CN106991425A - 商品交易质量的检测方法和装置 - Google Patents
商品交易质量的检测方法和装置 Download PDFInfo
- Publication number
- CN106991425A CN106991425A CN201610041589.9A CN201610041589A CN106991425A CN 106991425 A CN106991425 A CN 106991425A CN 201610041589 A CN201610041589 A CN 201610041589A CN 106991425 A CN106991425 A CN 106991425A
- Authority
- CN
- China
- Prior art keywords
- clique
- transaction
- conclusion
- daily record
- model
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种商品交易质量的检测方法和装置,该商品交易质量的检测方法包括:获取实时日志系统采集的成交日志;获取预先生成的识别模型;根据所述识别模型,对所述成交日志进行识别,识别出所述成交日志中的作弊交易。该方法能够快速的识别出作弊交易。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种商品交易质量的检测方法和装置。
背景技术
在统计一些互联网特征信息时,如搜索实时计算排序特征、个性化实时计算行为特征、推荐实时计算推荐因子、实时计算销量属性等过程中容易受到用户异常作弊行为影响,导致各处导流业务排序结果异常,造成作弊用户(卖家)获得大量正常流量,正常用户(卖家)无法获得引流,造成交易系统瘫痪,影响业务正常发展。
相关技术中,通常是基于统计分析数据特征,检测商品交易质量。但是,这种方式会存在2天或2小时以上的延迟。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的一个目的在于提出一种商品交易质量的检测方法,该方法可以快速的识别出作弊交易。
本申请的另一个目的在于提出一种商品交易质量的检测装置。
为达到上述目的,本申请第一方面实施例提出的商品交易质量的检测方法,包括:获取实时日志系统采集的成交日志;获取预先生成的识别模型;根据所述识别模型,对所述成交日志进行识别,识别出所述成交日志中的作弊交易。
本申请第一方面实施例提出的商品交易质量的检测方法,通过获取识别模型,采用识别模型对实时采集的成交日志进行识别,可以保证对作弊交易的实时识别,从而可以快速识别出作弊交易。
为达到上述目的,本申请第二方面实施例提出的商品交易质量的检测装置,包括:第一获取模块,用于获取实时日志系统采集的成交日志;第二获取模块,用于获取预先生成的识别模型;识别模块,用于根据所述识别模型,对所述成交日志进行识别,识别出所述成交日志中的作弊交易。
本申请第二方面实施例提出的商品交易质量的检测装置,通过获取识别模型,采用识别模型对实时采集的成交日志进行识别,可以保证对作弊交易的实时识别,从而可以快速识别出作弊交易。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本申请一实施例提出的商品交易质量的检测方法的流程示意图;
图2是本申请实施例对应的系统结构示意图;
图3是本申请实施例中生成识别模型并采用识别模型进行识别的示意图;
图4是本申请实施例中根据决策树模型识别的流程示意图;
图5是本申请实施例中根据团伙信息熵模型识别的流程示意图;
图6是本申请另一实施例提出的商品交易质量的检测装置的结构示意图;
图7是本申请另一实施例提出的商品交易质量的检测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。相反,本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本申请一实施例提出的商品交易质量的检测方法的流程示意图。参见图1,该方法包括:
S11:获取实时日志系统采集的成交日志。
其中,参见图2,为本实施例提出的检测方法对应的系统的结构示意图。如图2所述,该系统包括:实时日志系统21和流式计算系统22。
实时日志系统21用于实时采集线上的成交日志,并在采集到成交日志后实时发送给流式计算系统22。
流式计算系统22用于对成交日志进行实时识别,从成交日志中识别出作弊交易。另外,流式计算系统还可以用于执行其他的与成交日志相关的处理,例如,进行推荐排序、个性化排序、大型促销活动等。
例如,参见图2,流式计算系统22可以包括:交易质量评估系统和非交易质量评估系统,其中,交易质量评估系统用于从成交日志中识别出作弊交易,非交易质量评估系统例如包括:推荐排序系统、个性化排序系统、大促投放系统等。
另外,该系统还可以包括存储系统,以存储流式计算系统所需的数据。例如,流式计算系统22可以根据成交日志中的买家ID从存储系统中获取买家团伙标签。
S12:获取预先生成的识别模型。
本实施例中,识别模型包括决策树模型和团伙信息熵模型。
其中,决策树模型用于识别个体炒作的作弊交易,团伙信息熵模型用于识别团伙炒作的作弊交易。
S13:根据所述识别模型,对所述成交日志中的商品交易进行识别,识别出所述成交日志中的作弊交易。
如图2所示,流式计算系统的日志流模块接收到实时日志系统发送的成交日志后,可以将成交日志推送给流式计算系统的其他子模块,其他子模块包括交易评估系统和非交易评估系统,交易评估系统用于识别成交日志中的作弊交易,非交易评估系统是根据成交日志进行处理的系统,例如包括:推荐排序系统、个性化排序系统和大促投放系统等。
交易评估系统接收到成交日志后,可以对成交日志进行分析,识别出作弊交易。
交易评估系统在识别时,根据决策树模型和团伙信息熵模型进行识别。
具体的,可以先根据决策树模型识别出个体炒作的作弊交易,再采用团伙信息熵模型对非个体炒作的作弊交易进行识别,识别出团伙炒作的作弊交易。
如图3所示,决策树模型和团伙信息熵模型是在训练模块31完成的,在用于识别作弊交易的预测模块32中,采用训练时生成的识别模型进行识别。
一些实施例中,参见图4,生成决策树模型的流程可以包括:
S41:获取训练样本。
其中,训练样本包括:历史作弊交易和历史正常交易,历史作弊交易可以具体是指历史的个体炒作的作弊交易。
训练样本可以记录在历史的成交日志中,流式计算系统可以从历史的成交日志中获取到训练样本。
S42:获取所述训练样本的静态属性特征,并计算每个静态属性特征的信息增益。
流式计算系统对应每个训练样本可以解析出其对应的静态属性特征。静态属性特征是对交易特征中的连续性变量离散化后得到的。
交易特征例如包括:订单价格、类目、交易类型、支付金额、改价比例、红包支付、买家ID、卖家ID、商品ID、B/C类型、PC/无线类型等信息。
信息增益的计算公式是:
信息熵的计算公式是:
其中,U为信息熵主体,n是特征取值范围,pi为对象U某种时间发生概率,V(A)为静态属性特征中属性A的值域,S是样本集合,Sv是S中属性A上值等于v的样本集合。
S43:根据信息增益最大原则,生成决策树模型。
例如,采用信息增益最大的特征分裂节点,直到树的深度到达上限,从而生成决策树模型。
相应的,参见图4,在预测阶段,采用决策树模型识别作弊交易的流程可以包括:
S44:对所述成交日志进行解析,获取当前交易的静态属性特征。
其中,可以分别将成交日志中的每个交易作为当前交易,从而完成对每个交易的识别。
对应每个当前交易,可以对当前交易的交易特征进行实时离散化,得到静态属性特征。
交易特征例如包括:订单价格、类目、交易类型、支付金额、改价比例、红包支付、买家ID、卖家ID、商品ID、B/C类型、PC/无线类型等信息。
S45:根据当前交易的静态属性特征遍历决策树模型,得到作弊分数。
其中,在训练阶段得到的决策树模型的每个叶子节点中可以记录正常交易的个数和作弊交易的个数。
通过对决策树模型的遍历,可以将当前待识别的交易对应到一个叶子节点,在对应到一个叶子节点后,可以从该叶子节点中获取正常交易的个数和作弊交易的个数,比如分别用M和N表示,从而可以将作弊概率(N/(M+N))确定为当前交易的作弊分数。
S46:当所述作弊分数大于预设值时,识别出所述当前交易是个体炒作的作弊交易。
其中,预设值可以是在训练阶段得到的,例如,在训练阶段通过人工检测等方式确定出预设值。
当通过决策树模型计算出当前交易的作弊分数后,可以将该作弊分数与预设值比较,当作弊分数大于预设值时,确定是个体炒作的作弊交易,否则,确定不是个体炒作的作弊交易。
一些实施例中,参见图5,生成团伙信息熵模型的流程可以包括:
S51:获取训练样本。
其中,训练样本包括:历史作弊交易和历史正常交易,历史作弊交易可以具体是指历史的团体炒作的作弊交易。
训练样本可以记录在历史的成交日志中,流式计算系统可以从历史的成交日志中获取到训练样本。
S52:获取所述训练样本对应的买家团伙标签,并获取买家团伙标签对应的成交量,以及获取所述训练样本对应的团伙信息熵。
例如,流式计算系统对训练样本进行解析,得到交易特征,交易特征包括买家ID,存储系统中可以预先记录买家ID与买家团伙标签之间的对应关系,因此,可以从存储系统中获取对应的买家团伙标签。
另外,流式计算系统还可以预先记录买家团伙标签与成交量之间的对应关系,例如记录<GroupTagn,Count>字段,从而可以获取对应的成交量。
其中,买家ID与买家团伙标签之间的对应关系可以是流式计算系统通过离线挖掘得到的,例如,离线挖掘同学、朋友、同事等关系,将满足一定关系的买家作为一个买家团伙。另外,还可以通过商品标签等方式进行挖掘。
买家团伙标签与成交量之间的对应关系可以实时计算维护。在实时模型中,对实时数据读写性能要求高,高并发流式计算过程中,单个商品个体计算对内存开销要求极高。本实施例中,可以维护高频炒作团伙。可以计算炒作团伙热度,根据热度选取热度较高的M个(Top M),记录相应的买家团伙标签及其对应的成交量。其中,热度可以根据成交量确定。
团伙信息熵的计算公式是:
其中,U为商品粒度研究对象,n为买家团伙数,pi为对象团伙出现概率。
S53:根据训练样本对应的成交量和团伙信息熵,生成团伙信息熵模型。
其中,团伙信息熵模型的计算公式是:
例如,获取训练样本的团伙信息熵和成交量后,可以分别上述公式的spam_score(x)和x,离线模拟该过程,根据梯度下降法(可替换成其他参数求解方法)求解spam_score(x)的参数a、b、c,并且还可以人工检测对应参数下spam_score(x)准确率。
相应的,参见图5,在预测阶段,采用团伙信息熵模型识别作弊交易的流程可以包括:
S54:对所述成交日志进行解析,获取当前交易的买家团伙标签。
例如,对当前交易进行解析,获取交易特征,交易特征包括买家ID,根据存储系统中记录的买家ID与买家团伙标签的对应关系,可以获取对应的买家团伙标签GroupTagn。
S55:根据预先存储的买家团伙标签与成交量的对应关系,获取对应的成交量。
例如,根据预先记录的<GroupTagn,Count>字段,可以获取对应的Count。
S56:根据所述成交量以及团伙信息熵模型,计算当前交易对应的团伙信息熵。
例如,将获取的Count作为x代入公式中,得到当前交易对应的团伙信息熵spam_score(x)。
S57:当所述团伙信息熵小于预设值时,识别出所述当前交易是团伙炒作的作弊交易。
其中,预设值可以是在训练阶段得到的,例如,在训练阶段通过人工检测等方式确定出预设值。
当通过团伙信息熵模型计算出当前交易的团伙信息熵后,可以将该团伙信息熵与预设值比较,当团伙信息熵小于预设值时,确定是团伙炒作的作弊交易,否则,确定不是作弊交易。
另外,如图3所示,在识别时,还可以包括对识别结果进行监控,以便根据监控得到的识别结果重新确定训练模块确定的预设值等。
一些实施例中,参见图2,在识别出作弊交易后,流式计算系统还可以对作弊交易进行统计,并重新输入到日志流中,以重新影响非交易评估系统。
一些实施例中,参见图2,在对作弊交易进行统计后,还可以生成作弊交易日志,以影响其他系统,例如,根据成交日志获取实时销售属性,根据实时销售属性和作弊成交日志影响大促投放系统。
本实施例中,通过获取识别模型,采用识别模型对实时采集的成交日志进行识别,可以保证对作弊交易的实时识别,从而可以快速识别出作弊交易。另外,在处理时具体可以采用流式计算系统,以加快处理速度和提高处理效果。
图6是本申请另一实施例提出的商品交易质量的检测装置的结构示意图。参见图6,该装置包括:第一获取模块61、第二获取模块62和识别模块63。
第一获取模块61,用于获取实时日志系统采集的成交日志;
第二获取模块62,用于获取预先生成的识别模型;
识别模块63,用于根据所述识别模型,对所述成交日志进行识别,识别出所述成交日志中的作弊交易。
可选的,所述识别模型包括:决策树模型和团伙信息熵模型,参见图7,所述识别模块63包括:
第一单元631,用于采用所述决策树模型对所述成交日志中的商品交易进行识别,识别出个体炒作的作弊交易;
第二单元632,用于采用所述团伙信息熵模型对所述成交日志中的非个体炒作的作弊交易进行识别,识别出团伙炒作的作弊交易。
一些实施例中,参见图7,该装置60还包括:
训练模块64,用于获取训练样本;获取所述训练样本的静态属性特征,并计算每个静态属性特征的信息增益;根据信息增益最大原则,生成决策树模型。
相应的,第一单元631具体用于:
对所述成交日志进行解析,获取当前交易的静态属性特征;
根据当前交易的静态属性特征遍历决策树模型,得到作弊分数;
当所述作弊分数大于预设值时,识别出所述当前交易是个体炒作的作弊交易。
一些实施例中,训练模块64还用于:获取所述训练样本对应的买家团伙标签,并获取买家团伙标签对应的成交量,以及获取所述训练样本对应的团伙信息熵;根据训练样本对应的成交量和团伙信息熵,生成团伙信息熵模型。
相应的,第二单元632具体用于:
对所述成交日志进行解析,获取当前交易的买家团伙标签;
根据预先存储的买家团伙标签与成交量的对应关系,获取对应的成交量;
根据所述成交量以及团伙信息熵模型,计算当前交易对应的团伙信息熵;
当所述团伙信息熵小于预设值时,识别出所述当前交易是团伙炒作的作弊交易。
本实施例中各模块的具体内容可以参见方法实施例中的相关描述,在此不再赘述。
本实施例中,通过获取识别模型,采用识别模型对实时采集的成交日志进行识别,可以保证对作弊交易的实时识别,从而可以快速识别出作弊交易。另外,在处理时具体可以采用流式计算系统,以加快处理速度和提高处理效果。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种商品交易质量的检测方法,其特征在于,包括:
获取实时日志系统采集的成交日志;
获取预先生成的识别模型;
根据所述识别模型,对所述成交日志中的商品交易进行识别,识别出所述成交日志中的作弊交易。
2.根据权利要求1所述的方法,其特征在于,所述识别模型包括:决策树模型和团伙信息熵模型,所述根据所述识别模型,对所述成交日志中的商品交易进行识别,识别出所述成交日志中的作弊交易,包括:
采用所述决策树模型对所述成交日志中的商品交易进行识别,识别出个体炒作的作弊交易;
采用所述团伙信息熵模型对所述成交日志中的非个体炒作的作弊交易进行识别,识别出团伙炒作的作弊交易。
3.根据权利要求2所述的方法,其特征在于,还包括:生成决策树模型,所述生成决策树模型,包括:
获取训练样本;
获取所述训练样本的静态属性特征,并计算每个静态属性特征的信息增益;
根据信息增益最大原则,生成决策树模型。
4.根据权利要求3所述的方法,其特征在于,所述采用所述决策树模型对所述成交日志中的商品交易进行识别,识别出个体炒作的作弊交易,包括:
对所述成交日志进行解析,获取当前交易的静态属性特征;
根据当前交易的静态属性特征遍历决策树模型,得到作弊分数;
当所述作弊分数大于预设值时,识别出所述当前交易是个体炒作的作弊交易。
5.根据权利要求2所述的方法,其特征在于,还包括:生成团伙信息熵模型,所述生成团伙信息熵模型,包括:
获取训练样本;
获取所述训练样本对应的买家团伙标签,并获取买家团伙标签对应的成交量,以及获取所述训练样本对应的团伙信息熵;
根据训练样本对应的成交量和团伙信息熵,生成团伙信息熵模型。
6.根据权利要求5所述的方法,其特征在于,所述采用所述团伙信息熵模型对所述成交日志中的非个体炒作的作弊交易进行识别,识别出团伙炒作的作弊交易,包括:
对所述成交日志进行解析,获取当前交易的买家团伙标签;
根据预先存储的买家团伙标签与成交量的对应关系,获取对应的成交量;
根据所述成交量以及团伙信息熵模型,计算当前交易对应的团伙信息熵;
当所述团伙信息熵小于预设值时,识别出所述当前交易是团伙炒作的作弊交易。
7.一种商品交易质量的检测装置,其特征在于,包括:
第一获取模块,用于获取实时日志系统采集的成交日志;
第二获取模块,用于获取预先生成的识别模型;
识别模块,用于根据所述识别模型,对所述成交日志进行识别,识别出所述成交日志中的作弊交易。
8.根据权利要求7所述的装置,其特征在于,所述识别模型包括:决策树模型和团伙信息熵模型,所述识别模块包括:
第一单元,用于采用所述决策树模型对所述成交日志中的商品交易进行识别,识别出个体炒作的作弊交易;
第二单元,用于采用所述团伙信息熵模型对所述成交日志中的非个体炒作的作弊交易进行识别,识别出团伙炒作的作弊交易。
9.根据权利要求8所述装置,其特征在于,还包括:
训练模块,用于获取训练样本;获取所述训练样本的静态属性特征,并计算每个静态属性特征的信息增益;根据信息增益最大原则,生成决策树模型。
10.根据权利要求9所述装置,其特征在于,所述训练模块还用于:
获取所述训练样本对应的买家团伙标签,并获取买家团伙标签对应的成交量,以及获取所述训练样本对应的团伙信息熵;根据训练样本对应的成交量和团伙信息熵,生成团伙信息熵模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610041589.9A CN106991425B (zh) | 2016-01-21 | 2016-01-21 | 商品交易质量的检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610041589.9A CN106991425B (zh) | 2016-01-21 | 2016-01-21 | 商品交易质量的检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106991425A true CN106991425A (zh) | 2017-07-28 |
CN106991425B CN106991425B (zh) | 2020-10-02 |
Family
ID=59414057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610041589.9A Active CN106991425B (zh) | 2016-01-21 | 2016-01-21 | 商品交易质量的检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991425B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107866072A (zh) * | 2017-10-31 | 2018-04-03 | 浙江大学 | 一种采用增量决策树进行外挂检测的系统 |
CN108537592A (zh) * | 2018-04-10 | 2018-09-14 | 网易(杭州)网络有限公司 | 交易检测方法、装置,存储介质和电子装置 |
CN108537544A (zh) * | 2018-04-04 | 2018-09-14 | 中南大学 | 一种交易系统实时监控方法及其监控系统 |
CN108550052A (zh) * | 2018-04-03 | 2018-09-18 | 杭州呯嘭智能技术有限公司 | 基于用户行为数据特征的刷单检测方法及系统 |
CN112132456A (zh) * | 2020-09-22 | 2020-12-25 | 珠海大横琴科技发展有限公司 | 一种质量检测方法、装置及电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187959A (zh) * | 2006-11-17 | 2008-05-28 | 中兴通讯股份有限公司 | 基于决策树的游戏作弊检测方法 |
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 |
CN103279868A (zh) * | 2013-05-22 | 2013-09-04 | 兰亭集势有限公司 | 一种自动识别欺诈订单的方法和装置 |
CN103577988A (zh) * | 2012-07-24 | 2014-02-12 | 阿里巴巴集团控股有限公司 | 一种识别特定用户的方法和装置 |
CN103778151A (zh) * | 2012-10-23 | 2014-05-07 | 阿里巴巴集团控股有限公司 | 一种识别特征群体的方法及装置和搜索方法及装置 |
CN104199832A (zh) * | 2014-08-01 | 2014-12-10 | 西安理工大学 | 基于信息熵的金融网络异常交易社区发现方法 |
CN104463601A (zh) * | 2014-11-13 | 2015-03-25 | 电子科技大学 | 一种在线社会媒体系统中检测恶意评分用户的方法 |
CN104714947A (zh) * | 2013-12-11 | 2015-06-17 | 深圳市腾讯计算机系统有限公司 | 预定类型号码识别方法及装置 |
KR20150089960A (ko) * | 2014-01-28 | 2015-08-05 | 주식회사 씽크풀 | 본인인증방법 및 이를 위한 디지털 시스템, 인증 시스템 |
CN104881795A (zh) * | 2015-05-16 | 2015-09-02 | 成都数联铭品科技有限公司 | 一种电商虚假评价的判断识别方法 |
CN104935578A (zh) * | 2015-05-04 | 2015-09-23 | 广州唯品会信息科技有限公司 | 网站恶意攻击防范方法和系统 |
-
2016
- 2016-01-21 CN CN201610041589.9A patent/CN106991425B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187959A (zh) * | 2006-11-17 | 2008-05-28 | 中兴通讯股份有限公司 | 基于决策树的游戏作弊检测方法 |
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 |
CN103577988A (zh) * | 2012-07-24 | 2014-02-12 | 阿里巴巴集团控股有限公司 | 一种识别特定用户的方法和装置 |
CN103778151A (zh) * | 2012-10-23 | 2014-05-07 | 阿里巴巴集团控股有限公司 | 一种识别特征群体的方法及装置和搜索方法及装置 |
CN103279868A (zh) * | 2013-05-22 | 2013-09-04 | 兰亭集势有限公司 | 一种自动识别欺诈订单的方法和装置 |
CN104714947A (zh) * | 2013-12-11 | 2015-06-17 | 深圳市腾讯计算机系统有限公司 | 预定类型号码识别方法及装置 |
KR20150089960A (ko) * | 2014-01-28 | 2015-08-05 | 주식회사 씽크풀 | 본인인증방법 및 이를 위한 디지털 시스템, 인증 시스템 |
CN104199832A (zh) * | 2014-08-01 | 2014-12-10 | 西安理工大学 | 基于信息熵的金融网络异常交易社区发现方法 |
CN104463601A (zh) * | 2014-11-13 | 2015-03-25 | 电子科技大学 | 一种在线社会媒体系统中检测恶意评分用户的方法 |
CN104935578A (zh) * | 2015-05-04 | 2015-09-23 | 广州唯品会信息科技有限公司 | 网站恶意攻击防范方法和系统 |
CN104881795A (zh) * | 2015-05-16 | 2015-09-02 | 成都数联铭品科技有限公司 | 一种电商虚假评价的判断识别方法 |
Non-Patent Citations (1)
Title |
---|
李洋等: "基于信息熵和决策树分类技术的邮件识别研究", 《计算机科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107866072A (zh) * | 2017-10-31 | 2018-04-03 | 浙江大学 | 一种采用增量决策树进行外挂检测的系统 |
CN108550052A (zh) * | 2018-04-03 | 2018-09-18 | 杭州呯嘭智能技术有限公司 | 基于用户行为数据特征的刷单检测方法及系统 |
CN108537544A (zh) * | 2018-04-04 | 2018-09-14 | 中南大学 | 一种交易系统实时监控方法及其监控系统 |
CN108537544B (zh) * | 2018-04-04 | 2020-06-23 | 中南大学 | 一种交易系统实时监控方法及其监控系统 |
CN108537592A (zh) * | 2018-04-10 | 2018-09-14 | 网易(杭州)网络有限公司 | 交易检测方法、装置,存储介质和电子装置 |
CN112132456A (zh) * | 2020-09-22 | 2020-12-25 | 珠海大横琴科技发展有限公司 | 一种质量检测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106991425B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991425A (zh) | 商品交易质量的检测方法和装置 | |
CN106484679B (zh) | 一种应用于消费平台上的虚假评论信息识别方法及装置 | |
CN110287439A (zh) | 一种基于lstm的网络行为异常检测方法 | |
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 | |
CN113095927B (zh) | 一种反洗钱可疑交易识别方法及设备 | |
CN102667775B (zh) | 训练和使用具有关联规则模型的分类模型的方法 | |
CN109168052B (zh) | 服务满意度的确定方法、装置及计算设备 | |
CN106408325A (zh) | 基于用户支付信息的用户消费行为预测分析方法及系统 | |
Abbasimehr et al. | A new framework for predicting customer behavior in terms of RFM by considering the temporal aspect based on time series techniques | |
CN108345601A (zh) | 搜索结果排序方法及装置 | |
US20200372298A1 (en) | Model reselection for accommodating unsatisfactory training data | |
US10769648B2 (en) | Automated business reviews based on patron sentiment | |
CN108830492B (zh) | 一种基于大数据的确定抽检商家的方法 | |
CN106980998A (zh) | 商家交易异常的监控方法和装置 | |
MS et al. | A novel technique for detecting sudden concept drift in healthcare data using multi-linear artificial intelligence techniques | |
Hasan et al. | E-commerce merchant fraud detection using machine learning approach | |
TWI747290B (zh) | 客戶分群服務客製化行銷方法及系統 | |
Kolchyna et al. | A framework for twitter events detection, differentiation and its application for retail brands | |
CN108460049A (zh) | 一种确定信息类别的方法和系统 | |
Houssou et al. | Adaptive financial fraud detection in imbalanced data with time-varying poisson processes | |
CN116502813A (zh) | 一种基于集成学习的异常订单检测方法 | |
US10210528B2 (en) | Method and system for assessing and improving individual customer profitability for a profit-making organization | |
CN113962216A (zh) | 文本处理方法、装置、电子设备及可读存储介质 | |
Fernando et al. | Planning Marketing Strategies in Small-Scale Business Using Data Analysis | |
Rogić et al. | Estimating Customers’ Profitability: Influence of RFM Attributes, Web Metrics and Product Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |