CN108573432A - 用于电子商务的交易监管系统和方法 - Google Patents
用于电子商务的交易监管系统和方法 Download PDFInfo
- Publication number
- CN108573432A CN108573432A CN201810368105.0A CN201810368105A CN108573432A CN 108573432 A CN108573432 A CN 108573432A CN 201810368105 A CN201810368105 A CN 201810368105A CN 108573432 A CN108573432 A CN 108573432A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- suspicious
- similar
- days
- 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
- 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
-
- 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及电子商务系统技术领域,具体涉及一种用于电子商务的交易监管系统,包括商品评估模块、用户统计模块、用户分析模块、刷单认定模块以及处罚模块,商品评估模块用于根据平台内的交易信息对平台内的商品进行评估,筛选出可疑商品;用户统计模块用于统计可疑商品的购买用户,并根据用户的出现次数筛选出可疑用户;用户分析模块用于对可疑用户的交易记录进行分析,判断可疑用户是否为刷单用户;刷单认定模块用于根据可疑商品成交记录中的刷单用户数量判断可疑商品是否为刷单商品。本发明提供的用于电子商务的交易监管系统,能够解决电商平台现在存在的刷单问题,准确识别刷单交易。
Description
技术领域
本发明涉及电子商务系统技术领域,具体而言,涉及一种用于电子商务的交易监管系统和方法。
背景技术
随着电子商务的飞速发展以及移动终端的普及,利用手机、平板等移动设备上网购物已经成为当代年轻人的一种生活方式。现有的各大电商平台均可以在购物后,对商品进行评价,商品的评价可以对其他用户起到一定的指引作用,为用户选购商品提供依据。
然而,现在电商平台几乎都存在卖家刷单的现象,通过刷单可以快速提高卖家的成交量、成交率以及好评率等,可以使卖家的排名靠前,进而提高真实的销量;也有不少商家,靠着刷单而获得的大量好评,无视真实买家的差评,公然出售假冒伪劣商品,而由于取证难、申诉过程漫长,很多买到假货的买家只能选择接受损失。
针对此,现有的电商平台想尽了各种办法来鉴别和阻止刷单交易,最常见的就是对物品售价进行监控,对物流单号真实性进行检验,对账号进行验证等方式。然而刷单人员的刷单技术也在不断地提高。现在刷单人员,会模仿真实的交易流程,从售前咨询、商品选购、付款到货物的物流,整个交易过程,非常完整。针对于这种程度的刷单,现有的电商平台基本上没有应对方法,长此以往,不仅会使用户遭受损失,还会使用户会对电商平台产生质疑,从而影响电商平台的发展。
发明内容
本发明意在提供一种用于电子商务的交易监管系统,能够解决电商平台现在存在的刷单问题,准确识别刷单交易。
为了解决上述技术问题,本专利提供如下技术方案:
用于电子商务的交易监管系统,包括:
商品评估模块,所述商品评估模块用于根据平台内的交易信息对平台内的商品进行评估,筛选出可疑商品;
用户统计模块,所述用户统计模块用于统计可疑商品的购买用户,并根据用户的出现次数筛选出可疑用户;
用户分析模块,所述用户分析模块用于对可疑用户的交易记录进行分析,判断可疑用户是否为刷单用户;
刷单认定模块,刷单认定模块用于根据可疑商品成交记录中的刷单用户数量判断可疑商品是否为刷单商品。
名词解释:可疑商品是指具有刷单嫌疑的商品;可疑用户是指具有参与刷单嫌疑的用户。
本发明技术方案中,由于电商卖家刷单的目的就是在于使自家商品或店铺信誉或成交量快速提升,因此通过商品评估模块通过对商品好评率、销量、信誉度等进行监控,就可以筛选出超出正常水平的可疑商品,然后以可疑商品中用户出现的次数作为依据来对用户进行过滤,由于刷单人员通常会接受很多刷单任务,且现在每个购物账号都需要手机号验证,为了实现用户账号利益最大化,同一个用户账号通常会参与过多个商品的刷单,而正常用户几乎不可能会同时购买到多个刷单的产品,因此通过用户统计模块可以将可疑的用户筛选出来;用户分析模块对筛选出来的用户的交易记录进行逐一分析,判断用户是否为刷单用户,然后通过刷单认定模块对可疑商品是否存在刷单进行判断。
本发明技术方案中,通过宏观的对整体的交易数据进行分析,利用刷单账号存在参与多次刷单的固有特点,将可疑商品与可疑用户联系起来,由商品到用户,最终再到商品,通过商品和用户两次分析评判,得到最终认定结果,而不仅仅只是像现有技术那样局限于对某一个数据真实性的验证,因此,即使刷单人员完全按照真实的购买流程进行刷单,只要被刷商品由于刷单而得到了较快的提升,系统即可实现对其的识别,进而解决电商平台现在存在的刷单问题。
进一步,所述交易信息包括当前商品N天前平均销售数据、同类商品N天前平均销售数据、当前商品N天内平均销售数据、同类商品N天内平均销售数据;
所述商品评估模块包括:
当前商品数据统计子模块,所述当前商品数据统计子模块用于统计当前商品的销售数据,生成当前商品N天前平均销售数据和当前商品N天内平均销售数据;
同类商品数据统计子模块,所述同类商品数据统计子模块用于统计与待评估的商品相同类型的商品的销售数据,生成同类商品N天前平均销售数据和同类商品N天内平均销售数据;
商品数据分析子模块,所述商品数据分析子模块用于根据当前商品N天前平均销售数据、同类商品N天前平均销售数据、当前商品N天内平均销售数据以及同类商品N天内平均销售数据生成当前商品的评估分数;
可疑商品筛选子模块,所述可疑商品筛选子模块用于将评估分数大于预设值的商品筛选出来作为可疑商品。
当前商品N天前平均销售数据代表了被检测产品一段时间之前的销售状态,由于刷单具有时限性,其通常集中在几天或几个星期之内,因此检测N天前平均销售数据可以反应刷单之前的状态,当前商品N天内平均销售数据代表了该商品近期的销售状态,通过这两个数据的比较可以得到当前商品短期内的增长特性相关的数据,通过同类商品N天前平均销售数据和同类商品N天内平均销售数据可以反应当前商品相同或者类似商品的销售状态以及同类商品的销售增长特性,将当前商品的销售数据与同类商品的销售数据进行对比,可以判断出商品增长特性是否超出同类商品的平均水准,超出平均水平的商品有刷单的可能性,因此筛选出来作为可疑商品。
进一步,所述当前商品N天前平均销售数据、同类商品N天前平均销售数据、当前商品N天内平均销售数据以及同类商品N天内平均销售数据均包括平均销量、好评率、平均评价附图率以及平均评价语句长度。
销量和好评率是商家刷单的主要目的,因此刷单的产品,其销量和好评率通常会高于同类商品,平均评价附图率是指,商品的所有用户评论中带有附图的评论所占的比例,平均评价语句长度,是指平均每条评论的字数,通常来讲,一个商品的平均评价附图率和平均评价语句长度都是稳定的,其因具体的商品种类而异,例如对于服装类的商品,附图率通常较高,对于一些工具类或者零件类的商品,附图率较低,而刷单人员往往为了刷单效果会附图或者填写较长的评论语句,进而打破原有的平均评价附图率和平均评价语句长度。
进一步,所述用户分析模块包括收获地址异常分析子模块、频率异常分析子模块、偏好异常分析子模块、相似异常分析子模块以及用户认定子模块,所述收获地址异常分析子模块用于统计用户的收获地址数据并根据用户收货地址数据生成收货地址异常分数;所述频率异常分析子模块用于获取用户购买同类型商品的频率并根据商品的使用年限生成购买频率异常分数;所述偏好异常分析子模块用于统计用户购买商品的偏好属性,并根据用户偏好属性的变化生成购买偏好异常分数,所述相似异常分析子模块用于从所有可疑用户中查找与当前用户交易记录相似的用户并生成相似异常分数,所述用户认定子模块用于根据收获地址异常分数、购买频率异常分数、购买偏好异常分数以及相似异常分数判断用户是否为刷单用户。
正常的网购用户其收货地址、购物频率、购物偏好等都是较为稳定的,而刷单用户通常具有较多的收获地址,并且一个用户通常参与多次刷单,其购物频率较高,且不考虑具体的商品,例如对于正常用户如果购买过冰箱,则通常在几年内不会再次购买,而刷单账号通常不会估计这些,因此通过购买频率和相应商品的使用年限可以作为判断刷单的一个依据;刷单用户通常没有特定的购物偏好,对于商品的颜色、种类、型号等没有特别的设置,因此通过购物偏好也可以反映出用户是否为刷单用户;另一方面,刷单人员通常会有多个账号,且刷单通常通过相应的聊天群集体进行,因此刷单的账号具有一定的群体特性,即会有很多账号的网购记录是相似的,通过相似度也可以作为判断用户是否刷单的依据,从上述几个方面可以全面的对用户进行分析,准确的判断出可疑用户是否存在刷单行为。
进一步,还包括处罚模块,所述处罚模块用于对刷单用户、刷单商品以及刷单商品的商家按照预设的规则进行处罚。
处罚模块对识别出的刷单用户、刷单商品以及刷单商家进行处罚,例如封禁、下架、警告等。
本发明另一目的在于提供一种用于电子商务的交易监管方法,该方法基于以上系统,该方法包括以下步骤:
商品评估步骤,对平台内的商品进行数据统计和评估,筛选出可疑商品;
用户筛选步骤,对所有可疑商品的购买用户进行统计,筛选出出现次数大于预设值的用户作为可疑用户;
用户分析步骤,对可疑用户的购买行为进行统计和分析,判断用户是否为刷单用户;
刷单认定步骤,统计每个可疑商品的成交记录中出现刷单用户的次数,将出现刷单用户次数大于预设值的可疑商品认定为刷单商品。
进一步,商品评估步骤具体包括以下步骤:
步骤一:商品评估模块获取当前商品以及与当前商品同类型商品的销售数据,统计出当前商品N天前平均销售数据、同类商品N天前平均销售数据、当前商品N天内平均销售数据、同类商品N天内平均销售数据;
步骤二:商品评估模块计算当前商品N天内平均销售数据中每一项与当前商品N天前平均销售数据中对应项之间的差值,得到当前商品销售增长数据,并对当前商品销售增长数据中所有的项进行加权求和,得到增长评分;
步骤三:商品评估模块计算同类商品N天内平均销售数据中每一项与同类商品N天前平均销售数据中对应项之间的差值,得到同类商品销售增长数据;
步骤四:商品评估模块计算当前商品销售增长数据中每一项与同类商品销售增长数据中对应项之间的差值,并对各项差值进行加权求和,得到对比评分;
步骤五:商品评估模块计算增长评分与对比评分的和作为评估分数,判断评估分数是否超过预设值,如果是,则判定当前商品为可疑商品,如果否,则判定当前商品不是可疑商品。
增长评分可以反应出当前商品的增长特性,通过当前商品销售增长数据与同类商品销售增长数据进行对比,可以消除商品本身类别的差异对评分结果的影响,将增长评分和对比评分都作为评估分数的一部分是考虑到部分商品刷单前期相对于同类商品增长不明显,而自身增长非常明显的情况,例如销售量,小商家刷单后的销售量可能也比不过大商家或者平均水平,但是相对其自身的增长率则有非常高的提升。
进一步,所述用户分析步骤包括以下步骤:
步骤一:用户分析模块获取用户的所有交易记录,统计用户收获地址数量以及收获地址所在的城市,根据预设权重计算收获地址异常分数;
步骤二:统计用户同类或相同商品的购买频率,根据用户的购买频率以及对应商品的使用年限计算用户购买频率异常分数;
步骤三:统计用户购买商品的偏好属性,得到用户购买偏好异常分数;
步骤四:根据交易记录,从所有可疑用户中查找与当前用户购买记录相似的用户并得到用户相似度,根据得到的用户相似度计算相似异常分数;
步骤五:对收获地址异常分数、购买频率异常分数、购买偏好异常分数以及相似异常分数进行加权求和,得到用户异常分数,判断用户异常分数是否大于预设值,若是则判定用户为刷单用户。
进一步,所述用户分析步骤中的步骤四具体包括以下步骤:
步骤一:从可疑用户中查找与当前用户购买过同一商品的次数大于预设值的用户,对查找到的每一个用户执行步骤二至步骤三;
步骤二:对每一个共同购买过的商品,根据商品的购买时间差,计算单次购买相似度;
步骤三:对所有共同购买过的商品的单次购买相似度进行加权求和,得到用户相似度;
步骤四:计算所有相似用户的用户相似度得到相似异常评分。
进一步,所述用户分析步骤中的步骤三具体包括以下步骤:
步骤一:获取用户交易记录中所有商品的所有属性;
步骤二:统计同一属性用户的选择结果的个数;
步骤三:按照对所有属性的结果个数进行加权求和,得到偏好异常分数。
对于商品的属性,如颜色、大小型号、材质、形状、价格区间等,每个人通常都有自己特定的偏好,通过统计用户购买的所有商品成交时的属性,记录用户对属性的选择,用选择结果的个数表示用户对于该种属性的统一程度,同一属性选择值越多则这种统一性越差,例如对于衣服的尺寸,如果一个人购买多次衣服大小型号相差很多,则其是一个非正常用户的可能性越大,刷单通常只在乎成交结果,不会对具体的属性选择有所设置,因此以所有属性的结果个数之和作为偏好异常分数可以用来作为判断刷单用户的依据,由于每种属性的重要性不同,例如对于衣服,颜色相比起大小型号,其改变可能性大很多,因此颜色属性的权重就要小一些,采用加权求和的方式可以使结果更加准确。
附图说明
图1为本发明用于电子商务的交易监管系统施例中的逻辑框图。
具体实施方式
下面通过具体实施方式对本发明作进一步详细的说明:
如图1所示,本实施例用于电子商务的交易监管系统包括商品评估模块、用户统计模块、用户分析模块、刷单认定模块以及处罚模块,其中:
商品评估模块用于根据平台内的交易信息对平台内的商品进行评估,筛选出可疑商品;
用户统计模块用于统计可疑商品的购买用户,并根据用户的出现次数筛选出可疑用户;
用户分析模块用于对可疑用户的交易记录进行分析,判断可疑用户是否为刷单用户;
刷单认定模块用于根据可疑商品成交记录中的刷单用户数量判断可疑商品是否为刷单商品;
处罚模块用于对刷单用户、刷单商品以及刷单商品的商家按照预设的规则进行处罚,例如封禁、下架、警告等。
具体的,交易信息包括当前商品N天前平均销售数据、同类商品N天前平均销售数据、当前商品N天内平均销售数据、同类商品N天内平均销售数据;当前商品N天前平均销售数据、同类商品N天前平均销售数据、当前商品N天内平均销售数据以及同类商品N天内平均销售数据均包括平均销量、好评率、平均评价附图率以及平均评价语句长度。商品评估模块包括:
当前商品数据统计子模块,当前商品数据统计子模块用于统计当前商品的销售数据,生成当前商品N天前平均销售数据和当前商品N天内平均销售数据;
同类商品数据统计子模块,同类商品数据统计子模块用于统计与待评估的商品相同类型的商品的销售数据,生成同类商品N天前平均销售数据和同类商品N天内平均销售数据;
商品数据分析子模块,商品数据分析子模块用于根据当前商品N天前平均销售数据、同类商品N天前平均销售数据、当前商品N天内平均销售数据以及同类商品N天内平均销售数据生成当前商品的评估分数;
可疑商品筛选子模块,可疑商品筛选子模块用于将评估分数大于预设值的商品筛选出来作为可疑商品;本实施例中N取为30天。
商品数据分析子模块包括增长评分计算单元、对比评分计算单元以及评估分数计算单元,增长评分计算单元用于计算当前商品N天内平均销售数据中每一项与当前商品N天前平均销售数据中对应项之间的差值,并进行加权求和,得到增长评分;
对比评分计算单元用于计算当前商品销售增长数据中每一项与同类商品销售增长数据中对应项之间的差值,并对各项差值进行加权求和,得到对比评分;
评估分数计算单元用于根据增长评分与对比评分得出评估分数。
用户统计模块包括用户筛选子模块和用户获取子模块,用户获取子模块用于获取可疑商品的购买用户,用户筛选子模块用于从所有可疑商品的购买用户中筛选出出现次数大于5次的用户作为可疑用户。
用户分析模块包括收获地址异常分析子模块、频率异常分析子模块、偏好异常分析子模块、相似异常分析子模块以及用户认定子模块,收获地址异常分析子模块用于统计用户的收获地址数据并根据用户收货地址数据生成收货地址异常分数;频率异常分析子模块用于获取用户购买同类型商品的频率并根据商品的使用年限生成购买频率异常分数;偏好异常分析子模块用于统计用户购买商品的偏好属性,并根据用户偏好属性的变化生成购买偏好异常分数,相似异常分析子模块用于从所有可疑用户中查找与当前用户交易记录相似的用户并生成相似异常分数,用户认定子模块用于根据收获地址异常分数、购买频率异常分数、购买偏好异常分数以及相似异常分数判断用户是否为刷单用户。
正常的网购用户其收货地址、购物频率、购物偏好等都是较为稳定的,而刷单用户通常具有较多的收获地址,并且一个用户通常参与多次刷单,其购物频率较高,且不考虑具体的商品,例如对于正常用户如果购买过冰箱,则通常在几年内不会再次购买,而刷单账号通常不会估计这些,因此通过购买频率和相应商品的使用年限可以作为判断刷单的一个依据;刷单用户通常没有特定的购物偏好,对于商品的颜色、种类、型号等没有特别的设置,因此通过购物偏好也可以反映出用户是否为刷单用户;另一方面,刷单人员通常会有多个账号,且刷单通常通过相应的聊天群集体进行,因此刷单的账号具有一定的群体特性,即会有很多账号的网购记录是相似的,通过相似度也可以作为判断用户是否刷单的依据,从上述几个方面可以全面的对用户进行分析,准确的判断出可疑用户是否存在刷单行为。
为了更清楚的阐述本发明的用于电子商务的交易监管系统的工作过程,本实施例中,还公开了一种用于电子商务的交易监管方法,该方法基于以上系统,该方法包括以下步骤:
商品评估步骤,对平台内的商品进行数据统计和评估,筛选出可疑商品;
用户筛选步骤,对所有可疑商品的购买用户进行统计,筛选出出现次数大于5次的用户作为可疑用户;
用户分析步骤,对可疑用户的购买行为进行统计和分析,判断用户是否为刷单用户;
刷单认定步骤,统计每个可疑商品的成交记录中出现刷单用户的次数,将出现刷单用户次数大于2个的可疑商品认定为刷单商品。
其中,商品评估步骤具体包括以下步骤:
步骤一:商品评估模块获取当前商品以及与当前商品同类型商品的销售数据,统计出当前商品N天前平均销售数据、同类商品N天前平均销售数据、当前商品N天内平均销售数据、同类商品N天内平均销售数据;
步骤二:商品评估模块计算当前商品N天内平均销售数据中每一项与当前商品N天前平均销售数据中对应项之间的差值,得到当前商品销售增长数据,并对当前商品销售增长数据中所有的项进行加权求和,得到增长评分;
步骤三:商品评估模块计算同类商品N天内平均销售数据中每一项与同类商品N天前平均销售数据中对应项之间的差值,得到同类商品销售增长数据;
步骤四:商品评估模块计算当前商品销售增长数据中每一项与同类商品销售增长数据中对应项之间的差值,并对各项差值进行加权求和,得到对比评分;
步骤五:商品评估模块计算增长评分与对比评分的和作为评估分数,判断评估分数是否超过预设值,该预设值的设定与权重的设置相关,如果是,则判定当前商品为可疑商品,如果否,则判定当前商品不是可疑商品,本实施例中N取30天。
用户分析步骤包括以下步骤:
步骤一:用户分析模块获取用户的所有交易记录,统计用户收获地址数量以及收获地址所在的城市,根据预设权重计算收获地址异常分数,本实施例中收获地址权重和收货地址所在城市权重按1:3设置;
步骤二:统计用户同类或相同商品的购买频率,根据用户的购买频率以及对应商品的使用年限计算用户购买频率异常分数;
步骤三:统计用户购买商品的偏好属性,得到用户购买偏好异常分数;
步骤四:根据交易记录,从所有可疑用户中查找与当前用户购买记录相似的用户并得到用户相似度,根据得到的用户相似度计算相似异常分数;
步骤五:对收获地址异常分数、购买频率异常分数、购买偏好异常分数以及相似异常分数进行加权求和,得到用户异常分数,判断用户异常分数是否大于预设值,若是则判定用户为刷单用户。
其中,上述的步骤四具体包括以下步骤:
步骤一:从可疑用户中查找与当前用户购买过同一商品的次数大于2次的用户,对查找到的每一个用户执行步骤二至步骤三;
步骤二:对每一个共同购买过的商品,根据商品的购买时间差,计算单次购买相似度;
步骤三:对所有共同购买过的商品的单次购买相似度进行加权求和,得到用户相似度;
步骤四:计算所有相似用户的用户相似度得到相似异常评分。
用户分析步骤中的步骤三具体包括以下步骤:
步骤一:获取用户交易记录中所有商品的所有属性;
步骤二:统计同一属性用户的选择结果的个数;
步骤三:按照对所有属性的结果个数进行加权求和,得到偏好异常分数。
对于商品的属性,如颜色、大小型号、材质、形状、价格区间等,每个人通常都有自己特定的偏好,通过统计用户购买的所有商品成交时的属性,记录用户对种属性的选择,用选择结果的个数表示用户对于该种属性的统一程度,同一属性选择值越多则这种统一性越差,例如对于衣服的尺寸,如果一个人购买多次衣服大小型号相差很多,则其是一个非正常用户的可能性越大,刷单通常只在乎成交结果,不会对具体的属性选择有所设置,因此以所有属性的结果个数之和作为偏好异常分数可以用来作为判断刷单用户的依据,由于每种属性的重要性不同,例如对于衣服,颜色相比起大小型号,其改变可能性大很多,因此颜色属性的权重就要小一些,采用加权求和的方式可以使结果更加准确。
以上的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.用于电子商务的交易监管系统,其特征在于:包括:
商品评估模块,所述商品评估模块用于根据平台内的交易信息对平台内的商品进行评估,筛选出可疑商品;
用户统计模块,所述用户统计模块用于统计可疑商品的购买用户,并根据用户的出现次数筛选出可疑用户;
用户分析模块,所述用户分析模块用于对可疑用户的交易记录进行分析,判断可疑用户是否为刷单用户;
刷单认定模块,刷单认定模块用于根据可疑商品成交记录中的刷单用户数量判断可疑商品是否为刷单商品。
2.根据权利要求1所述的用于电子商务的交易监管系统,其特征在于:所述交易信息包括当前商品N天前平均销售数据、同类商品N天前平均销售数据、当前商品N天内平均销售数据、同类商品N天内平均销售数据;
所述商品评估模块包括:
当前商品数据统计子模块,所述当前商品数据统计子模块用于统计当前商品的销售数据,生成当前商品N天前平均销售数据和当前商品N天内平均销售数据;
同类商品数据统计子模块,所述同类商品数据统计子模块用于统计与待评估的商品相同类型的商品的销售数据,生成同类商品N天前平均销售数据和同类商品N天内平均销售数据;
商品数据分析子模块,所述商品数据分析子模块用于根据当前商品N天前平均销售数据、同类商品N天前平均销售数据、当前商品N天内平均销售数据以及同类商品N天内平均销售数据生成当前商品的评估分数;
可疑商品筛选子模块,所述可疑商品筛选子模块用于将评估分数大于预设值的商品筛选出来作为可疑商品。
3.根据权利要求2所述的用于电子商务的交易监管系统,其特征在于:所述当前商品N天前平均销售数据、同类商品N天前平均销售数据、当前商品N天内平均销售数据以及同类商品N天内平均销售数据均包括平均销量、好评率、平均评价附图率以及平均评价语句长度。
4.根据权利要求1所述的用于电子商务的交易监管系统,其特征在于:所述用户分析模块包括收获地址异常分析子模块、频率异常分析子模块、偏好异常分析子模块、相似异常分析子模块以及用户认定子模块,所述收获地址异常分析子模块用于统计用户的收获地址数据并根据用户收货地址数据生成收货地址异常分数;所述频率异常分析子模块用于获取用户购买同类型商品的频率并根据商品的使用年限生成购买频率异常分数;所述偏好异常分析子模块用于统计用户购买商品的偏好属性,并根据用户偏好属性的变化生成购买偏好异常分数,所述相似异常分析子模块用于从所有可疑用户中查找与当前用户交易记录相似的用户并生成相似异常分数,所述用户认定子模块用于根据收获地址异常分数、购买频率异常分数、购买偏好异常分数以及相似异常分数判断用户是否为刷单用户。
5.根据权利要求1所述的用于电子商务的交易监管系统,其特征在于:还包括处罚模块,所述处罚模块用于对刷单用户、刷单商品以及刷单商品的商家按照预设的规则进行处罚。
6.用于电子商务的交易监管方法,其特征在于:该方法包括以下步骤:
商品评估步骤,对平台内的商品进行数据统计和评估,筛选出可疑商品;
用户筛选步骤,对所有可疑商品的购买用户进行统计,筛选出出现次数大于预设值的用户作为可疑用户;
用户分析步骤,对可疑用户的购买行为进行统计和分析,判断用户是否为刷单用户;
刷单认定步骤,统计每个可疑商品的成交记录中出现刷单用户的次数,将出现刷单用户次数大于预设值的可疑商品认定为刷单商品。
7.根据权利要求6所述的用于电子商务的交易监管方法,其特征在于:商品评估步骤具体包括以下步骤:
步骤一:商品评估模块获取当前商品以及与当前商品同类型商品的销售数据,统计出当前商品N天前平均销售数据、同类商品N天前平均销售数据、当前商品N天内平均销售数据、同类商品N天内平均销售数据;
步骤二:商品评估模块计算当前商品N天内平均销售数据中每一项与当前商品N天前平均销售数据中对应项之间的差值,得到当前商品销售增长数据,并对当前商品销售增长数据中所有的项进行加权求和,得到增长评分;
步骤三:商品评估模块计算同类商品N天内平均销售数据中每一项与同类商品N天前平均销售数据中对应项之间的差值,得到同类商品销售增长数据;
步骤四:商品评估模块计算当前商品销售增长数据中每一项与同类商品销售增长数据中对应项之间的差值,并对各项差值进行加权求和,得到对比评分;
步骤五:商品评估模块计算增长评分与对比评分的和作为评估分数,判断评估分数是否超过预设值,如果是,则判定当前商品为可疑商品,如果否,则判定当前商品不是可疑商品。
8.根据权利要求6所述的用于电子商务的交易监管方法,其特征在于:所述用户分析步骤包括以下步骤:
步骤一:用户分析模块获取用户的所有交易记录,统计用户收获地址数量以及收获地址所在的城市,根据预设权重计算收获地址异常分数;
步骤二:统计用户同类或相同商品的购买频率,根据用户的购买频率以及对应商品的使用年限计算用户购买频率异常分数;
步骤三:统计用户购买商品的偏好属性,得到用户购买偏好异常分数;
步骤四:根据交易记录,从所有可疑用户中查找与当前用户购买记录相似的用户并得到用户相似度,根据得到的用户相似度计算相似异常分数;
步骤五:对收获地址异常分数、购买频率异常分数、购买偏好异常分数以及相似异常分数进行加权求和,得到用户异常分数,判断用户异常分数是否大于预设值,若是则判定用户为刷单用户。
9.根据权利要求8所述的用于电子商务的交易监管方法,其特征在于:所述用户分析步骤中的步骤四具体包括以下步骤:
步骤一:从可疑用户中查找与当前用户购买过同一商品的次数大于预设值的用户,对查找到的每一个用户执行步骤二至步骤三;
步骤二:对每一个共同购买过的商品,根据商品的购买时间差,计算单次购买相似度;
步骤三:对所有共同购买过的商品的单次购买相似度进行加权求和,得到用户相似度;
步骤四:计算所有相似用户的用户相似度得到相似异常评分。
10.根据权利要求8所述的用于电子商务的交易监管方法,其特征在于:所述用户分析步骤中的步骤三具体包括以下步骤:
步骤一:获取用户交易记录中所有商品的所有属性;
步骤二:统计同一属性用户的选择结果的个数;
步骤三:按照对所有属性的结果个数进行加权求和,得到偏好异常分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810368105.0A CN108573432B (zh) | 2018-04-23 | 2018-04-23 | 用于电子商务的交易监管系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810368105.0A CN108573432B (zh) | 2018-04-23 | 2018-04-23 | 用于电子商务的交易监管系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108573432A true CN108573432A (zh) | 2018-09-25 |
CN108573432B CN108573432B (zh) | 2020-08-25 |
Family
ID=63575115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810368105.0A Expired - Fee Related CN108573432B (zh) | 2018-04-23 | 2018-04-23 | 用于电子商务的交易监管系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573432B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801112A (zh) * | 2019-02-02 | 2019-05-24 | 京东数字科技控股有限公司 | 计算用户分值的方法和装置 |
CN110046910A (zh) * | 2018-12-13 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 获取与特定客户相关的客户群体的方法和设备 |
CN110163714A (zh) * | 2019-04-01 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种基于相似度算法挖掘隐藏风险商户的方法和装置 |
CN111415171A (zh) * | 2020-02-24 | 2020-07-14 | 柳州达迪通信技术股份有限公司 | 一种基于sdh传输系统的数据采集校验系统 |
CN112700265A (zh) * | 2021-03-23 | 2021-04-23 | 广州格鲁信息技术有限公司 | 一种基于大数据处理的反欺诈系统及方法 |
CN113240453A (zh) * | 2021-04-21 | 2021-08-10 | 福建神笔马良智能科技股份有限公司 | 基于区块链的商品销售动态推进管理系统 |
CN113724054A (zh) * | 2021-09-10 | 2021-11-30 | 中国银行股份有限公司 | 人工刷单的检测方法及装置 |
CN116611796A (zh) * | 2023-07-20 | 2023-08-18 | 广州淘通科技股份有限公司 | 一种店铺交易数据的异常检测方法及装置 |
CN117196640A (zh) * | 2023-11-06 | 2023-12-08 | 青岛巨商汇网络科技有限公司 | 一种基于服务体验的全流程可视化管理系统及方法 |
CN117273866A (zh) * | 2023-11-14 | 2023-12-22 | 深圳市崇晸实业有限公司 | 一种监控电商网络安全的处理方法及系统 |
CN116611796B (zh) * | 2023-07-20 | 2024-06-07 | 广州淘通科技股份有限公司 | 一种店铺交易数据的异常检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096974A (zh) * | 2016-06-02 | 2016-11-09 | 中国联合网络通信集团有限公司 | 一种针对网络购物的反作弊方法及系统 |
CN106204157A (zh) * | 2016-07-24 | 2016-12-07 | 广东聚联电子商务股份有限公司 | 一种基于大数据采集与分析的刷单评价行为处理方法 |
-
2018
- 2018-04-23 CN CN201810368105.0A patent/CN108573432B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096974A (zh) * | 2016-06-02 | 2016-11-09 | 中国联合网络通信集团有限公司 | 一种针对网络购物的反作弊方法及系统 |
CN106204157A (zh) * | 2016-07-24 | 2016-12-07 | 广东聚联电子商务股份有限公司 | 一种基于大数据采集与分析的刷单评价行为处理方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046910B (zh) * | 2018-12-13 | 2023-04-14 | 蚂蚁金服(杭州)网络技术有限公司 | 判断客户通过电子支付平台所进行交易合法性的方法和设备 |
CN110046910A (zh) * | 2018-12-13 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 获取与特定客户相关的客户群体的方法和设备 |
CN109801112B (zh) * | 2019-02-02 | 2021-03-05 | 京东数字科技控股有限公司 | 计算用户分值的方法和装置 |
CN109801112A (zh) * | 2019-02-02 | 2019-05-24 | 京东数字科技控股有限公司 | 计算用户分值的方法和装置 |
CN110163714A (zh) * | 2019-04-01 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种基于相似度算法挖掘隐藏风险商户的方法和装置 |
CN111415171A (zh) * | 2020-02-24 | 2020-07-14 | 柳州达迪通信技术股份有限公司 | 一种基于sdh传输系统的数据采集校验系统 |
CN112700265A (zh) * | 2021-03-23 | 2021-04-23 | 广州格鲁信息技术有限公司 | 一种基于大数据处理的反欺诈系统及方法 |
CN113240453B (zh) * | 2021-04-21 | 2024-05-28 | 福建神笔马良智能科技股份有限公司 | 基于区块链的商品销售动态推进管理系统 |
CN113240453A (zh) * | 2021-04-21 | 2021-08-10 | 福建神笔马良智能科技股份有限公司 | 基于区块链的商品销售动态推进管理系统 |
CN113724054A (zh) * | 2021-09-10 | 2021-11-30 | 中国银行股份有限公司 | 人工刷单的检测方法及装置 |
CN116611796A (zh) * | 2023-07-20 | 2023-08-18 | 广州淘通科技股份有限公司 | 一种店铺交易数据的异常检测方法及装置 |
CN116611796B (zh) * | 2023-07-20 | 2024-06-07 | 广州淘通科技股份有限公司 | 一种店铺交易数据的异常检测方法及装置 |
CN117196640B (zh) * | 2023-11-06 | 2024-02-02 | 青岛巨商汇网络科技有限公司 | 一种基于服务体验的全流程可视化管理系统及方法 |
CN117196640A (zh) * | 2023-11-06 | 2023-12-08 | 青岛巨商汇网络科技有限公司 | 一种基于服务体验的全流程可视化管理系统及方法 |
CN117273866A (zh) * | 2023-11-14 | 2023-12-22 | 深圳市崇晸实业有限公司 | 一种监控电商网络安全的处理方法及系统 |
CN117273866B (zh) * | 2023-11-14 | 2024-01-23 | 深圳市崇晸实业有限公司 | 一种监控电商网络安全的处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108573432B (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573432A (zh) | 用于电子商务的交易监管系统和方法 | |
CN107578281B (zh) | 电子商务环境下用户优惠券行为预测方法及模型构建方法 | |
CN110009372B (zh) | 一种用户风险识别方法和装置 | |
CN108550052A (zh) | 基于用户行为数据特征的刷单检测方法及系统 | |
CN108038696B (zh) | 基于设备标识码和社交群组信息的刷单检测方法及系统 | |
Ketzenberg et al. | Assessing customer return behaviors through data analytics | |
Rabinovich et al. | Unlimited shelf space in Internet supply chains: Treasure trove or wasteland? | |
CN107305665A (zh) | 一种鉴别虚假交易、防止刷单的方法及装置 | |
Ülkü et al. | Serving fraudulent consumers? The impact of return policies on retailer's profitability | |
JP2017220155A (ja) | 電子商取引サイトにおける顧客管理 | |
CN112700265A (zh) | 一种基于大数据处理的反欺诈系统及方法 | |
CN116664238A (zh) | 一种零售行业风险订单审核管理方法及系统 | |
Bagul et al. | Retail customer churn analysis using rfm model and k-means clustering | |
CN107239988A (zh) | 商品数据呈现系统 | |
CN117236996B (zh) | 一种基于大数据分析的用户行为预测方法和系统 | |
Choudhury et al. | An overview into the aspects of fake product reviews, its manipulation, and its effects and monitoring | |
CN113256372A (zh) | 一种基于电子商务的商品销售系统和方法 | |
Arivazhagan et al. | Pattern Discovery and Analysis of Customer Buying Behavior Using Association Rules Mining Algorithm in E-Commerce | |
Elshaar et al. | Building high-quality auction fraud dataset | |
Cui | An investigation of triple jeopardy patterns in E-store choice | |
Widjaja et al. | Consumer Attitude towards Gray Market in Indonesia | |
Elsbree | Black Friday Pricing Behavior at Walmart | |
CN116957631B (zh) | 一种税务发票数据智能识别方法、系统和介质 | |
CN115131070B (zh) | 一种在线商品预定量虚标的识别及处理方法及装置 | |
CN114626888A (zh) | 网络购物平台的恶意刷单行为预测方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211126 Address after: 210000 floor 1, building 3, No. 36, Fengjin Road, Yuhuatai District, Nanjing, Jiangsu Province Patentee after: Jiangsu yunhang Logistics Technology Co.,Ltd. Address before: 2-1, building 16, No. 3, Wenyuan South Road, Changshou District, Chongqing Patentee before: CHONGQING NANMI E-COMMERCE Co.,Ltd. |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200825 |