CN103853948B - 用户身份的识别、信息的过滤及搜索方法和服务器 - Google Patents

用户身份的识别、信息的过滤及搜索方法和服务器 Download PDF

Info

Publication number
CN103853948B
CN103853948B CN201210494802.3A CN201210494802A CN103853948B CN 103853948 B CN103853948 B CN 103853948B CN 201210494802 A CN201210494802 A CN 201210494802A CN 103853948 B CN103853948 B CN 103853948B
Authority
CN
China
Prior art keywords
user
information
identified
behavior
historical
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
Application number
CN201210494802.3A
Other languages
English (en)
Other versions
CN103853948A (zh
Inventor
陈俞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201210494802.3A priority Critical patent/CN103853948B/zh
Publication of CN103853948A publication Critical patent/CN103853948A/zh
Application granted granted Critical
Publication of CN103853948B publication Critical patent/CN103853948B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种用户身份的识别、信息的过滤及搜索方法和服务器。该方法包括：获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出；对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，其中，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户；根据所述身份识别值，判断所述待识别用户是否为非正常行为用户。本申请实现了服务器自动识别非正常行为用户，并且提高了身份识别的准确性。

Description

用户身份的识别、信息的过滤及搜索方法和服务器
技术领域
本申请涉及网络数据处理技术领域，尤其涉及一种用户身份的识别、信息的过滤及搜索方法和服务器。
背景技术
随着互联网的快速发展，电子商务在商业领域中所处的地位也越来越重要，电子商务迅速发展的同时，也造成一些用户想通过电子商务网站进行非正常行为来谋求利益。例如，在电子商务网站上非正常分子以买家身份进行商品购买，之后在评价系统中对所购商品给予中差评价或不予评价，最后通过修改中差评价、删除中差评价等条件向商铺卖家索取钱财的非正常行为。这些用户的行为极大地影响了电子商务领域中正常交易行为的进行，这些非常行为的用户通常被称为非正常行为师。
为了解决上述问题，电子商务网站服务器需要对非正常行为用户(如非正常行为师)进行识别，在识别出后非正常行为，并对非正常行为师进行处理，从而保护电子商务网站的正常市场交易行为不受非正常行为用户非正常行为的干扰。非正常行为
现有技术下，识别非正常行为师的具体方法是：在商铺卖家接收到买家通过电子商务网站客户端发送的以敲诈、威胁为目的的信息时，商铺卖家向电子商务网站的客服部门进行投诉，由客服部门人员通过人工审核来辨别该卖家是否为非正常行为师。但是，现有的识别非正常行为师的方法存在以下问题：
1)该方法是由客服部门的人员人为识别非正常行为师的，效率非常低；
2)由于用来识别非正常行为师的信息不完整，人为识别的主观意识比较强，因此识别的准确性非常低；
3)由于该方法的识别是在客服人员接收到商铺卖家的投诉后才开始进行的，非常被动，而且电子商务网站上可能存在大量的非正常行为师由于没有接收到商铺卖家的相应投诉而没有被识别出来，极大地干扰正常交易行为的进行。
发明内容
本申请的目的是，提供一种用户身份的识别、信息的过滤及搜索方法和服务器，以实现服务器自动识别非正常行为非正常行为用户，并且提高了身份识别的准确性，进而避免电子商务网站的正常市场交易行为受到非正常行为非正常行为用户的干扰，提高用户的体验效果。
为实现上述目的，本申请提供了一种用户身份的识别方法，所述方法包括：
获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出；
对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，其中，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户；
根据所述身份识别值，判断所述待识别用户是否为非正常行为用户。
本申请还提供了一种信息的过滤方法，所述方法包括：
接收用户通过客户端发送的搜索评价信息的请求消息；
判断所述请求消息对应的搜索结果中是否包含有非正常行为用户的评价信息，其中，所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
如果是，则对所述非正常用户的评价信息进行过滤，将过滤后的搜索结果输出至客户端进行显示。
本申请还提供了一种用户访问的提示方法，所述方法包括：
接收用户的访问请求消息，所述访问请求消息中携带有用户标识信息；
根据所述用户标识信息，判断所述用户是否为非正常行为用户，其中所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
如果是，则发送用来指示所述用户为非正常行为用户的提示信息至客户端进行显示。
本申请还提供了一种信息的搜索方法，所述方法包括：
接收用户通过客户端发送的搜索商品信息的请求消息；
根据所述请求消息，搜索满足搜索条件的商品信息；
对所述满足搜索条件的商品信息进行排序，所述排序操作参考了商品对应的评价信息，所述评价信息过滤了非正常行为用户的评价信息，其中，所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
发送满足搜索条件的排序靠前的至少一个商品信息至客户端进行显示。
相应地，本申请还提供了一种服务器，所述服务器包括：
获取单元，用于获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出；
计算单元，用于对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，其中，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户；
判断单元，用于根据所述身份识别值，判断所述待识别用户是否为非正需行为用户。
本申请还提供了一种服务器，所述服务器包括：
接收单元，用于接收用户通过客户端发送的搜索评价信息的请求消息；
判断单元，用于判断所述请求消息对应的搜索结果中是否包含有非正常行为用户的评价信息，其中，所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
显示单元，用于如果判断结果为是，则对所述非正常用户的评价信息进行过滤，将过滤后的搜索结果输出至客户端进行显示。
本申请实施例还提供了一种服务器，所述服务器包括：
接收单元，用于接收用户的访问请求消息，所述访问请求消息中携带有用户标识信息；
判断单元，用于根据所述用户标识信息，判断所述用户是否为非正常行为用户，其中所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
显示单元，用于如果判断结果为是，则发送用来指示所述用户为非正常行为用户的提示信息至客户端进行显示。
本申请还提供了一种服务器，所述服务器包括：
接收单元，用于接收第一终端通过第一客户端发送的搜索商品信息的请求消息；
搜索单元，用于根据所述请求消息，搜索满足搜索条件的商品信息；
排序单元，用于对所述满足搜索条件的商品信息进行排序，所述排序操作参考了商品对应的评价信息，所述评价信息过滤了非正常行为用户的评价信息，其中，所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
显示单元，用于发送满足搜索条件的排序靠前的至少一个商品信息至客户端进行显示。
因此，本申请实现了服务器获取待识别用户的多维度信息，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，其中，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户；并且根据所述身份识别值，判断所述待识别用户是否为非正常行为用户。由于身份识别模型是根据用户的历史购买信息以及注册信息计算得出的，因此提高了身份识别的准确性，进而避免电子商务网站的正常市场交易行为受到非正常行为用户的干扰，提高了用户的体验效果。
附图说明
图1为本申请实施例提供的一种用户身份的识别方法流程图；
图2为本申请实施例中训练身份识别模型的方法流程图；
图3为本申请实施例提供的一种信息的过滤方法流程图；
图4为本申请实施例提供的一种用户访问的提示方法流程图；
图5为本申请实施例提供的一种信息的搜索方法流程图；图6为本申请实施例提供的一种服务器示意图；
图7为本申请实施例提供的另一服务器示意图；
图8为本申请实施例提供的另一服务器示意图；
图9为本申请实施例提供的另一服务器示意图。
具体实施方式
下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。
本申请提供的用户身份的识别方法和服务器，通过服务器获取待识别用户的多维度信息，所述多维度信息可根据所述待识别用户的历史行为信息得出；对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，其中，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户；根据所述身份识别值，判断所述待识别用户是否为非正常行为用户。由于身份识别模型是根据用户的历史购买信息以及注册信息计算得出的，因此，提高了身份识别的准确性，进而避免电子商务网站的正常市场交易行为受到非正常行为用户的干扰，提高了用户的体验效果。
需要说明的是，由于电子商务网站的注册用户数量、评论数据等数据量非常大，因此，本申请实施例中的用来识别用户身份的身份识别模型可部署在分布式系统架构Hadoop平台上进行身份识别值的计算。
如图1所示，其为本申请实施例提供的一种用户身份的识别方法流程图。该实施例的执行主体是服务器，其中详细描述了如何判断待识别用户的身份。本申请实施例用户身份的识别方法具体包括以下步骤：
步骤11，获取待识别用户的多维度信息，所述多维度信息可根据所述待识别用户的历史行为信息得出；
其中，历史行为信息包括历史购买信息以及注册信息，而历史购买信息可包括以下信息中的一种或多种：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率等；而注册信息又可包括以下信息中的一种或多种：注册的认证信息、注册时间长度信息、注册账号对应的主机信息等。
具体地，当服务器需要识别电子商务网站服务器中的用户的身份信息时，可先统计该用户在某个时期内的购买信息，如此前3个月内的购买信息，包括统计这3个月内的发出订单的数目，退款的次数、给予所购商品中差评的次数、中差评对应店铺的数目、中差评对应订单的价值、中差评转好评对应店铺的数目。其中，给予所购商品中差评的次数可以通过过滤该用户的评论数据得到，如评分的总分为5分，如果给予所购商品的评分为3分以下，则说明该评论数据属于中差评数据。
历史购买信息中的退款率可以由服务器根据所统计的退款的次数与总的订单的数目计算比值得到；中差评率可根据待识别用户的历史购买信息中的中差评的次数以及订单的数目计算比值得到；中差评店铺率可根据所述待识别用户的历史购买信息中的所述中差评对应店铺的数目以及所述订单对应店铺的数目计算比值得到；中差评转好评店铺率可根据待识别用户的中差评转好评对应店铺的数据以及中差评对应店铺的数目求比值得到。
例如，如果用户A在过去3个月内共购买了18次物品，即发出订单的数目为18，其中退款的次数为9，中差评的次数为10，中差评对应店铺的数目为5，中差评对应订单的款数的均值为350元，中差评转好评对应店铺的数目为4，18个订单所对应的店铺数为8，退款率为9/18＝50％，中差评率为10/18＝55.6％，中差评店铺率为5/8＝62.5％，中差评转好评店铺率为4/5＝80％。
其中，注册信息中的注册的认证信息可以为实名认证或非实名认证，注册时间长度信息为注册时间的长度，注册账号对应的主机信息可以为同一台主机上的注册的账号数目，该信息可以通过统计每个主机标识信息下对应的账号数得到。
当服务器需要识别电子商务网站服务器中的用户的身份信息时，可以访问服务器中的注册信息数据库和购物信息数据库，将要需要的信息从数据库中提取出来。
步骤12，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，其中，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户，该非正常行为用户最初可通过选择非正常行为用户样本直接得到或者经过训练身份识别模型的步骤得到；
具体地，将步骤11得到的待识别用户的多维度信息作为身份识别模型的输入，该模型所输出的即为身份识别值。
其中，身份识别模型可以为一种人工神经网络模型，对人工神经网络模型使用恶意评价用户的历史购买信息和注册信息进行训练和优化，可得到身份识别模型。
具体地，参考图2，其为本申请实施例中训练身份识别模型的方法流程图。训练身份识别模型的步骤具体如下：
步骤21，选择非正常行为用户样本，初始化差分进化的种群并选取初始种群的最优个体；
其中，可以由电子商务网站客服人员或其他有经验的人员根据用户的实际购买经验和注册信息来评估得出用来训练人工神经网络模型的非正常行为用户样本用来对人工神经网络模型进行训练的非正常行为用户样本。
步骤22，通过人工神经网络结构对样本进行计算得到种群的每个个体适应度值，选取适应度值最大的个体作为此次进化的全局最优个体；
使用人工神经网络结构对这批样本计算误差和适应度值，选择误差最小即适应度值最大的个体作为此次进化的全局最优个体。
步骤23，若进化次数未到达最大进化次数同时此次最优个体的适应度值未达到期望的适应度值，则进行下一次进化过程；否则结束进化并保存此次进化的最优个体作为人工神经网络的网络权值；
可以预设一个最大进化次数，当进化次数超过该最大次数时便结束进化；当然如果没有达到最大进化次数，但是通过步骤22选择出的最优个体的适应度值已经达到了期望的适应度值，则也可以结束进化。除了上述两种情况外，需要继续进行下一次进化过程。
步骤24，随机选取4个个体，进行变异、交叉、选择操作进行个体进化过程；
步骤25，若所有的个体都进化完成，则进入下一次种群进化，跳转到步骤23；否则进行下一个体进化过程并跳转到步骤24。
具体地，本申请可以对电子商务网站上的注册用户进行聚类，提取N个聚类中心点和N+i个聚类边缘点作为样本空间，其中，注册用户之间的相似度可采用向量空间的余弦值来判断。例如，各个注册用户之间的相似度可以采用11维中的多维组成的向量空间的余弦值进行判断，这11维向量分别代表变量：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率，以及注册的认证信息、注册时间长度信息、注册账号对应的主机信息。然后使用该样本空间对基于差分进化算法的人工神经网络模型进行训练，得到成功的人工神经网络，从而得到用户身份识别模型。
得到身份识别模型后，还可对身份识别模型进行交叉验证，该验证方法为：用未训练过的N+i个聚类边缘点作为身份识别模型的输入，得到输出值，如果该输出值与样本期望值之间的误差满足一定的精度，则验证通过，否则调整模型重新进行训练，直至验证通过。
得到身份识别模型后，即可通过该身份识别模型来计算每个待识别用户的身份识别值。
步骤13，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户。
进一步地，还可根据身份识别值，将用户分为非正常行为用户、普通用户、或高危用户。具体地，根据所述身份识别值，判断所述待识别用户是否为非正常行为的步骤可包括：当所述身份识别值大于第一阈值时，判断所述待识别用户为非正常行为用户；所述身份识别值小于所述第一阈值但是大于第二阈值时，判断所述待识别用户为高危用户；当所述身份识别值小于所述第二阈值时，判断所述待识别用户为普通用户。如图1所示，在步骤13之后，还包括步骤14，如果待识别用户为高危用户，则将该用户保存在历史高危数据库中，并进一步检测该高危用户的新的购买信息，当所述高危用户的身份识别值大于所述第三阈值时，判断所述高危用户为非正常行为用户。具体地，该第三阈值的取值可以是与第一阈值相等或相接近。在实际情况下，如果身份识别值大于第三阈值，则判断该待识别用户为非正常行为用户，否则判定为普通用户，但是不大于第一阈值的注册用户中可能也有部分潜在的非正常行为用户，对此可通过建立历史高危数据库来进行观察，如果历史高危数据库中的高危用户满足了触发条件，即大于第三阈值，则判定该用户为非正常行为用户，并保存在非正常行为用户数据库中。
由此，本申请实施例通过服务器获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史购买信息以及注册信息得出；对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，其中，所述身份识别模型是根据其他用户的历史购买信息以及注册信息计算得出的，所述其他用户为非正常行为用户；根据所述身份识别值，判断所述待识别用户是否为非正常行为用户。由于身份识别模型是根据用户的历史购买信息以及注册信息计算得出的，因此提高了身份识别的准确性，进而避免电子商务网站的正常市场交易行为受到非正常行为用户的干扰，提高了用户的体验效果。
本申请实施例还提供了一种信息的过滤方法，如图3所示，其为本申请实施例提供的一种信息的过滤方法流程图。该实施例的执行主体是服务器，其中详细描述了服务器接收到用户查看评价信息的请求后，对评价信息进行过滤并显示的方法。该实施例包括以下步骤：
步骤31，接收用户通过客户端发送的搜索评价信息的请求消息；
当用户在电子商务网站上查看某件商品或某个店铺的评价评价信息时，可通过电子商务网站客户端向服务器发送请求消息。
步骤32，判断所述请求消息对应的搜索结果中是否包含有非正常行为用户的评价信息，其中，所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
服务器根据用户的请求消息，搜索满足条件的评价信息，并判断所搜索出的评价信息是否有非正常行为用户给的评价信息；这一点可以通过评价信息对应的用户标识信息来判断。
具体地，其中，非正常行为用户是通过用户的历史行为信息计算得到的，历史行为信息包括历史购买信息以及注册信息，而历史购买信息可包括以下信息中的一种或多种：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率等；而注册信息又可包括以下信息中的一种或多种：注册的认证信息、注册时间长度信息、注册账号对应的主机信息等。
当服务器需要识别电子商务网站服务器中的用户的身份信息时，可以访问服务器中的注册信息数据库和购物信息数据库，将需要的信息从数据库中提取出来。
将从注册信息数据库和购物信息数据库中提取出来的信息作为身份识别模型的输入，即可计算每个待识别用户的身份识别值，从而判断出待识别用户是否为非正常行为用户。
身份识别模型具体可以通过下述步骤得到：对电子商务网站上的注册用户进行聚类，提取N个聚类中心点和N+i个聚类边缘点作为样本空间，其中，注册用户之间的相似度可采用向量空间的余弦值来判断。例如，各个注册用户之间的相似度可以采用11维中的多维组成的向量空间的余弦值进行判断，这11维向量分别代表变量：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率，以及注册的认证信息、注册时间长度信息、注册账号对应的主机信息。然后使用该样本空间对基于差分进化算法的人工神经网络模型进行训练，得到成功的人工神经网络，从而得到用户身份识别模型。
得到身份识别模型后，还可对身份识别模型进行交叉验证，该验证方法为：用未训练过的N+i个聚类边缘点作为身份识别模型的输入，得到输出值，如果该输出值与样本期望值之间的误差满足一定的精度，则验证通过，否则调整模型重新进行训练，直至验证通过。
步骤33，如果是，则对所述非正常用户的评价信息进行过滤，将过滤后的搜索结果输出至客户端进行显示。
如果评价信息中有非正常行为用户给出的评价信息，则服务器可将该非正常行为用户的评价信息过滤掉，然后将过滤后的评价信息发送至客户端进行显示。
由此，本申请实现了服务器不显示非正常行为用户的评价信息，从而避免用户看到非正常行为用户的评价信息，进而避免电子商务网站的正常市场交易行为受到非正常行为用户的干扰，提高了用户的体验效果。
本申请实施例还提供了一种用户访问的提示方法，如图4所示，其为本申请实施例提供的一种用户访问的提示方法流程图。该实施例的执行主体是服务器，其中详细描述了服务网接收到用户的访问请求后，对被访问店铺显示提示信息的方法。该实施例包括以下步骤：
步骤41，接收用户的访问请求消息，所述访问请求消息中携带有用户标识信息；
当买家用户要访问某个店铺时，服务器侧会接收到该访问请求消息，该请求消息中会携带该用户的标识信息。
步骤42，根据所述用户标识信息，判断所述用户是否为非正常行为用户，其中所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
服务器接收到用户的访问请求消息后，首先判断该用户是否为非正常行为用户。
其中，非正常行为用户是通过用户的历史行为信息计算得到的，历史行为信息包括历史购买信息以及注册信息，而历史购买信息可包括以下信息中的一种或多种：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率等；而注册信息又可包括以下信息中的一种或多种：注册的认证信息、注册时间长度信息、注册账号对应的主机信息等。
当服务器需要识别电子商务网站服务器中的用户的身份信息时，可以访问服务器中的注册信息数据库和购物信息数据库，将需要的信息从数据库中提取出来。
将从注册信息数据库和购物信息数据库中提取出来的信息作为身份识别模型的输入，即可计算每个待识别用户的身份识别值，从而判断出待识别用户是否为非正常行为用户。
身份识别模型具体可以通过下述步骤得到：对电子商务网站上的注册用户进行聚类，提取N个聚类中心点和N+i个聚类边缘点作为样本空间，其中，注册用户之间的相似度可采用向量空间的余弦值来判断。例如，各个注册用户之间的相似度可以采用11维中的多维组成的向量空间的余弦值进行判断，这11维向量分别代表变量：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率，以及注册的认证信息、注册时间长度信息、注册账号对应的主机信息。然后使用该样本空间对基于差分进化算法的人工神经网络模型进行训练，得到成功的人工神经网络，从而得到用户身份识别模型。
得到身份识别模型后，还可对身份识别模型进行交叉验证，该验证方法为：用未训练过的N+i个聚类边缘点作为身份识别模型的输入，得到输出值，如果该输出值与样本期望值之间的误差满足一定的精度，则验证通过，否则调整模型重新进行训练，直至验证通过。
步骤43，如果是，则发送用来指示所述用户为非正常行为用户的提示信息至客户端进行显示。
如果判断出访问用户是非正常行为用户，则服务器可以向客户端发送一个提示信息，用来提示被访问店铺该访问用户为非正常行为用户。
其中，提示信息可以为文字形式也可以为图片形式，本申请对该提示信息的形式不做限定。
由此，本申请实现了服务器对非正常行为用户访问卖家店铺时，向卖家显示提示信息，从而使得卖家可以进行相应的处理，进而避免电子商务网站的正常市场交易行为受到非正常行为用户的干扰，提高了用户的体验效果。
本申请实施例还提供了一种信息的搜索方法，如图5所述，其为本申请实施例提供的一种信息的搜索方法流程图。该实施例的执行主体是服务器，其中详细描述了服务器接收到用户的商品搜索请求后，显示搜索结果的方法。该实施例包括以下步骤：
步骤51，接收用户通过客户端发送的搜索商品信息的请求消息；
当用户在电子商务网站上要搜索某种商品，并向服务器发出搜索商品信息的请求消息，其中携带了搜索条件，如搜索红色的外套的搜索条件。
步骤52，根据所述请求消息，搜索满足搜索条件的商品信息；
步骤53，对所述满足搜索条件的商品信息进行排序，所述排序操作参考了商品对应的评价信息，所述评价信息过滤了非正常行为用户的评价信息，其中，所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
服务器搜索到满足搜索条件的商品信息后，需要将将满足条件的商品排序后放在输出商品信息列表中，例如将搜索到的评分高的商品放置在输出商品信息列表的前端，将评分低的的商品信息放置在商品信息列表的后端。
其中，该排序可以参考用户的评价信息，但是不会参考非正常行为用户的评价信息。
具体地，非正常行为用户是通过用户的历史行为信息计算得到的，历史行为信息包括历史购买信息以及注册信息，而历史购买信息可包括以下信息中的一种或多种：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率等；而注册信息又可包括以下信息中的一种或多种：注册的认证信息、注册时间长度信息、注册账号对应的主机信息等。
当服务器需要识别电子商务网站服务器中的用户的身份信息时，可以访问服务器中的注册信息数据库和购物信息数据库，将需要的信息从数据库中提取出来。
将从注册信息数据库和购物信息数据库中提取出来的信息作为身份识别模型的输入，即可计算每个待识别用户的身份识别值，从而判断出待识别用户是否为非正常行为用户。
身份识别模型具体可以通过下述步骤得到：对电子商务网站上的注册用户进行聚类，提取N个聚类中心点和N+i个聚类边缘点作为样本空间，其中，注册用户之间的相似度可采用向量空间的余弦值来判断。例如，各个注册用户之间的相似度可以采用11维中的多维组成的向量空间的余弦值进行判断，这11维向量分别代表变量：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率，以及注册的认证信息、注册时间长度信息、注册账号对应的主机信息。然后使用该样本空间对基于差分进化算法的人工神经网络模型进行训练，得到成功的人工神经网络，从而得到用户身份识别模型。
得到身份识别模型后，还可对身份识别模型进行交叉验证，该验证方法为：用未训练过的N+i个聚类边缘点作为身份识别模型的输入，得到输出值，如果该输出值与样本期望值之间的误差满足一定的精度，则验证通过，否则调整模型重新进行训练，直至验证通过。
步骤54，发送满足搜索条件的排序靠前的至少一个商品信息至客户端进行显示。
由此，本申请实现了服务器接收到用户的搜索商品信息的请求后，在向客户端发送满足搜索条件的搜索结果时，可参考商品的评价信息对商品进行排序，其中排序过程中过滤了非正常行为用户的评价信息，提高了排序的合理性，进而避免电子商务网站的正常市场交易行为受到非正常行为用户的干扰，提高了用户的体验效果。相应地，本发明实施例还提供了一种服务器。如图6所示，其为本申请实施例提供的一种服务器示意图。该服务器包括以下单元：
获取单元61，用于获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出；
其中，多维度信息可包括历史购买信息以及注册信息，而历史购买信息可包括以下信息中的一种或多种：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率；注册信息可包括以下信息中的一种或多种：注册的认证信息、注册时间长度信息、注册账号对应的主机信息。
历史购买信息中的退款率可以由服务器根据所统计的退款的次数与总的订单的数目计算比值得到；中差评率根据待识别用户的历史购买信息中的中差评的次数以及订单的数目计算比值得到；中差评店铺率根据所述待识别用户的历史购买信息中的所述中差评对应店铺的数目以及所述订单对应店铺的数目计算比值得到；中差评转好评店铺率根据待识别用户的中差评转好评对应店铺的数据以及中差评对应店铺的数目求比值得到。
计算单元62，用于对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，其中，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户；
其中，身份识别模型可以为一种人工神经网络模型，对人工神经网络模型使用恶意评价用户的历史购买信息和注册信息进行训练和优化，可得到身份识别模型。用来对人工神经网络模型进行训练的恶意评价用户是电子商务网站客服人员或其他有经验的人员根据用户的实际购买经验进行评估得出的。
具体地，本申请可以对电子商务网站上的注册用户进行聚类，提取N个聚类中心点和N+i个聚类边缘点作为样本空间，其中注册用户之间的相似度采用向量空间的余弦值来判断。其中，各个注册用户之间的相似度可以采用11维向量空间的余弦值进行判断。这11维向量分别代表变量：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率，以及注册的认证信息、注册时间长度信息、注册账号对应的主机信息。然后使用该样本空间对基于差分进化算法的人工神经网络模型进行训练，得到成功的人工神经网络，从而得到用户身份识别模型。
得到身份识别模型后，还可对身份识别模型进行交叉验证，该验证方法为：用未训练过的N+i个聚类边缘点作为身份识别模型的输入，得到输出值，如果该输出值与样本期望值之间的误差满足一定的精度，则验证通过，否则调整模型重新进行训练，直至验证通过。
判断单元63，用于根据所述身份识别值，判断所述待识别用户是否为非正需行为用户。
判断单元63具体用于：当所述身份识别值大于第一阈值时，判断所述待识别用户为非正常行为用户；所述身份识别值小于所述第一阈值但是大于第二阈值时，判断所述待识别用户为高危用户；当所述身份识别值小于所述第二阈值时，判断所述待识别用户为普通用户。
优选地，如图6所示，该服务器还包括存储单元64，用于当判断所述带识别用户为高危用户时，将所述高危用户保存在历史高危数据库中；判断单元63具体用于，检测所述高危用户的新的购买信息，当所述高危用户的身份识别值大于所述第一阈值时，判断所述高危用户为非正常行为用户。
在实际情况下，如果身份识别值大于第一阈值，则判断该待识别用户为非正常行为用户，否则判定为普通用户，但是不大于第一阈值的注册用户中可能也有部分潜在的非正常行为用户，对此可通过建立历史高危数据库来进行观察，如果历史高危数据库中的高危用户满足了触发条件，即大于第一阈值，则判定该用户为非正常行为用户，并保存在非正常行为用户数据库中。
本申请实施例中，通过服务器获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史购买信息以及注册信息得出；对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，其中，所述身份识别模型是根据其他用户的历史购买信息以及注册信息计算得出的，所述其他用户为非正常行为用户；根据所述身份识别值，判断所述待识别用户是否为非正常行为用户。由于身份识别模型是根据用户的历史购买信息以及注册信息计算得出的，因此提高了身份识别的准确性，进而避免电子商务网站的正常市场交易行为受到非正常行为用户的干扰，提高了用户的体验效果。
相应地，本申请实施例还提供了一种服务器，如图7所示，其为本申请实施例提供的另一服务器示意图。该实施例包括以下单元：
接收单元71，用于接收用户通过客户端发送的搜索评价信息的请求消息；
判断单元72，用于判断所述请求消息对应的搜索结果中是否包含有非正常行为用户的评价信息，其中，所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
服务器根据用户的请求消息，搜索满足条件的评价信息，并判断所搜索出的评价信息是否有非正常行为用户给的评价信息；这一点可以通过评价信息对应的用户标识信息来判断。
具体地，其中，非正常行为用户是通过用户的历史行为信息计算得到的，历史行为信息包括历史购买信息以及注册信息，而历史购买信息可包括以下信息中的一种或多种：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率等；而注册信息又可包括以下信息中的一种或多种：注册的认证信息、注册时间长度信息、注册账号对应的主机信息等。
当服务器需要识别电子商务网站服务器中的用户的身份信息时，可以访问服务器中的注册信息数据库和购物信息数据库，将需要的信息从数据库中提取出来。
将从注册信息数据库和购物信息数据库中提取出来的信息作为身份识别模型的输入，即可计算每个待识别用户的身份识别值，从而判断出待识别用户是否为非正常行为用户。
身份识别模型具体可以通过下述步骤得到：对电子商务网站上的注册用户进行聚类，提取N个聚类中心点和N+i个聚类边缘点作为样本空间，其中，注册用户之间的相似度可采用向量空间的余弦值来判断。例如，各个注册用户之间的相似度可以采用11维中的多维组成的向量空间的余弦值进行判断，这11维向量分别代表变量：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率，以及注册的认证信息、注册时间长度信息、注册账号对应的主机信息。然后使用该样本空间对基于差分进化算法的人工神经网络模型进行训练，得到成功的人工神经网络，从而得到用户身份识别模型。
得到身份识别模型后，还可对身份识别模型进行交叉验证，该验证方法为：用未训练过的N+i个聚类边缘点作为身份识别模型的输入，得到输出值，如果该输出值与样本期望值之间的误差满足一定的精度，则验证通过，否则调整模型重新进行训练，直至验证通过。
显示单元73，用于如果判断结果为是，则对所述非正常用户的评价信息进行过滤，将过滤后的搜索结果输出至客户端进行显示。
由此，本申请实现了服务器不显示非正常行为用户的评价信息，从而避免用户看到非正常行为用户的评价信息，进而避免电子商务网站的正常市场交易行为受到非正常行为用户的干扰，提高了用户的体验效果。
相应地，本申请还提供了一种服务器，如图8所示，其为本申请实施例提供的另一服务器示意图。如图8所示，该实施例包括以下单元：
接收单元81，用于接收用户的访问请求消息，所述访问请求消息中携带有用户标识信息；
判断单元82，用于根据所述用户标识信息，判断所述用户是否为非正常行为用户，其中所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
服务器接收到用户的访问请求消息后，首先判断该用户是否为非正常行为用户。
其中，非正常行为用户是通过用户的历史行为信息计算得到的，历史行为信息包括历史购买信息以及注册信息，而历史购买信息可包括以下信息中的一种或多种：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率等；而注册信息又可包括以下信息中的一种或多种：注册的认证信息、注册时间长度信息、注册账号对应的主机信息等。
当服务器需要识别电子商务网站服务器中的用户的身份信息时，可以访问服务器中的注册信息数据库和购物信息数据库，将需要的信息从数据库中提取出来。
将从注册信息数据库和购物信息数据库中提取出来的信息作为身份识别模型的输入，即可计算每个待识别用户的身份识别值，从而判断出待识别用户是否为非正常行为用户。
身份识别模型具体可以通过下述步骤得到：对电子商务网站上的注册用户进行聚类，提取N个聚类中心点和N+i个聚类边缘点作为样本空间，其中，注册用户之间的相似度可采用向量空间的余弦值来判断。例如，各个注册用户之间的相似度可以采用11维中的多维组成的向量空间的余弦值进行判断，这11维向量分别代表变量：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率，以及注册的认证信息、注册时间长度信息、注册账号对应的主机信息。然后使用该样本空间对基于差分进化算法的人工神经网络模型进行训练，得到成功的人工神经网络，从而得到用户身份识别模型。
得到身份识别模型后，还可对身份识别模型进行交叉验证，该验证方法为：用未训练过的N+i个聚类边缘点作为身份识别模型的输入，得到输出值，如果该输出值与样本期望值之间的误差满足一定的精度，则验证通过，否则调整模型重新进行训练，直至验证通过。
显示单元83，用于如果判断结果为是，则发送用来指示所述用户为非正常行为用户的提示信息至客户端进行显示。
由此，本申请实现了服务器对非正常行为用户访问卖家店铺时，向卖家显示提示信息，从而使得卖家可以进行相应的处理，进而避免电子商务网站的正常市场交易行为受到非正常行为用户的干扰，提高了用户的体验效果。
相应地，本申请还提供了一种服务器，如图9所示，其为本申请实施例提供的另一服务器示意图。如图9所示，本实施例包括以下单元：
接收单元91，用于接收用户通过客户端发送的搜索商品信息的请求消息；
当用户在电子商务网站上要搜索某种商品，并向服务器发出搜索商品信息的请求消息，其中携带了搜索条件，如搜索红色的外套的搜索条件。
搜索单元92，用于根据所述请求消息，搜索满足搜索条件的商品信息；
排序单元93，用于对所述满足搜索条件的商品信息进行排序，所述排序操作参考了商品对应的评价信息，所述评价信息过滤了非正常行为用户的评价信息，其中，所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
服务器搜索到满足搜索条件的商品信息后，需要将将满足条件的商品排序后放在输出商品信息列表中，例如将搜索到的评分高的商品放置在输出商品信息列表的前端，将评分低的的商品信息放置在商品信息列表的后端。
其中，该排序可以参考用户的评价信息，但是不会参考非正常行为用户的评价信息。
具体地，非正常行为用户是通过用户的历史行为信息计算得到的，历史行为信息包括历史购买信息以及注册信息，而历史购买信息可包括以下信息中的一种或多种：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率等；而注册信息又可包括以下信息中的一种或多种：注册的认证信息、注册时间长度信息、注册账号对应的主机信息等。
当服务器需要识别电子商务网站服务器中的用户的身份信息时，可以访问服务器中的注册信息数据库和购物信息数据库，将需要的信息从数据库中提取出来。
将从注册信息数据库和购物信息数据库中提取出来的信息作为身份识别模型的输入，即可计算每个待识别用户的身份识别值，从而判断出待识别用户是否为非正常行为用户。
身份识别模型具体可以通过下述步骤得到：对电子商务网站上的注册用户进行聚类，提取N个聚类中心点和N+i个聚类边缘点作为样本空间，其中，注册用户之间的相似度可采用向量空间的余弦值来判断。例如，各个注册用户之间的相似度可以采用11维中的多维组成的向量空间的余弦值进行判断，这11维向量分别代表变量：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率，以及注册的认证信息、注册时间长度信息、注册账号对应的主机信息。然后使用该样本空间对基于差分进化算法的人工神经网络模型进行训练，得到成功的人工神经网络，从而得到用户身份识别模型。
得到身份识别模型后，还可对身份识别模型进行交叉验证，该验证方法为：用未训练过的N+i个聚类边缘点作为身份识别模型的输入，得到输出值，如果该输出值与样本期望值之间的误差满足一定的精度，则验证通过，否则调整模型重新进行训练，直至验证通过。
显示单元94，用于发送满足搜索条件的排序靠前的至少一个商品信息至客户端进行显示。
由此，本申请实现了服务器接收到用户的搜索商品信息的请求后，在向客户端发送满足搜索条件的搜索结果时，可参考商品的评价信息对商品进行排序，其中排序过程中过滤了非正常行为用户的评价信息，提高了排序的合理性，进而避免电子商务网站的正常市场交易行为受到非正常行为用户的干扰，提高了用户的体验效果。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (16)

1.一种用户身份的识别方法，其特征在于，所述方法包括：
获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出；
对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，其中，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为所述待识别用户之外的非正常行为用户；
根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
所述待识别用户的历史行为信息包括所述待识别用户的历史购买信息以及注册信息，所述其他用户的历史行为信息包括所述待识别用户之外的非正常行为用户的历史购买信息以及注册信息。
2.根据权利要求1所述的用户身份的识别方法，其特征在于，
所述待识别用户的历史购买信息具体包括下述参数中的一种或多种：订单的数目、退款的次数、中差评的次数、中差评对应店铺的数目、中差评对应订单的款数、中差评转好评对应店铺的数目、退款率、中差评率、中差评店铺率、中差评转好评店铺率；
所述注册信息具体包括下述参数中的一种或多种：注册的认证信息、注册时间长度信息、注册账号对应的主机信息。
3.根据权利要求2所述的用户身份的识别方法，其特征在于，所述方法还包括：根据所述待识别用户的历史购买信息中的所述退款的次数以及所述订单的数目，计算所述待识别用户的退款率。
4.根据权利要求2所述的用户身份的识别方法，其特征在于，所述方法还包括：根据所述待识别用户的历史购买信息中的中差评的次数以及所述订单的数目，计算所述待识别用户的中差评率。
5.根据权利要求2所述的用户身份的识别方法，其特征在于，所述方法还包括：根据所述待识别用户的历史购买信息中的所述中差评对应店铺的数目以及所述订单对应店铺的数目，计算所述待识别用户的中差评店铺率。
6.根据权利要求2所述的用户身份的识别方法，其特征在于，所述方法还包括：根据所述待识别用户的历史购买信息中的所述中差评转好评对应店铺的数目以及所述中差评对应店铺的数目，计算所述待识别用户的中差评转好评店铺率。
7.根据权利要求1所述的用户身份的识别方法，其特征在于，所述身份识别模型具体通过以下步骤获得：
获取所述其他用户的历史购买信息以及注册信息；
将所述其他用户的历史购买信息以及注册信息作为人工神经网络模型的输入，根据所述人工神经网络模型的输出，对所述人工神经网络型进行训练和优化，得到身份识别模型。
8.根据权利要求1所述的用户身份的识别方法，其特征在于，所述根据所述身份识别值，判断所述待识别用户是否为非正常行为用户具体为：
当所述身份识别值大于第一阈值时，判断所述待识别用户为非正常行为用户；
当所述身份识别值小于所述第一阈值但是大于第二阈值时，判断所述待识别用户为高危用户；
当所述身份识别值小于所述第二阈值时，判断所述待识别用户为普通用户。
9.根据权利要求8所述的用户身份的识别方法，其特征在于，所述方法还包括：当判断所述待识别用户为高危用户时，将所述高危用户保存在历史高危数据库中；
检测所述高危用户的新的购买信息，当所述高危用户的身份识别值大于第三阈值时，判断所述高危用户为非正常行为用户。
10.一种信息的过滤方法，其特征在于，所述方法包括：
接收用户通过客户端发送的搜索评价信息的请求消息；
判断所述请求消息对应的搜索结果中是否包含有非正常行为用户的评价信息，其中，所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为所述待识别用户之外的非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
如果是，则对所述非正常行为用户的评价信息进行过滤，将过滤后的搜索结果输出至客户端进行显示；
所述待识别用户的历史行为信息包括历史购买信息以及注册信息，所述其他用户的历史行为信息包括所述待识别用户之外的非正常行为用户的历史购买信息以及注册信息。
11.一种用户访问的提示方法，其特征在于，所述方法包括：
接收用户的访问请求消息，所述访问请求消息中携带有用户标识信息；
根据所述用户标识信息，判断所述用户是否为非正常行为用户，其中所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为所述待识别用户之外的非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
如果是，则发送用来指示所述用户为非正常行为用户的提示信息至客户端进行显示；
所述待识别用户的历史行为信息包括所述待识别用户的历史购买信息以及注册信息，所述其他用户的历史行为信息包括所述待识别用户之外的非正常行为用户的历史购买信息以及注册信息。
12.一种信息的搜索方法，其特征在于，所述方法包括：
接收用户通过客户端发送的搜索商品信息的请求消息；
根据所述请求消息，搜索满足搜索条件的商品信息；
对所述满足搜索条件的商品信息进行排序，所述排序操作参考了商品对应的评价信息，所述评价信息过滤了非正常行为用户的评价信息，其中，所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为所述待识别用户之外的非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
发送满足搜索条件的排序靠前的至少一个商品信息至客户端进行显示；
所述待识别用户的历史行为信息包括所述待识别用户的历史购买信息以及注册信息，所述其他用户的历史行为信息包括所述待识别用户之外的非正常行为用户的历史购买信息以及注册信息。
13.一种服务器，其特征在于，所述服务器包括：
获取单元，用于获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出；
计算单元，用于对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，其中，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为所述待识别用户之外的非正常行为用户；
判断单元，用于根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
所述待识别用户的历史行为信息包括所述待识别用户的历史购买信息以及注册信息，所述其他用户的历史行为信息包括所述待识别用户之外的非正常行为用户的历史购买信息以及注册信息。
14.一种服务器，其特征在于，所述服务器包括：
接收单元，用于接收用户通过客户端发送的搜索评价信息的请求消息；
判断单元，用于判断所述请求消息对应的搜索结果中是否包含有非正常行为用户的评价信息，其中，所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为所述待识别用户之外的非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
显示单元，用于如果判断结果为是，则对所述非正常行为用户的评价信息进行过滤，将过滤后的搜索结果输出至客户端进行显示；
所述待识别用户的历史行为信息包括所述待识别用户的历史购买信息以及注册信息，所述其他用户的历史行为信息包括所述待识别用户之外的非正常行为用户的历史购买信息以及注册信息。
15.一种服务器，其特征在于，所述服务器包括：
接收单元，用于接收用户的访问请求消息，所述访问请求消息中携带有用户标识信息；
判断单元，用于根据所述用户标识信息，判断所述用户是否为非正常行为用户，其中所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为所述待识别用户之外的非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
显示单元，用于如果判断结果为是，则发送用来指示所述用户为非正常行为用户的提示信息至客户端进行显示；
所述待识别用户的历史行为信息包括所述待识别用户的历史购买信息以及注册信息，所述其他用户的历史行为信息包括所述待识别用户之外的非正常行为用户的历史购买信息以及注册信息。
16.一种服务器，其特征在于，所述服务器包括：
接收单元，用于接收用户通过客户端发送的搜索商品信息的请求消息；
搜索单元，用于根据所述请求消息，搜索满足搜索条件的商品信息；
排序单元，用于对所述满足搜索条件的商品信息进行排序，所述排序操作参考了商品对应的评价信息，所述评价信息过滤了非正常行为用户的评价信息，其中，所述非正常行为用户是通过以下步骤计算得到的，获取待识别用户的多维度信息，所述多维度信息根据所述待识别用户的历史行为信息得出，对所述待识别用户的多维度信息使用身份识别模型进行计算，得到所述待识别用户对应的身份识别值，所述身份识别模型是根据其他用户的历史行为信息计算得出的，所述其他用户为所述待识别用户之外的非正常行为用户，根据所述身份识别值，判断所述待识别用户是否为非正常行为用户；
显示单元，用于发送满足搜索条件的排序靠前的至少一个商品信息至客户端进行显示；
所述待识别用户的历史行为信息包括所述待识别用户的历史购买信息以及注册信息，所述其他用户的历史行为信息包括所述待识别用户之外的非正常行为用户的历史购买信息以及注册信息。
CN201210494802.3A 2012-11-28 2012-11-28 用户身份的识别、信息的过滤及搜索方法和服务器 Active CN103853948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210494802.3A CN103853948B (zh) 2012-11-28 2012-11-28 用户身份的识别、信息的过滤及搜索方法和服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210494802.3A CN103853948B (zh) 2012-11-28 2012-11-28 用户身份的识别、信息的过滤及搜索方法和服务器

Publications (2)

Publication Number Publication Date
CN103853948A CN103853948A (zh) 2014-06-11
CN103853948B true CN103853948B (zh) 2018-01-19

Family

ID=50861595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210494802.3A Active CN103853948B (zh) 2012-11-28 2012-11-28 用户身份的识别、信息的过滤及搜索方法和服务器

Country Status (1)

Country Link
CN (1) CN103853948B (zh)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021494B (zh) * 2014-06-23 2018-03-02 上海携程商务有限公司 网络订购实名制产品的操作系统及操作方法
CN105894315A (zh) * 2015-01-09 2016-08-24 南京美淘网络有限公司 一种评价过滤的方法
CN105208009B (zh) * 2015-08-27 2020-09-15 腾讯科技（深圳）有限公司 一种账号安全检测方法及装置
CN106611321B (zh) * 2015-10-22 2020-09-25 百度在线网络技术（北京）有限公司 虚假手机号码的识别方法和装置
CN105335883A (zh) * 2015-10-30 2016-02-17 小米科技有限责任公司 一种进行订单处理的方法和装置
CN107341384A (zh) * 2016-04-28 2017-11-10 苏宁云商集团股份有限公司 一种业务验证方法及系统
CN107643974B (zh) * 2016-07-20 2021-03-02 阿里巴巴集团控股有限公司 一种召回信息的发送方法和装置
CN106453357A (zh) * 2016-11-01 2017-02-22 北京红马传媒文化发展有限公司 一种网络购票异常行为的识别方法、系统及设备
CN106529220A (zh) * 2016-11-17 2017-03-22 四川长虹电器股份有限公司 iOS应用数据安防系统及方法
CN107196844A (zh) * 2016-11-28 2017-09-22 北京神州泰岳信息安全技术有限公司 异常邮件识别方法及装置
CN108734366B (zh) * 2017-04-24 2022-09-30 北京京东尚科信息技术有限公司 用户识别方法及其系统、非易失性存储介质和计算机系统
CN107169829A (zh) * 2017-05-15 2017-09-15 重庆壹元电科技有限公司 面向拖延用户的移动电源租赁方法及系统
CN109242522A (zh) * 2017-07-11 2019-01-18 深圳乐信软件技术有限公司 目标用户识别模型建立、目标用户识别方法及装置
CN107871279A (zh) * 2017-09-30 2018-04-03 上海壹账通金融科技有限公司 用户身份验证方法及应用服务器
CN109685536B (zh) * 2017-10-18 2021-01-26 北京京东尚科信息技术有限公司 用于输出信息的方法和装置
CN107730364A (zh) * 2017-10-31 2018-02-23 北京麒麟合盛网络技术有限公司 用户识别方法及装置
CN107943943B (zh) * 2017-11-23 2020-11-03 北京小度信息科技有限公司 用户相似度的确定方法、装置、电子设备及存储介质
CN110324292B (zh) * 2018-03-30 2022-01-07 富泰华工业（深圳）有限公司 身份验证装置、身份验证方法及计算机存储介质
CN108880879B (zh) * 2018-06-11 2021-11-23 北京五八信息技术有限公司 用户身份识别方法、装置、设备及计算机可读存储介质
CN111383040B (zh) * 2018-12-28 2023-08-08 百度在线网络技术（北京）有限公司 一种身份属性的识别方法、装置、电子设备及存储介质
CN110288431A (zh) * 2019-06-11 2019-09-27 达疆网络科技(上海)有限公司 一种根据用户差评情况识别恶意用户的方法
CN110427971A (zh) * 2019-07-05 2019-11-08 五八有限公司 用户及ip的识别方法、装置、服务器和存储介质
CN110378712A (zh) * 2019-07-26 2019-10-25 上海秒针网络科技有限公司 一种投诉处理方法及装置
CN110570244A (zh) * 2019-09-04 2019-12-13 深圳创新奇智科技有限公司 一种基于异常用户识别的热销商品构建方法和系统
CN110619546A (zh) * 2019-09-11 2019-12-27 达疆网络科技(上海)有限公司 一种解决定向发券高吞吐量的实现方案
CN111355735A (zh) * 2020-03-02 2020-06-30 北京芯盾时代科技有限公司 一种无感知身份认证方法、装置以及计算机可读存储介质
CN113762570B (zh) * 2020-10-22 2024-05-24 北京京东振世信息技术有限公司 一种拣货任务组单方法和装置
CN112559845A (zh) * 2020-12-23 2021-03-26 北京清博大数据科技有限公司 一种非典型性媒体账号的身份与动机识别方法及系统
CN113488994A (zh) * 2021-06-28 2021-10-08 国网重庆市电力公司营销服务中心 电能费控方法以及装置
CN113743103A (zh) * 2021-08-20 2021-12-03 南京星云数字技术有限公司 评论用户身份识别方法、装置、计算机设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661487A (zh) * 2008-08-27 2010-03-03 国际商业机器公司 对信息项进行搜索的方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101187959B (zh) * 2006-11-17 2012-05-16 中兴通讯股份有限公司 基于决策树的游戏作弊检测方法
CN102035649B (zh) * 2009-09-29 2013-08-21 国际商业机器公司 认证方法和装置
CN102163251A (zh) * 2010-02-22 2011-08-24 深圳市腾讯计算机系统有限公司 一种游戏作弊的识别方法和设备
CN102004999A (zh) * 2010-12-06 2011-04-06 中国矿业大学 电子商务网络中基于行为收益模式的共谋团体识别方法
CN102184359B (zh) * 2011-04-29 2013-09-04 德讯科技股份有限公司 通过键盘鼠标输入习惯识别实现操作用户身份判别的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661487A (zh) * 2008-08-27 2010-03-03 国际商业机器公司 对信息项进行搜索的方法和系统

Also Published As

Publication number Publication date
CN103853948A (zh) 2014-06-11

Similar Documents

Publication Publication Date Title
CN103853948B (zh) 用户身份的识别、信息的过滤及搜索方法和服务器
Fang et al. Transactional quality, relational quality, and consumer e-loyalty: Evidence from SEM and fsQCA
CN108399509A (zh) 确定业务请求事件的风险概率的方法及装置
O'Neill et al. Condensing steam: Distilling the diversity of gamer behavior
Wang et al. Recommending trusted online auction sellers using social network analysis
CN103353920B (zh) 基于社交网络推荐游戏的方法和装置
CN103559208B (zh) 应用程序的排名欺诈检测方法和排名欺诈检测系统
CN108550052A (zh) 基于用户行为数据特征的刷单检测方法及系统
CN104992073B (zh) 用于就医流程的数据处理方法和医疗信用系统
Bakos et al. Does Anyone Read the Fine Print? Testing a Law and Economics Approach toStandard Form Contracts
CN106453357A (zh) 一种网络购票异常行为的识别方法、系统及设备
WO2017028735A1 (zh) 选择及推荐展示对象的方法及装置
US20110093457A1 (en) Method for calculating resource points of resource information and distributing points
CN110008248A (zh) 一种数据处理方法和装置
CN108564364B (zh) 一种基于区块链技术和用户精准画像的农村养殖大数据征信系统
CN103488714A (zh) 一种基于社交网络的图书推荐方法和系统
CN109119137A (zh) 一种异常检测方法、装置、服务器及存储介质
CN111882420A (zh) 响应率的生成方法、营销方法、模型训练方法及装置
CN103366009B (zh) 一种基于自适应聚类的图书推荐方法
KR102005733B1 (ko) 온라인 빅데이터 분석을 통해 도출된 신용도 평가 결과를 이용한 블록체인 기반 p2p 금융 서비스 제공 시스템
HaratiNik et al. FUZZGY: A hybrid model for credit card fraud detection
CN114154672A (zh) 一种用于客户流失预测的数据挖掘方法
CN117236996B (zh) 一种基于大数据分析的用户行为预测方法和系统
Zhang et al. Detecting incentivized review groups with co-review graph
CN106815257A (zh) 一种用户可信度的计算方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant