CN104574126B - 一种用户特征识别方法及装置 - Google Patents
一种用户特征识别方法及装置 Download PDFInfo
- Publication number
- CN104574126B CN104574126B CN201310487917.4A CN201310487917A CN104574126B CN 104574126 B CN104574126 B CN 104574126B CN 201310487917 A CN201310487917 A CN 201310487917A CN 104574126 B CN104574126 B CN 104574126B
- Authority
- CN
- China
- Prior art keywords
- confidence level
- specified evaluation
- value
- interaction
- mean value
- 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
Classifications
-
- 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
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- 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]
- G06Q30/0609—Buyer or seller confidence or verification
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请公开了一种用户特征识别方法及装置,包括:当接收到一次业务交互中交互方的指定评价时,根据该业务交互的特征值,确定该交互方的本次指定评价的可信度分值;并根据本次指定评价的可信度分值,确定包括本次指定评价在内的该交互方在多次业务交互中的多个指定评价的可信度均值;并基于与该多个指定评价对应的次数权重和该可信度均值,确定该多个指定评价的可信度均值加权值,该多个指定评价的数量与对应的次数权重之间呈单调递增或单调递减关系;以及根据该可信度均值加权值与预设可信度阈值的大小关系,确定该交互方的用户特征。采用本申请实施例提供的方案,提高了确定业务交互中交互方的用户特征的准确性。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种用户特征识别方法及装置。
背景技术
随着互联网应用的快速发展,通过互联网进行业务交互的实际应用也越来越广泛。例如,在电子商务中,业务交互即相当于商品交易,业务交互的交互方为商品的提供方和接受方,也可以称为卖家和买家。
然而,在目前的网络业务交互环境中,特别是在个人对个人(C2C,Consumer toConsumer)平台上,一些业务交互的提供方,会提供质量较差的交互内容,且与提供方对交互内容的宣传不符,以达到欺骗业务交互的接受方的目的,且接受方在完成这样的业务交互之后,也没有很好的办法维护自身的权益。例如,在电子商务中,存在大量的小型卖家,货源复杂,监管难度很大,有些不良卖家会售卖假货,或者以次充好,坑害买家,一旦货品出现问题,买家比较难维权,举证麻烦,打击买家的网上消费信心,影响网上交易信息产业的良性发展。
所以,为了能够有效的对网络业务交互进行监管,对提供方欺骗接受方的行为进行限制,在业务交互完成后,业务交互的接受方可以对提供方进行评价,评价结果可以是正面的评价,如好评,也可以是负面的评价,如差评,通过这些评价来帮助接受方识别提供方的优劣,如识别出提供假货的卖家。
并且,业务交互平台也可以根据业务交互中对提供方的评价,对提供方的用户特征进行识别,如确定提供方是否在提供质量较差的交互内容,并触发预警,以便人工干预,具体可以如下:
一种方式为:针对一个提供方,统计业务交互中对该提供方的负面评价的数量,当该数量大于一个预设数量阈值时,则表示该提供方的用户特征为负面特征,例如在电子商务中,可以进一步的表示卖家售卖假货。
另一种方式为:针对一个提供方,统计业务交互中该提供方的负面评价占全部评价的比率,当该比率大于一个预设比率阈值时,则表示该提供方的用户特征为负面特征。
然而,在基于互联网进行业务交互的实际应用中,有一些接受方在业务交互中会恶意的对提供方提交负面评价,并以此要挟提供方,即业务交互中的一些评价并非是真实客观的,所以,在上述方案中,仅仅根据对提供方的负面评价的数量或占全部评价的比率确定提供方的用户特征,是不准确的。
发明内容
有鉴于此,本申请实施例提供一种用户特征识别方法及装置,用于解决现有技术中存在的确定业务交互中交互方的用户特征不准确的问题。
本申请实施例通过如下技术方案实现:
本申请实施例提供了一种用户特征识别方法,包括:
当接收到一次业务交互中交互方的指定评价时,根据所述业务交互的特征值,确定所述交互方的本次指定评价的可信度分值;
根据包括所述本次指定评价在内的所述交互方在多次业务交互中的多个指定评价的可信度分值,确定所述多个指定评价的可信度均值;
基于与所述多个指定评价对应的次数权重和所述可信度均值,确定所述多个指定评价的可信度均值加权值,所述多个指定评价的数量与对应的次数权重之间呈单调递增或单调递减关系;
根据所述可信度均值加权值与预设可信度阈值的大小关系,确定所述交互方的用户特征。
采用本申请实施例提供的上述方法,在接收到一次业务交互中交互方的指定评价后,需要对该交互方的用户特征进行识别时,是根据包括本次指定评价在内的该交互方的多个指定评价的可信度分值,确定该多个指定评价的可信度均值,并且还参考了该多个指定评价对应的次数权重,确定该多个指定评价的可信度均值加权值,且该多个指定评价的数量与对应的次数权重之间呈单调递增或单调递减关系。由于每个指定评价的可信度分值表示了该指定评价的可信程度,且多个指定评价的可信度均值能够更全面的表示该交互方的指定评价的总体可信程度,并且,还参考了该多个指定评价的数量对可信程度的提示作用,从而使得根据可信度均值加权值,能够更准确的确定该交互方的用户特征。
进一步的,根据所述业务交互的特征值,确定所述交互方的本次指定评价的可信度分值,具体包括:
针对所述业务交互的多个维度的特征值和多个维度对应的维度权重进行加权求和,得到所述交互方的本次指定评价的可信度分值。
进一步的,根据所述本次指定评价的可信度分值,确定所述多个指定评价的可信度均值,具体包括:
将所述多个指定评价的可信度分值的算数平均值,确定为所述多个指定评价的可信度均值;或者
对所述多个指定评价的可信度分值和所述多个指定评价各自对应的可信度权重进行加权求和,得到所述多个指定评价的可信度均值;或者
采用如下公式确定所述多个指定评价的可信度均值:
其中,为所述多个指定评价的可信度均值,为所述多个指定评价中除所述本次指定评价之外的其他指定评价的可信度均值,Xn为所述本次指定评价的所述可信度分值,β为大于0小于1的常数,n为所述多个指定评价的数量。
进一步的,所述交互方为提供方,所述指定评价为负面评价;或者
所述交互方为提供方,所述指定评价为正面评价;或者
所述交互方为接受方,所述指定评价为负面评价。
进一步的,根据所述可信度均值加权值与预设可信度阈值的大小关系,确定所述交互方的用户特征,具体包括:
当所述交互方为提供方,所述指定评价为负面评价时,当所述可信度均值加权值大于预设可信度阈值时,确定所述交互方的用户特征为负面特征,并触发预警,所述多个指定评价的数量与对应的次数权重之间呈单调递增关系;或者
当所述交互方为提供方,所述指定评价为正面评价时,当所述可信度均值加权值大于预设可信度阈值时,确定所述交互方的用户特征为正面特征,所述多个指定评价的数量与对应的次数权重之间呈单调递增关系;或者
当所述交互方为接受方,所述指定评价为负面评价时,当所述可信度均值加权值小于预设可信度阈值时,确定所述交互方的用户特征为虚假特征,并触发预警,所述多个指定评价的数量与对应的次数权重之间呈单调递减关系。
进一步的,当所述交互方为提供方,所述指定评价为负面评价时,所述交互方的指定评价相对于所述交互方不可见。
本申请实施例还提供了一种用户特征识别装置,包括:
可信度分值确定单元,用于当接收到一次业务交互中交互方的指定评价时,根据所述业务交互的特征值,确定所述交互方的本次指定评价的可信度分值;
可信度均值确定单元,用于根据所述本次指定评价的可信度分值,确定包括所述本次指定评价在内的所述交互方在多次业务交互中的多个指定评价的可信度均值;
可信度均值加权值确定单元,用于基于与所述多个指定评价对应的次数权重和所述可信度均值,确定所述多个指定评价的可信度均值加权值,所述多个指定评价的数量与对应的次数权重之间呈单调递增或单调递减关系;
特征确定单元,用于根据所述可信度均值加权值与预设可信度阈值的大小关系,确定所述交互方的用户特征。
采用本申请实施例提供的上述装置,在接收到一次业务交互中交互方的指定评价后,需要对该交互方的用户特征进行识别时,是根据包括本次指定评价在内的该交互方的多个指定评价的可信度分值,确定该多个指定评价的可信度均值,并且还参考了该多个指定评价对应的次数权重,确定该多个指定评价的可信度均值加权值,且该多个指定评价的数量与对应的次数权重之间呈单调递增或单调递减关系。由于每个指定评价的可信度分值表示了该指定评价的可信程度,且多个指定评价的可信度均值能够更全面的表示该交互方的指定评价的总体可信程度,并且,还参考了该多个指定评价的数量对可信程度的提示作用,从而使得根据可信度均值加权值,能够更准确的确定该交互方的用户特征。
进一步的,所述可信度分值确定单元,具体用于针对所述业务交互的多个维度的特征值和多个维度对应的维度权重进行加权求和,得到所述交互方的本次指定评价的可信度分值。
进一步的,可信度均值确定单元,具体用于将所述多个指定评价的可信度分值的算数平均值,确定为所述多个指定评价的可信度均值;或者
对所述多个指定评价的可信度分值和所述多个指定评价各自对应的可信度权重进行加权求和,得到所述多个指定评价的可信度均值;或者
采用如下公式确定所述多个指定评价的可信度均值:
其中,为所述多个指定评价的可信度均值,为所述多个指定评价中除所述本次指定评价之外的其他指定评价的可信度均值,Xn为所述本次指定评价的所述可信度分值,β为大于0小于1的常数,n为所述多个指定评价的数量。
进一步的,所述特征确定单元,具体用于当所述交互方为提供方,所述指定评价为负面评价时,当所述可信度均值加权值大于预设可信度阈值时,确定所述交互方的用户特征为负面特征,并触发预警,所述多个指定评价的数量与对应的次数权重之间呈单调递增关系;或者
当所述交互方为提供方,所述指定评价为正面评价时,当所述可信度均值加权值大于预设可信度阈值时,确定所述交互方的用户特征为正面特征,所述多个指定评价的数量与对应的次数权重之间呈单调递增关系;或者
当所述交互方为接受方,所述指定评价为负面评价时,当所述可信度均值加权值小于预设可信度阈值时,确定所述交互方的用户特征为虚假特征,并触发预警,所述多个指定评价的数量与对应的次数权重之间呈单调递减关系。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中:
图1为本申请实施例提供的用户特征识别方法的流程图;
图2为本申请实施例1中提供的用户特征识别方法的流程图;
图3为本申请实施例2中提供的用户特征识别装置的结构示意图。
具体实施方式
为了给出提高确定业务交互中交互方的用户特征的准确性的实现方案,本申请实施例提供了一种用户特征识别方法及装置,该技术方案可以应用于业务交互完成后识别交互方的用户特征的过程,既可以实现为一种方法,也可以实现为一种装置。以下结合说明书附图对本申请的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请。并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本申请实施例提供一种用户特征识别方法,如图1所示,包括:
步骤101、当接收到一次业务交互中交互方的指定评价时,根据该业务交互的特征值,确定该交互方的本次指定评价的可信度分值。
步骤102、根据本次指定评价的可信度分值,确定包括本次指定评价在内的该交互方在多次业务交互中的多个指定评价的可信度均值。
步骤103、基于与该多个指定评价对应的次数权重和该可信度均值,确定该多个指定评价的可信度均值加权值,该多个指定评价的数量与对应的次数权重之间呈单调递增或单调递减关系。
步骤104、根据该可信度均值加权值与预设可信度阈值的大小关系,确定该交互方的用户特征。
其中,在上述用户特征识别方法中,该交互方可以为业务交互中的提供方,如卖家,也可以为业务交互中的接受方,如买家。当该交互方为提供方时,该指定评价可以为负面评价,也可以为正面评价,以便确定该提供方的用户特征是否为负面特征;当该交互方为接受方时,该指定评价可以为负面评价,以便确定该接受方的用户特征是否为虚假特征。
下面结合附图,以根据业务交互中的负面评价,对业务交互中的提供方进行用户特征识别为例,用具体实施例对本申请提供的方法进行详细描述。
实施例1:
本申请实施例1提供一种用户特征识别方法,如图2所示,具体包括如下处理步骤:
步骤201、在基于互联网的一次业务交互完成后,接收到该业务交互中接受方对提供方提交的负面评价。
由于在基于互联网的实际业务交互中,当接受方对提供方提交负面评价后,经常会被提供方要求更改提交的负面评价,对接受方造成骚扰,为了解决这一问题,本申请实施例中,接受方对提供方提交的负面评价,相对于提供方可以是不可见的。
具体的,在业务交互完成后,可以向接受方提供评价选项,包括负面评价选项和正面评价选项,供接受方进行选择,并匿名提交。
步骤202、根据该业务交互的特征值,确定该提供方的本次负面评价的可信度分值,其中,业务交互的特征值表示该业务交互的特征情况。
本步骤中,用于确定负面评价的可信度分值的业务交互的特征值,可以包括多个维度的特征值,并且,多个维度分别对应维度权重,相应的,具体可以针对该业务交互的多个维度的特征值和多个维度对应的维度权重进行加权求和,得到该提供方的本次负面评价的可信度分值。
例如,多个维度的特征值具体可以包括:
类目风险特征值,即本次业务交互中交互的业务内容所属类目对应的类目风险特征值,由于在交互不同类目的业务内容时,出现负面评价的概率不一致,所以不同类目对应不同的类目风险特征值,例如,在电子商务中,业务内容为交易的商品,交易不同商品所属的类目出现负面评价的概率不一致,如交易耳机类商品时容易出现假货,交易毛巾类商品时不容易出现假货,所以耳机类对应的类目风险特征值可以高于毛巾类对应的类目风险特征值;
接受方信用等级,即本次业务交互中接受方的信用等级,信用等级高的接受方提交的评价可信度高;
接受方注册时间,即本次业务交互中接受方的注册时间,注册时间长的接受方提交的评价可信度高,而新注册的接受方提交的评价可信度较低;
接受方历史业务交互数量,即本次业务交互中接受方的历史业务交互数量,该数量越高,表示接受方提交的评价可信度越高;
接受方历史提交负面评价数量,即本次业务交互中接受方历史提交负面评价的数量,该数量越高,表示接受方提交的负面评价可信度越低;
提供方信用等级,即本次业务交互中该提供方的信用等级,信用等级越高该提供方被负面评价的可信度越低。
本申请实施例中,还可以根据实际的业务情况,采用其它各种维度的特征值,在此不再举例进行描述。
本步骤中,多个维度分别对应的维度权重,可以根据实际的业务情况和需要进行灵活设置,在此不再举例进行描述。
本申请实施例中,在确定负面评价的可信度分值时所根据的业务交互的特征值,可以选择稳定的参考信息,例如,稳定、单次生效的参考信息,包括:类目风险特征值、接受方信用等级、接受方注册时间、接受方历史业务交互数量、接受方历史提交负面评价数量等,由于与接受方相关的这些参考信息,仅针对本次业务交互有效,所以可以作为稳定、单次生效的参考信息;又如,稳定、全局生效的参考信息,包括:提供方信用等级等,由于是针对该同一提供方进行用户特征识别,与该提供方相关的这些参考信息通常是全局生效的,且相对比较稳定,所以可以作为稳定、全局生效的参考信息。
由于后续将要确定包括本次负面评价在内的该提供方在多次业务交互中的多个负面评价的可信度均值,所以,本步骤中确定的本次负面评价的可信度分值,在针对下一次负面评价确定可信度均值时还将用到,所以,本步骤中,选择稳定的参考信息用于确定负面评价的可信度分值,在确定后可以将可信度分值进行保存,以便后续需要时直接获取并使用,而不需要再次从一些基础数据库中获取相关的数据进行汇总计算,从而提高了处理效率,保证了方法的实时性,且能够避免重复计算所带来的处理资源的消耗,从而减少处理资源的消耗。
并且,通过上述步骤201和步骤202,每次在业务交互完成后并接收到对提供方提交的负面评价后,均动态触发对该提供方的用户特征的识别,不需要定期扫描基础数据库中的评价数据,从而减少了离线定时数据扫描计算对系统处理资源的大量占用。
步骤203、根据本次业务交互中对该提供方的本次负面评价的可信度分值,确定包括本次负面评价在内的该提供方在多次业务交互中的多个负面评价的可信度均值。其中,该多次业务交互可以是不同的接受方与该同一个提供方之间的业务交互,相应的,该多个负面评价可以是不同的接受方对该同一个提供方的负面评价。
进一步的,该多次业务交互中的该多个负面评价,可以是该提供方的全部负面评价,也可以是从某一历史时刻起该提供方的全部负面评价。
本步骤中,具体可以采用如下三种方式确定该多个负面评价的可信度均值:
第一种方式:获取存储的该多个负面评价的可信度分值,将该多个负面评价的可信度分值的算数平均值,确定为该多个指定评价的可信度均值。
第二种方式:获取存储的该多个负面评价的可信度分值,以及该多个负面评价各自对应的可信度权重,并对该多个负面评价的可信度分值和该多个负面评价各自对应的可信度权重进行加权求和,得到该多个指定评价的可信度均值,其中,负面评价被提交的时刻越晚,该负面评价对应的可信度权重越大。
第三种方式:采用如下公式确定该多个负面评价的可信度均值:
其中,为该多个负面评价的可信度均值,为该多个负面评价中除本次负面评价之外的其他负面评价的可信度均值,Xn为本次负面评价的可信度分值,β为大于0小于1的常数,可以根据实际需要进行灵活设置,n为该多个指定评价的数量。
当采用第三种方式时,在每次确定出多个负面评价的可信度均值时,可以将其存储,以便后续下一次确定多个负面评价的可信度均值时,可以直接获取并使用,以便提高处理效率。
步骤204、基于与该多个负面评价对应的次数权重和该多个负面评价的可信度均值,确定该多个负面评价的可信度均值加权值,其中,该多个负面评价的数量与对应的次数权重之间呈单调递增关系,例如,该多个负面评价的数量越多,对应的次数权重越大。
例如,次数权重可以为:α=1+k*n;
其中,α为该多个负面评价对应的次数权重,n为该多个负面评价的数量,即当前累计负面评价的数量,k为大于0小于1的常数,可以根据实际需要进行灵活设置,如可以设置为0.05。
具体的,该多个负面评价的可信度均值加权值可以为该次数权重和该可信度均值的乘积。
步骤205、确定可信度均值加权值是否大于预设可信度阈值,如果大于,进入步骤206,如果不大于,进入步骤207。
步骤206、当可信度均值加权值大于预设可信度阈值时,表示在多次历史业务交互中对该提供方的该多个负面评价的总体可信度较高,从而可以确定该提供方的用户特征为负面特征,如在电子商务中,负面特征表示该提供方存在售卖假货的嫌疑,进一步的,还可以触发预警,以便后续人工进行干预和处理。
步骤207、当可信度均值加权值不大于预设可信度阈值时,表示在多次历史业务交互中对该提供方的该多个负面评价的总体可信度较低,从而可以确定该提供方的用户特征不为负面特征,如在电子商务中,不为负面特征表示该提供方不存在售卖假货的嫌疑。
采用本申请实施例1提供的上述用户特征识别方法,由于每个负面评价的可信度分值表示了该负面评价的可信程度,且多个负面评价的可信度均值能够更全面的表示对该提供方的负面评价的总体可信程度,并且,还参考了该多个负面评价的数量对可信度程度带来的提示作用,从而使得根据可信度均值加权值,能够更准确的确定该提供方的用户特征。
并且,在确定负面评价的可信度分值时所根据的业务交互的特征值,可以选择稳定的参考信息,从而使得在确定每次负面评价的可信度分值后,可以保存该可信度分值,并在针对下一次负面评价确定可信度均值时直接获取并使用,而不需要再次从一些基础数据库中获取相关的数据进行确定,从而提高了处理效率,保证了方法的实时性,且能够减少处理资源的消耗。
并且,在业务交互完成后,接受方对提供方提交的负面评价,相对于提供方可以是不可见的,从而能够避免接受方在提交负面评价后,被提供方进行频繁骚扰。
本申请实施例1提供的上述方法中,是以根据业务交互中的负面评价,对业务交互中的提供方进行用户特征识别为例进行描述,在其它实施例中,还可以根据业务交互中的正面评价,对业务交互中的提供方进行用户特征识别,此时,可以采用上述图2所示方式确定可信度均值加权值,并当可信度均值加权值大于预设可信度阈值时,确定提供方的用户特征为正面特征;以及当可信度均值加权值不大于预设可信度阈值时,确定该提供方的用户特征不为正面特征。
在其它实施例中,还可以根据业务交互中的负面评价,对业务交互中的接受方进行用户特征识别,此时,可以采用上述图2所示方式确定可信度均值加权值,区别在于是针对接受方在多次业务交互中提交的多个负面评价,确定对应的可信度均值加权值,并且,该多个负面评价的数量与对应的次数权重之间呈单调递减关系,相应的,当可信度均值加权值小于预设可信度阈值时,确定该接受方的用户特征为虚假特征,即表示该接受方可能为经常恶意提交负面评价的用户,进一步的,还可以触发预警;以及当可信度均值加权值不小于预设可信度阈值时,确定该接受方的用户特征不为虚假特征。
实施例2:
基于同一发明构思,根据本申请上述实施例提供的用户特征识别方法,相应地,本申请实施例2还提供了一种用户特征识别装置,其结构示意图如图3所示,具体包括:
可信度分值确定单元301,用于当接收到一次业务交互中交互方的指定评价时,根据所述业务交互的特征值,确定所述交互方的本次指定评价的可信度分值;
可信度均值确定单元302,用于根据所述本次指定评价的可信度分值,确定包括所述本次指定评价在内的所述交互方在多次业务交互中的多个指定评价的可信度均值;
可信度均值加权值确定单元303,用于基于与所述多个指定评价对应的次数权重和所述可信度均值,确定所述多个指定评价的可信度均值加权值,所述多个指定评价的数量与对应的次数权重之间呈单调递增或单调递减关系;
特征确定单元304,用于根据所述可信度均值加权值与预设可信度阈值的大小关系,确定所述交互方的用户特征。
进一步的,可信度分值确定单元301,具体用于针对所述业务交互的多个维度的特征值和多个维度对应的维度权重进行加权求和,得到所述交互方的本次指定评价的可信度分值。
进一步的,可信度均值确定单元302,具体用于将所述多个指定评价的可信度分值的算数平均值,确定为所述多个指定评价的可信度均值;或者
对所述多个指定评价的可信度分值和所述多个指定评价各自对应的可信度权重进行加权求和,得到所述多个指定评价的可信度均值;或者
采用如下公式确定所述多个指定评价的可信度均值:
其中,为所述多个指定评价的可信度均值,为所述多个指定评价中除所述本次指定评价之外的其他指定评价的可信度均值,Xn为所述本次指定评价的所述可信度分值,β为大于0小于1的常数,n为所述多个指定评价的数量。
进一步的,特征确定单元304,具体用于当所述交互方为提供方,所述指定评价为负面评价时,当所述可信度均值加权值大于预设可信度阈值时,确定所述交互方的用户特征为负面特征,并触发预警,所述多个指定评价的数量与对应的次数权重之间呈单调递增关系;或者
当所述交互方为提供方,所述指定评价为正面评价时,当所述可信度均值加权值大于预设可信度阈值时,确定所述交互方的用户特征为正面特征,所述多个指定评价的数量与对应的次数权重之间呈单调递增关系;或者
当所述交互方为接受方,所述指定评价为负面评价时,当所述可信度均值加权值小于预设可信度阈值时,确定所述交互方的用户特征为虚假特征,并触发预警,所述多个指定评价的数量与对应的次数权重之间呈单调递减关系。
上述各单元的功能可对应于图1至图2所示流程中的相应处理步骤,在此不再赘述。
综上所述,本申请实施例提供的方案,包括:当接收到一次业务交互中交互方的指定评价时,根据该业务交互的特征值,确定该交互方的本次指定评价的可信度分值;并根据本次指定评价的可信度分值,确定包括本次指定评价在内的该交互方在多次业务交互中的多个指定评价的可信度均值;并基于与该多个指定评价对应的次数权重和该可信度均值,确定该多个指定评价的可信度均值加权值,该多个指定评价的数量与对应的次数权重之间呈单调递增或单调递减关系;以及根据该可信度均值加权值与预设可信度阈值的大小关系,确定该交互方的用户特征。采用本申请实施例提供的方案,提高了确定业务交互中交互方的用户特征的准确性。
本申请的实施例所提供的用户特征识别装置可通过计算机程序实现。本领域技术人员应该能够理解,上述的模块划分方式仅是众多模块划分方式中的一种,如果划分为其他模块或不划分模块,只要用户特征识别装置具有上述功能,都应该在本申请的保护范围之内。
本申请是参照根据本申请实施例的方法、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。
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。
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。
在一个典型的配置中,所述计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非持续性的电脑可读媒体(transitory media),如调制的数据信号和载波。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种用户特征识别方法,其特征在于,包括:
当接收到一次业务交互中交互方的指定评价时,根据所述业务交互的特征值,确定所述交互方的本次指定评价的可信度分值;
根据所述本次指定评价的可信度分值,确定包括所述本次指定评价在内的所述交互方在多次业务交互中的多个指定评价的可信度均值;
基于与所述多个指定评价对应的次数权重和所述可信度均值,确定所述多个指定评价的可信度均值加权值,所述多个指定评价的数量与对应的次数权重之间呈单调递增或单调递减关系;
根据所述可信度均值加权值与预设可信度阈值的大小关系,确定所述交互方的用户特征。
2.如权利要求1所述的方法,其特征在于,根据所述业务交互的特征值,确定所述交互方的本次指定评价的可信度分值,具体包括:
针对所述业务交互的多个维度的特征值和多个维度对应的维度权重进行加权求和,得到所述交互方的本次指定评价的可信度分值。
3.如权利要求1所述的方法,其特征在于,根据所述本次指定评价的可信度分值,确定所述多个指定评价的可信度均值,具体包括:
将所述多个指定评价的可信度分值的算数平均值,确定为所述多个指定评价的可信度均值;或者
对所述多个指定评价的可信度分值和所述多个指定评价各自对应的可信度权重进行加权求和,得到所述多个指定评价的可信度均值;或者
采用如下公式确定所述多个指定评价的可信度均值:
其中,为所述多个指定评价的可信度均值,为所述多个指定评价中除所述本次指定评价之外的其他指定评价的可信度均值,Xn为所述本次指定评价的所述可信度分值,β为大于0小于1的常数,n为所述多个指定评价的数量。
4.如权利要求1-3任一所述的方法,其特征在于,所述交互方为提供方,所述指定评价为负面评价;或者
所述交互方为提供方,所述指定评价为正面评价;或者
所述交互方为接受方,所述指定评价为负面评价。
5.如权利要求4所述的方法,其特征在于,根据所述可信度均值加权值与预设可信度阈值的大小关系,确定所述交互方的用户特征,具体包括:
当所述交互方为提供方,所述指定评价为负面评价时,当所述可信度均值加权值大于预设可信度阈值时,确定所述交互方的用户特征为负面特征,并触发预警,所述多个指定评价的数量与对应的次数权重之间呈单调递增关系;或者
当所述交互方为提供方,所述指定评价为正面评价时,当所述可信度均值加权值大于预设可信度阈值时,确定所述交互方的用户特征为正面特征,所述多个指定评价的数量与对应的次数权重之间呈单调递增关系;或者
当所述交互方为接受方,所述指定评价为负面评价时,当所述可信度均值加权值小于预设可信度阈值时,确定所述交互方的用户特征为虚假特征,并触发预警,所述多个指定评价的数量与对应的次数权重之间呈单调递减关系。
6.如权利要求4所述的方法,其特征在于,当所述交互方为提供方,所述指定评价为负面评价时,所述交互方的指定评价相对于所述交互方不可见。
7.一种用户特征识别装置,其特征在于,包括:
可信度分值确定单元,用于当接收到一次业务交互中交互方的指定评价时,根据所述业务交互的特征值,确定所述交互方的本次指定评价的可信度分值;
可信度均值确定单元,用于根据所述本次指定评价的可信度分值,确定包括所述本次指定评价在内的所述交互方在多次业务交互中的多个指定评价的可信度均值;
可信度均值加权值确定单元,用于基于与所述多个指定评价对应的次数权重和所述可信度均值,确定所述多个指定评价的可信度均值加权值,所述多个指定评价的数量与对应的次数权重之间呈单调递增或单调递减关系;
特征确定单元,用于根据所述可信度均值加权值与预设可信度阈值的大小关系,确定所述交互方的用户特征。
8.如权利要求7所述的装置,其特征在于,所述可信度分值确定单元,具体用于针对所述业务交互的多个维度的特征值和多个维度对应的维度权重进行加权求和,得到所述交互方的本次指定评价的可信度分值。
9.如权利要求7所述的装置,其特征在于,可信度均值确定单元,具体用于将所述多个指定评价的可信度分值的算数平均值,确定为所述多个指定评价的可信度均值;或者
对所述多个指定评价的可信度分值和所述多个指定评价各自对应的可信度权重进行加权求和,得到所述多个指定评价的可信度均值;或者
采用如下公式确定所述多个指定评价的可信度均值:
其中,为所述多个指定评价的可信度均值,为所述多个指定评价中除所述本次指定评价之外的其他指定评价的可信度均值,Xn为所述本次指定评价的所述可信度分值,β为大于0小于1的常数,n为所述多个指定评价的数量。
10.如权利要求7-9任一所述的装置,其特征在于,所述特征确定单元,具体用于当所述交互方为提供方,所述指定评价为负面评价时,当所述可信度均值加权值大于预设可信度阈值时,确定所述交互方的用户特征为负面特征,并触发预警,所述多个指定评价的数量与对应的次数权重之间呈单调递增关系;或者
当所述交互方为提供方,所述指定评价为正面评价时,当所述可信度均值加权值大于预设可信度阈值时,确定所述交互方的用户特征为正面特征,所述多个指定评价的数量与对应的次数权重之间呈单调递增关系;或者
当所述交互方为接受方,所述指定评价为负面评价时,当所述可信度均值加权值小于预设可信度阈值时,确定所述交互方的用户特征为虚假特征,并触发预警,所述多个指定评价的数量与对应的次数权重之间呈单调递减关系。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310487917.4A CN104574126B (zh) | 2013-10-17 | 2013-10-17 | 一种用户特征识别方法及装置 |
US14/515,885 US9779406B2 (en) | 2013-10-17 | 2014-10-16 | User feature identification method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310487917.4A CN104574126B (zh) | 2013-10-17 | 2013-10-17 | 一种用户特征识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104574126A CN104574126A (zh) | 2015-04-29 |
CN104574126B true CN104574126B (zh) | 2018-10-23 |
Family
ID=52827094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310487917.4A Active CN104574126B (zh) | 2013-10-17 | 2013-10-17 | 一种用户特征识别方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US9779406B2 (zh) |
CN (1) | CN104574126B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485505A (zh) * | 2015-08-25 | 2017-03-08 | 平安科技(深圳)有限公司 | 客户特征识别控制方法及系统 |
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 |
CN107342879B (zh) * | 2016-04-29 | 2020-06-05 | 北京京东尚科信息技术有限公司 | 用于确定向网络用户进行服务评价请求的方法、装置和计算机可读存储介质 |
CN108416662B (zh) * | 2017-02-10 | 2021-09-21 | 腾讯科技(深圳)有限公司 | 一种数据验证方法及装置 |
CN106980911A (zh) * | 2017-04-05 | 2017-07-25 | 南京人人保网络技术有限公司 | 基于静态因子的驾驶风险评估方法及装置 |
CN107451854B (zh) * | 2017-07-12 | 2020-05-05 | 阿里巴巴集团控股有限公司 | 确定用户类型的方法及装置、电子设备 |
CN107679887A (zh) * | 2017-08-31 | 2018-02-09 | 北京三快在线科技有限公司 | 一种商户评分的处理方法和装置 |
CN108564386B (zh) * | 2018-04-28 | 2020-06-02 | 腾讯科技(深圳)有限公司 | 商户识别方法及装置、计算机设备及存储介质 |
CN108985815A (zh) * | 2018-06-06 | 2018-12-11 | 阿里巴巴集团控股有限公司 | 一种用户识别方法、装置及设备 |
CN117032528A (zh) * | 2023-10-10 | 2023-11-10 | 深圳市微克科技有限公司 | 一种智能手表弧形菜单的交互方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038643A (zh) * | 2006-03-13 | 2007-09-19 | 腾讯科技(深圳)有限公司 | 一种电子交易的信用计分的方法 |
CN101908185A (zh) * | 2009-06-02 | 2010-12-08 | 肖进 | 一种基于互联网的信誉评价方法 |
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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7403922B1 (en) | 1997-07-28 | 2008-07-22 | Cybersource Corporation | Method and apparatus for evaluating fraud risk in an electronic commerce transaction |
US8620822B2 (en) | 2007-02-01 | 2013-12-31 | Microsoft Corporation | Reputation assessment via karma points |
US8725597B2 (en) | 2007-04-25 | 2014-05-13 | Google Inc. | Merchant scoring system and transactional database |
US20120246092A1 (en) | 2011-03-24 | 2012-09-27 | Aaron Stibel | Credibility Scoring and Reporting |
US20120316990A1 (en) | 2011-06-09 | 2012-12-13 | Google Inc. | Evaluating Merchant Trustworthiness |
US20130144800A1 (en) | 2011-12-01 | 2013-06-06 | Google Inc. | Identifying Recommended Merchants |
-
2013
- 2013-10-17 CN CN201310487917.4A patent/CN104574126B/zh active Active
-
2014
- 2014-10-16 US US14/515,885 patent/US9779406B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038643A (zh) * | 2006-03-13 | 2007-09-19 | 腾讯科技(深圳)有限公司 | 一种电子交易的信用计分的方法 |
CN101908185A (zh) * | 2009-06-02 | 2010-12-08 | 肖进 | 一种基于互联网的信誉评价方法 |
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 |
Non-Patent Citations (2)
Title |
---|
基于评价者过滤的个性化信任模型;叶枫 等;《管理工程学报》;20120715(第3期);第80-87页 * |
面向C2C电子商务的多维信誉评价模型;李聪 等;《管理学报》;20120201;第9卷(第2期);第204-211页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104574126A (zh) | 2015-04-29 |
US9779406B2 (en) | 2017-10-03 |
US20150112920A1 (en) | 2015-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104574126B (zh) | 一种用户特征识别方法及装置 | |
US11830053B2 (en) | Methods and systems for deriving a score with which item listings are ordered when presented in search results | |
US11587123B2 (en) | Predictive recommendation system using absolute relevance | |
CN104463637A (zh) | 一种基于电商平台的商品推荐方法、装置及服务器 | |
Masterov et al. | Canary in the e-commerce coal mine: Detecting and predicting poor experiences using buyer-to-seller messages | |
US20150058151A1 (en) | Systems and methods for buying and selling one or more vehicles | |
KR102097045B1 (ko) | 사용자의 특성을 반영하여 상품을 추천하는 방법 및 장치 | |
CN106610818A (zh) | 一种属性确定的方法及装置 | |
JP2019185595A (ja) | 情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラム | |
US9201967B1 (en) | Rule based product classification | |
CN113610521A (zh) | 用于检测行为数据的异常的方法和设备 | |
JP7059160B2 (ja) | 提供装置、提供方法および提供プログラム | |
CN111143546A (zh) | 一种获得推荐语的方法、装置及电子设备 | |
Chan et al. | Modeling and forecasting online auction prices: a semiparametric regression analysis | |
WO2014020299A1 (en) | Location evaluation | |
US20230080680A1 (en) | Model-based analysis of intellectual property collateral | |
KR101409273B1 (ko) | 사용자의 구매 영향력 지수를 산출하는 방법 및 장치 | |
US10497025B1 (en) | Real-time predictive recommendation system using per-set optimization | |
US11113351B2 (en) | Aggregated search engine query analysis | |
US20150120614A1 (en) | Systems and methods for optimizing product prices | |
Chen et al. | Cryptocurrency, Profitability, And Tweeter: A Mgarch Framework | |
JP2020190949A (ja) | 推定装置、推定方法及び推定プログラム | |
CN111709770A (zh) | 一种数据处理方法以及装置 | |
CN111353883A (zh) | 一种为商户提供服务的方法和装置 | |
CN108345599A (zh) | 网页类型确定方法、装置及计算机可读介质 |
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 |