数为10,虚假交易买家数为8,虚假交易的比值为0.8。根据原有方法,卖家A参与虚假交易的严重程度要高于卖家B,但是,考虑到虚假交易买家的数量,卖家B参与虚假交易的严重程度应该比卖家A更严重,并不符合真实情况。用户搜索相应商品的卖家的时候,依据虚假交易卖家分并不能识别出真正参与虚假交易比较严重的卖家,从而给用户的网上购物带来了一定的风险。
因此,目前需要本领域技术人员解决的一个技术问题就是,提供一种在电子交易平台中识别特征用户的方法,使得识别出的特征用户参与虚假交易的严重程度更接近真实情况,避免虚假交易,提高网络购物的交易安全。
发明内容
本申请提供一种在电子交易平台中识别特征用户的方法,使得识别出的特征用户参与虚假交易的严重程度更接近真实情况。
本申请还提供了一种在电子交易平台中识别特征用户的装置,用以保证上述方法在实际中的应用及实现。
为了解决上述问题,本申请公开了一种在电子交易平台中识别特征用户的方法,所述电子交易平台中的部分或全部用户具备第一属性和所述第一属性的初始第一特征子参数、以及第二属性和所述第二属性的初始第二特征子参数;至少一部分所述用户之间存在关联关系;所述方法包括:
步骤a、依据各用户的第一属性所关联的用户的第二特征子参数X,计算各用户的第一特征子参数Y;
步骤b、依据各用户的第二属性所关联的用户的第一特征子参数Y,计算各用户的第二特征子参数X;
按照第一特征子参数Y或第二特征子参数X,提取预设个数的用户作为特征用户。
优选的,步骤a和步骤b中所述计算为迭代计算,所述方法还包括:
将各用户的第二特征子参数X引入步骤a,进行迭代处理,直至满足预设条件。
优选的,所述预设条件为,进行迭代的次数大于第一预设阈值。
优选的,所述预设条件为,各用户的第N次迭代的第一特征子参数Y与第N-1次迭代的第一特征子参数Y之间的统计差值小于第二预设阈值,其中,N大于1。
优选的,所述预设条件为,各用户的第N次迭代的第二特征子参数X与第N-1次迭代的第二特征子参数X之间的统计差值小于第三预设阈值,其中,N大于1。
优选的,所述初始第一特征子参数均为0,通过以下步骤为各用户设定初始第二特征子参数X:
针对各个用户,在预置的虚假交易数据库中进行搜索;
若在所述虚假交易数据库中存在该用户,则设定该用户的第二特征子参数X为m,其中,m为正数;
若不存在该用户,则设定该用户的第二特征子参数X为0。
优选的,所述第一属性为卖家,所述第一特征子参数为卖家参与虚假交易严重程度的评分,所述各用户的第一属性所关联的用户为,与具备第一属性的当前各用户发生交易关系的具备第二属性的用户;
所述第二属性为买家,所述第二特征子参数为买家参与虚假交易严重程度的评分,所述各用户的第二属性所关联的用户为,与具备第二属性的当前各用户发生交易关系的具备第一属性的用户;
所述第一属性所关联的用户,和第二属性所关联的用户,在预置的交易数据库中搜索,所述交易数据库包含各次交易中的发生交易关系的具备第一属性的用户和具备第二属性的用户。
本申请还提供了另一种在电子交易平台中识别特征用户的方法,所述电子交易平台中的部分或全部用户具备卖家属性和所述卖家属性的初始卖家分、以及买家属性和所述买家属性的初始买家分;至少一部分所述用户之间存在关联关系,所述方法包括:
步骤a、提取当前各用户卖家属性所关联用户的买家属性所对应的买家分X,计算所述卖家属性所关联用户的买家分X的加权平均值与第一平衡参数之积,得到卖家分Y,所述第一平衡参数与关联用户的个数相对应;
步骤b、提取当前各用户买家属性所关联用户的卖家属性所对应的卖家分Y,计算所述买家属性所关联用户的卖家分Y的加权平均值与第二平衡参数之积,得到买家分X,所述第一平衡参数与卖家属性所关联用户的个数相对应;
将各用户的买家分X引入步骤a,进行迭代处理,直至迭代次数满足大于第一预设阈值,或各用户的第N次与第N-1次迭代的卖家分Y的统计差值小于第二预设阈值,或各用户的第N次与第N-1次迭代的买家分X的统计差值小于第三预设阈值,其中,N大于1;
按照卖家分Y或买家分X,提取预设个数的用户作为特征用户。
本申请还提供了另一种在电子交易平台中识别特征用户的方法,所述电子交易平台中的部分或全部用户具备卖家属性和所述卖家属性的初始卖家分、以及买家属性和所述买家属性的初始买家分;至少一部分所述用户之间存在关联关系,所述方法包括:
步骤a、依据计算各用户的卖家分,其中,Si为n个用户中用户i的卖家分,Bj为用户i作为卖家所关联的买家j的买家分,E为存放买家和卖家对应关系的交易数据库,Sdegreei为用户i对应的买家j的个数,f(Sdegreei)为与关联买家个数相对应的第一平衡参数,其中,n大于或等于1;
步骤b、依据计算各用户的买家分,其中,Bi为n个用户中用户i的买家分,Sj为用户i作为买家所关联的卖家j的卖家分,E为存放买家和卖家对应关系的交易数据库,Bdegreei为用户i对应的卖家j的个数,f(Bdegreei)为与关联卖家个数相对应的第二平衡参数;
将各用户的买家分Bi引入步骤a,进行迭代处理,直至迭代次数满足大于第一预设阈值,或各用户的第N次与第N-1次迭代的卖家分Sj的统计差值小于第二预设阈值,或各用户的第N次与第N-1次迭代的买家分Bi的统计差值小于第三预设阈值,其中,N大于1;
按照卖家分Sj或买家分Bi,提取预设个数的用户作为特征用户。
本申请还提供了一种在电子交易平台中的搜索方法,所述方法包括:
接收用户的搜索请求;
将与搜索请求匹配的信息返回;
其中,所述返回信息中包括卖家信息并参考所述第一特征子参数,所述第一特征子参数通过上述任一种在电子交易平台中识别特征用户的方法计算得到。
优选的,所述第一特征子参数为卖家分,通过以下步骤参考所述第一特征子参数:
将各卖家的卖家分值按照从小到大排序;
将排序靠前的至少1个卖家的商品信息返回给用户。
优选的,所述第一特征子参数为卖家分,通过以下步骤参考所述第一特征子参数:
过滤卖家分值大于第四预设阈值的卖家;
将过滤后剩余的卖家的商品信息返回给用户。
本申请还提供了一种在电子交易平台中识别特征用户的装置,所述电子交易平台中的部分或全部用户具备第一属性和所述第一属性的初始第一特征子参数、以及第二属性和所述第二属性的初始第二特征子参数;至少一部分所述用户之间存在关联关系;所述装置包括:
第一特征子参数计算模块,用于依据各用户的第一属性所关联的用户的第二特征子参数X,计算各用户的第一特征子参数Y;
第二特征子参数计算模块,用于依据各用户的第二属性所关联的用户的第一特征子参数Y,计算各用户的第二特征子参数X;
特征用户提取模块,用于按照第一特征子参数Y或第二特征子参数X,提取预设个数的用户作为特征用户。
优选的,第一特征子参数计算模块和第二特征子参数计算模块中所述计算为迭代计算,所述装置还包括:
迭代模块,用于将各用户的第二特征子参数X引入第一特征子参数计算模块,进行迭代处理,直至满足预设条件。
本申请还提供了一种在电子交易平台中识别特征用户的装置,所述电子交易平台中的部分或全部用户具备卖家属性和所述卖家属性的初始卖家分、以及买家属性和所述买家属性的初始买家分;至少一部分所述用户之间存在关联关系,所述装置包括:
卖家分计算模块,用于提取当前各用户卖家属性所关联用户的买家属性所对应的买家分X,计算所述卖家属性所关联用户的买家分X的加权平均值与第一平衡参数之积,得到卖家分Y,所述第一平衡参数与卖家属性所关联用户的个数相对应;
买家分计算模块,用于提取当前各用户买家属性所关联用户的卖家属性所对应的卖家分Y,计算所述买家属性所关联用户的卖家分Y的加权平均值与第二平衡参数之积,得到买家分X,所述第二平衡参数与买家属性所关联用户的个数相对应;
迭代模块,用于将各用户的买家分X引入步骤a,进行迭代处理,直至迭代次数满足大于第一预设阈值,或各用户的第N次与第N-1次迭代的卖家分Y的统计差值小于第二预设阈值,或各用户的第N次与第N-1次迭代的买家分X的统计差值小于第三预设阈值,其中,N大于1;
特征用户提取模块,用于按照卖家分Y或买家分X,提取预设个数的用户作为特征用户。
本申请还提供了一种在电子交易平台中识别特征用户的装置,所述电子交易平台中的部分或全部用户具备卖家属性和所述卖家属性的初始卖家分、以及买家属性和所述买家属性的初始买家分;至少一部分所述用户之间存在关联关系,所述装置包括:
卖家分计算模块,用于依据计算各用户的卖家分,其中,Si为n个用户中用户i的卖家分,Bj为用户i作为卖家所关联的买家j的买家分,E为存放买家和卖家对应关系的交易数据库,Sdegreei为用户i对应的买家j的个数,f(Sdegreei)为与关联买家个数相对应的第一平衡参数,其中,n大于或等于1;
买家分计算模块,用于依据计算各用户的买家分,其中,Bi为n个用户中用户i的买家分,Sj为用户i作为买家所关联的卖家j的卖家分,E为存放买家和卖家对应关系的交易数据库,Bdegreei为用户i对应的卖家j的个数,f(Bdegreei)为与关联卖家个数相对应的第二平衡参数;
迭代模块,用于将各用户的买家分Bi引入步骤a,进行迭代处理,直至迭代次数满足大于第一预设阈值,或各用户的第N次与第N-1次迭代的卖家分Sj的统计差值小于第二预设阈值,或各用户的第N次与第N-1次迭代的买家分Bi的统计差值小于第三预设阈值,其中,N大于1;
特征用户提取模块,用于按照卖家分Sj或买家分Bi,提取预设个数的用户作为特征用户。
本申请还提供了一种在电子交易平台中的搜索装置,所述方法包括:
搜索请求接收模块,用于接收用户的搜索请求;
匹配信息返回模块,用于将与搜索请求匹配的信息返回;
其中,所述返回信息中包括卖家信息并参考所述第一特征子参数,所述第一特征子参数通过上述任一种在电子交易平台中识别特征用户的装置计算得到。
与现有技术相比,本申请具有以下优点:
依据已识别出的参与虚假交易的买家分,统计各卖家的参与虚假交易的卖家分,并依据得到的卖家分统计各用户的买家分,并进行多轮迭代,然后提取卖家分或买家分较大的用户作为特征用户。
与现有技术相比,首先,本申请在生成各用户的卖家分时,不仅考虑了参与虚假交易的买家的比例,还考虑了依据总体买家的数量设定相应的平衡参数和各买家的买家分,使得计算出的卖家分更加接近真实情况,进而使得识别出的特征用户参与虚假交易的严重程度更接近真实情况,依据识别出的特征用户,消费者在搜索相应商品卖家的时候,可以避免参与虚假交易,提高网络交易的安全性,节省了消费者识别卖家所花费的时间,提高了商品卖家推荐的准确性,减轻了服务器的负担和网络带宽的占用。
其次,本申请依据各卖家的卖家分计算相应买家的买家分,并进行多次迭代,将已识别的买家的数据扩散到未识别的买家和卖家上,不仅依据已识别出的虚假交易买家的分数对卖家做一个参与虚假交易行为可能性的一个评估,也对未识别的买家进行了评估,对现有数据进行了充分的利用,使卖家也可以依据识别出的特征用户,避免与参与虚假交易比较严重的买家进行交易。
附图说明
图1是本申请的一种在电子交易平台中识别特征用户的方法实施例1的流程图;
图2是本申请的一种在电子交易平台中识别特征用户的方法实施例2的流程图;
图3是本申请的一种在电子交易平台中的搜索方法实施例的流程图;
图4是本申请的一种在电子交易平台中识别特征用户的装置实施例1的结构框图;
图5是本申请的一种在电子交易平台中识别特征用户的装置实施例2的结构框图;
图6是本申请的一种在电子交易平台中的搜索装置实施例的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
网购中虚假交易的识别越来越重要,目前已有的识别参与虚假交易卖家的方法仅仅依据虚假交易买家与所有买家的比例值,来评估这个卖家参与虚假交易的严重程度,并不能反映卖家的真实情况,用户搜索相应商品的卖家的时候,依据虚假交易卖家分并不能识别出真正参与虚假交易比较严重的卖家,从而给用户的网上购物带来了一定的风险。
本申请的核心构思之一在于,依据已识别出的参与虚假交易的买家分,计算各卖家的卖家分,然后依据各个卖家的卖家分,计算相应买家的买家分,并进行多次迭代,使得识别出的特征用户参与虚假交易的严重程度更接近真实情况,避免虚假交易,提高网络购物的交易安全。
参考图1,其示出了本申请的一种在电子交易平台中识别特征用户的方法实施例1的流程图,具体可以包括以下步骤:
步骤101、依据各用户的第一属性所关联的用户的第二特征子参数X,计算各用户的第一特征子参数Y。
在本申请中,所述电子交易平台中的部分或全部用户具备第一属性和所述第一属性的初始第一特征子参数、以及第二属性和所述第二属性的初始第二特征子参数。
优选的,所述第一属性可以为卖家,所述第一特征子参数可以为卖家参与虚假交易严重程度的评分,所述当前各用户第一属性所关联的用户可以为,与具备第一属性的当前各用户发生交易关系的具备第二属性的用户。
相应的,所述第二属性可以为买家,所述第二特征子参数可以为买家参与虚假交易严重程度的评分,所述当前各用户第二属性所关联的用户可以为,与具备第二属性的当前各用户发生交易关系的具备第一属性的用户。
参与交易的双方分别具备卖家属性和买家属性,在电子交易平台中,依据各用户在交易中的角色的不同,用户可以具备卖家属性和买家属性,也即是,各用户均可以作为卖家和买家,作为卖家的时候有相应的卖家分,作为买家的时候有相应的买家分。
在电子交易平台中,至少一部分所述用户之间存在关联关系,其中,所述第一属性所关联的用户,和第二属性所关联的用户,可以在预置的交易数据库中搜索,所述交易数据库包含了各次交易中的发生交易关系的具备第一属性的用户和具备第二属性的用户。
所述用户的第一属性所关联的用户为,与具备卖家属性的当前各用户发生交易关系的具备买家属性的用户,可以理解为当前用户作为卖家时对应的买家。每笔交易对应的买家和卖家以及交易关系都会记录到预置的交易数据库中,可以在交易数据库中搜索各用户作为买家时对应的卖家,以及作为卖家时对应的买家。相关服务器可周期性的(比如每天)把数据导入到该数据库中。
优选的,可以通过以下子步骤来计算各用户的第一特征子参数Y,即卖家分Y:
子步骤S11、提取当前各用户卖家属性所关联用户的买家属性所对应的买家分X;
子步骤S12、计算所述卖家属性所关联用户的买家分X的加权平均值与第一平衡参数之积,得到卖家分Y,所述第一平衡参数与卖家属性所关联用户的个数相对应。
进一步优选的,可以采用以下公式进行上述计算各用户的卖家分:
其中,Si为n个用户中用户i的卖家分,Bj为用户i作为卖家所关联的买家j的买家分,E为存放买家和卖家对应关系的交易数据库,Sdegreei为用户i对应的买家j的个数,f(Sdegreei)为与关联买家个数相对应的第一平衡参数,其中,n大于或等于1。
区别于现有技术,本申请在统计用户的第一特征子参数即卖家分时,不仅考虑了其关联用户的第二特征子参数,即对应买家的买家分,还考虑了对应的关联用户的个数,针对不同个数的关联用户,设定相应的第一平衡参数,将关联用户的第二特征子参数的加权平均值与第一平衡参数的积,作为当前用户的第一特征子参数。设定第一平衡参数的目的是为了在虚假买家数和虚假买家比例之间做一个权衡。具体数值可以根据具体情况作相关调整。例如,设定买家个数(f(Sdegree))和第一平衡参数(Sdegree)的映射关系为,Sdegree=1,f(Sdegree)=1/3;Sdegree=2,f(Sdegree)=1/2;Sdegree>2,f(Sdegree)=1。当一个卖家A对应的总买家数为1,虚假交易买家数为1,虚假交易买家比例为1,与一个卖家B对应的总买家数为3,虚假交易买家数为1,虚假交易买家比例为1/3,这两个卖家的参与虚假交易的严重比例是等价的。
在具体的实现中,所述初始第一特征子参数可以均设置为0,可以通过以下步骤为各用户设定初始第二特征子参数X:
子步骤S11、针对各个用户,在预置的虚假交易数据库中进行搜索;
子步骤S12、若在所述虚假交易数据库中存在该用户,则设定该用户的第二特征子参数X为m,其中m为正数;若不存在该用户,则设定该用户的第二特征子参数X为0。
预置的虚假交易数据库中包括了多个以买家属性参与过虚假交易的用户,即参与过虚假交易的买家。可以通过分析在买家的交易过程中,是否出现一些异于正常交易行为的特征,来识别虚假交易买家。例如,购买实体货物后,卖家刚发出货物,买家就确认已收货;买家以远低于正常的价格购买商品(例如1000元的手机,卖家在后台修改价格,以1元钱的价格卖给买家);买家后台发现有大量同IP买家购买同一商品等。在具体的实现中,可以由数据评测专家评测买家的交易行为,或通过对买家的交易数据进行处理和识别得到一批参与虚假交易的买家集合。
针对各用户在虚假交易数据库中进行搜索,若存在该用户,则说明该用户曾经以买家的身份参与过虚假交易,可以将其第二特征子参数设定为n(n为正数,例如1),若不存在,可以将该用户的第二特征子参数设定为0,以区别参与过虚假交易和未参与过虚假交易的买家。
步骤102、依据各用户的第二属性所关联的用户的第一特征子参数Y,计算各用户的第二特征子参数X。
优选的,可以通过以下子步骤来计算各用户的第二特征子参数X,即买家分X。
子步骤S31、提取当前各用户买家属性所关联用户的卖家属性所对应的卖家分Y;
子步骤S32、计算所述买家属性所关联用户的卖家分Y的加权平均值与第二平衡参数之积,得到买家分X,所述第二平衡参数与买家属性所关联用户的个数相对应。
进一步优选的,可以依据以下公式进行上述计算各用户的买家分:
其中,Bi为n个用户中用户i的买家分,Sj为用户i作为买家所关联的卖家j的卖家分,E为存放买家和卖家对应关系的交易数据库,Bdegreei为用户i对应的卖家j的个数,f(Bdegreei)为与关联卖家个数相对应的第二平衡参数,其中,n大于或等于1。
在具体的实现中,所述当前各用户买家属性所关联的用户可以为,与具备买家属性的当前各用户发生交易关系的具备卖家属性的用户。
在步骤101中已统计了各用户卖家属性对应的第一特征子参数,即各用户作为卖家的卖家分,本步骤中可以依据与具备买家属性的当前各用户发生交易关系的具备卖家属性的用户的第一特征子参数,统计各用户的第二特征子参数,即依据各用户作为买家时对应卖家的卖家分,统计各用户的买家分。不仅得到了各用户作为卖家的卖家分,还对各用户作为买家时参与虚假交易的可能性进行评估,得到各用户作为买家时参与虚假交易的买家分。
具体的,可以在交易数据库中提取各用户作为买家时所对应的卖家,统计对应卖家的个数,此处,针对不同的卖家个数设定相应的第二平衡参数,在虚假卖家数和虚假卖家比例之间做一个平衡,将关联用户的卖家分的加权平均值与第二平衡参数的积,作为当前用户的买家分。例如,可以设定卖家个数(f(Bdegree))和第二平衡参数(Bdegree)的映射关系为,Bdegree=1,f(Bdegree)=1/3;Bdegree=2,f(Bdegree)=1/2;Bdegree>2,f(Bdegree)=1。
步骤103、按照第一特征子参数Y或第二特征子参数X,提取预设个数的用户作为特征用户。
具体的,可以将第一特征子参数或第二特征子参数分别按照从大到小的顺序进行排序,依据排序提取预设个数的用户作为特征用户,其中包括了第一特征子参数(即卖家分)较大的用户或第二特征子参数(即买家分)较大的用户。提取特征用户之后,可以对特征用户进行一定的处罚或是将特征用户的名单进行公布等处理。
参考图2,其示出了本申请的一种在电子交易平台中识别特征用户的方法实施例2的流程图,所述电子交易平台中的部分或全部用户具备第一属性和所述第一属性的初始第一特征子参数、以及第二属性和所述第二属性的初始第二特征子参数;至少一部分所述用户之间存在关联关系;具体可以包括以下步骤:
步骤201、依据各用户的第一属性所关联的用户的第二特征子参数X,计算各用户的第一特征子参数Y;
步骤202、依据各用户的第二属性所关联的用户的第一特征子参数Y,计算各用户的第二特征子参数X;
步骤203、将各用户的第二特征子参数X引入步骤201,进行迭代处理,直至满足预设条件。
与上个实施例不同的是,在本实施例中,步骤101和步骤102中的计算为迭代计算,迭代计算直至满足预设条件时终止。
本实施例中,所述方法的各个步骤按照预设次数循环执行,通过对第一特征子参数和第二特征子参数的多次迭代统计,使得识别出来的参与虚假交易的买家信息通过多轮迭代影响到未识别出的参与虚假交易买家和卖家。
在本申请的一种优选实施例中,所述预设条件可以为,进行迭代的次数大于第一预设阈值。
在本申请的另一种优选实施例中,所述预设条件可以为,各用户的第N次迭代的第一特征子参数Y与第N-1次迭代的第一特征子参数Y之间的统计差值小于第二预设阈值,其中,N大于1。
或,所述预设条件可以为,各用户的第N次迭代的第二特征子参数X与第N-1次迭代的第二特征子参数X之间的统计差值小于第三预设阈值,其中,N大于1。
与上个实施例不同之处在于,本实施例中依据迭代次数、或本次计算的第一或第二特征子参数与上次计算的特征子参数的差值来判断是否需要继续循环执行各个步骤。
具体的,各用户的第N次迭代的第一特征子参数Y与第N-1次迭代的第一特征子参数Y之间的统计差值可以为,当次计算的第一特征子参数与上一次计算的第一特征子参数的差值的绝对值之和;各用户的第N次迭代的第二特征子参数X与第N-1次迭代的第二特征子参数X之间的统计差值可以为,当次计算的第二特征子参数与上次计算的第二特征子参数的差值绝对值之和。在具体的实现中,可以依据实际需要设置预设条件。
步骤204、按照第一特征子参数Y或第二特征子参数X,提取预设个数的用户作为特征用户。
参考图3,其示出了本申请的一种在电子交易平台中的搜索方法实施例的流程图,具体可以包括以下步骤:
步骤301、接收用户的搜索请求;
步骤302、将与搜索请求匹配的信息返回。
用户提交搜索请求要求返回搜索信息,服务器接收到搜索请求后将会返回与搜索请求匹配的结果,在本申请中,所述返回信息中包括卖家信息。同时,为避免消费者参与到虚假交易中,对于初步搜索结果,要过滤掉其中参与虚假交易比较严重的卖家,本申请中,将卖家的第一特诊子参数作为主要参考因素,所述返回信息已经参考实施例1或实施例2中所述第一特征子参数,所述第一特征子参数通过实施例1或实施例2所述方法计算得到。
在本实施例中,所述第一特征子参数为卖家分,卖家分表示卖家参与虚假交易严重程度,卖家分越高,用户作为卖家参与虚假交易的严重程度越高。
在本申请的一种优选示例中,可以通过以下子步骤参考所述第一特征子参数:
子步骤S41、将各卖家的卖家分值按照从小到大排序;
子步骤S42、将排序靠前的至少1个卖家的商品信息返回给用户。
在本申请的另一种优选示例中,可以通过以下子步骤参考所述第一特征子参数:
子步骤S51、过滤卖家分值大于第四预设阈值的卖家;
子步骤S52、将过滤后剩余的卖家的商品信息返回给用户。
服务器依据用户搜索请求搜索了相应的卖家信息后,还需要参考各卖家的卖家分值对卖家进行过滤。在本示例中,可以将初步搜索得到的卖家的卖家分值进行排序,将卖家分值从小到大的至少一个卖家的商品信息返回给用户。在另一种优选示例中,也可以设定一个预设阈值,将卖家分值大于预设阈值的卖家过滤掉,剩余的卖家作为最终结果,将相应的商品信息返回给用户。
为使本领域技术人员更好地理解本申请,以下通过一个具体的例子说明在电子交易平台中如何在电子交易平台中进行搜索的。
某消费者需要购买一台电脑,在某购物网站的搜索栏输入“电脑”,服务器接收到搜索请求后,在预置的卖家数据库中搜索出销售电脑的卖家A、B、C、D、E和F,并作为初步搜索结果。
卖家A、B、C、D、E和F的卖家分的大小可以在预置的卖家分数据库中查到。
卖家参数数据库中保存了购物网站所有用户的卖家分,通过以下步骤预置卖家分数据库:
首先,预置虚假交易数据库和交易数据库,交易数据库中存放了每笔交易中的买家和卖家,及其交易关系。虚假交易数据库通过对买家的交易行为评测得到的一批虚假交易买家集合。
网站的各用户具备买家属性和卖家属性,针对各用户设定虚假交易分数对,包括买家分和卖家分,对于用户i,其分数对可以表示为(Bi,Si)。针对各用户在虚假交易数据库中进行搜索,若存在,说明该用户以买家身份参与过虚假交易,设定其买家分初始值为B0i=1,若不存在,则设定为B0i=0。
然后,依据已经设定好的买家分B0i,计算各用户作为卖家的卖家分S1i;依据各用户的卖家分S1i,计算各用户的买家分B1i,并替代原来的买家分B1i,完成第一轮的计算后,依此进行多轮迭代计算。
在第K轮迭代中,计算卖家分时,针对作为卖家的用户i,在交易数据库中搜索其作为卖家时对应的买家j。然后统计对应买家的个数Sdegreei,然后依据Sdegreei提取相应的第一平衡参数f(Sdegreei),Sdegreei和f(Sdegreei)的对应关系如下:
然后,通过以下的公式计算第K轮迭代中卖家i的卖家分Ski,并将本轮得到的各用户的卖家分替换上一轮计算的卖家分。
其中,(j,i)∈E表示在交易数据库E中j作为买家与卖家i发生交易关系,Bk-1,j表示上一轮迭代中计算得到的j的买家分,Sdegreei是卖家i对应的买家j的个数,n为用户的总个数。
例如,用户a作为卖家时,对应的买家有3个,分别为b、c和d,Sdegreea=3,对应的f(Sdegreea)=1,在第3轮迭代中,B3,b=0,2,B3,c=0,3,B3,d=0,1。因此,在第4轮迭代中,Ska=(B3,b+B3,c+B3,d)*1/3=0.2。
按照上面的公式计算完n个用户的卖家分后,计算买家分时,针对作为买家的用户i,在交易数据库中搜索其作为买家时对应的卖家j。然后统计对应卖家的个数Bdegreei,然后依据Bdegreei提取相应的第二平衡常数f(Bdegreei),Bdegreei和f(Bdegreei)的对应关系如下:
然后,通过以下的公式计算第K轮迭代中买家i的买家分Bki,并将本轮得到的各用户的买家分替换上一轮计算的买家分。
其中,(j,i)∈E表示在交易数据库E中j作为卖家与买家i发生交易关系,Sk,j表示在本轮迭代中计算得到的j的卖家分,Bdegreei是买家i对应的卖家j的个数。
例如,用户e作为买家时,对应的卖家有2个,分别为f和g,Bdegreee=2,对应的f(Bdegreee)=1/2,在第7轮迭代中,S7,f=0,05,S7,g=0,15。因此,在第7轮迭代中,Ska=(S7,f+S7,g)*(1/2)/2=0.05。
当所有用户的买家分与上一轮计算的买家分的差值的绝对值之和小于某一预设值,或迭代计算的轮数大于预设次数,停止迭代,将本轮迭代的结果作为各用户最终的卖家分和买家分,然后依据各用户对应的卖家分建立卖家分数据库。
在本例中,得到了初步搜索结果后,在卖家分数据库中搜索A、B、C、D、E和F卖家分后,对这六个卖家的卖家分按照从大到小进行排序,然后将排序最后两位作为特征用户过滤掉,例如,卖家分大小排序为C>A>D>F>B>E,因此,将B和E作为参与虚假交易比较严重的特征用户过滤掉,将A、C、D和F作为最终的搜索结果,将其卖家信息返回给用户。
在本例计算卖家分和买家分的过程中,可以以向量的方式进行迭代计算。例如,当前用户包括G、H、I、J、K和L,在预置的虚假交易数据库中可以搜索到用户G、H、和I,因此设定G、H、和I的买家分为1,用户J、K和L的买家分为0,所有用户的买家分向量为B0=(1,1,1,0,0,0),该向量的每一维,对应某一个用户i的虚假交易买家分值,可以表示为Bi,0。各用户的卖家分的初始值可以设置为0,所有用户的卖家分向量为S0=(0,0,0,0,0,0),对应某一个用户i的虚假交易卖家分可以表示为Si,0。
然后,可以通过以下的公式,计算第K轮迭代中买家i的卖家分Ski,并替换上一轮计算的卖家分。
可以通过以下的公式,计算第K轮迭代中买家i的买家分Bki,并替换上一轮计算的买家分。
其中,各参数的含义如前述,迭代的终止条件是,本轮买家分向量与上一轮买家分向量的差值的1范数,即||Bk-Bk-1||1,小于某个阈值,或执行次数K大于预设次数。其中,1范数是将向量的每一维值先取绝对值,再全部相加。
综上所述,本申请提供了一种在电子交易平台中识别特征用户的方法,依据已识别出的参与虚假交易的买家分统计各卖家的参与虚假交易的卖家分,并依据得到的卖家分统计各用户的买家分,并进行多轮迭代,然后提取卖家分或买家分较大的用户作为特征用户。
与现有技术相比,首先,本申请在生成各用户的卖家分时,不仅考虑了参与虚假交易的买家的比例,还考虑了依据总体买家的数量设定相应的平衡参数和各买家的买家分,使得计算出的卖家分更加接近真实情况,进而使得识别出的特征用户参与虚假交易的严重程度更接近真实情况,依据识别出的特征用户,消费者在搜索相应商品卖家的时候,可以避免参与虚假交易,提高网络交易的安全性,节省了消费者识别卖家所花费的时间。
其次,本申请依据各卖家的卖家分计算相应买家的买家分,并进行多次迭代,将已识别的买家的数据扩散到未识别的买家和卖家上,不仅依据已识别出的虚假交易买家的分数对卖家做一个参与虚假交易行为可能性的一个评估,也对未识别的买家进行了评估,对现有数据进行了充分的利用,使卖家也可以依据识别出的特征用户,避免与参与虚假交易比较严重的买家进行交易。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
参考图4,其示出了本申请的一种在电子交易平台中识别特征用户的装置实施例的结构框图,所述电子交易平台中的部分或全部用户具备第一属性和所述第一属性的初始第一特征子参数、以及第二属性和所述第二属性的初始第二特征子参数;至少一部分所述用户之间存在关联关系;所述装置具体可以包括以下模块:
第一特征子参数生成模块401,用于依据各用户的第一属性所关联的用户的第二特征子参数X,计算各用户的第一特征子参数Y;
第二特征子参数生成模块402,用于依据各用户的第二属性所关联的用户的第一特征子参数Y,计算各用户的第二特征子参数X;
特征用户提取模块403,用于按照第一特征子参数Y或第二特征子参数X,提取预设个数的用户作为特征用户。
在本申请的一种优选实施例中,所述初始第一特征子参数可以均为0,可以通过以下子模块为各用户设定初始第二特征子参数X:
虚假交易数据库搜索子模块,用于针对各个用户,在预置的虚假交易数据库中进行搜索;
初始值设定子模块,用于若在所述虚假交易数据库中存在该用户,则设定该用户的第二特征子参数X为m,其中m为正数;若不存在该用户,则设定该用户的第二特征子参数X为0。
在本申请的一种优选实施例中,所述第一属性可以为卖家,所述第一特征子参数可以为卖家参与虚假交易严重程度的评分,所述当前各用户第一属性所关联的用户可以为,与具备第一属性的当前各用户发生交易关系的具备第二属性的用户;
所述第二属性可以为买家,所述第二特征子参数可以为买家参与虚假交易严重程度的评分,所述当前各用户第二属性所关联的用户可以为,与具备第二属性的当前各用户发生交易关系的具备第一属性的用户;
所述第一属性所关联的用户,和第二属性所关联的用户,可以在预置的交易数据库中搜索,所述交易数据库可以包含各次交易中的发生交易关系的具备第一属性的用户和具备第二属性的用户。
在本申请的一种优选实施例中,所述第一特征子参数生成模块401可以包括:
买家分提取子模块,用于提取当前各用户卖家属性所关联用户的买家属性所对应的买家分X;
第一计算子模块,用于计算所述卖家属性所关联用户的买家分X的加权平均值与第一平衡参数之积,得到卖家分Y,所述第一平衡参数与卖家属性所关联用户的个数相对应。
优选的,可以依据以下公式执行第一特征子参数生成模块401:
其中,Si为n个用户中用户i的卖家分,Bj为用户i作为卖家所关联的买家j的买家分,E为存放买家和卖家对应关系的交易数据库,Sdegreei为用户i对应的买家j的个数,f(Sdegreei)为与关联买家个数相对应的第一平衡参数,其中,n大于或等于1。
在本申请的一种优选实施例中,所述第二特征子参数生成模块402可以包括:
卖家分提取子模块,用于提取当前各用户买家属性所关联用户的卖家属性所对应的卖家分Y;
第二计算子模块,用于计算所述买家属性所关联用户的卖家分Y的加权平均值与第二平衡参数之积,得到买家分X,所述第二平衡参数与买家属性所关联用户的个数相对应。
优选的,可以依据以下公式执行第二特征子参数生成模块402:
其中,Bi为n个用户中用户i的买家分,Sj为用户i作为买家所关联的卖家j的卖家分,E为存放买家和卖家对应关系的交易数据库,Bdegreei为用户i对应的卖家j的个数,f(Bdegreei)为与关联卖家个数相对应的第二平衡参数,其中,n大于或等于1。
参考图5,其示出了本申请的一种在电子交易平台中识别特征用户的装置实施例2的结构框图,具体可以包括以下模块:
第一特征子参数生成模块501,用于依据各用户的第一属性所关联的用户的第二特征子参数X,计算各用户的第一特征子参数Y;
第二特征子参数生成模块502,用于依据各用户的第二属性所关联的用户的第一特征子参数Y,计算各用户的第二特征子参数X;
迭代模块503,用于将各用户的第二特征子参数X引入第一特征子参数生成模块501,进行迭代处理,直至满足预设条件。
与上个实施例不同的是,本实施例中,第一特征子参数计算模块和第二特征子参数计算模块中所述计算为迭代计算。
在本申请的一种优选示例中,所述预设条件可以为,进行迭代的次数大于第一预设阈值。
在本申请的另一种优选示例中,所述预设条件可以为,各用户的第N次迭代的第一特征子参数Y与第N-1次迭代的第一特征子参数Y之间的统计差值小于第二预设阈值,其中,N大于1。
在本申请的一种优选示例中,所述预设条件可以为,各用户的第N次迭代的第二特征子参数X与第N-1次迭代的第二特征子参数X之间的统计差值小于第三预设阈值,其中,N大于1。
第一特征用户提取模块504,用于按照第一特征子参数Y或第二特征子参数X,提取预设个数的用户作为特征用户。
参考图6,其示出了本申请的一种在电子交易平台中的搜索装置实施例的结构框图,具体可以包括以下模块:
搜索请求接收模块601,用于接收用户的搜索请求;
匹配信息返回模块602,用于将与搜索请求匹配的信息返回;
其中,所述返回信息中包括卖家信息并参考所述第一特征子参数,所述第一特征子参数通过实施例4或实施例5所述方法计算得到。
在本申请的一种优选实施例中,所述第一特征子参数可以为卖家分,通过以下子模块参考所述第一特征子参数:
排序子模块,用于将各卖家的卖家分值按照从小到大排序;
第一信息返回子模块,用于将排序靠前的至少1个卖家的商品信息返回给用户。
在本申请的另一种优选实施例中,通过以下子模块参考所述第一特征子参数:
过滤子模块,用于过滤卖家分值大于第四预设阈值的卖家;
第二信息返回子模块,用于将过滤后剩余的卖家的商品信息返回给用户。
由于所述装置实施例基本相应于前述图1、图2和图3所示的方法实施例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此就不赘述了。
本申请可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
最后,还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种在电子交易平台中识别特征用户的方法一种在电子交易平台中识别特征用户的装置,以及,一种在电子交易平台中的搜索的方法和一种在电子交易平台中的搜索装置,进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,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申请的限制。
Claims (14)
1.一种在电子交易平台中识别特征用户的方法,其特征在于,所述电子交易平台中的部分或全部用户具备第一属性和所述第一属性的初始第一特征子参数、以及第二属性和所述第二属性的初始第二特征子参数;至少一部分所述用户之间存在关联关系;所述方法包括:
步骤a、依据各用户的第一属性所关联的用户的第二特征子参数X,计算各用户的第一特征子参数Y,其中,所述第一特征子参数Y为第一属性的用户参与虚假交易严重程度的评分;所述第二特征子参数X为第二属性的用户参与虚假交易严重程度的评分;
步骤b、依据各用户的第二属性所关联的用户的第一特征子参数Y,计算各用户的第二特征子参数X;
将各用户的第二特征子参数X引入步骤a,进行迭代处理,直至满足预设条件;
按照第一特征子参数Y或第二特征子参数X,提取预设个数的用户作为特征用户;
所述初始第一特征子参数均为0,通过以下步骤为各用户设定初始第二特征子参数X:
针对各个用户,在预置的虚假交易数据库中进行搜索,其中,所述预置的虚假交易数据库中包括了多个以第二属性参与过虚假交易的用户;
若在所述虚假交易数据库中存在该用户,则设定该用户的第二特征子参数X为m,其中,m为正数;
若不存在该用户,则设定该用户的第二特征子参数X为0。
2.如权利要求1所述的方法,其特征在于,所述预设条件为,进行迭代的次数大于第一预设阈值。
3.如权利要求1所述的方法,其特征在于,所述预设条件为,各用户的第N次迭代的第一特征子参数Y与第N-1次迭代的第一特征子参数Y之间的统计差值小于第二预设阈值,其中,N大于1。
4.如权利要求1所述的方法,其特征在于,所述预设条件为,各用户的第N次迭代的第二特征子参数X与第N-1次迭代的第二特征子参数X之间的统计差值小于第三预设阈值,其中,N大于1。
5.如权利要求1所述的方法,其特征在于,所述第一属性为卖家,所述第一特征子参数为卖家参与虚假交易严重程度的评分,所述各用户的第一属性所关联的用户为,与具备第一属性的当前各用户发生交易关系的具备第二属性的用户;
所述第二属性为买家,所述第二特征子参数为买家参与虚假交易严重程度的评分,所述各用户的第二属性所关联的用户为,与具备第二属性的当前各用户发生交易关系的具备第一属性的用户;
所述第一属性所关联的用户,和第二属性所关联的用户,在预置的交易数据库中搜索,所述交易数据库包含各次交易中的发生交易关系的具备第一属性的用户和具备第二属性的用户。
6.一种在电子交易平台中识别特征用户的方法,其特征在于,所述电子交易平台中的部分或全部用户具备卖家属性和所述卖家属性的初始卖家分、以及买家属性和所述买家属性的初始买家分;至少一部分所述用户之间存在关联关系,所述方法包括:
步骤a、提取当前各用户卖家属性所关联用户的买家属性所对应的买家分X,计算所述卖家属性所关联用户的买家分X的加权平均值与第一平衡参数之积,得到卖家分Y,所述第一平衡参数与卖家属性所关联用户的个数相对应,其中,所述卖家分Y为卖家参与虚假交易严重程度的评分;所述买家分X为买家参与虚假交易严重程度的评分;
步骤b、提取当前各用户买家属性所关联用户的卖家属性所对应的卖家分Y,计算所述买家属性所关联用户的卖家分Y的加权平均值与第二平衡参数之积,得到买家分X,所述第二平衡参数与买家属性所关联用户的个数相对应;
将各用户的买家分X引入步骤a,进行迭代处理,直至迭代次数满足大于第一预设阈值,或各用户的第N次与第N-1次迭代的卖家分Y的统计差值小于第二预设阈值,或各用户的第N次与第N-1次迭代的买家分X的统计差值小于第三预设阈值,其中,N大于1;
按照卖家分Y或买家分X,提取预设个数的用户作为特征用户;
其中,所述初始卖家分为0,通过以下步骤为各用户设定初始买家分:
针对各个用户,在预置的虚假交易数据库中进行搜索,其中,所述预置的虚假交易数据库中包括了多个以买家属性参与过虚假交易的用户;
若在所述虚假交易数据库中存在该用户,则设定该用户的初始买家分为m,其中,m为正数;
若不存在该用户,则设定该用户的初始买家分为0。
7.一种在电子交易平台中识别特征用户的方法,其特征在于,所述电子交易平台中的部分或全部用户具备卖家属性和所述卖家属性的初始卖家分、以及买家属性和所述买家属性的初始买家分;至少一部分所述用户之间存在关联关系,所述方法包括:
步骤a、依据计算各用户的卖家分,其中,Si为n个用户中用户i的卖家分,Bj为用户i作为卖家所关联的买家j的买家分,E为存放买家和卖家对应关系的交易数据库,S degreei为用户i对应的买家j的个数,f(S degreei)为与关联买家个数相对应的第一平衡参数,其中,n大于或等于1,其中,所述卖家分为卖家参与虚假交易严重程度的评分;所述买家分为买家参与虚假交易严重程度的评分;
步骤b、依据计算各用户的买家分,其中,Bi为n个用户中用户i的买家分,Sj为用户i作为买家所关联的卖家j的卖家分,E为存放买家和卖家对应关系的交易数据库,B degreei为用户i对应的卖家j的个数,f(B degreei)为与关联卖家个数相对应的第二平衡参数;
将各用户的买家分Bi引入步骤a,进行迭代处理,直至迭代次数满足大于第一预设阈值,或各用户的第N次与第N-1次迭代的卖家分Sj的统计差值小于第二预设阈值,或各用户的第N次与第N-1次迭代的买家分Bi的统计差值小于第三预设阈值,其中,N大于1;
按照卖家分Sj或买家分Bi,提取预设个数的用户作为特征用户;
所述初始卖家分为0,通过以下步骤为各用户设定初始买家分:
针对各个用户,在预置的虚假交易数据库中进行搜索,其中,所述预置的虚假交易数据库中包括了多个以买家属性参与过虚假交易的用户;
若在所述虚假交易数据库中存在该用户,则设定该用户的初始买家分为m,其中,m为正数;
若不存在该用户,则设定该用户的初始买家分为0。
8.一种在电子交易平台中的搜索方法,其特征在于,所述方法包括:
接收用户的搜索请求;
将与搜索请求匹配的信息返回;
其中,所述返回信息中包括卖家信息并参考所述第一特征子参数,所述第一特征子参数通过权利要求1至7中任一权项所述方法计算得到。
9.如权利要求8所述的方法,其特征在于,所述第一特征子参数为卖家分,通过以下步骤参考所述第一特征子参数:
将各卖家的卖家分值按照从小到大排序;
将排序靠前的至少1个卖家的商品信息返回给用户。
10.如权利要求8所述的方法,其特征在于,所述第一特征子参数为卖家分,通过以下步骤参考所述第一特征子参数:
过滤卖家分值大于第四预设阈值的卖家;
将过滤后剩余的卖家的商品信息返回给用户。
11.一种在电子交易平台中识别特征用户的装置,其特征在于,所述电子交易平台中的部分或全部用户具备第一属性和所述第一属性的初始第一特征子参数、以及第二属性和所述第二属性的初始第二特征子参数;至少一部分所述用户之间存在关联关系;所述装置包括:
第一特征子参数计算模块,用于依据各用户的第一属性所关联的用户的第二特征子参数X,计算各用户的第一特征子参数Y,其中,所述第一特征子参数Y为第一属性的用户参与虚假交易严重程度的评分;所述第二特征子参数X为第二属性的用户参与虚假交易严重程度的评分;
第二特征子参数计算模块,用于依据各用户的第二属性所关联的用户的第一特征子参数Y,计算各用户的第二特征子参数X;
迭代模块,用于将各用户的第二特征子参数X引入第一特征子参数计算模块,进行迭代处理,直至满足预设条件;
特征用户提取模块,用于按照第一特征子参数Y或第二特征子参数X,提取预设个数的用户作为特征用户;
其中,所述初始第一特征子参数均为0,通过以下子模块为各用户设定初始第二特征子参数X:
虚假交易数据库搜索子模块,用于针对各个用户,在预置的虚假交易数据库中进行搜索,其中,所述预置的虚假交易数据库中包括了多个以第二属性参与过虚假交易的用户;
初始值设定子模块,用于若在所述虚假交易数据库中存在该用户,则设定该用户的第二特征子参数X为m,其中m为正数;若不存在该用户,则设定该用户的第二特征子参数X为0。
12.一种在电子交易平台中识别特征用户的装置,其特征在于,所述电子交易平台中的部分或全部用户具备卖家属性和所述卖家属性的初始卖家分、以及买家属性和所述买家属性的初始买家分;至少一部分所述用户之间存在关联关系,所述装置包括:
卖家分计算模块,用于提取当前各用户卖家属性所关联用户的买家属性所对应的买家分X,计算所述卖家属性所关联用户的买家分X的加权平均值与第一平衡参数之积,得到卖家分Y,所述第一平衡参数与卖家属性所关联用户的个数相对应,其中,所述卖家分Y为卖家参与虚假交易严重程度的评分;所述买家分X为买家参与虚假交易严重程度的评分;
买家分计算模块,用于提取当前各用户买家属性所关联用户的卖家属性所对应的卖家分Y,计算所述买家属性所关联用户的卖家分Y的加权平均值与第二平衡参数之积,得到买家分X,所述第二平衡参数与买家属性所关联用户的个数相对应;
迭代模块,用于将各用户的买家分X引入步骤a,进行迭代处理,直至迭代次数满足大于第一预设阈值,或各用户的第N次与第N-1次迭代的卖家分Y的统计差值小于第二预设阈值,或各用户的第N次与第N-1次迭代的买家分X的统计差值小于第三预设阈值,其中,N大于1;
特征用户提取模块,用于按照卖家分Y或买家分X,提取预设个数的用户作为特征用户;
其中,所述初始卖家分均为0,通过以下子模块为各用户设定初始买家分:
虚假交易数据库搜索子模块,用于针对各个用户,在预置的虚假交易数据库中进行搜索,其中,所述预置的虚假交易数据库中包括了多个以第二属性参与过虚假交易的用户;
初始值设定子模块,用于若在所述虚假交易数据库中存在该用户,则设定该用户的初始买家分为m,其中m为正数;若不存在该用户,则设定该用户的初始买家分为0。
13.一种在电子交易平台中识别特征用户的装置,其特征在于,所述电子交易平台中的部分或全部用户具备卖家属性和所述卖家属性的初始卖家分、以及买家属性和所述买家属性的初始买家分;至少一部分所述用户之间存在关联关系,所述装置包括:
卖家分计算模块,用于依据计算各用户的卖家分,其中,Si为n个用户中用户i的卖家分,Bj为用户i作为卖家所关联的买家j的买家分,E为存放买家和卖家对应关系的交易数据库,S degreei为用户i对应的买家j的个数,f(Sdegreei)为与关联买家个数相对应的第一平衡参数,其中,n大于或等于1,其中,所述卖家分为卖家参与虚假交易严重程度的评分;所述买家分为买家参与虚假交易严重程度的评分;
买家分计算模块,用于依据计算各用户的买家分,其中,Bi为n个用户中用户i的买家分,Sj为用户i作为买家所关联的卖家j的卖家分,E为存放买家和卖家对应关系的交易数据库,B degreei为用户i对应的卖家j的个数,f(Bdegreei)为与关联卖家个数相对应的第二平衡参数;
迭代模块,用于将各用户的买家分Bi引入步骤a,进行迭代处理,直至迭代次数满足大于第一预设阈值,或各用户的第N次与第N-1次迭代的卖家分Sj的统计差值小于第二预设阈值,或各用户的第N次与第N-1次迭代的买家分Bi的统计差值小于第三预设阈值,其中,N大于1;
特征用户提取模块,用于按照卖家分Sj或买家分Bi,提取预设个数的用户作为特征用户;
其中,所述初始卖家分均为0,通过以下子模块为各用户设定初始买家分:
虚假交易数据库搜索子模块,用于针对各个用户,在预置的虚假交易数据库中进行搜索,其中,所述预置的虚假交易数据库中包括了多个以第二属性参与过虚假交易的用户;
初始值设定子模块,用于若在所述虚假交易数据库中存在该用户,则设定该用户的初始买家分为m,其中m为正数;若不存在该用户,则设定该用户的初始买家分为0。
14.一种在电子交易平台中的搜索装置,其特征在于,所述装置包括:
搜索请求接收模块,用于接收用户的搜索请求;
匹配信息返回模块,用于将与搜索请求匹配的信息返回;
其中,所述返回信息中包括卖家信息并参考所述第一特征子参数,所述第一特征子参数通过权利要求11至13中任一权项所述装置计算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210065665.1A CN103309885B (zh) | 2012-03-13 | 2012-03-13 | 一种在电子交易平台中识别特征用户的方法及装置和搜索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210065665.1A CN103309885B (zh) | 2012-03-13 | 2012-03-13 | 一种在电子交易平台中识别特征用户的方法及装置和搜索方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103309885A CN103309885A (zh) | 2013-09-18 |
CN103309885B true CN103309885B (zh) | 2017-08-11 |
Family
ID=49135122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210065665.1A Active CN103309885B (zh) | 2012-03-13 | 2012-03-13 | 一种在电子交易平台中识别特征用户的方法及装置和搜索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103309885B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598780B (zh) * | 2013-10-31 | 2017-09-01 | 阿里巴巴集团控股有限公司 | 账户识别方法和系统 |
CN105447028B (zh) * | 2014-08-27 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 识别特征账号的方法及装置 |
CN105787619A (zh) * | 2014-12-25 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及系统 |
CN106156027A (zh) * | 2015-03-24 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种异常交易的识别方法及装置 |
CN106714094B (zh) * | 2015-07-20 | 2021-03-02 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及系统 |
CN112734508A (zh) * | 2021-03-24 | 2021-04-30 | 于淼 | 一种基于云平台的电商交易数据分析系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1598840A (zh) * | 2004-08-13 | 2005-03-23 | 南京大学 | 基于历史信息的电子商务系统中交易双方信任度测定方法 |
CN102339445A (zh) * | 2010-07-23 | 2012-02-01 | 阿里巴巴集团控股有限公司 | 对网络交易用户的可信度进行评价的方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002049720A (ja) * | 2000-08-04 | 2002-02-15 | Bandai Co Ltd | 仮想市場におけるトレードシステム |
-
2012
- 2012-03-13 CN CN201210065665.1A patent/CN103309885B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1598840A (zh) * | 2004-08-13 | 2005-03-23 | 南京大学 | 基于历史信息的电子商务系统中交易双方信任度测定方法 |
CN102339445A (zh) * | 2010-07-23 | 2012-02-01 | 阿里巴巴集团控股有限公司 | 对网络交易用户的可信度进行评价的方法和系统 |
Non-Patent Citations (1)
Title |
---|
P2P电子商务信誉模型研究;李刚;《中国优秀硕士论文全文数据库(信息科技辑)2011年》;20110415(第4期);第四章第4.5.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN103309885A (zh) | 2013-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103309885B (zh) | 一种在电子交易平台中识别特征用户的方法及装置和搜索方法及装置 | |
CN103577988B (zh) | 一种识别特定用户的方法和装置 | |
CN106485562B (zh) | 一种基于用户历史行为的商品信息推荐方法及系统 | |
CN103577413B (zh) | 搜索结果排序方法及系统、搜索结果排序优化方法及系统 | |
TWI512653B (zh) | Information providing method and apparatus, method and apparatus for determining the degree of comprehensive relevance | |
TWI772673B (zh) | 行業識別模型確定方法和裝置 | |
Cheung et al. | A quantitative correlation coefficient mining method for business intelligence in small and medium enterprises of trading business | |
CN109711955B (zh) | 基于当前订单的差评预警方法、系统、黑名单库建立方法 | |
WO2017028735A1 (zh) | 选择及推荐展示对象的方法及装置 | |
CN107305665A (zh) | 一种鉴别虚假交易、防止刷单的方法及装置 | |
CN103577991A (zh) | 一种用户的识别方法和装置 | |
CN106980999A (zh) | 一种用户推荐的方法和设备 | |
CN106934648A (zh) | 一种数据处理方法和装置 | |
CN111898029A (zh) | 一种基于互联网的网购产品推荐系统 | |
CN112215685B (zh) | 一种基于物联网的电商管理系统 | |
CN110874787A (zh) | 推荐模型的效果评测方法和相关装置 | |
CN112801498A (zh) | 风险识别模型的训练方法、风险识别方法、装置及设备 | |
US20220253874A1 (en) | Product evaluation system and method of use | |
CN113642923A (zh) | 基于历史催收数据的不良资产包价值评估方法 | |
CN115953182A (zh) | 商品促销方法、装置、计算机设备和存储介质 | |
CN111177581A (zh) | 一种基于多平台的社交电商网站商品推荐方法及装置 | |
CN111507782A (zh) | 一种用户流失归因聚焦方法、装置、存储介质及电子设备 | |
CN112330324A (zh) | 一种基于手机终端的电子商务交易系统 | |
CN108090794B (zh) | 一种基于动态滑动时间窗口的商品对象排序方法及装置 | |
CN111222985A (zh) | 理财产品交易方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1185683 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: GR Ref document number: 1185683 Country of ref document: HK |