CN107220867A - 对象控制方法及装置 - Google Patents

Abstract

本发明实施方式提供了对象控制方法及装置，涉及计算机应用技术领域。其中，所述对象控制方法包括：对监控对象的历史数据进行信用评分；预测所述监控对象的异常概率；基于所述信用评分的结果和所述异常概率对所述监控对象进行控制处理。本发明实施方式在对监控对象的历史数据进行信用评分的基础上，进一步对所述监控对象的异常概率进行预测处理，因此，能够更加有效、准确地识别作弊用户，以解决现有技术中所存在的作弊用户识别的准确率较低的问题。

Description

对象控制方法及装置

技术领域

本发明涉及计算机应用技术领域，更为具体而言，涉及对象控制方法及装置。

背景技术

O2O(Online To Offline，在线离线/线上到线下)，是指将线下的商务机会与互联网结合，让互联网成为线下交易的平台。O2O模式充分利用了互联网跨地域、无边界、海量信息、海量用户的优势，同时充分挖掘线下资源，进而促成线上用户与线下商品与服务的交易。对本地商家来说，O2O模式要求消费者网站支付，支付信息会成为商家了解消费者购物信息的渠道，方便商家对消费者购买数据的搜集，进而达成精准营销的目的，更好地维护并拓展客户。对消费者而言，O2O提供丰富、全面、及时的商家折扣信息，能够快捷筛选并订购适宜的商品或服务。对服务提供商来说，O2O模式可带来大规模高黏度的消费者，进而能争取到更多的商家资源。因此，O2O模式具有非常可观的发展前景。

但是，O2O模式面临着一个必需解决的难题：一些投机的用户出于商业目的，试图欺骗平台，获取私利，这就造成了干扰交易秩序、破坏用户体验的恶劣后果，这些用户可以称之为作弊用户。因此，发现和剔除这种为了商业目的作弊行为，就成为净化电子商务平台生态环境，保证网上交易市场健康发展的重要环节。

然而，现有的反作弊方法却存在作弊用户识别的准确率低等问题。

发明内容

本发明实施方式提供了对象控制方法及装置，用以解决现有技术中所存在的作弊用户识别的准确率较低的问题。

第一方面，本发明实施方式提供了一种对象控制方法。

具体地，所述方法包括：

对监控对象的历史数据进行信用评分；

预测所述监控对象的异常概率；

基于所述信用评分的结果和所述异常概率对所述监控对象进行控制处理。

由于本发明在对监控对象的历史数据进行信用评分的基础上，进一步对所述监控对象的异常概率进行预测处理，因此，能够更加有效、准确地识别作弊用户，以解决现有技术中所存在的作弊用户识别的准确率较低的问题。

结合第一方面，在本发明的一些实现方式中，对监控对象的历史数据进行信用评分包括：

划分所述监控对象的评分周期；

对所述监控对象在所述评分周期中的历史数据进行周期评分；

汇总所述周期评分的结果以进行所述信用评分。

由于本发明中先分周期地进行周期评分，再汇总所述周期评分的结果以进行信用评分，因此，可以降低计算成本并且还可以有效防止部分数据特征被弱化，提高作弊用户识别的召回率。

结合第一方面，在本发明的一些实现方式中，对所述监控对象在所述评分周期中的历史数据进行周期评分包括：

根据设定的监控维度，对所述监控对象在所述评分周期中的历史数据进行维度评分；

汇总所述维度评分的结果以进行所述周期评分。

由于本发明中先分维度地进行维度评分，再汇总所述维度评分的结果以进行所述周期评分，因此，可以进一步降低计算成本。

结合第一方面，在本发明的一些实现方式中，汇总所述周期评分的结果以进行所述信用评分包括：

依据评分周期的权重，汇总所述周期评分的结果以进行所述信用评分。

由于本发明中基于评分周期的权重进行汇总处理，因此，可以通过权重来调整不同评分周期在信用评分中的影响比重，从而提高信用评分结果的置信度。

结合第一方面，在本发明的一些实现方式中，预测所述监控对象的异常概率包括：

基于所述信用评分的结果生成训练样本；

利用所述训练样本训练机器学习模型；

通过所述机器学习模型预测所述监控对象的异常概率。

由于本发明中可以基于信用评分的结果生成训练样本，因此能够更加智能、高效地扩充训练样本。

第二方面，本发明实施方式提供了一种对象控制装置。

具体地，所述装置包括：

评分模块，用于对监控对象的历史数据进行信用评分；

预测模块，用于预测所述监控对象的异常概率；

控制模块，用于基于所述信用评分的结果和所述异常概率对所述监控对象进行控制处理。

由于本发明在对监控对象的历史数据进行信用评分的基础上，进一步对所述监控对象的异常概率进行预测处理，因此，能够更加有效、准确地识别作弊用户，以解决现有技术中所存在的作弊用户识别的准确率较低的问题。

结合第二方面，在本发明的一些实现方式中，所述评分模块包括：

划分单元，用于划分所述监控对象的评分周期；

评分单元，用于对所述监控对象在所述评分周期中的历史数据进行周期评分；

汇总单元，用于汇总所述周期评分的结果以进行所述信用评分。

由于本发明中先分周期地进行周期评分，再汇总所述周期评分的结果以进行信用评分，因此，可以降低计算成本并且还可以有效防止部分数据特征被弱化，提高作弊用户识别的召回率。

结合第二方面，在本发明的一些实现方式中，所述评分单元包括：

评分组件，用于根据设定的监控维度，对所述监控对象在所述评分周期中的历史数据进行维度评分；

汇总组件，用于汇总所述维度评分的结果以进行所述周期评分。

由于本发明中先分维度地进行维度评分，再汇总所述维度评分的结果以进行所述周期评分，因此，可以进一步降低计算成本。

结合第二方面，在本发明的一些实现方式中，

所述汇总单元具体用于依据评分周期的权重，汇总所述周期评分的结果以进行所述信用评分。

由于本发明中基于评分周期的权重进行汇总处理，因此，可以通过权重来调整不同评分周期在信用评分中的影响比重，从而提高信用评分结果的置信度。

结合第二方面，在本发明的一些实现方式中，所述预测模块包括：

生成单元，用于基于所述信用评分的结果生成训练样本；

训练单元，用于利用所述训练样本训练机器学习模型；

预测单元，用于通过所述机器学习模型预测所述监控对象的异常概率。

由于本发明中可以基于信用评分的结果生成训练样本，因此能够更加智能、高效地扩充训练样本。

本发明的这些方面或其他方面在以下具体实施方式的描述中会更加简明易懂。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明方法实施方式1的对象控制方法的流程图；

图2示出了图1所示的处理S11的一种实施方式；

图3示出了图2所示的处理S112的一种实施方式；

图4示出了图1所示的处理S12的一种实施方式；

图5示出了图4所示的处理S121的一种实施方式；

图6是根据本发明装置实施方式1的对象控制装置的结构示意图；

图7示出了图6所示的评分模块11的一种实施方式；

图8示出了图7所示的评分单元112的一种实施方式；

图9示出了图6所示的预测模块12的一种实施方式；

图10示出了图9所示的生成单元121的一种实施方式。

具体实施方式

以下结合附图和具体实施方式对本发明的各个方面进行详细阐述。其中，在本发明的各个具体实施方式中，众所周知的操作过程、模块、单元及其相互之间的连接、链接、通信或操作没有示出或未作详细说明。

并且，所描述的特征、架构或功能可在一个或一个以上实施例中以任何方式组合。

此外，本领域技术人员应当理解，下述的各种实施方式只用于举例说明，而非用于限制本发明的保护范围。本领域的技术人员还可以容易理解，本文所述和附图所示的各实施方式中的模块、单元或步骤可以按多种不同配置进行组合和设计。

对于未在本说明书中进行具体说明的技术术语，除非另有特定说明，都应以本领域最宽泛的意思进行解释。

在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

下面将结合附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明的一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施方式，都属于本发明保护的范围。

【方法实施方式1】

图1是根据本发明方法实施方式1的对象控制方法的流程图。参见图1，在本实施方式中，所述方法包括：

S11：对监控对象的历史数据进行信用评分。

S12：预测所述监控对象的异常概率。

S13：基于所述信用评分的结果和所述异常概率对所述监控对象进行控制处理。

其中，所述监控对象例如包括但不限于：用户对象、商户对象、以及骑士对象等不同角色。

并且，所述历史数据例如包括但不限于：监控对象的属性数据(以用户对象为例，属性数据例如包括但不限于：用户的身份证号、支付宝账号、绑定的银行卡号、绑定的手机号、设备号、SIM(Subscriber Identification Module，客户识别模块)卡的标识符编码等)、以及监控对象的行为数据等。其中，行为数据例如包括但不限于：事前行为数据、应用程序的操作行为数据、以及订单行为数据等。这些行为数据的具体内容将在下文中结合具体示例进行详细阐述。

由于本发明在对监控对象的历史数据进行信用评分的基础上，进一步对所述监控对象的异常概率进行预测处理，因此，能够更加有效、准确地识别作弊用户，以解决现有技术中所存在的作弊用户识别的准确率较低的问题。

【方法实施方式2】

本实施方式所提供的方法包括了方法实施方式1中的全部内容，在此不再赘述。如图2所示，在本实施方式中，通过下述方式实现处理S11：

S111：划分所述监控对象的评分周期。

S112：对所述监控对象在所述评分周期中的历史数据进行周期评分。

S113：汇总所述周期评分的结果以进行所述信用评分。

例如，可以以一个月作为一个评分周期，当然本发明不限于此，本领域的技术人员可以根据实际需要，按照其他合理的时间长度划分评分周期。

由于本发明中先分周期地进行周期评分，再汇总所述周期评分的结果以进行信用评分，因此，可以降低计算成本并且还可以有效防止部分数据特征被弱化，提高作弊用户识别的召回率。

【方法实施方式3】

本实施方式所提供的方法包括了方法实施方式2中的全部内容，在此不再赘述。如图3所示，在本实施方式中，通过下述方式实现处理S112：

S1121：根据设定的监控维度，对所述监控对象在所述评分周期中的历史数据进行维度评分。

S1122：汇总所述维度评分的结果以进行所述周期评分。

所述监控维度例如包括但不限于：订单行为异常维度、应用程序操作异常维度、关联异常维度、销量异常维度、事前行为异常维度、以及订单行为正常维度等。

由于本发明中先分维度地进行维度评分，再汇总所述维度评分的结果以进行所述周期评分，因此，可以进一步降低计算成本。

【方法实施方式4】

本实施方式所提供的方法包括了方法实施方式2或方法实施方式3中的全部内容，在此不再赘述。在本实施方式中，通过下述方式实现处理S113：

依据评分周期的权重，汇总所述周期评分的结果以进行所述信用评分。

所述权重例如包括但不限于：影响权重和衰减权重等。

由于本发明中基于评分周期的权重进行汇总处理，因此，可以通过权重来调整不同评分周期在信用评分中的影响比重，从而提高信用评分结果的置信度。

【方法实施方式5】

本实施方式所提供的方法包括了方法实施方式1至方法实施方式4中任一项的全部内容，在此不再赘述。如图4所示，在本实施方式中，通过下述方式实现处理S12：

S121：基于所述信用评分的结果生成训练样本。

S122：利用所述训练样本训练机器学习模型。

S123：通过所述机器学习模型预测所述监控对象的异常概率。

所述训练样本例如包括但不限于：异常训练样本和正常训练样本。

由于本发明中可以基于信用评分的结果生成训练样本，因此能够更加智能、高效地扩充训练样本。

【方法实施方式6】

本实施方式所提供的方法包括了方法实施方式5中的全部内容，在此不再赘述。如图5所示，在本实施方式中，通过下述方式实现处理S121：

S1211：将所述信用评分的结果与设定阈值进行比较，若所述信用评分的结果小于设定阈值，则执行S1212，若所述信用评分的结果大于或者等于设定阈值，则执行S1213。

S1212：生成异常训练样本。

S1213：生成正常训练样本。

其中，训练样本基于用户的行为特征数据生成。

【方法实施方式7】

下面以对用户对象进行监控为例，对本实施方式所提供的对象控制方法进行描述。所述方法主要包括：信用评分(健康度评分)处理、异常概率预测处理、控制处理三大部分。

一、信用评分处理具体包括如下内容：

处理1：获取数据。

(1)获取唯一性维度数据。

由于当用户下单时，在日志中记录了代表用户属性的多维度信息，因此可以从日志中提取这些信息。具体而言，例如提取出用户的身份证号码、支付宝账号、绑定的手机号码、SIM卡的标识符编码(ID)、绑定的银行卡号、微信账号、以及设备号等。并且，对提取出的多维度信息进行连通图关联，生成用户的唯一标识符，从而得到用户的自然人维度信息，例如：该用户拥有多少台设备、拥有多少个百度体系账号等。

(2)获取事前维度数据。

用户在进行下单操作时，可能会命中诸如跨城市下单等策略。对此，可以通过分析日志来提取相关数据(例如，定位数据以及下单地域数据等)，并对提取出的数据加以整合以得到综合的事前维度数据。

(3)获取行为路径维度数据。

例如：修改召回地址的次数以及进行下单操作时所经过的节点数等。

(4)获取订单维度数据。

用户可能会命中短时间内频繁下单，或者，作为业务人员进行下单等策略。对此，可以通过深度挖掘订单的可用信息，并且结合业务人员、骑士等角色的额外信息，来提取出用户关于订单维度的数据。

处理2：月度模块(维度)化评分。

(1)获取当前用户在截止到当天为止的前一个月(当然本发明不限于此，本领域的技术人员可以根据实际需要，选用其他合理的时间长度)内，在每一个模块(维度)下的评分。

具体而言，在本实施方式中，需要从获取的数据中提取用户的以下信息：

A、用户固有属性信息，例如用于识别当前用户所使用的手机号码是否为虚拟号码等；

B、应用程序(APP)操作信息，例如涉及搜索次数等信息；

C、订单信息，例如用于识别当前用户是否针对特定商户集中下单等；

D、团体行为信息，例如用于识别是否存在抱团下单(例如，同一自然人用户利用多台设备或者多个账号进行下单)等行为；

E、设备信息，例如涉及加速度向量等信息，用于识别当前用户所使用的设备是否为模拟器等；

F、支付信息，例如用于识别当前用户是否存在异常支付行为等。

此外，将以上不同信息分别进行数字化，以为之后的处理奠定基础。举例而言：

例如，用户固有属性信息经过数字化之后变成0或1，其中，1代表当前用户所使用的手机号码是虚拟号码，0代表当前用户所使用的手机号码不是虚拟号码。

针对前述每一种信息，分别设置异常阈值(可以根据统计和业务经验加以设置)。一旦信息经数字化后所得的结果大于或等于异常阈值，则表明当前用户命中异常策略。举例而言：

例如，当前用户的用户固有属性信息经数字化后所得的结果为1，其中，用户固有属性信息的异常阈值为1，则表明当前用户命中异常策略“使用虚拟手机号”。

根据数据分析与行业经验的结合，我们将前述异常策略分在以下六个不同的模块(维度)：订单行为异常模块、应用程序操作异常模块、关联异常模块、销量异常模块、事前行为异常模块、以及订单行为正常模块。并且对不同的异常策略，设定不同的权重。

在本实施方式中，通过下述公式计算当前用户在模块(维度)m下的评分：

s_m＝∑_rw_rh_r 公式(1)

其中，s_m表示模块m的评分，w_r表示模块m中异常策略r的权重，h_r表示当前用户是否命中异常策略r。

(2)汇总全部模块的评分。

在本实施方式中，例如可以通过下述公式将不同模块的评分进行结合：

s_m,n＝w_ms_m+w_ns_n 公式(2)

其中，s_m,n表示将模块m和模块n的评分进行结合之后所得的评分，s_m表示模块m的评分，w_m表示模块m的权重，s_n表示模块n的评分，w_n表示模块n的权重。

在所有模块的评分以及不同模块结合之后所得的评分中，选取出最大值。并且，将该最大值进行标准化以提高最终结果的解释性。具体而言，可以通过标准化实现：最终评分与用户的健康度正相关；以及，最终评分落入设定的区间范围内。最后，将经标准化后所得的数值作为该月度的最终评分。示例性地，在本实施方式中，例如可以采用下述标准化函数：

其中，s表示经标准化后所得的数值，s₀表示待进行标准化的数值，s_max表示区间内的最大分数，s_min表示区间内的最小分数，T表示设定的阈值。

处理3：汇总各月度的评分结果以得到最终的信用评分。

(1)设置时间衰减函数以及异常权重函数。

其中，时间衰减函数主要涉及以下几方面：

A、起始节点：例如以用户最近一次下单的时间作为起始节点；

B、衰减方式：例如以指数级递减的方式衰减；

当然本发明不限于此，本领域的技术人员可以根据实际需要采用其他衰减方式，例如，以线性递减的方式衰减。

C、结束节点：例如以用户第一次进入交易场景的时间作为结束节点；

D、过期节点：例如超出预设范围的时间节点。

在本实施方式中，出于以下内容的考虑：较低分数(异常用户)的影响力度要高于较高分数(正常用户)的影响力度。在衰减函数里面对异常用户和正常用户分别设置不同的影响权重，示例性地，在本实施方式中，例如可以采用以下异常权重函数：

G(s)＝6L(s)+0.4B(s) 公式(4)

其中，s表示月度评分，当s>50时，L(s)＝0，当s≤50时，L(s)＝1；当s＝100时，B(s)＝1，当s≠100时，B(s)＝0。

(2)利用时间衰减函数以及异常权重函数，汇总各月度的评分结果以得

到最终的信用评分。

在本实施方式中，例如可以通过以下公式结合各月度的评分：

其中，S_T表示结合各月度评分的最终信用评分，t表示当前时间，t₁、t₂、t₃…分别表示之前的各时间节点(以月为周期)，分别表示前述各时间节点的月度评分。

二、预测用户的异常概率。

通过上述信用评分处理可以得到黑名单用户(异常用户)和白名单用户(正常用户)，分别利用黑名单用户和白名单用户的行为特征数据，生成异常训练样本和正常训练样本，再结合通过人工标签等其他途径得到的训练样本，训练机器学习模型(包括但不限于LR(Logistic Regression，逻辑回归)、GBDT(Gradient Boost Decision Tree，迭代决策树)等)。利用训练后的机器学习模型预测异常概率。

三、结合前述信用评分以及异常概率对用户进行控制处理。

示例性地，若用户的信用评分小于或等于40，异常概率大于90％，则限制该用户享受平台优惠，若用户的信用评分大于40并且小于或等于50，异常概率大于80％并且小于或等于90％，则限制该用户享受自配送优惠，若用户的信用评分大于50并且小于或等于60，异常概率大于70％并且小于或等于80％，则限制该用户享受店铺优惠，若用户的信用评分大于60并且小于或等于70，异常概率大于50％并且小于或等于70％，则对该用户进行监控。

当然本发明不限于，本领域的技术人员可以根据实际需要，采用其他合理数值，设定信用评分和异常概率在不同控制处理下的阈值。

【装置实施方式1】

图6是根据本发明装置实施方式1的对象控制装置的结构示意图。参见图6，对象控制装置1包括：评分模块11、预测模块12、以及控制模块13，具体地：

评分模块11用于对监控对象的历史数据进行信用评分。

预测模块12用于预测所述监控对象的异常概率。

控制模块13用于基于评分模块11中信用评分的结果和预测模块12预测的异常概率对所述监控对象进行控制处理。

其中，所述监控对象例如包括但不限于：用户对象、商户对象、以及骑士对象等不同角色。

并且，所述历史数据例如包括但不限于：监控对象的属性数据(以用户对象为例，属性数据例如包括但不限于：用户的身份证号、支付宝账号、绑定的银行卡号、绑定的手机号、设备号、SIM(Subscriber Identification Module，客户识别模块)卡的标识符编码等)、以及监控对象的行为数据等。其中，行为数据例如包括但不限于：事前行为数据、应用程序的操作行为数据、以及订单行为数据等。

由于本发明在对监控对象的历史数据进行信用评分的基础上，进一步对所述监控对象的异常概率进行预测处理，因此，能够更加有效、准确地识别作弊用户，以解决现有技术中所存在的作弊用户识别的准确率较低的问题。

【装置实施方式2】

本实施方式所提供的装置包括了装置实施方式1中的全部内容，在此不再赘述。如图7所示，在本实施方式中，评分模块11包括：划分单元111、评分单元112、以及汇总单元113，具体地：

划分单元111用于划分所述监控对象的评分周期。

评分单元112用于对所述监控对象在划分单元111所划分评分周期中的历史数据进行周期评分。

汇总单元113用于汇总评分单元112中周期评分的结果以进行所述信用评分。

例如，可以以一个月作为一个评分周期，当然本发明不限于此，本领域的技术人员可以根据实际需要，按照其他合理的时间长度划分评分周期。

由于本发明中先分周期地进行周期评分，再汇总所述周期评分的结果以进行信用评分，因此，可以降低计算成本并且还可以有效防止部分数据特征被弱化，提高作弊用户识别的召回率。

【装置实施方式3】

本实施方式所提供的装置包括了装置实施方式2中的全部内容，在此不再赘述。如图8所示，在本实施方式中，评分单元112包括评分组件1121以及汇总组件1122，具体地：

评分组件1121用于根据设定的监控维度，对所述监控对象在所述评分周期中的历史数据进行维度评分。

汇总组件1122用于汇总评分组件1121中维度评分的结果以进行所述周期评分。

所述监控维度例如包括但不限于：订单行为异常维度、应用程序操作异常维度、关联异常维度、销量异常维度、事前行为异常维度、以及订单行为正常维度等。

由于本发明中先分维度地进行维度评分，再汇总所述维度评分的结果以进行所述周期评分，因此，可以进一步降低计算成本。

【装置实施方式4】

本实施方式所提供的装置在结构上与装置实施方式2相同。其区别在于，在本实施方式中，汇总单元113具体用于依据评分周期的权重，汇总所述周期评分的结果以进行所述信用评分，即汇总单元113具体通过以下方式来实现汇总评分单元112中周期评分的结果以进行所述信用评分：依据评分周期的权重，汇总所述周期评分的结果以进行所述信用评分。

所述权重例如包括但不限于：影响权重和衰减权重等。

由于本发明中基于评分周期的权重进行汇总处理，因此，可以通过权重来调整不同评分周期在信用评分中的影响比重，从而提高信用评分结果的置信度。

【装置实施方式5】

本实施方式所提供的装置包括了装置实施方式1至装置实施方式4中任一项的全部内容，在此不再赘述。如图9所示，在本实施方式中，预测模块12包括：生成单元121、训练单元122、以及预测单元123，具体地：

生成单元121用于基于所述信用评分的结果生成训练样本。

训练单元122用于利用生成单元121生成的训练样本训练机器学习模型。

预测单元123用于通过经训练单元122训练后的机器学习模型，预测所述监控对象的异常概率。

所述训练样本例如包括但不限于：异常训练样本和正常训练样本。

由于本发明中可以基于信用评分的结果生成训练样本，因此能够更加智能、高效地扩充训练样本。

【装置实施方式6】

本实施方式所提供的方法包括了装置实施方式5中的全部内容，在此不再赘述。如图10所示，在本实施方式中，生成单元121包括：比较组件1211、异常样本生成组件1212、以及正常样本生成组件1213，具体地：

比较组件1211用于将所述信用评分的结果与设定阈值进行比较。

异常样本生成组件1212用于在比较组件1211比较出所述信用评分的结果小于设定阈值的情形下，生成异常训练样本。

正常样本生成组件1213用于在比较组件1211比较出所述信用评分的结果大于或者等于设定阈值的情形下，生成正常训练样本。

其中，训练样本基于用户的行为特征数据生成。

本发明的实施方式还提供了一种移动终端，包括存储器和处理器；其中，

所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理器调用执行；

所述处理器用于进行如方法实施方式1至方法实施方7中任意一项所述的操作。

此外，本发明的实施方式还提供一种计算机存储介质，所述计算机存储介质存储有一条或多条计算机指令，当所述一条或多条计算机指令被一个或多个设备执行时，使得所述设备执行方法实施方式1至方法实施方式7中任意一项所述的操作。

本领域的技术人员可以清楚地了解到本发明可全部通过软件实现，也可借助软件结合硬件平台的方式来实现。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，所述计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，智能手机或者网络设备等)执行本发明各个实施方式或者实施方式的某些部分所述的方法。

本文中所使用的“软件”等词均指一般意义上的任意类型的计算机编码或者计算机可执行指令集，可以运行所述编码或者指令集来使计算机或其他处理器程序化以执行如上所述的本发明的技术方案的各个方面。此外，需要说明的是，根据实施方式的一个方面，在执行时实施本发明的技术方案的方法的一个或多个计算机程序不必须要在一台计算机或处理器上，而是可以分布于多个计算机或者处理器中的模块中，以执行本发明的技术方案的各个方面。

计算机可执行指令可以有许多形式，如程序模块，可以由一台或多台计算机或是其他设备执行。一般地，程序模块包括例程、程序、对象、组件以及数据结构等等，执行特定的任务或是实施特定的抽象数据类型。特别地，在各种实施方式中，程序模块的功能可以根据各个不同实施方式的需要进行结合或者拆分。

并且，本发明的技术方案可以体现为一种方法，并且已经提供了所述方法的至少一个示例。可以通过任何一种合适的顺序执行动作，所述动作表现为所述方法中的一部分。因此，实施方式可以构造成可以按照与所示出的执行顺序不同的顺序执行动作，其中，可以包括同时地执行一些动作(尽管在示出的实施方式中，这些动作是连续的)。

本文所给出的和使用的定义，应当对照字典、通过引用而并入的文档中的定义、和/或其通常意思进行理解。

在权利要求书中以及上述的说明书中，所有的过度短语，例如“包括”、“具有”、“包含”、“承载”、“具有”、“涉及”、“主要由…组成”以及类似词语是应理解为是开放式的，即，包含但不限于。只有“由……组成”应该是封闭或半封闭的过度短语。

本发明说明书中使用的术语和措辞仅仅为了举例说明，并不意味构成限定。本领域技术人员应当理解，在不脱离所公开的实施方式的基本原理的前提下，对上述实施方式中的各细节可进行各种变化。因此，本发明的范围只由权利要求确定，在权利要求中，除非另有说明，所有的术语应按最宽泛合理的意思进行理解。

本发明公开了A1、一种对象控制方法，包括：

对监控对象的历史数据进行信用评分；

预测所述监控对象的异常概率；

基于所述信用评分的结果和所述异常概率对所述监控对象进行控制处理。

A2、如A1所述的方法中，对监控对象的历史数据进行信用评分包括：

划分所述监控对象的评分周期；

对所述监控对象在所述评分周期中的历史数据进行周期评分；

汇总所述周期评分的结果以进行所述信用评分。

A3、如A2所述的方法中，对所述监控对象在所述评分周期中的历史数据进行周期评分包括：

根据设定的监控维度，对所述监控对象在所述评分周期中的历史数据进行维度评分；

汇总所述维度评分的结果以进行所述周期评分。

A4、如A2所述的方法中，汇总所述周期评分的结果以进行所述信用评分包括：

依据评分周期的权重，汇总所述周期评分的结果以进行所述信用评分。

A5、如A1至A4中任一项所述的方法中，预测所述监控对象的异常概率包括：

基于所述信用评分的结果生成训练样本；

利用所述训练样本训练机器学习模型；

通过所述机器学习模型预测所述监控对象的异常概率。

A6、如A5所述的方法中，基于所述信用评分的结果生成训练样本包括：

将所述信用评分的结果与设定阈值进行比较；

若所述信用评分的结果小于设定阈值，则生成异常训练样本。

A7、如A6所述的方法中，基于所述信用评分的结果生成训练样本还包括：

若所述信用评分的结果大于或者等于设定阈值，则生成正常训练样本。

本发明还公开了B8、一种对象控制装置，包括：

评分模块，用于对监控对象的历史数据进行信用评分；

预测模块，用于预测所述监控对象的异常概率；

控制模块，用于基于所述信用评分的结果和所述异常概率对所述监控对象进行控制处理。

B9、如B8所述的装置中，所述评分模块包括：

划分单元，用于划分所述监控对象的评分周期；

评分单元，用于对所述监控对象在所述评分周期中的历史数据进行周期评分；

汇总单元，用于汇总所述周期评分的结果以进行所述信用评分。

B10、如B9所述的装置中，所述评分单元包括：

评分组件，用于根据设定的监控维度，对所述监控对象在所述评分周期中的历史数据进行维度评分；

汇总组件，用于汇总所述维度评分的结果以进行所述周期评分。

B11、如B9所述的装置中，

所述汇总单元具体用于依据评分周期的权重，汇总所述周期评分的结果以进行所述信用评分。

B12、如B8至B11中任一项所述的装置中，所述预测模块包括：

生成单元，用于基于所述信用评分的结果生成训练样本；

训练单元，用于利用所述训练样本训练机器学习模型；

预测单元，用于通过所述机器学习模型预测所述监控对象的异常概率。

B13、如B12所述的装置中，所述生成单元包括：

比较组件，用于将所述信用评分的结果与设定阈值进行比较；

异常样本生成组件，用于在所述信用评分的结果小于设定阈值的情形下，生成异常训练样本。

B14、如B13所述的装置中，所述生成单元还包括：

正常样本生成组件，用于在所述信用评分的结果大于或者等于设定阈值的情形下，生成正常训练样本。

本发明还公开了C15、一种移动终端，其特征在于，所述移动终端包括存储器和处理器；其中，

所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理器调用执行；

所述处理器用于进行如A1至A7中任意一项所述的操作。

Claims (10)

1.一种对象控制方法，其特征在于，所述方法包括：

对监控对象的历史数据进行信用评分；

预测所述监控对象的异常概率；

基于所述信用评分的结果和所述异常概率对所述监控对象进行控制处理。

2.如权利要求1所述的方法，其特征在于，对监控对象的历史数据进行信用评分包括：

划分所述监控对象的评分周期；

对所述监控对象在所述评分周期中的历史数据进行周期评分；

汇总所述周期评分的结果以进行所述信用评分。

3.如权利要求2所述的方法，其特征在于，对所述监控对象在所述评分周期中的历史数据进行周期评分包括：

根据设定的监控维度，对所述监控对象在所述评分周期中的历史数据进行维度评分；

汇总所述维度评分的结果以进行所述周期评分。

4.如权利要求2所述的方法，其特征在于，汇总所述周期评分的结果以进行所述信用评分包括：

依据评分周期的权重，汇总所述周期评分的结果以进行所述信用评分。

5.如权利要求1至4中任一项所述的方法，其特征在于，预测所述监控对象的异常概率包括：

基于所述信用评分的结果生成训练样本；

利用所述训练样本训练机器学习模型；

通过所述机器学习模型预测所述监控对象的异常概率。

6.一种对象控制装置，其特征在于，所述装置包括：

评分模块，用于对监控对象的历史数据进行信用评分；

预测模块，用于预测所述监控对象的异常概率；

控制模块，用于基于所述信用评分的结果和所述异常概率对所述监控对象进行控制处理。

7.如权利要求6所述的装置，其特征在于，所述评分模块包括：

划分单元，用于划分所述监控对象的评分周期；

评分单元，用于对所述监控对象在所述评分周期中的历史数据进行周期评分；

汇总单元，用于汇总所述周期评分的结果以进行所述信用评分。

8.如权利要7所述的装置，其特征在于，所述评分单元包括：

评分组件，用于根据设定的监控维度，对所述监控对象在所述评分周期中的历史数据进行维度评分；

汇总组件，用于汇总所述维度评分的结果以进行所述周期评分。

9.如权利要求7所述的装置，其特征在于，

所述汇总单元具体用于依据评分周期的权重，汇总所述周期评分的结果以进行所述信用评分。

10.如权利要求6至9中任一项所述的装置，其特征在于，所述预测模块包括：

生成单元，用于基于所述信用评分的结果生成训练样本；

训练单元，用于利用所述训练样本训练机器学习模型；

预测单元，用于通过所述机器学习模型预测所述监控对象的异常概率。